1996—2015年黄河源区植被覆盖度提取和时空变化分析

doi:10.7522/j.issn.1000-0240.2021.0046

1996—2015年黄河源区植被覆盖度提取和时空变化分析

王俊奇^,¹, 王广军^,¹, 梁四海², 杜海波³, 彭红明⁴

1.中国地质大学(北京) 土地科学技术学院, 北京 100083

2.中国地质大学(北京) 水资源与环境学院, 北京 100083

3.内蒙古自治区煤田地质局勘测队, 内蒙古呼和浩特 010010

4.青海省环境地质勘查局, 青海西宁 810007

Extraction and spatio-temporal analysis of vegetation coverage from 1996 to 2015 in the source region of the Yellow River

WANG Junqi^,¹, WANG Guangjun^,¹, LIANG Sihai², DU Haibo³, PENG Hongming⁴

1.School of Land Science and Technology，China University of Geosciences （Beijing），Beijing 100083，China

2.School of Water Resources and Environment，China University of Geosciences （Beijing），Beijing 100083，China

3.Inner Mongolia Survey Team of Coalfield Geology Bureau，Hohhot 010010，China

4.Qinghai Bureau of Environmental Geology Exploration，Xining 810007，China

通讯作者: 王广军，副教授，主要从事国土与环境遥感研究. E-mail：cugbwgj@163.com

编委: 武俊杰

收稿日期: 2020-10-10 修回日期: 2021-01-05

基金资助:

中国科学院战略性先导科技专项. XDA20100103
青海省应用基础研究项目. 2017-ZJ-743

Received: 2020-10-10 Revised: 2021-01-05

作者简介 About authors

王俊奇，硕士研究生，主要从事遥感信息提取研究.E-mail：wjq01199624@163.com , E-mail：wjq01199624@163.com

摘要

研究黄河源区植被覆盖度时空变化对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应，以及为黄河源区生态环境保护和治理提供决策具有重要的意义。以陆地卫星（Landsat）影像为主要数据源，利用多端元混合像元分解模型（Multiple Endmember Spectral Mixture Analysis，MESMA），完成了1996—2015年黄河源区4.4万km²、7个时相的植被覆盖度提取，并基于转移矩阵和一元线性回归趋势法分析了植被覆盖度变化情况。结果表明：黄河源区东南部植被覆盖度较高，西北部植被覆盖度较低，且植被覆盖度在空间上由东南向西北呈递减趋势。1996—2004年植被覆盖度整体呈下降趋势，2004—2015年植被覆盖度呈增加趋势。1996—2015年植被覆盖度呈增加趋势的区域占57.25%，基本不变的区域占16.02%，植被覆盖度呈下降趋势的区域占26.73%。植被覆盖度下降的主要原因是黄河源头及一些河谷地带、环湖地区受人类影响较大，且东南部海拔较低地区受到过度放牧的影响。尽管黄河源区1996—2015年植被覆盖度总体呈改善趋势，但毒杂草的面积也由1996年的16 060 km²增加到2015年的22 942 km²，20年间增加了6 882 km²，毒杂草面积的增加对黄河源区局部地区畜牧业的发展有不利影响。

