２０１９年８月第４期

林业资源管理

ＦＯＲＥＳＴＲＥＳＯＵＲＣＥＳＭＡＮＡＧＥＭＥＮＴＡｕｇｕｓｔ２０１９Ｎｏ４

ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ在四川省多年植被覆盖度动态监测中的应用

冯　李，胡文英，李应鑫，张恩伟（云南师范大学，昆明 ６５０５００）

摘要：植被覆盖度的动态监测是研究区域生态环境的重要部分，基于 ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ遥感大数据云计算平台收集四川省２００１—２０１６年ＬａｎｄｓａｔＴＭ／ＯＬＩ的复合ＮＤＶＩ遥感影像，综合利用最大值合成法、像元二分模型、趋势分析等方法，估算２００１—２０１６年的四川省植被覆盖度，并对１６年的四川省植被覆盖度变化状况进行分析。结果表明：１）利用ＧＥＥ强大的云计算能力可以对大面积研究区域进行长时序的动态监测；２）２００１—２０１６年１６年间，四川省的植被覆盖整体呈现比较良好的状况且植被覆盖变化趋势比较稳定；３）四川省植被覆盖度呈现空间分布不均的状况，大体呈现从边缘到中心覆盖度逐渐降低的趋势。１６年间该地区的植被覆盖度整体呈现轻度增加的趋势，总体而言，四川省的植被覆盖状况良好。

关键词：植被覆盖度；像元二分模型；时空变化；动态监测

中图分类号：Ｐ２３７；Ｑ９４８　文献标识码：Ａ　文章编号：１００２－６６２２（２０１９）０４－０１２４－０８

收稿日期：２０１９－０６－１２；修回日期：２０１９－０７－０５基金项目：国家自然基金（４１５６１０４８）、云南省中青年学术技术带头人培养项目（２００８ＰＹ０５６）、

云南省高校科技创新团队支持计划、云南师范大学研究生科研创新基金项目（ｙｊｓ２０１８１１２）资助。作者简介：冯李（１９９６－），女，四川巴中人，在读硕士，主要从事资源环境遥感研究。Ｅｍａｉｌ：１３５２５８２４８９＠ｑｑｃｏｍ通讯作者：胡文英（１９７１－），女，重庆市合川区人，副教授，博士，主要从事数字遥感研究。Ｅｍａｉｌ：４０２０４２５２５＠ｑｑｃｏｍ

ＤＯＩ：１０．１３４６６／ｊ．ｃｎｋｉ．ｌｙｚｙｇｌ．２０１９．０４．０１８

ＤｙｎａｍｉｃＭｏｎｉｔｏｒｉｎｇｏｆＭｕｌｔｉｙｅａｒＶｅｇｅｔａｔｉｏｎＣｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎＰｒｏｖｉｎｃｅＢａｓｅｄｏｎＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅｓ

ＦＥＮＧＬｉ，ＨＵＷｅｎｙｉｎｇ，ＬＩＹｉｎｇｘｉｎ，ＺＨＡＮＧＥｎｗｅｉ（ＹｕｎｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ６５０５００）

Ａｂｓｔｒａｃｔ：Ｄｙｎａｍｉｃｍｏｎｉｔｏｒｉｎｇｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｓｔｕｄｙｉｎｇｒｅｇｉｏｎａｌｅｃｏｌｏｇｉｃａｌ

ｅｎｖｉｒｏｎｍｅｎｔＴｈｉｓａｒｔｉｃｌｅｕｓｅｓｔｈｅＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅｒｅｍｏｔｅｓｅｎｓｉｎｇｂｉｇｄａｔａｃｌｏｕｄｃｏｍｐｕｔｉｎｇｐｌａｔｆｏｒｍ

ｔｏｃｏｌｌｅｃｔｔｈｅｃｏｍｐｏｓｉｔｅＮＤＶＩｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｏｆＬａｎｄｓａｔＴＭ／ＯＬＩｉｎＳｉｃｈｕａｎＰｒｏｖｉｎｃｅｆｒｏｍ２００１

－２０１６，ａｎｄｍａｋｅｃｏｍｐｒｅｈｅｎｓｉｖｅｕｓｅｏｆｔｈｅｍｅｔｈｏｄｓｏｆｍａｘｉｍｕｍｓｙｎｔｈｅｓｉｓ，ｐｉｘｅｌｂｉｎａｒｙｍｏｄｅｌａｎｄｔｒｅｎｄ

ａｎａｌｙｓｉｓｔｏｅｓｔｉｍａｔｅｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎＰｒｏｖｉｎｃｅｆｒｏｍ２００１ｔｏ２０１６ａｎｄａｎａｌｙｚｅｔｈｅｃｈａｎ

ｇｅｓｉｎｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎＰｒｏｖｉｎｃｅｉｎｔｈｅｐａｓｔ１６ｙｅａｒｓＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｆｉｒｓｔｌｙ，ＧＥＥ′ｓ

ｐｏｗｅｒｆｕｌｃｌｏｕｄｃｏｍｐｕｔｉｎｇｃａｐａｂｉｌｉｔｙｃａｎｂｅｕｓｅｄｔｏｄｙｎａｍｉｃａｌｌｙｍｏｎｉｔｏｒｉｎｇｌｏｎｇｔｉｍｅｓｅｒｉｅｓｉｎｌａｒｇｅｓｔｕｄｙ

ａｒｅａｓＳｅｃｏｎｄｌｙ，ｆｒｏｍ２００１ｔｏ２０１６，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎＰｒｏｖｉｎｃｅｓｈｏｗｅｄａｒｅｌａｔｉｖｅｌｙｇｏｏｄ

ｏｖｅｒａｌｌｓｉｔｕａｔｉｏｎａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｃｈａｎｇｅｔｒｅｎｄｗａｓｒｅｌａｔｉｖｅｌｙｓｔａｂｌｅＴｈｉｒｄｌｙ，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ

　第４期 冯李等：ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ在四川省多年植被覆盖度动态监测中的应用

ａｇｅｉｎＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｐｒｅｓｅｎｔｓｕｎｅｖｅｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ，ａｎｄｇｅｎｅｒａｌｌｙｓｈｏｗｓａｔｒｅｎｄｏｆｇｒａｄｕａｌｄｅ

ｃｒｅａｓｅｆｒｏｍｔｈｅｅｄｇｅｔｏｔｈｅｃｅｎｔｅｒＩｎｔｈｅｐａｓｔ１６ｙｅａｒｓ，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎｔｈｉｓｒｅｇｉｏｎｈａｓｓｈｏｗｎａ

ｓｌｉｇｈｔｉｎｃｒｅａｓｅｔｒｅｎｄＩｎｇｅｎｅｒａｌ，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｉｓｉｎｇｏｏｄｃｏｎｄｉｔｉｏｎ

Ｋｅｙｗｏｒｄｓ：ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ｐｉｘｅｌｂｉｎａｒｙｍｏｄｅｌ，ｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｃｈａｎｇｅ，ｄｙｎａｍｉｃｍｏｎｉｔｏｒｉｎｇ

０　引言植被指覆盖在地球表面的植物群落，是地球生

态环境的重要组成部分，因其参与地球表层的物质

循环和能量交换过程，它的变化也能反映生态环境

的演变［１－２］。植被覆盖度（Ｆｒａｃｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅ，ＦＶＣ）是指植被（含叶、茎、枝）在地面的垂直投影面积占研究区总面积的百分比［３］，是分析地表

植被覆盖的重要参数，可以用来监测不同尺度的地

表覆盖状况［４］，是评价区域生态环境的一个重要

指标。

植被覆盖与生态环境之间关系紧密，植被覆盖

状况受气温、降水、地形等多种因素的影响，对地理

大环境的分析具有重要的参考意义。近年来，大量

学者利用遥感技术开展关于植被覆盖度的动态监

测，在传统地面实测方法［５］基础上采用了线性混合

像元模型法［６］、植被指数法［７］、混合像元分解法［８］、

决策树分类法［９］等方法估算植被覆盖度，并取得了

众多成果。归一化植被指数（ＮｏｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＮＤＶＩ）通常被用来进行区域范围内的植被覆盖度研究，且大量的研究结果显示ＮＤＶＩ与植被覆盖度有较高程度的相关性，因而可用ＮＤＶＩ来分析区域植被覆盖度［１０－１１］。但当前大多数关于

植被覆盖度的监测都是基于小范围及小区域的分

析，对于大尺度的地域范围，比如单一省域的植被

覆盖的动态监测比较少，这是由于传统的遥感分析

模式在下载数据、预处理、信息提取等方面存在较

多的弊端，耗时耗力［１２］。Ｇｏｏｇｌｅ公司推出的 ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ（简称为 ＧＥＥ平台）当前已收集 ＭＯＤＩＳ、Ｌａｎｄｓａｔ、Ｓｅｎｔｉｎｅｌ等常用遥感数据集，可利用在线或离线的编程方式获取和处理共享数据，并基于

