2023, Vol. 44
2. 中国科学院水利部水土保持研究所, 黄土高原土壤侵蚀与旱地农业国家重点实验室, 杨凌 712100;
3. 西北农林科技大学水土保持研究所, 杨凌 712100;
4. 中国科学院大学, 北京 100049
, JIN Kai1,2
, WANG Fei2,3,4 , LIU Chun-xia1 , QIN Peng1 , ZONG Quan-li1 , LIU Pei-ru1 , CHEN Ming-li1
2. State Key Laboratory of Soil Erosion and Dryland Farming on the Loess Plateau, Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100, China;
3. Institute of Soil and Water Conservation, Northwest A&F University, Yangling 712100, China;
4. University of Chinese Academy of Sciences, Beijing 100049, China
持续显著的气候变化和日益增强的人类活动已对全球自然生态系统造成严重影响[1].植被是陆地生态系统的重要组成部分和保护屏障, 对于各圈层能量流动和物质循环具有重要调节作用, 可作为全球生态系统最直接、最迅速的生物“指示器”[2~4].探索植被对气候变化以及人类活动等非气候因素的响应已成为全球变化研究的重要内容, 对于制定区域生态环境保护与社会经济可持续发展相关策略具有重要意义[5~7].
归一化植被指数(normal difference vegetation index, NDVI)是目前最常用的表征植被覆盖与生长状况的指标, 能够客观且有效地反映不同时空尺度下的植被覆盖动态信息[8].国内外学者基于NDVI数据对不同区域植被变化及其驱动机制开展了大量研究[8~10].例如, Tucker等[11]研究发现, 1982~1999年北半球高纬度地区NDVI的增加与全球气候变暖有关.Ghebrezgabher等[12]对非洲之角的研究表明, 1982~2013年NDVI与气温呈负相关, 而与降水呈正相关.1982~2015年太阳辐射的增加对东南亚的中南半岛地区NDVI起抑制作用, 而对中国森林植被区NDVI起促进作用[13, 14].可见, 气温、降水和太阳辐射均能够影响植被变化, 但响应关系存在空间差异.此外, 人类活动对植被覆盖的影响不容忽视[8].例如, 近几十年来中国大规模植树造林和集约化土地利用极大地促进了区域植被覆盖的增加, 而快速城市化、过度放牧以及大规模采矿活动等则具有显著负面影响[15].气候变化趋势和人类活动形式与强度常具有很大时空异质性[2], 因此亟需开展多尺度分析, 以明确不同时期和区域的植被变化原因与差异.
国内有关植被变化的研究主要聚焦于黄土高原[16]、青藏高原[17]、长江流域[18]、黄河流域[19]和西北草原地区[20]等生态脆弱区.然而, 针对东部沿海等人类活动密集地区的研究相对较少.东部沿海地区南、北纬度跨度大, 气候条件具有地带性差异, 人类活动类型多样且区域差异明显, 其中沿海城市发展迅猛, 而河北、山东等的内陆地区农业发展迅速, 气候和人类活动的双重影响势必引发该区生态环境变化[21, 22].例如, 侯西勇等[23]研究表明, 1998~2008年东部沿海地区NDVI总体呈改善趋势, 并有明显阶段性变化特征; 张学珍等[24]研究发现, 在春季东部沿海地区NDVI呈现南强北弱的特征, 且长三角和珠三角区域NDVI显著下降; Meng等[21]研究表明, 1982~2015年东部沿海地区NDVI具有季节性变化特征, 气候因素和经济因素对NDVI的变化有重要影响.以往研究对于厘清我国东部沿海地区植被变化响应机制具有重要参考价值, 但对近年来的植被变化新特征以及不同时期的驱动因素差异分析较少, 限制了对该区生态环境演变的深入认识.
本研究基于NDVI数据以及气温、降水和太阳辐射资料, 采用变化趋势分析、偏相关分析和多元线性回归残差分析等方法, 通过明确1982~2019年中国东部沿海地区植被NDVI时空变化特征, 揭示气候变化和人类活动等非气候因素对不同阶段植被覆盖变化的作用, 以期为我国快速城镇化背景下和“双碳”目标下的区域生态环境建设与可持续发展提供理论参考.
1 材料与方法 1.1 研究区概况中国东部沿海地区介于113°27′~125°46′E, 23°30′~43°26′N之间, 包括辽宁、河北、山东、江苏、浙江和福建这6个省以及北京、天津和上海这3个直辖市(图 1).以江苏中部为界, 研究区北部主要为温带季风气候, 广泛分布暖温带落叶阔叶林; 南部主要为亚热带季风气候, 广泛分布亚热带常绿阔叶林.该区地处中国“第三级阶梯”, 海拔在-163~2 615 m之间, 北部多为平原, 南部多为丘陵.研究区植被覆盖状况具有明显区域性差异, NDVI总体呈南高北低的空间分布特征.
