2023, Vol. 44
2. 水土保持国家林业局重点实验室, 北京 100083
2. Key Laboratory of Soil and Water Conservation State Forestry Bureau, Beijing 100083, China
地表植被是维持陆地生态系统平衡的重要组成成分, 被称作气候变化和碳库指示器[1~3], 在生态系统碳平衡、气候调节和涵养水源等方面发挥了至关重要的作用[4~6].因此, 监测植被动态变化也成为区域变化研究中的热点问题[7].归一化植被指数(normalized difference vegetation index, NDVI)作为衡量植被覆盖度和生长特征的有效遥感指标, 对植被敏感性高, 被广泛用于植被动态监测, 有助于了解区域生态环境发展, 对区域生态环境质量评估具有重要现实意义[8, 9].
西南高山峡谷区物种丰富, 生态系统复杂, 基于其独特的地形地貌环境以及气候特征, 加之过去人类活动对生态环境的破坏, 导致生态环境恶化, 使西南高山峡谷区成为中国典型的生态脆弱区.因此, 反演该地区植被变化历史轨迹并分析其影响因素, 为生态保护评估提供科学依据和有效支撑, 是当前国家需求, 也是面向区域生态安全、生态恢复与生态保护相结合的重要任务[10].
近年来, 有学者基于一元线性回归法、Hurst指数和变异系数等方法在不同时空尺度上对植被时空变化特征及影响因素进行了研究.随着研究的不断深入, 取得了丰硕的成果.李焱等[11]针对藏西南地区的研究发现: NDVI变化不光与区域水热条件密切相关, 而且受地形因子的共同影响, NDVI在不同高程梯度上也存在较大差异.李美丽等[12]探讨了气候因子与西南地区植被覆盖变化的响应机制, 发现西南地区NDVI变化整体呈现上升趋势, 并且表现为非气候因素驱动.有研究表明[13~15], 西南地区NDVI明显提升的原因, 人为因素主要体现在天然林资源保护、退耕还林还草和西南岩溶石漠化综合治理等林业生态工程的实施; 自然因素主要体现在气候因子(气温和降水)对NDVI影响.金芳芳[16]对西南山区的研究表示近年来西南山区NDVI呈上升趋势, 但不同区域之间存在显著差异.彭文甫等[17]对四川地区NDVI变化分析发现高程和年均温对植被状况可变性具有较强的影响力.综上可知, NDVI变化主要受气候因子、地形因子和人类活动的共同影响, 但目前研究更多侧重于NDVI值与上述因子的相关性方面, 未能较好地量化各因子对NDVI空间分异的影响力水平.考虑的影响因子主要为气候因子、地形因子和人类活动, 而忽略了植被类型和土壤类型差异对NDVI空间分异的影响, 影响因子考虑不充分.西南高山峡谷区地形复杂, 气候条件和人类活动空间分异明显, 已有研究表明NDVI变化与影响因子之间存在明显空间尺度效应[18], 但是现有研究空间尺度上主要集中在西南地区或者局部小区域, 西南高山峡谷区植被变化及影响因素依然缺乏系统性研究.
鉴于此, 本研究通过2000~2019年NDVI、社会经济因子和自然因子数据集, 对西南高山峡谷区NDVI时空变化特征进行分析, 结合地理探测器定量分析了自然因子和社会经济因子对NDVI空间分异的影响力, 并探讨了NDVI稳定性与影响因子的关系, 以期为西南高山峡谷区植被动态监测、管理及保护提供科学依据, 对于制定合理的生态保护方案具有重要的应用价值.
1 研究区概况西南高山峡谷区地处四川、西藏和云南三省交界地带, 面积约611 000 km2, 地理坐标在24°58′7.47″~32°51′24.93″N, 91°23′48.24″~104°13′43.55″E之间(图 1).按照水土保持区划可划分为滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区、藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区.海拔介于89~6 826 m之间, 地势起伏大, 地形复杂, 地貌以山地、丘陵以及高原为主.由东南向西北横跨干旱区、半干旱区、半湿润区以及湿润区, 由于热带和亚热带季风气候的交替影响, 气候空间分布差异明显, 平均气温为-2.98~21.89℃, 平均降雨量为296.62~2 302.90 mm.土壤和植被类型丰富, 土壤类型主要有高山土、淋溶土和铁铝土; 植被类型以针叶林、阔叶林、灌丛和草甸为主.由于特殊地质地貌和气候条件影响, 西南高山峡谷区生态环境十分脆弱, 属于生态环境重点保护区域.
|
图 1 研究区地理位置示意 Fig. 1 Geographic location diagram of the study area |
研究采用的数据主要包括2000~2019年NDVI数据集、社会经济因子数据集以及自然因子数据集.NDVI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/)中国月度植被指数空间分布数据集[19], 时间跨度为2000年1月至2019年12月, 空间分辨率为1 km, 使用ArcGIS软件对该数据集进行重投影和裁剪, 并采用最大值合成法生成逐年西南高山峡谷区NDVI数据集.
社会经济因子包括人口密度和GDP, 其栅格数据集来源于中国科学院资源环境科学与数据中心[20, 21], 时间跨度为2000~2019年, 空间分辨率为1 km, 使用ArcGIS软件对该数据进行重投影和裁剪, 然后通过像元统计工具获取2000~2019年人口密度和GDP均值数据.
