原文信息
DOI: 10.1002/rse2.148
摘要
为了全面了解全球变化下的生态系统功能，需要在多个空间尺度上衡量生态系统功能的稳定性。虽然已经在小空间尺度上建立了一些衡量生态系统稳定性的方法，但如果放眼至景观尺度，这些衡量方法就收效甚微。遥感数据在研究景观尺度生态系统稳定性方面有巨大潜力，但同时也需要对应该数据的生态系统稳定性衡量方法。本文提出了一种利用卫星衍生数据：增强植被指数(Enhanced Vegetation Index，EVI)的时间序列数据，获得衡量生态系统功能稳定性的四个组成部分的方法。生态系统功能稳定性的四个组成部分分别是:变异性(Variability)、抵抗力(Resistance)、恢复时间(Recovery time)和恢复速率(Recovery rate)。作者将该方法应用于爱尔兰岛，以演示如何使用遥感数据来识别生产力中的大型扰动事件，同时处理了遥感数据噪声可能带来结果误差的问题。作者鼓励在与保护和管理相符的尺度上使用遥感数据评估生态系统的稳定性。
研究背景
生态系统对环境扰动的响应牵动着生态系统过程和经济的发展，遥感是在景观尺度通过生态系统功能量化其稳定性的有效方法。从生态学的角度来看，稳定性是一个多维概念，它反映了生态系统在功能方面吸收环境干扰并从环境干扰中恢复的能力生态稳定性通常用抵抗力（Resistance）恢复力（Resilience）和时间变异性（Temporal variability）来描述。这些衡量方法使用同一时间序列上生态系统的属性，并计算该属性偏离其平均水平的偏差。变异性测量系统的整体时间稳定性，经常以变异系数或方差作为测量指标；抵抗力反映了系统吸收扰动的能力；恢复力量化了生态系统特性在受到干扰后恢复到平衡状态的程度，通常以速率来衡量。作者强调应同时考虑多个组分，而不是将它们合成一个部分进行衡量，因此，理解稳定性多个维度的动态对生态管理至关重要。遥感数据中的各类植被指数可以支持在较高时间分辨率基础上研究大尺度的生态系统，但使用起来仍然存在相当大的障碍：(1)由于大气条件、水、表面反射特性或阴影造成的数据内部固有噪声；(2)用于测量恢复时间和抵抗力的环境干扰发生的时间是未知的。用平滑时间序列的方法可以解决噪声带来的一些问题，但由于平滑算法性能的不同，在结果中也会带来一定的偏差。目前现有的利用植被指数的文献大多是对已知时间、地点和类型的干扰进行研究，并有相对应的未扰动区域可进行比较，然而生态系统所受到的大部分干扰都是未知的，多方面的。因此，需要制定一系列可在景观尺度上应用的稳定性衡量方法，以便根据环境变化对生态系统功能进行评估。
上图展示了生态系统稳定性的不同组成部分A：时间变异性；B：抵抗力；C：恢复时间；D：恢复速率（定义为：抵抗力/恢复时间）。
研究区域及方法
研究区域：爱尔兰岛。
数据来源：2013年1月-2019年2月MODIS 16天合成产品，MYD13Q1和MOD13Q1。
数据处理：去除EVI值>1的栅格，EVI值<0的栅格赋值为0，表示该栅格内没有植被。在1km×1km的分辨率下取栅格值的中值以减小误差。从CORINE 2012土地覆盖数据(http://www.eea.europa.eu)中确定土地面积小于50%的像素在计算之前被删除，留下82279个栅格。为了去除季节因素的影响，计算EVI变异程度时，栅格数据都按照如下公式计算EVI异常：
其中：EVI (i,t) 表示日期为 t ，栅格i 的EVI值，m是一年中的某一月份，u表示在整个研究时间范围内，分别属m月内的日期，meanu∈m[EVI(i,u)]) 和 sdu∈m[EVI(i,u)] 表示栅格i的EVI均值和标准差。每个月的EVI均值，即为该月生产力的基准值。以 -2 为阈值，当 ΔEVI < -2 时，即认为该生态系统受到了干扰，称为“2-σ事件”。变异性、抵抗力、恢复时间和恢复速率的计算均在此基础上进行。
研究结果
本文中，作者提出了一种与遥感数据相匹配的衡量生态系统稳定性的方法，弥补了小尺度测量方法的一些不足，并且这种方法对于生态系统的管理与保护在尺度上是相符合的，既便于理解景观尺度生态系统功能与过程，研究结果又能给予相匹配的管理或保护建议。况且很多干扰都是未知的，多方面的，野外调查并不能包含所有的干扰。
（1）下图展示了研究区内变异性、抵抗力、恢复时间、恢复速率、最短恢复时间和最慢恢复速率的空间分布情况。
（2）下图中展示了6个稳定性指标之间的斯皮尔曼相关系数（Spearman’s rho），所有相关性均在P < 0.05的水平上显著。从中可以看出：恢复时间与恢复速率速率之间的相关性最高，且二者呈负相关关系，恢复时间与最长恢复时间呈正相关关系。
（3）下图统计了研究区内每个月所受干扰的次数，空间分辨率为1km×1km，（A）灰色表示2-σ事件总数，蓝色表示1-σ事件总数；（B）ΔEVI最大变异数量统计；（C）最长恢复时间的异常数量统计；（D）最慢恢复速率的异常数量统计。该研究结果印证了2012-2013年爱尔兰由于生长季气候不佳，冬季漫长，许多牧场被用作农业生产所产生的“饲料危机”。这一事件也表明，生态系统所受到的扰动是多方面的，不能仅根据一个因素分析和解释生态系统功能的紊乱。2009-2010年研究区遭受了近50年来最冷的冬季，2008年的夏季，雨水极端增加，这些干扰均被这种方法敏锐的捕捉到了。但其中（B）图显示，在2015年底到2016年初，研究区域受到大量干扰，但在（C）、（D）图中并未表现出相同时段内受到大量干扰，同时期也没有出现严重异常天气状况的记录。造成这种结果的原因可能是由于这一时期的数据噪声造成的“伪干扰”，所以分析数据时要结合多个指标，单一指标的数据往往是片面的，不能代表所受干扰的实际情况。
（4）下图显示了将"2-σ事件"发生数量按年合并，并使用广义线性模型(Generalised Linear Model,GLM)拟合其计数，结果表明：该生态系统受到环境干扰的次数并未随着时间的推移而出现增加的情况。图中的红色虚线代表空模型的截距。
小编有话说
这篇文章介绍了利用长时间序列遥感数据，分析生态系统稳定性的方法，该方法能弥补在自然环境下许多非人为因素的干扰无法及时捕捉并加以调查的不足，进一步发展了利用遥感技术和卫星影像调查研究大尺度生态系统功能的技术手段。同时，卫星影像的噪声不可避免的会对研究产生影响，如何选择适合的处理方法，降低噪声影响以获得最贴近实际情况的研究结果是一项需要考虑的问题。
本文作者：史超逸—中国林业科学研究院荒漠化研究所在读硕士
创作团队：国家自然科学基金国际（地区）合作与交流项目“中国-阿根廷温带草原退化合作研究：现状评价与恢复策略-32061123005”课题组
转自：“碧草黄沙天地间”微信公众号
如有侵权，请联系本站删除！
