国家科学数据中心联合专刊 I 区论文(评审中) 版本 ZH2
下载
黄河流域250 m分辨率植被生长季时空演变数据集(2000–2020年)
250 m resolution dataset of spatiotemporal variations of vegetation in the growing season over the Yellow River Basin (2000–2020)
 >>
: 2021 - 07 - 14
: 2021 - 09 - 22
: 2021 - 09 - 22
726 10 0
摘要&关键词
摘要:黄河流域是我国重要的生态屏障区,在经济社会发展和生态安全等方面的作用举足轻重。植被的时空变化格局与趋势是评估区域生态恢复状况以及揭示气候变化和人类活动对生态系统影响的重要指标。本研究基于MODIS植被指数产品(MOD13Q1,C6),通过投影转换、镶嵌裁剪和最大值合成等预处理,采用非参数Theil-Sen趋势估算与Mann-Kendall显著性检验,以及变异系数等方法,生成了2000–2020年黄河流域250 m分辨率植被生长季时空演变数据集,包含植被NDVI和EVI的变化趋势及其波动性特征等信息。通过数据共享,期望为全球变化背景下黄河流域植被生态系统过去、现在、未来演变规律的深入认知提供重要参考。
关键词:黄河流域;植被指数;Mann-Kendall检验;变异系数;生长季
Abstract & Keywords
Abstract: The Yellow River Basin (YRB) is a significant ecological barrier region in China and plays a pivotal role in the economic and social development as well as the ecological security. In view of assessing the status of regional ecological restoration and revealing the impacts of climate change and human activities on ecosystems, the spatiotemporal patterns and trends of vegetation dynamics are imperative indicators. Based on the MODIS vegetation index product (MOD13Q1, C6), we generate a dataset of spatiotemporal variations of vegetation NDVI and EVI in the growing season over the YRB from 2000 to 2020, with a resolution of 250 m. The dataset is obtained using approaches including projection, mosaicking, clipping, maximum value composites, non-parametric Theil–Sen estimator and Mann–Kendall significance test, and coefficient of variation. In addition, the dataset contains information on the time series change trends and volatility characteristics of both NDVI and EVI in the YRB during past 21 years. This datasets is expected to provide an important reference for in-depth understanding the past, present, and future evolution of vegetation ecosystem in the YRB under the background of global change.
Keywords: Yellow River Basin; vegetation index; Mann-Kendall test; coefficient of variation; growing season
数据库(集)基本信息简介
数据库(集)名称黄河流域250m分辨率植被生长季时空演变数据集(2000–2020年)
数据作者白燕,杨雅萍,孙九林
数据通信作者白燕(baiy@lreis.ac.cn)
数据时间范围2000–2020年
地理区域黄河流域,地理范围:32°10′N−41°50′N,95°53′−119°05′E
空间分辨率250 m
数据量1.53 GB
数据格式*.tif
数据服务系统网址黄河流域250 m植被生长季变化趋势数据(2000-2020年):http://www.geodata.cn/data/datadetails.html?dataguid=36810597463013
黄河流域250 m植被生长季空间波动特征数据(2000-2020年):
http://www.geodata.cn/data/datadetails.html?dataguid=17019388673186
数据备份: http://www.doi.org/10.11922/sciencedb.j00001.00291
基金项目中国科学院“十四五”网信建设专项(WX145XQ07-11),中国工程科技知识中心建设项目(CKCEST-2021-2-10),国家科技基础条件平台建设项目(2005DKA32300)。
数据库(集)组成数据集共包含2个压缩文件,其中:(1)黄河流域250m植被生长季变化趋势数据(2000-2020年).zip,包括生长季NDVI、EVI的变化趋势估算(YRB_growthSen_XX.tif)和趋势显著性检验结果(YRB_growthMK_XX.tif),数据量1.22 GB。其中:XX为NDVI或EVI(下同);(2)黄河流域250m植被生长季空间波动特征数据(2000-2020年).zip,包括生长季NDVI、EVI的变异系数(YRB_growthCV_XX.tif),数据量310 MB。
Dataset Profile
Title250 m resolution dataset of spatiotemporal variations of vegetation in the growing season over the Yellow River Basin (2000–2020)
Data corresponding authorBAI Yan (baiy@lreis.ac.cn)
Data author(s)BAI Yan, YANG Yaping, SUN Jiulin
Time range2000–2020
Geographical scopeYellow River Basin, 32°10′N−41°50′N,95°53′−119°05′E
Spatial resolution250 m
Data volume1.53 GB
Data format.tif
Data service system250 m resolution dataset of spatiotemporal change trends of vegetation in the growing season over the Yellow River Basin (2000–2020), <http://www.geodata.cn/data/datadetails.html?dataguid=36810597463013>; 250 m resolution dataset of spatial volatilities of vegetation in the growing season over the Yellow River Basin (2000–2020), <http://www.geodata.cn/data/datadetails.html?dataguid=17019388673186>.
