2000—2020年甘肃省植被覆盖特征及其对气候变化和人类活动的响应

doi:10.7522/j.issn.1000-694X.2022.00162

2000—2020年甘肃省植被覆盖特征及其对气候变化和人类活动的响应

路建兵^,¹, 鞠珂², 廖伟斌^,³

1.甘肃省地质矿产勘查开发局测绘勘查院，甘肃兰州 730060

2.莫纳什大学公共卫生与预防医学院，澳大利亚墨尔本 3004

3.四川大学华西公共卫生学院（华西第四医院），四川成都 610041

Variation in NDVI and its response to climate change and human activities in Gansu Province during 2000-2020

Lu Jianbing^,¹, Ju Ke², Liao Weibin^,³

1.Surveying and Exploration Institute of Geological and Mineral Exploration and Development Bureau of Gansu Province，Lanzhou 730060，China

2.School of Public Health and Preventive Medicine，Monash University，Melbourne 3004，Australia

3.West China School of Public Health / West China Fourth Hospital，Sichuan University，Chengdu 610041，China

通讯作者: 廖伟斌（E-mail： gymlwb@163.com）

收稿日期: 2022-09-07 修回日期: 2022-12-06

基金资助:

国家留学基金委资助项目. 202006240087

Received: 2022-09-07 Revised: 2022-12-06

作者简介 About authors

路建兵（1988—），男，甘肃静宁人，学士，中级工程师，研究方向为测绘地理信息E-mail：lujianbing1988@163.com , E-mail：lujianbing1988@163.com

摘要

甘肃省生态环境脆弱，是中国最早开展退耕还林工程的省份之一。厘清退耕还林工程时期的甘肃省植被覆盖时空变化特征及其对气候变化和人类活动的响应，对促进生态文明建设和实现可持续发展的战略具有重要意义。基于MODIS-NDVI数据，采用时间地区双向固定效应的广义相加模型定量研究植被覆盖变化对气候变化与人类活动的响应，辅以趋势分析、偏相关分析，对2000—2020年甘肃省NDVI时空变化特征进行分析。结果表明：（1）2000—2020年，甘肃省植被NDVI整体呈显著增加趋势，年平均增长速率为0.004。全省81.43%的地区植被呈显著改善趋势，1.08%地区呈显著退化，其余地区无显著变化。（2）甘肃省植被NDVI与降水的相关性大于气温；气温对植被NDVI起抑制作用，而降水对植被NDVI起非线性促进作用。（3）人类活动使植被NDVI增加的区域主要分布于陇中黄土高原和陇东黄土高原，贡献度为15.4%~48.6%；使植被NDVI下降的区域位于甘南、河西走廊及马鬃山地区。本研究结果可为评估退耕还林工程背景下甘肃省植被覆盖变化提供参考。

关键词： NDVI ; 甘肃省 ; 气候变化 ; 人类活动 ; 广义相加模型 ; 固定效应

Abstract

As a vulnerable eco-environmental area， Gansu is the earliest province where the State Council implements the Grain to Green Program. It is of great significance to clarify the spatio-temporal variation characteristics of vegetation cover and its response to climate change and human activities in Gansu， as well as great value for the construction of ecological civilization and the realization of the sustainable development strategy. In this study， the generalized additional two-way fixed effects model was used to quantitatively evaluate the impact of human activities and climate change on vegetation changes， linear trend analysis and partial correlation analysis were also used to analyze the spatio-temporal variation characteristics of vegetation cover. The results showed that：（1） Vegetation NDVI showed an increasing trend in Gansu during 2000-2020， with a rate of 0.004·a^-1. Vegetation NDVI showed a significant upward trend in 81.43% of the area， while vegetation NDVI decreased significantly in 1.08% of the area， and the rest of area was found with no significant change. （2） NDVI of Gansu showed a better correlation with precipitation than with temperature； Temperature generally inhibit vegetation NDVI growth， while a significant and positive non-linear correlation is founded between NDVI and precipitation. （3） The regions where the NDVI increased caused by human activity were mainly located in in Central Gansu Loess Plateau and East Gansu Loess Plateau， with a contribution of 15.4%-48.6%； while the regions where the NDVI decreased caused by human activity were mainly located in Gannan Plateau， Hexi Corridor and Mazong Mountain. The results of this study can provide reference for assessing the vegetation cover change under the background of the Grain to Green Program in Gansu.

