基于京津冀功能分区的植被覆盖度时空演变特征及其影响因子

图1 京津冀协同发展4大功能分区空间格局示意图

Fig.1 The spatial pattern of four major functional areas for the coordinated development of the Beijing-Tianjin-Hebei region

2 数据源

2.1 植被覆盖度估算

Landsat5和Landsat8遥感数据来自美国地质勘探局官网(https://earthexplorer.usgs.gov/),其空间分辨率为30 m,时间分辨率为16 d。首先筛选覆盖京津冀地区年度内所有高质量Landsat影像,再通过ENVI软件对该数据进行辐射校正、大气校正等预处理,并采用最大值合成法进一步消除云、大气、太阳高度角等因素的干扰^[23],得到区域年度最大NDVI值,最后利用像元二分法生成1985—2020年每5 a间隔的年植被覆盖度产品。

利用高分辨率遥感影像GF2数据进行精度验证,决定系数(R²)为93.59%,整体满足实验数据分析要求。根据2008年水利部颁布的《土壤侵蚀分类分级标准》,以0.3,0.45,0.6和0.75为分割点将1985—2020年京津冀VFC均值划分为低、较低、中等、较高和高5个等级^[24],得到京津冀VFC均值空间分布格局。

2.2 植被覆盖度影响因子

大量研究^[25-26]表明植被覆盖空间分布受气候因素、自然因素和人为因素的综合影响。因此本文从上述3个方面选取了相应的因子,见表1。

表1 VFC影响因子

Tab.1 VFC influencing factors

影响因素	影响因子	含义
气候因素	X1	年降水量
	X2	年均温
	X3	日照时数
	X4	相对湿度
自然因素	X5	DEM
	X6	坡度
	X7	坡向
	X8	土壤类型
人为因素	X9	GDP
	X10	人口密度
	X11	土地利用类型

气候数据均来源于国家气象科学数据中心(http://data.cma.cn/),剔除个别站点数据缺失或异常数据,最终选取京津冀及周边地区50余个气象站点数据,并采用Kriging插值法进行插值,生成年均温、年降水量、日照时数和相对湿度栅格数据,并利用自然断点法将其划分为10级。

土壤类型、土地利用类型、人口密度(population density,POP)、GDP密度等数据来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn/),其中,土壤数据来源于《1:100万中华人民共和国土壤图》的数字化成果,土地利用类型主要以Landsat遥感影像作为主要信息源,通过人工目视解译构建的多时期土地利用/土地覆盖专题数据。土壤类型、POP和GDP均依据资源环境科学数据中心标准进行划分,土地利用类型根据其一级类进行划分。

数字高程模型(digital elevation model, DEM)来源于地理空间数据云(https://www.gscloud.cn/sources/),利用ArcGIS软件中的Slop和Aspect工具生成坡度和坡向栅格数据,然后根据自然断点将DEM和坡度划分为10级,坡向为默认生成的10类。

上述栅格数据空间分辨率和投影信息与NDVI保持一致,并采用3 km渔网离散方法提取其属性值,用于后续的影响因子分析。

3 研究方法

3.1 Sen趋势分析和MK检验

Theil-Sen Median方法又称Sen斜率估计,是一种较稳健的非参数统计的趋势计算方法,与传统的回归趋势分析相比,Sen不要求时间序列数据符合正态分布,且对数据噪声不敏感^[27]。其计算公式如下:

(1)Sen_VFC=Median

(\frac{V F C_{j} - V F C_{i}}{j - i})

, j>i,

式中: VFC_i和VFC_j为时间序列中第i年和第j年的VFC值; Sen_VFC>0表示VFC呈上升趋势; Sen_VFC<0表示VFC呈下降趋势。

Mann-Kendall(MK)检验法是一种非参数统计检验方法,不要求数据必须服从特定的分布,且不受缺失值和异常值的影响,在长时间序列数据的趋势显著检验中得到了十分广泛的应用^[28]。计算公式如下:

(2)S=

\overset{n - 1}{\sum_{i = 1}} \overset{n}{\sum_{j = i + 1}}

sgn

(V F C_{j} - V F C_{i})

(3)sgn

(V F C_{j} - V F C_{i})

\{\begin{array}{l} 1 & (V F C_{j} - V F C_{i} > 0) \\ 0 & (V F C_{j} - V F C_{i} = 0) \\ - 1 & (V F C_{j} - V F C_{i} < 0) \end{array}

式中: VFC_i和VFC_j为时间序列中第i年和第j年的VFC值; n为VFC时间序列长度。本研究中,MK趋势检验法主要通过查找概率表获取在α=0.05和α=0.01显著水平下S的值^[29]。

本文采用Sen趋势分析和MK检验相结合分析VFC在像元尺度的变化趋势和显著性,并根据MK显著性检验结果将VFC的Sen变化趋势划分为7个等级,划分依据见表2。

表2 VFC变化趋势划分标准

Tab.2 Classification standard of VFC trend

VFC变化趋势	Sen	MK阈值
严重退化	<0	α<0.01
中度退化	<0	0.01≤α<0.05
轻微退化	<0	α≥0.05
无明显变化	0	所有值
轻微改善	>0	α≥0.05
中度改善	>0	0.01≤α<0.05
明显改善	>0	α<0.01

3.2 地理探测器

植被生长发育的过程往往不是影响因子单独起作用,而是受多种影响因子协同交互的影响^[30],本研究使用地理探测器模型中的因子探测模块和交互探测模块,对各单因子作用强度及双因子交互作用强度进行探测。由于部分数据缺失,影响因子分析部分主要使用1995—2020年6期数据。

地理探测器是探测空间分异性,以及揭示其背后驱动力的一组统计学方法^[22]。其中,因子探测主要是通过空间异质性来定量评价各探测因子对VFC空间分布的解释度,其解释力大小用q值来度量,同时还会对q进行显著性检验^[22]。其表达式为:

(4)q=1-

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

式中,h =1,···,L,为因变量VFC或影响因子的分层,即分区或分类; N_h和 $σ_{h}^{2}$ 分别为h层的单元数和方差; N和σ²分别为整个区域的单元数和方差。q的值域为[0,1],值越大说明影响因子对VFC的空间分异解释力越强,反之则越弱^[25]。

交互探测是地理探测器的独特优势,与传统的两因子简单乘积交互方法相比,地理探测器可以判断两因子是否存在交互作用,以及交互作用的程度和类型等^[22],进一步揭示多种因素交互影响机制。探测因子交互作用类型判断依据见表3。

表3 自变量对因变量交互作用类型的判断依据

Tab.3 Criterion of interaction type between two independent variables and dependent variables

判断依据	交互作用
q(A∩B) <min(q(A),q(B))	非线性减弱
min(q(A),q(B))<q(A∩B)<max(q(A),q(B))	单因子非线性减弱
q(A∩B) >max(q(A),q(B))	双因子加强
q(A∩B) =q(A)+q(B)	独立
q(A∩B) >q(A)+q(B)	非线性加强

4 结果与分析

4.1 植被覆盖度空间分布

图2为1985—2020年京津冀VFC均值空间分布,总体上,京津冀地区的植被覆盖情况较好,高、较高植被覆盖占比超过70%,但空间差异性明显。高值区(高、较高)的区域主要分布在水热条件较富足的滦河流域和华北平原的农耕区; 低、较低的区域主要分布在海拔高、水热条件差的坝上高原和冀西北山区,盐渍化严重的环渤海滩涂地区,以及人口高度聚集、城镇化快速发展的北京、天津、石家庄等大城市建成区及周边地区,这与李卓等^[13]和王彦芳等^[31]对京津冀植被覆盖度空间格局的研究一致,也进一步说明利用Landsat数据估算京津冀VFC的可行性,而且基于高空间分辨率的Landsat植被覆盖度数据能更好地反映在植被稀疏的张家口北部和破碎化程度高的建成区周边区域植被的覆盖状况。

