2024, Vol. 45
2. 山东省水文中心, 济南 250002
2. Shandong Hydrology Center, Jinan 250002, China
植被是陆地表面最突出的土地覆盖类型[1], 是生态平衡的调节器和生态变化的指示器[2, 3].植被也是调控水土流失的关键因子, 植被覆盖及其变化是各土壤流失评价模型中的重要因子, 是区域水土流失研究关注的热点.遥感可以实现对大范围定期重复观测, 是地表植被监测的重要手段.基于遥感数据提取的归一化植被指数（Normalized Difference Vegetation Index, NDVI）能削弱大气辐射与交叉辐射等影响, 被称为植物生长状态及植被空间分布密度的最佳指示因子, 是目前应用最广泛的植被指数之一[4, 5].长时间序列的NDVI为分析区域植被变化提供了有力的数据支撑, 对区域水土流失监测及生态环境质量评估具有重要的现实意义[6].
近年来, 有学者基于NDVI数据, 利用趋势分析、Hurst检验和相关性分析等方法在不同时空尺度上对NDVI的变化特征及影响因素展开了研究.在全国尺度上, 涂又等[7]发现中国的植被变化在空间上具有明显的区域特征, 呈现出自东南向西北递减的趋势.雷茜等[8]也发现不同生态系统NDVI与气候因子的相关性存在明显的空间异质性.在区域尺度上, 付含培等[9]发现黄河流域NDVI呈现极显著的缓慢增长趋势, 气候因素是影响黄河流域NDVI变化的主导因素.张乐艺等[10]发现黄河流域NDVI变化不仅与气候条件密切相关, 还受人为活动的影响.在省级尺度上, 段晨阳等[11]利用空间自相关分析发现山东省植被覆盖主要呈两种聚集方式, 除黄河三角洲和莱州湾等沿海地区NDVI表现为低-低自相关以外, 大部分地区呈高-高自相关.上述研究表明不同空间尺度上的NDVI变化及影响因素存在差异, 植被覆盖变化与影响因子之间也存在空间尺度依赖性[12].
山东省是水土保持预防和治理的重点区域, 探究其植被变化对生态环境建设具有重要指导意义.已有研究表明, 近年来山东省NDVI呈缓慢增加趋势[13], 且不同区域和不同植被类型存在明显差异, 其中农田植被绿度有增加趋势, 湿地植被绿度下降明显, 这些差异与降水的年际变化密切相关[14].宋鹏飞等[15]通过分析山东省NDVI变化, 发现降水和气温对植被变化的影响呈现出不同程度的正相关.钞振华等[16]则发现山东省植被指数变化与气温的关联度大于降水的关联度.上述研究探索了山东省NDVI时空变化, 但是对于影响因素的分析多集中在气候因子, 未能较好地量化地貌、植被与土壤类型等自然因素及社会经济条件等多种因子对NDVI空间分异的影响力水平, 且忽略了区域尺度对NDVI空间分异的影响.
山东省涉及4个全国水土保持区划三级区, 各区划的自然条件与社会经济发展具有显著差异.基于此, 本文以水土保持区划为空间单元, 基于2000~2020年长时间序列NDVI数据集以及人口、地形、气象、土壤和植被等自然与社会经济因子数据, 分析NDVI时空变化特征, 并运用地理探测器模型定量分析各个因子在不同水土保持区划对NDVI的影响力, 以期为山东省不同水土保持区划植被保护提供科学依据, 对协调经济发展和生态环境保护提供有益参考.
1 研究区概况山东省（34°22′~38°17′N, 114°49′~122°43′E）位于中国东部沿海, 黄河下游.全省总面积约15.7万km2, 占中国国土面积的1.6%, 常住人口约10 162.79万人.山东省属暖温带季风气候类型, 降雨集中, 雨热同季, 春秋短暂, 冬夏较长；年平均降水量在550~950 mm之间, 由东南向西北递减；年均温11~14℃, 气温差异东西大于南北.境内黄河横贯东西, 大运河纵穿南北.地貌类型有平原、丘陵、山地和台地, 分别占全省面积的65.56%、15.39%、14.59%和4.46%.土地利用以耕地为主, 是我国重要的小麦、玉米粮食产区.区域地带性植被主要为落叶阔叶林和温带针叶林, 植被分布具有明显的空间差异.
山东省涉及4个国家水土保持三级区, 分别为黄泛平原防沙农田防护区（Ⅲ-5-3fn）、鲁中南低山丘陵土壤保持区（Ⅲ-4-2t）、胶东半岛丘陵蓄水保土区（Ⅲ-4-1xt）和渤海湾生态维护区（Ⅲ-5-2w）.其中, Ⅲ-4-2t区和Ⅲ-4-1xt区以低山丘陵为主, 主要分布着温带针阔叶森林、灌丛和草地；Ⅲ-5-2w区及Ⅲ-5-3fn区主要为平原, 其中黄河三角洲、莱州湾南岸等沿海地区以湿地植被为主, 其他地区主要分布一年两熟或两年三熟的旱作作物（图 1）.
|
图 1 研究区水土保持区划地理位置示意 Fig. 1 Geographic location of soil and water conservation zoning in the study area |
本研究采用的NDVI数据源于国家青藏高原科学数据中心（http://data.tpdc.ac.cn）的中国区域250 m NDVI数据集[17], 该数据集时间跨度为2000~2020年, 每年12期, 采用月最大值合成, 代表该区域各月植被生长的最佳状况.使用ArcGIS 10.2软件对该数据集进行投影转换、按研究区矢量边界掩膜提取.为更直接反映植被覆盖的动态变化, 将NDVI按等间距法[18]划分为5个等级：低覆盖（-1 ≤ NDVI < 0.2）、中低覆盖（0.2 ≤ NDVI < 0.4）、中覆盖（0.4 ≤ NDVI < 0.6）、中高覆盖（0.6 ≤ NDVI < 0.8）和高覆盖（0.8 ≤ NDVI < 1）.
