青海湖流域植被绿度时空变化及影响因素

doi:10.7522/j.issn.1000-694X.2025.00126

青海湖流域植被绿度时空变化及影响因素

王明宇^,¹, 吴成永²^,³, 陈克龙^,¹^,²

1.青海师范大学地理科学学院/青海省自然地理与环境过程重点实验室/青藏高原地表过程与生态保护教育部重点实验室，青海西宁 810008

2.青海青海湖湿地生态系统国家定位观测研究站，青海海北 812300

3.天水师范学院资源与环境工程学院，甘肃天水 741001

Spatiotemporal changes of vegetation greenness and their influencing factors in the Qinghai Lake Basin

Wang Mingyu^,¹, Wu Chengyong²^,³, Chen Kelong^,¹^,²

1.School of Geographical Sciences / Key Laboratory of Physical Geography and Environmental Processes of Qinghai Province / Key Laboratory of Tibetan Plateau Land Surface Processes and Ecological Conservation，Ministry of Education，Qinghai Normal University，Xining 810008，China

2.Qinghai Qinghai Lake Wetland Ecosystem National Positioning Observation and Research Station，Haibei 812300，Qinghai，China

3.School of Resources and Environmental Engineering，Tianshui Normal University，Tianshui 741001，Gansu，China

通讯作者: 陈克龙（E-mail： ckl7813@163.com）

收稿日期: 2025-04-14 修回日期: 2025-06-16

基金资助:

第二次青藏高原综合科学考察研究项目.  2019QZK0405
青海省科技计划项目.  2023-ZJ-905T
国家自然科学基金项目.  42461064
国家自然科学基金项目.  42461018

Received: 2025-04-14 Revised: 2025-06-16

作者简介 About authors

王明宇（2001—），男，江西抚州人，硕士研究生，主要从事自然地理与生态环境过程的研究E-mail：king_qhnu@163.com , E-mail：king_qhnu@163.com

摘要

为探究青海湖流域植被绿度时空变化及其对气候变化和人类活动的响应，基于2000—2023年MODIS归一化植被指数（NDVI）数据、气象数据，通过Sen+Mann-Kendall趋势分析、Hurst指数、相关分析以及残差分析等方法，分析青海湖流域植被绿度的时空变化规律和未来发展趋势，并评估气候变化与人类活动对植被绿度影响程度。结果显示：（1）2000—2023年青海湖流域NDVI年均值为0.45，时间上呈显著上升趋势，年变化速率为0.0022，改善区占研究区的86.22%，呈显著上升趋势，空间异质性明显。（2）植被绿度总体变化相对稳定，变异系数为0~1.7，平均值为0.08，展现出积极发展态势。（3）青海湖流域植被绿度与降水和气温均正相关，且与降水（r=0.196，P<0.05）的相关性强于气温（r=0.07，P<0.05），85.5%区域以降水驱动为主。（4）青海湖流域63.6%区域植被绿度受气候变化和人类活动双重影响，其中人类活动的相对贡献率为85.02%。

关键词： 植被绿度 ; 时空变化 ; 气候变化 ; 人类活动 ; 青海湖流域

Abstract

To investigate the spatiotemporal changes in vegetation greenness in the Qinghai Lake Basin and their responses to climate change and human activities， this study analyzed MODIS Normalized Difference Vegetation Index （NDVI） data and meteorological data from 2000 to 2023. Methods such as Sen+Mann-Kendall trend analysis， Hurst index， correlation analysis， and residual analysis were employed to examine the spatiotemporal patterns and future trends of vegetation greenness in the basin. The degree of influence of climate change and human activities on vegetation greenness was also assessed. The results show：（1） From 2000 to 2023， the annual average NDVI in the Qinghai Lake Basin was 0.45， with a significant increasing trend over time at a rate of 0.0022 per year. Areas showing improvement accounted for 86.2% of the study region， exhibiting a significant upward trend and distinct spatial heterogeneity. （2） Vegetation greenness generally remained relatively stable， with a coefficient of variation ranging from 0 to 1.7 and an average of 0.08， indicating a positive development trend. （3） Vegetation greenness in the Qinghai Lake Basin was positively correlated with both precipitation （r=0.196， P<0.05） and temperature （r=0.07， P<0.05）， with precipitation having a stronger influence than temperature. Precipitation was the dominant driver in 85.5% of the area. （4） Changes in vegetation greenness in 63.6% of the Qinghai Lake Basin were jointly influenced by climate change and human activities， with human activities accounting for a relative contribution rate of 85.02%.