自然因子包括气象因子、地形因子、植被类型、土壤类型以及地貌类型.气象因子数据来源于CRU TS(https://crudata.uea.ac.uk/cru/data/hrg/)发布的全球0.5°气候数据集, 使用ArcGIS软件进行空间降尺度生成空间分辨率为1 km的中国区气象数据集, 进而通过裁剪获取西南高山峡谷区气象数据集.地形因子包括高程、坡度和坡向, DEM下载自地理空间数据云(https://www.gscloud.cn/), 通过重投影和裁剪获取研究区DEM, 并进一步提取坡向和坡度.植被类型、土壤类型和地貌类型栅格数据均来源于中国科学院资源环境科学与数据中心, 空间分辨率1km, 通过重投影和裁剪获取研究区植被类型、土壤类型和地貌类型数据集.
2.2 研究方法 2.2.1 最大值合成法(maximum value composites, MVC)使用最大值合成法(MVC)[22]合成年度NDVI, 计算公式为:
|
(1) |
式中, NDVIi为第i年NDVI最大值; Max为最大值函数; NDVIt为第t月NDVI值, t为月序号, t=1, 2, 3, …, 12.
2.2.2 NDVI变化趋势分析为研究西南高山峡谷区NDVI变化趋势空间分布特征, 本文采用一元线性回归法[23], 逐像元对NDVI变化趋势进行分析, 从而反映其空间变化特征, 计算公式为:
|
(2) |
式中, Slope为回归方程的斜率; n为研究时间段年数; Vi为第i年NDVI像元值.Slope>0则表示研究时间段内NDVI值增加, Slope＜0则表示NDVI值减少, |Slope|越大, 则NDVI值在研究时段内变化越大, 反之表示变化越小.
采用F检验法[23]对NDVI变化趋势进行显著性检验, 其计算公式为:
|
(3) |
|
(4) |
|
(5) |
式中, U为误差平方和, Q为回归平方和; yi为第i年NDVI像元值; ŷl为其回归值, yl为研究时段NDVI平均值; n为研究年数.综合斜率Slope和F检验法将NDVI变化趋势划分为6个等级, 如表 1所示.
|
表 1 NDVI变化趋势等级划分 Table 1 Classification of NDVI change trends |
2.2.3 未来变化趋势分析
Hurst指数可以预测时间序列NDVI未来变化趋势, 最早由Hurst提出, Mandelbrot对其进行了改进, 目前被广泛运用于气象、水文以及生态领域长时间序列变化趋势分析[24~27], 其计算方法过程如下.
对于时间序列NDVIt, t=1, 2, 3, …, n, 定义其均值序列:
|
(6) |
累积离差计算:
|
(7) |
极差计算:
|
(8) |
标准差计算:
|
(9) |
Hurst指数计算:
|
(10) |
拟合直线得到Hurst指数:
|
(11) |
式中, c为关系常数, H为Hurst指数, a为截距. H=0.5时, 表示NDVI未来变化趋势不确定, 具有随机性; 0＜H＜0.5时, 表示NDVI未来变化趋势与过去相反, 具有反可持续性; 0.5＜H＜1时, 表示NDVI未来变化趋势与过去相同, 具有可持续性.
2.2.4 地理探测器模型地理探测器[28~31]是由王劲峰提出的一种空间分析模型, 其中因子探测器和因子交互作用探测器可以用于定量分析多个自变量X与因变量Y之间的关系.
(1) 因子探测器 该探测器主要用来探测自变量X对因变量Y的影响力, 影响力大小采用q值衡量[32, 33], q值越高, 其影响力越强, 计算公式为:
|
(12) |
|
(13) |
|
(14) |
式中, h=1, 2, 3, …, L, 为自变量X的分层; Nh为h层的单元数; N为整个区域单元数量; ρh2为h层的方差; ρ2为整个区域方差.SST表示层内方差; SSW表示整个区域方差和.
(2) 因子交互作用探测器 该探测器可以用于识别不同因素之间交互作用影响力[34, 35].即通过计算q(X1∩X2)值来判断因子X1和X2的共同作用对因变量Y的影响力是增强还是减弱, 将q(X1∩X2)值与q(X1)和q(X2)的数值进行比较, 对于因变量Y的作用关系判别依据见表 2.
|
|
表 2 交互作用判别依据及作用关系类型 Table 2 Discriminant basis of interaction and type of interaction relation |
(3) 数据离散化处理 NDVI空间分异是多因子综合作用的结果, 本研究选取10个影响因子(表 3), 分析其对NDVI空间分异的影响力水平.自然断点分类法[36]可以有效避免人为干扰, 最大限度地提高类之间的差异, 常用于地理探测器数据分类.采用自然断点分类法将气温、降水量、人口密度和GDP等4个影响因子分为7类; 考虑高程落差大将其分为10类; 坡度根据《土地利用现状调查技术规程》划分6级; 按照坡向定义将其划分为8类; 植被类型根据《中国植被图集》大类划分为9类; 土壤类型按照土纲划分为10类; 地貌类型根据《中国地貌图集》划分为7类.
|
|
表 3 影响因子分类 Table 3 Classification of impact factors |
2.2.5 稳定性分析
变异系数[37, 38]是NDVI时间序列标准差与平均值的比值, 可用于反映研究时段内西南高山峡谷区NDVI变化的波动程度, 其计算公式如下:
|
(15) |
式中, Cv为变异系数; SDNDVI为标准差; NDVI为研究期间NDVI均值.按照自然断点分类法将Cv划分为5个等级: 低波动变化(0~0.10)、较低波动变化(0.10~0.20)、中等波动变化(0.20~0.38)、中高波动变化(0.38~0.66)和高波动变化(0.66~2.01).