|
图 1 中国东部沿海地区地理位置与多年平均NDVI空间分布 Fig. 1 Geographical location of eastern coastal areas of China and spatial distribution of mean annual NDVI in the study area |
本研究采用GIMMS NDVI3g V1.0(简称GIMMS3g)和SPOT-VGT NDVI数据集.GIMMS3g来源于美国航空航天局(https://ecocast.arc.nasa.gov/data/pub/gimms/3g.v1/), 其覆盖时间为1981年7月至2015年12月, 时间分辨率为15 d, 空间分辨率为8 km, 该数据已被广泛应用于我国不同地区植被覆盖变化研究中[25~27].SPOT-VGT NDVI数据集包含2005~2019年空间分辨率为1 km的逐月数据, 由中国科学院资源环境科学与数据中心提供(http://www.resdc.cn/data.aspx?DATAID=336)[28].两套NDVI数据都已经过几何校正、辐射校正和大气校正等处理.
1982~2019年的气温和降水月值数据来自于气候研究中心(CRU)时间序列4.01版本[29], 空间分辨率为0.5°.逐月太阳辐射数据来自于CRU JRA(Japanese reanalysis)V2.1数据集[29], 其分辨率和时间跨度与气温和降水数据相同.以上气候数据已被广泛应用于全球植被和气候变化相关研究[30~32].
1.3 研究方法 1.3.1 NDVI和气候数据预处理根据GIMMS3g和SPOT-VGT NDVI之间的关系方程以及SPOT-VGT月值数据估算2016~2019年的逐月NDVI数据, 并将其与GIMMS3g数据序列拼接, 以获得1982~2019年的NDVI序列.由于两种NDVI数据采用了不同的传感器, 因此在数据拟合与拼接之前需要对它们进行一致性检验, 以减少非同源数据产生的误差[7]. 首先, 采用最大值合成法对1982~2015年GIMMS3g数据进行处理, 以获得逐月NDVI最大值数据, 使之与SPOT-VGT数据的时间分辨率保持一致; 其次, 将SPOT-VGT数据重采样至8 km, 使之与GIMMS3g数据的空间分辨率保持一致; 然后选取GIMMS3g(因变量)和SPOT-VGT NDVI(自变量)序列重合部分(2005~2015年逐月NDVI), 建立二者之间的一元线性回归方程, 即y=0.878 3x+0.074 1(R2=0.965 8, P < 0.01).可见, 二者之间具有高度一致性.基于此, 本文对2016~2019年NDVI月值进行拟合, 并与2015年以前的GIMMS3g数据拼接, 最终获得1982~2019年空间分辨率为8 km的逐月NDVI序列数据.此外, 根据前人研究经验[8], 剔除了多年平均NDVI小于0.1的非植被覆盖区(如水体和湖泊等), 仅分析多年平均NDVI大于0.1的植被覆盖区域(图 1).
根据已有研究[26, 33], 将研究区植被生长季定义为4~10月, 春季、夏季和秋季分别定义为3~5、6~8和9~11月.根据NDVI、气温、降水和太阳辐射的月值数据, 进一步计算了生长季和各季节的平均气温、累计降水量和平均太阳辐射量数据, 然后将气象数据线性插值到NDVI格点上, 使NDVI数据与气象数据的空间分辨率保持一致.
1.3.2 趋势分析采用一元线性回归分析计算1982~2019、1982~2000年(第一阶段)以及2001~2019年(第二阶段)NDVI和各气候因子的变化趋势率[34].以NDVI为例, 其变化趋势率计算公式为：
|
(1) |
式中, Slope为变化趋势率; NDVIi为第i年的NDVI值; n为研究时段的年数; i为时间变量(1至n的整数).Slope>0表示在此研究时段内NDVI呈增加趋势, Slope < 0表示在此研究时段内NDVI呈减少趋势, Slope绝对值越大表示变化速率越快.
1.3.3 偏相关性分析采用偏相关分析计算NDVI与各气候因子的偏相关系数, 以探究NDVI与各气候因子的关系.偏相关分析是在不考虑其他变量的影响下, 仅分析剩余两个变量的相关性[35, 36].其计算公式如下：
|
(2) |
|
(3) |
|
(4) |
式中, Ryj为两个变量之间的相关系数, yi和ji分别为第i年的y值和j值, y和j分别为研究时段内y和j的平均值; Ryj, c为控制变量c的情况下y和j的偏相关系数, Ryj、Ryc和Rjc分别为对应两个变量的相关系数; Ryj, ck为控制变量c和k的情况下y和j的偏相关系数, Ryj, c、Ryk, c和Rjk, c分别为对应变量的偏相关系数; 当Ryj, ck>0表示两个变量呈正相关, 当Ryj, ck < 0表示两个变量呈负相关, 其绝对值越大说明二者的关系越紧密.
采用t检验来判断偏相关系数的显著性, 其统计量计算公式为：
|
(5) |
式中, Ryj, ck为偏相关系数; n为样本数量; m为自变量个数.通过查询t分布表来检验偏相关系数的显著程度.