2.1.2 探测因子数据研究采用的探测因子数据主要包括社会因子数据集及自然因子数据集（表 1）.社会因子采用人口密度栅格数据集, 数据源于WorldPop发布的Population Density数据, 空间分辨率为1 km, 时间跨度为2000~2020年.
|
表 1 探测因子来源及说明 Table 1 Detection factors source and description |
自然因子包括气象因子、地形因子、土壤类型以及植被类型.气象因子包括年均温、年降水量、年蒸发量、年相对湿度, 年均温和年降水量数据来源于CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集[19, 20], 该数据集通过Delta空间降尺度方案生成中国区气象数据集, 再基于Matlab R2022a与ArcGIS 10.2平台计算处理为年值数据；年蒸发量、年均相对湿度数据来源于中国科学院资源环境科学与数据中心, 该数据集是基于全国2 400多个站点的气象要素站点日观测数据.地形因子包括高程、坡度和坡向, 高程数据来源于地理空间数据云（https://www.gscloud.cn/）, 空间分辨率为30 m, 坡度和坡向数据基于高程计算生成.土壤类型和植被类型栅格数据均来源于中国科学院资源环境科学与数据中心, 空间分辨率均为1 km.以上数据均使用ArcGIS 10.2软件进行投影转换, 并按研究区矢量边界掩膜提取, 通过像元重采样, 确保所有数据集与NDVI数据空间参考一致和像元大小相同.
2.2 研究方法 2.2.1 最大值合成法最大值合成法（maximum value composite, MVC）可以有效地减少云层遮蔽和天气等因素对于结果的影响[21], 本研究采用MVC法对逐月NDVI数据进行整合, 分别得到2000~2020年逐年NDVI最大值栅格数据集及12个月逐月NDVI最大值栅格数据集, 计算公式为：
|
(1) |
式中, NDVIi为第NDVIj最大值；NDVIij为第j月NDVI最大值, NDVIij为第i年第j月NDVI最大值, Max为最大值函数；i为年序号, i =2000，2001，···，2020，j为月序号，j = 1，2，···，12.
2.2.2 Sen趋势分析与Mann-Kendall显著性检验Theil-Sen Median趋势分析法是一种较为稳健, 不受异常值影响, 且不要求数据服从正态分布的非参数统计趋势分析方法, 常用于长时间序列数据的变化趋势分析[22, 23].本研究基于Matlab R2022a逐像元判断2000~2020年山东省NDVI变化趋势, 公式如下：
|
(2) |
式中, xi和xj分别为第i和第j年的NDVI值, 其中i，j =1，2，3，···，n；Median为取中值函数.当Slope > 0时, 表示研究时间段内NDVI整体呈上升趋势, 研究区植被状况趋于改善；当Slope＜0时, 表示研究时间段内NDVI整体呈下降趋势, 研究区植被状况趋于恶化.
Mann-Kendall显著性检验法[24~26]是一种常用的非参数检验法, 可用来检验时间序列变化趋势的显著性.本研究运用该方法对研究区内NDVI长时间序列变化趋势进行显著性检验, 对于给定置信水平α, 结合趋势分析, 确定变化趋势及其显著性, 如表 2所示.
|
|
表 2 NDVI变化趋势等级划分 Table 2 Classification of NDVI trend |
2.2.3 重心模型
在地理学研究中, 重心可以表示地理要素的时空分布特征, 重心迁移可反映要素变化方向及其空间变化差异程度.为了解NDVI高覆盖的空间聚集及迁移特征, 本研究采用重心模型[27~29]对2000~2020年NDVI高覆盖进行量化表达, 计算重心坐标生成散点图, 根据重心点分布状况得到重心点中心, 以中心为圆心得到重心聚集区, 选取2000年、2010年和2020年为典型年份构建重心迁移路径, 探索NDVI高覆盖的时空变化规律.设某一区域由n个子区域构成, 其中, 第i个子区域的重心坐标为（xi，yi）, Mi为该子区域的属性值, 则该区域重心的地理坐标表示为如下：
|
(3) |
|
(4) |
地理探测器[30]是探测空间分异性, 并揭示其背后驱动力的一组统计学方法[31].其核心思想是基于“如果某个自变量对某个因变量有重要影响, 那么自变量和因变量的空间分布应该具有相似性[32~34]”的假设.其中因子探测和交互作用探测可以用于定量分析多个自变量X与因变量Y之间的关系.
2.2.4.1 因子探测因子探测用于探测因变量Y的空间分异性, 并识别各探测因子X在多大程度上解释了Y的空间分异.探测因子X的影响力大小用q值表示, q值域为[0, 1], q值越大, 表示自变量X对因变量Y的解释力越强, 反之则越弱.公式如下：
|
(5) |
|
(6) |
式中, h = 1，…，L；L为变量Y或因子X的分层, 即分类和分区；Nh和N分别为层h的单元数和全区的单元数, σh2和σ2分别为层h和全区的Y值的方差.SSW和SST分别为层内方差之和（within sum of squares）和全区总方差（total sum of squares）.
