2022, Vol. 43
2. 中国气象科学研究院-郑州大学生态气象联合实验室, 郑州 450000;
3. 郑州大学化学学院, 郑州 450000
2. Joint Laboratory of Eco-Meteorology, Zhengzhou University-Chinese Academy of Meteorological Sciences, Zhengzhou 450000, China;
3. College of Chemistry, Zhengzhou University, Zhengzhou 450000, China
植被作为生产者, 是生态系统最重要的角色之一, 也是连结土壤、大气和水分的纽带, 所以监测植被覆盖、生长状况及其背后的驱动机制有着重要的意义[1~3].遥感数据因其良好的时空连续性及覆盖范围广等特点, 被认为是研究植被变化的重要数据源.在诸多遥感数据中, 归一化植被指数(normalized difference vegetation index, NDVI)被认为是植被生长状况及覆盖程度的最佳指示因子, 是监测区域植被及生态环境最有效的指标[4, 5].
目前国内外学者常用的NDVI数据集主要包括MODIS NDVI、SPOT-VGT NDVI和GIMMS NDVI. 3种数据集在时空分辨率、数据处理方法、传感器参数等方面均有一定的差异, 其中MODIS NDVI和SPOT-VGT NDVI有着较高的空间分辨率, 而GIMMS NDVI具有较长的时间序列, 3种数据集各有其优势[6~8].
国内外学者常基于以上数据集, 采用趋势分析、Hurst指数、变异性分析和相关性分析等方法在不同时空尺度上研究植被时空演化特征及气候因子对其影响.如Zewdie等[9]的研究基于MODIS NDVI数据, 结果表明埃塞俄比亚西北部地区植被同降水呈正相关且降水对植被的影响存在1个月的滞后期. Emamian等[10]的研究同样基于MODIS NDVI数据, 结果表明伊朗东北部植被退化的区域面积要大于改善区域. De Keersmaecker等[11]的研究基于GIMMS NDVI数据, 结果表明随着时间的增长澳大利亚植被稳定性下降.我国学者主要对青藏高原[12]、三江源[13]、黄土高原[14]和三北防护林[15]等一些生态敏感区植被时空演化特征进行重点研究, 均取得了一定的成果.
除气候变化外, 人类活动也是植被时空演化的重要驱动因素, 国内外学者常用植被数据与社会经济数据进行相关性分析或者残差趋势法探讨人类活动对植被生长的影响.如John等[16]的研究利用NDVI数据及同时期气候数据及社会经济数据, 结果表明蒙古高原NDVI与降水呈正相关、与牲畜密度呈负相关.李辉等[17]的研究基于NPP数据, 结果表明人类活动是内蒙古草地退化的主要原因. Qu等[18]的研究基于GIMMS NDVI数据, 结果表明生态恢复工程是长江流域植被改善的主要因素.董镱等[19]的研究同样基于GIMMS NDVI数据, 结果表明人类活动对黄土高原植被生长有双重影响.
黄河流域地貌复杂、气候多样且人口众多, 其生态环境敏感、人地关系复杂.在此背景下, 对黄河流域生态环境做一个整体性评估显得尤为重要.植被作为流域生态系统的生产者, 是维持流域生态平衡的重要角色之一, 所以认清流域内植被覆盖变化及其驱动机制对于流域生态的可持续发展有着重要的意义.然而目前针对黄河流域范围内植被时空演化的研究存在着分辨率过低、不同驱动要素难以区分和不同驱动要素的相对贡献难以量化等问题[20, 21], 以致流域内植被时空演化特征及其驱动机制尚不明确.
鉴于此, 本研究基于MODIS NDVI数据和地面气象数据, 采用Mann-Kendall检验、Theil-Sen斜率估算、相关性分析和残差分析等多种方法在1 km尺度定量探究黄河流域植被时空演化特征及其驱动机制, 以期对黄河流域生态可持续发展做出科学支撑.