关键词： 植被覆盖度 ; MESMA ; 黄河源区 ; 时空变化

Abstract

Studying the spatial and temporal variation of vegetation coverage in the source region of the Yellow River is of great significance to understand the response of vegetation growth in permafrost area of Qinghai-Tibet Plateau under the dual effects of climate change and human activities， and to provide theoretical basis for the protection and control of the ecological environment in the source region of the Yellow River. Using Landsat as the main data source， this paper uses Multiple Endmember Spectral Mixture Analysis （MESMA） to complete the extraction of vegetative cover of 7 phases of 44 000 km² from 1996 to 2015 in the source region of the Yellow River respectively， and analyses the change of vegetative cover from 1996 to 2015 based on transfer matrix and unvariable linear regression. The research results show： The vegetation coverage is higher in the southeast and lower in the northwest， and decreases from southeast to northwest in space. Desertification is serious in the north. This is consistent with the hydrothermal conditions in the source region of the Yellow River. From 1996 to 2004， bare land as a whole increased by 10.24%， and the unconverted area accounted for as high as 77.22%. Low coverage type， medium coverage type and medium coverage type remain basically unchanged on the whole， and the conversion is mainly to lower vegetation coverage type. The high coverage type overall decreased by 12.75%. Therefore， the vegetation coverage showed a general trend of falling. However， from 2004 to 2015， the bare land decreased by 12.91% as a whole， which was mainly converted to low coverage type. Low coverage type， low-medium coverage type and medium coverage type remained basically unchanged， and all of them were mainly converted to higher coverage type， while the high coverage type increased by 16.18% as a whole. Based on the above analysis， the overall vegetation coverage of the source region of the Yellow River showed an increasing trend. This also shows that the state in 2005， 2014 implementation of the “Three-River Source Region ecological protection and construction of the first and second phase of the project” has been effective. From 1996 to 2015， 57.25% of the vegetation coverage areas showed an increasing trend. The increased area is mainly distributed in the central and eastern part， the area around the Ngoring Lake and some areas in the north. About 16.02% of the vegetation coverage areas were basically unchanged. Areas that remain largely unchanged are concentrated in the northern and eastern desert regions， and 26.73% of the vegetation coverage areas showed a decreasing trend. The reduced area is mainly distributed in the west of the source region of the Yellow River， the north of Gyaring Lake， the northeast and southeast of the source region. The main reasons for the decrease of vegetation coverage are that the headwaters of the Yellow River and some river valleys and areas around the lake are greatly affected by human beings， and that the lower altitude of the southeastern region is greatly affected by overgrazing， as well as the disappearance of pastures in the north of Gyaring Lake. Although the vegetation coverage of the source region of the Yellow River showed an overall trend of improvement from 1996 to 2015， the area of poisonous weeds also increased from 16 060 km² in 1996 to 22 942 km² in 2015， which increased by 6 882 km² in 20 years. The poisonous weeds in the source region of the Yellow River were mainly Edelweiss and Oxytropis. Edelweiss was mainly distributed in the south side of the study area. Oxytropis was mainly distributed in the north side， and the distribution area of Ajania khartensis was relatively dispersed. The increase of the area of poisonous weeds had a negative impact on the development of livestock husbandry in the source region of the Yellow River.

Keywords： vegetation coverage ; MESMA ; source region of the Yellow River ; spatio-temporal variation

PDF (7239KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王俊奇, 王广军, 梁四海, 杜海波, 彭红明. 1996—2015年黄河源区植被覆盖度提取和时空变化分析[J]. 冰川冻土, 2021, 43(2): 662-674 doi:10.7522/j.issn.1000-0240.2021.0046

WANG Junqi, WANG Guangjun, LIANG Sihai, DU Haibo, PENG Hongming. Extraction and spatio-temporal analysis of vegetation coverage from 1996 to 2015 in the source region of the Yellow River[J]. Journal of Glaciology and Geocryology, 2021, 43(2): 662-674 doi:10.7522/j.issn.1000-0240.2021.0046

0 引言

植被是陆地生态系统的重要组成部分，其在保持水土、涵养水源等方面起着重要的作用。作为描述植被覆盖状况的重要参数，植被覆盖度的变化对于评价生态环境状况和土地沙化程度有着重要的指导意义^［1-2］。在过去的30多年，受全球气候变暖和人为活动的影响，素有地球“第三极”之称的青藏高原，特别是黄河源区出现草地不同程度的退化和土地沙化等一系列生态环境问题，已经成为全球气候变化研究的关键地区^［3-5］。为保护黄河源生态环境，国家于2005年、2014年分别实施“三江源生态保护和建设一期、二期工程”^［6-7］。2016年，正式启动三江源国家公园体制试点。特别是2019—2020年，习近平总书记四次实地考察黄河，并多次强调沿黄生态环境保护的重要性。从植被覆盖度变化角度开展黄河源区生态环境变化研究，对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应，以及为黄河源区生态环境保护和治理提供辅助决策具有重要的意义。

