快速城镇化地区生态环境质量时空格局演变及对土地利用变化响应——以廊坊市北三县为例

对生态环境质量时空格局及其对土地利用变化的响应进行研究可为区域制定生态保护修复政策提供参考。通过构建遥感生态指数,对廊坊市北三县2000-2020年生态环境质量分布格局分析评价,利用地理加权回归模型探索生态环境质量变化对土地利用变化的响应。结果表明,北三县2000-2020年生态环境质量等级以“良”和“一般”为主,整体呈下降趋势,等级“较差”面积呈快速增长趋势。建设用地变化、土地利用强度变化和生态环境质量变化呈负相关关系,回归系数在空间上呈现较大的异质性;生态用地变化与生态环境质量变化呈正相关关系,回归系数在空间上异质性不强。城镇快速扩张的区域生态环境质量变化对建设用地变化和土地利用强度变化响应最显著。大量耕地向建设用地转变是区域生态环境变化的最主要影响因素,在国土空间规划中应划定城市边界,严格控制建设用地规模,提高集约节约利用水平,确保区域可持续发展。

基于无人机低空遥感数据的时序动态生物量计算研究

为解决林分自然生长和人工剪伐修枝引起的单木特征参数变化所造成的生物量变化问题,采用地基激光雷达数据(TLS)和无人机激光雷达数据(UAV-LS)为数据源,通过单木分割的方法,以地基激光雷达数据提供的高精度数字高程模型为基础,提升无人机激光雷达数据的单木召回率;基于无人机激光雷达数据进行单木树高的提取及一致性评定,通过优化的生物量模型,利用树高参数计算2022年和2023年各树种单木生物量。结果表明,联合地面激光雷达数据可以将无人机激光雷达数据的单木召回率从60.0%提升至73.1%;对2022年、2023年树高参数提取得到近两年树木自然生长、修剪状况;对树高一致性评定得到一致性相关系数(Concordance correlation coefficient,CCC)为0.98,均方根误差(RMSE)为1.12 m;对生物量计算得到近两年各树种单木生物量、林分生物量,2022年、2023年单位面积生物量分别为77.39、81.56 t/hm^(2)。研究证实在研究区通过无人机低空遥感数据获取树高时序动态计算各树种单木生物量可行,可以掌握林分自然生长和人工修剪引起的生物量变化。

近40 a闽江流域森林景观格局动态变化

以1986年、2003年、2021年3期Landsat遥感影像数据和森林资源连续清查数据等为基础数据,从景观要素斑块特征、景观要素空间构型与景观异质性3个方面构建景观格局指数,分析闽江流域森林景观格局的动态变化及影响因素。结果表明:2021年,有林地面积占闽江流域林地面积的68.28%,是流域景观的基质类型;1986—2003年,有林地面积增加了349134.5 hm^(2);2003—2021年,有林地面积增加了392508.77 hm^(2)。有林地景观要素边缘密度、内缘比增大,平均形状指数与分维数均减小,斑块边界趋于光滑、简单、有规则。流域斑块总数减小,总周长与斑块平均面积增大,景观破碎化降低,分布趋于聚集。在景观异质性方面,优势度指数与香农多样性指数增大,均匀度指数减小,说明优势景观有林地对整个流域景观的控制作用增大,景观稳定性增强,异质性降低。综上可知,闽江流域森林景观边缘效应增加,破碎度降低,景观生态功能增强,生态环境质量提升。

