2022, Vol. 34 
(2: 中国科学院东北地理与农业生态应用研究所, 中国科学院湿地生态与环境重点实验室, 长春 130102)
(3: 枣庄学院旅游与资源环境学院, 枣庄 277160)
(2: Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, CAS, Changchun 130102, P.R.China)
(3: College of Tourism, Resources and Environment, Zaozhuang University, Zaozhuang 277160, P.R.China)
湖泊水淹频次是指一定周期内单元水淹的次数. 湖泊水域范围的时空变化特征决定了湖泊湿地的景观结构与格局. 因此，湖泊水域淹没范围与淹没频次是影响湖泊湿地生态系统结构与功能的重要因子[1-3]. 湖泊水文过程与湖泊生态系统相互作用和影响，不同程度的水文过程对湖泊湿地生态系统的作用并不一致. 而一定程度合适的湖泊淹没频率可以促进周围湿地生态系统的多样性[4]. 另外，不同类型的湖泊也有着不同的水文生态过程. 相关研究表明，半干旱地区浅水型湖泊的时空变化相对复杂，枯水期与丰水期的湖泊面积往往相差甚远[5]. 湖泊和水库的库存水是人类活动、农业灌溉和社会发展所必须的根本保障[6]. 因此，湖泊水淹区的生态变化是湖泊生态系统安全与健康的重要保障[7-9].
近年来，在气候变化和人类活动的共同影响背景下，国内湖泊的生态状况发生了显著变化，严重影响了湖泊水文过程[10-12]. 同样，湖泊及其周围地表的蒸散量和地下水、地表水流量的交互作用对维持与恢复环境的生态意义更为明显[13-14]. 监测湖泊水文时空变化，评价湖泊水淹区域的生态变化及其生态效应具有重要意义[15]. Casanova和Brock[16]通过实验证明了洪水淹没的持续时间和频率调节着湖泊及其周边的生态结构与功能. Amir等统计分析了湖泊水淹面积变化对局地气候因子的影响，发现世界第二大咸水湖——伊朗尔米亚湖水淹面积的降低减缓了当地大气流动的速度；在暖干的气候条件下，湖泊对局地气候的影响程度随着湖泊水淹面积的缩减而降低[17]. 湖泊水淹频次与其周边生态因子的响应关系是近期的研究热点，目前研究把主要关注方向均放在了时序变化上[18-21].
随着遥感技术的发展，多类型传感器提供的多源遥感数据可以实现不同尺度数据的融合与互用，定量衡量不同尺度下地表生态评价及其变化成为可能[22-24]. 不同水文模型的构建也是湖泊生态变化检测在全球遥感技术实现过程中的一个有益探索，物理模型[25]、随机模型[26]和系统动态模型[24]等更多数学模型被构建用于湖泊生态变化检测. 徐涵秋[27]提出了用于衡量地表生态状况的生态指数(remote sensing base ecological index，RSEI). RSEI综合指数通过主成分分析方法集成了绿度、湿度、干度和温度等生态指标来评价整个研究区域的生态环境水平. 地表生态变化检测研究主要是基于单一时相影像对某区域地表生态状况进行评估. 如何利用年内多时相数据和综合多维生态指数共同表征地表的状态变化，从而提高地表(包括湖泊生态)变化信息的提取精度，是另一个主要关注的问题.
本文以月亮泡湖泊湿地为研究对象，以其在水淹区域内地表生态的时空变化特征为重点研究内容. 1994-2018年月亮泡的水淹区域的研究涉及以下内容: (1)完成研究区湖泊湿地遥感分类方案的构建，计算提取月亮泡湖泊湿地生态变化的(1995-2006、2006-2016年)年际变化范围及其方向和实际年际变化类型；(2)完成月亮泡湖泊湿地生态变化的(1995、2006、2016年)年内波动等级和主要生态因子的生长季累积量的计算提取；(3)定量衡量湖泊湿地生产能力等相关生态参数，进一步确定湖泊年际水淹频次和湖泊湿地生态变化的时空相关关系.
1 研究区概况与数据准备 1.1 研究区概况松嫩平原腹地的月亮泡湖泊湿地(45°35′~45°50′N，123°37′~124°9′E)位于吉林省西部洮儿河下游，嫩江西侧，界于吉林省大安、镇赉等县市之间. 月亮泡湖泊湿地主要包括月亮泡和新荒泡. 月亮泡湖底平坦，为游泥及细沙底质. 平水期水体面积达181 km2，最大面积达205.7 km2. 常年平均水深3~4 m，最深5 m. 结冰期为每年10月-次年3月，最大冰厚1.13 m，多年年平均冰厚0.89 m(图 1).
|
图 1 研究区位置图 Fig.1 Location of the study area |
月亮泡为天然淡水湖泊，对洮儿河、嫩江有拦蓄调洪作用. 1976年修筑围堤、排水节制闸等湖区水利配套工程，成为吉林西部最大调蓄水利枢纽. 2000年，月亮泡湿地作为东北地区重要湿地被列入中国重要湿地名录[28]. 近年来，吉林西部的“河湖连通”工程实现了月亮泡湖区的水资源调配，进一步改变了湖泊生态系统的分布格局[29-30]. 同时，1994-2018年极端气象事件对吉林西部月亮泡湖泊湿地的生态功能和结构产生了巨大影响，特别是1998和2013年2次大规模洪水交替发生. 因此，月亮泡湖泊湿地既有平原内部湖泊的变化共性，又有自己的独特性.
