2025, Vol. 46
2. 水土保持国家林业和草原局重点实验室, 北京 100083
2. Key Laboratory of State Forestry and Grassland Administration on Soil and Water Conservation, Beijing 100083, China
植被是陆地生态系统的主体, 在地球水碳循环中起着至关重要的作用[1]. 植被对生态变化很敏感, 被认为是监测生态变化的综合指标, 研究植被覆盖动态变化对于阐明植被与生态系统之间的相互作用及生态环境质量评估具有重要意义. 归一化植被指数（normalized difference vegetation index, NDVI）是遥感估算方法中最常用的植被覆盖指数, 能反映植被生长状况和生物量, 与植被覆盖度呈线性相关[2, 3]. 因此, 它被广泛用于研究植被覆盖的动态变化.
近年来国内外学者对不同时空尺度下植被覆盖变化规律进行了深入研究, 主要集中在黄土高原[4]、西南地区[5]和长江流域[6]等生态脆弱地区. 对于植被覆盖变化的研究常运用一些线性趋势分析方法, 如线性回归分析方法[7]、Theil-Sen Median趋势分析和Mann-Kendall检验结合的方法[8]或者相关性分析[9], 但是非线性分析方法应用较少. 然而植被的生长与演变受到多方面因素共同影响, 变化规律十分复杂, 而非简单的线性变化. 地理探测器模型无线性假设, 可避免线性分析的缺陷, 用于计算驱动因子贡献结果时比较准确[10]. 地理探测器不但可用以探测空间分异性和识别主要影响因子, 而且还可以实现不同因子之间的交互探测. 国内外学者基于地理探测器对植被净初级生产力（NPP）[11]、生态系统服务[12]和植被覆盖度[13]进行了广泛应用研究. Hurst指数常用于研究植被未来变化可持续性[14], 耦合Theil-Sen Median分析结果与Hurst指数可更加准确表达植被未来变化趋势. 较多研究成果显示气候变化和人类活动是影响植被覆盖变化的两个重要因素[15, 16], 气温、降水、湿润指数和蒸散发常作为研究植被覆盖变化的气候指标[17], 而土地利用类型、人口密度和经济发展是衡量人类活动的重要指标[18, 19]. 地貌类型[20]和土壤类型[21]也是限制植被覆盖变化的影响因子, 但其重要程度常被忽略.
海河流域地处京畿要地, 在京津冀协同发展等国家重大战略中占据重要地位, 承载着重要生态安全功能[22]. 近年来由于气候变化和人类活动的影响, 海河流域生态环境问题日趋严重[23], 自然灾害频发, 导致水土流失、植被退化和生物多样性丧失等生态问题[24], 生态安全屏障面临严峻挑战. 目前, 已有学者对海河流域植被变化特征展开相关研究[25, 26], 对植被净初级生产力[23]和生长季植被覆盖度等变化规律[27]进行了探讨, 但长时间序列植被变化时空分异特征及气候和人类活动等驱动因素的系统性研究还比较缺乏. 因此, 本研究基于2000~2020年NDVI数据集、社会经济和自然因子数据集, 采用Theil-Sen Median趋势分析、Mann-Kendall检验和Hurst指数等分析探讨了海河流域NDVI时空变化特征, 并结合地理探测器定量分析其驱动因素, 以期为海河流域生态系统管理和可持续发展提供借鉴.
1 研究区概况海河流域（Haihe River Basin）东临渤海湾, 西倚太行山, 南临黄河, 北接蒙古高原, 由漳卫河、子牙河、大清河、永定河和北运河等5大支流汇合而成, 包括海河、滦河和徒骇马颊河这三大水系, 其中海河水系是主要水系[28]. 地理坐标介于35°~43°N, 112°~120°E之间, 海拔在-97~3 059 m之间, 总体来说西北高东南低, 属于温带东亚季风气候区, 区域总面积约3.2×105 km2, 流域年平均气温1.5~14 ℃, 年平均降水量539 mm, 属半湿润半干旱地带（图 1）. 主要植被类型包括针叶林如云杉、松林和侧柏等, 落叶阔叶林如栎林、榆和杨等, 草原如羊草、大针茅和禾草等, 平原分布大量农作物如小麦、玉米和花生等以及果树如板栗、核桃和苹果[28].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
本研究采用的NDVI数据集源于美国国家航空航天局（NASA）, 时间分辨率为月, 空间分辨率为1 km×1 km, 选取的数据年份为2000~2020年. 利用ArcGIS对其进行重投影和裁剪, 生成逐年海河流域NDVI数据集.
本研究共选定11种影响NDVI变化的潜在因子, 包括气候因素、人类活动因素和地表因素这3个方面, 数据来源及预处理见表 1. 对各因子进行裁剪和重采样等预处理, 并且为了避免人为因素的干扰, 利用自然间断法[29]将数据进行离散化处理, 常用于地理探测器数据分类.
|
表 1 数据来源及预处理 Table 1 Data source and preprocessing |
2.2 研究方法 2.2.1 最大值合成法（MVC）
最大值合成法[30]（MVC）是处理NDVI数据最常用的方法之一, 即取每个像元的最大值, 以最小化云层对NDVI值的影响, 使用最大值合成法（MVC）合成年度NDVI.