黑木相思家系适地适树品种综合评价

[目的]为选出适宜南方山地的黑木相思家系,揭示黑木相思长势土壤养分的空间分异规律与地形变化的关系。[方法]本文以杉木采伐迹地上营造的15年生7个黑木相思家系(M1~M7)为研究对象,采用经典统计学、描述性统计、地统计学方法和GIS技术,研究了7个黑木相思家系分别在不同坡位的土壤理化性质的变化规律和土壤养分的空间分布,并通过因子分析法和模糊评价法对7个黑木相思家系进行综合评价选优。[结果]7个黑木相思家系的理化性质在不同坡位的含量大多表现为下坡位>中坡位>上坡位,下坡位显著高于其他坡位;家系间土壤结构和养分含量均表现出M7、M6和M5较好;研究区各养分含量总体呈块状或条带状分布,呈现从东北和西北方向往南方向递增的趋势。[结论]综合评价值在上下坡位黑木相思家系M7值最高,其生长对土壤理化性质的改良效果最佳,在中坡位黑木相思家系M6最佳。研究结果对南方山地适地适品种和可持续发展研究具有参考价值,可用于黑木相思人工林经营管理实践中。

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】(1)使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;(3)地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可以作为光谱特征的有效辅助特征变量提高分类精度,使林分类型识别更为准确,尤其是时间序列特征在提高林分类型识别精度上有突出作用。

浙江省松阳县亚热带森林干扰与恢复遥感监测

【目的】浙江省松阳县森林资源丰富,碳汇潜力大,是百山祖国家公园三级联动区,因此监测松阳县森林干扰与恢复,对松阳区域森林管理和百山祖国家公园生态环境保护具有重要意义。【方法】采用谷歌地球引擎(GEE)云平台的LandTrendr算法,并结合1987—2020年Landsat卫星遥感时间序列数据,监测浙江省松阳县1987—2020年森林干扰与恢复状况,分析森林干扰与恢复的时空特征。【结果】①LandTrendr算法监测森林干扰与恢复的总体精度达到82%,森林干扰与恢复的生产精度、用户精度均高于80%,表明松阳县森林干扰与恢复监测效果较好。②松阳县森林干扰与恢复总面积分别达148.14与236.86 km^(2),分别占林地面积的12.74%和20.37%,表明松阳县1987—2020年森林面积呈净增加趋势。③松阳县大东坝镇、板桥畲族乡、新兴镇、玉岩镇森林变化较为频繁,森林干扰与恢复面积均比其他乡(镇)高,尤其是大东坝镇森林面积变化最大,增加了20.04 km^(2)。【结论】基于GEE云平台的LandTrendr算法实现了松阳县森林干扰精准监测。近30 a松阳县森林面积总体呈增加趋势。

南方典型红壤侵蚀区马尾松林立木生物量无人机遥感估测

以南方典型红壤侵蚀区长汀县河田镇为例,结合无人机与激光雷达产生的点云数据优势,通过局部最大值和分水岭算法反演单木树高(H)和冠层半径(R_(c)),拟合以H和R_(c)为变量组合的异速生长方程,得到以新冠层参数为底的马尾松立木生物量模型。结果表明:提取树高的决定系数(R^(2))和均方根误差(RMSE)分别为0.93和0.49 m;计算冠层半径的R2和RMSE分别为0.88和0.64 m;估算立木生物量的R^(2)和RMSE分别为0.89和3.37 kg。本研究通过无人机遥感影像定量参数并构建的异速生长方程中,以组合(H+R_(c))为底的异速生长方程估测马尾松林立木生物量的精度较高,可以有效估测马尾松林立木生物量,可为南方典型红壤侵蚀区马尾松林立木生物量准确估测提供参考。

应用UAVSAR数据及改进极化水云模型对热带森林地上生物量反演

针对热带森林地上生物量遥感估测中容易饱和区域大尺度森林地上生物量估测精度低的问题,以非洲加蓬中部的洛佩达国家公园为研究区,以NASA提供的L波段全极化机载合成孔径雷达(SAR)数据和LiDAR网格化森林地上生物量产品为数据源开展森林生物量估测方法研究。采用极化分解方法提取森林的多种散射机制,从中选择反映森林结构差异的地面散射特征和森林体散射的特征构建体-地散射比,采用极化水云模型(PWCM)进行森林地上生物量反演和精度评价。为了提高PWCM模型的适应性,建模过程中根据体散射分量(V_(ol))分段进行模型的参数优化。结果表明:以Freeman三分量极化分解后得到的体散射(V_(ol))、表面散射(O_(dd))、地-干散射(D_(bl))为基础构建的6个体-地散射比在极化水云模型估算森林地上生物量中,以μ_(VG2)作为体-地散射比时估测效果最好,模型决定系数(R^(2))为0.60,均方根误差(R_(MSE))为127.78 Mg/hm^(2);在此基础上,进一步根据体散射分量分段优化极化水云模型,模型决定系数(R^(2))增加到0.74,均方根误差(R_(MSE))降低了约20%,预测精度从50.76%提升至60.28%,并改善了低值高估、高值低估问题,在地上生物量高达450 Mg/hm^(2)时未出现饱和现象。