1 材料与方法 1.1 研究区域概况黄河流域位于我国干旱、半干旱和半湿润地区(图 1), 东西长约1 900 km, 南北宽约1 100 km, 总面积约8.0×105 km2, 其中内蒙古河口镇以上河段子流域为黄河流域上游, 河南桃花峪以下河段子流域为黄河流域下游, 两地之间河段子流域为黄河流域中游; 黄河流域发源于青海巴颜喀拉山, 从西到东横跨青藏高原、内蒙古高原、黄土高原和黄淮海平原4个地貌单元; 黄河流域人口众多, 地理和气候条件十分复杂, 其人口、资源和环境可持续发展一直是人们所关注的焦点[20~22].
|
图 1 黄河流域区位及高程 Fig. 1 Location and elevation of the Yellow River basin |
NDVI数据为2000~2020年MOD13A2数据产品, 该数据来源于美国航空航天宇航局(https://lpdaac.usgs.gov/), 其空间分辨率为1 km, 每月两景, 使用MRT工具对MOD13A2数据进行HDF到Tiff的格式转换、重投影、裁剪等, 得到黄河流域每年生长季(4~10月)14幅影像的NDVI均值数据.
气象数据为生长季(4~10月)降水量、气温均值数据, 该数据来源于国家地球系统科学数据中心黄土高原分中心(http://loess.geodata.cn/), 空间分辨率约1 km.该数据是以CRU全球0.5°气候数据及WorldClim全球高分辨率气候数据为基础, 通过Delta空间降尺度方案在中国地区降尺度并用496个独立气象观测点数据进行验证生成, 将该数据集在ArcGIS10.5中进行裁剪等处理, 进而获取黄河流域气象数据.
1.3 Theil-Sen斜率估算分析法Theil-Sen斜率估算是一种非参数检验方法, 它不要求时间序列满足序列自相关和正态分布等假设, 能够有效处理小的离群点和缺失值噪声. Theil-Sen斜率估算通过计算时间序列中两两数据对之间的斜率, 将斜率中值作为时间序列变化的总体趋势[23].计算方法如下:
|
(1) |
式中, β为所有数据对斜率的中值, 当β>0时植被变化呈现出上升趋势, 当β < 0时植被变化呈现出下降趋势. Xi和Xj为NDVI时间序列中第i和j年的值, Median表示取中值.
1.4 Mann-Kendall检验分析法Mann-Kendall检验是一种非参数检验方法, 作为Theil-Sen斜率估算的补充, 用来检验时间序列趋势的显著性[24].计算公式如下:
|
(2) |
其中:
|
(3) |
|
(4) |
|
(5) |
式中, n为数据集合长度, sign为符号函数, NDVIi和NDVIj为样本时序数据的集合.当Z的绝对值大于1.65、1.96和2.58时, 表示趋势分别通过了信度为90%、95%和99%的显著性检验, 本研究采用通过95%的信度检验.
1.5 相关分析法相关性分析主要用来反映要素之间的相关程度和相关方向, 本研究主要采用基于像元的相关性分析, 以相关系数表示NDVI与气象因素的相关性, 在简单相关系数的基础上计算固定某一要素的, 探讨另外两个要素间的相关性, 得出偏相关系数[25~27].计算过程如下:
|
(6) |
式中, 
|
(7) |
式中, Rxy, z为固定自变量z后, 因变量x与自变量y的偏相关系数.
通过t检验方法完成偏相关系数的显著性检验, 计算公式如下:
|
(8) |
式中, n为研究年数, m为自变量个数.
