1991—2021年雄安新区土地利用与植被覆盖变化遥感研究

图1 雄安新区地理位置

Fig.1 Geographical location of Xiong’An New Area

1.2 数据源及其处理

1.2.1 土地利用数据

从地理空间数据云(https://www.gscloud.cn)获取雄安新区1991年、2001年、2011年、2017年和2021年30 m分辨率的遥感影像,其中前3 a为Landsat5 TM数据集,后2 a为Landsat8 OLI数据集,时间节点均选在对地类容易区分的9月份。然后对其进行预处理和土地利用信息提取,将土地利用类型划分为建设用地、耕地、林草地、其他用地和水域5种类别,利用支持向量机(support vector machine,SVM)分类,综合分类精度达到85.50%以上。

1.2.2 植被覆盖数据

为保证数据的一致性,植被覆盖度反演仍采用Landsat数据。从USGS获取5个时期的生长季(4—10月)数据,进行波段运算得到月尺度NDVI数据; 采用平均值合成法得到年尺度NDVI数据,进行波段运算获得植被覆盖度数据; 并对年份接近的2期数据进行差值计算,得到1991—2021年4个阶段的植被覆盖变化趋势; 参考前人的分类标准^[21-22]和雄安新区植被覆盖变化的实际情况,对植被覆盖变化情况( $Δ F V C)$ 划分为5级: [-1.00,-0.60)为严重退化、[-0.60,-0.10)为轻度退化、[-0.10,0.10)为保持稳定、[0.10,0.60)为轻度改善、[0.60,1.00]为明显改善,最终用于驱动因子分析。

1.2.3 社会及自然驱动因子数据

从中国科学院资源环境科学数据中心(https://www.resdc.cn)获取土壤类型(图2(c))、土壤质地(图2(d))和5期1 km人口分布网格数据。从中国经济社会大数据平台(https://data.cnki.net)获取GDP数值。从网站(https://eogdata.mines.edu)获取5期夜光遥感数据,利用夜光数据与GDP数值间接获得5期1 km GDP分布网格数据。从地理空间数据云获取高程数据(图2(a)),通过高程获取坡度(图2(b))。然后对数据进行裁剪、数据离散化、类别划分、重采样,并对GDP和人口数据进行差值计算获取其阶段性变化数据((图3(a)—(d))和(图3(e)—(h)),最终用于驱动因子探测。

图2

图2 不变性因子分类

Fig.2 Classification of invariant factors

图3

图3 变化性因子分类

Fig.3 Classification of variability factors

2 研究方法

2.1 土地利用变化图谱建立

为了解各土地利用类型的演化过程,借鉴已有的图谱融合法^[23⇓-25],对前后两期土地利用类型的图谱单元代码按照式(1)实现图谱融合,计算公式为:

(1)

C = 10 A + B

式中: C为各阶段之间土地利用转移情况的栅格属性图谱; A为前一时期的土地利用图谱栅格单元属性值; B为后一时期的土地利用图谱栅格单元属性值。引入土地利用变化率,计算公式为:

(2)

P = \frac{S_{x y}}{\overset{n}{\sum_{x = 1}} \overset{n}{\sum_{y = 1}} S_{x y}} \times 100 %

式中: P为土地利用变化率; $S_{x y}$ 为初期 $x$ 土地利用类型转化为末期 $y$ 土地利用类型的图谱面积或单元,其中 $x \neq y$ ; n为土地利用类型的数量^[25]。

2.2 植被覆盖度估算

本文以NDVI为遥感信息量,利用像元二分模型进行植被覆盖度估算,弥补了NDVI对高植被覆盖和低植被覆盖研究效果欠佳的缺点^[26-27]。NDVI和像元二分模型计算公式为:

(3)

N D V I = (N I R - R) / (N I R + R)

式中: $N D V I$ 为归一化植被覆盖指数; $N I R$ 和 $R$ 分别为近红外波段和红外波段的反射率。

(4)

F V C = \frac{N D V I - N D V I_{s o i l}}{N D V I_{v e g} - N D V I_{s o i l}}

式中: FVC为植被覆盖度,取值范围[0,1]; $N D V I_{s o i l}$ 为无植被覆盖的像元的NDVI值; $N D V I_{v e g}$ 为全植被覆盖的像元的NDVI值^[28]。通常这2个参数通过实测数据的 $F V C_{m a x} 和 F V C$ 经过反算获得,考虑本次实验没有实测数据和参数的不稳定性,因此取0.05为置信度,以NDVI累积频率95.00%和5.00%分别确定2个参数。

根据水利部2008年颁布的《土壤侵蚀分类分级标准》中植被覆盖度分级标准和相关研究^[29],将植被覆盖度(FVC)划分为5级: [0,0.30)(低覆盖度)、[0.30,0.45)(中低覆盖度)、[0.45,0.60)(中等覆盖度)、[0.60,0.75)(中高覆盖度)、[0.75,1](高覆盖度)。

2.3 地理探测器模型

地理探测器模型是探测空间分异性,以及揭示其背后驱动力的一种新兴统计学方法^[10,30-31],本文使用地理探测器模型中的风险因子探测,研究植被覆盖变化的潜在驱动因素。

风险因子探测用于探测属性Y的空间分异性,即本文中的植被覆盖度变化Y是否因为空间位置或环境不同而产生了差异; 以及探测本文选取的驱动因子X对植被覆盖度变化Y的影响程度,用q值度量,表达式为^[10]:

(5)

q = 1 - \frac{S S W}{S S T} = 1 - \frac{\overset{L}{\sum_{h = 1}} N_{h} σ_{h}^{2}}{N σ^{2}}

(6)

S S W = \overset{L}{\sum_{h = 1}} N_{h} σ_{h}^{2}

(7)

S S T = N σ^{2}

式中: q为驱动因子对空间分异性的影响程度; L为变量Y或因子X的分层(strata),即分类或分区; N_h和N分别为层h和全区的单元数; ${σ_{h}}^{2}$ 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和全区总方差。q的值域为[0,1],值越大说明Y的空间分异性越明显,即q值越大表示自变量X对属性Y的解释能越强,反之则越弱,q值表示X解释了100×q%的Y^[12,32]。

