朱 宁1,2,王 浩1,2,宁晓刚1,2,刘娅菲2(1.山东科技大学 测绘科学与工程学院,山东 青岛 266590;针对遥感技术已广泛应用于草地退化监测,但缺乏对于草地退化遥感监测的系统梳理的问题,该文从草地退化的内涵、草地退化指标、草地退化遥感监测方法、草地退化分级标准4个方面对草地退化的遥感监测进行了分析总结.得出草地退化遥感监测的发展趋势:①应用高分辨率无人机和卫星高光谱遥感数据;②优化并选择合适的草地退化指标遥感监测模型;③跨学科确定草地退化阈值,开展草地相对退化评价;④结合实地观测数据,发挥遥感应用潜力;⑤开展草地退化预测,预警生态风险。
0 引言
草地是地球生态系统的重要生物组成,是分布范围最广泛的植被类型之一。它不仅为人类提供净初级物质的生产,还具备调节气候、涵养水源、水土保持、防风固沙、改良土壤和维持生物多样性等生态功能。基于草地资源的生长特性及敏感性,以及人类活动和气候变化等因素的持续干扰,草地退化现已成为全球性的问题[1]。草地退化不但对生物圈和生态系统的正常物质循环代谢产生影响,还威胁着生态系统功能的正常调节,由此引发一系列环境问题,如水土流失、土地荒漠化、沙尘暴迭起等。这将直接影响到社会经济的可持续发展。因此,草地退化的监测、恢复和重建已成为我国乃至世界各国关注的焦点。传统的草地退化监测多采用地面调查技术手段。随着遥感技术的不断发展,影像数据时间分辨率、空间分辨率和光谱分辨率的不断提高,为长时间序列和大区域尺度的草地退化监测提供了有力的技术支持。但是,草地退化遥感监测目前仍缺乏系统的梳理和比较。本文从草地退化监测最关键的退化内涵、退化指标、指标遥感监测方法以及退化分级标准4方面入手,对草地退化进行系统性的梳理,并通过比较分析和总结的方式为未来草地退化遥感监测指明方向。1 草地退化的内涵
草地退化的定义目前有生态学和草地经营学两种观点。生态学观点从生态演替理论角度出发,草地退化是指在某些生境条件下草地生态系统背离顶级状态的逆行演替过程,这种过程使原有草地生态系统的平衡被打破,结构和功能被破坏,稳定性和生产力下降,抗干扰能力和调节能力减弱[2]。草地经营学观点认为,草地退化使草地生产力下降、质量变劣、面积萎缩、环境恶化[3]。前者强调的是草地生态系统背离顶级状态的演替过程,而后者强调的是利用价值的减少。草地退化表现为植被退化与土壤退化。植被退化表现为草地覆盖度的减少、高度的降低、地面生物量的降低、产草量的降低、牧草可食率的降低、草地群落结构和优势种发生变化,群落组成趋于简单。土壤退化表现为土壤有机质含量下降、土壤容重比例增加、土壤养分含量下降、土壤厚度的降低、水分含量的减少、地表出现风蚀或水蚀等[4]。而植被退化属地表表征,往往要先于土壤退化发生[5]。草地退化实际上是融合了生态学和草地经营学两方面的含义,前者属于植被退化的前期表征,后者属于植被退化的后期表征和土壤退化表征。2草地退化指标
2.1草地退化指标体系
根据《天然草地退化、沙化、盐渍化的分级指标》(GB 197377—2003)[5],草地退化指标可分为植物群落特征、群落植物组成结构、退化指标植物、地上部产草量、地表特征、土壤理化性质6个指标项(表1)。但在该标准出台之前,多位学者针对草地放牧系统的特点,依据不同的构建理论和原则,将第二性(动物)生产特征[6-7]、草地的自我恢复功能[8-9],甚至食物链情况[6,8]作为草地退化的重要评价指标。但上述指标具有综合性和随机性的特点,难以客观定量地表示草地退化状况。2003年出台的GB 197377—2003标准,在我国的草地退化指标构建上具有里程碑的意义,为后续指标体系建立和指标选择奠定了基础。该标准从必须监测和辅助监测两方面设计了草地退化指标。指标体系相对完善,普适性较强,适合各类草地生态系统。