1.3.4 多元回归残差分析采用多元线性回归残差分析区分气候变化和人类活动等非气候因素对NDVI变化的影响[8, 37, 38].首先, 以气温、降水和太阳辐射为自变量, NDVI为因变量建立线性回归模型, 计算模型参数; 然后, 基于气温、降水和太阳辐射数据以及构建的回归模型, 计算NDVI预测值(NDVIpre), 并用其趋势率(Slopepre)表示气候变化对NDVI变化趋势的影响; 最后计算NDVI观测值(NDVIobs)与NDVIpre之差, 得到NDVI残差值(NDVIres), 其趋势率(Sloperes)可用于反映人类活动等非气候因素对NDVI变化趋势的影响[38].多元线性回归模型及残差分析的计算公式如下：
|
(6) |
|
(7) |
式中, NDVIobs、NDVIpre和NDVIres分别为基于遥感影像的NDVI观测值、基于回归模型的NDVI预测值以及NDVI残差值(无量纲); a、b、c和d为回归模型系数, ε为随机误差; T、P和SR分别为平均气温、累计降水量和平均太阳辐射量, 单位分别为℃、mm和W ·m-2.
2 结果与分析 2.1 NDVI时空变化特征整体上, 1982~2019年中国东部沿海地区生长季和各季节NDVI均呈显著上升趋势, 且春季最快[Slope=0.016 5(10 a)-1, P < 0.01]、夏季最慢[Slope=0.005 1(10 a)-1, P < 0.05](图 2).在第一阶段和第二阶段, 生长季及各季节NDVI均呈上升趋势, 但趋势率不同, 其中第一阶段生长季和春季NDVI的增加明显快于第二阶段, 夏季和秋季则相反.
|
图 2 1982~2019年中国东部沿海地区平均NDVI年际变化趋势 Fig. 2 Interannual variation in regional average NDVI in eastern coastal areas of China from 1982 to 2019 |
1982~2019年研究区生长季及各季节NDVI变化速率均具有很大空间差异, 前后两阶段NDVI趋势率空间分布也不一致(图 3).1982~2019年生长季NDVI呈下降趋势的区域主要分布于辽宁东部和长三角地区, 其余区域以增加趋势为主, 其中呈显著增加和显著减小趋势的区域面积占比分别为64.2%和9.2%(图 4); 春季NDVI呈显著增加趋势的区域面积占比最大(60.2%), 而夏季NDVI呈显著减小趋势的区域面积占比最大(18.4%).第一阶段生长季NDVI呈增加趋势的区域主要分布在研究区北部, 而南部以减小趋势为主; 春季NDVI呈显著增加趋势的区域明显多于夏季和秋季, 且主要集中于北方地区, 而夏季NDVI呈显著减小趋势的区域多于春季和秋季, 占总面积的7.3%, 主要集中于长三角和福建沿海地区.相比于第一阶段, 第二阶段生长季和各季节NDVI呈下降趋势的区域更加分散, 其中, 辽宁省NDVI呈下降趋势的区域明显扩大; 在长江以南, 有相当数量的像元, NDVI由前一阶段的下降或不显著增加趋势转变为显著增加趋势(图 4).
|
图 3 中国东部沿海地区NDVI变化趋势空间分布 Fig. 3 Spatial distribution of NDVI trend in eastern coastal areas of China |
|
图 4 中国东部沿海地区NDVI变化趋势显著性空间分布 Fig. 4 Spatial distribution of the significance of NDVI change in eastern coastal areas of China |
1982~2019年研究区生长季气温呈极显著上升趋势(P < 0.01), 生长季降水呈不显著上升趋势, 太阳辐射呈显著下降趋势(P < 0.05), 其中第二阶段的气温和降水增加速率明显快于第一阶段, 而太阳辐射由前一阶段的下降趋势转变为上升(表 1).1982~2019年各季节升温趋势率排序为春季>秋季>夏季, 这与各季节NDVI趋势率排序一致(图 2).相比于第一阶段, 第二阶段春季升温较慢, 而夏季和秋季升温更快, 这与各季节NDVI变化的阶段性差异一致; 第一阶段仅夏季降水量呈增加趋势, 而第二阶段各季节降水量均增加; 第一阶段各季节太阳辐射均呈不显著下降趋势, 而第二阶段春季和夏季太阳辐射转变为上升趋势, 秋季则呈显著下降趋势(P < 0.05).
|
表 1 1982~2019年中国东部沿海地区气温、降水量和太阳辐射年际变化趋势率1) Table 1 Trend rates of temperature, precipitation, and solar radiation in eastern coastal areas of China in the study periods |
偏相关分析结果表明(表 2), 1982~2019年生长季NDVI与气温之间存在极显著正相关关系(P < 0.01), 与降水以及太阳辐射的相关性不显著; 各季节NDVI与气温的相关性也明显强于降水和太阳辐射, 特别是春季NDVI与气温呈极显著正相关关系(P < 0.01).因此, 气温的迅速上升可能是近38年来NDVI显著增加的主要气候驱动力.第一、二阶段生长季及各季节NDVI与3个气候因子的相关性均不显著, 但两阶段的偏相关系数差异较大, 甚至符号相反.例如, 春季NDVI与太阳辐射的偏相关系数由第一阶段的负值变为第二阶段的正值, 表明其对NDVI的增加由抑制作用转变为促进作用.由表 2可知, 第一、二阶段生长季NDVI分别与降水和太阳辐射的关系最为紧密, 春季分别为气温和太阳辐射, 夏季与春季相反, 而秋季则均为太阳辐射.