Keywords： vegetation greenness ; spatiotemporal changes ; climate change ; human activities ; Qinghai Lake Basin

PDF (28419KB) 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

王明宇, 吴成永, 陈克龙. 青海湖流域植被绿度时空变化及影响因素. 中国沙漠[J], 2025, 45(5): 289-300 doi:10.7522/j.issn.1000-694X.2025.00126

Wang Mingyu, Wu Chengyong, Chen Kelong. Spatiotemporal changes of vegetation greenness and their influencing factors in the Qinghai Lake Basin. Journal of Desert Research[J], 2025, 45(5): 289-300 doi:10.7522/j.issn.1000-694X.2025.00126

0 引言

植被作为陆地生态系统的重要组成部分，其重要性不仅体现在大气圈、生物圈和全球碳循环中，还通过影响地表与大气之间能量、水分和碳交换，对气候变化起重要调节作用，同时对生态系统状况及其变化具有指示意义^［1-3］。植被绿度与植被覆盖高度相关，是表征陆表植被覆盖状况的重要指标，也是评估生态系统健康的关键指标，植被绿度改变不仅会影响碳循环和气候系统的稳定性^［4］，而且能直观反映地表植被空间分布的动态特征，并间接揭示生态环境质量的演变趋势^［5-7］。

植被绿度变化的研究，多数学者采用归一化植被指数（NDVI）作为评估指标，该指数与绿叶密度、光合有效辐射、植被生产力及累积生物量等高度敏感，能有效捕捉不同植被类型和覆盖程度的变化^［8］，是公认的反映地表植被覆盖和生长状况的有效指标，常被作为区域气候变化的“指示器”^［9］。气温和降水对陆地植被生长起着关键作用，然而在不同区域，植被变化与水热因子相关性存在较大差异^［10］。气温升高是促进植被恢复的主要气候因素，降水主要影响中国西北干旱半干旱地区植被状况^［11］。内蒙古高原^［12］、黄土高原^［13］、青藏高原^［14］、西北干旱半干旱地区^［15］植被生长主要受降水影响。东北平原、东南地区、四川盆地和云贵高原植被生长对气温响应更为明显^［16-18］。然而，NDVI不仅受气候变化影响，同时也显著受人类活动的干扰和影响。为定量区分二者的贡献，学者们广泛采用多元回归残差等方法开展研究^［19-25］。相关成果显示：欧洲和非洲人类活动对NDVI产生了显著的积极影响，表明密集的人类活动加速NDVI和植被变化^［19］。黄土高原^［21］和中亚地区^［22］人类活动对植被影响呈现改善与破坏并存的双向影响，但总体以正向影响为主。祁连山南坡^［23］和华北地区^［24］人类活动则主要表现为促进植被生长的积极作用，且其贡献率显著高于气候变化。不同地理区域人类活动对植被动态的影响程度和作用方向存在显著差异，但总体呈现出相对气候变化更为突出的驱动作用。

青海湖流域位于青藏高原东北部，流域内的青海湖是维系青藏高原生态安全的重要水体，流域是阻止西部荒漠化向东蔓延的天然屏障，是青藏高原东北部最重要的水汽源和气候调节器^［26］，是研究植被生态系统对气候变化及人类活动响应的理想区域^［27-28］。目前，对青海湖流域的研究集中于模拟增温和降水变化对温室气体排放的影响、土地利用变化及生态补偿机制等方面^［29-32］，而对青海湖流域植被绿度变化特征及对气候变化和人类活动的响应机制的研究不足。鉴于此，本研究基于NDVI数据和气象数据，对2000—2023年青海湖流域植被绿度的时空变化进行分析，通过量化分析气候因素和人类活动对植被绿度变化的影响及贡献度，旨在深入理解青海湖流域植被生态系统的演变过程，并为青海湖流域的生态保护与可持续发展提供理论支持。