1.2 数据预处理研究用数据分别为中国资源卫星应用中心(http://www.cresda.com/CN/index.shtml)提供的环境1A和1B的CCD数字产品和美国地质调查局(USGS)地球资源观测与科学中心(EROS)提供的Landsat TM和OLI图像(http://earthexplorer.usgs.gov/). 其中，1994-2009年卫星影像数据为Landsat TM5卫星数字产品；2014-2018年数据为Landsat 8 OLI_TIRS卫星数字产品；2013年数据为中国的环境卫星HJ-1A和1B的CCD数字产品. 在HJ-1A卫星和HJ-1B卫星上装载的两台CCD相机为4波段的推扫式成像仪，星下点的空间分辨率为30 m，用于环境与灾害的监测预报. 为避免单一时相影像对年际分类结果的影响，利用5年内的清晰无云TM和OLI影像(< 10 % 的云量)组建基准年(重点观测年份). 根据月亮泡年际水淹没区域的实际卫星数据收集情况，1995、2006和2016年集中了研究区地表生长盛期的关键月份(4-10月)，被确定为月亮泡水淹区生态变化检测的基准年.
卫星影像数据的处理涉及辐射定标、大气校正和几何精校正. 辐射定标将原始影像的像素值(digital number，DN)转换为传感器处反射率(top of atmosphere reflectance, TOA)，大气校正算法为FLAASH；为了减少不同年份的影像反射差异，相对辐射校正又称辐射归一化，被用于不同卫星传感器数据的配准. 不同时相影像之间的配准采用二次多项式和最邻近象元法，配准的均方根误差小于0.5个象元. 不同于数据预处理过程中的图像辐射校正，处理的目的是减小两期卫星影像数据中辐射波动的影响[31]. 遥感影像的相对辐射校正主要应用于时序影像数据集合的构建，消除因大气和光照条件的不同而引起的两期影像数据的辐射差异[32].
1.3 地表生态特征指数及湖泊年际水淹频次计算为了提高地面物体的变化检测精度，修正的归一化水体指数(MNDWI)结合归一化植被指数(NDVI)、归一化土壤指数(NDSI)被用于计算提取研究区域内土地覆被类型的变化范围，并进一步确定其变化类型.
1.3.1 NDVI的计算NDVI计算公式为[33]：
| $ NDVI=(NIR-Red)/(NIR+Red) $ | (1) |
式中, Red代表红光波段，而NIR为近红外波段.
1.3.2 MNDWI及湖泊年际水淹频次的计算MNDWI计算公式为[34]：
| $ MNDWI=(Green-SWIR1)/(Green+SWIR1) $ | (2) |
式中, Green表示绿光波段，SWIR1表示Landsat卫星传感器的短波红外光谱波段. 月亮泡年际水淹频次的获取过程：①计算修正的水体归一化指数(MNDWI)；②确定水体划分阈值，累计二值化水体指数，并作为湖泊年际水淹频次；③根据参与计算的24期(1994-2018)年际数据，恒定水体的年际水淹频次为24，季节性水体的年际水淹频次为1~23.
1.3.3 NDSI的计算NDSI也被称为归一化差值裸土指数，被用于裸露土地信息的提取[35].
| $ NDSI=(SWIR1-NIR)/(SWIR1+NIR) $ | (3) |
变化检测方法的实现过程如图 2. 从生态学角度，本次研究与其他方法的主要区别在于(1)基于MNDWI、NDVI和NDSI等主要生态指标，计算生态指数的年内最大差值和年际动态变化率，用于定量衡量研究区的变化程度；(2)综合图像变换与像素点值运算，提取年内最大差值和年际动态变化率的第一主成分，标准化后的第一主成分分别用于定量衡量年内和年际地表类型的变化范围.
|
图 2 生态变化检测研究方案(MNDWIs、NDVIs、NDSIs为生态指数的生长季(4-10月)月值数据集合) Fig.2 The technique flow chart of the ecological factors change detection |
(1) 最大差异值
最大差异值(max-difference)是遥感监测区域年内变化的最大波动幅度. 年内变化检测研究实际收集的时序数据为j=4、5、6、7、8、9、10月(东北地区生长季的范围为4-10月)遥感影像数据，所以松嫩平原地区年内变化实际为年内生长季的月动态变化检测. 生态指数(eco-index，EI)包含了研究区地表水体指数、植被指数和土壤指数等[36]. 各月生态指数进行最大差值计算的公式如下：
| $ { Max-Difference }=\operatorname{Max}\left(E I_{i, 4}, E I_{i, 5}, E I_{i, 6}, \cdots, E I_{i, 9}, E I_{i, 10}\right)\\-\operatorname{Min}\left(E I_{i, 4}, E I_{i, 5}, E I_{i, 6}, \cdots, E I_{i, 9}, E I_{i, 10}\right) $ | (4) |
式中，Max-Difference为研究区地表年内生态变化的最大差异值；EIi, j为第i个地表生态指数(MNDWI、NDVI和NDSI)第j月的值. 研究区的土壤和水体信息的最大差异计算同最大NDVI差异值计算.
(2) 显著性分级
综合生态指数(RSEI)是由植被、水体和土壤等指标通过主成分分析得到的一个集成数值，用于评价监测区域的生态质量. 通常，RSEI被转换成85分制或百分制，进一步等间隔分割成5个值域梯度，分别对应差、较差、中等、良和优5个生态等级[37].