图2

图2 1985—2020年京津冀VFC均值空间分布图

Fig.2 Spatial distribution of VFC in Beijing-Tianjin-Hebei from 1985 to 2020

对“4区”VFC进行统计分析发现(图3),南部植被覆盖最好,高值区面积占所在分区面积比和VFC区域均值均最高,分别为75.21%和0.71; 其次为西北部,高值区面积占比为70.35%, VFC区域均值为0.70; 中部地区VFC区域均值为0.68,虽然其高值区面积占比高于西北部,但其低覆盖区较高, 超过了10%; 东部最差,高值区面积占比和VFC区域均值均最低,分别为49.58%和0.50,而且低覆盖区面积占比高达33.45%。

图3

图3 “4区”VFC等级面积占比和区域均值

Fig.3 The area proportion in different grade and the regional mean of VFC in “4 major functional areas”

4.2 植被覆盖度时空演变趋势分析

研究区VFC整体时间变化趋势分析显示(图4),1985—2020年京津冀植被覆盖度总体呈波动上升的趋势,且存在明显的阶段特征。1985—2020年京津冀植被覆盖度以0.097%/10 a的增速逐步改善,其中1995—2010年为快速上升期^[30-31],增加速率为0.192%/10 a,2010年植被覆盖度均值为0.71。从植被覆盖度各等级的面积占比来看,植被覆盖度低、较低、中等和较高区域面积占比均减少,植被覆盖度高的区域从47.42%增加至62.94%,植被覆盖度等级略低的区域均向高等级转移,进一步说明研究区植被覆盖度整体增加。

图4

图4 1985—2020年京津冀VFC变化趋势和等级面积占比

Fig.4 The VFC change trend and proportion of grade area in Beijing-Tianjin-Hebei region from 1995 to 2020

VFC变化趋势空间分布(图5)和“4区”VFC变化趋势面积占比(图6)表明,京津冀植被覆盖度变化总体呈“西高东低”的分布格局,且“4区”VFC均呈改善的趋势。其中,西北部和南部改善区占所在分区面积占比均高于京津冀全域改善区面积占比(62.80%),但西北部占比最高,为71.58%; 而且改善区域也主要分布在西北部的燕山-大马群山-太行山^[13],主要因为该地区是国家实施各项生态治理措施的重点区域,如,河北省北部是“风沙治理”和“三北防护林”工程的重要区域,在研究期间该地区VFC均值增加了19.92%; 太行山部分地区经过“太行山绿化工程”等工程的实施,VFC均值从1985年的0.61增加至2020年的0.80。中部和东部改善区面积占比略高于退化区面积占比,但中部、东部和南部退化区面积均超过了30%; 退化区域也主要分布在中部、东部和南部各市县建成区及周边地区,主要是由于近年来城镇用地的不断扩张直接改变了城市和周边地区的植被覆盖状况,而且随着城镇化率的不断提高,城镇周边还会有更多的耕地被纳入城市建设用地当中,导致植被覆盖度逐步退化。

图5

图5 1985—2020年京津冀VFC变化趋势空间分布

Fig.5 Spatial distribution of VFC change trend in Beijing-Tianjin-Hebei region from 1985 to 2020

图6

图6 1985—2020年“4区”VFC变化趋势等级面积占比

Fig.6 The different grade area proportion of VFC change trend in "4 major functional areas" from 1985 to 2020

4.3 “四区”植被覆盖度影响因子分析

4.3.1 VFC空间分异因子探测

以1995—2020年平均值从静态的角度对驱动“4区”VFC空间分异的影响因子进行探测分析,由表4可以看出,各影响因子在不同分区对VFC空间分异性解释能力存在显著的差异,但土地利用类型均为主控因子。

表4 1995—2020年“4区”VFC影响因子的平均解释力

Tab.4 The average explanatory power of VFC impact factors in "4 major functional areas" from 1995 to 2020