1.6 残差分析法本文中此方法基于植被生长变化仅受到气候变化和人类活动影响的假设, 逐像元对NDVI与降水、气温数据做多元回归分析, 进而得到NDVI的预测值, 而后与NDVI真实值做差值运算, 得到逐年残差, 最后采用一元线性回归对逐年残差值进行趋势分析[28~30].计算过程如下:
|
(9) |
|
(10) |
|
(11) |
式中, a、b和c为多元回归方程的系数, Pre为生长季降水量, Tem为生长季平均气温, NDVICC为多元回归方程得出的预测值, NDVIOBS为实际观测值, NDVIHA为NDVI实际值与预测值的差值, slope为一元线性回归方程的斜率, i为时间变量, n为年数, NDVIi为第i年人类活动或气候变化主导的NDVI值.
根据残差趋势分析结果, 将驱动植被NDVI时空演化的因素分为6类, 其具体判定计算方法如表 1[31].
|
表 1 植被NDVI变化的驱动因素判定标准及贡献率计算方法 Table 1 Identification criteria and contribution calculations of the drivers of NDVI change |
2 结果与分析 2.1 黄河流域植被时间变化特征
从逐年生长季NDVI均值变化情况来看, 黄河流域2000~2020年生长季NDVI均值为0.39, 呈现出以0.005 a-1的速率波动上升.从流域上中下游来看, 黄河流域下游2000~2020年生长季NDVI均值为0.50, 高于上游和中游.流域上中下游生长季NDVI均值均以不同速率波动上升(图 2), 其中黄河流域中游2000~2020年生长季NDVI增长速率为0.007 3 a-1, 高于上游和下游.整体来看, 2000~2020年黄河流域生长季NDVI在波动中增长.
|
虚线为拟合出的线性趋势线 图 2 2000~2020年黄河流域上中下游生长季NDVI年际变化 Fig. 2 Interannual variation in growing season NDVI for upstream, midstream and downstream in the Yellow River basin from 2000 to 2020 |
由黄河流域生长季NDVI均值空间分布可知(图 3), 黄河流域NDVI存在明显的空间分异性, 整体分布从西北到东南阶梯状变大, 植被生长状况较好的区域主要位于流域内秦岭山系、吕梁山系、子午岭和中条山等地.与2000年相比, 2020年植被生长及覆盖存在明显的改善; 进一步对2000~2020年黄河流域生长季NDVI进行逐像元Theil-Sen斜率估算(图 4)及MK趋势检验, 通过MK趋势检验的流域面积为652000 km2, 占流域面积的81.5%, 依据计算结果和流域实际情况, 将斜率估算结果划分为5个等级(表 2).其中, 明显退化的区域占0.2%, 轻微退化的区域占0.7%, 二者总和仅占0.9%, 主要分布于郑州、洛阳、西安、太原和银川等人类活动强度较大的城市及周边区域.基本不变的区域占0.5%, 主要分布于流域上游的河套平原和库布齐沙漠等区域.轻微改善的区域占55.3%, 主要分布于流域上游的宁夏北部、内蒙古南部和青海东部等区域.明显改善的区域占43.3%, 主要分布于流域中游的秦岭山系、陕北高原和吕梁山系等区域.
|
图 3 2000~2020年黄河流域生长季NDVI均值空间分布 Fig. 3 Spatial distribution of the growing season average NDVI in the Yellow River basin from 2000 to 2020 |
|
图 4 2000~2020年黄河流域生长季NDVI均值Theil-Sen斜率空间分布 Fig. 4 Spatial distribution of the growing season average NDVI for the Theil-Sen slope in the Yellow River basin from 2000 to 2020 |
|
|
表 2 植被趋势变化分级及其所占比例 Table 2 Classification of vegetation trend change and its proportion |
2.3 黄河流域植被演化驱动机制分析 2.3.1 气候变化对黄河流域NDVI的影响
黄河流域2000~2020生长季降水量为443.8 mm, 南部降水量较大, 西北部降水量较小, 降水量空间差异明显[图 5(a)]. 生长季平均气温为14.0℃, 东部、中部气温较高, 西部高原地区气温较低, 气温空间差异明显[图 5(b)]; 逐像元计算2000~2020年黄河流域NDVI与降水、气温之间的偏相关系数并进行t检验.计算结果得出, NDVI与降水的偏相关系数均值为0.57, 与气温的偏相关系数均值为0.49, 气候因子对黄河流域植被演化的驱动呈现出明显的空间差异性. NDVI与降水的偏相关系数通过t检验的面积占流域面积的45.6%, 偏相关系数大于0.6的区域占36.5%, 主要分布在流域上游的川藏高原、陇中黄土高原、宁夏中部, 流域中游的山西北部等区域[图 6(a)]. NDVI与气温的偏相关系数通过t检验面积占流域面积的10.5%, 偏相关系数大于0.6的区域占8.8%, 主要分布在流域内鄂尔多斯高原西北部等区域[图 6(b)]; 整体来看, 黄河流域生长季NDVI与降水、气温呈正相关关系, 降水对植被生长的影响要高于气温.