强大的谷歌云平台，利用云计算进行遥感数据分析

与处理，避免了传统遥感分析模式带来的数据下

载、预处理等繁琐过程［１３］。

四川省地处西南腹地，四周邻接云南、甘肃等７

个省市，是西南、西北和中部地域的结合区，也是西

南片区重要省域。因此，对四川省进行长时序的植

被覆盖度动态监测，对于该省的植被覆盖、生态环

境评价具有重要意义。目前，已有相关研究对四川

省部分区域进行植被覆盖度动态监测，但是小范围

的区域并不能反映整个四川省大区域的植被覆盖

度状况。本研究基于ＧＥＥ云计算平台，收集了四川省１６年的ＮＤＶＩ数据，运用像元二分模型、一元线性回归趋势分析等方法，定量分析整个四川省的植

被覆盖度的时空变化及其变化趋势，以期为该省生

态环境评估及治理等提供参考。

１　研究区概况及数据来源１１　研究区概况

四川省位于北纬２６°０３′～３４°１９′和东经９７°２１′～１０８°３３′之间，地处中国西南腹地，区域位置图如图１所示。该省处于中国大陆一二级阶梯交接处，地形

高低不一，地势走向呈西高东低的趋势。四川地处

亚热带区域，由于受多样的地貌类型和不同的季风

影响，气候类型复杂多样，区域气候差异较大。四

川盆地云量多，晴天较少，西南季风带来丰富的降

水，空气较湿润，因而该省生物资源比较丰富，总体

上植被覆盖度良好。

１２　ＧＥＥ平台介绍ＧＥＥ是谷歌公司联合美国地质勘探局（ＵＳＧＳ）

创建的一个可以大批量在线处理遥感卫星影像数

据的云计算平台，是当前世界上最先进的基于云的

地理空间处理平台，旨在全球范围内执行高度交互

式算法开发。同时它提供了在线 ＪａｖａＳｃｒｉｐｔ（图 ２）和离线Ｐｙｔｈｏｎ的 ＡＰＩ接口，用户可以通过这些 ＡＰＩ在线编程快速调用大批量影像并进行影像分析处

理［１４］。相比较ＥＮＶＩ、ＥＲＤＡＳ等传统遥感影像处理工具，ＧＥＥ可以快速批量处理多达 ＰＢ级的大数据量影像，通过ＧＥＥ可以快速进行 ＮＤＶＩ，ＮＤＷＩ，ＮＤ

５２１

林业资源管理 第４期　

ＢＩ等指数计算，可以预测植被覆盖及作物产量，进行城市扩张研究，监测全球森林覆盖变化、全球气

候变化、南北极冰雪覆盖变化、全球土地利用类型

变化等［１４］。

图１　四川省区域位置图Ｆｉｇ１ＲｅｇｉｏｎａｌｌｏｃａｔｉｏｎｍａｐｏｆＳｉｃｈｕａｎｐｒｏｖｉｎｃｅ

注：行政区划图来自中国科学院资源环境科学数据中心。

　　ＧＥＥ包括数据集、云计算、ＡＰＩ、代码编辑器等主要组件，该平台主要是用于行星级环境数据分

析。据平台统计，当前ＧＥＥ平台可供使用的数据集

有ＬａｎｄｓａｔＴＭ／ＯＬＩ、Ｓｅｎｔｉｎｅｌ、ＭＯＤＩＳ等系列数据，拥有超过２００个数据集，多达５００万张影像，并且保持每日更新约４０００张影像，容量超过５ＰＢ［１４］。

图２　ＧＥＥＪａｖａＳｃｒｉｐｔＡＰＩ示意图Ｆｉｇ２ＧＥＥＪａｖａＳｃｒｉｐｔＡＰＩｓｋｅｔｃｈｍａｐ

６２１

　第４期 冯李等：ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ在四川省多年植被覆盖度动态监测中的应用

１３　数据源在 ＧＥＥ平台中，通过 ＪａｖａＳｃｒｉｐｔ在线编程语言

访问全球范围 ２００１—２０１６年 Ｌａｎｄｓａｔ影像，ＧＥＥ平台会自动在线处理遥感影像，进行辐射定标、大

气校正和几何校正等预处理［１６］。本研究所使用的

全国及四川省行政区划矢量数据来源于中国科学

院资源环境科学数据中心（ｈｔｔｐ：／／ｗｗｗ．ｒｅｓｄｃ．ｃｎ）。

由于 Ｌａｎｄｓａｔ７传感器在２００３年发生故障，接收到的数据有条带缺失，而 Ｌａｎｄｓａｔ８只满足 ２０１３年后的可用性，无法进行长时序的变化监测。故

本研究结合 ＬａｎｄｓａｔＴＭ及 ＬａｎｄｓａｔＯＬＩ影像，针对２００１—２０１６年的 Ｌａｎｄｓａｔ影像，采用 ＪａｖａＳｃｒｉｐｔ编程语言分别在线调用了 ２００１年、２００７年、２０１１年、２０１６年的 ＮＤＶＩ数据。由于四川省盆地地形的影响，云雾天气多，在调用４年的 ＮＤＶＩ影像时，采用最大值合成法以尽可能地消除云雾对遥感数

