2025, Vol. 46
2. 中南大学地球科学与信息物理学院, 长沙 410083;
3. 香港科技大学（广州）江门双碳实验室, 江门 529199
2. School of Geosciences and Info-physic, Central South University, Changsha 410083, China;
3. Jiangmen Laboratory of Carbon Science and Technology, Hong Kong University of Science and Technology (Guangzhou), Jiangmen 529199, China
根据IPCC第六次评估报告, 全球地表平均气温自1850~1900年以来已经上升了约1℃. 在各温室气体排放情景下, 未来20 a全球气温升高幅度或将达到甚至超过1.5℃[1]. 全球持续变暖导致区域气候变化日益加剧, 极端天气事件频发, 给植被生态系统的稳定性带来巨大挑战[2, 3]. 除了自然因素外, 人类活动的范围和强度不断扩大也在深刻地影响着区域植被的变化[4]. 植被作为陆地生态系统的关键组成部分, 在碳平衡、气候调节、涵养水源以及水土保持中发挥着不可或缺的作用[5]. 因此, 监测植被动态, 探究气候变化和人类活动对其动态变化的影响, 对于深入理解生态环境保护与社会经济发展之间的联系, 以科学制定应对未来气候变化的可持续发展策略具有重要意义.
归一化植被指数（normalized difference vegetation index, NDVI）作为衡量地表植被覆盖程度和健康状态的有效指标, 被广泛应用于全球及不同地区植被变化及其影响因素研究中[6~8]. 有研究表明, 气温和降水均是植物生长发育的关键气候驱动因素, 但影响方向和程度在空间上异质性明显[9~11]. 全国尺度上, 降水是控制植被NDVI空间分异的主导因子, 其次是气温[12]：降水在干旱半干旱区植被变化中起决定性作用, 降水的增加提高了土壤水分含量进而促进植被根系活动[13], 但在植被生长不受水分约束的湿润地区, 强降水事件导致的洪涝和土壤侵蚀可能会引起植被过度死亡[14]；高寒地带植被生长主要受到气温的限制, 气温的升高可以延长植被生长季节, 加快光合作用速率, 促进植被生长[15], 但升温超过一定临界值, 光合作用速率下降, 加之蒸腾作用增强造成水分胁迫, 从而限制植被生长[16]. 人类活动对植被动态的影响也具有双向性. 城市扩张、过度放牧和农业开垦等行为在一定程度上侵占了植被生长区域, 导致植被NDVI降低[17, 18]. 此外, 通过施行退耕还林、天然林保护以及岩溶石漠化治理等生态工程项目, 有效推动了植被覆盖的恢复和改善, 促进植被NDVI增长[19, 20]；有研究指出造林是中国植被改善的主要原因[21].
为厘清气候变化和人类活动对区域植被变化的影响机制, 学者通常采用残差分析法以分离二者对植被NDVI的影响, 成果丰硕. 例如, 涂又等[22]、Li等[23]和Ren等[24]分别评估了气候变化和人类活动对全国、石羊河流域和吉林省植被NDVI变化的影响；金岩松等[25]研究表明气候变化对东部沿海地区生长季植被NDVI变化的影响相较于人类活动等非气候因素更为显著；易浪等[26]发现人类活动对长江流域植被NDVI以正效应为主. 然而, 已有研究在建立植被NDVI与气候变量的关系时, 侧重于选取影响植被生长的水热光中代表水热条件的因子（气温和降水）, 而忽视了光能因子——太阳辐射[27], 且对于微弱变化因素（土壤因素和地形因素等）对植被长期趋势的影响关注不足. 此外, 在人为干扰弱的区域, 人类活动对植被NDVI的影响将会衰减直至消失[28~30], 对每个像元进行残差分析识别人类活动的影响与实际情况有所偏离, 使得植被变化归因解释科学性降低.
湖泊是陆地水圈的重要组成部分, 与大气圈交换热量和水分, 并承载着丰富的生物多样性和多种生态功能. 在长期的生态资源开发利用和人口密度增长的背景下, 湖泊流域生态环境压力持续加剧, 尤其在长江中下游地区[31]. 尽管许多研究报道了全球、国家和行政区尺度的植被绿化趋势及其驱动因素, 但进一步探明湖泊流域植被动态变化及其影响机制, 对于调整生态保护措施, 促进自然生态系统与社会经济的协调发展具有重要意义. 因此, 本文以受气候变化和人类活动影响较为强烈, 生态、经济和水文意义重要的洞庭湖流域、鄱阳湖流域和太湖流域三大典型湖泊流域为研究对象, 基于土地利用数据将流域整体划分为植被人为影响区（人为区）和植被自然生长区（自然区）. 其中, 人为区（耕地、不透水面和土地利用发生改变的区域）的植被受到人类活动和气候变化的综合影响, 而自然区则只受气候变化的影响[28]. 采用一元线性趋势分析探究三大典型湖泊流域植被动态特征, 为考虑微弱变化因素对植被长期趋势的影响, 采用一阶差分多元线性回归和残差分析的方法, 识别气候变化和人类活动对植被动态的影响, 通过研究对比三大湖泊流域的植被动态变化, 以期为湖泊生态系统的保护和可持续利用提供科学依据.