Keywords： NDVI ; Gansu Province ; climate change ; human activities ; Generalized Additive Models ; fixed effect

PDF (3399KB) 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

路建兵, 鞠珂, 廖伟斌. 2000—2020年甘肃省植被覆盖特征及其对气候变化和人类活动的响应. 中国沙漠[J], 2023, 43(4): 118-127 doi:10.7522/j.issn.1000-694X.2022.00162

Lu Jianbing, Ju Ke, Liao Weibin. Variation in NDVI and its response to climate change and human activities in Gansu Province during 2000-2020. Journal of Desert Research[J], 2023, 43(4): 118-127 doi:10.7522/j.issn.1000-694X.2022.00162

0 引言

植被在陆地生态系统中分布广泛，在全球物质循环、能量流动和信息传递过程中起到先导作用^［1-2］。植被作为生态环境综合作用的指示器，其覆盖变化是反映区域生态环境状况的重要参数^［3-4］。在全球变化背景下，从全球到区域尺度上，气候变化和人类活动均会对植被产生显著且持续性的影响^［5-6］。因此，系统性、定量化研究植被覆盖变化及其对气候变化和人类活动的响应，可以为了解陆地生态系统内部相互作用及制定生态环境保护政策等提供科学依据。

归一化植被指数（normalized differential vegetation index， NDVI）是研究植被物候动态状况的重要指标，能够反映植被生长状态和植被覆盖度^［7-9］。NDVI数据具有覆盖面广、获取便捷等特点，使其在植被覆盖变化及其驱动因子研究中被广泛使用。目前，常用的NDVI数据包括MODIS-NDVI、NOAA/AVHRR-NDVI和SPOT-VGT NDVI。近20年来，国内外诸多学者利用NDVI分析不同时序、区域内的植被覆盖变化及其驱动力因子，发现气候因子中气温和降水是影响植被生长和发育的重要驱动力^［10-12］。此外，植被对人类活动的响应也是当前植被覆盖变化研究的主要内容之一^［13-17］。

甘肃省地处黄河上游，植被覆盖度低、水土流失严重、土地荒漠化、沙化严重和水资源日渐枯竭等，致使甘肃省生态环境脆弱^［18］。同时，甘肃省在防风固沙、保护生物多样性、水源补给和涵养等方面承担着重要生态功能，是中国西部地区的生态屏障^［19-20］。近年来国内外学者以NDVI为指标，对甘肃省植被覆盖变化的研究集中在时空变化特征、驱动力因子探索、气候变化和人类活动的响应。研究表明，在退耕还林工程实施期间，甘肃省植被覆盖度与退耕还林面积明显相关^［21］，而不同生态区之间植被覆盖差异较大且呈现空间聚集性^［20］。不少学者对甘肃省植被覆盖变化的驱动力因子进行了研究，如降水量、植被类型、土壤类型等^［22-26］。其中，气候因素如降水与气温对甘肃省植被覆盖的影响存在空间和季节的差异性，且降水对植被覆盖影响要大于气温^{［19，24，27-28］}。除气候因素外，揭示甘肃省植被覆盖对人类活动的响应也是国内外学者关注的重点^{［15-16，29-30］}。

总体来看，现有研究在分析甘肃省植被覆盖对气候变化和人类活动的响应时，对气候因子的非线性关系及残差分析法的内生性问题考虑较少^［30-31］。尤其是残差分析法的内生性问题，即残差中的不可观测因素与气温、降水相关，并通过气温、降水间接影响NDVI观测值，导致气候因子的参数估计有偏差，进而影响残差值。基于此，本文以甘肃省为研究区，使用MODIS-NDVI、地面监测气温和降水数据，通过基于时间地区双向固定效应的广义相加模型定量研究植被覆盖变化对气候变化与人类活动的响应，辅以趋势分析、偏相关分析，对2000—2020年甘肃省NDVI时空变化特征进行分析，为评价甘肃省退耕还林工程的实施效果及生态环境的可持续发展提供科学依据。