据带来的误差，最终使用了 ３２ｄＮＤＶＩ复合数据集，共计４８景遥感影像。

２　研究方法２１　植被覆盖度遥感反演模型

随着遥感技术的快速发展，人们可以利用遥感

技术来实现植被覆盖度的动态监测，并在长期的研

究中总结出多种关于植被覆盖度的估算模型［１５］。

本文采用像元二分模型对四川省的植被覆盖度进

行估算。像元二分模型对于影像辐射校正的影响

不敏感，并且计算简便，结果比较可靠，因而得到广

泛应用［１６］。该模型是一个简单实用的遥感估算模

型，它假设一个像元地表由有植被覆盖部分地表和

无植被覆盖部分地表组成，其中植被所占的比例是

该像元的植被覆盖度（ＦＣ）。相应地，无植被覆盖区

域所占比例即（１－ＦＣ）。有植被覆盖地表和无植被覆盖地表这两个部分所形成的光谱信息就组成了

整个影像，各部分的权重就是各自面积在像元中所

占的比例，所以植被覆盖度就是有植被覆盖地表在

像元中所占的权重。由此推算出植被覆盖度模型，

计算公式如下：

ＦＶＣ＝（Ｓ－Ｓｓ）（ＳＶ－ＳＳ）

（１）

式中：Ｓ为混合像元值，Ｓｓ为裸土或无植被覆盖地表的像元值；ＳＶ为纯植被覆盖地表的像元值。

基于ＮＤＶＩ与植被覆盖度之间的紧密相关性，综合大量研究，把ＮＤＶＩ与像元二分模型结合起来，就建立了基于 ＮＤＶＩ的植被覆盖度估算模型，计算公式如下：

ＦＶＣ＝（ＮＤＶＩ－ＮＤＶＩｓｏｉｌ）（ＮＤＶＩｖｅｇ－ＮＤＶＩｓｏｉｌ）

（２）

式中：ＮＤＶＩ为混合像元的 ＮＤＶＩ值；ＮＤＶＩｖｅｇ及ＮＤＶＩｓｏｉｌ分别是纯植被像元的 ＮＤＶＩ值及纯非植被像元的 ＮＤＶＩ值。根据像元二分模型的原理，ＮＤＶＩｖｅｇ和ＮＤＶＩｓｏｉｌ的理论取值应为１和０。但在现实情况中，植被覆盖受到气温、降水、地形等多种因

素的影响，一般不可能取到理论值，又因为缺乏大

面积地表实测数据作为参考，大量研究取定置信区

间内的ＮＤＶＩ最大值和最小值来代替［１６］。因此式

（２）变化为下面的模型：即公式（３）

ＦＶＣ＝（ＮＤＶＩ－ＮＤＶＩｍｉｎ）（ＮＤＶＩｍａｘ－ＮＤＶＩｍｉｎ）

（３）

本文也利用此种方法，分别计算出 ２００１年、２００７年、２０１１年、２０１６年这４年的 ＮＤＶＩ统计数据，根据累积百分比选择累积百分数 ２％ ～９８％为置信区间，累积百分比小于 ２％为近似纯非植被覆盖，小于９８％为纯植被覆盖。将这两个百分数对应的 ＮＤＶＩ值作为纯非植被覆盖和纯植被覆盖像元的 ＮＤＶＩ值，然后将四川省对应的 ＮＤＶＩ值带入式（３）计算出 ４个年份的植被覆盖度图像。

２２　植被覆盖度的时空变化趋势分析针对四川省近年来的植被覆盖度进行动态分

析，采用一元线性回归模型分析植被覆盖度随时间

变化的趋势。此方法原理是基于像元对１６年的植被覆盖度时空变化进行模拟，即采用最小二乘法逐

像元拟合每个像元值的变化趋势，以此来计算变化

率［１７］。用单个像元植被覆盖度随时间变化的特征

来反映整个空间的变化规律，最终该模型反演出某

７２１

林业资源管理 第４期　

区域在一段时间内的植被覆盖度变化的时空特

征［１８］。计算公式如下：

Ｓｌｏｐｅ＝

ｎ×∑ｎ

ｉ＝１（ｉ×∑

ｎ

ｉ＝１ｉ×ｆ( )

ｉ － ∑ｎ

ｉ＝１( )ｉ（∑

ｎ

ｉ＝１ｆｉ）

ｎ×∑ｎ

ｉ＝１ｉ２－（∑

ｎ

ｉ＝１ｉ）２

（４）

式中，Ｓｌｏｐｅ为变化斜率，ｎ为总的监测年数；ｆｉ为第ｉ年的植被覆盖度；拟合斜率反映四川省多年

植被覆盖度变化趋势，Ｓｌｏｐｅ为正，表明植被覆盖度

有所增加，反之表明减少，拟合斜率的绝对值越大，

表明变化越明显。

３　研究结果

３１　植被覆盖度时空分布特征

在众多关于植被覆盖度的研究中，多数研究都

根据 ＦＶＣ取值采用等间距划分法将其分为 ５类。

本文基于植被覆盖度图像，也采取等间距划分法对

植被覆盖度进行分级显示［７］：低植被覆盖度为（０～

２０％）、中低植被覆盖度为（２０％ ～４０％）、中植被覆

盖度为（４０％ ～６０％）、中高植被覆盖度为（６０％ ～

８０％）、高植被覆盖度为（８０％ ～１００％）。根据分级

显示的结果，统计出四川省不同等级植被覆盖度的

面积，分别形成了４个年份的植被覆盖分级图（图

３）及面积变化比例表（表１）。

图３　四川省２００１—２０１６年植被覆盖分级图

Ｆｉｇ３ＶｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍａｐｏｆＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｆｒｏｍ２００１ｔｏ２０１６