随着遥感技术的不断发展和进步，植被覆盖度的反演方法也逐渐的完善与成熟。常用的反演方法包括植被指数法、经验模型法和混合像元分解方法^［8-10］。受限于遥感数据的空间分辨率，混合像元分解方法在包括黄河源区的三江源地区受到了广泛的关注和利用。混合像元分解方法包括线性光谱混合分解方法（Linear Spectral Mixture Analysis，LSMA）和非线性光谱混合分解方法（Nonlinear Spectral Mixture Analysis，NLSMA）^［11-12］。当前以LSMA为基础的像元二分模型在三江源地区应用较多。如吴喜芳等^［13］基于像元二分模型方法，对1982—2006年NOAA/AVHRR NDVI和2000—2012年MODIS NDVI数据进行植被覆盖度提取，结果发现黄河源区植被覆盖度呈现由东南向西北递减趋势，并且整体植被覆盖度呈增加趋势；张颖等^［1］采用同样的方法对三江源植被覆盖度进行提取，结果发现植被覆盖度的整体趋势与上述基本一致；马天啸等^［14］对黄河源2000—2010年植被覆盖度进行时空变化分析，结果表明植被退化区平均坡度和海拔更低，说明人类活动可能对植被退化产生了影响；肖桐等^［15］采用像元二分模型对2000—2011年三江源植被覆盖度进行提取，结果表明黄河源地区草地覆盖度恢复特征明显。尽管像元二分模型提取的结果能够从整体上反映植被覆盖度的变化趋势，但像元二分模型其实质是两端元的LSMA模型。由于在LSMA模型中，植被一般以一个固定端元表示，忽略了“同物异谱”现象，导致包括像元二分模型在内的LSMA模型在面向多种植被覆盖区域适用性较差。而在LSMA基础上发展起来的MESMA分解模型由于考虑了“同物异谱”^［16］，在面向多种植被覆盖或异质性区域适用性较好。如廖春华等^［17］采用MESMA和LSMA模型分别与实测数据对比，结果发现MESMA提取的结果与实测数据相关性更高。并且相较于LSMA模型，MESMA可以对植被进行分类，因此更适合在地表类型复杂多变的黄河源区进行土地信息的提取。安如等^［18］采用MESMA模型从可食牧草、毒杂草、裸地三种端元对2012年三江源典型区域的草地退化进行研究，并与实测数据对比，精度高达84.2%；此外，安如等^［19］、Li等^［20］采用优化后的MESMA方法黄河源玛多县“黑土滩”进行遥感定量识别，相较于传统的目视解译有了较大的改善。

考虑到以上研究多采用黄河源地区2000—2012年的数据，对于2012年以来鲜有研究，且基于MESMA理论基础的研究区主要集中在“黑土滩”等黄河源典型区域^［21-22］，范围有限，也没有对毒杂草的面积数量变化及其对畜牧业的影响进行分析。因此本文拟采用MESMA模型对1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的黄河源植被覆盖度进行提取，并采用转移矩阵和一元线性回归趋势分析方法对提取出的植被覆盖度进行后续分析，最后对1996年和2015年的毒杂草分布情况统计并分析其对畜牧业发展的影响，以期为黄河源区生态环境的研究提供新的视角。

1 研究区与数据

1.1　研究区概况

本研究区所指的黄河源区地理坐标为33°03′~35°29′ N、95°52′~99°52′ E，位于青藏高原东北部，研究区示意图见图1。高山、峡谷等地貌分布其中，平均海拔约4 200m，总面积约4.4万km²，地势西北高东南低。黄河源区属于典型的大陆性高原气候，寒冷干燥，东南空气湿润，西北气候干燥，太阳辐射强，日温差大，降水多集中在6—9月^{［5，23-24］}。作为“世界屋脊”青藏高原的一部分，黄河源区的自身气候变化和生态系统均十分敏感。其主要植被类型包括小嵩草、藏嵩草、早熟禾和紫花针茅等可食牧草，以及棘豆、火绒草等毒杂草；土壤类型包括寒钙土，草毡土以及沼泽土等^［25-26］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区示意图

Fig.1 Location of the study area

1.2　数据来源与预处理

黄河源区受海拔和气候影响，植被生长季相对较短，非生长季植被枯萎，且存在霜冻和冰雪覆盖现象，因此本研究选取植被处于最大生长季的7—9月且受云覆盖影响较小的1996年、2000年、2004年、2006年、2008年、2013年、2015年7个年度35景Landsat影像。由于部分年份的个别景影像受云影像较大，故采用相邻年份的影像替代（表1）。由于2013年采用两景Landsat7-ETM+数据，因此首先要对其进行去条带处理。之后利用ENVI5.3软件对数据进行辐射定标、FLAASH大气校正、地形校正和拼接裁剪等预处理。地形校正中采用的DEM数据为2015年1月6号发布的ASTER GDEM V2。此外，在MESMA模型建立感兴趣区时采用的辅助数据包括1∶100万植被图及1∶100万土壤图^［27-28］。

