2022, Vol. 43
植被作为陆地生态系统的重要组成部分, 参与自然界物质和能量循环, 其变化可以有效反映气候变化和人类活动对区域及全球生态系统的影响[1~3].陆地植被生态系统的时间变化、空间分布及其空间动态变化深刻地影响着全球生态、经济和人类福祉.归一化植被指数(normalized difference vegetation index, NDVI)作为植被遥感监测的重要参数之一, 因其具有覆盖范围广、监测频次高和人力成本低等优势, 被广泛应用于监测区域及全球植被覆盖变化[3~7].
国内外学者在不同时空尺度上研究了植被覆盖变化及其驱动因素, 并取得了丰硕的成果. De Jong等[4]的研究分析了1981~2006年全球植被覆盖变化趋势, 结果表明, 印度西部、澳大利亚西部以及加拿大、美国和萨赫勒部分地区植被呈显著上升趋势.Emamian等[8]的研究发现2004~2015年伊朗东北部的Khorasan Razavi省绝大部分地区植被无显著变化, 植被覆盖上升的区域主要集中在沙丘、植树造林和黏土坑区.Ghebrezgabher等[9]的研究发现1982~2013年非洲之角的植被覆盖呈先上升后下降的变化趋势, 且植被NDVI与降水呈正相关, 与气温呈负相关.有学者针对我国青藏高原[10, 11]、“三北”防护林地区[12, 13]、黄土高原[14, 15]、京津冀[16, 17]、黄河流域[3, 18]和长江流域[13, 19, 20]等生态敏感地区的植被覆盖变化及其驱动因素方面进行了研究.随着研究的不断深入, 针对西南地区植被NDVI变化及其驱动因素的研究也取得了长足的进步, 肖建勇等[21]的研究发现, 喀斯特地区植被NDVI空间分布相比非喀斯特地区更易受气候差异及人类活动的双重影响.丁文荣[22]的研究表明气候变化与人类活动皆对滇东南地区植被NDVI上升具有促进或抑制作用, 且呈现出明显的空间分布差异.有研究分析了西南地区植被NDVI变化及其驱动因素[23~26], 发现除气候变化外, 植被NDVI还受非气候因子的影响.
目前, 针对西南地区的植被变化的研究中, 大部分是基于西南地区整体或者省市级行政单元进行的, 考虑的气候因子多为气温和降水, 忽略了植被生长在不同地貌环境存在的差异以及其他气候因子对植被生长的影响, 且已有研究大多侧重定性讨论, 未将气候变化和人类活动对植被覆盖变化的影响进行定量剥离.鉴于此, 本文以西南地区为研究区, 以地貌类型为研究单元, 探究气候变化和人类活动影响下西南地区植被NDVI时空演变特征, 分析西南地区植被NDVI对气候和土地利用变化的响应机制, 以期为西南地区石漠化防治与生态恢复以及区域经济发展提供理论参考和科学依据.
1 研究区概况西南地区在行政区域上包括四川省、云南省、贵州省、重庆市和广西壮族自治区, 地理范围在20°54′~34°19′N, 97°21′~112°04′E之间.研究区地势呈现西北高、东南低的空间分布格局, 海拔从-20~6 304 m, 地貌类型多样, 可划分为若尔盖高原、横断山地、四川盆地、云贵高原和广西丘陵5大地貌单元(图 1).研究区内喀斯特地貌分布广泛, 生态环境脆弱, 石漠化问题与贫困问题交织.在热带季风气候和亚热带季风气候的交替影响下, 热量丰富, 降水充沛, 雨热同期, 年平均气温在-2.8~23.9℃之间, 年累积降水量在54.6~2 675.6 mm之间, 年平均相对湿度在46.6%~85.0%之间, 年累积日照时数在844~2 531 h之间.研究区土地利用类型以林地、草地和耕地为主.
|
图 1 研究区气象站及高程空间分布示意 Fig. 1 Spatial distribution of the meteorological station and elevation of the study area |
本文使用的植被遥感数据MODIS NDVI来源于美国国家航空航天局发布的MOD13A3产品, 时间范围为2000年2月至2020年12月, 时间分辨率为1个月, 空间分辨率为1 km.为剔除缺失值、水、云、重气溶胶和云影对实验结果的影响, 本文采用最大值合成法得到年植被NDVI最大值时间序列.气象数据使用中国2 416个气象站点逐日气温、降水、相对湿度和日照时数数据, 来源于国家气象科学数据中心.利用ANUSPLIN插值软件引入DEM作为协变量对气象数据进行插值, 得到覆盖全国, 且空间分辨率和投影与MODIS NDVI一致的气象栅格数据, 然后通过裁剪得到覆盖研究区的气候因子时间序列. DEM数据来源于美国奋进号航天飞机的雷达地形测绘(shuttle radar topography mission, SRTM).2000和2020年中国土地利用数据来源于资源环境科学与数据中心, 空间分辨率为1 km.通过对数据进行裁剪、掩膜和重分类等处理, 得到西南地区6类土地利用类型数据: 耕地、林地、草地、水体、城镇用地和未利用地.