2.2.2 Theil-Sen Median趋势分析和Mann-Kendall显著性检验Theil-Sen Median[31]又称Sen斜率估计, 适用于长时间序列数据的趋势分析. Sen变化斜率（θ） > 0表示研究时段有上升趋势, 反之下降.
Mann-Kendall（MK）检验[32], 不需要测量服从正态分布, 不受缺失值和异常值的影响. MK检验统计量（Z）绝对值大于1.65、1.96和2.58时, 则通过了置信度为90%、95%和99%显著性检验[33]. 结合θ和MK检验统计量结果, 趋势显著性的判断方法见表 2.
|
|
表 2 Mann-Kendall检验趋势类别 Table 2 Mann-Kendall test trend categories |
2.2.3 Hurst指数
Hurst指数可以预测NDVI时间序列未来变化趋势[34]. H表示Hurst指数, 范围为[0, 1]. 当H=0.5时, 表明NDVI变化是随机的；当H > 0.5时, NDVI为正持续性发展；当H < 0.5时, NDVI负持续性发展. 结合Theil-Sen Median分析结果和Hrust指数将变化趋势主要分为4类, 如表 3所示.
|
|
表 3 Hurst指数趋势等级划分 Table 3 Hurst index trend classification |
2.2.4 影响因子探测
地理探测器[35]包含4个主要组件：单因子探测、交互作用探测、风险区探测和生态探测, 本研究采用因子探测和交互作用探测.
（1）因子探测 探测Y的空间分异性：探测因子X解释了Y的能力, 用q值[36]度量.
（2）交互作用探测 探测不同因子Xs之间相互作用[37], 或者因子是相互独立的, 分为以下5类, 见表 4.
|
|
表 4 交互作用判别依据及其作用类型 Table 4 Basis of interaction discrimination and its type of action |
（3）数据离散化处理 本研究共选取11个影响因子分析影响力水平（表 5）, 采用自然断点法[29]避免人为干扰, 考虑高程落差将其分为9类；坡度参照《水土保持综合治理规划通则》分为6类（小于3°、3°~8°、8°~15°、15°~25°、25°~35°和大于35°）；坡向依据朝向分为9类（东、东北、东南、西、西北、西南、北、南和平面）；土壤分类参照《中国土壤分类与代码》分为9类（淋溶土、半淋溶土、初育土、半水成土、水成土、盐碱土、人为土、铁铝土和其他）；土地利用类型根据研究区大类标准分为7类（农田、森林、灌木、草原、水域、裸地和不透水面）；其余气候因子和社会因子利用ArcGIS将其分为9类.
|
|
表 5 影响因子分类 Table 5 Impact factor classification |
3 结果与分析 3.1 NDVI空间分布及变化特征 3.1.1 NDVI空间分布格局
2000~2020年的NDVI均值空间分布[图 2（a）], 参考赖金林等[38]研究方法将NDVI均值按照等间距法分为5个等级[图 2（b）], 统计结果如表 6所示. 总体而言, 海河流域中高植被覆盖和高植被覆盖区域面积为2.689 4×105 km2, 占研究区总面积的81.79%, 其中海河南系区域和徒骇马颊河区域占比分别为91.09%和90.00%, 整体良好. NDVI高值区相较集中, 分布在海河北系区域中部和滦河及冀东沿岸区域, 说明该地植被覆盖明显高于其他地区. 中等植被覆盖区域总面积为5.413×104 km2, 占比为16.46%, 其中海河北系区域中等植被覆盖面积为3.366×104 km2, 占比为35.45%, 相对集中分布在西部坝上草原地区. 中低植被覆盖区域面积为5.31×103 km2, 占比为1.74%, 低植被覆盖区域面积为0.61×103 km2, 占比仅为0.01%, 大部分分布在渤海沿岸.
|
图 2 2000~2020年海河流域NDVI空间分布及植被覆盖等级 Fig. 2 Spatial distribution of NDVI and vegetation coverage grade in Haihe River Basin from 2000 to 2020 |
|
|
表 6 2000~2020年海河流域各分区植被覆盖面积及占比 Table 6 Vegetation coverage area and proportion of each partition in Haihe River Basin from 2000 to 2020 |
3.1.2 时间变化特征
海河流域2000~2020年NDVI呈波动上升趋势（图 3）, NDVI在0.64~0.73波动, 增长速率为0.003 2 a-1（R2=0.58, P < 0.05）. 2000~2020年间各分区NDVI均整体呈现上升趋势. 海河北系区域增长速率为0.004 5 a-1, 上升趋势最为显著, 但波动幅度较大, 本世纪初, 以京津冀为主的城市群全面促进社会经济发展、城镇化加快的同时, 造成了植被一定程度的退化, 而近年大力开展生态保护、修复工程建设, 促进了植被的改善. 其次是滦河及冀东沿岸区域, 增长速率为0.003 a-1, 但2009年出现较大幅度向下波动, 可能由于西部太行山脉地区海拔高生态环境脆弱且坝上草原区受人类活动影响较大. 海河南系区域和徒骇马颊河区域增长速率相对较低, 分别为0.002 3 a-1和0.002 4 a-1, 但均在2013年与2019年出现了向下趋势波动, 这或许与该地当年发生了极端气候事件有关. 2000~2020年间海河北系区域NDVI均值明显低于滦河及冀东沿岸、海河南系和徒骇马颊河区域.
