基于地理探测器模型的中亚NDVI时空变化特征及其驱动因子分析

图1 研究区域示意图

Fig.1 Map of research area

1.2 数据来源与预处理

本文采用的数据如表1所示,由于数据为不同来源和不同空间分辨率,本文结合模型的运算能力和研究任务的精度要求,基于最邻近距离法对数据集进行了重采样,最后去除缺失值,共得到20 569行数据。由于地理探测器模型输入的自变量必须保证是离散型数据,因此基于R语言“GD”包的“optidisc”函数,对数据进行了离散化处理。

表1 数据来源与预处理

Tab.1 Data source and data preprocessing

数据集	数据来源	时间分辨率	空间分辨率	数据预处理
NDVI数据集	NASA艾姆斯研究中心生态预测实验室发布的GIMMS NDVI 3g v1数据产品(1991—2015年)	15 d	8 km	最大化合成法合成逐年NDVI数据
气候数据集	英国东英吉利大学CRU小组发布的cru_ts_4.01(1991—2015年),数据包括: 气温(最高气温、最低气温、平均气温)、降水量、湿日频率、潜在蒸散发、云量和日较差	30 d	0.5° $\times$ 0.5°	双线性内插法进行重采样,重采样后的空间分辨率为0.15° $\times$ 0.15°
土壤类型数据集	FAO世界土壤数据库的土壤类型数据	—	1 km	按照FAO90标准对土壤类型进行重分类,共分为13类
土壤湿度数据集	欧洲中期天气预报中心表层土壤湿度再分析数据	30 d	0.25° $\times$ 0.25°	双线性内插法进行重采样,重采样后的空间分辨率为0.15° $\times$ 0.15°
土地覆被数据集	欧空局的ESA_CCI的土地覆被数据(1991—2015年)	1 a	300 m	对土地覆被类型重分类为8类
高程数据	NASA的STRM(shuttle Radar topographic mission)数字高程数据	—	90 m	—

2 研究方法

2.1 趋势分析法

基于最小二乘方法的一元线性回归模型对植被变化进行趋势分析是研究植被动态变化的常用方法^[18,19],对1991—2015年间中亚地区逐年植被覆被变化进行逐像元趋势性分析,计算公式为^[19]

(1)

S = \frac{n \overset{n}{\sum_{i = 1}} (i V_{i}) - \overset{n}{\sum_{i = 1}} i \overset{n}{\sum_{i = 1}} V_{i}}{n \overset{n}{\sum_{i = 1}} i^{2} - {(\overset{n}{\sum_{i = 1}} i)}^{2}}

式中: n为研究时段的年数; $V_{i}$ 为第i年的NDVI值(i=1,2,...,25); S为植被覆被变化趋势斜率,当S为正值时,则该像元NDVI值呈上升的趋势,反之呈下降的趋势。

为了更好地表达植被覆盖的变化趋势,采用F检验对NDVI的变化趋势进行显著性检验,显著性检验结果反映了趋势变化可信度的高低,F检验统计量计算公式为^[20]

(2)

\{\begin{array}{l} F = U \frac{n - 2}{Q} \\ U = \overset{n}{\sum_{i = 1}} ({\hat{V}}_{i} - {\bar{V}}_{i})^{2} \\ Q = \overset{n}{\sum_{i = 1}} (V_{i} - {\hat{V}}_{i})^{2} \end{array}

式中: F为F检验统计量; U为误差平方和; Q为回归平方和; ${\bar{V}}_{i}$ 为第i年NDVI的平均值; ${\hat{V}}_{i}$ 为第i年NDVI回归值。根据显著性检验结果和变化趋势斜率S的大小将NDVI的变化趋势分为5种类型,如表2所示。

表2 NDVI变化趋势类型

Tab.2 Types of NDVI change trend

NDVI变化趋势类型	S	显著性P值	F
极显著增加	(0, +∞)	(-∞, 0.001)	(14.19, +∞)
显著增加	(0, +∞)	(0.001, 0.1)	(2.937, 14.19)
变化不显著	(-∞, +∞)	(0.1, +∞)	(-∞, 2.937)
显著减少	(-∞, 0)	(0.001, 0.1)	(2.937, 14.19)
极显著减少	(-∞, 0)	(-∞, 0.001)	(14.19, +∞)

2.2 地理探测器模型

地理探测器主要包含以下3种探测器:

1)因子探测器,该探测器表示研究中每个影响因子变化趋势对NDVI时空变化趋势的影响大小,q值越高的影响因子,对NDVI变化的影响力越大。

2)风险探测器,探测因子对NDVI变化是否具有风险性,指示因子在不同等级范围内对NDVI时空变化的影响。

3)交互作用探测器,用于判断不同影响因子对植被时空变化的交互作用。通过比较在单因子作用时的q值、2个单因子的q值之和与双因子交互作用时的q值,根据三者之间的大小关系,将交互作用类型分为5类,如表3所示。