2.2.4.2 交互作用探测交互作用探测是识别不同因子与因子之间的交互作用, 即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, 判断是否会增加或减弱对因变量Y空间分异性的解释力, 以及因子与因子之间是否存在一定的交互作用以及作用的强度、方向、线性及非线性等.交互作用结果判断依据见表 3.
|
|
表 3 交互作用探测 Table 3 Detection of interaction |
2.2.4.3 数据离散化
由于地理探测器要求自变量为类型量, 因此需要对相关数据量进行离散化处理, 鉴于自然间断点分级法可以较好地反映数据的分布特征[35, 36].本研究采用该方法将气象因子、社会因子等5个影响因子划分为7类；高程分为9类；坡度依据《水土保持综合治理规划通则》（GB/T15772-2008）划分为6类（≤ 5°、5°~8°、8°~15°、15°~25°、25°~35°和 > 35°）；按照坡面朝向将坡向划分为9类（平面、北、东北、东、东南、南、西南、西和西北）；土壤类型按照土纲划分为9类（淋溶土、半淋溶土、初育土、半水成土、水成土、盐碱土、人为土、铁铝土和其他）；植被类型按研究区大类标准分为8类（针叶林、阔叶林、灌丛、草丛、草甸、沼泽、栽培植被和其他）.
3 结果与分析 3.1 NDVI时间变化特征 3.1.1 年内变化基于2000~2020逐年同一月份NDVI最大值合成数据, 构建研究区NDVI年内变化曲线, 见图 2.从整体上看, 研究区NDVI年内变化趋势为单峰型曲线, 均值为0.56, 最低值为0.38, 出现在1月和2月；3月植被处于生长初期, NDVI开始上升；8月为植被生长最旺盛的季节, NDVI到达峰值为0.8；9~12月NDVI逐渐降低, 该阶段是植被生长末期, 包括植被衰落期及作物收割期.
|
图 2 山东省不同水土保持区划NDVI的年内变化 Fig. 2 Intra-annual variation in NDVI in different soil and water conservation zones in Shandong Province |
对比各水土保持区划的NDVI, Ⅲ-4-2t区、Ⅲ-4-1xt区和Ⅲ-5-2w区年内变化呈单峰型曲线, 年内NDVI均值分别为0.55、0.52和0.43, 最低值分别为0.36、0.32和0.26, 均出现在2月, 峰值出现在8月, 与山东省总体一致；而Ⅲ-5-3fn区年内变化呈双峰型曲线, 年内NDVI均值为0.64, 最低值为0.47, 出现在1月, 随后NDVI上升, 4月到达第一个峰值, 为0.73, 在6月回落至0.61, 到达拐点后再次上升, 8月到达第二个峰值, 为0.86, 9~12月NDVI逐渐降低, 植被到达生长末期.
3.1.2 年际变化2000~2020年研究区NDVI均值整体呈缓慢增长趋势, 趋势不显著（P > 0.05）.如图 3所示, NDVI在0.64~0.73波动, 多年平均值为0.70, 最小值出现在2002年, 为0.64；最大值出现在2007、2008和2020年, 为0.73, 增长速率为0.000 74 a-1, 但在2002、2013和2019年NDVI出现明显波动, 可能由降水等因素变化引起的.
|
图 3 山东省不同水土保持区划NDVI的年际变化 Fig. 3 Interannual variation in NDVI in different soil and water conservation zones in Shandong Province |
从分区角度看, 2000~2020年间各区划NDVI均值均呈缓慢增长趋势, 趋势均不显著（P > 0.05）.其中Ⅲ-5-3fn区NDVI在0.7~0.8波动, 多年平均值为0.77, 明显高于其他区划, 说明该区植被覆盖情况整体优于其他区划；其次是Ⅲ-4-2t区, NDVI范围在0.64~0.74, 多年平均值为0.71；Ⅲ-4-1xt区NDVI范围在0.61~0.71, 多年平均值略低, 为0.68；Ⅲ-5-2w区NDVI范围在0.46~0.56, 多年平均值为0.53, 明显低于其他区划.各区划NDVI在2002、2013和2019年间均出现不同程度的下降.
3.2 NDVI空间分异及变化趋势 3.2.1 空间分布格局2000~2020年山东省NDVI均值空间分异明显, 呈现西北、西南高, 北部及沿海地区低的特点（图 4）.植被覆盖整体情况较好, 2000~2020年全省NDVI均值在0.7以上, 中高覆盖和高覆盖的区域面积为133.58×103km2, 占总面积的85.16%（表 4）.
|
图 4 年均NDVI空间分布 Fig. 4 Spatial distribution of annual average NDVI |
|
|
表 4 植被覆盖等级面积及占比 Table 4 Area and proportion of vegetation coverage grade |
从分区角度看, Ⅲ-4-2t区和Ⅲ-4-1xt区主要以中高覆盖为主, 面积分别为46.2×103 km2和21.7×103 km2, 占其区划面积的70.52%和70.98%, Ⅲ-5-3fn区主要为中高覆盖及高覆盖, 面积分别为19.81×103 km2和22.22×103 km2, 占其区划面积的44.21%和49.55%；Ⅲ-5-2w区植被覆盖度较低, 低、中低覆盖主要集中在北部的黄河三角洲、莱州湾以及城镇建设区.
