退耕還林(草)過程中陜北地區NDVI時空變異及其驅動因子的地理探測

尚雪, 何釗全, 張銅會

退耕還林(草)過程中陜北地區NDVI時空變異及其驅動因子的地理探測

尚雪1, 何釗全2,*, 張銅會3

1. 延安大學網絡信息中心, 延安 716000 2. 延安大學生命科學學院/延安市生態恢復重點實驗室, 延安 716000 3. 中國科學院西北生態環境資源研究院, 蘭州 730000

地表植被作為生態環境變化的敏感因子, 對維持區域生態穩定性具有重要作用。基于退耕還林(草)生態工程實施過程中2000-2019年陜北地區的MODIS NDVI數據, 結合地形、地貌、氣候、土壤和植被等環境因子, 探究NDVI時空變異特征, 并運用地理探測器模型對植被NDVI影響因子及其影響程度進行探測, 最終確定主要環境因子對NDVI的驅動機制。結果表明: (1)2000-2019年陜北地區中高和高植被覆蓋區面積分別增加了25.64%和11.74%, 植被覆蓋狀況整體良好; NDVI空間分布差異顯著, 其中, 東南丘陵溝壑區植被覆蓋度較高, 西北風沙區以及城鎮建設用地區域植被覆蓋度較低; (2)陜北地區植被NDVI主要受年降水量和干燥度指數的影響, 其解釋力均大于45%; 植被類型、≥10 ℃積溫、地貌類型和坡度的解釋力在15%-35%之間; 土壤類型、年均溫、高程和坡向的解釋力均小于10%; (3)各環境因子對陜北地區NDVI變化的影響存在相互增強和非線性增強的協同交互關系。結果揭示的中高和高植被覆蓋區面積的顯著增加、影響NDVI的主要驅動因子年降水量和干燥度指數的適宜閾值以及它們之間交互增強的驅動機制, 能夠為陜北地區生態脆弱區生態環境修復提供理論支撐和輔助決策。

植被NDVI; 地理探測器; 時空變化; 驅動力; 陜北地區

0 前言

地表植被作為生態系統的重要組成部分, 顯著影響生態環境的變化[1]。因此, 開展區域植被變化研究對了解陸地生態系統響應地表植被變化特征具有積極意義。歸一化植被指數(Normalized Difference Vegetation Index, NDVI), 作為表征植被生長狀況的重要因子, 在區域植被時空尺度上的變化探究中已被眾多學者所應用。

近年來, 采用多方法, 通過多角度、多尺度研究植被NDVI時空序列分布特征及其驅動因素愈為成熟[2-5], 對了解區域環境因子與生態系統的作用機理具有重要意義。比如, 劉靜等[6]探究了黃土高原地區植被與氣候因子之間的響應機制, 并對植被類型進行了區分, 為揭示氣候對植被的作用機制奠定基礎。熊巧利等[7]探究了西南地區生長季植被覆蓋時空變化特征, 掌握了植被覆蓋對氣候與地形因子的影響程度。張學玲等[8]采用不同季相的多期影像數據提取NDVI對植被覆蓋度進行長期監測, 準確分析了山地草甸演化過程和趨勢, 遙感解譯檢驗結果可行度高。楊靜雅等[9]估算了4個不同時期靜寧草地植被覆蓋度動態變化特征, 采用趨勢線分析方法, 探究了研究區草地植被覆蓋變化對溫度和降水的響應規律。稅燕萍等[10]選擇生長季NDVI作為植被變化的指示因子, 對青藏高原不同植被類型各年份的生境適宜度進行了修正, 明確了相比于土地覆蓋變化, NDVI對生境質量變化的影響更為顯著。李躍鵬等[11]探究了陜西省近34年來植被指數NDVI的時空分布特征、變化規律及其與氣候因子之間的相關性, 發現研究區NDVI與同期降水之間的響應最為明顯。以上關于NDVI時空變化影響因素的研究大多以趨勢分析和線性分析為重點[5-10], 在植被覆蓋的空間分異性方面的研究具有統計方法局限性。

