安徽省近20年森林資源時空變化及其驅動因素分析

王晶 徐培培

摘要：安徽省森林是長三角地區重要的生態屏障和碳庫，探究其時空變化及驅動因素對實現長三角地區生態綠色一體化發展具有重要意義。基于MODIS數據產品、氣象再分析資料和森林清查結果等數據，利用趨勢分析、殘差分析與情景評估等方法，分析了2001—2020年安徽森林的分布和長勢變化及其驅動因素。結果表明：（1）2001—2020年安徽省森林空間分布呈擴張趨勢，但不同類型森林的擴張速度存在差異，混交林在森林中的占比以-0.29%/a的速度顯著下降（p<0.001），森林類型組成存在趨于單一化的風險；（2）2001—2020年安徽省森林長勢整體呈改善的趨勢，森林EVI以0.0020/a的速度顯著上升（p<0.01）；（3）氣候變化對2001—2020年安徽地區森林擴張和長勢增加的貢獻率分別為4.64%、25.25%，明顯低于人類活動（95.36%、74.75%），意味著人類活動是安徽地區森林變化的主要驅動力。

關鍵詞：森林；遙感；時空變化；驅動因素；殘差分析

中圖分類號：X87文獻標志碼：A文章編號：1001-2443（2024）02-0136-10

引言

安徽省森林資源作為長三角地區的生態屏障和碳庫，是長江經濟帶社會發展的基礎性戰略資源。歷史上安徽森林屢遭破壞，原始森林所剩無幾，大片的人工林和天然次生林的生境脆弱、退化容易而恢復難［1-2］。森林的面積和長勢是評估其生態服務功能與資源豐富程度的重要指標［3-4］。氣候因子（如溫度和降水）是影響森林資源重要外界擾動因素，氣候變化引起的溫度上升和降水格局改變會顯著影響森林的空間分布及其生長狀態［5-7］。同時，城市擴展、森林砍伐和植樹造林等人類活動亦會影響森林空間分布和長勢［8-10］。因此，深入研究安徽省森林空間分布和長勢的動態變化及其與外界擾動因素之間的關系，對于了解森林生態系統的演變動態過程和森林管理政策優化具有重要價值。

基于站點的野外調查可以準確地評估森林資源的各種參數及其動態變化過程［2，11］，但是野外調查易受地域的限制，通常只能在小尺度上進行。遙感觀測突破了數據獲取時間和地域的限制，被廣泛應用于大尺度上的森林相關研究［5，7，12］。歸一化差值植被指數（Normalized Difference Vegetation Index， NDVI）和增強型植被指數（Enhanced Vegetation Index， EVI）是遙感監測森林長勢的常用指標［5，12，13］，基于紅光波段和近紅外波段計算的NDVI在植被覆蓋度高的地區易飽和，而EVI在紅光波段和近紅外波段的基礎上增加了藍色波段以進一步增強植被信號，適用于監測高植被覆蓋的森林區域［14］。已有研究一般利用相關分析［12］、回歸分析［13］等方法分析遙感植被指數與氣候因子（如溫度降水等）的關聯性以探究森林變化及其影響因子，但隨著長三角地區生態綠色一體化以及安徽省經濟的發展，人類活動的增加對區域環境的影響逐漸增強［15］，然而考慮人類活動等非氣候因素對安徽省森林影響的研究較少。

鑒于上述情況，本文以安徽省森林為研究對象，結合遙感地表覆蓋及EVI數據、氣象再分析資料、森林清查等多源數據，利用趨勢分析、殘差分析和情景評估等方法，在區域尺度上揭示近20年來安徽省森林資源的動態變化，評估了氣候因素與人類活動對森林空間分布和長勢的貢獻率，以期為安徽省乃至長三角地區的森林資源與生態環境保護提供理論依據。