|
图 5 2000~2020年生长季降水量及气温均值 Fig. 5 Average precipitation and temperature during the growing season from 2000 to 2020 |
|
图 6 2000~2020年生长季NDVI均值和降水、气温的偏相关系数 Fig. 6 Partial correlation coefficients between the growing season average NDVI and precipitation, temperature from 2000 to 2020 |
由于人类活动对植被生长的影响难以在栅格尺度量化, 本研究采用残差趋势分析法分离出人类活动对黄河流域NDVI的影响, 并将在人类活动影响下的植被变化趋势分为5类(图 7): 明显退化(< -0.006)、轻微退化(-0.006~-0.000 6)、基本不变(-0.000 6~0.000 6)、轻微改善(0.000 6~0.006)和明显改善(>0.006).人类活动对植被生长起改善作用的区域占整个流域面积的83.6%, 其中明显改善的区域占19.8%, 主要分布在流域中游的陕北高原、吕梁山系、宁夏南部和甘肃东部等地, 对植被生长基本无影响的区域占整个流域的13.9%, 主要分布在流域上游的川藏高原和库布齐沙漠等区域.人类活动导致植被退化的区域占流域面积的2.6%, 主要分布在银川、包头、西安、洛阳、郑州、太原和西宁等人类活动强烈的城市区域.
|
图 7 2000~2020年人类活动对黄河流域生长季NDVI影响空间分布 Fig. 7 Spatial distribution of the impacts of human activities on the growing season average NDVI in the Yellow River basin from 2000 to 2020 |
在人类活动和气候变化的驱动下, 黄河流域植被生长得到改善的面积占流域面积的96.4%.其中人类活动贡献率大于80%的区域面积占34.3%, 主要分布在流域中游陕西省和甘肃省东部[图 8(a)].气候变化贡献率大于80%的区域面积占4.2%, 主要分布在流域上游的川藏高原、陇中黄土高原和库布齐沙漠等区域[图 8(b)]; 在人类活动和气候变化的驱动下, 黄河流域植被退化的面积占流域面积的3.4%, 其中人类活动贡献率大于80%的区域占68.5%, 主要分布在银川、包头、西安、洛阳、郑州和太原等人类活动强烈的城市区域[图 9(a)]; 气候变化贡献率在大于80%的区域面积占24.9%, 主要分布在流域上游的川藏高原东部地区等区域[图 9(b)]; 根据黄河流域实际生长季NDVI均值变化趋势以及分别受人类活动和气候变化影响的生长季NDVI均值变化趋势, 计算可得人类活动和气候变化对黄河流域生长季NDVI的贡献分别为72%和28%.