|
图 3 海河流域及各分区NDVI逐年变化 Fig. 3 NDVI changes in Haihe River Basin and its sub-regions by year |
基于Theil-Sen Median趋势分析方法, 对NDVI时间序列逐像元分析得到[图 4（a）], 占比为78.63%, 面积为2.579×105 km2. 将MK检验结果叠加分析划分8个等级[图 4（b）], 统计结果如表 7所示, θ > 0的区域中, 通过显著性检验的区域占比为59.32%, 面积为1.940 3×105 km2. 整体而言, 海河流域由西北向东南趋势变化等级波动位面呈下降趋势, 原因是西北多为海拔较高的低山丘陵地区, 地势较高的山地地形和温带大陆性气候条件对以森林灌木为主的植被生长提供了较好的环境. 从分区的角度发现, 极显著改善和显著改善区域大部分集中分布在海河流域西北部, 区域面积为1.795 2×105 km2, 占比为54.88%, 这其中包括滦河及冀东沿岸70%以上的地区. 这得益于该地近年来进行了退耕还林还草、封山育林等大规模生态保护工程. 海河北系区域极显著改善和显著改善区域面积为6.169×104 km2, 区域占比超过60%, 海河南系区域和徒骇马颊河区域极显著改善和显著改善区域面积分别为7.119×104 km2和1.193×104 km2, 区域占比超过40%, 经分析该地地形大部分以平原为主, 受人类活动影响较大故呈现退化趋势. 极显著退化和显著退化区域面积为1.998×104 km2, 占比研究区6.11%, 相对集中在低海拔平原地区.
|
图 4 海河流域NDVI变化趋势空间分布及等级划分 Fig. 4 Spatial distribution and grade division of NDVI change trend in Haihe River Basin |
|
|
表 7 2000~2020年海河流域各分区NDVI变化趋势面积及占比 Table 7 Area and proportion of NDVI change trend in each sub-region of Haihe River Basin from 2000 to 2020 |
3.1.4 未来植被变化趋势
Hurst（H）指数介于0.168 7~0.876 1之间[图 5（a）], H > 0.5的区域面积为1.604×105 km2, 占研究区总面积的48.90%. 将Theil-Sen Median分析结果与Hurst指数进行叠加分析[图 5（b）], 其分区统计如表 8所示. 持续改善和未来改善趋势面积为1.629 3×105 km2, 占比为49.68%, 其中持续改善面积为1.291 5×105 km2, 占比为39.38%, 在研究区西部分布相较集中, 由退化向改善趋势转变的区域面积为3.378×104 km2, 占比为10.30%, 呈环带状分布在以低海拔平原城市群为主的区域, 这得益于近年来政府环境保护政策的实施, 使得植被向着改善的方向趋势发展. 持续退化与未来退化区域面积为1.650 8×105 km2, 占比为50.32%, 其中持续退化面积为3.321×104 km2, 占比较小, 为10.12%, 未来退化区域面积为1.318 7×105 km2, 占比为40.20%, 分布较为零散, 其中大部分地区H值略低于0.5, 未来波动幅度较小.
|
图 5 Hurst指数及未来变化趋势分类 Fig. 5 Hurst index and classification of future trends |
|
|
表 8 海河流域各分区NDVI未来变化趋势面积及占比 Table 8 Future change trend area and proportion of NDVI in each partition of Haihe River Basin |
整体来说, 海河流域NDVI未来变化趋势表现为, 低海拔平原地区趋于稳定向改善方向发展, 山地丘陵地区持续改善区域相较集中, 部分区域呈现退化趋势有下降风险, 但下降趋势波动幅度较小, 这也是未来环境工作、保护政策的重点关注区域.
3.2 影响因素探测结果 3.2.1 单因子探测海河流域各影响因子q值排序为（图 6）：土地利用类型 > 土壤类型 > 降水 > 气温 > 湿润指数 > GDP > 人口密度 > 坡度 > 高程 > 年潜在蒸散发 > 坡向. 土地利用类型和土壤类型q值分别为0.254和0.222, 气候因子为次要因子, 降水和气温的q值分别为0.164和0.147, 其他影响因子q值较低, 影响微弱.
|
影响因子X1~X11见表 5 图 6 单因子探测q值 Fig. 6 Single factor detection q value |
土地利用类型在海河南系和徒骇马颊河区域q值为最高, 在滦河及冀东沿岸和海河北系区域q值均超过0.20, 说明土地利用类型在各分区的影响力显著. 高程和坡度由滦河及冀东沿岸区域向南到徒骇马颊河区域q值依次降低, 由北向南随着地势的变化, 高程和坡度的影响力水平也在逐步降低. 人口密度和GDP影响力水平基本相同, 在徒骇马颊河区域影响力水平较高, q值均超过0.15, 在其他分区影响力水平较低. 气候因子在各分区较其他类型因子相比均处于较高影响力水平. 坡向在各个分区q值均低于0.005, 影响力水平微弱, 可以忽略不计.
