在全球和区域尺度上，绿色植被覆盖具有影响气候和地表通量的能力。气候是影响植被覆盖的重要因素。利用巴基斯坦Sahiwal地区多时相卫星数据，研究了该地区土地覆被变化及不同植被指数与温度的关系。采用监督分类方法(最大似然算法)实现基于地面真相的土地覆盖分类。我们的研究表明，在过去的24年中，近24,773.1 ha(2.43%)的植被面积被转化为道路和建成区。研究区建成区面积从1998年的43,255.54 ha(4.24%)增加到2022年的43,255.54 ha。冬季和夏季平均地表温度(LST)分别为16.6℃和35.15℃。在Sahiwal地区，RVI、DVI、TVI、EVI、NDVI和SAVI的平均值分别为0.19、0.21、0.26、0.28、0.30和0.25。统计线性回归分析表明，与地表温度相关的植被指数kappa系数R2=0.79、DVI为0.75、DVI为0.78、EVI为0.81、NDVI为0.83、SAVI为0.80。遥感技术可用于监测植被指数随时间的变化，为可持续土地利用管理提供有价值的信息。尽管关于土地覆盖的研究结果通过政策影响为土地资源的合理和最佳利用提供了重要参考。

　　环境和气候变化通过以下方式对作物健康产生有害影响:地表温度变化和土地覆盖变化(Ali and Malik 2011;Nasir et al. 2022;Mokhtar et al. 2022;Rendana et al. 2023)，降水和疾病媒介的变化，严重的热应激和人口从农村向城市地区的迁移(Ali et al. 2018;Amin et al. 2018;Alsafadi et al. 2023)。最近的研究趋势表明，环境变化导致人均粮食安全下降3.2% (Akram et al. 2018;Ali et al. 2019;Din et al. 2022)。在全球和区域尺度上，绿色植被覆盖具有影响气候和地表通量的能力(Amin et al. 2017;Baqa et al. 2022)。由于气候变化，陆地植被和生态系统正在发生变化(Hateffard et al. 2021;Fahad et al. 2017)。植被覆盖是陆地生态系统的重要组成部分，与能量循环、水文、土壤和气候直接或间接相关(Hussain et al. 2020a;Masood et al. 2022;钱德拉等人。2023)。工业革命后全球变暖增加了地表温度(Hussain et al. 2020b, 2022a)。植被覆盖在人类活动特征、陆地生态系统、土壤生态系统、水文变化以及区域和全球气候变化过程中发挥着重要作用(Nasim et al. 2018;Islam等，2021;Akram et al. 2022a, b)。2013年，政府间气候变化专门委员会(IPCC)描述了气候系统的快速变暖对农业实践和植被覆盖的负面影响(Hussain et al. 2021a, b;Mubeen et al. 2021)。干旱地区的植物生长高度依赖于水分供应，这是由于蒸散率高而降水少(Fahad等人，2018;Khan等。2020b;Sabagh et al. 2020;Reddy et al. 2023)。为了研究植物物候，植被覆盖度和生物量是正确识别植被信号的必要条件(Feizizadeh et al. 2013;Sabr et al. 2016;Hassan et al. 2021;Karuppasamy et al. 2022;Naz et al. 2022;Hussain et al. 2023a;Yang et al. 2023)。

　　归一化植被指数(NDVI)具有很强的能力，可以显示植被活动响应气候变化的季节和年度变化(Rahman et al. 2017)。NDVI与叶绿素含量和叶面积指数有关，已被广泛用于各种手段(Rani等，2018)，如检测作物类型和土地利用/土地利用(LULC)变化以及评估作物产量和生产(Sultana等，2014;Tariq et al. 2020)。NDVI值与植物的生物活性有关。通过显示植被覆盖状况的NDVI可以很容易地表征地表活动温度的变化(Zahoor et al. 2019;Aslam et al. 2021)。NDVI还有助于识别区域和全球尺度上的各种植被物候周期(Zaidi等，2017;Kazmiet al. 2023)。NDVI对叶绿素活性有额外的接受能力，但植被指数(EVI)的增强与植物的结构差异有关，因此有助于绘制热带森林(Waleed and Sajjad 2022)。遥感影像中的植被信息主要通过植物绿叶的变化和差异以及冠层光谱特征进行解译(Abdullah et al. 2022)。比值植被指数(Ratio vegetation index, RVI)是最早提出的植被指数之一，于1969年提出。它的原理是树叶吸收的红光比红外光多。差异植被指数(DVI)和转化植被指数(TVI)对土壤背景的变化有很好的响应。可用于植被生物环境评价(Mahmood and Jia 2016;Dewan et al. 2021)。利用土壤调整植被指数(SAVI)对植被覆盖度较低地区土壤亮度的影响进行NDVI校正。目前，Landsat数据提供了大量植被指数产品，这些产品被广泛用于环境变化(Liu et al. 2016;Majeed et al. 2021;Hussain et al. 2020c;Ali et al. 2023)。

