中国沙漠
img

官方微信

高级检索
作者投稿 专家审稿 编辑办公

中国沙漠, 2025, 45(5): 78-91 doi: 10.7522/j.issn.1000-694X.2025.00030

1986—2023年吕梁山区归一化植被指数（NDVI）动态及驱动力

徐德华,1, 刘强2,3, 李端1, 李继彦,1

1.太原师范学院 地理科学学院/汾河流域地表过程与资源生态安全山西省重点实验室，山西 晋中 030619

2.天水师范学院 资源与环境工程学院，甘肃 天水 741000

3.中国科学院水利部水土保持研究所，陕西 杨凌 712100

Changes and driving forces of NDVI in the Lvliang Mountain area from 1986 to 2023

Xu Dehua,1, Liu Qiang2,3, Li Duan1, Li Jiyan,1

1.School of Geography Science / Shanxi Key Laboratory of Earth Surface Processes and Resource Ecology Security in Fenhe River Basin，Taiyuan Normal University，Jinzhong 030619，Shanxi，China

2.College of Resources and Environmental Engineering，Tianshui Normal University，Tianshui 741000，Gansu，China

3.Institute of Soil and Water Conservation，Chinese Academy of Sciences and Ministry of Water Resources，Yangling 712100，Shaanxi，China

通讯作者: 李继彦（E-mail： jyli@tynu.edu.cn）

收稿日期: 2025-01-20   修回日期: 2025-03-22  

基金资助: 山西省基础研究计划项目.  202103021224304
山西省基础研究计划项目.  202303021212257

Received: 2025-01-20   Revised: 2025-03-22  

作者简介 About authors

徐德华（1998—），男，甘肃景泰人，硕士研究生，主要从事风沙地貌、环境遥感研究E-mail：zgxudehua@163.com , E-mail：zgxudehua@163.com

摘要

吕梁山区位于黄河流域山西段的西部，是典型的生态环境脆弱区域。已有研究的时间跨度较短导致对该区域植被覆盖的长期变化趋势及其驱动力分析仍显不足。本研究利用GEE平台提供的Landsat系列卫星影像，计算并研究1986—2023年吕梁山区归一化植被指数（NDVI）时空变化，并利用地理探测器分析驱动因素。结果表明：（1）1986—2000年吕梁山区NDVI年均值呈不显著波动下降趋势，而2001—2023年年均值显著上升。1986—2023年NDVI整体向好，显著增加区域占94.92%。增速最大区域主要位于吕梁山区的忻州、吕梁、临汾市中部和太原市南部，而吕梁山区中东部、南部边缘因人类活动增强NDVI显著减少。（2）各因子对NDVI变化的解释力排序为干燥度>年实际蒸发量>年降水量>年均土壤湿度>高程>坡度>年均风速>年均气温>年均土壤温度>夜间灯光指数。其中，干燥度与年实际蒸发量q值最大，解释力均在35%以上，年降水量、年均土壤湿度、高程的解释力均大于20%。（3）1986—2023年驱动因子呈现气候因子解释力显著或不显著下降、人为因子与坡度解释力显著增强的趋势。1990—2023年土地利用变化表明吕梁山区耕地面积显著减少、林地面积显著增加，说明了人类活动在吕梁山区NDVI变化中的重要影响。

关键词： 吕梁山区 ; NDVI ; GEE ; 地理探测器

Abstract

The Lvliang Mountain area， located in the western part of the Shanxi province within the Yellow River Basin， represents a typical region characterized by fragile ecological conditions. While existing studies have focused on relatively short-term periods， the analysis of the long-term trends and driving forces of vegetation cover in the region remains insufficient. This study utilizes Landsat satellite imagery provided by the GEE platform to calculate and analyze the spatio-temporal variation of NDVI in the Lvliang Mountain area from 1986 to 2023. Additionally， the Geodetector model is employed to identify the key driving factors. The findings reveal the following insights： （1） From 1986 to 2000， the annual mean NDVI of vegetation in the Lvliang Mountain area exhibited a non-significant declining trend， whereas from 2001 to 2023， it showed a significant increasing trend. Overall， during the period from 1986 to 2023， vegetation NDVI demonstrated an improving trend， with areas of significant increase accounting for 94.92% of the study area. The regions with the most rapid NDVI growth were primarily concentrated in the study area of central Xinzhou， Lvliang， Linfen， and southern Taiyuan. In contrast， significant NDVI declines were observed along the central-eastern and southern margins of the study area， mainly due to intensified human activities. （2） The analysis of the driving factors reveals that their explanatory capacity， in descending order， is as follows： drought index > actual evaporation > precipitation > soil moisture > elevation > slope > wind speed > temperature > soil temperature > nighttime light. Among these， the drought index and actual evaporation have the highest q-values， each contributing more than 35% to the explanation of NDVI changes. Precipitation， soil moisture， and elevation each account for more than 20% of the explanatory capacity. （3） From 1986 to 2023， the explanatory capacity of climatic factors for vegetation NDVI change exhibited a significant or non-significant decreasing trend， while the explanatory capacity of anthropogenic factors and slope showed a significant increase. Meanwhile， land use changes in the study area from 1990 to 2023 indicated a significant reduction in cropland area and a substantial increase in forested land， highlighting the critical role of human activities in influencing NDVI variations in the Lvliang Mountain area.

