前言：寻找写作灵感？中文期刊网用心挑选的森林灾害快速评估，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
雪灾是影响森林生态系统结构与功能的重要非生物干扰因子之一［1］，长时间的冰雪灾害直接损害森林植物，改变森林生态系统的结构组成，降低森林生态系统的功能与效益，影响森林生态系统的演替方向并危及森林生态系统的稳定性与健康［2］。2008年初，我国遭遇50年一遇的持续冰冻雨雪灾害天气，造成南方多省的森林资源损失严重。许多学者利用遥感和地理信息系统等技术，开展了灾害范围确定，灾害等级划分和相关灾害评估体系建立等研究，为灾后森林生态系统的恢复与重建提供科学依据［3-9］。但上述这些研究在对森林雪灾进行评估时，往往以降雪开始到积雪消融作为研究的时间段，忽略了灾后的次生灾害影响;评估灾害依赖的辅助资料过多，缺少一个快速可靠的评估指标和方法，直接影响到评估效率和可行性;同时，采用中低分辨率影像进行省级范围森林雪灾损失评估时，缺少区域尺度的检验方法或者检验方法过于简单。针对这些问题，本文首先建立贵州省2005—2008年的MODIS/NDVI时间序列，并基于数据集的可用性指数和S-G(Savitzky-Golay)滤波方法重构关键期影像;然后利用不同年份同时段的森林像元NDVI值变化率探测森林毁坏区域，结合统计学方法确定森林灾害阈值，对研究区森林损失面积与等级进行快速划分与评估;最后根据贵州省凝冻灾害森林资源损失的小班调查数据对研究结果进行一致性检验。 1研究区与数据准备 1．1研究区概况 贵州省介于东经103°36'—109°35'、北纬24°37'—29°13'之间，总面积为17616770hm2，其中林地面积8771550hm2，占国土总面积的49．79%，森林面积为7033936hm2，森林覆盖率达到39．93%，主要分布在黔东南及北部的遵义地区，西北部和中部地区森林分布较少［10-11］。2008年初，贵州省遭遇了有气象记录以来最为严重的雪凝灾害，致使森林出现大面积的死亡，根据各地(州、市)初步调查结果，确定黎平等83个县(市、区)为本次灾害评估调查对象，对马尾松、杉木、针阔混和其他阔叶树等类型树种展开灾害调查。根据调查结果汇总统计，全省森林资源受灾面积为(损失程度等级“轻”度以上)1090026hm2，占全省森林资源面积的17．7%［12］。 1．2数据准备 本文的主要采用2005—2008年低分辨率MOD13Q1植被指数科学数据集(贵州省覆盖景为h27v06.005)，数据空间分辨率为250m，时间分辨率为16d，共计92期。该数据包括归一化植被指数(NDVI)和植被指数质量标记(QualityAssessment，QA)，QA产品是关于MOD13Q1植被指数科学数据质量信息的综合评价资料，该资料在像元尺度对植被指数进行质量评价［13］。辅助数据主要包括了2006年研究区MCD12Q1数据和2008年贵州省凝冻灾害森林资源损失调查数据。MCD12Q1数据空间分辨率为500m，时间分辨率为1y(modis．gsfc．nasa．gov/)，该产品按照国际地圈生物圈计划(IGBP)分类标准，将研究区分为17个土地类型［14］。本文所研究的森林区域主要由常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林和多树地区这6个类型组成(图1)，在该区域内的像元点统称为森林像元。而森林灾害资源损失调查工作由贵州省林业厅组织，共清查83调查单位，抽取24914个小班，其中林分小班17231个。为了和地面小班调查范围保持一致，MODIS影像数据将不包括罗甸等5个县(市)，具体范围如图1红框所示。 2研究方法 2．