联合微波与光学时间序列影像的马尾松林松材线虫病遥感识别

【目的】大范围准确监测林区松材线虫病感染情况对森林疫情防治和经营管理具有重要作用。现有研究往往采用单时相或少量时相数据,松材线虫病遥感监测易受森林背景和非寄主树木影响,导致监测精度存在较大的不确定性。此外,单一数据源往往对病害特征刻画不足,例如被动光学数据侧重描述森林冠层水平结构信息,但易受云雨影响造成数据缺失,而主动微波数据对森林垂直结构和水分含量敏感,但存在噪声高、色素敏感性低以及地形影响大等问题。因此,联合主动微波与被动光学时间序列遥感影像数据,有望在降低环境因素影响的同时追踪同一林分的时序变化特征,进而提升松材线虫病探测的准确性与鲁棒性。【方法】利用厘米级分辨率无人机影像标记样本,联合Sentinel-1 C波段微波和Sentinel-2光学时间序列数据,构建基于极端梯度提升算法的松材线虫病害监测模型。分别评估微波模型、光学模型和微波与光学联合模型在松材线虫病监测方面的性能,以及最优模型在不同环境因子下的表现。【结果】(1)联合了微波和光学的模型精度(总体精度为80.62%,Kappa系数为0.61)略高于单一光学模型的精度(总体精度为79.58%,Kappa系数为0.59),并明显高于单一微波模型的精度(总体精度为68.87%,Kappa系数为0.36),说明了微波与光学时间序列联合数据在松材线虫病害监测中具有优势;(2)模型通常在缓坡、阳坡、低海拔、高覆盖度条件下展现出更高精度。【结论】本研究充分利用多源遥感卫星数据,为松材线虫病大范围准确监测提供了新的技术支撑。

基于Sentinel-2遥感影像的崇礼区地上生物量反演

【目的】以Sentinel-2遥感影像数据为基础,结合森林实测样地数据,以崇礼区森林地上生物量反演为例提出反演新思路。【方法】基于2021年7月河北省崇礼区Sentinel-2遥感影像数据、2021年6—8月的71块崇礼区森林样地实测数据,利用实测数据中的胸径、树高,根据河北省森林生物量计算公式计算各样地实测生物量,通过SNAP、ENVI等软件对遥感数据进行重采样、裁剪等预处理,提取影像原始波段,并计算植被指数、纹理因子、缨帽指数等遥感因子,对遥感因子进行皮尔逊相关性分析筛选,并以匹配最佳纹理窗口大小优化纹理因子的选择,分别采用多元线性回归、BP神经网络以及随机森林3种算法进行崇礼区AGB建模,利用R2以及RMSE评价其模型精度,并选取最优模型进行生物量反演并绘制生物量空间分布图。【结果】1)在遥感因子选择中,除了常规的绿波段、红波段和2个植被红边波段与植被指数DVI、SAVI、EVI,纹理因子的均值和缨帽指数的亮度与绿度在生物量反演模型的建立中也起到了重要的作用,且纹理因子窗口大小的选择也会对最终模型的精度造成影响;2)3种模型的精度均满足反演生物量的要求,以随机森林模型效果最好、多元线性回归模型次之、BP神经网络模型精度最低,但经过十则交叉验证法的BP模型精度有所提升,最优的随机森林模型R2达到了0.843;3)经过最优模型的反演,崇礼区AGB分布主要在50~200 mg·hm^(-2),集中在西部环山地带,存在明显的空间异质性。【结论】利用Sentinel-2遥感影像反演森林生物量具有较高的精度,随着植被指数、缨帽指数、纹理因子的加入,模型效果呈递增趋势,并且纹理因子的窗口大小选择在森林生物量遥感反演中有着重要的影响。

