基于Landsat影像研究全球氣候變化對武夷山國家公園垂直帶譜上各植被群落的影響

劉月, 濮毅涵, 劉艷清, 安德帥, 徐丹丹,3,*, 朱建琴, 阮宏華,3

基于Landsat影像研究全球氣候變化對武夷山國家公園垂直帶譜上各植被群落的影響

劉月1, 濮毅涵2, 劉艷清2, 安德帥2, 徐丹丹2,3,*, 朱建琴4, 阮宏華2,3

1. 南京林業大學林學院, 南京 210037 2. 南京林業大學生物與環境學院, 南京 210037 3. 南京林業大學南方現代林業協同創新中心, 南京 210037 4. 武夷山國家公園科研監測中心, 武夷山市 354300

全球氣候變暖對全球植被的影響巨大, 主要表現在植被群落往高海拔和高緯度的遷移。研究垂直分帶上的植被群落的遷移有助于理解植被群落對氣候變化的響應機制。而垂直植被帶譜上的植被分類是研究垂直分帶上植物群落遷移的基礎, 特別是常綠闊葉林的垂直植被帶譜上的植被分類在研究上是一個難點。因此, 本研究基于Landsat影像, 通過主成分分析的方法, 提取出影響分類的主要波段, 融合不同季節的波段數據及DEM數據, 并根據結果進行監督分類的方法, 對1986—2018年武夷山垂直帶譜上的各個植被群落進行準確的分類和監測, 并結合期間的氣候變化探討影響植被變化的主要原因。主要的研究成果顯示: 利用經過主成分分析的數據來分類山體植被類型的方法具有一定的可行性, 可以較好的分類出草甸, 竹林, 針葉林, 針闊混交林和常綠闊葉林, 總體分類精度為93.3%, Kappa系數為0.91; 1986—2018年期間, 武夷山地區氣候變暖明顯, 針闊混交林和常綠闊葉林的面積受氣候變暖的影響呈增加趨勢, 針葉林及草甸面積呈減少趨勢, 植被的遷移和面積變化受氣溫的影響較大, 尤其是針闊混交林對氣候變化響應最為明顯; 針闊混交林的分布海拔上限有所上升, 草甸和針葉林的分布海拔無明顯變化。利用主成分分析結合不同植被類型的物候特征和海拔分布特征能很好地識別亞熱帶常綠闊葉林的垂直帶譜, 為氣候變化對武夷山國家公園的影響提供技術和理論依據。

Landsat影像; 植被垂直帶譜; 氣候變化; 植被群落遷移; 亞熱帶常綠闊葉林; 武夷山國家公園

0 前言

根據聯合國政府間氣候變化專門委員會(Intergovernmental Panelon Climate Change, IPCC)第5次評估報告得知1880—2012年全球地表平均氣溫上升了約0.85 °C, 1983—2012年是近千年來最暖的三十年[1]。全球氣候變化直接導致各溫度帶在緯度上的北移以及海拔上的上移, 從而引起寒溫帶消失、暖溫帶范圍擴大, 氣候向暖干或暖濕方向發展[2-9]。山體發達的植被垂直帶譜特征兼容了平原丘陵的水平地帶性, 并且山體上的植被群落相比較平原受降水的影響更小, 所以在海拔上更能達到它們能夠達到的溫度最高界限[10]。垂直帶譜上不同植被群落對氣候變化的響應不同, 穩定的植被群落與區域氣候相互作用, 并且有相對的適應性[11-13]。因此, 厘清垂直梯度上不同植被群落沿海拔梯度上的遷移有助于理解植被群落對全球氣候變化的響應機制。

隨著海拔的升高, 水熱條件波動大, 陸地植被生態系統更易受到全球氣候變化的影響[14]。氣候變暖使得阿爾卑斯山植被分布界限向上遷移[15]。哈爾騰河流域上游植被覆蓋類型頻繁的轉換也印證了群落分布對于氣候變暖的響應[16]。在不同海拔高度, 植被對氣候變化的響應程度也不同[17]。氣溫升高對高海拔植被的覆蓋有積極作用, 因為海拔升高會導致水熱條件變化, 形成山地垂直溫度帶, 植被生長也呈明顯的垂直地帶性分布, 對我國秦嶺地區展開研究后發現植被隨海拔升高由闊葉林向針葉林、高山草甸轉變[2,14,18]。已有研究表明2℃增溫可使東北森林的垂直帶譜向上移動300 m左右[12]。

調查山體垂直帶譜上不同植被類型的傳統方法主要是通過人工設立樣方, 分不同地區設置臨時樣地和固定樣地進行調查[19-20]。此類方法耗時耗力, 許多山地崎嶇的地方人類難以涉足, 因此得到的數據不全面, 近年來應用遙感技術進行植被分類, 相較于耗時耗力的傳統人工實地調查方式來說逐漸成為一種趨勢[21-22]。遙感作為獲得植被信息的一種技術手段, 能夠很好的提取植被群落的信息、全面的監測植被群落的變化[23], 且多時間段的遙感數據可以為植被分類提供驗證和提高精度的輔助作用[24]。

