吴伟
, 1 , 2 , 3 , 杨飞龄
1 , 2 , 王军军
1 , 2 , 刁奕欣
1 , 2 , 4 , 郭洋
1 , 2 , 武瑞东
, 1 , 2 1.云南大学国际河流与生态安全研究院 保护生物地理学研究组,昆明 650091 2.云南省国际河流与跨境生态安全重点实验室, 昆明 650091 3.中山大学地理科学与规划学院,广州 510275 4.复旦大学生命科学学院, 上海 200438 Dynamic monitoring and analysis of ecosystem disturbances in major vegetation types based on MODIS time series data in Southwest China WU Wei
, 1 , 2 , 3 , YANG Feiling
1 , 2 , WANG Junjun
1 , 2 , DIAO Yixin
1 , 2 , 4 , GUO Yang
1 , 2 , WU Ruidong
, 1 , 2 1. Conservation Biogeography Research Group, Institute of International Rivers and Eco-security, Yunnan University, Kunming 650091, China 2. Yunnan Key Laboratory of International Rivers and Transboundary Eco-security, Kunming 650091, China 3. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China 4. School of Life Sciences, Fudan University, Shanghai 200438, China 通讯作者: 武瑞东（1976-）,男,山西晋中人,博士,研究员,博士生导师,研究方向保护生物地理学、生态系统服务和系统保护规划。E-mail:rdwu@ynu.edu.cn 收稿日期: 2020-06-1
接受日期: 2020-07-30
网络出版日期: 2021-05-10
基金资助: 国家重点研发计划项目 .2016YFC0502103 国家自然科学基金项目 .31670539 国家自然科学基金项目 .41701110
Received: 2020-06-1
Accepted: 2020-07-30
Online: 2021-05-10
作者简介 About authors
吴伟（1995-）,男,山西大同人,博士研究生, 主要从事生态系统干扰提取和遥感物候相关研究。E-mail:
weiw0903@163.com 摘要 在自然或人为活动的干扰下,生态系统的正常功能或多或少受到影响。生态系统干扰信息可为跟踪气候变化响应、探寻全球碳循环路径和维系生态系统功能提供重要参考。飞速发展的遥感技术为生态系统干扰信息的获取提供了新的思路,高时空分辨率的遥感影像能及时有效地监测干扰事件发生的时间和位置。本文以中国西南地区为例,选用2005—2016年MODIS影像的地表温度LST（Land Surface Temperature）和增强型植被指数EVI（Enhanced Vegetation Index）产品,首先应用遥感干扰指数模型提取2007—2016年的逐年生态系统干扰数据,然后研究了西南地区森林与草地灌丛生态系统干扰的时空分布,并通过地面着火点观测记录、遥感火烧迹地数据、Google Earth和政府报告等验证干扰指数模型的有效性,最后明晰中国西南地区森林与草地灌丛干扰强度的分布特征。结果表明：① 本文使用的遥感干扰指数模型对干扰事件十分敏感,明显优于单独使用EVI或LST。② 本文提取的森林生态系统干扰和草地灌丛生态系统干扰与Google Earth、气象数据等保持高度一致。③ 森林与草地灌丛干扰是研究区内最主要的生态系统干扰,约占每年总干扰面积的90%。④ 森林干扰最强烈区在川西高原地区,可能的干扰类型为森林火灾,草地灌丛干扰最强烈区为青藏高原农牧区,可能的干扰类型为气象干旱干扰。 关键词： 生态系统干扰 ;
干扰强度 ;
增强型植被指数EVI ;
MODIS ;
中国西南地区 Abstract Under the disturbance of natural conditions or human activities, the normal function of the ecosystem is more or less affected. The acquisition of ecosystem disturbance information can provide an important reference for tracking the responses of climate change, exploring global carbon cycle paths and sustaining normal ecosystem functions. The rapid development of satellite technology provides new ideas for the acquisition of ecosystem disturbance information. The remote sensing images with high spatio-temporal resolutions can effectively monitor the time and location of disturbance events in time. With Southwest China as the study area (involving Yunnan Province, Guangxi Zhuang Autonomous Region, Guizhou Province, Chongqing Municipality, Sichuan Province, part of Qinghai Province, and part of Tibet Autonomous Region), this research first calculated the annual data on ecosystem disturbances from 2007 to 2016 by applying a disturbance index model of remote sensing based on the 2005-2016 MODIS datasets on Land Surface Temperature (LST) and Enhanced Vegetation Index (EVI). The spatio-temporal patterns of ecosystem disturbances within forests and grasslands/shrubs were then investigated, and the effectiveness of the disturbance index model was validated by field observation points of fire, remotely sensed burned area data, Google Earth images, and government work reports. Finally, the study clarified the distribution characteristics of different intensity levels of ecosystem disturbances within forests and grasslands/shrubs. The results show that: 1) the disturbance index model of remote sensing in this paper was sensitive to ecosystem disturbance events, and it was significantly better than using enhanced vegetation index or land surface temperature alone. 2) The forest ecosystem disturbance and grassland-shrubs ecosystem disturbance extracted in this paper were highly consistent with Google Earth imagery and meteorological data. 3) Forest and grassland-shrub disturbances were the predominant disturbances in the study area, accounting for ~90% of the total disturbance area per year. 4) The areas with the most serious forest disturbances were mainly located in the western Sichuan Plateau, and fire was the main type of disturbance. The areas with the strongest disturbance of grassland-shrubs were pastoral zones on the Qinghai-Tibet Plateau, where drought caused by weather was the main type of disturbance. Keywords： ecosystem disturbances ;
disturbance intensity ;
Enhanced Vegetation Index (EVI) ;
MODIS ;
Southwest China PDF (8978KB) 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 吴伟, 杨飞龄, 王军军, 刁奕欣, 郭洋, 武瑞东. 基于MODIS时序数据的中国西南地区主要植被生态系统干扰动态监测及分析.
地理研究 [J], 2021, 40(5): 1478-1494 doi:10.11821/dlyj020200467
WU Wei, YANG Feiling, WANG Junjun, DIAO Yixin, GUO Yang, WU Ruidong.
Dynamic monitoring and analysis of ecosystem disturbances in major vegetation types based on MODIS time series data in Southwest China .