表1 Landsat影像信息列表

Table 1 Landsat image information list

年份	传感器	轨道号影像日期（年-月-日）
年份	传感器	133/36	133/37	134/36	135/35	135/36
1996	Landsat5-TM	1996-08-23	1996-08-23	1997-08-01	1996-07-04	1996-08-21
2000	Landsat5-TM/Landsat7-ETM+	2000-08-26	2000-07-25	2000-08-09	2000-07-15	2000-07-15
2004	Landsat5-TM	2003-07-26	2003-07-26	2004-07-19	2004-07-24	2004-09-10
2006	Landsat5-TM	2006-08-03	2006-08-03	2006-07-25	2006-08-01	2006-08-01
2008	Landsat5-TM	2008-07-23	2008-07-23	2008-08-13	2008-07-05	2008-07-05
2013	Landsat7-ETM+/Landsat8-OLI	2013-08-14	2013-08-14	2013-08-13	2013-08-04	2013-08-04
2015	Landsat8-OLI	2015-08-12	2015-08-12	2017-08-08	2015-07-25	2015-07-25

新窗口打开| 下载CSV

2 研究方法

2.1　多端元混合像元分解模型

LSMA模型的基本假设是，混合像元的光谱是由两种及两种以上的固定地物以线性组合的方式构成。其具体模型为

r_{ω} = \sum_{i = 1}^{n} f_{i} \cdot r_{i} + ε_{γ}

（1）

\sum_{i = 1}^{n} f_{i} = 1

（2）

R M S E = \sqrt[]{\sum_{γ = 1}^{N} {(ε_{γ})}^{2} / N}

（3）

式中：r_ω 为混合像元光谱反射率；f_i 为每一个端元的光谱反射率；r_i 为各端元的丰度值；ε_γ 为残余误差；N为波段总数。

MESMA模型是对LSMA模型的一种改进，其原理为在每个像元中采用不同的光谱分解模型（即采用不同的端元组分）进行测试，选择模型误差最小的作为提取本像元的分解模型，从而避免了LSMA的缺陷^［17］，在实践应用中也更符合实际情况。MESMA模型中常用的端元包括植被、非植被、土壤、阴影四种端元，本研究中选择了植被-土壤-阴影三种端元组合。MESMA程序主要包括以下两个主要步骤^［29-31］：①构建光谱库并选取最优端元，②端元模型的确定。

2.1.1　光谱库的建立和最优端元的选取

光谱库的构建通常包含参考端元和图像端元两部分，本研究在黄河源区1∶100万植被分类图和土壤分类图的辅助支撑下，以图像端元作为光谱库的主要构建方式。本文中选取植被、土壤、阴影三种端元，其中植被包含小嵩草、藏嵩草、紫花针茅、早熟禾等可食牧草以及铺散亚菊、火绒草、棘豆等毒杂草。土壤包含寒钙土、草毡土、沼泽土等类型。由于在遥感影像成像过程中，地物阴影普遍存在，因此将阴影作为一种端元更符合实际情况^［17］。最终通过对不同种类地物分别建立感兴趣区，共选取植被端元2 056个，土壤端元258个，并将这些端元构建为备选光谱库。

由于端元之间存在着相关性、可分性等一些不可避免的因素特点，需要通过计算端元的平均均方根误差（endmember average root mean square error，EAR）和最小平均波谱角（minimum average spectral angle， MASA）^{［17，31］}来选择最优端元。本文中利用ENVI插件“Viper Tools 2”工具（下载地址：www.vipertools.org）来计算EAR和MASA。依据EAR越小，端元越纯且MASA越小，端元相关性越小的原则，且经实地确认，如表2所示，最终选取出小嵩草、嵩草等植被类型以及寒钙土、草毡土等土壤类型的端元光谱曲线。图2~3所示为研究区主要的植被、土壤端元光谱曲线图。

表2 端元实地验证结果

Table 2 Field verification of endmembers

序号	经度/E	纬度/N	主要植被类型	端元类型是否一致
1	98°05′10″	34°40′28″	披碱草	是
2	98°05′11″	34°41′09″	棘豆	是
3	98°04′56″	34°41′57″	藏嵩草	是
4	98°03′00″	34°40′06″	紫花针茅	是
5	98°04′55″	34°41′40″	铺散亚菊	是

新窗口打开| 下载CSV

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 植被端元光谱曲线图

Fig.2 Vegetation endmember spectral curve

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 土壤端元光谱曲线图

Fig.3 Soil endmember spectral curve

2.1.2　端元模型的确定

本文选择植被、土壤、阴影三种端元，端元模型选择二端元和三端元模型进行测试。研究表明二端元模型适合自然地物景观的模拟分解，三端元模型适合人为扰动下的地物景观模拟分解^［32］，综合考虑，选择三端元模型进行黄河源区MESMA分解。

根据理论研究，各组分在像元中的比例为0~1，由于误差存在，端元比例设置为1.05为宜，因此设置组分值范围为-0.05~1.05，阴影最大比例为0.8，RMSE和残差约束为0.025^{［17，29］}。由2.1.1节可以选取出最终的三种端元光谱库（包括阴影），而后通过三种光谱库中的光谱进行排列组合，并通过上述的约束条件选择最优的端元模型，将原始图像中的每个像元分解为植被、土壤、阴影，从而获得各组分的丰度图像。

2.2　一元线性回归趋势分析

本文中采用一元线性回归趋势分析在空间上对植被变化进行分析，本方法在像元尺度上对植被覆盖度进行空间变化分析，根据每个像素植被覆盖度随时间的变化特征来反映整个空间的变化规律^［33-34］，公式为

s l o p e = \frac{n \times \sum_{i = 1}^{n} i \times f v c_{i} - \sum_{i = 1}^{n} i \sum_{i = 1}^{n} f v c_{i}}{n \times \sum_{i = 1}^{n} i^{2} - {(\sum_{i = 1}^{n} i)}^{2}}

（4）

式中：n为监测年数；fvc_i 为第i年植被覆盖度；slope为多年植被覆盖度线性拟合斜率。

拟合直线反映研究区多年内的植被覆盖度变化趋势，斜率为正，表示植被覆盖度增加，反之则表示减少；拟合斜率的绝对值越大，表示变化越显著。借鉴相关的研究成果^［35］将变化趋势划为显著减少（slope≤-0.015）、轻度减少（-0.015<slope≤-0.005）、基本稳定（-0.005<slope≤0.005）、轻度增加（0.005<slope≤0.015）、显著增加（slope>0.015）五个等级。

3 结果与分析

3.1　植被覆盖度空间分布特征

根据植被覆盖度提取结果并结合研究区的植被盖度实际情况，本文将植被覆盖度划分为5个等级。即：植被覆盖度在0~10%为裸地，植被覆盖度在10%~30%为低覆盖度区域，植被覆盖度在30%~45%为中低覆盖度区域，植被覆盖度在45%~60%为中覆盖度区域，植被覆盖度在60%~100%为高覆盖度区域。运用MESMA模型对黄河源1996年、2000年、2004年、2006年、2008年、2013年、2015年共7年的数据提取植被覆盖度，并通过ArcGIS对植被覆盖度进行分级统计。由于居民区及荒漠化严重的北部等地区植被稀少，在本文的方法中只存在土壤一个端元，因此此处的植被覆盖度按裸地统计，详见图4（a~g）。研究区整体植被覆盖度东南高西北低，北部地区荒漠化严重。1996—2015年的植被覆盖度统计结果见表3。各年份的植被覆盖度统计说明具体如下：

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 1996—2015年黄河源区植被覆盖度时间序列分布

Fig.4 Time series of vegetation coverage in the source region of the Yellow River from 1996 to 2015

表3 黄河源1996—2015年植被覆盖度面积及比例

Table 3 Area and proportion of vegetation coverage in the source region of the Yellow River from 1996 to 2015

年份	裸地		低覆盖		中低覆盖		中覆盖		高覆盖
年份	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%	面积/km²	比例/%
1996	6 374	14.69	8 202	18.90	5 449	12.55	5 407	12.46	17 971	41.40
2000	6 000	13.82	7 845	18.07	5 905	13.61	5 784	13.33	17 871	41.17
2004	10 821	24.93	8 797	20.27	5 660	13.04	5 693	13.12	12 433	28.65
2006	6 775	15.61	7 654	17.63	5 698	13.13	5 221	12.03	18 056	41.60
2008	8 709	20.06	8 250	19.01	5 441	12.54	5 305	12.22	15 699	36.17
2013	4 601	10.60	7 337	16.90	5 717	13.17	5 486	12.64	20 262	46.68
2015	5 218	12.02	7 653	17.63	5 971	13.76	5 106	11.76	19 456	44.83

新窗口打开| 下载CSV

（1）1996—2015年，研究区裸地在2013年占比最低，为10.60%，2004年占比最高，为24.93%；其他年份裸地占比与2013年略有浮动，但差异不大。研究区裸地主要分布在北部干旱地区及一些高海拔地区。

