2024, Vol. 45
2. 宁夏大学农学院, 银川 750021;
3. 银川市银西生态防护林管护中心, 银川 750021;
4. 宁夏贺兰山国家级自然保护区管理局, 银川 750021
, SHE Lu1 , SHEN Ai-hong2 , SHI Yun1
, ZHAO Na1 , ZHANG Feng-hong3 , HE Hong-yuan3 , WU Tao4 , LI Hong-xia1 , MA Yi-ting1 , WANG Tong1
2. School of Agriculture, Ningxia University, Yinchuan 750021, China;
3. Administration Office of Western Eco-protection Forest of Yinchuan City, Yinchuan 750021, China;
4. Ningxia Helan Mountain National Nature Reserve Administration, Yinchuan 750021, China
覆被变化是全球变化研究的核心内容之一[1], 而植被是土地覆被的最主要部分, 其变化对全球能量循环和物质的生物化学循环具有重要影响[2]. 植被覆盖度（fractional vegetation cover, FVC）不仅是水土流失的重要控制因子之一, 也是评估土地退化、盐渍化和沙漠化的有效指标, 同时它又是蒸散量、气候变化等模型中不可缺少的重要参数, 对于衡量植物群落覆盖地表状况及生态系统状况具有重要意义[3]. 掌握植被覆盖度的时空变化规律, 分析预测其发展趋势, 探讨地形、气候等因素的驱动作用, 对评价生态系统环境质量、调节生态过程具有重要的理论和实际意义[4].
随着遥感技术的发展, 国内外已有许多学者利用卫星遥感影像对植被覆盖度进行提取分析[5~9]. 在数据方面, 国内外学者基于MODIS、SPOT、GIMMS和Landsat系列卫星影像数据对植被覆盖度的提取和时空变化研究已取得了丰硕的成果[9~11]. 随着研究的不断深入, 对植被覆盖度驱动力因素的研究也取得了长足的发展[12~14]. 虽然已有不同分辨率的数据应用于不同区域的植被监测中, 但在较大空间尺度的区域中同时兼顾更高空间分辨率和较长时间序列的相关研究仍是发展趋势之一. 不仅如此, 以往的研究缺乏对植被覆盖度长期变化驱动因素的准确定量评价, 参数最优地理探测器（optimal parameters-based geographical detector, OPGD）模型可以提高空间层次异质性分析的整体能力[15]. 因此, 结合Google earth engine（GEE）平台和OPGD模型进行植被覆盖度长时间序列时空变化及影响因素分析具有重要意义.
宁夏沿黄城市带位于宁夏回族自治区东北部, 地处黄河中上游[16], 是干旱地区地理研究的重点区域. 该区域以银川市、石嘴山市、吴忠市和中卫市这4个地级市为主干, 以全区43%的土地面积创造了该区90%以上的GDP和财政收入[17], 是宁夏回族自治区的人口中心、经济重心. 定量分析该区域植被覆盖度的时空变化特征及其驱动因子, 对于了解区域生态环境质量的变化, 推动黄河流域生态保护和高质量发展先行区建设具有重要意义.
以往针对宁夏沿黄城市带植被覆盖度的研究较少, 数据空间分辨率相对较低, 在影响因素方面忽略了地形地貌和土壤类型等自然因素的贡献[17], 且缺少对植被未来变化的检测研究. 基于此, 本研究利用2001~2020年Landsat系列卫星遥感数据, 结合该地区同期的气象、地形、植被和地貌数据, 综合运用像元二分模型、变异系数（coefficient of variation, CV）、Sen+Mann-Kendall趋势分析、Hurst指数和OPGD模型, 对区域植被覆盖度变化及驱动力因子进行定性和定量分析, 通过掌握该地区植被的分布状况和演变特征, 加深对宁夏沿黄城市带植被变化驱动机制的认识[18], 以期为宁夏沿黄经济带持续发展和黄河流域生态保护战略的实施提供数据支撑和科学依据.
1 研究区概况研究区位于宁夏回族自治区东北部, 位于黄土高原、蒙古高原和青藏高原交汇处, 地理位置36°58'~39°22'N, 104°16'~106°58'E（图 1）, 涉及银川、石嘴山、吴忠和中卫这4市[19], 总面积为22 000 km2. 研究区地势南高北低, 山区-荒漠-绿洲并存, 日照充足, 蒸发强烈, 属于温带大陆性气候, 年均降水量167.2~618.3 mm, 年均蒸发量1 312~2 204 mm[20], 蒸发量远大于降水量. 区内河长达397 km, 主要以黄河的干流和支流为主, 年均过境水量为306.8亿cm3[21], 是宁夏沿黄城市带的主要供水水源. 土壤类型以灰钙土、黑钙土和黑垆土为主, 地表植被类型复杂多样, 以草原为主体.
|
图 1 研究区地理位置示意 Fig. 1 Geographical location of study region |
本研究采用的遥感影像数据来源于美国地质调查局（https://www.usgs.gov/）, 通过GEE云平台, 选取Landsat 5（2001~2012年）和Landsat 8（2013~2020年）卫星的Level-2地表反射率产品, 空间分辨率30 m, 该产品已经经过了大气校正[22]. 首先通过过滤函数筛选2001~2020年经过研究区上空的地表反射率影像共772景, 然后批量对影像进行去云, 并计算归一化植被指数（normalized difference vegetation index, NDVI）, 最后基于最大值合成法获取研究区逐年NDVI最大值影像[23]. 采用Hants滤波算法[24]对影像中的缺失部分进行填充处理, 得到研究区最终影像数据.
2.1.2 因子数据地形数据采用地理空间数据云（http://www.gscloud.cn/）下载得到的ASTER Global Digital Elevation Model（ASTER GDEM）数字高程数据产品[25], 空间分辨率30 m. 利用ArcGIS对DEM数据进行坡度、坡向提取, 得到研究区坡度和坡向数据.
气温、降水和湿度数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn/）, 其中气温数据和降水数据分别来源于1901~2021年中国1 km分辨率逐月平均气温数据集和中国1 km分辨率年降水量数据（2001~2020年）[26], 湿度数据源于中国区域1 km分辨率逐月平均相对湿度数据集（2001~2020年）[27, 28], 时间分辨率为逐月. 日照时数据来源于国家统计局（http://www.stats.gov.cn/）, 经AUSPLIN软件插值得到2001~2020逐年日照栅格数据集, 数据经交叉验证, R2 = 0.963 3, RMSE = 0.288 2.
土地利用数据来源于“1990~2021年的中国30 m的年度土地覆盖数据”（http://irsip.whu.edu.cn/resources/CLCD.php）, 该产品包括9种用地类型, 分别为：农田、森林、灌木、草原、水域、冰雪、未利用地、建设用地和湿地[29].
植被类型数据和地貌类型来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn）, 空间分辨率为1 km. 依据1∶100万中国植被图集、1∶100万《中华人民共和国地形图集》结合研究区实际情况将植被类型划分为针叶林、阔叶林、灌丛、荒漠、草原、草甸、栽培植被和其他这8个类型, 地貌类型划分为平原、台地、丘陵、小起伏山地和中起伏山地这5类.
各因子数据均通过ArcGIS软件按照研究区矢量边界提取, 重采样至与NDVI数据分辨率一致. 利用ArcGIS创建渔网工具, 在研究区范围随机生成2 km×2 km格网, 共5 669个中心点作采样点, 将其代入地理探测器处理.
2.2 研究方法 2.2.1 植被覆盖度估算利用像元二分模型进行植被覆盖度反演[30], FVC计算公式如式（1）所示.
|
(1) |
式中, FVC为某像元的植被覆盖度；NDVI为该像元的NDVI值；NDVIsoil为影像中纯净土壤像元的NDVI值；NDVIveg为影像中纯净植被像元的NDVI值. 考虑到影像异常值和噪声的问题, 结合研究区植被覆盖的实际情况和相关研究经验[31], 本文采用NDVI结果的累计直方图达到5%时的NDVI值为NDVIsoil值, 采用NDVI结果的累计直方图达到95%时的NDVI值为NDVIveg值.
参考相关研究和专家经验[25, 32], 结合研究区实际情况, 将研究区植被覆盖度分为5个等级（表 1）.
|
表 1 FVC等级划分 Table 1 Classification of FVC |
2.2.2 稳定性分析
采用变异系数（CV）来表示地理数据的波动程度[33]. CV可在一定程度上指示区域生态系统的脆弱程度[34], CV越大说明区域植被覆盖度变化程度越大, 表示该区域生态环境越脆弱, 受区域气候波动的响应更加显著. 其公式如下：
|
(2) |
式中, CV为变异系数；i为时间序列；n为监测年数；xi为第i年的NDVI值；x为研究时段内所有年份的NDVI的平均值.