2.2 研究方法 2.2.1 Theil-Sen Median趋势分析和Mann-Kendall显著性检验Theil-Sen Median趋势分析法是一种稳健的非参数斜率估计方法, 抗噪性强, 受异常值影响小, 可用于长时间序列数据变化趋势的研究中[27, 28], 能够科学直观地反映时间序列数据在一段时间内的变化趋势, 评估其变化趋势.计算公式如下:
|
(1) |
式中, xi和xj分别为第i和第j年的植被NDVI值, 其中i, j=1, 2, 3, …, n; median为取中值函数.当Slope>0时, 表示植被NDVI整体呈上升趋势, 地区植被覆盖状况趋于改善; 当Slope=0时, 表示植被NDVI整体基本保持不变, 地区植被覆盖状况趋于平稳; Slope < 0时, 表示植被NDVI整体呈下降趋势, 地区植被覆盖状况趋于恶化.
Mann-Kendall显著性检验法[27, 28]作为常用的非参数检验法, 适用范围广, 具有不要求样本遵循一定的分布特征和不受少数异常值影响等优点.本文运用该方法对植被NDVI时间序列变化趋势进行显著性检验, 对于给定的置信水平α, 当|Z|>Z1-α/2时, 可以认为在α水平上NDVI时间序列有显著变化趋势, 反之则为轻微变化.本文定义变化趋势在α=0.05下显著时, 为显著变化; 在α=0.01下显著时, 为极显著变化.
2.2.2 多元线性回归分析和残差分析本文通过多元线性回归分析和残差分析[29, 30]实现气候变化和人类活动对植被覆盖变化影响的定量分离.考虑到植被生长对气候变化具有一定的滞后效应[31, 32], 首先, 采用相关分析法, 计算不同的地貌单元植被NDVI与前0~12月气温、降水、相对湿度和日照时数的相关系数; 然后, 采用一阶偏导法, 得到不同的地貌单元植被NDVI与气温、降水、相对湿度和日照时数的绝对值最大的相关系数(即最大相关系数, 下同)及其对应的滞后期, 结果如表 1所示; 接下来, 通过T检验法判断其相关性是否显著, 若最大相关系数通过P < 0.1显著性检验, 则认为该气候因子对植被NDVI影响显著.在此基础上, 以植被NDVI观测值(NDVIObs, 即植被NDVI, 下同)和通过显著性检验的最大相关系数对应滞后期的气温、降水、相对湿度和日照时数为自变量, 分区建立多元回归分析模型生成植被NDVI预测值(NDVIPre), 如式(2), 植被NDVIPre看作气候变化影响下的植被NDVI.忽略其他非主要影响因素的条件下, 建立残差分析模型, 如式(3), 即可算出植被NDVI残差值(NDVIRes), 从而剥离气候变化的影响, 得到人类活动作用下的植被NDVI值.
|
(2) |
|
(3) |
|
表 1 植被NDVI与气候因子最大相关系数及滞后期1) Table 1 Maximum correlation coefficient and its lag time between NDVI and climate factors |
式中, bi为系数; ci为最大相关系数对应滞后期的各气候因子; i为气候因子类别, 包括气温、降水、相对湿度和日照时数; ε为常数.当NDVIRes>0时, 说明人类活动对植被生长具有促进作用; 当NDVIRes=0, 说明人类活动对植被生长的作用力微弱; 当NDVIRes < 0时, 说明人类活动对植被生长具有抑制作用.
2.2.3 相关分析、偏相关分析和复相关分析本文采用相关分析[33]探究植被NDVI与气温、降水、相对湿度和日照时数的相关关系.相关分析可用于计算两个因子之间的相关程度, 计算公式如下:
|
(4) |
式中, x和y是自变量, rxy为变量x和变量y的相关系数.
当多个因子同时与NDVI存在相关关系时, 使用偏相关分析[34]可以剔除其余因子的影响, 单独分析单一因子与NDVI的相关程度.偏相关分析的计算公式如下:
|
(5) |
式中, rxy.z1z2…zg为基于z1, z2, …, zg控制变量的x和y变量的偏相关系数.
复相关分析[27]能够综合考虑多种因子的协同作用, 反映一个要素与多个要素之间的线性相关关系.复相关系数的计算公式为:
|
(6) |
式中, rx.yz…zg为变量x与y, z, …, zg自变量之间的复相关系数.
依据计算出的偏相关系数和复相关系数, 采用T检验法进行显著性检验, 将植被NDVI与气候因子的相关程度划分为极显著相关(P＜0.01)、显著相关(0.01≤P＜0.05)和不显著相关(P≥0.05).