3.2.2 交互因子探测探测结果如图 7所示, 海河流域交互作用q值较高的几组排序为：土地利用类型∩土壤类型（0.442） > 土地利用类型∩年降水量（0.428） > 土地利用类型∩年平均气温（0.425） > 土地利用类型∩湿润指数（0.405）. 土地利用类型∩土壤类型的交互作用在海河流域NDVI空间分异中占据主导地位, 各因子交互作用均表现出双因子增强和非线性增强关系.
|
图 7 交互因子探测q值 Fig. 7 Interaction factor detects q value |
不同分区影响因子交互作用影响水平差异较大, 在滦河及冀东沿岸区域q值最高为土地利用类型∩年平均气温（0.741）, 其次是土地利用类型∩年潜在蒸散发（0.711）；海河北系区域q值最高为土地利用类型∩土壤类型（0.519）, 土地利用类型∩年降水量（0.457）次之；海河南系区域土地利用类型∩湿润指数（0.387）q值最高, 其次是土地利用类型∩年平均气温（0.383）；徒骇马颊河区域q值排名最高为土地利用类型∩年平均气温（0.513）, 其次是土地利用类型∩湿润指数（0.500）. 各分区因子影响水平存在明显差异, 同时验证了土地利用类型和气候因子交互作用主导了海河流域各分区NDVI空间分异.
4 讨论2000~2020年间海河流域NDVI由0.64升至0.73, 呈波动上升趋势, 这与钤会冉等[27]研究结果相符. 但这种变化趋势并非全局如此, NDVI变化存在明显空间异质性. 海河北系区域NDVI上升明显, 滦河及冀东沿岸区域次之, 海河南系区域和徒骇马颊河区域增势缓慢. 海河流域西部海拔高、人口较少, 植被类型多以草地为主, 早期当地居民过度放牧导致植被结构破坏, 产生了严重的植被退化. 但自2003年起, 西北草原开始全面禁牧实施圈养, 这为草原生态恢复创造了良好条件. 与此同时, 退耕还林还草工程、京津风沙源综合治理和天然林资源保护工程等生态工程的施行, 对当地生态系统恢复产生明显促进作用[39]. 在海河流域东部, 海拔较低且人口密集, 植被类型以耕地为主, 近年来城镇化扩张发展迅速, 导致植被覆盖面积减少, 耕地面积小幅下降. 同时城镇化扩张产生的热岛效应进一步导致了中心城市周边地区植被的退化[40, 41]. 但科学灌溉、育种和除虫等精细化农田管理技术促进了NDVI的增长[42, 43], 一定程度上抵消了城镇化扩张的负面影响. 以上现象表明, 人类活动对于植被变化的影响成为限制海河流域植被恢复的主导因素[44]. 为持续推进海河流域生态修复, 2023年4月国家发改委和水利部等发布《重点流域水生态环境保护规划》, 将持续推进面源污染防治和水生态恢复等方面环境治理措施, 未来海河流域整体生态环境将得到进一步改善[45, 46].
根据地理探测器探测结果可知, 土地利用类型是影响NDVI的主导因子. 海河流域地势西高东低, 草原和森林集中分布在西部, 而建设用地、农田相对集中分布在东部, 一定程度上代表了不同区域人类活动强度的差异. 土壤类型为影响NDVI的次要驱动因子, 海河流域土壤类型具有一定垂直地带性, 西部山地丘陵多为淋溶土和钙层土, 腐殖质含量较高, 可为植物生长提供充足的养分. 东部平原地区多为干旱土, 渤海沿岸海积平原多为水成土, 沿海平原地带水成土盐渍化严重, 导致植被生存困难[47, 48]. 从研究区整体和长序列时间尺度考虑, NDVI的年际变化一般是缓慢的, 气候变化对植被生长过程的影响都是长期作用, 人类活动只能在有限范围内对植被动态产生影响[49]. 气候因子中, q值最大的是降水, 其次为气温, 湿润指数和蒸散发q值则相对较小. 海河流域位于半干旱地带, 气候因子中降水的响应程度最高, 这与王祎宸等[50]的研究结果相符. 但根据NDVI空间变化趋势来看, 降水对不同区域植被变化影响程度不同. 东部平原坡度缓, 土地利用类型以农田和建设用地为主, 农作物对水分需求量较大, 其生长主要受到降水的限制[51]. 西部海拔高, 地貌相对复杂, 降水过多反而可能造成水土流失, 导致降水对不同区域植被变化影响力不同. 赵杰等[52]研究表明近年来海河流域不同季节昼夜气温都呈上升趋势, 适当增温可促进光合作用和呼吸作用. 白天增温还会对返青期的提前产生积极作用, 大部分地区春季生长季普遍提前, 这可能与全球变暖有关[53, 54]. 降水和气温与植被生长之间并非简单的线性关系, 海拔、土壤类型、植被类型、地形以及人类活动都会产生影响[49]. 地形因素中坡度q值大于高程与坡向, 主要因为局部地形的急缓和地势的陡峭起伏, 不仅会引起水土流失, 且对地表径流与排水有较大影响[55]. 海河流域低海拔平原区域面积占比一半以上, 地势起伏不明显, 差异较小, 故高程和坡向对NDVI影响较小. 交互因子探测结果表明, 各因子之间均表现为双因子增强和非线性增强关系, 这说明影响因子影响力水平不是独立或者简单叠加关系. 综上所述, 海河流域植被变化是多因素共同作用的结果, 故在制定政策时应因地制宜, 考虑海拔梯度、土壤类型和植被类型的差异. 未来海河流域的生态系统管理应重点考虑人类活动的影响, 关注低海拔平原地区植被恢复, 并持续推进西部山地丘陵区退耕还林还草和封山育林等林业生态工程, 多角度和多维度地加大生态保护与修复措施.
