2001—2020年黄河流域水源涵养区植被覆盖变化及其对气候变化和人类活动的响应

doi:10.7522/j.issn.1000-694X.2024.00025

2001—2020年黄河流域水源涵养区植被覆盖变化及其对气候变化和人类活动的响应

杨华庆^,¹, 朱睿¹, 尹振良^,²^,³, 山建安¹, 张薇¹, 方春爽¹

1.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

2.中国科学院西北生态环境资源研究院国家冰川冻土沙漠科学数据中心/干旱区生态安全与可持续发展重点实验室，甘肃兰州 730000

3.山东科技大学安全与环境工程学院，山东青岛 266000

Dynamic changes of vegetation in water conservation area of the Yellow River Basin and its response to climate change and human activities during 2001-2020

Yang Huaqing^,¹, Zhu Rui¹, Yin Zhenliang^,²^,³, Shan Jian'an¹, Zhang Wei¹, Fang Chunshuang¹

1.Faculty of Geomatics / National-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

2.National Cry-osphere Desert Data Center / Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

3.College of Safety and Environmental Engineering，Shandong University of Science and Technology，Qingdao 266000，Shandong，China

通讯作者: 尹振良（E-mail： yinzhenliang@lzb.ac.cn）

收稿日期: 2023-10-31 修回日期: 2024-03-01

基金资助:

国家自然科学基金项目.  42161018.  52179026
中国科学院青年创新促进会会员项目.  2021424
甘肃省陇原青年创新创业人才（团队）项目.  2023
黄河流域生态保护和高质量发展联合研究一期项目.  2022-YRUC-01-0601
中国工程院战略研究与咨询重点项目.  2023-XZ-80

Received: 2023-10-31 Revised: 2024-03-01

作者简介 About authors

杨华庆（1999—），女，陕西咸阳人，硕士研究生，主要从事生态系统服务功能研究E-mail：12222025@stu.lzjtu.edu.cn , E-mail：12222025@stu.lzjtu.edu.cn

摘要

植被覆盖变化对黄河流域水源涵养区水源涵养功能和生态环境变化具有重要影响。本文利用Google Earth Engine（GEE）云平台，选取2001—2020年MODIS数据，采用一元线性回归和Hurst指数分析研究区植被覆盖时空变化，并基于地理探测器和Pearson偏相关分析探究各因子对植被覆盖空间分布的影响。结果表明：2001—2020年，研究区植被指数（NDVI）总体呈现波动上升趋势，多年平均NDVI值为0.42，增长速率为0.023/10a，NDVI具有显著的区域差异，整体表现为由东南向西北递减。2001—2020年间植被覆盖呈现改善趋势面积（82.47%）大于退化趋势面积（4.97%），未来持续性改善面积（62.63%）大于持续性不变（5.78%）和持续性退化（3.69%）面积，说明植被覆盖度将继续保持增长趋势。降水量对NDVI空间分布影响力最大，达到0.502，其次为相对湿度（0.418）、高程（0.374）；降水量（77.16%）、气温（71.82%）与NDVI空间分布正相关，日照时数（77.94%）、相对湿度（62.70%）与NDVI空间分布负相关。NDVI变化受气候变化和人类活动共同影响，气候暖湿化和人类活动导致的低NDVI土地利用类型向高NDVI土地利用类型转移共同促进了植被覆盖向好发展。该研究有助于厘清研究区植被覆盖时空变化及其影响因素。

关键词： NDVI变化 ; 影响因子 ; 黄河流域水源涵养区 ; 地理探测器 ; Hurst指数

Abstract

Vegetation cover change has an important impact on water conservation function and ecological environment change in the water conservation area of the Yellow River Basin. Based on Google Earth Engine （GEE） cloud platform， MODIS data from 2001 to 2020 were selected to analyze the spatial-temporal changes of vegetation cover in the study area by one-dimensional linear regression and Hurst index. The effects of various factors on the spatial distribution of vegetation cover were explored based on geodetector and Pearson partial correlation analysis. The results showed as follows：（1） From 2001 to 2020， NDVI in the study area showed a fluctuating upward trend. The annual average NDVI value was 0.42， and the growth rate was 0.023·every decade. NDVI showed significant regional differences， decreasing from southeast to northwest. （2） From 2001 to 2020， the area with improvement trend （82.47%） was larger than the area with degradation trend （4.97%）， and the area with future continuous improvement （62.63%） was larger than the area with no change （5.78%） and the area with continuous degradation （3.69%）， indicating that the vegetation coverage will continue to maintain an increasing trend. （3） Annual precipitation had the greatest influence on the spatial distribution of NDVI， reaching 0.502， followed by relative humidity （0.418） and altitude （0.374）. Precipitation （77.16%） and air temperature （71.82%） were positively correlated with NDVI spatial distribution， while sunshine hours （77.94%） and relative humidity （62.70%） were negatively correlated with NDVI spatial distribution. （4） The change of NDVI is jointly affected by climate change and human activities， and the shift from low NDVI land use types to high NDVI land use types caused by climate warming and human activities jointly promote the better development of vegetation cover. This study is helpful to clarify the temporal and spatial changes of vegetation cover and its influencing factors in the study area.