Keywords： Lvliang Mountain area ; NDVI ; GEE ; Geodetector model

PDF (12200KB) 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

徐德华, 刘强, 李端, 李继彦. 1986—2023年吕梁山区归一化植被指数（NDVI）动态及驱动力. 中国沙漠[J], 2025, 45(5): 78-91 doi:10.7522/j.issn.1000-694X.2025.00030

Xu Dehua, Liu Qiang, Li Duan, Li Jiyan. Changes and driving forces of NDVI in the Lvliang Mountain area from 1986 to 2023. Journal of Desert Research[J], 2025, 45(5): 78-91 doi:10.7522/j.issn.1000-694X.2025.00030

0 引言

植被作为陆地生态系统的初级生产者，不仅在物质循环、能量流动以及陆地碳汇过程中发挥重要作用，而且是人类活动与气候变化的敏感指标［1-3］。植被覆盖度是衡量干旱、半干旱区域生态环境效益的重要指标。归一化植被指数（Normalized Difference Vegetation Index，NDVI）广泛应用于土地利用［4-5］、干旱监测［6］、农作物监测［7］、气候变化［8］、生产力分析［9］等研究领域。

吕梁山区位于黄河流域山西段的西部，地表广布黄土，易受流水侵蚀，生态环境脆弱［10］。对吕梁山区和黄河流域植被的覆盖度、物候特征以及净初级生产力（NPP）等进行的研究［11-16］表明：吕梁山区植被覆盖度小于太行山、太岳山区，1982—2006年植被覆盖度呈不显著轻微增加趋势［11］。2000—2019年，受降水及退耕还林政策影响，吕梁市植被覆盖度波动上升［12］。受气温及降水影响，2000—2015年吕梁山区植被物候特征表现为生长季开始日期提前、结束日期推迟、生长季长度整体增加的趋势［13］。在黄河流域，受气温、降水、大气CO2浓度以及政策的影响，2001—2020年植被覆盖度整体显著增加［14］。2000—2019年黄河流域NPP呈现增长趋势，在空间上植被NPP呈上游<中游<下游的阶梯分布，反映了黄河中上游生态环境的脆弱与重要性［15-16］。由于现有研究的数据源存在一定差异，时间跨度相对较短、空间分辨率相对较低［17］，对于吕梁山区植被覆盖度的长期变化以及相关驱动力分析仍存在不足。

相对于传统研究手段，GEE（Google Earth Engine）的发展为大范围、长尺度的遥感影像下载与数据深度处理提供了更为高效的分析手段［18-20］，广泛应用于红树林覆盖监测［21］、土地利用变化［22-23］、农作物产量制图［24］、湿地调查［25］、聚落人口制图［26］、沙漠化监测［27］等领域。本文基于GEE平台提供的Landsat影像，采用Theil-Sen Median趋势分析、Mann-Kendall检验、稳定性分析以及Hurst指数分析等方法，分析了吕梁山区1986—2023年植被NDVI的长期变化趋势。同时，采用地理探测器方法对吕梁山区植被覆盖变化的驱动因素进行研究。本研究旨在为半干旱区的山区生态环境保护与建设提供理论基础。

1 研究区概况

吕梁山区位于山西省西部，近NNE-SSW走向。山区总面积57 552.01 km2，南北近450 km，海拔365~2 798 m，东西分别以黄河、汾河为界，包括吕梁市全部，朔州市西南部，忻州、太原、晋中、临汾市西部以及运城市北部（图1A）。自北向南分布芦芽山、云中山、关帝山、火焰山等一系列山脉（图1B）。该区为温带大陆性季风气候，年均气温5~13 ℃，多年平均降水量为330~500 mm，降水集中在6—9月［28-29］。山区地势起伏较大，土壤贫瘠，黄土广布，水土流失严重，生态环境脆弱［30］。植被垂直地带性和纬度地带性特征明显，优势树种包括油松（Pinus tabuliformis）、侧柏（Platycladus orientalis）、白皮松（Pinus bungeana）、白桦（Betula platyphylla）等［28，31］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   山西省卫星影像（A）及吕梁山区地形特征（B，DEM数据下载于地理空间数据云平台http：//www.gscloud.cn，数据类型为SRTMDEMUTM 90 m分辨率数字高程数据产品）

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.1   Satellite image of Shanxi Province （A） and topographic features of the Lvliang Mountain area （B，DEM data is downloaded from the Geospatial Data Cloud （http：//www.gscloud.cn）， and the DEM data type is SRTMDEMUTM with a resolution of 90 m）


2 数据来源与研究方法

2.1　数据来源

本文采用的遥感数据均来自GEE云平台提供的经过大气校正、辐射定标的Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI/TIRS遥感影像，空间分辨率为30 m。影像预处理包括应用比例因子、影像去云、掩膜裁剪，之后通过波段计算可用影像的NDVI值。

驱动因子方面，以数据的高相关性、长时序性为原则进行选择，并将驱动因子分为自然因子和人为因子。自然因子考虑到吕梁山区地形条件和气候环境对植被覆盖的影响，将其分为气候因子（年均风速、年均土壤湿度、年均土壤温度、干燥度、年实际蒸发量、年均气温、年降水量）和地貌因子（高程、坡度）两方面进行探讨。人为因子选择长时序的夜间灯光指数数据来反映人类活动强度。驱动因子栅格数据详情如表1所列。此外，结合土地利用数据进行佐证，以分析土地利用类型变化。利用R语言对所有栅格进行裁剪，对于连续型变量和类型变量分别采用双线性插值法和邻近法进行重采样，同时统一栅格坐标系（WGS 84）和分辨率（0.00027°）。