1 研究區概況

安徽省位于長江中下游地區，是我國南、北方的分界線，總面積約1.4?105? km2（114°54′—119°27′E，

29°41′—34°38′N）。安徽省處于暖溫帶與亞熱帶的過渡區，受季風影響顯著，四季分明，夏季溫度高降水充沛［16］。年平均溫度在14—17℃之間，年平均降水量在800—1600 mm之間，且具有南多于北的特點［16］。全省地勢西高東低，由南往北逐級下降，地貌類型復雜多樣。南部多為山地丘陵地區，中部到北部多為平原地區（圖1a）。安徽省森林資源主要分布在南部的山地丘陵地帶，森林類型以常綠針葉林、常綠闊葉林、落葉闊葉林和混交林為主（圖1b）。根據第九次全國森林清查結果顯示，安徽省森林覆蓋面積3.96?107公頃，覆蓋率達28.65%。安徽省豐富的森林資源對實現本省乃至長三角地區碳達峰碳中和目標具有重要作用，然而，由于社會快速發展帶來的環境污染、過渡采伐、城市擴張等原因，森林退化嚴重，物種多樣性降低，生境脆弱，對區域生態環境和森林碳匯功能造成了一定影響［8-9］。安徽省擁有豐富且脆弱的森林資源，過渡性氣候條件以及快速發展的社會經濟，是研究氣候變化與人類活動對森林影響的理想區域。

2 數據與方法

2.1 數據來源與處理

（1）增強型植被指數（EVI）數據來源于MODIS植被指數產品（MOD13A1）數據集（https：//modis.gsfc.nasa.gov/），空間分辨率為500米，時間分辨率為16天。安徽地區植被長勢在7月、8月達到最大［17］，選用的EVI數據為2001—2020年每年第193—241天（即7—8月生長旺季）。首先分別挑選出7月、8月EVI的最大值，再計算兩個月EVI最大值的平均值作為森林長勢的指標［5］。

（2）森林分布數據來源于MODIS地表分類產品（MCD12Q1）中IGBP全球植被分類方案，該數據為年度數據，空間分辨率為500米，與已有的其他土地覆蓋數據相比，具有更好的時間連續性。IGBP全球植被分類方案是一種較為常用的分類體系，被廣泛應用于中國地區地表覆蓋分類研究中［5，7，18-19］。該方案中森林被分為常綠針葉林，常綠闊葉林，落葉針葉林，落葉闊葉林和混交林五種［20］，各森林類型的含義如表1所示。首先，統計2001—2020年各類型森林像元的數量；然后，計算第七次（2004年—2008年）、第八次（2009年—2013年）和第九次（2014年—2018年）全國森林資源清查期間安徽省森林像元數的平均值，對比森林像元數變化與清查結果中的森林面積變化；最后將2001—2020年分類數據中森林類型未發生改變的像元提取作為森林長勢分析的研究對象，以降低土地利用類型或森林類型改變對EVI的影響［5，13］。

（3）氣象數據來源于英國東安格利亞大學氣候研究中心（CRU）的月尺度溫度和降水數據（https：//www.uea.ac.uk/groups-and-centres/climatic-research-unit），版本為TS4.06，空間分辨率為0.5°，時間分辨率為每月。已有研究表明，安徽地區森林EVI對溫度的響應沒有滯后效應，對降水的響應存在4個月的滯后時間［5］，所以溫度數據選取時間2001—2020年每年7月和8月，降水數據選取時間2001—2020年每年3月和4月，計算兩個月的平均溫度和累計降水用于后續分析。

2.2 研究方法

2.2.1 趨勢分析法

本研究利用一元線性回歸分析方法中的斜率來揭示森林空間分布和長勢的時空變化特征。該斜率采用最小二乘法進行估算，其值大小能夠反映森林變化的趨勢及速率，已被廣泛應用于時間序列趨勢分析的研究中［7，16，21］。計算公式為：

式中[，S]表示森林像元數量或EVI的變化斜率，n表示時間序列長度，i表示年份時間變量，[pi]表示第i年的森林像元數或EVI值。[S]>0表示增加的趨勢，森林得到改善，反之，[S<0]表示降低的趨勢，森林呈現退化。

采用F檢驗來分析2001—2020年森林像元數量或者EVI的變化趨勢是否顯著［21］，具體計算公式如下：

式中，F表示檢驗統計量，n表示時間序列長度，i表示年份時間變量，[yi]、[yi]、[yi]分別表示第i年的森林像元數或EVI的觀測值、第i年的森林像元數或EVI的線性回歸擬合值、n年森林像元數或EVI的平均值。本研究在a=0.05的水平下逐像元判斷2001—2020年森林EVI變化趨勢的顯著性。根據EVI隨時間變化的斜率（[S]）及其顯著性檢驗結果，將森林EVI變化趨勢分為4級：顯著改善（[S]>0，p<0.05），輕微改善（[S]>0，p>0.05），輕微退化（[S]<0，p>0.05），顯著退化（[S]<0，p<0.05）。