1 研究区概况洞庭湖流域、鄱阳湖流域和太湖流域作为中国三大淡水湖泊流域（图 1）, 重要性和代表性并存. 三者均隶属于长江水系, 是长江中下游重要的集水区和蓄洪区, 面积分别为261 871.54、162 081.66和37 607.20 km2. 洞庭湖流域位于中国中部, 地形以低山丘陵和平原为主. 鄱阳湖流域大部分区域位于中国江西省境内, 拥有中国最大的淡水湖, 地形复杂, 涵盖丘陵、平原和湖泊等地貌类型. 太湖流域位于中国东部, 主要地形为丘陵、平原和湖泊. 以上流域气候均属于亚热带季风气候, 夏季炎热湿润, 冬季湿冷, 降水充沛. 区域内林草农业资源丰富, 是中国重要的商品粮生产基地和生态经济区, 同时在调节长江水位、涵养水源维护生态平衡等方面都具有重要的作用.
|
图 1 三大典型湖泊流域位置和地形空间分布 Fig. 1 Spatial distribution of the locations and topography of the three typical lake basins |
为评估三大典型湖泊流域植被覆盖变化, 利用NASA（https://earthdata.nasa.gov/）发布的MOD13A3植被指数产品数据集的NDVI数据, 空间分辨率为1 km, 时间分辨率为1 a. 基于2000~2022年三大典型湖泊流域植被NDVI数据, 通过校正和平均值法等预处理步骤生成了植被NDVI时间序列, 减少云、气溶胶和太阳高度角等因素对研究结果的影响.
选取2000~2022年的逐月气象栅格数据, 具体为气温、降水和太阳辐射数据, 数据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. 土地利用数据来源于CLCD（China Land Cover Dataset）, 该数据集是由武汉大学杨杰和黄昕基于GEE（Google Earth Engine）所制作的中国年度土地覆盖数据集, 空间分辨率为30 m. 选取2000~2022年的数据, 为匹配其余数据空间分辨率, 重采样至1 km, 并重分类为耕地、林地、灌木、草地、水域、不透水面和未利用地这7类.
2.2 研究方法 2.2.1 一元线性趋势分析和Mann-Kendall显著性检验一元线性趋势分析可用于检测时间序列的变化趋势, 在气象、水文和植被变化等研究领域广泛应用[32]. Mann-Kendall显著性检验作为一种常用的非参数统计方法, 对样本分布无特定要求, 且其对少量异常值展现出稳健性, 这使得它在长时序分析中具有较强实用价值[33]. 本文将两方法结合, 在像元尺度上计算植被NDVI的变化趋势并评估变化趋势的显著程度. 采用一元线性趋势分析计算植被NDVI随时间变化趋势, 计算公式如下：
|
(1) |
式中, Yi表示植被NDVI值；i表示年份；n表示研究年数；Slope表示植被NDVI的趋势：当Slope > 0时, 在研究时段内表现为上升趋势；当Slope=0时, 在研究时段内相对稳定；当Slope < 0时, 在研究时段表现为下降趋势.
采用Mann-Kendall显著性检验对植被NDVI变化趋势进行显著性检验. Z为标准化检验统计量, 对于给定显著性水平α, 若|Z| > Z1-α/2, 变化趋势显著, 反之, 变化趋势不显著. 本文定义α在0.05水平和0.01水平上显著分别为显著变化和极显著变化.
2.2.2 一阶差分法多元回归分析差分法是分离异常变化（如气候变化和人类活动）和长期趋势（如物种演替和土壤变化）对目标变量逐年变化影响, 去除趋势以获取平稳序列的常用方法. 通过一阶差分（即t年和t-1年之间的绝对差值）可以减少或消除相邻年份间微弱影响因素的长期影响[34, 35]. 计算植被NDVI和气候因子长时间序列的一阶差值, 建构植被NDVI与气候因子之间的关系, 其公式如下：
|
(2) |
式中, ΔNDVI表示植被NDVI的一阶差分值；ΔTem、ΔPre和ΔRad分别表示气温、降水和太阳辐射的一阶差分值；int表示回归模型的截距；回归系数Stem、Spre和Srad分别表示气温、降水和太阳辐射的敏感性, 其数值正负及其绝对值大小反映了气候因子对植被NDVI的影响方向与程度.