一种基于地面特征与树木位置关系的无人机和地基LiDAR点云配准方法

【目的】无人机激光雷达与地基激光雷达的工作方式不同,导致无人机点云缺乏林内信息,地基点云缺乏林冠信息,单一平台的LiDAR点云难以完整描述森林三维垂直结构,将这两者点云融合有利于消除各自的扫描盲区,估测更为准确的森林结构参数。基于此,提出了一种基于地面特征与树木位置关系的无标识自动化配准方法。【方法】选取哈尔滨城市林业示范基地内的蒙古栎和樟子松作为研究对象,采用大疆禅思L1激光雷达设备与FARO Focus3D X330三维激光扫描仪分别获取样地内的无人机和地基LiDAR点云。首先,利用改进的渐进式加密三角网滤波算法分别从无人机点云和地基点云中提取地面点云,基于两者相似的快速点特征直方图(FPFH)特征,使用随机采样一致性算法得到初始配准参数,完成初始配准。然后,从初始配准后的无人机点云和地基点云中提取相同高度处的树干点云的水平投影位置作为配准基元,分别构建不规则三角网,并基于三角形的角度相似性原理寻找同名三角形对。最后,使用奇异值分解法得到旋转平移参数,从而完成精细配准。【结果】蒙古栎样地内对应树木水平偏移距离的平均值为0.173 m,樟子松样地内对应树木水平偏移距离的平均值为0.283 m,2个样地的树木点云均取得了较高的配准精度。【结论】提出的点云配准方法有效实现了林区无人机点云数据和地基点云数据的配准,二者的融合可为快速完整地获取林木构型信息提供数据基础,从而推动多源激光雷达技术联合应用于林木三维重建和森林资源精细调查等方面。

基于深度学习的树木根系探地雷达多目标参数反演识别

【目的】使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。【方法】构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先,通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据,同时为了增加数据的多样性,使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据;然后,使用YOLOv5s目标检测网络识别并提取根系响应区域;接着引入频域变换,获取频域特征,并将根系雷达图像的时域特征和频域特征融合;最后,利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征,并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。【结果】(1)仿真试验中,根系半径估计的最大误差是4.3 mm,R^(2)为0.980,均方根误差为1.32,深度估计的最大误差是35.1 mm,R^(2)为0.962,均方根误差为17.68,相对介电常数估计的最大误差是3.1,R^(2)为0.960,均方根误差为1.10,水平倾角估计的最大误差是10.2°,R^(2)为0.821,均方根误差是4.96。(2)在实测数据上对根系半径估计的平均相对误差是9.112%,深度估计的平均相对误差是5.772%,水平倾角估计的平均相对误差是11.25%。【结论】本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。

基于InVEST模型的黔中喀斯特地区建设用地扩张碳储量变化研究

选择典型生态脆弱区黔中典型喀斯特地区—普定县为研究对象,采用土地利用动态度和土地利用转移分析方法,应用InVEST模型测算2003-2020年的陆地生态系统碳储量及其空间分布格局,探讨建设用地扩张对碳储量变化的影响。结果表明:(1)2003-2020年建设用地面积一直保持增加趋势,扩张速率表现为减缓态势,空间变化在中南部区域最为显著,主要侵占旱地、水田和灌木林地。(2)普定县碳储量整体呈上升趋势,累计增加15.07×10^(5)t,主要因碳密度较高的灌木林地大幅挤占旱地。(3)建设用地变化致使碳储量损失了22.37×10^(4)t,以中南部中心城区碳储量下降最为明显。因此,建议研究区在城市扩张过程中优先考虑碳密度较低的未利用地,同时限制建设用地对旱地、水田以及灌木林地的占用,以减少建设用地扩张对区域碳储存能力的影响。