3 结果与分析

3.1 土地利用变化

基于5期土地利用图谱(图4),利用图谱融合法获得1991—2021年4个阶段的土地利用演化图谱(图5),并提取各土地利用类型之间的转化信息(表1、表2)。

图4

图4 1991—2021年雄安新区土地利用图谱

Fig.4 Land use map of Xiong’An New Area from 1991 to 2021

图5

图5 1991—2021年雄安新区重要土地利用转化类型图谱

Fig.5 Map of main land use transformation types in Xiong’An New Area from 1991 to 2021

表1 1991—2021年雄安新区土地利用数量结构变化

Tab.1 Change of land use quantity structure in Xiong’An New Area from 1991 to 2021

地类	面积/km²
地类	1991年	2001年	2011年	2017年	2021年
建设用地	129.68	156.31	186.98	224.72	237.77
耕地	1 136.03	1 141.28	1 184.81	1 099.84	1 163.72
林草地	28.74	12.71	17.79	32.31	40.30
其他用地	131.79	99.21	84.09	150.79	23.62
水域	131.94	148.67	84.05	49.70	93.18
合计	1 558.18	1 558.18	1 557.72	1 557.36	1 558.59

表2 1991—2021年雄安新区土地利用转化类型面积与占比

Tab.2 Area and proportion of land use transformation types in Xiong’An New Area from 1991 to 2021

转化类型	编码	1991—2001年		2001—2011年		2011—2017年		2017—2021年
转化类型	编码	面积/km²	变化率/%	面积/km²	变化率/%	面积/km²	变化率/%	面积/km²	变化率/%
建设用地→耕地	12	46.87	10.66	60.80	17.00	41.13	9.18	44.86	13.13
耕地→建设用地	21	60.62	13.78	74.26	20.76	104.35	23.29	55.86	16.35
耕地→其他用地	24	83.96	19.09	47.25	13.21	101.46	22.65	18.85	5.52
其他用地→耕地	52	84.38	19.19	62.09	17.30	68.09	15.20	114.94	33.63
小计		275.83	62.72	244.40	68.27	315.03	70.32	234.51	68.63
建设用地→林草地	13	0.50	0.11	0.31	0.09	30.75	6.86	0.12	0.04
建设用地→其他用地	14	2.25	0.51	1.14	0.32	16.20	3.61	3.34	0.98
建设用地→水域	15	0.59	0.13	0.75	0.21	6.60	1.47	0.19	0.06
耕地→林草地	23	2.33	0.53	5.93	1.66	20.75	4.63	26.54	7.77
耕地→水域	25	36.26	8.25	0.77	0.22	8.30	1.85	15.95	4.67
林草地→建设用地	31	4.22	0.96	3.91	1.09	0.38	0.09	0.37	0.11
林草地→耕地	32	19.06	4.33	3.91	1.09	10.21	2.28	15.89	4.65
林草地→其他用地	34	1.24	0.28	0.39	0.11	3.78	0.84	0.10	0.03
林草地→水域	35	2.75	0.63	3.21	0.90	1.97	0.44	6.30		1.84
水域→建设用地	41	1.90	0.43	11.89	3.32	0.21	0.05	0.28		0.08
水域→耕地	42	38.10	8.66	52.10	14.57	4.23	0.94	3.29		0.96
水域→林草地	43	4.52	1.03	9.50	2.66	2.37	0.53	0.35		0.10
水域→其他用地	44	7.28	1.66	8.84	2.47	20.32	4.54	0.03		0.01
其他用地→建设用地	51	10.09	2.29	3.64	1.02	1.01	0.22	4.69		1.37
其他用地→林草地	53	3.89	0.88	0.93	0.26	3.51	0.78	3.60		1.05
其他用地→水域	55	28.94	6.58	6.05	1.69	2.40	0.53	26.20		7.67
变化总面积/km²		439.75		357.67		448.02		341.75

综合分析如下:

1)总体而言,雄安新区土地利用结构主要以耕地和建设用地为主,水域、未利用用地和林地次之,与华北村落聚集地区的土地利用结构相吻合。

2)从土地利用的变化特征来看,1991—2021年建设用地始终处于增加趋势,2011—2017年和2017—2021年容城县中心区域建设用地的增长最为明显,这与雄安新区的建设有较大关系,该区域为雄安新区建设的启动区,增长的面积主要来源于耕地和其他用地,流出的面积主要变成耕地。其他用地整体减少,主要是2017—2021年产生大幅度减少,流出的面积主要变成耕地。林草地整体增加,其中1991—2001年林草地处于减少趋势,流出的面积主要变成耕地; 2001—2021年林草地处于增长趋势,增长的面积主要来源于水域和其他用地,尤其是白洋淀水域附近的植被覆盖面积大幅度增加,这离不开国家和雄安新区政府对白洋淀生态保护湿地的重视。水域整体减少,1991—2001年处于增长趋势,增长的面积主要来源于耕地; 在2001—2017年大幅度减少,2017年面积达到最低,流出的面积主要变成耕地; 2017年11月以缓解河北省中南部农业缺水和为白洋淀生态补水为目的的“引黄入冀补淀工程”试通水,2019年6月雄安新区政府颁布重点建设孝义河的政策,因此2017—2021年水域面积显著增长,增长的面积主要来源于水域附近的耕地和其他用地。耕地无明显变化。