本研究定量分析了海河流域2000~2020年NDVI时空分异规律及影响因素. 由于植被覆盖变化过程复杂, 是多个驱动因素共同作用的结果, 除了本文提及的上述影响因子, 还包括大气CO2浓度、太阳辐射和地表水储量等驱动因子, 未来有条件情况下也应纳入考虑.
5 结论（1）2000~2020年海河流域NDVI呈波动上升趋势, 由0.64增至0.73, 增长速率为0.003 2 a-1. 高植被覆盖和中高植被覆盖占总面积的81.79%, 低植被覆盖和中低植被覆盖占总面积的1.75%, 植被覆盖总体而言处于较高水平. NDVI空间分异规律明显, 西部山地丘陵区明显高于东部平原区. 未来海河流域植被变化总体由西北到东南呈下降趋势, 改善地区面积占研究区总面积的49.68%, 退化地区面积占研究区总面积的50.32%.
（2）因子探测结果表明, 各因子q值排序为：土地利用类型 > 土壤类型 > 降水 > 气温 > 湿润指数 > GDP > 人口密度 > 坡度 > 高程 > 潜在蒸散发 > 坡向. 主导驱动因子是土地利用类型和土壤类型, 次要驱动因子为气候因子. 影响因子之间均表现为双因子增强和非线性增强关系, 其中土地利用类型∩土壤类型交互作用的q值最高（为0.442）, 其次土地利用类型∩年降水量交互作用（q值为0.428.）未来应持续推进海河流域生态保护与修复工作, 综合考量气候、人类活动和海拔地形等的交互影响, 因地制宜制定植被生态系统管理对策, 促进海河流域生态环境高质量发展.
| [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] | Hu Y F, Wang H, Niu X 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 |
| [3] | 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 |
| [4] |
王雄, 张翀, 李强. 黄土高原植被覆盖与水热时空通径分析[J]. 生态学报, 2023, 43(2): 719-730. Wang X, Zhang C, Li Q. Path analysis between vegetation coverage and climate factors in the Loess Plateau[J]. Acta Ecologica Sinica, 2023, 43(2): 719-730. |
| [5] |
刘慧丽, 陈浩, 董廷旭, 等. 川渝地区NDVI动态特征及其对气候变化的响应[J]. 生态学报, 2023, 43(16): 6743-6757. Liu H L, Chen H, Dong T X, et al. Variation characteristic of NDVI and its response to climate change in the Sichuan-Chongqing region[J]. Acta Ecologica Sinica, 2023, 43(16): 6743-6757. |
| [6] |
易浪, 孙颖, 尹少华, 等. 2000—2019年长江流域植被覆盖时空演化及其驱动因素[J]. 生态学报, 2023, 43(2): 798-811. Yi L, Sun Y, Yin S H, et al. Spatial-temporal variations of vegetation coverage and its driving factors in the Yangtze River Basin from 2000 to 2019[J]. Acta Ecologica Sinica, 2023, 43(2): 798-811. |
| [7] |
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. |
| [8] | Zhong X Z, Li J, Wang J L, et al. Linear and nonlinear characteristics of long-term NDVI using trend analysis: a case study of Lancang-Mekong River Basin[J]. Remote Sensing, 2022, 14(24). DOI:10.3390/rs14246271 |
| [9] |
王婧姝, 毕如田, 贺鹏, 等. 气候变化下黄土高原植被生长期NDVI动态变化特征[J]. 生态学杂志, 2023, 42(1): 67-76. Wang J S, Bi R T, He P, et al. Variations of NDVI during main growing season in the Loess Plateau under climate change[J]. Chinese Journal of Ecology, 2023, 42(1): 67-76. |
| [10] |
钟旭珍, 王金亮, 邓云程, 等. 怒江-萨尔温江流域植被覆盖时空变化趋势及驱动力[J]. 生态学报, 2023, 43(24): 10182-10201. Zhong X Z, Wang J L, Deng Y C, et al. Spatio-temporal variation and driving forces of vegetation cover in the Nujiang-Salween River Basin[J]. Acta Ecologica Sinica, 2023, 43(24): 10182-10201. |
| [11] |
徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274. Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation in net primary productivity of different vegetation types and its Influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. |
| [12] |
徐文彬, 饶良懿. 土地利用和气候变化对农牧交错带生态系统服务的影响[J]. 环境科学, 2023, 44(9): 5114-5124. Xu W B, Rao L Y. Impacts of land use and climate change on ecosystem services in agro-pastoral ecotone[J]. Environmental Science, 2023, 44(9): 5114-5124. |
| [13] |
佘洁, 佘璐, 沈爱红, 等. 宁夏沿黄城市带植被覆盖度时空变化及驱动力分析[J]. 环境科学, 2024, 45(11): 6458-6476. She J, She L, Shen A H, et al. Spatiotemporal changes and driving force analysis of vegetation cover in the urban belt along the Yellow River in Ningxia[J]. Environmental Science, 2024, 45(11): 6458-6476. |
| [14] |