基于机器学习算法的森林生物量多源遥感估测

为进一步探索不同空间分辨率影像在10 m×10 m样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合3种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种),在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2_ME_9×9、GF2的GNDVI分别为3种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型决定系数(R2)为0.73,均方根误差(RMSE)为28.46 t·hm^(-2),集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A,sentinel 2A的估测性能优于Landsat 8 OLI。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

融合无人机和地基激光雷达点云数据估测单木结构参数

激光雷达(Light detection and ranging,LiDAR)作为一种主动遥感技术,能够通过发射激光能量并接收返回信息的方式获取森林空间结构信息,然而,单独使用时存在扫描盲区,无法获取完整的森林树木三维点云。为此,提出融合无人机和地基LiDAR点云估测单木结构参数的方法,采用地面特征和树木位置关系的配准方法实现点云融合,并在融合点云数据的基础上提出一种改进的K均值层次聚类分割算法完成单木分割,然后根据基于分割后的单木点云使用轴对齐包围盒算法以及最小二乘拟合圆法分别提取单木树高和胸径,最后通过生物量异速生长方程估测单木生物量。研究结果表明,蒙古栎样地的树高、胸径和单木生物量的决定系数(R^(2))分别为0.84、0.93和0.91,单木结构参数的均方根误差(RMSE)分别为0.75 m、0.96 cm和26.31 kg/株;樟子松样地的树高、胸径和单木生物量的R^(2)分别为0.92、0.96和0.95,相应的均方根误差分别为0.43 m、1.06 cm和26.12 kg/株。融合无人机和地基LiDAR点云为快速完整地获取林木构型信息提供可靠的数据基础,为联合多源激光雷达技术深入林业应用提供有力的技术支撑。

基于高时空分辨率数据的上栗县植被NPP估算及分析

针对目前植被净初级生产力(NPP)像素级的研究成果缺乏对地理空间细节的描述这一问题,借助中高分遥感影像,利用深度学习模型获取精确地类图斑,将栅格化结果作为改进的CASA模型的输入参数,最终估算得到上栗县不同植被类型的地块级NPP值。结果表明,1)相比于传统的只利用影像光谱特征提取的方法,深度学习技术获取的地类图斑更为准确。同时,在林地图斑的基础上,结合中分影像对林地类型进行判别,林地分类精度为91.3134%。说明中高分遥感影像结合,能够较好地在区县尺度上开展植被的精细分类。2)以CASA模型理论为基础,对模型中的最大光年利用率的取值进行修正。同时以地类图斑的栅格化结果作为模型的输入参数,剔除了建筑区、道路、裸地等无植被覆盖区对模型计算的影响,并对估算结果与其他模型估算结果进行比较与验证,证明了试验结果的准确性。3)实现了上栗县NPP结果在空间上的精细化表达,研究结果具备良好的空间细节特征,不仅满足了面积统计、定性分析等简单需求,还可为后续碳循环、碳源/汇等研究提供客观、定量化的数据支撑。

基于无人机多光谱的高山松地上生物量估测

以机载数据替代卫星影像的方式提高森林生物量估测精度,是目前林业遥感研究的重点领域。以高山松(Pinus densata)林为研究对象,进行无人机(Unmanned Aerial Vehicle,UAV)多光谱影像数据采集;结合36块样地实测数据,采用变异函数确定高山松地上生物量最佳观测窗口;提取并筛选出相关性较强的5个因子,分别建立PLS和RF模型,对飞行区高山松地上生物量进行估测。结果表明,高山松地上生物量最佳观测窗口为球状模型的变程α值5.2 m;RF模型(R^(2)=0.90、RMSE=17.96 t/hm^(2)、P=84.98%)优于PLS模型(R^(2)=0.55、RMSE=38.94 t/hm^(2)、P=71.13%);基于RF模型,飞行区高山松地上生物量均值为130.48 t/hm^(2),总生物量为8343.53 t。

