中国森林遥感Rao’s Q指数逐年数据集（2000‒2017）
蒋 啸1,2，蔡红艳1，杨小唤1,2*
1. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101；
2. 中国科学院大学，北京 100101
摘 要：遥感Rao’s Q指数能够表征宏观森林植物功能多样性，是生态质量评估的重要指标，对于有效开展区域生物多样性保护工作具有重要意义。基于传统的Rao’s Q指数定义，利用NDVI植被光谱差异，以像元值表示森林植物性状，以邻域像元值之差构建距离矩阵，在R语言平台上计算得到2000‒2017年的森林遥感Rao’s Q指数。数据时间分辨率为年，空间分辨率为5 km，投影方式为阿尔伯斯等面积投影，坐标系为WGS-84。数据集存储为.tif格式，由72个数据文件组成，数据量为58.2 MB。
关键词：遥感；Rao’s Q指数；2000‒2017
DOI: https://doi.org/10.3974/geodp.2024.01.02
CSTR: https://cstr.escience.org.cn/CSTR:20146.14.2024.01.02
数据可用性声明：
本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：
https://doi.org/10.3974/geodb.2024.03.08.V1或https://cstr.escience.org.cn/CSTR:20146.11.2024.03.08.V1.
1 前言
生物多样性是生态系统服务的核心和基石。当前全球生物多样性变化剧烈[1]，亟需从时间和空间上明确其变化，以制定和有效实施生物多样性保育管理决策。近日，我国生态环境部首次将生物多样性指标纳入生态质量综合评价指标框架，以引导各级政府加强生物多样性保护，遏制生物多样性丧失和生态系统退化趋势。在此背景下，遥感具有获取多尺度、大范围、高精细的时空异质性信息的优势，已成为生物多样性研究的重要手段[2]。
光谱变异假说成为遥感生物多样性研究的重要理论[3–5]。基于此，Rocchini等于2017年首次提出遥感Rao’s Q指数，以遥感像元值表征功能性状，并考虑了生态过程的影响范围，有效识别单一生态系统内部的功能性状差异[6, 7]，尤其在时空变化监测方面优势突出，很大程度弥补了传统生物多样性研究在短时间完成大区域尺度量化的不足。该指数已被广泛应用于不同气候带[8, 9]的森林植物多样性研究，能够较好地表征我国海南红树林的时空异质性[10]。然而，目前中国尚缺少大区域尺度跨气候带的森林植物多样性数据集，相应的宏观尺度的森林植物多样性研究仍较匮乏。在此背景下，研究引入遥感Rao’s Q指数，充分认识我国森林植物多样性的空间分布以及随时间变化的信息[11]，以期为生物多样性保护统筹规划及生态质量评估等提供参考。
2 数据集元数据简介
《中国森林遥感Rao’s Q指数逐年数据集（2000‒2017）》[12]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。
表1 《中国森林遥感Rao’s Q指数逐年数据集（2000‒2017）》元数据简表
|
条 目 |
描 述 |
||||
|
数据集名称 |
中国森林遥感Rao’s Q指数逐年数据集（2000‒2017） |
||||
|
数据集短名 |
ChinaForest_Rao |
||||
|
作者信息 |
蒋啸AAE-1541-2021，中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室；中国科学院大学，jiangx.20b@igsnrr.ac.cn 蔡红艳Y-8555-2019，中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，caihy@igsnrr.ac.cn 杨小唤AAC-8887-2021，中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室；中国科学院大学，yangxh@
igsnrr.ac.cn |
||||
|
地理区域 |
中国 |
|
|
|
|
|
数据年代 |
2000‒2017年 |
|
|
|
|
|
时间分辨率 |
逐年 |
|
|
|
|
|
空间分辨率 |
5 km |
|
|
|
|
|
数据格式 |
.tif |
|
|
|
|
|
数据量 |
压缩后5.17 MB |
|
|
|
|
|
数据集组成 |
数据集包含1个文件夹： “ChinaForest_Rao”包含2000-2017年逐年的中国森林Rao’s Q指数数据，数据格式为.tif。数据集共包含72个数据文件，文件名包含时相信息，如“ChinaForest_Rao_2000.tif”为2000年的中国森林Rao’s Q指数，空间分辨率为5 km，值越高代表森林多样性越丰富 |