陜北地區位于黃土高原中部, 具有我國典型的丘陵溝壑區特征。該地區生態敏感且脆弱, 水土流失現象嚴重[12]。雖然, 近年來, 隨著我國在黃土高原實施退耕還林(草)等生態工程以來, 植被覆蓋恢復成效顯著[13], 有力的促進了該區域生態環境建設, 但是由于近年來區域氣候變化明顯、人為擾動頻繁, 導致該地區各環境因子仍波動顯著, 進而影響生態系統穩定性, 而植被NDVI時空變化特征及其驅動機理研究對于修復生態脆弱區、改善區域生態環境意義顯著[14,15]。因此, 探究在該地區退耕還林(草)等生態工程的推行基礎和生態恢復背景下, 各環境因子如何驅動植被NDVI時空變化尤為重要。目前眾多學者對該區域植被NDVI的研究多為圍繞驅動力和植被生產力變化特征及其關系進行, 而植被生長與環境的關系較為復雜, 存在著線性和非線性的緊密關系, 需采用先進統計方法深度探究其陜北地區生態脆弱區植被覆蓋的空間分異性和驅動機理。地理探測器, 因其具備探測數值型數據、定性數據以及不同因子的交互作用程度的顯著優勢, 在植被時空尺度變化研究中應用廣泛[16]。但是, 關于陜北地區生態脆弱區植被NDVI長時間序列的時空變化特征及其地理探測研究較少。因此, 本文基于退耕還林(草)工程的持續實施, 利用2000-2019年MODIS NDVI數據為基礎, 對陜北地區在退耕還林(草)過程中的植被NDVI進行時空分析, 同時選取和研究區植被NDVI變化有關的10個環境因子, 采用地理探測器模型[17-20]探測各環境因子對NDVI變化的影響程度, 確定植被生長的最適宜環境特征和主要環境因子對NDVI的驅動機制, 以期為陜北地區生態環境修復和可持續發展提供一定的理論依據。

1 研究區概況

陜北地區位于黃土高原中部, 地處35°02′N– 39°35′N, 107°15′E–110°15′E之間, 主要包括延安市和榆林市(圖1)。地勢整體呈現東南低西北高, 東南部為丘陵溝壑區, 西北部是風沙區, 地形復雜、生態多樣, 處于暖溫帶大陸性季風氣候向溫帶半干旱氣候的過渡地區, 氣候干燥、光照充足、晝夜溫差大。年平均氣溫8 ℃–12 ℃, 年平均降水量約350–600 mm。土壤以栗鈣土、黃綿土、草原風沙土為主。該地區生態環境脆弱, 是我國退耕還林生態工程重點區。

2 數據來源及研究方法

2.1 數據來源及預處理

本文采用的數據主要為植被NDVI數據、Digital Elevation Model(DEM)數據、氣象柵格數據(年均溫、降水、≥10 ℃積溫、干燥度指數(年蒸發能力和年降水量的比值))、土壤、植被和地貌類型數據、研究區縣級行政矢量邊界。其中, DEM數字高程數據來源于United States Geological Survey(USGS); 氣象柵格數據、土壤、植被和地貌類型數據來源于中國科學院資源環境科學數據中心(http: //www.resdc.cn); 研究區縣級行政矢量邊界來源于地球大數據科學工程數據共享服務系統; 植被NDVI數據來源于NASA的MODIS MOD13Q1產品, 空間分辨率250 m × 250 m, 時間分辨率16 d。

本文選取2000、2005、2010、2015及2019年5月–9月(植被生長季)間質量較好的50景NDVI數據, 運用重投影工具將MOD13Q1產品格式轉換為UTM投影, WGS-84地理坐標系; 利用最大合成法合成年最大NDVI, 得到5期可利用的年最大NDVI數據。坡度、坡向由DEM數據提取。利用ARCGIS10.6軟件的resample工具, 將獲取的環境數據重采樣為統一分辨率, 依據陜北地區縣級行政邊界分別裁剪數據。

2.2 研究方法

2.2.1 環境因子選取

陜北地區地處黃土高原, 生態脆弱, 環境問題突出。環境因子對植被變化具有顯著的影響。因此, 基于典型性、科學性以及可獲取的原則, 結合各個環境因子對陜北地區植被的協同影響程度, 本文依據地形、地貌、氣候、土壤及植被等類型選取10個自然環境因子, 分析各環境因子對陜北地區植被NDVI變化的影響程度(表1)。

圖1 研究區位置

Figure 1 Location of the study area

表1 環境因子

2.2.2 NDVI等級劃分

為了精準分析陜北地區植被覆蓋變化狀況, 根據植被NDVI的高低和陜北地區植被實際情況, 對該地區2000、2005、2010、2015和2019年植被年最大NDVI值(S)按照等間距方法[21]劃分為5個等級, 即高(S≧0.80)、中高(0.80>S≧0.60)、中(0.60>S≧0.40)、中低(0.40>S≧0.20)、低(S<0.20)。

2.2.3 環境因子分級

采用自然間斷法[22]將高程、年均氣溫、≥10 ℃積溫、年降水量、干燥度指數及坡度柵格數據劃分為8級; 坡向按照等間隔法劃分為10級; 土壤類型按照《1:100萬中華人民共和國土壤圖》標準劃分為10類; 植被類型按照《1:1 000 000中國植被圖集》標準劃分為9類; 地貌類型按照《中華人民共和國地貌圖集(1:100萬)》標準劃分為12類。