表1   驱动因子相关栅格信息

Table 1  Information about the relative grids of driving factors

驱动因子类型分辨率时间范围数据集名称数据来源
气候因子年均风速0.042°1986—2023年TerraClimate[32]https://www.climatologylab.org/
年均土壤温度（0~10 cm）0.1°1986—2023年FLDAS[33]https://disc.gsfc.nasa.gov/
年均土壤湿度（0~10 cm）0.1°1986—2023年
干燥度0.008°1986—2023年1901—2023年中国1 km分辨率逐年干燥度数据集[34]https://www.geodata.cn/main/
年实际蒸发量0.100°1986—2023年GLEAM4[35]https://www.gleam.eu/
年均气温0.008°1986—2023年中国1 km分辨率年平均气温数据（1901—2023年）[36]https://www.geodata.cn/main/
年降水量0.008°1986—2023年中国1 km分辨率年降水量数据（1901—2023年）[36]https://www.geodata.cn/main/
地貌因子高程30 m—ASTER GDEM 30 M分辨率数字高程数据[37]https://www.gscloud.cn/
坡度30 m—https://www.gscloud.cn/
人为因子夜间灯光指数0.008°1986—2020年中国长时间序列逐年人造夜间灯光数据集（1984—2020）[38]https://data.tpdc.ac.cn/home
1 km2021—2023年An improved time-series DMSP-OLS-like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[39]https://dataverse.harvard.edu/
其他土地利用30 m1990—2023年The 30 m annual land cover datasets and its dynamics in China from 1985 to 2022[40]https://zenodo.org/

新窗口打开| 下载CSV


2.2　研究方法

考虑到离散值的影响，以平均值合成法得到各年、月NDVI栅格影像，并计算年NDVI均值。参考山西省植被特点［41］调整合适的分类阈值，将吕梁山区植被覆盖划分为低、中低、中、中高、高覆盖5个级别，0≤NDVI<0.1为低覆盖，0.1≤NDVI<0.3为中低覆盖，0.3≤NDVI<0.5为中覆盖，0.5≤NDVI<0.7为中高覆盖，NDVI≥0.7为高覆盖。

2.2.1　Theil-Sen Median趋势分析和Mann-Kendall检验

Theil-Sen Median趋势分析［42-43］和Mann-Kendall检验［44-45］是判读数据长时序趋势的重要方法。它们作为非参数方法，对于异常值不敏感，无须样本服从一定分布，从而被广泛应用于植被演化分析中［46-47］。Theil-Sen Median趋势计算公式为：

β=MedianNDVIj-NDVIij-i  ∀j>i,1986≤i<j≤2023

式中：MedianNDVIj-NDVIij-i为取中值；NDVIi 和NDVI j 分别表示i年和j年的NDVI值。若β>0，表明NDVI为增长趋势，反之则为下降。

Mann-Kendall显著性检验采用双边趋势检验。在正态分布表查得临界值u1-α/2。当统计量|z|≤u1-α/2，接受原假设，趋势不显著，反之则拒绝原假设，趋势显著。本文显著性水平α取0.01、0.05、0.1，划分为极显著、显著、微显著。

2.2.2　稳定性分析与未来趋势预测

利用变异系数（Cv）表示吕梁山区NDVI年际变化的稳定性。Cv值越小，植被变化越平稳。在ArcGIS Pro 3.0中采用Jenks自然间断点分级法把1986—2023年吕梁山区Cv值由低到高依次分为极低波动区、较低波动区、中度波动区、较高波动区和极高波动区［17］。该方法可以通过最大化类间方差和最小化类内方差对数据进行分级，从而减少人为设定阈值可能带来的偏差，并提供更可靠的划分结果。变异系数计算公式如下：

Cv=SNDVI=1NDVI×1(n-1)∑i=1n(NDVIi-NDVI¯)2

未来吕梁山区NDVI变化趋势预测通过基于R/S算法的Hurst指数（H）进行。H指数用以量化时间序列自相似性和长期依赖性，能够揭示时间序列的趋势持久性或反持久性［48］，广泛用于气候学［49］、生态学［50］等领域。对于时间序列NDVI（t），计算公式为：

Rτ=max1≤t≤τXt,τ-min1≤t≤τXt,τ   τ=1,2,…,n
Sτ=1τ∑t=1τ(NDVI(t)-NDVI(τ))212  τ=1,2,…,n

式中：X（t，τ）为累计离差。对于比值R（τ）/S（τ），如存在R（τ）/S（τ）∝τH，则时间序列存在Hurst现象。H值根据lg（R（τ）/S（τ））=a+Hlg（τ）利用最小二乘法拟合得到。H值有3种取值形式：① H=0.5，时间序列变化呈随机性；② 0<H<0.5，时间序列变化具有反持续性；③ 0.5<H<1，时间序列变化具有持续性。

2.2.3　地理探测器模型

地理探测器是探测因子变量与结果变量之间空间分异关系的统计方法［51］。其核心是基于假设：如果自变量对因变量有重要影响，那自变量和因变量的空间分布具有相似性［52］。本文利用地理探测器中因子探测、风险区检测、交互作用探测方法研究气候、地貌和人为因子对吕梁山区植被NDVI解释力的大小。

数据预处理。利用ArcGIS Pro 3.0软件创建约450 m分辨率的点网并提取自变量与因变量的各年及多年平均值信息［53］。通过R语言利用最优参数地理检测器，计算等距、自然间隔、分位数、几何与标准差法离散数据后的q值，选择q值最大的方法来进行数据离散化。考虑到数据源的不同，利用1986—2020年夜间灯光指数数据计算多年平均值信息。

因子探测。因子解释力q通过以下公式计算：

q=1-∑h=1LNhσh2Nσ2

式中：q值表示因子解释了q×100%的吕梁山区NDVI空间分异；h为因子的分层；Nh 和N分别为因子的层h和整个山区的样本数；σh 和σ分别为层h和整个山区NDVI的方差。q值值域为［0，1］，值越大表示解释力越强。