Keywords： NDVI changes ; influence factor ; Yellow River basin water conservation area ; geographical detector ; Hurst index

PDF (6995KB) 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

杨华庆, 朱睿, 尹振良, 山建安, 张薇, 方春爽. 2001—2020年黄河流域水源涵养区植被覆盖变化及其对气候变化和人类活动的响应. 中国沙漠[J], 2024, 44(4): 57-70 doi:10.7522/j.issn.1000-694X.2024.00025

Yang Huaqing, Zhu Rui, Yin Zhenliang, Shan Jian'an, Zhang Wei, Fang Chunshuang. Dynamic changes of vegetation in water conservation area of the Yellow River Basin and its response to climate change and human activities during 2001-2020. Journal of Desert Research[J], 2024, 44(4): 57-70 doi:10.7522/j.issn.1000-694X.2024.00025

0 引言

气候变化背景下，分析植被覆盖时空变化特征，既有助于监测区域生态系统健康，也可反映区域气候变化影响^［1-2］。定性研究植被覆盖的变化趋势，以及定量研究气候变化和人类活动等要素对植被覆盖变化的影响，对区域生态环境保护和修复具有指导意义。归一化植被指数（Normalized Difference Vegetation Index，NDVI）与植被覆盖度之间存在显著的相关性，是反映植被覆盖变化最重要的遥感参数^［3-4］，在区域或全球尺度的气候环境监测、植被覆盖变化、生物量反演以及植被物候研究等方面得以广泛应用^［5］。

目前，国内外学者利用NDVI长时间序列数据基于趋势分析、Mann-Kendall非参数检验、Hurst指数、偏相关分析和残差分析等开展了植被覆盖变化及其影响因素等方面的研究，部分学者还使用全局莫兰指数I、Getis-Ord指数及地理探测器等对植被覆盖在空间上的分布和聚集情况进行了分析探讨^［6］。气温和降水是引起NDVI变化的主要气候因素^［7-10］，地形、土壤、人类活动也是影响植被覆盖变化的重要因子。燕丹妮等^［11］指出，除气候因素外，植树造林对黄土高原植被生态建设产生积极影响的面积增加了55.94%。谢绮丽等^［12］发现退耕还林、休牧育草使得保护区内植被覆盖面积大幅度提升。郑朝菊等^［13］基于MODIS-NDVI数据，利用像元二分模型估算西南地区2000—2014年的植被覆盖度，采用趋势分析、相关分析和残差分析方法，对气候变化和人类活动对西南地区植被覆盖时空变化的影响进行了综合分析。肖建勇等^［14］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。张亮等^［15］利用偏相关模型分析了长江流域NDVI变化与气象因子之间的关系，发现该流域气温为主导因素，湿度和降水对NDVI影响不显著。郑勇等^［16］利用MODIS-NDVI数据，采用趋势分析及偏相关分析动态监测川西高原20 a的植被覆盖度变化及气候因素对植被变化的影响程度。赵子娟等^［17］利用一元线性回归和Pearson相关系数，分析了NDVI与自然因子和人为因子等影响因子的响应关系，发现降水量为主导因子，退耕还林等政策实施促进了植被覆盖度的改善。以上研究表明，不同区域NDVI变化影响因子不同，但均受到自然因子和人类活动的共同影响，因此关于植被覆盖变化的影响需要进一步研究多因子的协同作用。

近年来，在气候变化和人类活动的共同影响下，黄河流域水源涵养区出现植被退化，湖泊、湿地萎缩，生态功能减弱等问题，表现出极大的敏感性和脆弱性^［18-20］。为保护黄河源生态环境，国家实施了“三江源生态保护和建设”一期（2005年）、二期（2014年）和“三江源国家公园体制试点”（2016年）^［21-22］等生态保护和修复工程，黄河流域水源涵养区植被得以一定程度的恢复。在过去40年中，黄河源区的气候以显著增暖为主要特征，年平均气温上升趋势达0.31 ℃/10a^［23］。气候变化将继续对植被覆盖变化产生影响，同时，在黄河流域生态保护和高质量发展战略推动下，黄河流域水源涵养区必将迎来更大规模的生态保护和修复^{［11，24-26］}，人类活动也将继续影响植被覆盖变化。因此，亟需厘清黄河流域水源涵养区植被覆盖变化状况及对气候变化和人类活动的响应。