2.2.4 信息提取

利用ArcGIS10.6軟件的Create Random Point工具, 按照2 km×2 km格網, 在陜北地區生成4564個隨機采樣點(圖2)。利用多屬性提取工具生成NDVI值和所有環境單因子數據屬性表, 獲取對應的NDVI值與各環境因子之間的關系。

2.2.5 地理探測器

地理探測器(GeoDetector)是探測空間分異性的一種新型統計學方法[16,17]。它能夠分別從因子、生態、風險和交互作用等方面進行空間探測, 有效克服傳統統計分析方法處理類別變量時存在的局限性。因此, 本文應用地理探測器對NDVI變化進行探測分析。其中, 因子探測方法是對選取的環境因子進行分析, 探測各因子的解釋力大小, 模型如公式(1):

式(1)中,值代表各環境因子對研究區NDVI的解釋力, 值域為[0, 1], 該值越大, 說明該環境因子對NDVI的解釋力越強, 即對NDVI的影響程度越大;=1, 2, …,, 為影響因子的分區,h和分別代表各環境因子的層和整個研究區的樣本數, σh和σ分別代表層和整個研究區的NDVI值的方差。

生態探測方法是對任意兩個環境因子(任意變量)X1和X2進行比較, 探究其對研究區NDVI值的影響是否有顯著差異, 可判斷X1和X2對NDVI值影響的重要性。用F統計量進行衡量:

圖2 探測器數據提取點

Figure 2 Extraction point of probe data

式(2)中,N1和N2分別代表任意變量X1和X2的樣本數量;SSW1和SSW2分別代表由任意兩個環境因子變量形成分層的層內方差之和;1和2分別表示任意變量X1和X2分層數目。

風險探測方法是用于解釋兩個環境因子變量之間的均值是否存在差異。利用值來度量,值越大表示該等級下的環境因子對NDVI變化的影響較大:

式(3)中,`Y代表該區域內NDVI均值,n代表區域內的樣本數量,代表方差。

因子交互作用探測方法用于識別各環境因子之間的交互作用, 即各因子共同作用(增強或減弱)和相互獨立作用對研究區NDVI值的解釋力大小。先分別計算兩個環境因子對NDVI值的值, 隨后計算兩個環境因子交互的值, 并比較(x1)、(x2)和(x1∩x2)。

3 結果與分析

3.1 2000–2019年NDVI整體性時空分布趨勢

由圖3可知, 總體看來, 2000–2019年陜北地區植被NDVI空間分布差異較顯著。NDVI值大于0.6的區域主要分布在東南部地區, NDVI值小于0.6的區域主要分布在西北部地區, 陜北地區植被覆蓋總體上表現為, 東南丘陵溝壑區植被覆蓋度較高, 西北風沙區植被覆蓋度較低。2000–2019年植被覆蓋空間變化如圖4所示。2000–2019年間, 陜北地區的植被覆蓋整體呈顯著上升趨勢, 植被增加的區域占整個區域面積的83.84%, 分布在研究區的大部分地區; 植被變化不顯著區域面積占整個區域面積的15.88%, 分布在黃陵縣、黃龍縣、富縣的西南地區、宜川縣的東南地區以及西北的神木市、榆陽區和靖邊縣等部分地區, 植被減少的區域僅占0.28%, 分布在寶塔區、靖邊縣、榆陽區等城鎮建設用地區。

統計2000年和2019年的植被NDVI各等級面積得出(表2), 低、中低植被覆蓋區面積在2000年分別占陜北地區總面積的6.65%、52.89%, 到2019年, 分別下降至0.13%和7.16%, 依次下降了6.52%和45.74%。中等、中高和高植被覆蓋區面積均呈現上升趨勢, 從2000年的22.06%、13.02%、5.37%, 依次上升至2019年的36.93%、38.66%、17.12%, 分別增加了14.87%、25.64%、11.74%。分析結果在一定程度上反映了國家自2000年起實施退耕還林(還草)生態工程以來, 陜北地區生態修復成效顯著, 因此, 該地區植被覆蓋面積的顯著增加是我國退耕還林(還草)生態工程及其實施背景下環境因子的共同作用的結果。目前, 中等、中高植被區面積顯著增加, 植被覆蓋狀況良好。

對2000–2019年間植被NDVI值進行空間統計分析, 得出陜北地區的植被NDVI在2000–2019年間的總體變化轉移矩陣。由表3可知, 2000–2019年的NDVI轉化表現為NDVI<0.4的區域轉化明顯, 致使NDVI>0.4區域面積顯著增加。NDVI<0.4和NDVI>0.4區域轉入面積分別為2.85×103、6.49×104, 轉出面積分別為4.51×104、2.26×104。

