自然资源遥感, 2023, 35(3): 212-220 doi: 10.6046/zrzyyg.2022240

技术应用

2001—2021年川西高原植被NDVI时空变化及影响因素分析

王叶兰,1, 杨鑫,1,2, 郝利娜1

1.成都理工大学地球科学学院,成都 610059

2.地球勘探与信息技术教育部重点实验室,成都 610059

Spatio-temporal changes in the normalized difference vegetation index of vegetation in the western Sichuan Plateau during 2001—2021 and their driving factors

WANG Yelan,1, YANG Xin,1,2, HAO Lina1

1. College of Earth Sciences, Chengdu University of Technology, Chengdu 610059, China

2. Key Laboratory of Earth Exploration and Information Technology, Ministry of Education, Chengdu 610059, China

通讯作者: 杨 鑫(1984-),男,博士,副教授,研究方向为“3S”技术在地学中的应用。Email:yangxin2012@cdut.edu.cn。

责任编辑: 李瑜

收稿日期: 2022-06-10   修回日期: 2022-10-27  

基金资助: 中国博士后科学基金第13批特别项目“重大工程背景下黄土高原生态地质环境脆弱性评价”(2020T130074)
中国博士后科学基金项目(二等)“近50年黑方台黄土滑坡与农作物更替时空耦合机制分析”(2017M622982)

Received: 2022-06-10   Revised: 2022-10-27  

作者简介 About authors

王叶兰(1998-),女,硕士研究生,研究方向为植被生态遥感。Email: 1747473516@qq.com。

摘要

川西高原是青藏高原与四川盆地间重要的生态屏障,生态坏境脆弱敏感,研究其植被归一化植被指数(normalized difference vegetation index,NDVI)动态变化及其驱动因子,对监测生态环境质量具有重要现实意义。以2001—2021年MODIS NDVI 数据为基础,结合气象数据、地表因子数据以及人类活动数据,利用趋势分析、Hurst指数以及地理探测器分析时空尺度下川西高原植被NDVI的分布特征,探索影响NDVI变化的主要驱动因子。结果表明,2001—2021年川西高原67.19%的区域植被NDVI表现为波动上升趋势; 高程是影响植被NDVI的最主要因子,其解释力为0.529,其次为≥0 ℃积温与气温; 影响因子间交互作用为非线性增强与双因子增强,其中相对湿度∩高程的q值最高,为0.623; 84%的因子组合对川西高原植被 NDVI 空间分布的影响存在显著差异。研究结果有助于研究植被生长的驱动机制,可为川西高原植被保护提供参考。

关键词： 川西高原; NDVI; 地理探测器; 时空变化; 驱动因子

Abstract

The western Sichuan Plateau, with a fragile and sensitive ecological environment, acts as a critical ecological barrier between the Qinghai-Tibet Plateau and the Sichuan Basin. Research on the dynamic changes in the normalized difference vegetation index (NDVI) and their driving factors holds practical significance for monitoring the ecological environment quality of the western Sichuan Plateau. Based on 2001—2021 MODIS NDVI data, as well as meteorological data, surface factor data, and human activity data, this study analyzed the NDVI distribution of vegetation in the western Sichuan Plateau on a spatio-temporal scale using trend analysis, Hurst index, and geographical detector. Furthermore, this study determined the principal driving factors in NDVI changes. The results are as follows: During 2001—2021, the NDVI of 67.19% of regional vegetation in the western Sichuan Plateau showed a fluctuating upward trend. Elevation is the most critical factor influencing NDVIs, with an explanatory power of 0.529. The elevation is followed by accumulated temperature ≥0 ℃ and air temperature. The driving factors in interactions among NDVI exhibited nonlinear or double-factor enhancement, with q values between relative humidity and elevation being highest (0.623). 84% of factor combinations showed significantly different effects on the spatial NDVI distribution in the western Sichuan Plateau. The results of this study facilitate the research on the driving mechanism of vegetation growth, providing a reference for vegetation protection in the western Sichuan Plateau.

Keywords： western Sichuan Plateau; NDVI; geographical detector; spatio-temporal change; driving factor

PDF (4210KB) 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

王叶兰, 杨鑫, 郝利娜. 2001—2021年川西高原植被NDVI时空变化及影响因素分析[J]. 自然资源遥感, 2023, 35(3): 212-220 doi:10.6046/zrzyyg.2022240

WANG Yelan, YANG Xin, HAO Lina. Spatio-temporal changes in the normalized difference vegetation index of vegetation in the western Sichuan Plateau during 2001—2021 and their driving factors[J]. Remote Sensing for Land & Resources, 2023, 35(3): 212-220 doi:10.6046/zrzyyg.2022240

0 引言

植被覆盖是陆地生态系统的重要组成部分,植被在沙漠化防治、水土保持和生态环境改善等方面起到至关重要的作用[1-2]。归一化植被指数(normalized difference vegetation index,NDVI)广泛应用于长时间序列的植被覆盖变化监测[3],同时受到自然因素和人为因素的共同影响[4]。黄土高原[5]和三江源[6]等区域植被NDVI的主要驱动因子是气候,京津风沙源治理区主要受到人类生态工程建设的影响[7]。除此之外,地形和土壤等也是影响植被覆盖的重要因素。赵婷等[8]通过地形差异修正法分析了秦岭山地植被覆盖的地形分异特征; 张英洁等[9]发现土壤是影响长白山苔原带植被NDVI的重要因子。自然因子对植被NDVI的影响具有空间异质性及交互作用[10],因此分析植被NDVI的驱动机制需要进一步研究多因子的协同作用。

