2025, Vol. 46
植被是生态系统不可缺少的组成部分，对人类的生存和发展有着深远的影响[1 ~ 3]，它不仅可以净化地球空气，还可以维持生态多样性，减少温室气体对人类的危害，对生态系统的长期稳定生长至关重要. 因此，监测植被动态变化不仅可以察觉到植被自身的生长状态，还可以观察到人类活动对生态环境的影响[4，5].
高原河谷地区是中国生态脆弱的区域之一，随着全球气候变化和人类活动的加剧，高原河谷城市植被面临着逐渐退化的危险[6]. 高原河谷地区植被的变化受到多种因素的影响：第一，气候因素对高原地区的影响一直是研究热点，全球气候变化导致高原河谷地区气温升高且降水减少，使得植物生长季节缩短和生境条件恶化，进而影响植被的生长和繁殖[7，8]. 有关研究发现青藏高原和黄土高原植被格局的分布和变化受到气温升高和降水变化的显著影响[9，10]，并且青藏高原气温升高不利于植被生长[11]. Guo等[12]研究发现中国西南地区干旱河谷植被变化受降水量的影响显著. Chen等[13]在黄土高原植被变化研究中发现降水量是影响高原河谷地区植被覆盖格局的基本因素. 第二，地形地貌也是影响高原河谷地区植被变化的重要因素，不同地形地貌条件下，植被类型、风况和生长状况存在显著差异. Zhang等[14]发现雅鲁藏布江河谷中受地形和下垫面影响风况存在明显差异. 河谷地形也会造成焚风效应，形成干热河谷[15]，赵冬林等[16]在对金沙江干热河谷进行植被覆盖度时空变化特征分析时发现植被覆盖度变化受海拔影响明显. 第三，在城市的发展过程中人为扰动对高原地区植被造成了剧烈影响[17]. 一方面，耕种、矿业开采和城市扩张等人为活动导致植被覆盖显著减少[18]，另一方面，生态修复工程和放牧促进了植被的增长[19，20]. 高原河谷城市具有特殊的地形和干旱的气候，城市化对其干扰更大[21]. 第四，高原河谷地区的土壤类型直接影响植物的生长和繁殖，不同类型的土壤具有不同的肥力、水分和通气性等特性，对植被分布和生长具有重要影响[22，23]. 通常土壤类型决定了植被类型，因为植被生长受土壤pH、水分和土壤有机质的影响，黄土高原地区土质疏松，水土流失严重，土壤盐碱化问题更为常见[24，25].
兰州市是典型的黄土高原带状河谷城市. 多年来，兰州地区植被恢复的关键点是土壤环境质量的改善[26]，截至目前，国内外对于兰州地区植被变化的研究数量较少，且该地区的植被变化观测多以南北两山为主，但仅将南北两山作为观测对象不足以全面了解兰州地区整体的植被变化. 牛全福等[27]对兰州主城区南北两山进行植被动态监测，统计了植被覆盖各等级面积的转移矩阵，未对其影响因素进行探讨，然而人为因素和地形因素等对兰州植被生长干扰较大[28]，故需要综合考虑人为因素和自然因素对其的影响作用. 目前植被变化驱动因素的常用研究方法是趋势应用分析和偏相关分析，但是此方法在解释多种影响因素的非线性关系具有局限性，王劲峰等[29]提出的地理探测器方法没有线性假设，可以更好地解释因子和变量多个影响因素之间的非线性关系[30].
鉴于此，本文以兰州市为研究对象，综合考虑了人为因素和自然因素，对其植被的变化特征和影响因素进行分析，并利用地理探测器探测最适宜植被生长的因子范围，以期为兰州的可持续发展提供支撑，并为高原河谷城市植被恢复能力和生态质量研究提供参考依据.
1 研究区概况兰州位于黄河上游的黄土高原西部，是中国唯一一个黄河干流穿城而过的城市. 兰州属中温带大陆性气候，温差大，降水少，冬无严寒、夏无酷暑，气候温和，年均降水量327 mm，年均气温10.3℃，全年日照时数平均2 446 h，无霜期180 d以上[31]. 兰州位于陇西黄土高原的西部（图 1），市区南北群山对峙，是青藏高原向黄土高原的过渡地区，境内大部分地区为海拔1 500~2 500 m的黄土覆盖的丘陵和盆地[31].
|
图 1 研究区示意 Fig. 1 Overview of the study area |
兰州地处半干旱气候区，地表植被相对稀疏，降水主要集中在较短时期内，小范围的暴雨往往具有较大的强度，因此，滑坡泥石流等地质灾害频发，是一个具有较强生态脆弱性的水土流失区. 兰州的经济产业以石油化工、食品加工、机械制造和纺织等行业为主，故而加剧了生态环境恶化问题. 为了应对严峻的生态环境问题，兰州先后开展了退耕还林（草）和南北两山绿化等工程[27，32].