1 材料与方法

1.1　研究区概况

青海湖流域地处西部干旱区、青藏高原、东部季风区3大区域相互作用的交会地带^［33］，是中国西部气候变化的关键区域。海拔为3 173~5 279 m（图1），面积29 661 km²。流域地形特征为西北高、东南低，形成了四周被群山环绕的封闭内陆盆地^［34-35］。流域内有布哈河、沙柳河、黑马河等多条河流。其中布哈河是青海湖流域的最大河流，位于青海湖流域的西北部，流向为西北-东南向^［36］。流域内气候特征为寒冷干燥，年平均气温较低，且年内温差和日温差较大。降水主要在夏季，冬季稀少。受地形和气候影响，青海湖流域植被类型丰富多样，从高山草甸、高寒灌丛到荒漠草原均有分布。流域内土壤类型也呈现出多样性，包括高山草甸土、高山寒漠土、栗钙土等，这些土壤类型与植被类型和气候条件密切相关，共同构成了青海湖流域独特的生态环境^［37］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区示意图

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.1 Schematic diagram of the study area

1.2　数据来源与处理

NDVI数据选用2000—2023年生长季（5—10月）MODIS植被指数产品MOD13Q1，来自美国国家航空航天局（http：//ladsweb.modaps.eosdis.nasa.gov），数据的时间分辨率为16 d，空间分辨率为250 m。对数据经过拼接、重投影和格式转换处理后，采用最大值合成法对每年的NDVI数据进行合成，最终通过掩膜技术获得研究区域24年的年最大NDVI值。

2000—2023年青海湖流域降水与气温数据来源于国家青藏高原科学数据中心（http：//data.tpdc.ac.cn），空间分辨率约1 km。DEM数据采用SRTM数据集，来源于地理空间数据云（https：//www.gscloud.cn/），空间分辨率为90 m。

1.3　研究方法

1.3.1　趋势分析与检验

Sen趋势分析法是一种非参数统计趋势分析方法^［38］，适用于长时间序列植被绿度的趋势分析。

S l o p e = m e d i a n (\frac{x_{j} - x_{i}}{j - i}) (1 < i < j)

（1）

式中：Slope为NDVI的变化趋势值；x_i 和x_j 分别为某一像元在i年和j年的NDVI值；median为取中值函数。当Slope>0时，表示植被NDVI呈改善趋势；Slope=0则NDVI保持不变；当Slope<0时，则呈退化趋势。Mann-Kendall（M-K）检验法作为一种最常见的非参数统计方法，适用性广泛，且不受少数异常因素的影响，通过结合Sen趋势分析，能够对变化趋势进行显著性检测。

1.3.2　Hurst指数分析

Hurst指数（H）是基于长时序非函数周期的标极差（R）/标准差（S）的分析方法，可以描述NDVI持续性或反持续性的变化^［39］，本研究采用基于R/S算法的Hurst指数对青海湖流域植被绿度演变趋势与可持续性进行预测。当Hurst指数为0.5<H<1，即未来变化趋势与历史趋势一致；当H值等于0.5时，即未来变化趋势与历史趋势无关；而当H值位于0<H<0.5，则显示出反持续性，即未来变化趋势将与历史趋势相反^［40］。

1.3.3　变异系数

通过建立变异系数模型，分析研究区植被绿度随时间变化的波动情况^［41］。

C_{v} = \frac{1}{\bar{N D V I}} \times \sqrt[]{\frac{1}{n - 1} \sum_{i = 1}^{n} {(N D V I_{i} - \bar{N D V I})}^{2}}

（2）

式中：C_v为植被绿度变异系数。变异系数越小，植被绿度波动程度越小，变化越稳定，反之则表明植被绿度越不稳定。根据相关研究，将区域NDVI变异系数划分为5个等级^［42-43］（表1），表征区域植被绿度的稳定情况。

表1 植被绿度稳定性变异系数判定标准

Table 1 Criteria for determining the coefficient of variation of vegetation greenness

变异系数	C_v<0.05	0.05≤C_v<0.10	0.10≤C_v<0.15	0.15≤C_v<0.20	C_v≥0.20
稳定性	低波动	中低波动	中波动	中高波动	高波动

新窗口打开| 下载CSV

1.3.4　Pearson系数

本文采用Pearson相关系数测定青海湖流域植被绿度与降水和气温之间的相关性。

R = \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 = 1}^{n} {(y_{i} - \bar{y})}^{2}}}

（3）

式中：R为Pearson相关系数；x_i 为第i年的NDVI值； $\bar{x}$ 为多年NDVI均值；y_i 为第i年的气温或降水量； $\bar{y}$ 为气温或降水量多年均值。R>0时为正相关，R<0时为负相关，|R|越大相关性越强。

1.3.5　多元回归残差分析

残差分析通过使用没有人类活动的模拟植被变化趋势与实际趋势之间的差异，来区分气候变化和人类活动对植被变化的贡献^［44］。本文利用残差分析法来表示人类活动对植被绿度变化的影响。