||||
|
基金项目 |
中华人民共和国科学技术部（2023FY101000，2017YFC0503803) |
||||
|
数据计算环境 |
RStudio、ArcGIS，中国科学院地理科学与资源研究所所内平台 |
||||
|
出版与共享服务平台 |
全球变化科学研究数据出版系统
http://www.geodoi.ac.cn |
||||
|
地址 |
北京市朝阳区大屯路甲11号100101，中国科学院地理科学与资源研究所 |
||||
|
数据共享政策 |
（1）“数据”以最便利的方式通过互联网系统免费向全社会开放，用户免费浏览、免费下载；（2）最终用户使用“数据”需要按照引用格式在参考文献或适当的位置标注数据来源；（3）增值服务用户或以任何形式散发和传播（包括通过计算机服务器）“数据”的用户需要与《全球变化数据学报（中英文）》编辑部签署书面协议，获得许可；（4）摘取“数据”中的部分记录创作新数据的作者需要遵循10%引用原则，即从本数据集中摘取的数据记录少于新数据集总记录量的10%，同时需要对摘取的数据记录标注数据来源[13] |
||||
|
数据和论文检索系统 |
DOI，CSTR，Crossref，DCI，CSCD，CNKI，SciEngine，WDS/ISC，GEOSS |
||||
3 数据研发方法
3.1 算法原理
Rao’s Q指数也称作Rao 二次熵指数，是生态学中功能多样性指数的一种，常用于描述功能性状的差异[14]。2017年，Rocchini将遥感数据与传统Rao’s Q指数结合，首次提出遥感Rao’s Q指数算法[6]。具体而言，以像元值表示功能性状，以某个像元值的占比表示性状的相对丰度，当窗口内相对丰度越接近时，则均匀度越高；以邻域像元值之差构建距离矩阵，当像元值之差越高则距离越远；Rao’s Q指数值越高，则功能性状差异越大，即多样性越丰富，计算公式如下[14]：
(1)
(2)
式中，Q为Rao’s Q指数，dij为性状i和性状j的差异度，以邻域像元i、j的像元值之差表示，Xik, Xjk代表i，j的性状特征，n为滑动窗口内的总像元数，S为滑动窗口内像元值的种数，pi、pj为性状i、j的相对丰度，以滑动窗口内i、j像元值的占比表示。本文中Rao’s Q指数在RStudio平台中进行计算。
3.2 技术路线
技术路线如图1所示。数据集制作过程如下：（1）NDVI数据预处理。逐年的NDVI数据下载于中国科学院资源环境科学与数据中心[1]，为便于Rao’s Q算法计算，将NDVI的值域由0-1扩大为0-10,000，空间分辨率重采样为5 km ´ 5 km。（2）森林NDVI范围确定。由中国科学院空天信息创新研究院获取的土地覆盖数据提取森林覆盖范围，裁剪NDVI以获取森林的NDVI。（3）Rao’s Q指数计算。在Rstudio平台上，通过Rao’s Q指数算法计算获取森林Rao’s Q指数。（4）数据验证。从空间上和数值上对比Rao’s Q指数与裸子植物物种丰富度的一致性；(5) 森林Rao’s Q指数数据集生成。
图1 数据集研发流程图
4 数据结果与验证
4.1 数据集组成
《中国森林遥感Rao’s Q指数逐年数据集（2000–2017）》的组成文件的命名方式、数据描述、数据格式、文件个数及数据量如表1所示。
4.2 中国森林Rao’s Q指数空间分布
如图2所示为部分年份我国森林Rao’s Q指数空间分布。总体而言，森林Rao’s Q指数变化范围为0.25-2,296，高值区分布于天山山脉、吕梁山、喜马拉雅山脉以南、横断山脉一带、武夷山-南岭一带，低值区连片分布于小兴安岭、大兴安岭、长白山一带，高值区的森林功能性状差异较大，森林植物多样性丰富，相应的东北部的森林植物多样性较为单一。
图2 我国森林Rao’s Q指数空间分布示例图
（注：该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)3184的标准地图制作，底图无修改）
4.3 数据结果验证
目前，兼顾时间和空间变化的大尺度生物多样性实地调研面临巨大的挑战。全国范围的生物多样性数据极为有限，仅获取到2009年以县域为统计单元的裸子植物物种丰富度空间分布数据[15]。松科、柏科和杉科既是常绿针叶林的主要建群种，又是裸子植物的典型代表，常绿针叶林与裸子植物具有高度一致的光谱特征。由此，将常绿针叶林Rao’s Q指数与裸子植物物种丰富度进行对比，从空间分布和数理统计两个方面展开。空间上，为与物种丰富度统计单元保持一致，首先以县域单元统计Rao’s Q指数并进行空间化，再将两者进行对比如图3所示。数理统计上，随机生成覆盖全国森林的样本点，分别提取对应的Rao’s Q指数及物种丰富度，最终得到约5,400个有效样本。物种丰富度范围为0-35为离散型数据，Rao’s Q指数范围为0.25-2,269为连续型数据，每个物种丰富度数值对应的Rao’s Q指数数值具有一定的范围。将部分物种丰富度与Rao’s Q指数的最大值、最小值、均值进行对比如表2所示，由于中位数、众数、均值较为接近，在此仅列出均值。遥感Rao’s Q算法输入数据为整型的限制，研究以1-10,000的NDVI为输入数据，以像元值之差表示的性状特征差异巨大，加之3´3的滑动窗口内也存在低均匀度到高均匀度的差异，由此，遥感Rao’s Q指数值域较广，以此来表征的功能性状差异更突出。另外，物种丰富度为县域统计单元，而Rao’s Q指数空间分辨率为5 km，由此，同一县域单元内对应n个像元，存在Rao’s Q指数最小值、最大值差异较大的情况。