Geographical Research [J], 2021, 40(5): 1478-1494 doi:10.11821/dlyj020200467
1 引言 生态系统干扰定义为一个生态系统的结构与功能及其产生的影响被持续阻断
[1 ] ,且持续时间超过自然植被的单季生长周期的事件
[2 ,3 ] ,干扰事件造成的影响一般取决于其发生的位置、强度、时间和持续时长等因素
[4 ,5 ,6 ] 。一般而言,当陆地生态系统的正常功能被干扰阻断时,该生态系统所受干扰影响程度即成为生态系统碳循环变化最主要的不确定性
[7 ] ,与此同时,陆地植被对CO
2 的吸收能力减弱,致使CO
2 在大气中的含量明显上升
[8 ,9 ] 。一方面,温室气体CO
2 量的上升会导致全球气候发生改变;另一方面,全球气候变化同样又对整个生物圈的功能与结构产生相应的反馈
[3 ] 。同样地,生态系统干扰信息对生态系统保护规划也不可或缺,如在实际的保护规划工作中,平衡保护与开发用地矛盾、判识优化的保护区网络分布、系统评估区域生态保护价值和提升自然资源管理等均需依赖相关的干扰信息作为重要参考
[10 ,11 ] 。除此之外,因生态系统干扰强度与土壤理化性质、防灾减灾、制定生态系统保护规划和土地利用规划等相关研究密切相关,故其分布特征亦颇受关注
[10 ,12 ,13 ] 。
目前,许多已有科学研究选择使用遥感数据来获取生态系统干扰信息。例如,地球北极有植被区所发生的虫害和非正常落叶干扰事件便是通过AVHRR遥感影像反演而来的长时间序列LAI（Leaf Area Index）的变化来加以描述分析
[14 ] ;还有地中海地区的林火干扰情况是依据AVHRR遥感影像并采用面向对象分类法而得出
[15 ] 。此外,MODIS和Landsat影像同样常用于生态系统干扰检测研究。例如,通过耦合Landsat和MODIS影像提取加拿大地区生态系统干扰影响下的生物多样性和物种丰富度结果
[16 ] 。针对具体的生态系统干扰类型,也有相关研究开展。例如,探求全球碳收支与火灾、干旱等几种不同类型生态系统干扰所存在的不同联系
[17 ] ;还有****结合长时间序列的遥感LAI数据,动态模拟中国东北地区的森林火灾干扰
[18 ] 。然而,尽管这些研究清楚表明了生态系统干扰信息获取的可行性,但已有研究大多是概述总体生态系统干扰或以某种特定的干扰类型
[14 ,15 , 17 -19 ] （如森林火灾、病虫害和采伐等）作为研究目标。值得注意的是,森林、草地灌丛等植被生态系统是生物圈最重要的组成部分,如何以森林、草灌等植被生态系统为基础,系统开展大尺度的植被生态系统干扰信息提取研究是当前亟需解决的关键问题。
本文研究区为中国西南地区
[20 ,21 ] （83°E~112°E,21°N~37°N）（
图1 ）,在行政区划上涉及七个省级行政区,总面积达237万km
2 。区域内自然生态资源丰富、地形地貌复杂多变且气候多样性高,提取该区域的生态系统干扰信息极为必要。因此,本文在中国西南地区开展生态系统干扰提取研究,旨在达成以下目标：一是明晰中国西南地区森林和草灌生态系统干扰的空间分布及强度状况;二是分析该地区主要生态系统干扰可能的形成机制,以期为全球其他区域相关研究提供科学参考与应用支撑。
图1 新窗口打开 |
下载原图ZIP |
生成PPT 图1研究区 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2016)1550号）绘制,底图无修改。
Fig. 1Study area 2 数据来源与预处理 2.1 遥感数据 选取2005—2016年覆盖中国西南地区,空间分辨率为1 km的8天合成LST（Land Surface Temperature）数据（MYD11A2）和空间分辨率为1 km的16天合成EVI（Enhanced Vegetation Index）数据（MYD 13A2）,范围涉及8个tiles,共计6624幅影像。此外,本文还选择了2007—2016年空间分辨率为500 m的月合成火烧迹地数据 （MCD45A1）和2007—2009年500 m空间分辨率的年合成土地覆盖产品（MCD12Q1）。所有MODIS数据产品均下载于
http://ladsweb.nascom.nasa.gov 。
为保持栅格数据空间处理的一致性,本文所用栅格数据均统一投影（WGS-84）和空间分辨率（1 km）。此外,由于MCD45A1是月合成数据,所以将每年的月火烧迹地像元（1~366）进行年最大值合成,得到2007—2016年的火烧迹地年合成产品。而对于MCD12Q1产品,依据其本身的IGBP（International Geosphere-Biosphere Programme）分类方案,本文提取其像元值1~5的部分作为森林,像元值6~10的部分作为草地灌丛,制作掩膜文件。值得注意的是,由于仅下载到最新为2009年的MCD12Q1分类数据且地表覆盖类年际变化相对较小,故除2007年和2008年之外,本文将2009年地表分类数据应用到2009—2016年每年的数据处理过程之中。
2.2 其他数据 本文还采用了2007—2015年空间分辨率为1 km的MODIS NDVI数据、月降水量数据
[23 ] 和2010年云南省有记录的着火点分布数据
[24 ] 。
3 研究方法 3.1 生态系统干扰信息提取 3.1.1 干扰指示因子 地表温度是模拟区域和全球尺度陆地生态过程的关键参数之一,不仅能够有效反映地表-大气之间能量通量的变化
[25 ] ,还与土壤湿度密切相关
[26 ] 。20世纪80年代,地表温度开始被用于同地表植被数量相结合来描述地表特征
[27 ] ,这是因为通过潜热传递的过程,植被密度的增加往往伴随着地表温度的降低
[28 ] 。根据植被覆盖和土壤湿度的变化状况,植被指数与地表温度之间被观测到极强的负相关关系
[25 ,26 ] 。由于陆地生态系统中植被的叶片十分脆弱,在干扰事件中可以通过植被指数检测到其变化,故前人已有的大尺度生态系统干扰提取研究往往都选用植被指数作为干扰事件发生的指示因子。然而,耦合地表温度和植被指数进一步增强了区域和全球尺度的地表覆盖特征变化,作为度量土地覆被变化的因子,地表温度与植被指数的比率明显优于单一的植被指数因子
[29 ,30 ] 。相比于独立使用地表温度或植被指数来度量地表特征,“地表温度/植被指数”中两个变量响应于不同的生物物理过程,丰富了指示因子的信息含量,是研究大尺度生态系统干扰影响的一种更为强大且有效的方法
[30 ] 。于是,本文耦合地表温度与增强型植被指数来提取生态系统干扰,并将其比率称为干扰比。
3.1.2 干扰指数计算 本文使用的干扰指数,即MGDI（MODIS Global Disturbance Index）
[22 ] ,定义为年最大干扰比（干扰检测年当年的年最大合成地表温度与年最大合成植被指数的比率）除以该年份之前多年年最大干扰比的均值。当地表植被处于常态时,区域内各年份的年最大干扰比基本持平,干扰指数值近似等于1;而当植被受到干扰时,被干扰区域当年的年最大干扰比将明显扩大。通过检测年最大干扰比偏离自然波动范围（即多年年最大干扰比的均值）的大小来检测干扰事件发生与否,具体计算公式
[22 ] 为：
（1） MGD I inst = ( LS T max EV I max post ) current ? year ( y ) ( LS T max EV I max post ) multi - mean ( y - 1 ) 式中：
MGDIinst 为生态系统干扰指数值（下文简称为MGDI）;
LST max 为年最大合成LST值（℃）;
EVI max post 指年最大合成地表温度出现时间之后的最大植被指数值;
current year (
y )为干扰检测年份;
multi-mean (
y -1)是指干扰检测年之前多年（
LST max /
EVI max post ）的均值
[22 ] 。
其中,年最大合成地表温度是通过比较一年所有地表温度数据,提取出每个像元序列的最大值,这些最大值像元即构成
LST max 。而年最大合成植被指数则是根据每个像元最大地表温度出现的时间,选择提取各像元在该时间点之后所有植被指数的最大值,最终同样生成一年一幅的
EVI max post 影像数据。之所以选择
LST max 出现后植被指数的最大值,是为了防止年最大植被指数值出现在干扰事件发生之前。此外,由于本文所用MODIS数据从2005年开始,根据算法特点,MGDI值从2006年开始获取。
3.1.3 干扰信息提取 考虑到生态系统干扰发生后恢复的滞后性及其对之后年份干扰检测可能存在的累积效应,本文选择生态系统干扰指数的年变化率作为干扰检测的最终标准,计算方式为
[22 ] ：
（2） MGD I C = MGD I y - MGD I y - 1 MGD I y - 1 × 100 % 式中：
