中國絲綢之路經濟帶沿線植被覆蓋變化及自然影響因素分析

胡克宏，張 震，郜 敏，陸藝杰

·農業信息與電氣技術·

中國絲綢之路經濟帶沿線植被覆蓋變化及自然影響因素分析

胡克宏，張 震※，郜 敏，陸藝杰

（安徽理工大學空間信息與測繪工程學院，淮南 232001）

該研究基于谷歌地球引擎（Google Earth Engine, GEE）共享的遙感數據及對地分析，在線訪問MOD13 Q1數據，采用一元線性回歸法、最大合成法（Maximum Value Composite, MVC）和均值法，分析2000－2018年中國絲綢之路經濟帶沿線省份的植被覆蓋時空變化趨勢；并利用地理探測器模型定量分析不同自然因子對植被覆蓋變化的影響。結果表明：1）2000－2018年植被覆蓋變化時空差異顯著，空間變化趨勢以改善為主，且改善區域主要在廣西、重慶、陜西、寧夏及甘肅南部；2）NDVI年最大值（NDVImax）和NDVI生長季均值（NDVISeaAvg）隨時間變化均呈顯著的波動增加趨勢（<0.001）；3）年均降水量、濕潤指數、植被類型和土壤類型是NDVImax空間分布的主要驅動因子，解釋力分別為0.776、0.764、0.762和0.505；4）各自然因子存在促進植被生長的最適宜范圍或特征，不同自然因子之間的交互作用為雙因子增強或非線性增強。研究結果有助于理解自然因子對植被覆蓋變化的影響及其驅動機制，為合理利用土地、有效保護生態環境提供科學參考。

遙感；植被；自然因子；GEE；地理探測器

0 引 言

植被作為陸地系統的組成部分，不僅是生態環境的晴雨表，更是氣候變化的指示器[1]。植被變化影響局部氣候與生態平衡，開展區域植被變化研究可以為土地合理利用和生態環境保護提供科學依據。區域植被研究中，遙感是大、中區域尺度植被變化監測的有效手段[2]。歸一化植被指數（Normalized Difference Vegetation Index, NDVI）是遙感監測植被生長狀況的重要指標[3]，NDVI年最大值可有效表征年際植被最佳生長狀況，NDVI生長季均值是反映植被生長發育階段平均水平的重要參數。

國內外眾多學者[4-6]利用NDVI對不同時空尺度的植被覆蓋變化及其驅動因子進行了分析。但大多數研究[7-10]集中在氣溫和降水對植被覆蓋變化的影響，鮮有考慮其他氣候因子和地形、地貌、土壤等因子的影響以及各因子的交互作用。對于較大區域尺度，氣候影響可能存在明顯的區域差異性，比如中亞南部區域年NDVI均值與氣溫呈正相關，而哈薩克斯坦西部和北部區域則呈負相關[11]。并且目前大多數研究假設植被覆蓋變化與影響因子存在顯著的線性關系，但實際上植被對氣候的響應過程非常復雜，不存在嚴格統計標準的線性關系[12]。因此，從空間分異的角度出發，理清自然因子與植被覆蓋變化之間的規律與內在機理，對于全面認識大區域尺度植被覆蓋時空變化趨勢和未來生態環境演化具有重要意義。地理探測器已被廣泛應用于自然、社會等領域，其研究區大到國家尺度，小到鄉鎮尺度，主要用于探測空間分異性，以及揭示其背后影響因素[13-14]。對于大區域尺度的植被覆蓋而言，地理探測器不僅能夠探測氣候、地形、地貌、土壤等因子空間分異特征和變化趨勢對植被覆蓋變化的影響，并且可以探測不同因子之間的交互作用對植被覆蓋變化的影響。

中國絲綢之路經濟帶沿線省份（以下簡稱沿線省份）涵蓋西部地區，該地區疆域遼闊，占國土總面積的一半以上，但經濟發展相對落后，生產總值占全國總生產總值的比例從1999年的14%提升至2018年的20.5%，總體上仍有待提高。為實現西部地區可持續發展的綠色經濟，在經濟增長的同時注重生態環境建設，理清該區域自然因子對植被覆蓋的影響并采取相應的措施、政策已然成為重要舉措之一。西部地區氣候類型豐富，地形、地貌復雜多樣，甘肅、青海、寧夏、新疆以沙漠和戈壁灘為主，生態環境脆弱；陜西北部主要為黃土高原，自然環境較差，關中及陜南以平原、山脈為主，自然環境相對較好；重慶、四川、云南、廣西是長江中下游的天然屏障，生態地位高[15]。因此，本研究以西北5省（自治區）和西南4省（直轄市、自治區）為典型區域，研究區內植被變化主要受自然因素影響，分析植被覆蓋時空變化趨勢，探索自然因子驅動機制，對合理利用土地、兼顧經濟發展與環境保護具有重要意義。

本研究以谷歌地球引擎（Google Earth Engine, GEE）為計算平臺，基于MOD13 Q1數據，采用一元線性回歸法、MVC和均值法，研究2000－2018年沿線省份的植被覆蓋時空變化趨勢，并利用地理探測器模型分析不同自然因子對植被覆蓋變化的解釋力，確定不同自然因子促進植被生長的最佳特征及其相互作用，對沿線省份已破壞植被的恢復以及生態環境的可持續發展具有重要的參考價值，為絲綢之路經濟帶更好地服務于國內外經濟發展提供了科學、合理的依據。