3.2.2 空间变化趋势研究区各等级植被覆盖转移分析结果显示, 2000~2020年间NDVI总转移面积为73.01×103 km2, 占比为46.5%, 其中, 低、中低、中和中高覆盖面积减少, 高覆盖面积增长（图 5和表 5）.NDVI等级转移主要为流向相邻更高等级, 其中以“中高覆盖→高覆盖”为主（面积为35.32×103 km2, 占比为22.5%）, “中覆盖→中高覆盖”次之（面积为12.54×103 km2, 占比为7.99%）, 主要集中在Ⅲ-4-2t区东北部、Ⅲ-4-1xt区西部及Ⅲ-5-2w区.总体来看, 2000~2020年有12.09%区域的NDVI向更低等级转化, 但有34.41%区域的NDVI转向更高等级, 表明研究区植被覆盖转化以正向演进为主, 生态环境整体向好.
|
图 5 2000和2020年NDVI等级转移分布 Fig. 5 Distribution of NDVI class shifts in 2000 and 2020 |
|
|
表 5 2000年和2020年山东省植被覆盖等级转移矩阵×103/km2 Table 5 Matrix of vegetation cover class transfer in Shandong Province in 2000 and 2020×103/km2 |
从演化趋势看（图 6和表 6）, 2000~2020年NDVI趋势均值为0.000 5 a-1（-0.045~0.042）, 改善面积为96.514×103 km2, 占比为61.47%, 其中以不显著改善为主, 占比为59.97%, 主要分布在Ⅲ-4-2t区、Ⅲ-5-3fn区及Ⅲ-4-1xt区.通过显著性检验的区域面积为2.364×103 km2, 占比为1.5%, 均为极显著和显著改善, 零星分布于全省各地.整体来看, 2000~2020年研究区变化趋势表现出明显的异质性, 植被改善区域面积远大于退化区域面积, 生态恢复成效显著, 与空间分布变化分析结果一致.
|
图 6 NDVI变化趋势空间分布 Fig. 6 Spatial distribution of NDVI change trend |
|
|
表 6 NDVI变化趋势面积及占比 Table 6 Area and proportion of NDVI change trend |
3.2.3 重心演化分析
研究区2000、2010和2020年植被高覆盖重心迁移路径表明（图 7）, 研究时段内高覆盖重心在一定范围内交替出现, 整体往东北方向迁移.从分区角度看, Ⅲ-4-1xt区高覆盖重心往中部迁移, Ⅲ-5-3fn区和Ⅲ-4-2t区高覆盖重心往东北方向迁移, Ⅲ-5-2w区在2000年和2020年高覆盖分布比较分散, 不存在高覆盖重心, 2010年高覆盖重心出现在中部.
|
图 7 高覆盖重心迁移路径 Fig. 7 Migration path of high coverage center of gravity |
地理探测器的结果表明, 除高程和坡度外, 各因子对NDVI空间分异性的解释力均通过P < 0.001显著性检验, 表明其q值具有统计学意义, 其排序为：土壤类型 > 人口密度 > 气温 > 植被类型 > 相对湿度 > 蒸发量 > 坡向 > 降水.如图 8所示, 土壤类型和人口密度是影响山东省NDVI空间分异的主导因子, q值分别为0.174和0.130, 其次是气温、植被类型和相对湿度, 其他因子影响力微弱, q值均低于0.05.
|
X1表示人口密度, X2表示年均温, X3表示年降水量, X4表示年蒸发量, X5表示年相对湿度, X6表示高程, X7表示坡度, X8表示坡向, X9表示土壤类型, X10表示植被类型 图 8 单因子探测q值 Fig. 8 The q values of single factor detection |
从水土保持区划角度来看, 各因子对植被生长的影响在不同水土保持区划表现出明显的差异性.人口密度q值在Ⅲ-5-3fn区、Ⅲ-4-2t区和Ⅲ-4-1xt区为最高, 均高于0.22, 与全省相比较, 人口密度对NDVI空间分异的影响力在这3个区显著增强, 而在Ⅲ-5-2w区明显减弱.土壤类型和气温在Ⅲ-4-1xt区和Ⅲ-5-2w区的影响力较高, q值均高于0.12.植被类型和坡向在Ⅲ-5-2w区影响力较高.蒸发量在Ⅲ-4-2t区和Ⅲ-4-1xt区影响力较高.相对湿度、降水在各区划影响力微弱, q值均低于0.05.相比于全省而言, Ⅲ-5-2w区主导因子和次要因子影响力更强, q值增大；其他水土保持区划的部分主导因子和次要因子影响力有所减弱, q值降低.
3.3.2 交互因子探测全省交互探测因子表明[图 9（a）], 影响因子交互作用q值均高于单因子作用的q值, 说明双因子交互作用会增强对NDVI空间分异的影响力, 且各因子交互作用均表现为双因子增强和非线性增强两种关系, 不存在减弱和独立的关系, 表明任意双因子之间的交互作用对NDVI空间分异的解释力较单因子的解释力均有显著提升.其中, 土壤类型与其他因子的交互作用影响力最强, q值均超过0.17；人口密度与其他因子交互作用影响力也普遍较高, q值均超过0.13, 进一步验证了土壤类型和人口密度对山东省NDVI空间分异的影响力占据主导地位.
|
X1表示人口密度, X2表示年均温, X3表示年降水量, X4表示年蒸发量, X5表示年相对湿度, X6表示高程, X7表示坡度, X8表示坡向, X9表示土壤类型, X10表示植被类型 图 9 交互因子探测q值 Fig. 9 The q values of interaction factor detection |
从水土保持区划角度来看, 各影响因子间的交互作用在不同水土保持区划表现出较大差异[图 9（b）~9（e）].Ⅲ-5-3fn区, 人口密度∩相对湿度的q值最高；Ⅲ-4-2t区, 人口密度∩土壤类型的q值最高；Ⅲ-4-1xt区, 人口密度∩土壤类型的q值最高；Ⅲ-5-2w区, 土壤类型∩植被类型q值最高, 且土壤类型和植被类型与其他各因子交互作用q值均超过0.22, 进一步说明土壤类型和植被类型对Ⅲ-5-2w区NDVI空间分异的影响力占据主导地位.由上述可知, 各区划影响因子对NDVI空间分异的影响力存在明显差异, 且除Ⅲ-5-2w区外, 各个区划人口密度与其他因子交互作用的q值均为最高, 进一步说明了人口密度是NDVI变化的主要影响因子.