MGDIC 指干扰指数年变化率;
MGDIy 意为干扰检测当年的干扰指数值;
MGDIy -1 则为干扰检测年前一年的干扰指数值。同样地,根据算法特点,
MGDIC 从2007年开始获取。
基于像元统计的方法,通过官方报道和收集的文献等资料
[24 ,31 ,32 ] ,本文选择2010年云南省与贵州省交界处一块已知的干扰区域和2010年云南省有记录的着火点数据作为参考,设定不同的干扰变化率阈值（分别为60%、65%、70%和75%）,分别以不同阈值检测参考区域的生态系统干扰情况
[22 ] 。通过目视解译对比每个阈值下干扰结果的面积与分布,本文最终选取65%作为提取研究区生态系统干扰的阈值。
之后,考虑到遥感反演结果可能出现的一些噪声问题,本文采用3×3窗口对干扰提取结果进行滤波处理,即在一个3×3窗口中,当中心干扰像元（滤波前结果）周围至少存在3个同样的干扰像元时,该中心像元才会被保留为最终的干扰像元。对于最终的干扰滤波结果,本文利用地表分类掩膜文件处理得到森林干扰和草地灌丛干扰结果。
3.2 方法有效性检测 3.2.1 干扰指数与干扰指示因子对比 2009—2010年,云南与贵州二省,尤其是其交界地带遭遇了极为罕见的特大干旱灾害
[31 ,32 ] 。本文分别对比了该时间段云贵交界处（102°38′E~106°50′ E,24°19′N~27°56′ N）的干扰指数、年合成地表温度和年合成植被指数的年际变化率（
图2 ）。明显地,该区域在2009—2010年的地表温度年变化率普遍高于20%,植被指数年变化率普遍低于-10%,而干扰指数年变化率则普遍高于65%,甚至有多处高于100%。这说明,耦合地表温度和植被指数的干扰指数有效增强了地表变化特征,相比于单独使用地表温度或植被指数来检测干扰而言具备更大的应用优势。
3.2.2 与火烧迹地和火点记录对比 本文以云南省为例,将干扰指数提取结果与经过预处理的2010年MODIS标准火烧迹地数据以及2010年云南省有记录的着火点分布数据
[24 ] 进行对比,分析干扰指数的检测效果。如
图3 （见第1483页）所示,干扰指数和火烧迹地均能有效检测到部分与地面记录一致的火灾事件（椭圆部分）;然而,根据着火点记录,对于同样有火灾发生的矩形框区域,却仅有干扰指数检测到火干扰像元,火烧迹地并未有效检测到相关着火点。
图2 新窗口打开 |
下载原图ZIP |
生成PPT 图22009—2010年干扰区LST, EVI和MGDI年变化率 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2016)1550号）绘制,底图无修改。
Fig. 2The annual change rates of LST, EVI and MGDI in disturbance areas from 2009 to 2010 图3 新窗口打开 |
下载原图ZIP |
生成PPT 图32010年云南省着火点、火烧迹地和干扰指数提取结果对比 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2019)3266号）绘制,底图无修改。图中椭圆代表火烧迹地和干扰指数检测到的着火点分布区域,矩形代表干扰指数检测到的着火点分布区域。
Fig. 3Comparisons of the fire points, burned areas and extraction results of MGDI in Yunnan Province in 2010 3.3 方法应用与验证 3.3.1 森林生态系统干扰检测与验证 森林生态系统干扰是研究区生态系统干扰的重要组成部分,本文分别选择2013年和2015年的两次森林干扰来验证MGDI算法的有效性。
案例1：2013年3月8日,位于云南大理的苍山国家级自然保护区发生严重的森林火灾。
图4 a（见第1484页）显示的是2013年森林生态系统干扰在云南省的分布状况,其中,红色代表森林干扰区,右侧矩形框的红色斑块是大理苍山保护区附近的森林生态系统干扰提取结果。
图4 c（见第1484页）显示了该森林干扰斑块2007—2016年每年的生态系统干扰指数及其年变化率,显而易见,该干扰斑块每年的干扰指数及其年变化率基本处于稳定的轻微波动状态,唯有在森林火灾发生的2013年,干扰指数及其年变化率分别骤升至十年间的最大值1.87和86.53%,这就证明了本次干扰检测结果的有效性。进一步地,为了能看到森林火灾发生后所造成的直观影响,本文对比了干扰发生前后该区域在Google Earth影像上的表现。由
图4 e（见第1484页）可知,2013年过火之后,该区域相比于2012年的植被覆盖度极大降低。
图4 新窗口打开 |
下载原图ZIP |
生成PPT 图4森林干扰验证 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2019)3266号）绘制,底图无修改。
Fig. 4Validation of forest disturbances 案例2：同样地,
图4 b（见第1484页）是2015年森林生态系统干扰在广西壮族自治区的分布情况,右侧放大图框显示的是2015年广西梧州附近的森林生态系统干扰提取结果。
图4 d表示该干扰斑块2007—2016年的干扰指数及其年变化率。不同于案例1的情况,虽然该干扰斑块的干扰指数值在2007—2014年保持稳定,之后在2015骤升至2.87,但是2016年时干扰指数仍居高不下,数值高达2.78;至于干扰指数年变化率则仅在2015年飙升,数值高达221.87%,这也验证了2015年森林干扰提取结果的有效性。为了解梧州森林干扰的实际情况并进一步探究该干扰斑块2016年干扰指数持续偏高的原因,本文对比了干扰发生前后该区域在Google Earth影像上的表现。通过
图4 f（见第1484页）可知,一方面,该干扰斑块附近的部分森林于2015年遭到皆伐干扰;另一方面,直到2016年,该区域仍未停止用地开发,附近的森林皆伐面积进一步扩大,这也是干扰指数于2016年仍居高不下的原因所在。
3.3.2 草地灌丛生态系统干扰检测与验证 TVDI
（Temperature Vegetation Dryness Index）即温度植被干旱指数是通过构建地表温度LST和归一化植被指数NDVI的特征空间,将二者拟合估测土壤水分含量从而表示干旱程度
[33 ] 。其原理为：
（3） TVDI = LST - E Q min E Q max - E Q min （4） E Q max = a 1 + b 1 × NDVI E Q min = a 2 + b 2 × NDVI 式中：
EQ max 和
EQ min 分别表示地表温度LST与归一化植被指数NDVI所构成的特征空间所对应的拟合干边和拟合湿边,即某像元NDVI值所对应的最大LST和最小LST值;
a 1 ,
a 2 ,
b 1 和
b 2 均为拟合系数。
TVDI的取值介于0到1之间,拟合干边所对应的TVDI值为1,表示干旱程度最高,拟合湿边对应的TVDI值为0,表示湿润无干旱。本文按TVDI的取值范围将旱情划为5级
[34 ] ：① 湿润（0 ~ 0.2）;② 正常（0.2 ~ 0.4）;③ 轻旱（0.4 ~ 0.6）;④ 干旱（0.6 ~ 0.8）;⑤ 重旱（0.8 ~ 1.0）。一般而言,同一年内最能代表干旱情况的月份为5月（相对湿润,与春旱相关）和8月（蒸散发较强,与夏旱相关）
[35 ] 。因而,每年5月和8月的TVDI结果能有效代表当年的干旱情况。
在青藏高原,由于地形气候因素,森林生态系统较为罕见。于是,草地、灌丛等成为高原上植被适宜生长区的主要植被覆盖类型,故研究区内青海省区域主要植被类型为草地灌丛。据青海省气象局网站信息,2013年青海全省干旱少雨,旱象严峻。本文以研究区内青海区域为例,探究干扰指数算法对2013年青海大旱的检测情况。
如
图5 a（见第1485页）所示,青海省（研究区内）为本次草灌干扰检测验证的示例区域;
图5 b（见第1485页）表示2013年青海省（研究区内）的草地灌丛生态系统干扰检测结果;
图5 c（见第1485页）和
图5 d（见第1485页）分别显示了2013年该区域5月和8月的不同旱情等级分布。经对比可知,几乎青海省（研究区内）整个区域在2013年均存在不同程度的干旱干扰。值得注意的是,就图中的矩形框区域而言,
图5 b（见第1485页）显示出大片连续的草地灌丛干扰斑块,
图5 c显示了从轻旱到重旱等级不定的连续干旱斑块,
图5 d分布有大片重旱等级的干扰斑块。
图5 新窗口打开 |
下载原图ZIP |
生成PPT 图52013年青海（研究区内）干扰指数与温度植被干旱指数的对比 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2016)1550号）绘制,底图无修改。