基于上述背景，本研究主要目的是分析黄河流域水源涵养区植被覆盖变化趋势及其对气候变化和人类活动的响应。具体如下：①基于GEE云平台和MODIS数据定量分析黄河流域水源涵养区NDVI时空变化特征；②利用地理探测器分析量化气候和人类活动因子对NDVI空间变化的交互作用；③采用偏相关分析探究气候因子和土地利用变化对NDVI时空变化的影响。本文研究结果可为黄河流域水源涵养区生态恢复和保护提供参考。

1 研究区概况

本文中黄河流域水源涵养区，限定为黄河流域兰州水文站以上区域（图1），该区位于青藏高原东北部，地跨四川、甘肃和青海3省，地势西高东低，平均海拔为4 473 m。属于亚寒带半干旱半湿润气候，年均气温为1.6 ℃左右，降水集中在6—9月，年降水量300~700 mm^［23］。冻土、草地、湿地、冰川、积雪等是水源涵养的主体。黄河流域水源涵养区分布着大片连续、不连续和岛状多年冻土、季节冻土，是高寒地区重要的固态水源^［27］。黄河流域水源涵养区以全流域38%的面积产生了84.1%的天然径流量，成为黄河流域的主要产水区域^［28］，对流域中下游地区农业生产、用水安全、生态环境保护和可持续发展具有举足轻重的意义^［29］。过去30多年，受全球气候变暖和人类活动的影响，该区出现不同程度的草地退化和土地沙化等问题^［30-31］。从植被覆盖度变化角度开展黄河源区生态环境变化研究，对于深入理解青藏高原多年冻土区在气候变化和人类活动双重作用下的植被响应，以及为黄河流域水源涵养区生态环境保护和治理提供辅助决策具有重要的意义^［32］。依据黄河流域四级划分，将研究区划分为河源至玛曲、玛曲至龙羊峡、龙羊峡至兰州、湟水、大夏河及洮河流域六大区域。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区概况

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图边界无修改

Fig.1 Overview of the study area

2 研究方法与数据来源

2.1　数据来源

2.1.1　NDVI数据来源及处理

NDVI数据选用美国国家航空航天局（NASA）提供的MODIS（Moderate-resolution Imaging Spectroradiometer）MOD13A1的NDVI时间序列产品，时间分辨率为16天、空间分辨率为500 m。时间尺度为2001—2020年的生长季（4—10月），共计264期影像。为消除云、大气条件以及太阳高度角等因素的干扰，采用最大值合成法（Maximum Value Composite，MVC）生成月尺度NDVI，并对生长季NDVI数据集进行平均聚合，生成逐年生长季NDVI数据序列。

2.1.2　气象数据

气象数据采用国家气象信息中心发布的中国国家级地面气象站基本气象要素日值数据集V3.0。本研究选取黄河流域水源涵养区及周边44个站点的数据，时间跨度为2001—2020年^［33］。使用克里金插值方法对气象要素进行空间插值，得到年尺度4—10月降水量、气温、日照时数及相对湿度栅格数据。基于最邻近法重采样将气象数据重采样到500 m分辨率，与NDVI数据分辨率保持一致。

2.1.3　其他数据

土地利用类型数据来源于中国科学院资源环境科学数据中心，空间分辨率为30 m。数字高程模型（DEM）数据来源于中国科学院地理空间数据云，坡度及坡向数据均由DEM计算获得。统计年鉴数据选取年末大牲畜头数，在ArcGIS中进行空间关联并生成矢量数据。大型动物如骆驼、牛和马相当于4个羊单位。由于无法获得单户牧民的牲畜数量，以牲畜数量与统计面积的比值计算放牧强度^［34-36］。以上数据均通过重采样处理，与NDVI数据像元大小保持一致（表1）。

表1 数据信息及来源

Table 1 Data information and sources

数据	单位	数据来源
NDVI	/	NASA（https://ladweb.modaps.eosdis.nasa.gov）
降水量	mm	国家气象信息中心（https://data.cma.cn/）
气温	℃
日照时数	h
相对湿度	%
高程	m	中国科学院地理空间数据云（http://www.gscloud.cn/）
坡度	°
坡向	°
土地利用类型	/	中国科学院资源环境科学数据中心（http://www.resdc.cn/）
放牧强度	头·km^-2	统计年鉴