后续的指标体系构建基本围绕6个指标项,结合区域草地退化特点,简化或细化部分指标项[2,10-11]。但指标的构建依据并不完全相同。如文献[10]依据植被结构和特征及其立地条件特征,构建了川西北高寒草甸退化指标体系。文献[2]在参考前人研究的基础上结合已有工作积累,把草地退化指标分为生态系统结构性指标和生态系统功能性指标,但这些指标仅限于设想,并未完全用于实践。文献[11]参考国家及地方标准,结合野外调查所获得的退化草地信息建立了青海省退化草地指标体系。综上,覆盖度、优势种、退化指标植物、生物量、土壤有机质含量等指标,最常用于开展草地退化评价。Tab.1 Comparison of Grassland Degradation Index System | | | |
| | | | | |
| | | | | | | | |
| | | | | | | 从草地经营学角度提出,侧重草原生物生产量的衰减、优势种群的更替、退化演替指示植物出现率、植物组成的饲用可食性四方面 | |
| | | | | | | | |
| | | | | 沙斑2、盐斑2、片状侵蚀2、水土流失2 、固定半固定沙丘1 | | 从草地经营学角度提出,以适度放牧为参照依据,侧重草地承载能力和负荷的平衡状态 | |
| | 优势种牧草综合优势度1、可食草数量1、不可食草与毒害草数量2、 | 草地退化指示物种数量2、草地沙化指示物种数量2、草地盐渍化指示物种数量2 | | | | 从草地经营学角度提出,侧重草地退化最敏感、反映最迅速的指标 | |
| | | | | | | 从草地经营学角度提出,具侧重植被结构特征以及其立地条件特征 | |
| | | | | | 土壤有机质含量*1、土壤厚度1、机械组成1、土壤水分1、土壤容重1、大小空隙比1、养分含量1、速效养分含量1、阳离子交换量1、土壤PH值 | 从草地经营学角度提出,侧重生态系统的结构和功能两个方面 | |
| | | | 优良牧草鲜重占总生物量的比例1、有毒有害植物鲜重占总生物量的比例2、可食牧草鲜重占样方中总生物量的比例1 | 草地地表秃斑2,裸地面积2,水土流失2,裸沙面积2,鼠洞数量2 | | 从草地经营学角度提出,具体指标选取侧重参考国家及地方标准以及野外调查所获得的退化草地的信息 | |
注:表中上标为1的是负面影响指标,上标为2为正向影响指标,上标*为国家标准中的必须监测指标。2.2草地退化遥感监测指标
依靠实地调查法,草地退化指标在小区域上具有较高精度,但在大区域推广时精度难以评估。此外实地调查耗时长、效率低[12-13]。遥感技术因遥感影像覆盖范围广、重返周期短、成本低等优势,为草地退化监测提供了更有效的方法[14-15]。但遥感技术也有其局限性,并非所有草地退化指标均可通过遥感技术获取。有些指标遥感无法获取,有些指标遥感获取难度较大,无法准确定量评价[16]。遥感技术对覆盖度、高度、地上生物量、产草量、净初级生产力指标监测精度较高,应用潜力较大。对牧草可食率、物种多样性、退化指示物种个数、优势种及建群种个数以及土壤有机质含量、土壤养分、土壤含水量等指标监测的监测精度低,监测结果具有较大的不确定性,尚未达到业务化水平。在实际中利用遥感监测指标开展草地退化评估时,有的学者选取指标体系中某个指标,例如覆盖度[17]、净初级生产力[18]、生物量[19]。也有的学者采用多个指标进行综合评价[20-21]。如文献[22]选择建群种植株高度、植被覆盖度和生物量3个指标对草地退化综合评价,结果表明构建的综合评价模型精度高,草地退化评价结果合理[22]。覆盖度、高度、地上生物量是草地退化综合评价模型构建时最常用的遥感监测指标,也是草地退化最敏感最先表现出来的指标。但上述指标主要表征植被退化,尚不能表征土壤退化。表征土壤退化的指标中土壤有机质相比土壤养分、土壤含水量等指标借助于遥感技术的相关研究相对更为成熟,应用更广[23-24],且属于国家标准中的必须监测指标。故在利用遥感技术开展草地退化综合评价时,若评价指标获取受限,可优先选择覆盖度、高度、地上生物量、土壤有机质指标。3 草地退化遥感监测方法