1MODIS/NDVI时间序列重构方法 根据MOD13Q1植被指数科学数据集中QA产品的可用性指数规则，可用性指数共分16个等级，其中像元可用性指数值越低，表明该像元的质量越可靠［13］。利用LDOPE质量分解工具从MOD13Q1得到QA质量评价波段，建立2005—2008年贵州省森林的NDVI时间序列和分解其对应QA值。从分解得到的QA波段中获取植被指数的“可用性指数”。计算每期MODIS/NDVI影像对应的可用性均值;每期可用性均值越低，表明整幅影像的整体可靠性越高，以此来获取较为可靠的影像数据。但MODIS/NDVI初始数据由于受气溶胶、冰雪、太阳光照角度及传感器观测视角等因素的影响，仍存在一定的噪声，有必要对其进行重建［15-16］，而Savitzky-Golay(S-G)滤波在植被类型提取时表现出色，能够较好的平滑VI曲线，具有反映植被变化趋势等优点［17-19］。因此，本研究首先利用STL-decomposition方法剔除原始NDVI时间序列的离异值，然后选择用S-G滤波方法对剔除变异值后完整NDVI时间序列进行重建［20-21］，进一步减少其他因素对影像质量的干扰。 2．2建立森林灾害评估指标和评估方法 雪凝灾害会造成一段时间森林资源出现大面积的冻死、腰折、断稍等现象，导致灾前与灾后森林像元的NDVI变化率与往年同时期相比会发生明显的改变，将每个森林像元NDVI值的变化率作为探测森林灾害的指标，记作R，计算公式如下:式中，NDVIpre表示灾害前某个森林像元的NDVI值，NDVIpost表示灾后对应位置森林像元NDVI值。考虑到雪灾对森林灾害的后续影响和影像的质量，在NDVIpre和NDVIpost关键期选择上，需要满足两点:(1)选择NDVI可用性均值较低影像数据，(2)两期影像获取时间处于每年森林的生长期。在大区域尺度上，2005—2007年间研究区没有出现大规模森林灾害，将任一森林像元在某个时间段NDVI变化率记作R2005—2006或R2006—2007，同时R2005—2006或R2006—2007也可以表示为R?2005—2007±δ，其中，R?2005—2007和δ分别为2005—2007年每个森林像元的NDVI变化率平均值和平均绝对偏差，由于平均绝对偏差对异常值有更大的包容性，因而采用平均绝对偏差来代替标准差［22］。计算研究区所有森林像元的R2005—2007，变化范围可以表示为R?all±δall，认为森林像元变化率在［－δall，+δall］范围内是属于正常波动，将δall设定的森林灾害阈值(DamageThreshold，DT)。当发生森林灾害时，将森林像元的NDVI变化率记作R2007—2008，将任一森林像元的R2007—2008－R－2005—2007值记作R2007—2008'，如果R2007—2008'大于δall，则认为该像元受到了灾害的影响。同时对不同年份灾害时间段的RNDVI均值(R—)、中心点偏移(ShiftAmplitude)、四分位数距离IQR(InterquartileofRange)和受到破坏的森林像元百分比等统计量进行计算［23］。#p#分页标题#e# 2．3空间分布一致性检验 在贵州省第3次森林资源规划设计调查成果等资料的基础上，根据地类、树种、龄组等因子确定调查类型，按照类型抽取调查小(细)班进行灾害调查，通过损失株数或蓄积比例确定林木损失程度等级，具体等级划分见参考文献［24］。根据调查报告，2008年初森林资源受灾面积共1090026hm2，占全省森林面积资源面积的17．7%，其中，重度、中度和轻度受灾面积分别占总受灾面积的17．6%、19．2%和63．2%［12］。按照上述灾害比例，将利用MODIS/NDVI数据确定的受灾森林像元，按照R2007—2008'值从高到低划分为重、中和轻度受灾像元，计算每个县内受灾像元的百分比，计算公式如下:式中，Y1、Y2分别表示每个县重度受灾和中度受灾的百分比，m表示每个县森林受灾像元的总数。