3 结果与分析 3.1 NDVI空间分布格局根据2000~2019年NDVI均值空间分布可知[图 2(a)], 西南高山峡谷区NDVI空间分异明显, 呈现东南高, 西北低的分布格局.为进一步反映NDVI空间分布情况, 参考前人研究将NDVI均值按照等间距法[39]划分为5个等级[图 2(b)]: 低植被覆盖(0~0.2)、中低植被覆盖(0.2~0.4)、中等植被覆盖(0.4~0.6)、中高植被覆盖(0.6~0.8)和高植被覆盖(0.8~1), 分区统计结果如表 4所示: 总体上西南高山峡谷区植被覆盖较好, 中高和高植被覆盖的区域面积为438.17×103 km2, 占研究区总面积的71.71%.其中, 滇西北高山峡谷生态维护区以及滇北-川西南高山峡谷蓄水保土区中高和高植被覆盖的区域面积占比较高, 均超过90%; 而藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区的区域面积占比均不超过70%, 主要分布在藏东-川西高山峡谷生态维护水源涵养区东部以及藏东南高寒高山峡谷生态维护区南部.中等植被覆盖的区域面积为91.56×103 km2, 占比为14.98%, 主要分布在藏东-川西高山峡谷生态维护水源涵养区中部以及藏东南高寒高山峡谷生态维护区北部.低和中低植被覆盖的区域面积为81.30×103 km2, 占比为13.30%, 在藏东-川西高山峡谷生态维护水源涵养区以及藏东南高寒高山峡谷生态维护区交界地带分布相对集中.
|
图 2 NDVI空间分布 Fig. 2 Spatial distribution pattern of NDVI |
|
|
表 4 植被覆盖等级面积及占比 Table 4 Area and proportion of vegetation coverage grade |
3.2 NDVI时空变化特征 3.2.1 NDVI时间变化特征
如图 3所示, 2000~2019年西南高山峡谷区NDVI整体呈波动上升趋势, NDVI均值在0.60~0.70之间波动, 多年平均值为0.65, 最小值出现在2000年和2002年, 为0.60; 在2016年达到峰值, 为0.70, 增长速率为0.004 6 a-1(R2=0.82, P＜0.01).从水土保持分区的角度来看, 2000~2019年各分区NDVI均表现为波动上升趋势, 其中滇北-川西南高山峡谷蓄水保土区上升趋势最为显著, 增长速率为0.007 2 a-1; 其次是滇西北高山峡谷生态维护区, 增长速率为0.005 9 a-1; 藏东-川西高山峡谷生态维护水源涵养区以及藏东南高寒高山峡谷生态维护区增长速率相对较低, 分别为0.003 9 a-1和0.003 7 a-1.20年间滇西北高山峡谷生态维护区和滇北-川西南高山峡谷蓄水保土区NDVI均值明显高于藏东-川西高山峡谷生态维护水源涵养区以及藏东南高寒高山峡谷生态维护区, 说明滇西北高山峡谷生态维护区和滇北-川西南高山峡谷蓄水保土区整体植被覆盖情况优于其他区域.
|
图 3 NDVI年际变化 Fig. 3 Interannual variation in NDVI |
基于一元线性回归法对NDVI时间序列变化趋势进行逐像元分析, 得到研究时段西南高山峡谷区NDVI变化趋势[图 4(a)], Slope>0的区域面积为524.86×103 km2, 占研究区总面积的85.90%, 西南高山峡谷区NDVI整体明显增加.结合F检验法趋势显著性检验结果, 将变化趋势划分为6个等级[图 4(b)], 统计结果见表 5, 通过显著性检验的区域面积为485.84×103 km2, 占比为79.44%.其中, 显著和极显著改善的区域面积为442.39×103 km2, 占比为72.41%, 主要分布在滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区、藏东-川西高山峡谷生态维护水源涵养区北部以及藏东南高寒高山峡谷生态维护区南部.其中滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区改善情况较为明显, 显著和极显著改善的区域面积占比超过80%.退化趋势的区域面积为86.19×103 km2, 占比为14.10%, 其中显著和极显著退化的区域面积为42.97×103 km2, 占比为7.03%, 主要分布在藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带以及藏东-川西高山峡谷生态维护水源涵养区东部.
