img

官方微信

高级检索

中国沙漠, 2022, 42(4): 11-21 doi: 10.7522/j.issn.1000-694X.2021.00200

20002019年中国西北地区植被覆盖变化及其影响因子

尹振良,1, 冯起1, 王凌阁2, 陈泽霞2, 常亚斌2, 朱睿2

1.中国科学院西北生态环境资源研究院 内陆河流域生态水文重点实验室,甘肃 兰州 730000

2.兰州交通大学 测绘与地理信息学院/地理国情监测技术应用国家地方联合工程研究中心/甘肃省地理国情监测工程实验室,甘肃 兰州 730000

Vegetation coverage change and its influencing factors across the northwest region of China during 2000-2019

Yin Zhenliang,1, Feng Qi1, Wang Lingge2, Chen Zexia2, Chang Yabin2, Zhu Rui2

1.Key Laboratory of Ecohydrology of Inland River Basin,Northwest Institute of Eco-Environment and Resources,Chinese Academy of Sciences,Lanzhou 730000,China

2.Faculty of Geomatics / Nationl-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring / Gansu Provincial Engineering Laboratory for National Geographic State Monitoring,Lanzhou Jiaotong University,Lanzhou 730000,China

收稿日期: 2021-08-17   修回日期: 2021-11-21  

基金资助: 中国科学院青年创新促进会项目
中国工程院咨询研究项目.  2020-XZ-15
甘肃省重点研发计划项目.  20YF8FA002
新疆生产建设兵团重点领域科技攻关计划项目.  2021AB021

Received: 2021-08-17   Revised: 2021-11-21  

作者简介 About authors

尹振良(1985—),男,山东安丘人,副研究员,主要从事水文过程模拟研究E-mail:yinzhenliang@lzb.ac.cn , E-mail:yinzhenliang@lzb.ac.cn

摘要

中国西北地区土地荒漠化问题严重,生态环境脆弱。厘清该地区植被覆盖时空变化特征及影响因子,对生态环境保护具有重要意义。基于MOD13A3数据,通过最大值合成法处理获得2000—2019年归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)时序数据,采用趋势分析、Hurst指数法及地理探测器对研究区植被覆盖的时空变化特征及影响因子进行分析。结果表明:(1)2000—2019年,研究区植被覆盖整体呈增长趋势,NDVI年增长速率为0.0027(P<0.05),均值为0.252。空间分区年增长速率有差异,黄河流域片区(0.0062)>半干旱草原片区(0.0026)>内陆干旱片区(0.0018)。(2)研究区植被覆盖呈增长趋势的面积占55.77%,退化区域占3.76%,增长的土地利用类型以耕、林、草地为主。植被覆盖变化趋势具有持续性的区域面积占总面积的31.87%,其中持续性改善面积(17.04%)大于持续性退化面积(1.27%),黄河流域片区增长情况及持续性增长情况最优。(3)影响植被覆盖空间分布的主要因子按影响力依次为降水、气温、日照、相对湿度,但对各分区的影响程度略有差异。黄河流域片区、内陆干旱片区空间分布受降水影响最大,半干旱草原区受日照影响最大。(4)研究区植被覆盖变化以自然因子与人类活动共同驱动为主,自然因子对植被生长的促进作用大于人类活动,且自然因子对植被覆盖变化的贡献率更高。本研究结果可为评估气候变化背景下西北地区生态环境变化提供参考。

关键词: 西北地区 ; NDVI ; 植被覆盖变化 ; 影响因子 ; 地理探测器 ; Hurst指数

Abstract

The problem of land desertification in northwest region of China is serious and the ecological environment is severe. It is of great significance to clarify the spatio-temporal variation characteristics and driving factors of vegetation cover in this area for ecological environment protection. In this study, MOD13A3 products in this area were used as the data source to obtain the NDVI sequence set from 2000 to 2019 through the maximum value synthesis method. Trend analysis, anomaly analysis, Hurst index, geographic detector, correlation analysis and residue analysis were used to analyze the spatiotemporal variation characteristics and impact factors of vegetation cover in the study area. The results showed that :(1) In recent 20 years, the vegetation coverage in the study area showed an overall growth trend, with an increase rate of 0.0027·a-1 and an average NDVI of 0.252. However, the growth rate of the Yellow River basin area (0.0062·a-1) is higher than that of the semi-arid grassland area (0.0026·a-1) and inland arid area (0.0018·a-1). (2) The vegetation coverage in the study area is on the rise, accounting for 55.77% of the total area, while the degraded area accounts for 3.76% of the total area. The increased land use types were mainly tillage, forest and grassland. The area with sustainable change trend of vegetation cover accounted for 31.87% of the total area, the sustainable improvement (17.04%) was greater than the sustainable degradation (1.27%), and the growth and sustainable growth of the Yellow River basin area were the best. (3) The main contributing factors that affect the spatial distribution of vegetation cover are precipitation, temperature, sunshine and relative humidity in order of influence, but the influence degree of each sub-region is slightly different. The spatial distribution of arid areas in the Yellow River basin and inland is most affected by precipitation, and the semi-arid grassland is most affected by sunshine. (4) Vegetation cover changes is mainly driven by natural factors and human activities, and natural factors on the growth of vegetation role in promoting are greater than human activity, and natural factors on vegetation cover change in the rate of contribution are higher. The results of this study can provide reference for assessing the ecological environment change under the background of climate change in northwest China.