2.2.3 FVC变化趋势分析采用Sen+Mann-Kendall法分析植被覆盖度长时间序列变化趋势[35]. Sen氏斜率是非参数统计的一种稳定趋势计算方法, 可用于表示FVC的变化程度和趋势[36, 37]. 其计算公式如下：
|
(3) |
式中, FVCi和FVCj分别为第i和j年的植被覆盖度；SFVC为斜率, SFVC > 0表示区域植被覆盖度呈上升趋势, SFVC < 0表示区域植被覆盖度呈下降趋势.
Mann-Kendall趋势分析不需要数据遵循一定的分布, 不易受异常值的干扰, 检验显著性水平有比较坚实的统计学理论基础[38, 39], 适用于非正态分布的数据, 是目前广泛使用的非参数检验方法. 其计算公式如下：
|
(4) |
|
(5) |
|
(6) |
|
(7) |
式中, S为正态分布, 均值为0；Var(S)为方差, n为时间序列个数, 当大于10时, U趋于正态分布；m为时间序列中重复出现的数据组的个数；ti为第i组重复数据组中的重复数据个数；S为xi与xj的大小关系. U的取值范围为（-∞, +∞）, 若|U| > U1-α/2则认为在α置信水平上存在显著的变化趋势, U > 0表示呈增加趋势, U < 0表示呈减少趋势.
2.2.4 持续性分析Hurst指数可以反映时间序列数据的可持续性, 可预测未来一段时间内植被覆盖度的变化趋势[40]. 本研究采用R/S分析法计算H值对时间序列的长时间相关性进行定量分析[41], 取值范围为0~1. H值在（0, 0.5）范围, 为反持续性趋势, 表示未来与过去趋势相反；等于0.5表示未来与过去趋势无关；在（0.5, 1）范围则为持续性趋势, 即未来与过去趋势相同；越趋近于0, 表示反持续性趋势越强, 反之表示持续性趋势越强.
2.2.5 基于最优参数的地理探测器模型传统地理探测器模型在对连续型因子进行离散化时存在一定的主观因素干扰[42], 因此本研究选择OPGD模型对研究区植被覆盖度变化的驱动因子进行分析. 将植被覆盖度作为被解释变量, 以三级指标为解释因子进行地理探测器分析. 运用地理探测器R语言包“GD”中的“gdm”函数选择最优的离散化方法和数量组合[43]. 在此基础上选择分异及因子探测、交互探测和风险探测对研究区植被覆盖度的影响因素进行分析, 探测因子类型和指标见表 2.
|
|
表 2 探测因子1） Table 2 Probe factors |
（1）因子探测用于计算每个因子对植被覆盖度的影响程度Q. 计算公式如下：
|
(8) |
|
(9) |
|
(10) |
式中, Q为空间分化指数；l为FVC属性或自然和人为因素的分层；Nh和N分别为特定层和整个区域中的单元数；σh2和σ2分别为h层和整个区域FVC值的方差；SSW和SST分别为层内方差之和与整个区域的总方差. Q的取值范围为[0, 1], Q值越大, FVC的空间差异越大. 在极端情况下, Q值1指示因子X完全控制Y的空间分布, Q值0指示因子X与Y无关.
（2）交互检测主要用于识别两个评价指标共同作用对植被覆盖度的影响[44], 即评价组合效应（增强或减弱）和单独效应对FVC的影响. 其步骤一般为：首先, 分别计算出两个因子相对于FVC的Q值[Q（Xi）]和[（Xj）], 然后计算关于因子之间的相互作用的Q值[Q（Xi∩Xj）], 并与Q（Xi）和Q（Xj）进行比较.
（3）风险探测可用于寻找具有高植被覆盖度的区域和判断各影响因子的适宜范围或类型[45]. 在每个区域中, 植被覆盖度的平均值越大, 则表示该区域越适合植被生长. 采用t统计量检验风险探测, 如公式（11）所示：
|
(11) |
式中, Yh为H区FVC属性的平均值；nh=1为H分区中的样本的数目, Var为方差.
3 结果与分析 3.1 FVC时序变化特征由图 2可知, 研究区20 a间植被覆盖度平均值由2001年的30.65%增长到2020年的35.70%, 总体呈现为显著增加趋势（P < 0.01）, 增长速率为0.25%·a-1, 多年植被覆盖度均值为33.38%, 总体植被覆盖度处于较低水平. 20年来, 研究区植被覆盖度在27.14%~38.19%范围内呈现不规则波动, 在2003年、2007年、2012年、2016年和2018年出现峰值, 谷值出现在2001年、2005年、2008年和2015年. 其中, 在2018年达到最大值, 为38.19%, 最低值出现在2005年, 为27.14%.
|
图 2 2001~2020年FVC年际变化趋势 Fig. 2 Changes and trends of FVCmean from 2001 to 2020 |
对研究区不同等级的植被覆盖度面积统计分析（图 3和表 3）, 结果表明, 研究区植被覆盖度等级主要以极低植被覆盖度和低植被覆盖度为主. 2001~2020年, 研究区极低覆盖度区域面积占比从56.24%降至47.86%, 减少了8.38个百分点；极高植被覆盖度面积增加了3.63个百分点, 中等植被覆盖度面积增加了2.28个百分点；低植被覆盖度面积基本保持稳定, 最低值出现在2005年, 为7.69%, 远低于平均水平；高植被覆盖度区域面积在研究时段内一直较稳定, 平均值约为6.48%, 这与高植被覆盖度地区主要分布范围有关[46].
|
图 3 2001~2020年不同FVC等级的年际变化 Fig. 3 Annual changes in areas with a different FVC from 2001 to 2020 |
|
|
表 3 FVC变化量统计1） Table 3 Statistics of changes in FVC |
3.2 FVC空间分布格局
结合图 4和图 5可见, 研究区植被覆盖度具有显著的地域差异, 整体上呈现出“东北高西南低”的趋势, 类型以极低植被覆盖度和低植被覆盖度为主. 其中极低植被覆盖度地区面积占比最大, 达51.32%, 主要分布在沙漠周围, 如沙坡头区西部、中宁县北部、青铜峡市南部和大武口区西部和北部地区；低植被覆盖度地区主要分布在荒漠草原区, 如沙坡头区中部、中宁县南部、灵武市东部以及西夏区西部区域, 面积占比为19.89%；中植被覆盖度地区面积占比最小, 为6.77%, 主要分布在金凤区、兴庆区西部和大武口西南部地区；高植被覆盖度和极高植被覆盖占比面积分别为7.45%和14.80%, 主要分布在森林和草地等植被生长旺盛的地区, 如中部和北部的银川平原和沙坡头区、青铜峡市沿河地区. 以上结果与前人的研究结果相一致[17].
|
图 4 2001~2020年FVC空间分布的年际变化 Fig. 4 Annual changes in the distribution of vegetation coverage from 2001 to 2020 |
|
图 5 2001~2020年多年平均FVC空间分布和各等级面积占比 Fig. 5 Average FVC spatial distribution and area proportion of each class from 2001 to 2020 |
基于Sen+Mann-Kendall趋势分析得到研究区2001~2020年植被变化趋势的空间分布（图 6）. 根据研究区SFVC和U值的实际情况[9, 47], 将研究区植被覆盖度变化趋势分为5类：明显改善、轻微改善、稳定不变、轻微退化和显著退化. 从表 4可以看出, 2001~2020年研究区植被覆盖度发生变化的面积占总面积的86.99%, 其中改善的区域占植被覆盖总面积的62.60%, 植被覆盖度退化的区域占24.39%, 稳定不变即没有发生显著变化的区域占13.01%. 总体而言, 研究区植被覆盖度改善面积超过研究区总面积的一半, 整体呈改善趋势. 从空间分布上看, 植被覆盖度改善和退化的区域具有突出的空间特征, 整体表现为东北部和西南部呈改善趋势, 西北部和中部呈退化趋势.
|
图 6 2001~2020 FVC变化趋势 Fig. 6 Trend of the FVC from 2001 to 2020 |
|
|
表 4 FVC变化趋势统计 Table 4 Statistics of FVC change trend |
基于Matlab平台得到逐像元植被覆盖度的变异系数（图 7）, 由图 7可知2001~2020年研究区植被覆盖度的变异系数介于0~3.144之间, 平均变异系数为0.098, 整体稳定性较好, 在空间上表现为南部和东部变化最为剧烈, 西部次之, 中部和北部变化最小. 具体而言, 植被覆盖度变化最剧烈的地区主要分布在青铜峡市西部、兴庆区东部、利通区中部、中宁县的南部和东部以及沙坡头区的西南部和东北部, 该区域植被覆盖度极不稳定. 变化较小的区域主要分布在研究区中部和北部的银川平原区域, 以及中宁县中部和沙坡头区的中东部地区.