综上可得到单独受气候变化影响的植被NDVI趋势计算公式：
|
(3) |
式中, Tndvi_cli表示在气候变化影响下植被NDVI变化的趋势；Ttem、Tpre和Trad分别表示气温、降水和太阳辐射的趋势, 其他参数的定义与之前公式的参数一致.
2.2.3 残差分析法如图 2, 基于2000~2022年的土地利用数据, 分离出三大典型湖泊流域耕地、不透水面和2000~2022年间土地利用发生过改变的区域, 定义为植被人为影响区（人为区）, 这些地区的植被变化受到人类活动和气候变化的综合影响[28]. 而剩余地区则定义为植被自然生长区（自然区）, 植被变化由气候变化解释. 本文采用残差分析法区分人类活动与气候变化对人为区植被NDVI的影响, 该方法的可行性已在植被动态研究领域得到广泛验证[36]. 基本思想为从气候变化和人类活动的共同影响中剔除气候变化的影响后, 剩余部分即为人类活动的影响, 公式为：
|
(4) |
|
图 2 2000~2022年三大典型湖泊流域人为区和自然区空间分布 Fig. 2 Spatial distribution of anthropogenic and natural areas in three typical lake basins from 2000 to 2022 |
式中, Tndvi表示实际植被NDVI变化趋势, Tndvi_hum表示在人类活动影响下植被NDVI变化的趋势, 当Tndvi_hum为正时, 表示人类活动对植被NDVI增长产生正向影响；为负时, 表示人类活动对植被NDVI增长产生负向影响；等于0时, 表示人类活动对植被NDVI增长影响微弱, 同理根据Tndvi_cli可知气候变化对植被NDVI的影响.
3 结果与分析 3.1 三大典型湖泊流域植被NDVI时间变化如图 3（a）~3（c）所示, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI整体上呈上升趋势, 其中洞庭湖流域、鄱阳湖流域的上升速率相较于太湖流域较高, 分别为0.002 0 a-1和0.001 6 a-1, 而太湖流域植被NDVI变化速率为0.000 3 a-1. 本研究时段内, 三大湖泊流域植被NDVI多年均值从大到小依次为：鄱阳湖流域（0.576 8） > 洞庭湖流域（0.549 8） > 太湖流域（0.428 0）. 如图 3（d）~3（i）所示, 洞庭湖流域、鄱阳湖流域和太湖流域自然区和人为区植被NDVI均呈上升趋势, 其中自然区植被NDVI上升速率均大于其流域整体区域, 分别为0.002 1、0.001 8和0.000 9 a-1；洞庭湖流域、鄱阳湖流域和太湖流域人为区植被NDVI变化速率分别为0.001 9、0.001 5和0.000 2 a-1, 均小于其流域整体区域. 此外, 三大典型流域自然区植被NDVI均值均大于人为区植被NDVI均值.
|
图 3 2000~2022年三大典型湖泊流域植被NDVI时间变化 Fig. 3 Temporal variation of vegetation NDVI in three typical lake basins from 2000 to 2022 |
综合可知, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域植被呈绿化趋势, 其中鄱阳湖流域的植被覆盖状况最优, 洞庭湖流域植被绿化趋势最大, 而太湖的植被覆盖状况和绿化趋势在三大流域中均较弱. 三大流域中自然区植被覆盖均呈上升趋势且覆盖程度和上升程度相较于人为区较强.
3.2 三大典型湖泊流域植被NDVI空间变化如图 4（a）~4（c）所示, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI变化速率均值分别为0.002 0、0.001 7和0.000 5 a-1. 如图 4（d）~4（f）所示, 洞庭湖流域和鄱阳湖流域植被NDVI呈上升趋势的区域面积占比分别为84.54%和83.30%, 洞庭湖流域植被NDVI呈极显著和显著上升的区域面积占比为42.63%, 区域空间分布上呈“东多西少”的特点；鄱阳湖流域植被NDVI呈极显著和显著上升的区域面积占比为41.68%, 在流域东部地区呈聚集分布；而太湖流域植被NDVI呈上升趋势的区域面积占比相比较小, 为59.33%, 呈极显著和显著下降的区域面积占比为32.70%, 在流域东南部分布较为集中.
