2025, Vol. 46
植被在控制陆地与大气之间的碳、水和能量交换中起关键作用[1~3], 对生态环境保护与修复及水土保持至关重要[4~6]. 植被结构和功能的变化受到土地利用管理等人类活动以及气候和环境变化的驱动[7~9].
遥感卫星技术的发展使得大规模的植被监测得以实现[10]. 植被在红光和蓝光波段具有高吸收特性, 而在近红外波段则具有高反射特性, 归一化植被指数（NDVI）利用这一特性来反映植被生长状况[11, 12]. 基于NDVI数据利用像元二分模型可以准确计算出植被覆盖度（FVC）[13, 14], 两者被广泛应用于植被生态研究中[15~17]. 国内外学者针对不同区域展开了植被时空演化及其驱动机制研究. Chen等[12]研究发现中国大规模造林和集约化耕作显著提升了森林和农田的绿化程度, 人类土地利用管理是中国植被绿化的主要驱动力. 金凯等[18]认为气候变化和人类活动的双重影响是中国植被NDVI上升的主要原因, 人类活动对中国植被绿度上升的贡献率大于气候变化. 沈贝贝等[19]通过分析FVC对气候、社会经济因子的响应关系, 指出降水是驱动内蒙古草原FVC变化的主要气候因子. 田智慧等[20]研究了2000~2020年黄河流域植被时空演化的驱动机制, 结果表明人类活动对植被变化的贡献显著大于气候因素, 降水对植被的影响作用大于气温. 金岩松等[21]研究发现1982~2019年中国东部沿海地区植被NDVI的增加与气温的持续上升关系紧密, 降水和太阳辐射的增加也产生了积极作用. Ma等[22]分析了中国北方FVC的时空变化以及15个月度气候指数对FVC的时间滞后和累积效应, 结果显示在中国北方大多数省份, 人类活动主导了2000~2019年FVC的增加. 可见, 植树造林、集约化耕作和城市化等人类活动, 以及气温、降水和太阳辐射等气候因素均能够影响植被演化, 但影响机制因地理区域的不同而存在差异.
中国南水北调工程（中线和东线）是缓解华北地区水资源严重短缺的重大战略性基础设施, 在提高供水保证率、修复水生态、改善水环境和优化水资源配置方面发挥了重要作用[23~25]. 作为国家战略性水源地和重要生态功能保护区的南水北调中线工程水源区（以下简称水源区）, 有关其植被覆盖度的时空演化特征及影响机制的研究相对较少. 周志强等[26]利用2000年和2009年两期遥感图像, 分析了水源区植被覆盖度的空间变化特征. 高文文等[27]基于2000年、2010年和2015年3期HJ-1 A/B、Landsat TM影像数据, 发现退耕还林和封山育林等生态工程项目的实施使得水源区森林面积持续增加. 李鹏傲等[28]利用MODIS NDVI数据, 分析了2010~2019年水源区FVC演化特征, 初步探讨了植被演化与地表温度、降水与土壤湿度的关系. 以往研究对于厘清水源区植被演化及响应机制具有重要参考价值, 然而, 由于缺少高质量和长时序的多源数据集, 目前对水源区植被覆盖度演化特征及其驱动因素缺乏系统性地研究, 限制了对水源区植被生态环境演变机制的科学认识.
鉴于此, 本文利用2000~2022年MODIS NDVI数据、气象、人类足迹和土地利用等数据, 采用像元二分模型、Sen斜率估计和Mann-Kendall检验、相关分析以及分段多元线性回归分析等方法, 系统研究水源区植被覆盖度时空变化特征, 探索人类活动、气象等因素与植被变化的关系, 厘清水源区植被覆盖变化机制, 以期为水源区生态环境保护与修复以及南水北调中线工程健康运行提供科学依据和决策支持.
1 材料与方法 1.1 研究区概况南水北调中线工程水源区（31°20'~34°10'N, 106°00'~111°45'E）位于秦岭山脉南坡, 大巴山北麓, 汉中盆地、安康盆地贯穿其中, 包括汉江、丹江流域以及丹江口水库, 是我国重要的水涵养生态功能保护区[图 1（a）和1（b）]. 水源区处于中国南北气候分界带的过渡区, 属于温带半湿润的北亚热带季风气候区[29]. 受气候和地形条件影响, 水源区植被覆盖度高, 年平均气温17 ℃, 年平均降水量870 mm, 降水自南向北递减. 水源区人口空间分布不均, 主要集中在汉中盆地、安康盆地以及水源区东部的峡谷、丘陵和平原地区. 为保障“一渠清水永续北送”, 水源区各级政府加强南水北调中线工程生态环境保护和修复, 积极推行飞播成林、封山禁牧、石漠化改造等造林种草工程, 水源区的植被覆盖演化状况备受关注. 2022年水源区主要地表覆盖情况如图 1（c）所示.