Source(s) of fundingThe 14th Five-year Informatization Plan of Chinese Academy of Sciences (WX145XQ07-11), China Knowledge Center for Engineering Sciences and Technology (CKCEST-2021-2-10), National Science & Technology Infrastructure of China (2005DKA32300).
Dataset compositionThe dataset consists of 2 subsets, which are recorded as: (1) “Change trends of growth NDVI and EVI in the YRB.zip”, including the results of Theil–Sen trend estimation (named YRB_growthSen_XX.tif, and XX is NDVI or EVI, same below) and Mann–Kendall significance test (named YRB_growthMK_XX.tif) of growth NDVI and EVI, respectively, with a data volume of 1.22 GB; (2) “Volatility characteristics of growth NDVI and EVI in the YRB.zip”, comprising the coefficient of variation (named YRB_growthCV_XX.tif) in growth NDVI and EVI, respectively, with a data volume of 310 MB.
引 言
黄河流域横跨中国地形三大阶梯,自西向东呈干旱、半干旱、半湿润及湿润气候,是我国重要的生态屏障区和经济发展区。由于流域内地貌单元复杂、气候差异明显、生物多样性丰富以及人为活动加剧,黄河流域成为我国典型的气候变化响应敏感区和生态系统脆弱区 [1-2]。我国自1978年起在全国范围内陆续实施“三北防护林工程”、“退耕还林还草工程”等系列重大生态修复工程,促使黄河流域生态环境整体向好[3-7]。但是,由于极端气候事件增多、自然灾害频发、人类生产活动干扰等因素的共同作用[8-10],导致流域局部地区的生态系统脆弱问题仍然突出存在,如上游生态系统退化、水源涵养功能降低,中游水土流失严重,下游生态流量偏低、河口湿地萎缩等[11]。随着新时代黄河流域社会经济发展由高增速转向高质量,及时、准确获取流域生态环境时空格局和演变规律,对于落实黄河流域生态保护和高质量发展国家战略具有重要意义。
植被占据着陆地生态系统的首要地位,被认为是气候变化和区域生态环境状况的综合指示器[12]。随着遥感技术日新月异的发展进步,多尺度、长时序植被变化遥感监测已经成为定量评价区域生态系统健康状况和演变趋势的重要手段。其中,作为表征植物生长状况的一种简单而稳健的指标,归一化植被指数(NDVI)在不同尺度的植被动态变化监测中得到最广泛应用。在黄河流域,杨胜天等[7]和贺振等[13]分别利用1982−2013年间8 km AVHRR-NDVI和GIMMS-NDVI数据、Li等[14]和张亚玲等[15]利用1998−2015年间1 km SPOT-NDVI数据以及Tian等[16]、Jiang等[17]和张志强等[18]利用2000年以来的1 km、250 m MODIS NDVI数据分析了流域植被覆盖的时空变化格局及其发展趋势。然而,基于其他植被指数(如增强型植被指数EVI等)数据开展黄河流域植被变化监测研究鲜有报道,也尚未见流域植被时空演变特征相关数据集的开放共享。
本研究拟基于多源、可比的MODIS植被指数(NDVI、EVI)C6产品,采用趋势估算、显著性检验、变异系数等方法,生产2000−2020年黄河流域250 m分辨率植被生长季时空演变数据集,并实现公开共享,为精细刻画、科学认识黄河流域的植被时空演变规律及其相关研究提供重要的数据支持。
1   数据采集和处理方法
1.1   数据采集