3)从土地利用的转化特征来看,1991—2001年安新县中南部的其他用地→耕地转化最为明显,雄县西南部和溢洪道附近的耕地→其他用地转化较为明显,建设用地→耕地转化主要发生在安新县西南部,耕地→建设用地转化呈离散型分布,无聚集性转化。2001—2011年雄县东部发生耕地向建设用地和其他用地的聚集性转化,这与图4中2011年雄县东部出现建设用地和其他用地大面积增长特征相吻合; 雄县南部和溢洪道附近的其他用地→耕地转化较为明显,建设用地→耕地转化呈离散型分布。2011—2017年容城县和雄县的耕地→建设用地转化最为明显,其次是雄县东部和溢洪道附近的其他用地→耕地和建设用地→耕地转化,以及呈离散型分布的耕地→其他用地转化。2017—2021年容城县中部发生大面积的耕地→建设用地转化,该区域为启动区的容西和容东安置区,也是自雄安新区成立以来变化最显著的区域; 雄县部分区域也发生耕地→建设用地转化,其他用地和耕地之间的转化呈离散型分布,其余转化类型均不明显。

3.2 植被覆盖时空变化

3.2.1 植被覆盖空间分布特征

1991—2021年雄安新区整体植被覆盖情况良好,中高及以上植被覆盖度的区域面积占雄安新区总面积的50%以上(表3)。从平均植被覆盖度各等级的空间分布来看,安新县中高及以上植被覆盖度区域面积占比最高,雄县最低; 中等及以下植被覆盖度的区域总面积在各区域的占比由高到低顺序为: 雄县、容城县、安新县(图6)。因此,安新县具有较好的生态环境,这与安新县的地理环境有关,因为白洋淀生态保护湿地坐落于安新县东南部; 生态环境较差的是雄县,这与雄县的经济发展和人类的频繁活动有关,雄县是雄安新区经济实力最强的地区,说明该地区的经济发展极大影响到了植被的生长,因此雄安新区政府要对该雄县的生态环境增加重视程度,实现经济与生态同进步。

表3 雄安新区年均植被覆盖度

Tab.3 Average annual vegetation coverage of Xiong’An New Area

植被覆盖度等级	低植被覆盖度	中低植被覆盖度	中等植被覆盖度	中高植被覆盖度	高植被覆盖度
面积/km²	190.60	187.89	393.37	447.97	336.11
占比/%	12.25	12.08	25.28	28.79	21.60

图6

图6 雄安新区年均植被覆盖度空间分布

Fig.6 Spatial distribution of annual average vegetation coverage in Xiong’An New Area

3.2.2 植被覆盖阶段性变化趋势

为深刻了解雄安新区植被覆盖变化趋势,对1991—2021年5期植被覆盖度数据进行差值计算,得到1991—2021年植被覆盖阶段性变化趋势(表4和图7),并进行了如下分析:

表4 1991—2021年雄安新区植被覆盖变化趋势

Tab.4 Change trend of vegetation cover in Xiong’An New Area from 1991 to 2021

植被覆盖变化等级	1991—2001		2001—2011		2011—2017		2017—2021
植被覆盖变化等级	面积/km²	比重/%	面积/km²	比重/%	面积/km²	比重/%	面积/km²	比重/%
严重退化	296.51	19.53	41.82	2.76	47.31	3.12	34.09	2.24
轻度退化	297.97	19.62	432.42	28.51	356.11	23.47	322.31	21.20
保持稳定	469.80	30.94	514.69	33.93	392.30	25.86	503.03	33.09
轻度改善	350.21	23.06	426.07	28.09	405.72	26.74	404.48	26.60
明显改善	104.03	6.85	101.89	6.71	315.58	20.81	256.46	16.87

图7

图7 1991—2021年雄安新区植被覆盖变化趋势图谱

Fig.7 Map of vegetation cover change trend in Xiong’An New Area from 1991 to 2021

1)1991—2021年雄安新区植被整体经历了“退化→改善”的过程。1991—2001年,植被整体退化,退化区域总面积大于改善区域总面积,退化区域主要集中于溢洪道和雄县中东部,占雄安新区总面积的39.15%; 改善区域总面积占比达到29.91%,改善区域主要集中于安新县西南部和白洋淀水域附近。保持稳定的区域在3个县区均有离散型分布。

2)与上一阶段相比,2001—2011年雄安新区植被有明显改善,轻度改善和明显改善的区域面积较上一时期有所提高,总占比34.80%,改善区域位置发生较大变化,集中于雄县西部、容城县东部和安新县北部。退化区域的总面积与上一时期有所降低,总占比为31.27%; 其中,严重退化的区域面积占比最低,集中区域位于安新县白洋淀水域附近。保持稳定的区域面积占比有小幅度扩张,在3个县区均呈离散型分布。

3)2011—2017年相比于2001—2011年,植被整体仍有较大改善,改善区域面积总占比分47.55%,退化区域面积总占比26.59%。其中,明显改善的区域面积大幅度增加,同比上一阶段,增长3倍之多,区域主要集中于雄县东部和安新县西南部; 退化的区域和保持稳定的区域在3个县区呈离散型分布,其中白洋淀水域附近的退化较明显。

4)2017—2021年是雄安新区成立4周年,植被仍然呈改善趋势,改善区域总面积远大于退化区域总面积,退化面积总占比达到4个阶段中最低。严重退化区域发生位置变化,主要集中于启动区的容西和容东安置区,说明雄安新区的建设是该区域植被退化的重要原因,改善区域集中于容城县西部、雄县北部和白洋淀水域,这和2019年6月雄安新区政府发布的白洋淀生态屏障重点保护政策有关。

3.3 植被覆盖变化驱动因素

3.3.1 植被覆盖变化潜在驱动因素

植被覆盖变化受多重因素的影响,本文选取自然方面的土壤质地、土壤类型、高程、坡度、社会方面的人口密度变化、GDP 变化等6个驱动因子,分别作为自变量X1,X2,X3,X4,X5,X6。以植被覆盖阶段性变化趋势作为因变量Y,利用地理探测器模型对雄安新区1991—2021年植被覆盖变化趋势进行驱动因子分析(表5)。