表3 双因子交互作用结果类型

Tab.3 Types of two-factor interaction result

交互作用类型	q值比较
非线性减弱	q(X1∩X2)< Min(q(X1),q(X2))
单因子非线性减弱	Min(q(X1),q(X2))< q(X1∩X2)< Max(q(X1),q(X2))
双因子增强	q(X1∩X2)> Max(q(X1),q(X2))
独立	q(X1∩X2)=q(X1)+q(X2)
非线性增强	q(X1∩X2)>q(X1)+q(X2)

从上面的3个探测器可以看出,在地理探测器中,q值是衡量一个因子对因变量的贡献率或者说是解释力,其模型表达式^[15]为

(3)

q = 1 - \frac{\overset{L}{\sum_{h = 1}} N_{h} σ_{h}^{2}}{N σ^{2}} = 1 - \frac{SSW}{SST}

式中: h=1,…,L,为NDVI值影响因子的分层,即分类或分区; $N_{h}$ 和 $N$ 分别为h层和全区的单元数; $σ_{h}^{2}$ 和 $σ^{2}$ 分别是h层和全区NDVI值的方差; SSW和SST分别为层内方差之和及全区总方差,q的值域为(0,1)。

3 结果与分析

3.1 中亚NDVI的空间分异特征

利用栅格计算器计算得到1991—2015年间中亚地区NDVI空间分布及其变化率、土地覆被类型和土壤类型如图2所示。

图2

图2 中亚地区NDVI空间分布与变化率、土地覆被类型和土壤类型

Fig.2 Spatial distribution of NDVI, NDVI changes, land cover types and soil types

从图2(a)可以看出,中亚地区NDVI具有明显的空间分异性,在平原区,NDVI平行纬度呈带状分布,从南向北逐渐增加,绿洲沿河流两岸呈带状分布,河口三角洲地带普遍发育绿洲; 在山区,NDVI空间分布较平原区复杂,NDVI随高程增加先升高后降低。因此可以看出中亚地区植被覆盖空间分布主要受纬度地带性、垂直地带性规律共同作用。

不同地形区和土地覆被类型对应的NDVI值变化情况如图3所示,从地形区上看(图3(a)),西西伯利亚平原和哈萨克丘陵东北部地区NDVI最高,NDVI平均值为0.551,图兰平原和于斯蒂尔盖高原最低。从土地覆被类型上看(图3(b)),林地NDVI最高,平均值为0.7,旱地次之,水域与冰川NDVI最低。

图3

图3 不同地形区和土地覆被类型对应的NDVI值变化

Fig.3 Changes of NDVI values corresponding to different terrain areas and land cover types

3.2 中亚NDVI时空变化特征

3.2.1 中亚NDVI的时间变化特征

如图3(a)所示,1991—2015年间中亚地区NDVI的平均值为0.34,其年均NDVI最高值出现在2007年,达到0.365,最低值出现在2008年,为0.312。哈萨克丘陵和图尔盖高原地区在近5 a来呈持续上升的趋势,然而于斯蒂尔盖高原和图兰平原地区在近10 a间呈明显下降趋势。如图3(b)所示,旱地、灌丛地和荒地的NDVI值略有下降,水域与冰川的NDVI从2000年后开始持续上升。水域NDVI的升高可能归因于中亚地区部分水域面积减小,水位下降; 水中悬浮物浓度增加、透明度减小、近岸浅水区水生植物增加,水质变差导致^[21]。

3.2.2 中亚NDVI的空间变化特征

近25 a来中亚地区植被覆盖总体上呈轻微波动变化,但是部分地区植被覆盖变化也很明显,植被显著改善区域主要集中在哈萨克丘陵的中低海拔地区,虽然从图2(b)和(c)中可以看出,NDVI下降比较严重的区域主要分布哈萨克斯坦北部旱地区域。但如图4所示的中亚地区植被覆盖变化趋势(经过显著性检验),哈萨克斯坦北部旱地NDVI下降趋势并不明显。该原因可能是因为1991年苏联解体以来,农田出现弃耕后复垦的现象,但是复垦面积仍然无法达到弃耕前的水平^[22]。植被显著恶化区域主要分布在咸海盆地以南地区,以西南方向最为集中。可能是随着咸海水面退缩后,在干涸湖盆底部形成了大量的富盐细粒沉积物,这些沉积物中的盐粒及其他化学粉尘在风的作用下发生扩散。这些盐尘加重了周边区域的土壤盐碱化,从而导致土壤肥力下降、植被退化等一系列问题^[23,24]。另外,在锡尔河中游和下游的植被变化情况也显著不同(图4),其原因可能是锡尔河为中亚跨界河流,恰尔达拉水库位于哈萨克斯坦和乌兹别克斯坦的交界处,自苏联1991年解体以来,哈萨克斯坦从跨界河流中的引水能力有所下降^[25],因此锡尔河下游的植被显著降低可归因于其灌溉水资源的受限。