黄河流域2000−2020年MODIS植被指数数据(MOD13Q1,C6)来源于美国航空航天局空间(https://earthdata.nasa.gov),时间分辨率16天,空间分辨率250 m,数据格式为HDF,投影方式为正弦曲线地图投影(Sinusoidal)。黄河流域边界数据来源于国家地球系统科学数据中心(http://www.geodata.cn)。
1.2   数据处理
1.2.1   数据预处理
数据预处理主要包括利用MODIS重投影工具(MODIS Reprojection Tool,MRT)从MOD13Q1数据产品中提取出所有的NDVI和EVI波段,并对其进行重采样、镶嵌、投影及格式转换等。其中,重采样方法采用最邻近采样(Nearest Neighbor),像元大小为250 m,投影转换为正轴等积割圆锥投影(Albers),水准面选择WGS84,数据格式由HDF转换成GeoTIFF。
1.2.2   生长季数据获取
首先通过国际通用的最大值合成法(Maximum Value Composites,MVC)获得月合成NDVI和EVI数据,然后通过均值法提取每年4−10月的NDVI和EVI值,获得2000−2020年逐年生长季NDVI和EVI数据。
1.2.3   时序变化趋势计算
采用非参数化Theil-Sen趋势估算法[19]计算生长季NDVI、EVI的时间序列变化趋势,公式如下:
式中:为植被NDVI或EVI变化趋势;ij为时间序列;xixj 分别表示时间序列中第i项和第j项的NDVI或EVI值;Median()为取中值函数。当>0时,表明植被变化呈上升趋势;反之,则表明植被变化呈下降趋势。
1.2.4   趋势显著性检验
为分析生长季NDVI、EVI时间序列变化趋势的显著性,采用非参数Mann-Kendall趋势检验法[20]。Mann-Kendall检验的统计S,利用下式计算:
式中:xixj 分别为时间序列中第i项和第j项的NDVI或EVI值;n为时间序列长度;为表征函数。
n≥10时,统计量S近似服从标准正态分布,将S标准化后得到检验统计量Z值,公式如下:
式中:
利用Z值进行趋势统计的显著性检验。采用双边趋势检验,在给定显著性水平下,在正态分布表中查找临界值。若,接受原假设,即趋势不显著;若,则拒绝原假设,即趋势显著。
1.2.5   波动特征计算
采用变异系数分析植被变化的波动性,计算公式如下:
式中:CV为NDVI或EVI变异系数;i为时间序列数;xi 为第i年NDVI或EVI;为2000−2020年NDVI或EVI均值。CV值越小,表明植被变化的波动性越小;反之,则表明植被变化的波动性越大。
2   数据样本描述
本数据集包含2000−2020年黄河流域植被生长季NDVI、EVI的时空变化趋势及其波动性特征信息,均为栅格数据,空间分辨率250 m。其中,植被时空变化趋势数据涵盖趋势估算和趋势的显著性检验结果,分别命名为YRB_growthSen_XX.tif和YRB_growthMK_XX.tif(XX为NDVI或EVI,下同);植被变化波动性特征数据的命名为YRB_growthCV_XX.tif。图1和图2展示了近21年间黄河流域植被生长季EVI的时空演变格局。


图1   2000−2020年黄河流域植被生长季EVI变化趋势(a)及其显著性(=0.05)(b)空间分布


图2   2000−2020年黄河流域植被生长季EVI变异系数空间分布
3   数据质量控制和评估
MOD13Q1产品经过了水、云、重气溶胶等处理,而且C6数据相比于C5数据在一定程度上消除了因卫星传感器老化而造成的数据衰减和失真问题[21]。因此,本研究的来源数据质量可靠。
在数据处理环节进行质量控制,确保数据的准确性。主要包括:(1)将下载的MOD13Q1 C6数据进行波段提取NDVI和EVI后,采用MVC法合成获取每月NDVI和EVI数据,有效消除云、大气、太阳高度角等噪声干扰;(2)采用均值法获取逐年生长季NDVI和EVI数据,消除极端年份气候异常对植被生长过程的影响。
在植被NDVI和EVI时空演变特征计算环节,采用Theil-Sen斜率估算和Mann-Kendall显著性检验量化植被NDVI和EVI时间序列变化趋势,这两种非参数统计趋势计算方法的优点在于不要求样本服从一定的分布,且对时间序列中的异常值不敏感,能够有效处理小的离群点和缺失值噪声[22]。相较于简单的线性回归,基于Theil-Sen和Mann-Kendall相结合的方法量化时间序列数据的变化趋势更加稳健[23]