2.2.2 殘差分析法與情景評估法

本研究利用多元回歸殘差分析方法來評估氣候因素和人類活動對森林空間分布和長勢變化的影響［21-22］。該方法是通過構建EVI和氣候因子的多元回歸模型，計算EVI預測值與原始觀測值之間的殘差，來衡量人類活動對森林變化的影響［21-23］。首先，以EVI為因變量，溫度、降水為自變量，構建EVI與氣候因子的多元回歸模型，模型擬合出EVI的預測值（EVICC），用該值表征氣候因素對EVI的影響；然后，計算EVI原始觀測值（EVIobs）和預測值之間的差值（EVIHA），用該值表征人類活動對EVI的影響。具體計算公式如下：

式中，[EVIobs]、[EVICC]、[EVIHA]分別表示每個像元EVI的原始觀測值、預測值和殘差值，T表示平均溫度，P表示累計降水，a、b、c為模型參數。

利用情景評估法計算氣候變化和人類活動對森林變化的貢獻率，從而定量評估各驅動因素對森林EVI變化的影響［21-23］。首先，基于2.2.1中的趨勢分析法計算[EVIobs]、[EVICC]、[EVIHA]三者的變化斜率，分別對應S（[EVIobs]）、S（[EVICC]）、S（[EVIHA]）。然后，依據這三者的變化斜率構建6種不同情景，并計算不同情景下驅動因素對森林EVI變化的貢獻率，貢獻率越高，表明該驅動因素對森林EVI變化的影響更大。情景劃分標準及貢獻率計算方法如表2所示。相同的方法和步驟，以森林像元數量為因變量，森林像元對應的平均溫度和降水為自變量，通過構建多元回歸模型分析殘差來評估氣候因素和人類活動對森林空間分布的貢獻率。

3 結果與分析

3.1 2001—2020年安徽省森林空間分布的變化

MODIS地表分類數據顯示2001—2020年安徽省森林像元數量大約為4.63?104—5.54?104個，且隨時間變化有顯著的增加趨勢，增加速度為0.03?104個/a（圖2a）。雖然森林資源清查與地表分類數據中對森林類型的定義存在差異，森林面積和森林像元數量在數值上也難以直接換算，但是兩者都表現出隨時間增加的趨勢（圖2b）。圖2c是2001—2020年各個類型森林像元數量的變化，從中可以看出混交林像元數量最多，為3.52?104—3.91?104個，約占森林像元總數的70.64%—76.12%，其次為闊葉落葉林，像元數量為0.79?104—1.07?104個，約占總數的16.98%—19.44%。從森林的類型組成來看（圖2d），2001—2020年期間混交林在森林中的占比以每年-0.29%的速度呈現顯著下降趨勢（p<0.001）；落葉闊葉林和常綠針葉林像元占比以每年0.10%、0.17%的速度呈顯著上升趨勢（p<0.01）。這些結果表明2001—2020年期間安徽省的森林空間分布范圍不斷擴張，混交林在森林中的占比呈下降趨勢，落葉闊葉林和常綠針葉林的占比呈增加的趨勢，森林類型組成結構存在趨于單一化的風險。

3.2 2001—2020年安徽省森林EVI的變化分析

從EVI均值來看，2001—2020年期間安徽地區森林EVI均值在0.52—0.59之間，且隨時間呈顯著增加的趨勢（p<0.01），線性上升速度為0.0020/a（圖3a）。不同類型森林EVI均表現為顯著增加的趨勢（圖3b），但增加速度有所差別，增加速度最快的為常綠闊葉林（0.0026/a），最慢為常綠針葉林（0.0018/a）。