空间上，常绿针叶林Rao’s Q指数与物种丰富度空间分布基本一致。两者的高值区集中分布于喜马拉雅山脉东南部-横断山脉一带，其次为武夷山-南岭一带，而低值区则主要分布在我国东北部。数理统计上，随着物种丰富度增大，Rao’s Q指数最大值呈波动变化无明显的规律，而最小值及均值逐渐增大，尤其当物种丰富度大于15时，Rao’s Q指数均值增长明显，遂认为均值更具有代表性。以物种丰富度为自变量，Rao’s Q指数均值为因变量进行回归分析建模表明两者高度拟合，R2约0.66，通过P<0.001极显著检验。综上说明，Rao’s Q指数能够表征森林植物多样性。
图3 裸子植物物种丰富度与常绿针叶林Rao’s Q指数空间对比图
（注：该图基于国家测绘地理信息局标准地图服务网站审图号为GS
GS(2020)3184的标准地图制作，底图无修改）
5 讨论和总结
本研究引入遥感Rao’s Q指数，是该指数表征我国森林植物多样性的首次应用。中国森林遥感Rao’s Q指数数据集时间跨度为2000‒2017年，空间分辨率为5 km，时间分辨率为逐年，为区域生态质量评估提供一种新的监测指标，进而为森林植物多样性保护及区域生态质量改善相关政策制定提供支撑。
表2 裸子植物物种丰富度与常绿针叶林Rao’s Q指数数值对比
|
物种 |
Rao’s
Q指数 |
物种 |
Rao’s
Q指数 |
||||
|
最大值 |
最小值 |
均值 |
最大值 |
最小值 |
均值 |
||
|
1 |
1,797.13 |
0.25 |
290.91 |
19 |
1,948.00 |
56.40 |
525.82 |
|
3 |
1,901.88 |
17.00 |
326.31 |
21 |
1,390.89 |
17.25 |
484.65 |
|
5 |
1,405.78 |
6.75 |
286.56 |
23 |
1,259.11 |
18.22 |
420.01 |
|
7 |
1,640.00 |
35.11 |
296.00 |
25 |
1,211.12 |
95.00 |
460.75 |
|
9 |
1,948.20 |
21.11 |
318.20 |
27 |
1,135.60 |
114.25 |
510.12 |
|
11 |
2,095.50 |
78.75 |
315.14 |
29 |
1,481.56 |
25.56 |
482.08 |
|
13 |
1,477.25 |
59.00 |
281.84 |
31 |
1,481.56 |
166.14 |
456.28 |
|
15 |
1,225.11 |
23.25 |
295.73 |
≥32 |
894.06 |
83.55 |
397.43 |
|
17 |
1,923.56 |
26.50 |
399.24 |
|
|
|
|
遥感技术极大地促进了生物多样性宏观尺度的研究。遥感Rao’s Q指数算法基于生态学中的Rao’s Q指数定义，以滑动窗口、邻域像元构建距离矩阵来表征生态过程的空间范围[16]。本数据集仅涉及中国森林并以NDVI为数据源，而以其他遥感植被指数模拟的Rao’s Q指数已应用于热带、温带、亚热带等地区，且并不局限于森林生态系统[8,
9]。研究前期分别以叶面积指数LAI、增强型植被指数EVI以及比值植被指数RVI为数据源模拟得到中国森林的LAI-Rao’s Q指数，EVI-Rao’Q指数以及RVI-Rao’s Q指数，经对比，NDVI-Rao’s Q指数与物种丰富度的一致性较高，其次为LAI-Rao’s Q指数，而EVI-Rao’s Q指数和RVI-Rao’s Q指数与物种丰富度的关系不明显。值得注意的是，森林遥感Rao’s Q指数不等同于物种丰富度，在此仅表征宏观尺度的森林植物多样性。目前，遥感Rao’s
Q指数仍处于探索阶段，还需更翔实的生物多样性数据加以验证，进一步挖掘其表征的生态学信息并加以应用。
作者分工：蒋啸负责论文的撰写、Rao’s Q指数数据处理与整理；蔡红艳负责数据集生产的总体设计与论文撰写工作；杨小唤负责数据处理方法审核、数据质量把控及文稿完善。
利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。
参考文献
[1]
Pimm, S. L.,
Russell, G. J., Gittleman, J. L., et al.