　　RS数据是近年来广泛用于变化分析的最重要来源(Kumar et al. 2016;Abdo et al. 2022)。由于重复数据获取的好处，其概要视图和适合计算机处理的数字格式，遥感数据，例如专题绘图仪(TM)和作战土地成像仪(OLI)，已成为过去一年各种变化分析应用的主要数据原因(Huyen et al. 2016;Rizvi等，2021;Thakur et al. 2021)。然而，在半干旱和干旱环境下，像各种卫星图像已经被应用于开发、监测和LULC变化分析(Chaudhuri和Mishra 2016;Yohannes et al. 2021;Zhou et al. 2021;Tariq et al. 2023)。事实上，地理信息系统(GIS)方法被熟练地用于检查几种原因对LULC变化的影响:这些原因包括人口密度、地形坡度、靠近道路和连续土地利用(Roy et al. 2017;Chen et al. 2020;Fashae et al. 2020)。RS数据与(GIS)相结合，被认为是定量评估城市范围和在通常高空间尺度上表示城市发展的有力工具(Fu et al. 2020;Govind and Ramesh 2020)。在广阔的空间领土上进行多重测量的好处，卫星远程探测与提高理解和屏幕场景的推进和程序充分相关，并评估了陆地表面的生物物理质量(Pal和Ziaul 2017;Olorunfemi et al. 2020;Morshed et al. 2020)。GIS革命为组织、想象和剖析计算机化数据提供了一个可靠的领域，以鼓励变化检测和数据库进步(Govind and Ramesh 2019;Liaqut et al. 2019;Hussain et al. 2023b)。

　　RS植被动态的长期观测在全球生态学研究中发挥了越来越显著的作用(Bashir and, Ahmad 2017;Chen et al. 2017;阿卜杜2018)。遥感也经常用于识别植被的周期性变化(Ige et al. 2017;Mia et al. 2017)。随着时间的推移，应用遥感正在成为支持人类在全球、地方和区域尺度上解决生态相关任务的可预测工具(Orimoloye et al. 2018;?en et al. 2018)。植被指数和物理上显著的农艺变量之间的显著变化是RS的重要任务(Nayak和Fulekar 2017;onamuti et al. 2017;Afzal et al. 2023)。RS被认为是一种合适的工具，可以通过相对较低的成本和可能的不同田间测量来监测和记录植被状况和数量(Fatima等人，2018;Kumar et al. 2018)。目前，观测植被的探测和动态及其相关驱动力已成为全球气候变化研究中的一个重要问题。各种研究依赖于卫星数据，这些数据记录了与气候多样性生物群落和区域变化相关的植被生长变化(Hussain 2018;Malik et al. 2019)。萨希瓦尔是巴基斯坦的主要城市，也是旁遮普中部(巴基斯坦)的主要文化和经济中心。这项研究的主要目标是:

　　一个。

　　1982 - 2022年巴基斯坦Sahiwal地区土地覆盖变化的估算。

　　b。

　　利用1998年、2010年和2022年30空间分辨率的Landsat数据计算研究区温度和不同植被指数。

　　c。

　　利用Landsat数据确定不同植被指数与温度的关系。

　　研究地点受巴基斯坦旁遮普省的Sahiwal、Pakpattan和Okara地区的约束。该地区大约位于北纬29°25′12″至北纬31°28′16″，东经710°58′34″至东经74°43′25″之间(图1)。萨希瓦尔地区包括两个县:萨希瓦尔和奇查瓦尼。Pakpattan区也有两个县:Arifwala和Pakpattan。Okara区包括三个县:Depalpur, Renala Khurd和Okara。萨希瓦尔地区的气候非常炎热和干燥。萨希瓦尔地区非常平原和多产，萨特莱吉河在南部通过，奇纳布河在西部通过。夏季从4月开始，一直持续到10月。五月、六月和七月是最热的月份。萨希瓦尔分区的总面积冬季温和，夏季炎热，气候干旱。