川西高原海拔高,生态环境脆弱,是长江上游重要的生态屏障,作为青藏高原与四川盆地之间的生态过渡带,川西高原植被对青藏高原与四川盆地生态平衡起到至关重要的作用。因此,研究川西高原植被NDVI时空格局变化十分重要。近年来,国内学者在川西高原植被动态变化及其影响因素方面开展了大量研究工作[11-12]。目前,大部分研究主要应用的是趋势分析、偏相关分析以及残差分析方法分析了植被变化特征及单因子对植被的影响,仅有少部分研究通过偏相关和复相关分析考虑了因子间的协同影响,但这种交互作用是一个复杂的响应过程,并不存在严格统计标准的线性关系,难以定量判断各个因素对植被覆盖变化的影响。王劲峰等[13]提出的地理探测器是探测空间分异性与驱动力的一种统计学方法,可定量分析驱动因子对植被NDVI空间分布的影响,与其他统计方法相比,地理探测器不仅可以探测数值型数据,也可以探测定性数据,同时,还可以探测两因子之间的交互作用。目前已有学者有效运用该模型对中亚[14]、黄河流域[15]、岷江上游[16]、祁连山[17]和内蒙古[18]等不同类型地区植被NDVI驱动机制进行了研究。因此,本文选取地貌地形复杂、生态环境脆弱的川西高原作为研究区,基于2001—2021年MODIS NDVI数据,采用空间转移矩阵、Sen+MK趋势分析和Hurst 指数分析了川西高原植被NDVI的时空变化特征,应用地理探测器定量分析了驱动因子对植被NDVI空间分异的作用,并探测最适宜植被生长的因子范围,以期为川西高原植被覆盖恢复、水土保持和生态环境保护提供参考。

1 研究区概况

川西高原位于四川省西部,地理坐标在E97°21'~104°26',N27°58'~34°19'之间,包括四川省甘孜藏族自治州与阿坝藏族羌族自治州的2个县级市和29个县(图1),面积约2.3×105 km2。川西高原是横断山脉和青藏高原的一部分,分为川西山地和川西北高原; 地势西高东低,平均海拔为4 090 m; 地貌类型多样,多为高原、山地; 气候类型以高原气候为主,由于海拔差异,气候垂直变化较显著; 土壤类型复杂丰富,共包含11个土类; 植被类型多样,以草甸、灌丛、针叶林以及阔叶林为主。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置

Fig.1   Location of the study area


2 研究数据与方法

2.1 数据源及预处理

本文共收集2001—2021年的4类基础数据: NDVI数据、气象数据、地表数据及人类活动数据(表1—2)。

表1   影响因子指标

Tab.1  Indicators of impact factors

类型影响因子
气象因子气温(X1)降水量(X2)相对湿度(X3)
日照(X4)≥0 ℃积温
(X5)		≥10 ℃积温
(X6)
地表因子高程(X7)坡度(X8)坡向(X9)
地貌类型
(X10)		植被类型
(X11)		土壤类型
(X12)
人类活动因子人口密度
(X13)		GDP(X14)

新窗口打开| 下载CSV


表2   数据源及预处理

Tab.2  Data source and preprocessing

数据类型数据来源产品分辨率预处理
NDVI美国国家航空航天局MOD13Q116 d,250 m利用MRT软件和ArcGIS软件进行格式转换、重投影、裁剪、重采样及最大值合成法合成不同时间尺度的NDVI数据集(可有效消除云、雾的影响)
气象数据中国气象数据网(http://data.cma.cn)中国地面气候资料日值数据集: 气温、降水量、相对湿度和日照研究区及周边的69个气象台站利用AUNSPLIN软件以海拔为协变量对气象数据进行插值生成1 km空间分辨率栅格数据[19]
≥0 ℃积温、≥10 ℃积温中国科学院资源科学与数据中心(http://www.resdc.cn)中国气象背景数据集500 m利用ArcGIS软件进行裁剪及重采样
高程、坡度、坡向地理空间数据云(http://www.gscloud.cn)数字高程模型250 m利用ArcGIS软件进行裁剪拼接和重采样
地貌类型中国科学院资源科学与数据中心(http://www.resdc.cn)中华人民共和国地貌图集(1∶100万)1 km—
植被类型中国科学院资源科学与数据中心(http://www.resdc.cn)《1∶100万中国植被图集》1 km—
土壤类型中国科学院资源科学与数据中心(http://www.resdc.cn)《1∶100万中华人民共和国土壤图》1 km—
人口密度、GDP四川省统计局(http://tjj.sc.gov.cn)四川省统计年鉴—利用ArcGIS软件基于各行政单元进行计算

新窗口打开| 下载CSV


2.2 研究方法

2.2.1 NDVI变化趋势分析

为更直观地分析川西高原NDVI的动态变化,通过等间距法[13]将NDVI细分为5个层次: 低(≤0.2)、中低(0.2,0.4]、中(0.4,0.6]、中高(0.6,0.8]以及高(>0.8)植被覆盖度。采用Theil-Sen Median趋势分析和Mann-Kendall检验方法,逐像元分析2001—2021年川西高原NDVI变化趋势,并利用Hurst指数法分析NDVI未来变化趋势。

1)Theil-Sen Median趋势分析和Mann-Kendall检验。Theil-Sen Median斜率估计是一种非参数估计方法,受异常值影响小,广泛应用于长时段变化研究[20⇓-22],其计算公式为:

SlopeNDVI=MedianNDVIj-NDVIij-i　2001≤i<j≤2021

式中: SlopeNDVI为NDVI变化趋势; NDVIj与NDVIi分别为像元j年和i年的植被NDVI值; 当SlopeNDVI>0时,表示植被NDVI呈现增加趋势,反之则为退化趋势。

Mann-Kendall是一种非参数统计检验方法,作用是判断趋势的显著性[20⇓-22]。在给定显著性水平α下,当Z>Z1-α/2时,表示研究序列在α水平上存在显著变化,本文取α=0.05。

2)Hurst指数。Hurst指数可用于判断植被NDVI的未来变化趋势,其取值范围H为[0,1],具体计算原理见文献[20⇓⇓-23]。当0<H<0.5时,表示未来变化趋势与过去相反; 当H=0.5时,NDVI为随机序列; 当0.5<H<1时,表示未来变化趋势与过去一致。

2.2.2 地理探测器

地理探测器是探测空间分异性的工具。包括分异及因子探测、交互作用探测、风险区探测以及生态探测[10,13,24⇓-26]。

1)分异及因子探测。用于探测每个因子对植被NDVI空间分异的解释力。利用自然断点法[13]将气温、降水、相对湿度、日照、≥0℃积温、≥10℃积温、高程、坡度、坡向、人口密度以及国内生产总值(gross domestic product,GDP)分为10类,同时,地貌类型、植被类型和土壤类型各包含7类、12类和11类。引入植被NDVI值作为因变量Y,影响因子作为自变量X,q值表示某因子X对Y的解释度。q值越大,代表X对Y的解释力越强。具体计算公式为:

q=1-∑h=1LNhσh2Nσ2=1-SSWSST

式中: L为因变量Y或影响因子X的分层; Nh和N分别为层h和全区的单元数; σh2和σ2分别为层h和全区的Y值的方差; SSW和SST分别为层内方差之和与全区总方差。

2)交互作用探测。识别不同影响因子X之间的交互作用。首先,计算两两不同影响因子对NDVI的q值; 然后,通过比较两因子间交互作用与单独作用的q值来确定交互作用类型。

3)风险区探测。用于判断2个子区域间的属性均值是否有显著差别。同时可判断适宜植被生长的因子取值范围。

4)生态探测。用于比较2个影响因子X1和X2对植被NDVI空间分布的影响是否具有显著差异。

3 结果与分析

3.1 NDVI时空特征

利用2001—2021年NDVI最大值合成数据计算得到NDVI年均值的空间分布(图2)。川西高原多年平均NDVI值为0.75,低植被覆盖度面积占比仅1.12%,中低、中植被覆盖度面积占比分别为3.11%和7.82%,中高、高植被覆盖度面积占比分别为39.15%和48.81%,说明川西高原总体植被覆盖较好。从图2可以看出, 川西高原NDVI分布具有空间异质性: 东北部的阿坝藏族羌族自治州海拔相对较低,植被类型主要为林地和灌木林地,NDVI值较高; 随着海拔的升高,西部的甘孜藏族自治州主要植被类型过渡为草地,植被覆盖度逐渐降低,导致NDVI值变低; NDVI值小于0.2的红色区域主要为冰川积雪以及多年无植被覆盖的裸地。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2001—2021年川西高原NDVI均值

Fig.2   Mean value of NDVI in western Sichuan Plateau from 2001 to 2021


与2001年相比,2021年中高、高植被覆盖度区域转化明显,中高植被覆盖度区域面积明显减少,而高植被覆盖度区域面积大幅增加(表3)。2001—2021年川西高原植被NDVI呈现波动上升趋势,增加速率为0.001 3/a,反映了植被覆盖状态向好(图3(a))。其中春季植被NDVI上升趋势最明显,为0.002 6/a; 冬季次之,为0.001 5/a,秋季植被NDVI上升速度最缓慢,仅为0.001 2/a(图3(b))。

表3   2001—2021年川西高原植被NDVI变化转移矩阵

Tab.3  NDVI change transition matrix in western Sichuan Plateau from 2001 to 2021 (102 km2)

植被NDVI等级2021年合计转出
低植被覆盖度中低植被覆盖度中植被覆盖度中高植被覆盖度高植被覆盖度
2001
年		低植被覆盖度20.9913.111.920.470.2036.6915.70
中低植被覆盖度3.1138.1029.774.500.8476.3238.22
中植被覆盖度0.4211.1192.5898.306.91209.32116.74
中高植被覆盖度0.141.8125.62562.62409.07999.26436.64
高植被覆盖度0.060.502.7598.40912.151 013.86101.71
合计24.7264.63152.64764.291 329.172 335.45
转入3.7326.5360.06201.67417.02
变化量-11.97-11.69-56.68-234.97315.31

新窗口打开| 下载CSV


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2001—2021年川西高原NDVI多年变化趋势

Fig.3   Temporal scale NDVI variation trend of the western Sichuan Plateau from 2001 to 2021


3.2 NDVI变化趋势分析

川西高原地区植被NDVI整体上呈改善趋势,占整个研究区的67.19%,在研究区东部表现较明显(图4)。同时,显著性检验表明,显著退化区域仅占1.40%,分布在石渠和色达等县(表4)。Hurst指数平均值为0.53,表明大部分地区植被覆盖未来呈改善趋势(图4)。将植被NDVI变化趋势与Hurst指数叠加后发现,持续性改善区域最广泛,多分布在研究区东北部,面积占比为64.95%,其中持续性轻微改善区域为40.12%; 持续性稳定不变区域为11.78%,该区域主要为裸地和冰川积雪等; 持续性退化区域占15.70%,主要分布在西北部,大多为持续性轻微退化,占比13.79%; 未来变化趋势不确定区域为7.57%。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   川西高原NDVI变化趋势及持续性

Fig.4   Variation trend and persistence of NDVI in western Sichuan Plateau


表4   川西高原植被 NDVI 显著性变化面积占比统计

Tab.4  Area proportion of significant NDVI changes in the western Sichuan Plateau(%)

NDVI趋势变化面积百分比
春季夏季秋季冬季年际
显著退化0.981.432.101.721.40
不显著退化13.0515.3924.9115.8515.03
稳定不变9.5716.7014.0516.8416.38
不显著改善55.7648.4747.0538.6848.42
显著改善20.6418.0111.8926.9118.77

新窗口打开| 下载CSV


3.3 因子影响力分析

各因子对川西高原植被NDVI影响程度的排序依次为: 高程> ≥0 ℃积温>气温>植被类型>土壤类型> ≥10 ℃积温>地貌类型>降水量>日照>相对湿度>GDP>人口密度>坡度>坡向(表5)。高程的q值最大,解释力达到了0.529,说明高程是影响川西高原植被NDVI空间分布的主要因子,GDP、人口密度、坡度和坡向的q值很小,解释力不强,均在0.026以下。综上可知,地形因子和气象因子对川西高原植被生长的影响较大,而人类活动因子对川西高原植被生长的影响较小。

表5   影响因子的q值

Tab.5  The q values of the influencing factors

因子X1X2X3X4X5X6X7X8X9X10X11X12X13X14
q值0.3920.0770.0490.0570.3950.0870.5290.0130.0060.0870.2420.1720.0250.026

新窗口打开| 下载CSV


3.4 因子交互作用与显著性差异分析

影响因子交互作用与生态探测情况如表6所示。由表6可知,因子之间的交互作用为非线性增强与双因子增强,说明多个因子同时作用时不是简单的相加过程。高程∩相对湿度的q值最大,为0.623,表明高程和相对湿度交互作用主导了川西高原植被NDVI空间分布。此外,高程与日照、降水量、≥0 ℃积温、气温等的交互作用对植被NDVI的影响也较显著,解释力均超过0.529; 其次是≥0 ℃积温、气温与其他因子的交互作用,解释力达0.398以上; 坡度、坡向与人类活动因子的单因子解释力较低,但与其他因子的交互作用均大于单因子解释力。进一步说明高程作为植被NDVI空间分布的主导因子,并且在同其他因子的交互作用下,对植被NDVI空间分布影响更大。另外,84%的因子组合对川西高原植被 NDVI空间分布的作用具有显著性差异,仅有16%的因子组合对NDVI空间分布的作用不具有显著性差异。高程、植被类型和土壤类型与其他因子对植被NDVI空间分布的作用皆存在显著差异,进一步说明了高程的解释力比其他自然因子强。

表6   影响因子交互作用及生态探测①

Tab.6  Interaction of influencing factors and ecological exploration

因子X1X2X3X4X5X6X7X8X9X10X11X12X13X14
X10.392
X20.4830.077
X30.5560.1450.049
X40.5290.1930.1400.057
X50.4620.4520.4810.4810.395
X60.4000.1530.1420.1560.3980.087
X70.5760.6090.6230.6130.5910.5410.529
X80.4420.0950.0850.0830.4200.0980.5550.013
X90.4130.0950.0680.0730.4060.0970.5400.0310.006
X100.5370.2180.1980.1850.4580.1770.5860.1260.1010.087
X110.4990.3080.2880.3070.4630.2890.5750.2610.2590.3010.242
X120.4440.2320.2180.2270.4420.1990.5620.1820.1830.2570.3230.172
X130.4780.1010.1000.0890.4370.1150.5850.0510.0430.1560.2730.1990.025
X140.4870.1170.0980.0910.4350.1170.6080.0530.0410.1590.2790.2030.0460.026

①加粗表示2个因子对NDVI的影响无显著差异。

新窗口打开| 下载CSV


3.5 因子指示作用分析

由于日照、相对湿度、GDP、人口密度、坡度及坡向即使在交互作用下对植被NDVI的解释力也较低,因此选取气温、降水量、≥0 ℃积温、≥10 ℃积温、高程、地貌类型、植被类型及土壤类型,基于风险探测器模块确定各影响因子促进植被生长的适宜类型或范围(表7)。

表7   影响因子适宜类型或范围(置信水平95%)

Tab.7  Suitable type or range of impact factors

因子NDVI适宜类型或范围NDVI均值
气温/℃5.89~8.260.827
降水/mm78.83~89.930.862
≥0 ℃积温/℃2 257.4~2 732.50.840
≥10 ℃积温/℃771.9~1 270.80.837
高程/m1 990~ 2 5660.840
地貌类型中起伏山0.782
植被类型草丛0.916
土壤类型棕壤、黄棕壤、暗棕壤、黄褐土0.838

新窗口打开| 下载CSV


随着气温的升高和降水量的增加,NDVI均值逐渐升高,在气温为5.89~8.26 ℃、降水量为78.83~89.93 mm时,NDVI均值达到最大; NDVI均值随≥0 ℃积温、≥10 ℃积温的增加呈现先逐渐增高后降低的波动变化趋势,在≥0 ℃积温为2 257.4~2 732.5 ℃和≥10 ℃积温为771.9~1 270.8 ℃时,NDVI均值达到最大; 随高程升高NDVI均值出现先逐渐增长后快速降低的趋势,在高程为1 990~2 566 m时达到最大值0.840,进一步表明植被NDVI受高程控制明显; 植被类型为草丛时,植被覆盖最好。地貌与土壤类型主要通过影响植被类型分布进而影响植被NDVI变化,地貌类型中的中起伏山植被NDVI均值最高; 土壤类型中的淋溶土最适宜植被生长,包括棕壤、黄棕壤和褐土等。

4 讨论

川西高原植被NDVI整体表现为上升趋势,与前人的研究结果一致 [11-12,27]。植被 NDVI呈上升趋势的区域主要分布在西北部的色达、石渠、阿坝县、红原、壤塘以及甘孜等县,这些区域人类活动较少,植被类型以林草地为主,抵御水土流失等灾害能力较强,植被稳定性较好。同时,也得益于该地区多年来积极推进生态文明建设[28-29]。植被NDVI呈下降趋势的区域主要分布在冰川积雪覆盖区域以及东部的小金、黑水、九龙、金川、理县、汶川以及松潘等人类活动较强的区县,冰川积雪覆盖区的植被对气候变化较敏感,在全球变暖的影响下,气温升高使得冰川积雪消融,因此在地形起伏大、植被覆盖度低的高海拔区域易造成水土流失,而汶川等地受到地震等灾害影响,植被根系遭到破坏,加剧植被退化。

由地理探测结果可知,川西高原地区影响植被NDVI变化的因素主要是气象因子与地形因子,这也印证了郑勇等[11]的研究结果。对具有时序特征的气象因子分析其变化趋势(图5)可以看出,气温、降水量以及日照均呈波动上升趋势,年均气温每年上升0.05 ℃(R2=0.22),年均降水量每年上升0.47 mm(R2=0.17),日照时数每年上升0.11 h(R2=0.04),气候逐渐变暖,与NDVI波动上升趋势一致(0.001 3/a,R2=0.55)(图3(a)); 相对湿度呈下降趋势,与NDVI变化趋势相反。这也进一步说明了是气温、降水量、日照是植被NDVI变化的影响因素,且因子解释力大小为气温>降水量>日照>相对湿度。人类活动因子对NDVI的影响较小,原因是川西高原地区人口密度较小,人类活动强度较弱。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   气候因子变化趋势

Fig.5   Trends in climate factors


受数据分辨率的限制和区域尺度的制约,本文未能定量分析生态工程措施等对NDVI变化的影响,在今后的研究中如何更精准地定量研究各因子对NDVI的影响,尤其是生态工程等措施的作用,需要进一步加强。地理探测器可以定量分析各因子对NDVI的影响,但连续型因子的分级无明确标准,其分类结果会影响模型运算结果,该方法在分析NDVI影响因素时会受尺度效应和分层效应的影响[30],如何选取更适宜的分类方法仍需进一步研究。

5 结论

1)总体上川西高原东北部植被覆盖较高,西部较低; 2001年和2021年高、中高植被覆盖度区域占比较高,分别为43.41%,42.79%和56.91%,32.73%,反映了川西高原2001—2021年21 a来植被覆盖状况良好。

2)2001—2021年间川西高原植被 NDVI 呈波动上升趋势,速度为0.001 3/a,其中春季和冬季上升趋势最明显。同时,改善趋势区域面积占整个研究区的67.19%,在研究区东部表现较明显。Hurst指数平均值为0.53,持续性改善区域最广泛,多分布在研究区东北部,面积占比为64.95%。持续性退化区域需进一步加强植被恢复、退耕还林等生态建设工作。

3)各因子对植被NDVI影响程度为: 高程>≥0 ℃积温>气温>植被类型>土壤类型>≥10 ℃积温>地貌类型>降水量>日照>相对湿度>GDP>人口密度>坡度>坡向。其中高程的解释力最大,是影响植被NDVI的主要因子,为0.529; 其次为≥0 ℃积温与气温,解释力相当且均超过0.392。

4)影响因子对植被 NDVI空间分布的交互作用为非线性增强与双因子增强,其中相对湿度∩高程的q值最高,达0.623。84%的因子组合对川西高原植被 NDVI 空间分异的解释力存在显著性差异。通过 95%统计检验得到各指标最适宜植被生长发育的范围或类别为: 高程为1 990~2 566 m的中起伏山地,植被类型为草丛,土壤类型为淋溶土,气温在5.89~8.26 ℃之间,降水量在78.83~89.93 mm之间,可为川西高原植被恢复工程提供一定参考。

参考文献

赵丽娅, 赵哈林.

我国沙漠化过程中的植被演替研究概述

[J]. 中国沙漠, 2000(s1):8-15.

[本文引用: 2]

Zhao L Y, Zhao H L.

Overview of vegetation succession in the process of desertification in China

[J]. Journal of Desert Research, 2000(s1):8-15.

[本文引用: 2]

李玉山.

黄土高原森林植被对陆地水循环影响的研究

[J]. 自然资源学报, 2001(5):427-432.

[本文引用: 1]

Li Y S.

Study on the influence of forest vegetation on land water cycle in the Loess Plateau

[J]. Journal of Natural Resources, 2001 (5):427-432.

[本文引用: 1]

李钰溦, 贾坤, 魏香琴, 等.

中国北方地区植被覆盖度遥感估算及其变化分析

[J]. 国土资源遥感, 2015, 27(2):112-117.doi:10.6046/gtzyyg.2015.02.18.

[本文引用: 1]

Li Y W, Gu K, Wei X Q, et al.

Analysis of remote sensing estimation of vegetation coverage and its change in northern China

[J]. Remote Sensing for Land and Resources, 2015, 27(2):112-117.doi:10.6046/gtzyyg.2015.02.18.

[本文引用: 1]

郑朝菊, 曾源, 赵玉金, 等.

近15年中国西南地区植被覆盖度动态变化

[J]. 国土资源遥感, 2017, 29(3):128-136.doi:10.6046/gtzyyg.2017.03.19.

[本文引用: 1]

Zheng C J, Zeng Y, Zhao Y J, et al.

Dynamic changes of vegetation coverage in southwest China in recent 15 years

[J]. Remote Sensing for Land and Resources, 2017, 29(3):128-136.doi:10.6046/gtzyyg.2017.03.19.

[本文引用: 1]

张含玉, 方怒放, 史志华.

黄土高原植被覆盖时空变化及其对气候因子的响应

[J]. 生态学报, 2016, 36(13):3960-3968.

[本文引用: 1]

Zhang H Y, Fang N F, Shi Z H.

Spatial-temporal variation of vegetation cover and its response to climate factors in the Loess Plateau

[J]. Acta Ecologica Sinica, 2016, 36(13):3960-3968.

[本文引用: 1]

刘宪锋, 任志远, 林志慧, 等.

2000—2011年三江源区植被覆盖时空变化特征

[J]. 地理学报, 2013, 68(7):897-908.

[本文引用: 1]

基于MODIS-NDVI 数据,辅以线性趋势分析、Hurst 指数及偏相关系数等方法,本文从三个尺度分析了近12 年三江源区植被覆盖时空变化特征、未来趋势及其驱动因素。结果表明:(1) 近12 年三江源区植被覆盖呈现增加趋势,增速为1.2%/10a,其中长江源区、黄河源区植被均呈增加趋势,而澜沧江源区植被呈下降趋势。(2) 三江源区植被覆盖具有显著的区域差异,且NDVI频度呈现&ldquo;双峰&rdquo;结构。(3) 近12 年三江源区植被覆盖呈增加趋势和减少趋势的面积分别占64.06%和35.94%,且表现为源区北部增加、南部减少的空间格局。(4) 三江源区植被变化的反向特征显著,植被变化由改善趋势转为退化趋势的区域主要分布在长江源区和黄河源区的北部,而由退化趋势转为改善趋势的区域主要分布在澜沧江源区。(5) 三江源区植被对降水和潜在蒸散的响应存在时滞现象,而对气温的响应不存在时滞现象。(6) 三江源区植被覆盖的增加主要归因于气候暖湿化以及生态保护工程的实施。

Liu X F, Ren Z Y, Lin Z H, et al.

Spatial-temporal variation of vegetation cover in the headwaters of the Three Rivers from 2000 to 2011

[J]. Acta Geographica Sinica, 2013, 68(7):897-908.

[本文引用: 1]

严恩萍, 林辉, 党永峰, 等.

2000—2012年京津风沙源治理区植被覆盖时空演变特征

[J]. 生态学报, 2014, 34(17):5007-5020.

[本文引用: 1]

Yan E P, Lin H, Dang Y F, et al.

Spatial-temporal evolution of vegetation cover in Beijing-Tianjin sandstorm source control area from 2000 to 2012

[J]. Acta Ecologica Sinica, 2014, 34(17):5007-5020.

[本文引用: 1]

赵婷, 白红英, 邓晨晖, 等.

2000—2016年秦岭山地植被覆盖变化地形分异效应

[J]. 生态学报, 2019, 39(12):4499-4509.

[本文引用: 1]

Zhao T, Bai H Y, Deng C H, et al.

Topographic differentiation effect of vegetation cover change in the Qinling Mountains from 2000 to 2016

[J]. Acta Ecologica Sinica, 2019, 39(12):4499-4509.

[本文引用: 1]

张英洁, 靳英华, 谷晓楠, 等.

长白山苔原带植被变化与土壤微生物、酶活性及土壤肥力的相关性

[J]. 生态学杂志, 2017, 36(11):3086-3093.

[本文引用: 1]

Zhang Y J, Jin Y H, Gu X N, et al.

Correlation between vegetation change and soil microorganisms,enzyme activities and soil fertility in tundra belt of Changbai Mountain

[J]. Chinese Journal of Ecology, 2017, 36(11):3086-3093.

[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.

DOI:10.11821/dlxb201909005      [本文引用: 2]

许多研究已表明基于遥感的植被指数在地表过程和全球变化研究中具有重要作用,对认识植被变化的驱动因素具有重要意义,但自然因子对植被变化影响仍然难以量化。应用地理探测器模型,研究四川地区自然因子变化对植被分布的空间模式和植被变化的交互影响,并确定了促进植被生长的各主要自然因子最适宜特征。结果表明：① 2000-2015年,四川植被覆盖度状况良好,中高、高植被覆盖面积之和均超过94%;归一化植被指数（NDVI）转化表现为NDVI > 0.4以上区域转化明显,中高和高植被覆盖区面积分别呈显著下降和上升趋势;植被覆盖时空变化差异显著,植被覆盖较高区域位于四川盆地东北部、川西北高原地区,植被覆盖较低区域分布于四川盆地中部城市密集区域。② 土壤类型、高程和年均温度变化等因子较好地解释了植被状况的可变性。③ 自然因子对植被NDVI影响存在交互作用,自然因子协同效应呈现相互增强和非线性增强关系,两种因子交互作用增强了单因子的影响。④ 研究揭示的促进植被生长的各主要因子最适宜特征,有助于更好地理解自然因素对植被NDVI变化的影响及其驱动机制。

Peng W F, Zhang D M, Luo Y M, et al.

Geographical detection of NDVI changes by natural factors in Sichuan Province

[J]. Acta Geographica Sinica, 2019, 74(9):1758-1776.

[本文引用: 2]

郑勇, 杨武年, 刘冲, 等.

川西高原近20 a植被覆盖变化遥感动态监测及驱动力分析

[J]. 遥感技术与应用, 2020, 35(6):1447-1456.

[本文引用: 3]

Zheng Y, Yang W N, Liu C, et al.

Remote sensing dynamic monitoring and driving force analysis of vegetation cover change in Western Sichuan Plateau in recent 20 years

[J]. Remote Sensing Technology and Application, 2020, 35(6):1447-1456.

[本文引用: 3]

谢慧君, 张廷斌, 易桂花, 等.

川西高原植被NDVI动态变化特征及对气候因子的响应

[J]. 水土保持通报, 2020, 40(4):286-294,328,2.

[本文引用: 2]

Xie H J, Zhang T B, Yi G H, et al.

Dynamic changes of vegetation NDVI in the western Sichuan Plateau and its response to climatic factors

[J]. Bulletin of Soil and Water Conservation, 2020, 40(4):286-294,328,2.

[本文引用: 2]

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      [本文引用: 4]

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q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 F, Xu C D.

Geodetectors:Principle and prospect

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

[本文引用: 4]

王伟, 阿里木·赛买提, 吉力力·阿不都外力.

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

[J]. 国土资源遥感, 2019, 31(4):32-40.doi:10.6046/gtzyyg.2019.04.05.

[本文引用: 1]

Wang W, Alimu S, Jilili A.

Spatial and temporal variation characteristics and driving factors of NDVI in Central Asia based on geographic detector model

[J]. Remote Sensing for Land and Resources, 2019, 31(4):32-40.doi:10.6046/gtzyyg.2019.04.05.

[本文引用: 1]

付含培, 王让虎, 王晓军.

1999—2018年黄河流域NDVI时空变化及驱动力分析

[J]. 水土保持研究, 2022, 29(2):145-153,162.

[本文引用: 1]

Fu H P, Wang R H, Wang X J.

Spatial-temporal variation and driving forces of NDVI in the Yellow River basin from 1999 to 2018

[J]. Research of Soil and Water Conservation, 2022, 29(2):145-153,162.

[本文引用: 1]

祝聪, 彭文甫, 张丽芳, 等.

2006—2016年岷江上游植被覆盖度时空变化及驱动力

[J]. 生态学报, 2019, 39(5):1583-1594.

[本文引用: 1]

Zhu C, Peng W F, Zhang L F, et al.

Spatio-temporal variation and driving forces of vegetation coverage in the upper reaches of Minjiang River from 2006 to 2016

[J]. Acta Ecologica Sinica, 2019, 39(5):1583-1594.

[本文引用: 1]

张华, 李明, 宋金岳, 等.

基于地理探测器的祁连山国家公园植被NDVI变化驱动因素分析

[J]. 生态学杂志, 2021, 40(8):2530-2540.

[本文引用: 1]

Zhang H, Li M, Song J Y, et al.

Driving factors of vegetation NDVI change in Qilian Mountain National Park based on geographic detectors

[J]. Chinese Journal of Ecology, 2021, 40(8):2530-2540.

[本文引用: 1]

张思源, 聂莹, 张海燕, 等.

基于地理探测器的内蒙古植被NDVI时空变化与驱动力分析

[J]. 草地学报, 2020, 28(5):1460-1472.

DOI:10.11733/j.issn.1007-0435.2020.05.034      [本文引用: 1]

研究植被归一化植被指数（Normalized Difference Vegetation Index，NDVI）时空变化及驱动力有助于区域生态环境保护和自然资源管理。本研究基于2000—2015年SPOT NDVI遥感数据和同时期18种自然因子与社会经济因子，分析了内蒙古植被NDVI时空变化特征，并利用地理探测器探讨其空间分异特征与驱动力。研究表明：空间尺度上，内蒙古NDVI分布呈现东北高西南低，变化格局为东部增加，中西部减少；时间尺度上，年际NDVI呈缓慢增加趋势（0.32%&#183;a<sup>-1</sup>），并呈现高植被覆盖度（8.6%）和低植被覆盖度（2.8%）均增加的“两极化”特征。年降水量的解释力最高（0.75），与土壤类型、植被类型和年均温共同主导植被NDVI时空格局；因子交互作用为增强关系，自然因子与社会经济因子交互影响力显著增强；研究时段气候因子解释力减弱，农林牧业因子略有增强。本研究探讨了不同土地利用类型的因子解释力差异及各因子促进植被生长的最适宜范围，有助于植被生长的驱动力机制研究。

Zhang S Y, Nie Y, Zhang H Y, et al.

Spatio-temporal variation and driving force analysis of vegetation NDVI in Inner Mongolia based on geographic detectors

[J]. Acta Grassland Sinica, 2020, 28(5):1460-1472.

[本文引用: 1]

姜晓剑, 刘小军, 黄芬, 等.

逐日气象要素空间插值方法的比较

[J]. 应用生态学报, 2010, 21(3):624-630.

[本文引用: 1]

Jiang X J, Liu X J, Huang F, et al.

Comparison of spatial interpolation methods for daily meteorological elements

[J]. Chinese Journal of Applied Ecology, 2010, 21(3):624-630.

[本文引用: 1]

A comparative study was made to evaluate the methods of inverse distance weighting (IDW), co-kriging (CK), and thin plate spline (TPS) in interpolating&nbsp;the average meteorological elements (including maximum air temperature, minimum&nbsp;air temperature, sunshine hours, and precipitation) of the 15<sup>th</sup> day per month from the 1951-2005 comprehensive observation data of 559 meteorological stations in China. The results showed that the <em>RMSEs</em> for the maximum and minimum air temperature in a year interpolated by TPS were the smallest (1.02 ℃ and 1.12 ℃, respectively), and the <em>R</em><sup>2</sup> between the observed and&nbsp;predicted values were the highest (0.9916 and 0.9913, respectively), compared&nbsp;with those interpolated by IDW and CK. In four seasons, the smallest <em>RMSEs</em> for the maximum and minimum air temperature interpolated by TPS were observed in&nbsp;autumn (0.83 ℃) and summer (0.86 ℃), respectively, and the <em>R</em><sup>2</sup> between&nbsp;the observed and predicted values interpolated by TPS were higher in autumn than in other seasons. The <em>RMSEs</em> for the sunshine hours and precipitation in a year interpolated by TPS were the smallest (0.59 h and 1.01 mm, respectively),and the <em>R</em><sup>2</sup> between the observed and predicted values were the highest (0.9118 and 0.8135, respectively), compared with those interpolated by IDW and CK. In four seasons, the <em>RMSE</em> for the sunshine hours in winter interpolated by TPS was the smallest (0.49 h), and the <em>R</em><sup>2</sup> between the observed and predicted sunshine hours was the smallest (0.9293). The <em>RMSE</em> for the precipitation in winter interpolated by TPS was the smallest (0.33 mm), while the <em>RMSE</em> for the precipitation in summer interpolated by IDW was the smallest (2.01 mm). The <em>R</em><sup>2</sup> between the observed and predicted precipitation in winter interpolated by CK was the highest (0.8781). It was suggested that TPS could be the&nbsp;optimal spatial interpolation method in interpolating and rasterizing the daily&nbsp;meteorological elements in China.

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: 3]

Yuan L H, Jiang W G, Shen W M, et al.

Spatial-temporal changes of vegetation cover in the Yellow River Basin from 2000 to 2010

[J]. Acta Ecologica Sinica, 2013, 33(24):7798-7806.

[本文引用: 3]

Lunetta R S, Knight J F, Ediriwickrema J, et al.

Land-cover change detection using multi-temporal MODIS NDVI data

[J]. Remote Sensing of Environment, 2006, 105(2):142-154.

DOI:10.1016/j.rse.2006.06.018      URL     [本文引用: 3]

蔡博峰, 于嵘.

基于遥感的植被长时序趋势特征研究进展及评价

[J]. 遥感学报, 2009, 13(6):1170-1186.

[本文引用: 3]

Cai B F, Yu R.

Research progress and evaluation of long time series trend characteristics of vegetation based on remote sensing

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

[本文引用: 3]

范娜, 谢高地, 张昌顺, 等.

2001年至2010年澜沧江流域植被覆盖动态变化分析

[J]. 资源科学, 2012, 34(7):1222-1231.

[本文引用: 1]

Fan N, Xie G D, Zhang C S, et al.

Dynamic change of vegetation cover in Lancang River basin from 2001 to 2010

[J]. Resources Science, 2012, 34(7):1222-1231.

[本文引用: 1]

左丽媛, 高江波.

基于地理探测器的喀斯特植被NPP定量归因

[J]. 生态环境学报, 2020, 29(4):686-694.

DOI:10.16258/j.cnki.1674-5906.2020.04.006      [本文引用: 1]

可下载PDF全文。

Zuo L Y, Gao J B.

Quantitative attribution of NPP of Karst vegetation based on geographic detector

[J]. Journal of Eco-Environment, 2020, 29(4):686-694.

[本文引用: 1]

徐勇, 郑志威, 郭振东, 等.

2000—2020年长江流域植被NDVI动态变化及影响因素探测

[J]. 环境科学, 2022(7):3730-3740.

[本文引用: 1]

Xu Y, Zheng Z W, Guo Z D, et al.

Dynamic changes and influencing factors of vegetation NDVI in the Yangtze River basin from 2000 to 2020

[J]. Environmental Science, 2022(7):3730-3740.

[本文引用: 1]

孟琪, 武志涛, 杜自强, 等.

基于地理探测器的区域植被覆盖度的定量影响——以京津风沙源区为例

[J]. 中国环境科学, 2021, 41(2):826-836.

[本文引用: 1]

Meng Q, Wu Z T, Du Z Q, et al.

Quantitative impacts of regional vegetation coverage based on geographic detectors:A case study of the Beijing-Tianjin aeolian sand source area

[J]. China Environmental Science, 2021, 41(2):826-836.

[本文引用: 1]

荣欣, 易桂花, 张廷斌, 等.

2000—2015年川西高原植被EVI海拔梯度变化及其对气候变化的响应

[J]. 长江流域资源与环境, 2019, 28(12):3014-3028.

[本文引用: 1]

Rong X, Yi G H, Zhang T B, et al.

Changes of EVI gradient and its response to climate change in the western Sichuan Plateau from 2000 to 2015

[J]. Resources and Environment in the Yangtze Basin, 2019, 28(12):3014-3028.

[本文引用: 1]

郑朝菊, 曾源, 赵玉金, 等.

20世纪90年代以来中国西南地区土地覆被变化

[J]. 生态学报, 2016, 36(23):7858-7869.

[本文引用: 1]

Zheng C J, Zeng Y, Zhao Y J, et al.

Land cover change in southwest China since the 1990s

[J]. Acta Ecologica Sinica, 2016, 36(23):7858-7869.

[本文引用: 1]

朱昌丽, 张继飞, 赵宇鸾, 等.

青藏高原东缘典型流域生态系统服务的地形梯度效应——以岷江上游为例

[J]. 长江流域资源与环境, 2017, 26(10):1687-1699.

[本文引用: 1]

Zhu C L, Zhang J F, Zhao Y L, et al.

Topographic gradient effects of ecosystem services in a typical watershed in the eastern margin of the Qinghai-Tibet Plateau:A case study of the upper Minjiang River

[J]. Resources and Environment in the Yangtze Basin, 2017, 26(10):1687-1699.

[本文引用: 1]

Chen T, Feng Z, Zhao H, et al.

Identification of ecosystem service bundles and driving factors in Beijing and its surrounding areas

[J]. Science of the Total Environment, 2019, 711(2):134687.

DOI:10.1016/j.scitotenv.2019.134687      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发