1 數據與方法

1.1 研究區概況

選取中國絲綢之路經濟帶沿線9個省（直轄市、自治區）為研究區，包括陜西、甘肅、青海、寧夏、新疆的西北5省（自治區）和四川、云南、重慶、廣西的西南4省（直轄市、自治區）。研究區涵蓋地勢第一級階梯東部地區和第二級階梯大部分地區，新疆南部的昆侖山脈和青海西部的高原地區地勢較高（高于4 000 m），而塔里木盆地、準格爾盆地、吐魯番盆地、四川盆地及廣西省西南地區地勢較低（低于1 500 m）。研究區內含211個氣象臺站（圖1），氣候類型涵蓋四季分明的溫帶氣候、冬暖夏熱的亞熱帶氣候以及冬寒夏涼的高原氣候，四川東部、重慶西南、云南南部及廣西的年均溫（大于15 ℃）高于新疆南部的昆侖山脈和青海西部的青藏高原地區（小于0 ℃），年均降水量由北向南呈增加趨勢。土壤類型豐富，共有20個土綱類型，主要為初育土和高山土，分別占研究區總面積的24.42%和24.18%。復雜多樣的地形與氣候特征，形成了沿線省份特有的植被空間分布格局，例如，甘肅省自東南向西北呈現出森林－草原－荒漠的植被類型，而四川省植被類型以亞熱帶灌叢、亞熱帶常綠闊葉林和高寒草甸為主。

圖1 研究區位置及氣象臺站分布

1.2 數據來源與處理

本研究以GEE為平臺，通過JavaScript API在線訪問全球范圍內2000－2018年的MOD13 Q1和SRTM，影像均已經過輻射校正、幾何校正等預處理。其中，MOD13 Q1數據的時間分辨率為16 d，空間分辨率為250 m。氣候數據（降水、氣溫）為月值0.5°×0.5°格點數據集，該數據集采用薄盤樣條法進行空間插值，且經交叉驗證、誤差分析，質量狀況良好，來源于中國氣象數據網（http://data.cma.cn/）。其他分析數據均來源于中國科學院資源環境科學數據中心（http://www.resdc.cn/），包括《1:100萬中華人民共和國土壤圖》《1:100萬中國植被圖集》《中華人民共和國地貌圖集（1:100萬）》濕潤指數數據和≥10 ℃積溫數據。其中，本研究使用的《1:100萬中國植被圖集》于2008年完成，具有較高的精度，廣泛應用于植被覆蓋影響因素研究[16]。理論上樹種的繁衍、遷徙和生態系統的演替需要幾十至幾百年的時間[17]，近年來人類活動和理論上植物自然演替所造成的植物物種變化對更大尺度上的植被類型影響微小。即近20年植被類型變化在本研究的植被類型尺度上可以忽略不計，對分析結果無顯著影響。

對于2000－2018年MOD13 Q1數據，在GEE中編程調用每年的NDVI數據，基于MVC和均值法分別合成長時間序列NDVI年最大值NDVImax和NDVI生長季均值NDVISeaAvg。對于SRTM，以研究區為邊界導出并下載至本地，在ArcGIS 10.2軟件中計算坡度和坡向。氣候數據通過均值法計算得到年均溫、年均降水量數據。所有分析數據均投影為Albers等積圓錐投影，并以研究區矢量邊界進行裁剪。

1.3 研究方法

1.3.1 GEE平臺簡介

GEE是一個集科學分析以及地理信息數據可視化的行星級尺度平臺，存儲了近40年來公布的遙感影像數據集，如Landsat、MODIS、Sentinel等系列產品，以及氣象、地形數據等[18]。GEE直接基于谷歌云平臺和后臺處理器處理數據，相較于傳統的遙感數據處理軟件，可避免將數據下載至本地及預處理等過程，在較大程度上提高了工作效率。GEE是目前最先進的基于云計算的地理空間數據處理平臺，通過將PB級的衛星影像、地理空間數據集與行星級分析功能相結合，以便科學家、研究人員和開發人員等監測并量化地球表面的差異。數據集每天進行更新、拓展，分析功能基于JavaScript API和Python API，有利于快速訪問PB級數據并通過交互式算法進行分析。GEE在地學及遙感方面的應用十分廣泛，已有學者基于GEE平臺分析全球植被覆蓋變化[19]和監測土地利用[20]等。

1.3.2 植被生長季開始期和結束期的界定

植被物候學生長季用物候期界定，即NDVI最大變化率、最小變化率時刻之間的時段[21]。研究表明西北地區植被生長季為6－9月[22]，西南地區為4－9月[9]，本研究基于GEE平臺，將2000－2018年4－9月共12期MOD13 Q1影像逐期進行多年平均合成。在此基礎上，計算各期區域平均NDVI值，變化率計算公式為

式中i為期數，共12期，依次對應DOY97（一年中第97天），DOY113，…，DOY273，依次計算k至第11期（圖2）。k最大值、最小值分別為DOY113和DOY257，即研究區生長季開始期為每年的4月23日（或22日）至5月9日（或8日），生長季結束期為9月14日（或13日）至9月30日（或29日）。故本研究將4月下旬至9月末作為研究區植被的生長季。