|
图 7 变异系数空间分布 Fig. 7 Spatial distribution of coefficient of variation |
基于Matlab平台实现H值的计算, 对研究区未来植被覆盖度的变化进行研究与预测（图 8）. 研究区植被覆盖度H值平均值为0.46, 大于0.5的区域占33.85%, 小于0.5的区域占66.15%, 等于0.5的区域占0.01%, 表明研究区植被覆盖度的反持续性较强, 即反持续改善或者反持续退化. 从空间分布上看, 研究区北部H值较高, 东部和南部H值较低.
|
图 8 2001~2020 FVC变化可持续性 Fig. 8 Sustainability of FVC from 2001 to 2020 |
为进一步揭示植被覆盖度未来演变规律, 将FVC变化趋势SFVC与H值进行叠加分析研究区FVC未来变化特征[48~50]. 由表 5和图 8可知, 研究区FVC呈改善趋势的区域面积占比为34.84%, 其中呈持续改善趋势的区域面积占比为20.71%, 主要分布在利通区南部、中宁县中部、沙坡头中部和西夏区西部；未来呈改善趋势的区域面积占比为14.13%, 主要包括灵武市东部和青铜峡市西部. 持续性稳定不变的区域面积占比为3.34%, 零散分布于各县区内部；呈持续退化趋势区域面积占比为9.89%, 主要分布在大武口区西部、平罗县西部、贺兰县西部和南部、金凤区北部、兴庆区西部和永宁县东北部；未来呈退化趋势的区域面积占比为43.01%, 主要分布在惠农区南部、平罗县北部、灵武市北部和中部、中宁县南部和沙坡头区中部；另外有9.0%的区域其FVC未来变化趋势不确定, 持续退化的区域和未来变化趋势不确定的区域需要进一步关注和研究[51].
|
|
表 5 FVC变化可持续性1） Table 5 Sustainability of FVC |
3.5 FVC驱动力分析 3.5.1 连续型因子离散化
参考相关研究和研究区实际情况[43], 初步设定间断区间为4~8类, 并用字母A~H表示不同的类别. 通过模型计算, 选择每个连续型因变量在不同的分类方法与分级层数合下的Q值最大的方案进行空间离散化[52]. 以2001年为例, 将最优空间数据离散参数设定为：选用自然间距分级将湿度分为8类, 选用分位数间距分级将坡度、海拔、日照时数和气温分别分为6、7、5和5类, 选用标准偏差间距分级将降水分为6类（图 9）.
|
图 9 连续型因子离散化过程 Fig. 9 Continuous factor discretization process |
研究区2001~2020年各因子的解释力如图 10所示, 2001~2020年各因子的平均解释力排序依次为：土地利用（0.675 5） > 海拔（0.377 0） > 植被类型（0.270 3） > 地貌类型（0.261 1） > 气温（0.178 2） > 日照时数（0.176 4） > 相对湿度（0.174 4） > 坡度（0.106 8） > 降水（0.091 1） > 坡向（0.011 9）, 各因子的Q值均通过显著性检验. 其中, 土地利用类型平均解释力为67.55%, 远大于其他因子解释力, 是影响研究区植被覆盖度变化的主要驱动因子；海拔、植被类型和地貌类型解释力均在20%以上, 为次要驱动因子；气温、日照时数、相对湿度和坡度的解释力均超过10%；降水和坡向的解释力均小于10%, 对研究区植被覆盖度变化的影响最小.
|
*表示P < 0.01 图 10 2001~2020年FVC因子探测结果 Fig. 10 Result of the FVC factor detector from 2001 to 2020 |
通过交互探测分析植被覆盖度的各因子间的交互作用. 如图 11所示, 从时间上看, 各因子交互作用的Q值在整体上呈现出2001~2011年增大, 2012~2020年减小的趋势. 从因子角度看, 两两因子之间的交互作用均表现为增强作用, 且80%以上的因子组合方式为双因子增强作用, 其余因子表现为非线性增强, 即两个因子的叠加极大增强了单因子对植被覆盖度的影响.
|
图 11 2001~2020年各因子交互检测Q值 Fig. 11 The Q values of the FVC interaction detector from 2001 to 2020 |
其中, 土地利用与海拔、日照和湿度的交互作用Q值最大（均 > 0.7）, 表明空间叠加后以上交互作用对植被覆盖度的影响占主导地位, 其次是地貌类型、气温和降水（均 > 0.6）, 说明土地利用与其他各自然因子叠加作用显著增强了以上自然因子对植被覆盖度的影响, 即存在明显的双因子协同增强关系, 进一步证明了土地利用的主导作用.
坡向与日照、湿度、气温和年降水的交互作用表现为相互非线性增强. 海拔和植被类型与其他因子的交互作用明显, 坡度、坡向与其他因子交互作用较弱. 总体而言, 人为因子与自然因子的交互作用影响力均有增强态势, 进一步说明植被覆盖度的变化是受自然因素与人类活动的共同作用[53].
3.5.4 风险探测根据风险探测, 计算分析各因子对植被覆盖度空间分布变化的适应类型或范围[54]. 基于OPGD模型对地形特征风险区的分析表明[图 12（a）], 研究区最合适的坡向为平坦地区, 植被覆盖度均值为0.52~0.59, 在东北部和东坡出现了一个抑制区, FVC均值为0.24~0.38[图 12（b）].
|
（a）坡向风险区域, 其中A为平面, B为北, C为东北, D为东, E为东南, F为南, G西南, H为西, I为西北, 红色表示适宜区域, 蓝色表示抑制区域（下同）；（b）各坡向风险区域的FVC均值, A~I表示不同的风险区域, Max表示风险区域最大FVC均值, Min表示风险区域的最小FVC均值, 黑色线条表示该风险区域FVC均值随时间的变化, 红色线条表示该区域FVC均值拟合曲线（下同）；（c）坡向的空间分布；（d）坡度风险区域, 其中A~H分别表示不同的类别（下同）；（e）各坡度风险区的FVC均值；（f）坡度的空间分布；（g）海拔风险区域；（h）各海拔风险区的FVC均值；（i）海拔的空间分布 图 12 基于OPGD模型的地形特性风险区分析 Fig. 12 Analysis of the terrain characteristic risk area based on the OPGD model |
研究区中FVC均值随坡度的增加逐渐减小, 坡度小于1.22°为最适宜植被生长的坡度, FVC均值为0.47~0.53, 而抑制区域的坡度为9.22°~17.3°[图 12（d）]. 在空间上, 研究区西南部和西北部[图 12（f）]的山地坡度复杂, 植被覆盖度不均匀, 位于研究区植被覆盖度中、高值区之间. 一般而言, 山区的坡度较为复杂, 这是决定植被覆盖度水平的重要原因.
海拔影响自然要素和人类活动的空间分布. 研究区FVC均值随海拔升高先增大后减小, 海拔在1 100~1 140 m之间适合植被生长[图 12（g）], FVC均值在0.29~0.71之间, 与其他海拔亚带之间存在显著差异. 在海拔高于1 330 m时抑制植被生长, FVC均值在0.08~0.22之间.
基于OPGD模型对气候特征风险区的分析显示[图 13（a）]：2001~2020年研究区日照时数在2 227.10~3 125.32 h之间, FVC均值随日照时数增大逐渐增大. 其中, 日照时数高于2 830 h时适宜植被生长, FVC均值为0.37~0.65, 当日照时数 < 2 740 h时, 植被生长受到抑制.