3 结果与分析 3.1 植被NDVI时空演变特征由图 2可知, 整体上, 2000~2020年西南地区植被NDVI呈波动上升趋势, 上升斜率为0.002 4 a-1, 但植被NDVI在2011年和2014年出现明显下降趋势. 2000~2020年西南地区植被NDVI均值为0.779, 最大值出现在2020年, 为0.802, 最小值出现在2000年, 为0.750. 2000~2020年各地貌单元植被NDVI均呈上升趋势, 其中广西丘陵植被NDVI上升趋势最为显著, 为0.003 4 a-1, 云贵高原上升速率次之, 为0.003 1 a-1, 横断山地和若尔盖高原上升速率较低, 分别为0.001 6 a-1和0.001 2 a-1.云贵高原2000~2020年平均植被NDVI最高, 为0.800, 其次为广西丘陵, 为0.794, 最低为横断山地, 为0.746.综上可知, 2000~2020年西南地区整体及各地貌单元的植被NDVI均呈上升趋势, 其中, 广西丘陵和云贵高原植被NDVI上升趋势最为显著, 云贵高原整体植被覆盖状况优于其他地貌单元.
|
图 2 2000~2020年西南地区植被NDVI变化趋势 Fig. 2 Temporal variation in observed NDVI in southwest China from 2000 to 2020 |
如图 3(a)所示, 2000~2020年西南地区植被NDVI变化斜率在-0.034~0.038 a-1之间.整体上, 植被NDVI呈上升趋势的面积大于呈下降趋势的面积.植被NDVI呈上升趋势的面积占88.15%, 其中, 呈极显著上升和显著上升区域的面积占57.93%, 主要分布在横断山地东南部、四川盆地四周、云贵高原中部和南部以及广西丘陵中部和西部[图 3(b)].植被NDVI呈下降趋势的面积占11.85%, 其中, 呈极显著下降和显著下降区域仅占1.94%, 主要分布在四川盆地西北部和东南部以及云贵高原中部和西部的城市群.
|
图 3 2000~2020年西南地区植被NDVI空间变化特征 Fig. 3 Spatial variation in observed NDVI in southwest China from 2000 to 2020 |
2000~2020年各地貌单元植被NDVI呈上升趋势的面积均大于呈下降趋势的面积.横断山地、若尔盖高原、四川盆地、云贵高原和广西丘陵植被NDVI呈上升趋势的面积分别占其总面积的79.61%、80.07%、87.28%、92.90%和94.43%.四川盆地、广西丘陵和云贵高原的植被NDVI变化以极显著上升为主, 改善面积比例和强度均明显高于若尔盖高原和横断山地.
3.2 气候变化影响下植被NDVI时空演变特征由图 4可知, 2000~2020年西南地区植被NDVIPre呈波动上升趋势, 上升斜率为0.001 a-1.气候变化影响下, 广西丘陵植被NDVIPre上升趋势最为明显, 为0.001 3 a-1, 横断山地和云贵高原植被NDVIPre上升斜率为0.001 a-1, 略低于广西丘陵, 四川盆地植被NDVIPre上升速率最低, 为0.000 8 a-1.综上可知, 气候变化影响下, 各地貌单元植被NDVIPre均呈上升趋势, 上升斜率差异较小.
|
图 4 2000~2020年西南地区植被NDVIPre变化趋势 Fig. 4 Temporal variation in predicted NDVI in southwest China from 2000 to 2020 |
由图 5(a)可知, 2000~2020年植被NDVIPre变化斜率呈现明显空间异质性, 植被NDVIPre变化斜率为-0.024~0.029 a-1.整体上, 西南地区植被NDVIPre以上升为主, 呈上升趋势的区域占84.56%, 其中, 48.03%的区域呈极显著上升和显著上升, 主要分布在横断山地、若尔盖高原、四川盆地东南部、云贵高原和广西丘陵西北部.极显著下降和显著下降的面积仅占4.11%, 在四川盆地西北部和云贵高原中部分布集中, 在若尔盖高原和横断山地零星分布[图 5(b)].
|
图 5 2000~2020年西南地区植被NDVIPre空间变化特征 Fig. 5 Spatial distribution of predicted NDVI changing trend in southwest China from 2000 to 2020 |
气候变化影响下, 广西丘陵和云贵高原植被NDVIPre呈上升趋势的面积分别占其总面积的90.42%和85.68%, 高于四川盆地、若尔盖高原和横断山地.虽然若尔盖高原植被NDVIPre呈上升趋势的面积仅占82.43%, 但在各地貌单元植被NDVIPre上升区域中, 呈极显著上升面积占比最大的是若尔盖高原, 为56.60%, 其次为横断山地, 为43.14%, 最小的为四川盆地, 仅占9.83%.综上可知, 气候变化对西南地区各地貌单元植被生长具有双重作用, 但整体上气候变化对各地貌单元植被生长的促进作用大于抑制作用.广西丘陵和云贵高原植被NDVIPre上升趋势的面积占比大于四川盆地、横断山地和若尔盖高原, 但若尔盖高原植被NDVIPre呈极显著上升趋势的比率大于其他地貌单元.