因子交互探测。交互作用探测用于识别因子间的交互作用。通过将单因子（X1或X2）以及两因子交互（X1∩X2）的q值进行比较，结果分为非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强。

风险区检测。用于判读两因子的子区域间属性均值是否有显著差异，并探索因子子区域最大NDVI均值，统计量t用以下公式计算：

t=Y¯h=1-Y¯h=2Var(Y¯h=1)nh=1+Var(Y¯h=2)nh=212

式中：Y¯h为子区域h内植被NDVI属性均值；nh 为子区域h内样本数量；Var为方差。统计量t近似服从学生t分布。

3 结果与分析

3.1　NDVI变化特征

3.1.1　NDVI时间变化特征

1986—2023年吕梁山区NDVI年均值为0.17~0.39，多年平均值为0.27，整体呈显著上升趋势（P<0.01），年增长率为0.52%（图2）。其中，1986—2000年山区NDVI年均值呈不显著波动下降趋势（P>0.5），年下降率为0.18%，1993年达到最低值0.17。2001—2023年山区NDVI年均值呈显著上升趋势（P<0.01），年增速度为0.73%，2022年达到最高值0.39。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   1986—2023年吕梁山区NDVI年均值年际变化

Fig.2   Inter-annual variation of average annual NDVI in the Lvliang Mountain area from 1986 to 2023


1986—2023年吕梁山区NDVI呈单峰型月际变化，并表现出负偏态特征。平均峰度、平均偏度分别为-1.26和0.49。NDVI高值集中于5—10月，于7、8月达到最大值后经历9、10月快速降到低值（图3）。年最大月NDVI值在0.41~0.70，呈显著上升趋势（P<0.01），增速为0.68%。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   1986—2023年吕梁山区NDVI月际变化

Fig.3   Inter-monthly changes of NDVI in the Lvliang Mountain area from 1986 to 2023


3.1.2　NDVI空间变化特征

吕梁山区NDVI值以小于0.5为主。植被覆盖较高的区域集中于研究区内的忻州、吕梁市中部与临汾市东南部，山区植被覆盖整体呈中部高、东西两侧较低的特征（图4）。1986—2023年吕梁山区NDVI整体向好，其中中低覆盖度区域面积在11 564.20~48 235.53 km2，呈显著减少趋势（P<0.01），而中覆盖度区域面积在3 000.88~35 734.35 km2，呈显著增加趋势（P<0.01）。自2014年以来，中覆盖度区域占比大于中低覆盖度区域占比（图5），可以观察到吕梁山区明显的绿化程度增加的过程（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   1986—2023年吕梁山区植被覆盖空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.4   Spatial distribution of vegetation cover in the Lvliang Mountain area from 1986 to 2023


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   1986—2023年吕梁山区不同等级植被覆盖占比

Fig.5   Proportion of vegetation coverage of different levels in the Lvliang Mountain area from 1986 to 2023


3.2　NDVI变化趋势
3.2.1　Theil-Sen Median趋势分析和Mann-Kendall检验

1986—2023年吕梁山区NDVI （Theil-Sen Median趋势β值）为0.02~-0.02（图6A）。吕梁山区NDVI呈现明显增加趋势，显著增加的面积为54 629.20 km2，占整体面积的94.92%。其中，极显著、显著、微显著增加面积分别为52 836.94、1 361.49、430.77 km2，分别占91.80%、2.37%、0.75%。NDVI显著减少面积为585.25 km2，占1.02%。其中，极显著、显著、微显著减少面积为339.91、158.21、87.13 km2，分别占0.59%、0.27%、0.15%。NDVI增加最快的区域集中于研究区内的忻州市中南部、吕梁、临汾市中部以及太原市南部，NDVI减少区域主要位于研究区内的忻州市西部、太原、晋中和吕梁市交界以及临汾与运城市交界区域，由于经济活动的快速发展导致植被覆盖明显减少（图6B）。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   1986—2023年吕梁山区NDVI变化趋势（A）及显著性（B）

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.6   NDVI change trend （A） and significance （B） in the Lvliang Mountain area from 1986 to 2023


3.2.2　稳定性分析与未来趋势预测

1986—2023年吕梁山区NDVI年际变化Cv值为0~1.36，总体上年际变化稳定性较高且存在空间差异（图7A）。极低波动、较低波动、中度波动、较高波动、极高波动区面积分别为10 459.62、19 236.98、16 347.00、8 927.12、2 581.30 km2，占比分别为18.17%、33.43%、28.40%、15.51%、4.49%。波动较高区域位于研究区中的吕梁、忻州市西部，而吕梁市中部、临汾市东部NDVI稳定性相对较高（图7B）。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   1986—2023年吕梁山区NDVI年际变化Cv值（A）与波动区分布（B）

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.7   Cv values （A） and fluctuation regions （B） of NDVI in the Lvliang Mountain area from 1986 to 2023


吕梁山区植被NDVI的Hurst指数为0.10~0.99，大于0.5的区域占21.30%，小于0.5的区域占78.69%（图8A），说明吕梁山区NDVI变化的反向特征要强于同向特征。与Theil-Sen Median趋势结果叠加显示（图8B），未来吕梁山区植被由改善到退化、持续退化区域占比为77.33%，面积为44 507.02 km2，主要位于研究区内的忻州市西部、吕梁市西北部、太原市西部以及研究区中东部、南部边缘区域，未来植被可能面临退化。持续改善、由退化到改善区域占比为21.96%，面积为12 640.21 km2，主要位于研究区内的吕梁市中部以及临汾市北部，未来植被可能发生改善。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   吕梁山区NDVI Hurst值（A）与未来变化趋势预测（B）