|
|
表 2 中国东部沿海地区生长季和各季节NDVI与不同时段气温、降水和太阳辐射的偏相关系数1) Table 2 Partial correlation coefficients between NDVI and temperature, precipitation, and solar radiation for growing season and different seasons in different periods in eastern coastal areas of China |
2.2.2 像元尺度分析
研究区生长季及各季节NDVI与气温、降水和太阳辐射的关系均存在很大时空差异(图 5~7).1982~2019年生长季NDVI与气温呈正相关的区域面积占比为78.5%, 且多数区域为显著正相关, 呈显著负相关的区域面积占比为13.6%, 主要分布于太湖流域; 与第一阶段相比, 第二阶段生长季NDVI与气温呈显著正相关的区域明显增加, 其中浙江和福建变化最大(图 5).季节尺度上, 1982~2019年春季NDVI与气温呈正相关的区域面积占比最多(81.6%), 可见, 春季NDVI对气温的变化最为敏感, 而夏季NDVI与气温呈负相关的区域面积占比最多(38.0%); 第一、二阶段春季NDVI与气温呈正相关的区域面积均大于相同时段夏季和秋季.
|
图 5 中国东部沿海地区各季节NDVI与气温偏相关分析 Fig. 5 Partial correlation analysis between NDVI and temperature in various seasons in eastern coastal areas of China |
|
图 6 中国东部沿海地区各季节NDVI与降水量偏相关分析 Fig. 6 Partial correlation analysis between NDVI and precipitation in various seasons in eastern coastal areas of China |
|
图 7 中国东部沿海地区各季节NDVI与太阳辐射偏相关分析 Fig. 7 Partial correlation analysis between NDVI and solar radiation in various seasons in eastern coastal areas of China |
1982~2019年以及第一、二阶段, 生长季NDVI与降水的相关性在空间分布上有明显的区域特征(图 6), 呈正相关的区域主要分布于半湿润区(辽宁西部、京津冀地区和山东), 而呈负相关的区域主要分布于湿润区(辽宁东部、长三角地区和福建).季节尺度上, 1982~2019年秋季NDVI与降水呈显著正相关的区域最多; 而在第一、二阶段夏季NDVI与降水呈显著正相关的区域最多, 其主要分布于环渤海区域; 1982~2019年及第一、二阶段, 江苏夏季NDVI与降水呈显著负相关的区域明显多于同时段春季和秋季.
1982~2019年以及第一、二阶段, 生长季NDVI与太阳辐射以正相关为主, 部分地区呈现显著正(负)相关关系(图 7).季节尺度上, 1982~2019年春季NDVI与太阳辐射呈正相关的区域面积占比为53.8%, 其中, 浙江区域呈显著正相关, 而夏季和秋季NDVI与太阳辐射以负相关为主, 且均主要分布于环渤海区域; 第一阶段春季NDVI与太阳辐射呈负相关的区域面积占比为50.6%, 其中, 在河北北部呈显著负相关; 相比于第一阶段, 第二阶段春季NDVI与太阳辐射呈正相关的区域面积占比(78.8%)大幅上升, 而夏季和秋季大幅下降.
2.3 气候变化和人类活动等非气候因素对NDVI变化的影响图 8表明, 1982~2019年Slopepre和Sloperes的空间分布具有一致性, 大多数区域NDVIpre和NDVIres均呈增加趋势, 但趋势率多在0~0.02(10 a)-1; Slopepre>0.02(10 a)-1的区域面积多于Sloperes>0.02(10 a)-1的区域, 且主要分布于研究区北部; Slopepre和Sloperes为负值的区域较少, 均集中于长三角和辽宁东部地区.图 9表明, 1982~2019年NDVIpre和NDVIres呈显著增加(减小)趋势的区域面积占比分别为69.1%(14.1%)和35.1%(4.1%).因此, 相比于人类活动等非气候因素的影响, 气候变化对近38年来研究区NDVI变化的影响更大.
|
图 8 气候变化和人类活动等非气候因素对中国东部沿海地区生长季NDVI变化趋势的影响空间分布 Fig. 8 Spatial distribution of effects of climate change and non-climatic factors on the trend of growing season NDVI in eastern coastal areas of China |
|
图 9 气候变化和人类活动等非气候因素导致的生长季NDVI变化趋势显著性空间分布 Fig. 9 Spatial distribution of the significance of trends in growing season NDVI caused by climate change and non-climatic factors in eastern coastal areas of China |
第一阶段, Slopepre为正值的区域(64.8%)明显少于Sloperes为正值的区域(79.0%), 且均集中于研究区北部, 其中Slopepre主要在0~0.02(10 a)-1, 而Sloperes>0.04(10 a)-1的区域明显多于Slopepre(图 8).此外, NDVIpre和NDVIres呈显著增加(减小)趋势的区域面积占比分别为8.9%(0.7%)和31.3%(3.6%)(图 9).可见, 人类活动等非气候因素为研究区第一阶段NDVI变化的主导因素.