圖3 陜北地區NDVI空間分布格局

Figure 3 Spatial distribution of NDVI in northern shaanxi

圖4 陜北地區NDVI空間變化格局

Figure 4 spatial change pattern of NDVI in northern shaanxi

3.2 NDVI影響因子的地理探測

3.2.1 因子探測分析

通過計算各環境因子在2019年的值, 提取各環境因子對植被NDVI現狀的影響力, 探測結果如表4所示。各環境因子對NDVI的影響程度排序為: 年降水量>干燥度指數>植被類型>≥10 ℃積溫>地貌類型>坡度>土壤類型>年均溫>高程>坡向。由此可見, 年降水量和干燥度指數的值最大, 分別為0.50和0.46, 解釋力均大于45%, 是影響NDVI變化的主要環境因子; 植被類型、≥10 ℃積溫、地貌類型和坡度的值在0.15–0.35區間, 是NDVI變化的次要影響因子; 土壤類型、年均溫、高程和坡向的值均小于0.10, 對NDVI變化的影響較小。

2000–2019年陜北地區環境因子值變化如圖5所示。地貌類型、≥10 ℃積溫、年降水量、干燥度指數、土壤類型和植被類型的值呈現減少趨勢, 坡度的值呈現顯著增加趨勢, 高程、坡向、年均溫的值變化較小。其中, 2000–2005年, 坡度、坡向、≥10 ℃積溫、年降水量及干燥度指數的值均增加, 高程、地貌類型、年均溫、土壤類型和植被類型的值均減小。2005–2010年, 高程、地貌類型、≥10 ℃積溫、年降水量、干燥度指數、土壤類型和植被類型的值呈現減小趨勢, 其它因子的值呈現增加趨勢。2010–2015年, 坡向、地貌類型、土壤類型和植被類型的值均減小, 其它因子的值均增加。2015–2019年, 高程、坡向、地貌類型、年均氣溫、≥10 ℃積溫等因子均呈現減小趨勢。整體來看, 各環境因子對陜北地區植被NDVI變化的影響力隨著年份的推移逐漸減弱。

表2 2000–2019年陜北地區NDVI總體變化特征

表3 2000-2019年陜北地區NDVI變化轉移矩陣(km2)

表4 2019年各環境因子探測q值

圖5 2000–2019年陜北地區環境因子q值變化

Figure 5 Change ofvalue of environmental factor in northern Shaanxi from 2000 to 2019

3.2.2 生態探測分析

生態探測主要反應各環境因子對NDVI變化的影響是否存在顯著差異。兩種因子之間, 如果行因子和列因子有顯著性差異, 則為Y, 沒有為N。在該文中, 主要通過生態探測分析掌握各環境因子對陜北地區植被NDVI的影響的顯著性大小。

通過生態探測分析(表5)得出, 年降水量與高程、坡度、坡向、地貌類型、年均溫及≥10 ℃積溫對NDVI變化的影響存在顯著性差異, 與干燥度指數、土壤類型和植被類型對NDVI變化的影響無顯著性差異。干燥度指數與高程、坡度、坡向、地貌類型、年均溫及≥10 ℃積溫的影響存在顯著性差異, 與年降水量、土壤類型及植被類型的影響無顯著性差異。植被類型與高程、坡度、坡向、地貌類型、年均溫、≥10 ℃積溫及土壤類型的影響存在顯著性差異, 與年降水量和干燥度指數的影響無顯著性差異。≥10 ℃積溫與高程、坡度、坡向、年均溫、年降水量、干燥度指數、土壤類型及植被類型的影響存在顯著性差異, 與地貌類型無顯著性影響。地貌類型與高程、坡度、坡向、年降水量、干燥度指數及植被類型的影響存在顯著性差異, 與年均溫、≥10 ℃積溫及土壤類型的影響無顯著性差異。坡度與高程、地貌類型、≥10 ℃積溫、年降水量、干燥度指數及植被類型的影響存在顯著性差異, 與坡向、年均溫及土壤類型的影響無顯著差異。

3.2.3 風險探測分析

利用風險探測分析環境因子對植被NDVI影響的最優范圍, 并通過顯著性水平為0.05的檢驗后得出, 不同環境因子對植被NDVI的影響存在明顯差異(表6)。

隨著高程、坡度、坡向的增加, NDVI均值呈現出波動變化的趨勢, 在高程1315–1579 m、坡度16.66o–24.63o及西、西北坡的NDVI均值分別達到最大值0.67、0.70、0.65。隨著年均溫、≥10℃積溫、年降水量的增加, NDVI均值呈現出逐漸上升的趨勢, 在年均溫9.40–11.50℃、≥10 ℃積溫2373–2612 ℃、年降水量529–639 mm范圍內NDVI均值分別達到最大值0.77、0.79、0.84。說明該環境狀況有利于植被生長。隨著干燥度指數的不斷增加, NDVI均值逐漸下降。其中, 干燥度指數在0.95–1.24時, NDVI均值達到最大值0.83, 表明水分條件對植被生長有著非常重要的影響。不同的地貌、土壤和植被類型下, NDVI均值呈現出波動變化的趨勢, 地貌類型為小起伏山地和中起伏山地時, 土壤類型為褐土、栗鈣土、黑壚土和黃綿土時, 植被類型為針葉林和闊葉林時, NDVI均值分別達到最大值0.80、0.87、0.85。不同地貌類型形成不同水熱條件, 影響土壤類型和土壤水分, 進而影響植被變化。