|
图 8 2000~2020年人类活动和气候变化对黄河流域植被生长起改善作用贡献率空间分布 Fig. 8 Spatial distribution of the contributions of human activities and climatic change to improving vegetation growth in the Yellow River basin from 2000 to 2020 |
|
图 9 2000~2020年人类活动和气候变化对黄河流域植被生长起抑制作用贡献率空间分布 Fig. 9 Spatial distribution of the contributions of human activities and climatic change to inhibiting vegetation growth in the Yellow River basin from 2000 to 2020 |
黄河流域2000~2020年生长季NDVI均值为0.39, 并以0.005 a-1的速率波动上升, 流域植被明显改善的区域主要分布在秦岭山系、子午岭和中条山等地, 该结果与贺振等[20]、陈强等[32]和张志强等[33]对黄河流域的研究基本一致, 但是本研究中NDVI增长速率略高于前人研究且陕北高原和吕梁山系等地植被增长速率也在明显加快.其原因可能是20世纪末以来我国政府在黄土高原等地实施的退耕还林还草和封山育林等一系列生态工程已初见成效.
3.2 不同驱动因子对植被时空演化的影响气候变化和人类活动是促进植被生长的主要原因.一方面, 良好的水热条件是植被生长的关键要素, 研究表明气候变暖加速了土壤有机质的分解、延长了植被的生长期, 从而促进植被的生长[34].本研究中秦岭山系、子午岭和中条山等区域植被的改善正是得益于这种稳定的水热条件.另一方面, 进入21世纪以来, 我国政府实施的一系列生态修复工程在局部甚至区域尺度增加了植被覆盖面积[35].本研究中陕北高原及吕梁山系植被增长的速率高于其它区域正是得益于这种政策性的生态工程; 气候变化及人类活动同样也能够抑制植被的生长.一方面, 极端的气候如极冷会减小植物的生长周期, 其次某些干旱地区, 气候变暖会加速土壤水分的流失, 从而抑制植被的生长[36].本研究中流域上游库布齐沙漠处于低植被覆盖区并多年未改善正是由于这种极端的水热条件.另一方面人类活动对植被生长产生的负面影响也显而易见, 主要体现在大规模的工业活动及城市化进程侵占了林地或草地[37], 本研究中流域内几个发展较快的城市如郑州、西安、包头、太原、银川和西宁等地的植被生长均受到了不同程度地抑制正是由于这种高强度的人类活动.
3.3 不同驱动因素对植被时空演化的相对贡献本文进行了不同驱动因素对植被生长贡献率的研究.于植被生长改善的区域而言, 人类活动贡献率大于80%的主要分布在黄河流域中部和南部等政府生态工程实施区域, 气候变化贡献率超过80%的区域主要分布在流域西部川藏高原等人类活动强度较小的区域; 于植被生长受到抑制的区域而言, 人类活动贡献率大于80%的区域主要分布在郑州、西安、包头、太原、银川和西宁等地, 可见高强度的工业活动是造成植被退化的主要原因.以往研究鲜有涉及到黄河流域植被不同驱动因子的相对贡献, 本研究表明人类活动和气候变化对黄河流域生长季NDVI的贡献分别为72%和28%, 生态工程的实施对植被的改善起到了积极的影响, 但是高强度的城市化进程抑制了植被的生长.
4 结论(1) 黄河流域2000~2020年生长季NDVI均值为0.39, 呈现出以0.005 a-1的速率波动上升的趋势, 中游NDVI增长速率要高于上游和下游.植被明显改善的区域主要分布于流域内秦岭山系、陕北高原和吕梁山系等地, 植被退化的区域主要分布在郑州、洛阳、西安、太原和银川等地.
(2) 人类活动和气候变化对黄河流域生长季NDVI的贡献分别为72%和28%.其中气候变化贡献率大于80%的区域主要分布在流域内川藏高原等人类活动较弱的区域; 人类活动贡献率大于80%的区域主要分布在陕北高原、吕梁山系和流域内几个较大的城市区域, 人类活动对植被的生长有双重影响, 一方面生态工程的实施对植被的改善起到了积极的影响, 另一方面高强度的城市化进程抑制了植被的生长.