第二阶段, Slopepre为正值的区域面积占比(68.3%)略多于Sloperes(61.9%), 但其空间分布差异较大, 其中河北和山东多数地区的Slopepre较Sloperes大, 多在0.02(10 a)-1以上(图 8).此外, NDVIpre呈显著增加和减小趋势的区域面积占比分别为41.1%和12.5%, 约为NDVIres呈显著增加和减小趋势的区域面积的两倍(图 9).相比于第一阶段, 第二阶段气候变化对研究区NDVI变化的影响明显增加, 已成为NDVI变化的主导因素, 而人类活动等非气候因素的影响有所下降, 转变为次要因素.
3 讨论本研究表明, 1982~2019年中国东部沿海地区NDVI增加速率与气温上升速率的季节性差异具有一致性, 这与Meng等[21]对该地区的研究结果一致.其中, 近38年来研究区春季NDVI和气温增加速率均为各季节最快, 二者相关性也最强(偏相关系数达0.573, P < 0.01).因此, 研究区NDVI的显著增加与气温的快速上升密切相关.气温上升有利于土壤有机质和营养元素的分解与释放, 同时可增强植被光合作用, 春季气温上升还可能导致植被物候开始时间提前, 以上均对地表植被生长具有重要促进作用[21, 39].研究区生长季NDVI与降水的响应关系具有明显区域性特征.其中, 辽宁西部、京津冀和山东等半湿润地区NDVI与降水多呈正相关, 而辽宁东部、长三角和福建等湿润地区NDVI与降水多呈负相关.通常, 半湿润地区降水少且潜在蒸发量大, 降水是植被生长的主要限制因素之一, 因此, 降水增加会促进植被生长.相反, 在湿润地区, 充足的降水一般可以满足植被生长需求, 降水过多反而会增加云量, 进而使日照时数和太阳辐射量减少, 植物光合作用效益减弱, 对植被生长造成不利影响[40].此外, 本研究发现, 江苏省夏季NDVI与降水呈显著负相关的区域均明显多于春季和秋季, 这可能与夏季极端降雨频发有关.李建国等[41]研究表明, 1982~2015年中国东部沿海地区暴雨发生次数明显增加, 且集中在夏季, 暴雨灾害频发对江苏NDVI增加有显著抑制性, 这与本研究观测到的结果一致.
除植被变化驱动因素的季节性差异外, 本文发现气候变化和人类活动等非气候因素对研究区NDVI变化影响也存在明显阶段性差异.其中, 人类活动等非气候因素对第一阶段的生长季NDVI增加起主导作用.一方面, 该时期人类活动对NDVI增加影响较大的区域主要分布于辽宁西部、河北、山东和江苏北部, 其土地利用类型以耕地为主, 农业技术进步和管理水平提高(如农业灌溉率、开垦面积、农药使用量和施肥量增加)可能是导致植被覆盖增加的重要原因[8].另一方面, 1991年以来研究区相继实施了沿海防护林体系建设工程和淮河太湖流域综合治理防护林体系建设工程, 这对植被覆盖的增加同样具有积极作用[16, 42].在第二阶段, 气候变化成为研究区生长季NDVI增加的主要驱动力.进入21世纪, 我国城市化发展迅速, 特别是环渤海地区、长三角以及珠三角地区城市扩张速度明显加快, 大量耕地、林地和草地被城市用地占据, 对植被覆盖具有明显负面影响[43~45].图 10表明, 研究区第二阶段建设用地面积增加速率明显大于第一阶段, 第二阶段建设用地快速扩张的区域与NDVIres明显下降的区域在空间上高度一致(图 8).相反, 第二阶段研究区生长季降水和太阳辐射相比于第一阶段增加明显, 京津冀地区以及福建北部一些区域降水对NDVI的作用明显增强, 福建、浙江等地气温和太阳辐射对NDVI的作用明显增强.以上结果与图 8所示NDVIpre的变化趋势相符.在区域尺度上看, 降水和太阳辐射的增加是第二阶段NDVI变化的重要影响因素(表 2).
