植被是环境的重要组成因子，同时也是陆地生态系统的重要组成成分． 植被不仅与气候因子、土壤和地貌等条件相互适应，而且它也具有明显的年际变化和季节变化． 植被覆盖对地理环境有很大的依赖性，同时调控着全球能量平衡和生物化学循环． 随着全球环境的变化威胁着人类和社会的可持续发展以来，这一现象已经受到各国政府和科学家的高度重视． 在全球变化研究中植被变化具有指示器的作用，植被状况和植被覆盖在一定程度上能够很好的反映出气候变化的趋势，因此植被变化成为生态环境研究的重点和热点之一．近年来，很多专家利用 NDVI( 归一化植被指数) 作为植被覆盖度的测量指标，进行植被变化研究，取得了很好的效果． NDVI( 归一化植被指数) 又叫标准差异植被指数，是地表植被覆盖特征的重要指标之一，对地面植被的覆盖和生长情况都极其敏感，能很好地反映地表植被的光合作用强度、繁茂程度及植被覆盖程度． NDVI 还能很好地反映植被季节和年际变化，可用于植被的监测、分类以及物候等分析． 同时地表植被对全球变化的响应程度也可以通过 NDVI 的变化反映出来． 植被会随着季节的改变而发生一系列的变化，NDVI 的季节变化和植被的物候学变化之间有着非常紧密的联系，能够很好地反映出植物的生长高峰和消亡过程．金沙江流域属于长江流域生态系统最为脆弱、生态系统多样性最为复杂的地区之一 ，与长江流域社会 、经济稳定持续发展有着密不可分的联系，同时也是生态可持续发展最具影响的地区之一． 因此对金沙江的植被季节变化的研究是非常有必要的． 本文在大量野外调查和影像分析的基础上，以及在 3S 技术的支撑下，以 2010 年全年的 MODISNDVI 数据来分析金沙江流域的植被季节变化规律．
1 研究区概况
金沙江流域( 云南部分) 是属于我国地势的第一、第二阶梯以及第二、第三阶梯的过渡地带．从大地的构造来看，金沙江云南部分处于喜马拉雅大地槽和扬子地台的接触地带． 由于受到喜马拉雅造山运动的严重影响，印度板块和欧亚板块互相碰撞而引起了巨大隆起和沿深，大断裂带出现升降运动，造成了极其复杂的云南金沙江流域地貌格局． 其中部分为金沙江中、下游地段，属于青藏高原东南缘与四川盆地之间的过渡地带． 金沙江云南段是指从迪庆藏族自治州的德钦县到昭通市的水富县汇入四川的部分，区域范围为 24°30' ～ 29°15'N，98°40' ～ 105°15' E，地理位置见图 1． 江面海拔从2 300 m 降至出口的260 m，落差高达2 000 m，全长 1 560 km，在云南部分的流域面积达 11． 2万 km2，一共 7 个州市( 包括 47 个县市( 区) ) ，占整个流域面积的 32． 9 %． 历史上，由于人为不断干扰，造成金沙江流域成为长江流域中环境恶化区、生态脆弱区及经济贫困区最为突出的地区． 区内还集中了高寒、干热、高湿低温、泥石流、荒漠化和石质化 6 大困难类型．
2 材料与方法
2． 1 基础数据 本文的基础数据有 1 ∶ 50 000 地形图和野外调查采集的 GPS 点． 在 ArcGis 9． 3 的支撑下，地形图用于提取一些基本的信息，如高程点、居民点以及流域边界等信息; GPS 点用于植被解译的依据和参考。
本文以植被型组为基本分类单位，将金沙江流域( 云南部分) 的植被划分阔叶林、针叶林、灌丛及灌草丛、草甸和人工林等 5 种类型． 通过目视解译与人机交互解译对金沙江流域 2010 年的 Alos 影像进行解译，并经过精度检验得到金沙江流域的植被类型图，作为提取各植被类型的 NDVI 基础图． 将研究区 2010 年的 MO-DIS － NDVI 影像作为数据源，并通过 EＲDAS9． 2 和 Arc-Gis9． 3 软件来分别提取各植被类型及各月的 ND-VI 值．
2． 2 遥感影像的预处理
( 1) 投影及坐标系统 本研究采用 Albers E-qual － area Conic 投影系统，具体投影参数为: 第一标准纬线为 25°N，第二标准纬线为 47°N，中央经线为 105°E．
( 2) 遥感影像的增强处理 遥感影像进行地理坐标配准后，在获取的过程中由于受到大气的散射、反射、折射或者天气等的影响，导致获得的图像模糊或有噪声等问题，而增强处理能对这些问题进行很好的改善． 通过影像的增强处理( 去噪、去霾和低滤波等) ，能够突出局部有用的信息及特征，从而更便于人眼和计算机观察和识别，最终使得影像的表达效果达到更好的水平．
3 植被类型光谱特征季节变化信息处理
3． 1 均值法 本文结合 EＲDAS9． 2 和 Arcgis9． 3提取出各植被类型的 NDVI 值，并通过 Excel 统计研究区域的 NDVI 值时，采用均值法进行计算． 即统计出研究区内各植被类型的 NDVI 平均值．
3． 2 构建分析指标 分析指标用于分析各植被类型的 NDVI 变化，本文参考梁国军，彭明春，王崇云的计算方法． 构建的指标和计算公式如下:
( 1) NDVIjmax( 类型月 NDVI 年最大值) 和 ND-VIjmin( 类型月 NDVI 年最小值) : 分别为植被类型年 NDVI 的最大值和最小值． 计算公式为:
NDVIjmax= Max( NDVIjn) ，( n =1，2，3，…，12) ，
NDVIjmin= Min( NDVIjn) ，( n =1，2，3，…，12) ，
上式中，j 为植被类型代码，n 为月份代码，下同．
( 2) NDVIjr( 类型 NDVI 年内极差) : 为植被类型年 NDVI 的最大值和最小值与最小值值差，反映植被类型 NDVI 的离散程度． 计算公式为:
NDVIjr= NDVIjmax－ NDVIjmin．
( 3) NDVIja( 类型 NDVI 年累积量) : 为植被类型各月 NDVI 值的累积量总和．
计算公式为:
( 4) NDVIjm( 类型 NDVI 年平均值) : 为植被类型各月 NDVI 值的平均值，反映植被类型 NDVI 的平均状况． 计算公式为:
NDVIjr= NDVIja/12．
4 结果与分析
4． 1 NDVI 最大值和最小值 NDVI 的最大值和最小值反映不同的植被类型的月 NDVI 两个极端月的特点，最大值越大，说明该植被类型在生长季节生长最旺盛，反之则生长较差． 从图 2 可以看出不同植被类型的 NDVI 年最大值与年最小值之间的差异较为明显． 就 NDVI 年最大值来说，阔叶林的 NDVI 值最大，为 0． 696，表明阔叶林在其生长季节里生长最为旺盛，其次是针叶林是 0． 658，依次为灌丛及灌草丛、人工林和草甸，它们的 NDVI 年最大值分别是 0． 647，0． 601 和 0． 563． 在 NDVI 年最小值方面，NDVI 值从大到小分别是阔叶林、人工林、灌丛及灌草丛、针叶林和草甸．4． 2 NDVI 年内极差 从图 3 可以得出 NDVI 年内极差最大的是灌丛及灌草丛，值为 0． 314． 而其他几种植被类型的 NDVI 年内极差较小，由大到小依次为针叶林、草甸、阔叶林和人工林，其 NDVI 年内极差分别是 0． 290，0． 264，0． 232 和 0． 214．4． 3 NDVI 年累积量 从图 4 可以得出年累计量最大的是阔叶林，NDVI 年累积量达 6． 993，由此说明阔叶林全年生长较旺盛． 其次是针叶林、灌丛及灌草丛和人工林，NDVI 年累积量依次为 6． 523、6． 190和 5． 864． 其中 NDVI 年累积量最小的是草甸为 5． 253，说明其全年生长较弱．4． 4 NDVI 年平均值 从图 5 可以得出，年平均值最大的是阔叶林，平均值高达 0． 583，比草甸的NDVI 年平均值高了 0． 274． NDVI 年平均值最小的是草甸为 0． 309． 其余的 3 种植被类型处于阔叶林和草甸之间，依次是针叶林、灌丛及灌草丛和人工林，平均值分别为 0． 552，0． 543 和 0． 452．
5 结 论
通过对研究区 2010 年的 MODIS NDVI 数据进行提取和分析，得出以下结论:
( 1) 在年最大值( NDVIjmax) 方面，阔叶林最大为 0． 696，草甸最小为 0． 563． 具体表现为阔叶林 ＞针叶林 ＞ 灌丛及灌草丛 ＞ 人工林 ＞ 草甸; 在年最小值( NDVIjmin) 方面，同样是阔叶林最大，草甸最小．具体表现为阔叶林 ＞ 人工林 ＞ 灌丛及灌草丛 ＞ 针叶林 ＞ 草甸． 由此反映出阔叶林在其生长季节生长最为旺盛，而草甸则相反．
( 2) 在年内极差( NDVIjr) 方面，灌丛及灌草丛处于最高水平为 0． 314，针叶林次之． 灌丛及灌草丛之所以表现为年内极差最高是因为金沙江( 云南段) 有部分处于干热河谷，在干热河谷的多数为灌丛及灌草丛，在其生长季节生长较好，而在冬季的时候，缺乏生长条件，因此就导致其年内极差高于其它几种植被类型． 具体表现为灌丛及灌草丛 ＞针叶林 ＞ 阔叶林 ＞ 草甸 ＞ 人工林．
( 3) 在年积累量( NDVIja) 方面，阔叶林的累积量最大，约为 7． 000． 草甸的累积量最小为 5． 253．具体表现为阔叶林 ＞ 针叶林 ＞ 灌丛及灌草丛 ＞ 人工林 ＞ 草甸．