Fig. 5Comparison of MGDI and TVDI in Qinghai (within the study area) in 2013 除此之外,本文还统计了青海省（研究区内）2007—2015年（2016年降水数据缺失）期间每一年5月和8月的月降水情况。由
图6 可知,青海省（研究区内）每年8月的降水量相对较高,普遍在80~110mm,而5月的降水量则普遍低于8月,仅为30~60mm。值得注意的是,该区域在2013年8月份的降水量不仅远低于同期正常水平,仅为55.08mm,还比同年5月份的降水更少。据此,青海省（研究区内）至少于2013年夏季遭遇了严重的气象干旱。
图6 新窗口打开 |
下载原图ZIP |
生成PPT 图6青海（研究区内）5月与8月多年月降水量情况 Fig. 6Monthly precipitations in Qinghai in May and August from 2007 to 2015 (within the study area) 3.4 生态系统干扰强度划分 将2007到2016年共十年的干扰检测分布结果进行叠加分析,统计各个像元十年间发生的干扰次数总和,与此同时,综合考虑干扰事件发生后所影响的范围大小,具体为使用ArcGIS平台中的邻域分析工具,将十年的干扰频次和以3×3窗口再次求和并赋值给中心像元,最后将计算结果重新分为5类,即代表生态系统干扰强度的五个等级,分别为“稳定区、轻微干扰区、轻度干扰区、中度干扰区和重度干扰区”
[20 ,28 ] 。
4 结果分析 4.1 森林干扰与草灌干扰的面积分布 为了分析森林干扰与草地灌丛干扰的影响范围,本文对比了中国西南地区2007—2016年期间每年森林生态系统、草地灌丛生态系统以及整个地表生态系统所受干扰影响的面积（
图7 ）。其中,森林干扰和草地灌丛干扰面积平均每年在西南地区生态系统干扰面积中占比极高,分别为21.22%和68.20%。显而易见,森林干扰和草灌干扰是西南地区地表生态系统干扰最主要的组成部分,几乎占到总干扰面积的90%。此外,研究时段内每年森林干扰的面积占比相对较小,整体变化幅度不大,而草地灌丛干扰面积占比相对较大,且在2011年和2013年均远超平均水平。
图7 新窗口打开 |
下载原图ZIP |
生成PPT 图72007—2016年中国西南地区生态系统干扰面积分布 Fig. 7Distributions of the areas of ecosystem disturbances in Southwest China from 2007 to 2016 4.2 森林干扰结果及其强度分布特征 西南地区森林干扰的检测结果（
图8A ）显示,该区域每年均会发生不同程度的森林干扰事件,主要分布区有位于四川西边的高原地带、西藏（研究区内）的南部以及云贵高原的部分地段。其中,藏南地区于2008年发生强烈的森林干扰,整个研究区当年的森林干扰面积达到17543 km
2 ;另外,在2012和2014年,川西高原发生了极为严重的森林干扰,整个研究区的森林干扰面积分别达到19482 km
2 和17460 km
2 。
图8 新窗口打开 |
下载原图ZIP |
生成PPT 图82007—2016年研究区森林干扰分布及森林干扰强度分布 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2016)1550号）绘制,底图无修改。
Fig. 8Distributions of forest disturbances and the levels of forest disturbance intensity in the study area from 2007 to 2016 在气候、地形和人为活动等因素长期而持续的作用之下,研究区内森林干扰事件发生的频度与位置日趋平稳。为明晰中国西南地区森林生态系统受干扰的不同程度及其潜在的干扰风险状况,本文综合分析了2007—2016年多年森林干扰的时间和空间分布特征,从而得到研究区森林干扰强度分布状况（
图8B ）。不难发现,中国西南地区中度及重度森林干扰区占研究区总面积的1.15%,主要分布于四川省中部偏西区域、西南部和滇西北的部分地区,其中川西高原地区干扰强度最为严重;而轻度森林干扰区则集中分布在重庆中南部、贵州东部、广西东北部、西藏（研究区内）南部和东南部及云南中部和西北的部分地区,其面积占研究区总面积的3.05%。
4.3 草灌干扰结果及其强度分布特征 图9A （见第1488页）为草地灌丛干扰的检测结果,可以发现在2007年到2016年期间,草灌干扰频发于青海省、西藏自治区、四川省、贵州省和云南省的部分地区且规模较大。其中,在2011年和2013年,青藏高原地区两次受到极为强烈的干扰,整个研究区的草灌干扰面积分别达到83696 km
2 和99491 km
2 ;此外,在2015年和2016年,青海省（研究区内）和西藏自治区（研究区内）的部分地区也发生较为强烈的干扰事件,当年草灌干扰面积分别达到53679 km
2 和43771 km
2 。
图9 新窗口打开 |
下载原图ZIP |
生成PPT 图92007—2016年研究区草地灌丛干扰分布及草灌干扰强度 注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS(2016)1550号）绘制,底图无修改。
Fig. 9Distributions of grassland and shrub disturbances and the levels of grassland and shrub disturbance intensity in the study area from 2007 to 2016 同样地,本文明晰了西南地区草灌干扰强度的分布情况（
图9B ,见第1488页）。其中,中度及重度草灌干扰区面积占到西南地区总面积的5.11%,主要包括青海省（研究区内）、四川省的西部和西北部以及西藏自治区（研究区内）的中部和东部的部分区域;而云南东南部、西藏（研究区内）的南部和西北部、贵州西南和东北部、重庆东南部以及广西的东北和西北部则为轻度草灌干扰区,约占西南地区总面积的9.60%。
5 讨论 5.1 生态系统干扰检测 传统意义上的生态系统干扰信息获取渠道一般依赖于文献记载、实地考察、土地利用以及道路建设等时效性和精度相对较差的数据,而且所耗人力物力较大。遥感技术的发展极大克服了这一难题,目前各类遥感影像已广泛用于大尺度生态系统干扰研究当中。Landsat影像具有较高的空间分辨率,在干扰检测方面得到有效应用,如Wilson 等使用Landsat影像,从森林冠层含水量入手,极大提升了森林干扰检测的精度
[36 ] ;Gaveau等基于Landsat影像,利用回归统计的方法对森林砍伐干扰进行精准地预测分析
[37 ] ;Healey等同样使用Landsat影像数据,针对某些生产率较低的森林植被,以穗帽变换的方法得出对低生产率森林更有效的干扰指数
[38 ] 。然而,由于Landsat影像时间分辨率较低,难以有效判识长时间序列干扰的分布特征。与之相比,本次研究基于高时间分辨率的MODIS影像数据,获得了覆盖整个研究区域的时效性更高的多年森林干扰和草地灌丛干扰的分布及强度状况。据此,本文所提取的干扰相关信息可以为西南地区人类活动对气候变化的响应、碳循环、防灾减灾和区域生态系统保护规划等提供有效的参考。
就森林干扰检测而言,Mildrexler等和Tao等采用类似的干扰指数,即耦合地表温度和植被指数来提取森林干扰,其原理是当森林区域未受干扰时,干扰指数保持稳定并伴有轻微波动;而当森林干扰事件发生时,干扰指数会突然增大
[22 , 39 ] 。本文所用干扰指数原理与其基本一致,对干旱、火灾等干扰事件均有良好的检测效果。
草地灌丛生态系统在整个陆地表面分布极广,其受干旱干扰事件的影响极强,尤其高原地区的草甸更为脆弱,极易受到各类干扰的不良影响
[40 ] 。为了探究研究区内草地灌丛干扰的驱动因子,本文以干旱干扰为例,引入了温度植被干旱指数和月降水数据进行对比分析,结果发现气象干旱干扰对青海省（研究区内）内草地灌丛生态系统的不良影响极为严重。
5.2 森林和草灌干扰的时空分布 森林是最重要的陆地生态系统之一,相应地,森林干扰也是陆地生态系统干扰中最具代表性的一类。相比森林而言,草地灌丛在地球陆面上分布范围更广,尤其在高海拔地区,耐旱的草地灌丛是主要的地表植被类型。对于本文所涉及的中国西南地区而言,研究时段内年均草灌干扰面积几乎是年均森林干扰面积的3倍多,这与西南地区植被类型的空间分布基本一致
[21 ] ,结合该区域多样的气候与地形因素可发现,在中国西南地区开展陆地生态系统干扰相关研究极具代表性。
长时间序列的MODIS遥感数据可有效用于大尺度的连续干扰信息监测研究