從空間分布來看（圖4a），安徽地區森林EVI以改善趨勢為主，改善范圍約占森林像元總數的84.50%，改善趨勢中有19.80%的像元通過了顯著性檢驗（p<0.05）表現為顯著改善，主要分布在大別山區的東部和西北部、皖南山區的西南部和東北部。還有15.50%的森林像元EVI表現為退化趨勢，其中僅有0.23%的像元通過了顯著性檢驗（p<0.05）表現為顯著退化，剩余15.27%的像元區域以輕微退化為主，主要分布在皖南山區的中部。從森林類型來看（圖4b），各類型森林EVI呈改善趨勢的比例均遠遠高于呈退化趨勢的比例。94.75%的常綠闊葉林EVI呈改善趨勢，其中43.75%的EVI通過了顯著性檢驗；84.17%的常綠針葉林EVI呈改善趨勢，其中16.11%的EVI通過了顯著性檢驗；84.59%的落葉闊葉林EVI呈改善趨勢，其中18.33%的EVI通過了顯著性檢驗；84.33%的混交林EVI呈改善趨勢，其中19.94%的EVI通過了顯著性檢驗。綜上，近20年來安徽地區森林EVI有明顯增加的趨勢，表明該地區森林生長狀態和生態環境持續向好，這意味著安徽省在長三角地區生態屏障和碳庫功能和作用逐漸增加。然而，不同地區、不同類型的森林的生長變化趨勢存在明顯差異，這可能與氣候因素或人為因素有關，需要在森林管理中多加關注。

3.3 氣候因素和人類活動對森林變化的貢獻率分析

為了探究氣候變化和人類活動對森林空間分布和長勢變化的影響，我們計算了氣候變化和人類活動對森林像元數量與EVI的貢獻率。從森林的空間分布范圍來看（表3），人類活動對安徽省森林像元數量的貢獻率（95.36%）遠大于氣候因素（4.64%）。氣候因素對不同類型森林的空間分布貢獻率在0.29%—6.83%之間，人類活動的貢獻率均在90%以上，其中人類活動對常綠闊葉林（99.71%）和常綠針葉林（97.38%）的貢獻率較高，對混交林（93.17%）的貢獻率最低。

從EVI來看（圖5），在森林改善區，氣候因素的平均貢獻率（25.25%）明顯低于人類活動（74.75%），其中73.35%的改善區氣候因素的貢獻率低于30%，只有26.65%的區域氣候因素的貢獻率在30%以上，主要分布在皖南山區的中部（圖5a）；人類活動對森林改善的貢獻率較高，其中33.42%的改善區人類活動的貢獻率在90%以上，主要分布在宣城市和六安市（圖5b）。在森林退化區（圖5c、d），氣候因素對EVI的貢獻率進一步下降，而人類活動對EVI的貢獻率增加，平均貢獻率分別約為4.05%、95.95%。絕大部分森林退化區域（約91.26%）氣候因素的貢獻率在10%以下，而人類活動的貢獻率超過90%，主要分布在黃山市、池州市和宣城市。從不同森林類型來看，人類活動對EVI變化的貢獻率同樣明顯高于氣候因素（圖6）。在森林改善區，人類活動對常綠闊葉林的貢獻率平均值最高，為81.51%，對落葉闊葉林的貢獻率最低，為70.77%。在森林退化區，人類活動對EVI變化的貢獻率在95.39%—99.22%之間，而氣候變化的貢獻率僅在0.78%—4.61%之間。綜上所述，人類活動對森林像元數量和EVI的貢獻率均高于氣候變化的貢獻率，這表明人類活動對森林空間分布和長勢變化的影響更大，意味著人類活動是安徽省森林變化的主要驅動力。

4 結論與討論

4.1 討論

在氣候因素和人為因素的影響下，森林的空間分布范圍和面積可能會發生大規模的變化。健康穩定的森林生態系統對外界擾動具有一定的抵抗和恢復能力，正常的氣候波動可能會影響森林生態系統的狀態，但是不會迫使整個生態系統發生轉換［24］。應對長期的氣候變化，森林生態系統通常以緩慢漸進的方式響應，當氣候變化超越某個臨界點后，生態系統會在短時間內發生突變，從當前生態系統轉換為其他生態系統，地表覆蓋類型隨之發生改變［24］。短期的極端天氣事件（如極端干旱、熱浪等），可能會造成大面積的樹木死亡和森林退化，在次生林恢復之前，地表覆蓋類型亦可能會發生變化［25］。同樣，人類活動造成的土地利用方式的改變也可能會對造成地表覆蓋類型的變化。已有研究表明，2001—2020年期間安徽地區溫度、降水均在正常

范圍內波動，也未發生造成大面積森林死亡的極端事件［5］。因此，2001—2020年安徽地區森林面積和空間分布范圍擴張趨勢可能主要與人類活動有關。我們的研究結果也表明，近20年安徽地區人類活動對森林空間分布的貢獻率明顯高于氣候因素。人類活動可以在較短的時間內改變森林空間分布范圍，一方面，植樹造林、封山育林等活動可以對森林產生積極的影響，有利于森林擴張［10，26］；另一方面，森林砍伐、城市擴張等活動則可能會對森林產生消極的影響，造成森林破壞［8-9］。近年來，安徽省積極落實林業“雙增”目標，不斷加大生態文明建設力度，相繼組織實施了退耕還林工程、綠色長廊工程、千萬畝森林增長工程等一批國家和省級林業重點生態工程［11］，這些人類活動可以短時間內增加了森林的空間分布范圍和面積。同時，安徽省以林長制為基礎，大力實施林業資源保護，減少森林破壞［27］。這些政策相關的人類活動可能是近二十年來安徽地區森林空間分布和面積增加的主要原因。然而，我們的結果顯示人類活動對混交林的空間分布貢獻率明顯低于其他森林類型（表3），且混交林在森林中的比例有顯著下降的趨勢（圖2d），這可能是因為林業工程實施過程中選用的樹種相對單一，造成森林類型的組成結構有單一化的趨勢。單一化可能會使得森林生態系統生物多樣性下降，從而對外界擾動（例如病害、蟲害等）的抵抗能力下降［28］，在未來氣候變化過程遭受更大的損害風險，這需要引起森林管理者更多的關注。

2001—2020年安徽地區森林的植被指數（EVI）有增加的趨勢，意味著森林長勢和生態環境持續向好，該結果與已有研究中我國主要植被類型呈動態轉綠趨勢這一結論相一致［21-22］。在對森林EVI變化的歸因分析中發現，人類活動對各個類型森林改善和退化的相對貢獻均較大。從全球尺度上看，人類活動導致大氣中二氧化碳濃度增加可以提高森林植被的光合作用效率，促進全球植被生長（即二氧化碳施肥效應）［29］。對于安徽省來說，不斷提升的森林管理水平和生態恢復項目工程也可以進一步促進森林改善；另一方面，城市擴張、社會經濟活動等人類活動對森林生長也會產生負面影響，如在研究期間EVI呈顯著下降趨勢的森林主要分布于皖南的黃山市、宣城市等城市周邊地區。 全球和區域尺度上的已有研究均表明，安徽地區森林EVI與溫度、降水以正相關為主，且與溫度的關聯性強于降水 ［5，13］。安徽地區森林多分布于皖南山地丘陵地帶，復雜的地形增加了森林生長對溫度的依賴性，適度的溫度上升會促進森林的生長；同時，安徽地區氣候溫潤，土壤水相對充沛，減少了森林生長對降水的依賴性 ［5，30］。然而，近20年來安徽地區溫度和降水的增加并不顯著，因此氣候因素對森林EVI增加的貢獻相對較低。未來氣候變化背景下，適度的溫度上升會促進安徽地區森林的生長，而降水格局的改變則可能迫使森林生長由溫度主導轉變為降水主導，降水的減少會抑制森林生長。綜上所述，近20年安徽省社會經濟發展迅速，人類活動強度、頻次增加，對自然環境的影響力不斷提升。相比之下，全球氣候變化引發的增溫和降水變化在安徽地區并不顯著，因此人類活動是該地區森林的空間分布和長勢變化的主要原因。

本研究基于遙感數據、氣象再分析資料和森林清查等數據分析了近20年來安徽省森林的動態變化及其驅動因素。雖然這些多源數據有較好獨立性，但是數據的時空分辨率存在差異，數據之間的匹配誤差難以避免，可能會對結果造成一定的不確定性。雖然本研究使用地表覆蓋類型不變的像元作為研究對象，可以在像元尺度上減少地表覆蓋類型變化對EVI的影響，但是亞像元尺度上的地表覆蓋類型變化依然可能會造成EVI的變化，從而對結果造成一定的影響。雖然多元回歸殘差分析方法被較廣泛地應用于區分人類活動和氣候因素對自然生態系統的影響研究，但是生態系統也可能受到氣候變化和人類活動交互效應的影響，這種效應也可能會對森林空間分布與長勢產生影響。此外，人類活動的內容繁多（例如森林管理、城市擴張和退耕還林等），在提及人類活動的影響時難以明確具體的內容，這也是未來研究待解決的問題。