3.2.4 交互探測分析

交互作用探測主要通過識別不同環境因子(X)之間的交互作用, 分析是否會增加或減少對因變量NDVI變化(Y)的解釋力, 或者這些環境因子對NDVI變化的影響相互獨立。在本文中主要通過應用交互探測分析掌握各個環境因子對陜北地區植被NDVI的影響是否存在交互作用, 以及它們的影響正負性。利用交互作用探測器對各環境因子進行探測, 獲取各因子之間的相互關系(表7)。可以發現, 各環境因子對NDVI變化的影響存在交互作用, 不存在相互獨立起作用的因子(表8)。

由表8可知, 絕大部分的環境因子交互值大于其單因子的值, 因子互動效應呈現出相互增強和非線性增強關系。如X7∩X1>X7∩X6>X7∩X4>X7 ∩X10>X7∩X5表明高程、≥10 ℃積溫、地貌類型、植被類型和年均溫等分別與年降水量的交互作用呈現相互增強和非線性增強效應。X8∩X10>X8∩X4> X8∩X1>X8∩X9>X8∩X6, 表明植被類型、地貌類型、高程、土壤類型和≥10 ℃積溫等分別與干燥度指數的交互作用呈現相互增強和非線性增強效應。X2∩X8、X3∩X8、X4∩X6、X4∩X10、X6∩X10、X5∩X8等疊加對研究區的NDVI變化有相互增強和非線性增強效應, 表明各環境因子對NDVI變化的影響是相互作用的, 并非獨立存在的。總言之, 各環境因子交互作用對NDVI變化的影響不是簡單的疊加, 而是呈現出相互增強或非線性增強效應。

4 討論

半干旱區植被生長狀態時空變化規律的研究長期以來都是生態學領域研究的重點和熱點, 同時, 分析其影響因素對于揭示區域環境狀況具有顯著的作用, 而且植被覆蓋與其影響因子的關系具有區域差異性。本文在我國退耕還林(草)等生態工程的推行基礎和生態恢復背景下, 基于2000–2019年MODIS NDVI數據, 分析了陜北地區的植被NDVI時空變化特征。同時, 選取影響該地區植被NDVI變化的10個具有典型性、科學性以及可獲取性的自然環境因子, 采用地理探測器模型探究了各環境因子對NDVI變化的影響程度。

表5 各環境因子影響NDVI變化的顯著性差異

注: 采用顯著性水平為0.05的檢驗, Y表示2個因子對NDVI變化的影響具有顯著性差異; N表示無顯著性差異。

表6 環境因子對植被NDVI影響的適宜范圍

表7 NDVI驅動因子交互作用

表8 影響NDVI變化的環境因子間的交互作用

陜北地區植被覆蓋時空變化顯著。黃土高原植被恢復主要由氣候和人類共同影響。其中, 陜北地區作為我國黃土高原生態脆弱區的典型區域, 生態環境脆弱, 是我國退耕還林(還草)生態工程重點區, 自2000年起, 我國通過實施退耕還林、天然林保護工程等, 林地覆蓋大面積增加, 時空變化受人為影響較大。有分析表明, 2001–2014年黃土高原NDVI增速為6.3% (10a)-1[21]。我們的研究表明, 陜北地區2000–2019年植被NDVI空間分布差異明顯, 總體上表現為, 東南丘陵溝壑區植被覆蓋度較高, 西北風沙區及城鎮建設用地區域植被覆蓋度較低。2000–2019年的NDVI值轉化表現為, NDVI<0.40的區域轉化明顯, 致使NDVI>0.40區域面積顯著增加, 說明陜北地區中等、中高植被區面積顯著增加(分別增加25.64%、11.74%), 植被覆蓋狀況良好。這和孫銳等[13]的研究結果相同, 即黃土高原植被覆蓋呈增加趨勢的面積遠高于呈減少趨勢的面積, 這就是得益于我國退耕還林生態工程的長期實施, 使得黃土高原生態脆弱區的生態環境整體性極大改善的良性結果。修麗娜等[22]、白子怡等[23]也發現在1990–2015年間, 黃土高原地區植被NDVI總體表現為上升趨勢。此外, 李登科等[24]發現, 2000–2017年陜西省植被覆蓋度呈現波動增加趨勢, 但增速逐年減少, 說明退耕還林等生態建設工程的實施, 對植被恢復和生長具有重要的促進作用, 一定程度上降低了植被生長對氣候因子的敏感性。未來的植被恢復工程主要針對坡度較大的耕地和土壤水分適宜的地區實施退耕還林(還草), 同時, 需要考慮在坡度較小的較適宜區應在糧食安全的基礎上開展退耕還林(還草)生態工程。