|
图 4 2000~2022年三大典型湖泊流域植被NDVI空间变化 Fig. 4 Spatial variation of vegetation NDVI in three typical lake basins from 2000 to 2022 |
如图 4（g）~4（i）, 洞庭湖流域、鄱阳湖流域和太湖流域人为区植被NDVI变化速率均值分别为0.001 9、0.001 6和0.000 3 a-1. 如图 4（j）~4（l）所示, 洞庭湖流域、鄱阳湖流域和太湖流域人为区植被NDVI呈上升趋势的区域面积占比分别为81.32%、78.67%和55.61%, 太湖流域人为区植被呈极显著下降和显著下降的区域面积占比为19.82%, 明显大于洞庭湖流域和鄱阳湖流域. 如图 4（m）~4（o）所示, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域自然区植被NDVI变化速率分别为0.002 2、0.001 8和0.002 3 a-1, 均大于对应流域整体及人为区. 如图 4（p）~4（r）所示, 洞庭湖流域、鄱阳湖流域和太湖流域自然区植被NDVI呈上升趋势的区域均大于呈下降趋势的区域, 面积占比分别为87.78%、87.25%和87.50%, 且极显著下降区域占比均明显小于人为区.
综上可知, 在空间分布上, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域的整体、人为区和自然区植被均呈绿化趋势为主, 其中洞庭湖流域和鄱阳湖流域植被覆盖呈极显著和显著上升的区域面积占比较大；值得注意的是, 太湖流域植被退化区域占比较大, 尤其在人为区.
3.3 三大典型湖泊流域植被NDVI对气候因子的敏感性分析如图 5, 洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI对气温、降水和太阳辐射敏感性系数均值绝对值从大到小依次为：气温 > 降水 > 太阳辐射, 三大湖泊流域植被NDVI对气温的敏感性明显强于降水和太阳辐射. 洞庭湖流域植被NDVI对气温、太阳辐射的敏感性系数均值分别为0.011 4和0.000 3, 敏感性系数正值区均主要分布于流域西部及东南部；对降水的敏感性系数均值为-0.001 7, 负值区主要集中分布于西部地区. 鄱阳湖流域植被NDVI对气温、降水和太阳辐射的敏感性系数均值分别为0.013 8、-0.002 5和0.000 2, 在湖泊及其周边3类敏感性系数均主要呈负值；太湖流域植被NDVI对气温的敏感性系数均值为正, 为0.014 4, 正值区主要分布于流域西部, 对降水和太阳辐射的敏感性系数均值为负, 分别为-0.000 2和-0.000 1, 负值区均主要集中分布于太湖周围.
|
图 5 2000~2022年三大湖泊流域植被NDVI对气温、降水和太阳辐射的敏感性 Fig. 5 Sensitivity of vegetation NDVI to temperature, precipitation, and solar radiation in three typical lake basins from 2000 to 2022 |
此外, 洞庭湖流域、鄱阳湖流域的自然区和人为区以及太湖流域人为区植被NDVI对气候因子的敏感性系数均值的正负性与流域整体一致, 而太湖流域自然区植被NDVI对气候因子的敏感性与其流域整体之间存在差异, 主要表现在太湖流域自然区植被NDVI对太阳辐射的敏感性系数均值为正.
综上可知, 三大湖泊流域植被生长受气候变化的双重影响, 且影响在不同湖泊流域之间存在差异性. 总体上, 三大湖泊流域植被生长对气温变化最敏感且敏感性为正, 植被生长对太阳辐射在洞庭湖流域和鄱阳湖流域表现为正敏感性, 在太湖流域表现为负敏感性, 而植被生长对降水在三大湖泊流域主要表现为负敏感性.
3.4 气候变化和人类活动对三大典型湖泊流域植被NDVI的影响本研究时段内, 在气候变化和人类活动综合影响下, 洞庭湖流域、鄱阳湖流域和太湖流域的植被NDVI有所增加. 其中, 气候变化对洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI增长总体表现为促进作用, 影响均值分别为0.000 3、0.000 5和0.000 4 a-1, 呈促进作用的区域主要分布在洞庭湖流域中西部、鄱阳湖流域南部和太湖流域南部；在人为区, 人类活动对洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI变化的影响分别为0.001 6、0.001 2和-0.003 1 a-1, 对洞庭湖流域植被NDVI增长的积极作用较强的区域主要分布在流域南部, 对鄱阳湖流域植被NDVI增长的积极作用较强的区域主要分布在鄱阳湖周围, 对太湖流域植被NDVI增长的抑制作用较强的区域则主要分布在流域东南部. 在人为区, 洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI变化的主导因子均为人类活动.