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.8   NDVI Hurst value （A） and future trend prediction （B） in the Lvliang Mountain area


4 讨论

4.1　因子解释力及其指示作用

因子探测器通过计算q值，评价各因子对吕梁山区植被NDVI变化的驱动作用。根据表2，各因子对NDVI变化的解释程度的排序为：干燥度>年实际蒸发量>年降水量>年均土壤湿度>高程>坡度>年均风速>年均气温>年均土壤温度>夜间灯光指数。其中，干燥度与年实际蒸发量q值最大，解释力均超过35%；年降水量、年均土壤湿度、高程的解释力都在20%以上；坡度、年均风速、年均气温、年均土壤温度、夜间灯光指数的解释力较小，均低于15%。通过风险区探测，可以进一步分析各因子对植被生长的最适宜范围（图9）。NDVI平均值随年降水量、年实际蒸发量、坡度、高程增大而增大，随干燥度、年均气温、年均土壤温度、夜间灯光指数增大而减小。此外，NDVI平均值随年均土壤湿度增加先增大到最大值再减小，随年均风速增大先减小到最小值后逐渐增大。表3列出了植被覆盖最适宜的因子范围以及对应的NDVI均值，表明植被NDVI对不同因子的适应范围存在差异。

表2   驱动因子探测结果

Table 2  The results of factor detectors

因子高程坡度年均风速年均土壤温度年均土壤湿度干燥度年实际蒸发量年均气温年降水量夜间灯光指数
q值0.220.110.090.080.230.470.390.090.240.06
P值(×10-10)3.676.606.802.853.716.767.116.566.032.94

新窗口打开| 下载CSV


图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   各因子不同等级分区NDVI平均值

Fig.9   Average NDVI values of different levels of each factor


表3   驱动因子的适宜限制

Table 3  The suitable limits of the driver factors

因子植被NDVI适宜范围NDVI均值
高程2 050~2 7800.38
坡度31.70~650.33
年均风速3.41~4.200.35
年均土壤温度275~2780.36
年均土壤湿度0.23~0.240.35
干燥度0.93~1.790.41
年实际蒸发量497~5720.42
年均气温-1.78~2.280.40
年降水量529~5950.36
夜间灯光指数0.22~2.160.32

新窗口打开| 下载CSV


通过因子探测结果可知，水分条件对吕梁山区NDVI变化影响尤为显著。在关帝山、芦芽山等高海拔区域，干燥度值最低（<1.5），其值对应湿润半湿润地区的森林与森林草原；在山区大部分区域，干燥度大于1.5，相当于半干旱区的草原［34］；在建筑用地区域，干燥度最大（>2.5），NDVI值则最小。山区植被覆盖随年实际蒸发量的增大而增大，这可能是由于植被覆盖增加导致蒸腾作用加强以及叶、茎截留水分增多，并且植被改善了土壤条件，促进了更多的水分的渗透而减少径流［54］。例如滇西北大理、丽江地区，随着植被覆盖增加，蒸散量显著增加，同时水体减少［55］。此外，高程、年降水量的增加伴随着植被NDVI的增大，这反映出吕梁山区垂直地带性特征。但年均土壤湿度增加，NDVI先增大后减小，说明植被对年均土壤湿度的适宜性存在一定阈值，过大的土壤湿度可能会导致植被根系缺氧等负面影响。

因子探测也揭示了地域差异性。吕梁山区年降水量和年均土壤湿度对NDVI变化的解释力大于年均气温、年均土壤温度。水分条件对该区域植被NDVI的影响更为显著，这与中亚［56］、永定河流域［57］研究结果一致，但是在四川省，气温能更好地解释植被变化［58］。另外，有研究认为风速越高的地区植被覆盖越低［59］，但是吕梁山区NDVI随风速的增大先减小，后逐渐变大，表明在与其他因子的共同作用下，风速对植被变化的影响变得更为复杂。

4.2　因子交互作用与时间变化

利用交互作用探测，识别了各因子对NDVI的交互作用［51，58］。各因子对吕梁山区NDVI存在交互作用，且交互作用表现为双因子增强以及非线性增强趋势，不存在相互独立、减弱的因子（图10）。其中，干燥度、年实际蒸发量与其他因子的交互q值最大，均在0.45及以上；夜间灯光指数除与年均土壤湿度、干燥度、年实际蒸发量、年降水量外，与其他因子交互的q值都≤0.25。年均气温与年均风速、年均土壤温度以及年均风速与年均土壤温度交互q值最小，均≤0.15。由此可见，各因子对NDVI的影响并非互相独立，而是相互增强、共同作用的过程。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   各因子交互作用探测

Fig.10   Interaction detectors of these factors


1986—2023年，多个因子q值的年际变化趋势具有一定相似性（图11），如年均风速与年均气温、年均土壤温度变化趋势相似，年降水量与年均土壤湿度变化趋势相近。总体来说，1986—2023年驱动因子呈现气候因子解释力减小、人为因子解释力增强的趋势。其中，年均土壤湿度、年实际蒸发量、年均气温、年均土壤温度的q值显著下降，干燥度、年降水量、年均风速的q值呈不显著下降趋势。地貌因子中海拔的解释力也在显著下降，但是坡度解释力却显著上升。人为因子中，夜间灯光指数的q值显著增长，其增长趋势与坡度的趋势一致，说明了人类活动对植被覆盖解释力有逐渐增加的趋势。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   1986—2023年驱动因子q值变化