1.3.3 一元線性回歸植被覆蓋變化趨勢分析

一元線性回歸趨勢分析可模擬出每個像元的NDVI年最大值NDVImax和NDVI生長季均值NDVISeaAvg變化趨勢，進而反映區域植被覆蓋變化的空間分布特征。假設NDVI與時間序列之間存在回歸方程：NDVI，斜率計算公式為

（2）

式中為研究時間段內的NDVI變化斜率；為年數；x為時間序列；NDVI為第年的NDVImax或NDVISeaAvg。>0，表示在研究時間段內NDVI呈增長趨勢；<0，則呈減少趨勢。

以GEE為平臺，基于合成的長時間序列NDVImax和NDVISeaAvg，采用一元線性回歸法分析植被覆蓋變化，結果影像導出并下載至本地，在ArcGIS 10.2軟件中重分類。采用檢驗法對變化趨勢進行顯著性檢驗，根據顯著性檢驗結果，將NDVI變化趨勢分為6個等級：極顯著改善（>0，≤0.01）、顯著改善（>0，0.01<≤0.05）、輕微改善（>0，>0.05）、輕微退化（<0，>0.05）、顯著退化（<0，0.01<≤0.05）和極顯著退化（<0，≤0.01）。檢驗法計算公式為

1.3.4 地理探測器模型

Wang等[23]研究自然因素和人為因素對山西省和順縣新生兒神經管畸形的影響時，提出了地理探測器，用于探測空間分異性，以及揭示其背后的驅動力。地理探測器具有2大優勢：可以探測數值型數據和定性數據；通過分別計算單因子對因變量的解釋力（Power of determinate）及兩因子交互解釋力，進而探測因子間的交互作用[24]。值計算公式如下：

（6）

式中SSW和SST分別為層內方差之和和區域總方差；為影響因子或因變量的分層；N和分別為層和全區的單元數；σ2和2分別是層和全區值的方差。假設植被NDVI受某一因子的影響而變化，則植被NDVI空間分布與該因子的空間分布相似。在ArcGIS 10.2軟件中將因變量NDVI和各個影響因子離散化為類型量，輸入基于Excel的地理探測器軟件并進行因子探測、生態探測、風險探測及交互探測，進而分析各個影響因子對植被NDVI的解釋力及其交互作用。

1.3.5 自然因子的選取及分類

自然因子選取與氣候、地形、地貌、植被、土壤有關的年均溫（1）、年均降水量（2）、濕潤指數（3）、≥10 ℃積溫（4）、高程（5）、坡度（6）、坡向（7）、地貌類型（8）、植被類型（9）和土壤類型（10）共10種因子[25]，探測自然因子對沿線省份植被NDVI的影響。在ArcGIS 10.2軟件中以1 km × 1 km的網格劃分研究區，取格網中心為采樣點，使采樣點完全均勻分布于研究區，共計1 676個。根據空間位置關聯性，提取植被NDVI及各個自然因子類型數據至采樣點，并生成屬性表，從而分析植被NDVI與自然因子之間的定量關系。

地理探測器運用于驅動力分析時，需將自變量離散化為類型量，離散可以基于專業知識，也可以使用等間距法、自然斷點法[26]等分類算法。本研究采用自然斷點法將年均溫、年均降水量、濕潤指數、≥10 ℃積溫和高程分為6類（表1），坡度根據中國農業區劃委員會1984年頒發的《土地利用現狀調查技術規程》分為5類，坡向在提取時自動分為10類，地貌類型、植被類型和土壤類型分別參照1:100萬地貌圖、植被圖和土壤圖分為7類、12類和20類。

2 結果與分析

2.1 植被NDVI時空變化

2.1.1 植被NDVImax和NDVISeaAvg空間變化趨勢

2000－2018年沿線省份植被覆蓋空間變化趨勢以改善為主，NDVImax和NDVISeaAvg呈現改善的區域面積分別為258.84和259.81萬km2，占研究區總面積的83.42%和83.73%，其中，顯著（極顯著和顯著）改善的比例為77.08%和76.56%，顯著（極顯著和顯著）退化的比例為12.18%和11.12%（表2），即改善的面積比例遠大于退化（圖3）。從空間分布上來看，沿線省份的NDVImax和NDVISeaAvg具有明顯的空間分異性，改善的區域主要在廣西、重慶、陜西、寧夏及甘肅南部，退化的區域主要在新疆北部海拔較高的天山山脈、青海南部、陜西中部、四川及云南。

表1 影響因子自然斷點法分區

表2 NDVI空間變化趨勢面積統計

圖3 NDVImax和NDVISeaAvg空間變化趨勢

2.1.2 植被NDVImax和NDVISeaAvg隨時間變化趨勢

2000－2018年沿線省份NDVI隨時間變化呈顯著的波動增加趨勢，且通過了置信水平<0.001的檢驗。NDVImax和NDVISeaAvg平均每10 a增加0.025 2和0.020 4（圖4），最大振幅分別為0.056和0.044。