研究植被對氣候變化的響應是一個長期的過程, 遙感數據(如Landsat衛星數據)可以提供長期且穩定的數據。因此, 通過遙感技術研究整個垂直帶譜上所有的植被類型對氣候變暖的響應有不可替代的意義[6,10-11,25]。早在1988年, 我國學者就利用圖像紋理特征的方式對地面植被進行分類[26], 吳見等人利用Hyperion高光譜影像提取了森林、農作物、草地等三種植被類型, 卻未能對森林的植被類型進行詳細劃分[27], 這是由于植被生長的物候性導致光譜在一年四季中的表現不一致, 所以單一季節影像的分類效果不夠理想[28]。趙麗花等人利用冬小麥物候規律和季相節律的差異性, 選取返青期和拔節期兩個生育期的HJ衛星影像成功提取南方地區冬小麥的生長面積[29], 但是此方法卻不適用于常綠闊葉林。鑒于常綠闊葉林的生長特性, 鮮少有研究利用遙感影像針對常綠闊葉林作出分類, 在垂直帶譜上對常綠闊葉林作出分類是遙感應用上的一個難點。不但如此, 在植被分類研究中, “同物異譜”或“同譜異物”現象導致分類精度降低[27,30]。尤其是山地地形復雜, 單獨利用遙感影像獲取準確的植被分類很困難[31]。但通過研究方法的改進或者訓練樣本選取, 可以提高遙感的分類精度[32]。張春華[33]、陳君穎[21]、冀欣陽[34]等學者采用不同的分類器和遙感數據進行嘗試來提高分類精度。張俊瑤等人將太白山區作為試驗區, 利用太白山植被垂直帶譜、高分辨率遙感影像和DSM數據, 采用面向對象的分類方法顯著提高了植被分類的精度[31]。但是, 高空間分辨率的遙感影像并沒有長時間序列的特點, 而研究氣候變化對植被的影響需要監測長時間序列上的植被變化。因此, 利用Landsat數據(至1972年發射到今已有超過45年的連續的影像積累)研究植被垂直帶譜對氣候變化的響應及分類垂直帶譜上不同的植被群落非常重要。

本研究以武夷山國家公園為研究區, 基于Landsat影像研究在全球變暖的背景下常綠闊葉林植被垂直帶譜上五種植被群落類型沿海拔梯度上的遷移。具體的研究內容為: 1)建立基于Landsat影像的植被垂直帶譜的分類方法; 2)垂直梯度上植被群落的遷移及其受氣候因素的影響。

1 材料與方法

1.1 研究區概況

研究區為武夷山國家公園, 位于我國福建省與江西省的交界處, 區域跨度廣(東經117°27′—117°51′, 北緯27°33′—27°54′, 圖1)、地形起伏大、地勢高, 平均海拔1200 m, 整體高差達1858 m, 氣候為典型的亞熱帶季風氣候, 是中國東南大陸現存面積最大、保存最完整的中亞熱帶森林生態系統, 包含了我國中亞熱帶地區所有的植被類型, 具有中亞熱帶地區植被類型的典型性、多樣性和系統性, 隨海拔的遞增, 植被垂直帶譜明顯, 從山腳到山頂依次為常綠闊葉林、針闊葉混交林、針葉林、中山苔蘚矮曲林、中山草旬等5個群落外貌特征不同的植被帶譜(圖2), 在世界同緯度地區十分罕見[35-36]。森林覆蓋率達96.3%, 屬于森林生態系統自然保護區。

1.2 數據

影像數據為1986—2018年的Landsat遙感影像, 包括Landsat TM、ETM+和OLI影像, 共83景影像(表1)。影像均為level 2數據, 該數據已經過幾何校正和大氣校正, 下載地址為USGS網站(https:// earthexplorer.usgs.gov/), 空間分辨率都為30米, 影像大小為1222*1592像素。DEM數據為ASTER數據, 從NASA網站下載(https://reverb.echo.nasa.gov/ reverb/), 空間分辨率為30米。

輔助數據包括武夷山1982年第一次植被調查結果, 2008—2014年《武夷山世界遺產地植物和植被監測》, 以及1957—2017年的月平均氣溫和月降雨量數據。

圖1 武夷山國家公園(影像為Landsat 8 標準假彩色影像, 獲取時間為1994.06.04)