2 材料与方法 2.1 数据来源与预处理本研究获取了2000年、2005年、2010年、2015年和2020年5 a的NDVI、土地利用类型、气象和人类活动等数据，详见表 1. 利用MRT和ArcGIS进行格式处理、裁剪和重投影，采用最大值合成法将MOD13Q1-NDVI 16 d时间尺度的数据合成全年植被NDVI数据，全年划分为23景影像. 为综合考虑自然因素与人为因素的影响，在前人研究基础上，本研究利用ArcMap10.7，对各因子（包括温度、降水、相对湿度和海拔等）重新采样，使其达到与NDVI相同的分辨率，并在R语言中进行处理，提取像元值，剔除缺失数据，进而对连续变量的离散模式进行优化和自动化执行并进行因子探测、风险探测、相互作用探测和生态探测的分析.
|
表 1 主要数据来源 Table 1 Main data sources |
2.2 研究方法 2.2.1 NDVI最大合成法
用最大值合成法[35]（maximum value composites，MVC）合成NDVI年数据，计算公式为：
|
(1) |
式中，NDVIi表示第i年的最大值，max表示最大值函数，NDVIt表示第t周期的NDVI值，t表示周期序号，t=1，2，3，…，23.
根据有关研究[30]将NDVI分为5类，分别是低等级（0，0.2]、中低等级（0.2，0.4]、中等级（0.4，0.6]、中高等级（0.6，0.8]和高等级（0.8，1.0].
2.2.2 NDVI变化趋势分析方法变异性系数是反映空间分布离散性的一种测度指标，是评价植被生长状况稳定程度的一项重要指标，该技术已被广泛地用于农业、生态环境和气象等领域[36]. 其计算公为：
|
(2) |
式中，CV表示变异系数；σ表示标准差；x表示均值. 根据相关研究[36]，变异系数分为5个等级：低波动变化（0%，5%]、较低波动变化（5%，10%]、中等波动变化（10%，15%]、较高波动变化（15%，20%]和高波动变化（20%，100%].
2.2.3 活动区域划分为进一步分析人类活动对植被变化的干扰，根据土地利用类型进行划分，将兰州地区分为人类活动区域和非人类活动区域（图 2）. 人类活动区域包括耕地、建设用地和水域. 非活动区域包括林地、草地和未利用等用地类型.
|
图 2 依据土地利用类型划分的活动区域 Fig. 2 Activity areas based on land use types |
Theil-Sen Median是非参数统计学方法. 该方法不受观测误差及异常值的影响，被广泛应用于长时间序列变化趋势计算中[37].
|
(3) |
式中，趋势性β用于判定NDVI变化趋势；xi和xj表示NDVI的序列数据；i和j表示不同的时间序列长度. 当β < 0时，呈现出降低的趋势，反之，则表现出增长的趋势.
2.2.5 显著性检验Mann-Kendall检验法可以用来检验变量在时间序列上变化的显著性，它不要求测量值满足正态分布，也不依赖于缺失值或离群数据[38]，其计算公式如下：
|
(4) |
式中，n表示待检序列长度，可定义统计量；xj和xi表示时间序列相应年份数据；sgn（xj-xi）表示符号函数.
|
(5) |
当S呈正态分布时，其均值为0，方差公式为：
|
(6) |
将S标准化后，得到标准正态分布变量Z，计算公式为：
|
(7) |
当|Z|≤Z1－α/2时，接受原假设，即趋势不显著；若|Z| > Z1－α，拒绝原假设，即认为趋势显著，本文给定显著性水平α=0.05.由此可将NDVI变化趋势分为：极显著变化（Z > 2.58）、显著变化（1.65 < Z≤2.58）和不显著变化（Z≤1.65）这3个等级.
2.2.6 R/S分析法Hurst指标是一种利用时间序列数据的长期依赖性度量数据波动性的方法，该方法能判断一个时间序列是服从随机游动还是服从有偏的随机游走过程[39]. 将Sen的等级划分结果和Hurst指数进行叠加，以判定该地区未来的植被变化趋势. 其具体的计算方法如下[40]：
|
(8) |
累计离差序列：
|
(9) |
极差（R）为：
|
(10) |
标准差（S）为：
|
(11) |
Hurst指数计算：
|
(12) |
式中，T表示正整数，t表示该时间序列的任意一个正整数. H表示Hurst指标，取值范围在0~1之间，在H < 0.5的情况下，数据表现出逆持续性；在H=0.1的情况下，时间序列具有一定的随机性；在H > 0.5的情况下，说明未来的发展趋势和过去的发展趋势是一致的.
2.2.7 地理探测器地理探测器是探索时空分异性及其驱动机制的一种新方法，在不受多变量线性干扰的前提下，能够探测驱动因子和植被NDVI变化现象的关系[41]，本研究主要采用因子探测、交互作用探测和风险区域探测这3个方面的检测，具体内容如下[29].
（1）因子探测
检测植被指数的空间分异. 因子检测主要是通过统计量来探索驱动力的大小. 数值越大说明X和Y关系越强，数值越小，说明X和Y关系越弱.