按照Y1大小排列，确定百分比较大的11个重度灾害县;然后按照Y2大小排列，确定百分比较大的10个中度灾害县，根据排列结果，制作贵州省县域尺度森林灾害等级分布图;同时利用Kappa系数检验其结果与基于小班调查的结果是否具有空间分布一致性。如果两种方法结果完全一样，则Kappa=1，通常，当Kappa≥0.75时，两种方法获得的结果一致性较高，变化小;当0．4≤Kappa≤0．75时，一致性一般，变化明显，当Kappa≤0．4时，一致性较差，变化较大［25］。 3结果与分析 3．1MODSI影像时间序列分析与关键期影像的重建 经过反复试验与调整，最终确定S-G滤波的迭代次数为3、上包络线拟合强度为2和窗口大小为5。图2为某一没有受到灾害影响森林像元点经过SG滤波的结果，虚线为原始NDVI曲线，实线为SG滤波后平滑曲线，通过S-G滤波可以有效的去除噪声等因素的干扰。此次南方降雪集中发生在2008年1月10日到2月2日之间，该时间段对应MODIS期数为20080117NDVI。计算2005—2008年92期MODIS影像的可用性指数均值，最终确定灾前影像0930期(20050930、20060930和20070930)，灾后影像时间为0509期(20060509、20070509和20080509)，两个时期影像的可用性指数年均值较低(分别为2．06和2．41)，同时该时间段处于森林的生长季。根据S-G滤波后的时间序列，对20050930、20060509和20060930等6期NDVI影像进行重建，重建后的研究区森林像元的NDVI均值有明显的升高。如图3所示，6期影像进行重建后的NDVI的均值升高幅度相近(升高幅度约0．04)，表明重构后影像的整体效果比较理想，影像中并没有出现较大面积坏值或离异值。 3．2灾害阈值确定与灾害等级空间分布 根据2．2所述的灾害评估指标与方法，NDVIpre和NDVIpost确定9月30日和5月9日这个时间段(例如，2005—2006年的NDVIpre和NDVIpos分别为NDVI20050930和NDVI20060509)，计算2005—2006、2006—2007和2007—2008年3个不同时期同时间段的森林像元R值，共有统计分析100多万个森林像元点，由于2005—2006和2006—2007年的森林像元R值变化大致相同，为了更直观的显示数据变化，所以对这两期数据R做均值处理，记作R2005—2007，同时对森林像元的R2005—2007和R2007—2008的统计采用直方图的形式替代传统的饼图。统计结果如图4和表1所示，R2005—2007和R2007—2008的直方图都成近似的钟型分布，两组数据的分布主要集中在(－0．2，0．4)之间，占总像元数的99．5%。图4红线代表2005—2007年研究区内森林没有发生大规模干扰的R2005—2007直方图分布，其中心位置μ2005—2007为0．044，黑线代表2007—2008年研究区内森林受到雪灾破坏后R2007—2008分布情况，其中心点μ2007—2008为0．085，研究区森林R在发生雪灾之后整体产生了0．041的振幅偏移;R2007—2008直方图形状比R2005—2007更扁，顶点高度远低于R2005—2007的最大值，表明R2007—2008在不同变化区间内的数量与R2005—2007相比，在受到雪灾干扰后，R值变化率越高，像元数量增加越明显，直到两者趋近相同;同时R值的四分位数间距(IQR)比灾害前增加了0．011，表明受灾后R2007—2008等级差异更加明显.计算R2005—2007的平均绝对偏差为δall为0．048，将其设定为森林灾害的阈值，计算2007—2008年任意森林像元R2007—2008'值，若该值大于δall，则认定其为受灾像元。统计结果如图5和表1所示，R2007—2008'分布区间为［－0．