|
图 4 NDVI变化趋势空间分布 Fig. 4 Spatial distribution of NDVI change trend |
|
|
表 5 NDVI变化趋势面积及占比 Table 5 Area and proportion of NDVI change trend |
3.2.3 NDVI未来变化趋势分析
结合Hurst指数预测未来西南高山峡谷区NDVI变化趋势, Hurst指数空间分布如图 5(a)所示, Hurst(H)指数值介于0.24~0.75之间, H>0.5的区域面积为557.48×103 km2, 占比为91.24%, 说明西南高山峡谷区NDVI短期内将延续现有变化趋势.使用ArcGIS将斜率Slope与Hurst指数进行叠加分析, 获得NDVI未来变化趋势[图 5(b)], 其分区结果统计见表 6, 未来西南高山峡谷区NDVI变化趋势将以改善为主, 持续改善和未来改善趋势的区域面积为501.30×103 km2, 占比为82.04%, 其中持续改善的区域面积占比为79.59%, 由退化向改善趋势转变的区域面积占比为2.45%, 主要分布滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区、藏东-川西高山峡谷生态维护水源涵养区北部以及藏东南高寒高山峡谷生态维护区南部.持续退化和未来退化趋势的区域面积为109.73×103 km2, 占比为17.96%, 其中持续退化的区域面积占比为11.65%, 由改善向退化趋势转变的区域面积占比为6.31%, 在藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带分布相对集中.
|
图 5 Hurst指数及未来变化趋势 Fig. 5 Hurst index and its future trend |
|
|
表 6 NDVI未来变化趋势面积及占比 Table 6 Area and proportion of future change trend of NDVI |
3.3 NDVI空间分布格局影响因子探测分析 3.3.1 单因子探测
基于地理探测器对社会经济因子(人口密度和GDP)、气象因子(降雨和气温)、地形因子(高程、坡度和坡向)、植被类型、地貌类型以及土壤类型等10个影响NDVI空间分布格局的因子进行探测, 探究其对NDVI空间分异的影响力水平.结果表明西南高山峡谷区各因子影响力q值排序为[图 6(a)]: 高程>植被类型>土壤类型>降雨量>气温>人口密度>GDP>地貌类型>坡度>坡向, 高程、植被类型和土壤类型q值均不低于0.40, 是影响NDVI空间分异的主导因子.其次是气象因子, 气温和降雨量, q值分别为0.274和0.225, 为次要因子.其他因子影响力微弱, q值均低于0.10, 其中坡度和坡向q值分别为0.011和0.002, 影响力基本可以忽略不计.
|
图 6 单因子探测 q值 Fig. 6 The q values of single factor detection |
从水土保持分区的角度来看, 各因子对植被生长的影响在不同水土保持分区表现出明显差异[图 6(b)~6(e)]. 高程在各水土保持分区的q值均为最高, 说明海拔对各分区NDVI空间分异的影响力最大, 但与西南高山峡谷区相比较, 藏东南高寒高山峡谷生态维护区高程的影响力增加明显, q值为0.775, 其他水土保持分区高程的影响力均有不同程度的减弱.植被类型和土壤类型除在滇北-川西南高山峡谷蓄水保土区影响力微弱, q值低于0.10, 在其他区域影响力较高, q值均高于0.20.地貌类型在滇西北高山峡谷生态维护区和滇北-川西南高山峡谷蓄水保土区影响力较高, q值分别为0.211和0.127, 在其他区域影响力微弱.气象因子在各水土保持分区q值均处于较高水平, 均不低于0.10.人口密度在滇西北高山峡谷生态维护区影响力相对较高, q值为0.106, 其他区域影响力微弱.坡度、坡向以及GDP在各分区影响力微弱, q值均低于0.10.相比于西南高山峡谷区而言, 藏东南高寒高山峡谷生态维护区主导因子和次要因子的影响力更强, q值增大; 其他水土保持分区主导因子和次要因子影响力有所减弱, q值减小.
3.3.2 交互因子探测利用交互因子探测器可以揭示影响因子之间对NDVI空间分异的相互作用关系, 由探测结果可知[图 7(a)]: 西南高山峡谷区影响因子交互作用q值均高于单因子作用的q值, 说明双因子交互作用会增强对NDVI空间分异的影响力, 且各因子交互作用均表现为双因子增强和非线性增强两种关系.高程与其他因子交互作用影响力最强, q值均超过0.60, 其中高程∩植被类型交互作用的q值最高为0.714, 其次是高程∩土壤类型交互作用的q值为0.688; 土壤类型、植被类型与其他因子交互作用影响力也普遍较高, q值均超过0.40, 进一步验证了高程、植被类型和土壤类型对西南高山峡谷区NDVI空间分异的影响力占据主导地位.总体而言, 影响因子对NDVI空间分异的影响并非独立, 也不是简单叠加, 而是相互促进.
|
图 7 交互因子探测 q值 Fig. 7 The q values of interaction factor detection |
从水土保持分区的角度来看, 影响因子之间交互作用在不同水土保持分区表现出较大差异.如图 7(b)~7(e)所示, 在滇西北高山峡谷生态维护区, 高程∩土壤类型的q值最高, 其次是高程∩降雨量和高程∩气温.滇北-川西南高山峡谷蓄水保土区, 高程∩地貌类型的q值最高, 地貌类型∩降雨量和高程∩气温次之.藏东-川西高山峡谷生态维护水源涵养区, 高程∩气温的q值最高, 然后是高程∩植被类型和高程∩土壤类型.藏东南高寒高山峡谷生态维护区交互作用的q值排名前三的组合分别为高程∩土壤类型、高程∩植被类型和高程∩地貌类型.由上可知, 各水土保持分区影响植被生长的因素存在明显的区域差异, 但主要受自然因子所调控, 且在各水土保持分区均表现为高程与其他因子交互作用的q值最高, 再进一步说明了高程对植被生长的影响力.