Keywords: northwest region ; NDVI ; vegetation coverage change ; influencing factor ; GeoDetector ; Hurst index

PDF (5880KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

尹振良, 冯起, 王凌阁, 陈泽霞, 常亚斌, 朱睿. 20002019年中国西北地区植被覆盖变化及其影响因子. 中国沙漠[J], 2022, 42(4): 11-21 doi:10.7522/j.issn.1000-694X.2021.00200

Yin Zhenliang, Feng Qi, Wang Lingge, Chen Zexia, Chang Yabin, Zhu Rui. Vegetation coverage change and its influencing factors across the northwest region of China during 2000-2019. Journal of Desert Research[J], 2022, 42(4): 11-21 doi:10.7522/j.issn.1000-694X.2021.00200

0 引言

植被是陆地生态系统的重要组成部分,植被覆盖度可以反映某一地区植被生长状况,也是生态系统研究的热点1-2。归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)是研究植被覆盖度与生长状况的遥感因子,其变化趋势可以反映植被覆盖的变化程度,近年来也被用于监测荒漠化变化,是评价生态环境状况及演化变迁的重要指标3

近20年,国内外学者利用NDVI长时间序列数据,采用趋势分析法、Mann-Kendall非参数检验、Hurst指数、相关分析、偏相关分析、残差分析等对植被覆盖变化及影响因素进行了探究。部分学者也采用全局莫兰指数I、Getis-Ord指数、地理探测器等对植被覆盖的空间分布情况及集聚情况进行分析。Ibrahim等4使用一元线性回归、残差分析、Mann-Kendall非参数检验分析了1982—2012年撒哈拉以南非洲地区土地退化的影响因素,认为相比降水而言,土壤湿度与该地区NDVI变化的相关性更高。马明国等5利用1981—2001年中国西北地区的AVHRR数据,采用均值法、差值法和一元线性回归模拟法,分析了西北地区植被变化特征,认为研究期内植被覆盖存在退化趋势,改善趋势小于退化趋势。袁丽华等6使用Theil-Sen Median趋势分析、Mann-Kendall非参数检验及Hurst指数,分析了2000—2010年黄河流域植被覆盖的时空变化趋势特征及变化趋势的可持续性。肖建勇等7采用趋势分析、Hurst指数、相关分析、地理探测器等,分析了中国南方喀斯特关键带植被覆盖时空变化特征及影响因素。Hammadi等8利用全局莫兰指数I、Getis-Ord指数对突尼斯北部的森林覆盖变化进行了分析,并判断了森林覆盖减小的区域。

中国西北地区生态环境脆弱,土地荒漠化问题严重。新疆、甘肃、阿拉善高原地区是中国境内沙尘暴的主要起源地,陕西、甘肃、宁夏地区的黄土高原水土流失严重9,严重影响了当地的生态文明建设。研究该地区的生态环境演变与发展趋势,并对未来发展趋势进行预测,对该地区生态环境保护具有重要意义。本文基于2000—2019年的MODIS-NDVI遥感数据,对研究区植被覆盖时空变化特征、空间分布与变化趋势、未来演化趋势进行了分析,旨在揭示研究区植被覆盖变化的自然与人类活动影响因子,对改善当地脆弱生境及制定保护政策提供有效依据。

1 数据与方法

1.1 研究区概况

中国西北地区地理位置73.41°—120°E、32.65°—49.16°N,行政范围包含新疆、青海、甘肃、宁夏、陕西五省和内蒙古自治区部分区域,该区涵盖3个自然环境分区——内陆干旱片区、黄河流域片区、半干旱草原片区,面积345万km²(图1)。

图1

图1   研究区概况及土地利用分类

Fig.1   Study area and land use types


黄河流域片区是半干旱和半湿润的黄河流域,总面积约63万km²,以黄土高原为主,区内沟壑丛生,植被覆盖状况较好,土地利用以耕地、林地、灌丛、草地为主6

内陆干旱片区是贺兰山以西的干旱区及极干旱区,总面积约253万km²,包括塔里木盆地、柴达木盆地、青海湖盆地、阿拉善高原等。区内大面积植被覆盖不佳,分布着大量的戈壁、沙漠、裸地等无植被区域,耕地主要分布在绿洲区域10