|
图 1 研究区概况 Fig. 1 Overview of the study area |
本研究数据包括MODIS NDVI数据、地表覆盖数据、气象数据和人类足迹数据等（如表 1）.
|
表 1 本文数据集 Table 1 Sources of data used in this study |
（1）NDVI、地表温度（LST）和地表覆盖数据（LC）为中分辨率成像光谱仪（MODIS）传感器获取的数据产品[30~32]. 其中, NDVI和LST由经过大气校正的MODIS地球表面反射率计算得到, 为2000~2022年的月度数据集；LC来自2001~2022年的年度地表覆盖数据集, 采用国际地球生物圈计划（IGBP）的地表覆盖分类方案. 降水（PRE）数据来自CHIRPS日尺度降水数据集[33]；土壤含水量（SW）和太阳净地表辐射（SNSR）来自ERA5_LAND再分析气象数据集[34].
（2）高程数据为3″（~90 m）分辨率的高精度MERIT DEM数据[35]. 水体数据（WB）来自于由欧盟联合研究中心（Joint Research Center, JRC）利用Landsat卫星影像生产的全球30 m分辨率年度地表水体分类数据集[36]. 人类足迹指人类在地球上活动的痕迹, 包括建筑、交通、能源利用和废弃物等, 反映了人类活动对生态环境造成的压力, 本文用到的人类足迹数据（HFP）来自文献[37].
在GEE（Google Earth Engine）遥感云平台中对NDVI和LST进行月度最大值合成, 对PRE进行月度求和合成, 并对表 1数据集进行投影转换和研究区裁剪等预处理. 表 1数据集具有不同的空间分辨率, 利用Python gdal.ReprojectImage函数的最邻近插值法（GRA_NearestNeighbour）将研究数据的空间分辨率重采样为500 m. 南水北调中线工程运行后, 水源区年度最大水域范围保持相对稳定, 为减少水域范围变动对长时序植被演化分析的影响, 本文将2022年度JRC整年永久水体和季节性水体范围之和作为水域掩膜, 对研究数据集进行掩膜处理.
1.3 研究方法 1.3.1 像元二分模型植被覆盖度（FVC）反映了地表植被覆盖密度, 是描述区域生态系统和环境变化的重要指标[38, 39]. 利用GEE平台对2000~2022年MODIS NDVI数据进行月度最大值合成、水掩膜和研究区裁剪, 下载并进行重采样, 得到水源区NDVI数据立方体（275×618×1 279像素, 无2000年1月数据）, 基于像元二分模型[38]计算水源区月度FVC数据：
|
(1) |
式中, NDVImin和NDVImax分别为水源区裸地和纯植被的NDVI值, 通常是由研究区所有NDVI的累计分布来确定[14, 22]. 对经过水域掩膜的NDVI数据立方体进行统计, NDVImin和NDVImax分别采用累计频率为1%的NDVI值（0.159 7）和累计频率为99%的NDVI值[0.891 0, 图 2（b）].
|
图 2 水源区NDVI分布直方统计结果 Fig. 2 Histogram and cumulative frequency distribution curve of NDVI in the study area |
对月度FVC数据进行植被生长季（4~11月）的年度最大值合成, 得到水源区2000~2022年的年度FVC数据集. 水源区为高植被覆盖区域[图 1（a）], 为便于分析水源区植被覆盖度演化的细节, 本文将水源区年度FVC数据划分为5个等级：L5低植被覆盖（FVC ≤ 0.5）、L4中等植被覆盖（0.5 < FVC ≤ 0.7）、L3中高植被覆盖（0.7 < FVC ≤ 0.8）、L2高植被覆盖（0.8 < FVC ≤ 0.9）和L1极高植被覆盖（FVC > 0.9）.
1.3.2 趋势分析和显著性检验本文利用Sen斜率估计和Mann-Kendall检验（Python工具mk.original_test函数）计算水源区年度FVC和气象因素等数据的变化趋势及其变化显著性. Sen斜率估计又称为Theil-Sen Median方法, 是一种稳健的非参数统计的趋势计算方法[40]. 对于年度植被覆盖度序列FVC1, FVC2, …, FVCn, 其Sen斜率计算公式为：
|
(2) |
式中, i和j为FVCi和FVCj数据的年份；Median（）为取中值函数. 如果β > 0, 表示该像元FVC变化为增长趋势, 反之为下降趋势.