　　图1

　　

　　萨希瓦尔区研究区域图

　　从美国地质调查局网站(eartheexplorer .usgs.gov)下载空间分辨率为30 m * 30 m的Landsat卫星图像，其中植被面积、裸露土壤、建成区和水体被绘制为LULC类型。本研究使用了Landsat 4/5 (TM)和Landsat 8 (OLI)的图像(表1)。

　　表1陆地卫星图像属性

　　陆地卫星图像由8个离散波段组成。本研究只使用了1-5和7个波段，因为6波段是热波段，8波段是热波段，所以没有使用它进行进一步的分析来确认波段。在ERDAS图像15中对Landsat图像进行预处理，用于地理参考、层叠加(将离散波段生成多波段图像的方法进行叠加)、拼接(将两个堆叠图像组合)和基于感兴趣区域的图像子集(在提取叠加研究区域后)(Xu et al. 2016)。通过分配逐像素特征来研究所有卫星数据(Adefisan et al. 2015)。使用监督分类技术(最大似然算法)和训练场地选择制备LULC地图。对1998年、2010年和2022年的Landsat图像进行监督分类，生成分类的LULC地图。对于每种预定的LULC类型，通过在代表性站点周围划分多边形来选择训练样本(Usman et al. 2015)。利用这些多边形包围的像素记录了从卫星图像中获得的不同土地覆盖类型的光谱特征。对整个地区1998 - 2022年的地表温度和所有LULC类别的变化进行汇总，形成关系模型。所有步骤如图2所示。

　　图2

　　

　　方法论流程图

　　植被指数是利用多光谱遥感数据快速探测植被地的最大和有用的指标之一(Jia et al. 2014)。植被指数与叶面积指数和叶绿素含量相关，在评估作物产量和净初级生产、检测作物类型和检测LULC变化等方面有着广泛的应用。利用遥感数据，植被指数也被用于快速检测植被区域Ahmed(2012)。表2显示了用于气候的各种植被指数。

　　表2各种植被指数列表

　　地表温度是指存在于沙漠土地上的完整物体的联合温度。许多科学家使用陆地卫星图像上定义明确的测量来计算地表温度。地表温度是根据30米空间分辨率的Landsat图像计算的(Hussain and Karuppannan 2023)。最初，使用公式1将Lλ值计算为光谱亮度。

　　(1)

　　Lλ表示光谱辐射度。QCAL是以数字数(DN)表示的量化校准像素值。在第二步中，使用公式2将光谱亮度转换为温度。

　　（2)

　　其中，Landsat 4/5 (TM)和Landsat 7 (ETM +)的K1和K2分别为607.76和1260.56,Landsat 8 (OLI)的K1和K2分别为772.88和1321.07,ln为自然对数[72-75]。最后一步，通过式3将开尔文温度转换为摄氏度(C?)。

　　（3）

　　摘要

　　介绍

　　材料与方法

　　结果

　　讨论

　　结论

　　数据和材料的可用性

　　参考文献

　　致谢

　　作者信息

　　道德声明

　　搜索

　　导航

　　#####

　　1998年、2010年和2022年的监督分类和研究区域覆盖了不同的LULC类别(图3)。1998年，水体为13134.52 ha(1.29%)，裸地为45051.47 ha(4.42%)。植被覆盖面积为924108.7 ha(90.65%)，建成区面积为37126.8 ha(3.64%)。2010年研究区影像分析显示，植被面积为917106.9 ha(89.96%)，建成区面积为57014.85 ha(5.59%)，水体面积为10264.72 ha(1.01%)，裸地面积为35034.96 ha(3.44%)(表3)。同样，2022年水体面积为9048.414 ha(0.89%)，裸地面积为30655.12 ha (3.01%);植被面积899335.6 ha(88.22%)。但建成面积为80382.34 ha(7.88%)，如图2所示。1998 ~ 2022年植被面积和水体面积略有下降，分别为2.43%和0.40%。研究区建成区覆盖率从1998年的4.24%增加到2022年的4.24%。结果表明，在过去的14年中，近2.43%的植被面积被转化为道路和建成区。人们注意到，土地利用价值变化很快，主要是在森林和植被区。1998-2022年植被面积减少2.43%，植被面积向道路和建成区转变。水资源的减少也是植被面积减少的主要原因之一。

　　图3

　　