|
（a）日照时数风险区域；（b）每个日照时数风险区域的FVC均值；（c）湿度风险区域；（d）每个湿度风险区域的FVC均值；（e）气温风险区域；（f）每个气温风险区的FVC均值；（g）降水风险区域；（h）每个降水风险区域的FVC均值；对于（a）和（b）的日照时数为：2001年（2 604.86~3 095.34 h）, 2002年（2 583.03~3 106.02 h）, 2003年（2 521.83~3 049.41 h）, 2004年（3 043.67~3 065.97 h）, 2005年（2 494.03~3 125.32 h）, 2006年（2 148.33~2 437.10 h）, 2007年（2 404.74~2 855.22 h）, 2 008年（2 553.55~2 974.06 h）, 2009年（2 395.23~2 987.59 h）, 2010年（2 514.64~2 972.47h）, 2011年（2 373.07~2 859.17 h）, 2012年（2 148.29~2 437.00 h）, 2013年（2 504.22~2 897.51 h）, 2014年（2 389.29~2 905.77 h）, 2015年（2 495.90~2 967.09 h）, 2016年（2 670.42~3 052.57 h）, 2017年（2 443.52~2 985.54 h）, 2018年（2 405.74~2 870.71 h）, 2019年（2 270.38~2 800.07 h）, 2020年（2 227.10~2 980.67 h）；对于（c）和（d）的湿度为：2001年（48.43%~61.39%）, 2002年（51.74%~61.08%）, 2003年（51.72%~65.33%）, 2004年（46.15%~61.14%）, 2005年（44.12%~63.33%）, 2006年（47.33%~63.16%）, 2007年（49.16%~64.65%）, 2008年（48.41%~63.24%）, 2009年（46.34%~61.99%）, 2010年（46.95%~62.37%）, 2011年（47.48%~64.68%）, 2012年（45.02%~64.74%）, 2013年（41.75%~58.54%）, 2014年（45.33%~63.45%）, 2015年（46.89%~62.67%）, 2016年（47.08%~61.56%）, 2017年（44.84%~62.09%）, 2018年（46.02%~64.72%）, 2019年（46.81%~65.14%）, 2020年（45.38%~63.49%）；对于（e）和（f）的气温为：2001年（-1.32~10.30℃）, 2002年（-1.17~10.34℃）, 2003年, （-1.69~9.98℃）, 2004年（-1.30~10.19℃）, 2005年（-1.69~9.97℃）, 2006年（-0.86~10.68℃）, 2007年（-0.98~10.39℃）, 2008年（-1.64~9.93℃）, 2009年（-1.11~10.36℃）2010年（-1.33~10.38℃）, 2011年（-1.71~9.96℃）, 2012年（-2.13~9.66℃）, 2013年（-1.09~10.58℃）, 2014年（-1.29~10.16℃）, 2015年（-0.98~10.58℃）, 2016年（-1.33~10.58℃）, 2017年（-0.79~10.66℃）, 2018年（-1.00~10.26℃）, 2019年（-0.72~10.48℃）, 2020年（-0.83C~10.38℃）；对于（g）和（h）的降水为, 2001年（148.58~295.92 mm）, 2002年（155.25~333.67 mm）, 2003年（164.25~334.83 mm）, 2004年（134.92~251.33 mm）, 2005年（101.00~226.42 mm）, 2006年（134.25~256.50 mm）, 2007年（133.17~276.67 mm）, 2008年（143.00~291.83 mm）, 2009年（124.08~236.42 mm）, 2010年（134.42~271.58 mm）, 2011年（106.75~305.50 mm）, 2012年（169.25~330.25 mm）, 2013年（106.17~284.42 mm）, 2014年（166.83~332.00 mm）, 2015年（141.00~290.17 mm）, 2016年（168.83~345.50 mm）, 2017年（138.42~314.08 mm）, 2018年（192.33~379.33 mm）, 2019年（129.25~268.17 mm）, 2020年（150.67~283.50 mm） 图 13 基于OPGD模型的气候特性风险区分析 Fig. 13 Analysis of the climate characteristic risk area based on the OPGD model |
2001~2020年研究区湿度在41.75%~65.33%之间, FVC均值随湿度的增加先增大后减小[图 13（c）], 在48.0%~49.3%的湿度区间内FVC均值最高[图 13（d）], 为0.46~0.60, 在56.3%~57.7%区间出现了一个抑制区, FVC均值为0.09~0.35, 即湿度过高或者过低都会影响植被生长.
2001~2020年, 研究区气温在-2.13~10.68℃之间, 当年均气温 > 9.85℃时适宜植被生长, 当气温在8.35~8.99℃时, 植被生长受到抑制[图 13（e）]. 在时间上, 极端温度范围以外的区间的变化不显著, 而抑制植被生长的低温层的A区间和高温层的H区间都显示出显著增加的趋势[图 13（f）]. 温度变化会引起该地区其他因子的变化, 在适合植被生长的温度范围内, 温度越高, 植被覆盖度越好[55, 56], 超过这个温度范围, 植被生长就会受到抑制[57].
研究区2001~2020年降水在101.00~379.33 mm之间, 降水在区间180~196 mm适合植被生长, FVC均值为0.33~0.56, 降水为124~163 mm抑制植被生长, FVC均值为0.16~0.43. 流域降水总体呈逐年增加趋势, 但空间分布不均匀, 植被需水量范围不稳定, 降水仅适合特定范围内的植被生长[图 13（g）]. 根据植被覆盖度均值在每个区间的变化, 降水和植被覆盖之间的关系是不清楚的.
根据基于OPGD模型的地貌类型风险区域分析[图14（a）~14（c）], 研究区地貌类型多样, 影响植被分布. 平原为适宜研究区植被生长的地貌类型, FVC均值为0.44~0.54, 与其他地貌类型有显著差异, 表明平原植被覆盖度最好；丘陵和小起伏山地的FVC均值最低, 为0.06~0.20, 表明丘陵和小起伏山地不适宜植被生长.
基于OPGD模型的植被类型风险区域分析[图14（d）~14（f）], 植被类型对研究区的植被覆盖度有重要影响, 与其他因子的交互作用进一步增强了植被类型对植被覆盖度的影响. 研究区植被类型划分为8类. FVC均值在栽培植被类型达到峰值, 为0.52~0.59；荒漠为抑制植被生长的区域.
|
（a）地貌类型风险区域，其中A为平原，B为台地，C为丘陵，D为小起伏山地，E为中起伏山地；（b）各地貌类型风险区域的FVC均值；（c）地貌类型的空间分布；（d）植被类型风险区域，其中A为针叶林，B为阔叶林，C为灌丛，D为荒漠，E为草原，F为草甸，G为栽培植被，H为其他；（e）每个植被类型风险区域的FVC均值；（c）植被类型的空间分布 图 14 基于OPGD模型的土壤类型和植被类型特性风险区分析 Fig. 14 Analysis of the geomorphic type and vegetation type characteristic risk area based on the OPGD model |
基于上述定量属性分析的结果, 土地利用类型对植被变化的影响最大. 因此, 本研究进一步分析了土地利用转换对植被变化的影响（表 6）. 除未利用地外, 从其他所有土地利用类型到水体和未利用地的转换皆导致了植被覆盖度的下降, 其中由其他土地利用类型转换到水体使植被覆盖度下降更大. 从耕地到其他所有土地利用类型的转换都导致了植被覆盖度的下降, 其中退耕还林、退耕还草和退耕还水使植被覆盖度分别降低了0.067 1、0.209 3、0.504 1和0.038. 除草地外, 林地向其他土地利用类型的转换皆导致了植被覆盖度的下降. 研究区共有10.27%的草地转变为其他用地类型, 其中草地向耕地、林地和建设用地的转化使植被覆盖度分别增加了0.392 3、0.196 8和0.158 1, 分别占研究区面积的5.71%、0.02%和1.13%. 水体向耕地、林地、草地和建设用地的转换使植被覆盖度分别增加了0.511 9、0.047 0、0.034 6和0.102 4. 未利用地向其他所有土地利用类型的转换皆导致了植被覆盖度的增加, 变化面积约占研究区总面积的7.1%. 建设用地向耕地和草地的转换使植被覆盖度分别增加了0.260 9和0.034 2.
|
|
表 6 2001~2020年不同土地利用转换类型的FVC变化1） Table 6 FVC changes in different types of land use conversion from 2001 to 2020 |
4 讨论 4.1 宁夏沿黄城市带FVC时空演变特征
植被变化可以直接反映当地生态环境变化状况[58]. 从时间上看, 2001~2020年间研究区植被覆盖度总体呈上升趋势, 20年来, 研究区植被覆盖度在27.14%~38.19%范围内呈现不规则波动. 分析其原因：①三北工程建设的实施, 极大地改善和优化了研究区的生态环境, 区域荒漠化明显改善, 森林面积显著增加；②2003年宁夏回族自治区在全境实行封山禁牧, 草原和林地等区域实行围封, 培育林草, 林草盖度得到提高；③2015新一轮退耕还林工程刚刚实施, 耕地面积减少, 而新种植的植被覆盖度较低[59], 到2016年FVC得到增加；④2012~2016年5 a宁夏气温升温较显著, 降雨减少, 湿润指数下降, 干旱现象发生的频率较高[34]；⑤2007年青铜峡市实行的退耕还湿政策同样对区域植被覆盖度带来一定的积极影响.