3.4 NDVI稳定性与影响因子的关系 3.4.1 NDVI稳定性分析Cv空间分布如图 6(a)所示, 2000~2019年西南高山峡谷区Cv值介于0~2.01之间, 均值较低, 为0.11.稳定性等级划分及分区统计结果见图 6(b)和表 7, 处于低波动变化、较低波动变化的区域面积为549.58×103 km2, 占据研究区总面积的89.95%, 主要分布滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区、藏东-川西高山峡谷生态维护水源涵养区北部和藏东南高寒高山峡谷生态维护区南部.中等波动变化、中高波动变化和高波动变化的区域面积为61.45×103 km2, 占比为10.05%, 集中分布在藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带以及藏东南高寒高山峡谷生态维护区北部, 而滇西北高山峡谷生态维护区和滇北-川西南高山峡谷蓄水保土区分布少且零散.总体而言, 研究时段内西南高山峡谷区植被整体稳定性较好, 但藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带以及藏东南高寒高山峡谷生态维护区北部植被变化大, 稳定性较差.
|
|
表 7 Cv等级面积及占比 Table 7 Area and proportion of Cv grade |
|
图 8 Cv空间分布 Fig. 8 Spatial distribution of Cv |
为进一步探究NDVI稳定性与影响因子的关系, 按照主导因子和次要因子分区对NDVI稳定性等级进行统计, 结果如图 9所示.随着高程的增加, NDVI稳定性有所减弱, 低波动变化的区域面积比例减少, 而中等以上波动变化的区域面积比例呈现增加趋势.植被类型分区中, 高山植被和其他植被类型区稳定性较差, 中等以上波动变化的区域面积占比分别为49.89%和86.14%.土壤类型分区中, 岩石和冰川雪被土壤类型区稳定性较差, 中等以上波动变化的区域面积占比分别为61.09%和86.83%.气温和降雨量对NDVI稳定性的影响具有相似性, 随着气温和降雨量的增加, NDVI稳定性增强, 低波动变化的区域面积比例增加, 中等以上波动变化的区域面积比例呈现减少趋势.综上所述, 在海拔高、气温低、降雨少、土壤贫瘠和植被较差等生态环境相对脆弱的区域, NDVI稳定性相对较差, 未来应是生态修复工程重点关注的区域.
|
图 9 影响因子分区中NDVI稳定性等级面积占比 Fig. 9 Proportion of NDVI stability grade area in the influence factor partition |
空间分布格局上, 2000~2019年西南高山峡谷区植被覆盖呈现“东南高, 西北低”的空间分布格局, 整体植被覆盖水平较高, 但存在局部区域植被覆盖水平低, 集中分布在藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带, 该区域海拔高, 年均气温低, 降雨量少, 且多年冻土覆盖, 土壤贫瘠, 不适于植被生长, 因此植被覆盖度较低.时间变化趋势上, 期间西南高山峡谷区NDVI整体呈波动上升趋势, 上升速率为0.004 6 a-1, 但在2006年以及2007年出现了大幅下降, 或与该时段内发生的极端干旱气候事件有所关联.植物群落是易受干旱影响的生态系统, 由于极端干旱造成严重的水分亏缺和热量胁迫, 引起生态环境恶化, 部分植被消亡, 导致植被覆盖度下降[40~42].空间变化趋势上, 85.90%区域面积的植被得到显著改善, 其中滇西北高山峡谷生态维护区和滇北-川西南高山峡谷蓄水保土区植被改善情况尤为明显, 主要得益于多年来, 国家实施退耕还林还草、天然林资源保护、长江流域防护林体系建设和西南岩溶石漠化综合治理等一系列林业生态工程, 有效推进了西南高山峡谷区生态环境建设, 区域植被得到了有效修复[43].但由于人口增长, 城市化扩张, 加之过度放牧导致土地退化[44], 部分区域植被明显退化, 在藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界地带分布相对集中.
未来藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区交界的高海拔地带将是西南高山峡谷区生态保护和修复工作的重点, 该区域植被覆盖度低, 生态环境脆弱, 植被稳定性差, 且研究时段内植被退化明显, 未来该区域植被也存在退化风险, 应受到更多的关注.2021年12月, 国家发改委、水利部、林草局以及自然资源部等4个部门印发了《青藏高原生态屏障区生态保护和修复重大工程建设规划(2021-2035年)》, 将继续推进青藏高原生态屏障区草原河湖生态修复、防沙治沙和水土保持等林业生态工程的实施, 未来西南高山峡谷区整体生态环境将进一步改善.