８２１

　第４期 冯李等：ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ在四川省多年植被覆盖度动态监测中的应用

表１　四川省多年平均植被覆盖度分级面积及比例Ｔａｂ１Ｔｈｅａｖｅｒａｇｅａｒｅａａｎｄｐｒｏｐｏｒｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎ

ｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｆｏｒｍａｎｙｙｅａｒｓ

覆盖度等级 面积／ｋｍ２ 面积比例／％

低　 ４２５６０５１ ７５３

中低 ７３９０８４７ １３０８

中　 １１６０９４６９ ２０５５

中高 １８５４４９９４ ３２８２

高　 １４７０２１９８ ２６０２

由图３和表１可知，四川省２００１—２０１６年的１６年间植被覆盖度整体状况良好，中高植被覆盖度等

级占全省面积的３２８２％，高植被覆盖度等级占全省面积的 ２６０２％，低植被覆盖度所占比例最低。从所统计的４年的植被覆盖分级图可以看出，低植被覆盖区域主要分布在成都平原地区并零散分布

在川西部分地区，高植被覆盖主要分布在川西北及

川东北和川南边缘区域。

四川省的植被覆盖度变化趋势比较明显，这一

点也从后面的趋势变化分析中得到验证，时空变化

最明显的是成都平原区域，川西北及攀西地区的植

被覆盖比较稳定。２０１１年是该省植被覆盖大幅度退化较明显的一年，但截至２０１６年，全省植被覆盖度呈现比较良好的状况。

３２　植被覆盖度时空变化特征根据一元线性回归模型，对于研究区的每个像

元，计算出２００１—２０１６年间的ＮＤＶＩ值变化趋势，即四川省 ２００１—２０１６年间的植被覆盖度变化趋势。Ｓｌｏｐｅ为正值，表明植被覆盖呈增长趋势，相应的Ｓｌｏｐｅ为负值，则表明植被覆盖呈下降趋势。各个区域都存

在不同的正负变化值，即存在不同的变化趋势［１７］。

基于Ｓｌｏｐｅ的值，根据自然断点分级法将变化趋势分为５类：Ｓｌｏｐｅ≤ －００８植被变化趋势明显退化；－００８＜Ｓｌｏｐｅ≤ －０００７８４３，表示轻度退化；－０００７８４３＜Ｓｌｏｐｅ≤００５１７６５，表示基本稳定；００５１７６５≤Ｓｌｏｐｅ≤０１３０１９６，表示轻度改善；Ｓｌｏｐｅ＞０１３０１９６，表示明显改善。并且根据自然断点分级的结果，估算出四川省植被覆盖度的变化趋势，得到植

被覆盖变化趋势图（图４），植被覆盖变化趋势统计图（图５）及植被覆盖变化面积和比例统计表（表２）。

图４　四川省２００１—２０１６年植被覆盖变化趋势图Ｆｉｇ４Ｔｒｅｎｄｍａｐｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｃｈａｎｇｅ

ｉｎＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｆｒｏｍ２００１ｔｏ２０１６

图５　植被覆盖变化趋势统计图Ｆｉｇ５Ｓｔａｔｉｓｔｉｃａｌｍａｐｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｃｈａｎｇｅｔｒｅｎｄ

表２　四川省多年植被覆盖度变化面积及比例Ｔａｂ２Ｖａｒｉａｔｉｏｎａｒｅａａｎｄｐｒｏｐｏｒｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎ

ｃｏｖｅｒａｇｅｉｎＳｉｃｈｕａｎｐｒｏｖｉｎｃｅｆｏｒｍａｎｙｙｅａｒｓ

变化趋势等级 面积／ｋｍ２ 面积比例／％

明显退化 ３１８６７４３８５ ５６４

轻度退化 １３９５９１６４９７ ２４７０

基本稳定 １９８３６９１８４５ ３５１１

轻度改善 １３８５７５５７６７ ２４５３

明显改善 ５６６３１７１６１ １００２

根据以上图表可知，从整体上看，四川省的植

被覆盖度基本上保持稳定状态，２００１—２０１６年的１６年间，四川省的植被覆盖变化趋势较稳定。呈基本

稳定状态，区域高达１９８３６９１８４５ｋｍ２，占全省面积

９２１

林业资源管理 第４期　

的３５１１％，植被覆盖有所改善的区域占全省面积的３４５５％，植被覆盖退化的区域占比３０３４％。植被覆盖有所改善的区域略高于有所退化的区域，植

被覆盖呈增加趋势的面积占比 ３４５５％，其中有１００２％为明显增加。植被覆盖有所改善的区域主要分布在攀西、成都平原及川东北地区；植被覆盖

呈减少趋势的面积占比３０３４％，其中有５６４％为明显减少，植被覆盖退化的区域主要分布在川西北

部分地区、成都片区及川东北少数区域。从面积占

比来看，植被覆盖度有所改善的区域要多于植被覆

盖退化的区域。

４　结论与讨论４１　结论

本文主要针对遥感数据云平台（ＧＥＥ）提供的长时序中等分辨率 ＬａｎｄｓａｔＮＤＶＩ复合数据，利用像元二分模型、一元线性回归趋势分析等方法，估算

出四川省植被覆盖度，并针对植被覆盖度进行了长

时序的动态监测分析，结果表明：

１）针对大范围区域，例如省域范围的长时序动态变化研究，ＧＥＥ云平台能够通过在线编程，为地学研究者提供大量有效数据，并可以对数据进行深

度分析处理，省时省力的同时也能为研究者提供更

深的研究空间。

２）２００１—２０１６年的１６年间，四川省的植被覆盖度整体呈现良好状况，植被覆盖度较高的等级占

比远远超出全省面积的５０％。２００１—２０１６年的１６年间，四川省的植被覆盖变化趋势比较稳定，植被

覆盖呈基本稳定状态的区域和植被覆盖有所改善

的区域在全省区域占比接近７０％，植被覆盖有所改善的区域略高于有所退化的区域。因此四川省近

年来的植被覆盖变化趋势整体呈现比较乐观的

状态。

３）从四川省植被覆盖度的空间分布状态来看，受人类经济活动的影响，植被覆盖较少区域主要分

布在成都平原区、川东丘陵区及川西高原区。因为

四川省的经济活动中心主要分布在成都平原区和

川东部分地区，而川西高原受高海拔、气候等自然

条件等因素的影响，植被生长状况较差。从四川省

植被覆盖度的空间变化状态来看，该省各个区域都

存在不同程度的变化，攀西地区的植被覆盖增加最

为明显，成都平原与川东北地区植被覆盖也有一定

的改善。

４２　讨论本文基于遥感影像数据，运用趋势分析等相关

方法，估算了四川省的植被覆盖度，并进行了长时

序的变化趋势分析。对本研究所利用的 ＧＥＥ遥感云平台有以下几点分析讨论：

１）数据获取方面，ＧＥＥ平台为注册用户提供免费在线数据，该平台提供多种数据类型，包括数百

个公共数据集和数百万景遥感影像，并每天定时对

数据进行更新。用户可直接利用平台进行搜索并

在线调用数据。

２）数据处理方面，ＧＥＥ平台可通过前端Ｐｙｔｈｏｎ或ＪａｖａＳｃｒｉｐｔ端口在线编程对数据进行可视化分析处理，ＧＥＥ云平台可利用后台数千万计算机对大批量数据进行分析处理，这种强大的云计算能力在节

约时间的同时，保证了数据分析的稳定性。

３）数据分析优势方面，在对大面积区域进行长时序分析时，ＧＥＥ云平台比传统的遥感数据处理工具更加省时省力。对于某些特殊地域如四川省、云

贵高原等地区，常年云量遮盖大，运用 ＥＮＶＩ等传统工具无法有效解决去云处理、长时序监测等问题，

而ＧＥＥ平台利用在线编程算法进行大批量影像预处理可以很好地解决这些问题，有效避免了时间和

空间对地学研究的限制。

相比传统的遥感影像处理工具，ＧＥＥ平台有更大的优势，然而由于该平台对注册用户免费开放，

平台的公用共享性使得平台的限时访问次数有限，

还存在数据导出超时和未及时告知用户的延时问

题。随着平台进一步的完善发展，这些问题也将得

到逐步解决。

关于本文的研究内容，此次研究主要是针对

植被覆盖度自身的状况及变化趋势进行分析，缺

少对于植被覆盖度时空分布及时空变化的缘由分

析，仍有待结合气候、地形、人类经济活动等因素

进行更深入地探讨，这也是今后进一步研究的重

点及难点。

０３１

　第４期 冯李等：ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ在四川省多年植被覆盖度动态监测中的应用

参考文献：

［１］赵英时．遥感应用分析原理与方法［Ｍ］．北京：科学出版社，２０１３．

［２］ＨｏｆｆｍａｎｎＷ Ａ，ＪａｃｋｓｏｎＲＢ．Ｖｅｇｅｔａｔｉｏｎｃｌｉｍａｔｅｆｅｅｄｂａｃｋｓｉｎｔｈｅ

ｃｏｎｖｅｒｓｉｏｎｏｆｔｒｏｐｉｃａｌｓａｖａｎｎａｔｏｇｒａｓｓｌａｎｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｌｉｍａｔｅ，

