2025, Vol. 46
2. 内蒙古大兴安岭森林生态系统国家野外科学观测研究站, 根河 022350
2. Forest Ecosystem National Observation and Research Station of Greater Khingan Mountains in Inner Mongolia, Genhe 022350, China
近年来, 随着全球气候变化和人类活动的不断加剧, 陆地生态系统正面临前所未有的挑战[1]. 作为陆地生态系统的重要组成部分, 陆地植被在调节碳循环、水循环以及维持地表能量平衡方面发挥着至关重要的作用[2, 3], 被视为气候和自然环境变化的指示器[4], 因此, 开展植被生长时空变化规律和驱动因素的研究, 对于应对未来气候变化和人类活动不断加剧所导致的陆地生态系统和社会经济威胁至关重要.
随着对地观测系统技术的不断发展和统计模型的逐渐丰富, 研究植被生长的时空变化及其驱动因素的方法日益多样化. 当前, 归一化植被指数（noramlized difference vegetation index, NDVI）和增强植被指数（EVI）等指标被广泛视作为评估某个区域植被生长状况和植被空间分布密度的良好指标[5, 6]. 目前, 国内外研究学者已将归一化植被指数（NDVI）和增强植被指数（EVI）等指标与相关统计模型结合, 围绕植被的时空变化展开研究, 取得了一定成果[7~9]. 然而, NDVI和EVI指数自身存在的一定缺陷, 导致观测结果有所偏差. 例如, NDVI在监测植被茂密地区或生物量较高的地区时容易发生饱和现象[10, 11], 而EVI和NDVI相比, 虽然加入了蓝光波段, 在监测植被茂密地区时相对稳定, 但仍会发生饱和现象, 对监测结果造成影响. 为减缓NDVI和EVI等植被指数的饱和性问题, Camps-Valls等[12]基于机器学习中的核方法理论提出了一种非线性化的植被指数即核归一化差异植被指数（kernel normalized difference vegetation intex, KNDVI）. 相关研究表明[13], 在各种环境中, 与传统的植被指数如NDVI和近红外反射率（NIRv）相比, KNDVI能更充分利用光谱信息, 具有更强的稳定性和鲁棒性, 能够更好地处理饱和效应, 解决混合像素问题.
另一方面, 当前关于植被覆盖变化的驱动研究多侧重于从时间序列的角度定量分析植被覆盖变化与气候因素之间的关系, 忽略了人类活动对植被覆盖的影响, 且在研究方法上多采用线性统计学方法, 如李星媚等[14]采用MODIS EVI数据集结合偏最小二乘回归法对长三角地区植被覆盖空间分异进行研究, 研究结果表明：在研究时期内, 人类活动对植被覆盖变化的影响较气象要素更为显著；陈澍祺等[15]采用MODIS NDVI数据集结合相关性分析对京津冀植被的时空变化及驱动力进行了深入的研究, 结果表明：在研究时期内, 京津冀地区的植被在人类和自然的交互作用下呈现逐渐改善的趋势, 因此, 未来应当更加注重人类活动对植被覆盖的影响；马楠等[16]基于MODIS NDVI数据集结合偏相关分析对2000~2021年新疆植被时空变化及驱动力进行研究, 结果表明在研究时期内新疆植被总体呈现改善趋势, 在不同区域内, 同种驱动因子对植被覆盖变化的影响不同, 这一发现对于了解新疆地区植被生态系统的演变具有重要意义. 然而, 由于陆地植被对驱动因子的响应机制较为复杂, 线性统计学方法在处理多重共线性问题时, 可能导致结果解释上的偏差, 难以准确揭示植被变化与驱动因子之间的深层次关系[17]. 因此, 为更全面地理解和预测植被时空变化动态, 探索更适合分析植被变化驱动因子的方法显得十分必要. 在这一背景下, 王劲峰等[18]基于地理学中的空间变异性和空间自相关性理论提出地理探测器模型, 为研究植被变化驱动因子提供了更具优势的选择. 该模型不受线性假设的限制, 适用于多种数据类型和不同的研究场景, 能够识别和量化自变量在不同空间区域内的变异性, 揭示空间非均匀性, 更真实地反映变量间的空间关系.
大兴安岭作为中国唯一的寒温带针叶林区, 不仅是国家重要的森林生态功能区, 在区域乃至全球尺度上均具有显著的生态价值和意义[19]. 其独特的地理位置和气候条件形成了寒温带针叶林这一特殊生态系统, 为研究地球生物圈多样性、生态系统演变和气候变化提供了宝贵的自然实验室. 因此, 掌握该地区植被覆盖时空演变特征及各驱动因子在植被覆盖变化过程中的作用机制, 有助于深入理解我国寒温带针叶林植被变化的内在机制, 以期为我国生态安全、可持续发展以及应对全球气候变化提供建设性的建议.
本研究利用MOD09GA数据集提取KNDVI植被指数, 运用Theil-Sen斜率分析、Mann-Kendall检验和Hurst指数等方法全面分析了大兴安岭地区植被的时空动态变化, 并探讨了未来的发展趋势. 此外, 通过采用最优参数的地理探测器, 确定了一系列环境因子对大兴安岭植被覆盖变化的驱动力, 并揭示了各因子之间的交互作用.
1 材料与方法 1.1 研究区概况大兴安岭生态功能区（44°~54°N, 118°~127°E, 图 1）北邻俄罗斯, 西部与内蒙古自治区接壤, 东临黑龙江省, 面积约为29.15×104 km2, 地势总体呈现东高西低的特征. 地处寒温带大陆性季风气候区, 冬季寒冷干燥, 夏季温凉湿润, 年平均气温为-3.5℃, 年平均降水量为400~500 mm, 平均海拔高度为1 200~1 300 m. 主要乔木植被类型包括：樟子松（Pinus sylvestris）、兴安落叶松（Larix gmelinii）、白桦（Betula platyphylla）、红松（Pinus koraiensis）和云杉（Picea asperata）等, 是中国最大的森林分布区, 具有重要的生态价值和地位[19].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
（1）MODIS-KNDVI数据 在Google Earth Engine（GEE）中上传研究区域shp格式文件后, 选定空间分辨率为500 m的MOD09GA数据集, 计算KNDVI值.
（2）气象数据 本文使用CRU气象数据, 该气象数据采用英国东英格利亚大学气候研究所网格化时间序列数据, 该数据集时间跨度由1901年开始至今, 空间分辨率为0.5°×0.5°, 时间分辨率为逐月, 在CRU气象数据库中下载2001~2020年, 共240期的tmp（温度数据）和pre（降水数据）, 使用ArcGIS将下载好的数据转换成栅格图层后对其进行重投影（投影坐标系根据研究位置计算选择WGS 1984 Alberts）, 重投影后进行像元统计、栅格转点、反距离插值和裁剪等图像处理工作, 最后使用最邻近法将栅格图像重采样, 确保影像数据与KNDVI数据像元大小一致.
数据具体来源见表 1.
|
表 1 数据信息 Table 1 Data information |
1.3 研究方法 1.3.1 KNDVI计算
本研究采用MOD09GA数据集进行KNDVI的计算, 该数据集源自美国地球观测系统（MODIS）的卫星传感器, 搭载在Terra和Aqua卫星上[20]. MOD09GA数据通常用于监测地表反射率, 尤其是在植被变化和生态系统研究方面, 为遥感研究和环境监测提供了重要的数据资源. KNDVI的计算公式[12]如下：
|
(1) |
式中, NIR表示近红外波段, Red表示红外波段, σ表示长度尺度参数, 该参数控制在密集或稀疏植被像素/区域之间的敏感性. 在本研究中, 引入了一种独立估计每个σ像素值的方法, 即通过估算每个像素点的近红外和红光反射率之间的中位数距离, 使KNDVI对不同像素的响应更加个性化, 以更好地适应每个像素的特定特征.
1.3.2 KNDVI空间变化特征分析标准差椭圆法是一种常用的空间统计方法, 用于识别空间点数据的方向和分布情况, 相较于其他的空间统计方法, 标准差椭圆法因其能够直观地揭示研究区域要素空间演变的趋向性和延展性特征而受到广泛应用[21]. 本研究采用标准差椭圆法对研究区内的KNDVI空间展布、形状、密集度和演变趋势进行了定量分析, 以此对研究区植被覆盖空间演变方向进行判断. 标准差椭圆法的公式[22]如下：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, Xw和Yw表示平均中心, xi和yi表示研究对象i（i=1, 2, 3, …, n）的坐标；wi表示权重；xi和yi分别表示研究区内KNDVI到平均中心的坐标偏差；θ表示椭圆的方位角；σx和σy表示沿X和Y轴的标准差.
为深入研究大兴安岭植被覆盖在空间上的集聚和迁移特征, 本研究采用重心迁移模型[21]进行KNDVI时空演化的定量表达, 以揭示大兴安岭植被覆盖的演变轨迹. 计算公式如下：
|
(6) |
式中, X和Y分别表示某年KNDVI重心经度和纬度坐标；Wi表示第i个像元的KNDVI值, Xi和Yi分别表示第i个像元中心经、纬度.
1.3.3 KNDVI时空变化及未来趋势分析为了研究大兴安岭生态功能区植被覆盖的变化趋势, 本研究采用Theil-Sen Median（Sen）对研究区KNDVI变化进行了趋势分析, 以全面反映研究区植被覆盖的时空格局变化[23]. 计算公式如下：
|
(7) |
式中, Median（）表示取中值, 若β大于零, 则表明KDNVI为增长趋势, 反之则呈现为下降趋势.
同时, 本研究采用Mann-Kendall非参数检验方法对植被指数变化趋势的显著性进行检验, 该方法能够排除部分异常值的干扰. 其计算公式如下：
|
(8) |
|
(9) |
式中, S表示检验统计量；sgn（）表示符号函数.
此外, 本研究在给定显著性水平下（本文设定显著性水平为0.05）采用双边趋势检验, 具体计算公式见式（10）, 趋势显著性的判断方法见表 2.
|
(10) |
|
(11) |
|
|
表 2 趋势检验显著性判断 Table 2 Significance judgment of trend test |
式中, Z表示检验统计量；n表示数据时间序列中数个数.
为了解大兴安岭植被覆盖未来发展趋势及其持续性, 本研究采用了基于重标极差法（R/S）的Hurst指数模型进行定量分析. 近年来, Hurst指数模型在描述时间序列数据的长期相关性方面得到了广泛的应用[24, 25]. 本研究参考相关成果[16], 将Hurst指数（H）划分为3个区间：若0≤H < 0.5, 说明植被覆盖未来变化趋势和过去相反；H=0.5, 表示植被覆盖未来变化趋势具有随机性；0.5 < H≤1表示植被覆盖未来变化趋势与过去一致, 具有持续性. 通过Hurst分析, 能够对大兴安岭生态功能区植被覆盖的长期变化趋势进行更为精确的预测和评估.
1.3.4 驱动因子分析本研究采用地理探测器监测植被覆盖的空间分异性及驱动因子对其的解释力. 传统的地理探测器在对连续性数据进行离散化分级处理时, 需要人工主观进行设定, 存在人为主观因素的影响, 导致监测结果不够准确[26], 相较之下, 参数最优地理探测器通过采用相等间隔法、自然断点法、分位数分类法、几何间隔法以及标准差间距法对驱动因子进行离散处理, 以计算得出最大的q值, 从而得到最优的参数组合. 地理探测器主要包括分异及因子探测法、交互作用探测法、风险探测法和生态探测法, 本研究主要采用分异及因子探测法、交互作用探测法和风险探测法对KNDVI监测展开研究[27]. 计算公式如下：
（1）分异及因子探测模型
|
(12) |
式中, q值取值范围为[0, 1]；L表示变量Y或因子X的分层；Nh和N分别表示层h的单元数和全区的单元数；σh2和σ2分别表示层h和全区Y值的方差.
（2）交互作用探测模型 交互作用探测用于评估不同因子共同作用下的驱动力q与各因子单独作用下的驱动力q的大小, 从而判断双因子交互作用是否能够增加或减弱对因变量Y空间分异性的解释能力. 具体分类见王劲峰等[18]的研究.
（3）风险探测模型 用于确定KNDVI驱动因子的适宜范围和类型, 并使用t统计量判断不同子域属性均值是否存在显著差异. 计算公式如下：
|
(13) |
式中, Yh表示子区域h内的属性均值, nh表示子区域h内样本数量, Var表示方差.
（4）生态探测模型 用于比较两因子对KNDVI空间分异性的影响是否有显著的差异, 以统计量F进行衡量：
|
(14) |
|
(15) |
式中, Nx1和Nx2分别表示各因子的样本量；SSWx1和SSWx2分别表示各因子形成的分层的层内之和；L1和L2分别表示各因子的分层数目. 其中零假设H0：SSWx1=SSWx2. 如果在α的显著性水平上拒绝H0, 即表示两因子对KNDVI的空间分异性存在显著差异.
1.3.5 连续型驱动因子离散化本研究采用最优参数地理探测器中的相等间隔法、自然断点法、分位数分类法、几何间隔法和标准差间距法对驱动因子进行离散处理, 参考相关研究成果[28], 将间断数量设置为3~10类, 以探究q值最高的参数组合. 以图 2中坡向数据的离散化为例：当选择相等间隔法作为分类法, 并将分类间隔设置为10时, q值最大, 故选用相等间隔分类法将坡向数据分为10类, 其他连续型因子离散化处理遵循相同的原理和流程. 这一处理方法旨在通过选择最优的离散化方法和参数组合, 提高地理探测器的性能, 以更准确地探究驱动因子对研究区域的影响.
|
图 2 连续型因子离散化 Fig. 2 Discretization of continuous factors |
从年际变化来看[图 3（a）], 2001~2020年大兴安岭生态功能区植被KNDVI均值为0.20, 呈现出以0.003 a-1（P < 0.05）的速率波动上升, KNDVI均值在2009年达到最低, 为0.14, 在2015年、2016年和2017年KNDVI均值达到最高, 均为0.23, 整体来看研究时期内大兴安岭生态功能区植被覆盖在波动中增长.
|
图 3 大兴安岭植被覆盖时间变化特征 Fig. 3 Temporal variation characteristics of vegetation cover in the Greater Khing Mountains |
从突变特征来看[图 3（b）], 通过Mann-Kendall突变检验发现顺序统计量UF曲线和逆序统计量UB曲线在约2014年处存在一个交点, 且交点位于95%置信区间内, 表明大兴安岭生态功能区植被KNDVI于2014年前后发生突变, 即大兴安岭生态功能区植被KNDVI在2014年之后开始迅速增加.
2.1.2 植被覆盖空间变化特征研究区内KNDVI值范围为0.005~0.436[图 4（a）], 整体植被生长状况良好. 从空间分布的角度来看, KNDVI值呈现出由北向南逐渐递减的趋势, 结合大兴安岭生态功能区土地利用空间分布图观察, 能够发现KNDVI高值主要分布于林地等土地利用类型区, 该区域的森林类型多以针阔混交林为主, 具有较高的植被覆盖, 故KNDVI值较高. KNDVI极低值主要出现在不透水面土地利用类型区. 这一分布特征反映了大兴安岭生态功能区存在明显的植被覆盖空间差异.
|
图 4 2001~2020年大兴安岭生态功能区植被覆盖趋势变化及显著性检验结果 Fig. 4 Changes in vegetation cover trends and significance test results in the ecological function zone of the Greater Khingan Mountains from 2001 to 2020 |
由Theil-Sen的趋势分析可知[图 4（b）], 2001~2020年期间内, 研究区域内的植被覆盖主要呈现增长趋势, 平均增长速率为0.03（10 a）-1, 在空间分布上主要呈现为增长趋势. 研究区83.79%区域的植被覆盖呈现增长趋势, 16.21%的区域呈现减少趋势. Mann-Kendall检验结果显示[图 4（c）], 植被覆盖呈现显著减少（包括极显著、显著和微显著, 下同）趋势的区域占研究区的2.33%, 植被覆盖呈现显著增长趋势的区域占研究区的43.82%. 综上所述, 研究区植被覆盖在2001~2020年内以正向演变为主. 这一结果进一步印证了大兴安岭生态功能区地区植被覆盖的整体增加趋势, 尤其是在北部区.
2.1.3 植被覆盖空间分布趋势由标准差椭圆分析结果可见（图 5）, 在2001~2020年期间, 大兴安岭生态功能区的植被覆盖呈现出以东北-西南为主的空间分布格局, 并向东北方向迁移. 在椭圆范围的变化上, 呈现先逐步扩大后逐渐缩小, 转角θ的数值（表 3）从2001年的9.8°变为2020年的9.4°, 各时间节点转角变化整体并不明显, 表明这20 a间大兴安岭生态功能区植被覆盖的空间分布格局始终保持东北-西南的方向性. 在主轴方向上, 椭圆的长度从2001年的150.93 km减少到2020年的148.71 km, 这表明大兴安岭生态功能区的植被覆盖在东北-西南方向上的变化相对较小；在辅轴方向上, 椭圆长度由2001年的368.30 km减少到2020年的358.56 km, 这表明2001~2020年椭圆范围整体上呈现出辅轴东北-西南减少的趋势（表 3）. 总体而言, 2001~2020年期间, 大兴安岭生态功能区的植被覆盖空间分布较为稳定, 变化并不明显. 研究区重心迁移路径显示, 研究区2001年、2005年、2009年、2013年、2017年和2020年植被覆盖重心在一定范围内交替出现, 整体往东北方向迁移, 与前述标准差椭圆分析结果一致.
|
图 5 大兴安岭生态功能区多年植被覆盖标准差椭圆和重心迁移 Fig. 5 Multi-year KNDVI standard deviation ellipse and center of gravity migration in the Greater Khingan Mountains |
|
|
表 3 大兴安岭生态功能区植被覆盖空间分布格局的标准差椭圆参数 Table 3 Standard deviation ellipse parameters of the spatial distribution pattern of vegetation cover in the ecological functional areas of the Greater Khingan Mountains |
2.2 大兴安岭生态功能区植被覆盖未来演变规律预测
为了探究研究区未来植被覆盖变化趋势的可持续性, 使用Hurst指数法对植被覆盖进行计算分析, 得到研究区植被覆盖Hurst指数空间分布（图 6）. 同时, 为了更明确研究区植被覆盖未来变化趋势, 将植被覆盖变化趋势显著性的空间分布图与植被覆盖Hurst指数的空间分布图进行耦合叠加, 得到了研究区植被覆盖未来变化趋势类型的空间分布（图 6）. 这一综合分析将有助于更全面地理解未来大兴安岭生态功能区植被指数变化的可持续性, 通过对Hurst指数的计算, 能够获取植被覆盖变化的长期趋势信息. 将这些信息与变化趋势显著性的空间分布相结合, 能够更深入地揭示未来植被覆盖变化趋势, 有助于制定未来植被管理和保护的决策.
|
图 6 植被覆盖Hurst指数与未来变化趋势类型空间分布 Fig. 6 Spatial distribution of vegetation cover Hurst index classification and future change trend types |
结合图 6分析可知, 在2001~2020全时段内, 研究区内的H指数介于0.11~0.97之间, 其中0≤H < 0.5的像元个数约占整个研究区总像元个数的74.10%, 这意味着在该研究区内未来植被覆盖的主要变化趋势将呈现与过去相反的方向. 对植被覆盖未来变化趋势进行细分, 植被覆盖未来变化趋势共分为17种类型. 其中, 呈现显著性持续减少趋势的像元个数占比较小, 约占总像元的0.71%；呈现显著非持续性减少趋势的像元占总像元个数的1.63%；呈现显著持续性增加的像元占总像元个数的12.74%；呈现显著非持续性增加的像元占总像元个数31.29%, 这些结果表明研究区未来植被覆盖变化趋势复杂多样. 不同区域的植被覆盖变化趋势存在差异, 需要结合实地调查和更深入的数据分析, 以进一步理解和验证. 具体未来植被覆盖变化趋势的像元个数见表 4.
|
|
表 4 植被覆盖未来变化趋势类型 Table 4 Types of future trends in vegetation cover |
2.3 大兴安岭生态功能区植被覆盖驱动因素分析 2.3.1 单因子探测分析
利用参数最优地理探测器对影响植被覆盖变化的驱动因子进行研究, 从空间角度分析各因子对植被覆盖的影响程度, 并探索各因子之间的交互作用机制.
结合图 7（a）分析可知, 本研究所选取的驱动因子对植被覆盖变化均有不同程度的影响. 在单因子探测计算结果当中, 按q值大小排序, 各驱动因子的解释能力依次排序为：土地利用（0.260） > 国内生产总值（0.197） > 年平均降水（0.155） > 年平均温度（0.153） > 人口密度（0.140） > 坡度（0.129） > 海拔（0.044） > 坡向（0.002）. 土地利用变化是对植被覆盖变化解释力最强的因子（q值为0.260）, 是大兴安岭生态功能区植被覆盖呈现空间分异性的主导因子, 国内生产总值和年均降水均也占据重要地位, 分别能解释19.7%和15.5%的空间分异性, 而坡度和海拔的解释能力则相对较小.
|
图 7 参数最优地理探测器分析结果 Fig. 7 Analysis results of the optimal geographic detector |
单一因子探测分析时, 不能够完全解释植被覆盖的空间分异性, 因此需要考虑多种因子之间的协同作用对植被覆盖空间分异性的解释能力. 双因子交互探测结果表明[图 7（b）], 各驱动因子之间的交互作用类型均表现为非线性增强和双因子增强, 不存在减弱和独立的关系, 即表明任意因子之间的交互作用均能够增强单因子对植被覆盖空间呈分异性的解释能力. 具体分析能够发现, 当土地利用类型和其他驱动因子发生交互作用时对植被覆盖空间分异性的解释能力均大于单因素的解释能力, 这也印证了土地利用是大兴安岭生态功能区植被覆盖呈现空间分异性的主导因子, 与单因子探测结果一致. 土地利用和国内生产总值的交互作用（q值为0.347）是土地利用与其余驱动因子交互类型中解释力最高的一类, 该结果表明在特定土地利用类型内, 若人类干扰达到一定强度时, 那么该区域的植被覆盖变化受到土地利用类型影响更明显. 同时年平均降水和国内生产总值的双因子非线性增强交互作用对KNDVI变化的解释能力最高（q值为0.390）, 该结果表明人类活动因子与自然因子的交互作用对解释植被覆盖呈现空间分异性有重要影响.
各交互作用之间存在显著差异（P < 0.05）. 这一结果表明, 大兴安岭生态功能区植被覆盖的空间分布格局受多种驱动因子共同影响, 而因子之间的交互作用加剧了植被覆盖的空间分异性. 这一发现进一步强调了研究多驱动因子之间相互作用的重要性, 以及它们在塑造区域植被指数分布中的协同效应.
2.3.3 生态探测分析生态探测分析结果表明[图 7（b）], 本研究所选的驱动因子, 在大兴安岭生态功能区植被覆盖的空间分异性方面均表现出显著差异, 即不同驱动因子对植被物候参数的作用机制和影响程度是多样化的. 为了有效地保护和恢复大兴安岭生态功能区的植被资源, 未来的生态管理策略需要充分考虑到每个驱动因子的独特作用.
2.3.4 风险探测分析由风险探测结果分析可知（表 5）, 在自然因素中, 坡向在0.80°~36.70°, 海拔在553~636 m, 坡度在 > 7.60°, 年平均温度在-3.62~-2.78℃, 年平均降水在487~502 mm时, 最适宜植被生长, KNDVI均值可达0.20以上. 在人为因子中, 人口密度在0.57~2.32人·km-2, 国内生产总值在4.52~6.05万元·km-2, 土地利用是林地时, 最适宜植被生长, KNDVI均值可达0.21以上.
|
|
表 5 驱动因子的适宜范围或适宜类型 Table 5 Suitable range or type of driving factors |
本研究还发现, 当海拔在155~636 m内, 植被覆盖随海拔升高而增加, 当海拔 > 636m时, 植被覆盖与海拔呈反比；当年均降水量在372~516 mm内, 植被覆盖与降水量呈正比, 植被覆盖随着降水量的增多而增加, 当年均降水量 > 516 mm时, 植被覆盖随降水量增多而减少；当年均温度在-5.66~-2.78℃内, 植被覆盖随温度升高而增加, 当年均温度 > -2.78℃时, 植被覆盖随温度升高而减少；国内生产总值在0.604~6.05万元·km-2内, 植被覆盖随国内生产升高而增加, 当国内生产总值> 6.05万元·km-2时, 植被覆盖随国内生产总值增加而下降；当人口密度在2.32~612人·km-2内, 植被覆盖随人口密度的增加而下降；当坡向在252°~360°内, 植被覆盖随坡向升高而增加, 当坡向在0.80°~252°时, 植被覆盖随坡向升高而增加；当坡度在0.03°~20.6°内, 植被覆盖随坡度数值增大而增加.
综上, 大兴安岭生态功能区的植被覆盖受到多种环境因子的综合影响, 适宜的坡向、海拔、坡度、温度和降水量有利于植被的生长. 而人为因子如人口密度和国内生产总值也对植被覆盖产生重要影响.
3 讨论 3.1 大兴安岭植被覆盖时空变化特征2001~2020年大兴安岭生态功能区植被覆盖在时间上呈波动增长趋势, 在空间分布上, 植被覆盖高值主要集中分布于研究区的北部和中部, 包括塔河县、根河市、漠河市、呼玛县、牙克石市、扎兰屯市和鄂伦春自治旗等地, 表现出明显的空间分异性. 总之, 大兴安岭生态功能区整体植被覆盖状况有所提升, 这与石淞等[24]、弓致奇[29]和皇彦等[30]研究的结论一致. 植被覆盖呈现增长趋势可能是由于我国政府为了保护大兴安岭森林资源, 促进植被的生长和恢复, 实施了一系列生态保护政策, 如2000年开始实施的天然林保护工程能够有效限制对大兴安岭生态功能区天然林的商业采伐, 有助于森林植被的自然恢复和生态平衡, 进而促使大兴安岭生态功能区的森林区植被覆盖呈现上升趋势. 同时2001年实施的退耕还林工程在使部分耕地转化为林地外, 还进行了植树造林, 导致林地面积增加[31, 32], 进而使大兴安岭生态功能区的森林分布区植被覆盖增加, 且呈现上升趋势.
3.2 大兴安岭植被覆盖空间分异驱动因子分析气候变化和人类活动作用是造成植被覆盖变化的主要原因, 这与本研究结论一致：大兴安岭生态功能区植被覆盖空间分异受人为因子的影响最为显著, 其次是气候因子, 但与弓致奇[29]和滑永春等[33]研究的结论略有不同, 这可能是由于研究时段、研究区域范围不完全一致和所选驱动因素与研究方法的差异所造成的. 在单因子探测结果中, 土地利用是对植被覆盖空间分异解释力最高的人为驱动因子, 这可能是因为土地利用类型在空间分布上同样存在空间分异性, 由北到南的土地利用类型分别是林地、草地、耕地, 少部分其余土地利用类型穿插其中. 国内生产总值和人口密度也是对植被覆盖空间变化解释能力较高的人为驱动因子, 结合植被覆盖空间分布图、国内生产总值和人口密度空间分布图进行对比分析, 结果显示, 植被覆盖较高的区域与国内生产总值和人口密度的相对较低值区域相对应. 这一现象表明, 大兴安岭生态功能区植被覆盖呈现空间分异性是受人类活动强度的强弱影响. 植被覆盖较高的区域, 人类活动强度相对较小. 这可能是因为国内生产总值和人口密度的高值通常与较强的人类活动相关, 例如城市化、工业化和农业扩张等；这一发现与相关学者的研究结果一致[34].
相关研究表明, 单一因子无法完全解释植被指数的空间分异性, 而是需要考虑多因子之间的复杂交互作用, 这些交互作用对植被的变化产生影响[35]. 这与本研究的交互作用探测分析结果一致, 即大兴安岭植被覆盖空间分异受气候因子、人为因子和地理因子共同影响, 各因子之间的交互作用加剧了植被覆盖的空间分异性. 交互作用探测结果显示国内生产总值和年平均降水量的交互作用对植被覆盖空间呈现分异性解释能力最高, 这可能是因为国内生产总值升高意味着人类活动增强, 人类活动增强加剧当前气候变化, 对研究区降水模式产生影响, 这种交互作用间接对植被覆盖产生影响. 与此同时, 交互作用探测结果显示年平均温度和降水之间的双因子非线性增强交互作用, 对植被覆盖空间分异性解释力极强（q值为0.373）. 结合植被覆盖空间分布和年平均温度以及降水驱动因子空间分布分析（图 8）, 发现这可能是因为在研究区内, 植被覆盖值较低的区域存在年均降水较低和年均温度较高的分布规律, 这种情况可能导致植被生长环境相对干旱, 从而对植被的生长产生负面影响, 即不宜的水热组合条件将遏制植被的生长. 因此大兴安岭生态功能区植被覆盖空间分异性可能是由水热组合作用的协同作用引起的. 在不同学者的研究结论中也证实了这一点[36]. 此外, 除人为因子和气象因子外, 地理因子也能够对植被覆盖的空间分异性有所解释, 本研究中的单因子探测结果中, 坡向和海拔等驱动因子q值较低, 但其与气候因子和人为因子的交互作用均能够增强对空间分异性的解释力. 这可能是因为地理因素发挥调节作用, 通过影响其他驱动因子, 进而对植被覆盖造成影响, 如有研究表明坡向能够影响阳光的照射角度和日照时间, 进而影响植物的光合作用效率和水分利用情况[37]. 坡度影响水土保持能力和水分的再分配[38], 较陡的坡面可能发生水土流失, 不利于植被的保持和生长, 而平坦的地带则有利于水分的蓄积和植被的生长. 总体而言, 在研究植被覆盖变化时, 既需要分析单因子对植被覆盖的直接影响, 也需要考虑多种驱动因子之间的复杂交互作用对植被覆盖的影响.
|
图 8 驱动因子空间分布 Fig. 8 Spatial distribution of driving factors |
本研究对大兴安岭生态功能区植被覆盖的变化趋势进行了详尽分析, 预测了植被动态的可持续性, 同时深入探讨了气候变化和人类活动对大兴安岭生态功能区植被覆盖的空间分布的影响. 研究结果为有效监测植被变化提供了有益信息, 并为大兴安岭生态功能区植被保护和恢复提供了理论基础. 但是, 本研究也存在一些局限.
首先, 本研究在识别未来植被覆盖变化趋势类型时, 采用了叠加植被覆盖趋势显著性和Hurst指数的方法. 然而, Hurst指数可能无法全面反映植被动态的可持续时长. 因此, 未来的研究应该着重探讨如何更准确地确定可持续时间长度, 以提高对未来植被变化的预测能力. 其次, 本研究基于最优参数地理探测器对植被覆盖空间分异性的驱动因素展开了研究. 然而, 地理探测器在分析时无法考虑两个以上驱动因子的交互作用. 为了更全面地理解植被覆盖空间分布的驱动因素, 未来的研究可以考虑引入其他空间分析方法, 如机器学习等, 以深入挖掘多因子之间的复杂关系. 最后, 虽然本研究通过遥感数据对大兴安岭生态功能区植被覆盖空间分布进行了研究, 但缺乏实地调查数据的验证. 这可能会对研究结果的准确性和可靠性产生一定影响. 未来的研究可以尝试结合实地调查和遥感数据, 以提高研究的可信度.
4 结论（1）大兴安岭生态功能区植被覆盖在空间分布特征上呈现出由北向南逐渐递减的趋势；在时间变化上, 2001~2020年全时段内大兴安岭生态功能区植被覆盖呈现增长趋势.
（2）在2001~2020年内, 大兴安岭生态功能区植被覆盖的空间分布格局始终保持东北-西南的方向性, 并显示出向东北方向迁移的趋势.
（3）在本研究所选的驱动因子中, 人为因子是影响大兴安岭生态功能区区域内植被覆盖变化的主要驱动因子；大兴安岭生态功能区植被覆盖变化主要是因为受到多因子之间的复杂交互作用.
| [1] |
张茹, 楼晨笛, 张泽天, 等. 碳中和背景下的水资源利用与保护[J]. 工程科学与技术, 2022, 54(1): 69-82. Zhang R, Lou C D, Zhang Z T, et al. Utilization and protection of water resources under the background of carbon neutralization[J]. Advanced Engineering Sciences, 2022, 54(1): 69-82. |
| [2] | Gottfried M, Pauli H, Futschik A, et al. Continent-wide response of mountain vegetation to climate change[J]. Nature Climate Change, 2012, 2(2): 111-115. DOI:10.1038/nclimate1329 |
| [3] | Chen G Z, Huang Y, Chen J, et al. Spatiotemporal variation of vegetation net primary productivity and its responses to climate change in the Huainan coal mining area[J]. Journal of the Indian Society of Remote Sensing, 2019, 47(11): 1905-1916. DOI:10.1007/s12524-019-01039-w |
| [4] | Wang Q, Zhang Q P, Zhou W. Grassland coverage changes and analysis of the driving forces in Maqu County[J]. Physics Procedia, 2012, 33: 1292-1297. DOI:10.1016/j.phpro.2012.05.213 |
| [5] | Zhao L, Dai A G, Dong B. Changes in global vegetation activity and its driving factors during 1982-2013[J]. Agricultural and Forest Meteorology, 2018, 249: 198-209. DOI:10.1016/j.agrformet.2017.11.013 |
| [6] | 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 |
| [7] |
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. |
| [8] |
戴强玉, 徐勇, 赵纯, 等. 四川盆地植被EVI动态变化及其驱动机制[J]. 中国环境科学, 2023, 43(8): 4292-4304. Dai Q Y, Xu Y, Zhao C, et al. Dynamic variation of vegetation EVI and its driving mechanism in the Sichuan basin[J]. China Environmental Science, 2023, 43(8): 4292-4304. |
| [9] |
冯娴慧, 曾芝琳, 景美兮, 等. 基于NDVI和EVI不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析[J]. 华中农业大学学报, 2023, 42(4): 116-124. Feng X H, Zeng Z L, Jing M X, et al. Influence of driving factors under different vegetation indices of NDVI and EVI in Guangdong-Hong Kong-Macao Greater bay area[J]. Journal of Huazhong Agricultural University, 2023, 42(4): 116-124. |
| [10] | Sellers P J. Canopy reflectance, photosynthesis and transpiration[J]. International Journal of Remote Sensing, 1985, 6(8): 1335-1372. DOI:10.1080/01431168508948283 |
| [11] | Gao X, Huete A R, Ni W G, et al. Optical–biophysical relationships of vegetation spectra without background contamination[J]. Remote Sensing of Environment, 2000, 74(2): 609-620. |
| [12] | Camps-Valls G, Campos-Taberner M, Moreno-Martínez Á, et al. A unified vegetation index for quantifying the terrestrial biosphere[J]. Science Advances, 2021, 7(9). DOI:10.1126/sciadv.abc7447 |
| [13] | Wang Q, Moreno-Martínez Á, Muñoz-Marí J, et al. Estimation of vegetation traits with kernel NDVI[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 195: 408-417. DOI:10.1016/j.isprsjprs.2022.12.019 |
| [14] |
李星媚, 严军. 基于GEE和PLSR的2001-2020年长三角地区植被覆盖时空变化及驱动力分析[J]. 西北林学院学报, 2023, 38(6): 219-227. Li X M, Yan J. Spatiotemporal variation and driving force analysis of vegetation cover in the Yangtze River Delta based on GEE and PLSR during 2001-2020[J]. Journal of Northwest Forestry University, 2023, 38(6): 219-227. DOI:10.3969/j.issn.1001-7461.2023.06.29 |
| [15] |
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, 44(7): 3931-3944. 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, 44(7): 3931-3944. |
| [16] |
马楠, 白涛, 蔡朝朝. 2000-2021年新疆植被覆盖度变化及驱动力[J]. 水土保持研究, 2024, 31(1): 385-394. Ma N, Bai T, Cai Z Z. Vegetation cover change and its response to climate and surface factors in Xinjiang based on different vegetation types[J]. Research of Soil and Water Conservation, 2024, 31(1): 385-394. |
| [17] | Hein L, De Ridder N, Hiernaux P, et al. Desertification in the Sahel: towards better accounting for ecosystem dynamics in the interpretation of remote sensing images[J]. Journal of Arid Environments, 2011, 75(11): 1164-1172. DOI:10.1016/j.jaridenv.2011.05.002 |
| [18] |
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. |
| [19] |
刘华超, 任春颖, 王宗明, 等. 大兴安岭生态功能区生态系统服务功能动态及权衡协同关系研究[J]. 生态与农村环境学报, 2022, 38(5): 587-598. Liu H C, Ren C Y, Wang Z M, et al. Dynamics of ecosystem service functions and their trade off and synergetic relationships in Great Xing'an Mountains ecological function zone[J]. Journal of Ecology and Rural Environment, 2022, 38(5): 587-598. |
| [20] |
崔霞, 梁天刚, 刘勇. 基于MOD09GA产品的草地生物量遥感估算模型[J]. 兰州大学学报(自然科学版), 2009, 45(5): 79-87. Cui X, Liang T G, Liu Y. Modeling of aboveground biomass of grassland using remotely sensed MOD09GA data[J]. Journal of Lanzhou University (Natural Sciences), 2009, 45(5): 79-87. |
| [21] |
胡建梅, 于嘉林, 张超. 基于标准差椭圆的中国对非洲援助空间分配问题研究[J]. 世界地理研究, 2024, 33(3): 79-88. Hu J M, Yu J L, Zhang C. Spatial distribution of China's aid to Africa: a study based on standard deviational ellipse[J]. World Regional Studies, 2024, 33(3): 79-88. |
| [22] |
郭发苗, 彭道黎, 王荫, 等. 基于多尺度2001—2020年河北省植被覆盖度的时空变化及归因分析[J/OL]. 甘肃农业大学学报, 1-18. http://kns.cnki.net/kcms/detail/62.1055.S.20231205.1644.090.html. Guo F M, Guo D L, Wang Y, et al. Analysis of spatiotemporal changes and attribution of vegetation coverage in Hebei Province from 2001 to 2020 based on multi-scale analysis[J/OL]. Journal of Gansu Agricultural University, 1-18. http://kns.cnki.net/kcms/detail/62.1055.S.20231205.1644.090.html. |
| [23] |
刘粲. 黄土高原植被恢复对土壤水分的影响研究[D]. 石家庄: 河北地质大学, 2022. Liu C. Study on the effect of vegetation restoration on soil moisture on the Loess Platea[D]. Shijiazhuang: Hebei GEO University, 2022. |
| [24] |
石淞, 李文, 林晓鹏, 等. 黑龙江省植被NDVI时空变化及影响因素[J]. 水土保持研究, 2023, 30(5): 294-305. Shi S, Li W, Lin X P, et al. Spatiotemporal variations of vegetation NDVI and influencing factors in Heilongjiang Province[J]. Research of Soil and Water Conservation, 2023, 30(5): 294-305. |
| [25] |
薛桦, 刘萍. 基于RSEI的黄河中游地区生态环境质量时空演化特征及驱动因素——以延安市为例[J]. 水土保持研究, 2024, 31(1): 373-384. Xue H, Liu P. Spatiotemporal variation of ecological environmental quality and its response to different driving factors in the section of Yellow River Basin in recent 31 years-taking Yan'an city as an example[J]. Research of Soil and Water Conservation, 2024, 31(1): 373-384. |
| [26] | Song Y Z, Wu P. An interactive detector for spatial associations[J]. International Journal of Geographical Information Science, 2021, 35(8): 1676-1701. DOI:10.1080/13658816.2021.1882680 |
| [27] |
李自闯, 董国涛, 姚楠. 1982-2015年黄河中游NDVI时空变化及驱动力分析[J]. 水土保持研究, 2024, 31(2): 202-210. Li Z C, Dong G T, Yao N. Analysis of spatiotemporal variations and driving forces of NDVI in the middle reaches of Yellow River during 1982-2015[J]. Research of Soil and Water Conservation, 2024, 31(2): 202-210. |
| [28] |
汪宙峰, 郑博, 贺相綦, 等. 基于参数最优地理探测器的西藏冰湖时空变化与影响因素研究[J]. 冰川冻土, 2023, 45(6): 1950-1960. Wang Z F, Zheng B, He X Q, et al. Spatial-temporal variations and influencing factors of glacial lakes in Tibet based on optimal parameters-based geographical detector[J]. Journal of Glaciology and Geocryology, 2023, 45(6): 1950-1960. |
| [29] |
弓致奇. 大兴安岭植被覆盖时空变化特征及其驱动机制分析[D]. 呼和浩特: 内蒙古农业大学, 2023. Gong Z Q. Analysis of spatio-temporal variation characteristics and driving mechanism of vegetation coverage in Daxing'an mountains[D]. Hohhot: Inner Mongolia Agricultural University, 2023. |
| [30] |
皇彦, 宋海清, 胡琦, 等. 2000-2020年内蒙古NDVI时空动态及其对水热条件的响应[J]. 水土保持研究, 2024, 31(4): 197-204, 213. Huang Y, Song H Q, Hu Q, et al. Spatial-temporal dynamics of NDVI and its response to hydrothermal conditions in Inner Mongolia from 2000 to 2020[J]. Research of Soil and Water Conservation, 2024, 31(4): 197-204, 213. |
| [31] |
相恒星, 王宗明, 毛德华. 东北地区天然林资源保护工程生态保护成效分析[J]. 中国科学院大学学报, 2021, 38(3): 314-322. Xiang H X, Wang Z M, Mao D H. Ecological effect of natural forest protection project in Northeast China[J]. Journal of University of Chinese Academy of Sciences, 2021, 38(3): 314-322. |
| [32] |
冯源, 肖文发, 朱建华, 等. 造林对区域森林生态系统碳储量和固碳速率的影响[J]. 生态与农村环境学报, 2020, 36(3): 281-290. Feng Y, Xiao W F, Zhu J H, et al. Impacts of afforestation on the carbon stocks and carbon sequestration rates of regional forest ecosystems[J]. Journal of Ecology and Rural Environment, 2020, 36(3): 281-290. |
| [33] |
滑永春, 张恒, 王冰, 等. 1982—2015年内蒙古地区NDVI时空变化及驱动力分析[J]. 西南林业大学学报(自然科学), 2021, 41(6): 175-182. Hua Y C, Zhang H, Wang B, et al. Temporal and spatial variations of NDVI and its driving factors in Inner Mongolia from 1982 to 2015[J]. Journal of Southwest Forestry University (Natural Sciences), 2021, 41(6): 175-182. |
| [34] |
王一, 郝利娜, 赵美龄, 等. 2001-2018年重庆植被NDVI变化及其对气候因子和人类活动的响应[J]. 水土保持研究, 2021, 28(5): 222-229. Wang Y, Hao L N, Zhao M L, et al. Variation of vegetation NDVI and its response to climatic factors and human activities in Chongqing from 2001 to 2018[J]. Research of Soil and Water Conservation, 2021, 28(5): 222-229. |
| [35] |
何宏昌, 马炳鑫, 靖娟利, 等. 近20年西南喀斯特地区植被NPP时空变化及自然因素地理探测[J]. 水土保持研究, 2022, 29(3): 172-178, 188. He H C, Ma B X, Jing J L, et al. Spatiotemporal changes of NPP and natural factors in the southwestern Karst areas from 2000 to 2019[J]. Research of Soil and Water Conservation, 2022, 29(3): 172-178, 188. |
| [36] |
洪辛茜, 孙涛, 陈利顶. 城市化背景下植被物候动态变化及驱动因素[J]. 应用生态学报, 2023, 34(9): 2436-2444. Hong X Q, Sun T, Chen L D. Dynamic changes and driving factors of land surface phenology under the background of urbanization[J]. Chinese Journal of Applied Ecology, 2023, 34(9): 2436-2444. |
| [37] |
段贝贝. 兰州北山不同坡向刺槐叶性状与叶片水分利用效率的关系[D]. 兰州: 西北师范大学, 2017. Duan B B. Correlation between leaf traits and leaf water use efficiency vein of Robinia pseudoacacia in different aspects of Beishan mountain in Lanzhou[D]. Lanzhou: Northwest Normal University, 2017. |
| [38] |
赵合理, 蒋定生, 范兴科. 不同水土保持措施对坡面降水再分配的影响[J]. 水土保持研究, 1996, 3(2): 75-83. Zhao H L, Jiang D S, Fan X K. Effect of different soil and water conservation measures to rainfall redistribution on slope[J]. Research of Soil and Water Conservation, 1996, 3(2): 75-83. |