从空间上看, 研究区植被覆盖度具有明显的空间分异, 区域内典型的地形、气候分布特征, 奠定了其植被覆盖度“东北高西南低”分布格局. 覆盖度高值区域主要分布在北部海拔较低且较平坦的宁夏平原, 黄河为所流经地区提供了丰富的灌溉用水[60]. 低值区域主要分布在西北部和沙坡头区西部, 因其处于半荒漠地带受水资源的制约, 农业发展受较大局限, 荒漠化及沙化现象较突出[34], 整体植被覆盖较低.
|
（a）土地利用类型风险区域，其中A为耕地，B为森林，C为草地，D为水体，E为未利用地，F为建设用地；（b）每个土地利用类型风险区的FVC均值 图 15 基于OPGD模型的土地利用风险区分析 Fig. 15 Analysis of the land use risk area based on the OPGD model |
空间变化趋势上, 植被覆盖度改善面积均多于退化面积, 这与穆少杰等[61]在宁夏地区的相关研究结果大致相同, 但由于划分规则和研究时段的差异, 面积比例略有不同. 植被覆盖度退化的区域主要分布在贺兰山中西部海拔较高的区域和各区县城市建成区及其附近, 这可能是由于快速的城市化, 土地开垦、城市和农田的扩张等压缩了植被生长的空间, 从而导致植被退化[62]. 稳定性分析的结果表明, 植被覆盖度变化最剧烈的地区主要分布在青铜峡市西部、兴庆区东部、利通区中部、中宁县的南部和东部以及沙坡头区的西南部和东北部. 分析其原因：①荒漠草原植被随气候的变化呈现波动性较大, 植被的年际变化大；②水域变化剧烈与其本身植被覆盖度低或数值并不相关, 其结果并不能得出区域植被覆盖度波动性大的结论, 而是呈稳定状态或不变[51]. ③城市化进程加速会使植被覆盖度产生巨大变化, 城市边缘植被覆盖度的波动性较大. 变化较小的区域主要分布在研究区中部和北部的银川平原, 以及中宁县中部和沙坡头区的中东部地区, 其原因是以上地区植被覆盖度基数较大且年际变化不大. 此外, FVC极显著增长与显著增长区域主要分布在灵武市白芨滩、贺兰山自然保护区等重点生态保护和修复区, 这也说明了自2000年以来政府实施的退牧还草和草原生态奖补政策等一系列生态保护建设工程也促进了宁夏生态状况的好转[31, 46].
植被变化的持续性较高的地区主要分布在研究区北部, 分析其原因：研究区北部为引黄灌区, 主要依附黄河受气象因子的影响较小, 因此植被变化的持续性较高；低值区主要分布在沙坡头区、中宁县和灵武市附近, 以干旱风蚀地貌为主, 生态环境脆弱, 植被生长受气候变化的影响较大[63], 故持续性较差. 研究区呈持续退化趋势和未来呈退化趋势的区域分别占9.89%和43.01%, 且主要分布在各区县建成城镇及其周边, 植被退化趋势明显. 因此, 建议对各建成城镇及其周边区域进行重点关注, 加强对区域内生态系统质量监测及生态保护工程的推进和监管[48], 推动黄河流域生态保护和高质量发展先行区建设.
4.2 影响植被变化的驱动因子植被覆盖变化是自然和人为因素共同作用的结果, 量化自然因素和人为因素对植被变化的影响, 确定主导因素, 可为决策者提供有价值的参考[64]. 研究结果表明, 自然和人为因素对植被变化都有很大的影响. 总体而言, 研究区植被覆盖度变化与4个驱动因子（土地利用类型、海拔、植被类型和地貌类型）高度相关（Q值> 0.2）, 其中土地利用类型的贡献最大.
4.2.1 人为因素对植被变化的影响土地利用类型作为人类活动最直接的反映, 在植被变化中起着重要作用[65]. 相比于气候因素, 人为因素对FVC的贡献率整体较高, 这一结论与吴加敏等[17]的研究一致, 作为唯一的人为因素, 土地利用类型的解释力保持在较高水平, 表明人类居住和活动显著影响植被覆盖变化的趋势.
在本研究期间, 从耕地到其他土地利用类型的转换都导致了植被覆盖度的下降, 研究结论与Wang等[18]不同, 原因可能是由于宁夏处于干旱与半干旱地区, 大部分地区植被稀少, 草原沙漠化严重, 林地多为人工栽培植被, 植被叶片普遍较小, 草地植被类型多为旱生、强旱生的灌木和半灌木, 植被分布稀疏. 除耕地外, 大多数类型的土地利用转换导致FVC增加（表 6）, 其中由其他用地到林地和草地的转变皆导致了植被覆盖度的增加主要得益于近20年来政府主导的一系列的生态建设措施, 如“三北”防护林体系工程、封山禁牧、退耕还湿等一系列生态建设工程, 区域植被覆盖情况得到显著改善.
4.2.2 自然因素对植被变化的影响地形主要通过改变环境中的水热条件进而影响植被分布[66]. 海拔作为重要的地形因子, 对地表植被生长过程有着重要的影响, 是影响山地水热条件分布的主要因素, 具有一定的复杂性. 随着海拔的升高, 气温下降, 太阳辐射和风速增加, 局部地区降水和相对湿度先增后减, 土壤类型表现出显著的差异, 形成了环境梯度的变化, 导致不同海拔的植物类型和生长特性不同. 本研究中, 海拔可以解释研究区约37.70%的植被变化, 海拔对植被覆盖度的影响大于其他自然因子；与以往的研究相同, 研究区植被生长存在一个阈值[67, 68], 海拔在1 100~1 140 m之间适合植被生长, 该海拔范围与其他海拔亚带之间存在显著差异. 植被覆盖度随着海拔的上升呈先改善后退化再改善变化趋势, 植被覆盖度在高程低于1 140 m时改善最明显, 海拔低于1 140 m地区以引黄灌区为主, 水分条件好, 且大部分生态工程的实施也在此海拔范围, 对植被覆盖度的增加有显著作用.
植被类型对研究区植被的生长也起着至关重要的作用, 可解释植被变化的27.03%. 研究区植被类型以栽培植被为主, 主要分布在平原地区的城镇及其边缘, 自然环境条件较适宜植被生长, 同时灌溉条件好, 受气候变化影响小. 而荒漠区域气候条件差, 降水少, 在很大程度上抑制了植被的生长.
不同地貌类型具有不同的地形特征、土壤和土地利用方式, 以上特征可显著影响植被的分布. 地貌类型可解释研究区植被变化的26.11%, 对研究区植被变化有显著作用. 研究区地貌类型以平原和丘陵为主, 高植被覆盖度区域主要分布在黄河干流周边平原地区, 坡度平缓, 水热条件充足, 海拔相对适宜, 有利于植被生长.
以往自然因素对植被覆盖影响的研究表明, 在大多数半干旱地区, 温度和降水被认为是影响植被分布和变化的最重要的气候因子[69~71]. 在本研究中, 与其他因子相比, 温度和降水的Q值都相对不高, 这与杜灵通等[46]对宁夏植被覆盖度变化研究结论相同, 原因可能是研究区大部分区域位于引黄灌区, 灌区的农业植被受灌溉调节, 植被覆盖的长期发展及趋势受人类活动因素的影响更为直接[72], 导致区域内植被对于温度和降水的变化不敏感.
4.3 研究不足及展望一是选择的影响因子数量, 特别是人类活动因素较少, 事实上人类活动对于植被覆盖的影响十分复杂, 生态措施、人口迁移和农业政策等均会对植被覆盖造成一定影响. 在接下来的研究中可以选取更多的影响因子, 如GDP和人口密度等进一步深入探讨研究区植被覆盖度变化的驱动因素. 此外, 许多研究表明太阳辐射、干旱程度和极端天气事件等都会对植被覆盖的变化产生影响[73~76], 二是在植被指数选择方面, 虽然NDVI目前被认为是检测植被变化最有效的指标, 但它在密集植被冠层中可能达到饱和, 这可能导致生物量密集地区的趋势不准确, 并且没有解决对低植被覆盖地区土壤背景的影响[77]. 为了获得更准确的结果, 未来的研究可以使用改进的增强植被指数（enhanced vegetation index, EVI）进行比较. 三是研究仅对影响植被覆盖的驱动因子的解释力大小进行了研究, 但没有考虑植被变化与影响因素之间的关系的空间分异, 未来将使用相关的空间统计方法, 进一步研究植被变化及其驱动力之间的关系的空间和时间异质性；此外, 研究涉及的时间覆盖范围有限, 如何扩展植被覆盖度的时间覆盖范围, 探究生长季气候变化对植被覆盖度的影响还有待进一步研究.
5 结论（1）时间上, 2001~2020年植被覆盖度整体呈现为波动上升趋势, 增长速率为0.25%·a-1（P < 0.01）多年植被覆盖度均值为33.38%, 表明研究区植被覆盖度总体处于较低水平. 空间上, 植被覆盖度整体呈现出“东北高西南低”的空间分布格局, 具有显著的地域差异, 类型以极低植被覆盖度和低植被覆盖度为主.
