论文部分内容阅读
火灾是影响森林生态系统稳定的主要扰动因素之一。开展火后植被恢复的研究能为森林生态系统的可持续发展提供有力的科学参考。本文基于高分一号宽幅(GF-1 WFV)数据和Landsat系列数据,选取火灾频发的东北林区和西南林区,开展火烧迹地识别及植被恢复遥感监测方法研究。本文的研究内容主要包括三个方面:一是采用分离性评价指数M值评价归一化植被指数(Normalized Difference Vegetation Index,NDVI)、增强型植被指数(Enhanced Vegetation Index,EVI)、全球环境监测植被指数(Global Environment Monitoring Index,GEMI)、过火区识别指数(Burned Area Index,BAI)及归一化燃烧指数(Normalized Burn Ration,NBR)等指数对火烧迹地的分离能力,进而研究适用于GF-1WFV和Landsat 8数据火烧迹地识别的最优植被指数;一是基于GF-1 WFV数据研究火干扰后不同受灾程度植被的光谱变化,并使用NDVI、EVI、GEMI三种表征植被恢复状况的指数研究不同受灾程度植被在火后前两年的月变化规律,结合研究区的海拔、纬度和气候条件分析火烧迹地植被月变化的影响因子;另外,选取大兴安岭1987年“5·6”特大森林火灾形成的火烧迹地,基于30年Landsat TM/ETM+时序数据,采用NDVI植被指数构建林分恢复指数(Stand Regrowth Index,SRI)和相对恢复指数(Relative Regrowth Index,RRI)模型,使用这两种植被指数模型对不同受灾程度植被火后30年的植被恢复年变化开展研究,并对影响火后植被年变化的主要因子进行分析。本文的主要研究结论如下:(1)基于近红外─短波红外波段构建的NBR与基于近红外─红光波段构建的BAI具有很好地分离过火区的能力,NDVI的能力次之,EVI和GEMI分离过火区的能力较差。对具有短波红外波段的Landsat 8数据,采用NBR识别火烧迹地的效果较好,其识别总体精度为88.33%,Kappa系数为0.73;对仅具有可见光和近红外波段的GF-1 WFV数据,采用BAI识别火烧迹地的效果较好,其识别总体精度可达到91.00%,Kappa系数为0.78。(2)经过火烧后的植被不再表现出植被特有的光谱特征,其光谱特征与干死植被和裸露干土壤光谱特征近似。在蓝光、绿光和红光等波段,受灾植被的光谱反射率高于正常植被,不再具有正常植被的反射峰和反射谷,且受火烧灼伤越严重其反射率值越大;在近红外波段,被火烧后的植被光谱反射率减小,不再具有正常植被的“红边现象”,且光谱反射率值均低于正常植被。(3)不同受灾程度植被恢复生长过程表现的季相节律与正常植被表现的季相节律基本一致,同样存在生长季和非生长季,且火烧区的NDVI、EVI、GEMI值相比于正常植被对应的植被指数值始终偏低;受灾程度越严重的火烧区,在这两年内每月GF-1 WFV观测到的植被指数值始终越小。(4)雅江县不同受害程度植被的植被指数出现峰值的时间比冕宁县研究区对应的时间晚1~2个月,这与其高海拔、高纬度和气候特征有关。(5)从SRI上看,轻度火烧区的植被在火后第3年即能恢复到火前的植被状态,对于中度火烧区在火后第6年即能恢复到火前的植被状态,对重度火烧区在火后第14年即能恢复到火前的植被状态。(6)从RRI上看,轻度火烧区植被在火后8年可恢复到与火后正常植被的状态相近,中度火烧区在火后13年接近火后正常植被的状态,重度火烧区与中度火烧区恢复时间基本一致。