[22 ,39 ,41 -47 ] 。本文基于MODIS数据产品中的地表温度和增强型植被指数产品,利用干扰指数,检测到比较精确的长时间序列的中国西南地区森林和草地灌丛干扰结果。干扰检测结果通过与Google Earth影像、新闻记录和政府数据等进行对比均达到预期效果,与类似研究
[22 ,39 ] 相当。值得注意的是,本文明晰了中国西南地区森林和草地灌丛干扰的时空分异特征,而其他相关研究
[15 ,18 ,38 ,39 ,43 ,48 ,49 ] 多着力于森林干扰的相关信息,而对于利用干扰指数提取草地灌丛干扰格局关注较少。
根据本文对2007—2016年期间西南地区森林干扰时空分布特征的描述可知,川西高原为森林干扰强度最大的地区。根据张思等研究发现,川西高原地区森林资源极为丰富,极易发生森林大火,主要原因有两点：一是该区域纬度低、高温少雨且落叶易堆积发酵,具备天然的“易燃体质”;二是该区域地势险峻、人迹罕至,火灾发生后蔓延迅速,难以及时有效控制
[50 ] 。因此,通过与本文森林干扰分布特征对比可知,火灾可能是川西高原地区主要的森林干扰驱动因素之一。对于整个西南地区而言,除火灾之外,常见的森林砍伐、土地利用开发、地质灾害和病虫害等也可能是森林干扰的其他驱动因素。
草地灌丛干扰在中国西南地区干扰检测结果中所占面积占比最高。其中,草灌干扰强度最大的地区为青海（研究区内）和西藏（研究区内）的高原牧区,根据高懋芳等所述,干旱在青藏高原发生的频率极高,影响范围极广,尤其是青海省的高原农牧区的旱灾风险常年居高不下
[40 ] ,这一研究结果与本文所描述的草灌干扰的时空分布情况基本一致。此外,高原牧区因其地势高、空气稀薄、太阳辐射强且降水稀少而多发气象干旱,这就说明至少干旱是西南地区草地灌丛干扰的一个重要驱动因素。除干旱以外,近年来不断增强的人类活动与开发等也可能是研究区草地灌丛干扰的驱动条件
[20 ] 。值得注意的是,近十年来高原牧区草灌干扰情势极为严峻,可能与全球气候变化密切相关,望引起相关领域专家****的高度重视。
5.3 不确定性 本文所用栅格数据的空间分辨率均统一为1 km×1 km,故当生态系统干扰事件发生在波及范围较小的亚像元尺度时,干扰指数及其年变化率无法保证可以有效检测到干扰像元。因此,如何融合高时间分辨率（如MODIS、AVHRR影像等）和中高空间分辨率（如Landsat、SPOT影像等）的遥感影像数据,结合不同类型遥感数据的优势,从而更为详尽地描述生态系统干扰的时间和空间特征是当前引起广泛关注的问题
[51 ] 。
本文尽管提取了中国西南地区森林干扰和草地灌丛干扰的时空分布特征,但缺乏准确的精度核验过程。相比于类似的干扰研究验证方式,如Mildrexler等选择政府提供的北美地区有详细记录的火灾、飓风和砍伐等干扰事件的影响范围矢量验证干扰提取的精度
[22 ] ;Tao等利用大兴安岭地区两场森林大火位置记录数据验证其森林火灾提取结果
[39 ] ;尤慧等将加拿大萨斯喀彻温省火干扰提取结果与该省林业局所提供的的火灾位置及过火面积记录数据进行对比验证
[52 ] 。本次研究并未搜集到详细的地面干扰历史观测记录数据,故本文通过文献记录、新闻报道和Google Earth高清影像寻找确定的干扰事件,并选取典型案例对森林干扰和草灌干扰提取结果进行验证。由于验证数据集的缺乏,本文对西南地区森林干扰和草地灌丛干扰的具体类型无法完全判别,存在一定的不确定性,故只能根据搜集到的资料对区域内的干扰驱动因素做出部分解释。
6 结论 本文基于2005—2016年的MODIS时序数据,计算生态系统干扰指数来提取生态系统干扰信息,并通过地表分类不同分别获取森林干扰和草地灌丛干扰信息,之后根据其时空分异特征分别得到森林和草灌生态系统干扰的强度分布格局。主要结论如下：① MGDI可有效提取森林和草地灌丛生态系统干扰;② 森林与草地灌丛生态系统干扰面积约占研究区每年总干扰面积的90%,可作为该区域生态系统干扰信息的典型代表;③ 川西高原因地形和气候特殊,森林干扰强度最大,可能的驱动因素为森林火灾;草地灌丛干扰强度最大的区域为青藏高原上的牧区,可能的驱动因素为气象干旱。
致谢 由衷感谢二位评审专家能抽出宝贵时间,对论文验证、理论说服力等方面提出切实有效的修改意见,这也使得本文质量获得极大提高。
[1] Tilman D The American Naturalist , 1985 ,125(6 ):827 -852 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1086/284382 . URL [本文引用: 1] [2] Potter C Tan P N Kumar V et al . Recent history of large-scale ecosystem disturbances in North America derived from the AVHRR satellite recordEcosystems , 2005 ,8(7 ):808 -824 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s10021-005-0041-6 . URL [本文引用: 1] [3] Potter C Tan P N Steinbach M et al . Major disturbance events in terrestrial ecosystems detected using global satellite data setsGlobal Change Biology , 2003 ,9(7 ):1005 -1021 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1046/j.1365-2486.2003.00648.x . URL [本文引用: 2] [4] Dale V H Brown S Haeuber R A et al . Ecological principles and guidelines for managing the use of landEcological Applications , 2000 ,10(3 ):639 -670 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1890/1051-0761(2000)010[0639:%20EPAGFM]2.0.CO;2 . URL [本文引用: 1] [5] Reice S R American Scientist , 1994 ,82(5 ):424 -435 . [本文引用: 1] [6] Turner M G Dale V H Everham E H BioScience , 1997 ,47(11 ):758 -768 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.2307/1313098 . URL [本文引用: 1] [7] Canadell J G Mooney H A Baldocchi D et al . Carbon metabolism of the terrestrial biosphere: A multitechnique approach for improved understandingEcosystems , 2000 ,3(2 ):115 -130 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s100210000014 . URL [本文引用: 1] [8] Potter C S BioScience , 1999 ,49(10 ):769 -778 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.2307/1313568 . URL [本文引用: 1] [9] Schimel D House J I Hibbard K A et al . Recent patterns and mechanisms of carbon exchange by terrestrial ecosystemsNature , 2001 ,414(6860 ):169 -172 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1038/35102500 . URL [本文引用: 1] [10] Wu R D Long Y C Malanson G P et al . Optimized spatial priorities for biodiversity conservation in China: A systematic conservation planning perspectivePLoS One , 2014 ,9(7 ):e103783 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1371/journal.pone.0103783 . URL [本文引用: 2] [11] 刘世梁 , 刘芦萌 , 武雪 , 等 . 