（2）交互作用探测
确定各风险因素间的相互作用，即判断各因素对植被NDVI的共同作用是增强或削弱的解释力，还是这些因子对NDVI的影响是相互独立的. 所采用的评价方法列于表 2中.
|
|
表 2 X1和X2对Y的交互作用类别 Table 2 Categories of the interaction effect of X1 and X2 on Y |
（3）风险区探测
该方法主要用来判定两个子区域的属性均值是否存在明显差异.
3 结果与分析 3.1 植被NDVI时空演变特征 3.1.1 NDVI时间变化特征由图 3可知，2000~2020年间植被NDVI均值处于波动上涨趋势，人类活动区域的增长速率为0.004 8 a-1，非活动区域的增长速率为0.005 8 a-1，人类活动区域的增长速率比非活动区的增长速率低. 非活动区域的用地类型以草地为主，人类活动区域以耕地为主，从20 a间两种区域植被NDVI波动趋势可知，草地的NDVI均值低于耕地.
|
图 3 人类活动区域和非活动区域NDVI均值趋势变化对比 Fig. 3 Comparison of trend changes in mean NDVI in anthropogenic and inactive regions |
由表 3植被指数变化转移矩阵可知，总体上植被NDVI低等级和中低等级面积减少了3 360.85 km2，中高和高等级面积增加了534.88 km2. 在2000~2020年期间，3 417.16 km2中低等级植被转为中等级，1 298.75 km2低等级植被转为中低等级，428.41 km2中等级植被转为中高等级，235.93 km2中高等级植被转为高等级.
|
|
表 3 兰州2000~2020植被指数变化转移矩阵/km2 Table 3 Transfer matrix of vegetation index changes in Lanzhou from 2000 to 2020/km2 |
3.1.2 NDVI空间分布特征
总的来说，兰州地区植被NDVI分布规律为海拔越高等级越高，均值为0.35. 图 4显示，研究区NDVI高等级的地区仅占整个研究区域的3.6%，土壤类型为淋溶土和人为土；中低等级区域占比最大，为62.8%，此区域大部分属于非活动区域，土壤类型为钙层土. 低等级、中等级和中高等级占比分别为8.8%、18.8% 和6%.
|
图 4 NDVI均值空间均值分布和土壤类型 Fig. 4 Spatial distribution of mean NDVI and soil types |
变异系数可以反映植被的生长稳定性，波动幅度越低稳定性越高. 由图 5可知，植被NDVI高波动变化面积占比为51.1%，低波动变化面积占比为5.7%，较低波动变化面积占比为7.9%，变异系数范围为0.2%~61.1%，证明兰州市整体植物生长的稳定性较差. 其中人类活动区域植被波动变异系数均值为16.5%，非人类活动波动的变异系数均值为23.1%，相对来说人类活动区域的植被生长波动稳定性更高.
|
图 5 植被NDVI变异程度空间分布 Fig. 5 Spatial distribution of vegetation NDVI variation degree |
从表 4可以看出，在2000~2020年间，兰州地区林地面积增加了57.63 km2，草地面积增加了248.28 km2，耕地面积减少了466.87 km2，建设用地面积增加了48.01 km2. 期间，草地侵占了耕地844 km2，林地侵占了58.7 km2的草地.
|
|
表 4 兰州市单项土地利用类型变化面积/km2 Table 4 Single land-use type transfer area in Lanzhou/km2 |
3.1.5 未来变化趋势
当|Z|≤Z1－α/2时，接受原假设，即趋势不显著；若|Z| > Z1－α/2，则拒绝原假设，即认为趋势显著. 本文给定显著性水平α = 0.05. 趋势显著性的判断结果可得出7类区域，具体参见表 5.
|
|
表 5 兰州市2000~2020植被指数变化趋势占比 Table 5 Trend of vegetation index change in Lanzhou from 2000 to 2020 as a percentage |
由表 5可以看出，整体上，兰州地区植被NDVI改善区域面积占比为83.5%，退化面积占比为16.3%. 其中不显著改善面积占比最大，为64.2%，极显著改善和显著改善面积占比分别为5.3%和14%；图 6显示稳定不变区域占比仅为0.2%，不显著退化区域主要分布在人类活动范围图，占比为15.5%. R/S指数叠加结果显示，未来退化和持续退化面积占比分别为12.6%和16.1%；持续改善和未来改善面积占比分别为70%和1%，靠近人类活动区域范围未来变化趋势表现为“持续退化”，非活动区域未来变化呈现“持续改善”的特征.
|
图 6 兰州植被NDVI过去变化趋势与未来变化趋势 Fig. 6 Trend of NDVI in Lanzhou in the past and future |
由表 6可知，在2000~2020年间，温度、降水量和人口密度在逐年缓慢上升. GDP在2010~2020年出现猛增的趋势，农业增加值在2005年增加最快，其余时间段比较平缓. 工业增加值在2005~2010年间增加最快，随后逐渐降低.