Fig.11   Changes of q values of various driving factors from 1986 to 2023


1990—2023年吕梁山区土地利用数据表明，1990—2020年耕地面积占比由34.14%减少到27.63%，到2023年增加到29.90%；草地面积占比1990—2020年稳定在45%左右，到2023年减少到40.70%；林地面积持续增加，占比由1990年的18.95%增加到24.57%。1990—2023年吕梁山区耕地主要转化为草地与建筑用地，这与渭河流域耕地的转化相一致［60］，其中向草地转变占比最大（图12）。同时草地大多又转变为耕地，部分草地向林地转变，少数转变为建筑用地。这一方面反映了在城市化进程中建设用地对草地与耕地的侵占，如研究区内的吕梁、晋中和太原市的交界以及临汾和运城市的交界地区［61］。在这些经济较为发达的河谷地区，侵占山前耕地、草地以支持城镇化扩张，使得经济发展快速，但植被覆盖度显著减少，生境质量等级低，生态环境显著退化［30，62］。同时忻州市西部因农业与能源矿产资源开发，植被覆盖度退化明显［62-63］。未来这些地区应严守基本农田红线，并限制河谷区的城镇大规模扩张。另一方面反映了山西省退耕还林政策成效显著。由于黄河下游1972年以来断流频繁［64］，1998年中国政府启动了天然林保护工程［65］，山西也于2000年开展了退耕还林工程。2003年底，吕梁市累计造林1 780 km2［66］，2005年忻州市林地面积增加了580 km2［67］，2008年底吕梁市造林面积达2 540 km2。李孟蔚等［12］对吕梁市的研究结果表明，2000—2019年吕梁市95%区域人类活动表现出积极影响效应，共累计造林6 979.09 km2，吕梁市的兴县、临县、方山县、岚县和石楼县等县累计造林面积都在548.15 km2以上，其中临县造林面积最大，达到1 145.37 km2。到2018年，山西省累计完成退耕还林18 202 km2。退耕还林的政策实施显著推动了植被覆盖的增加，为吕梁山区2000年后植被NDVI年均值上升提供了重要支撑，同时也促进了人为因子解释力的增大，进一步表明人类活动在吕梁山区NDVI变化中的重要影响。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   1990—2023年吕梁山区土地利用分类变化

Fig.12   Land use classification changes in the Lvliang Mountain area from 1986 to 2023


5 结论

1986—2023年吕梁山区NDVI年均值显著上升。其中，1986—2000年吕梁山区NDVI年均值呈不显著波动下降趋势，而2001—2023年年均值显著上升。

1986—2023年吕梁山区NDVI整体向好，显著增大区域占94.92%，但在吕梁山区中东部与南部边缘，因人类活动增强NDVI显著减少。1986—2023年NDVI波动较大区域集中于吕梁山区的吕梁市、忻州市西部，而吕梁市中部、临汾市东部稳定性相对较高。

各因子对NDVI变化的解释力排序为：干燥度>年实际蒸发量>年降水量>年均土壤湿度>高程>坡度>年均风速>年均气温>年均土壤温度>夜间灯光指数。其中干燥度与年实际蒸发量q值最大，解释力均在35%以上，年降水量、年均土壤湿度、高程的解释力均大于20%。

驱动因子之间对吕梁山区NDVI变化存在交互作用，因子间呈现双因子增强以及非线性增强趋势。1986—2023年气候因子解释力显著或不显著下降，人为因子与坡度解释力显著增强。1990—2023年吕梁山区土地利用变化表明吕梁山区耕地面积显著减少、林地面积显著增加，说明了人类活动在吕梁山区植被NDVI变化中的重要作用。

参考文献

Higgins S I， Conradi T， Muhoko E.

Shifts in vegetation activity of terrestrial ecosystems attributable to climate trends

［J］.Nature Geoscience，2023，16（2）：147-153.

[本文引用: 1]

Pausas J G， Bond W J.

On the three major recycling pathways in terrestrial ecosystems

［J］.Trends in Ecology & Evolution，2020，35（9）：767-775.

杜佳瑜，刘宪锋，孙高鹏，等.

2003-2018年黄土高原植被光学厚度时空变化及其影响因素

［J］.中国沙漠，2024，44（3）：222-230.

[本文引用: 1]

Rouse Jr J W， Haas R H， Deering D，et al.

Monitoring the vernal advancement and retrogradation （green wave effect） of natural vegetation

［R］.College Station，Texas，USA：Texas A & m University，1974.

[本文引用: 1]

申子傲，吴静，李纯斌.

2000-2020年河西内陆河流域植被覆盖时空变化特征及其驱动力

［J］.中国沙漠，2024，44（3）：119-127.

[本文引用: 1]

王鹏新，龚健雅，李小文，等.

基于植被指数和土地表面温度的干旱监测模型

［J］.地球科学进展，2003，18（4）：527-533.

[本文引用: 1]

杨邦杰，裴志远.

农作物长势的定义与遥感监测

［J］.农业工程学报，1999，15（3）：214-218.

[本文引用: 1]

韩子言，蒙吉军，邹易，等.

1982-2017年黑河流域植被指数动态及其对气候变化与生态建设工程的响应

［J］.中国沙漠，2023，43（3）：96-106.

[本文引用: 1]

郑元润，周广胜.

基于NDVI的中国天然森林植被净第一性生产力模型

［J］.植物生态学报，2000，24（1）：9-12.

[本文引用: 1]

田剑，汤国安，周毅，等.

黄土高原沟谷密度空间分异特征研究

［J］.地理科学，2013，33（5）：622-628.

[本文引用: 1]

武永利，李智才，王云峰，等.

山西典型生态区植被指数（NDVI）对气候变化的响应

［J］.生态学杂志，2009，28（5）：925-932.

[本文引用: 2]

李孟蔚，栾青，张宁，等.