新窗口打开| 下载CSV

2.2　研究方法

2.2.1　趋势分析及显著性检验

在区域和像元尺度，采用一元线性回归分析计算NDVI和气候因素的变化趋势。

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

（1）

式中：Slope为回归方程斜率；n为时间跨度，本文为20；i（i=1，2，…，n）为年序号；NDVI_i 为第i年生长季NDVI值。当Slope>0时，NDVI呈增长趋势，表明植被覆盖呈现改善趋势；当Slope<0时，NDVI呈减少趋势，表明研究区植被褐化或植被退化。此外，T-test用于检验NDVI变化趋势的显著性，当P<0.05时，变化趋势具有显著性。

2.2.2　Hurst指数

Hurst指数被广泛用于植被演变趋势研究^［37-39］。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NDVI_i，i=1，2，…，n，对于任意正整数t≥1，定义该时间序列均值序列：

\bar{∆ N D V I (t)} = \frac{1}{t} \sum_{i = 1}^{t} N D V I_{i} (t = 1,2, \dots, n)

（2）

累积离差：

X (m) = \sum_{i = 1}^{t} (∆ N D V I_{i} - \bar{∆ N D V I (t)}) (1 \leq m \leq t)

（3）

极差：

R (t) = \underset{1 \leq t \leq n}{m a x} X (m) - \underset{1 \leq t \leq n}{m i n} X (m) (t = 1,2, \dots, n)

（4）

标准差：

\begin{array}{l} S (t) = {[\frac{1}{t} \sum_{i = 1}^{t} {(∆ N D V I_{i} - \bar{∆ N D V I (t)})}^{2}]}^{\frac{1}{2}} \\ (t = 1,2, \dots, n) \end{array}

（5）

对比 $R (t) / S (t) ≅ R / S$ ，若存在 $R / S \propto t^{H}$ ，则表明时间序列存在Hurst现象，反映时间序列的随机性或持续性特征。当H<0.5时，表明NDVI不具有持续性，当0.5<H<1时，表明时序NDVI具有持续性（表2）。

表2 变化趋势类型与变化趋势持续性定义

Table 2 The type of changing trend and the definition of the persistence of changing trend

Slope 趋势	变化趋势类型	Hurst 指数	变化趋势的持续性
<-0.006	明显退化	>0.5	持续性明显退化
-0.006~-0.0006	轻微退化	>0.5	持续性轻微退化
-0.0006~0.0006	基本不变	>0.5	持续性不变
0.0006~0.006	轻微改善	>0.5	持续性轻微改善
>0.006	明显改善	>0.5	持续性明显改善
		<0.5	未来变化趋势不确定

新窗口打开| 下载CSV

2.2.3　地理探测器模型

地理探测器是由王劲峰等^［38］提出的探测空间分异性、揭示其背后影响力的统计学方法^［39］，用于探测各驱动因子X对探测因变量Y空间分异性的解释力度。本文选取生长季日照时数、相对湿度、降水量、气温、高程、坡度、坡向、土地利用类型及放牧强度9个因子进行空间探测。为避免主观性误差，本文采用1倍标准差对选取的因子进行重分类^［40］，计算各因子的决定值q。

因子探测：用于探测因变量Y（NDVI值）的空间分异性，以及各驱动因子X对Y的空间分异影响力度的大小。

q_{X, Y} = 1 - \frac{1}{N δ^{2}} \sum_{i = 1}^{m} X_{i} {δ_{i}}^{2} = 1 - \frac{S S W}{S S T}

（6）

S S W = \sum_{i = 1}^{m} X_{i} δ_{i}^{2}

（7）

S S W = N δ^{2}

（8）

式中： $q_{X, Y}$ 为影响因素探测力指标；i作为自变量X的分类项数，i=1，2，…，L； $X_{i}$ 为一级区域样本数；N为整个区域样本数；m为次级区域个数； $δ^{2}$ 为研究区所有样本值的方差， ${δ_{i}}^{2}$ 为次一级区域内样本的方差；SSW和SST分别为L类的方差之和与区域总方差。 $q_{X, Y}$ 的取值范围为［0，1］， $q_{X, Y}$ 值越大表示X的影响力越大。

交互作用探测：用于识别不同因素之间交互作用影响力^［38-39］，即通过计算q（X₁∩X₂）值来判断因子Ｘ₁和X₂的共同作用对因变量Ｙ的影响力为增强或减弱，将q（X₁∩X₂）值与q（X₁）和q（X₂）的数值进行比较，对于因变量Ｙ的作用关系判别依据如表3。