综合可知（图 6）, 2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域植被生长受气候变化和人类活动的共同作用, 在人为区受人类活动的影响相较于气候变化更显著. 人类活动对太湖植被变化的影响主要表现为负向影响, 而对洞庭湖流域和鄱阳湖流域植被变化主要表现为正向影响.
|
图 6 2000~2022年气候变化和人类活动对三大典型湖泊流域植被NDVI变化的影响 Fig. 6 Impacts of climate change and human activities on vegetation NDVI changes in three typical lake basins from 2000 to 2022 |
2000~2022年气候变化对洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI变化影响显著. 在受气候变化的单一影响下, 三大湖泊流域植被NDVI整体呈上升趋势. 总体上, 三大湖泊流域植被对气温的敏感性较强, 对降水和太阳辐射的敏感性较弱, 这与已有研究结果一致. 以上区域地处低纬度湿润地区, 降水充沛, 光照充足, 降水量和太阳辐射相对于气温较小幅度的变化对植被覆盖度的影响微弱[37, 38]. 气温直接影响植被的光合和呼吸作用等多个生理过程, 在潮湿地区, 植被生长对气温的变化敏感[39]. 其中, 三大湖泊流域的植被NDVI对气温的敏感性总体为正, 区域气温升高延长了植被生长季, 加速了植被对营养物质的吸收, 促进了植被生长[40]. 但三大湖泊流域植被NDVI对降水的敏感性总体为负, 这种差异的原因可能与气候条件变化达到植被生长的阈值进而抑制植被生长有关. 例如太湖流域降水充沛, 降水过多可能会抑制植被的生长[41].
4.2 人类活动对三大典型湖泊流域植被NDVI的影响差异气候变化和人类活动是植被演变空间异质性的关键原因, 但短期内的人为区植被局部变化主要受人类活动影响. 三大湖泊流域地势较低, 水资源和粮食资源丰富, 经济发达, 人口稠密, 生态建设和城市扩张等高强度人类活动深刻改变了区域植被覆盖[42].
为了定量厘清人类活动对植被NDVI变化的影响, 本文在考虑微量影响因素对长期趋势影响的基础上, 划分人为区和自然区, 使用残差分析分离气候变化和人类活动对三大湖泊流域植被NDVI变化的影响. 结果表明人类活动对洞庭湖流域、鄱阳湖流域和太湖流域人为区植被NDVI变化的影响占主导地位. 其中, 人类活动对洞庭湖流域和鄱阳湖流域植被生长均表现为正向影响, 这与已有研究结果一致[43], 主要得益于“长治”工程、天然林保护工程、退耕还林还湿等生态治理工程的实施[43, 44]. 洞庭湖流域和鄱阳湖流域内林地增长面积分别达到了25 617 km2和13 324 km2, 且林地增长区域植被NDVI呈上升趋势的面积占比分别为89.05%和90.66%, 说明生态工程的实施等人类活动给区域植被生态系统恢复带来了动力. 而人类活动对太湖流域人为区植被生长总体表现为负向影响, 该流域内分布着上海、杭州、苏州等一、二线城市, 城镇化率高[42]. 研究时段内建筑用地的转入达到了6 103 km2, 且建筑用地增长区域植被NDVI呈下降趋势的面积占比达75.00%, 说明城市化建设等人类活动给太湖流域植被生态系统造成了巨大压力, 虽然同时期太湖流域各级政府加强了自然保护地、重要河湖湿地和湖滨缓冲带的生态保护修复, 使得流域植被得到了恢复[45], 但整体上耕地和林地仍有所减少, 相较于2000年, 2022年流域内耕地下降了4 450 km2、林地下降了427 km2, 整体而言太湖流域人类活动对植被生长产生的消极作用要强于积极作用.
4.3 局限性及生态协同治理建议本文分离并量化了气候变化与人类活动对植被NDVI变化的影响, 但仍存在一些局限性. 首先, 为了匹配不同数据源的空间分辨率, 本文统一采用了1 km的空间分辨率, 加之数据自身精度的限制, 这些因素都可能在一定程度上降低研究结果的准确性. 其次, 尽管本文基于2000~2022年间的23期土地利用数据识别了植被人为影响区, 但在界定过程中, 忽视了如人工林和果园等受人为影响的区域, 以及那些虽未改变土地类型但实施了显著人为管理活动（如植树种草、病虫害防治等）的区域. 在未来的工作中, 将考虑结合无人机影像等高精度数据对土地利用类型进行更细致的划分, 以便更精确地界定和评估人类活动对植被NDVI变化的影响.