3.1光谱特征分析
影像光谱和空间分辨率对草地退化遥感监测精度影响较大[25-26]。高空间分辨率的影像在目视综合判读对草地退解译时能够获得更高的解译精度。在其他的遥感监测方法中,光谱分辨率相较于空间分辨率重要性更大[27],能够提高草地退化指标的监测精度。当前利用高光谱特征开展草地退化研究主要通过手持光谱仪在野外测定不同草地的光谱数据,再结合高光谱遥感数据开展草地种群提取[28-29]。文献[28]使用高光谱和模拟EnMAP数据的统计模型估算叶面叶绿素含量,研究证明使用高光谱数据能够提高叶绿素含量估算精度。文献[30]利用Quickbird和Landsat 5多光谱数据,以及Airborne高光谱数据对澳大利亚东部Moreton海湾浅水区海草种类、覆盖度、生物量等指标进行了辨识,高光谱数据的运用使分类精度提高了46%。文献[29]运用高光谱遥感数据,利用多端元混合像元分解技术提取了可食牧草毒杂草以及裸土比例,结果表明高光谱遥感对草地退化探测具有良好效果。相较于多光谱数据,高光谱数据凭借其丰富的光谱信息还能准确识别退化物种[31]。光谱分辨率越高,对微弱光谱差异的定量分析、草地群落生物参数的反演越有优势。3.2草地退化指标遥感监测方法
草地退化指标遥感监测方法可分为目视综合判读法、回归模型法、亚像元分解法、机器学习法、基于生理生态过程法。各监测方法的特点以及适用指标如表1所示。Tab.2 Comparison of Monitoring Methods for Grassland Degradation Indicators | | | |
| | | |
| | 当研究区面积较大时精度就会明显下降,而且回归模型移植性较差 | 覆盖度、生物量、草地高度、牧草可食率、草地退化指示物种、产草量、土壤有机质含量、土壤养分、土壤含水量、净初级生产力 |
| | 精度结果受NDVI易饱和,以及纯像元值选择这两种因素的影响 | |
| | 参数的确定以及选择合适的训练样本对预测模型的精度有一定的影响 | 覆盖度、生物量、土壤有机质含量、土壤养分、土壤含水量 |
| | | |
3.2.1目视综合判读法
目视综合判读法主要利用影像的颜色、纹理、形状等特征,通过建立解译标准,由解译人员对经过预处理和增强后的影像直接目视综合判断提取草地退化信息。文献[32]根据Landsat影像的颜色和纹理特征,以影像上直观的草地覆盖度变化为判读依据分析草地退化。文献[33]利用颜色、纹理、形状特征,目视解译草地退化不同类型斑块分析了三江源地区2004年到2012年草地退化态势。文献[34]采用目视综合判断提取了高、中、低覆盖度草地数据集,分析了20世纪80年代到2010年中国草地时空变化。目视综合判读法依赖于解译人员的判读经验和对研究区的了解程度。当研究区范围较大时,该方法工作量大,周期长。3.2.2回归模型法