圖4 NDVImax和NDVISeaAvg時間變化趨勢

2.2 植被覆蓋影響因子的地理探測

2.2.1 因子探測

因子探測器通過計算各自然因子的值，探究各自然因子對植被NDVI是否有影響以及解釋力的大小。由因子探測結果（表3）可知，各自然因子對應的值從大到小依次排序為：年均降水量、濕潤指數、植被類型、土壤類型、年均溫、地貌類型、坡度、≥10 ℃積溫、高程、坡向，值均小于0.01，通過顯著性檢驗。從解釋力角度看，年均降水量、濕潤指數、植被類型和土壤類型是影響NDVImax空間分布的主要因素，解釋力均在50%以上，且除土壤類型以外，其他3種自然因子的解釋力均超過70%。年均溫、地貌類型、坡度和≥10 ℃積溫為次要因素，解釋力在15%以上。高程和坡向的解釋力低于10%，表明沿線省份的植被覆蓋變化受高程和坡向的直接影響較小。

表3 自然因素因子探測

注：1~10分別為年均溫、年均降水量、濕潤指數、≥10 ℃積溫、高程、坡度、坡向、地貌類型、植被類型和土壤類型。下同。

Note:1-10means annual average temperature, annual average precipitation, humidity index, cumulative temperature (≥10 ℃), elevation, slope, aspect, physiognomy type, vegetation type and soil type. The same as below.

2.2.2 生態探測

生態探測器用于探測兩自然因子對NDVImax空間分布的影響是否有顯著性差異，表4為自然因子之間統計學差異的結果。統計檢驗表明，年均降水量、濕潤指數和植被類型三者之間無顯著性差異，與其他各自然因子間的差異均顯著；年均溫、地貌類型、坡度和≥10 ℃積溫四者之間無顯著性差異；土壤類型、高程和坡向與其他各自然因子之間均具有顯著性差異。進一步證明，年均降水量、濕潤指數、植被類型和土壤類型對NDVImax空間分布的影響最大，年均溫、地貌類型、坡度和≥10 ℃積溫的影響較大，高程和坡向的影響較小。

表4 自然因素生態探測

注：Y表示有顯著性差異，N表示無顯著性差異，置信度為95%。下同。

Note: Y means significant difference and N means no significant difference, confidence level is 95%. Same as below.

因此，本研究將年均降水量、濕潤指數、植被類型、土壤類型、年均溫、地貌類型、坡度和≥10 ℃積溫8個因子作為影響植被覆蓋的自然因子，并輸入風險探測器和交互探測器。

2.2.3 風險探測

風險探測器可確定不同自然因子促進植被生長的最佳范圍或特征，置信度為95%，每一種自然因子的風險探測結果分為兩部分：不同分區之間的統計學差異及其NDVImax均值，NDVImax均值越大，對應的自然因子范圍或特征更適合植被生長。以年均溫為例，年均溫劃分為6個分區（1～6），數值越大表明溫度越高，各分區年均溫范圍分別為

注：1～6分區年均溫范圍分別為

Note: The average annual temperature range of 1-6 subzone are

其他自然因子風險探測結果分析與年均溫類似，表6為各自然因子有利于植被生長的適宜范圍及其NDVImax均值。年均降水量和濕潤指數與NDVImax均值正相關，最適宜類型均為6分區，即年均降水量為1 427～2 657 mm、濕潤指數為69～340時最有利于植被生長，NDVImax均值分別為0.821和0.826。NDVImax均值在年均溫6分區（15.65～23.83 ℃）達最大值（0.807），隨年均溫的增加呈波動升高趨勢。≥10 ℃積溫6分區（6 818～8 501 ℃）的NDVImax均值達最大值（0.803），且NDVImax均值隨≥10 ℃積溫的增加先降低后升高。相較于溫度，降水對植被覆蓋的影響更大，植被覆蓋對不同水熱條件的響應不同，氣候因子在植被生長過程中至關重要[27]。

對于不同坡度條件，NDVImax均值隨坡度的增加先升高后降低，在4分區（15～25°）達最大值0.610。不同地貌類型、植被類型、土壤類型的NDVImax均值呈波動變化，小起伏山地和中起伏山地的NDVImax均值最高，分別為0.618和0.619；1、3、7植被類型區的NDVImax均值達最高，表明針葉林（0.817）、闊葉林（0.811）和草叢（0.828）的NDVImax均值最高；淋溶土和鐵鋁土更適合植被生長，NDVImax均值分別為0.841和0.830。

表6 自然因素風險探測

2.2.4 交互探測

交互探測器通過計算兩自然因子交互作用的值，分析兩自然因子是否存在交互作用或是否獨立。表7為年均降水量（2）、濕潤指數（3）、植被類型（9）和土壤類型（10）交互作用的結果，即對植被空間分布起主要作用的4種自然因子之間的交互作用。結果表明，每2種主要影響因子之間交互結果均為雙因子增強（兩因子的交互值大于兩單因子值的最大值）。主要影響因子交互值排序為：(濕潤指數∩植被類型)>(年均降水量∩植被類型)>(濕潤指數∩土壤類型)>(植被類型∩土壤類型)>(年均降水量∩土壤類型)>(年均降水量∩濕潤指數)，表明年均降水量和濕潤指數增強了植被類型對植被的影響，年均降水量、濕潤指數、植被類型增強了土壤類型對植被的影響。其他各自然因子交互作用結果均為雙因子增強或非線性增強（兩因子的交互PD值大于兩單因子PD值之和），不存在獨立因子，即兩自然因子之間存在交互作用且不是簡單的疊加作用。

表7 主要影響因子交互探測

注：x和x表示主要影響因子，x∩x表示兩因子交互。雙因子增強表示兩因子的交互PD值大于兩單因子PD值的最大值。

Note:xandxmeans the main impact factors,x∩xmeans the interaction of two factors. Bivariate enhancement means the interactivePD value of two factors is greater than the maximum value of two single factor PD values.