Mann-Kendall检验是一种非参数统计检验方法, 适用于长时间序列数据的趋势显著性检验[41]. 结合水源区2000~2022年FVC变化情况, 利用Sen斜率和Mann-Kendall检验显著性水平P值, 进行了FVC变化显著性分级（表 2）.
|
|
表 2 FVC变化显著性分级 Table 2 Classification of the significance of FVC change |
1.3.3 变异系数
本文采用改进的变异系数衡量像元尺度FVC变化的波动性大小, 变异系数CV计算式如下：
|
(3) |
式中, mean（）和dt-std（）分别为像元FVC序列的均值和去趋势标准差. 变异系数越小, 说明植被覆盖稳定性越好；反之说明植被覆盖度变化的波动性大, 稳定性越差. 相比于序列标准差, 利用去趋势标准差计算的变异系数更能反映FVC变化的稳定程度.
1.3.4 相关分析本文采用皮尔逊相关系数衡量FVC变化与影响因素之间的相关程度[42]. 变量FVC-rate和F为待计算相关性的数据, 其相关系数Cor的计算公式为：
|
(4) |
式中, i表示第i个像元, F为影响水源区植被覆盖度变化的因素, 包括人类足迹变化以及地表温度、降水、太阳净地表辐射和土壤含水量的变化趋势. 相关系数Cor能有效反映两个变量之间的相关性, Cor > 0表示两个变量之间呈现正相关, 值越大表明相关性越强；Cor < 0表示两个变量之间呈现负相关, 绝对值越大表明负相关关系越强.
1.3.5 多元线性回归分析水源区FVC变化受多种因素影响, 本文采用多元线性回归分析方法探索这种影响关系. 多元线性回归公式为：
|
(5) |
式中, a1~a5为多元线性回归系数, b为常数；HFP、TMP-rate、PRE-rate、SNSR-rate和SW-rate分别为2000~2022年人类足迹变化强度以及地表温度、降水、太阳净地表辐射和土壤含水量的变化率.
2 结果与分析 2.1 水源区地表覆盖变化植被覆盖度变化主要表现为地表覆盖类型的变更（例如, 农田转为建筑用地或植树造林）以及植被密度和长势的变化（例如, 由于气候变化、农业管理措施、生态环境保护等引起）[7~9]. 准确理解水源区地表覆盖类型变化对于厘清水源区植被覆盖度演化原因至关重要. 为了便于分析水源区地表覆盖类型转移特征, 本文对2001~2022年MCD12Q1地表覆盖数据进行重分类：原1~5类合并为森林, 原6~10类合并为草灌, 其余为人类活动区和水体.
依据2001年、2011年和2022年重分类后的地表覆盖数据, 将3个年度均为森林的像元定义为森林区域, 3个年度均为草灌的像元定义为草灌区域, 从剩余区域排除水体即为人类活动区（图 3）. 人类活动区包含了2001~2022年地类发生变化的区域, 以及城镇和农田等人类活动聚集区, 主要受人类社会经济活动的影响, 因此将它们合并为一类.
|
图 3 2001~2022年地表覆盖分区 Fig. 3 Land cover reclassification according to stability from 2001 to 2022 |
2001~2022年水源区地表覆盖类别稳定的森林面积占比36.3%, 草灌面积占比为30.7%；受人类活动和自然因素影响发生地类变化的区域, 以及居民地和农田等人类活动聚集区, 占比为31.3%；水体占1.7%（图 3）.
对2001年、2011年和2022年地表覆盖重分类数据进行类别转移分析（图 4）, 结果显示2001~2022年在水涵养区生态环境保护与修复政策的影响下, 水源区发生了显著的“植树造林（草灌→森林）”和“退耕还草（耕地→草灌）”现象, 并且2001~2011年的地表覆盖转变强度略大于2011~2022年.
|
F表示森林区域；G表示草灌区域；H表示人类活动区 图 4 2001~2022年水源区的地表覆盖转移情况 Fig. 4 Transition of the land cover from 2001 to 2022 |
对水源区2000~2022年所有年度FVC数据求平均值, 得到FVC均值空间分布结果[图 5（a）和5（b）]. 南水北调中线水源区为高植被覆盖区域, 植被覆盖度大于0.9的区域面积约76 587 km2, 占比67.88%, 主要集中在森林和草灌区域；植被覆盖度大于0.7的区域面积约109 548 km2, 占比97.09%；低植被覆盖度区域面积约391 km2, 占比0.35%, 主要集中在汉中盆地、安康盆地和水源区中东部地区峡谷和平原地区的城镇区域；丹江口水库周边的草灌区域呈现中低植被覆盖特征.
|
图 5 2000~2022年水源区FVC均值空间分布与FVC变化特征 Fig. 5 Spatial distribution of multi-average FVC and variation characteristics of annual FVC in water source area from 2000 to 2022 |
对2000~2022年的年度FVC数据进行Sen斜率估计、Mann-Kendall检验和变异系数分析, 得到水源区植被覆盖度变化特征与趋势[图 5（c）~5（f）, 图 6~8]. 由图 6可知, 2000~2022年水源区植被覆盖度均值为0.912 4, 且整体呈现出显著增加趋势, 增长率为0.004 0 a-1, 具体表现为高植被覆盖度区（FVC > 0.9）面积占比逐年增加, 中低和低植被覆盖区面积占比逐渐减少. 2001~2022年植被覆盖等级变化分析结果显示（图 7）, 水源区FVC表现为由低植被覆盖度向高植被覆盖度转变的趋势, 并且2001~2011年的植被覆盖度变化程度明显强于2011~2022年.
|
图 6 2000~2022年水源区植被覆盖度时间变化趋势 Fig. 6 Temporal variation trend of FVC in water source area from 2000 to 2022 |
|
L5表示FVC ≤ 0.5；L4表示0.5 < FVC ≤ 0.7；L3表示0.7 < FVC ≤ 0.8；L2表示0.8 < FVC ≤ 0.9；L1表示FVC > 0.9 图 7 2001~2022年水源区植被覆盖度分级转移特征 Fig. 7 Transition patterns of the FVC levels from 2001 to 2022 |
|
图 8 水源区植被覆盖度变化特征分区统计 Fig. 8 Zonal statistics of FVC change rate |
水源区FVC显著减少的区域主要集中在人类活动区的城镇区域, 占比约1.301%；除此之外, 水源区绝大部分地区（占比84.965%）FVC呈现显著和极显著增加特征. 在人类活动区, 植被覆盖度显著和极显著增加的面积比分别为11.26%和74.76%, 草灌覆盖区域的显著和极显著增加的面积比分别为18.36%和71.03%, 而森林覆盖区域的显著和极显著增加占比分别为24.55%和55.02%. 可见草灌和人类活动区域是水源区植被覆盖度增加的主要区域, FVC平均变化率分别为0.005 7 a-1和0.004 8 a-1；相比之下, 森林区域的植被覆盖度增长率稍低, 整体增长趋势为0.002 0 a-1[图 5（d）和5（f）, 图 8].
2000~2022年水源区FVC变化波动性最大的区域主要集中在低-中等植被覆盖区域, 以上区域同时表现为FVC的负变化[图 5（e）]；波动性最小的区域主要集中在低FVC变化率、高植被覆盖的森林区域；波动性较大的区域主要集中在高FVC变化率、中等-中高植被覆盖的草灌和人类活动区.
2.3 植被覆盖度变化与影响因素的相关性分析对2000~2022年水源区地表温度、降水、太阳净地表辐射和土壤含水量数据进行Sen斜率估计, 得到以上因子的变化率[图 9（a）~9（d）]. 将2021~2022年的人类足迹均值与2000~2001年的人类足迹均值求差, 取绝对值得到水源区人类足迹变化强度结果[图 9（e）].
|
图 9 2000~2022年水源区环境因子变化率空间分布特征 Fig. 9 Spatial distribution of the change rate of environmental factors from 2000 to 2022 |
2000~2022年水源区地表温度变化具有明显的空间差异特征. 水源区主要城镇, 如汉中、安康和十堰等县市增温现象明显；水源区中部, FVC显著增加的区域呈现温度下降趋势；森林区域的地表温度变化不显著；整体来看, 水源区地表温度变化与FVC变化呈现较强的负相关性[图 9（a）].
2000~2022年水源区降水变化呈现出北升南降的空间特征, 秦岭山脉呈现降水增加趋势, 大巴山脉中东部地区呈现降水减少趋势；太阳净地表辐射整体表现为减少趋势, 秦岭山脉和大巴山脉地区减少幅度较大, 丹江口水库周边的水源区中东部地区减少幅度较小；秦岭山脉、汉中盆地和大巴山脉地区的土壤含水量略微增加, 其余地区, 尤其是丹江口水库周边土壤含水量显著减少. 水源区降水、太阳净地表辐射和土壤含水量变化与FVC变化不具有明显的相关性[图 9（b）~9（d）].
水源区主要城镇区的人类足迹变化绝对强度最大, 而森林覆盖区的人类足迹变化绝对强度最低, 水源区人类足迹强度变化与FVC变化具有良好的空间相关性[图 9（e）].
为量化水源区FVC变化与影响因素的相关性, 本文分别分析了FVC显著增加区域和FVC显著减少区域, FVC变化与人类足迹、地表温度、降水、太阳净地表辐射和土壤含水量变化的相关性（图 10）. 在FVC显著增加区域, 与FVC变化相关性从强到弱的因子依次是：地表温度（-0.53）、土壤含水量（-0.41）、太阳净地表辐射（0.34）、人类足迹（0.32）和降水（0.09）；在FVC显著减少区域, 与FVC变化相关性从强到弱的因子依次是：人类足迹（-0.76）、地表温度（-0.63）、土壤含水量（0.38）、太阳净地表辐射（-0.38）和降水（0.08）. 可见, 人类足迹和地表温度变化是水源区植被覆盖度变化的主要影响因素. 降水变化与FVC变化的相关性弱, 可能是因为水源区位于温带半湿润的北亚热带季风气候区, 降水丰沛、稳定且年际变化较小, 植被演化对降水的变化不敏感.
|
图 10 2000~2022年水源区植被覆盖度变化与影响因素的相关性 Fig. 10 Partial correlation between the FVC change rate and environmental factors from 2000 to 2022 |
由图 5和图 9可以看出, 水源区FVC及其影响因素的变化是空间上连续的变化场. 因此, 考虑变量在空间上的连续性和相关性, 不同于以往针对像元时序数据每个时间点FVC与影响因素的相关分析方法[43, 44], 本文探索2000~2022年水源区FVC变化场与影响因素变化场之间的关系. 首先对水源区FVC和影响因素的变化率进行空间上的随机采样, 而后对FVC显著增加和显著减少区域的样本分别实施多元线性回归分析.
回归分析结果显示, 水源区FVC变化与地表温度、人类足迹和太阳净地表辐射等因素有良好的多元线性回归关系（图 11）；FVC显著增加区域的拟合度（R2 = 0.425, MSE = 4.0×10-6）明显优于FVC显著减少区域的拟合度（R2 = 0.170, MSE = 3.28×10-5）. 在植被覆盖度增加区域, 对FVC变化影响从强到弱的因素依次是地表温度（-0.009 2）、人类足迹（0.002 6）、土壤含水量（-0.001 7）、太阳净地表辐射（0.000 4）和降水（0.000 1）[公式（6）], 影响大小和正负关系与相关分析结果（图 10）高度一致；在植被覆盖度减少区域, 各因素对FVC的影响大小和正负关系基本一致, 说明分段多元线性回归可以很好地解释水源区植被覆盖度演化与各因素之间的关系.
|
(6) |
|
图 11 水源区植被覆盖度变化多元线性回归结果 Fig. 11 Multiple linear regression of FVC change rate |
空间分布格局上, 水源区植被覆盖度整体水平较高；去除水域范围, 仅有0.35%的区域呈现低植被覆盖度, 主要集中在汉中盆地、安康盆地以及中东部峡谷和平原的城镇区, 以上区域人类活动强度较大, 受城市化影响, 植被覆盖度较低. 时间变化趋势上, 2000~2022年水源区FVC呈现平稳的显著增加趋势, 增长率为0.004 0 a-1, 期间植被覆盖度的波动或与极端气候事件有关, 例如2013~2015年水源区FVC呈现显著的“下降-恢复”变化过程, 可能与2014年湖北、河南部分地区大旱有关[28]. 空间变化趋势上, 水源区约84.9%区域的植被得到显著改善, 其中, 草灌覆盖区和人类活动区的植被覆盖度增加显著, 主要得益于多年来国家实施的飞播成林、石漠化改造和退耕还林造草等一系列生态环境保护和修复工程, 使得水源区植被得到了有效保护和修复；水源区约1.3%的城镇区植被退化明显, 这可能归因于与城镇化相关的人类活动影响.
3.2 FVC变化与影响因素的关系通过分段统计人类足迹和地表温度变化与FVC变化率之间的定量关系（图 12）, 进一步探索两个主要因子对FVC变化的影响. 2000~2022年水源区FVC变化率与人类足迹变化强度之间存在复杂的非线性关系[图 12（a）]：首先随着HFP变化强度的增加（0 ≤ HFP变化 < 5）, FVC变化率的中位数近似线性增加；当HFP变化≥ 5时, 随着HFP变化强度的增加, FVC变化率的中位数呈现明显的下降趋势；当HFP变化强度较大时（HFP变化≥ 5）, FVC变化率的离散度增大, 进一步体现两者之间复杂的非线性关系. 相比之下, 地表温度变化率与FVC变化率显著负相关, FVC变化率的中位数随着LST变化强度的增加呈现单调线性下降趋势[图 12（b）].
|
图 12 水源区植被覆盖度（FVC）变化率与人类足迹（HFP）和地表温度（LST）变化的关系 Fig. 12 Relationship between FVC change rate with HFP and LST change rate in water source area |
将水源区2001~2022年的FVC变化率、主要地表覆盖变化和地表覆盖这3个栅格数据图层进行空间叠加[图 13（a）], 以定量分析FVC变化像素所对应的地表覆盖类型以及地表覆盖类型变化情况[图 13（b）]. 考虑到水源区FVC减少的区域占比极少（1.301%, 主要位于主城镇中心区）, 本文重点分析了FVC变化率大于0.002 a-1的地表覆盖类型及其变化情况[图 13（b）]. 统计结果显示, 2000~2022年水源区FVC变化率大于0.002 a-1的像素中, 森林、草灌和农田这3种地表覆盖类型像素占比分别为45%、47%和4%, 其中稳定的森林、草灌和农田像素占比分别为20%、41%和4%, 增加的森林像素和草灌像素分别占25%和6%；说明水源区植被的绿化主要源于森林、草灌和农田这3种地表覆盖类型及其转化过程.
|
图（b）中百分数表示面积占比 图 13 水源区FVC变化率大于0.002 a-1区域的地表覆盖类型及其变化情况分析 Fig. 13 Analysis of land cover types and their changes in areas with FVC change rate greater than 0.002 a-1 |
为确保“一渠清水永续北送”, 多年来水源区各县市制定并执行了多项水源涵养与生态保护修复项目, 如秦岭生态修复[45]、长江流域生态空间治理[46]、省级国土绿化流域治理示范和石漠化治理项目等[47], 使得水源区植被结构和功能得到了极大的提升. 例如, 水源区汉中、安康和商洛市率先实施退耕还林还草和生态建设. 几十年来, 在秦巴山区飞播成林533 600 hm2（约800多万亩）, 商洛市流岭山系百万亩飞播林成为了中国北方面积最大的飞播成林区[图 13（a）]. 同时水源区各县市在林业用地、退耕还林（草）地全面实行封山禁牧, 植被生态系统得到了极大的提升. 紧邻丹江口水库的丹江口市和十堰市启动石漠化综合治理工程, 通过植树造林、封山育林、退耕还林、林地管护等措施, 使得库区周边生态环境大为改观, 仅丹江口市石鼓镇石漠化改造6 000多亩（约400 hm2）树林, 植被覆盖率增长到70%, 该镇在2016年被评为“国家石漠化治理示范区”.
飞播成林、石漠化改造和退耕还林造草等生态环境保护和修复工程, 使得2000~2022年水源区森林和草灌面积显著增加, 显著提高了人类活动区域的植被覆盖度；封山育林、森林抚育、低质低效林改造和樵采及放牧控制等措施, 提升了森林和草灌区域的植被结构和功能, 以上因素促使水源区森林和草灌区域的植被覆盖度持续增加. 此外, 与中国其他研究区一样, 农耕技术的进步, 如科学育种、施肥、灌溉和除虫等使得水源区农耕区域的植被覆盖度显著增加[48~50]. 在国家水源区生态环境保护政策的推动下, 水源涵养和生态保护修复等人类土地利用管理措施成为植被覆盖度变化的主要原因.
4 结论（1）南水北调中线工程水源区为高植被覆盖和FVC高增长区域. 去除水域范围, 2000~2022年水源区FVC均值为0.912 4, 平均增长率为0.004 0 a-1. 水源区绝大部分地区（84.965%）FVC显著增加, 且主要集中在草灌和人类活动区, 其增长率分别为0.005 7 a-1和0.004 8 a-1, 森林区域FVC增长率稍低, 为0.002 0 a-1.
（2）水源区FVC变化与地表温度和人类足迹具有显著相关性. 在FVC显著增加区域, 地表温度和人类足迹变化与FVC变化的相关性分别为-0.53和0.32；在FVC显著减少区域, 相关性分别为-0.63和-0.76. FVC显著增加区域的植被覆盖变化与人类足迹和气象因素存在良好的多元线性回归关系, 且人类足迹与FVC变化之间存在更复杂的非线性关系.
（3）2000~2022年, 森林、草灌和农田是水源区植被绿化的主要来源. 水源涵养和生态保护项目显著增加了森林和草灌面积, 解释了水源区约31%的FVC增加；植树造林等措施提升了森林和草灌区域的植被结构和功能, 解释了约61%的FVC增加；农耕技术的进步提高了农耕区域的植被覆盖度, 占比约4%.
| [1] | Bonan G B, Pollard D, Thompson S L. Effects of boreal forest vegetation on global climate[J]. Nature, 1992, 359(6397): 716-718. DOI:10.1038/359716a0 |
| [2] | 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 |
| [3] |
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. |
| [4] | 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 |
| [5] |
马炳鑫, 和彩霞, 靖娟利, 等. 1982—2019年中国西南地区植被变化归因研究[J]. 地理学报, 2023, 78(3): 714-728. Ma B X, He C X, Jing J L, et al. Attribution of vegetation dynamics in Southwest China from 1982 to 2019[J]. Acta Geographica Sinica, 2023, 78(3): 714-728. |
| [6] |
孙天瑶, 李雪梅, 许民, 等. 2000—2018年塔里木河流域植被覆盖时空格局[J]. 干旱区地理, 2020, 43(2): 415-424. Sun T Y, Li X M, Xu M, et al. Spatial-temporal variations of vegetation coverage in the Tarim River Basin from 2000 to 2018[J]. Arid Land Geography, 2020, 43(2): 415-424. |
| [7] | Piao S L, Wang X H, Park T, et al. Characteristics, drivers and feedbacks of global greening[J]. Nature Reviews Earth & Environment, 2020, 1(1): 14-27. |
| [8] | Zhu Z C, Piao S L, Myneni R B, et al. Greening of the earth and its drivers[J]. Nature Climate Change, 2016, 6(8): 791-795. DOI:10.1038/nclimate3004 |
| [9] |
崔利芳, 王伦澈, 屈赛, 等. 气温、降水量和人类活动对长江流域植被NDVI的影响[J]. 地球科学, 2020, 45(6): 1905-1917. Cui L F, Wang L C, Qu S, et al. Impacts of temperature, precipitation and human activity on vegetation NDVI in Yangtze River Basin, China[J]. Earth Science, 2020, 45(6): 1905-1917. |
| [10] | Li X Y, Wang K, Huntingford C, et al. Vegetation greenness in 2023[J]. Nature Reviews Earth & Environment, 2024, 5(4): 241-243. |
| [11] | Zeng Y L, Hao D L, Huete A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature Reviews Earth & Environment, 2022, 3(7): 477-493. |
| [12] | Chen C, Park T, Wang X H, et al. China and India lead in greening of the world through land-use management[J]. Nature Sustainability, 2019, 2: 122-129. DOI:10.1038/s41893-019-0220-7 |
| [13] | Carlson T N, Ripley D A. On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3): 241-252. DOI:10.1016/S0034-4257(97)00104-1 |
| [14] | Mu B H, Zhao X, Wu D H, et al. Vegetation cover change and its attribution in China from 2001 to 2018[J]. Remote Sensing, 2021, 13(3). DOI:10.3390/rs13030496 |
| [15] | Liu C X, Zhang X D, Wang T, et al. Detection of vegetation coverage changes in the Yellow River Basin from 2003 to 2020[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108818 |
| [16] |
杨达, 易桂花, 张廷斌, 等. 青藏高原植被生长季NDVI时空变化与影响因素[J]. 应用生态学报, 2021, 32(4): 1361-1372. Yang D, Yi G H, Zhang T B, et al. Spatiotemporal variation and driving factors of growing season NDVI in the Tibetan Plateau, China[J]. Chinese Journal of Applied Ecology, 2021, 32(4): 1361-1372. |
| [17] |
王建邦, 赵军, 李传华, 等. 2001-2015年中国植被覆盖人为影响的时空格局[J]. 地理学报, 2019, 74(3): 504-519. Wang J B, Zhao J, Li C H, et al. The spatial-temporal patterns of the impact of human activities on vegetation coverage in China from 2001 to 2015[J]. Acta Geographica Sinica, 2019, 74(3): 504-519. |
| [18] |
金凯, 王飞, 韩剑桥, 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961-974. Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. |
| [19] |
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. |
| [20] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [21] |
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. |
| [22] | Ma M Y, Wang Q M, Liu R, et al. Effects of climate change and human activities on vegetation coverage change in northern China considering extreme climate and time-lag and -accumulation effects[J]. Science of the Total Environment, 2023, 860. DOI:10.1016/j.scitotenv.2022.160527 |
| [23] | Long D, Yang W T, Scanlon B R, et al. South-to-North Water Diversion stabilizing Beijing's groundwater levels[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-17428-6 |
| [24] | Qiao C P, Ning Z R, Wang Y, et al. Impact of climate change on water availability in water source areas of the South-to-North Water Diversion Project in China[J]. Frontiers in Earth Science, 2021, 9. DOI:10.3389/feart.2021.747429 |
| [25] | Yan H L, Lin Y Q, Chen Q W, et al. A review of the eco-environmental impacts of the South-to-North Water Diversion: implications for interbasin water transfers[J]. Engineering, 2023, 30: 161-169. |
| [26] |
周志强, 曾源, 张磊, 等. 南水北调中线水源区植被覆盖度遥感监测分析[J]. 国土资源遥感, 2012(1): 70-76. Zhou Z Q, Zeng Y, Zhang L, et al. Remote sensing monitoring and analysis of fractional vegetation cover in the water source area of the middle route of projects to divert water from the south to the north[J]. Remote Sensing for Land & Resources, 2012(1): 70-76. |
