英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
近20年北京山区植被覆盖度与降水量
动态变化关系研究
摘要：北京山区作为北京的生态保护区和水源保护区，具有重要的生态意义。本文利用北京地区近20年的多时相陆地卫星图像，定性分析了降水对植被覆盖度的影响。首先，外部因素的影响如物候和相对辐射校正，通过归一化差值植被指数（NDVI）被不同时期的遥感图像消除。然后，使用像元二分模型来计算植被覆盖度。最后在此基础上，探讨了不同季节降水与植被盖度变化的关系。结果表明，平均植被覆盖度与冬夏季降水变化趋势相同，但与春季降水变化趋势相反。为进一步研究北京山区自然植被恢复驱动模式提供了理论依据和数据支持。
关键字：图像归一化；植被覆盖度；动态变化；降水量；像元二分模型
A study on the relationship between dynamic change of vegetation coverage and precipitation in Beijingrsquo;s mountainous areas during the last 20 years
Xia Jinga,Wan-Qiang Yaoa,Ji-Hua Wangb，lowast;,Xiao-Yu Songb
a College of Geomatics, Xirsquo;an University of Science and Technology, Xirsquo;an 710054, PR China
b National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, PR China
Abstract：Beijingrsquo;s mountainous areas have an important ecological significance because they are ecological conservation and water source protection areas of Beijing. The impact of precipitation on the vegetation coverage of Beijingrsquo;s mountainous areas is qualitatively analyzed using multi-temporal Landsat images obtained during the last 20 years. Firstly, the influence of external factors, such as phenology and relative radiometric correction,on the normalized difference vegetation index (NDVI) are removed by the normalization of remote sensing images for different periods. Then, the vegetation coverage is calculated using the method of the dimidiate pixel model. Finally, based on that, the relationship between precipitation in different seasons and change of vegetation coverage is discussed. The results indicate that the mean vegetation coverage has the same change trends with winter and summer precipitation, but an opposite change trend with spring precipitation. The paper provides a theoretical basis and data support for further research on driving models of natural vegetation restoration in Beijingrsquo;s mountainous areas.
Key words：Image normalization;Vegetation coverage;Dynamic change;Precipitation;Dimidiate pixel model
1.引言
北京山区是生态保护区和水源保护区，也是生物多样性的中心和重要的自然植被分布区。北京的生态安全与水资源供给都受到植被覆盖的影响。从北京山区植被覆盖度与降水量动态变化的关系出发，建立自然恢复力驱动模型具有重要的参考意义。
植被覆盖度的定义是指植被在垂直投影中占地面面积的百分比[1]。它是自然环境变化与人类活动共同作用的结果，也是许多遥感生态模型的重要参数。遥感技术作为一种非常有用的地球观测工具，它具有很大的时空优势[2]，通过多时相遥感影像分析可以反映植被覆盖的时空差异特征[3]。植被覆盖度的年际变化是由不同的气候和人类活动等多种影响因素引起的，其中气候变化是主要因素[4]，同时降水是主要的气候因子之一。因此，许多专家学者对植被覆盖度动态变化与降水量之间的关系进行了全面深入的研究。Sun等选择中国黄河流域为研究区，使用1982~1999年8公里分辨率的多时相NOAA AVHRR-NDVI数据评价了植被覆盖度的年际变化，并分析了降水和植被覆盖度的关系[5]。通过年降水量和NDVI年最大值之间的相关性来分析武胜县降水对植被覆盖度的影响。结果表明，近23年来植被覆盖度的变化与降水量的变化基本一致[6]。Chen等人的研究结果表明：春季和夏季降水量是影响宁夏植被覆盖度的关键因子，而气温影响较小[7]。Li等人的研究表明：在中国西北地区，NDVI与降水量之间存在显著正相关，而NDVI与温度之间相关性较弱。结果表明，与降水和气温的变化比较，利用AVHRR来研究区域的植被变化可靠的[8]。