3.3 人类活动影响下植被NDVI时空演变特征如图 6所示, 整体上, 2000~2020年西南地区植被NDVIRes呈上升趋势, 上升斜率为0.001 5 a-1.人类活动影响下, 不同地貌单元植被NDVIRes均呈波动上升趋势, 但上升速率有所不同.广西丘陵、云贵高原和四川盆地植被NDVIRes上升趋势较为明显, 分别为0.002 1、0.002和0.001 8 a-1, 而横断山地和若尔盖高原植被NDVIRes上升速率较低, 分别为0.000 6 a-1和0.000 2 a-1.综上可知, 人类活动对西南地区各地貌单元植被生长具有促进作用, 且对广西丘陵、云贵高原和四川盆地植被生长的促进作用强于横断山地和若尔盖高原.
|
图 6 2000~2020年西南地区植被NDVIRes变化趋势 Fig. 6 Temporal variation in residual NDVI in southwest China from 2000 to 2020 |
由图 7(a)可知, 2000~2020年西南地区植被NDVIRes变化斜率为-0.024~0.025 a-1, 变化斜率整体呈东高西低的空间分布格局.植被NDVIRes呈上升趋势的区域占82.94%, 呈下降趋势的区域占17.06%.以上结果表明, 人类活动对西南地区植被生长具有双重影响, 但整体上以正向促进为主.植被NDVIRes呈极显著上升区域占18.51%, 主要分布在四川盆地东北部和西南部、云贵高原南部及其东北部以及广西丘陵中部和南部; 呈下降趋势的区域分布零散, 主要分布在各省会城市及其周边地区[图 7(b)].
|
图 7 2000~2020年西南地区植被NDVIRes空间变化特征 Fig. 7 Spatial variation in residual NDVI in southwest China from 2000 to 2020 |
人类活动影响下, 广西丘陵、云贵高原和四川盆地植被NDVIRes呈上升趋势的区域分别占92.39%、90.68%和84.16%, 远高于横断山地和若尔盖高原.四川盆地、广西丘陵和云贵高原植被NDVIRes呈极显著上升和显著上升的面积分别占其总面积的51.94%、49.24%和43.87%, 而横断山地和若尔盖高原极显著上升和显著上升的面积仅占其总面积的6.60%和2.55%.综上可知, 人类活动对西南地区各地貌单元植被生长均以正向促进为主, 但对四川盆地、广西丘陵和云贵高原植被生长的促进作用远高于横断山地和若尔盖高原.
3.4 植被NDVI与气候因子的相关性分析 3.4.1 植被NDVI与气候因子的偏相关关系西南地区植被NDVI与气候因子偏相关关系空间分布如图 8所示, 整体上, 西南地区植被NDVI与气温和降水呈正相关关系.植被NDVI与气温的最大偏相关系数平均值为0.191, 呈东南强西北弱的空间响应特征.研究区73.06%的区域的植被NDVI与气温呈正相关, 其中极显著正相关的区域主要分布在横断山地东南部、四川盆地东北部、云贵高原中部、东部和广西丘陵西部.植被NDVI与降水的最大偏相关系数平均值低于气温, 为0.122, 空间上表现为两边低、中部高的空间分布格局.研究区65.95%的区域植被NDVI与降水呈正相关, 植被NDVI与降水相关性呈显著正相关和极显著正相关的区域占16.50%, 主要分布在横断山地西南部、若尔盖高原、四川盆地中部、西部和广西丘陵西北部.
|
图 8 西南地区植被NDVI与气候因子偏相关关系空间分布 Fig. 8 Spatial distribution of the partial correlation coefficients between NDVI and climate factors in southwest China |
西南地区植被NDVI与相对湿度和日照时数整体呈微弱负相关, 最大偏相关系数平均值分别为-0.009和-0.178.植被NDVI与相对湿度和日照时数呈现负相关的区域分别占50.41%和72.92%.植被NDVI与相对湿度呈极显著负相关的区域主要集中在横断山地南部和四川盆地中北部地区.植被NDVI与日照时数呈现极显著负相关的区域主要分布在四川盆地东部、云贵高原东部和广西丘陵北部.
3.4.2 植被NDVI与气候因子的复相关关系复相关分析用来确定西南地区植被NDVI与气温、降水、相对湿度和日照时数的复相关关系, 以探究气候变化对植被生长的综合作用.西南地区植被NDVI与气候因子的复相关系数介于0.046~0.967之间, 说明气候变化的综合作用促进了西南地区植被生长.植被NDVI与气候因子变化的复相关性呈现明显的空间异质性.如图 9所示, 整体上, 植被NDVI与气候因子的最大复相关系数呈东高西低, 南高北低的空间分布格局.西南地区植被NDVI与气候因子呈极显著正相关的区域占58.38%.其中, 四川盆地植被NDVI与气候因子复相关关系呈极显著相关的面积占其总面积的64.82%, 高于其他地貌单元.
|
图 9 西南地区植被NDVI与气候因子的复相关关系空间分布 Fig. 9 Spatial distribution of multiple correlation coefficients between NDVI and climatic factors in southwest China |
土地利用类型的变化在宏观上反映了人类活动对自然的改造过程, 2000~2020年间, 西南地区土地利用类型发生变化的区域占39.66%.如图 10所示, 总体上, 城镇用地和未利用地的面积有所增加, 变化率分别为101.76%和11.15%.不同土地利用类型间的转变对区域植被覆盖变化的作用存在差异.2000~2020年研究区内有101 760 km2的耕地转为草地和林地, 在耕地转化为草地和林地的区域中, 植被NDVI呈上升趋势的区域占93.95%, 主要分布在四川盆地、云贵高原和广西丘陵.2000~2020年, 由非城镇用地转为城镇用地的区域中, 植被NDVI呈现下降趋势的面积占51.83%, 远高于非林地转为林地(8.80%)、非耕地转为耕地(8.29%)、非草地转为草地(11.50%)、非水域转为水域(18.34%)和非未利用地转为未利用地(23.45%)的区域.尤其是四川成都、重庆渝中区、贵州贵阳、云南昆明、大理和广西南宁等建筑用地扩张显著的区域, 植被NDVI主要呈显著下降或极显著下降趋势.植被NDVI变化与土地利用类型变化具有较强的相关性, 城市发展以及建筑用地扩张是区域植被NDVI降低的一个重要原因.