Figure 1 Wuyishan National Park

圖2 武夷山國家公園植被垂直帶譜

Figure 2 Vegetation vertical zone spectrum in Wuyishan National Park

表1 遙感影像的獲取時間

1.3 研究方法

1.3.1 影像分類

影像中山體陰影對植被分類的影響非常大, 為了減少山體陰影對分類結果的影響, 用Landsat同年影像的所有波段做主成分分析(PCA: principal component analysis), 最終選取保留90%以上信息的前幾個主成分, 最終與DEM影像進行波段組合, 完成1986—2018年每年分類數據的預處理, 目的是減少分析的指標, 去除噪聲和不重要的一些特征, 同時盡可能保全信息的完整性。不同的植被種類有自己的光譜特征, 在遙感影像上顯示的顏色就不相同, 首先用遙感影像處理軟件ENVI對影像進行部分處理, ENVI是采用交互式數據語言IDL (Interactive Data Language) 開發的遙感圖像處理軟件, 它能夠準確高效地從影像中提取信息[37]。影像的拉伸方式選擇直方圖均衡化(Histogram Equalization), 這種拉伸方式在增強局部的對比度的同時又不影響整體的對比度, 可以最大程度上區分準備用于植被分類影像中的各種植被類型。再根據武夷山國家自然保護區已知植被類型結合實地調查的結果, 判別顏色時考慮到植被所處的高程以及周圍的植被類型, 最終確定了影像不同色塊所對應的植被種類, 在ENVI中采用最大似然法進行監督分類, 這種方法是根據像元計算所屬種類的概率來區分, 分類精度比較好, 且計算時間快, 在分類器中穩定性最好[38]。

1.3.2 分類精度驗證

在研究區內隨機產生樣本點開展精度驗證, 并對這些樣本點實際植被類型進行目視判讀, 再利用這些點采樣獲得分類后的像元值, 生成這些點真實地類和最大似然法分類后的地類, 得到混淆矩陣及精度結果。

1.3.3 氣侯因素的分析

利用R軟件, 對武夷山的氣溫做1957—2017年的長時間序列分析, 去除溫度季節性變化的影響, 算出年際均溫度變化。通過劃分植被類型的方法來探討不同植被類型區植被覆被變化與氣候變化的關系以及區域差異性, 進一步分析氣候要素變化對植被生長的影響機制。

1.3.4 植被垂直帶譜沿海拔上的遷移

根據Landsat影像分類出的垂直植被帶譜圖提取不同植被類型在不同年份分布上限的位置, 武夷山地區高程為270—2250 m, 將此高程從200米開始按100米等間隔將武夷山劃分為20個高程區, 設定300—400 m為1號高程區, 最高處高程為2200—2300 m(20號高程區), 疊加之前分類好的各年份的植被分類圖, 得到各個植被類型的高程分布區域, 統計各高程區間內5種植被群落的像元數, 接著比較各個年份的植被上限位置的變化分析出不同植被類型的遷移; 再結合氣候因素和遷移變化分析海拔上植被的帶寬變化。

2 結果與分析

2.1 植被垂直帶譜的分類結果

通過對主成分分析的結果進行監督分類, 得出1986—2018年的武夷山國家公園植被類型圖, 包括人工種植區, 草甸, 竹林, 針葉林, 針闊混交林和常綠闊葉林(圖3)。

影像總體分類精度達到了93.3%, Kappa系數為0.91(表2)。其中, 草地和針葉林的生產精度都達到100%, 常綠闊葉林和針闊混交林精度分別為97.67%和93%; 竹林生產精度較差, 為77.08%。

圖3 1986—2018年植被分類圖

Figure 3 Vegetation classification map between 1986—2018

表2 影像的最大似然分類結果混淆矩陣

2.2 垂直帶譜上各植被群落的面積變化

結合各植被種類的面積變化曲線(圖4)和各植被類型的面積(表3)對不同的植被種類分別進行分析: 從1986—2018年, 草甸的最大面積為1988年53.40 km2, 最小面積為2010年2.76 km2, 1986—1996年面積大致呈下降趨勢, 1997—2003年總體呈波動上升趨勢, 2004—2010年再次呈現下降趨勢, 至2010年草甸面積達到最低值, 2010年后至2018年草甸面積再次回升。整體面積呈現波動下降趨勢。竹林的面積從1986—1996年呈現上升趨勢, 1997—2018年呈波動下降趨勢。竹林最大面積為1994年49.55 km2, 最小面積為2016年10.02 km2, 整體面積趨于穩定。針闊混交林的最大面積為2010年331.89 km2, 最小面積為1992年154.13 km2, 總的來看, 針闊混交林面積呈緩慢波動上升趨勢; 矮林和針葉林的最大面積為1987年229.87 km2, 最小面積為2010年64.58 km2, 期間內面積共減少了約165 km2, 整體面積呈直線下降趨勢; 常綠闊葉林的最大面積為2017年280.17 km2, 最小面積為1986年141.38 km2, 整體面積呈緩慢上升趨勢。