1 数据与方法

1.1　数据来源及处理

甘肃省位于中国西北地区，地域狭长，总面积42.58万km²，是黄土、蒙古、青藏三大高原的交会地带（图1）。气候类型包括亚热带季风、温带季风、温带大陆性干旱和高原山地气候，年平均气温0~15 ℃，年降水量36.6~734.9 mm。全省包含温带荒漠区域、温带草原区域、暖温带落叶阔叶林区域、亚热带常绿阔叶林区域和青藏高原高寒植被区域5类植被分区。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 甘肃省地理位置及气象站点分布

Fig.1 Geographical location and distribution of meteorological stations in Gansu

NDVI数据来源于美国国家航空航天局提供的MOD13A2产品，时间分辨率为16 d，空间分辨率为1 km，时间范围为2000年2月至2020年12月。使用MRT工具（MODIS Reprojection Tools）对MODIS-NDVI进行波段提取、重投影、图像镶嵌和格式转换。重投影后坐标为WGS84地理坐标/Albers Equal Area投影坐标。首先使用时间序列谐波分析法对MODIS-NDVI数据进行重建，然后利用最大合成法合成年NDVI数据，并采用甘肃省行政区划矢量数据完成裁剪，最终获得2000—2020年甘肃省最大化NDVI数据。

气温和降水数据来源于中国气象科学数据共享服务网。选取2000—2020年甘肃省23个气象站点的年降水量和年平均气温。本文使用年最大化NDVI数据分析甘肃省植被覆盖时空变化特征。为降低气候因子的空间异质性，本文以气象站点为中心，分别建立半径为10、30 km和50 km的圆形缓冲区，并提取缓冲区内年最大化NDVI的均值，以此分析甘肃省植被覆盖变化对气候变化和人类活动的响应。

1.2　研究方法

1.2.1　趋势分析

本文利用2000—2020年甘肃省年最大化NDVI在像元尺度上进行趋势分析，以此反映NDVI的时间变化趋势^［32-33］。

θ_{s l o p e} = \frac{n \times \sum_{i = 1}^{n} i \times M_{N D V I_{i}} - \sum_{i = 1}^{n} i \sum_{i = 1}^{n} M_{N D V I_{i}}}{n \times \sum_{i = 1}^{n} i^{2} - {(\sum_{i = 1}^{n} i)}^{2}}

（1）

式中：i为年份变量，取值为1~21； $M_{N D V I_{i}}$ 为第 $i$ 年的最大化NDVI值。 $θ_{s l o p e}$ 表示单个像元最大化NDVI的斜率，斜率取值为正，则表明NDVI呈线性增长趋势。采用F检验对回归模型的显著性进行检验，检验水准 $α = 0.05$ 。

1.2.2　偏相关分析

偏相关分析是指当两个变量同时与第三个变量相关时，通过第三个变量分别对前两个变量做回归，此时分析回归残差之间的相关性，即可剔除第三个变量的影响，得到两变量相关关系的过程^［34］。

r_{x y} = \frac{\sum_{i = 1}^{n} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt[]{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2} {(y_{i} - \bar{y})}^{2}}}

（2）

式中： $r_{x y}$ 为变量x和y的简单相关系数； $\bar{x}$ 和 $\bar{y}$ 分别为变量x和y的均值。

r_{x y, z} = \frac{r_{x y} - r_{x z} r_{y z}}{\sqrt[]{(1 - r_{x z}^{2}) (1 - r_{y z}^{2})}}

（3）

式中： $r_{x y, z}$ 为z固定后x和y的偏相关系数； $r_{x y}$ ， $r_{x z}$ 和 $r_{y z}$ 分别为x，y和z之间的简单相关系数。由于Spearman相关是一种非参数检验方法，不对气温和降水的分布及线性关系做假设，因此本文利用基于Spearman相关方法的偏相关分析研究基于气象站点10 km范围内年最大化NDVI的均值与年平均气温、年降水量的相关性，检验水准 $α = 0.05$ 。