|
图 10 2000~2020年西南地区土地利用转移 Fig. 10 Spatial distribution of land use transformation of southwest China from 2000 to 2020 |
2000~2020年西南地区植被NDVI整体呈上升趋势, 上升斜率为0.002 4 a-1, 而植被NDVI在2011年和2014年出现明显下降, 这与2009~2010年以及2013年中国西南地区出现的重大旱灾有关[35~38].干旱一方面使得土壤水分出现盈亏, 导致植被光合作用能力降低, 另一方面由于蒸散发速率的加快, 致使植被生长面临更加严峻的水分胁迫[6, 32], 但植被生长对气候变化的响应存在滞后效应[35], 故2011年和2014年西南地区植被NDVI值较低.
2000~2020年若尔盖高原、横断山地和四川盆地东南部、云贵高原和广西丘陵西北部地区植被改善明显, 这与已有的研究结果一致[23, 24, 39, 40].自2000年以来, 得益于长江中上游防护林工程、天然林保护工程、退耕还林还草工程、岩溶地区石漠化综合治理工程和封山(沙)育林等林业生态工程的相继实施, 西南地区林地、灌丛和草地等面积得到大幅度提升, 使得西南地区大部分地区植被覆盖呈上升趋势.四川盆地西北部和云贵高原中部部分地区植被退化明显, 主要有以下两个方面的原因: 一方面, 四川盆地中西部地区毗邻横断山脉和若尔盖高原, 地势起伏大, 气候条件较为恶劣, 而云贵高原水土流失严重, 土壤肥力低, 加之非法砍伐和过度放牧, 导致部分地区生态环境恶化; 另一方面, 四川盆地和云贵高原各大中城市城市化进程加快, 使得大量林地和草地转化为建设用地, 导致各大中城市及其周边地区植被NDVI呈下降趋势, 这与已有的研究结果一致[21, 26, 41, 42].
4.2 气候变化和人类活动影响下植被NDVI时空演变特征在气候变化影响下, 2000~2020年西南地区各地貌单元植被NDVIPre呈上升趋势, 但四川盆地植被NDVIPre上升速率最低, 这是由于四川盆地土地利用类型以耕地为主, 土地覆被主要以农作物为主, 农田水利基础设施的建设、田间灌溉工程和排水工程的修建以及科学的田间管理技术使得该地区植被覆盖一直处于较好的状态, 故上升趋势较其他地貌单元平缓.气候变化和人类活动对各地貌单元植被生长的促进作用均强于抑制作用, 尤其是在人类活动强度大的四川盆地、云贵高原和广西丘陵, 植被生长主要受人类活动的影响, 人类活动对植被生长具有较强的促进作用.而在受人为干扰较小的横断山地和若尔盖高原, 气候变化对植被生长的促进作用强于人类活动, 这是因为横断山地和若尔盖高原植被覆盖以林地和草地为主, 且地势较高、地广人稀, 植被生长受人类活动的影响较小.由此可见, 气候变化和人类活动对植被生长的影响具有双重性, 气候变化和人类活动共同影响着西南地区植被NDVI时空演变.
4.3 不同驱动因子对植被NDVI时空演变的影响气候变化对西南地区植被生长具有双重作用, 气温和降水对西南地区植被生长以正向促进作用为主, 而相对湿度和日照时数对该地区植被生长具有抑制作用.整体上, 植被NDVI与气温的偏相关系数大于降水、相对湿度和日照时数.以上结论与已有的研究结果一致[21, 26, 40].受水热等自然条件的影响, 不同气候因子对植被生长的作用机制不同, 同一气候因子对植被生长的影响具有地域差异.气候变化的综合作用对四川盆地植被生长的促进作用强于其他地貌单元, 这与四川盆地土地利用类型以草地和农用地为主有关, 相较于稳定的森林生态系统, 农田和草地生态系统受气候变化影响较大, 相关性更加明显, 这与已有的研究结果一致[43~45].
21世纪以来, 国家高度重视西南地区的生态环境保护, 在四川盆地, 云贵高原和广西丘陵等区域积极开展林业生态工程, 使得这些区域植被覆盖状况持续改善, 生态效益成果明显[16, 17, 32, 33]. 2000~2020年四川成都、重庆渝中区、贵州贵阳、云南昆明、大理和广西南宁等地社会经济发展速度均居所在省市前列.例如, 根据四川统计年鉴2001~2020, 成都的国民经济生产总值从2000年的1 312.99亿元上升到2019年的46 615.82亿元, 增量居四川省第一; 根据广西统计年鉴2020, 南宁市的市镇人口从2005年的286.58万人增加到2019年的467.88万人, 人口增量广西第一.经济快速发展, 城市化进程加快, 导致人口大量流入, 建设用地需求随之增加, 林地和农田被侵占, 区域植被覆盖减少[21, 26, 40, 41].综上可知, 在林业生态工程实施背景下, 四川盆地、云贵高原和广西丘陵植被覆盖明显改善的同时, 局部地区的快速城镇化进程会在一定程度上导致区域植被退化, 但研究区植被覆盖整体呈上升趋势.