李泳君, 陈青长, 方贺, 等. 基于MGWR的长江流域植被演化及其影响因素[J]. 中国环境科学, 2024, 44(1): 352-362. Li Y J, Chen Q C, Fang H, et al. Vegetation evolution and its influencing factors in the Yangtze River Basin based on multi-scale geographical weighted regression[J]. China Environmental Science, 2024, 44(1): 352-362. |
| [15] |
陶帅, 邝婷婷, 彭文甫, 等. 2000-2015年长江上游NDVI时空变化及驱动力——以宜宾市为例[J]. 生态学报, 2020, 40(14): 5029-5043. Tao S, Kuang T T, Peng W F, et al. Analyzing the spatio-temporal variation and drivers of NDVI in upper reaches of the Yangtze River from 2000 to 2015: a case study of Yibin City[J]. Acta Ecologica Sinica, 2020, 40(14): 5029-5043. |
| [16] |
丁玥, 阿布都热合曼·哈力克, 陈香月, 等. 和田地区植被覆盖变化及气候因子驱动分析[J]. 生态学报, 2020, 40(4): 1258-1268. Ding Y, Abdirahman·Halik, Chen X Y, et al. Spatial-temporal changes in vegetation characteristics and climate in Hotan Prefecture[J]. Acta Ecologica Sinica, 2020, 40(4): 1258-1268. |
| [17] |
李晴晴, 曹艳萍, 苗书玲. 黄河流域植被时空变化及其对气候要素的响应[J]. 生态学报, 2022, 42(10): 4041-4054. Li Q Q, Cao Y P, Miao S L. Spatio-temporal variation in vegetation coverage and its response to climate factors in the Yellow River Basin, China[J]. Acta Ecologica Sinica, 2022, 42(10): 4041-4054. |
| [18] |
孙晓鹏, 王天明, 寇晓军, 等. 黄土高原泾河流域长时间序列的归一化植被指数动态变化及其驱动因素分析[J]. 植物生态学报, 2012, 36(6): 511-521. Sun X P, Wang T M, Kou X Z, et al. Normalized difference vegetation index dynamic change and its driving factor analysis with long time series in the Jinghe River watershed on the Loess Plateau of China[J]. Chinese Journal of Plant Ecology, 2012, 36(6): 511-521. |
| [19] |
魏建洲, 牛雪娜, 史战红, 等. 黄土高原草地净初级生产力变化的驱动因素分析[J]. 环境科学与技术, 2022, 45(6): 203-211. Wei J Z, Niu X N, Shi Z H, et al. Analysis on the driving factors of grassland NPP dynamic changes in the Loess Plateau[J]. Environmental Science & Technology, 2022, 45(6): 203-211. |
| [20] |
张翀, 任志远, 李小燕. 黄土高原植被对气温和降水的响应[J]. 中国农业科学, 2012, 45(20): 4205-4215. Zhang C, Ren Z Y, Li X Y. Research on vegetation response to temperature and precipitation in Loess Plateau[J]. Scientia Agricultura Sinica, 2012, 45(20): 4205-4215. |
| [21] |
胡克宏, 张震, 郜敏, 等. 中国丝绸之路经济带沿线植被覆盖变化及自然影响因素分析[J]. 农业工程学报, 2020, 36(17): 149-157. Hu K H, Zhang Z, Gao M, et al. Variations in vegetation cover and natural factors of provinces in China along silk road economic belt during 2000-2018[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(17): 149-157. |
| [22] |
石羽佳, 王忠静, 索滢. 基于多源数据融合的海河流域降水资源评价[J]. 水科学进展, 2022, 33(4): 602-613. Shi Y J, Wang Z J, Suo Y. Evaluation of Haihe River Basin precipitation resources based on multisource data fusion[J]. Advances in Water Science, 2022, 33(4): 602-613. |
| [23] |
辛会超, 张安兵, 王贺封, 等. 海河流域植被净初级生产力时空变化及驱动因素分析[J]. 广西植物, 2023, 43(2): 253-265. Xin H C, Zhang A B, Wang H F, et al. Spatio-temporal variation of vegetation net primary productivity and its driving factors in the Haihe River Basin[J]. Guihaia, 2023, 43(2): 253-265. |
| [24] |
丁越岿, 张洪, 单保庆. 海河流域河流空间分布特征及演变趋势[J]. 环境科学学报, 2016, 36(1): 47-54. Ding Y K, Zhang H, Shan B Q. The spatial distribution and evolution trend of rivers in Hai River Basin[J]. Acta Scientiae Circumstantiae, 2016, 36(1): 47-54. |
| [25] |
王永财, 孙艳玲, 王中良. 1998-2011年海河流域植被覆盖变化及气候因子驱动分析[J]. 资源科学, 2014, 36(3): 594-602. Wang Y C, Sun Y L, Wang Z L. Spatial-temporal change in vegetation cover and climate factor drivers of variation in the Haihe River Basin 1998-2011[J]. Resources Science, 2014, 36(3): 594-602. |
| [26] |