2000-2019年吕梁市植被NDVI时空动态及其影响因素分析

［J］.水土保持研究，2022，29（4）：248-254.

[本文引用: 2]

王贝贝，周淑琴，荆耀栋，等.

吕梁山地区植被物候变化及对气候的响应

［J］.中国农学通报，2021，37（16）：102-107.

[本文引用: 1]

孙高鹏，刘宪锋，王小红，等.

2001-2020年黄河流域植被覆盖变化及其影响因素

［J］.中国沙漠，2021，41（4）：205-212.

[本文引用: 1]

田智慧，张丹丹，赫晓慧，等.

2000-2015年黄河流域植被净初级生产力时空变化特征及其驱动因子

［J］.水土保持研究，2019，26（2）：255-262.

[本文引用: 1]

王娟，何慧娟，董金芳，等.

黄河流域植被净初级生产力时空特征及自然驱动因子

［J］.中国沙漠，2021，41（6）：213-222.

[本文引用: 2]

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，2021，41（1）：28-36.

[本文引用: 2]

杨华庆，朱睿，尹振良，等.

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

［J］.中国沙漠，2024，44（4）：57-70.

[本文引用: 1]

王小娜，田金炎，李小娟，等.

Google Earth Engine云平台对遥感发展的改变

［J］.遥感学报，2022，26（2）：299-309.

芦瑞杰，刘树林，康文平，等.

结合GEE平台与机器学习算法的荒漠信息提取

［J］.中国沙漠，2023，43（6）：60-70.

[本文引用: 1]

Yancho J M M， Jones T G， Gandhi S R，et al.

The google earth engine mangrove mapping methodology （Geemmm）

［J］.Remote Sensing，2020，12（22）：3758.

[本文引用: 1]

胡云锋，商令杰，张千力，等.

基于GEE平台的1990年以来北京市土地变化格局及驱动机制分析

［J］.遥感技术与应用，2018，33（4）：573-583.

[本文引用: 1]

Sidhu N， Pebesma E， Câmara G.

Using Google Earth Engine to detect land cover change：Singapore as a use case

［J］.European Journal of Remote Sensing，2018，51（1）：486-500.

[本文引用: 1]

Jin Z N， Azzari G， You C，et al.

Smallholder maize area and yield mapping at national scales with Google Earth Engine

［J］.Remote Sensing of Environment，2019，228：115-128.

[本文引用: 1]

Amani M， Mahdavi S， Afshar M，et al.

Canadian wetland inventory using Google Earth Engine：the first map and preliminary results

［J］.Remote Sensing，2019，11（7）：842.

[本文引用: 1]

Patel N N， Angiuli E， Gamba P，et al.

Multitemporal settlement and population mapping from Landsat using Google Earth Engine

［J］.International Journal of Applied Earth Observation and Geoinformation，2015，35（Part B）：199-208.

[本文引用: 1]

Meng X Y， Gao X， Li S，et al.

Monitoring desertification in Mongolia based on Landsat images and Google Earth Engine from 1990 to 2020

［J］.Ecological Indicators，2021，129：107908.

[本文引用: 1]

张姚姚，刘政鑫，张思悦，等.

1957-2020年吕梁山区气候变化特征及影响因素分析

［J］.太原师范学院学报（自然科学版），2022，21（3）：84-91.

[本文引用: 2]

王琰.

吕梁山森林生态系统碳密度及空间分布格局

［D］.太原：山西大学，2019.

[本文引用: 1]

孙从建，李晓明，张文强，等.

基于遥感信息的吕梁山贫困区生态安全评价

［J］.中国环境科学，2019，39（12）：5352-5360.

[本文引用: 2]

李慧，王百田，曹远博，等.

吕梁山区3种人工林植被、凋落物生物量差异特征及其与土壤养分的关系

［J］.植物研究，2016，36（4）：573-580.

[本文引用: 1]

Abatzoglou J T， Dobrowski S Z， Parks S A，et al.

TerraClimate，a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015

［J］.Scientific Data，2018，5（1）：1-12.

[本文引用: 1]

McNally A， Arsenault K， Kumar S，et al.

A land data assimilation system for sub-Saharan Africa food and water security applications

［J］.Scientific Data，2017，4（1）：1-19.

[本文引用: 1]

Peng S Z， Ding Y X， Wen Z M，et al.

Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100

［J］.Agricultural and Forest Meteorology，2017，233：183-194.

[本文引用: 2]

Miralles D G， Holmes T， De Jeu R，et al.

Global land-surface evaporation estimated from satellite-based observations

［J］.Hydrology and Earth System Sciences，2011，15（2）：453-469.

[本文引用: 1]

Peng S Z， Ding Y X， Liu W Z，et al.

1 km monthly temperature and precipitation dataset for China from 1901 to 2017

［J］.Earth System Science Data，2019，11（4）：1931-1946.

[本文引用: 2]

Abrams M， Crippen R， Fujisada H.

ASTER global digital elevation model （GDEM） and ASTER global water body dataset （ASTWBD）

［J］.Remote Sensing，2020，12（7）：1156.

[本文引用: 1]

Zhang L X， Ren Z H， Chen B，et al.

A prolonged artificial nighttime-light dataset of China （1984-2020）

［J］.Scientific Data，2024，11（1）：414.

[本文引用: 1]

Wu Y Z， Shi K F， Chen Z Q，et al.

Developing improved time-series DMSP-OLS-like data （1992-2019） in China by integrating DMSP-OLS and SNPP-VIIRS

［J］.IEEE Transactions on Geoscience and Remote Sensing，2021，60：1-14.

[本文引用: 1]

Yang J， Huang X.