资料分析表明，遥感数据主要是低空间分辨率的图像，如AVHRR、MODIS和SPOT VEGETATION，这些数据可以用来研究气候因素对植被覆盖度的影响，如温度和降水。在低空间分辨率图像的基础上，难以满足生态建设中具体而详细的设计规划要求。此外，作为具有重要生态地位的北京生态涵养区，对北京山区的研究还比较少。从这个角度来看，我们定性地分析了在过去的20年北京山区的植被覆盖度动态变化与降水之间的关系，研究结果可为自然恢复力驱动模型的进一步研究验证提供理论依据和数据。
2.研究区概况
北京山区的面积约10400km2，占全市土地面积的62%。群山从西、北、东北三个方向环绕北京，太行山在西部，燕山在北部和东部地区。灵山，也被称为“第一高峰”，位于门头沟。北京山区气候特点是春季干旱少雨、有大风，夏季炎热多雨，秋季天空晴朗、空气凉爽，冬季寒冷干燥；年平均气温为9℃~11℃；年均降水量为595mm，其分布极不均匀：汛期降水量（6～9月）约占年降水量的85%。图1为北京和研究区的地图。
图1 北京和研究区的地图
3. 数据源与预处理
为了监测北京山区植被覆盖动态变化与降水的关系，在多时相卫星图像的基础上，选择北京山区1988年7月8日，1999年7月25日，2004年7月6日三幅Landsat TM影像。这三幅图像都在七月份采集，在这个时候，植被覆盖度基本上趋于稳定。因此，选取某一时间间隔的图像是适用于研究植被覆盖度和降水之间的关系。
图2 研究区斜坡图像
3.1 图像几何校正
将2004年7月6日采集的Landsat TM影像基于1:10000数字栅格地图进行几何校正。以数字化栅格图为基准图像，采用ENVI 4.5软件选取了约60个地面控制点，使用3D多项式模型将Landsat TM图像拉伸变形，线性重采样后分辨率为30米，几何校正的精度小于半个像素。
以校正后的Landsat TM影像为基础图像，与其他两个Landsat TM影像进行匹配，几何校正精度小于一个像素。
3.2 图像辐射定标
原始图像记录数值（即DN），为了得到准确的NDVI结果，将DN值转化为反射率，辐射校正后就可以得到的图像反射率。首先，以实验为依据的校准方法是采用2004年7月6日的TM图像进行辐射校正，将DN值转换成反射率。其次，如水、裸土、水坝和茂密的植被等固定不变的对象，可以从三幅Landsat TM图像中选择。最后，使用最小二乘回归方法，将其他两幅图像与2004年7月6日TM图像相匹配，将DN值转换成反射率。
3.3 坡度数据
为了更好地研究北京山区植被覆盖度与降水量的动态变化关系，本文利用坡度数据（坡度lt;10）来消除作物对植被覆盖度的影响。基于DEM数据，计算得出该地区的斜坡。将北京地区1:10,000的数字等高线转换成空间分辨率为30米DEM数据。坡度图像如图2所示。
图2 研究区坡度图像
3.4 植被覆盖度
由于NDVI的值取决于植被覆盖FC（水平密度）和叶面积指数LAI（垂直密度）[9]，因此植被覆盖度可以通过NDVI来近似计算[10]。
3.4.1 归一化植被指数（NDVI）
NDVI是最广泛使用的植被指数之一，它是代表植被生长状况和空间分布密度的最佳指标[11]。
公式为：
(1)
其中,NIR表示近红外波段，RED表示可见光红波段。
3.4.2 多时相图像归一化
为了描述植被的生长状况，图像采集时间、相对辐射校准等因素也会导致NDVI不同。因此，利用多时相图像分析植被覆盖度与降水量之间的关系时应减弱外部因素的影响。本文通过多时相图像的归一化来大大减少外部因素对结果的影响。
多时相图像的归一化是一个线性函数，基于三幅Landsat TM图像中假设的NDVI值的固定不变的对象。函数可以表示为：
（2）
其中，X为第一幅图像的NDVI值，Y为第二幅图像的NDVI值[12]。
根据最小二乘算法，选自多时相图像的NDVI值的固定不变的对象，计算系数A和B。
1999年7月25日采集的Landsat TM图像设置为基准图像，与其他两个Landsat TM图像进行归一化。表达式如下：
R2=0.7314（n=303）
R2=0.8082（n=327）
其中，X是1999年7月25日获得的Landsat TM影像的NDVI值。
3.4.3 植被覆盖度
计算植被覆盖度的常用方法主要有基于回归模型、植被指数法和像元二分模型。在像元二分模型中，它假定一个像素仅由植被和非植被两部分组成，光谱信息也是这两个部分的线性组合，其各自的覆盖范围的像素的比例分别给出它们各自的权重，其中，像素的植被覆盖度的比例是这个像素的植被覆盖度。FC定义如下[13]：
（3）
原始图像通常含有噪声，因此，不能将NDVImin和NDVImax直方图值作为最大值和最小值[14]。NDVImin和NDVImax都是固定的，但是不同的Landsat TM图像的NDVImin和NDVImax是不同的。首先，计算图像的NDVI，并得出NDVI的直方图，将NDVI直方图中累计频率为1%的值设定为NDVImin，99%的值作为NDVImax。最后，将NDVImin和NDVImax代入公式（2）计算出植被覆盖度，并去掉负值，将大于
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27291]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