植被生長是通過氣候、地貌、土壤及溫度等環境因子的長期共同作用實現的。陜北地區2000–2019年各環境因子對NDVI的影響程度排序為: 年降水量>干燥度指數>植被類型>≥10 ℃積溫>地貌類型>坡度>土壤類型>年均溫>高程>坡向。這和Wang et al[254]、Zou et al[26]、Hao et al[27]、gao et al[28]及岳輝[29]等的研究結果一致。進一步說明, 利用地理探測器模型探究陜北地區植被NDVI變化特征及其環境因子驅動力的研究具有理論可行性。其中, 年降水量和干燥度指數的解釋力均在45%以上, 是影響NDVI變化的主要因子。植被生長的最適宜年降水量和干燥度指數的閾值依次為529.40–639.60 mm、0.950–1.240。這是因為陜北地區作為半干旱地區, 年降水時空分布不均, 而且地面無效蒸發量大(占降水40%–45%左右), 導致干旱現象頻發, 氣候相對干燥, 因此, 對區域植被NDVI產生較大的擾動。這和李躍鵬等[11]的研究結果一致, 他通過分析陜西省近34年來植被NDVI的時空分布特征及其與氣候因子之間的相關性, 發現研究區NDVI與同期降水之間的響應最為明顯。而且, 氣溫也是調控植被生長的一個積極環境因子, 通過協同水分條件影響植被NDVI。蘇俊磊等[30]發現, 近10年來, 廣西西江流域植被覆蓋度與氣溫和降雨關系緊密, 均呈顯著正相關。而何奕萱等[31]發現, 紅河流域生長季植被覆蓋度與氣溫呈負相關關系, 與降水呈正相關關系。但是呂妍等[32]研究2000–2015年西南喀斯特地區植被覆蓋度空間變化特征, 探討氣候變化等因素對植被覆蓋及生長的影響后表明, 2008–2015年氣溫和降水對植被覆蓋度變化趨勢的貢獻僅占28.30, 不是植被覆蓋顯著增加的主導貢獻因子。這很大程度上與不同地域的氣象特征的差異性有關。此外, 植被類型、≥10 ℃積溫、地貌類型和坡度的解釋力均在15%以上, 是NDVI變化的次要影響因素。土壤類型、年均溫、高程和坡向的解釋力均小于10%, 對NDVI變化影響較小。上述討論說明, 今后需要重點關注該陜北地區降雨、氣溫等氣象環境因子的變化動態, 以期更好的掌握陜北地區植被NDVI年際變化態勢, 更好的服務于區域生態環境綠色持續恢復和改善。

通過地理探測器模型分析表明, 各環境因子對陜北地區NDVI變化的影響存在相互增強和非線性增強交互關系。這和彭文甫等[33]的研究結果相近。他通過研究四川地區自然因子變化對植被分布的空間模式和植被變化的交互影響后發現, 自然因子對植被NDVI影響存在交互作用, 自然因子協同效應呈現相互增強和非線性增強關系, 兩種因子交互作用增強了單因子的影響。因此, 本文探測了陜北地區各環境因子對植被NDVI影響的最優閾值, 認知了促進陜北地區植被生長的各環境因子變化特征, 為區域生態修復提供理論依據。今后應該重點關注影響NDVI的主要環境因子, 動態性揭示陜北地區植被覆蓋在長時間序列上對主導性環境因子的響應機制, 為陜北地區生態環境可持續發展奠定基礎。此外, 由于該研究采用的遙感影像分辨率有限, 不能對人為因素的影響進行剔除, 這一點需要在今后的研究中進一步深入探究。

5 結論

(1)在退耕還林(草)等生態工程的推行基礎和生態恢復背景下, 陜北地區2000–2019年植被NDVI空間分布差異明顯, 總體上表現為, 東南丘陵溝壑區植被覆蓋度較高, 西北風沙區及城鎮建設用地區域植被覆蓋度較低。而且中高、高植被區面積顯著增加(分別增加25.64%、11.74%), 植被覆蓋狀況趨于良好。

(2)陜北地區2000–2019年各環境因子對NDVI的影響程度排序為: 年降水量>干燥度指數>植被類型>≥10 ℃積溫>地貌類型>坡度>土壤類型>年均溫>高程>坡向。其中, 年降水量和干燥度指數的解釋力均在45%以上, 是影響NDVI變化的主要因子。植被生長的最適宜年降水量和干燥度指數的閾值依次為529.40–639.60 mm、0.950–1.240。

(3)通過地理探測器模型分析表明, 各環境因子對陜北地區NDVI變化的影響存在相互增強和非線性增強交互關系。其中, NDVI變化的主要驅動因子降水量和干燥度指數之間存在相互增強的交互作用。

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

[2] 欒金凱, 劉登峰, 黃強, 等. 近17年陜西榆林植被指數的時空變化及影響因素[J]. 生態學報, 2018, 38(8): 2780–2790.