4 讨论 4.1 NDVI动态变化山东省NDVI年内变化具有明显的季节特征, 且各水土保持区划之间存在差异.Ⅲ-4-2t区、Ⅲ-4-1xt区和Ⅲ-5-2w区NDVI年内变化曲线呈单峰型, 最大值出现在8月, 而Ⅲ-5-3fn区NDVI年内变化曲线为双峰型, 最大值出现在4月及8月.这是由于Ⅲ-5-3fn区是冬小麦、玉米等农作物的主要产区[37], 植被及各农作物在2月开始返青, 4~5月正值冬小麦生长后期, NDVI达到第一个峰值, 6月进入小麦的成熟和收割期, NDVI急剧下降, 在6月出现拐点, 随后8月为植被及其他农作物生长最旺盛的季节, NDVI达到第二个峰值.
从年际变化看, 2000~2020年山东省NDVI均值呈波动增长趋势, 在2002、2013和2019年出现明显下降, 可能由该时段内发生的极端干旱气候事件导致[38], 其中2002年遭遇百年一遇严重干旱[39], NDVI降幅最为明显.作为农业大省, 山东省植被占比77.54%[40], 主要植被类型为栽培植被, 针叶林和阔叶林次之, 干旱的持续性和严重性造成农作物减产及播种困难.同时, 在持续性高温, 蒸发量增大, 降水量偏少的情况下, 地表蓄水量的迅速锐减, 地下水位的大幅度下降, 将会使得植被生长环境恶化, 部分植被消亡, 导致植被覆盖度下降[15, 41~43].
从空间分布看, 山东省NDVI呈西北、西南高, 北部及沿海地区低的分布特点, 整体较高, 高覆盖和中高覆盖面积占比较大, 主要集中在Ⅲ-5-3fn区、Ⅲ-4-2t区和Ⅲ-4-1xt区.局部区域NDVI较低, 主要集中在Ⅲ-5-2w区, 该区北部的黄河三角洲和莱州湾地区均沿海, 土地盐碱化较重, 黄河水沙危害严重, 因此植被覆盖率较低, 这与段晨阳等[11]和于泉洲等[14]的研究结果一致.
2000~2020年, 山东省NDVI以正向演变为主, 61.47%区域面积的植被得到改善, 高覆盖重心主要往东北方向迁移.近年来各区划根据自身自然条件及经济发展模式, 分区提出水土保持工作方向、生产发展方向和水土流失防治要求, 这一系列措施使得各区NDVI持续向好发展.重心的迁移主要得益于Ⅲ-5-2w区中部、Ⅲ-4-2t区东北部的潍坊和临沂以及Ⅲ-4-1xt区烟台等地区大力发展农业, 打造新型农业模式, 积极推动果业发展, 同时也是气候与人为因素综合作用的结果[11].
4.2 NDVI空间分异影响因素分析地理探测器的分析结果表明, 土壤类型和人口密度是影响NDVI空间分异的主导因子, 其中土壤类型是第一主导因子.土壤类型的多样化与植被类型的空间分布紧密相关[44, 45].结合图 10可知, 山东省土壤类型和植被类型的分布具有明显分异性, Ⅲ-5-3fn区海拔较低, 土壤类型主要为半水成土, 自然肥力很高, 植被类型主要为栽培植被, 且为一年两熟, 故植被盖度较高；随着海拔上升, Ⅲ-4-2t区土壤类型主要为半淋溶土、淋溶土、半水成土及初育土, 保肥能力较好, 植被类型主要为阔、针叶林, 栽培植被其次；Ⅲ-4-1xt区土壤类型主要为淋溶土、初育土及半水成土, 植被类型主要为栽培植被、针、阔叶林及草丛；Ⅲ-5-2w区土壤类型主要为半水成土和盐碱土, 植被类型主要为栽培植被、草甸及灌丛, 植被生长条件相对较差, 因此区域植被覆盖度较低.
|
图 10 土壤类型与植被类型分布 Fig. 10 Distribution of soil types and vegetation types |
从水土保持区划看, 各影响因子对NDVI空间分异性的影响力存在区域差异.土壤类型是Ⅲ-4-1xt区和Ⅲ-5-2w区的主导因子, 但在Ⅲ-5-3fn区和Ⅲ-4-2t区, 土壤类型的影响力明显降低.人口密度在Ⅲ-5-2w区的影响力较弱, 但在Ⅲ-4-1xt区、Ⅲ-5-3fn区和Ⅲ-4-2t区, 人口密度是影响其NDVI空间分异性的主导因子, 且相比于全省影响力更为显著.
交互因子探测结果表明, 主导因子和次要因子的交互作用影响力高于单因子作用影响力, 表现为双因子增强和非线性增强两种关系, 说明影响因子对NDVI空间分异的影响并非独立, 也不是简单叠加, 而是相互促进.
综上, 植被变化是多因素综合作用的结果, 在不同水土保持区划中需因地制宜制定、实行生态恢复措施, 针对不同土壤、植被、气候等自然条件以及社会经济发展, 采取不同保护策略来规划、建设和改善生态环境.
5 结论（1）时间上, 2000~2020年山东省各水土保持区划NDVI年际间呈波动上升趋势, 年内变化季节性特征显著且各区存在差异, Ⅲ-5-3fn区呈双峰型变化趋势, Ⅲ-4-2t区、Ⅲ-4-1xt区和Ⅲ-5-2w区呈单峰型变化趋势.
（2）空间上, 山东省NDVI整体处于较高水平, 但各区划NDVI空间分异明显, 呈现西北、西南高, 北部及沿海地区低的特点；Ⅲ-5-3fn区、Ⅲ-4-2t区和Ⅲ-4-1xt区以高覆盖和中高覆盖为主, 分别占分区面积的为93.76%、87.37%和82.31%, Ⅲ-5-2w区以中高覆盖和中覆盖为主, 占分区面积的68.05%；2000~2020年NDVI变化以正向演进为主, 植被覆盖呈改善趋势的面积占比为61.47%, 主要变化类型为“中高覆盖→高覆盖”, 且随着国家积极推动东北部潍坊、临沂和烟台等地区新型农业的发展, 高覆盖重心往东北方向迁移.
（3）单因子探测结果表明, 在全域尺度下, 各影响因子对NDVI空间分异的影响力q值排序为：土壤类型 > 人口密度 > 气温 > 植被类型 > 相对湿度 > 蒸发量 > 坡向 > 降水, 土壤类型和人口密度为主导因子.在分区尺度下, 各影响因子对NDVI空间分异的解释力不同, 人口密度和土壤类型对Ⅲ-5-3fn区、Ⅲ-4-2t区和Ⅲ-4-1xt区NDVI空间分异的解释力相对较强, 而Ⅲ-5-2w区NDVI空间分异的主导因子是土壤类型、植被类型及气温.
（4）交互因子探测结果表明, 全域及分区尺度下, 各影响因子间协同效应均表现为双因子增强、非线性增强两种作用关系.人口密度∩相对湿度的交互作用对Ⅲ-5-3fn区NDVI空间分异的影响最高, 人口密度∩土壤类型的交互作用对Ⅲ-4-2t区和Ⅲ-4-1xt区的影响最高, 土壤类型∩植被类型的交互作用对Ⅲ-5-2w区的影响最高.
| [1] |
唐海萍, 陈玉福. 中国东北样带NDVI的季节变化及其与气候因子的关系[J]. 第四纪研究, 2003, 23(3): 318-325. Tang H P, Chen Y F. Intra-annual variability of NDVI and its relation to climate in Northeast China Transect[J]. Quaternary Sciences, 2003, 23(3): 318-325. DOI:10.3321/j.issn:1001-7410.2003.03.010 |
| [2] | Jiao W Z, Wang L X, Smith W K, et al. Observed increasing water constraint on vegetation growth over the last three decades[J]. Nature Communications, 2021, 12(1). DOI:10.1038/s41467-021-24016-9 |
| [3] | 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 |
| [4] |
胡玉福, 邓良基, 刘宇, 等. 基于RS和GIS的大渡河上游植被覆盖时空变化[J]. 林业科学, 2015, 51(7): 49-59. Hu Y F, Deng L J, Liu Y, et al. Temporal and spatial variation of the vegetation coverage in upper Dadu River based on RS and GIS[J]. Scientia Silvae Sinicae, 2015, 51(7): 49-59. |
| [5] |
李生勇, 王晓卿, 李彪. 基于MODIS数据的科尔沁区植被覆盖时空变化分析[J]. 长江科学院院报, 2016, 33(2): 118-122, 127. Li S Y, Wang X Q, Li B. Spatio-temporal analysis of vegetation cover change based on MODIS data in Horqin District[J]. Journal of Yangtze River Scientific Research Institute, 2016, 33(2): 118-122, 127, 127. |
| [6] | Masek J G, Goward S N, Kennedy R E, et al. United states forest disturbance trends observed using Landsat time series[J]. Ecosystems, 2013, 16(6): 1087-1104. DOI:10.1007/s10021-013-9669-9 |
| [7] |
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. |
| [8] |
雷茜, 胡忠文, 王敬哲, 等. 1985—2015年中国不同生态系统NDVI时空变化及其对气候因子的响应[J]. 生态学报, 2023, 43(15): 6378-6391. Lei Q, Hu Z W, Wang J Z, et al. Spatiotemporal dynamics of NDVI in China from 1985 to 2015: ecosystem variation, regional differences, and response to climatic factors[J]. Acta Ecologica Sinica, 2023, 43(15): 6378-6391. |
| [9] |
付含培, 王让虎, 王晓军. 1999-2018年黄河流域NDVI时空变化及驱动力分析[J]. 水土保持研究, 2022, 29(2): 145-153, 162. Fu H P, Wang R H, Wang X J. Analysis of spatiotemporal variations and driving forces of NDVI in the Yellow River basin during 1999-2018[J]. Research of Soil and Water Conservation, 2022, 29(2): 145-153, 162. |
| [10] |
张乐艺, 李霞, 冯京辉, 等. 2000-2018年黄河流域NDVI时空变化及其对气候和人类活动的双重响应[J]. 水土保持通报, 2021, 41(5): 276-286. Zhang L Y, Li X, Feng J H, et al. Spatial-temporal changes of NDVI in Yellow River basin and its dual response to climate change and human activities during 2000-2018[J]. Bulletin of Soil and Water Conservation, 2021, 41(5): 276-286. |
| [11] |
段晨阳, 王晓艳. 山东省植被覆盖的时空变化分析[J]. 地理空间信息, 2022, 20(10): 49-53, 81. Duan C Y, Wang X Y. Spatio-temporal change analysis of vegetation cover in Shandong Province[J]. Geospatial Information, 2022, 20(10): 49-53, 81. |
| [12] |
呼海涛, 畅易飞, 王凯博. 2000-2020年陕西省植被覆盖时空变化多尺度分析[J]. 水土保持研究, 2023, 30(3): 345-352. Hu H T, Chang Y F, Wang K B. Multi-scale analysis of spatiotemporal change of vegetation cover in Shaanxi Province from 2000 to 2020[J]. Research of Soil and Water Conservation, 2023, 30(3): 345-352. |
| [13] |