1.2.3　广义相加模型

广义相加模型（generalized additional model，GAM）是对传统广义线性模型的扩展，通过样条函数，可以有效地处理解释变量与因变量的非线性关系^［35-36］。近年来，该方法在环境流行病学中的应用较多^［37-38］。本文通过GAM模型分析2000—2020年甘肃省NDVI与年平均气温、年降水量之间的非线性关系，并利用GAM模型的残差定量反映人类活动对NDVI的贡献度。

\begin{array}{l} N D V I_{i t} = α + t e m p e r a t u r e_{i t} + p r e c i p i t a t i o n_{i t} + \\ a r e a + y e a r + p e r i o d + ε_{i t} \end{array}

（4）

ε_{i t} = μ_{i} + λ_{t} + ν_{i t}

（5）

式中： $N D V I_{i t}$ 为i气象站点t年份特定覆盖范围的年最大化NDVI均值； $t e m p e r a t u r e_{i t}$ 为i气象站点t年份的年平均气温； $p r e c i p i t a t i o n_{i t}$ 为i气象站点t年份的年降水量；area为地区分类变量，控制地区固定效应，剔除各地区不随时间变化的效应 $μ_{i}$ ，如地形、地貌、土壤类型和植被类型等；year为时间分类变量，控制时间固定效应，剔除不随时间变化的效应 $λ_{t}$ ，如宏观经济和政策冲击等；period为时间指示变量，取值为0和1，0表示2000—2013年，即甘肃省第一轮退耕还林工程实施时期，1表示2014—2020年，即甘肃省第二轮退耕还林工程实施时期，本文以2000—2013年为参照组，反映第二轮退耕还林工程对比第一轮退耕还林时期甘肃省整体NDVI的变化； $ν_{i t}$ 为剔除双向固定效应后的随机扰动项。

进一步，本文采用GAM模型拟合气温与降水对NDVI的非线性关系：

N D V I_{i t} = α + s (t e m p e r a t u r e_{i t}) + s (p r e c i p i t a t i o n_{i t}) + a r e a + y e a r + p e r i o d + ε_{i t}

（6）

s (x) = \sum_{j = 1}^{k} b_{j} (x) β_{j}

（7）

式中： $s (\cdot)$ 为样条函数； $b (\cdot)$ 为基函数；k为基函数的数目，即自由度，其余变量解释与公式（4）和（5）一致。本文利用薄板样条函数拟合气温（降水）的非线性关系，并通过赤池信息量准则（Akaike information criterion，AIC）、广义交叉验证（generalized cross-validation，GCV）、估计的自由度（estimated degrees of freedom，EDF）和决定系数R² 验证气温（降水）对NDVI的响应是否存在非线性关系，以此筛选最优模型。为保证结果的稳定性，本文分别使用各气象站点10、30、50 km范围的年最大化NDVI均值进行稳健性检验，其覆盖面积分别占全省面积的1.69%、14.95%、36.99%。

根据最优模型做NDVI与气温、降水的回归，回归残差作为人类活动的影响值。利用趋势分析法验证研究期内气候变化和人类活动对NDVI变化的作用，当斜率为正时，表明气候变化或人类活动可以促进NDVI的增加，反之，则表示抑制作用，并根据表1计算气候变化和人类活动对NDVI变化的相对贡献^［14］。上述研究方法，包括趋势分析、偏相关分析和GAM模型均在R4.2.1中完成。

表1 植被 NDVI 变化的驱动因素判定标准及贡献率计算方法

Table 1 Identification criterion and contribution calculation of the drivers of NDVI change

类型	$s l o p e (N D V I_{预测})$	$s l o p e (N D V I_{残差})$	气候变化的贡献度	人类活动的贡献度	说明
$s l o p e (N D V I_{观测}) > 0$	$> 0$	$> 0$	$\frac{s l o p e (N D V I_{预测})}{s l o p e (N D V I_{观测})} \times 100$	$\frac{s l o p e (N D V I_{残差})}{s l o p e (N D V I_{观测})} \times 100$	气候变化和人类活动各自导致植被覆盖增加的贡献度
	$> 0$	$< 0$	100	0	气候变化导致植被覆盖增加
	$< 0$	$> 0$	0	100	人类活动导致植被覆盖增加
$s l o p e (N D V I_{观测}) < 0$	$< 0$	$< 0$	$\frac{s l o p e (N D V I_{预测})}{s l o p e (N D V I_{观测})} \times 100$	$\frac{s l o p e (N D V I_{残差})}{s l o p e (N D V I_{观测})} \times 100$	气候变化和人类活动各自导致植被覆盖减少的贡献度
	$< 0$	$> 0$	100	0	气候变化导致植被覆盖减少
	$> 0$	$< 0$	0	100	人类活动导致植被覆盖减少