[3] 何云玲, 熊巧利, 余嵐, 等. 基于 NDVI 云南地區植被生態系統對氣候變化的適應性分析[J]. 生態科學, 2019, 38(6): 165–172.

[4] 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.

[5] 張建亮, 劉方正, 崔國發. 長白山國家級自然保護區植被時空變化及其驅動因子[J]. 生態學報, 2016, 36(12): 3525–3536.

[6] 劉靜, 溫仲明, 剛成誠. 黃土高原不同植被覆被類型NDVI對氣候變化的響應[J]. 生態學報, 2020, 40(2): 1–14.

[7] 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.

[8] 張學玲, 張瑩, 牛德奎, 等. 基于TM NDVI的武功山山地草甸植被覆蓋度時空變化研究[J]. 生態學報, 2018, 38(7): 2414–2424.

[9] 楊靜雅, 李新國, 閆凱, , 等. 基于NDVI的新疆和靜縣草地植被覆蓋動態變化及其與氣溫降水的關系[J]. 生態科學, 2018, 37(6): 38–44.

[10] 稅燕萍, 盧慧婷, 王慧芳, 等. 基于土地覆蓋和NDVI變化的拉薩河流域生境質量評估[J]. 生態學報, 2018, 38(24): 8946–8954.

[11] 李躍鵬, 劉海艷, 周維博. 陜西省1982—2015 NDVI時空分布特征及其與氣候因子相關性[J]. 生態科學, 2017, 36(6): 153–160.

[12] 劉文超, 劉紀遠, 匡文慧. 陜北地區退耕還林還草工程土壤保護效應的時空特征[J]. 地理學報, 2019, 74(9): 1835–1852.

[13] 孫銳, 陳少輝, 蘇紅波. 2000—2016年黃土高原不同土地覆蓋類型植被NDVI時空變化[J]. 地理科學進展, 2019, 38(8): 1248–1258.

[14] 伍博煒, 楊勝天, 邵南方, 等. 黃土高原生態脆弱區土地利用變化對生態系統服務價值的影響——以汾河流域為例[J]. 水土保持研究, 2019, 26(5): 340–345.

[15] 孫從建, 張文強, 李新功, 等. 基于遙感影像的黃土高原溝壑區生態效應評價[J]. 農業工程學報, 2019, 35(12): 165–172.

[16] 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.

[17] WANG Jinfeng, ZHANG Tonglin, FU Bojie. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250–256.

[18] 周亮, 周成虎, 楊帆, 等. 2000-2011年中國PM2. 5時空演化特征及驅動因素解析[J]. 地理學報, 2017, 72(11): 2079–2092.

[19] 潘洪義, 黃佩, 徐婕. 基于地理探測器的岷江中下游地區植被NPP時空格局演變及其驅動力[J]. 生態學報, 2019, 39(20): 1–11.

[20] 史莎娜, 謝炳庚, 胡寶清, 等. 桂西北喀斯特山區人口分布特征及其與自然因素的關系[J]. 地理科學, 2019, 39(9): 1484–1495.

[21] 彭文甫, 王廣杰, 周介銘, 等. 基于多時相Landsat5/8影像的岷江汶川-都江堰段植被覆蓋動態監測[J]. 生態學報, 2016, 36(7): 1975–1988.

[22] 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.

[23] 張翀, 王靜, 雷田旺, 等退耕還林工程以來黃土高原植被覆蓋與地表濕潤狀況時空演變[J]. 干旱區研究, 2018, 35(6): 1468–1476.

[24] 修麗娜, 顏長珍, 錢大文, 等. 生態工程背景下黃土高原植被變化時空特征及其驅動力[J]. 水土保持通報, 2019, 39(4): 214–221.

[25] 白子怡, 薛亮, 張翀. 基于土壤濕度與植被覆蓋變化的黃土高原生態恢復項目適宜性評價[J]. 水土保持研究, 2019, 26(4): 292–298.

[26] 李登科, 王釗. 退耕還林后陜西省植被覆蓋度變化及其對氣候的響應[J]. 生態學雜志, 2020, 39(1): 1–10.

[27] WANG Tao, LU Ying. Spatial and temporal changes in inter-annual and seasonal NDVI in the Qinling mountains of China[J]. IOP Conference Series Earth and Environmental Science, 2017, 94(11): 012034.