表3 1986—2018年各植被類型分類面積

對五種植被類型綜合分析后發現, 整體面積呈現上升趨勢的植被類型有針闊混交林和常綠闊葉林, 整體面積呈下降趨勢的植被類型為針葉林, 草甸的面積呈波動下降趨勢, 竹林呈不穩定變化趨勢。在五種植被類型中, 針葉林、針闊混交林和常綠闊葉林面積排列前三位, 草甸和竹林面積排列后兩位。1986—1989年, 針葉林面積排列第一位; 自1990年后, 針闊混交林的面積超過針葉林占據第一位, 1990—2018年, 常綠闊葉林和針闊混交林面積交替第一, 但總體上看針闊混交林面積大于常綠闊葉林, 位居第一。

2.3 海拔梯度上植被群落的遷移

對20個高程區的像元數進行統計后可以明顯看出各個植被類型的主要分布高程區, 以及在同一個高程區內1986—2018年的面積變化和海拔變化(圖5)。垂直帶譜上植被群落的分布從海拔由低到高依次為常綠闊葉林、竹林、針闊混交林、針葉林、草甸。

常綠闊葉林主要分布高程為400—1200 m, 在海拔800—1000 m處分布面積最大, 以800 m為界面積隨海拔增加呈先增加再減少, 分布的海拔變化為上移趨勢; 針闊混交林主要分布高程為500—1900 m, 在海拔1100—1300 m處分布面積最大, 1200 m以下面積隨海拔增加而增加, 1200 m以上面積隨海拔的增加而減少, 分布的海拔變化為上移趨勢; 針葉林主要分布高程為1000—2000 m, 在海拔1300—1500 m處分布面積最大, 以1400 m為界, 1400 m以下面積隨海拔增加而增加, 1400 m以上面積隨海拔增加而減少, 分布的海拔變化為上移趨勢; 竹林主要分布高程為400—1600 m, 在海拔800—1100 m處分布面積最大, 以1000 m為界, 1000 m以下面積隨海拔增加而增加, 1000 m以上面積隨海拔增加而減少, 分布的海拔變化為下移趨勢; 草甸主要分布高程為1200—2200 m, 在海拔1600—1800 m處分布面積最大, 在1700 m以下面積隨海拔增加而增加, 1700—2200 m面積隨海拔增加而減小, 分布的海拔變化為上移趨勢。

2.4 氣候變化對垂直帶譜上植被群落的影響

通過對1957—2017年的月平均氣溫做長時間序列的分析, 剔除氣溫季節性變化的影響, 得出氣溫的年變化規律(圖6)。1957—1982年期間的氣溫相對穩定。1982—2017年期間溫度持續增加, 但是, 1998—2009年期間溫度相對穩定, 且2010年由于厄爾尼諾現象的影響, 溫度有所降低。

圖4 1986—2018年不同植被類型面積變化

Figure 4 The area of different vegetation communities from 1986 to 2018

圖5 各年份植被分布高程曲線

Figure 5 Elevation curve of different vegetation communities

圖6 1957—2017年氣溫的年際間變化規律

Figure 6 Temporal change of monthly mean temperature from 1957 to 2017

對不同年份各植被類型在不同高程區的分布上限進行統計, 為減少影像分類時的誤差、增加遷移變化的準確性, 像元小于100的不計入分布上限、將已有所有年份的影像都納入統計范圍, 最后整理成圖表(圖7)。

將武夷山國家公園1957—2017年均溫(圖6)、植被分布上限(圖7)以及植被分布高程曲線(圖5)綜合進行對比, 發現1986—2018年年均溫上升了約1.2℃, 最大均溫差約1.7℃, 最大年均降雨差約1550.6 mm, 氣溫升高對植被分布上限產生了積極的影響。常綠闊葉林海拔分布上限略有波動, 分布上限最低的高程區為10, 對應海拔1100—1200 m, 分布上限最高的高程區為18, 對應海拔1900—2000 m, 帶寬約為400—1200 m; 針闊混交林海拔分布上限也有波動, 分布上限最低的高程區為16, 對應海拔1700—1800 m,分布上限最高的高程區為18, 對應海拔1900—2000 m, 相比較最初的海拔上限, 上升了約200 m, 帶寬約為500—1900 m; 針葉林海拔分布上限波動很小, 分布上限最低的高程區為16, 對應海拔1700—1800 m,分布上限最高的高程區為19, 對應海拔2000—2100 m, 以13號高程區為界, 海拔在900—1500 m時針葉林的面積呈增加趨勢, 海拔在1500 m以上時針葉林的面積減少, 相比較最初的海拔上限, 上升了約200 m, 帶寬約為1000—2000 m; 草甸海拔分布上限無明顯變化, 分布上限最高的高程區為20, 對應海拔2100—2200 m, 帶寬約為1200—2200 m。竹林的海拔分布上限波動較大, 探究主要原因并非氣候影響, 而是人為干預。