$s l o p e (N D V I 观测)$ 表示NDVI观测值的变化趋势； $s l o p e (N D V I 预测)$ 表示NDVI预测值的变化趋势； $s l o p e (N D V I 残差)$ 表示NDVI残差值的变化趋势。

新窗口打开| 下载CSV

2 结果

2.1　甘肃省 NDVI 时空变化特征

2.1.1　 NDVI 时间变化特征

利用一元线性回归对2000—2020年甘肃省年最大化NDVI均值进行趋势分析（图2）。由图可得，近21 a来甘肃省年最大化NDVI整体呈显著增加趋势，年增长速率为0.004（ $R^{2}$ =0.8108，P<0.001）。NDVI的时间变化情况可以分为3个阶段：2000—2009年，快速增长阶段，植被覆盖明显增加，该时期年最大化NDVI均值为0.346；2010—2017年，稳步增长阶段，植被覆盖增加缓慢，该时期年最大化NDVI均值为0.379；2014—2020年，为稳定波动阶段，该时期植被覆盖处于较高水平，均值为0.405。从整体上，甘肃省21 a来植被覆盖情况增加明显。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 甘肃省年最大化NDVI均值年际变化

Fig.2 Annual change of maximal NDVI in Gansu Province during 2000-2020

2.1.2　 NDVI 空间变化特征

整体而言，甘肃省植被覆盖呈现出自西北向东南逐渐增加的特征（图3A）。其中，陇南山地、甘南藏族自治州、祁连山脉及陇东黄土高原东部的NDVI值较高，土地类型以林地、草地为主，植被覆盖较好。河西走廊地势较为平坦，水资源充足，植被覆盖与黑河、石羊河和疏勒河等河流分布一致。陇中黄土高原和陇东黄土高原大部分地区NDVI值较低，这些地区人口密度较高，土地类型以耕地为主。西北地区、河西走廊北部靠近腾格里沙漠和巴丹吉林沙漠NDVI值偏低，土地类型以戈壁、荒漠为主，年降水量较少，植被生存环境恶劣。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2000—2020年甘肃省最大化NDVI均值空间分布（A）及其变化趋势（B）

Fig.3 Spatial distribution of maximal NDVI （A） in Gansu Province and its changing trend （B） during 2000-2020

根据趋势分析的结果，将研究期内甘肃省年最大化NDVI变化类型分为无显著变化、极显著退化、显著退化、极显著改善和显著改善。由图3B和表2可得，甘肃省大部分地区NDVI增加趋势明显，极显著改善和显著改善地区面积占全省面积的81.43%，主要分布在陇中、陇东黄土高原和陇南山地。无显著变化的地区面积占17.49%，主要分布在河西走廊中部、甘南西南部及西北地区北部。极显著退化和显著退化地区面积占1.08%，零星分布在部分市县城区，如武威市凉州区、敦煌市城区、张掖市甘州区及庆阳市西峰区等。

表2 甘肃省 NDVI 变化趋势面积占比

Table 2 Areas and proportion of vegetation NDVI change in Gansu Province

分类标准	变化类型	面积占比/%
$s l o p e (N D V I) < 0 且 P < 0.01$	极显著退化	0.59
$s l o p e (N D V I) < 0 且 P < 0.05$	显著退化	0.49
$P > 0.05$	无显著变化	17.49
$s l o p e (N D V I) > 0 且 P < 0.05$	显著改善	8.82
$s l o p e (N D V I) > 0 且 P < 0.01$	极显著改善	72.61