图4

图4 1991—2015年中亚地区NDVI变化趋势

Fig.4 Change trend of NDVI in Central Asia during the period from 1991 to 2015

3.3 NDVI空间分异与变化趋势驱动因子分析

3.3.1 不同驱动因子对NDVI空间分异的驱动分析

利用地理探测器模型分别就NDVI空间分异特征和变化趋势进行归因,因子探测结果如表4所示,不同因子按照对NDVI空间分异特征的解释能力排序: 土壤湿度>湿日频率>降水量>土壤类型>潜在蒸散发>最高气温>平均气温>最低气温>地形区>云量>高程>日较差。这也说明中亚地区地处温带面积最大的干旱区,水分因素主导该地区植被的空间分布状况,其次是土壤类型和潜在蒸散发以及气温。风险探测分析和交互作用分析结果如图5所示,NDVI随着降水频率和土壤湿度的增加而增加,然而NDVI对不同等级降水量的响应呈现出先升高后降低的趋势。这可能因为在中亚东南部帕米尔高原的高海拔区域,降水量较多,土壤水分含量较高,植被的生长将不再受水分因素的限制,反而气温开始主导植被的生长状况。NDVI随着潜在蒸散发的增加而降低。随着云量增加,NDVI也呈逐渐上升的态势。NDVI随着高程先增加后降低,高程在1 500~2 400 m之间(分区5)时,达到峰值,当高程大于2 400 m后,NDVI开始急剧下降。植被生长发育的过程往往不是影响因子单独起作用,而是多种影响因子协同交互作用。从图5(b)可以看出,交互作用最强的因子组合为高程和土壤湿度,它们双因子增强交互作用的q值为0.670。这说明高程的变化显著增加了土壤湿度作为自变量对NDVI的解释。同时降水量与大多数因子结合都能产生较高的q值。高程和潜在蒸散发组合体现了较强的非线性增强交互作用(潜在蒸散发∩高程=0.647>潜在蒸散发(0.464)+高程(0.155))。除此之外,高程与多数因子的非线性增强交互作用都很强。

表4 因子探测器结果

Tab.4 Results of factor detector

因子	NDVI空间分布的影响因素
因子	q值	P值(sig)		q值排序		q值		P值(sig)		q值排序
地形区/土地覆被类型^①	0.340 397		4.03E-10		9		0.048 216		1.63E-10		7
土壤类型	0.468 032		5.84E-10		4		0.047 821		8.94E-10		8
土壤湿度	0.533 063		5.98E-10		1		0.018 531		6.19E-10		11
高程	0.155 681		6.09E-10		11		0.090 486		4.99E-11		3
湿日频率	0.518 121		6.22E-10		2		0.023 415		8.65E-11		10
最高气温	0.448 316		6.44E-10		6		0.072 058		2.83E-10		6
平均气温	0.427 333		3.81E-10		7		0.042 872		4.35E-10		9
最低气温	0.408 399		7.58E-10		8		0.011 680		3.79E-10		12
降水量	0.491 198		2.46E-10		3		0.096 278		2.94E-10		2
潜在蒸散发	0.464 430		3.54E-10		5		0.109 109		4.30E-10		1
云量	0.335 372		9.72E-10		10		0.079 239		7.20E-11		5
日较差	0.101 138		3.19E-10		12		0.086 714		5.08E-11		4