3 討論

3.1 植被垂直帶譜的遙感分類

不能同時兼顧空間分辨率和時間分辨率是遙感數據本身的局限性之一, 這就是為什么現在普遍高光譜影像的空間分辨率不高、空間分辨率高的影像時間分辨率低的原因[39]。因此本研究在分類武夷山植被垂直帶譜時選擇Landsat的影像作為實驗數據, 原因就在于Landsat的影像同時兼顧到了空間分辨率和時間分辨率。進行主成分分析時所用到的Landsat影像波段的空間分辨率是30 m, 這對于某些地物類型以及植被類型來說并不能從像素格中看出來。當植被種類有交錯生長或者突兀的間插生長時, 光譜特征反應在影像上的顏色就難以區分, 加之所采用的監督分類過程人工干預大, 更加依賴人工經驗和分析, 這就會導致選取的感興趣區域被錯分成其他的植被類別, 這也是限制之處。武夷山河網密集, 但是由于影像的特點, 我們只能分析上層的植被類型, 河流等地物類型只有在周圍植被沒有完全遮蓋時才能從影像上看清。多時相遙感影像較之單一的遙感影像更能減少空間異質性的影響, 不僅如此, 對于“同物異譜”和“異物同譜”的問題, 多時相遙感影像也能提高影像的分類精度。例如Lanjeri等人采用了多時相Landsat5的遙感影像, 結合最大似然法和掩膜技術, 成功對西班牙葡萄園進行識別[40]。利用經過主成分分析的數據來分類山體植被類型的這種方法可以較好的分類出常綠闊葉林和其他植被類型, 唯一沒有被分出的是中山苔蘚矮曲林帶, 分析其原因可知, 該植被類型現有的面積很小, 在影像上難以體現出其光譜特征, 因此未被分類出。在未來的研究中可以選擇分辨率更高的影像來進行此植被類型的研究。

圖7 不同年份各植被種類分布上限

Figure 7 Upper limit of vegetation types in different years

從分類后的影像上分析, 發現不同植被類型在海拔上的跨度與之前的理論大都相同[41], 常綠闊葉林和針闊混交林是武夷山的主要的植被類型, 這一結果與任婕等人對武夷山同年調查得到的結果一致[35]。具體植被類型的占比有較大的變化, 但各個地類總體上分布和位置沒有大的變化。根據往期圖像所比較發現, 竹林盡管分布范圍零散、破碎化嚴重, 卻仍沿東北往西南的道路兩邊分布, 實地調查發現這是人為種植的結果; 針闊混交林主要分布在南部和西南部, 從分布特征上看主要位于常綠闊葉林與針葉林的交接處, 面積呈增加趨勢; 針葉林分布范圍大, 主要集中在草甸附近, 面積呈明顯減小趨勢; 常綠闊葉林主要呈塊狀分布在西南方向, 面積相對增加; 草甸的分布區域主要集中在黃崗山頂周邊以及西南方向的山頂部分, 位置變化不明顯, 面積呈下降趨勢。綜合結果探究草甸面積下降原因可能是因為氣溫升高植被向上遷移導致草甸面積下降以及2008年的南方大雪造成草甸面積下降, 2010年后植被開始恢復所以草甸面積略微上升。常綠闊葉林和針闊混交林依然占主體地位, 但是常綠闊葉林面積不如針闊混交林增加的明顯, 一個很重要的原因是常綠闊葉林主要在海拔低的位置比例變大, 而影像上一個像素格實際是900 m2的范圍, 針葉樹種的光譜特征變得不明顯, 因此有一部分常綠闊葉林被分類到了針闊混交林中, 還有部分原因與調查的方法以及數據來源有關。未來的研究方向應針對各植被種類在相同海拔的占比進行具體研究。

3.2 氣溫對植被垂直帶譜的影響

對照不同年份各植被種類分布上限、高程曲線和氣候變化特征, 發現隨著氣溫上升、降雨量增加, 各植被種類的分布上限也隨之變化, 這與前人的研究結果一致[2,42]。在6種植被類型中針闊混交林、針葉林和草甸是變化趨勢最明顯的類別。針闊混交林分布的高程上限向高海拔地區遷移, 分布上限最低海拔1700—1800 m, 分布上限最高海拔1900—2000 m, 相比較最初的海拔上限, 上升了約200 m, 且總面積明顯變大; 常綠闊葉林分布高程的上限先向高海拔遷移, 后向低海拔遷移。溫度的年均變化與常綠闊葉林、針闊混交林的面積變化呈正相關, 與草甸、針葉林面積呈負相關。而人工植被和竹林受氣候變暖的影響不大, 實地調查發現, 在武夷山地區主要的經濟產業是竹產業和茶產業, 這兩種植被類型的變化主要受人為因素的影響。

根據氣溫的季節變化對植被面積、遷移的影響來看, 夏季的均溫變化對植被的影響最小, 在1998年出現了年均溫最高值和春季均溫最高值, 對比各植被種類的變化發現針葉林受到氣溫上升的影響最大, 主要體現在面積的增加。再分析降雨的季節變化對植被面積、遷移的影響, 發現降雨的季節波動大, 主降雨量主要集中在春夏兩季, 其中2010年的年均降雨量最大, 相對的春季和冬季降雨量也是最大的, 在2010年的植被變化中仍然是針葉林受到的影響最大, 主要體現在面積的大幅增加。

在過去的幾十年里, 氣候變暖顯著, 在沒有自然災害和較大的人為干擾情況下, 生態系統受到最大的影響就是來自于氣候變暖。研究區屬于亞熱帶, 在全球氣候變暖的影響下, 植物群落會向正常的演替方向發展。作為一種過渡類型的森林植被, 以馬尾松和杉木為優勢種的針闊混交林逐漸發展成為以闊葉樹種占據優勢的針闊混交林[43], 最終常綠闊葉林逐漸成為頂級群落。這也說明了種群的內部特征、種間關系和外部環境特征決定了植物群落的空間格局, 種間競爭能夠影響到植物群落空間格局的形成[44]。武夷山地區常綠闊葉林以甜櫧、米櫧和絲栗栲等優勢樹種[45], 正是由于這些樹種不斷生長和擴散, 使得該地區生態系統逐漸完善。

綜上所述, 在氣候變暖的條件下, 武夷山地區植被的遷移和面積變化受氣溫的影響大于降雨的影響, 尤其是針葉林對氣候變化響應明顯。對于武夷山來說, 亞熱帶氣候降雨量充足、水分條件本就較好, 植被生長受降雨的制約小, 溫度才是影響植被生長的主要原因[7,46], 因此溫度對武夷山地區的植被變化有很大影響。

4 結論

1. 融合不同季節和DEM數據對分類垂直帶譜上的常綠闊葉林有很大的優勢, 不同季節的影像數據經過PCA分析后, 保留數據特征的同時也除去冗余信息。基于此方法, 植被垂直帶譜的總體分類精度為93.3%, Kappa系數為0.91, 說明該植被分類方法具有一定的可行性。

2.1986—2018年期間, 常綠闊葉林、針闊混交林的面積增加顯著, 草甸、針葉林的面積明顯減少。常綠闊葉林的分布區域沒有太大的變化, 主要呈塊狀集中分布在海拔較低的區域, 但是面積顯著增加; 針葉林分布范圍廣, 主要集中在草甸附近, 面積顯著降低; 針闊混交林主要位于常綠闊葉林與針葉林的交接處, 面積顯著增加; 竹林分布范圍零散, 主要沿東北往西南的道路兩邊分布; 草甸分布位置變化不明顯, 主要集中在黃崗山頂周邊以及西南方向的山頂部分, 面積減少。

3. 近30年武夷山地區氣候變暖明顯, 針闊混交林和常綠闊葉林的面積受氣候變暖的影響呈增加趨勢, 針葉林及草甸面積呈減少趨勢。植被的遷移和面積變化受氣溫的影響較大, 尤其是針闊混交林對氣候變化響應最為明顯。針闊混交林的分布海拔上限有所上升, 草甸和針葉林的分布海拔無明顯變化。對于武夷山來說, 亞熱帶氣候降雨量充足、水分條件本就較好, 植被生長受降雨的制約小, 溫度對武夷山地區的植被變化起重要作用。

[1] 秦大河, Thomas S. IPCC第五次評估報告第一工作組報告的亮點結論[J]. 氣候變化研究進展, 2014, 10(1): 1–6.

[2] 蔣友嚴, 杜文濤, 黃進, 等. 2000—2015年祁連山植被變化分析[J]. 冰川凍土, 2017, 39(5): 1130–1136.

[3] 李雙雙, 延軍平, 萬佳. 近10年陜甘寧黃土高原區植被覆蓋時空變化特征[J]. 地理學報, 2012, 67(7): 960–970.

[4] 繆麗娟, 蔣沖, 何斌, 等. 近10年來蒙古高原植被覆蓋變化對氣候的響應[J]. 生態學報, 2014, 34(5): 1295– 1301.

[5] 王青霞, 呂世華, 鮑艷, 等. 青藏高原不同時間尺度植被變化特征及其與氣候因子的關系分析[J]. 高原氣象, 2014, 33(2): 301–312.

[6] 吳正方, 靳英華, 劉吉平, 等. 東北地區植被分布全球氣候變化區域響應[J]. 地理科學, 2003, 23(5): 564–570.

[7] 徐浩杰, 楊太保, 曾彪. 黃河源區植被生長季NDVI時空特征及其對氣候變化的響應[J]. 生態環境學報, 2012, 21(7): 1205–1210.

[8] 于健, 劉琪璟, 徐倩倩, 等. 長白山東坡植被指數變化及其對氣候變化的響應[J]. 應用與環境生物學報, 2015, 21(2): 323–332.

[9] 趙軍, 馬小平, 魏偉. 近50年黑河流域潛在植被的演替及生態環境變化研究[J]. 草業學報, 2014, 23(5): 61–68.

[10] 方精云. 也論我國東部植被帶的劃分[J]. 植物學報, 2001, 43(5): 522–533.