影响因子分区	气候因素				自然因素				人为因素
影响因子分区	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11
中部核心功能区	0.019 3	0.005 9	0.008 7	0.029 3	0.003 2	0.003 7	0.010 2	0.041 6	0.082 6	0.092 1	0.396 1
东部滨海发展区	0.061 0	0.101 2	0.054 0	0.038 4	0.007 3	0.017 5	0.150 4	0.264 9	0.116 3	0.107 9	0.482 1
南部功能拓展区	0.016 1	0.025 0	0.018 6	0.061 5	0.044 3	0.004 3	0.003 9	0.071 2	0.058 5	0.056 8	0.355 0
西北部生态涵养区	0.132 3	0.081 8	0.161 7	0.090 4	0.049 1	0.125 2	0.026 0	0.265 9	0.016 1	0.009 6	0.244 6

中部核心功能区各影响因子差异较大,对VFC的解释能力排序(前6位)为土地利用类型(X11)>GDP(X9)>POP(X10)>土壤类型(X8)>相对湿度(X4)>年降水量(X1),其他探测因子的解释能力较弱; 其中,土地利用类型为主控因子,GDP,POP、土壤类型、相对湿度和年降水量为次控因子。总体来说,人为因素对该区域VFC空间分异影响较大,且通过土地利用类型直接影响VFC空间分布格局; 气候因素和自然因素均较小。

东部滨海发展区的影响因子对VFC的解释能力排序为土地利用类型(X11)>土壤类型(X8)>坡向(X7)>POP(X10)>年均温(X2)>GDP(X9),其他探测因子q值均小于0.1; 其中,土地利用类型和土壤类型是主控因子,坡向、POP、年均温、GDP为次控因子,但主控因子是最小次控因子的近5倍。整体看,人为因素对该区VFC空间分异影响最大,自然因素次之,气候因素最小。

南部功能拓展区各影响因子差异较大,对VFC的解释能力排序为土地利用类型(X11)>土壤类型(X8)>相对湿度(X4)>POP(X10)>GDP(X9)>DEM(X5),其他探测因子的解释能力较弱; 其中,土地利用类型为主控因子,土壤类型、相对湿度、POP、GDP和DEM为次控因子,但主控因子是最小次控因子的8倍。总体上,人为因素是该区域的主控因素,且通过土地利用类型直接影响VFC空间分布格局; 气候因素和自然因素的影响均较小。

西北部生态涵养区影响因子较复杂,对VFC的解释能力排序为土壤类型(X8)>土地利用类型(X11)>日照时数(X3)>年降水量(X1)>坡度(X6)>相对湿度(X4),年均温和DEM次之,其他探测因子q值均小于0.04; 其中,土壤类型和土地利用类型的探测能力相当,为主控因子,日照时数、年降水量、坡度相对湿度为次控因子。整体来看,气候因素和自然因素的解释能力均较强,人为因素相对较弱。

进一步对“4区”进行对比分析,从单因子角度,发现“4区”VFC空间分异的主要受非气候因子的影响^[20-21],其中土壤类型和土地利用类型的解释能力均较强。究其原因,土壤是植被生活的基质,对植被的分布、生长和演替具有较大的影响^[32],京津冀地区土壤类型主要为潮土、褐土、棕壤、栗钙土和滨海盐土,对应的VFC值分别为0.70,0.71,0.84,0.51,0.46和0.17,因此,不同的土壤基质奠定了区域VFC空间分布格局; 其中,东部和西北部土壤类型的复杂多样性适宜不同类型的植被生长,而中部和南部土壤类型较单一,植被以农作物为主,因此,土壤类型在东部和西北部的解释能力更强,q值是中部和南部的约4~6倍。不同土地利用类型对VFC空间分异具有明显的高低指向性^[33],林地(VFC均值0.84)>耕地(0.74)>草地(0.67)>未利用地(0.51)>水域(0.36)>城镇村及工矿用地(0.31),因此,“4区”不同的土地利用类型直接影响各分区的VFC空间分布。从影响因素整体分析,气候因素和自然因素在西北部解释能力较强,主要因为西北部为山地区域,京津冀气候适宜度由平原向山区,由南向北逐渐降低,气候直接影响植被生长,而地形因素主要通过影响水、热、光照等气候空间再分配过程及人类活动,进而影响植被覆盖空间分布。人为因素在中部、东部和南部影响较大,而且在中部和南部为主要的影响因素,主要是因为该区域覆盖京津冀各大城市人口密集区,人类活动频繁。

