原名：Seasonal and interannual drought responses of vegetation in a California urbanized area measured using complementary remote sensing indices
译名：使用互补遥感指数测量加利福尼亚城市化地区植被的季节性和年际干旱响应
期刊：ISPRS Journal of Photogrammetry and Remote Sensing (IF=11.774)
发表时间：2022.01
DOI：10.1016/j.isprsjprs.2021.11.002
1.研究背景
干旱是一种随时间推移而展开的现象，它会在时间尺度上影响植被。气候变化可能会影响干旱的强度和概率，因此在时间尺度上评估干旱的影响至关重要。而当前人们对主要城市植被类型之间干旱影响的时间、强度和持续时间的差异知之甚少。长期干旱期间，城市中不同类型的植被可能在不同的干旱持续时间后开始表现出干旱效应，并且它们可能在一年中的不同季节表现出这些效应。此外，不同植被类型的影响可能以不同的方式表达。因此需要同时跟踪几种关键类型的城市植被，以提供城市环境中干旱响应的总体情况。
2.研究内容
研究区是一个113平方公里的区域，包括美国加利福尼亚州圣巴巴拉市及其周边的城市化区域。根据高分辨率成像光谱数据的可用性和美国人口普查局城市化区域边界的修改版本定义研究区边界。研究区气候为地中海气候，大部分降水在11月至次年4月的冬季以降雨形式出现，2012年初至2019年初持续长期干旱，降水减少，气温偏高。
图1 (A)研究区范围，其中 (B) 有一年生草地的空地、桉树林以及高尔夫球场和居民区；(C) 橡树和其他阔叶树被居民区包围的河岸地区；(D) 城市公园、密集的住宅区和商业区。⊗是用于SPEI数据的美国历史气候学网络站
使用4米机载可见红外成像光谱仪获取的AVIRIS-NG图像进行土地覆盖分类。
图2 方法的概述工作流程
选择土地覆盖类别以优先考虑大片主要城市植被类型。需要通过更频繁地获取更粗糙的空间分辨率传感器如 Landsat来跟踪大片植被，以量化干旱引起的植被响应。通过专家解释创建了一个组合的训练和验证数据集，包括AVIRIS-NG 图像、2014 年1 m NAIP 正射影像、谷歌地球中的多个高分辨率图像、谷歌街景、圣巴巴拉市的行道树数据库，以及来自Alonzo 等人的树种分类。除裸土和水等小面积类别外，每个类别的样本大小最初设置为250个单像素目标。随机抽取数据集的训练(70%)和验证(30%)数据。
表1 土地覆盖分类的类别和面积估计
使用随机森林分类，选择88个波段输入到随机森林模型中，应用3x3多数滤波器平滑杂散、错分的像素。为了去除非代表性区域，屏蔽了农田、沼泽和主要建设或重建区域以及受2018年Montecito泥石流影响的区域。
使用2010年1月1日至2019年12月31日期间所有可用的273景Landsat影像，包括Landsat 5、Landsat 7和Landsat 8。所有图像重投影以匹配AVIRIS-NG分类的基准和投影；计算每景Landsat 影像的 NDVI。
图3 来自Landsat 8（2015年4月8日）的(A) NDVI和 (B) LST及来自 AVIRIS-C（2015 年4月16日）的 (C) EWT的图像
使用USGS Landsat地表温度产品作为LST的30米估计值。4米AVIRIS-NG土地覆盖分类重采样到30米网格。NDVI和LST的值汇总为每种覆盖类型的每月中值估计值。通过从每种植被类型的中值LST中减去每个图像的建成区/不透水面的中值LST以量化各植被类型相对冷却幅度。对每月的ΔLST取平均值。
使用经典型18米机载可见红外成像光谱仪飞行线。使用了18 m AVIRIS-C 图像，并将图像共同配准到1 m。
表2 AVIRIS-C 航线的日期
使用 EWT评估干旱期间所有植被类型的植物叶水分变化。将 AVIRIS-C 波段与具有光谱响应函数的Landsat 5 TM波段卷积，从 AVIRIS-C 图像中生成了模拟的 Landsat 5 TM NDVI。将4 m AVIRIS-NG土地覆盖分类汇总到 18 m AVIRIS-C 时间序列网格内，并从AVIRIS-C EWT和模拟Landsat NDVI时间序列的每个日期中提取可用像素。
研究了Landsat NDVI 和 ΔLST与标准化降水蒸散指数（SPEI）的相关性。SPEI 是一种干旱指数，根据降水量和潜在蒸散量量化与平均水平衡条件的差异，负值表示比平均条件干燥，正值表示比平均条件潮湿。使用几个SPEI 跨度计算研究区内的单个位置，即位于加利福尼亚州圣巴巴拉的美国历史气候学网络站，该站点的整个记录时间段(1896-2019) 用于计算 SPEI。以1-11 个月的跨度表示季节性、亚年度干旱的影响，以12、18、24、30 和36个月的跨度表示年际干旱。计算每种植被类型不同季节SPEI与NDVI、ΔLST的皮尔逊相关系数。
3.研究结果
3.1土地覆盖分类
土地覆盖分类的总体准确度和 kappa系数分别为 86%和0.85。使用所有验证样本点，平均用户精度UA为88%，平均生产者精度PA为86%；按土地覆盖类别加权的面积，平均UA为85%，平均PA为91%。除了更多样化的阔叶树和针叶树类，多数土地覆盖类别的准确度都> 80%。整个研究区有30%的树木覆盖、40%建成区或不透水的表面、20%的一年生草和8%的绿色草坪草。树木覆盖中，90%是阔叶树，包括桉树(17%)、橡树(~35%)和其他(~39%)，只有10%是针叶树。