本文研究结果可为不同流域间制定针对性的生态恢复策略提供参考. 洞庭湖流域和鄱阳湖流域植被受人类活动的正向影响, 说明该流域植被覆盖状况在政策实施和人类行为的影响下有所好转. 洞庭湖流域内林地和建筑用地的面积占比均增加, 表明该流域内所开展的系列林业工程有效促进了植被恢复, 并缓解了城市开发所导致的植被退化. 此外, 鄱阳湖流域耕地和建筑用地的比例增加, 说明农业综合管理有效提高了植被的生态恢复, 在严格控制开发利用和围垦强度的基础上, 应注重保护耕地生态功能, 调整优化种植结构, 统筹做好耕地生态保护. 太湖流域植被受人类活动的影响较大, 且表现为负向影响, 即人类活动的影响抑制了植被的自然生长. 流域内建筑用地的比例显著增加, 耕地、林地和水域的比例均减少, 城市的快速扩张破坏了流域的生态结构, 该流域未来应制定可持续的土地利用政策, 合理布局城乡建设空间, 降低人口增长对植被生长的不利影响.
5 结论（1）2000~2022年洞庭湖流域、鄱阳湖流域和太湖流域整体、人为区和自然区植被NDVI呈上升趋势, 其中洞庭湖流域植被NDVI增长态势最优. 三大典型流域自然区植被覆盖上升速率高于人为区.
（2）植被NDVI对洞庭湖流域、鄱阳湖流域和太湖流域气候变化的敏感性正负并存, 且敏感性程度因气候因子和流域的不同存在差异. 总体上相较于降水和太阳辐射, 植被NDVI对气温的敏感性更强且总体表现为正敏感性, 而对降水则总体呈负敏感性.
（3）洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI变化受气候变化和人类活动的综合影响, 且在人为区受人类活动的影响要强于气候变化. 气候变化对洞庭湖流域、鄱阳湖流域和太湖流域植被NDVI增长总体表现为促进作用；人类活动对洞庭湖流域和鄱阳湖流域植被NDVI增长总体表现为促进作用, 与生态工程的实施有关. 随着城市化进程推进, 人类活动对太湖流域的植被NDVI增长总体表现为抑制作用.
| [1] | Masson-Delmotte V P, Zhai P, Pirani S L, et al. IPCC, 2021: Summary for policymakers[A]. In: Masson-Delmotte V, Zhai P, Pirani A, et al (Eds.). Climate Change2021: The Physical Science Basis. Contribution of Working Group Ⅰ to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Intergovernmental Panel on Climate Change, 2021. |
| [2] | Hoegh-Guldberg O, Jacob D, Taylor M, et al. The human imperative of stabilizing global climate change at 1.5 ℃[J]. Science, 2019, 365(6459). DOI:10.1126/science.aaw6974 |
| [3] | Jentsch A, Beierkuhnlein C. Research frontiers in climate change: effects of extreme meteorological events on ecosystems[J]. Comptes Rendus. Géoscience, 2008, 340(9-10): 621-628. DOI:10.1016/j.crte.2008.07.002 |
| [4] |
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. |
| [5] |
石岳, 赵霞, 朱江玲, 等. "山水林田湖草沙"的形成、功能及保护[J]. 自然杂志, 2022, 44(1): 1-18. Shi Y, Zhao X, Zhu J L, et al. Evolutions, functions and conservations of mountains-rivers-forests-croplands-lakes-grasslands-deserts system[J]. Chinese Journal of Nature, 2022, 44(1): 1-18. DOI:10.3969/j.issn.0253-9608.2022.01.001 |
| [6] | Xu Y, Dai Q Y, Zou B, et al. Tracing climatic and human disturbance in diverse vegetation zones in China: over 20 years of NDVI observations[J]. Ecological Indicators, 2023, 156. DOI:10.1016/j.ecolind.2023.111170 |
| [7] |
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. |
| [8] | Sun L, Li H, Wang J, et al. Impacts of climate change and human activities on NDVI in the Qinghai-Tibet plateau[J]. Remote Sensing, 2023, 15(3): 587. DOI:10.3390/rs15030587 |
| [9] | Tuoku L, Wu Z J, Men B H. Impacts of climate factors and human activities on NDVI change in China[J]. Ecological Informatics, 2024, 81. DOI:10.1016/j.ecoinf.2024.102555 |
| [10] | Yan Y, Cheng J H, Li Y K, et al. Characteristics of NDVI changes in the Altay region from 1981 to 2018 and their relationship to climatic factors[J]. Land, 2023, 12(3). DOI:10.3390/land12030564 |
| [11] | Lu C P, Hou M C, Liu Z L, et al. Variation characteristic of NDVI and its response to climate change in the middle and upper reaches of Yellow River Basin, China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 8484-8496. DOI:10.1109/JSTARS.2021.3105897 |
| [12] |
孙瑞, 张方敏, 翁升恒, 等. 2001~2021年中国NDVI时空格局变化及对气候的响应[J]. 中国环境科学, 2023, 43(10): 5519-5528. Sun R, Zhang F M, Weng S H, et al. Spatio-temporal changes of NDVI and its response to climate in China from 2001 to 2021[J]. China Environmental Science, 2023, 43(10): 5519-5528. DOI:10.3969/j.issn.1000-6923.2023.10.049 |
| [13] | Wang H J, Li Z, Niu Y, et al. Evolution and climate drivers of NDVI of natural vegetation during the growing season in the arid region of northwest China[J]. Forests, 2022, 13(7). DOI:10.3390/f13071082 |