①地形区因子用于NDVI空间分异的驱动分析; 土地覆被类型用于NDVI变化趋势的驱动分析。

图5

图5 风险探测器结果和交互探测器结果

Fig.5 Results of risk detector and interaction detector

3.3.2 不同驱动因子对NDVI变化趋势的驱动分析

从NDVI变化趋势的因子探测结果(表4)可以看出,不同驱动因子的q值并不高,但是依然可以反映出不同驱动因子对NDVI变化趋势的影响差异。如图5(c)所示潜在蒸散发增长最慢的区域(分区1),NDVI增加的最快,这说明区域潜在蒸散发的增长对NDVI的增长有一定的抑制作用。降水量增加最快的区域(分区10),NDVI增长的也最快,但是降水量变化较小和降水量下降的区域基本上NDVI变化不大。在不同高程范围内,NDVI增长较快的区域高程范围在300~1 000 m之间(分区4),主要集中在一些低山、丘陵地区。NDVI对不同类型气温的响应基本一致,增温慢的区域NDVI增长迅速,这一点在最高温度变化方面最为明显。云量下降最快的区域,NDVI降低趋势远超其他区域,这也说明在中亚干旱区,云量一定程度上代表着区域的降水潜力。不同土地覆被类型对NDVI的变化也存在很大的空间分异特征,旱地(分区1)的NDVI下降最明显,草地(分区5)的NDVI上升最快。在土壤类型方面,黑土(分区10)和黑钙土(分区4)上生长的植被出现了明显的减少趋势,如图2(d)所示这2种土壤都是肥力较高的土壤且广泛分布于中亚北部地区,所以这些地区的土地很早就被开发为旱地。但是由于苏联解体使得大量农田弃耕,这些区域的NDVI下降趋势也较大。

在NDVI变化趋势影响因子的交互作用方面,80%以上影响因子组合方式表现出非线性增强作用,其余因子也表现出了双因子增强作用(图5(d))。交互作用解释力排在第一位的是云量和降水量组合(q值为0.208 0),其次是潜在蒸散发和高程组合(q值为0.196 1)以及降水量和平均气温组合(q值为0.193 0)。除此之外,还可以看出潜在蒸散发和其他影响因子的交互作用表现明显,而湿日频率和其他影响因子的交互作用较弱。

4 结论

本文利用趋势分析法和地理探测器模型研究中亚地区NDVI时空分布与变化特征及其影响因子的驱动作用,并研究了双因子之间交互作用对NDVI时空分布及变化特征的影响,得到以下主要结论:

1)1991—2015年间中亚地区植被变化整体上处于平稳波动状态。从局部地区看,哈萨克丘陵中低海拔地区NDVI表现出明显的上升趋势,咸海西南部NDVI呈极显著下降,可能归因于咸海盆地盐尘的近距离扩散; 同时水域NDVI的上升表明中亚湖泊整体水环境质量在下降。

2)人类活动对中亚地区植被覆盖的影响比较明显。由于苏联解体导致的弃耕后复垦现象,哈萨克斯坦北部旱地区域的NDVI下降趋势虽然很大,但是趋势并不能通过显著性检验; 另外锡尔河中游和下游地区NDVI变化的显著差异也体现了中亚各个国家间围绕水资源开发利用问题上的一些矛盾。

3)根据地理探测器研究表明,水分因素主导着中亚地区植被覆盖的时空分布格局; 在不同增温背景下,NDVI的变化趋势显著不同; 另外不同高程范围、不同土地覆被类型、不同土壤类型下NDVI的时空变化特征也有显著差异。

4)因子间交互作用均能增强其对植被空间分异和变化趋势的解释力; 潜在蒸散发和高程的非线性增强交互作用对NDVI空间分异的影响最为显著; 云量和降水量的非线性增强交互作用对NDVI的变化趋势影响最为显著; 另外,潜在蒸散发和高程作为影响因素可以较大地增强其他因子对NDVI空间分异以及变化趋势的解释能力。

然而,基于AVHRR卫星影像的NDVI数据虽然具有较长的时间序列和较高的时间分辨率,但空间分辨率较低。因此,下一步希望采用具有更高空间分辨率的MODIS数据,开展小尺度范围内的NDVI影响因子研究。另外,关于潜在蒸散发是如何增强其他因子对NDVI空间分异和变化趋势的解释能力,还需进行更加深入的讨论。

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]

Chen F

, Wang J

, Jin L

, et al.

Rapid warming in mid-latitude Central Asia for the past 100 years

[J]. Frontiers of Earth Science in China, 2009,3(1):42-50.

[2]

秦大河

. 气候变化科学概论[M]. 北京: 科学出版社, 2018: 35-38.

Qin D

Introduction to Climate Change Science[M]. Beijing: Science Press, 2018: 35-38.

[3]

Klein

, Gessner

, Kuenzer

Regional land cover mapping and change detection in Central Asia using MODIS time-series

[J]. Applied Geography, 2012,35(1-2):219-234.

[4]

Micklin

The future Aral Sea:Hope and despair

[J].Environmental Earth Sciences, 2016, 75(9): 844, 1-15.

[5]

Bezborodov G

, Shadmanov D

, Mirhashimov R

, et al.

Mulching and water quality effects on soil salinity and sodicity dynamics and cotton productivity in Central Asia

[J]. Agriculture Ecosystems and Environment, 2010,138(1):95-102.

DOI:10.3969/j.issn.1000-3665.2010.05.006 URL [本文引用: 1]

[6]

程彦培, 张发旺, 董华 , 等.

基于MODIS卫星数据的中亚地区水体动态监测研究

[J]. 水文地质工程地质, 2010,37(5):33-37.