4   数据价值
本数据集为2000−2020年黄河流域250 m植被生长季NDVI和EVI时空变化趋势及其波动性数据,可为系统揭示黄河流域植被时空变化格局、预测植被未来演变特征、分析植被与驱动因子之间的关系等研究提供参考。
5   数据使用方法和建议
本数据集已在国家地球系统科学数据中心(http://www.geodata.ac.cn)发布并提供共享服务。数据文件为GeoTIFF格式,解压后可使用ArcGIS、QGIS、ENVI等常用的GIS与遥感软件或Matlab、R等读取、查看、分析、处理及应用。需要说明的是本数据集中所有像元均参与时空演变特征计算,即未剔除非植被像元,数据使用者在应用过程中可根据实际需求进行掩膜处理。
致 谢
感谢NASA Earthdata提供MODIS数据。
[1]
金凤君. 黄河流域生态保护与高质量发展的协调推进策略[J]. 改革, 2019(11): 33–39.
[2]
杨尚武. 黄河流域不同时间尺度植被覆盖变化及与气候因子的关系[D]. 兰州: 西北师范大学, 2015.
[3]
杨泽康, 田佳, 李万源, 等.黄河流域生态环境质量的时空格局与演变趋势[J]. 生态学报, 2021, 41(19): 1-10.
[4]
赵安周, 刘宪锋, 朱秀芳, 等. 2000—2014年黄土高原植被覆盖时空变化特征及其归因[J]. 中国环境科学, 2016, 36(5): 1568–1578. DOI:10.3969/j.issn.1000-6923.2016.05.043.
[5]
LÜ Y, FU B J, FENG X M, et al. A policy-driven large scale ecological restoration: quantifying ecosystem services changes in the Loess Plateau of China[J]. PLoS One, 2012, 7(2): e31782. DOI:10.1371/journal.pone.0031782.
[6]
李春晖, 杨志峰. 黄河流域NDVI时空变化及其与降水/径流关系[J]. 地理研究, 2004, 23(6): 753–759. DOI:10.3321/j.issn: 1000-0585.2004.06.005.
[7]
杨胜天, 刘昌明, 孙睿. 近20年来黄河流域植被覆盖变化分析[J]. 地理学报, 2002, 57(6): 679–684. DOI:10.3321/j.issn: 0375-5444.2002.06.007.
[8]
黄金亭, 曹艳萍, 秦奋. 基于土地利用/覆盖变化模拟的黄河流域生态环境质量分析[J]. 河南大学学报(自然科学版), 2020, 50(2): 127–138. DOI:10.15991/j.cnki.411100.2020.02.001.
[9]
何霄嘉. 黄河水资源适应气候变化的策略研究[J]. 人民黄河, 2017, 39(8): 44–48. DOI:10.3969/j.issn.1000-1379.2017.08.009.
[10]
张艳芳, 吴春玲, 张宏运, 等. 黄河源区植被指数与干旱指数时空变化特征[J]. 山地学报, 2017, 35(2): 142–150. DOI:10.16089/j.cnki.1008-2786.000206.
[11]
习近平. 在黄河流域生态保护和高质量发展座谈会上的讲话[J]. 中国水利, 2019: 1–3.
[12]
PARMESAN C, YOHE G. A globally coherent fingerprint of climate change impacts across natural systems[J]. Nature, 2003, 421(6918): 37–42. DOI:10.1038/nature01286.
[13]
贺振, 贺俊平. 近32年黄河流域植被覆盖时空演化遥感监测[J]. 农业机械学报, 2017, 48(2): 179–185. DOI:10.6041/j.issn.1000-1298.2017.02.024.