5 结论(1) 2000~2020年西南地区及各地貌单元植被NDVI均呈上升趋势, 其中, 广西丘陵和云贵高原植被NDVI上升趋势最为明显.西南地区植被NDVI呈极显著上升和显著上升区域主要分布在若尔盖高原、横断山地、四川盆地东南部、云贵高原和广西丘陵西北部.
(2) 气候变化和人类活动对西南地区植被NDVI的影响均具有双重性, 且均以正向促进作用为主.气候变化和人类活动影响下, 广西丘陵植被NDVI上升趋势大于其他地貌单元.
(3) 西南地区植被NDVI与气温和降水之间存在正相关关系, 与相对湿度和日照时数之间存在负相关关系, 且气温对植被NDVI的作用强于其他气候因子.通过复相关分析可知, 气候变化对西南地区植被生长具有促进作用.植被NDVI变化与土地利用类型变化具有较强的相关性, 城市发展以及建筑用地扩张是区域植被NDVI降低的一个重要原因.
| [1] | Zhang Y, Zhang C B, Wang Z Q, et al. Vegetation dynamics and its driving forces from climate change and human activities in the three-river source region, China from 1982 to 2012[J]. Science of the Total Environment, 2016, 563-564: 210-220. DOI:10.1016/j.scitotenv.2016.03.223 |
| [2] | Shi S Y, Yu J J, Wang F, et al. Quantitative contributions of climate change and human activities to vegetation changes over multiple time scales on the Loess Plateau[J]. Science of the Total Environment, 2021, 755. DOI:10.1016/j.scitotenv.2020.142419 |
| [3] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [4] | de Jong R, de Bruin S, de Wit A, et al. Analysis of monotonic greening and browning trends from global NDVI time-series[J]. Remote Sensing of Environment, 2011, 115(2): 692-702. DOI:10.1016/j.rse.2010.10.011 |
| [5] | Song X P, Hansen M C, Stehman S V, et al. Global land change from 1982 to 2016[J]. Nature, 2018, 560(7720): 639-643. DOI:10.1038/s41586-018-0411-9 |
| [6] |
徐兴奎, 陈红, 张凤. 中国西北地区地表植被覆盖特征的时空变化及影响因子分析[J]. 环境科学, 2007, 28(1): 41-47. Xu X K, Chen H, Zhang F. Temporal and spatial change of vegetation cover in the northwest of China and factors analysis influencing on vegetations variation[J]. Environmental Science, 2007, 28(1): 41-47. |
| [7] |
王莉雯, 卫亚星, 牛铮. 基于遥感的青海省植被覆盖时空变化定量分析[J]. 环境科学, 2008, 29(6): 1754-1760. Wang L W, Wei Y X, Niu Z. Analysis of vegetation spatial and temporal variations in Qinghai province based on remote sensing[J]. Environmental Science, 2008, 29(6): 1754-1760. DOI:10.3321/j.issn:0250-3301.2008.06.052 |
| [8] | 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 |
| [9] | Ghebrezgabher M G, Yang T B, Yang X M, et al. Assessment of NDVI variations in responses to climate change in the Horn of Africa[J]. The Egyptian Journal of Remote Sensing and Space Science, 2020, 23(3): 249-261. DOI:10.1016/j.ejrs.2020.08.003 |
| [10] | Guo B, Han B M, Yang F, et al. Determining the contributions of climate change and human activities to the vegetation NPP dynamics in the Qinghai-Tibet Plateau, China, from 2000 to 2015[J]. Environmental Monitoring and Assessment, 2020, 192(10). DOI:10.1007/s10661-020-08606-6 |
| [11] | Liu Q H, Liu L S, Zhang Y L, et al. Identification of impact factors for differentiated patterns of NDVI change in the headwater source region of Brahmaputra and Indus, Southwestern Tibetan Plateau[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107604 |
| [12] | Hu Y G, Li H, Wu D, et al. LAI-indicated vegetation dynamic in ecologically fragile region: a case study in the Three-North Shelter Forest program region of China[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106932 |
| [13] | Zeng Y, Yang X K, Fang N F, et al. Large-scale afforestation significantly increases permanent surface water in China's vegetation restoration regions[J]. Agricultural and Forest Meteorology, 2020, 290. DOI:10.1016/j.agrformet.2020.108001 |
| [14] | Wang J J, Liu Z P, Gao J L, et al. The Grain for Green project eliminated the effect of soil erosion on organic carbon on China's Loess Plateau between 1980 and 2008[J]. Agriculture, Ecosystems & Environment, 2021, 322. DOI:10.1016/j.agee.2021.107636 |
| [15] |
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 |
| [16] |
徐勇, 黄雯婷, 靖娟利, 等. 京津冀地区植被NDVI动态变化及其与气候因子的关系[J]. 水土保持通报, 2020, 40(5): 319-327. Xu Y, Huang W T, Jing J L, et al. Dynamic variation of vegetation cover and its relation with climate variables in Beijing-Tianjin-Hebei region[J]. Bulletin of Soil and Water Conservation, 2020, 40(5): 319-327. |