| [14] |
王晓利, 侯西勇. 1982—2014年中国沿海地区归一化植被指数(NDVI)变化及其对极端气候的响应[J]. 地理研究, 2019, 38(4): 807-821. Wang X L, Hou X Y. Variation of normalized difference vegetation index and its response to extreme climate in coastal China during 1982-2014[J]. Geographical Research, 2019, 38(4): 807-821. |
| [15] | Lin X N, Niu J Z, Berndtsson R, et al. NDVI dynamics and its response to climate change and reforestation in northern China[J]. Remote Sensing, 2020, 12(24). DOI:10.3390/rs12244138 |
| [16] | Piao S L, Mohammat A, Fang J Y, et al. NDVI-based increase in growth of temperate grasslands and its responses to climate changes in China[J]. Global Environmental Change, 2006, 16(4): 340-348. DOI:10.1016/j.gloenvcha.2006.02.002 |
| [17] | Yang K, Sun W Z, Luo Y, et al. Impact of urban expansion on vegetation: the case of China (2000-2018)[J]. Journal of Environmental Management, 2021, 291. DOI:10.1016/j.jenvman.2021.112598 |
| [18] |
朱士华, 方霞, 杭鑫, 等. 中亚草地植被指数(NDVI)对气候变化及人类活动的响应[J]. 中国沙漠, 2022, 42(4): 229-241. Zhu S H, Fang X, Hang X, et al. Normalized difference vegetation index (NDVI) dynamics of grassland in Central Asia and its response to climate change and human activities[J]. Journal of Desert Research, 2022, 42(4): 229-241. |
| [19] |
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. |
| [20] | Jiang L G, Liu Y, Wu S, et al. Analyzing ecological environment change and associated driving factors in China based on NDVI time series data[J]. Ecological Indicators, 2021, 129. DOI:10.1016/j.ecolind.2021.107933 |
| [21] | Song W Q, Feng Y H, Wang Z H. Ecological restoration programs dominate vegetation greening in China[J]. Science of the Total Environment, 2022, 848. DOI:10.1016/j.scitotenv.2022.157729 |
| [22] |
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. DOI:10.11975/j.issn.1002-6819.2021.22.009 |
| [23] | Li X, Wang Y, Zhao Y, et al. Research on the impact of climate change and human activities on the NDVI of arid areas—a case study of the Shiyang River Basin[J]. Land, 2024, 13(4). DOI:10.3390/land13040533 |
| [24] | Ren Y T, Zhang F, Zhao C L, et al. Attribution of climate change and human activities to vegetation NDVI in Jilin Province, China during 1998-2020[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110415 |
| [25] |
金岩松, 金凯, 王飞, 等. 气候变化和人类活动对东部沿海地区NDVI变化的影响分析[J]. 环境科学, 2023, 44(6): 3329-3342. Jin Y S, Jin K, Wang F, et al. Impacts of climate change and human activities on NDVI change in eastern coastal areas of China[J]. Environmental Science, 2023, 44(6): 3329-3342. |
| [26] |
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. |
| [27] | Chen S Y, Zhang Y L, Wu Q L, et al. Vegetation structural change and CO2 fertilization more than offset gross primary production decline caused by reduced solar radiation in China[J]. Agricultural and Forest Meteorology, 2021, 296(5993). DOI:10.1016/j.agrformet.2020.108207 |
| [28] | Ma B X, Jing J L, Liu B X, et al. Assessing the contribution of human activities and climate change to the dynamics of NPP in ecologically fragile regions[J]. Global Ecology and Conservation, 2023, 42. DOI:10.1016/j.gecco.2023.e02393 |
| [29] | Yi L, Yu Z Y, Qian J, et al. Evaluation of the heterogeneity in the intensity of human interference on urbanized coastal ecosystems: Shenzhen (China) as a case study[J]. Ecological Indicators, 2021, 122. DOI:10.1016/j.ecolind.2020.107243 |
| [30] | Bernier P Y, Paré D, Stinson G, et al. Moving beyond the concept of "primary forest" as a metric of forest environment quality[J]. Ecological Applications, 2017, 27(2): 349-354. DOI:10.1002/eap.1477 |