[14]
LI Y, XIE Z X, QIN Y C, et al. Responses of the Yellow River Basin vegetation: climate change[J]. International Journal of Climate Change Strategies and Management, 2019, 11(4): 483–498. DOI:10.1108/ijccsm-08-2018-0064.
[15]
张亚玲, 苏惠敏, 张小勇. 1998—2012年黄河流域植被覆盖变化时空分析[J]. 中国沙漠, 2014, 34: 597–602.
[16]
TIAN F, LIU L Z, YANG J H, et al. Vegetation greening in more than 94% of the Yellow River Basin (YRB) region in China during the 21st century caused jointly by warming and anthropogenic activities[J]. Ecological Indicators, 2021, 125: 107479. DOI:10.1016/j.ecolind.2021.107479.
[17]
JIANG W G, YUAN L H, WANG W J, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51: 117–126. DOI:10.1016/j.ecolind.2014.07.031.
[18]
张志强, 刘欢, 左其亭, 等. 2000—2019年黄河流域植被覆盖度时空变化[J]. 资源科学, 2021, 43: 849–858.
[19]
LAVAGNINI I, BADOCCO D, PASTORE P, et al. Theil-Sen nonparametric regression technique on univariate calibration, inverse regression and detection limits[J]. Talanta, 2011, 87: 180–188. DOI:10.1016/j.talanta.2011.09.059.
[20]
GOCIC M, TRAJKOVIC S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Global and Planetary Change, 2013, 100: 172–182. DOI:10.1016/j.gloplacha.2012.10.014.
[21]
LYAPUSTIN A, WANG Y, XIONG X, et al. Scientific impact of MODIS C5 calibration degradation and C6+ improvements[J]. Atmospheric Measurement Techniques, 2014, 7(12): 4353–4365. DOI:10.5194/amt-7-4353-2014.
[22]
王巨. 基于时序NDVI植被变化检测与驱动因素量化方法研究 : 以河西地区为例[D]. 兰州: 兰州大学, 2020.
[23]
FERNANDES R, G LEBLANC S. Parametric (modified least squares) and non-parametric (Theil-Sen) linear regressions for predicting biophysical parameters in the presence of measurement errors[J]. Remote Sensing of Environment, 2005, 95(3): 303–316. DOI:10.1016/j.rse.2005.01.005.
数据引用格式
白燕, 杨雅萍, 孙九林. 黄河流域250 m植被生长季NDVI和EVI空间波动特征数据集(2000-2020年)[DB/OL]. 国家地球系统科学数据中心, 2021. (2021-07-14). DOI: 10.12041/geodata.17019388673186.ver1.db.
白燕,杨雅萍, 孙九林. 黄河流域250 m植被生长季NDVI和EVI变化趋势数据集(2000-2020年)[DB/OL]. 国家地球系统科学数据中心, 2021. (2021-07-14). DOI: 10.12041/geodata.36810597463013.ver1.db.
稿件与作者信息
论文引用格式
白燕, 杨雅萍, 孙九林. 黄河流域250 m分辨率植被生长季时空演变数据集(2000–2020年)[J/OL]. 中国科学数据, 2021. (2021-07-14). DOI: 10.11922/11-6035.csd.2021.0045.zh.
白燕
Bai Yan
主要承担工作:技术实施、基础数据处理、植被时空变化特征计算及论文撰写。
baiy@lreis.ac.cn
(1985—),女,山西省忻州市人,博士,高级工程师,研究方向为地球系统科学数据共享、全球变化与生态遥感。
杨雅萍
Yang Yaping
主要承担工作:成果集成与论文修改。
(1964—),女,北京市人,本科,高级工程师,研究方向为地球系统科学数据集成整合与共享应用。
孙九林
Sun Jiulin
主要承担工作:总体方案设计与技术指导。
(1937—),男,江苏省盐城市人,本科,院士,研究方向为科学数据共享与应用、智慧农业。
出版历史
I区发布时间:2021年9月22日 ( 版本ZH2
参考文献列表中查看
中国科学数据
csdata