4.3.2 VFC影响因子年际动态探测

从年际动态角度,分别对不同分区VFC的主控因子和次控因子进行探测分析(图7)。主控因子中的土地利用类型在各年份对中部、东部和南部VFC的解释能力均最强,且在中部和东部呈逐年增加的趋势,在南部呈波动上升; 在西北部q值从0.234 5增加至0.252 9,总体略有上升。土壤类型在东部年际解释能力较稳定,均排名第二; 在西北部除2020年外,其他年份q值均最大,但解释能力总体呈下降的趋势。中部核心功能区次控因子中的GDP和POP年际探测能力先增强后减弱,土壤类型的解释能力总体呈下降趋势,年降水量和相对湿度q值较小,且无明显变化趋势(见图7(a))。东部滨海发展区次控因子中的坡向年际探测能力较稳定,q值为0.124 6~0.167 4; POP、年均温和GDP年际变化无明显规律性(见图7(b))。南部功能拓展区次控因子中的土壤类型、相对湿度和DEM的解释能力有下降的趋势,GDP和POP的年际解释能力总体稳定(见图7(c))。西北部生态涵养区次控因子中的日照时数年际探测能力有所降低,年降水量和相对湿度呈波动上升的趋势,坡度q值稳定处于0.111 3~0.137 9之间。(见图7(d))。

图7

图7 1995—2020年“4区”影响因子q值

Fig.7 The q values of impact factors in the “4 major functional areas” from 1995 to 2020

由图7可以更直观地看出,土地利用类型在“四区”的解释能力均较强,且总体呈增加的趋势,说明随着土地开发利用强度和规模的增大,人们通过改变土地利用方式对VFC空间分布的影响均越来越大,主要是因为土地利用变化是改变地表覆盖最直接的方式^[34],一方面,植树造林、太行山绿化等生态措施可改善植被覆盖状况,另一方面通过城镇化建设、资源开发不合理等行为可破坏植被分布。

4.3.3 交互探测分析

图8 为不同分区不同年份影响因子交互作用q值排在前10位的数据整合,可以看出,不同区域不同年份的影响因子对VFC存在交互作用,且均呈不同程度的增强作用,说明探测因子的交互作用会增强对VFC的解释能力,而不存在相互独立或减弱的现象。中部、东部和南部5个年度排在前十位的均是土地利用类型与其他探测因子的交互,西北部生态涵养区每个年度均含有土地利用类型与其他因子的交互,侧面反映了土地利用类型是主控因子。

图8

图8 1995—2020年“4区”影响因子交互作用q值(前10位)

Fig.8 The q values of impact factors interaction in “4 major functional areas” from 1995 to 2020(Top 10)

图9为探测因子的交互作用q值的累计情况,取前3位为主控交互因子。其中,中部核心功能区的主控交互因子为土地利用类型∩土壤类型、土地利用类型∩年降水量、土地利用类型∩GDP,其交互解释能力总体均呈增加的趋势。东部滨海发展区的主控交互因子为土地利用类型∩土壤类型、土地利用类型∩年均温、土地利用类型∩POP,其交互解释能力均呈逐年增加的趋势。南部功能拓展区的主控交互因子为土地利用类型∩相对湿度、土地利用类型∩土壤类型、土地利用类型∩DEM,其交互解释能力总体均呈增加的趋势。西北部生态涵养区的主控交互因子为土地利用类型∩土壤类型、土地利用类型∩日照时数、土壤类型∩日照时数; 排在后续的是土壤类型∩降水量和相对湿度,进一步说明气候因子对该区VFC具有较显著的影响。

图9

图9 1995—2020年“4区”影响因子交互作用q累计值

Fig.9 The q accumulated values of impact factors interaction in “4 major functional areas” from 1995 to 2020