|
图 10 中国东部沿海地区建设用地面积变化空间分布 Fig. 10 Spatial distribution of change in construction land area in eastern coastal areas of China |
本研究结果对于理解和认识东部沿海地区植被覆盖变化时空差异与驱动机制具有一定积极作用, 但在以下3个方面仍可能存在不确定性或局限性.首先, 本研究采用的NDVI遥感数据的空间分辨率较低, 且可能受卫星传感器、云和噪声等的影响, 因此难以准确反映城市等局部区域的植被覆盖变化情况; 同时NDVI数据在植被覆盖状况好的地区易出现饱和现象, 即对植被覆盖的变化不敏感, 进而导致低估NDVI变化速率, 这也可能是本研究区夏季NDVI上升缓慢的原因之一[46].其次, 在像元尺度上建立的多元线性回归模型可能存在拟合度较低的情况, 增加了对气候和非气候因素影响评价的不确定性.此外, 由于非气候因素众多, 包含土地利用变化和农业生产等人类活动、火灾和水灾等自然灾害以及气候波动等, 而本研究并未详细区分各因素的影响, 仅对人类活动相关作用进行了讨论, 如何更准确地判别各因素的影响有待进一步探讨.总之, 采用更高质量的遥感影像资料以及更为稳健的研究方法, 综合多种影响因素和时空尺度开展研究, 将有助于进一步厘清区域植被覆盖变化驱动机制.
4 结论(1) 中国东部沿海地区NDVI变化具有区域性、阶段性和季节性差异.其中, 1982~2019年生长季、春季和秋季NDVI均呈极显著增加趋势, 且春季增加最为明显.就生长季而言, 第一阶段NDVI显著增加区域集中于北方地区, 而显著下降区域集中于长三角等南方地区; 第二阶段北方地区NDVI显著减少的区域以及南方地区NDVI显著增加的区域明显增多.
(2) 就区域平均而言, 近38年来生长季和各季节NDVI与气温的关系最为紧密, 但NDVI与各气候因子的关系在不同阶段和地区差异明显, 起主导作用的气候因子也不相同.其中, 绝大多数区域近38年来生长季NDVI与气温均呈显著正相关关系, 而春季气温对NDVI增加的促进作用最明显; 秋季降水对NDVI增加的促进作用较春、夏季节强; 春季太阳辐射对NDVI起促进作用的区域集中于南方.总体上, 气温升高对近38年来研究区NDVI的增加作用最大, 降水和太阳辐射变化也有不可忽视的作用.
(3) 气候变化和人类活动等非气候因素对研究区生长季NDVI变化的影响具有阶段性差异, 二者分别主导了第二和第一阶段的NDVI变化.整体上, 气候变化对近38年来研究区NDVI变化的影响更大.然而, 气候和非气候因素的影响呈现很大空间异质性, 其中第一阶段NDVIres呈显著上升的区域主要分布于研究区北部; 第二阶段NDVIpre呈显著上升的区域主要分布于京津冀、福建和浙江地区.
| [1] | IPCC. Summary for policymakers[A]. Stocker T F, Qin D, Plattner G K, et al (Eds. ). Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2013. |
| [2] |
崔浩楠, 罗海江, 张学珍. 1982-2019年长江经济带植被覆盖变化的时空特征[J]. 生态学杂志, 2021, 40(8): 2517-2529. Cui H N, Luo H J, Zhang X Z. Temporal and spatial characteristics of green vegetation cover changes in the Yangtze River Economic Belt from 1982 to 2019[J]. Chinese Journal of Ecology, 2021, 40(8): 2517-2529. |
| [3] |
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. |
| [4] |
王建邦, 赵军, 李传华, 等. 2001-2015年中国植被覆盖人为影响的时空格局[J]. 地理学报, 2019, 74(3): 504-519. Wang J B, Zhao J, Li C H, et al. The spatial-temporal patterns of the impact of human activities on vegetation coverage in China from 2001 to 2015[J]. Acta Geographica Sinica, 2019, 74(3): 504-519. |
| [5] |
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. |
| [6] |
徐勇, 黄雯婷, 窦世卿, 等. 2000-2020年西南地区植被NDVI对气候变化和人类活动响应特征[J]. 环境科学, 2022, 43(6): 3230-3240. Xu Y, Huang W T, Dou S Q, et al. Responding mechanism of vegetation cover to climate change and human activities in southwest china from 2000 to 2020[J]. Environmental Science, 2022, 43(6): 3230-3240. |
| [7] |
孙天瑶, 李雪梅, 许民, 等. 2000-2018年塔里木河流域植被覆盖时空格局[J]. 干旱区地理, 2020, 43(2): 415-424. Sun T Y, Li X M, Xu M, et al. Spatial-temporal variations of vegetation coverage in the Tarim River Basin from 2000 to 2018[J]. Arid Land Geography, 2020, 43(2): 415-424. |
| [8] |
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. |
| [9] | Eckert S, Hüsler F, Liniger H, et al. Trend analysis of MODIS NDVI time series for detecting land degradation and regeneration in Mongolia[J]. Journal of Arid Environments, 2015, 113: 16-28. DOI:10.1016/j.jaridenv.2014.09.001 |
| [10] |
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. |
| [11] | Tucker C J, Slayback D A, Pinzon J E, et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology, 2001, 45(4): 184-190. DOI:10.1007/s00484-001-0109-8 |
| [12] | 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 |
| [13] | 钱满亿. 中南半岛地区植被与气候的联系及其未来预估[D]. 南京: 南京信息工程大学, 2021. |
| [14] |
刘雪佳. 中国陆地主要植被类型生产力及其与气候因子的关系[D]. 太原: 山西大学, 2019. Liu X J. Main land vegetation productivity and their relationship with climatic factors in China[D]. Taiyuan: Shanxi University, 2019. |