水体动态监测是当今资源与环境变化研究的一个热点与重点.及时、准确地获得水体变化信息是对湿地资源保护、利用和可持续发展的有力支持,而遥感技术的快速、周期性等特点为湿地变化监测提供了技术手段.本文的研究区是中亚地区,结合该地区的光谱和时相特征,利用三个时相的MODIS数据,采用监督分类以及人工解译等方法获取了研究区水体分布以及变化信息,并从自然和人为两方面原因对咸水湖泊、淡水湖泊以及含水沟渠的变化情况进行进一步分析评价.

Cheng Y

, Zhang F

, Dong

, et al.

Wetland dynamic monitoring in Central Asia based on MODIS image

[J]. Hydrogeology and Engineering Geology, 2010,37(5):33-37.

[7]

成晨, 傅文学, 胡召玲 , 等.

基于遥感技术的近30年中亚地区主要湖泊变化

[J]. 国土资源遥感, 2015,27(1):146-152.doi: 10.6046/gtzyyg.2015.01.23.

在全球气候变暖的背景下,研究中亚干旱半干旱地区主要湖泊的变化不仅对内陆水资源管理和可持续发展有着重要意义,也为进一步研究湖泊变化对气候变化和人类活动的响应提供基础。获取1978年 MSS、1989年TM、1998年TM及2010年ETM的同季相4期遥感图像数据,通过人工解译提取中亚地区7个湖泊信息,获得近30 a的湖泊面积变化; 利用T/P和Envisat雷达高度计提取1992—2012年的湖泊水位信息; 基于湖泊面积和水位的时空变化特征分析了湖泊变化的影响因素。结果表明: 近30 a来,由于湖泊类型的不同,除萨雷卡梅什湖外的其他6个湖泊均出现不同程度的面积缩减; 其中,平原尾闾湖面积变化最显著,高山封闭湖相对平稳,吞吐湖泊的面积变化相对复杂; 湖泊的水位变化模式因流域和湖泊类型而异; 高山封闭湖泊受气候的影响较大,而吞吐湖泊受人为因素影响显著。

Cheng

, Fu W

, Hu Z

, et al.

Changes of major lakes in Central Asia over the past 30 years revealed by remote sensing technology

[J]. Remote Sensing for Land and Resources, 2015,27(1):146-152.doi: 10.6046/gtzyyg.2015.01.23.

[8]

Schwartz M

Green-wave phenology

[J]. Nature, 1998,394(6696):839-840.

[9]

殷刚, 孟现勇, 王浩 , 等.

1982—2012年中亚地区植被时空变化特征及其与气候变化的相关分析

[J]. 生态学报, 2017,37(9):3149-3163.

DOI:10.5846/stxb201601240164 Magsci [本文引用: 3]

干旱区植被生态系统对气候变化极为敏感，并且干旱区的植被变化研究对全球碳循环具有重要意义。然而近几十年来，中亚干旱区植被对气候变化的响应机制尚不甚明朗。利用归一化植被指数NDVI数据集和MERRA（Modern-Era Retrospective Analysis for Research and Applications）气象数据，采用经验正交函数（EOF，Empirical Orthogonal Function）和最小二乘法等方法系统分析了31a（1982-2012年）来中亚地区NDVI在不同时间尺度的时空变化特征。进一步分析和研究NDVI与气温和降水的相关性，结果表明：1982-2012年，中亚地区年NDVI总体呈现缓慢增长趋势，而1994年以后年NDVI呈现明显下降趋势，尤其在哈萨克斯坦北部草原地区下降趋势尤为突出。这可能是由于过去30年间，中亚地区降水累计量的持续减少造成的。NDVI的季节变化表明春季NDVI增长最为明显，冬季则显著下降。与平原区相比，中亚山区的NDVI值增长幅度最大，并且山区年NDVI与季节NDVI呈现显著增加趋势（P< 0.05）。中亚地区年NDVI与年降水量正相关，而年NDVI与气温变化存在弱负相关。年NDVI和气温的正相关中心在中亚南部地区，负相关中心则出现在哈萨克斯坦的西部和北部地区；NDVI和降水的相关性中心刚好与气温相反。此外，在近30年间的每年6月至9月，中亚地区NDVI与气温存在近一个月的时间延迟现象。本研究为中亚干旱区生态系统变化和中亚地区碳循环的估算提供科学依据。

Yin

, Meng X

, Wang

, et al.

Spatial-temporal variation of vegetation and its correlation with climate change in Central Asia during the period of 1982—2012

[J]. Acta Ecologica Sinica, 2017,37(9):3149-3163.

Magsci [本文引用: 3]

[10]

邓兴耀, 姚俊强, 刘志辉 .