致谢: 感谢国家科技基础条件平台: 国家地球系统科学数据中心-地理资源分中心(http://gre.geodata.cn)提供数据支撑.
| [1] | Pearson R G, Phillips S J, Loranty M M, et al. Shifts in arctic vegetation and associated feedbacks under climate change[J]. Nature Climate Change, 2013, 3(7): 673-677. DOI:10.1038/nclimate1858 |
| [2] | Kong D D, Zhang Q, Singh V P, et al. Seasonal vegetation response to climate change in the Northern Hemisphere (1982-2013)[J]. Global and Planetary Change, 2017, 148: 1-8. DOI:10.1016/j.gloplacha.2016.10.020 |
| [3] | Gillespie T W, Madson A, Cusack C F, et al. Changes in NDVI and human population in protected areas on the Tibetan Plateau[J]. Arctic, Antarctic, and Alpine Research, 2019, 51(1): 428-439. DOI:10.1080/15230430.2019.1650541 |
| [4] | Hao F H, Zhang X, Ouyang W, et al. Vegetation NDVI linked to temperature and precipitation in the upper catchments of Yellow River[J]. Environmental Modeling & Assessment, 2012, 17(4): 389-398. |
| [5] | Xu Y F, Yang J, Chen Y N. NDVI-based vegetation responses to climate change in an arid area of China[J]. Theoretical and Applied Climatology, 2016, 126(1-2): 213-222. DOI:10.1007/s00704-015-1572-1 |
| [6] | Tarnavsky E, Garrigues S, Brown M E. Multiscale geostatistical analysis of AVHRR, SPOT-VGT, and MODIS global NDVI products[J]. Remote Sensing of Environment, 2008, 112(2): 535-549. DOI:10.1016/j.rse.2007.05.008 |
| [7] | Bai Y Q, Yang Y P, Jiang H. Intercomparison of AVHRR GIMMS3g, Terra MODIS, and SPOT-VGT NDVI products over the Mongolian Plateau[J]. Remote Sensing, 2019, 11(17). DOI:10.3390/rs11172030 |
| [8] | Fensholt R, Proud S R. Evaluation of earth observation based global long term vegetation trends — Comparing GIMMS and MODIS global NDVI time series[J]. Remote Sensing of Environment, 2012, 119: 131-147. DOI:10.1016/j.rse.2011.12.015 |
| [9] | Zewdie W, Csaplovics E, Inostroza L. Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability[J]. Applied Geography, 2017, 79: 167-178. DOI:10.1016/j.apgeog.2016.12.019 |
| [10] | Emamian A, Rashki A, Kaskaoutis D G, et al. Assessing vegetation restoration potential under different land uses and climatic classes in northeast Iran[J]. Ecological Indicators, 2021, 122. DOI:10.1016/j.ecolind.2020.107325 |
| [11] | De Keersmaecker W, Lhermitte S, Hill M J, et al. Assessment of regional vegetation response to climate anomalies: a case study for Australia using GIMMS NDVI time series between 1982 and 2006[J]. Remote Sensing, 2017, 9(1). DOI:10.3390/rs9010034 |
| [12] |
王涛, 赵元真, 王慧, 等. 基于GIMMS NDVI的青藏高原植被指数时空变化及其气温降水响应[J]. 冰川冻土, 2020, 42(2): 641-652. Wang T, Zhao Y Z, Wang H, et al. Spatial and temporal changes of vegetation index and their response to temperature and precipitation in the Tibetan Plateau based on GIMMS NDVI[J]. Journal of Glaciology and Geocryology, 2020, 42(2): 641-652. |
| [13] |
彭凯锋, 蒋卫国, 侯鹏, 等. 三江源国家公园植被时空变化及其影响因子[J]. 生态学杂志, 2020, 39(10): 3388-3396. Peng K F, Jiang W G, Hou P, et al. Spatiotemporal variation of vegetation coverage and its affecting factors in the Three-river-source National Park[J]. Chinese Journal of Ecology, 2020, 39(10): 3388-3396. |