| [15] | Feng D R, Fu M C, Sun Y Y, et al. How large-scale anthropogenic activities influence vegetation cover change in China? A review[J]. Forests, 2021, 12(3). DOI:10.3390/f12030320 |
| [16] |
赵安周, 张安兵, 刘海新, 等. 退耕还林(草)工程实施前后黄土高原植被覆盖时空变化分析[J]. 自然资源学报, 2017, 32(3): 449-460. Zhao A Z, Zhang A B, Liu H X, et al. Spatiotemporal variation of vegetation coverage before and after implementation of grain for green project in the Loess Plateau[J]. Journal of Natural Resources, 2017, 32(3): 449-460. |
| [17] |
杨达, 易桂花, 张廷斌, 等. 青藏高原植被生长季NDVI时空变化与影响因素[J]. 应用生态学报, 2021, 32(4): 1361-1372. Yang D, Yi G H, Zhang T B, et al. Spatiotemporal variation and driving factors of growing season NDVI in the Tibetan Plateau, China[J]. Chinese Journal of Applied Ecology, 2021, 32(4): 1361-1372. |
| [18] |
张亮, 丁明军, 张华敏, 等. 1982-2015年长江流域植被覆盖度时空变化分析[J]. 自然资源学报, 2018, 33(12): 2084-2097. Zhang L, Ding M J, Zhang H M, et al. Spatiotemporal variation of the vegetation coverage in Yangtze River Basin during 1982-2015[J]. Journal of Natural Resources, 2018, 33(12): 2084-2097. |
| [19] |
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. |
| [20] |
张华, 徐存刚, 王浩. 2001-2018年西北地区植被变化对气象干旱的响应[J]. 地理科学, 2020, 40(6): 1029-1038. Zhang H, Xu C G, Wang H. Response of vegetation change to meteorological drought in Northwest China from 2001 to 2018[J]. Scientia Geographica Sinica, 2020, 40(6): 1029-1038. |
| [21] | Meng Z Q, Liu M, Gao C C, et al. Greening and browning of the coastal areas in mainland China: spatial heterogeneity, seasonal variation and its influential factors[J]. Ecological Indicators, 2020, 110. DOI:10.1016/j.ecolind.2019.105888 |
| [22] |
韩贵锋. 中国东部地区植被覆盖的时空变化及其人为因素的影响研究[D]. 上海: 华东师范大学, 2007. Han G F. Spatio-temporal change of vegetation cover in east China and influence of artificial factors[D]. Shanghai: East China Normal University, 2007. |
| [23] |
侯西勇, 应兰兰, 高猛, 等. 1998-2008年中国东部沿海植被覆盖变化特征[J]. 地理科学, 2010, 30(5): 735-741. Hou X Y, Ying L L, Gao M, et al. Character of vegetation cover change in China's eastern coastal Areas 1998-2008[J]. Scientia Geographica Sinica, 2010, 30(5): 735-741. |
| [24] |
张学珍, 戴君虎, 葛全胜. 1982-2006年中国东部春季植被变化的区域差异[J]. 地理学报, 2012, 67(1): 53-61. Zhang X Z, Dai J H, Ge Q S. Spatial differences of changes in spring vegetation activities across eastern China during 1982-2006[J]. Acta Geographica Sinica, 2012, 67(1): 53-61. |
| [25] | Jin K, Wang F, Zong Q L, et al. Spatiotemporal differences in climate change impacts on vegetation cover in China from 1982 to 2015[J]. Environmental Science and Pollution Research, 2022, 29(7): 10263-10276. |
| [26] |
金凯. 中国植被覆盖时空变化及其与气候和人类活动的关系[D]. 杨凌: 西北农林科技大学, 2019. Jin K. Spatio-temporal variations of vegetation cover and its relationships between climate change and human activities over China[D]. Yangling: Northwest A&F University, 2019. |
| [27] |
杜加强, 舒俭民, 赵晨曦, 等. 两代AVHRR GIMMS NDVI数据集的对比分析——以新疆地区为例[J]. 生态学报, 2016, 36(21): 6738-6749. Du J Q, Shu J M, Zhao C X, et al. Comparison of GIMMS NDVI3g and GIMMS NDVIg for monitoring vegetation activity and its responses to climate changes in Xinjiang during 1982-2006[J]. Acta Ecologica Sinica, 2016, 36(21): 6738-6749. |
| [28] | Liu L B, Wang Y, Wang Z, et al. Elevation-dependent decline in vegetation greening rate driven by increasing dryness based on three satellite NDVI datasets on the Tibetan Plateau[J]. Ecological Indicators, 2019, 107. DOI:10.1016/j.ecolind.2019.105569 |
| [29] | Harris I, Osborn T J, Jones P, et al. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0453-3 |