3 討 論

3.1 植被NDVI時空變化

2000－2018年中國絲綢之路經濟帶沿線省份植被覆蓋變化以改善為主，且NDVI隨時間變化呈顯著的波動增加趨勢。與已有研究相比較，不同研究起始時段及研究方法不盡相同，但研究結果相一致[28-29]。與中國其他經濟帶相比，絲綢之路經濟帶生態環境相對脆弱，植被NDVI時空變化分異，其中，廣西、重慶、陜西、寧夏和甘肅南部地區的植被趨于改善。氣候數據表明，改善區域的降水、氣溫均呈增加趨勢，且降水增加幅度高于氣溫。因此，降水增多可能是該區域植被覆蓋改善的原因[30]。而新疆北部海拔較高的天山山脈、四川和青海南部地區的植被覆蓋趨于退化，研究時段內新疆、青海和四川的降水趨勢均呈增加狀態，但高海拔抑制了降水增加對植被覆蓋的改善作用，且高寒地區植被覆蓋低，植被生長對降水量變化的敏感性低，因而改善作用不明顯[31]。因此，對于沿線省份生態脆弱地區已破壞植被的恢復以及生態環境建設，應充分利用降水的空間分布，并結合高海拔地區的土壤特點合理種植植被，兼顧經濟發展與環境保護。此外，陜西中部省會城市處的植被覆蓋也有所退化，已有研究表明，省會城市人口分布密集，植被易受人類活動影響[32]。故對于沿線省份人口密度大的區域，應加強人的控制作用，提高城市綠化。

3.2 植被覆蓋的影響因子

與中國其他經濟帶相比，絲綢之路經濟帶沿線缺少“高經濟貢獻、高生態承載貢獻”的省份，因而沿線省份植被覆蓋主要受自然因素的影響，人為因素干擾較小。因子探測器和生態探測器表明，年均降水量（PD=0.776）、濕潤指數（PD=0.764）、植被類型（PD=0.762）和土壤類型（PD=0.505）對沿線省份植被覆蓋變化起主要作用。植被生長主要吸收來自于土壤的水分，而降水是土壤儲水的重要來源，即水分因素主導沿線省份植被覆蓋的空間分布格局[33-34]。植被NDVI受多個自然因子的綜合影響，不同自然因子有適宜植被生長的不同范圍或特征[35]。沿線省份植被NDVI隨年均降水量和濕潤指數的增加而增大，即年均降水量為1 427～2 657 mm、濕潤指數為69～340時最有利于沿線省份植被生長，可能的解釋為降水量的增加可以彌補植被由于蒸騰作用而減少的水分，或土壤因高溫而蒸發的水分。此外，植被類型和土壤類型的不同也會影響植被生長，針葉林、闊葉林和草叢的NDVI較高（>0.81），淋溶土、鐵鋁土相較于其他土壤類型更適合植被生長，該發現與Peng等[36]對于四川省的研究結論基本吻合，而荒漠和高山植被的NDVI較低（<0.24），漠土和鹽堿土不利于植被生長。植被類型和土壤類型作為單個因子對植被空間分布的影響較大，與年均降水量和濕潤指數交互后，對植被生長起到促進作用，進一步增強了植被類型和土壤類型的解釋力。因此，沿線省份應重點關注降水的利用，著重治理荒漠、鹽堿地和高山處的植被覆蓋，并將不同植被類型、土壤類型與降水的空間分布充分結合，從而實現該區域生態環境的可持續發展。

植被生態系統的形成和發展受地形、地貌、氣候和人文等多種因素的影響，城市化、工業化、過度放牧、濫墾濫伐和不合理的土地利用方式等抑制植被生長。近年來，為促進生態環境建設，政府相繼出臺了相關政策和規定，例如，《退耕還林條例》于2003年施行植樹造林、封山育林、退耕還林和防治病蟲害等措施促進植被生長。已有研究表明，人為因素對西北地區的植被覆蓋有一定的影響，頻繁的人類活動會破壞植被[37]。因此，為實現沿線省份可持續發展的綠色經濟，要綜合考慮自然因素和人為因素的共同作用，加強人在生態環境建設中的改善作用。

4 結 論

本研究基于GEE平臺，采用一元線性回歸法、最大合成法和均值法，研究2000－2018年沿線省份的植被覆蓋時空變化趨勢，并利用地理探測器模型定量分析不同自然因子對植被覆蓋變化的影響。主要結論有：

1）2000－2018年沿線省份植被覆蓋變化空間分布差異顯著，NDVImax和NDVISeaAvg呈改善的區域面積分別占研究區總面積的83.42%和83.73%，改善區域主要在廣西、重慶、陜西、寧夏及甘肅南部，退化區域主要在新疆北部海拔較高的天山山脈、青海南部、四川、云南及陜西中部省會城市處。

2）時間上，2000－2018年沿線省份植被NDVI隨時間變化呈顯著的波動增加趨勢，NDVI年最大值NDVImax和NDVI生長季均值NDVISeaAvg平均每10 a增加0.025 2和0.020 4。

3）年均降水量、濕潤指數、植被類型和土壤類型是影響NDVImax空間分布的主要因素，解釋力均在50%以上。年均溫、地貌類型、坡度和≥10 ℃積溫為次要因素，解釋力均在15%以上。

4）各自然因子對植被生長的影響有其適宜范圍或特征，且自然因子間的交互作用將增強對植被覆蓋的影響，不存在獨立作用的自然因子。

[1]Parmesan C, Yohe G. A globally coherent fingerprint of climate change impacts across natural systems[J]. Nature, 2003, 421(6918): 37-42.