| [14] |
郭永强, 王乃江, 褚晓升, 等. 基于Google Earth Engine分析黄土高原植被覆盖变化及原因[J]. 中国环境科学, 2019, 39(11): 4804-4811. Guo Y Q, Wang N J, Chu X S, et al. Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine[J]. China Environmental Science, 2019, 39(11): 4804-4811. DOI:10.3969/j.issn.1000-6923.2019.11.040 |
| [15] |
王强, 张勃, 戴声佩, 等. 三北防护林工程区植被覆盖变化与影响因子分析[J]. 中国环境科学, 2012, 32(7): 1302-1308. Wang Q, Zhang B, Dai S P, et al. Analysis of the vegetation cover change and its relationship with factors in the Three-North Shelter Forest Program[J]. China Environmental Science, 2012, 32(7): 1302-1308. DOI:10.3969/j.issn.1000-6923.2012.07.025 |
| [16] | John R, Chen J Q, Kim Y, et al. Differentiating anthropogenic modification and precipitation-driven change on vegetation productivity on the Mongolian Plateau[J]. Landscape Ecology, 2016, 31(3): 547-566. DOI:10.1007/s10980-015-0261-x |
| [17] |
李辉, 红英, 邓国荣, 等. 1982—2015年气候变化和人类活动对内蒙古草地净初级生产力的影响[J]. 应用生态学报, 2021, 32(2): 415-424. Li H, Hong Y, Deng G R, et al. Impacts of climate change and human activities on net primary productivity of grasslands in Inner Mongolia, China during 1982-2015[J]. Chinese Journal of Applied Ecology, 2021, 32(2): 415-424. |
| [18] | Qu S, Wang L C, Lin A W, et al. What drives the vegetation restoration in Yangtze River basin, China: climate change or anthropogenic factors?[J]. Ecological Indicators, 2018, 90: 438-450. DOI:10.1016/j.ecolind.2018.03.029 |
| [19] |
董镱, 尹冬勤, 李渊, 等. 黄土高原植被的时空变化及其驱动力分析研究[J]. 中国农业大学学报, 2020, 25(8): 120-131. Dong Y, Yin D Q, Li Y, et al. Spatio-temporal patterns of vegetation change and driving forces in the Loess Plateau[J]. Journal of China Agricultural University, 2020, 25(8): 120-131. |
| [20] |
贺振, 贺俊平. 近32年黄河流域植被覆盖时空演化遥感监测[J]. 农业机械学报, 2017, 48(2): 179-185. He Z, He J P. Remote Sensing on spatio-temporal evolution of vegetation cover in the Yellow River basin during 1982—2013[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 179-185. |
| [21] |
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. Tian Z H, Zhang D D, He X H, et al. Spatiotemporal variations in vegetation net primary productivity and their driving factors in Yellow River basin from 2000 to 2015[J]. Research of Soil and Water Conservation, 2019, 26(2): 255-262. |
| [22] | Li Y, Xie Z X, Qin Y C, et al. Responses of the Yellow River basin vegetation: climate change[J]. International Journal of Climate Change Strategies and Management, 2019, 11(4): 483-498. DOI:10.1108/IJCCSM-08-2018-0064 |
| [23] | Yu H C, Bian Z F, Mu S G, et al. Effects of climate change on land cover change and vegetation dynamics in Xinjiang, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(13). DOI:10.3390/ijerph17134865 |
| [24] | Liu Z Z, Wang H, Li N, et al. Spatial and temporal characteristics and driving forces of vegetation changes in the Huaihe River basin from 2003 to 2018[J]. Sustainability, 2020, 12(6). DOI:10.3390/su12062198 |
| [25] | Hou J, Du L T, Liu K, et al. Characteristics of vegetation activity and its responses to climate change in desert/grassland biome transition zones in the last 30 years based on GIMMS3g[J]. Theoretical and Applied Climatology, 2019, 136(3-4): 915-928. DOI:10.1007/s00704-018-2527-0 |