表3 因子交互作用关系

Table 3 The relationship of factor interaction

判断依据	作用关系
$q (X_{1} ⋂ X_{2}) < M i n [q (X_{1}), q (X_{2})]$	非线性减弱
$M i n [q (X_{1}), q (X_{2})] < q (X_{1} ⋂ X_{2}) < M a x [q (X_{1}), q (X_{2})]$	单因子非线性减弱
$q (X_{1} ⋂ X_{2}) > M a x [q (X_{1}), q (X_{2})]$	双因子增强
$q (X_{1} ⋂ X_{2}) = q (X_{1}) + q (X_{2})$	独立
$q (X_{1} ⋂ X_{2}) > q (X_{1}) + q (X_{2})$	非线性增强

新窗口打开| 下载CSV

风险区探测：基于t检验判断2个因子子区域间的属性均值是否有显著差别，用于搜索NDVI值高的因子适宜范围^［41］。

t = \frac{\bar{Y_{h - 1}} - \bar{Y_{h - 2}}}{{[\frac{V a r Y_{h - 1}}{n_{h} = 1} + \frac{V a r Y_{h - 2}}{n_{h} = 2}]}^{\frac{1}{2}}}

（9）

式中： $\bar{Y}$ 为子区域h内NDVI线性回归系数的均值； $n_{h}$ 为子区域h内样本数量；Var表示方差。

2.2.4　偏相关性计算

简单相关分析。本文用线性相关系数分析NDVI与气候因子的相关程度。

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} \sum_{i = 0}^{n} {(y_{i} - \bar{y})}^{2}}}

（10）

式中： $R_{x y}$ 为x、y两变量的线性相关系数； $x_{i}$ 与 $y_{i}$ 分别为x、y两变量第i年的值； $\bar{x}$ 、 $\bar{y}$ 分别表示x、y两变量n年的平均值；n为样本数量。

偏相关分析。偏相关分析能够在剔除其他气候因子影响的情况下，探索NDVI与单一气候因子之间的关系，本文选择气温、降水量、日照时数与相对湿度等气候因子，进一步探讨各气候因子对研究区NDVI变化的影响。

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

（11）

式中： $R_{x y}$ 、 $R_{x z}$ 、 $R_{y z}$ 分别表示变量x和变量y、变量x和变量z、变量y和变量x的简单相关系数，各变量的相关系数通过式（10）计算获得； $R_{x y, z}$ 为将变量z固定后变量x和变量y的偏相关系数，取值范围为-1<R_xy，z <1。如果R_xy，z >0，表示两个变量呈正相关关系，在本文中表示若气温升高，降水增加，相对湿度增加或日照时数增多都将促进植被生长。如果R_xy，z <0，表示两个变量呈负相关，即一个变量变大，另一个变量则变小，表明气候因子对NDVI有抑制作用。

3 结果与分析

3.1　植被覆盖时空变化特征

2001—2020年黄河流域水源涵养区生长季NDVI空间分布及其年际变化趋势如图2所示，NDVI总体呈现波动上升趋势，多年平均值为0.46，最大值（0.489）出现在2018年，最小值（0.423）出现在2001年。整体而言，20年间NDVI呈现逐渐增加趋势，但增加缓慢，速率为0.024/10a。2014年后NDVI增加较快，速率为0.069/10a。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2001—2020年生长季平均NDVI空间分布及其年际变化趋势

Fig.2 Spatial distribution of average NDVI and its interannual change trend from 2001 to 2020

黄河流域水源涵养区NDVI分布具有显著的区域差异，整体表现为由东南向西北递减，与黄河流域水源涵养区海拔及气候要素的空间分布基本一致。研究区西北部属于干旱气候区，植被生长较稀疏，NDVI值主要在0.1~0.3，主要植被类型为高寒草甸；研究区中部属于半干旱气候区，NDVI值为0.3~0.5；研究区东南部属于湿润气候带，植被生长状态较好，NDVI值为0.5~0.7，主要植被类型为高山草甸、高山灌丛、高山针叶林。

3.2　植被覆盖变化趋势

2001—2020年黄河流域水源涵养区NDVI空间变化趋势与Hurst指数分布如图3所示。研究区植被覆盖呈现改善趋势面积大于退化趋势面积，表明黄河流域水源涵养区整体植被覆盖变化趋势呈改善趋势。改善区域占研究区面积的82.47%，其中明显改善区域占8.18%，轻微改善区域占74.28%；基本不变区域占12.57%；轻微退化区域占4.75%，明显退化区域占0.22%。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 NDVI空间变化趋势与 Hurst 指数分布

Fig.3 Spatial variation trend of NDVI and Hurst index distribution

研究区内Hurst指数为0.19~0.76，平均值为0.55，表明研究区NDVI整体变化趋势具有持续性变化趋势。Hurst指数与变化趋势空间叠加分析可知在具有持续性变化的区域中，持续性改善（62.63%）>持续性不变（5.78%）>持续性退化（3.69%）。持续性改善区域主要分布在研究区东北部，持续性退化主要分布在研究区西南部。