表5 驱动因子作用强度q值变化趋势

Tab.5 Change trend of action intensity q value of driving factors

年份	X1	X2	X3	X4	X5	X6
1991—2001	0.144 2	0.104 5	0.041 5	0.005 2	0.115 6	0.104 2
2001—2011	0.093 4	0.125 8	0.061 8	0.032 6	0.138 6	0.112 8
2011—2017	0.138 1	0.116 8	0.015 4	0.002 4	0.128 3	0.167 3
2017—2021	0.187 9	0.153 5	0.024 1	0.015 0	0.148 2	0.094 5

分析结果表明: 植被覆盖变化存在空间分异性,1991—2001年,土壤质地对植被覆盖变化影响程度最强; 土壤类型、人口密度变化和GDP变化对植被覆盖变化也具有较强的影响程度。2001—2011年,人口密度变化仍是驱动因子中影响程度最强的,且影响程度较上一时期有所提高; 影响程度较强的仍是土壤类型、土壤质地和GDP变化,且土壤类型和GDP的影响程度较上一时期有所提高,土壤质地的影响程度较上一时期有所降低。2011—2017年,GDP变化是驱动因子中影响程度最强的,且影响程度较上一时期有所提高,达到30 a间q值最高峰; 影响程度较强的是土壤质地、土壤类型和人口密度变化,但人口密度变化影响程度较上一时期有所降低。2017—2021年,土壤质地是驱动因子影响程度最强的; 影响程度较强的驱动因子与上一时期相同,除GDP变化外,影响都有所提高。高程和坡度对植被覆盖变化影响程度都较低,说明高程和坡度对雄安新区植被覆盖变化的影响较小,这与雄安新区的地理环境有关。

3.3.2 土地利用变化对植被覆盖变化的影响

除以上潜在驱动因素外,本文也探究了土地利用变化对植被覆盖变化的影响。土地利用变化图谱中共有20种转化类型,大部分是发生少量图元的转化,因此本文将4个阶段的重要土地利用转化类型图谱(图5)与植被覆盖变化趋势图谱(图7)进行基于公式1的图谱融合,并计算各转化类型对植被变化的贡献率(图8)。总体来看,1991—2001年30 a间,重要土地利用转化类型对植被退化的总贡献率最高达到45.19%,对植被改善的总贡献率最高达到31.64%,表明土地利用变化对植被覆盖变化存在较大影响。

图8

图8 土地利用变化对植被覆盖变化的影响

Fig.8 Impact of land use change on vegetation cover change

统计结果表明:

1)1991—2001年,重要土地利用转化类型对植被退化和改善的总贡献率分别达到30.27%和31.64%。植被严重退化区域主要集中于雄县中部及溢洪道附近,与产生耕地→其他用地的区域分布相似,表明耕地→建设用地是该时段该区域植被严重退化的重要原因。安新县产生其他用地→耕地和建设用地→耕地的区域与安新县出现的植被明显改善区域分布相似,说明该2种转化类型是该阶段植被改善的重要原因。

2)2001—2011年,重要土地利用转化类型对植被退化和改善的总贡献率分别达到28.68%和20.40%,其他用地→耕地转化对植被明显改善的贡献率最大,说明其他用地→耕地转化是该时段植被改善的重要原因; 水域→耕地转化和耕地→建设用地转化对植被严重退化贡献率较大,说明该2种转化类型是该阶段植被退化的重要原因; 而且发现水域减少也会造成植被退化现象。

3)2011—2017年,土地利用变化对植被退化和改善的影响最小,总贡献率分别为15.70%和27.50%。雄县出现的其他用地→耕地转化区域与植被明显改善的区域相似,且其他用地→耕地对植被明显改善的贡献率较大,说明该转化类型是该阶段植被改善的重要原因。

4)2017—2021年,土地利用变化对植被退化的影响较大,总贡献率达到45.18%。容城县中部的植被严重退化区域与耕地→建设用地转化的区域相似,该转化类型对植被严重退化贡献率达到最大,说明耕地向耕地→建设用地转化是该阶段植被严重退化的重要原因。

根据以上分析可以看出: 耕地向建设用地和其他用地的转化是植被退化的重要原因,建设用地向其他用地向耕地的转化是植被改善的重要原因,其余土地利用转化类型对植被变化均是较小的影响。

4 问题与讨论

本文以遥感数据和GIS技术为基础,研究了雄安新区1991—2021年近30 a土地利用与植被覆盖变化特征,利用地理探测器探究了植被覆盖变化的潜在驱动因素,并探究了土地利用变化与植被覆盖变化之间的响应。对主要问题讨论如下:

1)关于土地利用类型之间的相互转换。城市的扩张和新区的建设使得3县建设用地不断增长,水域减少,林草地增加较少,应注重规避其造成的负面影响,例如土地城镇化后形成的用地浪费、白洋淀生态屏障的损伤以及林草地较少造成的水土流失问题,尤其是容城县中部地区和安新县白洋淀水域附近,应注重城市的未来整体规划,建立土地管理体制,时刻监测其土地利用变化情况,实现城市发展与生态环境的同步提升,最终将雄安新区建设成为一个集绿色、生态、韧性、美丽于一体的经济特区。

2)植被覆盖情况的退化与改善。30 a间,雄县是3县之中GDP最高,经济发展最快的一个,但发展经济的同时,应注重生态环境质量的同步提升。白洋淀水域附近的植被覆盖变化始终不稳定,应建立该区域的植被覆盖监管体制,防止水土流失,努力将安新县打造成为雄安新区的“后花园”。

3)不同驱动因素对植被覆盖的影响。容城县中部和雄县区域的土地利用变化对植被退化的贡献最为明显,应加强该区域的土地利用变化关注度,防止植被退化现象的再次出现和严重化,安新县西南部和雄县区域的土地利用变化对植被改善的贡献较为明显,应对其加以借鉴。

5 结论

1)1991—2021年雄安新区建设用地整体增长,转入面积主要来源于耕地和其他用地; 其他用地面积整体减少,流出面积主要变成耕地; 林草地面积同比增长最多,转入面积主要来源于水域和其他用地; 水域面积整体减少,流出面积主要变成耕地和其他用地; 耕地面积无明显变化,主要是与建设用地和其他用地之间的相互转化。