２０００，１３（９）：１５９３－１６０２

［３］ＧｉｔｅｌｓｏｎＡＡ，ＫａｕｆｍａｎＹＪ，ＳｔａｒｋＲ，ｅｔａｌ．Ｎｏｖｅｌａｌｇｏｒｉｔｈｍｓｆｏｒｒｅ

ｍｏｔｅｅｓｔｉｍａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｆｒａｃｔｉｏｎ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉ

ｒｏｎｍｅｎｔ，２００２，８０（１）：７６－８７．

［４］朱高龙，柳艺博，居为民，等．４种常用植被指数的地形效应评估

［Ｊ］．遥感学报，２０１３，１７（１）：２１０－２３４．

［５］ＷｈｉｔｅＭＡ，ＡｓｎｅｒＧＰ，ＮｅｍａｎｉＲＲ，ｅｔａｌ．Ｍｅａｓｕｒｉｎｇｆｒａｃｔｉｏｎａｌｃｏｖ

ｅｒａｎｄｌｅａｆａｒｅａｉｎｄｅｘｉｎａｒｉｄｅｃｏｓｙｓｔｅｍｓ：Ｄｉｇｉｔａｌｃａｍｅｒａ，ｒａｄｉａｔｉｏｎ

ｔｒａｎｓｍｉｔｔａｎｃｅ，ａｎｄｌａｓｅｒａｌｔｉｍｅｔｒｙｍｅｔｈｏｄｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ

Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：４５－５７．

［６］杨强，王婷婷，陈昊，等．基于 ＭＯＤＩＳＥＶＩ数据的锡林郭勒盟植

被覆盖度变化特征［Ｊ］．农业工程学报，２０１５（２２）：１９１－１９８．

［７］张本昀，喻铮铮，刘良云，等．北京山区植被覆盖动态变化遥感

监测研究［Ｊ］．地域研究与开发，２００８（１）：１０８－１１２．

［８］李苗苗，吴炳方，颜长珍，等．密云水库上游植被覆盖度的遥感

估算［Ｊ］．资源科学，２００４（４）：１５３－１５９．

［９］雷璇，杨波，蒋卫国，等．东洞庭湿地植被格局变化及其影响因

素［Ｊ］．地理研究，２０１２，３１（３）：４６１－４７０．

［１０］吴云，曾源，赵炎，等．基于 ＭＯＤＩＳ数据的海河流域植被覆盖度估

算及动态变化分析［Ｊ］．资源科学，２０１０，３２（７）：１４１７－１４２４．

［１１］陈效逑，王恒．１９８２－２００３年内蒙古植被带和植被覆盖度的时

空变化［Ｊ］．地理学报，２００９，６４（１）：８４－９４．

［１２］胡云锋，商令杰，张千力，等．基于 ＧＥＥ平台的１９９０年以来北

京市土地变化格局及驱动机制分析［Ｊ］．遥感技术与应用，

２０１８，３３（４）：５７３－５８３．

［１３］张滔，唐宏．基于ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ的京津冀２００１—２０１５年

植被覆盖变化与城镇扩张研究［Ｊ］．遥感技术与应用，２０１８，３３

（４）：５９３－５９９．

［１４］无形的风．ＧＥＥ学习笔记—ＧＥＥ简单介绍［ＥＢ／ＯＬ］．［２０１８－

１０－３０］．ｈｔｔｐｓ：／／ｚｈｕａｎｌａｎ．ｚｈｉｈｕ．ｃｏｍ／ｐ／２９０００４９５．

［１５］熊俊楠，彭超，范春捆，等．基于 ＭＯＤＩＳ时序数据的汶川地震

灾区植被覆盖变化监测［Ｊ］．应用基础与工程科学学报，２０１８，

２６（１）：６０－６９．

［１６］范建友，丁国栋，关博源，等．正蓝旗植被覆盖动态变化的遥感

监测［Ｊ］．中国水土保持科学，２００５，３（４）：５４－５９．

［１７］闫萧萧，李晶，杨震．２０００—２０１６年陈巴尔虎旗植被覆盖度时

空变化遥感动态监测［Ｊ］．中国农业大学学报，２０１８，２３（６）：

１２１－１２９．

［１８］熊俊楠，彭超，程维明，等．基于ＭＯＤＩＳ－ＮＤＶＩ的云南省植被覆盖

度变化分析［Ｊ］．地球信息科学学报，２０１８，２０（１２）：１８３０－１８４０．

（上接第１２３页）［１０］惠刚盈，胡艳波，赵中华．结构化森林经营研究进展［Ｊ］．林业科学

研究，２０１８，３１（１）：８５－９３．

［１１］胡艳波，惠刚盈．优化林分空间结构的森林经营方法探讨［Ｊ］．林业

科学研究，２００６，１９（１）：２－８．

［１２］汤孟平．森林空间结构研究现状与发展趋势［Ｊ］．林业科学，２０１０，４６

（１）：１１７－１２２．

［１３］冯仲科，杜鹏志，闫宏伟，等．创建新代森林资源调查监测技术体系

的实践与探索［Ｊ］．林业资源管理，２０１８（３）：５－１４．

［１４］ＰｉｒｔｉＡ，ＧｕｍｕｓＫ，ＥｒｋａｙａＨ，ｅｔａｌ．ＥｖａｌｕａｔｉｎｇｒｅｐｅａｔａｂｉｌｉｔｙｏｆＲＴＫ

ＧＰＳ／ＧＬＯＮＡＳＳｎｅａｒ／ｕｎｄｅｒｆｏｒｅｓｔｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＣｒｏａｔｉａｎＪｏｕｒｎａｌ

ｏｆＦｏｒｅｓｔＥｎｇｉｎｅｅｒｉｎｇ，２０１０，３１（１）：２３－３３．

［１５］ＤｒｏｓｏｓＶＣ，ＭａｌｅｓｉｏｓＣ．ＭｅａｓｕｒｉｎｇｔｈｅＡｃｃｕｒａｃｙａｎｄＰｒｅｃｉｓｉｏｎｏｆｔｈｅ

ＧａｒｍｉｎＧＰＳｐｏｓｉｔｉｏｎｉｎｇｉｎＦｏｒｅｓｔｅｄＡｒｅａｓ：ＡＣａｓｅＳｔｕｄｙｉｎＴａｘｉａｒｃｈｉｓ

ＶｒａｓｔａｍａＵｎｉｖｅｒｓｉｔｙＦｏｒｅｓｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄ

ＥｎｇｉｎｅｅｒｉｎｇＢ，２０１２，１（４）：５６６－５７６．

［１６］ＢａｋｕａＭ，ＰｅｌｃＭｉｅｃｚｋｏｗｓｋａＲ，ＷａｌａｗｓｋｉＭ．Ｒｅｌｉａｂｌｅａｎｄｒｅｄｕｎｄａｎｔ

ＲＴＫｐｏｓｉｔｉｏｎｉｎｇｆｏｒａｐｐｌｉｃａｔｉｏｎｓｉｎｈａｒｄｏｂｓｅｒｖａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓ［Ｊ］．

ＡｒｔｉｆｉｃｉａｌＳａｔｅｌｌｉｔｅｓ，２０１２，４７（１）：２３－３３．

［１７］张璐，蒲莹，陈新云，等．河北省森林资源现状评价分析———基于第

九次全国森林资源连续清查河北省清查结果［Ｊ］．林业资源管理，

２０１８（５）：２５－２８．

［１８］吴邦利，龙翠玲，秦随涛．茂兰喀斯特森林不同地形部位青冈种群

结构与分布格局研究［Ｊ］．广西植物，２０１８，３８（１）：４８－５６．

［１９］杨秀清，史婵，王旭刚，等．关帝山云杉次生林土壤的空间异质性及

其与地形相关性［Ｊ］．中国水土保持科学，２０１７，１５（４）：１６－２４．

［２０］薛峰，赵鸣飞，康慕谊，等．林型和地形因子对太岳山森林地表凋落

物矿质元素含量的影响［Ｊ］．北京师范大学学报：自然科学版，２０１７，

５３（４）：４９３－４９８．

［２１］由超，王宏年，宋修明，等．ＲＴＫ技术在森林资源连续清查中的应用

［Ｊ］．山东林业科技，２０１２（４）：８３－８４．

［２２］ＺｉｍｂｅｌｍａｎＥＧ，ＫｅｅｆｅＲＦ．Ｒｅａｌｔｉｍｅｐｏｓｉｔｉｏｎｉｎｇｉｎｌｏｇｇｉｎｇ：Ｅｆｆｅｃｔｓｏｆ

ｆｏｒｅｓｔｓｔａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｔｏｐｏｇｒａｐｈｙ，ａｎｄｌｉｎｅｏｆｓｉｇｈｔｏｂｓｔｒｕｃｔｉｏｎｓ

ｏｎＧＮＳＳＲＦｔｒａｎｓｐｏｎｄｅｒａｃｃｕｒａｃｙａｎｄｒａｄｉｏｓｉｇｎａｌｐｒｏｐａｇａｔｉｏｎ［Ｊ］．

ＰｌｏｓＯｎｅ，２０１８，１３（１）：１－１７．

１３１