（2）2001~2020年间, 研究区植被改善区域面积占比为62.60%, 远大于退化区域的面积. 20年间研究区植被覆盖度整体稳定性较好, 平均变异系数为0.098, 南部和东部植被覆盖变化较大, 中部和北部植被覆盖变化较为稳定.
（3）未来变化趋势上, 研究区植被覆盖度的H值小于0.5的区域占66.15%, 表明反持续性较强；由变化趋势与H值叠加得出：研究区植被覆盖度呈改善趋势的区域面积占植被覆盖区域总面积的34.84%, 持续稳定不变的区域面积占7.8%, 呈持续退化趋势和未来呈退化趋势的区域分别占9.89%和43.01%, 有9.0%的区域未来变化趋势不确定.
（4）驱动因子探测结果表明, 土地利用类型平均解释力为67.55%, 是影响研究区植被覆盖度变化的主要驱动因子, 海拔、植被类型和地貌类型为次要驱动因子；各因子交互作用的解释力（Q值）均高于单因子, 表现出双因子协同增强和非线性增强关系；各驱动因子对研究区植被生长的影响均有其适宜的范围.
| [1] |
王娜. 基于NDVI的河南省植被及碳储量变化研究[D]. 开封: 河南大学, 2012. Wang N. The research of vegetation and carbon storage changes in Henan Province based on NDVI[D]. Kaifeng: Henan University, 2012. |
| [2] |
白玛曲西, 普布多吉, 卓永, 等. 基于MODIS的横断山区植被时空演变特征及地形效应分析[J]. 生态与农村环境学报, 2023, 39(9): 1158-1169. Bai M Q X, Pu B D J, Zhuo Y, et al. Analysis of temporal and spatial evolution characteristics and terrain effect of vegetation in Hengduan Mountains region based on MODIS[J]. Journal of Ecology and Rural Environment, 2023, 39(9): 1158-1169. |
| [3] |
刘林, 马安青, 马启敏. 滨海半城市化地区植被覆盖度的时空变化——以青岛市崂山区为例[J]. 环境科学与技术, 2012, 35(1): 178-185. Liu L, Ma A Q, Ma Q M. Spatial and temporal variations of vegetation coverage in coastal peri-urban area: a case study of Laoshan District, Qingdao[J]. Environmental Science & Technology, 2012, 35(1): 178-185. DOI:10.3969/j.issn.1003-6504.2012.01.037 |
| [4] |
李强, 张翀. 基于NDVI时间序列的近12年中国植被覆盖的单调趋势分析[J]. 水土保持通报, 2014, 34(3): 135-140. Li Q, Zhang C. An analysis of monotonic trend of vegetation cover in China based on NDVI time series[J]. Bulletin of Soil and Water Conservation, 2014, 34(3): 135-140. |
| [5] | Wu D H, Wu H, Zhao X, et al. Evaluation of spatiotemporal variations of global fractional vegetation cover based on GIMMS NDVI data from 1982 to 2011[J]. Remote Sensing, 2014, 6(5): 4217-4239. DOI:10.3390/rs6054217 |
| [6] |
吕泳洁, 丁文广, 邓喆, 等. 基于地理探测器的甘肃省植被覆盖时空变化及驱动力分析[J]. 地球环境学报, 2022, 13(2): 185-195. Lü Y J, Ding W G, Deng Z, et al. Spatiotemporal variation of vegetation cover and its driving forces in Gansu Province based on geodetector[J]. Journal of Earth Environment, 2022, 13(2): 185-195. |
| [7] | Liu H, Li X J, Mao F J, et al. Spatiotemporal evolution of fractional vegetation cover and its response to climate change based on MODIS data in the subtropical region of China[J]. Remote Sensing, 2021, 13(5). DOI:10.3390/rs13050913 |
| [8] |
银朵朵, 王艳慧. 温带大陆性半干旱季风气候区植被覆盖度时空变化及其地形分异研究[J]. 生态学报, 2021, 41(3): 1158-1167. Yin D D, Wang Y H. Temporal and spatial changes of vegetation coverage and its topographic differentiation in temperate continental semi-arid monsoon climate region[J]. Acta Ecologica Sinica, 2021, 41(3): 1158-1167. |
| [9] |
王晓蕾, 石守海. 基于GEE的黄河流域植被时空变化及其地形效应研究[J]. 地球信息科学学报, 2022, 24(6): 1087-1098. Wang X L, Shi S H. Spatio-temporal changes of vegetation in the Yellow River Basin and related effect of landform based on GEE[J]. Journal of Geo-information Science, 2022, 24(6): 1087-1098. |
| [10] | Kim J, Kang S, Seo B, et al. Estimating fractional green vegetation cover of Mongolian grasslands using digital camera images and MODIS satellite vegetation indices[J]. GIScience & Remote Sensing, 2020, 57(1): 49-59. |
| [11] | Kasoro F R, Yan L, Zhang W, et al. Spatial and temporal changes of vegetation cover in China based on Modis NDVI[J]. Applied Ecology and Environmental Research, 2021, 19(2): 1371-1390. DOI:10.15666/aeer/1902_13711390 |
| [12] |
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 |
| [13] |
阿多, 赵文吉, 宫兆宁, 等. 1981-2013华北平原气候时空变化及其对植被覆盖度的影响[J]. 生态学报, 2017, 37(2): 576-592. A D, Zhao W J, Gong Z N, et al. Temporal analysis of climate change and its relationship with vegetation cover on the North China Plain from 1981 to 2013[J]. Acta Ecologica Sinica, 2017, 37(2): 576-592. |
| [14] |
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. |
| [15] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [16] |
孙灏, 马立茹, 蔡创创, 等. 干旱区地表温度和热岛效应演变研究——以宁夏沿黄城市带为例[J]. 干旱区地理, 2020, 43(3): 694-705. Sun H, Ma L R, Cai C C, et al. Evolution of surface temperature and heat island effect in arid areas: a case of city belt along the Yellow River in Ningxia[J]. Arid Land Geography, 2020, 43(3): 694-705. |
| [17] |
吴加敏, 蔡创创, 孙灏, 等. 宁夏沿黄城市带植被覆盖时空演变及其驱动力分析[J]. 干旱区研究, 2020, 37(3): 696-705. Wu J M, Cai C C, Sun H, et al. Spatiotemporal evolution and driving force analysis of fractional vegetation coverage over the urban belt along the Yellow River in Ningxia[J]. Arid Zone Research, 2020, 37(3): 696-705. |
| [18] | Wang Y M, Zhang Z X, Chen X. Quantifying influences of natural and anthropogenic factors on vegetation changes based on geodetector: a case study in the Poyang Lake Basin, China[J]. Remote Sensing, 2021, 13(24). DOI:10.3390/rs13245081 |
| [19] |
马小燕, 朱晓雯, 赵金涛, 等. 1995-2015年宁夏沿黄城市带蒸散发时空变化特征[J]. 水资源与水工程学报, 2022, 33(2): 216-224. Ma X Y, Zhu X W, Zhao J T, et al. Temporal and spatial variation characteristics of evapotranspiration along the Yellow River Urban Belt in Ningxia from 1995 to 2015[J]. Journal of Water Resources and Water Engineering, 2022, 33(2): 216-224. DOI:10.11705/j.issn.1672-643X.2022.02.29 |
| [20] |
高祖桥, 白永平, 周亮, 等. 宁夏沿黄城市带湿地景观格局演变特征及驱动力[J]. 应用生态学报, 2020, 31(10): 3499-3508. Gao Z Q, Bai Y P, Zhou L, et al. Characteristics and driving forces of wetland landscape pattern evolution of the city belt along the Yellow River in Ningxia, China[J]. Chinese Journal of Applied Ecology, 2020, 31(10): 3499-3508. |
| [21] |
吕荣芳. 宁夏沿黄城市带生态系统服务时空权衡关系及其驱动机制研究[D]. 兰州: 兰州大学, 2019. Lyu R F. Spatial-temporal associations among ecosystem services and their driving mechanisms: a case study in the city belt along the Yellow River in Ningxia[D]. Lanzhou: Lanzhou University, 2019. |
| [22] |
周智勇. 基于Landsat遥感影像的围场县植被覆盖时空格局变化[J]. 水文地质工程地质, 2020, 47(6): 81-90. Zhou Z Y. Change in temporal-spatial pattern of vegetation coverage in Weichang County based on Landsat remote sensing image[J]. Hydrogeology & Engineering Geology, 2020, 47(6): 81-90. |
| [23] |
孙桂凯, 王国帅, 魏义熊, 等. 基于改进遥感生态指数的岩溶山区生态质量评价——以澄碧河流域为例[J]. 水土保持通报, 2021, 41(2): 230-239. Sun G K, Wang G S, Wei Y X, et al. Improvement of remote sensing ecological index in Karst mountainous areas——taking Chengbi River Basin as an example[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 230-239. |
| [24] | Verhoef W. Application of harmonic analysis of NDVI time series (HANTS)[J]. Fourier Analysis of Temporal NDVI in the Southern African and American Continents, 1996, 108: 19-24. |