25，0．35］，其中超过灾害阈值的森林像元共287876个，占森林总像元数的28．6%，受灾区间为［0.048，0．035］。为了清晰表述受灾森林的空间格局分布和等级分布状况，将受灾森林像元的R2007—2008'值归一化到［0，1］的区间范围，按照0．1的等级间隔，共分为10个等级，将其统计结果显示到空间布局上(图6)，研究区森林受灾较严重的区域主要分布在贵州省东南部和东北部，受灾较重的地区主要包括铜川市、黔东南自治州和黔西南自治州等。 3．3空间分布一致性分析 利用遥感数据获取的森林资源受灾区域在市域层面上与调查评估报告结果基本一致，但由于MODIS/NDVI影像混合像元的影像以及两种方法调查尺度差异，基于MODIS/NDVI计算所获得的森林灾害面积占总森林面积28．6%，高于地面小班调查的17．7%的森林受灾比例。根据贵州省森林资源损失小班调查结果，共有德江、沿河和都匀等11个重度受灾县，湄潭、瓮安和榕江等10个中度受灾县(图7a)。将归一化后R2007—2008'划分为［0，0．145?、［0．145，0．259?和［0．259，1］3个等级区间，分别占总受灾像元的63．2%、中度19．2%和17．6%。，按照公式(2)(3)，计算每个县(市、区)内各个等级的森林像元占每个县(市、区)受灾总面积的百分比。按照Y1的大小，排列了德江、沿河和都匀等11个县(市、区)为重度受灾，根据Y2的大小，湄潭、榕江和桐梓等10个县(市、区)确定为中度受灾(图7(b))。利用Kappa系数检验两种方法的结果图的相似度，其Kappa系数为0．86(＞0．75)，具有较高的一致性。如图7所示，基于MODIS数据统计11个重度受灾县(市、区)和10个中度受灾县(市、区)中，分别有9个重度受灾县(市、区)和6个重度受灾县(市、区)与贵州省森林资源损失调查结果一致;而造成Kappa系数降低主要是因为基于MODIS/NDVI的分析结果将瓮安等县划分为重度受灾，赤水县等划分为中度受灾，而光明区等划分为中度受灾所造成。通过对比分析，在统计的21个中度以上的受灾县(市、区)中，有20个与地面小班调查结果一致。森林资源面积越大，灾害损失越严重，该方法探测灾害信息的能力越强，如森林受灾面积过少时，MODIS/NDVI数据探测能力较差，造成获取结果偏低;而森林受灾面积过大时，该方法对灾害信息的敏感度较高，尤其是针对大片的森林区域，会造成森林像元的R2007—2008'升高，所获取的灾害等级偏高;同时由于森林灾害的分布具有一定的连续性，用县域边界来划分也会造成结果的偏差，施秉和瓮安县(由小班调查的中度上升为重度受灾)紧邻受灾严重的黄平县，并且这两个县的重度灾害森林像元主要分布在和黄平县接壤的边缘地带。因此，在展开实地调查之前，运用MODIS/NDVI对研究区进行快速评估时，这些问题都是需要重点考虑，还需要借助中高分辨率影像和地面调查数据进一步分析验证。#p#分页标题#e# 4结语 本文在构建2005—2008年研究区NDVI时间序列数据集的基础上，利用S-G滤波和可用性指数重构关键期影像;结合统计学方法，对2008年研究区内受到雪灾破坏的森林区域和受灾等级进行快速评估;通过检验，其评估结果与地面调查结果具有较高的一致性。这表明该方法用于大面积森林灾害的快速评估和灾害空间模拟制图是可行的，也证明了250m空间分辨率的MODIS/NDVI数据在森林灾后评估上的优势和潜力。虽然采用中低分辨率数据可以快速划分灾害区域，减少相应的实地调查的工作量，但在小区域灾害面积与灾害等级的确定上，预测效果较差，因此实地对树木的毁坏情况进行调查和统计是必不可少的;另外，实地调查中还需要对毁坏树木的树种、胸径、蓄积量和碳损失等指标进行分析整理，改进探测森林灾害指标体系，提高森林灾害评估方法的精度将是今后研究工作的重要方面之一。