杨艳丽, 孙艳玲, 王中良. 2000-2013年海河流域植被覆盖的时空变化[J]. 干旱区资源与环境, 2016, 30(7): 65-70. Yang Y L, Sun Y L, Wang Z L. The spatial-temporal variations of vegetation cover in the Haihe River Basin from 2000 to 2013[J]. Journal of Arid Land Resources and Environment, 2016, 30(7): 65-70. |
| [27] |
钤会冉, 翟家齐, 马梦阳, 等. 海河流域生长季植被覆盖度时空变化及驱动力分析[J]. 水土保持研究, 2023, 30(4): 309-317. Qian H R, Zhai J Q, Ma M Y, et al. Temporal and spatial variation of vegetation coverage and its driving forces during the growing season in Haihe River Basin[J]. Research of Soil and Water Conservation, 2023, 30(4): 309-317. |
| [28] |
冯平, 魏兆珍, 李建柱. 基于下垫面遥感资料的海河流域水文类型分区划分[J]. 自然资源学报, 2013, 28(8): 1350-1360. Feng P, Wei Z Z, Li J Z. Hydrologic type regions delineation of Haihe River Basin based on remote sensing data of underlying surface cover[J]. Journal of Natural Resources, 2013, 28(8): 1350-1360. |
| [29] |
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. |
| [30] |
陈淑君, 许国昌, 吕志平, 等. 中国植被覆盖度时空演变及其对气候变化和城市化的响应[J]. 干旱区地理, 2023, 46(5): 742-752. Chen S J, Xu G C, Lyu Z P, et al. Spatiotemporal variations of fractional vegetation cover and its response to climate change and urbanization in China[J]. Arid Land Geography, 2023, 46(5): 742-752. |
| [31] |
肖晶, 饶良懿. 2001~2020年乌梁素海流域植被NPP时空变化及驱动因素分析[J]. 环境科学, 2024, 45(8): 4744-4755. Xiao J, Rao L Y. Spatiotemporal variation characteristics and driving factors of vegetation NPP in the Ulansuhai Nur Basin from 2001 to 2020[J]. Environmental Science, 2024, 45(8): 4744-4755. |
| [32] |
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. |
| [33] |
娄洋. 基于CASA模型的河南省主要森林区植被NPP时空变化研究[D]. 郑州: 郑州大学, 2020. Lou Y. The temporal-spatial changes of vegetation NPP in the main forest areas of Henan province based on CASA model[D]. Zhengzhou: Zhengzhou University, 2020. |
| [34] |
樊莉莉, 耿斌, 王吉林, 等. 2001-2020年黄土高原干旱时空动态及其对气候变化的响应[J]. 水土保持研究, 2022, 29(6): 183-191. Fan L L, Geng B, Wang J L, et al. Temporal and spatial dynamics of drought and its response to climate change in the Loess Plateau from 2001 to 2020[J]. Research of Soil and Water Conservation, 2022, 29(6): 183-191. |
| [35] |
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. |
| [36] |
田园, 张可成. 山东省农产品地理标志空间分布及影响因素分析[J]. 科技和产业, 2023, 23(4): 8-14. Tian Y, Zhang K C. Spatial distribution and Influencing factors of geographical indications of agricultural products in Shandong Province[J]. Science Technology and Industry, 2023, 23(4): 8-14. |
| [37] |
徐冰石. 1989-2018年赣江流域NDVI变化及驱动因素分析[D]. 南昌: 江西农业大学, 2022. Xu B S. NDVI change and its driving factors in Ganjiang River Basin from 1989 to 2018[D]. Nanchang: Jiangxi Agricultural University, 2022. |
| [38] |
赖金林, 齐实, 崔冉冉, 等. 西南高山峡谷区植被变化及影响因素分析[J]. 环境科学, 2023, 44(12): 6833-6846. Lai J L, Qi S, Cui R R, et al. Analysis of vegetation change and influencing factors in Southwest Alpine Canyon area[J]. Environmental Science, 2023, 44(12): 6833-6846. |
| [39] |
邵全琴, 刘树超, 宁佳, 等. 2000-2019年中国重大生态工程生态效益遥感评估[J]. 地理学报, 2022, 77(9): 2133-2153. Shao Q Q, Liu S C, Ning J, et al. Assessment of ecological benefits of key national ecological projects in China in 2000-2019 using remote sensing[J]. Acta Geographica Sinica, 2022, 77(9): 2133-2153. |
| [40] |
缪丽娟, 余志巍, 何昱, 等. 中国城市植被物候变化及其对地表温度的响应[J]. 生态学报, 2024, 44(6): 2479-2494. Miao L J, Yu Z W, He Y, et al. Spatiotemporal variations in vegetation phenology across Chinese major cities and its response to surface temperature[J]. Acta Ecologica Sinica, 2024, 44(6): 2479-2494. |
| [41] |