| [25] |
孙亮, 刘平芝, 张卫柱, 等. Aster DEM数据与1∶50000地面高程库数据的精度比较分析[J]. 测绘与空间地理信息, 2013, 36(9): 1-6, 10. Sun L, Liu P Z, Zhang W Z, et al. Precision comparing and analyzing between ASTER DEM and 1:50 000 national digital elevation data[J]. Geomatics & Spatial Information Technology, 2013, 36(9): 1-6, 10. DOI:10.3969/j.issn.1672-5867.2013.09.001 |
| [26] |
裴志方, 杨武年, 吴彬, 等. 2000-2016年宁夏植被覆盖景观格局遥感动态分析[J]. 水土保持研究, 2018, 25(1): 215-219. Pei Z F, Yang W N, Wu B, et al. Analysis of dynamic vegetation cover landscape pattern in Ningxia Hui Autonomous Region from 2000 to 2016 using remote sensing[J]. Research of Soil and Water Conservation, 2018, 25(1): 215-219. |
| [27] | Jing W L, Yang Y P, Yue X F, et al. A spatial downscaling algorithm for satellite-based precipitation over the Tibetan Plateau based on NDVI, DEM, and land surface temperature[J]. Remote Sensing, 2016, 8(8). DOI:10.3390/rs8080655 |
| [28] |
荆文龙, 冯敏, 杨雅萍. 一种NCEP/NCAR再分析气温数据的统计降尺度方法[J]. 地球信息科学学报, 2013, 15(6): 819-828. Jing W L, Feng M, Yang Y P. A statistical downscaling approach of NCEP/NCAR reanalysis temperature data[J]. Journal of Geo-Information Science, 2013, 15(6): 819-828. |
| [29] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [30] | Gutman G, Tarpley D, Ignatov A, et al. The enhanced NOAA global land dataset from the advanced very high resolution radiometer[J]. Bulletin of the American Meteorological Society, 1995, 76(7): 1141-1156. DOI:10.1175/1520-0477(1995)076<1141:TENGLD>2.0.CO;2 |
| [31] |
李晶, 刘乾龙, 刘鹏宇. 1998-2018年呼伦贝尔市植被覆盖度时空变化及驱动力分析[J]. 生态学报, 2022, 42(1): 220-235. Li J, Liu Q L, Liu P Y. Spatio-temporal changes and driving forces of fraction of vegetation coverage in Hulunbuir (1998-2018)[J]. Acta Ecologica Sinica, 2022, 42(1): 220-235. |
| [32] | Peng W F, Kuang T T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, Western China[J]. Journal of cleaner production, 2019, 233: 353-367. |
| [33] |
徐建华. 计量地理学[M]. 北京: 高等教育出版社, 2014. Xu J H. Guantitative geography[M]. Beijing: Higher Education Press, 2014. |
| [34] |
黄悦悦, 杨东, 冯磊. 2000-2016年宁夏植被覆盖度的时空变化及其驱动力[J]. 生态学杂志, 2019, 38(8): 2515-2523. Huang Y Y, Yang D, Feng L. Spatiotemporal variation in vegetation coverage and its driving forces in Ningxia during 2000-2016[J]. Chinese Journal of Ecology, 2019, 38(8): 2515-2523. |
| [35] | Milich L, Weiss E. GAC NDVI interannual coefficient of variation (CoV) images: ground truth sampling of the Sahel along north-south transects[J]. International Journal of Remote Sensing, 2000, 21(2): 235-260. |
| [36] | Sen P K. Estimates of the regression coefficient based on Kendall's tau[J]. Journal of the American statistical association, 1968, 63(324): 1379-1389. |
| [37] | Peng H X, Wang S L, Wang X Q. Consistency and asymptotic distribution of the Theil-Sen estimator[J]. Journal of Statistical Planning and Inference, 2008, 138(6): 1836-1850. |
| [38] | Kulkarni A, von Storch H. Monte Carlo experiments on the effect of serial correlation on the Mann-Kendall test of trend[J]. Meteorologische Zeitschrift, 1995, 4(2): 82-85. |
| [39] | Hamed K H, Rao A R. A modified Mann-Kendall trend test for autocorrelated data[J]. Journal of hydrology, 1998, 204(1-4): 182-196. |
| [40] |
孙斌, 李增元, 郭中, 等. 高分一号与Landsat TM数据估算稀疏植被信息对比[J]. 遥感信息, 2015, 30(5): 48-56. Sun B, Li Z Y, Guo Z, et al. Comparison of sparse vegetation information estimation based on GF-1 and Landsat multi-spectral data[J]. Remote Sensing Information, 2015, 30(5): 48-56. |
| [41] | Hurst H E. Methods of using long-term storage in reservoirs[J]. Proceedings of the Institution of Civil Engineers, 1956, 5(5): 519-543. |
| [42] | Dong Y, Yin D Q, Li X, et al. Spatial-temporal evolution of vegetation NDVI in association with climatic, environmental and anthropogenic factors in the Loess Plateau, China during 2000-2015: quantitative analysis based on geographical detector model[J]. Remote Sensing, 2021, 13(21): 4380. |
| [43] |
张若婧, 陈跃红, 张晓祥, 等. 基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究[J]. 地理与地理信息科学, 2021, 37(4): 72-80. Zhang R J, Chen Y H, Zhang X X, et al. Spatial-temporal pattern and driving factors of flash flood disasters in Jiangxi Province analyzed by optimal parameters-based geographical detector[J]. Geography and Geo-Information Science, 2021, 37(4): 72-80. |
| [44] |
林妍敏, 李文慧, 南雄雄, 等. 基于地理探测器的宁夏贺兰山植被覆盖度时空分异及驱动因子[J]. 应用生态学报, 2022, 33(12): 3321-3327. Lin Y M, Li W H, Nan X X, et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3321-3327. |
| [45] |
王睿卿, 蒋晓辉, 聂桐. 基于地理探测器的珠江流域NDVI时空变化及驱动力分析[J]. 人民珠江, 2022, 43(7): 61-73. Wang R Q, Jiang X H, Nie T. Analysis of spatiotemporal variation of NDVI in Pearl River Basin and its driving force based on geodetector[J]. Pearl River, 2022, 43(7): 61-73. |
| [46] |
杜灵通, 田庆久. 宁夏植被覆盖动态变化及与气候因子的关系[J]. 中国沙漠, 2012, 32(5): 1479-1485. Du L T, Tian Q J. Vegetation coverage variations in Ningxia during 1999-2009 and its relationships with climatic factors[J]. Journal of Desert Research, 2012, 32(5): 1479-1485. |
| [47] |
袁丽华, 蒋卫国, 申文明, 等. 2000-2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24): 7798-7806. |
| [48] |
李冠稳, 高晓奇, 肖能文. 基于关键指标的黄河流域近20年生态系统质量的时空变化[J]. 环境科学研究, 2021, 34(12): 2945-2953. Li G W, Gao X Q, Xiao N W. Spatial and temporal changes of ecosystem quality based on key indicators in Yellow River Basin from 2000 to 2018[J]. Research of Environmental Sciences, 2021, 34(12): 2945-2953. |
| [49] |
石淞, 李文, 曲琛, 等. 大兴安岭林草交错带植被NDVI时空演变及定量归因[J]. 环境科学, 2024, 45(1): 248-261. Shi S, Li W, Qu C, et al. Spatiotemporal evolution and quantitative attribution analysis of vegetation NDVI in Greater Khingan Mountains forest-steppe ecotone[J]. Environmental Science, 2024, 45(1): 248-261. |
| [50] |
顾羊羊, 邹长新, 乔旭宁, 等. 2000-2015年黔西南州植被覆盖时空变化及影响因素分析[J]. 生态与农村环境学报, 2021, 37(11): 1413-1422. Gu Y Y, Zhou C X, Qiao X Y, et al. Spatio-temporal variations of fractional vegetation coverage and influencing factors in Qianxi'nan Prefecture from 2000 to 2015[J]. Journal of Ecology and Rural Environment, 2021, 37(11): 1413-1422. |
| [51] |
熊俊楠, 彭超, 程维明, 等. 基于MODIS-NDVI的云南省植被覆盖度变化分析[J]. 地球信息科学学报, 2018, 20(12): 1830-1840. Xiong J N, Peng C, Cheng W M, et al. Analysis of vegetation coverage change in Yunnan Province based on MODIS-NDVI[J]. Journal of Geo-Information Science, 2018, 20(12): 1830-1840. |
| [52] |
闫旭纲, 刘敏, 吕雅诗. 晋中市县域旅游竞争力空间分异及影响因素[J]. 海南师范大学学报(自然科学版), 2022, 35(2): 208-218. Yan X G, Liu M, Lü Y S. Spatial stratified heterogeneity and influencing factors of county tourism competitiveness in Jinzhong City[J]. Journal of Hainan Normal University (Natural Science), 2022, 35(2): 208-218. |
| [53] |
王栋华, 田义超, 张亚丽, 等. 峰丛洼地流域植被覆盖度时空演变及其归因[J]. 中国环境科学, 2022, 42(9): 4274-4284. Wang D H, Tian Y C, Zhang Y L, et al. Spatiotemporal evolution and attribution of vegetation coverage in the peak-cluster depression basins[J]. China Environmental Science, 2022, 42(9): 4274-4284. |
| [54] |
聂桐, 董国涛, 蒋晓辉, 等. 延安地区植被覆盖度时空变化及驱动力[J]. 水土保持研究, 2021, 28(5): 340-346. Nie T, Dong G T, Jiang X H, et al. Spatiotemporal variation and driving forces of vegetation coverage in Yan'an area[J]. Research of Soil and Water Conservation, 2021, 28(5): 340-346. |
| [55] |
聂桐, 董国涛, 蒋晓辉, 等. 榆林地区植被时空分异特征及其影响因素研究[J]. 生态环境学报, 2022, 31(1): 26-36. Nie T, Dong G T, Jiang X H, et al. Spatio-temporal variations and influencing factors of vegetation in Yulin[J]. Ecology and Environmental Sciences, 2022, 31(1): 26-36. |
| [56] |
曾兴兰, 陈田田. 西南地区植被动态变化的驱动力解析[J]. 中国环境科学, 2023, 43(12): 6561-6570. Zeng X L, Chen T T. Analysis of the driving forces of vegetation dynamic changes in Southwest China[J]. China Environmental Science, 2023, 43(12): 6561-6570. |
| [57] |
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. |
| [58] | Wang H, Yan S J, Liang Z, et al. Strength of association between vegetation greenness and its drivers across China between 1982 and 2015: regional differences and temporal variations[J]. Ecological Indicators, 2021, 128. DOI:10.1016/j.ecolind.2021.107831 |
| [59] |
谢宝妮, 秦占飞, 王洋, 等. 黄土高原植被净初级生产力时空变化及其影响因素[J]. 农业工程学报, 2014, 30(11): 244-253. Xie B N, Qin Z F, Wang Y, et al. Spatial and temporal variation in terrestrial net primary productivity on Chinese Loess Plateau and its influential factors[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(11): 244-253. |
| [60] |
管凝, 杨志, 李建国, 等. 2011-2019年宁夏土壤侵蚀动态变化及分布特征[J]. 中国水土保持, 2021(5): 38-41. Guan N, Yang Z, Li J G, et al. Dynamic change and distribution characteristics of soil erosion in Ningxia from 2011 to 2019[J]. Soil and Water Conservation in China, 2021(5): 38-41. |
| [61] |
穆少杰, 李建龙, 陈奕兆, 等. 2001-2010年内蒙古植被覆盖度时空变化特征[J]. 地理学报, 2012, 67(9): 1255-1268. Mu S J, Li J L, Chen Y Z, et al. Spatial differences of variations of vegetation coverage in Inner Mongolia during 2001-2010[J]. Acta Geographica Sinica, 2012, 67(9): 1255-1268. |
| [62] |
潘金金, 任宗萍, 胥世斌, 等. 宁夏不同植被类型NDVI变化特征及其对气候的响应[J]. 地球科学与环境学报, 2023, 45(4): 819-832. Pan J J, Ren Z P, Xu S B, et al. Variation characteristics of NDVI of different vegetation types in Ningxia, China and their responses to climate[J]. Journal of Earth Sciences and Environment, 2023, 45(4): 819-832. |
| [63] |
赵卓文, 张连蓬, 李行, 等. 基于MOD13Q1数据的宁夏生长季植被动态监测[J]. 地理科学进展, 2017, 36(6): 741-752. Zhao Z W, Zhang L P, Li X, et al. Monitoring vegetation dynamics during the growing season in Ningxia based on MOD13Q1 data[J]. Progress in Geography, 2017, 36(6): 741-752. |
| [64] |
张雅丽, 王建军. 基于NDVI的陕北黄土高原丘陵沟壑区植被覆盖变化及其驱动力分析——以志丹县为例[J]. 林业经济, 2016, 38(12): 21-25, 40. Zhang Y L, Wang J J. Analysis of vegetation change and its driving force based on NDVI in the Hill and Ravine region of the Loess Plateau in the northern Shaanxi——a case study of Zhidan County[J]. Forestry Economics, 2016, 38(12): 21-25, 40. |
| [65] |
张心茹, 曹茜, 季舒平, 等. 气候变化和人类活动对黄河三角洲植被动态变化的影响[J]. 环境科学学报, 2022, 42(1): 56-69. Zhang X R, Cao Q, Ji S P, et al. Quantifying the contributions of climate change and human activities tovegetation dynamic changes in the Yellow River Delta[J]. Acta Scientiae Circumstantiae, 2022, 42(1): 56-69. |
| [66] |
陈亮, 王学雷, 杨超, 等. 2000~2018年鄂西山区植被EVI时空变化特征及其地形效应[J]. 长江流域资源与环境, 2021, 30(2): 419-426. Chen L, Wang X L, Yang C, et al. Spatio-temporal variation characteristics of vegetation EVI and their topographic effects in the west mountain regions of Hubei Province from 2000 to 2018[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 419-426. |
| [67] | Huo H, Sun C P. Spatiotemporal variation and influencing factors of vegetation dynamics based on geodetector: a case study of the northwestern Yunnan Plateau, China[J]. Ecological Indicators, 2021, 130. DOI:10.1016/j.ecolind.2021.108005 |
| [68] | 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 |
| [69] |
李鑫磊, 李瑞平, 王秀青, 等. 基于地理探测器的河套灌区林草植被覆盖度时空变化与驱动力分析[J]. 干旱区研究, 2023, 40(4): 623-635. Li X L, Li R P, Wang X Q, et al. Spatiotemporal change and analysis of factors driving forest-grass vegetation coverage in Hetao Irrigation District based on geographical detector[J]. Arid Zone Research, 2023, 40(4): 623-635. |
| [70] |
高黎明, 张乐乐. 青海湖流域植被盖度时空变化研究[J]. 地球信息科学学报, 2019, 21(9): 1318-1329. Gao L M, Zhang L L. Spatiotemporal dynamics of the vegetation coverage in Qinghai Lake Basin[J]. Journal of Geo-Information Science, 2019, 21(9): 1318-1329. |
| [71] |
沈贝贝, 魏一博, 马磊超, 等. 内蒙古草原植被覆盖度时空格局变化及驱动因素分析[J]. 农业工程学报, 2022, 38(12): 118-126. Shen B B, Wei Y B, Ma L C, et al. Spatiotemporal changes and drivers of fractional vegetation cover in Inner Mongolia grassland of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(12): 118-126. |
| [72] | Zhu L J, Meng J J, Zhu L K. Applying geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106545 |
| [73] | Wen Z F, Wu S J, Chen J L, et al. NDVI indicated long-term interannual changes in vegetation activities and their responses to climatic and anthropogenic factors in the Three Gorges Reservoir Region, China[J]. Science of the Total Environment, 2017, 574: 947-959. |
| [74] | Hou W J, Gao J B, Wu S H, et al. Interannual variations in growing-season NDVI and its correlation with climate variables in the southwestern karst region of China[J]. Remote Sensing, 2015, 7(9): 11105-11124. |
| [75] | Gong Z N, Zhao S Y, Gu J Z. Correlation analysis between vegetation coverage and climate drought conditions in North China during 2001-2013[J]. Journal of Geographical Sciences, 2017, 27(2): 143-160. |
| [76] |
葛非凡, 毛克彪, 蒋跃林, 等. 华东地区夏季极端高温特征及其对植被的影响[J]. 中国农业气象, 2017, 38(1): 42-51. Ge F F, Mao K B, Jiang Y L, et al. Extreme high-temperature in summer and its impacts on vegetation in East China[J]. Chinese Journal of Agrometeorology, 2017, 38(1): 42-51. |
| [77] | Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1-2): 195-213. |