2)1991—2021年雄安新区整体植被覆盖情况良好,其中安新县植被覆盖情况最好,生态环境较优越,容城县次之,雄县最差。植被整体呈现退化→改善的趋势,1991—2001年植被整体退化,2001—2021年植被整体均呈现改善趋势。1991—2001年雄县出现明显退化,白洋淀水域附近出现明显改善; 2001—2011年雄县西部、容城县东部和安新县北部出现明显改善,白洋淀水域附近出现明显退化; 2011—2017年,雄县东部和安新县西南部出现大面积改善区域,退化区域在3个县区均有离散分布,其中白洋淀水域附近较明显; 2017—2021年白洋淀水域附近、容城县西部和雄县北部出现改善,容城县中部地区出现退化。

3)土壤类型、人口密度变化和GDP变化对雄安新区植被覆盖变化均有较强的影响程度,其中1991—2001年土壤质地影响最大,2001—2011年人口密度变化影响最大,2011—2017年GDP变化影响最大,2017—2021年土壤质地影响最大,因地处平原,高程和坡度差异较小,所以对其影响也较小。除此以外,建设用地和其他用地向耕地的转化是植被改善的重要原因,耕地向建设用地和其他用地的转化是植被退化的重要原因。

4)地理探测器模型能有效地分析植被覆盖变化的驱动机制,对于大区域的植被覆盖变化驱动研究具有借鉴意义,在生态环境监测、城乡规划和可持续发展方面具有良好的应用潜力。由于本文研究区域和数据的局限性,驱动因子种类选取较少,仍具有改进空间,但在一定程度上反映了人为因素和自然因素对雄安新区植被覆盖变化的影响。

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]

Sun

, Wei

, Duan

D H

, et al.

Impact of land-use and land-cover change on urban air quality in representative cities of China

[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2016, 142:43-54.

DOI:10.1016/j.jastp.2016.02.022 URL [本文引用: 1]

[2]

新华社

中共中央、国务院决定设立河北雄安新区

[EB/OL].(2017-04-01) [2017-05-31]. https://www.gov.cn/xinwen/2017-04/01/content5182824htm.

URL [本文引用: 2]

Xin Hua News Agency.

The Central Committee of the Communist Party of China and the State Council decided to establish the Xiong’an new area in Hebei

[EB/OL].(2017-04-01) [2017-05-31]. https://www.gov.cn/xinwen/2017-04/01/content5182824htm.

URL [本文引用: 2]

[3]

吴昌广, 周志翔, 肖文发, 等.

基于MODIS NDVI的三峡库区植被覆盖度动态监测

[J]. 林业科学, 2012, 48(1):22-28.

C G

, Zhou

Z X

, Xiao

W F

, et al.

Dynamic monitoring of vegetation cover in Three Gorges reservoir area based on MODIS NDVI

[J]. Scientia Silvae Sinicae, 2012, 48(1):22-28.

[4]

刘斌, 罗全华, 常文哲, 等.

不同林草植被覆盖度的水土保持效益及适宜植被覆盖度

[J]. 中国水土保持科学, 2008, 6(6):68-73.

Liu

, Luo

Q H

. Chang

W Z

, et al.

Soil and water conservation benefits of different forest and grass vegetation cover levels and suitable vegetation cover levels

[J]. Soil and Water Conservation in China, 2008, 6(6):68-73.

[5]

何全军, 曹静, 张月维.

基于MODIS的广东省植被指数序列构建与应用

[J]. 气象, 2008, 34(3):37-41.

Q J

, Cao

, Zhang

Y W

Construction and application of MODIS based vegetation index series in Guangdong Province

[J]. Meteorological Monthly, 2008, 34(3):37-41.

[6]

彭飞, 范闻捷, 徐希孺, 等.

2000—2014年呼伦贝尔草原植被覆盖度时空变化分析

[J]. 北京大学学报(自然科学版), 2017, 53(3):563-572.

Peng

, Fan

W J

, Xu

X R

, et al.

Analysis of spatial and temporal changes of vegetation cover in Hulunbuir grassland from 2000 to 2014

[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2017, 53(3):563-572.

[7]

王思, 张路路, 林伟彪, 等.

基于MODIS-NDVI的广东省植被覆盖与土地利用变化研究

[J]. 生态学报, 2022(6):2149-2163.

Wang

, Zhang

L L

, Lin

W B

, et al.

Research on vegetation cover and land use change in Guangdong Province based on MODIS-NDVI

[J]. Acta Ecologica Sinica, 2022(6):2149-2163.

[8]

晋成名, 杨兴旺, 景海涛.

基于RS的陕北地区植被覆盖度变化及驱动力研究

[J]. 自然资源遥感, 2021, 33(4):258-264.doi:10.6046/zrzyyg.2021019.

Jin

C M

, Yang

X W

, Jing

H T

RS-based study on vegetation cover changes and driving forces in northern Shaanxi

[J]. Remote Sensing for Natural Resources, 2021, 33(4):258-264.doi:10.6046/zrzyyg.2021019.

[9]

苏迎庆, 刘庚, 赵景波, 等.

2006—2018年汾河流域土地生态安全预警测度及时空格局演变

[J]. 水土保持通报, 2021, 41(1):144-151.

Y Q

, Liu

, Zhao

J B

, et al.

Evolution of early warning measures and spatial and temporal patterns of land ecological security in the Fen River Basin from 2006-2018

[J]. Bulletin of Soil and Water Conservation, 2021, 41(1):144-151.

[10]

Kallimanis

A S

, Touloumis

, Tzanopoulos

, et al.

Vegetation coverage change in the EU:Patterns inside and outside Natura 2000 protected areas

[J]. Biodiversity and Conservation, 2015, 24(3): 579-591.

DOI:10.1007/s10531-014-0837-9 URL [本文引用: 3]

[11]

Jung

, Prange

, Schulz

Influence of topography on tropical African vegetation coverage

[J]. Climate Dynamics, 2016, 46(7):2535-2549.