由“4区”主控交互因子可知,中部、东部和南部气候因子的单独解释能力较弱,但其与土地利用类型的交互作用能明显提高其解释能力,西北部气候因子的探测能力也明显增强,说明气候因子是主要的交互对象。而且“4区”的交互因子均为主次控影响因子间的交互,可知这些因子对“4区”植被覆盖度具有较大的影响。

5 讨论

本研究基于Landsat数据估算的长时间序列京津冀地区植被覆盖度,探讨了4大功能分区FVC时空变化特征。总体上,京津冀地区VFC呈波动上升的趋势,空间变化呈现“西高东低”的分布格局,且“4区”均有改善趋势。其中,西北部改善区面积占比最高(71.58%),因为该地区主要发挥生态保障、水源涵养、休闲旅游、绿色产品供给等功能,随着风沙治理、三北防护林建设、退耕还林还草、太行山绿化等国家级重点生态治理措施的实施,有效增加了山区森林资源、改善了植被覆盖状况。东部改善区面积占比最小,为36.86%,“盐碱地治理”、“沿海防护林”等工程的实施促使沧州市黄骅市和海兴县的植被覆盖持续改善。但坝上高原、冀西北山区和环渤海滩涂地区植被覆盖度整体仍不高,因此在继续推进生态工程建设的同时,要注重科学评估整体的实施效果,筑牢京津冀生态屏障。

然而,中部、东部和南部退化区面积占比均超过了30%,且中部>东部>南部。这是因为在国民经济建设和农业产业结构调整双重作用下,大量的耕地被占用,导致植被覆盖逐步退化。一方面,随着京津冀协同发展战略的深入实施,中部发挥承接非首都功能疏解和产业转移作用,进一步带动经济快速发展; 东部要大力发展沿海经济,形成滨海型产业聚集和城镇发展区; 南部重点承担先进制造业发展、农副产品供给等功能,并推动交通沿线加快形成城镇密集带,这些势必会造成城镇用地的不断扩张,直接改变植被覆盖状况。另一方面,种植结构的调整,使得植被覆盖度高的粮食作物被调减为经济作物,植被覆盖度明显降低,因此今后应更加重视该地区的耕地占用和农业种植结构优化工作。本研究从静态和动态多角度探究4大功能分区植被覆盖度影响因素,避免了单期数据无法体现影响因子年际动态变化,并克服了大尺度因子探测掩盖小尺度的大量细节信息的缺陷,在一定程度上探究了气候、自然和人类活动多重影响因子及其交互作用对“4区”VFC的影响程度与作用机制。其中,非气候因子对VFC的空间分异具有较大的影响,这与孟丹等^[20]、陈奇乐等^[21]研究认为京津冀植被覆盖主要受非气候因素影响一致。但在探析VFC年际动态时发现,西北部生态涵养区自然因素自身常年处于稳定状态,但土壤类型解释能力明显降低,而其他影响因子均未显著增加,表明存在某种驱动因子正在改变自然因素奠定的VFC基础空间分布,如生态工程和生态政策在未显著改变人口、GDP和土地利用类型的情况下,明显改善了区域生态状况。因此,植被覆盖度变化是一个非常复杂的动态过程,应进一步细化多重因子对植被的生长的影响,聚焦关键因子,削弱不利因素对植被生长的影响,对区域生态安全具有重要的意义。

6 结论

本研究基于1985—2020年Landsat系列数据提取8期VFC,利用Sen趋势分析和MK检验等方法定量分析京津冀4大功能分区植被覆盖度时空变化特征,并利用地理探测器从静态和动态多角度探究气候因素、自然因素和人为因素多重影响因子及其交互作用对区域植被覆盖度的影响程度与作用机制。主要结论如下:

1)空间分布显示,总体上,1985—2020年京津冀地区的植被覆盖情况较好,高、较高植被覆盖占比超过70%,但空间差异性明显。其中,高、较高的区域主要分布在滦河流域和华北平原的农耕区; 低、较低的区域主要分布在坝上高原、冀西北山区、环渤海滩涂地区,以及大城市建成区及周边地区。而且“4区”植被覆盖度状况表现为南部功能拓展区>西北部生态涵养区>中部核心功能区>东部滨海发展区。

2)时间变化趋势上,1985—2020年京津冀区域植被覆盖度以0.097%/10 a的增速呈波动上升的趋势,且在1995—2010年存在明显的快速上升阶段。空间变化趋势上,VFC变化呈“西高东低”的分布格局,且“4区”VFC均呈改善的趋势,其中改善区域主要分布在西北部燕山-大马群山-太行山,而退化区域主要分布在中部、东部和南部各市县建成区及周边地区。

3)因子探测发现,单因子层面,“4区”VFC空间分异的主次控因子具有显著差异,但土地利用类型和土壤类型的解释能力均较强,其中土地利用类型均为主控因子,而土壤类型在东部和西北部的解释能力更强,同为其主控因子; 其他因子在不同分区存在差异。影响因素整体层面,中部和南部的主要影响因素为人为因素,东部为人为因素和自然因素,西北部为气候因素和自然因素。

4)年际动态探测表明,主控因子中的土地利用类型在各年份对中部、东部和南部VFC的解释能力均最强,且总体呈增加的趋势; 在西北部q值从0.234 5增加至0.252 9,总体略有上升。土壤类型在东部年际解释能力较稳定,均排名第二; 在西北部q值均较大,但解释能力总体呈下降的趋势。次控因子在不同分区的解释能力表现出不同的年际变化。

5)交互探测发现,不同区域不同年份的影响因子对植被覆盖存在交互作用,且均呈不同程度的增强作用,不存在相互独立或减弱的现象,而且气象要素是最主要的交互对象。

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]

高涛

. MODIS时间序列数据植被覆盖度反演方法研究[D]. 青岛: 山东科技大学, 2012.

Gao

. The method of vegetation fraction estimation by MODIS time series data[D]. Qingdao: Shandong University of Science and Technology, 2012.

[2]

李苗苗

. 植被覆盖度的遥感估算方法研究[D]. 北京: 中国科学院遥感应用研究所, 2003.

[本文引用: 3]

M M

. The method of vegetation fraction estimation by remote sensing[D]. Beijing: Institute of Remote Sensing Applications,Chinese Academy of Sciences, 2003.

[本文引用: 3]

[3]

冷若琳

. 基于机器学习的祁连山草地植被覆盖度遥感估算研究[D]. 兰州: 兰州大学, 2020.

Leng

R L

. Remote sensing estimation of grassland fractional vegetation cover (FVC) based on machine learning method in Qilian Mountain[D]. Lanzhou: Lanzhou University, 2020.

DOI:10.11867/j.issn.1001-8166.2003.01.0085 [本文引用: 3]

[4]

张云霞, 李晓斌, 陈云浩.

草地植被盖度的多尺度遥感与实地测量方法综述

[J]. 地球科学进展, 2003, 18(1):85-93.

植被盖度作为一个重要的生态学参数被用在许多气候模型和生态模型中。地表实测和遥感测量是获取植被盖度的两种基本途径。以草地植被盖度的测量为研究对象，综合讨论了目前地表实测和遥感测量常用的方法，分析了它们的优缺点，并对如何提高草地植被盖度的测量精度做出展望。数码相机、高光谱遥感以及多尺度遥感数据的综合使用可能是未来草地植被盖度测量发展的趋势。

Zhang

Y X

, Li

X B

, Chen

Y H

, et al.

Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage

[J]. Advance in Earth Sciences, 2003, 18(1):85-93.

[本文引用: 3]

[5]

丁艳玲

. 植被覆盖度遥感估算及其真实性检验研究[D]. 北京: 中国科学院大学, 2015.

Ding

Y L

. Research on the estimation of fractional vegetation cover and the validation of fractional vegetation cover product[D]. Beijing: University of Chinese Academy of Sciences, 2015.