基于GIMMS NDVI的中亚干旱区植被覆盖时空变化

[J]. 干旱区研究, 2017,34(1):10-19.

Deng X

, Yao J

, Liu Z

Spatiotemporal dynamic change of vegetation coverage in arid regions in Central Asia based on GIMMS NDVI

[J]. Arid Zone Research, 2017,34(1):10-19.

[11]

索玉霞, 王正兴, 刘闯 , 等.

中亚地区1982年至2002年植被指数与气温和降水的相关性分析

[J]. 资源科学, 2009,31(8):1422-1429.

URL Magsci [本文引用: 1]

本文利用1982年~2002年间AVHRR-NDVI数据和气候研究组（CRU）降水与气温数据，分析了中亚5国21年来NDVI年际与季节变化特征及其与气候因子的相关关系。结果表明：①在植被生长季，53%地区NDVI年变化率 <±0.0005NDVI/a（无变化），40%地区NDVI年变化率>0.0005 NDVI/a（增加），6%地区NDVI年变化率< -0.0005 NDVI/a（下降）；按照植被覆盖类型，除常绿林、高山草甸年均NDVI呈一定的上升趋势，变化率分别为0.0014 NDVI/a（p0.05=0.001），0.0009 NDVI/a（p0.05=0.001），落叶林、草原、作物、草原化荒漠NDVI没有显著变化（p0.05>0.05）；②年均NDVI与降水、温度相关性分析结果表明，49.00%的地区年均NDVI与年降水量呈正相关，52.33%的地区NDVI与春季降水量正相关，33.69%的地区NDVI与夏季降水量正相关，70.00%的地区年均NDVI与各季气温弱相关，仅17.78%的地区年均NDVI与年均气温正相关；6种植被类型NDVI与降水、气温相关关系为，常绿林、高山草甸年均NDVI与年均气温分别低度、显著正相关性，相关系数分别为0.432（p0.05=0.05）、0.557（p0.05=0.009）；草原、作物与年降水量分别显著、低度正相关，相关系数分别为0.511（p0.05=0.018）、0.476（p0.05=0.029）；落叶林NDVI与夏、冬季降水量低度正相关，相关系数分别为0.415（p0.05=0.061）、0.461（p0.05=0.035）；草原化荒漠NDVI与春季降水量正相关但不显著，相关系数为0.415（p0.05=0.061）。

Suo Y

, Wang Z

, Liu

, et al.

Relationship between NDVI and precipitation and temperature in Middle Asia during 1982—2002

[J]. Resources Science, 2009,31(8):1422-1429.

[12]

张琪, 袁秀亮, 陈曦 , 等.

1982—2012年中亚植被变化及其对气候变化的响应

[J]. 植物生态学报, 2016,40(1):13-23.

DOI:10.17521/cjpe.2015.0236 Magsci [本文引用: 2]

归一化植被指数(NDVI)能够反映植被生长状况, 被广泛应用于区域乃至全球的植被变化研究中。该文利用1982–2012年GIMMS-NDVI数据, 通过基于像元的线性趋势分析、偏相关分析, 基于场域的经验正交分解(EOF)、奇异值分解(SVD), 综合时间和空间两个维度上的信息, 研究了近31年来中亚植被的变化及其变化中的区域差异, 分析了植被对气候变化的响应关系。线性趋势分析发现, 34%的中亚植被NDVI显著增长(p < 0.05), 山区植被NDVI的增长速率可达到每年0.004。偏相关分析表明, 63%的中亚植被受到降水的显著影响(p < 0.05, 仅4%为负相关), 而32%的植被受到气温的显著影响(p < 0.05, 仅9%为正相关)。EOF分析发现, 中亚植被NDVI的变化表现出较大的空间差异: 山区及东北部的植被NDVI变化主要分为3个阶段, 即先增长(1982–1994年)、后波动(1994–2002年)、然后继续增长(2002–2012年); 而西北部平原区的植被NDVI变化主要表现为两个阶段, 即先增长(1982–1994年)而后减少(1994–2012年)。SVD分析表明: 1982–2012年间中亚植被受到降水和气温的共同影响, 植被NDVI的空间变化特征与降水的空间变化特征较为一致, 但西北部和山区的植被NDVI对气温的响应存在差异。

Zhang

, Yuan X

, Chen

, et al.

Vegetation change and its response to climate change in Central Asia from 1982 to 2012

[J]. Chinese Journal of Plant Ecology, 2016,40(1):13-23.

[13]

索玉霞

中亚五国植被覆盖变化与气候因子相关性分析

[D]. 北京:中国科学院研究生院, 2009.

Suo Y

Correlation of Vegetation Dynamics and Climate Variability in the Middle Asia

[D]. Beijing:Graduate School of Chinese Academy of Science, 2009.