|
|
表 6 2000~2020年驱动因子均值 Table 6 Mean values of drivers from 2000 to 2020 |
3.2.1 单因素检测结果分析
本研究旨在揭示不同因素对植被NDVI空间分异的作用，选取2000年、2005年、2010年、2015年和2020年的人为因子、自然因子和植被NDVI数据进行因子检测分析. 由图 7可知，在自然因子中植被类型、土壤类型、温度和降水量为主要影响因子. 在人为因子中，土地利用类型和人口密度为主要影响因子. 在所有影响因子中处在较高影响力的因子为土壤类型、植被类型和降水量，q值处于稳定状态的是坡度、坡向、地貌和土地利用类型，各年影响力q值< 0.1的是坡度和坡向. 2000~2020年间人为因子的影响力均呈现缓慢增加趋势.
|
图 7 2000~2020年单因子检测结果 Fig. 7 Single-factor test results from 2000 to 2020 |
由图 8可知，植被类型∩降水量是影响植被NDVI空间分布的主要因子，因为除2000年以外，2005年、2010年、2015年和2020年，植被类型∩降水量的q值均为当年最大值，分别为0.71、0.68、0.70和0.65. 此外，坡度、坡向、人口密度、GDP、农业增加值和工业增加值与其他因子的交互作用均大幅度大于单一因子，所以坡度、坡向、人口密度、GDP、农业增加值和工业增加值是影响植被NDVI的间接因素. 另外，人口密度、GDP、土地利用类型、农业增加值和工业增加值的单因子检测影响力很小，但与其它因子交互影响力显著增加.
|
X1：高程，X2：坡度，X3：坡向，X4：地貌，X5：植被类型，X6：土壤类型，X7：土地利用类型，X8：温度，X9：降水量，X10：人口密度，X11：GDP，X12：农业增加值，X13：工业增加值；色柱表示q值 图 8 2000~2020年因子交互作用检测结果 Fig. 8 Results of factor interaction detection from 2000 to 2020 |
对影响植被NDVI的因子进行风险探测分析. 研究区呈现温度越高，降水量越大，人口密度越小，植被NDVI均值越高的特征. 除高程、坡度、坡向和植被类型外，各年的范围或类型相同. 工业增加值、农业增加值和GDP都存在一定的最适范围，超过此范围后植被NDVI指数逐渐下降. 除此之外，通过表 7可知土壤类型的最适类型为淋溶土，土地类型最适宜类型为林地.
|
|
表 7 2000~2020年各影响因子的适宜范围或类型 Table 7 Suitable range or types of factors from 2000 to 2020 |
4 讨论 4.1 植被时空变化特征 4.1.1 植被NDVI时间变化趋势
2000~2020年间，人类活动区域的增长速率为0.004 8 a-1，非活动区域的增长速率为0.005 8 a-1，人类活动区域的植被增长速率比非活动区的增长速率低，有关研究表明人类活动对植被变化有一定干扰[42]，而非活动区域受到人为干扰较少，故而植被NDVI增长速率更快. 期间，3 417.16 km2中低等级植被转为中等级，1 298.76 km2低等级植被转为中低等级，428.41 km2中等级植被转为中高等级，235.93 km2中高等级植被转为高等级，说明兰州地区植被生长状况逐渐改善.
4.1.2 植被NDVI空间分布特征兰州地区植被NDVI均值为0.35，植被NDVI属于中低等. 其中植被NDVI中等级占比为18.8%，主要分布于人类活动区域，该区域覆盖的土壤类型主要是盐碱土，土地类型以耕地为主；植被NDVI高等级和中高等级区域为淋溶土和人为土，人为土能够克服原有土壤的不良性状[43]，增加土壤的保水、保肥适种性，适宜林地的生长；中低、低等级的地区主要分布在非活动区域，占整个研究区域的71.6%，这部分区域主要的土壤类型为钙层土，土地类型为草地，这类土壤中有机质含量极少，松散无结构，呈碱性或石灰性反应，不适应植被生长，因此表现出人类活动区域较非活动区域植被等级更高的特征.
4.1.3 变异系数分析兰州地区植被生长稳定性较差，波动幅度范围为0.2%~61.1%. 人类活动区域的植被生长稳定性比非人类活动区域更高，人类活动范围内以耕地为主. 非活动区域以草地为主，适宜兰州生长的农作物有玉米、小麦和花生等[44，45]，这类农作物的生长速率更快，稳定性较高，适应当地的盐碱土.
4.1.4 未来变化趋势自2000年兰州实施植被恢复工程以来[32]，研究区植被NDVI呈改善趋势，植被状况逐渐好转. 虽然整体植被NDVI等级处于中低等级，均值为0.35，但是持续改善面积占比为70%，证明兰州市绿化工程对植被生长起到正面影响作用，非人类活动区域受到气候和土壤因素影响较大，植被NDVI指数仍处于中低等级阶段.