3.3　各驱动因子对NDVI的影响

因子探测。为更好地揭示不同时期各驱动因子对黄河流域水源涵养区NDVI空间分布的影响，本文选取2001、2010、2020年计算各因子对NDVI空间分布影响程度的q值（全文2001年土地利用类型使用2000年土地利用类型数据代替），分析各因子在不同时期对NDVI空间分布的影响力，降水是各因子中对NDVI空间分布解释力最大的驱动因子（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2001、2010、2020年因子探测结果

Fig.4 Results of factor detection in 2001， 2010 and 2020

因子交互作用探测。因子交互作用探测结果如图5所示，绝大多数因子交互作用q值都大于因子单独作用的q值，表示影响因子的两两交互作用会增强对NDVI空间分布的解释力。所有因子交互作用呈现双因子增强和非线性增强关系，年降水量因子与其他因子交互作用的q值普遍偏高。气温与坡度在2010年表现为非线性增强，在2001年和2020年表现为双线性增强；相对湿度与坡度在2001年和2010年表现为双线性增强，在2020年表现为非线性增强。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 交互作用探测中影响因子的解释力及交互作用类型

Fig.5 Explanatory power and interaction types of influence factors in interactive detection

各因子对NDVI影响的适宜性分析。基于地理探测器中的风险探测模块，分析各影响因子对NDVI的适宜类型或范围，并在95%置信水平上进行统计意义检验。NDVI 均值越大，各驱动因子的特征更适合植被生长，不同驱动因子的NDVI均值差异明显（表4）。

表4 各因子的适宜限制（置信水平95%）

Table 4 Adaptive limits for each factor （confidence level 95%）

因子	NDVI适宜类型或范围	NDVI均值
土地利用类型	林地	0.570
放牧强度/（头·km^-2）	189.7~286.9	0.559
坡向/（°）	319.6~359.5	0.472
高程/m	3 278~4 024	0.569
坡度/（°）	17.1~26.4	0.497
降水量/mm	745.6~823.4	0.642
相对湿度/%	70.8~75.6	0.630
日照时数/h	5.6~6.2	0.626
气温/℃	7.5~10.6	0.536

新窗口打开| 下载CSV

风险探测结果显示NDVI随降水量和相对湿度的增加而增加。年降水量745.6~823.4 mm、相对湿度为70.8%~75.6%时NDVI达到最高值，植被覆盖最好；年均气温为7.5~10.6 ℃、年日照时数为5.6~6.2 h时NDVI达到最大值；黄河流域水源涵养区处于高海拔地区，高程对NDVI有较大影响，在3 278~4 024 m时NDVI达到最高值，植被覆盖最好，与其他高程范围存在显著性差异；在坡向为319.6°~359.5°（阴坡）NDVI值最大，与阳坡NDVI有明显差异，因此，黄河流域水源涵养区阴坡的植被覆盖最好；植被覆盖在坡度为17.1°~26.4°时NDVI值最大。土地利用类型中，林地的NDVI值最大，与城乡、工矿、居民用地类型NDVI值差异较大。放牧强度为189.7~286.9 头·km^-2时NDVI达到最高值。

3.4　气候因子与NDVI相关性空间分析

逐栅格判定NDVI与气候因子的偏相关关系，偏相关性的空间分布具有明显的差异（图6）。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 气候因子的偏相关显著性

Fig.6 The significance of partial correlation of climate factors

整体上，NDVI与降水量和气温呈正相关，偏相关系数均值分别为0.21和0.14；与相对湿度和日照时数呈负相关，偏相关系数均值分别为-0.09和-0.22。统计发现，NDVI与降水偏相关关系中正相关通过0.05显著性水平检验的面积占比为19.72%，主要分布在龙羊峡至兰州段以及湟水流域东南部；NDVI与气温偏相关关系中正相关通过0.05显著性水平检验的面积占比为8.52%，主要分布在洮河流域东南部、湟水流域东南部以及河源至玛曲段东南部；NDVI与相对湿度偏相关关系中负相关通过0.05显著性水平检验的面积占比为4.98%，主要分布在湟水流域中部、龙羊峡至兰州段以及玛曲至龙羊峡段东北部；NDVI与日照时数偏相关关系中负相关通过0.05显著性水平检验的面积占比为17.14%，主要分布在洮河流域东部、大夏河流域、龙羊峡至兰州段以及玛曲至龙羊峡段东北部。由上述结果可知，研究区内NDVI受降水影响最强，日照时数次之，而相对湿度及气温对NDVI影响相对较弱。就不同土地利用类型而言（图7），耕地、林地、草地及建设用地中NDVI与降水呈现显著正相关（包括极显著和显著正相关）的面积分别占41.91%、16.25%、19.78%及23.35%；气温对耕地和林地的NDVI影响比其他土地利用类型大，呈现显著正相关的面积分别为14.01%和11.39%；日照时数对耕地的NDVI影响相对较大，呈显著负相关（包括极显著和显著负相关）的面积占比为35.85%，相对湿度对不同土地利用类型NDVI的影响较弱，其中对林地和草地NDVI的影响较其他土地利用类型大，呈现显著负相关的面积分别为6.32%和4.79%。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 不同土地利用类型与NDVI相关性面积占比