2.1.2 年际变化检测(1) 动态变化率
根据遥感数据的实际识别能力和陆表的生态状况，动态变化率实际上是两个样本中影像数值增加或减少的定量度量. 最终计算公式如下：
| $ { Dynamic \;Ratio }=\left(E I_{2}-E I_{1}\right) / \operatorname{Mean}\left(E I_{1}, E I_{2}\right) $ | (5) |
式中，EI1和EI2分别表示第1、2年地表生态指数(MNDWI、NDVI和NDSI)的月极大值. 两幅图像的平均值(Mean (EI1, EI2))来表示同一位置的生态指数(MNDWI、NDVI和NDSI)的恒定状态，并使用两期数据集的差分来表示生态环境的变化程度. 最后，将陆表的动态比率法描述为算法公式(5).
(2) 显著性分级
通常，陆地覆被类型的未变化区域具有接近于零的像素值，但变化区域的像素值通常大于(或小于)其他区域[38]. 当差分结果大于(或小于)给定阈值T(-T)时，该情况发生区域被确定为变化区域[39]. 常规计算方法只关注差分结果，由此引出的问题是差值较大的点未必发生了变化，差值较小的点未必没有变化. 动态比率算法(DRM)反映的是前后期陆表生态指数差异与其生态均值的对比结果. 综合水体、植被和土壤等信息的生态指数，动态变化率的正、负值分别代表综合生态指数的正变化方向(改善)与负变化方向(衰退)；年际动态比率第一主成分的显著性分级方法与年内最大差值的显著性分级方法相同.
2.2 陆表类型的遥感提取方案基于重建的NDVI、NDSI与MNDWI数据序列集合，分别提取研究区的植被信息、土地利用信息和水体信息，进一步计算并获取研究区的植被、土地利用与水体的变化信息(包括全年极大值、变异系数、生长季累积量的全年占比)，最终计算提取的变化信息构建适合于研究区湿地分类提取的多维特征数据集[40]. 分类方案如下：NDVI极大值+NDVI变异系数+NDVI生长季累积量的全年占比+NDSI极大值+NDSI变异系数+MNDWI极大值+MNDWI变异系数+面向对象+SVM分类算法，实现平台分别为：ERDAS 9、eCognition 9等遥感软件. ERDAS软件完成相关比值的运算提取，同时，eCognition软件通过面向对象+SVM分类算法实现研究区湿地类型的遥感解译提取，得到湿地分类结果.
2.3 验证点与遥感提取精度为了确保实验区内地表覆被类型的代表性，已有的遥感解释分类结果——全球表面覆盖率遥感数据产品(GlobeLand30)和Google Earth高分辨率图像作为采样点上地表类型数据集的参考依据. 同时，109个2016年9月的野外采样点和217个基于Google Earth高清卫星影像的人工解译样点和2006、2010年东北地区土地利用现状统计资料，在遥感影像图上选出各类具有代表性的样区. 把选取的样本随机分为2部分：70 % 用于分类，30 % 用于精度评价[41-42]. 在1994-2018共24年的分类结果中，7个年份的遥感解译精度在90 % 以上，比较真实反映了实际土地覆被类型分布(表 1)，用于研究区湖泊湿地主要覆被类型的变化检测.
|
表 1 研究区1994-2016年的土地覆被类型分类精度 Tab. 1 Classification accuracy of land cover types in the study area during 1994-2016 |
为确定月亮泡的年际水淹频次是否影响湖滨湿地生态状态，研究区采样方案如下：首先，利用叠加函数计算湖泊水体的多年年内波动频次(图 3a)与生长季MNDWI、NDVI和NDSI累积量；其次，利用eCognition软件平台的面向对象分割算法，将研究区内的非湿地类型和恒定水体从矢量数据(SHP)中剔除. 最后，通过区域性统计，得到四级缓冲距离的提取结果(图 3b)，以验证湿地生态状态与湖泊年际水淹频次的时空相关性.
|
图 3 月亮泡湖泊年际水淹范围的多年水淹频次(a)及四级缓冲区(b) Fig.3 The inter-annual lake inundation fluctuation frequency(a) and four buffer zones(b)of Lake Yueliang |
通过研究区主要湿地类型的面积变化来分析自然过程和人类活动强度对月亮泡湖泊湿地的影响. 研究区湿地类型分为水田、恒定水体、沼泽湿地3类(图 4). 利用线性回归分析方程对3种湿地类型的区域变化特征进行了统计分析. 统计结果表明，水田面积持续性增加最明显，趋势值为11.746 km2/a(函数方程y=11.746x-2.909, R2=0.817). 水田是该区域人类活动的主要形式，成为湖泊湿地的最为持续的干扰因子. 研究区水体分析结果未通过显著性检验(P>0.05)，恒定水体主要变化特征为周期性增减，总体面积稳定. 此外，研究区沼泽的函数方程为y=-20.663 x+314.9(R2=0.736)，表示沼泽的区域变化呈持续性下降趋势，趋势值为-20.663 km2/a.
|
图 4 主要湿地类型的变化特征 Fig.4 The changed trend of wetland types in the study area |
1994-2018年，湖泊的年际水淹没区域主要分布在月亮泡北侧和西侧尾闾，年际水淹频次的均值分别为18(波动范围12~24)、15(波动范围13~23). 湖泊北侧年际水淹没区域的面积为58.36 km2，月亮泡西侧尾闾的年际水淹没面积为25.07 km2. 综上，月亮泡年际水淹没区域总面积为83.43 km2，占整个湖泊影响范围(恒定水体面积与季节性水体面积)的56.85 %. 月亮泡是一个典型的内陆潮汐性湖泊，湖泊北侧的年际水淹没区域面积更大，年际水淹频次更高(图 5). 月亮泡湖泊湿地的范围划分依据，沿嫩江河堤和省、地级公路为主要边界圈定本次研究范围(图 5). A与B区域的分割来自区域内主要人工建筑物(道路和桥梁)和实际年际水淹频次.
|
图 5 1994-2018年月亮泡的水淹没范围及其水淹频次 (A、B分别为月亮泡北侧和西侧尾闾年际水淹没区域，下同) Fig.5 The flooding area and inundation fluctuation frequency of Lake Yueliang during 1994-2018 |
(1) 变化等级与范围
为了便于分析地表生态变化方向和显著性等级，动态比率的第一主成分被标准化成[-1, 1]的值域范围，进一步将其分隔成5个生态等级：[-1，-0.6)、[-0.6，-0.2)、[-0.2，0.2]、(0.2，0.6]、(0.6，1]，分别代表显著负变化方向、偏负方向、稳定、偏正方向、显著正变化方向. 最终，[-1，-0.6)和(0.6，1]作为两个极显著变化值域，被确定为年际动态检测的变化范围.
1995、2006和2016年作为主要年际变化检测时段，研究区地表主要生态指数(MNDWI、NDVI、NDSI)年际变化的动态比率计算第一主成分，用于定量衡量该区域内的年际变化方向. 研究区地表生态的年际变化方向的结果表明(图 6)：1995-2006年，月亮泡北侧年际水淹区为该检测时段湿地生态的主要正向变化(改善)区域. 2006-2016年，月亮泡西侧尾闾的年际水淹区为该检测时段湿地生态的主要正向变化(改善)区域，同时月亮泡北侧年际水淹区的地表生态变化相对稳定.
|
图 6 1995-2006(a)和2006-2016年(b)月亮泡湿地生态的年际变化 Fig.6 The inter-annual change direction of ecological factors in Lake Yueliang during 1995-2006(a) and 2006-2016(b) |
(2) 面积占比
1995-2006年，湖泊北侧水淹没区域内湿地生态的年际变化以改善为主要特点，面积占比为39.96 % (A区域面积)；湖泊西侧尾闾湿地生态改善区域占B区域面积的19.56 %. 2006-2016年，月亮泡水淹没区域湿地生态的年际变化相对稳定，北侧湖泊湿地生态的年际变化改善区域面积占比为1.51 % (A区域面积)；西侧尾闾湿地生态的年际改善面积占B区域面积的38 %. 综上，月亮泡西侧尾闾的地表生态年际变化以正向变化(改善)为主要特点，同时湖泊北侧的地表生态年际变化趋于稳定(表 2).
|
|
表 2 月亮泡湖泊湿地生态的年际变化面积占比 Tab. 2 The percentage of different ecological changed areas in Lake Yueliang |
月亮泡西侧尾闾沼泽湿地在水淹没区域B内的面积占比从1995年的80.29 % 下降到2016年的23.69 %. 同时，恒定水体面积占比从1995年的15.1 % 增加到2016年的74.87 %；北侧沼泽湿地在水淹没区域A内的面积占比从1995年的92.94 % 减少到2016年的25.39 %. 同时，恒定水体面积从1995年的15.1 % 增加到2016年的74.87 % (图 7). 综上，在主要观测时段内，恒定水体面积的增加与沼泽湿地面积的减少是月亮泡水淹区的主要变化.
|
图 7 月亮泡北侧(a)和西侧尾闾(b)水淹区内土地植被覆盖类型的面积占比 Fig.7 The area ratios of land vegetation cover types in flooded area in the northern (a) and western end (b) of Lake Yueliang |
为了方便进行显著性分析，最终该结果的第一主成分被正规化到[0, 1]区间，年内的最大变化差异划分为：[0，0.2)、[0.2，0.4)、[0.4，0.6]、(0.6，0.8]、(0.8，1]，分别代表极不显著、不显著、中等、显著、极显著5个生态等级.
从1995、2006、2016标准年的生态波动级别分析表明，2006年，月亮泡北侧湿地的年内生态波动的极显著等级(L-5)面积占比为88.44 %；2016年，月亮泡西侧尾闾湿地的一般变化等级(L-3)为年内生态波动等级的最大面积占比(56.8 %)(图 8). 综上，月亮泡北侧湿地的年内生态波动级别比湖泊尾闾更为显著.
|
图 8 月亮泡湿地北侧(a)和西侧尾闾(b)年内生态波动等级的面积占比 Fig.8 The area ratios of different annual ecological level areas in the northern (a) and western end (b) of Lake Yueliang |
研究区地表生态因子的累积量变化表明，2016年月亮泡尾闾水体指数的年内累积量增加最为显著，为3.487±1.503. 同时，湖泊西侧尾闾地表植被指数的年内累积量的衰减也较北侧显著. 在主要观测时段内，月亮泡湖泊尾闾具有较低的年际水淹频次，年内生长季水体信息(增加)与植被累积量(减少)的时序变化更为显著. 综上，月亮泡湖泊尾闾湿地水进土退、水进植被退的时序变化特点更为显著(表 3).
|
|
表 3 月亮泡水淹区内主要生态因子的生长季累积量 Tab. 3 The spatial accumulation of ecological indicators in the study area of Lake Yueliang |
选择Spearman秩相关分析来定量衡量NDVI生长季累积量与月亮泡水淹频次的多年平均值的空间相关性. 结果表明，在距离月亮泡湖泊4.5 km的缓冲区上，地表具有相对稳定的湖滨湿地生态环境，湖泊年际水淹频次最低，平均值为0.441；地表植被累积量最高(1.587±0.529)(表 4、5). 在1.5~3.0 km范围内，湖泊年际水淹频次与生长季MNDWI、NDVI和NDSI累积量的空间相关性相对显著，相关系数分别为0.719、-0.683和-0.561；湿地植被累积量较高(1.581±0.421). 在缓冲区0~1.5 km范围内，湖泊年际水淹频次与生长季MNDWI、NDVI和NDSI累积量的空间相关性最高(0.878、-0.890和-0.756)，通过了0.01显著双侧检验，但是湿地植被累积量最低(1.148±0.519). 湖泊年际水淹频次影响着湖泊湿地MNDWI、NDVI和NDSI累积量，最终导致湖滨湿地生态变化. 综上，月亮泡湖泊年际水淹频次在一定时间和空间上影响着水淹区内的植被生产力(负相关关系)，通过年内生态波动，进一步影响地表生态年际变化.