N D V I_{C C} = a T + b P + c

（4）

N D V I_{H A} = N D V I_{o b s} - N D V I_{C C}

（5）

式中：NDVI_CC为NDVI预测值；a、b、c为模型参数；T和P分别为年平均气温和年降水量；NDVI_HA为残差；NDVI_obs为NDVI观测值^［45］。为了更好理解人类活动对植被绿度影响，将残差趋势值（Sr）分为：促进（Sr>0.0005）、基本无影响（-0.0005≤Sr≤0.0005）、抑制（Sr<-0.0005）^［46］。根据残差趋势分析结果，将植被绿度驱动因素分为6类（表2），计算各驱动因素在植被绿度变化的相对贡献率。

表2 植被绿度驱动因素判定标准及贡献率

Table 2 Criteria and contribution rates of the driving factors for vegetation greenness

Slope(NDVI_obs)	驱动因素	驱动因素判定标准		驱动因素的贡献率/%
Slope(NDVI_obs)	驱动因素	Slope(NDVI_CC)	Slope(NDVI_HA)	气候变化	人类活动
>0	CC&HA	>0	>0	$\frac{S l o p e (N D V I_{C C})}{S l o p e (N D V I_{o b s})}$	$\frac{S l o p e (N D V I_{H A})}{S l o p e (N D V I_{o b s})}$
	CC	>0	<0	100	0
	HA	<0	>0	0	100
<0	CC&HA	<0	<0	$\frac{S l o p e (N D V I_{C C})}{S l o p e (N D V I_{o b s})}$	$\frac{S l o p e (N D V I_{H A})}{S l o p e (N D V I_{o b s})}$
	CC	<0	>0	100	0
	HA	>0	<0	0	100

注：CC为气候变化，HA为人类活动。

新窗口打开| 下载CSV

2 结果与分析

2.1　青海湖流域植被绿度时空演变特征

2.1.1　植被绿度时间变化特征

利用一元线性回归对2000—2023年青海湖流域年最大NDVI均值进行趋势分析（图2）。2000—2023年青海湖流域植被绿度整体呈波动上升的趋势，年增长速率为0.0022（R²=0.4879）。植被绿度多年平均值为0.45，植被绿度的最小值为0.40，最大值为0.49，分别出现在2001年和2018年。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2000—2023年青海湖流域植被绿度年际变化趋势

Fig.2 The interannual variation trend of vegetation greenness in the Qinghai Lake Basin from 2000 to 2023

2.1.2　植被绿度空间变化特征

基于2000—2023年青海湖流域NDVI数据，计算各空间单元的多年平均值，得到近24年青海湖流域植被绿度的空间分布格局（图3）。结果显示，青海湖流域植被绿度呈现由西北向东南递增的空间分布格局，形成西北低、中部略高、南部最高的梯度变化，植被绿度呈现出较为明显的空间异质性。植被绿度较高的区域主要集中在研究区南部，南部海拔低，水热条件好，气候适宜植被生长。而植被绿度较低的区域多分布于海拔较高的山区及荒漠和沙地地区，气候条件较差，植被生长受限。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2000—2023年青海湖流域植被绿度多年平均值空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.3 Spatial distribution of the multi-year average vegetation greenness in the Qinghai Lake Basin from 2000 to 2023

2.1.3　植被绿度空间变化趋势

运用Sen趋势分析和Mann-Kendall检验，得到青海湖流域过去24年植被绿度变化趋势（图4）和显著性检验结果（表3）。2000—2023年青海湖流域植被绿度变化为-0.0193~0.0184，总体呈改善趋势，在高海拔地区表现尤为突出。植被绿度的增加在空间上表现为以青海湖为中心向外递增并向西北方向逐渐递增，同时沿布哈河逆流而上也呈现明显的上升趋势。通过显著性检验（P<0.05）的区域占研究区总面积的57.2%，具体而言，改善区域占研究区的86.22%，其中极显著改善区域占56%，主要分布在研究区域的西北部和中部地区。西北地区大部分属于高海拔，原本植被覆盖率较低，但得益于禁牧等生态保护措施的实施，植被覆盖得到了显著提升。中部地区靠近布哈河等水系，海拔较低，水热条件优越，也促使植被覆盖显著增加。显著改善和不显著改善区域占研究区域的30.22%。仅3.98%区域出现植被绿度退化趋势，主要分布在研究区的东北部、沙岛以及布哈河周围地区。总体而言，与过去相比，青海湖流域的植被绿度呈现出积极态势。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2000—2023年青海湖流域植被绿度变化趋势及显著性检验空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.4 Spatial distribution of the vegetation greenness change trend and its significance test in the Qinghai Lake Basin from 2000 to 2023