庄会波, 季妤, 高振勇, 等. 1998-2018年山东省植被覆盖变化及其水文响应规律研究[J]. 中国农村水利水电, 2021(10): 8-14, 20. Zhuang H B, Ji Y, Gao Z Y, et al. Research on vegetation cover changes and hydrological responses in Shandong Province from 1998 to 2018[J]. China Rural Water and Hydropower, 2021(10): 8-14, 20. |
| [14] |
于泉洲, 梁春玲, 刘煜杰, 等. 基于MODIS的山东省植被覆盖时空变化及其原因分析[J]. 生态环境学报, 2015, 24(11): 1799-1807. Yu Q Z, Liang C L, Liu Y J, et al. Analysis of vegetation spatio-temporal variation and driving factors in Shandong Province based on MODIS[J]. Ecology and Environmental Sciences, 2015, 24(11): 1799-1807. |
| [15] |
宋鹏飞, 季民, 李刚. 山东省近10年植被覆盖度变化与气候因子相关性分析[J]. 测绘通报, 2018(12): 109-113. Song P F, Ji M, Li G. Correlation analysis of vegetation coverage change and climatic factors in Shandong Province[J]. Bulletin of Surveying and Mapping, 2018(12): 109-113. |
| [16] |
钞振华, 张培栋, 袁赛帅. 山东省MODIS遥感植被指数时空变化研究[J]. 生态环境学报, 2012, 21(10): 1660-1664. Chao Z H, Zhang P D, Yuan S S. Temporal and spatial variation of MODIS vegetation index for Shandong Province[J]. Ecology and Environmental Sciences, 2012, 21(10): 1660-1664. |
| [17] | 高吉喜, 史园莉, 张宏伟, 等. 中国区域250米归一化植被指数数据集(2000-2022)[DS/OL]. 国家青藏高原科学数据中心, https://doi.org/10.11888/Terre.tpdc.300328, 2023. |
| [18] |
邱凤婷, 过志峰, 张宗科, 等. 大湄公河次区域植被覆盖时空变化特征及其与气象因子的关系[J]. 南京林业大学学报(自然科学版), 2022, 46(2): 187-195. Qiu F T, Guo Z F, Zhang Z K, et al. Spatio-temporal change characteristics of vegetation coverage and its relationship with meteorological factors in the Greater Mekong Subregion[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2022, 46(2): 187-195. |
| [19] | 彭守璋. 中国1km分辨率逐月平均气温数据集(1901-2022)[DS/OL]. 国家青藏高原科学数据中心, https://doi.org/10.11888/Meteoro.tpdc.270961, 2019. |
| [20] | 彭守璋. 中国1km分辨率逐月降水量数据集(1901-2021)[DS/OL]. 国家青藏高原科学数据中心, https://doi.org/10.5281/zenodo.3185722, 2020. |
| [21] |
刘艳, 李杨, 崔彩霞, 等. MODIS MOD13Q1数据在北疆荒漠化监测中的应用评价[J]. 草业学报, 2010, 19(3): 14-21. Liu Y, Li Y, Cui C X, et al. Evaluation of MODIS MOD13Q1 data in desertification in the north area of Xinjiang[J]. Acta Prataculturae Sinica, 2010, 19(3): 14-21. |
| [22] | Thakur S, Mondal I, Bar S, et al. Shoreline changes and its impact on the mangrove ecosystems of some islands of Indian Sundarbans, North-East coast of India[J]. Journal of Cleaner Production, 2021, 284. DOI:10.1016/j.jclepro.2020.124764 |
| [23] |
石淞, 李文, 翟育涔, 等. 中国东北虎豹国家公园植被NDVI时空变化及原因探究[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 31-41. Shi S, Li W, Zhai Y C, et al. Spatiotemporal changes of vegetation NDVI and those reasons in northeast China Tiger and Leopard National Park[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 31-41. |
| [24] |
赵伟, 高博, 卢清, 等. 2006~2019年珠三角地区臭氧污染趋势[J]. 环境科学, 2021, 42(1): 97-105. Zhao W, Gao B, Lu Q, et al. Ozone pollution trend in the Pearl River delta region during 2006-2019[J]. Environmental Science, 2021, 42(1): 97-105. |
| [25] | Gao X, Huang X X, Lo K, et al. Vegetation responses to climate change in the Qilian Mountain Nature Reserve, Northwest China[J]. Global Ecology and Conservation, 2021, 28. DOI:10.1016/j.gecco.2021.e01698 |
| [26] |
韩新宇, 高露双, 秦莉, 等. 林分密度对兴安落叶松径向生长-气候关系的影响[J]. 南京林业大学学报(自然科学版), 2024, 48(2): 182-190. Han X Y, Gao L S, Qin L, et al. Effect of stand density on radial growth-climate relationship of Larix gmelinii [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2024, 48(2): 182-190. |
| [27] |
赵珍珍, 冯建迪. 1980-2016年科尔沁沙地土地利用重心的时空迁移特征[J]. 水土保持通报, 2019, 39(4): 256-260, 299. Zhao Z Z, Feng J D. Spatial-temporal evolution features of land use gravity center in Horqin sandy land during 1980-2016[J]. Bulletin of Soil and Water Conservation, 2019, 39(4): 256-260, 299. |
| [28] |
童珊, 曹广超, 闫欣, 等. 祁连山南坡2000—2020年植被覆盖时空演变及其驱动因素分析[J]. 山地学报, 2022, 40(4): 491-503. Tong S, Cao G C, Yan X, et al. Spatial-temporal evolution of vegetation cover and its driving factors on the South slope of the Qilian Mountains, China from 2000 to 2020[J]. Mountain Research, 2022, 40(4): 491-503. |