[2]賈坤，姚云軍，魏香琴，等. 植被覆蓋度遙感估算研究進展[J]. 地球科學進展，2013，28(7)：774-782.

Jia Kun, Yao Yunjun, Wei Xiangqin, et al. A review on fractional vegetation cover estimation using remote sensing[J]. Advances in Earth Science, 2013, 28(7): 774-782. (in Chinese with English abstract)

[3]Huang X L, Zhang T B, Yi G H, et al. Dynamic changes of NDVI in the growing season of the Tibetan Plateau during the past 17 years and its response to climate change[J]. International Journal of Environmental Research and Public Health, 2019, 16(18): 3452-3472.

[4]Liu Y L, Lei H M. Responses of natural vegetation dynamics to climate drivers in China from 1982 to 2011[J]. Remote Sensing, 2015, 7(8): 10243-10268.

[5]Nghiem J, Potter C, Baiman R, et al. Detection of vegetation cover change in renewable energy development zones of Southern California using MODIS NDVI time series analysis, 2000 to 2018[J]. Environments, 2019, 6(4): 40-65.

[6]張圳，張彌，肖薇，等. 太湖水生植被NDVI的時空變化特征分析[J]. 遙感學報，2018，22(2)：324-334.

Zhang Zhen, Zhang Mi, Xiao Wei, et al. Analysis of temporal and spatial variations in NDVI of aquatic vegetation in Lake Taihu[J]. Journal of Remote Sensing, 2018, 22(2): 324-334. (in Chinese with English abstract)

[7]He B, Chen A F, Jiang W G, et al. The response of vegetation growth to shifts in trend of temperature in China[J]. Journal of Geographical Sciences, 2017, 27(7): 801-816.

[8]陳秀妍，付碧宏，時丕龍，等. 2000－2016年中亞天山植被變化及氣候分異研究[J]. 干旱區地理，2019，42(1)：162-171.

Chen Xiuyan, Fu Bihong, Shi Pilong, et al. Vegetation dynamics in response to climate change in Tianshan, Central Asia from 2000 to 2016[J]. Arid Land Geography, 2019, 42(1): 162-171. (in Chinese with English abstract)

[9]熊巧利，何云玲，李同艷，等. 西南地區生長季植被覆蓋時空變化特征及其對氣候與地形因子的響應[J]. 水土保持研究，2019，26(6)：259-266.

Xiong Qiaoli, He Yunling, Li Tongyan, et al. Spatiotemporal patterns of vegetation coverage and response to climatic and topographic factors in growth season in Southwest China[J]. Research of Soil and Water Conservation, 2019, 26(6): 259-266. (in Chinese with English abstract)

[10]張亮，丁明軍，張華敏，等. 1982－2015年長江流域植被覆蓋度時空變化分析[J]. 自然資源學報，2018，33(12)：2084-2097.

Zhang Liang, Ding Mingjun, Zhang Huamin, et al. Spatiotemporal variation of the vegetation coverage in Yangtze River Basin during 1982－2015[J]. Journal of Natural Resources, 2018, 33(12): 2084-2097. (in Chinese with English abstract)

[11]殷剛，孟現勇，王浩，等. 1982－2012年中亞地區植被時空變化特征及其與氣候變化的相關分析[J]. 生態學報，2017，37(9)：3149-3163.

Yin Gang, Meng Xianyong, Wang Hao, et al. Spatial-temporal variation of vegetation and its correlation with climate change in Central Asia during the period of 1982－2012[J]. Acta Ecologica Sinica, 2017, 37(9): 3149-3163. (in Chinese with English abstract)

[12]Hein L, De Ridder N, Hiernaux P, et al. Desertification in the Sahel: Towards better accounting for ecosystem dynamics in the interpretation of remote sensing images[J]. Journal of Arid Environments, 2011, 75(11): 1164-1172.

[13]Zhao W, Hu Z M, Guo Q, et al. Contributions of climatic factors to interannual variability of the vegetation index in Northern China grasslands[J]. Journal of Climate, 2020, 33(1): 175-183.

[14]劉彥隨，李進濤. 中國縣域農村貧困化分異機制的地理探測與優化決策[J]. 地理學報，2017，72(1)：161-173.

Liu Yansui, Li Jintao. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017, 72(1): 161-173. (in Chinese with English abstract)

[15]楊屹，樊明東. 中國絲綢之路經濟帶沿線省份生態足跡時空差異及公平性分析[J]. 生態學報，2019，39(14)；5040-5050.

Yang Yi, Fan Mingdong. Analysis of spatial and temporal differences and equity of ecological footprints of provinces along the Silk Road Economic Belt in China[J]. Acta Ecologica Sinica, 2019, 39(14): 5040-5050. (in Chinese with English abstract)

[16]閻世杰，王歡，焦珂偉. 京津冀地區植被時空動態及定量歸因[J]. 地球信息科學學報，2019，21(5)：767-780.