|
|
表 4 月亮泡地表NDVI与多年平均水淹没次数 Tab. 4 Comparison between wetland parameters and the lake fluctuation frequency |
|
|
表 5 月亮泡水淹区生态因子与多年平均水淹频次的空间相关性* Tab. 5 Correlation between the ecological factors and the multi-year average fluctuation frequency of inundation in the study area |
月亮泡湖泊湿地变化既有平原内部湖泊的变化共性，又有自己的独特性. 月亮泡湖泊湿地位于东北平原腹地，地形结构相对封闭，接受外界供水较少. 洮儿河和霍林河只有在汛期可以维持一定的水量，很难成为河流中下游沿岸湖泊湿地的有效补给资源. 同时，统计分析结果表明，以4年作为降水的累积周期，月亮泡湖泊面积与降水年累积量的相关系数最高，R2为0.973(图 9). 研究区4年的降水累积量直接影响月亮泡恒定水体面积，进而影响湖泊年际水淹频次，是湖泊恒定水体面积和年际水淹频次的主要影响因素.
|
图 9 气候因子(降水/气温)与恒定水体的相关性分析 Fig.9 The correlation analysis of climate factors and constant water bodies |
基于陆地资源卫星与环境卫星作为数据源，利用动态比率与最大差值算法分别定量衡量湿地生态的1995、2006和2016标准年年际/年内变化，进一步分析吉林西部月亮泡湖泊湿地1994-2018年年际水淹频次及其对地表生态环境的影响. 近年来，月亮泡年际水淹频次下降、湖面扩展、沼泽湿地逐年萎缩，进而湖泊湿地生态因子中植被生产能力在短时期内上升.
4.1 月亮泡湖泊湿地水淹区的气候变化吉林省是内陆湖泊湿地资源的重要分布省份. 湖泊湿地主要集中在吉林中西部的干旱、半干旱地区，湖泊湿地的空间变化具有较强的干旱、半干旱地域性特征[43-44]. 同时，实际研究工作也表明，吉林省西部湿地总面积一直呈稳步减少趋势. Mao等指出，在1990-2010年中国最常见的自然湿地中，沼泽湿地是呈现下降趋势的主要湿地类型. 但是，湖泊湿地(恒定水体)经历了3.9 % 的面积扩展[45]. 2012-2017年，近地表湿度的函数趋势方程为y=-1.5781x+72.017(R2=0.8294)，近地表大气湿度降低趋势显著(图 10). 生长季气候因子的变化不同于气候因子的年际变化，因此生长季的主要气候因子与内陆湖泊水淹范围及其水淹频次的相关关系值得进一步研究.
|
图 10 2003-2017年研究区生长季(5-10月)空气湿度和降水/蒸发量差异 Fig.10 The difference between precipitation, evaporation, and humidity in growing season during 2003-2017 |
统计分析月亮泡湖滨湿地生态变化(改善/衰退)区域内的主要土地覆被转换类型(表 6). 首先，湖泊恒定水体面积扩展是1995-2006和2006-2016年月亮泡北侧湿地主要改善类型，分别为31.093、28.429 km2. 其次，2006-2016年，月亮泡西侧尾闾湿地表现为大规模沼泽化，各种地物类型共计转出成为沼泽湿地的面积为10.4 km2. 月亮泡湖泊湿地类型与其他地表植被覆被类型间的转换是本区域内生态变化的主要形式. 研究区地表生态衰退的主要形式是湖泊湿地开垦为耕地.
|
|
表 6 月亮泡水淹区生态变化与主要土地覆被类型转换(km2) Tab. 6 The main changed types of land-cover in the lake pulse region(km2) |
近年，大量的农业用水在一定程度上减少了湖泊水淹区域，降低了湖泊水淹频次，最终促进了当地湖泊的沼泽化. 周静等[46]的研究表明，湖泊水位下降对湖泊湿地中芦苇分布面积的扩张起促进作用. 湖泊水淹区域减少，最终水淹频次下降，地表植被在短时间内得到一定程度的生物量累积. 另外，月亮泡是松嫩平原内部的半天然内陆湖泊湿地，具有占比最大的湖泊水淹区域. 月亮泡是莫莫格湿地的重要组成部分，湖泊淹水与盐度交互作用对水生生物群落的株高及其生物量有着显著影响[47]. 刘舒[48]发现2000-2016年吉林西部湿地植被净初级生产力指数(NPP)不断增加，湿地草本植物夏季累积量的上升趋势明显.