4.2 驱动因素分析兰州地区植被NDVI受自然因子和人为因子的共同影响. 根据单因素检测结果分析可知，在人为因素中，土地利用类型和人口密度为主要影响因子，自然因素中，土壤类型、植被类型和降水量为主要影响因子，在所有影响因子中土壤因子的影响力最大. 通过本研究结果可知，NDVI等级较高区域的土地类型为淋溶土和人为土，然而赖金林等[46]在探析影响西南高山峡谷区植被NDVI空间分异的驱动因子时，发现高程的影响力高于土壤和植被. 西南地区降水较为充沛，峡谷地形高差较大，温度适宜，土壤肥力强于黄土高原地区，说明不同地区峡谷地型植被影响因素存在差异. 在因子交互作用中，植被类型∩降水量是影响植被NDVI空间分异的主要因子，人口密度、GDP、土地利用类型、农业增加值和工业增加值的单因子检测影响力很小，但与其它因子交互影响力显著增加，说明综合考虑人为因子和自然因素对植被的影响会更加全面地理解兰州地区植被变化规律.
自然因素中，降水量和温度改变了植被的生长情况[47，48]，不同植被类型对降水温度需求不同. 降水量的q值在逐年增加，且降水量的影响力大于温度. 这是由于兰州常年干旱缺水，降水量的空间分布差异大，且欠缺考虑时滞效应带来的影响[49]. 另外高程导致植被类型和土壤类型分布差异，在一定程度上使地区温、湿度也产生分异.
人为因素的q值均呈现出小幅度上涨趋势，土地利用类型影响最为显著. 土地利用类型是人类活动最直观的表现[50]，实施退耕还林（草）之后兰州地区大面积的耕地转为草地，草地的生长速率较快，但稳定性较差，因此兰州地区整体呈现不明显改善趋势. 另外，城市开发或工业活动也会对植被产生影响，例如兰州石化作为中国石油在我国西部重要的炼化生产基地，在作业过程中势必会导致土壤污染和生境破坏等问题[51]. 人类活动区域的植被NDVI指数比周边非人类活动区的植被NDVI等级高，说明兰州的两山绿化等城市生态工程的实施对植被状况有所改善.
本文探讨了典型高原河谷城市兰州市的植被NDVI的变化特征以及影响植被NDVI的空间分异驱动因子. 本次研究发现人类活动区域的植被NDVI指数较高，说明人为的生态修复活动对兰州地区的植被恢复起到了一定的正面作用，但未来变化趋势仍有退化的风险，需要长期对城镇地区进行绿化和保护，减少过度开垦等人为活动的侵扰. 在20 a间非人类活动区域植被生长速率较快，改善明显，但是植被的生长稳定性差，最为严重的区域处于兰州地区北部永登县和皋兰县. 总体来看，兰州市北部地区土壤贫瘠，属于较敏感脆弱的地区，应作为今后的改善与生态环境修复工作的重心.
5 结论（1）从植被NDVI空间分布来看，兰州地区植被NDVI均值为0.35，属于中低等级. 中低和低等级的地区占整个研究区域的71.6%，主要分布在非活动区域，该地区土壤类型为钙层土，不利于植被生长. 中等级植被占比为18.8%，主要分布在人类活动区域，该区域覆盖土壤类型为盐碱土，以耕地为主，植被指数较高的区域分布在海拔较高的淋溶土的区域内. 从时间变化趋势来看，兰州地区植被NDVI变化整体呈改善趋势，植被改善区域占比为83.5%，植被退化面积占比为16.3%，在人类活动区域范围内变化趋势以“不显著退化”和“持续退化”为主；在非人类活动区域内变化趋势呈现“不显著改善”和“持续改善”的特征.
（2）兰州整体植被生长稳定性较差，变异系数范围为0.2%~61.1%. 相对来说人类活动区域范围内植被生长稳定性较高，变异系数均值为16.5%，植被变异系数与波动幅度均较高的区域大多分布于土壤贫瘠、降雨量少，植被稀疏的地区.
（3）对兰州地区的13个影响植被NDVI的驱动因子进行分析. 在自然因子中，植被类型、土壤类型、温度和降水量为主要影响因子；在人为因子中，土地利用类型和人口密度为主要影响因子；因子交互作用中，植被类型∩降水量是影响植被NDVI空间分布的主要因子. 因子适宜范围分析显示土壤类型的最适类型为淋溶土，最适土地类型为林地，最适植被类型为针叶林，最适高程范围是3 500~3 671 m. 由单因素检测分析可知，土壤因素是影响植被变化的最大影响因子，人为因素的单因子影响力均呈现缓慢上涨趋势，并且在与其他因子交互过程中人为影响力均大于其单独的影响力，说明人为因素对植被的影响力不容忽视.
| [1] | Li J, Wang J L, Zhang J, et al. Growing-season vegetation coverage patterns and driving factors in the China-Myanmar Economic Corridor based on Google Earth Engine and geographic detector[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108620 |
| [2] | Yin T T, Zhai Y N, Zhang Y, et al. Impacts of climate change and human activities on vegetation coverage variation in mountainous and hilly areas in Central South of Shandong Province based on tree-ring[J]. Frontiers in Plant Science, 2023, 14. DOI:10.3389/fpls.2023.1158221 |
| [3] | Fu J Y, Wang W G, Liu B J, et al. Seasonal divergence of evapotranspiration sensitivity to vegetation changes–A proportionality-hypothesis-based analytical solution[J]. Journal of Hydrology, 2023, 617. DOI:10.1016/j.jhydrol.2022.129055 |
| [4] | Zhao H X, Gu B J, Lindley S, et al. Regulation factors driving vegetation changes in China during the past 20 years[J]. Journal of Geographical Sciences, 2023, 33(3): 508-528. DOI:10.1007/s11442-023-2094-x |
| [5] | Peng C J, Du L, Ren H X, et al. Spatial Heterogeneity of combined factors affecting vegetation greenness change in the Yangtze River economic belt from 2000 to 2020[J]. Remote Sensing, 2023, 15(24). DOI:10.3390/rs15245693 |
| [6] | Jiang S S, Chen X, Smettem K, et al. Climate and land use influences on changing spatiotemporal patterns of mountain vegetation cover in southwest China[J]. Ecological Indicators, 2021, 121. DOI:10.1016/j.ecolind.2020.107193 |
| [7] | Shen X J, Liu Y W, Zhang J Q, et al. Asymmetric impacts of diurnal warming on vegetation carbon sequestration of marshes in the Qinghai Tibet Plateau[J]. Global Biogeochemical Cycles, 2022, 36(7). DOI:10.1029/2022GB007396 |
| [8] | He L, Guo J B, Yang W B, et al. Changes in vegetation in China's drylands are closely related to afforestation compared with climate change[J]. Science of the Total Environment, 2024, 912. DOI:10.1016/j.scitotenv.2023.169121 |
| [9] |
高云, 谢苗苗, 付梅臣, 等. 高原河谷城市植被时空变化及其影响因素——以青海省西宁市为例[J]. 生态学报, 2014, 34(5): 1094-1104. Gao Y, Xie M M, Fu M C, et al. Pattern dynamics of vegetation coverage of Plateau Valley-City in the Western China: a case study in Xining[J]. Acta Ecologica Sinica, 2014, 34(5): 1094-1104. |
| [10] |
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. |
| [11] | Schwarz F, Salzmann U, Cheng F, et al. High altitude Pliocene to Pleistocene vegetation and climate change of the Kunlun Pass Basin, NE Tibetan Plateau[J]. Global and Planetary Change, 2023, 223. DOI:10.1016/j.gloplacha.2023.104078 |
| [12] | Guo Q K, Zhong R H, Shan Z J, et al. Vegetation cover variation in dry valleys of southwest China: the role of precipitation[J]. Remote Sensing, 2023, 15(7). DOI:10.3390/rs15071727 |
| [13] | Chen S F, Zhang Q F, Chen Y N, et al. Vegetation change and eco-environmental quality evaluation in the Loess Plateau of China from 2000 to 2020[J]. Remote Sensing, 2023, 15(2). DOI:10.3390/rs15020424 |
| [14] | Zhang Y, Zhang Z C, Ma P F, et al. Wind regime features and their impacts on the middle reaches of the Yarlung Zangbo River on the Tibetan Plateau, China[J]. Journal of Arid Land, 2023, 15(10): 1174-1195. DOI:10.1007/s40333-023-0066-8 |
| [15] |
冯旭环, 周璐, 熊伟, 等. 大渡河干热河谷区本土优势灌草植物根系的抗拉力学特性及其影响因素研究[J]. 干旱区资源与环境, 2023, 37(7): 159-169. Feng X H, Zhou L, Xiong W, et al. Tensile mechanical properties of the roots of the native shrubs and herbs in the dry-hot valley of Dadu river[J]. Journal of Arid Land Resources and Environment, 2023, 37(7): 159-169. |
| [16] |
赵冬林, 朱仕荣. 2010—2021年金沙江干热河谷植被覆盖度时空变化及其影响因素[J]. 生态学杂志, 2024, 43(8): 2373-2381. Zhao D L, Zhu S R. Spatiotemporal variation of vegetation coverage and its influencing factors in the dry-hot valley of Jinsha River during 2010-2021[J]. Chinese Journal of Ecology, 2024, 43(8): 2373-2381. |
| [17] | Liu X X, Zhao W W, Yao Y, et al. The rising human footprint in the Tibetan Plateau threatens the effectiveness of ecological restoration on vegetation growth[J]. Journal of Environmental Management, 2024, 351. DOI:10.1016/j.jenvman.2023.119963 |
| [18] | Xu T, Wu H. Spatiotemporal analysis of vegetation cover in relation to its driving forces in Qinghai–Tibet Plateau[J]. Forests, 2023, 14(9). DOI:10.3390/f14091835 |
| [19] | Dai L C, Fu R Y, Guo X W, et al. Effect of grazing management strategies on alpine grassland on the northeastern Qinghai-Tibet Plateau[J]. Ecological Engineering, 2021, 173. DOI:10.1016/j.ecoleng.2021.106418 |
| [20] | Xiao Y, Xiao Q, Zhang J D. Balancing the international benefits and risks associated with implementation of ecological policy on the Qinghai-Tibet Plateau, China[J]. Gondwana Research, 2023, 115: 183-190. DOI:10.1016/j.gr.2022.10.006 |
| [21] |
达佤扎喜, 王静, 张志明, 等. 高原河谷城镇化对植被覆盖度的影响[J]. 生态学报, 2020, 40(17): 6025-6036. Dawa Z X, Wang J, Zhang Z M, et al. Impact of urbanization of plateau valley on vegetation coverage[J]. Acta Ecologica Sinica, 2020, 40(17): 6025-6036. |
| [22] | Molina J A, Martín-Sanz J P, Casermeiro M Á, et al. Soil depth and vegetation type influence ecosystem functions in urban greenspaces[J]. Applied Soil Ecology, 2024, 194. DOI:10.1016/j.apsoil.2023.105209 |
| [23] |
申继凯, 黄懿梅, 黄倩, 等. 黄土高原不同植被类型土壤微生物残体碳的积累及其对有机碳的贡献[J]. 应用生态学报, 2024, 35(1): 124-132. Shen J K, Huang Y M, Huang Q, et al. Accumulation of microbial necromass carbon and their contribution to soil organic carbon in different vegetation types on the Loess Plateau, Northwest China[J]. Chinese Journal of Applied Ecology, 2024, 35(1): 124-132. |
| [24] |
刘洋, 黄懿梅, 曾全超. 黄土高原不同植被类型下土壤细菌群落特征研究[J]. 环境科学, 2016, 37(10): 3931-3938. Liu Y, Huang Y M, Zeng Q C. Soil bacterial communities under different vegetation types in the Loess Plateau[J]. Environmental Science, 2016, 37(10): 3931-3938. |
| [25] |
刘帅楠. 陇中黄土高原不同植被类型土壤有机碳组分的季节性冻融动态特征[D]. 兰州: 甘肃农业大学, 2022. Liu S N. Seasonal freeze-thaw dynamics of soil organic carbon fractions in different vegetation types on the Loess Plateau of Longzhong[D]. Lanzhou: Gansu Agricultural University, 2022. |
| [26] |
刘旻霞, 蒋晓轩, 李全弟, 等. 兰州北山不同植被土壤可培养微生物丰度变化特征及影响因素[J]. 中国环境科学, 2020, 40(6): 2683-2691. Liu M X, Jiang X X, Li Q D, et al. Characteristics and influencing factors of soils culturable microorganism abundance in different vegetation of Beishan, Lanzhou[J]. China Environmental Science, 2020, 40(6): 2683-2691. DOI:10.3969/j.issn.1000-6923.2020.06.039 |
| [27] |
牛全福, 张映雪, 冯尊斌. 兰州南北两山植被覆盖变化动态监测[J]. 兰州理工大学学报, 2017, 43(3): 146-150. Niu Q F, Zhang Y X, Feng Z B. Dynamic monitoring of vegetation coverage variation on southern and northern two mountains in Lanzhou[J]. Journal of Lanzhou University of Technology, 2017, 43(3): 146-150. DOI:10.3969/j.issn.1673-5196.2017.03.028 |
| [28] |
张燕, 梁进一, 韦玲霞. 兰州市生态环境质量时空变化及驱动力分析[J]. 干旱区资源与环境, 2023, 37(10): 65-74. Zhang Y, Liang J Y, Wei L X. Change in spatial-temporal patterns of eco-environment quality and its driving forces for the Lanzhou City[J]. Journal of Arid Land Resources and Environment, 2023, 37(10): 65-74. |
| [29] |
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. |
| [30] | Zhang Y Q, Ai J J, Sun Q W, et al. Soil organic carbon and total nitrogen stocks as affected by vegetation types and altitude across the mountainous regions in the Yunnan Province, south-western China[J]. CATENA, 2021, 196. DOI:10.1016/j.catena.2020.104872 |
| [31] |
魏亚强, 王芳英, 贺玉麟, 等. 河谷型城市产业布局与城市空间发展模式之间的逻辑分析——以兰州市为例[J]. 西北师范大学学报(自然科学版), 2023, 59(6): 121-130. Wei Y Q, Wang F Y, He Y L, et al. A logical analysis of the relationship between industrial layout and urban spatial development pattern of valley city——A case study of Lanzhou City[J]. Journal of Northwest Normal University (Natural Science), 2023, 59(6): 121-130. |
| [32] |
苏冰倩, 王茵茵, 上官周平. 西北地区新一轮退耕还林还草规模分析[J]. 水土保持研究, 2017, 24(4): 59-65. Su B Q, Wang Y Y, Shangguan Z P. Analysis on the scale of a new period of returning farmland to forestland and grassland in northwest China[J]. Research of Soil and Water Conservation, 2017, 24(4): 59-65. |
| [33] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [34] |