| [29] |
吴炳伦, 孙华, 石军南, 等. 2000—2018年深圳市植被覆盖动态变化与预测[J]. 应用生态学报, 2020, 31(11): 3777-3785. Wu B L, Sun H, Shi J N, et al. Dynamic change and prediction of vegetation cover in Shenzhen, China from 2000 to 2018[J]. Chinese Journal of Applied Ecology, 2020, 31(11): 3777-3785. |
| [30] |
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. |
| [31] | Huang J X, Wang J F, Bo Y C, et al. Identification of health risks of hand, foot and mouth disease in China using the geographical detector technique[J]. International Journal of Environmental Research and Public Health, 2014, 11(3): 3407-3423. |
| [32] | Wang J F, Hu Y. Environmental health risk detection with geogDetector[J]. Environmental Modelling & Software, 2012, 33: 114-115. |
| [33] | Cao F, Ge Y, Wang J F. Optimal discretization for geographical detectors-based risk assessment[J]. GIScience & Remote Sensing, 2013, 50(1): 78-92. |
| [34] | Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127. |
| [35] |
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. |
| [36] |
高思琦, 董国涛, 蒋晓辉, 等. 基于地理探测器的三江源植被变化及自然驱动因子分析[J]. 水土保持研究, 2022, 29(4): 336-343. Gao S Q, Dong G T, Jiang X H, et al. Analysis of vegetation coverage changes and natural driving factors in the Three-River Headwaters region based on geographical detector[J]. Research of Soil and Water Conservation, 2022, 29(4): 336-343. |
| [37] |
姜亚珍, 张瑜洁, 孙琛, 等. 基于MODIS-EVI黄淮海平原冬小麦种植面积分带提取[J]. 资源科学, 2015, 37(2): 417-424. Jiang Y Z, Zhang Y J, Sun C, et al. MODIS-EVI based winter wheat planting information extraction of zoning on Huanghuaihai Plain[J]. Resources Science, 2015, 37(2): 417-424. |
| [38] |
任建成, 王峰, 卢晓宁. 基于SPEI的山东省干旱时空变化特征及趋势分析[J]. 灌溉排水学报, 2021, 40(12): 127-135. Ren J C, Wang F, Lu X N. Spatiotemporal variation of drought in Shandong Province analyzed using the standardized precipitation-evapotranspiration index[J]. Journal of Irrigation and Drainage, 2021, 40(12): 127-135. |
| [39] |
张胜平, 陈希村, 苏传宝, 等. 2002年山东省严重干旱分析[J]. 水文, 2004, 24(3): 42-45. Zhang S P, Chen X C, Su C B, et al. Analysis on the severe drought of Shandong Province in 2002[J]. Journal of China Hydrology, 2004, 24(3): 42-45. |
| [40] | 山东省自然资源厅. 山东省第一次全国地理国情普查公报[EB/OL]. http://dnr.shandong.gov.cn/zwgk_324/xxgkml/ywdt/tzgg_29303/201709/t20170920_2453763.html, 2017-08-02. |
| [41] |
马梓策, 孙鹏, 姚蕊, 等. 内蒙古地区干旱时空变化特征及其对植被的影响[J]. 水土保持学报, 2022, 36(6): 231-240. Ma Z C, Sun P, Yao R, et al. Temporal and spatial variation of drought and its impact on vegetation in inner Mongolia[J]. Journal of Soil and Water Conservation, 2022, 36(6): 231-240. |
| [42] |
陆梦恬. 长江流域干旱和热浪对植被绿度和生产力的影响研究[D]. 杭州: 浙江大学, 2022. Lu M T. Effects of drought and heat wave on vegetation greenness and productivity in the Yangtze River Basin[D]. Hangzhou: Zhejiang University, 2022. |
| [43] |
徐晨, 阮宏华, 吴小巧, 等. 干旱影响森林土壤有机碳周转及积累的研究进展[J]. 南京林业大学学报(自然科学版), 2022, 46(6): 195-206. Xu C, Ruan H H, Wu X Q, et al. Progresses in drought stress on the accumulation and turnover of soil organic carbon in forests[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2022, 46(6): 195-206. |
| [44] |
王志国. 乌拉特荒漠区域土壤特征及其与植被类型的关系[D]. 呼和浩特: 内蒙古农业大学, 2021. Wang Z G. Soil characteristics and their relationship with vegetation types in the Urat desert[D]. Hohhot: Inner Mongolia Agricultural University, 2021. |
| [45] |
宋歌, 韩芳, 许景伟, 等. 基于LandUSEM模型的山东沿海防护林树种分布适宜性分析[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 42-50. Song G, Han F, Xu J W, et al. Distribution suitability analysis of the tree species of shelter forest in coastal area of Shandong based on LandUSEM model[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 42-50. |