4.2 NDVI空间分异影响因子分析根据地理探测器探测结果可知, 高程、植被类型和土壤类型是影响西南高山峡谷区NDVI空间分异的主导因子, 其中高程是引起NDVI空间分异第一主导因子.西南高山峡谷区地形地势起伏大, 地形复杂, 高程变化不光对区域水热条件存在影响, 而且与植被类型、土壤类型的空间分布息息相关[35].因此, 高程对西南高山峡谷区NDVI空间分异的影响力最高.结合图 1、图 10(a)和10(b), 西南高山峡谷区植被类型和土壤类型分布具有明显垂直地带性, 低海拔区域土壤类型主要为铁铝土和淋溶土, 养分足、肥力高, 植被类型为森林(阔叶林和针阔混交林), 故植被覆盖度较高.随着海拔上升, 土壤相对瘠薄, 植被适应性发生变化[45, 46], 土壤类型以高山土为主, 植被类型分布为灌丛、草甸和高山植被, 植被生长条件相对较差, 抑制了植被生长, 区域植被覆盖度有所降低.
|
图 10 主导因子和次要因子空间分布 Fig. 10 Spatial distribution of dominant and secondary factors |
气温和降雨量是影响西南高山峡谷区NDVI空间分异的次要驱动因子.如图 10(c)和10(d)所示, 降雨量与气温垂直分异性较为明显, 降雨量与气温较高的区域主要分布在滇西北高山峡谷生态维护区、滇北-川西南高山峡谷蓄水保土区以及藏东南高寒高山峡谷生态维护区南部等海拔较低区域, 该区域水热条件相对较好.对比NDVI空间分布(图 2)和植被类型与土壤类型分布[图 10(a)和10(b)], 空间上气温和降雨量较高的区域, 土壤类型主要为铁铝土和淋溶土, 植被类型为森林, 是植被覆盖度较高的主要区域, 丰沛的降水和充足的热量给植被生长提供了有利条件[46].
从水土保持分区的角度上看, 各影响因子对西南高山峡谷区NDVI空间分异的影响力存在区域差异.高程、植被类型和土壤类型依旧是滇西北高山峡谷生态维护区、藏东-川西高山峡谷生态维护水源涵养区和藏东南高寒高山峡谷生态维护区影响NDVI空间分异的主导因子, 其在藏东南高寒高山峡谷生态维护区的影响力更为显著, 由于地势差异大, 以上因子在该区域内垂直分异特征更加明显所致.但在滇北-川西南高山峡谷蓄水保土区各影响因子对NDVI空间分异的影响力都相对较弱, 明显低于其他区域, 或许是因为该区域地势平坦, 植被类型、土壤类型、气温和降雨量空间差异小.
交互因子探测结果表明, 主导因子和次要因子之间交互作用影响力高于单因子作用影响力, 均表现双因子增强和非线性增强两种关系, 说明影响因子对NDVI空间分异的影响并非独立, 也不是简单叠加, 而是相互促进.综上可知, 植被变化是多因素综合作用所产生的结果, 故在制定西南高山峡谷区生态修复对策时, 需因地制宜, 如针对不同高程梯度、植被类型、土壤类型分布特征以及气候特点, 划分区段, 采取不同保护策略来恢复、建设和改善西南高山峡谷区生态环境.
5 结论(1) 从空间上看, 西南高山峡谷区植被覆盖整体处于较高水平, 中高和高等级植被覆盖的区域面积占比为71.71%, 低和中低植被覆盖的区域面积占比为13.30%.从时间上看, 2000~2019年西南高山峡谷区植被恢复效果明显, 呈现改善趋势的区域面积占比为85.90%, 退化趋势区域面积占比为14.10%, 且未来植被变化趋势还将以改善为主, 持续改善和未来改善趋势的区域面积占比为82.04%.
(2) 地理探测器结果表明, 影响因子对西南高山峡谷区NDVI空间分异的影响力q值排序为: 高程>植被类型>土壤类型>降雨量>气温>人口密度>GDP>地貌类型>坡度>坡向, 高程、植被类型和土壤类型为主导因子, q值均不低于0.40; 气温和降雨量为次要因子, q值分别为0.274和0.225; 其他因子影响力微弱.交互探测影响因子间交互作用q值均高于单因子作用q值, 表现为双因子增强、非线性增强两种作用关系, 其中高程∩植被类型组合q值最高为0.714, 其次是高程∩土壤类型组合q值为0.688.
(3) 从NDVI变化稳定性上看, 期间NDVI整体稳定性较好, 低波动变化和较低波动变化的区域面积占比为89.95%; 中等以上波动的区域面积占比为10.05%, 集中分布在海拔高、气温低、降雨少、土壤贫瘠和植被较差等生态环境相对脆弱的区域.