[28] ZOU Weicheng, XIAO G. R. Scale-location dependence of the relationship between NDVI and environmental factors in Wuyi mountain[J]. Advanced Materials Research, 2014, 955/959: 3828–3834.

[29] HAO Chengyuan, ZHU Zongze, WU Shaohong. Correlation analysis of vegetation NDVI and type of vegetation with main environmental factors on eastern and western sides of Ailao mountain[J]. Journal of Plant Resources & Environment, 2009, 18(2): 68–72.

[30] GAO Jiangbo, LI Shuangcheng, ZHAO Zhiqiang, et al. Investigating spatial variation in the relationships between NDVI and environmental factors at multi-scales: a case study of Guizhou karst plateau, China[J]. International Journal of Remote Sensing, 33(7): 2112–2129.

[31] 岳輝, 劉英. 近15a陜西省植被時空變化與影響因素分析[J]. 干旱區地理, 2019, 42(2): 314–323.

[32] 蘇俊磊, 羅為群, 王廣哲, 等. 基于MODIS-EVI的廣西西江流域植被時空變化特征及其影響因素[J]. 水土保持研究, 2019, 26(3): 232–238.

[33] 何奕萱, 易桂花, 張廷斌, 等. 紅河流域“通道-阻隔”作用下2000—2014年植被EVI變化趨勢與驅動力[J]. 生態學報, 2018, 38(6): 2056–2064.

[34] 呂妍, 張黎, 閆慧敏, 等. 中國西南喀斯特地區植被變化時空特征及其成因[J]. 生態學報, 2018, 38(24): 8774– 8786.

[35] 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.

Spatio-temporal variation of NDVI and geographical detection of its driving factors in the ‘Grain for Green’project in northern shaanxi

SHANG Xue1, HE Zhaoquan2,*, ZHANG Tonghui3

1. Network and information center, Yan'an University, Yan'an 716000, China 2. School of Life Sciences, Yan'an University/Yan'an key laboratory of ecological restoration, Yan'an 716000, China 3. Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

As a sensitive factor of ecological environment change, surface vegetation plays a vital role in maintaining regional ecological stability. Based on MODIS NDVI data of northern shaanxi from 2000 to 2019 in the ‘Grain for Green’ project, through combination of environmental factors, such as topography, geomorphology, climate, soil and vegetation, the spatio-temporal variation characteristics of NDVI were explored, and the influence factors of NDVI and its influence degree were detected by using the geographical detector model for determining the driving mechanism of the main environmental factors on NDVI. The results showed that: (1) the area of medium and high vegetation coverage in northern shaanxi increased by 25.64%, 11.74%, from 2000 to 2019, respectively. significant difference of the spatial distribution of NDVI occurred, among them, the vegetation coverage was higher in the southeast hilly and gully region, and was lower in the northwest wind-sand region and urban construction land area. (2) NDVI of vegetation in northern shaanxi was mainly affected by annual precipitation and dryness index, of which explanatory power exceeded 45%. The explanatory power of vegetation type, accumulated temperature of ≥10 ℃, geomorphic type and slope was from15% to 35%. The explanatory power of soil type, annual average temperature, elevation and slope direction was less than 10%. (3) Tahe influence of various environmental factors on NDVI of vegetation in northern shaanxi was mutually enhanced and was non-linear enhanced. Therefore, the significant increase in the area of medium and high vegetation coverage, the appropriate threshold of the main driving factors (annual precipitation and dryness index) affecting NDVI, and the driving mechanism of their interaction enhancement revealed in our study can provide theoretical support and auxiliary decision-making for ecological environment restoration in the ecological fragile areas of northern shaanxi.

NDVI; geographic detector model; spatio-temporal change; driving force; northern shaanxi

10.14108/j.cnki.1008-8873.2022.01.008

尚雪, 何釗全, 張銅會. 退耕還林(草)過程中陜北地區NDVI時空變異及其驅動因子的地理探測[J]. 生態科學, 2022, 41(1): 66–76.

SHANG Xue, HE Zhaoquan, ZHANG Tonghui. Spatio-temporalvariation of NDVI and geographical detection of its driving factors in the ‘Grain for Green’ project in northern shaanxi[J]. Ecological Science, 2022, 41(1): 66–76.

S157.2

A

1008-8873(2022)01-066-10

2020-05-16;

2020-05-27

國家自然科學基金項目(41371053, 30972422, 51669034, 51809224); 國家重點研發計劃(2017YFC0506706, 2017YFC0504704); 陜西省教育廳重點實驗室項目(20JS150); 博士科學研究啟動項目(205040305)

尚雪(1991—), 女, 陜西渭南人, 碩士,工程師, 主要從事生態環境遙感監測研究, E-mail: scher1@163.com

何釗全, 男, 博士, 講師, 主要從事恢復生態學研究, E-mail: hzq@yau.edu.cn