环境因子与天然林蓄积量重要性关系

森林蓄积量的研究对了解森林生态系统、林分生产力、森林生物量具有重要意义,探究影响4种树种(组)林分蓄积量变化的因子,为后期建立天然林生长模型构建提供理论支撑。以福建省最新一次的森林资源连续清查中的天然马尾松、阔叶林树种(组)、针阔混交树种(组)、针叶混交树种(组)的蓄积量为研究对象,气象、地貌等环境因子为自变量,利用决策树回归、随机森林回归、adaboost回归、梯度提升树回归(GBDT)、CatBoost回归、ExtraTrees回归、XGBoost回归、LightGBM回归方法分析环境因子对4种天然林树种(组)蓄积量的影响情况开展探讨。结果表明:梯度提升树回归(GBDT)能较好地拟合各环境因子与4种树种(组)蓄积量的关系,4种树种(组)蓄积量R2均为0.999,MSE、RMSE、MAE、MAPE均在0.1范围内;林分年龄与蓄积量的密切关系,重要性达0.50以上;气象和地貌因子对4种树种(组)蓄积量的重要性存在差异,建议在具体建模过程中应进行剥离分析。

应用无人机可见光影像和面向对象的随机森林模型对城市树种分类

为及时准确的了解城市树种空间分布信息,提升城市居民生活水平和推动城市生态系统可持续发展。以福州市仓山区城市森林为研究对象,应用无人机(UAV)监测城市树种空间分布及其动态变化的可见光影像,根据最佳尺度对影像进行分割,并提取分割对象的光谱、地形、指数、纹理和几何特征。通过对不同类型特征的组合构建不同的分类方案,利用递归特征消除法(RFE)筛选出优选特征子集,利用面向对象方法结合随机森林(RF)模型对城市树种进行分类。结果表明:在随机森林模型分类的过程中,利用光谱特征对树种分类的总体分类精度为82.12%;地形特征对树种分类的贡献度率为14.96%;指数特征和纹理特征的引入,在一定程度提高了树种的分类精度;几何特征的贡献较小,在分类过程中没有明显的贡献。特征优选子集的S10方案分类精度最高,总体精度达92.42%,Kappa系数为0.91。说明特征优选能够降低高维度特征的复杂性,在大幅减少数据冗余的同时提高了分类精度。在最优特征子集下,随机森林(RF)算法分类的总体精度比极致梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和k最近邻算法(KNN)分别提高了1.15%、1.81%和15.15%,Kappa系数分别提高了1%、2%和17%。

2000—2020年福建省植被恢复对气候变化的响应

为了分析2000—2020年福建省植被恢复力和对气候变化的抵抗力的变化趋势,从多尺度研究植被恢复力的驱动因素及其响应机制。对MOD13Q1产品的增强型植被指数和气候指数建立多元线性回归模型,分析植被恢复力和抵抗力的变化趋势,通过地理探测器和多项逻辑回归模型从多尺度分析不同尺度下气候、地形和道路因素对植被恢复力的影响机制。结果表明:植被恢复力的变化趋势具有明显的空间异质性,增强趋势主要出现在北部地区,植被对降水量的抵抗力整体呈现减弱趋势,对潜在蒸散的抵抗力除北部呈减弱趋势外,其他各区域呈现增强趋势。地理探测器因子探测结果显示在多个尺度上植被恢复力与降水量、气温、地形(海拔和坡度)、不同等级道路核密度、人类活动等因素相关。多项逻辑回归结果表明20 a间气温、降水和坡度对植被恢复的正向影响加强,海拔、人口和国内生产总值对植被退化的正向影响逐渐减弱。2010—2020年,铁路核密度较高的区域对植被恢复的促进作用更弱,国省级道路核密度较高的区域对植被恢复的抑制作用更强。福建省植被整体呈现正向演替,植被对人类活动和地形因素的响应逐渐减弱,气象因素和道路因素对植被的影响更为明显。