Yan Shijie, Wang Huan, Jiao Kewei. Spatiotemporal dynamic of NDVI in the Beijing-Tianjin-Hebei region based on MODIS data and quantitative attribution[J]. Journal of Geo-information Science, 2019, 21(5): 767-780. (in Chinese with English abstract)

[17]張興航，張百平，王晶，等. 神農架林區植被分布與地形的關系研究[J]. 地球信息科學學報，2020，22(3)：482-493.

Zhang Xinghang, Zhang Baiping, Wang Jing, et al. Study on the relationship between terrain and distribution of the vegetation in Shennongjia Forestry District[J]. Journal of Geo-information Science, 2020, 22(3): 482-493. (in Chinese with English abstract)

[18]Mutanga O, Kumar L. Google Earth Engine applications[J]. Remote Sensing, 2019, 11(5): 591-594.

[19]Hansen M C, Potapov P V, Moore R, et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2013, 342(6160): 850-853.

[20]Goldblatt R, You W, Hanson G, et al. Detecting the boundaries of urban areas in India: A dataset for pixel-based image classification in Google Earth Engine[J]. Remote Sensing, 2016, 8(8): 634-661.

[21]Piao S L, Fang J Y, Zhou L M, et al. Variations in satellite-derived phenology in China's temperate vegetation[J]. Global Change Biology, 2006, 12(4): 672-685.

[22]Li B, Zhang L, Yan Q, et al. Application of piecewise linear regression in the detection of vegetation greenness trends on the Tibetan Plateau[J]. International Journal of Remote Sensing, 2014, 35(4): 1526-1539.

[23]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.

[24]王勁峰，徐成東. 地理探測器:原理與展望[J]. 地理學報，2017，72(1)：116-134.

Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. (in Chinese with English abstract)

[25]彭文甫，張冬梅，羅艷玫，等. 自然因子對四川植被NDVI變化的地理探測[J]. 地理學報，2019，74(9)：1758-1776.

Peng Wenfu, Zhang Dongmei, Luo Yanmei, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan Province[J]. Acta Geographica Sinica, 2019, 74(9): 1758-1776. (in Chinese with English abstract)

[26]Cao F, Ge Y, Wang J F. Optimal discretization for geographical detectors-based risk assessment[J]. GIScience & Remote Sensing, 2013, 50(1): 78-92.

[27]高江波，焦珂偉，吳紹洪. 1982－2013年中國植被NDVI空間異質性的氣候影響分析[J]. 地理學報，2019，74(3)：534-543.

Gao Jiangbo, Jiao Kewei, Wu Shaohong. Revealing the climatic impacts on spatial heterogeneity of NDVI in China during 1982－2013[J]. Acta Geographica Sinica, 2019, 74(3): 534-543. (in Chinese with English abstract)

[28]馮國艷，馬明國. 西南地區2001－2014年植被變化時空格局[J]. 中國巖溶，2018，37(6)：866-874.

Feng Guoyan, Ma Mingguo. Spatial-temporal pattern of vegetation changes in Southwest China during 2001－2014[J]. Carsologica Sinica, 2018, 37(6): 866-874. (in Chinese with English abstract)

[29]劉啟興，董國濤，景海濤，等. 2000－2016年黃河源區植被NDVI變化趨勢及影響因素[J]. 水土保持研究, 2019, 26(3)：86-92.

Liu Qixing, Dong Guotao, Jing Haitao, et al. Change trend of vegetation NDVI and its influencing factors in the source region of the Yellow River in the period from 2000 to 2016[J]. Research of Soil and Water Conservation, 2019, 26(3): 86-92. (in Chinese with English abstract)

[30]王偉，阿里木·賽買提，吉力力·阿不都外力. 基于地理探測器模型的中亞NDVI時空變化特征及其驅動因子分析[J]. 國土資源遙感，2019，31(4)：32-40.

Wang Wei, Samat Alim, Abuduwaili Jilili. Geo-detector based spatio-temporal variation characteristics and driving factors analysis of NDVI in Central Asia[J]. Remote Sensing for Land and Resources, 2019, 31(4): 32-40. (in Chinese with English abstract)

[31]Guo J T, Hu Y M, Xiong Z P, et al. Spatiotemporal variations of growing-season NDVI associated with climate change in Northeastern China’s permafrost zone[J]. Polish Journal of Environmental Studies, 2017, 26(4): 1521-1529.

[32]吳思佳，吳偉，陳文惠，等. 基于地理探測器的閩三角城市群植被覆蓋時空變化及影響因素研究[J]. 福建師范大學學報：自然科學版，2019，35(5)：81-88.

Wu Sijia, Wu Wei, Chen Wenhui, et al. Study on temporal and spatial changes of vegetation coverage and its influencing factors in the urban agglomeration of Min Delta based on the geographical detector method[J]. Journal of Fujian Normal University: Natural Science Edition, 2019, 35(5): 81-88. (in Chinese with English abstract)

[33]Mu S J, Yang H F, Li J L, et al. Spatio-temporal dynamics of vegetation coverage and its relationship with climate factors in Inner Mongolia, China[J]. Journal of Geographical Sciences, 2013, 23(2): 231-246.