30 m annual land cover and its dynamics in China from 1990 to 2019

［J］.Earth System Science Data Discussions，2021，2021：1-29.

[本文引用: 1]

窦永静，王让虎，付含培，等.

山西省植被NDVI时空变化及驱动力研究

［J］.山西大学学报（自然科学版），2023，46（1）：244-255.

[本文引用: 1]

Sen P K.

Estimates of the regression coefficient based on Kendall's tau

［J］.Journal of the American Statistical Association，1968，63（324）：1379-1389.

[本文引用: 1]

Theil H.

A rank-invariant method of linear and polynomial regression analysis：I，II and III

［J］.Proceedings of Koninklijke Nederlandse Akademie Vanwetenschappen，1950，53：386-392.

[本文引用: 1]

Mann H B.

Nonparametric tests against trend

［J］.Econometrica：Journal of the Econometric Society，1945：245-259.

[本文引用: 1]

Kendall M.

Rank Correlation Methods

［J］.Biometrika，1957，44（1/2）：298.

[本文引用: 1]

袁丽华，蒋卫国，申文明，等.

2000-2010年黄河流域植被覆盖的时空变化

［J］.生态学报，2013，33（24）：7798-7806.

[本文引用: 1]

Cai B F， Yu R.

Advance and evaluation in the long time series vegetation trends research based on remote sensing

［J］.Journal of Remote Sensing，2009，13（6）：1170-1186.

[本文引用: 1]

Hurst H E.

Long-term storage capacity of reservoirs

［J］.Transactions of the American Society of Civil Engineers，1951，116（1）：770-799.

[本文引用: 1]

Alvarez-Ramirez J， Echeverria J C， Rodriguez E.

Is the North Atlantic Oscillation modulated by solar and lunar cycles？ some evidences from Hurst autocorrelation analysis

［J］.Advances in Space Research，2011，47（4）：748-756.

[本文引用: 1]

岳辉，刘英.

近15 a陕西省植被时空变化与影响因素分析

［J］.干旱区地理，2019，42（2）：314-323.

[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，2017，72（1）：116-134.

[本文引用: 2]

Wang J F， Li X H， Christakos G，et al.

Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region，China

［J］.International Journal of Geographical Information Science，2010，24（1）：107-127.

[本文引用: 1]

Yao B， Gong X W， Li Y L，et al.

Spatiotemporal variation and GeoDetector analysis of NDVI at the northern foothills of the Yinshan Mountains in Inner Mongolia over the past 40 years

［J］.Heliyon，2024，10（20）：e39309.

[本文引用: 1]

Yang D W， Shao W W， Yeh P J，et al.

Impact of vegetation coverage on regional water balance in the nonhumid regions of China

［J］.Water Resources Research，2009，45（7）：W00A14.

[本文引用: 1]

Yang H， Luo P， Wang J，et al.

Ecosystem evapotranspiration as a response to climate and vegetation coverage changes in Northwest Yunnan，China

［J］.Plos One，2015，10（8）：e0134795.

[本文引用: 1]

Gao C， Ren X L， Fan L L，et al.

Assessing the vegetation dynamics and its influencing factors in Central Asia from 2001 to 2020

［J］.Remote Sensing，2023，15（19）：4670.

[本文引用: 1]

Guo Y J， Cheng L R， Ding A Z，et al.

Geodetector model-based quantitative analysis of vegetation change characteristics and driving forces：a case study in the Yongding River basin in China

［J］.International Journal of Applied Earth Observation and Geoinformation，2024，132：104027.

[本文引用: 1]

彭文甫，张冬梅，罗艳玫，等.

自然因子对四川植被NDVI变化的地理探测

［J］.地理学报，2019，74（9）：1758-1776.

[本文引用: 2]

Zhang Y， Zhang K C， An Z S，et al.

Quantification of driving factors on NDVI in oasis-desert ecotone using geographical detector method

［J］.Journal of Mountain Science，2019，16（11）：2615-2624.

[本文引用: 1]

胡丰，张艳，郭宇，等.

基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测

［J］.干旱区地理，2022，45（4）：1125-1136.

[本文引用: 1]

解铭威，周慧荻，陈耸，等.

2000-2020年山西省吕梁市土地利用时空变化及其驱动因素

［J］.水土保持通报，2024，44（3）：296-306.

[本文引用: 1]

贾一越，齐璇璇，黄蕊，等.

山西省植被覆盖度的时空变化及驱动因子

［J］.应用生态学报，2024，35（4）：1073-1082.

[本文引用: 2]

陈丽，梁建娥，郭青霞.

基于GIS的忻州市土地利用分区研究

［J］.山西农业大学学报（自然科学版），2011，31（2）：161-165.

[本文引用: 1]

陈霁巍，穆兴民.

黄河断流的态势、成因与科学对策

［J］.自然资源学报，2000，15（1）：31-35.

[本文引用: 1]

胡会峰，刘国华.

中国天然林保护工程的固碳能力估算

［J］.生态学报，2006，26（1）：291-296.

[本文引用: 1]

问宝旺.

退耕还林工程实践与探索

［J］.山西水土保持科技，2004（4）：10-11.

[本文引用: 1]

董彦华.

基于森林资源变化的忻州市天然林保护工程实施效果评价

［D］.山西晋中：山西农业大学，2013.

[本文引用: 1]

/

〈 〉

©2018中国沙漠 编辑部

地址: 兰州市天水中路8号 (730000)

电话：0931-8267545

Email：caiedit@lzb.ac.cn;desert@lzb.ac.cn

甘公网安备 62010202000688号      陇ICP备2021001824号-9
访问总数:    当日访问:    当前在线: