2025, Vol. 46
2. 河北农业大学资源与环境科学学院, 保定 071001
2. School of Resources and Environmental Sciences, Hebei Agricultural University, Baoding 071001, China
植被覆盖度（fractional vegetation cover, FVC）是植物的地上部分在地面上投影的面积与统计区总面积的比值[1]. 探索FVC的变化规律并掌握其潜在驱动机制, 对揭示自然、环境和人为变化中陆地生态系统的可持续性问题至关重要[2~5]. 温度和降水对FVC普遍具有影响能力[6~9], 且影响规律经常显示非线性模式, 例如, 温度上升通常会促进植物的光合作用, 但超过特定的阈值, 光合作用速率可能会降低；同样, 降水不足和过多都会对FVC产生不利影响[10]. 地形因素（包括海拔、坡度、坡向等）和水文条件, 对FVC都会产生直接或间接的影响[11]. 不同的土地利用类型对植物生长、分布也有不同的影响[12, 13], 进而对FVC产生不同的驱动力[14~16]. 土地集约化耕作和过度放牧会导致FVC水平下降[17, 18], 而生态工程措施增强生态系统活力并促进FVC提升[19, 20]. 从1980年到21世纪初, 全球陆地FVC总体呈上升趋势, 增长速度因地区和生态系统类型的不同而异[21]. 高纬度地区FVC的增长速度正在缓慢降低, 热带地区由于极端气候导致FVC下降[22, 23]. FVC会随着时间的推移对环境条件的差异响应而发生显著波动, 以上波动可能受到气候、土地利用、植被类型和土壤养分等多种因素的影响[24], 并显示出各种非线性属性, 包括相移、周期性变化及饱和度变化[25]. 因此, 孤立地看这些驱动因素并不能全面阐明FVC与气候和环境变量之间的复杂关系[26], 并且不能忽视气候变化与人类活动之间可能存在的相互作用[27, 28]. 由于不同区域的环境条件差异很大, 导致FVC驱动因素的空间异质性明显, 使生态系统功能和生态机制存在差异[29].
地理探测器是探测和揭示FVC背后驱动力的一组统计学方法, 它能够探测各解释变量对FVC的贡献率, 能从庞大的空间数据库中提取有用的空间关联规则[30]. 在传统的地理探测器模型中, 空间数据的离散化受主观判断影响较大, 通过使用基于最优参数的地理探测器（OPGD）模型, 可以自动对连续变量的离散化进行方法选择和区段确定, 这种参数优化过程更准确和有效地提取嵌入在FVC变化的空间解释变量中的地理属性和信息[31]. 京津冀地区涵盖森林、湿地、草原、山脉和峡谷等多种资源, 在维护全球生态平衡和促进中国可持续发展方面发挥着至关重要的作用. 近年来, 京津冀地区FVC的研究主要集中在探究其时空分布特征[32]、研究气候对FVC的影响[33]、讨论FVC与土地利用变化之间的相关性[34, 35]等方面, 虽然取得了一定的进展, 但对FVC的驱动机制认识仍然不足, 迫切需要揭示推动FVC变化的多元耦合效应, 由于京津冀地区的地形、人类活动和气候错综复杂, 这种效应尤为明显.
本文拟基于2002~2020年长时间序列遥感监测数据, 利用线性回归、趋势分析探究京津冀植被覆盖度（FVC）的时空分布格局, 采用偏相关分析、最优参数地理探测器技术, 选取代表地形、气候、岩土类型和人类活动等影响因素的25个具体变量, 研究导致FVC时空分异的多元复杂驱动机制, 识别导致FVC变化的主导驱动因素, 分析它们的交互作用和因子间的影响差异显著性等问题, 进而确定促进FVC增加的合适特征或因素范围, 以期为更细致地了解京津冀地区植被生态系统动态及制定精准管护措施奠定数据基础.
1 材料与方法 1.1 研究区概述京津冀地区（图 1）位于华北平原北部, 处于纬度36°05'~42°40'N和经度113°27'~119°50'E之间, 包含北京、天津两个直辖市以及河北省的石家庄、唐山、秦皇岛、沧州、衡水、保定、廊坊、邢台、邯郸、承德、张家口这11个地级市. 作为中国北方经济规模最大、最具经济活力的地区, 京津冀越来越引起中国和全世界的关注. 地区总面积约为21.8万km2, 约占全国总面积的2.81%, 2023年地区生产总值10.4万亿元, 常住人口1.1亿人左右, 其中北京和天津人口高度聚集, 人口密度为全国平均水平9倍以上.
|
图 1 京津冀地理位置、土壤类型和岩石类型 Fig. 1 Geographical location, soil types, and rock types of Beijing, Tianjin, and Hebei |
京津冀属于大陆性季风气候, 春秋两季较为短促, 气候宜人, 夏季炎热, 冬季干燥寒冷, 全区南北气温相差较大, 年平均气温从北向南逐渐升高, 降水多集中于夏季且常以暴雨形式出现, 降水量分布不均匀. 境内地貌复杂, 其地势自西北向东南倾斜, 山地、盆地和丘陵集中在北部和西北部, 平原区分布在中部、南部和东南部（图 2）. 丰富多样的地貌和四季分明的天气造就了京津冀不同的植被类型, 土地利用类型中耕地面积最高, 占总面积的46%, 其次为森林植被, 占比21%.
|
图 2 京津冀海拔、坡度和坡向 Fig. 2 Altitude, slope, and aspect of Beijing, Tianjin, and Hebei |
社会数据：财政收入、一产GDP、二产GDP、三产GDP和人均GDP来自各市和县统计年鉴, GDP密度、夜间灯光和人口密度来自中国科学院资源环境科学与数据中心（https://www.resdc.cn）, 空间分辨率是1 km. 地形数据：包括粗糙度、高程、坡度、坡向、起伏度、经度、纬度和地貌类型数据. 地形数据来自地理空间数据云（http://www.gscloud.cn）, 空间分辨率是1 km. 气候数据：包括地表气温（LST）、累计降水、平均气温、蒸散量（ET）和辐射数据. 气候数据来自国家青藏高原科学数据中心（https://data.tpdc.ac.cn）, 空间分辨率是1 km. 土地、植被和土壤数据：土地、植被和土壤数据来自中国科学院资源环境科学与数据中心（https://www.resdc.cn）, 空间分辨率是1 km. 数据来源如表 1所示.
|
表 1 数据来源1） Table 1 Data sources |
1.2.2 数据预处理
对社会数据、地形数据、气候数据和土地、植被和土壤数据进行了预处理（表 2）.
|
|
表 2 数据预处理 Table 2 Data pre-processing |
1.3 研究方法 1.3.1 像元二分模型
NDVI作为表征地表植被覆盖变化的因子, 与FVC有显著的线性关系. 像元二分模型假设像元可以分为植被覆盖的地表和无植被覆盖的地表两个部分[36]. 将光谱中的混合像元信息通过线性加权合成, 其中每个像元中两个组分的光谱线性合成的权重是根据它们在像元中的面积所占比例来确定的. 在像元二分模型中[37], FVC的数学表达式为：
|
(1) |
式中, NDVIV为植被覆盖部分的NDVI值；NDVIS为土壤部分的NDVI值. 参考以往研究[38], 如果选取1%的置信度, 那些在NDVI上限值对应的像元的累计频率小于1%的可以视为纯裸土像元, 即为NDVIS. 当一个像元的累计频率超过99%, 将其视为纯植被像元, 而其对应的NDVI下限值被称为NDVIV.
1.3.2 趋势分析法趋势分析法可以揭示整个区域内的植被变化趋势[39]. 其公式为：
|
(2) |
式中, i为年份的序号, FVCi为第i年的植被覆盖度, θslope为变化的斜率. 当θslope为正时, 意味着图像中的像素表示植被覆盖正在增加, 当θslope为负时, 意味着图像中的像素表示植被覆盖正在减少. 为了进一步评价植被覆盖变化状况, 采用F检验法对FVC变化趋势进行显著性分析, 用于表示趋势变化置信度的高低.
1.3.3 偏相关分析在地理系统中, 为了准确研究降水或气温对植被覆盖的影响, 需要将其他要素固定为常数, 并将注意力集中在分离出特定变量上, 即偏相关分析[40], 计算公式为：
|
(3) |
|
(4) |
式中, rxy为变量x和y的简单相关系数；n为样本数；x和y分别为变量x和y的均值. rxy, z为固定变量z后, 变量x与y的偏相关系数.
1.3.4 最优参数地理探测器（OPGD）（1）空间分化与因子检测 因子检测器使用Q统计量来评估解释变量的相对显著性[35]. Q统计量将整个研究区域的观测方差与变量层内的方差进行了对比[41]. 因子解释能力（Q）的计算模型阐明如下：
|
(5) |
式中, Q为因素对FVC的解释力, Q值的范围为[0, 1], 当Q值越大, 因子对FVC的解释力越强；h=1, 2, …, L, 为FVC和影响因子的分层；Nh和N分别是第h层和整个区域的单位数. σh2和σ2是第h层和整个区域的方差. 在极端情况下, Q值为1表示因子X完全控制了Y的空间分布, Q值为0表示因子X对Y没有影响.
Y值在整个区域的方差计算公式如下：
|
(6) |
式中, Yi和Y分别为研究区第i个样本的值和Y区的平均值.
|
(7) |
式中, Yh, i和Yh分别是第i个样本的值和Y在区域h中的平均值.
（2）参数优化 研究中的因子检测器用于计算每个连续变量的Q值, 通过考虑离散化方法和箱数量的各种组合来确定最佳参数. 因子检测器使用不同的分类方法和箱数量, 对与地理空间数据相关的每个连续变量的Q值进行计算[35]. 选择产生最高Q值的参数组合作为最佳离散化方法. 这种选定的参数组合有效地捕获了空间分层的异质性, 特别关注关键连续变量的重要性[35].
（3）因子交互作用的检测 因子相互作用的识别涉及确定重叠的两个空间变量之间的交互效应, 使用因子检测器来评估它们的相对重要性. 空间相互作用与两个空间解释变量的综合影响有关[35]. 交互检测器通过将交互作用的Q值与两个单独变量的Q值进行对比来分析这些交互作用. 这些交互作用可以揭示两个空间变量之间的关系是递减、放大还是独立. 相互作用检测器探索了5类相互作用, 即非线性衰减、单变量衰减、双变量增强、独立性和非线性增强[42]. 以上分类有助于理解各种因素之间的相互作用模式, 从而更深入地了解影响植被FVC变化的机制和影响因素. 因此, 相互作用检测器的结果包含相互作用的Q值和相互作用的类型.
（4）风险区检测 用于评估两个因素的子区域之间的平均特征是否存在显着差异[35]. 这种方法有助于精确定位以有利于植被覆盖率为标志的区域[41]. 在风险区检测中, t统计量用于执行以下测试：
|
(8) |
式中, Yh为子区域h中FVC的平均值, nh为子区域h中的样本数, Var为平方偏差.
2 结果与分析 2.1 FVC的时空变化特征从图 3可知, 2002~2020年京津冀地区年均FVC呈波浪式的减小趋势, 线性减小率为0.002 4 a-1. 在2020年FVC出现最小值, 在2007年FVC出现最大值. 将FVC分为5级：Ⅰ级为低覆盖度（FVC < 0.20）、Ⅱ级为较低覆盖度（FVC：0.20~0.40）、Ⅲ级为中覆盖度（FVC：0.40~0.60）、Ⅳ级为较高覆盖度（FVC：0.60~0.80）和Ⅴ级为高覆盖度（FVC > 0.80）. 京津冀地区平均FVC为0.62, 表明多年植被FVC处于中高水平, 但不同地区差异较大, 京津冀地区植被覆盖地域特征明显（图 4）. Ⅰ级植被区主要分布在张家口、北京和天津等部分区域, 该地区常年受人类活动影响, 不适宜植被发育. 在承德、保定、邯郸和邢台等区域, 植被覆盖良好, 几乎全为Ⅴ级植被区.
|
图 3 2002~2020年京津冀FVC年际变化和FVC空间分布 Fig. 3 Inter annual variation in FVC in Beijing, Tianjin, and Hebei from 2002 to 2020 |
|
图 4 2002~2020年京津冀FVC空间分布 Fig. 4 Spatial distribution of FVC in Beijing, Tianjin, and Hebei from 2002 to 2020 |
为了进一步评价植被覆盖变化状况, 采用F检验法对FVC变化趋势进行显著性分析, 并将趋势分析的结果与显著性检验的结果相结合, 得到像元尺度的FVC变化趋势（图 5）. FVC显著增加的面积占研究区总面积的18.03%, 主要呈块状分布在河北省北部的张家口和承德等部分区域；FVC显著减少的面积占研究区总面积的28.73%, 主要零星分布在北京、天津、唐山、秦皇岛、廊坊、邢台和邯郸等地区；FVC不显著变化的面积占研究区总面积的54.23%, 分布于京津冀地区其他区域, 总体上FVC显著增加的面积小于FVC显著减少的面积（表 3）.
|
图 5 2002~2020年京津冀FVC变化趋势 Fig. 5 Trend of FVC variation in Beijing, Tianjin, and Hebei from 2002 to 2020 |
|
|
表 3 FVC变化趋势统计 Table 3 Statistics on the trend of FVC changes |
2.2 FVC变化的驱动因素分析 2.2.1 连续变量的离散化
如表 4和图 6所示, 离散化方法的最佳参数组合和断点数因所采用的解释变量而异. 财政收入（X1）、第二产业GDP（X3）、第三产业GDP（X4）、人均GDP（X5）、粗糙度（X6）、坡度（X8）、起伏度（X10）和ET（X19）建议采用分别有8个、8个、9个、9个、8个、8个、8个和9个间隔的分位数间隔中断；高程（X7）、纬度（X12）、地表气温（LST）（X13）、平均气温（X15）、GDP密度（X16）和夜间灯光（X17）建议采用分别有8个、9个、8个、8个、9个和9个间隔的自然间隔中断；第一产业GDP（X2）、经度（X11）和人口密度（X18）建议采用分别有6个、8个和9个间隔的标准差间隔中断；累计降水（X14）和辐射（X20）建议都采用9个间隔的几何间隔中断.
|
|
表 4 参数离散化过程 Table 4 Parameter discretization process |
|
红线表示变量的间隔情况 图 6 参数离散化结果 Fig. 6 Parameter discretization results |
如表 5所示, ET、累计降水、土壤类型、辐射、LST和地貌类型的Q值最高, 分别为0.763 5、0.269 2、0.265 9、0.230 3、0.216 0和0.213 8. 这些变量表现出超过20%的解释能力, 表明它们是影响FVC变化的主要自然因素. 这凸显了ET、累计降水、土壤类型、辐射、LST和地貌类型作为影响FVC变化的关键自然因素的重要性. 起伏度、土地利用类型、夜间灯光、GDP密度、植被类型、第二产业GDP、第三产业GDP、坡度、财政收入、经度、人口密度和人均GDP的Q值分别为0.181 8、0.172 2、0.168 2、0.161 9、0.157 6、0.133 0、0.127 3、0.120 3、0.111 5、0.108 7、0.107 7和0.100 2, 解释力超过10%. 相比之下, 第一产业GDP、高程、岩石类型、平均气温、纬度、坡向和粗糙度的Q值最低, 分别为0.071 9、0.068 9、0.068 3、0.065 0、0.026 3、0.007 4和0.004 4, 表明解释力低于8%. 因此, ET、累计降水、土壤类型、辐射、LST和地貌类型被认为是影响FVC变化的主要因素.
|
|
表 5 单因子对FVC变化的贡献 Table 5 Contribution of single factors to changes in FVC |
2.2.3 因子交互作用的检测
如图 7所示, 发现影响FVC变化的因素中涉及非线性和双线性增强效应的显著交互作用, 同时观察到具有不同强度和特征的相互作用. 例如, LST（X13）和ET（X19）之间的交互作用Q值为0.83, 为双线性增强效应. 这表明, LST和ET对FVC变化的综合影响不是简单的累加, 而是表现出独特的相互作用模式. 此外, 自然因素和人为因素之间的相互作用对FVC的变化有很大贡献. 虽然第一产业GDP、高程、岩石类型、平均气温、纬度、坡向和粗糙度的解释力仍低于8%, 但这些因素与其他变量的综合效应表现出显著的非线性增强效应, 表明它们对FVC变化有显著影响.
|
0表示非线性增强, -1表示双线性增强, 色柱表示交互作用的强度 图 7 交互作用 Fig. 7 Interaction |
在考虑ET（X19）、累计降水（X14）、土壤类型（X24）、辐射（X20）、LST（X13）和地貌类型（X21）等相互作用时, 发现虽然双线性和非线性增强效应都很突出, 但双线性增强效应具有特别的意义. 例如, X19∩X13（0.83）的相互作用比X20∩X19（0.81）、X13∩X20（0.45）、X14∩X21（0.37）和X14∩X24（0.36）表现出更强的影响, 表明它们对FVC变化的综合影响的方向和强度. 同样, 涉及其他影响因素的相互作用也表现出不同的增强效应模式. 例如, X19∩X12（0.82）、X19∩X7（0.81）和X19∩X18（0.80）等具有不同的影响. 相互作用的方向和强度的这些细微变化强调了影响FVC变化的关系的复杂性. 例如, X19∩X12（0.82）的影响大于X19∩X7（0.81）、X19∩X18（0.80）、X13∩X20（0.45）和X14∩X24（0.36）等. 成对因素对FVC变化的影响不是独立的, 因为任何两个因素的集体效应都超过了单个因子的个体效应.
2.2.4 风险检测器如图 8所示, 风险检测器的结果表明不同解释变量范围内的数据对FVC变化的影响存在显著波动. 通过使用已识别的变量, FVC变化被准确地平均分为若干个不同的级别. 例如, 平均气温（X15）在1级（-0.902~3.74℃）内的FVC为0.73. 同样, 对于属于第8个范围（1 560~2 180 m）的海拔（X7）, FVC等于0.76. 此外, 对于土壤类型（X24）在第1个范围（淋溶土）内, FVC的测量值为0.85. 对于植被类型（X25）在第2个范围内, FVC为0.84. 最后, 关于第8范围（5.89°~22.3°）内的坡度（X8）, FVC为0.79.
|
红色填充表示FVC表现最优的区间, 灰色填充表示FVC中间值, 蓝色填充表示FVC表现最差的区间, 纵坐标的数值是变量的各个区间 图 8 风险探测均值 Fig. 8 Risk detection averages |
植被的生长和覆盖可直接或间接地受到年温度、年降水量和蒸散发量波动的影响[43]. 这些因素具有影响植物生长条件、水的可用性和光合作用的能力, 从而影响FVC[44]. 为了进一步探究蒸散发量和累计降水对FVC的影响, 计算了FVC与它们之间的偏相关系数.
（1）蒸散发量 蒸散受温度、湿度和风速等因素的影响, 在植物生长中起着举足轻重的作用. 蒸散发量水平升高会导致土壤水分迅速蒸发和消耗, 从而对植物的生长产生不利影响[45~47]. 尽管如此, 适度的蒸散也有助于植物的光合作用和生长. 因此, 蒸散和FVC之间的联系与水利用效率和植被适应性有着错综复杂的联系[48].
根据图 9所示的结果, FVC和蒸散之间存在明显空间异质性. 从表 6可知, 约83.57%的面积表明FVC与蒸散量之间存在正相关性, 显著正相关的区域占研究区域的25.25%. 显著正相关地区主要分布在京津冀地区的西北地区, 包括张家口. FVC与蒸散量呈负相关的区域占总面积的16.43%, 以上地区主要分布在的南部、中部和东部, 包括邯郸、邢台和天津. 因此, FVC与蒸散量呈正相关和负相关的地区分别占京津冀地区的83.57%和16.43%. 以上发现与Wang等[50]的结论不同, 根据他们的研究, FVC与蒸散量呈正相关和负相关的区域分别占总面积的77.95%和12.84%. 因此, 蒸散对FVC变化的正负影响在各个地区都存在显着差异[45, 46].
|
图 9 FVC与蒸散发量相关性空间分布 Fig. 9 Spatial distribution of correlation between FVC and evapotranspiration |
|
|
表 6 蒸散发量的显著性检验统计 Table 6 Significance test statistics of evapotranspiration |
（2）累计降水 降水作为植物生长的基础水资源, 对植物的生理功能和生长机制具有重要作用, 适中的年降水量促进了植物的生长并增加了FVC[50, 51]. 年降水量适中、充足的水资源和增加的土壤水分是植物生长的有利条件, 然而降水过多和不足都会对植物生长和FVC产生不利影响[52].
从图 10可以发现, FVC与年降水量之间存在空间差异性. 从表 7可知, 约47.95%的总面积显示FVC与降水呈正相关, 这些地区主要分布在京津冀地区的西北和南部地区, 包括张家口和邯郸东部等地；大约52.05%的土地面积显示FVC与年降水量呈负相关, 显著的负相关分别占研究区域的11.11%. 因此, FVC与降水呈正相关和负相关的地区分别占京津冀地区的47.95%和52.05%. 以上发现与前人[53, 54]的研究有些不同, 说明降水与FVC的关系地域差异明显. 综上所述, 累计降水对FVC的影响呈现出双重性质, 包括积极和消极的后果, 这种二元性在不同地区表现出显著的变化.
|
图 10 FVC与降水相关性空间分布 Fig. 10 Spatial distribution of correlation between FVC and precipitation |
|
|
表 7 降水的显著性检验统计 Table 7 Significance test statistics of precipitation |
3.2 地貌、土壤、土地利用和植被类型对FVC的影响
（1）地貌 地貌对植物群落的物种组成和结构起着至关重要的作用, 不同的地貌类型表现出不同的生长速率、叶面积指数和光合效率, 这直接影响FVC[55, 56]. 为了研究京津冀地区不同地貌类型植被覆盖的差异, 使用像元尺度来计算各种地貌类型的植被覆盖度的平均值.
从图 11（a）可知, 不同地貌类型下的FVC值存在一定的差异性. 大起伏中山的FVC最高, 达到0.82, 中海拔台地最低, 仅有0.28. 京津冀区域各类土壤类型FVC值大小表现为：大起伏中山 > 中起伏中山 > 小起伏低山 > 中起伏低山 > 小起伏中山 > 低海拔平原 > 低海拔丘陵 > 低海拔台地 > 中海拔丘陵 > 中海拔平原 > 中海拔台地.
|
地貌类型：1.低海拔平原, 2.中海拔平原, 3.低海拔台地, 4.中海拔台地, 5.低海拔丘陵, 6.中海拔丘陵, 7.小起伏低山, 8.小起伏中山, 9.中起伏低山, 10.中起伏中山, 11.大起伏中山 图 11 京津冀地区各地貌类型FVC均值与植被覆盖分布 Fig. 11 Mean FVC and vegetation coverage distribution of various landform types in Beijing, Tianjin, and Hebei |
统计不同地貌类型范围内各级植被覆盖区面积变化情况[图 11（b）]. 分类统计后发现, 大起伏中山的Ⅴ级植被区面积占比最大, 达到63.65%, 中海拔台地的Ⅴ级植被区面积占比最小；中海拔平原的Ⅰ级植被区面积占比最大, 达到36.41%, 中起伏低山的Ⅰ级植被区面积占比最小.
（2）土壤 植物的生长受到气候和土壤因素的共同影响. 不同的岩石在形成土壤的过程中会产生不同种类的土壤[57]. 为了研究京津冀地区不同土壤类型植被覆盖的差异, 使用像元尺度来计算各种土壤类型的植被覆盖度的平均值.
从图 12（a）可知, 不同土壤类型下的FVC值存在一定的差异性. 山地草甸土的FVC最高, 达到0.89, 碱土最低, 仅有0.00. 京津冀区域各类土壤类型FVC值大小表现为：山地草甸土 > 黑钙土 > 灰褐土 > 棕壤 > 砂姜黑土 > 水稻土 > 灰色森林土 > 褐土 > 潮土 > 沼泽土 > 粗骨土 > 黄绵土 > 风沙土 > 石质土 > 灌淤土 > 草甸土 > 新积土 > 盐土 > 其他 > 栗钙土 > 滨海盐土 > 栗褐土 > 棕色针叶林土 > 碱土.
|
土壤类型：1.棕色针叶林土, 2.棕壤, 3.褐土, 4.灰褐土, 5.灰色森林土, 6.黑钙土, 7.栗钙土, 8.栗褐土, 9.黄绵土, 10.新积土, 11.风沙土, 12.石质土, 13.粗骨土, 14.草甸土, 15.砂姜黑土, 16.山地草甸土, 17.潮土, 18.沼泽土, 19.盐土, 20.滨海盐土, 21.碱土, 22.水稻土, 23.灌淤土, 24.其他 图 12 京津冀地区各土壤类型FVC均值与植被覆盖分布 Fig. 12 Mean FVC and vegetation coverage distribution of various soil types in Beijing, Tianjin, and Hebei |
将京津冀地区土壤类型分为24类, 统计不同土壤类型范围内各级植被覆盖区面积变化情况[图 12（b）]. 分类统计后发现, 黑钙土的Ⅴ级植被区面积占比最大, 达到100%, 棕色针叶林土和碱土的Ⅴ级植被区面积占比最小；碱土的Ⅰ级植被区面积占比最大, 达到100%, 山地草甸土的Ⅰ级植被区面积占比最小.
（3）土地利用类型 不同的土地利用类型对植物生长、分布产生不同的影响[12, 13], 进而对FVC产生不同的驱动力[14~16]. 为了研究京津冀地区不同土地利用类型植被覆盖的差异, 使用像元尺度来计算各种土地利用类型的植被覆盖度的平均值.
从图 13（a）可知, 不同土地利用类型下的FVC值存在一定的差异性. 林地的FVC最高, 达到0.79, 未利用土地最低, 仅有0.43. 京津冀区域各类土地利用类型FVC值大小表现为：林地 > 耕地 > 草地 > 水域 > 城乡、工矿、居民用地 > 未利用土地.
|
土地利用类型：1.耕地, 2.林地, 3.草地, 4.水域, 5.城乡、工矿、居民用地, 6.未利用土地 图 13 京津冀地区各土地利用类型FVC均值与植被覆盖分布 Fig. 13 Mean FVC and vegetation coverage distribution of various land use types in Beijing, Tianjin, and Hebei |
统计不同土地利用类型范围内各级植被覆盖区面积变化情况[图 13（b）]. 分类统计后发现, 林地的Ⅴ级植被区面积占比最大, 达到60.20%, 未利用土地的Ⅴ级植被区面积占比最小；城乡、工矿、居民用地的Ⅰ级植被区面积占比最大, 达到27.91%, 林地的Ⅰ级植被区面积占比最小.
土地利用类型受到多种因素的影响, 包括气候、土壤条件和地形等. 此外, 人类活动对塑造土地利用模式和对FVC的深远影响不容小觑. 因此, 在评估土地利用类型对FVC的影响时, 考虑多种因素的综合影响至关重要.
（4）植被类型 植被类型对植物群落的物种组成和结构起着至关重要的作用, 不同的植被类型表现出不同的生长速率、叶面积指数和光合效率, 这直接影响FVC[58]. 例如, 高山草甸和高山针叶林以其较高的FVC水平而闻名. 在气候寒冷、降水充足的高山地区, 植物的生长季节相对较短, 但是在短时间内高海拔地区的强烈太阳辐射促进了植物的快速增长. 京津冀地区为植物生长提供了有利条件, 其特点是温度适中, 降水充沛, 表现出较高的生物多样性和错综复杂的生态系统结构, 导致FVC水平相对较高.
从图 14（a）可知, 不同植被类型下的FVC值存在一定的差异性. 落叶针叶林的FVC最高, 达到0.94, 永久湿地最低, 仅有0.41. 京津冀区域各类植被类型FVC值大小表现为：落叶针叶林 > 常绿阔叶树 > 常绿针叶林 > 落叶阔叶树 > 落叶阔叶灌木 > 草地 > 作物 > 裸地与稀疏植被 > 水体 > 城市与建筑用地 > 永久湿地.
|
植被类型：1.常绿针叶林, 2.落叶针叶林, 3.常绿阔叶树, 4.落叶阔叶树, 5.落叶阔叶灌木, 6.草地, 7.作物, 8.永久湿地, 9.城市与建筑用地, 10.裸地与稀疏植被, 11.水体 图 14 京津冀地区各植被类型FVC均值与植被覆盖分布 Fig. 14 Mean FVC and vegetation coverage distribution of various vegetation types in Beijing, Tianjin, and Hebei |
统计不同植被类型范围内各级植被覆盖区面积变化情况[图 14（b）]. 分类统计后发现, 落叶针叶林的Ⅴ级植被区面积占比最大, 达到100%, 永久湿地的Ⅴ级植被区面积占比最小；城市与建筑用地的Ⅰ级植被区面积占比最大, 达到28.45%, 落叶针叶林和常绿阔叶树的Ⅰ级植被区面积占比最小.
综上所述, 必须认识到京津冀地区的植被类型和FVC受到气候、海拔、土壤成分、降水分布和人为干预等多种因素的影响. 因此, 在京津冀地区的不同地理区域和海拔高度上, 植被类型和FVC存在显著差异.
3.3 地形因素对FVC的影响在不同地形单元中, 植物会受到温度、水分可用性和土壤养分的差异影响[59, 60]. 这些因素的改变对植物分布、物种组成和生态系统功能产生影响[61], 在植被和FVC的生长中起着关键作用. 为了研究这种影响, 统计了不同区段内的高程、坡度和起伏度平均FVC, 辨别其变化的特征.
（1）高程 随着海拔的升高, 温度和气候条件发生变化, 影响植物生长和FVC. 海拔升高的地区通常与降低的温度和增加的太阳辐射有关, 这些因素会导致植物生长速度减慢, 从而导致高海拔地区的FVC相对减少. 将京津冀地区海拔高度从低到高分为16级, 分类统计后发现（图 15）, 随着海拔的升高, FVC呈现先升高后下降再上升的趋势. 不同海拔高度上植被覆盖有不同的变化特征, 在海拔2 400~2 600 m地区, 其植被生态最好, FVC均值达到0.95, 在海拔1 400~1 600 m之间地区, 其植被生态最低, FVC均值为0.51. 因此, 海拔高度对年平均FVC的空间分布有重大影响[62].
|
横坐标表示海拔, 单位为m, 1. < 0, 2.0~200, 3.200~400, 4.400~600, 5.600~800, 6.800~1 000, 7. 1 000~1 200, 8. 1 200~1 400, 9. 1 400~1 600, 10. 1 600~1 800, 11. 1 800~2 000, 12. 2 000~2 200, 13. 2 200~2 400, 14. 2 400~2 600, 15. 2 600~2 800, 16. > 2 800 图 15 京津冀地区各海拔梯度FVC均值 Fig. 15 Mean FVC of various altitude gradients in Beijing, Tianjin, and Hebei |
（2）坡度 斜坡在影响水流、水土流失、植被生长和根系发育方面起着至关重要的作用. 陡坡地区在保水方面面临挑战, 会导致土壤侵蚀等不利条件, 并可能导致FVC降低[63]. 边坡条件对FVC的影响在不同范围内变化.
在划分的7级坡度范围内（图 16）, FVC随坡度的升高先升高后降低, 当坡度小于55°时, FVC随坡度的上升而逐渐增加. 坡度低于5°的地区地形相对平缓, 适合农业和城市发展等各种用途, 导致FVC较低. 坡度在5°~10°之间, 以中等坡度为特征的地区, 它们适用于农田、果园和牧场等各种应用, 导致FVC更高. 坡度在15°~35°之间, 年均FVC波动较大, 且显著增加. 然而, 对于超过55°的斜坡, FVC会经历剧烈波动和急剧下降. 坡度 > 15°的地区, 通常位于山区和峡谷中, 通常不适合农业, 但可用于森林保护和旅游等目的. 在坡度5°~15°的地区, 以中等陡峭的地形为特征, 它们适合农业、林业和其他活动.
|
横坐标表示坡度, 单位为（°）, 1. < 5, 2. 5~15, 3. 15~25, 4. 25~35, 5. 35~45, 6. 45~55, 7. > 55 图 16 京津冀地区各坡度FVC均值 Fig. 16 Mean FVC of each slope in Beijing, Tianjin, and Hebei |
（3）起伏度 地形起伏创造了一系列微环境和栖息地类型, 有可能增强植被类型和生态系统的多样性[64, 65]. 植被多样性通常与FVC的增加有关, 因为各种植被类型有效地利用了不同的资源和环境条件. 图 17显示, 随着地形起伏的增加, 年平均FVC呈普遍波动模式. 在0~900 m的起伏范围内, 年平均FVC呈上升趋势, 范围为0.57~0.93. 然而, 当地形起伏范围从900~1 000 m时, 年平均FVC从0.93下降到0.86. 在1 000~1 100 m起伏的地形起伏范围内, 年平均FVC呈上升趋势, 达到峰值0.96. 然而, 一旦地形起伏范围超过1 100 m, 年平均FVC就会大幅下降.
|
横坐标表示起伏度, 单位为m, 1. 0~100, 2. 100~200, 3. 200~300, 4. 300~400, 5. 400~500, 6. 500~600, 7. 600~700, 8. 700~800, 9. 800~900, 10. 900~1 000, 11. 1 000~1 100, 12. > 1 100 图 17 京津冀地区各起伏度FVC均值 Fig. 17 Mean FVC of various undulations in Beijing, Tianjin, and Hebei |
以上结果表明地形对FVC的影响是复杂的, 不同的高程、坡度和起伏度显著影响着FVC的变化模式和范围, 必须考虑到地形因素与其他环境因素（包括气候、土壤和水分布）的相互关联, 它们的影响通常是相互交织的.
4 结论（1）京津冀近20 a的FVC总体呈下降趋势, 平均下降率约为0.002 4 a-1. 北部和南部地区的FVC相对较高, 而西部和中部地区的FVC水平相对较低. 其中, 显著减少（P < 0.01）的区域占植被覆盖总面积的28.73%, 分布在京津冀地区的南、东和中部；显著增加（P < 0.01）的区域仅占18.03%, 分布在京津冀地区的北部.
（2）确定ET、累计降水和土壤类型是影响FVC的主要自然因素, 解释了超过25%的变化. ET和累计降水的影响逐渐增强, 而土壤类型的影响逐渐减少. 此外, 辐射、LST和地貌类型成为重要因素, 共同解释了FVC变化的21%以上. 辐射和LST的影响逐渐减少, 而地貌类型的影响逐渐增强. 第一产业GDP、高程、岩石类型、平均气温、纬度、坡向和粗糙度的贡献不到10%.
（3）揭示了自然因素和人为因素之间错综复杂的相互作用, 突出了非线性和双线性对FVC变化的影响. 它确定了促进FVC增加的关键因素的最佳特征, 蒸散发量在572~772 mm、累计降水在461~514 mm、辐射在1 980~2 030 W·m-2、LST在5.5~12℃、平均气温在-0.902~3.74℃、海拔在1 560~2 180 m之间、地貌类型为大起伏中山、土壤类型为淋溶土和植被类型为林地时FVC表现最优, 从而丰富了对影响FVC波动的变量的理解.
| [1] | Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote sensing of Environment, 2002, 80(1): 76-87. |
| [2] | Zhou Z J, Qin D H, Chen L C, et al. Novel model for NPP prediction based on temperature and land use changes: a case in Sichuan and Chongqing, China[J]. Ecological Indicators, 2022, 145. DOI:10.1016/j.ecolind.2022.109724 |
| [3] | Piao S L, Fang J Y, Ciais P, et al. The carbon balance of terrestrial ecosystems in China[J]. Nature, 2009, 458(7241): 1009-1013. DOI:10.1038/nature07944 |
| [4] | Turner D P, Koerper G J, Harmon M E, et al. A carbon budget for forests of the conterminous United States[J]. Ecological Applications, 1995, 5(2): 421-436. |
| [5] | Wang J J, Shi P, Jiang P, et al. Application of BP neural network algorithm in traditional hydrological model for flood forecasting[J]. Water, 2017, 9(1). DOI:10.3390/w9010048 |
| [6] | Guo B, Zang W Q, Yang F, et al. Spatial and temporal change patterns of net primary productivity and its response to climate change in the Qinghai-Tibet Plateau of China from 2000 to 2015[J]. Journal of Arid Land, 2020, 12(1): 1-17. |
| [7] | Beer C, Reichstein M, Tomelleri E, et al. Terrestrial gross carbon dioxide uptake: global distribution and covariation with climate[J]. Science, 2010, 329(5993): 834-838. |
| [8] | Piao S L, Ciais P, Huang Y, et al. The impacts of climate change on water resources and agriculture in China[J]. Nature, 2010, 467(7311): 43-51. DOI:10.1038/nature09364 |
| [9] | Nemani R R, Keeling C D, Hashimoto H, et al. Climate-driven increases in global terrestrial net primary production from 1982 to 1999[J]. Science, 2003, 300(5625): 1560-1563. DOI:10.1126/science.1082750 |
| [10] | Chen C, Li T J, Sivakumar B, et al. Attribution of growing season vegetation activity to climate change and human activities in the Three-River Headwaters Region, China[J]. Journal of Hydroinformatics, 2020, 22(1): 186-204. DOI:10.2166/hydro.2019.003 |
| [11] | Duan H C, Xue X, Wang T, et al. Spatial and temporal differences in alpine meadow, alpine steppe and all vegetation of the Qinghai-Tibetan Plateau and their responses to climate change[J]. Remote Sensing, 2021, 13(4). DOI:10.3390/rs13040669 |
| [12] | Feng X, Liu G, Chen J M, et al. Net primary productivity of China's terrestrial ecosystems from a process model driven by remote sensing[J]. Journal of Environmental Management, 2007, 85(3): 563-573. |
| [13] | Liu J Y, Zhang Z X, Xu X L, et al. Spatial patterns and driving forces of land use change in China during the early 21st century[J]. Journal of Geographical Sciences, 2010, 20(4): 483-494. |
| [14] |
佘洁, 佘璐, 沈爱红, 等. 宁夏沿黄城市带植被覆盖度时空变化及驱动力分析[J]. 环境科学, 2024, 45(11): 6458-6476. She J, She L, Shen A H, et al. Spatiotemporal changes and driving force analysis of vegetation cover in the urban belt along the Yellow River in Ningxia[J]. Environmental Science, 2024, 45(11): 6458-6476. |
| [15] | Liu M, Hu Y M, Chang Y, et al. Land use and land cover change analysis and prediction in the upper reaches of the Minjiang River, China[J]. Environmental Management, 2009, 43(5): 899-907. |
| [16] | Gashaw T, Tulu T, Argaw M, et al. Estimating the impacts of land use/land cover changes on Ecosystem Service Values: the case of the Andassa watershed in the Upper Blue Nile basin of Ethiopia[J]. Ecosystem Services, 2018, 31: 219-228. |
| [17] | Li C, Li X M, Luo D L, et al. Spatiotemporal pattern of vegetation ecology quality and its response to climate change between 2000-2017 in China[J]. Sustainability, 2021, 13(3). DOI:10.3390/su13031419 |
| [18] | Mendoza-González G, Martínez M L, Lithgow D, et al. Land use change and its effects on the value of ecosystem services along the coast of the Gulf of Mexico[J]. Ecological Economics, 2012, 82: 23-32. |
| [19] | Yin R S, Yin G P. China's primary programs of terrestrial ecosystem restoration: initiation, implementation, and challenges[J]. Environmental Management, 2010, 45(3): 429-441. |
| [20] |
史娜娜, 韩煜, 王琦, 等. 北京市植被覆盖度时空变化特征及其对城市化的响应[J]. 环境科学, 2024, 45(9): 5318-5328. Shi N N, Han Y, Wang Q, et al. Spatial and temporal characteristics of fractional vegetation cover and its response to urbanization in Beijing[J]. Environmental Science, 2024, 45(9): 5318-5328. |
| [21] | Running S W, Nemani R R. Regional hydrologic and carbon balance responses of forests resulting from potential climate change[J]. Climatic Change, 1991, 19(4): 349-368. |
| [22] | Zhou L M, Tian Y H, Myneni R B, et al. Widespread decline of Congo rainforest greenness in the past decade[J]. Nature, 2014, 509(7498): 86-90. |
| [23] | Wang X H, Piao S L, Ciais P, et al. A two-fold increase of carbon cycle sensitivity to tropical temperature variations[J]. Nature, 2014, 506(7487): 212-215. |
| [24] | Newton A C, Johnson S N, Gregory P J. Implications of climate change for diseases, crop yields and food security[J]. Euphytica, 2011, 179(1): 3-18. |
| [25] | Liu H Y, Jiao F S, Yin J Q, et al. Nonlinear relationship of vegetation greening with nature and human factors and its forecast – A case study of Southwest China[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2019.106009 |
| [26] | Ciais P, Reichstein M, Viovy N, et al. Europe-wide reduction in primary productivity caused by the heat and drought in 2003[J]. Nature, 2005, 437(7058): 529-533. |
| [27] | Fu X L, Shao M A, Wei X R, et al. Soil organic carbon and total nitrogen as affected by vegetation types in Northern Loess Plateau of China[J]. Geoderma, 2010, 155(1-2): 31-35. |
| [28] | Alcamo J, Döll P, Henrichs T, et al. Development and testing of the WaterGAP 2 global model of water use and availability[J]. Hydrological Sciences Journal, 2003, 48(3): 317-337. |
| [29] | Running S W, Coughlan J C. A general model of forest ecosystem processes for regional applications Ⅰ. Hydrologic balance, canopy gas exchange and primary production processes[J]. Ecological Modelling, 1988, 42(2): 125-154. |
| [30] |
孟琪, 武志涛, 杜自强, 等. 基于地理探测器的区域植被覆盖度的定量影响——以京津风沙源区为例[J]. 中国环境科学, 2021, 41(2): 826-836. Meng Q, Wu Z T, Du Z Q, et al. Quantitative influence of regional fractional vegetation cover based on geodetector model —Take the Beijing-Tianjin sand source region as an example[J]. China Environmental Science, 2021, 41(2): 826-836. |
| [31] |
宗慧琳, 张晓伦, 袁希平, 等. 利用GEE进行1990~2022年小江流域生态环境质量时空格局与演变趋势分析[J]. 环境科学, 2024, 45(7): 4122-4136. Zong H L, Zhang X L, Yuan X P, et al. Xiaojiang River Basin ecological environmental quality spatiotemporal pattern and evolutionary trend analysis using GEE from 1990 to 2022[J]. Environmental Science, 2024, 45(7): 4122-4136. |
| [32] |
周文强. 京津冀地区植被覆盖变化及影响因素分析[D]. 邯郸: 河北工程大学, 2021. Zhou W Q. Vegetation cover change and its influencing factors in Beijing-Tianjin-Hebei region[D]. Handan: Hebei University of Engineering, 2021. |
| [33] |
孟琪, 武志涛, 杜自强, 等. 京津风沙源区不同分区植被覆盖度变化及归因分析[J]. 应用生态学报, 2021, 32(8): 2895-2905. Meng Q, Wu Z T, Du Z Q, et al. Variation in fractional vegetation cover and its attribution analysis of different regions of Beijing-Tianjin Sand Source Region, China[J]. Chinese Journal of Applied Ecology, 2021, 32(8): 2895-2905. |
| [34] |
宋梦来, 陈海涛, 丁晗, 等. 1990-2020年天津市植被覆盖度时空演变特征及影响因素分析[J]. 水土保持研究, 2023, 30(1): 154-163. Song M L, Chen H T, Ding H, et al. Temporal and spatial variation characteristic and influencing factors of vegetation coverage in Tianjin during 1990~2020[J]. Research of Soil and Water Conservation, 2023, 30(1): 154-163. |
| [35] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [36] |
王宁, 陈民, 郝多虎, 等. 基于NDVI估算植被覆盖度的研究——以滁州市为例[J]. 测绘与空间地理信息, 2013, 36(5): 51-54, 57. Wang N, Chen M, Hao D H, et al. The estimation of vegetation fraction based on NDVI: a case study of Chuzhou[J]. Geomatics & Spatial Information Technology, 2013, 36(5): 51-54, 57. |
| [37] |
韩继冲, 喻舒琳, 杨青林, 等. 1999-2015年长江流域上游植被覆盖特征及其对气候和地形的响应[J]. 长江科学院院报, 2019, 36(9): 51-57. Han J C, Yu S L, Yang Q L, et al. Responses of vegetation coverage in the upper reaches of the Yangtze River Basin to climate and topography from 1999 to 2015[J]. Journal of Yangtze River Scientific Research Institute, 2019, 36(9): 51-57. |
| [38] |
熊俊楠, 彭超, 程维明, 等. 基于MODIS-NDVI的云南省植被覆盖度变化分析[J]. 地球信息科学学报, 2018, 20(12): 1830-1840. Xiong J N, Peng C, Cheng W M, et al. Analysis of vegetation coverage change in Yunnan Province based on MODIS-NDVI[J]. Journal of Geo-Information Science, 2018, 20(12): 1830-1840. |
| [39] |
张景华, 封志明, 姜鲁光, 等. 澜沧江流域植被NDVI与气候因子的相关性分析[J]. 自然资源学报, 2015, 30(9): 1425-1435. Zhang J H, Feng Z M, Jiang L G, et al. Analysis of the correlation between NDVI and climate factors in the Lancang River Basin[J]. Journal of Natural Resources, 2015, 30(9): 1425-1435. |
| [40] |
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. |
| [41] | 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. |
| [42] | Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250-256. |
| [43] | Medlyn B E, Dreyer E, Ellsworth D, et al. Temperature response of parameters of a biochemically based model of photosynthesis. Ⅱ. A review of experimental data[J]. Plant, 2002, 25(9): 1167-1179. |
| [44] | Burkett V R, Wilcox D A, Stottlemyer R, et al. Nonlinear dynamics in ecosystem response to climatic change: case studies and policy implications[J]. Ecological Complexity, 2005, 2(4): 357-394. |
| [45] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [46] | Dai T R, Dai X A, Lu H, et al. The impact of climate change and human activities on the change in the net primary productivity of vegetation—taking Sichuan Province as an example[J]. Environmental Science and Pollution Research, 2024, 31(5): 7514-7532. |
| [47] |
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. |
| [48] | Chen Z Q, Shao Q Q, Liu J Y, et al. Analysis of net primary productivity of terrestrial vegetation on the Qinghai-Tibet Plateau, based on MODIS remote sensing data[J]. Science China Earth Sciences, 2012, 55(8): 1306-1312. |
| [49] | Li D P, Tian L, Li M Y, et al. Spatiotemporal variation of net primary productivity and its response to climate change and human activities in the Yangtze River delta, China[J]. Applied Sciences, 2022, 12(20). DOI:10.3390/app122010546 |
| [50] | Wang Q F, Zeng J Y, Leng S, et al. The effects of air temperature and precipitation on the net primary productivity in China during the early 21st century[J]. Frontiers of Earth Science, 2018, 12(4): 818-833. |
| [51] | Wang X, Feng Y, Cui Y D, et al. Spatiotemporal variation of vegetation water use efficiency and its response to extreme climate in Northwestern Sichuan Plateau[J]. Sustainability, 2023, 15(15). DOI:10.3390/su151511786 |
| [52] |
王军邦, 刘纪远, 邵全琴, 等. 基于遥感-过程耦合模型的1988~2004年青海三江源区净初级生产力模拟[J]. 植物生态学报, 2009, 33(2): 254-269. Wang J B, Liu J Y, Shao Q Q, et al. Spatial-temporal patterns of net primary productivity for 1988-2004 based on GLOPEM-CEVSA model in the "Three-River Headwaters" Region of Qinghai Province, China[J]. Chinese Journal of Plant Ecology, 2009, 33(2): 254-269. |
| [53] | Vijay A, Varija K. Spatio-temporal classification of land use and land cover and its changes in Kerala using remote sensing and machine learning approach[J]. Environmental Monitoring and Assessment, 2024, 196(5). DOI:10.1007/s10661-024-12633-y |
| [54] | Lin Z Q, Liu Y Y, Wen Z M, et al. Spatial⁃temporal variation characteristics and driving factors of net primary production in the Yellow River Basin over multiple time scales[J]. Remote Sensing, 2023, 15(22). DOI:10.3390/rs15225273 |
| [55] |
周美林, 刘家宏, 刘希胜, 等. 青海湖流域植被动态变化驱动力及空间粒度效应[J]. 中国环境科学, 2024, 44(3): 1497-1506. Zhou M L, Liu J H, Liu X S, et al. Analysis of driving forces and spatial scale effects on vegetation dynamics in the Qinghai Lake Basin[J]. China Environmental Science, 2024, 44(3): 1497-1506. |
| [56] |
贾一越, 齐璇璇, 黄蕊, 等. 山西省植被覆盖度的时空变化及驱动因子[J]. 应用生态学报, 2024, 35(4): 1073-1082. Jia Y Y, Qi X X, Huang R, et al. Spatiotemporal variation and driving factors of vegetation coverage in Shanxi Province, China[J]. Chinese Journal of Applied Ecology, 2024, 35(4): 1073-1082. |
| [57] |
史冬岩, 张玉鹏, 张坤, 等. 大兴安岭北东段森林沼泽区地球化学找矿方法研究: 以黑龙江省二道坎村银多金属矿区为例[J]. 西北地质, 2024, 57(2): 107-120. Shi D Y, Zhang Y P, Zhang K, et al. Study on geochemical prospecting methods in forest swamp area of Northeast Daxing'an Mountains: example from Erdaokan silver polymetallic mine area in Heilongjiang Province[J]. Northwestern Geology, 2024, 57(2): 107-120. |
| [58] | Chen T T, Peng L, Liu S Q, et al. Spatio-temporal pattern of net primary productivity in Hengduan Mountains area, China: Impacts of climate change and human activities[J]. Chinese Geographical Science, 2017, 27(6): 948-962. |
| [59] |
易雪, 李得勤, 杨森, 等. 植被覆盖度增加对辽宁地区气温变化的影响研究[J]. 大气科学, 2024, 48(2): 463-479. Yi X, Li D Q, Yang S, et al. Impact of fractional vegetation coverage increase on air temperature change in Liaoning Province[J]. Chinese Journal of Atmospheric Sciences, 2024, 48(2): 463-479. |
| [60] | Lin T, Shi K D, Shi L L, et al. The relationship between soil physical properties and alpine plant diversity on Qinghai-Tibet Plateau[J]. Eurasian Journal of Soil Science, 2015, 4(2): 88-93. |
| [61] |
卫鸿飞, 张唯, 吉宸佳, 等. 基于GEE的阿拉善左旗植被时空变化特征及驱动因子分析[J]. 地理空间信息, 2024, 22(2): 55-60. Wei H F, Zhang W, Ji C J, et al. Spatio-temporal variation characteristics and driving factors of vegetation in Alxa Zuoqi based on GEE[J]. Geospatial Information, 2024, 22(2): 55-60. |
| [62] |
栾春凤, 时兆慧, 赵人镜, 等. 基于GIS技术的山地小城镇雨洪灾害风险评估[J]. 人民黄河, 2024, 46(5): 56-62, 67. Luan C F, Shi Z H, Zhao R J, et al. Risk assessment of rain-induced flood in small mountain towns based on GIS technology[J]. Yellow River, 2024, 46(5): 56-62, 67. |
| [63] |
邹霓霄, 冯世盛, 李华孝杨. 基于GIS/RS的寻乌县水土流失敏感性评价[J]. 测绘与空间地理信息, 2024, 47(5): 83-86. Zou N X, Feng S S, Li H X Y. Sensitivity evaluation of soil and water loss in Xunwu county based on GIS and RS[J]. Geomatics & Spatial Information Technology, 2024, 47(5): 83-86. |
| [64] |
贾天朝, 胡西武. 基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及驱动力[J]. 环境科学, 2024, 45(10): 5931-5942. Jia T C, Hu X W. Spatial-temporal change and driving force of carbon storage in Three-River-Source National Park based on PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(10): 5931-5942. |
| [65] |
郝鑫怡, 张喆, 郑浩, 等. 天山北坡经济带植被覆盖度动态变化研究[J]. 中国环境科学, 2024, 44(2): 1020-1031. Hao X Y, Zhang Z, Zheng H, et al. Dynamic change of vegetation cover in the economic zone of the northern slopes of Tianshan Mountains[J]. China Environmental Science, 2024, 44(2): 1020-1031. |