| [26] | Yang R, Li X T, Mao D H, et al. Examining fractional vegetation cover dynamics in response to Climate from 1982 to 2015 in the Amur River basin for SDG 13[J]. Sustainability, 2020, 12(14). DOI:10.3390/su12145866 |
| [27] | Chu H S, Venevsky S, Wu C, et al. NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River basin from 1982 to 2015[J]. Science of the Total Environment, 2019, 650: 2051-2062. DOI:10.1016/j.scitotenv.2018.09.115 |
| [28] | Wang J, Xie Y W, Wang X Y, et al. Driving factors of recent vegetation changes in Hexi Region, Northwest China based on a new classification framework[J]. Remote Sensing, 2020, 12(11). DOI:10.3390/rs12111758 |
| [29] | Cai H Y, Yang X H, Xu X L. Human-induced grassland degradation/restoration in the central Tibetan Plateau: the effects of ecological protection and restoration projects[J]. Ecological Engineering, 2015, 83: 112-119. DOI:10.1016/j.ecoleng.2015.06.031 |
| [30] | Jiang L L, Jiapaer G, Bao A M, et al. Vegetation dynamics and responses to climate change and human activities in Central Asia[J]. Science of the Total Environment, 2017, 599-600: 967-980. DOI:10.1016/j.scitotenv.2017.05.012 |
| [31] |
金凯, 王飞, 韩剑桥, 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961-974. Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. |
| [32] |
陈强, 陈云浩, 王萌杰, 等. 2001—2010年黄河流域生态系统植被净第一性生产力变化及气候因素驱动分析[J]. 应用生态学报, 2014, 25(10): 2811-2818. Chen Q, Chen Y H, Wang M J, et al. Change of vegetation net primary productivity in Yellow River watersheds from 2001 to 2010 and its climatic driving factors analysis[J]. Chinese Journal of Applied Ecology, 2014, 25(10): 2811-2818. |
| [33] |
张志强, 刘欢, 左其亭, 等. 2000—2019年黄河流域植被覆盖度时空变化[J]. 资源科学, 2021, 43(4): 849-858. Zhang Z Q, Liu H, Zuo Q T, et al. Spatiotemporal change of fractional vegetation cover in the Yellow River basin during 2000-2019[J]. Resources Science, 2021, 43(4): 849-858. |
| [34] | Ma Q M, Long Y P, Jia X P, et al. Vegetation response to climatic variation and human activities on the Ordos Plateau from 2000 to 2016[J]. Environmental Earth Sciences, 2019, 78(24). DOI:10.1007/s12665-019-8732-z |
| [35] |
马锋, 卓静, 何慧娟, 等. 陕西省榆林市植被生态演变及其驱动机制[J]. 水土保持通报, 2020, 40(5): 257-261, 267. Ma F, Zhuo J, He H J, et al. Ecological evolution and driving mechanism of vegetation in Yulin City, Shaanxi Province[J]. Bulletin of Soil and Water Conservation, 2020, 40(5): 257-261, 267. |
| [36] |
何航, 张勃, 候启, 等. 1982—2015年中国北方生长季NDVI变化及其对气温极值的响应[J]. 干旱区研究, 2020, 37(1): 244-253. He H, Zhang B, Hou Q, et al. Spatiotemporal Change of NDVI and its response to extreme temperature indices in North China from 1982 to 2015[J]. Arid Zone Research, 2020, 37(1): 244-253. |
| [37] |
赵维清, 李经纬, 褚琳, 等. 近10年湖北省植被指数时空变化特征及其驱动力[J]. 生态学报, 2019, 39(20): 7722-7736. Zhao W Q, Li J W, Chu L, et al. Analysis of spatial and temporal variations in vegetation index and its driving force in Hubei Province in the last 10 years[J]. Acta Ecologica Sinica, 2019, 39(20): 7722-7736. |