Fig.7 Proportion of area related to NDVI by different land use types

3.5　土地利用变化对NDVI的影响

20年来，黄河流域水源涵养区土地利用类型变化较大（表5），其中耕地、未利用土地分别减少了448.1、6 835.3 km²，林地、草地、水域、建设用地则分别增加了451.41、5 650.7、502.6、678.9 km²。各土地利用类型的NDVI顺序为林地（0.57）>草地（0.46）>耕地（0.43）>建设用地（0.39）>未利用土地（0.37）。土地利用类型转换对NDVI亦产生影响，2001—2020年有1 802.9 km²的耕地转换为林草地及建设用地，其中有82.91%的NDVI呈现增长趋势；建设用地及未利用土地转换为林地、草地及耕地的NDVI呈现增长趋势的面积占75.9%；林草地转换为未利用土地及建设用地，在转换面积中有9.83%的NDVI呈现退化趋势。不同土地类型NDVI增长速率也不同，草地最高（0.047），耕地次之（0.024），其次为林地和未利用土地，建设用地增速最缓。草地和林地增速较快反映了退耕还林及封山育林等政策使原有植被得以恢复，区域植被得到改善。

表 5 2001—2020年黄河流域水源涵养区土地利用转移矩阵

Table 5 Land use transfer matrix of water conservation area in the Yellow River Basin from 2001 to 2020

2001年	2020年
2001年	耕地	林地	草地	水域	建设用地	未利用土地	总计
耕地	12 587.70	178.33	1 154.78	86.10	469.78	25.93	14 502.62
林地	84.90	24 846.70	1 884.22	51.55	23.62	49.57	26 940.56
草地	1 194.13	2 254.83	143 290.00	353.06	328.55	3 536.30	150 956.87
水域	44.63	25.34	138.77	3 649.32	14.07	42.77	3 914.90
建设用地	128.76	7.72	39.00	5.66	973.81	0.51	1 155.45
未利用土地	14.37	78.78	10 100.80	271.83	24.56	15 464.00	25 954.35
总计	14 054.49	27 391.71	156 607.57	4 417.52	1 834.38	19 119.08	223 424.75

新窗口打开| 下载CSV

4 讨论

4.1　NDVI动态

2001—2020年黄河流域水源涵养区NDVI总体呈现波动上升趋势。2001—2005年呈现持续上升趋势，此时国家开始大力推行退耕还林还草工程，植被得以恢复，NDVI值开始增加，2009—2018年，政府提议进一步巩固退耕还林成果并于2014年开启全国第二轮退耕还林工程，在一定程度上再次促进了黄河流域水源涵养区NDVI增长。刘子凡等^［42］发现实施退耕还林工程之后，研究区植被覆盖度总体呈现显著的增加趋势，工程成效显著；马炳鑫等^［43］发现实施退耕还林工程后，人类活动对植被的影响从消极转变为积极影响，在一定程度上促进了植被增长，表明退耕还林工程在增加植被覆盖和改善环境质量发展方面发挥了重要作用。同时据《2022年全球气候状况报告》显示2015—2022年是有记录以来最暖的8年（图8），2015年后黄河流域水源涵养区生长季气温降水增长明显，良好的水热条件对植被的生长十分有利，田佳西^［44］发现1982—2019年，在气候暖湿化背景下，自然生态系统NDVI出现明显增加趋势，陈春波等^［45］发现，在气候变化背景下，天山北坡表现为“暖湿化”趋势，增温增湿的气候环境适宜草地植被生长。因此2014年后黄河流域水源涵养区NDVI增长速率明显增强可能与气候变暖相关。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 NDVI与气候因子变化趋势