| [27] |
高文文, 曾源, 刘宇, 等. 南水北调中线水源区2000—2015年森林动态变化遥感监测[J]. 林业科学, 2019, 55(4): 97-107. Gao W W, Zeng Y, Liu Y, et al. Forest dynamic monitoring by remote sensing from 2000 to 2015 in the water source area of the south-to-north water diversion project[J]. Scientia Silvae Sinicae, 2019, 55(4): 97-107. |
| [28] |
李鹏傲, 姜永涛, 戚鹏程, 等. 南水北调中线工程水源区植被时空演化特征[J]. 长江科学院院报, 2022, 39(9): 49-55. Li P A, Jiang Y T, Qi P C, et al. Spatio-temporal evolution characteristics of vegetation in water source area of the middle route project of South-To-North Water Diversion[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(9): 49-55. |
| [29] |
郑景云, 尹云鹤, 李炳元. 中国气候区划新方案[J]. 地理学报, 2010, 65(1): 3-12. Zheng J Y, Yin Y H, Li B Y. A new scheme for climate regionalization in China[J]. Acta Geographica Sinica, 2010, 65(1): 3-12. |
| [30] | 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. |
| [31] | Phan T N, Kappas M. Application of MODIS land surface temperature data: A systematic literature review and analysis[J]. Journal of Applied Remote Sensing, 2018, 12(4). DOI:10.1117/1.JRS.12.041501 |
| [32] | Friedl M A, Sulla-Menashe D, Tan B, et al. MODIS Collection 5 global land cover: algorithm refinements and characterization of new datasets[J]. Remote Sensing of Environment, 2010, 114(1): 168-182. |
| [33] | Funk C, Peterson P, Landsfeld M, et al. The climate hazards infrared precipitation with stations—A new environmental record for monitoring extremes[J]. Scientific Data, 2015, 2. DOI:10.1038/sdata.2015.66 |
| [34] | Muñoz-Sabater J, Dutra E, Agustí-Panareda A, et al. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data, 2021, 13(9): 4349-4383. |
| [35] | Yamazaki D, Ikeshima D, Tawatari R, et al. A high-accuracy map of global terrain elevations[J]. Geophysical Research Letters, 2017, 44(11): 5844-5853. |
| [36] | Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418-422. |
| [37] | Mu H W, Li X C, Wen Y N, et al. A global record of annual terrestrial human footprint dataset from 2000 to 2018[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01284-8 |
| [38] | Gao L, Wang X F, Johnson B A, et al. Remote sensing algorithms for estimation of fractional vegetation cover using pure vegetation index values: a review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 159: 364-377. |
| [39] |
崔浩楠, 罗海江, 张学珍. 1982—2019年长江经济带植被覆盖变化的时空特征[J]. 生态学杂志, 2021, 40(8): 2517-2529. Cui H N, Luo H J, Zhang X Z. Temporal and spatial characteristics of green vegetation cover changes in the Yangtze River Economic Belt from 1982 to 2019[J]. Chinese Journal of Ecology, 2021, 40(8): 2517-2529. |
| [40] | Gocic M, Trajkovic S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Global and Planetary Change, 2013, 100: 172-182. |
| [41] | Mallick J, Talukdar S, Alsubih M, et al. Analysing the trend of rainfall in Asir region of Saudi Arabia using the family of Mann-Kendall tests, innovative trend analysis, and detrended fluctuation analysis[J]. Theoretical and Applied Climatology, 2021, 143(1): 823-841. |
| [42] | 徐建华. 现代地理学中的数学方法[M]. (第二版). 北京: 高等教育出版社, 2002. |
| [43] |
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. |
| [44] | Wang X X, Zhang X X, Li W P, et al. Quantitative analysis of climate variability and human activities on vegetation variations in the Qilian Mountain National Nature Reserve from 1986 to 2021[J]. Forests, 2023, 14(10). DOI:10.3390/f14102042 |
| [45] |
李君轶, 傅伯杰, 孙九林, 等. 新时期秦岭生态文明建设: 存在问题与发展路径[J]. 自然资源学报, 2021, 36(10): 2449-2463. Li J Y, Fu B J, Sun J L, et al. Ecological civilization construction at Qinling Mountains in the New Era[J]. Journal of Natural Resources, 2021, 36(10): 2449-2463. |
| [46] |
傅伯杰. 国土空间生态修复亟待把握的几个要点[J]. 中国科学院院刊, 2021, 36(1): 64-69. Fu B J. Several key points in territorial ecological restoration[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(1): 64-69. |
| [47] |
顾汪明, 周金星, 武建宏, 等. 南水北调中线渠首淅川县石漠化治理现状与人工造林技术[J]. 林业资源管理, 2018(3): 44-48. Gu W M, Zhou J X, Wu J H, et al. Artificial afforestation technology for rocky desertification control in Xichuan county of South to North Water Diversion Project[J]. Forest Resources Management, 2018(3): 44-48. |
| [48] | Cai Y F, Zhang F, Duan P, et al. Vegetation cover changes in China induced by ecological restoration-protection projects and land-use changes from 2000 to 2020[J]. CATENA, 2022, 217. DOI:10.1016/j.catena.2022.106530 |
| [49] |
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. |
| [50] |
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. |