[11] 常兆豐, 韓福貴, 仲生年. 民勤荒漠植被對氣候變化的響應[J]. 應用生態學報, 2012, 23(5): 1210–1218.

[12] 焦珂偉, 高江波, 吳紹洪, 等. 植被活動對氣候變化的響應過程研究進展[J]. 生態學報, 2018, 38(6): 2229–2238.

[13] 於琍, 李克讓, 陶波, 等. 植被地理分布對氣候變化的適應性研究[J]. 地理科學進展, 2010, 29(11): 1326–1332.

[14] 崔曉臨, 白紅英, 王濤. 秦嶺地區植被NDVI海拔梯度差異及其氣溫響應[J]. 資源科學, 2013, 35(3): 618–626.

[15] Grabherr G, Gottfried M, Paull H. Climate effects on mountain plants[J]. Nature, 1994, 369: 448–450.

[16] 何紅, 牛叔文, 齊敬輝. 西北高寒干旱區哈爾騰河流域植被覆蓋變化及其對全球氣候變化的響應[J]. 冰川凍土, 2015, 37(4): 963–972.

[17] 童曉偉, 王克林, 岳躍民, 等. 桂西北喀斯特區域植被變化趨勢及其對氣候和地形的響應[J]. 生態學報, 2014, 34(12): 3425–3434.

[18] 劉軍會, 高吉喜, 王文杰. 青藏高原植被覆蓋變化及其與氣候變化的關系[J]. 山地學報, 2013, 31(2): 234–242.

[19] 關文彬, 曾德慧, 姜鳳岐. 中國東北西部地區沙質荒漠化過程與植被動態關系的生態學研究: 植被的分類[J]. 應用生態學報, 2000, 20(6): 907–911.

[20] 李榮, 王晶杰. 低山丘陵區人工灌叢草場植被調查報告[J]. 內蒙古草業, 1999(3): 3–5.

[21] 陳君穎, 田慶久. 高分辨率遙感植被分類研究[J]. 遙感學報, 2007, 11(2): 221–227.

[22] 張喜旺, 吳炳方. 基于中高分辨率遙感的植被覆蓋度時相變換方法[J]. 生態學報, 2015, 35(4): 1155–1164.

[23] 鄒蒲, 王云鵬, 王志石, 等. 基于ETM+圖像的混合像元線性分解方法在澳門植被信息提取中的應用及效果評價[J]. 華南師范大學學報(自然科學版), 2007(2): 131–136.

[24] 張揚建, 范春捆, 黃珂, 等. 遙感在生態系統生態學上應用的機遇與挑戰[J]. 生態學雜志, 2017, 36(3): 809–823.

[25] 周錫飲, 師華定, 王秀茹. 氣候變化和人類活動對蒙古高原植被覆蓋變化的影響[J]. 干旱區研究, 2014, 31(4): 604–610.

[26] 李永寧, 游志勝, 聶建蓀, 等. 遙感圖象地面植被的分類識別[J]. 四川大學學報(自然科學版), 1989(3): 283-290.

[27] 吳見, 彭道黎. 基于空間信息的高光譜遙感植被分類技術[J]. 農業工程學報, 2012, 28(5): 150–153.

[28] 楊超, 鄔國鋒, 李清泉, 等. 植被遙感分類方法研究進展[J]. 地理與地理信息科學, 2018, 34(4): 24–32.

[29] 趙麗花, 李衛國, 杜培軍. 基于多時相HJ衛星的冬小麥面積提取[J]. 遙感信息, 2011(2): 41–45.

[30] 寧亮亮, 張曉麗. 基于紋理信息的Landsat-8影像植被分類初探[J]. 中南林業科技大學學報, 2014, 34(9): 60–64.

[31] 張俊瑤, 姚永慧, 索南東主, 等. 基于垂直帶譜的太白山區山地植被遙感信息提取[J]. 地球信息科學學報, 2019, 21(8): 1284–1294.

[32] Zhao Junfang, Ma Jianyong, Zhu Yujie. Evaluating impacts of climate change on net ecosystem productivity (NEP) of global different forest types based on an individual tree-based model FORCCHN and remote sensing[J]. Global and Planetary Change, 2019, 182: 103010.

[33] 張春華, 李修楠, 吳孟泉, 等. 基于Landsat 8 OLI數據與面向對象分類的昆崳山地區土地覆蓋信息提取[J]. 地理科學, 2018, 38(11): 1904–1913.

[34] 冀欣陽, 駱磊, 王心源, 等. 基于“DEM-NDVI-土地覆蓋分類”的天山博格達自然遺產地山地垂直帶提取與變化分析[J]. 地球信息科學學報, 2018, 20(9): 1350–1360.

[35] 丁暉, 方炎明, 楊青, 等. 武夷山中亞熱帶常綠闊葉林樣地的群落特征[J]. 生物多樣性, 2015, 23(4): 479–492.