付永硕, 李昕熹, 周轩成, 等. 全球变化背景下的植物物候模型研究进展与展望[J]. 中国科学: 地球科学, 2020, 63(9): 1206-1218. Fu Y S, Li X X, Zhou X C, et al. Progress in plant phenology modeling under global climate change[J]. Science China Earth Sciences, 2020, 63(9): 1237-1247. |
| [42] | Shi Y, Jin N, Ma X L, et al. Attribution of climate and human activities to vegetation change in China using machine learning techniques[J]. Agricultural and Forest Meteorology, 2020, 294. DOI:10.1016/j.agrformet.2020.108146 |
| [43] | Guan Q Y, Yang L Q, Guan W Q, et al. Assessing vegetation response to climatic variations and human activities: spatiotemporal NDVI variations in the Hexi Corridor and surrounding areas from 2000 to 2010[J]. Theoretical and Applied Climatology, 2019, 135(3-4): 1179-1193. |
| [44] | Luo Y, Sun W Z, Yang K, et al. China urbanization process induced vegetation degradation and improvement in recent 20 years[J]. Cities, 2021, 114. DOI:10.1016/j.cities.2021.103207 |
| [45] | 五部门: 发布《重点流域水生态环境保护规划》[J]. 节能与环保, 2023, (5): 6. |
| [46] | 谢云. 水库水生态环境主要问题及保护对策研究[J]. 低碳世界, 2021, 11(4): 47-48. |
| [47] |
赵志平, 汉瑞英, 关潇, 等. 2000—2019年京津冀地区植被覆盖状况变化及驱动因素[J]. 生态学报, 2022, 42(21): 8860-8868. Zhao Z P, Han R Y, Guan X, et al. Change of vegetation coverage and the driving factor in the Beijing-Tianjin-Hebei region from 2000 to 2019[J]. Acta Ecologica Sinica, 2022, 42(21): 8860-8868. |
| [48] |
陈澍祺, 何玲, 闫丰. 京津冀植被覆盖度时空演变及其对自然人为变化的响应[J]. 中国环境科学, 2024. Chen S Q, He L, Yan F. Spatiotemporal evolution of vegetation coverage in Beijing-Tianjin-Hebei and its response to natural anthropogenic changes[J]. China Environmental Science, 2024. DOI:10.19674/j.cnki.issn1000-6923.20240015.002 |
| [49] | Qi X Z, Jia J H, Liu H Y, et al. Relative importance of climate change and human activities for vegetation changes on China's silk road economic belt over multiple timescales[J]. Catena, 2019, 180: 224-237. |
| [50] |
王祎宸, 贺洁, 何亮, 等. 黄河流域2001-2020年植被物候及其对气候变化的响应[J]. 生态学报, 2024, 44(2): 844-857. Wang Y C, He J, He L, et al. Vegetation phenology and its response to climate change in the Yellow River Basin from 2001 to 2020[J]. Acta Ecologica Sinica, 2024, 44(2): 844-857. |
| [51] | Ding Y B, Xu J T, Wang X W, et al. Spatial and temporal effects of drought on Chinese vegetation under different coverage levels[J]. Science of the Total Environment, 2020, 716. DOI:10.1016/j.scitotenv.2020.137166 |
| [52] |
赵杰, 杜自强, 武志涛, 等. 中国温带昼夜增温的季节性变化及其对植被动态的影响[J]. 地理学报, 2018, 73(3): 395-404. Zhao J, Du Z Q, Wu Z T, et al. Seasonal variations of day-and nighttime warming and their effects on vegetation dynamics in China's temperate zone[J]. Acta Geographica Sinica, 2018, 73(3): 395-404. |
| [53] | Piao S L, Tan J G, Chen A P, et al. Leaf onset in the northern hemisphere triggered by daytime temperature[J]. Nature Communications, 2015, 6. DOI:10.1038/ncomms7911 |
| [54] | Piao S L, Friedlingstein P, Ciais P, et al. Growing season extension and its impact on terrestrial carbon cycle in the northern hemisphere over the past 2 decades[J]. Global Biogeochemical Cycles, 2007, 21(3). DOI:10.1029/2006GB002888 |
| [55] |
廖雯, 胡砚霞, 于兴修, 等. 丹江口库区2010-2020年土壤保持功能时空特征及其影响因素[J]. 水土保持通报, 2021, 41(6): 288-294. Liao W, Hu Y X, Yu X X, et al. Spatiotemporal variation and influence factors of soil conservation function in Danjiangkou reservoir area during 2010-2020[J]. Bulletin of Soil and Water Conservation, 2021, 41(6): 288-294. |