[14]

Shigaeva

, Kollmair

, Niederer

, et al.

Livelihoods in transition:Changing land use strategies and ecological implications in a post-Soviet setting (Kyrgyzstan)

[J]. Central Asian Survey, 2007,26(3):389-406.

[15]

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.

DOI:10.11821/dlxb201701010 Magsci [本文引用: 2]

空间分异是自然和社会经济过程的空间表现,也是自亚里士多德以来人类认识自然的重要途径。地理探测器是探测空间分异性,以及揭示其背后驱动因子的一种新的统计学方法,此方法无线性假设,具有优雅的形式和明确的物理含义。基本思想是：假设研究区分为若干子区域,如果子区域的方差之和小于区域总方差,则存在空间分异性;如果两变量的空间分布趋于一致,则两者存在统计关联性。地理探测器<italic>q</italic>统计量,可用以度量空间分异性、探测解释因子、分析变量之间交互关系,已经在自然和社会科学多领域应用。本文阐述地理探测器的原理,并对其特点及应用进行了归纳总结,以利于读者方便灵活地使用地理探测器来认识、挖掘和利用空间分异性。

Wang J

, Xu C

Geodetector:Principle and prospective

[J]. Acta Geographica Sinica, 2017,72(1):116-134.

[16]

胡汝骥, 姜逢清, 王亚俊, 等 .

中亚(五国) 干旱生态地理环境特征

[J]. 干旱区研究, 2014,31(1):1-12.

中亚五国位于地球陆地北半球温带面积最大的世界级干旱区，地处青藏高原西侧的帕米尔高原西北坡，成为亚洲中部干旱区的重要组成部分。同时，它又是世界上生态系统十分脆弱，而自然资源尤其是能源相对富集的区域，揭示其生态地理环境形成和演变过程，已成为中亚五国社会经济可持续发展的必然。自1989年以来，国际合作研究注重亚洲内陆干旱区的生态地理环境科学问题。为此，基于该区域研究成果的全面集成出发，来论述中亚五国的地理环境形成、演变及其基本生态特征，籍以力促中亚五国经济社会的和谐、平衡和快速发展，造福当地的社会和人民。

Hu R

, Jiang F

, Wang Y

, et al.

Arid ecological and geographical conditions in five countries of Central Asia

[J]. Arid Zone Research, 2014,31(1):1-12.

[17]

吉力力·阿不都外力, 马龙 . 中亚环境概论[M]. 北京: 气象出版社, 2015: 275-293.

Abuduwaili

, Ma

Overview of Central Asian Environments[M]. Beijing: China Meteorological Press, 2015: 275-293.

[18]

刘宪锋, 朱秀芳, 潘耀忠 , 等.

1982—2012年中国植被覆盖时空变化特征

[J]. 生态学报, 2015,35(16):5331-5342.

DOI:10.5846/stxb201404150731 Magsci [本文引用: 1]

利用GIMMS NDVI、MODIS NDVI和气象数据,辅以趋势分析、分段回归以及相关分析等方法,分析了1982-2012年我国植被NDVI时空变化特征及其驱动因素。结果表明:(1)近30年我国植被NDVI呈缓慢增加趋势,增速为0.2%/10a;植被覆盖变化阶段性特征明显:即1982-1997年和1997-2012年植被覆盖均呈显著增加趋势,增速分别为1.2%/10a和0.6%/10a,均通过显著水平0.05的检验。(2)空间上,我国陕北黄土高原、西藏中西部以及新疆准格尔盆地等地区植被NDVI呈显著增加趋势;而东北地区的大、小兴安岭和长白山、新疆北部的天山和阿尔泰山以及黄河源和秦巴山区等地区植被NDVI呈显著下降趋势,其中东北地区和新疆北部山区下降尤为显著,说明近年来我国中高纬度山区植被活动呈下降趋势。(3)不同区域植被对气温和降水的响应存在差异,我国北方地区植被对气温具有较长的响应持续时间;而除云南外,南方地区植被对降水的响应时间存在1-3个月的响应时间,且随着滞后时间的延长,相关性逐渐增大。(4)我国植被覆盖增加是气候变化和人类活动共同驱动的结果,尤其是1999年之后人类活动影响逐渐加强。而我国东北地区和新疆北部山区植被覆盖的下降可能是由于该区降水减少所致,东南沿海地区植被退化则受城市化影响显著。

Liu X

, Zhu X

, Pan Y

, et al.

Spatiotemporal changes in vegetation coverage in China during 1982—2012

[J]. Acta Ecologica Sinica, 2015,35(16):5331-5342.

[19]

刘家福, 马帅, 李帅 , 等.

