内蒙古的土地利用与土地覆盖变化——了解中国植被恢复工程的影响

(2018年9月7日）

图1 内蒙古各个地区生态规划项目。GGP是指退耕还林还草工程，NFCP是指天然林资源保护工程，BTSST是京津风沙源治理工程（IMARBS, 2015）。

科学问题

在过去的几十年中，中国土地资源的过度使用日益加剧了环境危机。为了缓解广泛蔓延的土地退化，人们已采取行动来维护和恢复像天然林这样具有生态价值的景观。然而，中国自20世纪90年代后期以来实施各种植被保护政策的效果在很大程度上仍不得而知。本文聚焦于中国生态恢复项目的重点区域之一——内蒙古地区，关注了与中国生态规划密切相关的三个具体土地覆盖变化过程：森林损失、森林增益和农田退耕。具体来说，本文的目标是解决以下科学问题：

1．2000-2014年内蒙古森林变化的速率及其时空格局如何?

2．2000-2014年内蒙古农田退耕的速率及其时空格局如何?

      3．如何表征中国环境保护政策背景下的森林和农业用地变化？

解决方法

图2 技术流程图

首先，本文关注了内蒙古的土地利用和土地覆盖变化（LULCC）制图。作者利用250米分辨率的MODIS时间序列和随机森林分类来生成2000年至2014年间每个土地覆盖类别的年度概率。并将基于轨迹的变化检测方法（MODTrendr）应用于概率时间序列，绘制了土地覆盖变化轨迹。

然后，为了评估与各生态规划项目相关的土地覆盖变化的区域响应，本文估算了森林损失、森林收益、净森林变化率（FCR）和农田退耕的总相对变化（RC）和年度相对变化（ACR）。此外，本文调查了不同地形和气候条件下的土地覆盖变化。

同时，为了揭示土地利用/覆盖变化的时间模式和趋势，本文绘制了整个内蒙古的年度土地覆盖变化区域。本文还通过计算森的斜率（Sen, 1968）和对县级尺度的年度相对变化进行Mann-kendall检验（Mann, 1945）来进一步揭示变化趋势的空间特征。

研究结果

（1）土地利用和土地覆盖变化制图

精度评价显示总体精度为0.95±0.02，但在不同的土地类别（PC、PF和PG）和变化类别（森林损失、森林增益、农田退耕）之间的误差存在差异（表1，图3）。永久森林、农田、草地的用户精度和制图精度均高于90%。

变化类别的分类大都不太精确，且每一类的误差相差较大（表1）。

农田退耕的平均用户精度为60.0%，制图精度为82.9%。退耕的混淆误差主要发生在永久耕地和草地，占总误差的2/3。

表1 精度评价：森林损失、森林增益、农田退耕和永久类别的用户精度(UA)与制图精度(PA)。永久类别包含永久耕地(PC)、永久林地(PF)和永久草地(PG)。

图3 内蒙古土地利用和土地覆盖变化图（右下）。三个子集（最上面三行）显示了地图在A（森林损失），B（森林增益）和C（农田退耕）的特写以及变化前后两个相应Landsat影像快照（RGB =453）。轨迹（左下）分别表示（A）、（B）和（C）的像元与土地覆盖概率拟合。

（2）森林损失与增益

• 森林损失率及其趋势在县级尺度上呈异质性（图4）。

• 空间森林增益模式也表现出较大的区域异质性。

• 再造林主要发生在陡峭的山坡上。
  

图4 2000-2014年县级尺度森林变化情况。（A）相对森林损失率，（B）森氏坡度和Mann-Kendall森林损失率年相对变化率检验，（C）相对森林增益，（D）净森林变化百分比。

（3）农田退耕

• 在2000年至2014年期间，内蒙古的退耕面积存在相当大的时空差异（图5）。

• 退耕与地形和气候相关。坡度较陡的农田转化为草地的可能性较高，且退耕主要发生在干旱地区。

  
  

  
  

图5 2000 -2014年内蒙古国家级退耕情况。（A）计算的相对变化率，（B）森氏坡度与Mann-Kendall年度相对变化率检验。

（4）小结

本研究首次在空间和时间上详细分析了自上世纪90年代末以来中国为改善环境质量而推行的政策背景下内蒙古的土地利用和土地覆盖变化情况。研究发现，实行生态文明建设的地区森林覆盖率和退耕还林还草率较高。2000年后迅速减少的森林损失（从2001年的15717±1770公顷减少到2014年的1313±165公顷）和生态工程区内的森林增加（2001-2014年间增加190645±28352公顷）导致了内蒙古的森林净增加。农田退耕（200-2014年间退耕212979±55900公顷）主要发生在生态工程的早期阶段，且主要集中在较干燥的环境和陡峭的地形。总体而言，土地覆盖制图和基于轨迹的土地利用分析LULCC在大面积范围内得到了一致的表征，这对于根据中国快速变化的环境政策和治理制度更好地了解环境变化至关重要。

个人评价

本文量化了2001-2014年内蒙古地区的森林变化与退耕的时空特征，使得近年来的植被恢复工程的效果跃然于纸面，研究区土地利用/覆盖变化的时空连贯性也得到了提高。此外，我们知道，检测多个土地覆盖类别之间的变化并确定这些变化的准确时间是一项挑战。而基于机器学习的时间分割方法分析土地覆被概率时间序列为大规模绘制土地利用/覆被变化提供了一种有效的方法，本文的研究结果恰恰映证了该方法在遥感时间序列分析中的巨大潜力。但这种方法也存在一定的局限性，不同地物的相似光谱特征、复杂的动态LULCC过程和MODIS较低的空间分辨率等都是较难克服却容易导致误差的客观因素。本研究对评估中国大规模减缓土地退化措施的影响做出了巨大贡献。