[36] 任婕, 陳傳明, 侯雨峰. 福建武夷山自然保護區植被景觀格局研究[J]. 中國農學通報, 2015, 31(22): 206–212.

[37] 高俊美, 張吉祥. 基于ENVI的土地利用類型變化分析——以萊蕪市為例[J]. 山東林業科技, 2018, 48(2): 32–36.

[38] 閆琰, 董秀蘭, 李燕. 基于ENVI的遙感圖像監督分類方法比較研究[J]. 北京測繪, 2011(3): 14–16.

[39] 閆利, 江維薇. 多光譜遙感影像植被覆蓋分類研究進展[J]. 國土資源遙感, 2016, 28(2): 8–13.

[40] Lanjeri S, Melia J, Segarra D. A multi-temporal masking classification method for vineyard monitoring in central Spain[J]. International Journal of Remote Sensing, 2001, 22(16): 3167?3186.

[41] 盧鳳鳴. 武夷山植被垂直分布調查分析[J]. 科學時代, 2009(1): 72–73.

[42] 張雨, 蘆曉明, 王亞鋒. 北半球樹線波動及其驅動因素研究進展[J]. 生態學雜志, 2018, 37(11): 3430–3439.

[43] 歐陽濤. 武夷山生態公園典型針闊混交林林分結構數量特征研究[D]. 福州: 福建農林大學, 2011.

[44] 陳婷婷. 武夷山常綠闊葉林物種分布格局和生境相關性[D]. 南京: 南京信息工程大學, 2017.

[45] 任引. 武夷山主要類型常綠闊葉林結構與功能特征的研究[D]. 南京: 南京林業大學, 2008.

[46] 張琪, 袁秀亮, 陳曦, 等. 1982—2012年中亞植被變化及其對氣候變化的響應[J]. 植物生態學報, 2016, 40(1): 13–23.

Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on Landsat imagery

LIU Yue1, Pu Yihan2, Liu Yanqing2, AN Deshuai2, XU Dandan2,3,*, ZHU Jianqin4, RUAN Honghua2,3

1. College of Forestry, Nanjing Forestry University, Nanjing 210037, China 2. College of Biology and the Environment, Nanjing Forestry University, Nanjing 210037, China 3. Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China 4. Research Monitoring Center, Wuyishan National Park, Wuyishan 354300, China

Global warming has great impact on vegetation dynamics, which mainly reflects on the migration of vegetation communities to high altitude and high latitude. Studying vegetation community migration in vertical zoning is helpful to understand the response of vegetation communities to climate change. Vegetation classification on the vegetation vertical zone spectrum is fundamental for the studies of vegetation migration along elevation. However, vegetation classification in vegetation vertical zone spectrum of evergreen broad-leaved forest is always a challenge for remote sensing classification. Therefore, this research aims to accurately classify and monitor the vegetation communities in vegetation vertical zone spectrum of Wuyishan National Park through the improvement of classification methods based on Landsat imagery. We use the method of principal component analysis to extract the main bands that affect the classification; then merge the band data and DEM data of different seasons, and use supervised classification method to classify according to the results. In addition, we also explorer the dominant factors besides temperature which influence vegetation change during the study period. The results show that the method using the data of principal component analysis to classify the types of mountain vegetation, improves the classification accuracy for the meadow, bamboo, coniferous forest, mixed forest and evergreen broad-leaved forest. The overall classification accuracy is 0.93, and the Kappa coefficient is 0.91. From 1986 to 2018, due to the influence of climate warming, the area of mixed forest and evergreen broad-leaved forest increased and the area of coniferous forest and subalpine meadow decreased. Upshifting of vegetation communities is influenced a lot by climate change, especially for mixed forest in Wuyishan National Park. The method provides theoretical basis for the study ofthe vegetation communities in vegetation vertical zone spectrum of Wuyishan National Park region.

landsat imagery; vegetation vertical zone spectrum; global warming; upward shifting of vegetation communities;subtropical evergreen forest; Wuyishan National Park

劉月, 濮毅涵, 劉艷清, 等. 基于Landsat影像研究全球氣候變化對武夷山國家公園垂直帶譜上各植被群落的影響[J]. 生態科學, 2022, 41(5): 152–162.

LIU Yue, Pu Yihan, Liu Yanqing, et al. Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on Landsat imagery [J]. Ecological Science, 2022, 41(5): 152–162.

10.14108/j.cnki.1008-8873.2022.05.019

TP79, Q148

A

1008-8873(2022)05-152-11

2020-08-31;

2020-10-28

國家自然科學基金(41901361); 福建省林業廳資助項目(閩林科便函[(2018)26號]); 江蘇省“六大人才高峰”創新人才團隊項目(TD-XYDXX-006)

劉月(1995—), 女, 江蘇南京人, 碩士, 主要從事林業遙感研究, E-mail: lynette@njfu.edu.cn

徐丹丹, 女, 副教授, 主要從事生態遙感研究, E-mail: dandan.xu@njfu.edu.cn