4.3 月亮泡水淹区的土地盐碱化松嫩平原是世界上主要的苏打盐碱地分布区之一. 土壤中微量的钠盐会显著增加土壤的酸碱度，从而导致土壤盐渍化[49]. 研究区土地盐渍化会直接改变水从土壤深层向地表运移的过程，表层积水逐渐转化为碱性土地，碱性土地具有相对稳定的面积和无生物量产出等特点[50-51]. 1994-2006年，月亮泡湖泊湿地由于土地盐碱化导致的生态退化主要发生在湖泊西侧尾闾湿地，为8.94 km2；2006-2016年，月亮泡湿地由于土地盐碱化导致的生态退化主要发生在月亮泡湖泊北侧湿地，为2.33 km2(表 7). 盐碱化土地的扩大是月亮泡湖泊湿地土壤裸露程度增加的主要形式，也是研究区湖滨湿地生态稳定的主要威胁[52].
|
|
表 7 月亮泡水淹区生态变化与土地盐碱化(km2) Tab. 7 The main changed types of land-cover in saline-alkali areas in Lake Yueliang (km2) |
基于遥感卫星数据的月值序列集合，综合水体、植被和土壤指数(MNDWI、NDVI、NDSI)对研究区地表生态变化进行评价，进一步检测和分析湿地生态因子对湖泊年际水淹频次的响应，最终综合时空变化分析结果表明：
1) 月亮泡是一个典型的内陆潮汐性湖泊. 1994-2018年湖泊北侧和西侧尾闾存在2个湖泊水淹区，湖泊北侧年际水淹频次明显大于湖泊西侧尾闾的水淹频次. 从年际变化类型和生态因子累积量的统计结果表明，月亮泡年际水淹区内具有明显的水进土退、水进植被退化的生态变化特点，其中湖泊北侧的变化更为显著.
2) 月亮泡湖泊湿地生态变化存在显著的空间区域性，西侧尾闾的地表生态年际变化以改善主要特点，湖泊北侧的地表生态年际变化趋于稳定. 同时，湖泊湿地生态变化存在显著的季节性，湖泊尾闾湿地的年内生态波动属于中等级别，湖泊北侧湿地的年内生态波动更为显著.
3) 研究区4年降水量与恒定水体呈显著正相关关系，即降水直接影响恒定水体面积的变化，间接影响湿地生态功能. 同时，湿地生态对恒定水体的响应范围约为1.5~3.0 km. 综上，研究区湿地的变化机制表现为气候-水-湿地的相关性. 因此，合理科学调配嫩江的入湖水量和维持研究区自然湿地水位是月亮泡湖泊湿地恢复的必要条件；月亮泡北侧与西侧自然沼泽湿地的恢复是该区域生态保护的关键.
| [1] |
Xu C, Jiang WG, Wan LD et al. Research of flood submerged frequency in dongting lake region based on time series dataset of MODIS. Journal of Catastrophology, 2016, 31(1): 96-101. [许超, 蒋卫国, 万立冬等. 基于MODIS时间序列数据的洞庭湖区洪水淹没频率研究. 灾害学, 2016, 31(1): 96-101.] |
| [2] |
Du Y, Xue HP, Wu SJ et al. Lake area changes in the middle Yangtze region of China over the 20th century. Journal of Environmental Management, 2011, 92(4): 1248-1255. DOI:10.1016/j.jenvman.2010.12.007 |
| [3] |
Zohary T, Ostrovsky I. Ecological impacts of excessive water level fluctuations in stratified freshwater lakes. Inland Waters, 2011, 1(1): 47-59. DOI:10.5268/IW-1.1.406 |
| [4] |
Gao Y, Xie YH, Zou DS. Hydrological regime change and its ecological responses in East Dongting Lake, China. Ecohydrology & Hydrobiology, 2020, 20(1): 142-150. DOI:10.1016/j.ecohyd.2019.07.003 |
| [5] |
Feng L, Hu CM, Chen XL et al. Assessment of inundation changes of Poyang Lake using MODIS observations between 2000 and 2010. Remote Sensing of Environment, 2012, 121: 80-92. DOI:10.1016/j.rse.2012.01.014 |
| [6] |
Alsdorf DE, Rodríguez E, Lettenmaier DP. Measuring surface water from space. Reviews of Geophysics, 2007, 45(2): RG2002. DOI:10.1029/2006RG000197 |
| [7] |
Poff NL, Allan JD, Bain MB et al. The natural flow regime. BioScience, 1997, 47(11): 769-784. DOI:10.2307/1313099 |
| [8] |
Khan SI, Hong Y, Wang JH et al. Satellite remote sensing and hydrologic modeling for flood inundation mapping in lake Victoria basin: Implications for hydrologic prediction in ungauged basins. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 85-95. DOI:10.1109/TGRS.2010.2057513 |
| [9] |
Xu N, Ma Y, Zhang WH et al. Monitoring annual changes of lake water levels and volumes over 1984-2018 using Landsat imagery and ICESat-2 data. Remote Sensing, 2020, 12(23): 4004. DOI:10.3390/rs12234004 |
| [10] |
Huntington TG. Evidence for intensification of the global water cycle: Review and synthesis. Journal of Hydrology, 2006, 319(1/2/3/4): 83-95. DOI:10.1016/j.jhydrol.2005.07.003 |
| [11] |
Adrian R, O'Reilly CM, Zagarese H et al. Lakes as sentinels of climate change. Limnology and Oceanography, 2009, 54(6part2): 2283-2297. DOI:10.4319/lo.2009.54.6_part_2.2283 |
| [12] |
Cardille JA, Carpenter SR, Foley JA et al. Climate change and lakes: Estimating sensitivities of water and carbon budgets. Journal of Geophysical Research: Biogeosciences, 2009, 114(G3): G03011. DOI:10.1029/2008JG000891 |
| [13] |
Panagoulia D. Impacts of GISS-modelled climate changes on catchment hydrology. Hydrological Sciences Journal, 1992, 37(2): 141-163. DOI:10.1080/02626669209492574 |
| [14] |
Shankman D, Keim BD, Song J. Flood frequency in China's Poyang Lake region: Trends and teleconnections. International Journal of Climatology, 2006, 26(9): 1255-1266. DOI:10.1002/joc.1307 |
| [15] |
Wu HX, Wang SR, Wu T et al. Assessing the influence of compounding factors to the water level variation of Erhai lake. Water, 2020, 13(1): 29. DOI:10.3390/w13010029 |
| [16] |