（2）研究区低覆盖、中低覆盖及中覆盖的区域面积占比基本保持一致，其中低覆盖面积占比在17%~20%，中低覆盖和中覆盖面积占比在12%~14%，且以上三种植被覆盖度区域主要集中在西部地区、扎陵湖和鄂陵湖的南部、鄂陵湖的东部及中部部分区域。

（3）研究区高覆盖区域面积占比结果显示，2004年面积占比最低，为28.65%，1996年、2000年、2006年及2008年面积占比约为40%，而2013年、2015年两年的面积占比相对较高，均在45%左右浮动，这也显示出近年来黄河源区植被覆盖度有所改善。研究区高植被覆盖区域主要分布在中南部、东部及东南部区域。

3.2　不同植被覆盖度动态变化分析

本文利用ArcGIS软件对1996—2004年、2004—2015年两个时间段的植被覆盖度分别建立转移矩阵，获取植被覆盖度的动态变化特征，并对1996年、2004年、2015年3年的不同土地覆盖类型制作面积比例图，如图5所示。转移矩阵详见表4~5。由上述两表并结合图5分析可得，1996—2004年裸地整体增加10.24%，未转化面积占比高达77.22%。低覆盖类型、中低覆盖类型和中覆盖类型整体基本保持不变，且转化主要向更低的植被覆盖度类型，分别占比为46.05%、61.38%、61.89%。而高覆盖类型整体降低12.75%，且未转化面积仅占61.05%。因此1996—2004年植被覆盖度总体呈退化趋势。而2004—2015年，裸地整体降低12.91%，主要转化为低覆盖类型，占比为39.09%。低覆盖类型、中低覆盖类型及中覆盖类型基本保持不变，且均主要向更高植被覆盖度类型转变，分别占比为62.87%、67.91%、72.91%。而高覆盖类型整体增加16.18%，且未转化面积占比高达92.23%。综合以上分析，说明2004—2015年黄河源区整体植被盖度呈改善趋势。这也同时表明国家于2005年、2014年实施的“三江源生态保护和建设一期、二期工程”收到成效。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 1996年、2004年、2015年黄河源区不同土地覆盖类型的面积比例

Fig.5 Area ratio of different land cover types in the source region of the Yellow River of 1996、2004、2015

表4 黄河源1996—2004年植被覆盖度转移矩阵

Table 4 Area transfer matrix of vegetation coverage in the source region of the Yellow River from 1996 to 2004

覆盖度		2004年
		裸地		低覆盖		中低覆盖		中覆盖		高覆盖
		面积km²	比例/%	面积km²	比例/%	面积km²	比例/%	面积km²	比例/%	面积/km²	比例/%
1996年	裸地	4 922	77.22	945	14.82	192	3.01	118	1.85	198	3.11
	低覆盖	3 777	46.05	3 363	41.00	759	9.25	201	2.45	103	1.25
	中低覆盖	1 124	20.62	2 221	40.76	1 275	23.40	557	10.22	272	4.99
	中覆盖	503	9.29	1 361	25.17	1 483	27.43	1 172	21.67	888	16.43
	高覆盖	497	2.76	907	5.05	1 951	10.85	3 645	20.28	10 972	61.05

新窗口打开| 下载CSV

表5 黄河源2004—2015年植被覆盖度转移矩阵

Table 5 Area transfer matrix of vegetation coverage in the source region of the Yellow River from 2004 to 2015

覆盖度		2015年
		裸地		低覆盖		中低覆盖		中覆盖		高覆盖
		面积km²	比例/%	面积km²	比例/%	面积km²	比例/%	面积km²	比例/%	面积/km²	比例/%
2004年	裸地	4 104	37.92	4 230	39.09	1 451	13.41	539	4.98	497	4.59
	低覆盖	600	6.82	2 666	30.31	2 837	32.25	1 691	19.22	1 003	11.40
	中低覆盖	147	2.60	536	9.47	1 133	20.01	1 506	26.60	2 338	41.31
	中覆盖	106	1.87	143	2.51	395	6.93	898	15.78	4 151	72.91
	高覆盖	261	2.10	78	0.62	156	1.25	472	3.79	11 467	92.23

新窗口打开| 下载CSV

3.3　植被覆盖度变化趋势分析

本文通过一元线性回归趋势分析方法（slope）对1996—2015年的植被覆盖度进行变化趋势分析，见图6，并对五种趋势进行统计，见表6。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 黄河源1996—2015年植被覆盖度变化趋势

Fig.6 Vegetation coverage tendency in the source region of the Yellow River from 1996 to 2015