| [1] | Jiao W Z, Wang L X, Smith W K, et al. Observed increasing water constraint on vegetation growth over the last three decades[J]. Nature Communications, 2021, 12(1). DOI:10.1038/s41467-021-24016-9 |
| [2] | Wang B, Jia K, Wei X Q, et al. Generating spatiotemporally consistent fractional vegetation cover at different scales using spatiotemporal fusion and multiresolution tree methods[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167: 214-229. DOI:10.1016/j.isprsjprs.2020.07.006 |
| [3] | Essaadia A, Abdellah A, Ahmed A, et al. The normalized difference vegetation index(NDVI) of the Zat valley, Marrakech: comparison and dynamics[J]. Heliyon, 2022, 8(12). DOI:10.1016/J.HELIYON.2022.E12204 |
| [4] | Hu Y F, Wang H, Shao W Y, et al. Comparative analysis and comprehensive trade-off of four spatiotemporal fusion models for NDVI generation[J]. Remote Sensing, 2022, 14(23). DOI:10.3390/RS14235996 |
| [5] | Pompa-García M, Martínez-Rivas J A, Valdez-Cepeda R D, et al. NDVI values suggest immediate responses to fire in an uneven-aged mixed forest stand[J]. Forests, 2022, 13(11). DOI:10.3390/F13111901 |
| [6] | Muradyan V, Asmaryan S, Ayvazyan G, et al. Multidecadal trend analysis of Armenian mountainous grassland and its relationship to climate change using multi-sensor NDVI time-series[J]. Geosciences, 2022, 12(11). DOI:10.3390/GEOSCIENCES12110412 |
| [7] | Niu B B, Li X J, Li F Q, et al. Vegetation dynamics and its linkage with climatic and anthropogenic factors in the Dawen River Watershed of China from 1999 through 2018[J]. Environmental Science and Pollution Research International, 2021, 28(38). |
| [8] | Yan K, Gao S, Chi H J, et al. Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2020.3048493 |
| [9] | Andleeb T, Ali Z, Mahmood Z, et al. Wheat varietal response to relative SPAD index(RSI) and relative normalized difference vegetation index(RNDVI) under variable nitrogen application and terminal heat stress along with yield repercussion[J]. Agronomy, 2022, 12(7). DOI:10.3390/AGRONOMY12071538 |
| [10] | 李同艳. 西南地区植被覆盖度时空变化特征及其影响因素研究[D]. 昆明: 云南大学, 2019. |
| [11] |
李焱, 戴睿, 张云霞, 等. 藏西南高原植被NDVI时空变化及其与高程梯度的关系[J]. 水土保持研究, 2022, 29(4): 215-222. Li Y, Dai R, Zhang Y X, et al. Spatiotemporal variation of vegetation NDVI and its relationship with altitude gradient in southwest Tibet Plateau[J]. Research of Soil and Water Conservation, 2022, 29(4): 215-222. |
| [12] |
李美丽, 尹礼昌, 张园, 等. 基于MODIS-EVI的西南地区植被覆盖时空变化及驱动因素研究[J]. 生态学报, 2021, 41(3): 1138-1147. Li M L, Yin L C, Zhang Y, et al. Spatio-temporal dynamics of fractional vegetation coverage based on MODIS-EVI and its driving factors in Southwest China[J]. Acta Ecologica Sinica, 2021, 41(3): 1138-1147. |
| [13] |
杨艳蓉, 侯召朕, 张增信. 2001-2018年西南地区NDVI变化特征及影响因素[J]. 水土保持通报, 2021, 41(2): 337-344. Yang Y R, Hou Z Z, Zhang Z X. NDVI changes and driving factors in Southwest China from 2001 to 2018[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 337-344. |
| [14] | Wang M, An Z F, Wang S Y. The time lag effect improves prediction of the effects of climate change on vegetation growth in Southwest China[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/RS14215580 |
| [15] | Wang Y Y, Chen X, Gao M, et al. The use of random forest to identify climate and human interference on vegetation coverage changes in southwest China[J]. Ecological Indicators, 2022, 144. DOI:10.1016/J.ECOLIND.2022.109463 |
| [16] | 金芳芳. 西南山区生态特征的变化及其与人类活动的关系[D]. 开封: 河南大学, 2018. |
| [17] |
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. Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan Province[J]. Acta Geographica Sinica, 2019, 74(9): 1758-1776. |
| [18] | Tao J, Xu T Q, Dong J W, et al. Elevation-dependent effects of climate change on vegetation greenness in the high mountains of southwest China during 1982-2013[J]. International Journal of Climatology, 2018, 38(4): 2029-2038. DOI:10.1002/joc.5314 |
| [19] | 徐新良. 中国月度植被指数(NDVI)空间分布数据集[EB/OL]. 中国科学院资源环境科学数据中心数据注册与出版系统, https://www.resdc.cn/, 2018-06-06. |
| [20] | 徐新良. 中国人口空间分布公里网格数据集[EB/OL]. 中国科学院资源环境科学数据中心数据注册与出版系统, https://www.resdc.cn/, 2017-12-11. |
| [21] | 徐新良. 中国GDP空间分布公里网格数据集[EB/OL]. 中国科学院资源环境科学数据中心数据注册与出版系统, https://www.resdc.cn/, 2017-12-11. |
| [22] |
杨鑫, 曹文侠, 鱼小军, 等. 基于近20年MODIS NDVI日数据的青海省草地资源动态监测及其对环境因子的响应[J]. 草业学报, 2021, 30(9): 1-14. Yang X, Cao W X, Yu X J, et al. Dynamic monitoring of grassland resources and their responses to environmental factors in Qinghai Province based on analyses of daily MODIS NDVI data from the past 20 years[J]. Acta Prataculturae Sinica, 2021, 30(9): 1-14. |