表3 2000—2023年青海湖流域植被绿度变化趋势显著性检验

Table 3 Significance test of the vegetation greenness change trend in the Qinghai Lake Basin from 2000 to 2023

变化趋势Slope	显著性水平P	变化趋势	像元数	比例/%
<-0.0005	<0.01	极显著减少	3 957	0.97
	0.01~0.05	显著减少	55	0.01
	≥0.05	不显著减少	11 622	3
-0.005~0.0005	≥0.05	无变化	39 226	9.8
>0.0005	≥0.05	不显著增加	120 304	30
	0.01~0.05	显著增加	900	0.22
	<0.01	极显著增加	224 374	56

新窗口打开| 下载CSV

2.1.4　植被绿度稳定性与未来变化趋势

依据表1划分标准，2000—2023年NDVI空间稳定性格局如图5A所示。24年间青海湖流域植被绿度的变异系数为0~1.7，平均值为0.08。总体来说，呈现从西北到东南趋于稳定的态势。2000—2023年青海湖流域低波动区域占比最高（69.1%），其次中低波动区域（26.67%）、中度波动区域（3.1%）、中高波动区域（0.85%）以及高波动区域（0.28%）。东北部与南部区域植被绿度变化稳定性相对较高。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2000—2023年青海湖流域植被绿度稳定性与持续性

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.5 Vegetation greenness stability and sustainability in the Qinghai Lake Basin from 2000 to 2023

为了解青海湖流域植被绿度未来变化趋势的持续性，通过逐像元计算青海湖流域Hurst指数，并将这一结果与Sen趋势分析叠加，得到青海湖流域近24年植被绿度变化持续性特征与未来变化趋势（表4）。结果显示，青海湖流域的植被绿度Hurst指数平均值为0.43，其中74.32%的区域呈现反持续性特征（0<H<0.5），15.68%的区域呈现持续性特征（0.5<H<1），这表明流域的反持续性特征更为显著。具体而言（图5B），14.68%的区域植被绿度将持续改善，主要分布在研究区的西北部和中部，71.34%的区域呈现出反持续性退化趋势。而植被绿度持续性退化区域仅占1%，2.98%的区域植被绿度呈反持续性改善，主要在研究区东部和东北部，未来可能面临植被绿度退化风险。尽管存在局部地区的退化现象，特别是那些反持续性改善明显的区域，但整体而言，青海湖流域内的植被绿度在逐步向好。

表4 2000—2023年青海湖流域植被绿度变化持续性

Table 4 Persistence of vegetation greenness changes in the Qinghai Lake Basin from 2000 to 2023

变化趋势值slope	Hurst指数	未来变化趋势	像元数	比例/%
<-0.0005	0.5~1	持续性退化	4 018	1
	0~0.5	反持续性退化（改善）	285 864	71.34
-0.0005~0.0005	0~1	基本不变	40 182	10
>0.0005	0~0.5	反持续性改善（退化）	11 563	2.98
	0.5~1	持续性改善	58 811	14.68

新窗口打开| 下载CSV

2.2　植被绿度对降水和气温的响应

如图6所示，青海湖流域植被绿度与降水相关系数为-0.7761~0.8056，均值为0.196，植被绿度与降水存在正相关的区域为85.5%，负相关的区域为14.5%，表明植被绿度与降水呈正相关。通过显著性检验（P<0.05）的区域占研究区总面积的12.3%，不显著正相关区域占73.4%，分布在研究区的大部分地区，显著正相关占研究区总面积的12.1%，主要在研究区的西北部、东部及中部零星区域，表明在这些地区降水量对植被的影响较大。相比之下，不显著负相关和显著负相关区域的比例则较低，分别为14.3%和0.2%，主要在研究区的西部、南部以及北部零星分布。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 植被绿度与降水相关性及显著性

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.6 Results of correlation and significance test between vegetation greenness and precipitation