表6 黄河源1996—2015年植被覆盖度变化趋势面积及比例

Table 6 Area and proportion of vegetation coverage change in the source region of the Yellow River from 1996 to 2015

slope变化趋势	面积/km²	比例/%
显著减少	6 713	15.47
轻度减少	4 888	11.26
基本不变	6 952	16.02
轻度增加	7 453	17.17
显著增加	17 398	40.08

新窗口打开| 下载CSV

由表6可知，植被覆盖度呈增加趋势的区域面积占57.25%，其中显著增加占40.08%，轻度增加区域面积占17.17%，显著增加区域主要分布在中部、中东部、环鄂陵湖区域及北部部分区域，轻度增加区域则相对散乱，分布在研究区的各个部分。考虑到北部区域以裸地及低覆盖植被为主，而北部植被覆盖度呈增加趋势，说明北部地区生态环境改善较为明显；植被覆盖度呈下降趋势的区域占26.73%，显著降低区域占15.47%，主要分布在黄河源区的西部、扎陵湖北部、源区东北部及东南部部分区域，分析其原因，主要是因为黄河源头及一些河谷地带、环湖地区受人类影响较大，且东南部地区海拔较低受过度放牧影响较大以及扎陵湖北部的牧场消失等。轻微减少的区域占11.26%，分布相对散乱。基本不变的区域主要集中在北部及东部沙漠地区，占16.02%。因此黄河源区的治理范围应主要集中在常年不长植被地区及植被覆盖度下降区域，这也是生态监测的重点地区。

3.4　毒杂草分析

3.4.1　毒杂草分布

本文采用三端元模型对源区铺散亚菊、火绒草、棘豆等主要的毒杂草类型进行提取，分析了1996年、2015年两年的三种毒杂草的分布概况并对毒杂草的总面积进行统计，详见图7（a、b）、图8（a、b）。从图7分析可得，黄河源区的毒杂草主要以火绒草、棘豆为主，火绒草主要分布在研究区南侧，棘豆则主要分布在北侧，铺散亚菊分布地区则相对分散。这与毒杂草的生长环境息息相关。火绒草较宜疏松土壤环境，棘豆则生长于沙地、山坡草地，而相较于整个研究区，北部主要以沙地为主，土壤较为贫瘠，南部地区土壤则相对疏松，土壤有机质含量较高。对图8的毒杂草面积统计并结合表6分析可得，1996—2015年黄河源区总体植被覆盖度呈增加趋势，说明生态环境有所改善，但毒杂草的面积由1996年的16 060 km²到2015年的22 942 km²，整体增加6 882 km²，说明部分植被覆盖度增加的区域伴随着毒杂草的增加，因此对于部分黄河源区的畜牧业来讲是不利因素。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 1996年和2015年火绒草、棘豆、铺散亚菊分类

Fig.7 Classification of Edelweiss， Oxytropis， and Ajania khartensis in 1996 and 2015

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 1996年和2015年毒杂草植被覆盖度

Fig.8 Poisonous weeds vegetation coverage in 1996 and 2015

3.4.2　毒杂草提取结果验证

本文重点对MESMA提取出的植被类型从以下两方面进行了验证：

（1）结合实地考察数据，对18个地点的植被类型提取结果进行了验证，验证结果如表7所示。结果表明，MESMA反演的18个地点的植被类型数据，其中与实地考察结果一致的有13个地点，另有5个地点的提取结果与实地不一致。植被类型提取结果的正确率为72.22%。

表7 端元一致性确认结果

Table 7 Endmember consistency validation results

序号	经度/E	纬度/N	植被类型	与提取结果是否一致
1	99°11′56″	34°27′24″	棘豆	是
2	98°08′37″	34°51′40″	棘豆	是
3	98°05′12″	34°41′09″	棘豆	是
4	98°05′20″	34°40′32″	棘豆	是
5	98°05′44″	34°40′22″	棘豆	是
6	97°45′13″	34°45′39″	棘豆	是
7	97°32′58″	34°54′49″	棘豆	否
8	98°01′03″	34°41′53″	火绒草	是
9	97°36′12″	34°59′31″	火绒草	否
10	97°47′03″	35°06′47″	火绒草	否
11	97°56′52″	34°42′36″	火绒草	是
12	97°14′43″	35°00′37″	火绒草	是
13	97°33′16″	35°00′44″	火绒草	是
14	97°49′40″	35°06′42″	火绒草	是
15	98°04′55″	34°41′41″	铺散亚菊	是
16	97°34′18″	35°01′12″	铺散亚菊	否
17	97°19′02″	34°41′15″	铺散亚菊	是
18	98°01′01″	34°41′49″	铺散亚菊	否