DOI:10.1007/s00382-015-2716-9 URL [本文引用: 1]

[12]

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: 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:Principles and perspectives

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

[13]

Wang

G J

, Peng

W F

Quantifying spatiotemporal dynamics of vegetation and its differentiation mechanism based on geographical detector

[J]. Environmental Science and Pollution Research, 2022, 29(21):32016-32031.

DOI:10.1007/s11356-021-17544-w [本文引用: 1]

[14]

Deng

X J

, Hu

S Z

, Che

Attribution of vegetation coverage change to climate change and human activities based on the geographic detectors in the Yellow River Basin,China

[J]. Environmental Science and Pollution Researchinternational, 2022: 1-16.

[15]

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: 1]

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 natural factors on NDVI changes in Sichuan vegetation

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

DOI:10.13249/j.cnki.sgs.2021.07.017 [本文引用: 1]

[16]

李丹, 周嘉, 战大庆.

黑龙江省耕地时空变化及驱动因素分析

[J]. 地理科学, 2021, 41(7):1266-1275.

以黑龙江省1980年、1990年、2000年、2010年、2015年5期土地利用数据为基础，综合利用GIS手段和地理探测器模型，确定1980—2015年4个时期黑龙江省耕地变化的时空分异特征及主要驱动因素。研究结果表明，1980—2015年黑龙江省耕地数量总体增加，增加的耕地主要来源于林地、草地和未利用地。各时期耕地数量变化具有明显差异，以1990—2000年耕地数量变化最多。各时期耕地变化空间差异特征明显。1980—2015年黑龙江省耕地利用动态度呈现出先升高后降低的趋势，耕地利用动态度活跃区域集中在三江平原和松嫩平原地区。各时期驱动因子的解释能力不同，人口数量、政策因素、GDP以及城镇化水平是解释能力较强的驱动力因子。驱动因子对耕地时空变化的影响是通过各个因子之间的交互作用实现的，表现为双因子增强和非线性增强。

, Zhou

, Zhan

D Q

Analysis of spatial and temporal changes in arable land and drivers in Heilongjiang Province

[J]. Scientia Geographica Sinica, 2021, 41(7):1266-1275.

[17]

祁鹏卫, 张贤.

2000—2019年重庆市植被覆盖时空变化特征及其驱动因素

[J]. 生态学报, 2022, 42(13):5427-5436.

P W

, Zhang

Analysis of spatial and temporal variation characteristics of vegetation cover and its driving factors in Chongqing from 2000 to 2019

[J]. Acta Ecologica Sinica, 2022, 42(13):5427-5436.

[18]

赵子娟, 范蓓蕾, 王玉庭, 等.

2000—2018年西辽河流域植被覆盖度时空变化特征及影响因素研究

[J]. 中国农业资源与区划, 2021, 42(12):75-88.

Zhao

Z J

, Fan

B L

, Wang

Y T

, et al.

Study on the characteristics of spatial and temporal changes of vegetation cover and influencing factors in the West Liaoning River Basin from 2000 to 2018

[J]. Journal of China Agricultural Resources and Regional Planning, 2021, 42(12):75-88.

DOI:10.13474/j.cnki.11-2246.2020.0287 [本文引用: 1]

[19]

贾玉娜, 张文超, 康会涛, 等.

2016-2019年雄安新区土地覆盖变化研究

[J]. 测绘通报, 2020(9):76-79.

高质量发展雄安新区，需要准确掌握雄安新区城市建设和城市布局的开发状况。为此，本文以2016—2019年GF-1影像数据为数据源，使用面向对象K近邻法，对雄安新区土地利用状况进行分类研究，并结合ArcGIS统计研究区土地覆盖变化情况。结果表明：2016—2019年这3年间，建设用地、植被和道路逐年增加，水体和农用地呈下降趋势。本研究成果围绕雄安新区快速发展时期，为准确掌握雄安新区的发展建设情况提供了一定的参考价值。

Jia

Y N

, Zhang

W C

, Kang

H T

, et al.

A study of land cover changes in Xiongan New Area from 2016 to 2019

[J]. Bulletin of Surveying and Mapping, 2020(9):76-79.

[20]

姜鲁光, 吕佩忆, 封志明, 等.

雄安新区土地利用空间特征及起步区方案比选研究

[J]. 资源科学, 2017, 39(6):991-998.

DOI:10.18402/resci.2017.06.01 [本文引用: 1]

雄安新区是千年大计、国家大事。深入分析雄安新区土地利用的现状空间特征,对于推进新区高起点高标准规划建设具有重要意义。本文基于多时相Landsat-TM/ETM+/OLI遥感数据解译,分析了雄安新区土地利用的总体特征,并重点研究了建设用地节约集约利用的潜力和耕地质量的区域差异。提出了雄安新区起步区的三个可能备选方案,并分析了其各自利弊。研究表明,雄安新区土地呈“六田、二建、一水、半分林”特征;现状建设用地尤其是农村建设用地的节约、集约利用潜力较大;耕地质量及其利用强度的空间差异显著,容城、安新耕地质量好,复种指数高,分别达1.92和1.87,雄县耕地质量较差,复种指数明显偏低,仅为1.32。综合考虑起步区的相对完整性、未来发展的可拓展性、与周边县市的兼顾性和防洪安全性,统筹权衡优质耕地保护和建设用地征收拆迁成本等因素,本文建议以位于容城东部与安新、雄县交接处的“中方案”作为起步区的优先方案。针对新区建设需要大量占用土地的现实需求,本文建议优先通过农村（含乡镇）集体建设用地的征收与节约集约利用解决;新区建设不可避免会占用耕地,建议优先安排占用等级较低的耕地,尽量保护优质高产耕地;建议合理确定土地征收与征用时序,分类施策,优化土地资源管控。同时指出,雄安新区大部分地势相对较低,新区规划、选址和建设需要高度关注防洪排水问题。

Jiang

L G

, Lv

P Y

, Feng

Z M

, et al.

Study on the spatial characteristics of land use in the Xiong’an New Area and the comparison of start-up area options

[J]. Resources Science, 2017, 39(6):991-998.

[21]

孙颖, 易浪, 尹少华.

洞庭湖流域植被覆盖变化及其协同治理

[J]. 经济地理, 2022, 42(4):190-201.

Sun

, Yi

, Yin

S H

Vegetation cover changes in the Dongting Lake watershed and its synergistic management

[J]. Economic Geography, 2022, 42(4):190-201.

[22]

曹永香, 毛东雷, 薛杰, 等.

绿洲-沙漠过渡带植被覆盖动态变化及其驱动因素——以新疆策勒为例

[J]. 干旱区研究, 2022, 39(2):510-521.

Cao

Y X

, Mao

D L

, Xue

, et al.

Vegetation cover dynamics in the oasis-desert transition zone and its driving factors:A case of Cele,Xinjiang

[J]. Arid Zone Research, 2022, 39(2):510-521.

[23]

Sewnet

, Abebe

Land use and land cover change and implication to watershed degradation by using GIS and remote sensing in the Koga watershed,North Western Ethiopia

[J]. Earth science Informatics, 2018, 11(1): 99-108.

DOI:10.1007/s12145-017-0323-5 URL [本文引用: 1]

[24]

吕晓, 史洋洋, 黄贤金, 等.

江苏省土地利用变化的图谱特征

[J]. 应用生态学报, 2016, 27(4):1077-1084.

Lyu

, Shi

Y Y

, Huang

X J

, et al.

Mapping characteristics of land use change in Jiangsu Province

[J]. Chinese Journal of Applied Ecology, 2016, 27(4):1077-1084.

[25]

王金亮, 邵景安, 李阳兵.

近20 a三峡库区农林地利用变化图谱特征分析

[J]. 自然资源学报, 2015, 30(2):235-247.

DOI:10.11849/zrzyxb.2015.02.007 [本文引用: 2]

土地利用变化图谱单元能够把表示“空间单元特征的图”与表示“时间发展之起点与过程的谱”合为一体,并建立起空间—属性—过程一体化数据信息。论文以TM/ETM影像为空间数据源,构建三峡库区1990—2000 年和2000—2010 年两个阶段农林地利用变化信息图谱,以及融合1990、2000、2010 年这三个时期土地利用现状的变化模式图谱,以探讨库区近20 a 来的农林用地变化轨迹和特征规律。结果表明:① 1990—2000 年阶段的农林地利用变化图谱主要以农林地间及其和草地互换、建设用地占用农林地的图谱单元类型为主。空间差异上最为显著的是“耕地→建设用地(编码15)”、“草地→林地(编码32)”和“林地→草地(编码23)”,空间分离度较低。② 2000—2010 年阶段的农林地利用变化图谱单元分离度增大,农林地利用发生转换空间进一步扩张。最显著变化的是“耕地→林地(编码12)”和“耕地→建设用地(编码15)”图谱单元类型,其次是农林地转换为水域图谱类型(编码14 和24)的面积增大。③ 库区农林地利用变化模式以前期变化型和后期变化型为主,反复变化型和持续变化型发生概率较小,库区农林地利用的转换具有明显的时间阶段性特征。

Wang

J L

, Shao

J A

, Li

Y B

Characterization of agricultural and forest land use change mapping in the Three Gorges reservoir area in the last 20 a

[J]. Journal of Natural Resources, 2015, 30(2):235-247.

[26]

杨彩云, 王世曦, 杨春艳, 等.

川藏铁路沿线植被覆盖度时空变化特征分析

[J]. 干旱区资源与环境, 2021, 35(3):174-182.

Yang

C Y

, Wang

S X

, Yang

C Y

, et al.

Spatial and temporal variation characteristics of vegetation cover along the Sichuan-Tibet Railway

[J]. Journal of Arid Land Resources and Environment, 2021, 35(3):174-182.

[27]

Mishra

, Singh

, Kumar

. et al.

Application of remote sensing for assessment of change in vegetation cover and the subsequent impact on climatic variables

[J]. Environmental Science and Pollution Rellution Research, 2021, 28(31):41675-41687.

[28]

李苗苗, 吴炳方, 颜长珍, 等.

密云水库上游植被覆盖度的遥感估算

[J]. 资源科学, 2004, 26(4):153-159.

该文在对像元二分模型的两个重要参数推导的基础上，对已有模型的参数估算方法进行改进，建立了用NDVI归一化植被指数定量估算植被覆盖度的模型，并根据实际运用时的二种情况，提出了估算植被覆盖度的方案。然后根据研究区密云水库上游的具体特点并结合实际情况设计了模型应用的技术路线和实施方法，对研究区植被覆盖度进行了估算。通过密云流域的实地考察，利用照相法对植被覆盖度的估算结果进行了验证，估算精度达85%，表明使用此改进模型进行植被覆盖度遥感监测是可行的。

M M

, Wu

B F

, Yan

C Z

, et al.

Remote sensing estimation of vegetation cover in the upper reaches of Miyun Reservoir

[J]. Resources Science, 2004, 26(4):153-159.

[29]

王文川, 薛沛, 刘素华.

1999-2018年河南省植被覆盖时空演变分析

[J]. 水土保持研究, 2022, 29(2):243-248,264.

Wang

W C

, Xue

, Liu

S H

Analysis of spatial and temporal evolution of vegetation cover in Henan Province from 1999 to 2018

[J]. Research of Soil and Water Conservation, 2022, 29(2):243-248,264.

[30]

Gao

S Q

, Dong

G T

, Jiang

X H

, Nie

, et al.

Quantification of natural and anthropogenic driving forces of vegetation changes in the Three-River headwater region during 1982 to 2015 based on geographical detector model

[J]. Remote Sensing, 2021, 13(20): 4175.

DOI:10.3390/rs13204175 URL [本文引用: 1]

The three-river headwater region (TRHR) supplies the Yangtze, Yellow, and Lantsang rivers, and its ecological environment is fragile, hence it is important to study the surface vegetation cover status of the TRHR to facilitate its ecological conservation. The normalized difference vegetation index (NDVI) can reflect the cover status of surface vegetation. The aims of this study are to quantify the spatial heterogeneity of the NDVI, identify the main driving factors influencing the NDVI, and explore the interaction between these factors. To this end, we used the global inventory modeling and mapping studies (GIMMS)-NDVI data from the TRHR from 1982 to 2015 and included eight natural factors (namely slope, aspect, elevation, soil type, vegetation type, landform type, annual mean temperature, and annual precipitation) and three anthropogenic factors (gross domestic product (GDP), population density, and land use type), which we subjected to linear regression analysis, the Mann-Kendall statistical test, and moving t-test to analyze the spatial and temporal variability of the NDVI in the TRHR over 34 years, using a geographical detector model. Our results showed that the NDVI distribution of the TRHR was high in the southeast and low in the northwest. The change pattern exhibited an increasing trend in the west and north and a decreasing trend in the center and south; overall, the mean NDVI value from 1982 to 2015 has increased. Annual precipitation was the most important factor influencing the NDVI changes in the TRHR, and factors, such as annual mean temperature, vegetation type, and elevation, also explained the vegetation coverage status well. The influence of natural factors was generally stronger than that of anthropogenic factors. The NDVI factors had a synergistic effect, exhibiting mutual enhancement and nonlinear enhancement relationships. The results of this study provide insights into the ecological conservation of the TRHR and the ecological security and development of the middle and lower reaches.

[31]

王正雄, 蒋勇军, 张远嘱, 等.

基于GIS与地理探测器的岩溶槽谷石漠化空间分布及驱动因素分析

[J]. 地理学报, 2019, 74(5):1025-1039.

DOI:10.11821/dlxb201905014 [本文引用: 1]

岩溶区土地石漠化已成为中国西部继沙漠化和水土流失后的第三大生态问题,近年来岩溶槽谷区石漠化表现出增加趋势。通过获取槽谷区石漠化、岩性、坡度、海拔、降雨量、土地利用、人口密度和第一产业生产总值等数据,利用GIS空间分析功能和地理探测器模型,探讨了岩溶槽谷区石漠化空间分布特征及驱动因子。主要结论为：① 岩溶槽谷区总石漠化面积为21323.7 km 2,占研究区土地面积的8.3%,其中轻度、中度和重度石漠化面积分别是11894.8 km 2、8615.8 km 2和813.1 km 2,分别占石漠化面积的55.8%、40.4%和3.8%;② 从石漠化的空间分布来看,槽谷区石漠化主要发生在连续性灰岩中,轻度、中度和重度石漠化面积分别为占槽谷区相应石漠化类型面积的22.1%、22.4%和1.9%;槽谷区石漠化主要发生在15°~25°的坡度范围,轻度、中度和重度石漠化面积分别为占槽谷区相应石漠化类型面积的27.1%、18.2%和2.3%;从海拔来看,主要分布于400~800 m范围内,轻度、中度和重度石漠化面积分别为占槽谷区相应石漠化类型面积的24.9%、18.4%和0.2%;从土地利用类型来看,主要发生于山地旱地中;从人口密度来看,集中分布于100~200人/km 2中;从第一产业生产总值来看,集中分布于25亿~50亿元中;③ 地理探测器的因子探测器揭示了岩性（q = 0.58）、土地利用（q = 0.48）和坡度（q = 0.42）3个因子是槽谷区石漠化形成的主要驱动因子,交互式探测器进一步揭示了岩性与土地利用类型（q = 0.85）、坡度与土地利用类型的组合（q = 0.75）共同驱动槽谷区石漠化的形成。

Wang

Z X

, Jiang

Y J

, Zhang

Y Z

, et al.

Analysis of spatial distribution and drivers of rock desertification in karst trough valleys based on GIS and geodetectors

[J]. Acta Geographica Scinica, 2019, 74(5):1025-1039.

[32]

黄木易, 岳文泽, 方斌, 等.

1970—2015年大别山区生态服务价值尺度响应特征及地理探测机制

[J]. 地理学报, 2019, 74(9):1904-1920.

DOI:10.11821/dlxb201909015 [本文引用: 1]

生态系统服务功能对于区域生态平衡、生态系统健康、国土生态安全及全球气候变化等方面具有重要作用,生态服务价值的尺度效应及空间分异机制问题值得探讨。以大别山区为研究对象,基于土地利用分类等数据,应用空间统计、热点分析和地理探测器等方法探讨1970-2015年大别山区生态服务价值动态演变、尺度响应特征及生态服务价值的空间分异机制。结果表明：① 1970-2015年,大别山区生态服务价值整体上升9.51亿元,但2010-2015年下降3.95亿元,占总增加值的41.54%,下降热点区主要位于大别山边界处（湖北省境内）及核心区东北部（安徽省境内）;② 4种类型9级幅度的尺度对比分析表明,乡镇单元尺度是大别山区生态服务价值空间分异的特征尺度,其生态服务价值空间差异信息量丰富;③ 地理探测机制表明,16个影响因子中的生态用地占比、土地利用程度和人为影响综合指数对生态服务价值空间分异的解释力q值近40%,是导致空间分异的主要原因;高程和坡度因子q值近30%,为次要影响因素。交互探测q值达50%以上的交互组合主要有三大类30种,自然因子和人为干扰因子、景观格局因子交互协同作用增强了对生态服务价值空间分异的解释力。研究结果可为大别山区生态系统服务功能的精准、多元化调控提供一定的理论依据。

Huang

M Y

, Yue

W Z

, Fang

, et al.

Characteristics of ecological service value scale response and geodetection mechanism in Dabie Mountain area from 1970 to 2015

[J]. Acta Geographica Scinica, 2019, 74(9):1904-1920.