回归模型法是找出对退化指标最为敏感且对背景因素最不敏感的植被指数,建立植被指数与草地退化指标的线性或非线性回归模型[35]。可用该方法的指标有覆盖度、生物量、草地高度、牧草可食率、草地退化指示物种、产草量、土壤有机质含量、土壤养分、土壤含水量、净初级生产力。文献[36]用MODIS短波红外波段和地面产草量数据建立了伊朗Semirom和Brojen地区的产草量估算模型。文献[37]采用随机森林回归建立了WorldView-2植被指数与实测草地覆盖度的回归模型,以评价格鲁吉亚高加索地区的草地退化。文献[38]使用无人机高光谱影像的窄波段植被指数来反演草地高度,研究表明,改进后的叶绿素吸收反射率与优化的土壤调节植被指数建立的比值模型对草地高度反演效果最佳,。也有学者直接把归一化植被指数(NDVI)作为草地覆盖度的指示因子来评价草地退化[39]。文献[40]用Landsat 8采用逐步回归分析建立了研究区土壤有机质含量反演模型。文献[41]通过分析ASD高光谱仪测量的草地光谱值确定了草种识别的最佳波段,有效地识别了4种草地退化情况。气候因子可与实测净初级生产力指标建立回归模型估算净初级生产力[42-43]。与草地退化指标建立回归关系的最佳植被指数和回归模型因研究区、草地类型和数据差异而有所不同[44]。在荒漠草原等生物量低的地区,对土壤背景敏感的植被指数最适合作为最佳植被指数[45]。当研究区面积较小时,回归模型具有较高精度,反之精度就会明显下降,而且回归模型移植性较差。3.2.3亚像元分解法
亚像元分解法主要用于植被覆盖度的反演。该方法假设像元由植被覆盖地表与无植被覆盖地表两个组分线性加权而得。其中,植被覆盖地表所占百分比为该像元的植被覆盖度。像元二分模型是估算植被覆盖度最常用的亚像元分解法[35]。用该方法估算的植被覆盖度常用于草地退化评估[46-49]。像元二分模型的估算精度受纯裸土像元和纯植被像元的选取影响较大,研究区像元值累计频率的5%和95%最常被用于确定纯裸土NDVI 值(NDVIsoil)和纯植被覆盖NDVI值(NDVIveg)[50-51]。然而受土壤成分、颗粒度、水分含量、植被类型等异质性影响, NDVIveg和NDVIsoil存在空间差异,不同像元采用相同的NDVIveg和NDVIsoil会降低植被覆盖度估算精度。多种方法被用来改进两个参数的取值以提升植被覆盖度的估算精度[52-54]。文献[52]通过在每景影像确定不同的NDVIsoil和利用不变点校正两种手段来减少植被覆盖度估算的误差。文献[53]根据土壤类型来确定每种土壤的NDVI值,提升了覆盖度估算精度。文献[54]用直方图统计法来确定不同植被和土壤类型的NDVIveg和NDVIsoil参数。像元二分法模型比较成熟,但该方法受NDVI易饱和,以及纯植被和纯裸土像元值选择两种因素的影响。NDVI易饱和的特点使它对高植被覆盖度的灵敏度较低,因此NDVI与植被覆盖度并非与简单的线性相关。3.2.4机器学习法
随着计算机技术的发展,机器学习方法逐渐应用到覆盖度、生物量、土壤有机质含量、土壤养分、土壤含水量等草地退化指标估算。机器学习法包括神经网络、决策树、支持向量机等。文献[55]采用多元线性回归模型和人工神经网络模型估算了内蒙古锡林郭勒草地生物量,结果表明神经网络模型效果更优。文献[56]采用植被指数、回归分析、神经网络3种方法估算美国太平洋西北地区针叶林覆盖,研究表明神经网络模型精度最佳。文献[57]比较了多重逐步回归分析、线性光谱分离和多层感知层神经网络模型的植被覆盖估算精度,研究表明多层感知层神经网络模型精度最佳。文献[58]运用机载高光谱影像数据采用梯度回归提升树算法基于地理加权回归建立土壤含水量估算模型,研究表明该模型反演精度高。文献[59]利用作物模型与时间序列遥感数据相结合对耕层土壤速效养分反演,结果表明该方法反演精度高且稳定。机器学习法相比传统的回归模型精度有所提升,但机器学习法中参数的确定和训练样本的合理选择会影响模型精度。而训练样本的合理选择是机器学习算法提升精度的重点和难点[46]。3.2.5基于生理生态过程法