干旱草原片区是贺兰山以东的半干旱区,总面积约29万km²,区内植被覆盖以草地为主,属于干旱、半干旱气候向湿润、半湿润季风气候的过渡地带11

1.2 数据来源及预处理

NDVI数据使用美国国家航空航天局(National Aeronautics and Space Administration,NASA)中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)提供的植被指数产品数据MOD13A3(https://earthdata.nasa.gov),作为月度最大值合成、1 km空间分辨率数据。使用MRT(MODIS Reprojection Tools)批量拼接投影后采用最大值合成法将月尺度NDVI合成为2000—2019年NDVI数据集,采用平均值法处理得到20年平均NDVI数据。研究区气象数据来源于中国气象数据网月值数据,使用协同克里金插值得到2000—2019年的年平均气温、年降水量、年日照时间、年均相对湿度以及20年平均降水量、平均气温、平均日照时间、平均相对湿度。土地利用数据、DEM数据、矢量数据等来源于资源环境数据云平台(https://www.resdc.cn),其中土地利用数据重分类为耕地、林地、草地、建设用地、水域、未利用地。

1.3 研究方法

1.3.1 时间序列分析方法
1.3.1.1 趋势分析法

对每个栅格的多年NDVI值做一元线性回归分析,回归分析的斜率可以表示研究时期内NDVI的空间变化趋势12

Slope=n×i=1n(i×NDVIi)-i=1nii=1nNDVIin×i=1ni2-i=1ni2

式中:Slope为栅格NDVI回归方程的斜率;n为年跨度,本文为20;i为1—20的年序号;NDVIi 为第i年的NDVI值;当Slope>0时,表明植被覆盖呈增长趋势;当Slope=0时,表明植被覆盖无变化;当Slope<0时,表明植被覆盖呈退化趋势;本文采用宋怡等10Slope值分级,分别为:严重退化(Slope≤-0.0091)、中度退化(-0.0091<Slope≤-0.0046)、轻微退化(-0.0046<Slope≤-0.0010)、基本不变(-0.0010<Slope≤0.0010)、轻微增长(0.0010<Slope≤0.0045)、中度增长(0.0045<Slope≤0.0090)、明显增长(Slope>0.0090)。

1.3.1.2 累积距平分析

累积距平分析13是一种直观表示变化趋势的方法,通过计算研究时期内研究区域i年的NDVI均值与多年平均NDVI值的差距,可以判断出研究时期内NDVI随时间变化的趋势。

x̂t=i=1t(xi-x¯)      (t=1,2,3,,n)

式中:x̂t为第t年的累积距平;xii年的NDVI平均值;x¯为研究时段的NDVI平均值;n为研究时长。

1.3.1.3 Hurst指数

Hurst指数是定量描述时间序列自相似性和长期依赖性的有效方法14,近年来也被广泛用于植被覆盖变化研究。其估算方法以重极差(Rescaled Range,R/S)分析法更为可靠,本文采用R/S分析法进行估算。

对于时间序列NDVIii=1,2,3,4,…,n,对于任意正整数t≥1,定义该时间序列均值序列:

NDVI(t)¯=1ti=1tNDVIi   t=1,2,,n 

累积离差

X(m)=i=1t(NDVIi-NDVI(t)¯)  (1mt)

极差

R(t)=max1tn X(m)-min1tn X(m)  (t=1,2,3,,n)

标准差

St=1ti=1tNDVIi-NDVI(t)¯212     (t=1,2,3,,n)

对比Rt)/StR/S,若存在R/St H,则表明分析的时间序列存在Hurst现象,H称为Hurst指数,可以反映时间序列的随机性或持续性特征。当0.5<H<1时,表明时间序列具有持续性15

1.3.2 自然与人类活动影响因子分析方法
1.3.2.1 地理探测器

地理探测器是由王劲峰等16提出的探测空间分异性,以及揭示其背后影响力的一组统计学方法17。可以用于探测各驱动因子X对探测因变量Y的空间分异性的解释力度:

qX,Y=1-1Nδ2i=1mXiδi2

式中:qX,Y 为影响因素探测力指标;Xi 为次一级区域样本数;N为整个区域样本数;m为次级区域个数;δ2 为研究区所有样本值的方差;δi2 为次一级区域内样本的方差。qX,Y 的取值范围为[0,1],qX,Y 值越大,X的影响力越大。本文基于地理探测器对植被覆盖空间分布影响因子进行探测分析,选取年均日照、年均相对湿度、年均降水量、年均气温、海拔、坡度、坡向、距离水域的距离等8个自然因子进行空间探测。

1.3.2.2 相关分析

相关系数7可以反映两个变量间的相关关系,通过相关系数来反映各影响因子与NDVI的相关性:

rxy=i=1n[(xi-x¯)(yi-y¯)]i=1n(xi-x¯)2i=1n(yi-y¯)2

式中:n为样本数;变量xi 表示相关因子;变量yi 表示NDVIx¯y¯分别为xi、yi 变量的均值;rxy 为变量xi 和变量yi 的相关系数。本文选择降水、气温、日照、相对湿度为相关因子。

1.3.2.3 残差分析

通过对每个栅格的NDVI与年降水量、年均温度、年日照时间、年均相对湿度做回归分析,得出每个栅格的NDVI预测值,预估出的NDVI预测值可视为自然因子对NDVI的影响,利用实际的遥感观测值减去预测值求得的残差,可视为人类活动对NDVI的影响。本文采用金凯等18的驱动因素判定标准及贡献率计算,定量分析人类活动与自然因子的影响及相对贡献:

NDVINA=a×P+b×T+c×S+d×H+e
NDVIHA=NDVI-NDVINA

式中:a、b、c、d、e为模型参数;P、T、S、H分别为年降水量、年均温度、年日照时间、年均相对湿度;NDVINANDVIHA,分别表示自然因子与人类活动影响下的NDVI值,NDVI实际值为基于遥感影像的观测值。

为了进一步揭示人类活动及自然因子对研究区植被覆盖变化的影响,采用表1对驱动因素进行判定及贡献率计算。

表1   驱动因素判定及贡献率计算方法

Table 1  The determination criterion of driving factors and calculation method of contribution rate

Slope(实际值)驱动因素驱动因素的划分标准驱动因素的贡献率
SlopeNDVINASlopeNDVIHA自然因子人类活动
>0HA & NA>0>0Slope(NDVINA)Slope()Slope(NDVIHA)Slope()
NA>0<01000
HA<0>00100
<0HA&NA<0<0Slope(NDVINA)Slope()Slope(NDVIHA)Slope()
NA<0>01000
HA>0<00100

HA为人类活动,NA为自然因子;SlopeNDVINA)为自然因子影响趋势,SlopeNDVIHA)为人类活动影响趋势,Slope(实际值)为实际的NDVI变化趋势。

新窗口打开| 下载CSV


1.3.3 研究步骤

首先,利用MRT工具对MOD13A3产品数据进行拼接和投影变换,以研究区范围批量裁剪后,基于最大值合成法将每年12期数据合成逐年NDVI影像,将小于0的异常值赋值为0,进行均值处理得到20年平均NDVI分布影像。气象数据采用协同克里金法进行插值处理。其次,使用累积距平分析、趋势分析、Hurst指数对研究区植被覆盖变化和持续性情况进行分析。以研究区20年NDVI均值的空间分布为研究对象,利用地理探测器探测NDVI空间分布影响因素。最后,通过相关分析法分析气温、降水、日照、湿度与NDVI的相关系数,判断上述因子对植被覆盖变化的影响。再使用残差分析法,判断人类活动对研究区植被覆盖变化的影响。

2 结果与分析

2.1 植被覆盖时空变化特征

多年平均NDVI分布可以反映研究区多年平均植被覆盖的空间分布情况。2000—2019年研究区多年平均植被覆盖分布呈现一定的区域分异性,整体植被覆盖呈现为东高西低、南高北低趋势(图2)。由土地利用类型(图1)及各分区土地利用类型与NDVI统计值(表2)看,黄河流域片区以耕地、林地、草地为主,半干旱草原片区以草地为主,内陆干旱片区以未利用地、草地为主。耕地、林地、草地的主要分布区域与高植被覆盖区域范围类似,未利用地与低植被覆盖区域范围类似。

图2

图2   2000—2019年平均NDVI空间分布

Fig.2   Spatial distribution of mean NDVI during 2000-2019


表2   各分区不同土地利用类型 NDVI 统计结果

Table 2  Statistical results of NDVI values of different land cover types in each subregion

土地利用 类型NDVI均值面积占比 /%NDVI分级
<0.20.2—0.40.4—0.60.6—0.8>0.8
黄河流域片区耕地0.519721.560.9819.6348.8628.951.57
林地0.709211.350.646.9215.3340.3836.73
草地0.495953.456.1332.2526.1627.927.54
水域0.37791.6823.7229.8928.9116.361.13
建设用地0.45752.786.1732.2339.3621.940.30
未利用地0.29749.1937.4040.4611.559.001.60
半干旱草原片区耕地0.47477.110.1424.9062.6912.270.01
林地0.60201.541.8211.4229.3949.218.16
草地0.346076.2918.8945.1130.914.940.15
水域0.29081.0537.4636.9222.752.840.03
建设用地0.40801.226.3038.1750.085.450.00
未利用地0.260412.7849.4629.5515.375.540.09
内陆干旱片区耕地0.51064.494.4819.6943.5330.891.42
林地0.48121.7419.0018.8520.0037.954.19
草地0.273127.6950.0926.0713.189.061.60
水域0.10812.0783.909.084.582.340.10
建设用地0.36380.4731.0722.6228.7317.170.42
未利用地0.097463.5593.954.451.200.400.01

水域包括滩涂、滩地等有植被覆盖区域,故NDVI值大于0。

新窗口打开| 下载CSV


研究区总体的植被覆盖在2000—2019年呈增长趋势,NDVI年增长速率为0.0027,均值为0.252(图3)。半干旱草原片区NDVI年序列值变化较大,其次为黄河流域片区,内陆干旱片区NDVI年序列值变化较小,3个分区的年序列NDVI平均偏差分别为0.0290(半干旱草原片区)、0.0279(黄河流域片区)和0.0096(内陆干旱片区),研究区整体年序列NDVI平均偏差为0.0135。

图3

图3   NDVI年际变化趋势

Fig.3   Annual variation trend of NDVI


各分区中,黄河流域片区植被覆盖最高,NDVI均值为0.504;半干旱草原片区次之,NDVI均值为0.348;内陆干旱片区的平均植被覆盖最低,NDVI均值为0.173。其中,黄河流域片区、内陆干旱片区植被变化趋势与整个研究区变化趋势相似,但增长速率不同,前者年增长速率为0.0055,后者为0.0018。半干旱草原片区变化趋势剧烈波动,2000—2001、2008—2010、2013—2017年呈退化趋势,2001—2007年为波动期,2011—2013、2017—2019年呈改善趋势,总趋势呈改善趋势。

2.2 植被覆盖变化趋势特征

增长趋势面积占比大于退化趋势面积(图4表3),表明研究区2000—2019年整体植被覆盖度变化趋势呈增长趋势。其中,明显增长区域(7.5%)主要分布在黄河流域片区、甘肃东南部、陕西北部、宁夏南部及新疆天山山脉、塔里木盆地边缘区域,土地利用类型以耕地、草地为主;中度增长区域(11.79%)主要分布在黄河流域片区,处于明显增长趋势区域周围,土地利用类型以草地、耕地为主;轻微增长区域(36.48%)除各大沙漠腹地,均匀分布于各子分区中,土地利用类型以草地、未利用地为主;不变的区域(40.46%)主要分布在内陆干旱片区腹部各大沙漠(塔克拉玛干沙漠、古尔班通古特沙漠、库姆塔格沙漠、柴达木沙漠、巴丹吉林沙漠、腾格里沙漠、乌兰布和沙漠、库布齐沙漠境内);轻微退化区域(3.11%)主要分布在内陆干旱片区新疆天山以北及半干旱草原片区内蒙古东北区域,土地利用类型以草地为主。中度退化(0.49%)和严重退化区域(0.16%)集中分布在城市建设用地,零星分布于各片区。各分区中,黄河流域片区增长趋势最佳,半干旱草原片区次之,土地利用类型以耕地、草地、林地的增长趋势最佳。

图4

图4   2000—2019年NDVI变化趋势空间分布

Fig. 4   NDVI variation trend during 2000-2019


表3   Slope 趋势统计结果

Table 3  The statistics results for Slope trend

等级黄河流域片区半干旱草原片区内陆干旱片区总体
面积/km2比例/%面积/km2比例/%面积/km2比例/%面积/km2比例/%
112 4460.382360.082 5450.115 2270.16
125 0640.801 1990.4010 2420.4316 5050.49
1319 8063.1116 2125.4067 9682.82103 9863.11
1462 0999.7564 99421.641 225 95850.931 353 05140.46
15220 89934.69152 98750.94846 16435.161 220 05036.48
16173 28227.2154 02217.99167 0096.94394 31311.79
17153 23424.0610 6553.5587 0443.62250 9337.50

11.严重退化;12.中度退化;13.轻微退化;14.基本不变;15.轻微增长;16.中度增长;17.明显增长。

新窗口打开| 下载CSV


Hurst指数可以反映研究区变化趋势的持续性,将Hurst指数空间分布与NDVI变化趋势叠加后得到NDVI变化趋势的持续性分布(图5),共分为7种情况(表4)。

图5

图5   NDVI变化趋势持续性的空间分布

Fig.5   Distribution for the persistence of NDVI variation trend


表4   基于趋势性与持续性的分区统计结果

Table 4  Regional statistical results based on trend and persistence

等级黄河流域片区半干旱草原片区内陆干旱片区总体
面积/km2比例/%面积/km2比例/%面积/km2比例/%面积/km2比例/%
111 5690.251020.031 3860.063 0570.09
122 6120.412900.104 4380.187 3400.22
136 6321.042 7210.9122 8070.9532 1600.96
1415 7392.479 6693.22428 19617.79453 60413.56
1559 6269.3622 2477.41269 16111.18351 03410.50
1655 5848.739 8493.2850 2452.09115 6783.46
1758 9369.262 9240.9741 0941.71102 9543.08
21436 13268.49252 50384.081 589 60166.042 278 23668.13

11.持续性严重退化;12.持续性中度退化;13.持续性轻微退化;14.持续性不变;15.持续性轻微增长;16.持续性中度增长;17.持续性显著增长;21.无持续性变化。

新窗口打开| 下载CSV


研究区68.13%的区域变化趋势不具有持续性。持续性不变(13.56%)>持续性轻微增长(10.50%)>持续性中度增长(3.46%)>持续性显著增长(3.08%)>持续性轻微退化(0.96%)>持续性中度退化(0.22%)>持续性严重退化(0.09%)。各分区中,黄河流域片区以持续性增长为主、半干旱草原片区以持续性轻微增长为主,内陆干旱片区以持续性不变和持续性轻微增长为主。在具有持续性变化的区域中以持续性增长区域(17.04%)占优,表明研究区生态环境会进一步得到改善。

2.3 植被覆盖空间分布影响因子

2.3.1 自然因子

基于地理探测器对植被覆盖空间分布影响因子进行探测分析,选取年均日照、年均相对湿度、年均降水量、年均气温、海拔、坡度、坡向、距离水域的距离等8个自然因子进行空间探测(表5)。

表5   自然因子对 NDVI 空间分布的影响

Table 5  The impact of natural factors on NDVI spatial distribution

区域海拔坡度坡向年均降水量年均气温年均日照时间年均相对湿度距离水域的距离
总体0.06920.08860.00280.57280.11360.40630.48810.2027
黄河流域片区0.25200.18160.00560.52640.41750.46770.41120.1487
半干旱草原片区0.07120.11890.01030.63940.38360.68470.60510.2953
干旱内陆河片区0.09730.08570.00130.30060.11040.15010.30720.1807

新窗口打开| 下载CSV


研究区植被覆盖分布受年均降水影响最大,其后依次为年均相对湿度、年均日照、距离水域的距离、年均气温,海拔、坡度、坡向影响力不明显。各分区中,黄河流域片区影响植被覆盖程度最高的是年均降水量、其次是年均日照时间、年均气温、年均相对湿度;半干旱草原片区受年均日照时间、年均降水量、年均相对湿度的影响大;干旱内陆河片区受年均相对湿度、年均降水量的影响度大,距离水域的距离和年均气温次之。

为了进一步探讨研究区植被覆盖变化的影响因子,选取空间分布影响因子影响度较大的4个因子19——降水、气温、日照、相对湿度与植被覆盖度进行相关分析。

降水与研究区37.34%(通过α=0.05检验)的植被覆盖相关,其中37.16%为正相关,0.18%为负相关,主要分布在黄河流域片区、半干旱草原片区以及内陆干旱片区东南部,土地利用类型以草地、耕地为主;气温与9.04%(通过α=0.05检验)的植被覆盖相关,其中3.67%为正相关,5.37%为负相关,主要分布在内陆干旱片区甘肃西南部、新疆北部地区、半干旱草原片区中部,土地利用类型以草地、耕地、未利用地为主;日照与9.04%(通过α=0.05检验)的植被覆盖相关,其中2.06%为正相关,6.98%为负相关,主要分布范围、植被覆盖类型与气温相关性区域类似;相对湿度与10.64%(通过α=0.05检验)的植被覆盖相关,其中6.56%为正相关,4.08%为负相关,主要分布在内陆干旱片区,土地利用类型以草地、未利用地为主(图6表6)。整体来看降水与植被覆盖的相关性最强,气温、日照、相对湿度较低,除黄河流域片区气温显著正相关性大于显著负相关区域外,研究区总体及各分区气温、日照均以显著负相关占优,降水、相对湿度以显著正相关占优。

图6

图6   各因子与NDVI相关性空间分布

Fig.6   Spatial distribution of correlation between each factor and NDVI


表6   不同分区各因子与 NDVI 的显著相关性面积

Table 6  The area of significant correlation between NDVI and factors in different regions

区域面积 /km2降水/%气温/%日照/%相对湿度/%

显著

正相关

显著

负相关

显著

正相关

显著

负相关

显著

正相关

显著

负相关

显著

正相关

显著

负相关

半干旱草原片区300 30574.510.020.044.521.712.854.000.57
黄河流域片区636 83060.230.152.780.580.542.822.900.85
内陆干旱片区2 406 93026.400.204.366.742.518.597.845.38
全区3 344 06537.160.183.675.372.066.986.564.08