新窗口打开| 下载CSV

2.2　甘肃省 NDVI 与气候因子的相关性

甘肃省年最大化NDVI均值与年平均气温、年降水量的总体相关系数分别为0.15和0.53，年平均气温的相关系数在 $α = 0.1$ 水平上不显著，年降水量在 $α = 0.05$ 水平上显著，说明甘肃省植被覆盖总体上与降水量的相关性更高。从空间分布上看，甘肃省植被覆盖对气温和降水的响应存在显著的空间差异。其中，NDVI与年平均气温的偏相关系数介于-0.58~0.49，临洮地区的NDVI与年平均气温呈显著负相关，高台、临夏和临洮地区的NDVI与年平均气温呈显著正相关，其余地区的偏相关系数无显著性；NDVI与年降水量偏相关系数为-0.11~0.67，乌鞘岭、靖远、皋兰、华家岭、武都、环县、马鬃山、玛曲、岷县和酒泉的NDVI与年降水量呈显著正相关，其余地区的偏相关系数无显著性（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 甘肃省NDVI与气象因子的偏相关系数

Fig.4 Partial correlation coefficients of NDVI and climate factors in Gansu Province

2.3　甘肃省 NDVI 对气候变化和人类活动的响应

2.3.1　模型筛选

以气象站点为中心10 km范围内的年最大化NDVI值为例，分别拟合NDVI与气温、降水的线性和非线性模型，模型拟合情况如表3和表4所示。非线性模型的AIC、GCV均小于线性模型，R² 略大于线性模型；非线性模型中气温的EDF为1， $P > 0.1$ ；降水的EDF大于1， $P < 0.001$ ；当EDF接近1时，表示线性关系，EDF大于1时，表示为非线性关系。上述结果表明非线性模型的拟合度优于线性模型，气象因子中，NDVI对降水的响应呈非线性关系，对气温的响应为线性关系。

表3 线性和非线性模型拟合优度结果

Table 3 Goodness of fit of linear and non-linear models

模型	AIC	GCV	R²
线性	-2 030.514	0.008 79	0.961
非线性	-2 035.646	0.008 71	0.966

新窗口打开| 下载CSV

表4 气象因子非线性拟合结果

Table 4 Result of non-linear climate factors modeling

气象因子	EDF	P
气温	1	0.174
降水	3.081	<0.001

新窗口打开| 下载CSV

2.3.2　 NDVI 对气候变化的响应

分别对气象站点10、30、50 km覆盖范围内的年最大化NDVI均值进行非线性建模，分别用模型1、模型2及模型3表示。由表5可得，3种场景下模型均具有较高的拟合优度，且拟合优度逐渐增加。年平均气温与NDVI均呈负相关，其中模型1与模型3的结果不显著，模型2在 $α = 0.05$ 水平上显著，气温每上升1 ℃，NDVI下降约0.0093。由图5可得，年降水量与NDVI的累积反应效应均呈非线性增加，当年降水量小于330 mm时，降水对NDVI呈现抑制作用；年降水量大于330 mm时，降水对NDVI呈现非线性促进作用；当年降水量达到700 mm时，降水对NDVI的促进作用开始下降。

表5 不同场景下GAM模型结果

Table 5 Result of GAM model in different settings

变量	模型1	P	变量	模型2	P	变量	模型3	P
气温	-0.007	0.17	气温	-0.009 3	0.04	气温	-0.006 8	0.116 3
时间	0.044 1	0.001	时间	0.055 1	0.001	时间	0.053 4	0.001
截距	0.141	0.001	截距	0.15	0.001	截距	0.1397	0.001
R²	0.966		R²	0.984		R²	0.987

由于表格篇幅所限，本文省略剩余20个年份变量及22个地区变量的回归系数。

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 气象站不同缓冲区范围甘肃省NDVI与降水的累积效应曲线

Fig. 5 The cumulative effects of precipitation on NDVI in Gansu Province under different settings