1982—2016年东北黑土区植被NDVI动态及其对气候变化的响应

[J]. 生态学报, 2018,38(21):7647-7657.

DOI:10.5846/stxb201712112226 Magsci [本文引用: 2]

植被是陆地生态系统的重要组成部分，在调节气候、水土保持等方面具有重要作用，因此，监测植被生长变化并探讨其与气候变化之间的关系，在全球变化研究中具有重要意义。基于MODIS NDVI和GIMMS NDVI数据集，并通过一致性检验，在区域和像元两个空间尺度上，利用一元线性回归模型，研究东北黑土区1982-2016年植被生长动态，分析植被生长对气温和降水量的响应程度。结果表明：区域尺度上，1982-2016年东北黑土区植被生长季NDVI变化分为3个阶段（先增加继而减少最后再增加），区域植被的生长在气温、降水量的共同作用下，呈现出明显季节差异；像元尺度上，1982-2016年东北黑土区NDVI总体趋势为改善状态，主要改善植被类型为草原、森林和农业植被，鹤岗市、绥化市和长春市改善面积较大；多年平均NDVI值与同期气温和降水量具有一定的相关关系，平原地区植被NDVI与气温主要呈显著正相关关系，植被类型主要为耕地；平原地区边缘和山地地区的植被NDVI与降水量以显著正相关关系为主，主要植被类型为森林和草地。

Liu J

, Ma

, Li

, et al.

Changes in vegetation NDVI from 1982 to 2016 and its responses to climate change in the black-soil area of Northeast China

[J]. Acta Ecologica Sinica, 2018,38(21):7647-7657.

[20]

穆少杰, 李建龙, 周伟 , 等.

2001—2010年内蒙古植被净初级生产力的时空格局及其与气候的关系

[J]. 生态学报, 2013,33(12):3752-3764.

DOI:10.5846/stxb201205030638 Magsci [本文引用: 1]

利用MODIS NDVI数据、气象数据和植被分类数据,基于改进的光能利用率模型CASA模型对2001-2010年内蒙古不同植被类型净初级生产力(NPP)进行估算,并分析其时空分布特征及对气候因子的响应。结果表明:(1)10年间内蒙古植被年NPP的平均值为340.0 gCm-2a-1,且空间分布呈明显的经度地带性,由西向东的变化速率为每10度增加200.5 gCm-2a-1;(2)不同植被类型NPP有较大差异,森林、草地、农田和荒漠植被的NPP平均值分别为521.9、270.3、405.7和85.3 gCm-2a-1;(3) 10年间内蒙古植被NPP总量的平均值为322.7 TgCa-1,波动范围为276.8-354.4 TgCa-1。从NPP年际变化的空间分布来看,阿拉善沙漠、毛乌素沙地西部、河套平原以北地区、浑善达克沙地东西缘和呼伦贝尔平原西北部植被的NPP呈极显著上升,而内蒙古中部的草地植被NPP呈极显著下降;(4)不同植被类型NPP对气候因子的敏感性有较大差异。森林植被NPP主要受温度的限制,而农田、草地和荒漠植被NPP主要受降水量控制。

Mu S

, Li J

, Zhou

, et al.

Spatial-temporal distribution of net primary productivity and its relationship with climate factors in Inner Mongolia from 2001 to 2010

[J]. Acta Ecologica Sinica, 2013,33(12):3752-3764.

[21]

赵宁, 马超, 杨亚莉 .

1973—2013年红碱淖水域水质变化及驱动力分析

[J]. 湖泊科学, 2016,28(5):982-993.

Zhao

, Ma

, Yang Y

Water quality variation of Lake Hongjiannao and its driving force analysis from 1973 to 2013

[J]. Journal of Lake Sciences, 2016,28(5):982-993.

[22]

Dara

, Baumann

, Kuemmerle

, et al.

Mapping the timing of cropland abandonment and recultivation in northern Kazakhstan using annual Landsat time series

[J]. Remote Sensing of Environment, 2018,213:49-60.

[23]

Shen

, Abuduwaili

, Samat

, et al.

A review on the research of modern aeolian dust in Central Asia

[J].Arabian Journal of Geosciences, 2016, 9(13): 625, 1-16.

[24]

Ge Y

, Abuduwaili

, Ma

, et al.

Temporal variability and potential diffusion characteristics of dust aerosol originating from the Aral Sea Basin, Central Asia

[J].Water Air and Soil Pollution , 2016, 227(2): 63, 1-12.

[25]

吴淼, 张小云, 罗格平 , 等.

哈萨克斯坦水资源利用

[J]. 干旱区地理, 2010,33(2):196-202.

, Zhang X

, Luo G

, et al.

Situation of water resources utilization in Kazakhstan

[J]. Arid Land Geography, 2010,33(2):196-202.