新窗口打开| 下载CSV


2.3.2 人类活动与自然因子影响

研究区自然因子影响趋势空间分布及人类活动影响趋势空间分布(图716。研究区46.53%的区域植被变化受自然因子促进,促进区域以半干旱草原片区为主;29.78%的区域植被变化受人类活动促进,促进区域以黄河流域片区为主;除半干旱草原片区受人类活动轻微抑制达29.44%外,其余各区受人类活动与自然因子抑制较低,均不足10%。整体而言,人类活动与自然因子对植被变化以促进作用为主。

图7

图7   2000—2019年自然因子与人类活动对研究区植被覆盖变化影响空间分布及主要影响区域面积百分比(%)

Fig.7   Spatial distribution and main area percentage of the impacts of natural factors and human activities on vegetation cover change in study area during 2000-2019


为了揭示研究区植被变化的驱动机制及人类活动与自然因子的贡献率,采用表1的判定及计算方法对研究区植被变化做定性分析。去除植被变化不明显区域,研究区植被变化多由自然因子与人类活动共同驱动,仅半干旱草原片区表现出较多的自然因子驱动增长(图8)。

图8

图8   2000—2019年研究区植被覆盖变化的驱动因素空间分布及主要区域面积百分比(%)

Fig.8   Spatial distribution and main area percentage of driving factors of vegetation change in the study area during 2000-2019


去除变化不明显区域,自然因子贡献率全区中以40%以上的区域居多,面积占比达83.27%(表7)。人类活动以0—60%的区域居多,面积占比达83.42%。由图9可知自然因子贡献率大于80%的区域主要集中在半干旱草原片区与黄河流域片区,对比自然因子相关性分析,降水在上述区域也表现出明显的正相关性。人类活动贡献大于80%的区域主要集中在半干旱草原片区与内陆干旱片区,半干旱草原片区的植被变化趋势以退化为主。

表7   不同分区自然因子及人类活动贡献率面积占比(%)统计

Table 7  Statistics of contribution rate of natural factors and human activities in different regions

区域植被变化 面积/km2贡献率
0—20%20%—40%40%—60%60%—80%80%—100%
人类活动自然因子人类活动自然因子人类活动自然因子人类活动自然因子人类活动自然因子
半干旱草原片区236 72865.196.9416.642.888.398.472.8616.726.9264.99
黄河流域片区576 18925.804.3833.668.1528.1628.368.0633.584.3325.54
内陆干旱片区1 186 47122.458.4631.6711.6925.9026.0611.6031.578.3822.22
全区1 999 38828.477.1130.479.6324.4824.649.5430.397.0428.24

统计中去除了变化不明显区域。

新窗口打开| 下载CSV


图9

图9   2000—2019年自然因子与人类活动对研究区植被覆盖变化的贡献率空间分布

Fig.9   Spatial distribution of the contributions of natural factors and human activities on vegetation cover change in study area during 2000-2019


综上,研究区植被覆盖变化是人类活动与自然因子共同作用的结果,自然因子对研究区植被覆盖比人类活动的贡献率大,自然因子中降水对植被覆盖变化的影响最大。

3 结论

近20年,西北地区植被覆盖总体呈增长趋势,NDVI均值为0.252,年平均增长速率为0.0027。研究区内植被覆盖空间差异较大,黄河流域片区植被覆盖最高且增长率最大,NDVI均值为0.504,年平均增长率为0.0055,半干旱草原片区次之(0.348),且波动变化较大,内陆干旱片区植被覆盖平均较低且增长相对较慢,NDVI均值和年平均增长率分别为0.173和0.0018。

NDVI空间差异与下垫面土地利用类型密切相关,黄河流域片区土地利用类型以高植被覆盖率的耕地、林地、草地为主(占86.36%),半干旱草原区土地利用类型以低矮禾草形成的草地为主(占76.29%),而内陆干旱片区除山地和绿洲地区外,基本以较低植被覆盖率的沙漠、荒漠和戈壁形成的未利用地为主(占63.55%),不同分区的土地利用类型使得西北地区NDVI空间差异较大。

研究区植被覆盖增长区域占总面积的55.77%,退化区域仅占3.76%,并且持续性改善区域的面积远大于持续性退化的面积,表明西北地区生态环境会进一步向好发展。在黄河流域片区,植被覆盖增长区域占85%以上,且增长趋势具有持续性的区域占27%以上,而半干旱草原片区和内陆干旱片区植被覆盖增长区域分别占子区面积的72.48%和45.72%,具有持续性的区域仅占11.66%和14.98,说明黄河流域片区的生态环境改善程度明显优于半干旱草原片区和内陆干旱片区,在未来一定时段内黄河流域片区的领先优势将会继续保持。