　　Sahiwal地区1998年、2010年和2022年的土地利用变化地图

　　表3 1998 - 2022年Sahiwal地区LULC变化

　　气候变化可以对植被生产力和健康产生直接和间接的影响，这可以反映在NDVI值的变化上。气候变化对植被的直接影响包括温度、降水和CO2浓度的变化，从而影响植物的生长发育。例如，温度的升高可以提高植物的生长速度，而降水的减少可以减少植物生长的可用水量。一般而言，研究区2022年冬季的地表温度变化范围为6.7°C ~ 26.5°C(图4)。一般而言，研究区2022年夏季的地表温度计算范围为23.3°C(表4)。冬季和夏季平均地表温度分别为16.6°C和35.15°C。研究区东北部由于城市扩张快，植被覆盖减少，地表温度较高。西南地区由于农业和植被面积最大，地表温度值较小。

　　图4

　　

　　冬季和夏季的地表温度图

　　表4冬季和夏季地表温度最大值和最小值，单位为摄氏度

　　植被指数是监测植被健康和生产力的常用遥感指标。NDVI是基于近红外光和红光之间的反射率差异，用于估计给定地区植被覆盖的数量和健康状况。NDVI值的变化可以反映植被生产力和健康的变化，而植被生产力和健康的变化可能与气候变化有关。利用Landsat影像对RVI、DVI、TVI、EVI、NDVI和SAVI等植被指数进行了评价。这些指数模型是通过2022年的Landsat图像得出的(图5)。研究区域的RVI值范围为- 0.14至+ 0.53，而DVI值(最小值为- 0.18，最大值为+ 0.59)。研究区TVI值为- 0.15 ~ + 0.67，而Sahiwal地区EVI值为- 0.09和+ 0.65(表5)。研究区NDVI值为- 0.1和+ 0.70,SAVI值为- 0.12和+ 0.62。在Sahiwal地区，RVI、DVI、TVI、EVI、NDVI和SAVI的平均值分别为0.19、0.21、0.26、0.28、0.30和0.25。植被覆盖度对植被植被指数(NDVI)有重要影响，NDVI是植被健康和生产力的重要指标。NDVI是近红外光和红光之间反射率差异的量度，用于估计给定地区植被覆盖的数量和健康状况。土地利用和土地覆被的变化可以影响一个地区植被的数量和质量，这可以反映在NDVI值的变化上。

　　图5

　　

　　萨希瓦尔分区所有植被指数图

　　表5 Sahiwal地区实测植被指数汇总

　　回归曲线给出了较为明确的解释，表明该地区植被指数与地表温度呈较强的负相关。回归分析表明，LST值越小，NDVI和EVI值越显著;LST值越大，NDVI和EVI值越低。地表温度的变化对NDVI和LULC类型有直接影响。对于植被指数与地表温度的关系，统计线性回归分析表明，Sahiwal地区与地表温度相关的kappa系数R2=0.79, RVI为0.75,DVI为0.78,EVI为0.81,NDVI为0.83,SAVI为0.80(图6)。3年的kappa值分析表明，在线性回归分析中，地表温度与植被指数呈负相关。

　　图6

　　

　　沙希瓦尔分区植被指数与地表温度的线性回归模型

　　NDVI值的变化可用于监测气候变化对植被生产力和健康的长期影响。研究表明，NDVI值可用于确定对气候变量(如温度和降水)变化敏感的植被生产力和健康区域。此外，NDVI值的变化可用于监测土地利用和土地覆盖的变化，这些变化可影响一个地区植被覆盖的数量和健康。例如，森林砍伐或将自然植被转化为农业用地可能导致植被覆盖减少，从而导致NDVI值相应下降。

　　本研究采用RS和GIS方法估算了地表温度和农民意见中的土地利用储量，并绘制了整个研究区的土地利用储量图。由于LULC变化对当地气候有很大的影响，研究其与地表温度和植被指数的相关性对于在设计新城市时做出明智的决策具有重要意义。因此，我们选择最近的时代(即1998年，2010年和2022年)，并汇总旁遮普省Sahiwal地区的年平均LST，以评估LULC与LST的相关性。同样，LULC数据也在这些行政区域内编制。然后，我们拟合模型来检验每个被解释变量解释地表温度地理差异的能力，使用地表温度变化百分比(1998-2022)作为预测变量，LULC类型作为解释变量。最后一步是训练一个多元模型，以更多地了解LULC类别和LST之间的交织关系。