Casanova MT, Brock MA. How do depth, duration and frequency of flooding influence the establishment of wetland plant communities?. Plant Ecology, 2000, 147(2): 237-250. DOI:10.1023/A:1009875226637 |
| [17] |
Dehghanipour AH, Moshir PD, Mousavi H et al. Effects of water level decline in Lake Urmia, Iran, on local climate conditions. Water, 2020, 12(8): 2153. DOI:10.3390/w12082153 |
| [18] |
Zhang N. Sub-pixel mapping of flood submerged range based on MODIS data[Dissertation]. Qingdao: Shandong University of Science and Technology, 2019. [张娜. 基于MODIS数据的洪水淹没亚像元制图研究[学位论文]. 青岛: 山东科技大学, 2019. ]
|
| [19] |
Gu J. The change of inundation frequency in Poyang lake and the response of its wetland vegetation which base on pixels decomposition model in MODIS[Dissertation]. Hangzhou: Zhejiang University, 2018. [谷娟. 基于MODIS像元分解的鄱阳湖水体淹没频率及其植被响应[学位论文]. 杭州: 浙江大学, 2018. ]
|
| [20] |
Zhang TQ. Remotely sensed inundation of lakes across Tibetan Plateau and its responses to climate variation[Dissertation]. Beijing: China University of Geosciences (Beijing), 2020. [张天奇. 青藏高原湖泊淹没区的遥感监测及其对气候变化的响应[学位论文]. 北京: 中国地质大学(北京), 2020. ]
|
| [21] |
Long ZW. Hydrodynamic model and water level dynamic analysis of Poyang Lake based on MIKE 21 and Landsat TM images[Dissertation]. Nanchang: Nanchang Institute of Technology, 2020. [龙志伟. 基于MIKE 21和Landsat TM影像的鄱阳湖水动力模型及水位动态变化分析[学位论文]. 南昌: 南昌工程学院, 2020. ]
|
| [22] |
Chen JM, Liao JJ. Monitoring lake level changes in China using multi-altimeter data (2016-2019). Journal of Hydrology, 2020, 590: 125544. DOI:10.1016/j.jhydrol.2020.125544 |
| [23] |
Zhao Y, Liao JJ, Shen GZ et al. Monitoring the water level changes in Qinghai Lake with satellite altimetry data. Journal of Remote Sensing, 2017, 21(4): 633-644. DOI:10.11834/jrs.20176217 |
| [24] |
Frappart F, Calmant S, de Cauhopé M et al. Preliminary results of ENVISAT RA-2-derived water levels validation over the Amazon basin. Remote Sensing of Environment, 2006, 100(2): 252-264. DOI:10.1016/j.rse.2005.10.027 |
| [25] |
Muvundja FA, Wüest A, Isumbisho M et al. Modelling Lake Kivu water level variations over the last seven decades. Limnologica, 2014, 47: 21-33. DOI:10.1016/j.limno.2014.02.003 |
| [26] |
Aksoy H, Unal NE, Eris E et al. Stochastic modeling of Lake Van water level time series with jumps and multiple trends. Hydrology and Earth System Sciences, 2013, 17(6): 2297-2303. DOI:10.5194/hess-17-2297-2013 |
| [27] |
Xu HQ. A remote sensing index for assessment of regional ecological changes. China Environmental Science, 2013, 33(5): 889-897. [徐涵秋. 区域生态环境变化的遥感评价指数. 中国环境科学, 2013, 33(5): 889-897. DOI:10.3969/j.issn.1000-6923.2013.05.019] |
| [28] |
Tian YL, Wang ZM, Mao DH et al. Remote observation in habitat suitability changes for waterbirds in the west Songnen Plain, China. Sustainability, 2019, 11(6): 1552. DOI:10.3390/su11061552 |
| [29] |
Gao JT. Dynamic changes and driving forces of lake resources in Jilin Province in recent 20 years[Dissertation]. Changchun: Jilin University, 2018. [高镜婷. 近20年吉林省湖泊资源动态变化及驱动力研究[学位论文]. 长春: 吉林大学, 2018. ]
|
| [30] |
Zhang C. Study on flood resources utilization of interconnected river-lake system network in the west of Jilin Province[Dissertation]. Dalian: Dalian University of Technology, 2018. [张灿. 吉林西部河湖连通区洪水资源利用研究[学位论文]. 大连: 大连理工大学, 2018. ]
|
| [31] |
Jilin Provincial Statistics Bureau ed. The statistical yearbook of Jilin. Changchun: Jilin University Press, 2005-2016. [吉林省统计局. 吉林统计年鉴. 长春: 吉林大学, 2005-2016. ]
|
| [32] |
Duan YN, Zhang LF, Yan L et al. Relative radiometric correction methods for remote sensing images and their applicability analysis. Journal of Remote Sensing, 2014, 18(3): 597-617. [段依妮, 张立福, 晏磊等. 遥感影像相对辐射校正方法及适用性研究. 遥感学报, 2014, 18(3): 597-617. DOI:10.11834/jrs.20143204] |
| [33] |
Xiao PF, Zhang XL, Wang DG et al. Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 402-414. DOI:10.1016/j.isprsjprs.2016.07.003 |
| [34] |
Rouse JW, Haas RH, Schell JA et al. Monitoring vegetation systems in the Great Plains with ERTS. Washington DC, Third ERTS-1 Symposium NASA, NASA SP-351, 1974: 309-317.