The future of biodiversity [J]. Science,
1995, 269(5222): 347‒350.
[2]
郭庆华,
胡天宇, 姜媛茜等. 遥感在生物多样性研究中的应用进展[J]. 生物多样性, 2018, 26(8): 789‒806.
[3]
Féret, J.
B., Asner, G. P. Mapping tropical forest canopy diversity using high-fidelity
imaging spectroscopy [J]. Ecological
Applications, 2014, 24(6): 1289‒1296.
[4]
Wang, R.,
Gamon, J. A. Remote sensing of terrestrial plant biodiversity [J]. Remote Sensing of Environment, 2019,
231: 111218.
[5]
Palmer, M.
W., Earls, P. G., Hoagland, B. W., et al.
Quantitative tools for perfecting species lists [J]. Environmetrics, 2002, 13(2): 121‒137.
[6]
Rocchini, D.,
Marcantonio, M., Ricotta, C. Measuring Rao’s Q diversity index from remote
sensing: an open source solution [J]. Ecological
Indicators, 2017, 72: 234‒238.
[7]
Rocchini, D., Marcantonio, M., Re, D. D., et al. Time-lapsing biodiversity: an open source method for measuring
diversity changes by remote sensing [J]. Remote
Sensing of Environment, 2019, 231: 111192.
[8]
Khare, S., Latifi, H., Rossi, S. A 15-year spatio-temporal analysis of
plant β-diversity using Landsat time series derived Rao’s Q
index [J]. Ecological Indicators, 2021,
121: 107105.
[9]
Khare, S.,
Latifi, H., Rossi, S. Forest beta-diversity analysis by remote sensing: how
scale and sensors affect the Rao’s Q index [J]. Ecological Indicators, 2019, 106: 105520.
[10]
Wang, D.
Z., Qiu, P. H., Wan, B., et al.
Mapping α- and β-diversity of mangrove forests with multispectral and hyperspectral
images [J]. Remote Sensing of Environment,
2022, 275: 113021.
[11]
蒋啸, 蔡红艳, 杨小唤等. 中国森林遥感Rao’s Q指数时空演变[J]. 生态学报, 2023, 43(8): 3045‒3056.
[12]
蒋啸, 蔡红艳, 杨小唤. 中国森林遥感Rao’s Q指数逐年数据集（2000-2017）[J/DB/OL]. 全球变化数据仓储电子杂志, 2024. https://doi.org/10.3974/geodb.2024.03.08.V1.
https://cstr.escience.org. cn/CSTR:20146.11.2024.03.08.V1.
[13]
全球变化科学研究数据出版系统. 全球变化科学研究数据共享政策[OL]. https://doi.org/10.3974/dp. policy.2014.05 (2017年更新).
[14]
Petchey, O.
L., Gaston, K. J. Functional diversity (FD), species richness and community
composition [J]. Ecology Letters,
2002, 5(3): 402‒411.
[15]
李果, 沈泽昊, 应俊生等. 中国裸子植物物种丰富度空间格局与多样性中心[J]. 生物多样性, 2009, 17(3): 272‒279.
[16]
Hernández-Stefanoni, J. L., Gallardo-Cruz, J. A.,
Meave, J. A., et al. Modeling α- and β-diversity in a tropical forest from remotely
sensed and spatial data [J]. International
Journal of Applied Earth Observation and Geoinformation, 2012, 19: 359‒368.