[34]祝聰，彭文甫，張麗芳，等. 2006－2016年岷江上游植被覆蓋度時空變化及驅動力[J]. 生態學報，2019，39(5)：1583-1594.

Zhu Cong, Peng Wenfu, Zhang Lifang, et al. Study of temporal and spatial variation and driving force of fractional vegetation cover in upper reaches of Minjiang River from 2006 to 2016[J]. Acta Ecologica Sinica, 2019, 39(5): 1583-1594. (in Chinese with English abstract)

[35]Meng X Y, Gao X, Li S Y, et al. Spatial and temporal characteristics of vegetation NDVI changes and the driving forces in Mongolia during 1982－2015[J]. Remote Sensing, 2020, 12(4): 603-627.

[36]Peng W F, Kuang T T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China[J]. Journal of Cleaner Production, 2019(233): 353-367.

[37]韋振鋒，王德光，張翀，等. 1999－2010年中國西北地區植被覆蓋對氣候變化和人類活動的響應[J]. 中國沙漠，2014，34(6)：1665-1670.

Wei Zhenfeng, Wang Deguang, Zhang Chong, et al. Response of vegetation cover to climate change and human activities in Northwest China during 1999－2010[J]. Journal of Desert Research, 2014, 34(6): 1665-1670. (in Chinese with English abstract)

Variations in vegetation cover and natural factors of provinces in China along Silk Road Economic Belt during 2000-2018

Hu Kehong, Zhang Zhen※, Gao Min, Lu Yijie

(232001)

Changes of vegetation cover directly determine local climate and ecological balance, particularly on environmental construction and land use. Western China is included in the Silk Road Economic Belt, accounting for more than half of the total land area of China, but its economic development is relatively backward. Much attention has paid to construct a friendly environment while developing economy, in order to achieve the sustainable development of the green economy in western China. It has become one of the urgent issues to clarify the influence of natural factors on vegetation cover, and thereby to take corresponding measures or policies. In this study, five provinces in northwest China and four provinces in southwest China were selected as the study area, where the complex and diverse characteristics of terrain and climate have shaped the unique spatial distribution pattern of vegetation cover. MOD13 Q1 and SRTM was accessed online, based on massive remote sensing data shared by Google Earth Engine (GEE) and powerful ground analysis capabilities. The monthly climate data set was from the China Meteorological Data (http://data.cma.cn/), while, the humidity index, cumulative temperature (≥10 ℃), soil type, vegetation type, and physiognomy type were all from the Resource and Environmental Science Data Center of the Chinese Academy of Sciences (http://www.resdc.cn/). The linear regression, Maximum Value Composite (MVC) and mean method were used to analyze the spatiotemporal variation of vegetation cover in provinces along the Silk Road Economic Belt in China during 2000-2018. A total of eight factors can be identified on the changes of vegetation cover, using factor detector and ecological detector in the geographical detector to screen out the annual average precipitation, humidity index, vegetation type, soil type, annual average temperature, physiognomy type, slope, and cumulative temperature (≥10 ℃). Risk detector was used to recognize the optimal range or behaviors of different natural factors, thereby to promote vegetation growth. interaction between different factors was detected by interaction detector. The results showed that: 1) The spatio-temporal variation trend in vegetation cover was significant from 2000-2018. Spatial variation of vegetation cover was remarkably improved, and mainly distributed in Guangxi, Chongqing, Shaanxi, Ningxia, and southern Gansu. 2) The annual maximum value of NDVI (NDVImax) and the growing season average value of NDVI (NDVISeaAvg) temporal variation significantly increased (<0.001). 3) The annual average precipitation, humidity index, vegetation type, and soil type were the main driving factors for the spatial distribution of NDVImax, with the explanatory powers of 0.776, 0.764, 0.762 and 0.505, respectively. The average annual temperature, physiognomy type, slope, and cumulative temperature (≥10 ℃) served as the secondary factors, with the explanatory powers of above 15%. 4) Each natural factor demonstrated the optimal range to improve vegetation growth. The interaction between different natural factors was bivariate enhancement or nonlinear enhancement. The findings can be helpful to understand the influence of natural factors on vegetation cover changes and its driving mechanism, thereby to provide an important reference for the restoration of damaged vegetation, and sustainable development of ecological environment, further to promote the Silk Road Economic Belt for the better serving the domestic and foreign economic development.

remote sensing; vegetation; natural factors; GEE; geographical detector

胡克宏，張震，郜敏，等. 中國絲綢之路經濟帶沿線植被覆蓋變化及自然影響因素分析[J]. 農業工程學報，2020，36(17)：149-157.doi：10.11975/j.issn.1002-6819.2020.17.018 http://www.tcsae.org

Hu Kehong, Zhang Zhen, Gao Min, et al. Variations in vegetation cover and natural factors of provinces in China along Silk Road Economic Belt during 2000-2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 148-157. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.018 http://www.tcsae.org

2020-05-13

2020-08-23

國家自然科學基金資助項目（41701087）

胡克宏，研究方向：資源與環境遙感。Email：hukehongaust@163.com

張震，博士，副教授，研究方向：資源與環境遙感。Email：zhangzhen@aust.edu.cn

10.11975/j.issn.1002-6819.2020.17.018

S127

A

1002-6819(2020)-17-0149-09