如图7所示，青海湖流域植被绿度与气温相关系数为-0.7333~0.8242，均值为0.07，植被绿度与气温存在正相关的区域为64%，负相关的区域为36%，表明总体植被绿度与气温呈正相关。通过显著性检验（P<0.05）的区域占研究区总面积的5.1%，不显著正相关区域占59.4%，显著正相关区域占研究区总面积的4.6%，主要分布于研究区的北部和南部，零散分布于研究区的中部，表明气温的升高导致这些区域植被绿度增加。相比之下，不显著负相关和显著负相关区域的比例则较低，分别为35.5%和0.5%，主要在研究区的西部、东北部以及东南部。通过分析植被绿度与降水和气温的相关性，发现降水量对青海湖流域植被绿度的影响更为显著。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 植被绿度与气温相关性及显著性

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.7 Results of correlation and significance test between vegetation greenness and air temperature

2.3　植被绿度对人类活动的响应

除气候因素对植被绿度有影响外，人类活动也是影响植被绿度的重要因素。本研究采用多元回归残差分析法，探究2000—2023年青海湖流域植被绿度与人类活动的响应机制（图8、表5），将人类活动对植被绿度影响分为促进、无影响和抑制。青海湖流域82.8%的区域植被绿度残差值>0.0005，从空间分布上看，促进区域广泛分布于整个研究区，尤其在研究区的西部和中部表现明显，受益于退耕还林、植树造林、生态保护等措施的实施，人类活动对植被绿度的促进作用不断增强。11.4%的区域残差值为-0.0005~0.0005，这些区域主要分布在研究区的边缘地带，受到人类活动干扰较小且生态环境相对脆弱。植被绿度残差值<-0.0005的区域仅占5.8%，这些区域主要分布在青海湖环湖区域、研究区东部农牧交错带及布哈河中下游河谷地带。环湖区域受旅游城镇化影响最为突出，24年间建设用地扩张导致NDVI年均下降；东部农牧区则主要受超载放牧影响；布哈河谷地因耕地扩张及灌溉引发土壤次生盐渍化，造成原生高寒草甸持续退化。这些人类活动的负面效应通过改变地表覆被、破坏土壤结构等途径，显著抑制了当地植被覆盖的恢复与发展。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 青海湖流域植被绿度残差变化趋势空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.8 Spatial distribution of the residual variation trend of vegetation greenness in the Qinghai Lake Basin

表5 残差趋势统计

Table 5 Residual trend statistics

残差趋势值Sr	人类活动影响	像元数	比例/%
<-0.0005	抑制	22 401	5.8
-0.0005~0.0005	无影响	45 342	11.4
>0.0005	促进	332 665	82.8

新窗口打开| 下载CSV

2.4　气候变化与人类活动对植被绿度年际变化的贡献

多元回归残差分析结果表明气候变化对流域植被绿度的贡献率为14.98%，人类活动对流域植被绿度变化的贡献为85.02%（图9）。具体而言，人类活动对流域植被绿度增长贡献率为60%~80%、80%的区域，分别占青海湖流域总面积的16.1%和75.3%，广泛分布于研究区的大部分地区，特别是西北、东北部和中部地区，这些区域主要在农田、草场、居民点和道路周边，人类活动通过改善土地利用方式、增加植被覆盖、实施生态保护和恢复工程等方式，促进了植被绿度的提升。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 气候变化与人类活动对植被绿度变化的贡献率

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.9 The contribution rates of climate change and human activities to vegetation greenness change

相比之下，气候变化的贡献率多为0~40%，占研究区总面积的89.7%。具体而言，74.6%的区域贡献率为0~20%，主要分布在西北部和东北部；5.2%的区域贡献率为40%~60%，集中在中部；5.1%的区域贡献率为60%~100%，主要位于北部和西南部。北部山区和高海拔地带气候条件较为特殊，气候变化对植被绿度的影响更为显著。总体而言，近24年的气候变化和人类活动对研究区植被绿度的影响均以正向促进为主，其中人类活动对植被绿度的贡献率大于气候变化。