在剔除气象因子（气温、降水）和地区时间双向固定效应影响后，时间指示变量与NDVI均呈极显著正相关，表明在第二轮退耕还林时期的NDVI较第一轮退耕还林时期有所增加，增加幅度约0.0509。时间分类变量以2000年为参照组，对比尚未全面展开退耕还林的时期，2002—2013年NDVI均有所增加，其中2010—2013年增加幅度明显，2014—2017年NDVI出现波动，2018—2020年NDVI持续增加。地区分类变量以马鬃山站点所在地区为参考组，马鬃山站点地处西北干旱区，年最大化NDVI均值为0.075，其余地区NDVI值均高于该地区，且NDVI的差异性极显著。

2.3.3　 NDVI 对人类活动的响应

为便于展示结果，将人类活动对植被覆盖的影响分为显著促进、显著抑制和无显著性。由图6可知，当气象站点缓冲区范围为10 km时，人类活动显著促进的地区包括景泰、临夏、临洮、华家岭、环县、崆峒、西峰、岷县和麦积，人类活动贡献度19.4%~48.6%；显著抑制的地区有马鬃山、酒泉、张掖、永昌、武威、民勤、乌鞘岭、玛曲和合作，其余地区无显著性。当缓冲区范围为30 km时，人类活动呈显著促进的地区包括张掖、临夏、临洮、华家岭、环县、崆峒、西峰和麦积，人类活动贡献度22.4%~42.4%；显著抑制的地区有马鬃山、酒泉、永昌、武威、民勤、乌鞘岭、玛曲、合作和岷县，其余地区无显著性。当缓冲区范围为50 km时，人类活动呈显著促进的地区包括榆中、临夏、环县、麦积、西峰、崆峒和华家岭，人类活动的贡献度15.4%~45.4%；显著抑制的地区有马鬃山、酒泉、高台、永昌、民勤、乌鞘岭、玛曲、合作和岷县，其余地区无显著性。对比不同覆盖范围结果，人类活动呈显著促进、显著抑制和无显著性地区的空间分布较为一致，表明其结果较为稳健。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 气象站不同缓冲区范围气象因子与人类活动对甘肃省NDVI变化的贡献度

Fig.6 Contributions of climatic change and human activities to NDVI change under different settings in Gansu Province

3 讨论

3.1　甘肃省植被覆盖时空变化特点

本文研究结果表明，甘肃省植被覆盖在空间分布上整体呈西北地区低东南地区高的特点，近21 a植被覆盖整体呈上升趋势，但空间差异性较大。全省3/4面积的植被覆盖呈显著上升趋势，主要分布在陇中、陇东黄土高原和陇南山地，与丁海勇等^［24］、曹博等^［19］、何航等^［39］、胡春艳等^［21］研究结果一致。全省植被覆盖呈显著下降趋势的地区仅1.08%，下降的区域主要分布在市县城区，这些地区人口密度大、土地利用变化剧烈，人类活动对植被覆盖呈抑制作用，与金凯等^［14］、张乐艺等^［33］研究结果吻合。从时间上看，研究期内植被覆盖出现4次明显的跳跃，而出现跳跃的时间点与两轮退耕还林工程实施的关键年份吻合；根据本文GAM模型的结果可得，第二轮退耕还林工程期间的植被覆盖整体较第一轮退耕还林工程时期有所提升，这说明退耕还林面积可以较好地解释植被覆盖的变化^{［21，40］}。

3.2　植被覆盖对气候因子的响应

研究期间，甘肃省大部分气象站点地区的气温和降水均呈上升趋势，前人在省级尺度上的研究也发现相似的结果^{［19，24］}。气候因子对植被覆盖的影响在空间上差异较大，相较于气温，降水与植被覆盖的相关性更高，占主导地位，大部分地区气温与植被覆盖的相关性不显著。这与本文选取的年最大化NDVI有关，对比年均NDVI，年最大化NDVI往往处于夏季，而夏季NDVI对降水的响应较强^［14］。相关研究表明，甘肃省大部分处于干旱、半干旱和半湿润区，气温上升促进了植物的蒸腾作用和土壤有效水分的降低，降水的增加有利于植被的生长^{［19，28］}。与前人研究不同的是，本文发现甘肃省植被覆盖对降水的响应呈显著非线性关系，当年降水量超过330 mm时，降水对植被覆盖呈非线性促进作用，且该促进作用随着降水量的增加呈先上升后下降的趋势。丁海勇等^［24］、刘梁美子等^［41］发现降水量与植被覆盖随海拔的升高先升高再下降。这表明降水随着海拔、坡度的增大，对植被覆盖的影响先增大后降低，与本文结果一致。