| [17] | Tian F, Liu L Z, Yang J H, et al. Vegetation greening in more than 94% of the Yellow River Basin (YRB) region in China during the 21st century caused jointly by warming and anthropogenic activities[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107479 |
| [18] | Yang H F, Zhong X N, Deng S Q, et al. Assessment of the impact of LUCC on NPP and its influencing factors in the Yangtze River basin, China[J]. CATENA, 2021, 206. DOI:10.1016/j.catena.2021.105542 |
| [19] |
崔利芳, 王伦澈, 屈赛, 等. 气温、降水量和人类活动对长江流域植被NDVI的影响[J]. 地球科学, 2020, 45(6): 1905-1917. Cui L F, Wang L C, Qu S, et al. Impacts of temperature, precipitation and human activity on vegetation NDVI in Yangtze River Basin, China[J]. Earth Science, 2020, 45(6): 1905-1917. |
| [20] | Chen S S, Wen Z F, Zhang S L, et al. Effects of long-term and large-scale ecology projects on forest dynamics in Yangtze River Basin, China[J]. Forest Ecology and Management, 2021, 496. DOI:10.1016/j.foreco.2021.119463 |
| [21] |
肖建勇, 王世杰, 白晓永, 等. 喀斯特关键带植被时空变化及其驱动因素[J]. 生态学报, 2018, 38(24): 8799-8812. Xiao J Y, Wang S J, Bai X Y, et al. Determinants and spatial-temporal evolution of vegetation coverage in the karst critical zone of South China[J]. Acta Ecologica Sinica, 2018, 38(24): 8799-8812. |
| [22] |
丁文荣. 滇东南喀斯特地区植被覆盖变化及其影响因素[J]. 水土保持研究, 2016, 23(6): 227-231, 237. Ding W R. Temporal and spatial evolution characteristics of vegetation NDVI and its driving factors in Karst area of southeast Yunnan, China[J]. Research of Soil and Water Conservation, 2016, 23(6): 227-231, 237. |
| [23] | Jiang S S, Chen X, Smettem K, et al. Climate and land use influences on changing spatiotemporal patterns of mountain vegetation cover in southwest China[J]. Ecological Indicators, 2021, 121. DOI:10.1016/j.ecolind.2020.107193 |
| [24] | Qiao Y N, Jiang Y J, Zhang C Y. Contribution of karst ecological restoration engineering to vegetation greening in southwest China during recent decade[J]. Ecological Indicators, 2021, 121. DOI:10.1016/j.ecolind.2020.107081 |
| [25] | Deng Y H, Wang S J, Bai X Y, et al. Relationship among land surface temperature and LUCC, NDVI in typical karst area[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-017-19088-x |
| [26] |
马海云, 张林林, 魏学琼, 等. 2000-2015年西南地区土地利用与植被覆盖的时空变化[J]. 应用生态学报, 2021, 32(2): 618-628. Ma H Y, Zhang L L, Wei X Q, et al. Spatial and temporal variations of land use and vegetation cover in Southwest China from 2000 to 2015[J]. Chinese Journal of Applied Ecology, 2021, 32(2): 618-628. |
| [27] |
杨玉莲, 杨昆, 罗毅, 等. 1998~2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响[J]. 环境科学, 2021, 42(11): 5100-5108. Yang Y L, Yang K, Luo Y, et al. Effect of vegetation coverage on the temporal and spatial distribution of PM2.5 concentration in China's Eight Major Economic Regions from 1998 to 2016[J]. Environmental Science, 2021, 42(11): 5100-5108. |
| [28] | Gao X, Huang X X, Lo K, et al. Vegetation responses to climate change in the Qilian Mountain Nature Reserve, Northwest China[J]. Global Ecology and Conservation, 2021, 28. DOI:10.1016/j.gecco.2021.e01698 |
| [29] | Mechiche-Alami A, Abdi A M. Agricultural productivity in relation to climate and cropland management in West Africa[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-59943-y |
| [30] | Berdimbetov T, Ilyas S, Ma Z G, et al. Climatic change and human activities link to vegetation dynamics in the Aral Sea basin using NDVI[J]. Earth Systems and Environment, 2021, 5(2): 303-318. DOI:10.1007/s41748-021-00224-7 |
| [31] |
杨林山, 李常斌, 王帅兵, 等. 气候变化和人类活动对洮河流域植被动态的影响研究[J]. 资源科学, 2014, 36(9): 1941-1948. Yang L S, Li C B, Wang S B, et al. Impacts of climate change and human activities on vegetation dynamics in two geo-ecologic regions in the Taohe River Basin, Northwest China[J]. Resources Science, 2014, 36(9): 1941-1948. |