Fig.8 NDVI and the changing trend of climate factors

4.2　NDVI变化的影响因子

因子探测结果显示，降水量、气温、相对湿度、日照时数及高程等对NDVI空间分布影响显著，q值最大为降水。交互作用探测结果分析发现降水量因子与其他因子交互作用的q值普遍偏高，各因子间呈现相互增强和非线性增强关系。降水量始终为黄河源流域水源涵养区植被空间分布的主要影响因子。高程、坡度和坡向在2001、2010、2020年解释力波动幅度不明显，这主要是因为地形在较短时间内不会发生变化。放牧强度对NDVI空间分布的解释力逐渐降低，可能与该研究区实施禁牧、休牧和轮牧等政策有关^［46］。水热条件决定植被覆盖的总体趋势，而地形、放牧强度等因素影响局部植被分布格局。研究得出高程3 278~4 024 m内植被覆盖最好，海拔越高，气温越低，植被生长受到限制。NDVI在降水量为745.6~823.4 mm、温度7.5~10.6 ℃时值最大，良好的水热条件对植被的生长十分有利。坡向坡度是重要的地形因子，NDVI在坡度17.1°~26.4°、坡向为阴坡时值最大，这可能是因为地形陡峭，土壤流失严重，植被生长较平地困难；阴坡土壤的水分蒸发慢，水土保持好，有利于植被生长。牲畜数量（羊单位）与面积（km²）比值189.7~286.9时NDVI最高，Peng等^［47］发现，与不放牧相比，轻度和中度放牧增加了青藏高原高寒草甸的产量。食草动物的粪便和尿液通常会导致土壤有效氮含量增加，促进植物氮素吸收^［48］，所以适量的牲畜放牧一定程度上会促进植被生长。

植被覆盖度变化与土地利用变化存在响应联系，土地利用变化是植被覆盖动态变化的重要影响因素^［49］。2001—2020年整体NDVI呈现增长趋势，但在不同土地利用类型上差异明显（图9）。高NDVI土地利用类型转换为低NDVI土地利用类型，例如林地、草地转换为建设用地及未利用土地，NDVI值增长较其他转出类型较小；低NDVI土地利用类型转换为高NDVI土地利用类型，例如建设用地及未利用土地转换为耕地、林地后，NDVI增幅明显，部分最小值的增幅也为正向增长。这表明在气候变化的背景下，人为参与进行生态保护修复、封山育林后，黄河流域水源涵养区整体植被呈现持续改善趋势。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 2001—2020年不同土地利用类型转换下生长季NDVI变化

Fig.9 Changes of NDVI in growing season under different land use types from 2001 to 2020

4.3　NDVI与气候因子的偏相关分析

随着气候变化，在长时间尺度上，黄河流域水源涵养区植被覆盖变化与气温、降水量、日照时数及相对湿度均存在较强的相关性。研究区西北部海拔高，降水少，温度低，不利于植被生长；研究区中部属于半干旱气候，植被覆盖增加；研究区东南部属于湿润气候，降水与气温增加，因而植被生长状态良好^［50］。与气温呈现正相关关系的区域主要分布在洮河流域东南部、湟水流域东南部以及河源至玛曲段东南部，与降水量呈现正相关关系的区域主要位于龙羊峡至兰州段以及湟水流域东南部，与日照时数呈现负相关关系分布区域与降水量正相关区域基本吻合，降水多导致日照时数较少，光合作用也相应变差，从而在一定程度上抑制了植被的生长。相对湿度为正相关与负相关的面积大致相等。研究结果证实气候因子影响了黄河流域水源涵养区NDVI的空间分布格局，并且较为暖湿的气候对于植被生长有促进作用，杨金虎等^［51］也发现随着暖湿化现象出现，黄河上游生态植被整体呈向好趋势，未来80年的暖湿化可能使得生态植被持续变好。

5 结论

黄河流域水源涵养区2001—2020年NDVI总体呈现波动上升趋势，多年平均值为0.42，生长季NDVI具有显著的区域差异，整体表现为由东南向西北递减。整体植被覆盖呈现改善趋势面积（82.47%）大于退化趋势面积（4.97%），并且持续性改善面积（62.63%）远大于持续性退化的面积（3.69%），研究区植被覆盖将继续呈现增长趋势。

降水量是黄河流域水源涵养区植被空间分布的主要影响因子，各因子对植被空间分布的影响排序为降水量>相对湿度>日照时数>高程>土地利用类型>放牧强度>气温>坡度>坡向。各因子对NDVI 影响存在交互作用，呈现相互增强和非线性增强关系。

黄河流域水源涵养区NDVI变化受气候变化和人类活动共同影响，NDVI与气温、降水量呈正相关关系，与日照时数、相对湿度呈负相关关系。气候变化背景下，气温升高、降水增加能够促进植被生长，进而使植被覆盖增加；人为因素对植被的保护和生态修复，如退耕还林还草工程、封山禁牧等保护措施，对植被变化也有较大的促进作用。

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]

付新雷

基于神东中心区植被覆盖变化的多时相遥感监测

［J］.中国环境监测，2014，30（2）：186-190.