区域生态效应研究中人类活动强度定量化评价生态学报 , 2018 ,38(19 ):6797 -6809 . [本文引用: 1] [ Liu Shiliang Liu Lumeng Wu Xue et al . Quantitative evaluation of human activity intensity on the regional ecological impact studiesActa Ecologica Sinica . 2018 ,38(19 ):6797 -6809 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5846/stxb201711172048 . URL [本文引用: 1] [12] 曾素平 , 刘发林 , 赵梅芳 , 等 . 火干扰强度对亚热带四种森林类型土壤理化性质的影响生态学报 , 2020 ,40(1 ):233 -246 . [本文引用: 1] [ Zeng Suping Liu Falin Zhao Meifang et al . Effects of fire disturbance intensities on soil physiochemical properties of pour subtropical forest typesActa Ecologica Sinica , 2020 ,40(1 ):233 -246 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.5846/stxb201812052665 . URL [本文引用: 1] [13] 陈忠 , 林成芳 , 张星星 , 等 . 干扰强度对亚热带米槠人促更新林土壤呼吸及其组分的影响应用生态学报 , 2017 ,28(1 ):19 -27 . [本文引用: 1] [ Chen Zhong Lin Chengfang Zhang Xingxing et al . Effects of interference intensity on soil respiration and its components in Castanopsis carlesii forest with artificially assisted regeneration in subtropical ChinaChinese Journal of Applied Ecology , 2017 ,28(1 ):19 -27 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.13287/j.1001-9332.201701.031 . URL [本文引用: 1] [14] Prieto-Blanco A Disney M Lewis P et al . Satellite monitoring of disturbances in Arctic ecosystemsBeijing: IEEE International Geoscience and Remote Sensing Symposium , 2009 : 585 -588 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1109/IGARSS.2009.5417825 . URL [本文引用: 2] [15] Gitas I Z Mitri G H Ventura G Remote Sensing of Environment , 2004 ,92(3 ):409 -413 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2004.06.006 . DOI:
http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2004.06.006 URL [本文引用: 3] [16] Duro D C Coops N C Wulder M A et al . Development of a large area biodiversity monitoring system driven by remote sensingProgress in Physical Geography , 2007 ,31(3 ):235 -260 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1177/0309133307079054 . URL [本文引用: 1] [17] Williams C A Gu H Maclean R et al . Disturbance and the carbon balance of US forests: A quantitative review of impacts from harvests, fires, insects, and droughtsGlobal and Planetary Change , 2016 ,143(1 ):66 -80 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.gloplacha.2016.06.002 . URL [本文引用: 2] [18] Wang J Wang J D Zhou H M et al . Detecting forest disturbance in Northeast China from GLASS LAI time series data using a dynamic modelRemote Sensing , 2017 ,9(12 ):1293 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3390/rs9121293 . URL [本文引用: 2] [19] 朱建佳 , 戴尔阜 , 郑度 , 等 . 采伐影响下人工林木材生产与固碳功能权衡特征: 以湖南会同森林生态实验站为例地理学报 , 2018 ,73(1 ):152 -163 . [本文引用: 1] [ Zhu Jianjia Dai Erfu Zheng Du et al . Characteristic of tradeoffs between timber production and carbon storage for plantation under harvesting impact: A case study of Huitong National Research Station of ForestActa Geographica Sinica . 2018 ,73(1 ):152 -163 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11821/dlxb201801013 . URL [本文引用: 1] [20] 吴伟 . 基于MODIS数据的生态系统干扰时空分异特征昆明: 云南大学硕士学位论文 , 2019 . [本文引用: 3] [ Wu Wei Kunming: Master Dissertation Yunnan University , 2019 .] [本文引用: 3] [21] Zhao H W Wu R D Long Y C et al . Individual-level performance of nature reserves in forest protection and the effects of management level and establishment ageBiological Conservation , 2019 ,233(1 ):23 -30 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.biocon.2019 . URL [本文引用: 2] 024 . [本文引用: 2] [22] Mildrexler D J Zhao M S Running S W Remote Sensing of Environment , 2009 ,113(10 ):2103 -2117 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2009.05.016 . URL [本文引用: 9] [23] Wang J J Wu R D He D M et al . Spatial relationship between climatic diversity and biodiversity conservation valueConservation Biology , 2018 ,32(6 ):1266 -1277 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1111/cobi.13147 . URL [本文引用: 1] [24] Ye J X Wu M S Deng Z J et al . Modeling the spatial patterns of human wildfire ignition in Yunnan province, ChinaApplied Geography , 2017 ,89:150 -162 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.apgeog.2017.09.012 . URL [本文引用: 3] [25] Friedl M A Davis F W Remote Sensing of Environment , 1994 ,48(1 ):1 -17 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/0034-4257(94)90109-0 . URL [本文引用: 2] [26] Wan Z Zhang Y Zhang Q et al . Quality assessment and validation of the MODIS global land surface temperatureInternational Journal of Remote Sensing , 2004 ,25(1 ):261 -274 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/0143116031000116417 . URL [本文引用: 2] [27] Goward S N Cruickshanks G D Hope A S Remote Sensing of Environment , 1985 ,18(2 ):137 -146 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/0034-4257(85)90044-6 . URL [本文引用: 1] [28] Nemani R R Running S W Journal of Applied meteorology , 1989 ,28(4 ):276 -284 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1175/1520-0450(1989)028%3C0276:EORSRT%20%3E2.0.CO ;2. URL [本文引用: 2] [29] Borak J S Lambin E F Strahler A H International Journal of Remote Sensing , 2000 ,21(6-7 ):1415 -1432 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/014311600210245 . URL [本文引用: 1] [30] Lambin E F Ehrlich D International Journal of Remote Sensing , 1996 ,17(3 ):463 -487 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/01431169608949021 . URL [本文引用: 2] [31] 杨辉 , 宋洁 , 晏红明 , 等 . 2009/2010 年冬季云南严重干旱的原因分析气候与环境研究 , 2012 ,17(3 ):315 -326 . [本文引用: 2] [ Yang Hui Song Jie Yan Hongming et al . Cause of the severe drought in Yunnan province during winter of 2009 to 2010Climate and Environmental Research , 2012 ,17(3 ):315 -326 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3878/j.issn.1006-9585.2011.10134 . URL [本文引用: 2] [32] 张润琼 , 陈静 , 周圣 . 2009-2010年贵州省特大气象干旱演变分析南方农业 , 2013 (10 ):31 -34 . [本文引用: 2] [ Zhang Runqiong Chen Jing Zhou Sheng South China Agriculture , 2013 (10 ):31 -34 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1673-890X.2013.10.013 . URL [本文引用: 2] [33] Sandholt I Rasmussen K Andersen J Remote Sensing of Environment , 2002 ,79(2-3 ):213 -224 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/S0034-4257(01)00274-7 . URL [本文引用: 1] [34] Wang C Y Qi S H Niu Z et al . Evaluating soil moisture status in China using the temperature-vegetation dryness index (TVDI)Canadian Journal of Remote Sensing , 2004 ,30(5 ):671 -679 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3321/j.issn:%201007-4619.2003.05.013 . URL [本文引用: 1] [35] Zhang X F Zhao J P Sun Q et al . Soil moisture retrieval from AMSR-E data in Xinjiang (China): Models and validationIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2011 ,4(1 ):117 -127 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1109/JSTARS.2010.2076336 . URL [本文引用: 1] [36] Wilson E H Sader S A Remote Sensing of Environment , 2002 ,80(3 ):385 -396 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/S0034-4257(01)00318-2 . URL [本文引用: 1] [37] Gaveau D Epting J Lyne O et al . Evaluating whether protected areas reduce tropical deforestation in SumatraJournal of Biogeography , 2009 ,36(11 ):2165 -2175 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1111/j.1365-2699.2009.02147.x . URL [本文引用: 1] [38] Healey S P Cohen W B Yang Z Q et al . Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detectionRemote Sensing of Environment , 2005 ,97(3 ):301 -310 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2005.05.009 . URL [本文引用: 2] [39] Tao J Zhang Y J Yuan X Y et al . Analysis of forest fires in Northeast China from 2003 to 2011International Journal of Remote Sensing , 2013 ,34(22 ):8235 -8251 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1080/01431161.2013.837229 . URL [本文引用: 5] [40] 高懋芳 , 邱建军 . 青藏高原主要自然灾害特点及分布规律研究干旱区资源与环境 , 2011 ,25(8 ):101 -106 . [本文引用: 2] [ Gao Maofang Qiu Jianjun Journal of Arid Land Resources and Environment , 2011 ,25(8 ):101 -106 .] DOI: cnki:SUN:GHZH.0.2011-08-019 . URL [本文引用: 2] [41] Arslan M Zahid R Ghauri B Beijing: IEEE International Geoscience and Remote Sensing Symposium , 2016 : 4233 -4236 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1109/IGARSS.2016.7730103 . URL [本文引用: 1] [42] Badreldin N Goossens R Mitigation and Adaptation Strategies for Global Change , 2015 ,20(2 ):263 -276 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1007/s11027-013-9490-y . URL [43] Bucha T Stibig H Remote Sensing of Environment , 2008 ,112(5 ):2416 -2429 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2007.11.008 . URL [本文引用: 1] [44] Mildrexler D J Zhao M S Heinsch F A et al . A new satellite-based methodology for continental-scale disturbance detectionEcological Applications , 2007 ,17(1 ):235 -250 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1890/1051-0761(2007)017 [0235: ANSMFC]2.0.CO;2. URL [45] 孙芳蒂 , 马荣华 . 鄱阳湖水文特征动态变化遥感监测地理学报 , 2020 ,75(3 ):544 -557 . [ Sun Fangdi Ma Ronghua Acta Geographica Sinica , 2020 ,75(3 ):544 -557 .] DOI: cnki:%20SUN:%20DLXB.0.2020-03-009 . URL [46] 孙锐 , 陈少辉 , 苏红波 . 黄土高原不同生态类型NDVI时空变化及其对气候变化响应地理研究 , 2020 ,39(5 ):1200 -1214 . [ Sun Rui Chen Shaohui Su Hongbo Geographical Research , 2020 ,39(5 ):1200 -1214 .] DOI: cnki:%20SUN:DLYJ.0.2020-05-015 . URL [47] 贺敏 , 宋立生 , 王展鹏 , 等 . 基于多源数据的干旱监测指数对比研究: 以西南地区为例自然资源学报 , 2018 ,33(7 ):1257 -1269 . [本文引用: 1] [ He Min Song Lisheng Wang Zhanpeng et al . Evaluation of drought monitoring indices based on multi-source data in Southwest ChinaJournal of Natural Resources , 2018 ,33(7 ):1257 -1269 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.31497/zrzyxb.20170526 . URL [本文引用: 1] [48] Hansen M C Stehman S V Potapov P V et al . Humid tropical forest clearing from 2000 to 2005 quantified by using multitemporal and multiresolution remotely sensed dataProceedings of the National Academy of Sciences , 2008 ,105(27 ):9439 -9444 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1073/pnas.0804042105 . URL [本文引用: 1] [49] Jin S M Sader S A Remote Sensing of Environment , 2005 ,99(4 ):462 -470 . DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.1016/j.rse.2005.09.017 . URL [本文引用: 1] [50] 张思 , 刘志红 , 冯文兰 , 等 . 基于MODISL1B数据的川西高原森林火灾监测阈值研究高原山地气象研究 , 2015 ,35(2 ):52 -58 . [本文引用: 1] [ Zhang Si Liu Zhihong Feng Wenlan et al . Research of forest fire monitoring threshold value based on MODISL1B dataPlateau and Mountain Meteorology Research , 2015 ,35(2 ):52 -58 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3969/j.issn.1674-2184.20 URL [本文引用: 1] 02. 009 . [本文引用: 1] [51] 吴伟 , 武瑞东 . 利用卫星遥感数据提取生态干扰信息的方法研究科研信息化技术与应用 , 2017 ,8(3 ):37 -43 . [本文引用: 1] [ Wu Wei Wu Ruidong E-science Technology & Application , 2017 ,8(3 ):37 -43 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.11871/j.issn.1674-9480.2017.01.005 . URL [本文引用: 1] [52] 尤慧 , 刘荣高 , 祝善友 , 等 . 加拿大北方森林火烧迹地遥感分析地球信息科学学报 , 2013 ,15(4 ):597 -603 . [本文引用: 1] [ You Hui Liu Ronggao Zhu Shanyou et al . Burned area detection in the Canadian Boreal Forest using MODIS imageryJournal of Geo-information Science , 2013 ,15(4 ):597 -603 .] DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/10.3724/SP.J.1047.2013.00597 . URL [本文引用: 1] 
,1,2,3, 杨飞龄1,2, 王军军1,2, 刁奕欣1,2,4, 郭洋1,2, 武瑞东
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
新窗口打开|下载原图ZIP|生成PPT