3.3　植被覆盖对人类活动的响应

植被覆盖变化是气候变化和人类活动综合作用的结果，人类活动对植被覆盖变化的影响存在双重性^{［12，30］}。本文研究结果表明人类活动对陇中黄土高原和陇东黄土高原的植被覆盖起明显促进作用，人类活动的贡献度为15.35%~48.56%。自1999年甘肃省退耕还林工程启动实施以来，陇中黄土高原和陇东黄土高原是甘肃省退耕还林工程的重点建设区域。一方面，本研究结果表明人类活动在甘南、河西走廊及马鬃山地区呈抑制作用，其中马鬃山地区植被为以荒漠为主的草场植被类型，草牧场占全区总面积的90%，易受人类活动影响；甘南地区家畜密集，过度放牧是造成该地区植被覆盖下降的主要人为因素^［25］。另一方面，本文研究结果表明兰州市、敦煌市、武威市凉州区和张掖市甘州区等城区植被覆盖显著下降，人类活动通过改变土地利用类型影响植被覆盖，造成城市绿化面积不足^［26］。

3.4　GAM建模及残差分析

年内植被生长主要受水热组合的共同影响，只有在合适的范围内，植物生长与气温、降水呈明显的线性关系，当达到一定程度后植物覆盖不会发生明显变化^［42］。因此，植被覆盖变化，尤其是生长期的植被，对气候因子响应的复杂性很难用确定的形式建模。现有研究在分析植被覆盖变化对气候因子的响应时，较少考虑气候因子对植被覆盖变化的非线性效应^{［30，43-44］}。GAM模型通过非参数函数形式拟合气候因子与NDVI之间的关系，该模型构建灵活，不限定具体建模形式，模型中既可以包含参数拟合部分，又可以包含非参数拟合部分，可以有效地处理自变量与因变量之间复杂的非线性关系^［45-47］。同时，利用GAM模型得到的气候因子与NDVI反应曲线，可以准确识别气候因子抑制或促进效应的范围及相应转折点，为植被物候研究提供丰富信息。

传统的残差分析法通过剔除NDVI时间序列变化中气候因子的影响，残差被认为是人类活动所贡献的部分^［48］。前人研究发现，地形、地貌、土壤类型、植被类型、生态分区等均对植被覆盖变化产生直接或间接的影响，又由于数据限制、实际观测困难等原因，较多使用气温与降水代表气候变化，因此传统残差分析法会产生内生性问题。固定效应是有效解决内生性问题的方法之一，在利用残差分析法时，有必要控制地区、时间固定效应。此外，本文研究结果表明控制时间地区双向固定效应GAM模型的R²比未控制固定效应的模型高，这表明在剔除固定效应后，气候因子对NDVI的拟合程度提高，气温和降水的回归系数更接近无偏估计。值得注意的是，在控制双向固定效应后，固定效应中包含一部分不随地区、时间变化的人类活动效应会被剔除，有可能低估人类活动对植被覆盖变化的贡献。

4 结论

2000—2020年，甘肃省植被NDVI整体呈显著增加趋势，空间差异明显。陇中、陇东黄土高原和陇南山区呈显著改善趋势；兰州市主城区、敦煌市城区及武威市凉州区等城区呈显著退化。

甘肃省植被NDVI与降水的相关性大于气温；气温对NDVI起抑制作用，而降水对NDVI起非线性促进作用。

人类活动使NDVI增加的区域主要分布于陇中黄土高原和陇东黄土高原，贡献度15.4%~48.6%；NDVI下降的区域位于甘南、河西走廊及马鬃山地区。

利用GAM模型结合固定效应，可以有效地处理自变量与因变量之间复杂的非线性关系、解决传统残差分析法的内生性问题，准确估计气候因子对NDVI的贡献。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

张清雨，赵东升，吴绍洪，等.

基于生态分区的内蒙古地区植被覆盖变化及其影响因素研究

［J］.地理科学，2013，33（5）：594-601.