研究区植被覆盖变化以自然因子与人类活动共同驱动为主,自然因子对植被生长的促进作用大于人类活动,有46.53%区域受自然因子促进,29.78%的区域植被变化受人类活动促进。气候变化背景下,中国西北地区呈暖湿化趋势,多数地区年平均气温变化率高于0.03 ℃,降水年变化率在0—1 mm,且增加趋势显著19,气温升高、降水增加能够促进植被生长20,进而使植被覆盖增加。另外,人类对植被的保护和生态修复,如退耕还林还草工程21、封山禁牧22等保护措施,对植被变化也有较大的促进作用。

参考文献

毛转梅陈劲松彭尔瑞.

甘肃省植被覆盖时空变化趋势研究

[J].江西农业学报,2020323):125-130.

[本文引用: 1]

Lian JZhao XLi Xet al.

Detecting sustainability of desertification reversion: vegetation trend analysis in part of the agro-pastoral transitional zone in Inner Mongolia,China

[J].Sustainability,201792):1-15.

[本文引用: 1]

Faour GMhawej MNasrallah Aet al.

Global trends analysis of the main vegetation types throughout the past four decades

[J].Applied Geography,201897184-195.

[本文引用: 1]

Ibrahim Y ZBalzter HKaduk Jet al.

Land degradation assessment using residual trend analysis of GIMMS NDVI3g, soil moisture and rainfall in sub-Saharan West Africa from 1982 to 2012

[J].Remote Sensing,201575):5471-5494.

[本文引用: 1]

马明国董立新王雪梅.

过去21 a中国西北植被覆盖动态监测与模拟

[J].冰川冻土,2003252):232-236.

[本文引用: 1]

袁丽华蒋卫国申文明.

2000-2010年黄河流域植被覆盖的时空变化

[J].生态学报,20133324):7798-7806.

[本文引用: 2]

肖建勇王世杰白晓永.

喀斯特关键带植被时空变化及其驱动因素

[J].生态学报,20183824):138-151.

[本文引用: 2]

Hammadi AAhmed TTouhami Ret al.

Forest cover in Tunisia before and after the 2011 Tunisian Revolution:a spatial analysis approach

[J].Journal of Geovisualization & Spatial Analysis,2018210.

[本文引用: 1]

邓铭江.

中国西北“水三线”空间格局与水资源配置方略

[J].地理学报,2018737):1189-1203.

[本文引用: 1]

宋怡马明国.

基于SPOT VEGE-TATION数据的中国西北植被覆盖变化分析

[J].中国沙漠,2007271):89-93.

[本文引用: 2]

王娟李宝林余万里.

近30年内蒙古自治区植被变化趋势及影响因素分析

[J].干旱区资源与环境,2012262):132-138.

[本文引用: 1]

王旭洋李玉霖连杰.

半干旱典型风沙区植被覆盖度演变与气候变化的关系及其对生态建设的意义

[J].中国沙漠,2021411):183-194.

[本文引用: 1]

庞静.

基于地理探测器模型的自然和人为因素对植被变化的影响

[D].太原山西大学2016.

[本文引用: 1]

严恩萍林辉党永峰.

2000-2012年京津风沙源治理区植被覆盖时空演变特征

[J].生态学报,20143417):5007-5020.

[本文引用: 1]

张华安慧敏.

基于GEE的1987-2019年民勤绿洲NDVI变化特征及趋势分析

[J].中国沙漠,2021411):28-36.

[本文引用: 1]

王劲峰徐成东.

地理探测器:原理与展望

[J].地理学报,2017721):116-134.

[本文引用: 2]

马永桃任孝宗胡慧芳.

基于地理探测器的浑善达克沙地植被变化定量归因

[J].中国沙漠,2021414):195-204.

[本文引用: 1]

金凯王飞韩剑桥.

1982-2015年中国气候变化和人类活动对植被NDVI变化的影响

[J].地理学报,2020755):961-974.

[本文引用: 1]

舒章康张建云金君良.

1961-2018年中国主要江河枯季径流演变特征与成因

[J].气候变化研究进展,2021173):340-351.

[本文引用: 2]

孙高鹏刘宪锋王小红.

2001-2020年黄河流域植被覆盖变化及其影响因素

[J].中国沙漠,2021414):205-212.

[本文引用: 1]

李依璇朱清科石若莹.

2000-2018年黄土高原植被覆盖时空变化及影响因素

[J].中国水土保持科学,2021194):60-68.

[本文引用: 1]

张建香胡爱萍张多勇.

陕甘宁黄土高原区植被覆盖空间格局演变

[J].西北师范大学学报(自然科学版),2021575):71-76.

[本文引用: 1]

/