|
| [35] |
Xu HQ. Spatiotemporal dynamics of the bare soil cover in the Hetian basinal area of County Changting, China, during the past 35 years. Acta Ecologica Sinica, 2013, 33(10): 2946-2953. [徐涵秋. 福建省长汀县河田盆地区近35年来地表裸土变化的遥感时空分析. 生态学报, 2013, 33(10): 2946-2953.] |
| [36] |
Xu HQ. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 2006, 27(14): 3025-3033. DOI:10.1080/01431160600589179 |
| [37] |
Liu F, Yang G, Han X et al. Dynamic monitoring of eco-environmental quality in Horqin Sandy Land by remote sensing—A case study of Naiman Banner. Research of Soil and Water Conservation, 2020, 27(5): 244-258. [刘峰, 杨光, 韩雪莹等. 科尔沁沙地生态环境质量遥感动态监测——以奈曼旗为例. 水土保持研究, 2020, 27(5): 244-258.] |
| [38] |
Huang CQ, Goward SN, Schleeweis K et al. Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States. Remote Sensing of Environment, 2009, 113(7): 1430-1442. DOI:10.1016/j.rse.2008.06.016 |
| [39] |
Liu XH, Zhang Y, Dong GH et al. Landscape pattern changes in the Xingkai Lake Area, northeast China. International Journal of Environmental Research and Public Health, 2019, 16(20): 3820. DOI:10.3390/ijerph16203820 |
| [40] |
Li XD, Jiang QG. Extracting land cover types in western Jilin based on multi-temporal remote sensing data. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(9): 173-178. [李晓东, 姜琦刚. 基于多时相遥感数据的吉林西部土地覆被分类提取. 农业工程学报, 2016, 32(9): 173-178.] |
| [41] |
Yang YH, Fang JY, Guo DL et al. Vertical patterns of soil carbon, nitrogen and carbon: nitrogen stoichiometry in Tibetan grasslands. Global Change Biology, 2010, 7: 1-24. DOI:10.1590/S0104-11692010000600002 |
| [42] |
Muchoney D, Borak J, Chi H et al. Application of the MODIS global supervised classification model to vegetation and land cover mapping of Central America. International Journal of Remote Sensing, 2000, 21(6/7): 1115-1138. DOI:10.1080/014311600210100 |
| [43] |
Niu ZG, Zhang HY, Wang XW et al. Mapping wetland changes in China between 1978 and 2008. Chinese Science Bulletin, 2012, 57(16): 1400-1411. [牛振国, 张海英, 王显威等. 1978-2008年中国湿地类型变化. 科学通报, 2012, 57(16): 1400-1411.] |
| [44] |
Gong N, Niu ZG, Qi W et al. Driving forces of wetland change in China. Journal of Remote Sensing, 2016, 20(2): 172-183. [宫宁, 牛振国, 齐伟等. 中国湿地变化的驱动力分析. 遥感学报, 2016, 20(2): 172-183.] |
| [45] |
Mao DH, Wang ZM, Wu JG et al. China's wetlands loss to urban expansion. Land Degradation & Development, 2018, 29(8): 2644-2657. DOI:10.1002/ldr.2939 |
| [46] |
Zhou J, Wan RR, Wu XH et al. Patterns of long-term distribution of typical wetland vegetation(1987-2016) and its response to hydrological processes in Lake Dongting. J Lake Sci, 2020, 32(6): 1723-1735. [周静, 万荣荣, 吴兴华等. 洞庭湖湿地植被长期格局变化(1987-2016年)及其对水文过程的响应. 湖泊科学, 2020, 32(6): 1723-1735. DOI:10.18307/2020.0613] |
| [47] |
Chen FY. Responses of sprouting and growth of Zizania latifolia to habitat change in Songnen Plain[Dissertation]. Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, 2020. [陈方圆. 松嫩平原菰萌蘖和生长对生境变化的响应研究[学位论文]. 长春: 中国科学院东北地理与农业生态研究所, 2020. ]
|
| [48] |
Liu S. Study on the spatial and temporal dynamic changes of wetland and its NPP in the west of Jilin Province based on remote sensing techniques[Dissertation]. Changchun: Jilin University, 2018. [刘舒. 吉林西部湿地分布及NPP时空动态变化研究[学位论文]. 长春: 吉林大学, 2018. ]
|
| [49] |
Li Z, Liu M, Hu YM et al. The spatiotemporal changes of marshland and the driving forces in the Sanjiang Plain, Northeast China from 1980 to 2016. Ecological Processes, 2020, 9(1): 1-13. DOI:10.1186/s13717-020-00226-9 |
| [50] |
Wang YJ, Shen XJ, Lv XG. Change characteristics of landscape pattern and climate in marsh areas of northeast China during 1980-2015. Earth and Environment, 2020, 48(3): 348-357. [王延吉, 神祥金, 吕宪国. 1980-2015年东北沼泽湿地景观格局及气候变化特征. 地球与环境, 2020, 48(3): 348-357.] |
| [51] |
Alifujiang Y, Abuduwaili J, Ma L et al. System dynamics modeling of water level variations of Lake Issyk-Kul, Kyrgyzstan. Water, 2017, 9(12): 989. DOI:10.3390/w9120989 |
| [52] |
Liu CH. Soil water and nitrogen spatial distribution characteristics and behavior simulation in soda saline-alkali soil area in Western of Jilin Province[Dissertation]. Changchun: Jilin University, 2016. [刘彩虹. 吉林西部苏打盐渍土区土壤水氮空间分布特征及行为模拟[学位论文]. 长春: 吉林大学, 2016. ]
|