　　结果表明，1998 ~ 2022年，植被面积和水体面积略有减少，分别为2.43%和0.40%。研究区建成区覆盖率从1998年的4.24%增加到2022年。这些结果是可以预料到的，因为每一个LULC都决定了任何特定位置的地表温度。最初，在多元模型中选择所有可能的LULC类别作为解释变量(Khaliq et al. 2022)。调查结果表明，气候变化对农业生产的影响较大。虽然整个研究区域的温度也在上升，但调查也提到了他们对温度上升和降雨模式变化的担忧和注意。有必要在最大程度上增加适应方案，以满足该地区人民对气候变化的基本需求，气候变化以气温上升的形式非常明显(Hussain et al. 2022b, 2023c;Hu et al. 2023)。

　　根据Hussain et al. (2022c;D)，几个多维模型被检查，与拟合优度和值进行比较，以确定通过减少响应变量的数量来解决这个问题的最佳方法。在冬季，2022年的地表温度在6.7°C到26.5°C之间变化。在夏季，研究区2022年的LST值在23.3°C范围内。这一发现表明，多元模型可以解释整个研究区域因变量(LST)观测到的70%的变化。该模型的地理性能评估通过映射每个城市的本地R2值来显示。例如，由于大多数研究区域的大都市区位于东部和北部地区，因此发现拟合优度明显较差，这使得LULC更加复杂(Rahman et al. 2017)。另外，在模型表现最好的领域，LULC相对来说不那么复杂。需要在更高的水平上对这些相关性进行建模，并缩小到大城市地区，这表明需要进一步的研究。气候变化对植被的间接影响包括洪水、干旱和野火等极端天气事件的变化，这些事件可能影响植被的生产力和健康。例如，干旱可能导致植被覆盖和生产力减少，而野火可能导致植被覆盖的损失(Hussain et al. 2022e;Waleed et al. 2022)。

　　最有效的方法之一的发现是基于跟踪植被覆盖的时间变化，例如，巴基斯坦木尔坦和费萨拉巴德地区的NDVI。总之，NDVI值可用于监测气候变化对植被生产力和健康的长期影响(Gillespie et al. 2018;Rani et al. 2018)。NDVI值的变化可以反映气候变化对植被的直接和间接影响，以及土地利用和土地覆盖的变化。RS技术可用于监测NDVI值随时间的变化，为气候变化背景下的可持续土地利用管理和自然资源管理提供有价值的信息。卫星是远程获取目标相关数据的重要设备。遥感植被动态的长期研究在全球生态系统研究中占有越来越重要的地位。RS图像中的每个物体都可以被识别，因为它具有独特的光谱景观。遥感在识别周期性植被变化方面非常有用。随着时间的推移，功能性RS正成为帮助人类在全球、区域和地方尺度上解决大气相关责任的期望工具。

　　本研究利用卫星影像对旁遮普省Sahiwal地区的地表温度变化及植被指数与地表温度的关系进行了研究。研究区建成区面积从1998年的43,255.54 ha(4.24%)增加到2022年的43,255.54 ha。值得注意的是，在过去24年中，近24,773.1公顷(2.43%)的植被面积已被转换为道路和建成区。冬季和夏季平均地表温度分别为16.6°C和35.15°C。在Sahiwal地区，RVI、DVI、TVI、EVI、NDVI和SAVI的平均值分别为0.19、0.21、0.26、0.28、0.30和0.25。这些发现加强了我们对研究区域的土地利用变化动态的认识，这将有助于制定可持续发展战略。此外，土地温度评估及其与土地利用成本变化的联系有助于逐步影响巴基斯坦与适应有关的选择和政策。尽管所涵盖的主题内容非常详尽，但本研究的作者认识到它有几个重要的警告。综上所述，植被覆盖度变化对植被健康和生产力的重要指标NDVI值有显著影响。了解LULC与植被指数之间的关系有助于确定高生产力地区和有退化风险的地区，从而为土地利用规划和自然资源管理提供信息。地理信息系统的优点是在大范围的区域内迅速而廉价地产生和整合新数据，因此，管理实践造成的变化有助于简化决策过程。通过对以往遥感卫星统计数据的检验，我们可以预测与未来气候有关的地表植被状况。本研究的结果也将有助于决策者对未来的发展采取任何措施或决策。

　　下载原文档：https://link.springer.com/content/pdf/10.1186/s40562-023-00287-6.pdf