2.5　植被绿度变化的驱动因素

青海湖流域植被绿度驱动因素分区结果表明（图10和表6），流域30.8%区域气候变化对植被绿度变化无明显影响；其中，气候变化驱动流域植被绿度改善的区域占1.5%；气候变化驱动植被绿度退化的区域占0.7%，均呈零散分布。人类活动对绿度增加起促进作用的区域占27.8%，主要分布于研究区西北部，零散分布于研究区北部和南部。相比于气候变化影响，人类活动对植被绿度的改善具有明显促进作用。人类活动对流域植被绿度增加起抑制作用的区域占3%。总体来看，流域内植被变化主要受气候变化与人类活动共同驱动，占研究区总面积的67%；具体来说，流域内63.6%区域受气候变化和人类活动共同驱动导致植被绿度改善，基于表2中采用的驱动因素贡献率计算方法定量分析结果显示，在气候变化和人类活动的双重驱动作用下，人类活动的贡献率为85.56%，进一步分析显示，人类活动所占的相对比例为54.41%，凸显了人类活动在研究区植被动态变化中的主导作用。但其中也有3.4%区域受气候变化和人类活动共同驱动而导致植被绿度退化，集中于城镇、荒漠以及靠近河流地区。综上所述，气候变化和人类活动的共同作用是近24年来青海湖流域植被绿度变化的主要原因，其中人类活动的影响更为显著。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 2000—2023年青海湖流域植被绿度变化驱动因素空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号GS（2023）2767号）制作，底图边界无修改

Fig.10 Spatial distribution of driving factors for vegetation greenness changes in the Qinghai Lake Basin from 2000 to 2023

表6 2000—2023年青海湖流域植被绿度变化的驱动因素统计

Table 6 Statistics of driving factors for vegetation greenness changes in the Qinghai Lake Basin from 2000 to 2023

Slope (NDVI_obs)	驱动因素	像元数	比例/%
>0	气候变化和人类活动	253 592	63.6
	气候变化	6 320	1.5
	人类活动	111 006	27.8
<0	气候变化和人类活动	14 169	3.4
	气候变化	3 317	0.7
	人类活动	12 034	3.0

新窗口打开| 下载CSV

3 讨论

3.1　植被绿度时空变化特征

本研究表明近24年来，青海湖流域的植被绿度存在年际波动，但整体上呈现出上升趋势，空间异质性明显，56%区域植被绿度呈极显著增加趋势。这一结果与前人研究结果相符^［47-48］。这一现象的主要原因可能是在气候变暖大背景下，气候暖湿化对高原植被生长产生了积极影响，气温和降水显著增加为植被提供了充足养分。同时暖湿化也促进冰冻圈消融，使得土壤含水量提升，为植被生长提供了更丰富的水分来源^［49］。同时，政府和社会各界对生态环境保护的重视程度日益提高，加大了对青海湖流域生态环境的投入和治理力度，治理退化草地、植树造林、防风固沙、禁牧等生态保护措施的实施^［50］，促进了植被绿度提升，对地表植被恢复具有积极作用。这两个因素共同作用，使得青海湖流域的植被绿度得以改善。本研究通过显著性检验确保了趋势分析结果的统计可靠性，57.2%区域通过显著性检验（P<0.05），表明分析结果具有较高的可信度。但需注意的是，该方法对短周期波动不敏感，可能低估极端气候事件对植被的短期影响。因此，长期可持续性和生态平衡维护仍然需要进一步的研究和关注。

3.2　植被绿度稳定性与可持续性

本研究通过逐像元计算青海湖流域Hurst指数，得到青海湖流域近24年植被绿度变化持续性特征与未来变化趋势。结果显示，青海湖流域反持续性现象显著，71.34%的区域呈现出反持续性退化（改善）的趋势，主要分布在研究区的西北部与中部。相对而言，植被绿度持续性改善的区域占比为14.68%，而持续性退化的区域仅占1%。这表明青海湖流域的植被绿度变化整体呈稳定趋势，波动较小，以反持续性退化为主。然而，靠近河流和城镇的部分地区可能会面临植被退化风险。因此采取系统性、多层次的综合治理措施，结合生态修复、社会参与和政策调控，对青海湖流域植被生态可持续发展至关重要。例如，划定生态红线，严格保护敏感区域，限制城镇无序扩张与过度放牧；建立生态补偿机制，对因保护植被而损失经济收益的居民（如退耕农民）给予补偿^［51］。然而，该方法假设未来变化将延续历史模式，在气候变化加剧和人类活动干预增强的背景下，这一假设可能需要谨慎。研究结果显示74.32%区域呈现反持续性特征，这与青藏高原其他地区的研究结果^{［23，52］}相吻合。