| [23] | Wei Z Z, Wan X Y. Spatial and temporal characteristics of NDVI in the Weihe River Basin and its correlation with terrestrial water storage[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/RS14215532 |
| [24] |
马晓妮, 任宗萍, 谢梦瑶, 等. 砒砂岩区植被覆盖度环境驱动因子量化分析—基于地理探测器[J]. 生态学报, 2022, 42(8): 3389-3399. Ma X N, Ren Z P, Xie M Y, et al. Quantitative analysis of environmental driving factors of vegetation coverage in the Pisha sandstone area based on geodetector[J]. Acta Ecologica Sinica, 2022, 42(8): 3389-3399. |
| [25] |
涂又, 姜亮亮, 刘睿, 等. 1982-2015年中国植被NDVI时空变化特征及其驱动分析[J]. 农业工程学报, 2021, 37(22): 75-84. Tu Y, Jiang L L, Liu R, et al. Spatiotemporal changes of vegetation NDVI and its driving forces in China during 1982—2015[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(22): 75-84. |
| [26] |
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. |
| [27] | Bhuyan M, Singh B, Vid S, et al. Analysing the spatio-temporal patterns of vegetation dynamics and their responses to climatic parameters in Meghalaya from 2001 to 2020[J]. Environmental Monitoring and Assessment, 2023, 195(1). DOI:10.1007/S10661-022-10685-6 |
| [28] |
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. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [29] | Xu M R, Zhang J, Li Z H, et al. Attribution analysis and multi-scenario prediction of NDVI drivers in the Xilin Gol grassland, China[J]. Journal of Arid Land, 2022, 14(9): 941-961. |
| [30] | Li X C, Niu Y, He Q N, et al. Identifying driving factors of the runoff coefficient based on the geographic detector model in the upper reaches of Huaihe River Basin[J]. Open Geosciences, 2022, 14(1): 1421-1433. |
| [31] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi Province from 2000 to 2020 based on geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [32] | Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250-256. |
| [33] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [34] | Liang P, Yang X P. Landscape spatial patterns in the Maowusu(Mu Us) Sandy Land, northern China and their impact factors[J]. CATENA, 2016, 145: 321-333. |
| [35] |
龚仓, 王亮, 王顺祥, 等. 基于地理探测器的镇域尺度土壤重金属含量空间分异及其影响因素分析[J]. 环境科学, 2022, 43(10): 4566-4577. Gong C, Wang L, Wang S X, et al. Spatial differentiation and influencing factor analysis of soil heavy metal content at town level based on geographic detector[J]. Environmental Science, 2022, 43(10): 4566-4577. |
| [36] |
高思琦, 董国涛, 蒋晓辉, 等. 基于地理探测器的三江源植被变化及自然驱动因子分析[J]. 水土保持研究, 2022, 29(4): 336-343. Gao S Q, Dong G T, Jiang X H, et al. Analysis of vegetation coverage changes and natural driving factors in the three-river headwaters region based on geographical detector[J]. Research of Soil and Water Conservation, 2022, 29(4): 336-343. |
| [37] | Wu S P, Gao X, Lei J Q, et al. Ecological environment quality evaluation of the Sahel region in Africa based on remote sensing ecological index[J]. Journal of Arid Land, 2022, 14(1): 14-33. |
| [38] | Han W J, Chen D H, Li H, et al. Spatiotemporal variation of NDVI in Anhui Province from 2001 to 2019 and its response to climatic factors[J]. Forests, 2022, 13(10). DOI:10.3390/F13101643 |
| [39] |
王晓蕾, 石守海, 陈江朝霞. 黄河流域植被覆盖度变化及驱动因素[J]. 中国环境科学, 2022, 42(11): 5358-5368. Wang X L, Shi S H, Chen J Z X. Change and driving factors of vegetation coverage in the Yellow River Basin[J]. China Environmental Science, 2022, 42(11): 5358-5368. |
| [40] |
马梓策, 孙鹏, 姚蕊, 等. 内蒙古地区干旱时空变化特征及其对植被的影响[J]. 水土保持学报, 2022, 36(6): 231-240. Ma Z C, Sun P, Yao R, et al. Temporal and spatial variation of drought and its impact on vegetation in Inner Mongolia[J]. Journal of Soil and Water Conservation, 2022, 36(6): 231-240. |
| [41] | 陆梦恬. 长江流域干旱和热浪对植被绿度和生产力的影响研究[D]. 杭州: 浙江大学, 2022. |
| [42] |
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. |
| [43] |
徐勇, 戴强玉, 黄雯婷, 等. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究[J]. 环境科学, 2023, 44(1): 323-335. Xu Y, Dai Q Y, Huang W T, et al. Spatio-temporal variation in vegetation cover and its driving mechanism exploration in Southwest China from 2000 to 2020[J]. Environmental Science, 2023, 44(1): 323-335. |
| [44] |
柴立夫, 田莉, 奥勇, 等. 人类活动干扰对青藏高原植被覆盖变化的影响[J]. 水土保持研究, 2021, 28(6): 382-388. Chai L F, Tian L, Ao Y, et al. Influence of human disturbance on the change of vegetation cover in the Tibetan Plateau[J]. Research of Soil and Water Conservation, 2021, 28(6): 382-388. |
| [45] | 张友辉. 江西山地土壤系统分类和垂直地带性研究[D]. 武汉: 华中农业大学, 2016. |
| [46] |
胡实, 赵茹欣, 贾仰文, 等. 中国典型山地植被垂直地带性特征及其影响要素[J]. 自然杂志, 2018, 40(1): 12-16. Hu S, Zhao R X, Jia Y W, et al. The characteristic of vegetation vertical zonality and the influential factors in typical mountains in China[J]. Chinese Journal of Nature, 2018, 40(1): 12-16. |