基于生理生态过程法主要用于净初级生产力估算。净初级生产力(net primary productivity, NPP)的生理生态过程模型包括过程模型、遥感参数模型、遥感-过程耦合模型。过程模型[60]有着较严密的生态学理论基础,从生理生态的角度去模拟植被的生长过程[61]。光能利用率模型[62],又称为参数模型,结合光合有效辐射、冠层吸收光合有效辐射的比例来估算植被净初级生产力。其中,CASA(Carnegie-Ames-Stanford approach)模型是国内外应用最为广泛的光能利用率模型。遥感-过程耦合模型[63]将遥感数据与过程模型耦合,融合了两者的优点,两者的耦合方法有驱动法和同化法。尽管当前遥感-过程耦合模型在净初级生产力的估算中应用较少,但该模型能够避免过程模型和参数模型的缺陷,是草地净初值生产力(Net initial productivity,NPP)估算模型的重要发展方向。4 草地退化分级标准
4.1草地退化分级方法
《天然草地退化、沙化、盐渍化的分级指标》(GB 197377—2003)中规定,50%以上的必须监测项目指标达到某一退化级(或沙化、或盐渍化)规定值时,则该草地视为退化(或沙化、或盐渍化)草地。但在实际中很难做到监测50%以上的指标来评价草地退化,而是简化指标体系采用单指标[47-48]或多指标[20-22]。单指标以覆盖度为主[45,49],净初级生产[64]和生物量[21]也是较常选用的指标。草地退化分级可分为4种方法,参照国家标准法[17,48]、专家咨询法[47]、聚类分析法[1,65]、地方经验法(表3)。参照国家标准法中,有的学者完全照搬国家标准[17],而有的学者根据研究区的特点对国家标准中的分级类型和阈值进行调整,以适应本地的实际草地退化评估[66-67]。专家咨询法通过咨询专家确定草地退化的评价指标、分级标准等[47]。聚类分析法根据不同草地退化等级的土地在植被指标和土壤指标展示出的相近特征聚类得到草地退化分级结果[1,64]。地方经验法根据研究区的主要生态系统和草地特征,提出符合地域的草地退化评价指标和标准。如文献[8]根据天然草地放牧(割草)系统特点,提出适合该退化草地系统的分级标准。文献[68]在掌握江河源区高寒草甸“黑土型”退化机理的基础上提出适合该地区的分级标准。由于各地区草地退化实际情况和指标选取存在差异,草地退化分级标准很难统一。Tab.3 Grading Comparison of the Vegetation Coverage as the Degraded Index4.2草地退化的参照依据
参照依据是草地退化分级时未退化草地的基准。国家标准规定,监测点附近相同水热条件草地自然保护区中合理利用示范区相同草地类型的植被特征与地表、土壤状况优先作为未退化草地的基准;未满足第一个依据时,则可以用20世纪80年代初、中期全国首次统一草地资源调查所获得的被监测地区相同草地类型中的未退化草地的植被特征与地表、土壤状况作为基准;若不满足前两条时,用正式出版的以20世纪80年代初、中期全国草地首次统一调查资料编写的各省、市、自治区草地资源专著中未退化的相同典型草地资料为基准[71]。国家标准中的参照依据,在实际情况中满足这种参照依据的区域通常难以找到,故只能寻找一个相对的基准。此外,国家标准中的参照依据还是一种实地参照依据,在依赖于遥感影像指标对草地退化评价的工作中,利用影像参照依据替代实地参照依据是更好的一种手段。有学者以草地研究时间段的起始时间为未退化草地基准[72],有学者选取研究时间段内某一年具有最大草地覆盖度或最大生物量作为未退化草地的参照依据[47,69],有的学者去掉最大草地覆盖度年份,在剩余监测年份中选择最大的5年覆盖度,以这5年的滑动平均值作为未退化草地的参照依据[48]。上述方法中,采用最大覆盖度的草地条件作为未退化草地基准容易高估草地退化情况,若采用退化严重的起始年份的草地条件为未退化草地基准,则容易低估草地退化情况。5 存在问题及发展趋势