表3 土地覆盖分类的误差矩阵
3.2 NDVI、ΔLST 和 EWT 时序变化
图4 Landsat NDVI和ΔLST的观测，灰色为缺少结果，虚线之间表示“异常干燥”到“极度干旱”年份，实线之间是“异常干旱”
主要城市植被类型干旱时NDVI表现出不同的时间模式。阔叶树具有冬季落叶树的典型信号, 春季和潮湿的年份的初夏NDVI最高。针叶树全年显示中等 NDVI 值，冬季略高。桉树冬季NDVI最高，但在干旱年份的冬季也出现严重下降。常绿橡树的NDVI值相对稳定，2016-2018年夏仅略有下降，冬季年际变化有所变化。一年生草表现出高季节性变化，NDVI在潮湿的冬季相对较高，在夏季非常低。但2014年冬季，一年生草地 NDVI 仍然很低，早春略有绿化，2018 年的绿化程度也较低，在干旱年份夏季的低值会延续到秋季。由于可以灌溉，草坪草NDVI在所有年份都相对一致，冬季较高，但在夏季干旱高峰年份相对下降。
所有植被类型的ΔLST一般在冬季最接近零，最负值出现在4至9月。阔叶树、桉树和橡树类在 2010-2011 干旱前年份的夏季表现出更强的相对降温，在干旱期间降温幅度有所减小。总的来说，与2010-2011年相比，2014-2016年夏的ΔLST植被降温减弱。
NDVI与ΔLST的负相关在各种植被类型中并不普遍，且随季节变化，在阔叶树和一年生草中表现得最强，在针叶树中二者具有正相关，在桉树中具有弱的正相关性。季节性NDVI在常绿橡树和草坪草上没有显着相关。
图5 NDVI中值与每种植被类型的ΔLST中值的季节变化
NDVI 和 ΔLST 的季节关系也受到长期年际干旱的影响。与湿润年份相比，干旱年份所有植被类型都出现了变化，但桉树和一年生草更显着。桉树NDVI 显着下降，但 ΔLST 变化不大。一年生草NDVI 显着下降，ΔLST 的温度更高。其他植被同样显示出 NDVI 的减少和 ΔLST 的变暖，但没有那么严重。
图6 两个关键年份（干旱前2011年和干旱的2014 年）NDVI与ΔLST
多数植被EWT从春到秋有所下降。树木EWT在不同年份的相同季节通常相似，与正常的夏季干旱相对应，但树木和草坪草春季EWT在2014年更高；草坪草秋季EWT同比下降幅度最大；一年生草EWT仅在春季是正值，夏季和秋季始终等于零。
图7 各植被覆盖类型的等效水厚度EWT（cm）和 NDVI的箱线图
结果表明EWT与不同植被类型的植被水具有相当强的关系。表明 EWT 可以用作植被冠层状态的内部指标，并且可以进行时序分析。
3.3 使用 SPEI 对干旱持续时间的植被响应
NDVI 通常与 SPEI 呈正相关，而 ΔLST 与 SPEI 呈负相关。两种相关性因季节、SPEI 跨度（干旱持续时间）和植被覆盖类型而异。
图8 SPEI跨度（x）与不同季节的 NDVI或每种植被覆盖类型的ΔLST（y）之间Pearson相关性R，具有高度显着相关性 (p < 0.01) 的细胞用 * 标记，虚线将季节性干旱（<12 个月）与年际干旱（≥12 个月）分开
表4 不同季节每种植被类型的SPEI 跨度与NDVI或ΔLST的最高 Pearson相关性R
多数植被SPEI和NDVI在夏季相关性最高，一年生草NDVI在冬季与SPEI的相关性最高。一年生草NDVI与SPEI仅跨度为12个月或更短时间显着相关，但多数树木的NDVI与SPEI跨度超过12个月的相关性最高。
ΔLST与SPEI的相关性一般夏季也最强。一年生草是唯一在所有季节中ΔLST与SPEI具有显着相关性的植被。且所有其他植被跨度≥12个月时ΔLST与SPEI最相关。
2014年4月树木和草坪草的异常高 EWT 值实际上与 SPEI 3 个月的负值较小（较湿润）有关。与春季不同，EWT 和 NDVI 与 SPEI 的夏季和秋季没有明显的差异。
图9 将SPEI 3个月的值与从 AVIRIS-C 图像得出的(A) EWT和(B) NDVI的中值进行比较
4.研究结论
研究深入了解了主要城市植被类型在一系列时间尺度上对干旱的敏感性，并展示了不同遥感变量的互补使用如何改进对干旱引起的植被冠层变化的评估。随着城市经历不断变化的气候条件，一年中某个时间的影像不太可能足以评估城市植被对生态系统的潜在影响。此外，由于预计自然区域在干旱和气候变化下的遥感图像时间序列中会表现出类似的响应，因此本研究中使用的技术可以广泛应用于自然或非城市管理的生态系统，以研究植被对干旱的响应。
5.引用格式
MILLER D L, ALONZO M, MEERDINK S K, et al. Seasonal and interannual drought responses of vegetation in a California urbanized area measured using complementary remote sensing indices [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 183(178-95.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