| [31] |
陈瑶琪, 郭晶晶, 蔡国俊, 等. 近七十年(1954-2021)长江中下游湖泊沉水植物群落多样性演变特征[J]. 生物多样性, 2024, 32(3): 37-51. Chen Y Q, Guo J J, Cai G J, et al. Evolution characteristics of submerged macrophyte community diversity in the middle and lower reaches of the Yangtze River in the past seventy years (1954-2021)[J]. Biodiversity Science, 2024, 32(3): 37-51. |
| [32] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [33] | Li P, Wang J, Liu M M, et al. Spatio-temporal variation characteristics of NDVI and its response to climate on the Loess Plateau from 1985 to 2015[J]. CATENA, 2021, 203. DOI:10.1016/j.catena.2021.105331 |
| [34] |
袁沫汐, 文佐时, 何利杰, 等. 中国温带草地物候对气候变化的响应及其对总初级生产力的贡献[J]. 生态学报, 2024, 44(1): 354-376. Yuan M X, Wen Z S, He L J, et al. Response of temperate grassland phenology to climate change and its contribution to gross primary productivity in China[J]. Acta Ecologica Sinica, 2024, 44(1): 354-376. |
| [35] | Jin J X, Ma X L, Chen H, et al. Grassland production in response to changes in biological metrics over the Tibetan Plateau[J]. Science of the Total Environment, 2019, 666: 641-651. DOI:10.1016/j.scitotenv.2019.02.293 |
| [36] | Geerken R, Ilaiwi M. Assessment of rangeland degradation and development of a strategy for rehabilitation[J]. Remote Sensing of Environment, 2004, 90(4): 490-504. DOI:10.1016/j.rse.2004.01.015 |
| [37] | Fan X W, Liu Y B, Tao J M, et al. MODIS detection of vegetation changes and investigation of causal factors in Poyang Lake basin, China for 2001-2015[J]. Ecological Indicators, 2018, 91: 511-522. DOI:10.1016/j.ecolind.2018.04.041 |
| [38] |
潘颖, 林杰, 佟光臣, 等. 2004—2014年太湖流域植被覆盖时空变化特征[J]. 生态与农村环境学报, 2018, 34(1): 37-45. Pan Y, Lin J, Tong G C, et al. Spatio-temporal variations of vegetation coverage in Taihu Lake Basin from 2004 to 2014[J]. Journal of Ecology and Rural Environment, 2018, 34(1): 37-45. |
| [39] | Tan Z Q, Tao H, Jiang J H, et al. Influences of climate extremes on NDVI (normalized difference vegetation index) in the Poyang Lake Basin, China[J]. Wetlands, 2015, 35(6): 1033-1042. DOI:10.1007/s13157-015-0692-9 |
| [40] |
孙颖, 易浪, 尹少华. 洞庭湖流域植被覆盖变化及其协同治理[J]. 经济地理, 2022, 42(4): 190-201. Sun Y, Yi L, Yin S H. Vegetation cover change in Dongting Lake Basin and its coordination governance[J]. Economic Geography, 2022, 42(4): 190-201. |
| [41] |
纪迪, 张慧, 沈渭寿, 等. 太湖流域下垫面改变与气候变化的响应关系[J]. 自然资源学报, 2013, 28(1): 51-62. Ji D, Zhang H, Shen W S, et al. The response relationship between underlying surface changing and climate change in the Taihu Basin[J]. Journal of Natural Resources, 2013, 28(1): 51-62. |
| [42] |
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. |
| [43] |
王若茹, 李小马, 甘德欣, 等. 湖南省2002—2020年植被动态演变特征及影响因子[J]. 应用生态学报, 2024, 35(5): 1312-1320. Wang R R, Li X M, Gan D X, et al. Characteristics and drivers of vegetation temporal dynamics in Hunan Province of China during 2002-2020[J]. Chinese Journal of Applied Ecology, 2024, 35(5): 1312-1320. |
| [44] |
刘婷婷, 杨晓霞, 叶许春, 等. 人类活动对2000—2020年鄱阳湖流域陆地植被覆盖变化的影响[J]. 水土保持通报, 2022, 42(4): 320-329. Liu T T, Yang X X, Ye X C, et al. Effects of human activities on terrestrial vegetation coverage change of Poyang Lake Basin during 2000—2020[J]. Bulletin of Soil and Water Conservation, 2022, 42(4): 320-329. |
| [45] |
仇宽彪, 张玉刚, 王同顺. 基于NDVI的太湖流域片植被覆盖变化及其驱动力分析[J]. 中国水土保持科学, 2019, 17(6): 119-125. Qiu K B, Zhang Y G, Wang T S. Analysis on the dynamics of the vegetation coverage and the drivers in Taihu Basin via NDVI[J]. Science of Soil and Water Conservation, 2019, 17(6): 119-125. |