1)数据源选择。现阶段草地退化遥感监测以多光谱影像为主,但受波段宽度限制,多光谱数据对某些草地类型不敏感,无法精确识别地物信息。高光谱遥感在草地种类识别,草地生物信息反演方面更具优势,也逐渐广泛应用在草地退化监测中,但现有的高光谱卫星传感器空间分辨率较低。近几年来发展起来的无人机所获取的高光谱遥感数据,其空间分辨率、光谱分辨率均很高,草地采样数据更有助于物种的识别,在相对较小区域的草地退化监测中将发挥重要作用[73-74]。近年来发射的珠海一号和高分五号卫星,影像兼具了高光谱和高分辨率的特点,在大区域的草地退化监测中将会有大的施展空间[75]。 2)草地退化指标遥感监测方法。回归模型法应用最为广泛,但该模型往往只适用于本研究区的特点,移植性较差。机器学习法相比回归模型能够获得更好的精度且更具有移植性,但其对样本数量和质量要求较高。对于上述两种方法都适用的指标,当研究区较小时采用回归模型,当样本数量充足时优先采用机器学习法。当缺乏实测数据时,可以通过亚像元分解法反演得到植被覆盖度,而考虑空间差异的植被纯像元和裸土纯像元的高精度获取仍是未来的发展方向。遥感-过程耦合模型能够解决过程模型中部分参数的获取问题,相比遥感参数模型又有一定的理论基础,是未来净初级生产力监测的重要研究方向,但仍面临参数获取难的问题。因此,简化遥感-过程耦合模型,减少参数输入是未来的发展趋势。3)草地退化指标选择和分级标准。由于物种组成、植被演替、植被覆盖和背景不同,单一指标存在对草地退化误评估的风险,如草地退化发生时会存在植被覆盖度和草地生物量没有减少甚至增加的可能性[76]。草地退化具有动态、渐近、阶段性的特征。草地退化综合评价时,除选择草地退化最敏感、最先表示出植被退化的指标外,还要增加表现滞后的土壤退化指标。指标获取受限时优先选择覆盖度、高度、生物量及土壤有机质等指标。指标获取不受限制时,对表征植被和土壤退化指标相关性分析,保留信息量大的独立指标。因监测指标、参照依据、研究区域选择不同,草地退化的分级标准也不统一。草地退化的界定仍没有明确的阈值[5,8]。未来,草地退化阈值确定是需要草地学、生态学、地理学等跨学科的交流和专家共同探讨而解决的难题。在不以草地绝对退化为目标的研究和工作中,也可探讨草地相对退化的监测评估方法。趋势分析方法为草地相对退化提供了很好的思路[77]。4)草地退化遥感监测与实地观测的融合。草地退化指标的高精度遥感监测和遥感技术的潜力挖掘依赖于实测数据,而遥感监测为草地退化指标的实地观测提供了很好的补充。草地退化遥感监测结果的验证同样依赖于实地观测数据,以避免不同研究人员在相同研究区域得出的分歧结论[78]。建议国家有关部门联合建立草地退化野外监测网,或通过数据共享机制,获取典型区域的草地野外实地观测数据,作为遥感模型标定、草地退化遥感监测结果验证的真值,也可为不同区域的草地退化参照依据选择、草地退化分级提供参考。5)草地退化预测研究。以往草地退化研究着重历史及现状分析,缺乏对草地退化的预测,无法为潜在的生态风险预警。土地利用/覆被预测等领域,已有较成熟的CA-Marcov、细胞自动机与人工神经网络耦合、Hurts指数等模型。今后草地退化预测研究,要充分考虑草地退化机制,并与已有的预测模型融合,并通过预测为生态工程建设和治理、政策制订等提供重要的参考。作者简介:朱宁(1995—),女,山东济南人,硕士研究生,主要研究方向为草地退化遥感。基金项目:国家重点研发项目(2017YFC0404503);自然资源专项评价(A191404)通信作者:王浩 助理研究员 E-mail: wanghao@casm.ac.cn引用格式:朱宁,王浩,宁晓刚,等.草地退化遥感监测研究进展[J].测绘科学,2021,46(5):66-76.