新窗口打开| 下载CSV

（2）考虑到实地考察中有些地方难以到达，本文同时还利用2013年8月16日获取的HJ-1A高光谱遥感数据，基于堆栈式稀疏自编码器方法^［36］，对37.76 km²（34°58′58″~35°02′12″ N，97°52′13″~97°52′22″ E）的无云覆盖区域进行了植被分类试验，将高光谱遥感数据的分类结果［图9（a）］与本文MESMA反演的植被类型提取结果［图9（b）］进行了对比。本文提取的毒杂草分布状况除个别区域外，总体空间分布状况与高光谱提取结果近似一致。在验证区内，MESMA模型提取的毒杂草面积为18.56 km²，占比49.2%；堆栈式稀疏自编码器方法提取的毒杂草面积为15.22 km²，占比为40.3%；而两者提取出的公共毒杂草面积为9.35 km²。如果以HJ-1A高光谱数据分类结果为准的话，本文MESMA模型提取出的毒杂草的正确率为61.43%。但考虑到HJ-1A高光谱遥感数据采用的是硬分类方法，对于毒杂草覆盖度较低的区域无法进行有效分类，以及HJ-1A高光谱遥感数据空间分辨率较低的事实（HJ-1A HSI数据空间分辨率为100 m），认为本文的提取结果精度应高于61.43%，研究结论是可信的。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 毒杂草对比验证结果

Fig.9 Comparison results of poisonous weeds： results of hyperspectral classification （a） and results of MESMA （b）

4 结论与展望

本文利用黄河源区七期陆地卫星影像，辅以1∶100万植被图和土壤图，基于MESMA模型完成了黄河源区植被覆盖度的提取，结论主要如下：

（1）研究区以中低植被覆盖度为主，且植被覆盖度由东南向西北呈递减趋势，这与研究区的海拔和气候条件相一致。

（2）研究区在1996—2015年植被覆盖度总体呈改善趋势。其中1996—2004年生态环境呈退化趋势，2004—2015年研究区生态环境有所改善。

（3）虽然研究区在1996—2015年植被覆盖度总体呈改善趋势，但毒杂草的覆盖面积也在随之增加，不利于当地畜牧业的发展。

MESMA模型对不同的像元采用不同的端元模型，提高了植被覆盖度的反演精度，且MESMA模型同时可以逐像素获取像元内的植被类型，从而提取出研究区的毒杂草。但由于条件限制，本文仅采用图像光谱，如何将实测光谱与图像光谱（包括星载高光谱影像）相结合，以提高植被类型提取的精度，也是未来考虑的方向。

本文所采用的MESMA模型提取出的黄河源区植被覆盖度变化在空间分布上与吴喜芳等^［13］、张颖等^［1］的研究基本保持一致，总体呈现出由东南向西北逐级递减的趋势。在时间分布上，1996—2004年植被覆盖度变化趋势与康悦等^［4］的研究一致，呈退化趋势；而在1996—2015年与吴喜芳等^［13］在相同时段内的研究一致，总体呈增加趋势。因为已有的研究已经证明了MESMA进行植被覆盖度提取的有效性^［37-38］，所以本文主要是侧重进行毒杂草类型的验证，主要通过与实地考察数据和HJ-1A HSI高光谱影像提取结果对比进行验证说明，且认为本文的植被类型提取结果精度应高于61.43%，研究结论是可信的。本文的研究结果反映了毒杂草在黄河源区广泛分布且逐步扩大的事实，畜牧业管理部门应对此加以重视。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Zhang

Ying

， Zhang

Chaobin

， Wang

Zhaoqi

， et al.

Spatiotemporal dynamics of grassland coverage in response to climate change from 1982 to 2012 in the Three Rivers Source Region

［J］. Pratacultural Science， 2017， 34（10）： 1977-1990.

[本文引用: 3]

张颖，章超斌，王钊齐，等.

三江源1982-2012年草地植被覆盖度动态及其对气候变化的响应

［J］. 草业科学， 2017， 34（10）： 1977-1990.

[本文引用: 3]

[2]

Liangcai

， Lu

Dengsheng

， Zhang

Xiaoli

， et al.

Study on the dynamics of vegetation coverage in the karst mountainous area based on multi-temporal remote sensing images

［J］. Journal of Central South University of Forestry & Technology， 2017， 37（7）： 11-17.