( 4) 在年平均值( NDVIjm) 方面，同样是阔叶林处于较高的水平为 0． 583，草甸最小为 0． 309． 具体表现为阔叶林 ＞ 针叶林 ＞ 灌丛及灌草丛 ＞ 人工林 ＞ 草甸． 不同植被类型间，NDVI 季节变化有着显着的差别，且有着明显的可分性，这种 NDVI 时间序列真实地反映了各种类型植被的生长规律，还能区分各种植被类型在生长规律上的一些细微差别． 植被的季节变化是研究全球气候变化和生态系统管理的重要方面． 植被类型 NDVI 的特征及其变化、物候监测和植物长势可以通过植被的季节变化来反映，在最近的几十年内关于植被变化的研究多数采用的是特殊的 NDVI 阈值，而植被指数是在植被生长规律和植被光谱差异的基础上，将传统的植被分类方法与计算机相结合对 ND-VI 数据进行统计分析，从而更加有效地解决遥感植被中的同普异物和同物异普的问题． 本文利用 MODIS NDVI 数据只对金沙江流域云南部分的植被光谱特征进行了初步分析，但未对其变化原因做详细研究，因此后期需对其做进一步的探讨．
参考文献:
［1］ SUN H Y，WANG C H Y，et al． Analysis of the vegeta-tion cover change and the relationship between NDVIand environment al f act ors by u sing NOAA times se-ries data［J］． Journal of Ｒemote Sensing，1998，2 ( 3 ) :204-210．
［2］ 杜子涛，占玉林，王长耀． 基于 NDVI 序列影像的植被覆盖变化研究［J］． 遥感技术与应用，2008，23( 1) :47-50．
［3］ TUCK C J，FUNG I Y，KEELING C D，et al． Ｒelationshipbetween atmospheric CO2variations and a satellite derivedvegetation index［J］． Nature，1986，3( 19) : 195-199．
［4］ PETTOＲELLI N，VIK J O，MUSTEＲID A，et al． Usingthe satellite derived NDVI to assess ecological responsesto environmental change［J］． Trends in Ecology and E-volution，2005，20( 9) : 503-510．
［5］ MCCLOY K Ｒ，LUCHTW． Comparative evaluation of sea-sonal patterns in long time series of satellite image dataand simulations of a global vegetation model［J］． IEEETransactions on Geosciences and Ｒemote Sensing，2004，42( 1) : 140-153．
［6］ 杨一光． 云南省综合自然区划［M］． 北京: 高等教育出版社，1991: 1-18．
［7］ 李贵祥，孟广涛，方向京，等． 云南金沙江流域主要森林植被类型分布格局［J］． 长江流域资源与环境，2008，17( 1) : 51-55．
［8］ 夏既胜，杨树华，万晔，等． 基于 GIS 的金沙江流域( 云南段) 生态潜力空间分布特征［J］． 长江流域资源与环境，2009，18( 9) : 865-870．
［9］ 杨焕宗，张延明． 资源、区域、布局［M］． 昆明: 云南科技出版社，2000．
［10］ PETTOＲELLI N，VIK J O，MUSTEＲID A，et al． Usingthe satellite derived NDVI to assess ecological respon-ses to environmental change［J］． Trends in Ecology andEvolution，2005，20( 9) : 503-510．
［11］ 梁国军，彭明春，王崇云． 大山包自然保护区植被光谱特征季节变化研究［J］． 云南大学学报: 自然科学版，2009，31( S1) : 378-381．
［12］ 李登科 ，郭铌． 陕西 MODIS/NDVI 的区域分布和季节变化［J］． 中国沙漠，2008，28( 1) : 108-112．
［13］ 张峰，吴炳芳，刘成林，等． 利用时序植被指数监测作物物候的方法研究［J］． 农业工程学报，2004，20( 1) : 155-159．
［14］ 王英舜，师桂花． 封育对典型草原植被结构及光谱特征的影响［J］． 中国农业气象，2010，31( 4) :528-532