| [30] | Liu Q, Zhang J H, Zhang H R, et al. Evaluating the performance of eight drought indices for capturing soil moisture dynamics in various vegetation regions over China[J]. Science of the Total Environment, 2021, 789. DOI:10.1016/j.scitotenv.2021.147803 |
| [31] | Verhoeve S L, Keijzer T, Kaitila R, et al. Vegetation resilience under increasing drought conditions in northern Tanzania[J]. Remote Sensing, 2021, 13(22). DOI:10.3390/rs13224592 |
| [32] | Liu Y, Yue Q M, Wang Q Y, et al. A framework for actual evapotranspiration assessment and projection based on meteorological, vegetation and hydrological remote sensing products[J]. Remote Sensing, 2021, 13(18). DOI:10.3390/rs13183643 |
| [33] |
张学珍, 朱金峰. 1982-2006年中国东部植被覆盖度的变化[J]. 气候与环境研究, 2013, 18(3): 365-374. Zhang X Z, Zhu J F. Variations in fractional vegetation coverage over eastern China during 1982-2006[J]. Climatic and Environmental Research, 2013, 18(3): 365-374. |
| [34] |
赵倩倩, 张京朋, 赵天保, 等. 2000年以来中国区域植被变化及其对气候变化的响应[J]. 高原气象, 2021, 40(2): 292-301. Zhao Q Q, Zhang J P, Zhao T B, et al. Vegetation changes and its response to climate change in china Since 2000[J]. Plateau Meteorology, 2021, 40(2): 292-301. |
| [35] | 徐建华. 现代地理学中的数学方法[M]. (第二版). 北京: 高等教育出版社, 2002. |
| [36] |
王一, 郝利娜, 赵美龄, 等. 2001-2018年重庆植被NDVI变化及其对气候因子和人类活动的响应[J]. 水土保持研究, 2021, 28(5): 222-229. Wang Y, Hao L N, Zhao M L, et al. Variation of vegetation NDVI and its response to climatic factors and human activities in Chongqing from 2001 to 2018[J]. Research of Soil and Water Conservation, 2021, 28(5): 222-229. |
| [37] | Jin K, Jin Y S, Wang F, et al. Impacts of anthropogenic activities on vegetation cover changes in the Circum-Bohai-Sea region, China[J]. Geocarto International, 2021. DOI:10.1080/10106049.2021.2017016 |
| [38] |
刘海, 黄跃飞, 郑粮. 气候与人类活动对丹江口水源区植被覆盖变化的影响[J]. 农业工程学报, 2020, 36(6): 97-105. Liu H, Huang Y F, Zheng L. Effects of climate and human activities on vegetation cover changes in Danjiangkou Water Source Areas[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(6): 97-105. |
| [39] |
李净, 刘红兵, 李彩云, 等. 基于GIMMS 3g NDVI的近30年中国北部植被生长季始期变化研究[J]. 地理科学, 2017, 37(4): 620-629. Li J, Liu H B, Li C Y, et al. Changes of green-up day of vegetation growing season based on GIMMS 3g NDVI in Northern China in recent 30 years[J]. Scientia Geographica Sinica, 2017, 37(4): 620-629. |
| [40] |
赵茂盛, 符淙斌, 延晓冬, 等. 应用遥感数据研究中国植被生态系统与气候的关系[J]. 地理学报, 2001, 56(3): 287-296. Zhao M S, Fu C B, Yan X D, et al. Study on the relationship between different ecosystems and climate in china using NOAA/AVHRR data[J]. Acta Geographica Sinica, 2001, 56(3): 287-296. |
| [41] |
李建国, 袁冯伟, 赵宴青, 等. 中国东部沿海地区暴雨对植被活动的影响[J]. 地理科学, 2020, 40(2): 324-334. Li J G, Yuan F W, Zhao Y Q, et al. Effect of rainstorms on vegetation activities in eastern coastal area of China[J]. Scientia Geographica Sinica, 2020, 40(2): 324-334. |
| [42] |
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. |
| [43] | Jiang L J, Guli ·Jiapaer, 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. |
| [44] | Jin K, Wang F, Li P F. Responses of vegetation cover to environmental change in large cities of China[J]. Sustainability, 2018, 10(1). DOI:10.3390/su10010270 |
| [45] | Fang J Y, Piao S L, He J S, et al. Increasing terrestrial vegetation activity in China, 1982-1999[J]. Science in China Series C: Life Sciences, 2004, 47(3): 229-240. |
| [46] |
王正兴, 刘闯, Huete A. 植被指数研究进展: 从AVHRR-NDVI到MODIS-EVI[J]. 生态学报, 2003, 23(5): 979-987. Wang Z X, Liu C, Huete A. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979-987. |