3.3　植被绿度影响因素

3.3.1　气候驱动作用

本研究通过分析青海湖流域植被绿度变化对气候因子的响应，发现植被绿度的时空变化受到降水和气温的共同影响，且二者均与植被绿度呈正相关关系。其中，植被绿度与降水存在正相关的区域为85.5%，与气温存在正相关的区域为64%，表明降水对植被绿度变化的影响更为显著。这一结论与卓嘎等^［53］研究结果一致，其研究表明近几年来青藏高原多数地区的植被状况得到了显著提高，植被NDVI与降水量、温度之间存在显著正相关关系，降水对青藏高原植被覆盖的影响更为显著。此外，潘虹等^［54］研究也发现，青海湖流域的NDVI与降水的相关性远超过与气温的相关性。这些研究结果进一步证实了气候变化对植被绿度的影响，同时也强调了降水在其中的关键作用。

3.3.2　人类活动影响

通过多元回归残差分析，本研究发现近24年青海湖流域82.8%的区域植被绿度残差值>0.0005，人类活动对青海湖流域植被绿度增加起促进作用的区域占27.8%，同时流域内63.6%的区域受气候变化和人类活动共同驱动导致植被绿度改善，人类活动对流域植被绿度变化的贡献为85.02%。人类活动的双面性在植被绿度变化中表现得尤为明显。一方面，一系列生态保护措施，如退耕还林、封山育林、禁牧、划定生态红线等^［55-56］，显著促进植被面积的大幅度增加，这对植被绿度的提高贡献极大。另一方面，随着人类活动增加，城市化、过度放牧与旅游开发等对植被恢复构成了一定威胁^［57-58］，对植被绿度的保持产生了一定挑战。总体而言，人类活动影响以正面为主。生态保护措施的实施，人们对环境保护意识的提高，人类活动的正向驱动正在不断增强。

综上所述，青海湖流域植被绿度的时空变化与气候变化和人类活动密切相关。本研究通过多元回归残差分析了气候变化和人类活动对植被绿度变化的影响，量化了气候变化与人类活动的贡献率，该方法虽已被广泛运用^［44-46］，但其科学性和局限性需深入探讨，该方法建立在假定无人类干扰状态下，植被动态主要响应气温和降水变化^［44］，通过建立线性模型，构建气候驱动的植被变化基准线；将观测值与气候预测值的差异归因于人类活动^［45］，这一假设已在黄土高原^［21］、三江源^［25］等类似生态区得到验证。但仍存在以下局限：在建立气候要素与NDVI之间的多元回归方程时，气候因子（如气温、降水和太阳辐射）选择缺乏统一标准^［59］，未考虑土壤湿度、太阳辐射等关键变量；在提及人类活动时，人类活动（如城镇化、放牧强度、农业耕作方式等）的精细化量化及其对植被变化的贡献率分析仍显不足；此外，遥感数据本身存在固有误差和涉及政府生态保护政策等关键数据获取困难。基于当前研究的局限性，未来研究建议从以下方面深入探索：数据层面，引入更高精度的太阳辐射、土壤湿度等关键气候因子数据，以及生态保护政策、GDP和土地利用/覆被变化数据集；方法层面，构建气候-人类活动-政策响应多维度耦合框架，解析不同时空尺度下自然因素与人类活动的交互效应；机理层面，量化生态政策实施的空间异质性响应特征，更全面地揭示植被绿度变化的驱动机制。在此基础上，通过优化土地利用方式、加强生态保护和恢复措施等手段，促进生态系统的稳定和可持续发展。同时，政策制定者和相关部门也应该关注生态环境保护与经济发展的平衡，制定合理的政策措施，以实现生态、经济和社会效益的共赢。

4 结论

本文较系统地研究了2000—2023年青海湖流域植被绿度的时空变化特征和变化趋势、气候变化与人类活动的响应机制及其驱动因素与贡献率，为高寒生态系统响应全球变化提供了实证依据，为区域生态安全评估和恢复实践提供了数据支持。主要结论：青海湖流域近24年植被绿度呈上升与改善趋势。空间分布呈西北向东南递增的特征，空间异质性明显。植被绿度年际变化及未来持续性分析表明，过去24年间青海湖流域植被绿度变化稳定且持续改善，整体波动较小。植被绿度与气温降水均呈正相关，降水（r=0.196，P<0.05）的相关性大于气温（r=0.07，P<0.05）。青海湖流域植被绿度变化受气候和人类活动共同驱动。其中人类活动的相对贡献率大于气候变化。82.8%的区域植被绿度残差值>0.0005，人类活动对流域植被绿度的影响主要表现为正向促进作用。

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]

Qiu

， Yan

， Chen

，et al.

The impact of indicator selection on assessment of global greening

［J］.GIScience & Remote Sensing，2021，58（3）：1-14.