2025, Vol. 46
2. 长安大学水利与环境学院，西安 710054;
3. 河北农业大学资源环境学院，保定 071001;
4. 中国电建集团西北勘测设计研究院有限公司，西安 710065
2. School of Water and Environment, Chang'an University, Xi'an 710054, China;
3. College of Resources and Environmental Science, Hebei Agricultural University, Baoding 071001, China;
4. Northwest Engineering Corporation Limited, Power China, Xi'an 710065, China
近半个世纪以来，全球气候的持续变暖与人类活动的持续增强对生态系统构成了严峻威胁[1~3]. 植被是陆地生态系统的关键要素，它在维持气候稳定、促进陆地水循环和碳平衡以及改变地表条件方面发挥着至关重要的作用[4，5]，通常作为区域生态环境变化的“指标”[6，7]. 植被状况容易因气候变化和人类活动等因素而产生波动或突变[8]. 因此，探究长时间尺度和大空间尺度下气候变化和人类活动对植被动态的影响机制，对于制定合理的生态环境保护策略具有重要意义.
归一化植被指数（normalized difference vegetation index，NDVI）与植被覆盖率具有显著的线性相关关系，可以定量地反映植被净初级生产力、冠层覆盖面积和生物量等信息，为植被生长状况提供客观评价[9，10]. 近年来，诸多学者基于NDVI数据对不同区域的植被变化及其影响因素开展了研究，发现植被变化受到气候变化和人类活动的双重影响，并呈现明显的空间异质性[2，11，12]. 植物的生理反应（如呼吸作用、光合作用）与气候密切相关，使得植被动态对气候变化高度敏感[13]. 气候变化直接或间接地改变植物的新陈代谢和土壤水分，植物生物物理反应的速率又影响大气的气体交换和碳循环，从而对气候产生持续累积的影响[9]. 在不同地区，气候的影响作用存在显著差异. 崔利芳等[14]研究指出气温是影响长江流域植被生长的主要气候因子；王静等[15]在川陕地区的研究中发现，陕西省植被生长受降水量影响显著，而四川省植被生长则主要受气温限制. 人类活动也是影响植被动态的重要因素，并且呈现出两面性. 金凯等[2]研究发现，在黄土高原中部、华北平原以及中国东北和西南等地，人类活动对植被状况的贡献高；而Zhang等[16]研究发现人类活动对三江源地区的植被生长为抑制效应. 尽管气候变化和人类活动共同影响植被动态已成为共识，但准确量化它们的贡献仍有不足. 气候和人类活动对植被变化的作用并非线性增强关系[17]，以往研究采用残差分析的方法容易高估人类活动的贡献[18]. 在大尺度的区域研究中，影响植被生长的因素通常呈现区域性差异，气候因素对植被具有广泛的影响，而人类活动则在短期内对植被产生局部影响. 陕西省地处西部内陆，南北自然气候条件差异大，已有学者在陕西省开展了植被对气候变化和人类活动响应的研究[19~21]. 然而，先前的研究对植被状况与人类活动的时空关联关注较少，并未详细阐述人类活动和植被状况的关系. 此外，以往的研究大多聚焦于整个省份或特定区域，从分区进行综合对比分析有待深入；在量化气候变化和人类活动对植被动态贡献时，仅用残差表征人类活动对植被动态的贡献精度较低，对其空间异质性探讨尚有不足.
基于此，本文详细分析了2000~2020年陕西省的气候条件、人类活动及植被的时空变化趋势. 通过偏相关分析，深入探讨了气候因素对植被动态的影响机制；利用双变量空间自相关分析，研究了人类活动对植被动态的影响机制；借助随机森林模型，估算了气候变化与人类活动对植被动态的贡献率，并探讨了上述影响机制在不同区域的时空分布规律，以期为陕西省制定合理的生态保护方案提供科学建议.
1 材料与方法 1.1 研究区概况陕西省（31°42′~39°35′N，105°29′~111°15′E）地处中国西北地区，总面积约2.06×105 km2，全省纵贯温带大陆性气候、温带季风气候和亚热带季风气候3个气候区，气候差异明显，多年平均降水量为576.9 mm，年平均气温为13.0℃. 全省土地覆盖类型丰富，其中林地、草地、耕地、不透水面、水体、灌木丛和裸地的分布面积占比分别为45.5%、26.6%、24.8%、2.7%、0.3%、0.1%和0.1%（图 1）. 陕北地区草地面积占比最高，是水土保持措施实施的重点区域；关中地区耕地和不透水面的面积占比最高，是典型的农业区和经济区；陕南地区林地面积占比最高，是重要的水源涵养与生物多样性保育生态区.
|
底图来源于中国科学院资源环境科学与数据中心（市级行政区划边界），地理坐标系：GCS_WGS_1984；底图修改：将陕西省3个地区的各市分别进行了合并，下同 图 1 研究区土地覆盖类型及气象站的空间分布示意 Fig. 1 Spatial distribution of land cover types and meteorological stations in the study area |
MODIS NDVI时间序列数据产品（分辨率为250 m×250 m）来源于NASA LAADS Web（https://lpdaac.usgs.gov），使用最大值合成（maximum-value composites，MVC）方法来生成年度NDVI序列，并重采样至1 km×1 km分辨率. 土地覆盖数据（分辨率为30 m×30 m）来源于武汉大学发布的数据集（https://zenodo.org/record/8176941），该数据基于Landsat影像，经随机森林分类器获得分类结果. 气象数据来源于国家气象科学数据中心（https://data.cma.cn），通过计算得到全省92个气象站点的年降水量、平均气温和太阳辐射等，并采用ANUSPLIN插值方法得到各气象要素的栅格数据（1 km×1 km）. 上述数据的时间跨度均为2000~2020年.
1.3 研究方法 1.3.1 趋势分析Theil-Sen Median方法是一种稳健的非参数统计的趋势计算方法，广泛用于气候、水文和植被等，不受数据分布影响，对异常值不敏感[22]. 计算公式如下：
|
(1) |
式中，SNDVI为NDVI的时间变化速率；NDVIi和NDVIj分别为时刻i和j的NDVI值. 参考研究[23]，当-0.000 5≤SNDVI≤0.000 5时表示植被状况稳定，当SNDVI > 0.000 5时表示植被状况呈改善趋势，当SNDVI < -0.000 5时表示植被状况呈退化趋势.
该方法与Mann-Kendall检验结合可判断气候、水文和植被的变化趋势[23]. Mann-Kendall检验是一种评估趋势显著性的非参数方法，同样不受数据分布或异常值的影响. 采用标准化的统计量Z来表示显著性水平，当∣Z∣ > 1.96时，表示通过了置信度95%的显著性检验[24]. 本文将两种方法结合使用，以判断长时间序列NDVI的变化趋势（表 1）.
|
表 1 不同指标所对应的NDVI变化趋势和未来变化趋势 Table 1 Change trends and future trends of NDVI corresponding to different indicators |
Hurst指数通常被用于判断时序数据的随机性和可持续性，广泛应用于气候、水文等领域[24]，具体计算方法见文献[25]. Hurst指数通常介于0~1. 在本文中，Hurst指数小于0.5表示NDVI的发展趋势与过去趋势不一致；Hurst指数等于0.5表示数据序列是随机游走序列，难以预测其未来发展趋势；Hurst指数大于0.5表示NDVI的发展趋势与过去趋势一致. 将Hurst指数与变化趋势的结果相结合可分析未来变化趋势（表 1）.
1.3.2 偏相关分析本文采用偏相关分析研究降水、平均气温和太阳辐射这3个气候变量对NDVI变化的影响. 当NDVI与多个气候变量同时存在时，偏相关分析可以有效地剔除其他气候变量对NDVI的影响，从而准确评估单一气候变量对NDVI的影响程度[11，23]. 计算公式如下：
|
(2) |
|
(3) |
式中，x和y分别为变量x和y的序列均值；rxy、rxz和ryz分别为变量x和y、变量x和z以及变量y和z的简单相关系数；rxy，z为将变量z视为常量时，变量x和y的偏相关系数. 因此，rxy，z大于0表示将变量z的影响视为常量时，变量x和y呈正相关（促进作用）；反之，则呈负相关（抑制作用）. 偏相关系数绝对值的取值范围为0~1，且越接近1表示相关性越强. 同时，采用t检验方法对偏相关系数进行显著性检验，当P < 0.05为显著相关，P≥0.05为不显著相关.
1.3.3 人类活动强度人类活动强度反映了人类活动对陆地表层的影响程度[26]. 人类活动导致土地覆盖的变化，改变了植被状况的原始特性，而不同的土地覆盖类型代表着不同的开发利用强度. 因此，本文采用人类活动强度指数（human activity intensity，HAI）来描述NDVI受人类活动的影响强度. 计算公式如下：
|
(4) |
|
(5) |
式中，HAI为陆地表层人类活动强度指数；SCLE为区域内建设用地/不透水面的当量面积；S为区域总面积；SLn为区域内第n种土地利用/覆盖类型的面积；CIn为区域内第n种土地利用/覆盖类型的建设用地当量折算系数；m为区域内土地利用/覆盖类型数. CIn为第n种土地利用/覆盖类型按照人类活动对陆地表层作用的强弱换算成建设用地/不透水面的系数，参考文献[26，27]确定的CIn见表 2. HAI取值在0~1之间，值越大表明人类活动越强，依据HAI将人类活动强度划分高强度（HAI > 0.80）、中高强度（0.60 < HAI≤0.80）、中强度（0.40 < HAI≤0.60）、中低强度（0.20 < HAI≤0.40）和低强度（HAI≤0.20）. 使用ArcGIS 10.8软件中“Create Fishnet”工具创建了覆盖陕西省的1 km×1 km矢量格网，首先在格网中基于30 m×30 m的土地覆盖数据计算逐年的HAI，然后通过软件中“Feature to Raster”工具将逐年的HAI转为栅格数据，最后利用软件中“Raster Calculator”工具计算研究时段内HAI的平均值.
|
|
表 2 不同土地利用/覆盖类型的建设用地当量折算系数 Table 2 Equivalent conversion coefficient for construction land for different land use/cover types |
1.3.4 双变量空间自相关
空间自相关可以揭示空间单元上变量与相邻空间单元上同一变量的分布关系，分为全局空间自相关和局部空间自相关[28]. Anselin[29]提出的双变量空间自相关分析可有效反映两种变量在空间上的关联和依赖特征.
首先，文中对研究区域内HAI的变化趋势与NDVI的变化趋势进行双变量全局空间自相关分析，揭示两者在整个空间上的相关性. 计算公式如下：
|
(6) |
式中，I为双变量空间自相关指数，即整体上空间变量x与y空间上的相关性；k为空间单元的总数；Wpq为空间权重矩阵；xp和yq分别为第一变量（HAI的变化趋势）和第二变量（NDVI的变化趋势）；x和y分别为第一变量x和第二变量y的均值；S2为所有样本的方差. I的值介于-1~1，值越接近0表示两个变量之间的空间相关性越小，大于0表示两者为正相关，小于0表示两者为负相关.
然后，进行双变量局部空间自相关分析以探索两个变量的局部关联，并得到两者的聚集分布. 计算公式如下：
|
(7) |
式中，Ip为空间单元p的两个变量的局部空间关系；zp和zq为空间单元p和q观测值的标准化方差值. 根据Ip值将得到4种聚集模式，并得到LISA分布，可以直观呈现第一变量和第二变量在局部空间上的聚集分异特征. 4种聚集模式分别为：高-高聚集、低-低聚集、低-高聚集和高-低聚集. 首先，在ArcGIS 10.8中使用“Zonal Statistics as Table”工具计算每个1 km × 1 km矢量格网内栅格数据（NDVI变化趋势和HAI变化趋势）的平均值，并将这些平均值赋值相应的矢量格网，作为格网的属性值；然后，将包含栅格数据平均值的矢量格网导入到GeoDa软件中，进行双变量空间自相关分析，得到指数I和LISA分布.
1.3.5 随机森林模型分离气候变化和人类活动的贡献率随机森林是一种非参数和非线性机器学习技术，具有良好的分类筛选与预测性能[30]. 本文通过分析2000~2020年土地覆盖类型的变化，分离出耕地和不透水面分布的区域、研究时段内转变为耕地和不透水面的区域以及从耕地和不透水面转变为其他土地覆盖类型的区域，以上区域均界定为人类活动影响的区域. 其他区域则主要受到气候因素的影响，界定为气候变化影响区域. 在ArcGIS 10.8中使用“Create Fishnet”工具在研究区内以1.5 km间隔生成了90 600个采样点（其中“气候变化影响区域”56 354个，“人类活动影响区域”34 246个）；通过“Extract Multi Values to Points”工具将栅格数据NDVI、降水、平均气温和太阳辐射等指标的多年平均值及变化趋势的信息提取到采样点中. 利用“气候变化影响区域”的采样点数据训练随机森林模型，构建NDVI与气候因子间的关系模型，并将该模型应用于整个研究区，以预测在气候变化影响下的NDVI变化速率. 通过从实际观测的NDVI变化速率中扣除模型预测的气候变化影响下NDVI的变化速率，从而估算出人类活动影响下NDVI的变化速率. 气候变化和人类活动下的NDVI变化速率占实际观测的NDVI变化速率的百分比即为贡献率. 其中，当百分比大于0时，为正贡献；当百分比小于0时，为负贡献.
综上，本文的研究方法流程如图 2所示.
|
图 2 研究方法流程 Fig. 2 Flow of the methodology in this study |
陕西省2000~2020年NDVI的多年平均值为0.71，呈陕南 > 关中 > 陕北的空间格局，具有明显的纬度地带性特征[图 3（a）]，这与其纵贯3个气候带密切相关. 从分区视角来看，陕北地区、关中地区和陕南地区NDVI的多年平均值分别为0.56、0.75和0.87，其中陕南地区的植被状况最佳.
|
图 3 2000~2020年陕西省NDVI平均值、变化速率和变化趋势的空间分布 Fig. 3 Spatial distribution of average NDVI, change rate and trend in Shaanxi Province from 2000 to 2020 |
本研究期间NDVI的平均增长速率为0.006 0 a-1，表明植被生长状况整体呈改善趋势，其中陕北地区NDVI的平均增长速率（0.009 7 a-1）最高[图 3（b）]. 基于研究期内全省NDVI的变化速率划分的变化趋势可知[图 3（c）]：植被改善的区域远大于植被退化的区域；植被显著改善的区域主要分布在远离城市的地区，占总面积的87.1%；而植被显著退化区域占总面积的2.0%，主要零散分布在城市及其周围地区，并在关中中部的西安市周围形成带状聚集分布.
2.1.3 植被动态的未来变化趋势根据全省NDVI的Hurst指数可知[图 4（a）和图 4（b）]：植被未来变化趋势具有不可持续性（指数小于0.5）的区域约占总面积的65.3%，其中42.8%分布在陕南地区；未来变化趋势具有可持续性（指数大于0.5）的区域约占总面积的34.7%，其中52.3%分布在陕北地区. 在可持续发展区域内，植被改善、稳定和退化的面积占比分别为90.5%、1.9%和7.6%. 在植被显著改善的区域内，呈可持续改善的面积比例为32.7%.
|
图 4 2000~2020年陕西省NDVI的Hurst指数和未来变化趋势 Fig. 4 Hurst index and future change trend of NDVI in Shaanxi Province from 2000 to 2020 |
陕西省2000~2020年降水、平均气温和太阳辐射的空间分布和变化速率均呈现明显的空间异质性[图 5（a）~5（c）]. 整体而言，降水和平均气温分别以2.53 mm·a-1和0.003 ℃·a-1的速率增加，而太阳辐射则以10.09 MJ·m-²·a-1的速率减少. 降水的变化速率在陕北地区最大（4.87 mm·a-1），在陕南地区最小（-1.17 mm·a-1）[图 5（d）]. 平均气温在陕北地区和陕南地区均呈增长趋势，速率分别为0.007 ℃·a-1和0.003 ℃·a-1，在关中地区则呈降低趋势，速率为-0.002 ℃·a-1[图 5（e）]. 太阳辐射的变化速率在3个地区均呈下降趋势，速率分别为9.93、10.34和10.07 MJ·m-²·a-1[图 5（f）]. 综上所述，陕北地区的气候趋势是变暖和变湿，关中地区主要表现为变湿，而陕南地区则表现为变暖和变干.
|
图 5 2000~2020年陕西省气候因子平均值和变化速率的空间分布 Fig. 5 Spatial distribution of average values and change rates of climatic factors in Shaanxi Province from 2000 to 2020 |
采用偏相关分析探讨了全省NDVI对降水、平均气温和太阳辐射的响应（图 6）. 降水对NDVI产生促进作用的区域约占全省面积的73.0%，呈北促进南抑制的空间格局. 在陕北地区和关中地区以促进作用为主，其中陕北地区促进作用面积高达该区域面积的99.0%，降水的增加有助于这些区域植被的恢复；在陕南地区抑制作用略强于促进作用，面积占比分别为54.5%和45.5%[图 6（a）]. 平均气温对NDVI产生促进作用的面积占比约为67.4%，主要分布在陕北地区和关中地区东部，在3个地区平均气温对NDVI均表现为促进作用，在陕北地区促进作用表现最明显，促进作用分布区域约占该区域总面积的78.6%[图 6（b）]. 太阳辐射对NDVI的影响以抑制作用为主，抑制作用分布区域约占全省面积的62.3%，在陕南地区表现最明显，抑制作用分布区域占该区域总面积的76.3%[图 6（c）]. 综上所述，降水是陕西省及3个地区植被状况恢复的主导气候因子，其次是平均气温，两者的促进作用从北向南逐渐减弱，而太阳辐射的作用则相反.
|
图 6 陕西省NDVI与气候因子的偏相关关系分布 Fig. 6 Distribution of partial correlation between NDVI and climatic factors in Shaanxi Province |
陕西省2000~2020年HAI的多年平均值为0.06，呈关中 > 陕北 > 陕南的空间格局[图 7（a）]. 高强度和中高强度人类活动的区域主要分布在不透水面集中和人口聚集的区域，在关中地区分布最广，并以西安市为中心；中强度和中低强度的区域主要分布在土地覆盖类型为耕地的区域，这些区域农业生产活动相对活跃；低强度区域面积最广，主要分布在远离人类生产活动的区域，土地覆盖类型以林地和草地为主. HAI的空间分布符合城市发展的圈层结构特征，表现为从中心城区向外随距离以辐射状衰减，在关中地区最为明显. 时间上，全省HAI的年变化速率为0.000 085 a-1，呈增加趋势. 在3个地区均呈增加趋势，关中地区HAI年增长速率最高，为0.000 7 a-1，高值区在关中地区中部聚集[图 7（b）].
|
图 7 2000~2020年陕西省人类活动强度和变化速率的空间分布 Fig. 7 Spatial distribution of human activity intensity and change rates in Shaanxi Province from 2000 to 2020 |
HAI变化速率和NDVI变化速率的双变量全局空间自相关指数I为-0.28，表明两者呈显著的空间负相关. 双变量局部空间自相关的LISA分布和3个地区的不同聚集模式的分布面积统计结果显示（图 8）：在陕北地区以低-高聚集为主，主要集中在黄土高原丘陵沟壑区北部，土地覆盖类型以草地为主，该区域处于生态恢复的重点区域，植被恢复速率处于较高水平，但受限于自然条件，HAI的变化速率处于较低水平. 在关中地区以高-低聚集为主，主要集中在中部区域，土地覆盖类型以不透水面为主，该区域城市化发展迅速，HAI的变化速率处于较高水平，城市扩张等对植被状况起到了消极作用. 在陕南地区以低-低聚集为主，主要分布在秦巴山区，土地覆盖类型以林地为主，该区域植被条件较好，是我国重要的水源涵养功能区，HAI和NDVI的变化速率均处于较低水平.
|
图 8 陕西省HAI变化趋势和NDVI变化趋势的LISA聚集特征 Fig. 8 LISA cluster characteristics of between the change trends of HAI and NDVI in Shaanxi Province |
将研究区划分为主要受气候变化影响的区域和主要受人类活动影响的区域[图 9（a）]. 在气候变化影响区域训练随机森林模型，构建NDVI与气候因子间的关系模型. 在模型训练阶段，NDVI的模拟值与观测值拟合的R²达到0.97，模拟精度高[图 9（b）]；在模型测试阶段，两者拟合的R²为0.84，也佐证了模型预测结果的可靠性[图 9（c）].
|
图 9 陕西省人类活动和气候变化影响区域及随机森林模型的训练和测试数据集精度 Fig. 9 Regional impact of human activities and climate change in Shaanxi Province, along with accuracy of the training dataset and test dataset for the random forest model |
基于随机森林模型分离了陕西省气候变化和人类活动对NDVI变化速率的影响（图 10），结果显示：气候变化和人类活动影响下NDVI的变化速率分别为0.005 4 a-1和0.000 5 a-1，贡献率分别为91.5%和8.5%. 在3个地区，气候变化影响下的NDVI变化速率均为正，分别为0.008 0、0.004 5和0.003 3 a-1，在陕北地区的贡献率高达80.5%. 人类活动影响下的NDVI变化速率差异显著，3个地区分别为0.001 7、-0.000 9和0.000 3 a-1，在陕北地区和陕南地区为正贡献，陕北地区的贡献率高达19.5%，在关中地区则为负贡献，贡献率为25.0%. 气候变化和人类活动共同影响植被状况的变化，两者的贡献在3个地区表现出差异性，气候变化是植被变化的主导因素.
|
图 10 陕西省气候变化和人类活动影响下NDVI的变化速率 Fig. 10 Change rates of NDVI under the influences of climate changes and human activities in Shaanxi Province |
2000~2020年，陕西省植被改善明显，这与先前的研究结果一致[20，31]，空间分布呈现“南高北低”的格局，这与南北自然气候条件差异大密切相关；陕南地区水热条件较好，植被类型以阔叶林和针叶林为主，而陕北地区海拔高、人口少，植被类型以草地为主，不同植被类型一定程度上导致了NDVI的空间差异[32]. 陕北地区植被状况改善趋势最明显，近年来退耕还林还草、“三北”防护林等工程的实施，使该地区植被得到了明显恢复[20，33]. 关中地区中部出现了明显的退化带，该地区城市化进程较快、经济发展迅速和农业生产活动活跃，扰动了植被生长环境，对该地区植被状况产生了消极影响[34].
3.2 陕西省植被动态对气候变化的响应气候变化是影响植被动态的关键因素，以往的研究表明，降水、气温和太阳辐射是影响植被动态的重要气候因子[35~37]. 2000年后，中国植被改善趋势普遍，但气候的作用因地而异[2]. 降水对陕西省植被呈显著促进作用，其作用从北至南递减；在水资源不足的地区，降水的增加可以提高土壤水分，促进有机质的分解，提高土壤养分，进而促进植被活动[38]，这种现象在陕北地区最为明显，其他干旱区和半干旱区也有类似的结果[12，39，40]. 然而，降水量过大会影响土壤养分循环，同时还意味着温度和太阳辐射偏低，植被的生物物理作用被抑制[41，42]，陕南地区这种现象明显. 平均气温对陕西省大部分区域的植被为促进作用，植被生长需要一定的热量条件，温度上升会增强土壤微生物的活性，从而促进土壤有机质的分解，对植被的根系生长有利，适当的增温对植物物化作用有促进作用，从而导致植被对温度变化产生积极响应[42，43]. 太阳辐射对陕西省3个地区的植被均为抑制作用，陕北地区和关中地区降水量偏少，太阳辐射过高导致大气温度升高和相对湿度降低，增加了植被的蒸腾损失和水分胁迫，从而抑制植被的生长，陕南地区太阳辐射偏低，植被光合作用弱，表现为抑制作用[44].
3.3 陕西省植被动态对人类活动的响应人类活动是影响植被变化的关键因素之一[2]. 一方面，随着经济快速发展，城市快速扩张[45]，一定程度上侵占了林地、草地、耕地等植被状况良好的区域[21，43，46]. 另一方面，生态恢复工程的实施对植被恢复有巨大贡献. 本文中人类活动对植被动态的贡献相较于先前研究的结论[1，2，43]偏低，这可能是由于研究区域和研究方法的差异所致. 不同的研究区域植被条件和人类活动有明显的差异. 在研究方法方面，先前的研究大多采用的是残差分析法，通过建立NDVI与影响因素的线性方程，用残差来表示人类活动的影响. 然而，NDVI与影响因子之间的关系是非线性的，采用残差会高估人类活动影响[17]. 本文首先对研究期间的HAI变化速率和NDVI变化速率进行了双变量空间自相关分析，直观表示出人类活动与植被的时空关联. 此外，为了更准确地量化气候变化和人类活动对植被的贡献率，将气候影响区域和人类活动区域进行了分离，并采用了随机森林模型这一非线性的方法，很大程度减小了研究的误差. 陕西省是我国首批实施生态恢复工程的省份，本研究期间土地覆盖的动态变化可以反映人类活动对植被状况的影响. 陕北地区退耕还林、还草等政策实施后[47]，耕地向林地和草地转移的面积分别约为410.3 km²和6 832.4 km²[图 11（a）]，植被改善效果明显. 关中地区城市化发展迅速[48]，也是最典型的农业区，研究时段内约有2 003.7 km²的耕地向不透水面转移，另外农业生产也侵占了草地，约有1 329.8 km²的草地向耕地转移，该地区人类活动以消极影响为主[图 11（b）]，在我国西南地区也有同样的结果[43]. 陕南地区植被条件相对优越，人类活动影响相对较小[31]，土地覆盖变化主要发生在林地和耕地之间，耕地向林地面积转变了约4 898.4 km²，人类活动对该地区的植被状况为积极影响[图 11（c）]. 在陕西省植被和生态环境保护中，应根据3个地区的实际情况，科学地制定管理政策.
|
图 11 2000~2020年陕北地区、关中地区和陕南地区的土地覆盖面积变化 Fig. 11 Land cover area change in northern, central, and southern Shaanxi from 2000 to 2020 |
（1）从空间上看，陕西省植被NDVI呈陕南 > 关中 > 陕北的空间格局. 从时间上看，2000~2020年陕西省及3个地区植被改善效果明显，植被显著改善的区域占全省面积的87.1%，显著退化的区域仅占2.0%，陕北地区植被改善最明显. 植被未来趋势方面，65.3%的区域显示出不可持续的变化趋势，而34.7%的区域变化趋势是可持续的. 在可持续发展的区域中，植被改善的面积占比最高，集中分布在陕北地区.
（2）气候因子对植被的影响呈显著的空间异质性，降水和平均气温对陕西省的NDVI以促进作用为主，促进作用分布面积分别占总面积的73.0%和67.4%，在陕北地区促进作用最明显，暖湿化的气候条件有利于植被的恢复. 太阳辐射以抑制作用为主，分布面积占总面积的62.3%，在陕南地区抑制作用最明显.
（3）从空间上看，陕西省HAI呈关中 > 陕北 > 陕南的空间格局. 从时间上看，2000~2020年陕西省及3个地区HAI均表现为上升趋势，在关中地区HAI增加速率最大. HAI变化速率与NDVI变化速率表现为空间负相关，两者在从北向南3个地区的主要聚集模式分别为“低-高”、“高-低”和“低-低”聚集. 关中地区面临着城市发展与植被状况恢复的冲突.
（4）陕西省气候变化和人类活动影响下的NDVI变化速率分别为0.005 4 a-1和0.000 5 a-1，贡献率分别为91.5%和8.5%. 气候变化在从北向南3个地区对植被变化均为正贡献，在陕北地区贡献最高. 人类活动在陕北地区和陕南地区对植被变化均为正贡献，在陕北地区正贡献最高，在关中地区则为负贡献. 生态工程的实施是陕北地区植被恢复的重要原因，高速的城市化扩张是关中地区植被退化的重要原因.
| [1] |
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. |
| [2] |
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. |
| [3] | 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. |
| [4] | 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 |
| [5] | Zhu L Y, Sun S, Li Y, et al. Effects of climate change and anthropogenic activity on the vegetation greening in the Liaohe River Basin of northeastern China[J]. Ecological Indicators, 2023, 148. DOI:10.1016/J.ECOLIND.2023.110105 |
| [6] | Sun S, Zhu L Y, Hu K, et al. Quantitatively distinguishing the factors driving sediment flux variations in the Daling River Basin, North China[J]. CATENA, 2022, 212. DOI:10.1016/J.CATENA.2022.106094 |
| [7] |
朱长明, 李均力, 沈占锋, 等. 基于MODIS密集时间序列数据的塔里木河下游植被活动过程监测[J]. 资源科学, 2019, 41(3): 591-600. Zhu C M, Li J L, Shen Z F, et al. Spatiotemporal dynamics of vegetation activities in the lower reach of the Tarim River based on MODIS intensive time series data[J]. Resources Science, 2019, 41(3): 591-600. |
| [8] | Yang L Q, Guan Q Y, Lin J K, et al. Evolution of NDVI secular trends and responses to climate change: a perspective from nonlinearity and nonstationarity characteristics[J]. Remote Sensing of Environment, 2021, 254. DOI:10.1016/J.RSE.2020.112247 |
| [9] | 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 |
| [10] | Wang R Y, Cherkauer K, Bowling L. Corn response to climate stress detected with satellite-based NDVI time series[J]. Remote Sensing, 2016, 8(4). DOI:10.3390/RS8040269 |
| [11] |
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. |
| [12] |
许丽, 高光耀, 王晓峰, 等. 气候变化和人类活动对中国北方旱区植被变绿的定量贡献[J]. 生态学报, 2023, 43(17): 7274-7283. Xu L, Gao G Y, Wang X F, et al. Quantifying the contributions of climate change and human activities to vegetation greening in the drylands of northern China[J]. Acta Ecologica Sinica, 2023, 43(17): 7274-7283. |
| [13] | Chu H S, Venevsky S, Wu C, et al. NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River Basin from 1982 to 2015[J]. Science of the Total Environment, 2019, 650: 2051-2062. DOI:10.1016/j.scitotenv.2018.09.115 |
| [14] |
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. |
| [15] |
王静, 万红莲, 姚顺波. 生长季川陕不同地带植被覆盖对气候变化的时空响应[J]. 生态学报, 2019, 39(14): 5218-5231. Wang J, Wan H L, Yao S B. Spatial and temporal response of vegetation cover to climate change in different zones of Sichuan-Shaanxi area during growing season[J]. Acta Ecologica Sinica, 2019, 39(14): 5218-5231. |
| [16] | Zhang X C, Jin X M. Vegetation dynamics and responses to climate change and anthropogenic activities in the Three-River Headwaters Region, China[J]. Ecological Indicators, 2021, 131. DOI:10.1016/J.ECOLIND.2021.108223 |
| [17] | Chen T, Tang G P, Yuan Y, et al. Unraveling the relative impacts of climate change and human activities on grassland productivity in Central Asia over last three decades[J]. Science of the Total Environment, 2020, 743. DOI:10.1016/J.SCITOTENV.2020.140649 |
| [18] | Ge W Y, Deng L Q, Wang F, et al. Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016[J]. Science of the Total Environment, 2021, 773. DOI:10.1016/J.SCITOTENV.2021.145648 |
| [19] |
冶兆霞, 张洪波, 杨志芳, 等. 陕北黄土高原气象要素对植被覆盖的空间分异影响及风险探测[J]. 生态学报, 2024, 44(6): 2379-2395. Ye Z X, Zhang H B, Yang Z F, et al. Spatial differentiation effects and risk detection of meteorological elements to vegetation cover on the Loess Plateau of northern Shaanxi[J]. Acta Ecologica Sinica, 2024, 44(6): 2379-2395. |
| [20] |
高滢, 孙虎, 徐崟尧, 等. 陕西省植被覆盖时空变化及其对极端气候的响应[J]. 生态学报, 2022, 42(3): 1022-1033. Gao Y, Sun H, Xu Y Y, et al. Temporal and spatial variation of vegetation cover and its response to extreme climate in Shaanxi Province[J]. Acta Ecologica Sinica, 2022, 42(3): 1022-1033. |
| [21] |
邓晨晖, 白红英, 高山, 等. 秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应[J]. 自然资源学报, 2018, 33(3): 425-438. Deng C H, Bai H Y, Gao S, et al. Spatial-temporal variation of the vegetation coverage in Qinling mountains and its dual response to climate change and human activities[J]. Journal of Natural Resources, 2018, 33(3): 425-438. |
| [22] | Lunetta R S, Knight J F, Ediriwickrema J, et al. Land-cover change detection using multi-temporal MODIS NDVI data[J]. Remote Sensing of Environment, 2006, 105(2): 142-154. DOI:10.1016/j.rse.2006.06.018 |
| [23] |
袁丽华, 蒋卫国, 申文明, 等. 2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24): 7798-7806. |
| [24] |
侯西勇, 应兰兰, 高猛, 等. 1998~2008年中国东部沿海植被覆盖变化特征[J]. 地理科学, 2010, 30(5): 735-741. Hou X Y, Ying L L, Gao M, et al. Character of vegetation cover change in China's eastern coastal areas 1998-2008[J]. Scientia Geographica Sinica, 2010, 30(5): 735-741. |
| [25] | Wang B, Xu G C, Li P, et al. Vegetation dynamics and their relationships with climatic factors in the Qinling mountains of China[J]. Ecological Indicators, 2020, 108. DOI:10.1016/J.ECOLIND.2019.105719 |
| [26] |
徐勇, 孙晓一, 汤青. 陆地表层人类活动强度: 概念、方法及应用[J]. 地理学报, 2015, 70(7): 1068-1079. Xu Y, Sun X Y, Tang Q. Human activity intensity of land surface: concept, method and application in China[J]. Acta Geographica Sinica, 2015, 70(7): 1068-1079. |
| [27] |
陈泓瑾, 刘琳, 张正勇, 等. 天山北坡人类活动强度与地表温度的时空关联性[J]. 地理学报, 2022, 77(5): 1244-1259. Chen H J, Liu L, Zhang Z Y, et al. Spatiotemporal correlation between human activity intensity and surface temperature on the north slope of Tianshan mountains[J]. Acta Geographica Sinica, 2022, 77(5): 1244-1259. |
| [28] |
沈中健, 曾坚. 闽南三市城镇发展与地表温度的空间关系[J]. 地理学报, 2021, 76(3): 566-583. Shen Z J, Zeng J. Spatial relationship of urban development to land surface temperature in three cities of southern Fujian[J]. Acta Geographica Sinica, 2021, 76(3): 566-583. |
| [29] | Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x |
| [30] | Oukawa G Y, Krecl P, Targino A C. Fine-scale modeling of the urban heat island: a comparison of multiple linear regression and random forest approaches[J]. Science of the Total Environment, 2022, 815. DOI:10.1016/J.SCITOTENV.2021.152836 |
| [31] |
李霞, 王孝康, 刘秀花, 等. 2000-2020年陕西省植被NDVI时空变化及气候因子探测[J]. 水土保持研究, 2024, 31(2): 443-453. Li X, Wang X K, Liu X H, et al. Spatiotemporal variation of vegetation NDVI and climate factor detection in Shaanxi Province from 2000-2020[J]. Research of Soil and Water Conservation, 2024, 31(2): 443-453. |
| [32] |
刘静, 温仲明, 刚成诚. 黄土高原不同植被覆被类型NDVI对气候变化的响应[J]. 生态学报, 2020, 40(2): 678-691. Liu J, Wen Z M, Gang C C. Normalized difference vegetation index of different vegetation cover types and its responses to climate change in the Loess Plateau[J]. Acta Ecologica Sinica, 2020, 40(2): 678-691. |
| [33] |
解晗, 同小娟, 李俊, 等. 2000—2018年黄河流域生长季植被指数变化及其对气候因子的响应[J]. 生态学报, 2022, 42(11): 4536-4549. Xie H, Tong X J, Li J, et al. Changes of NDVI and EVI and their responses to climatic variables in the Yellow River Basin during the growing season of 2000-2018[J]. Acta Ecologica Sinica, 2022, 42(11): 4536-4549. |
| [34] |
祝新明, 王旭红, 周永芳, 等. 建成区扩张下的西安市热环境空间分异性[J]. 生态学杂志, 2017, 36(12): 3574-3583. Zhu X M, Wang X H, Zhou Y F, et al. Spatial variability of thermal environment in Xi'an under the build-up area expansion[J]. Chinese Journal of Ecology, 2017, 36(12): 3574-3583. |
| [35] | Qu S, Wang L C, Lin A W, et al. Distinguishing the impacts of climate change and anthropogenic factors on vegetation dynamics in the Yangtze River Basin, China[J]. Ecological Indicators, 2020, 108. DOI:10.1016/j.ecolind.2019.105724 |
| [36] |
张志强, 刘欢, 左其亭, 等. 2000—2019年黄河流域植被覆盖度时空变化[J]. 资源科学, 2021, 43(4): 849-858. Zhang Z Q, Liu H, Zuo Q T, et al. Spatiotemporal change of fractional vegetation cover in the Yellow River Basin during 2000-2019[J]. Resources Science, 2021, 43(4): 849-858. |
| [37] | Teng M J, Zeng L X, Hu W J, et al. The impacts of climate changes and human activities on net primary productivity vary across an ecotone zone in Northwest China[J]. Science of the Total Environment, 2020, 714. DOI:10.1016/J.SCITOTENV.2020.136691 |
| [38] |
马扶林, 刘小伟, 朵莹, 等. 日尺度下水热因子变化对青藏高原高寒草原生产力的影响特征[J]. 生态学报, 2023, 43(9): 3719-3728. Ma F L, Liu X W, Duo Y, et al. Effects of daily variation of hydro-thermal factors on alpine grassland productivity on the Qinghai-Tibet Plateau[J]. Acta Ecologica Sinica, 2023, 43(9): 3719-3728. |
| [39] | Jiang H L, Xu X, Guan M X, et al. Determining the contributions of climate change and human activities to vegetation dynamics in agro-pastural transitional zone of northern China from 2000 to 2015[J]. Science of the Total Environment, 2020, 718. DOI:10.1016/J.SCITOTENV.2019.134871 |
| [40] |
吴运力, 张钰, 田佳榕. 气候变化和人类活动对内蒙古高原不同植被类型NDVI的影响[J]. 中国农业气象, 2023, 44(12): 1155-1168. Wu Y L, Zhang Y, Tian J R. Impacts by climate change and human activities on NDVI in different vegetation types across the inner Mongolia Plateau[J]. Chinese Journal of Agrometeorology, 2023, 44(12): 1155-1168. DOI:10.3969/j.issn.1000-6362.2023.12.008 |
| [41] | Yang Y T, Guan H D, Shen M G, et al. Changes in autumn vegetation dormancy onset date and the climate controls across temperate ecosystems in China from 1982 to 2010[J]. Global Change Biology, 2015, 21(2): 652-665. DOI:10.1111/gcb.12778 |
| [42] |
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. |
| [43] |
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. |
| [44] |
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. |
| [45] |
刘沁萍, 朱闯, 田洪阵, 等. 2001~2017年中国建设用地时空分异特征[J]. 长江流域资源与环境, 2020, 29(10): 2113-2123. Liu Q P, Zhu C, Tian H Z, et al. Temporal and spatial changes in construction land in China from 2001 to 2017[J]. Resources and Environment in the Yangtze Basin, 2020, 29(10): 2113-2123. |
| [46] |
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. |
| [47] |
卓静, 胡皓, 何慧娟, 等. 陕北黄土高原生态脆弱性时空变异及驱动因素分析[J]. 干旱区地理, 2023, 46(11): 1768-1777. Zhuo J, Hu H, He H J, et al. Spatiotemporal variation and driving factors of ecological vulnerability in the Loess Plateau of northern Shaanxi[J]. Arid Land Geography, 2023, 46(11): 1768-1777. |
| [48] |
朱相君, 薛亮. 关中地区生态系统服务价值变化及其与经济发展耦合关系[J]. 生态学杂志, 2022, 41(4): 769-776. Zhu X J, Xue L. Changes of ecological service value and its coupling with economic development in Guanzhong region[J]. Chinese Journal of Ecology, 2022, 41(4): 769-776. |