| [32] | Wu D H, Zhao X, Liang S L, et al. Time-lag effects of global vegetation responses to climate change[J]. Global Change Biology, 2015, 21(9): 3520-3531. DOI:10.1111/gcb.12945 |
| [33] |
孙爽, 李令军, 赵文吉, 等. 京津冀大气污染变化规律及其与植被指数相关性分析[J]. 环境科学, 2019, 40(4): 1585-1593. Sun S, Li L J, Zhao W J, et al. Variation in pollutant concentrations and correlation analysis with the vegetation index in Beijing-Tianjin-Hebei[J]. Environmental Science, 2019, 40(4): 1585-1593. |
| [34] |
覃巧婷, 陈建军, 杨艳萍, 等. 黄河源植被时空变化及其对地形和气候的响应[J]. 中国环境科学, 2021, 41(8): 3832-3841. Qin Q T, Chen J J, Yang Y P, et al. Spatiotemporal variations of vegetation and its response to topography and climate in the source region of the Yellow River[J]. China Environmental Science, 2021, 41(8): 3832-3841. DOI:10.3969/j.issn.1000-6923.2021.08.041 |
| [35] | Wang M, Ding Z, Wu C Y, et al. Divergent responses of ecosystem water-use efficiency to extreme seasonal droughts in Southwest China[J]. Science of the Total Environment, 2021, 760. DOI:10.1016/j.scitotenv.2020.143427 |
| [36] | Li X Y, Li Y, Chen A P, et al. The impact of the 2009/2010 drought on vegetation growth and terrestrial carbon balance in Southwest China[J]. Agricultural and Forest Meteorology, 2019, 269-270: 239-248. DOI:10.1016/j.agrformet.2019.01.036 |
| [37] |
王先伟, 刘梅, 柳林. MODIS光谱指数在中国西南干旱监测中的应用[J]. 遥感学报, 2014, 18(2): 432-452. Wang X W, Liu M, Liu L. Responses of MODIS spectral indices to typical drought events from 2000 to 2012 in southwest China[J]. Journal of Remote Sensing, 2014, 18(2): 432-452. |
| [38] |
熊俊楠, 李进, 程维明, 等. 西南地区山洪灾害时空分布特征及其影响因素[J]. 地理学报, 2019, 74(7): 1374-1391. Xiong J N, Li J, Cheng W M, et al. Spatial-temporal distribution and the influencing factors of mountain flood disaster in southwest China[J]. Acta Geographica Sinica, 2019, 74(7): 1374-1391. |
| [39] |
张扬, 周忠发, 黄登红, 等. 喀斯特山区耕地时空演变与影响因子分析[J]. 农业工程学报, 2020, 36(22): 266-275. Zhang Y, Zhou Z F, Huang D H, et al. Spatio-temporal evolution of cultivated land and analysis of influence factors in karst mountainous areas[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 266-275. DOI:10.11975/j.issn.1002-6819.2020.22.030 |
| [40] |
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. Zheng Z J, Zeng Y, Zhao Y J, et al. Analysis of land cover changes in southwestern China since the 1990s[J]. Acta Ecologica Sinica, 2016, 36(23): 7858-7869. |
| [41] |
李茜荣, 杨东, 冯磊, 等. 成渝经济圈2000—2018年植被NDVI的动态变化[J]. 生态学杂志, 2021, 40(9): 2967-2977. Li X R, Yang D, Feng L, et al. Dynamics of vegetation NDVI in Chengdu-Chongqing economic circle from 2000 to 2018[J]. Chinese Journal of Ecology, 2021, 40(9): 2967-2977. |
| [42] | Wan L, Tong J, Zhou J X, et al. Variation of vegetation ecological water consumption and its response to vegetation coverage changes in the rocky desertification areas in South China[J]. PLoS One, 2016, 11(10). DOI:10.1371/journal.pone.0163566 |
| [43] |
田义超, 梁铭忠. 北部湾沿海地区植被覆盖对气温和降水的旬响应特征[J]. 自然资源学报, 2016, 31(3): 488-502. Tian Y C, Liang M Z. The NDVI characteristics of vegetation and its ten-day response to temperature and precipitation in Beibu Gulf Coastal Region[J]. Journal of Natural Resources, 2016, 31(3): 488-502. |
| [44] |
曹云, 钱永兰, 孙应龙, 等. 基于MODIS NDVI的西南森林植被时空变化特征及其气候响应分析[J]. 生态环境学报, 2020, 29(5): 857-865. Cao Y, Qian Y L, Sun Y L, et al. Spatial-temporal variations of forest vegetation and climatic driving force analysis in southwest China based on MODIS NDVI and climate data[J]. Ecology and Environmental Sciences, 2020, 29(5): 857-865. |
| [45] |
崔林丽, 史军, 肖风劲, 等. 中国东部NDVI的变化趋势及其与气候因子的相关分析[J]. 资源科学, 2010, 32(1): 124-131. Cui L L, Shi J, Xiao F J, et al. Variation trends in vegetation NDVI and its correlation with climatic factors in Eastern China[J]. Resources Science, 2010, 32(1): 124-131. |