周成虎, 程维明. 《中华人民共和国地貌图集》的研究与编制[J]. 地理研究, 2010, 29(6): 970-979. Zhou C H, Cheng W M. Research and compilation of the Geomorphological Atlas of the People's Republic of China[J]. Geographical Research, 2010, 29(6): 970-979. |
| [35] |
贺博文, 聂赛赛, 李仪琳, 等. 承德市PM2.5中多环芳烃的季节分布特征、来源解析及健康风险评价[J]. 环境科学, 2022, 43(5): 2343-2354. He B W, Nie S S, Li Y L, et al. Seasonal distribution characteristics, source analysis, and health risk evaluation of PAHs in PM2.5 in Chengde[J]. Environmental Science, 2022, 43(5): 2343-2354. |
| [36] | Jiang W G, Yuan L H, Wang W J, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51. DOI:10.1016/j.ecolind.2014.07.031 |
| [37] | Sen P K. Estimates of the regression coefficient based on Kendall's tau[J]. Journal of the American Statistical Association, 1968, 63(324): 1379-1389. DOI:10.1080/01621459.1968.10480934 |
| [38] | Jun L, Hongxuan X, Jinge J, et al. Spatiotemporal changes in sunshine duration and its influential factors in Chongqing, China from 1961 to 2020[J]. Journal of Mountain Science, 2024, 21(6): 2005-2024. DOI:10.1007/s11629-023-8439-1 |
| [39] |
钟旭珍, 王金亮, 邓云程, 等. 怒江-萨尔温江流域植被覆盖时空变化趋势及驱动力[J]. 生态学报, 2023, 43(24): 10182-10201. Zhong X Z, Wang J L, Deng Y C, et al. Spatio-temporal variation and driving forces of vegetation cover in the Nujiang-Salween River Basin[J]. Acta Ecologica Sinica, 2023, 43(24): 10182-10201. |
| [40] | Hurst H E. Methods of using long-term storage in reservoirs[J]. Proceedings of the Institution of Civil Engineers, 1956, 5(5): 519-543. DOI:10.1680/iicep.1956.11503 |
| [41] |
王叶兰, 杨鑫, 郝利娜. 2001—2021年川西高原植被NDVI时空变化及影响因素分析[J]. 自然资源遥感, 2023, 35(3): 212-220. Wang Y L, Yang X, Hao L N. Spatio-temporal changes in the normalized difference vegetation index of vegetation in the western Sichuan Plateau during 2001-2021 and their driving factors[J]. Remote Sensing for Natural Resources, 2023, 35(3): 212-220. |
| [42] |
汪东川, 王思润, 王志恒, 等. 青藏高原人类工程活动强度定量评价及时空格局演变[J]. 生态学报, 2024, 44(10): 4142-4156. Wang D C, Wang S R, Wang Z H, et al. Quantitative evaluation and spatio-temporal pattern evolution of human engineering activities on the Qinghai-Tibet Plateau[J]. Acta Ecologica Sinica, 2024, 44(10): 4142-4156. |
| [43] |
靳职斌, 闫彤彤, 张双奎, 等. 利用固废改良贫瘠黄土的地球化学工程盆栽试验[J]. 华北地质, 2023, 46(4): 55-60. Jin Z B, Yan T T, Zhang S K, et al. Pot experiment of geochemical engineering for improving barren loess with solid waste[J]. North China Geology, 2023, 46(4): 55-60. |
| [44] |
孙润, 雷俊, 尚军林, 等. 黄土高原半干旱区春小麦、胡麻物候变化特征分析[J]. 干旱气象, 2017, 35(5): 761-766. Sun R, Lei J, Shang J L, et al. Change of typical phenological phases of spring wheat and oil flax in semi-arid region in northwest China[J]. Journal of Arid Meteorology, 2017, 35(5): 761-766. |
| [45] |
王振军. 玉米气象指数保险的理赔指数及保险费率研究——以甘肃黄土高原区为例[J]. 技术经济与管理研究, 2014(9): 89-93. Wang Z J. Research of Weather-based claims index and premium rates for maize insurance —A case of Gansu Loess Plateau[J]. Technoeconomics & Management Research, 2014(9): 89-93. |
| [46] |
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. |
| [47] | 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 |
| [48] |
徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274. Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation in net primary productivity of different vegetation types and its influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. |
| [49] |
段艺芳, 任志远, 孙艺杰. 陕北黄土高原植被生态系统水分利用效率气候时滞效应[J]. 生态学报, 2020, 40(10): 3408-3419. Duan Y F, Ren Z Y, Sun Y J. Time-lay effects of climate on water use efficiency in the Loess Plateau of northern Shaanxi[J]. Acta Ecologica Sinica, 2020, 40(10): 3408-3419. |
| [50] | Zhuang L W, Axmacher J C, Sang W G. Different radial growth responses to climate warming by two dominant tree species at their upper altitudinal limit on Changbai Mountain[J]. Journal of Forestry Research, 2017, 28(4): 795-804. |
| [51] |
宋云, 李培中, 郭逸飞. 关于兰州石化泄漏导致自来水苯超标事件的解析[J]. 环境保护, 2015, 43(19): 54-57. Song Y, Li P Z, Guo Y F. Analysis about tap water benzene exceeding event caused by Lanzhou petrochemical leakage[J]. Environmental Protection, 2015, 43(19): 54-57. |