4.2 結論

本文基于MODIS地表覆蓋及EVI產品、氣象再分析資料、國家森林清查結果等數據，利用統計分析和情景分析等方法，分析了2001—2020年安徽地區森林的空間分布和長勢變化，并區分了氣候因素和人類活動對森林變化的貢獻率。結果表明：

（1）2001—2020年安徽地區森林空間分布不斷擴張，但是混交林在森林中的比例呈下降的趨勢，而其他類型森林呈增加趨勢，森林的組成結構有單一化的趨勢。

（2）2001—2020年安徽地區森林長勢有明顯增加的趨勢，84.50%的森林EVI呈改善趨勢，其中常綠闊葉林改善最為明顯。

（3）2001—2020年人類活動對安徽地區森林的空間分布和長勢變化的貢獻率明顯高于氣候因素，使得人為因素成為安徽地區森林變化的主要驅動力。

參考文獻

［1］ 張連偉. 中國古代森林變遷史研究綜述 ［J］. 農業考古， 2012， 121（3）： 208–218.

［2］ 賈存， 郭明明， 王倩， 等. 華北落葉松人工林和天然林徑向生長對氣候變化的響應 ［J］. 中南林業科技大學學報， 2022， 42（1）： 120–128.

［3］ 殷格蘭， 邵景安， 郭躍， 等. 林地資源變化對森林生態系統服務功能的影響—以南水北調核心水源地淅川縣為例 ［J］. 生態學報， 2017， 37（20）： 6973–6985.

［4］ 徐偉義， 金曉斌， 楊緒紅， 等. 中國森林植被生物量空間網格化估計 ［J］. 自然資源學報， 2018， 33（10）： 1725–1741.

［5］ WANG J， FANG W， XU P P， et al. Satellite evidence for divergent forest responses within close vicinity to climate fluctuations in a complex terrain ［J］. Remote Sensing， 2023， 15（11）： 2749.

［6］ FRANKE A K， BRAUNING A， TIMONEN M， et al. Growth response of Scots pines in polar–alpine tree–line to a warming climate ［J］. Forest Ecology and Management， 2017， 399： 94–107.

［7］ 曹云， 錢永蘭， 孫應龍， 等. 基于MODIS NDVI的西南森林植被時空變化特征及其氣候響應分析 ［J］. 生態環境學報， 2020， 29（5）： 857–865.

［8］ 虞文娟， 任田， 周偉奇， 等. 區域城市擴張對森林景觀破碎化的影響—以粵港澳大灣區為例 ［J］. 生態學報， 2020， 40（23）： 8474–8481.

［9］ 戴爾阜， 汪曉帆， 朱建佳， 等. 采伐與人工更新對紅壤丘陵區森林面積和地上生物量的影響模擬——以會同縣磨哨林場為例 ［J］. 自然資源學報， 2020， 35 （12）： 2995–3006.

［10］ 廖亮林， 周蕾， 王紹強， 等. 2005–2013年中國新增造林植被生物量碳庫固碳潛力分析 ［J］. 地理學報， 2016， 71 （11）： 1939–1947.

［11］ 余超， 王斌， 劉華， 等. 1994—2013年安徽省森林生物量與生產力動態變化分析 ［J］. 長江流域資源與環境， 2015， 24（S1）： 53–61.

［12］ 解晗， 同小娟， 李俊， 等. 2000—2018年黃河流域生長季NDVI、EVI變化及其對氣候因子的響應 ［J］. 生態學報， 2022， 42（11）： 4536–4549.

［13］ WU D H， ZHAO X， LIANG S L， et al. Time–lag effects of global vegetation responses to climate change ［J］. Global Change Biology， 2015， 21（9）： 3520–3531.

［14］ 王正興， 劉闖， HUETE A. 植被指數研究進展： 從AVHRR–NDVI到MODIS–EVI ［J］. 生態學報， 2003， 23（5）： 979–987.

［15］ 何彬方， 馮妍， 吳文玉， 等. 安徽省近十年植被指數時空變化特征［J］. 生態學雜志， 2010， 29（10）： 1912–1918.

［16］ YANG H F， HU D D， XU H， et al. Assessing the spatiotemporal variation of NPP and its response to driving factors in Anhui province， China ［J］. Environmental Science and Pollution Research， 2020， 27（13）： 14915–14932.

［17］ HAN W J， CHEN D H， LI H， et al. Spatiotemporal variation of NDVI in Anhui Province from 2001 to 2019 and its response to climatic factors ［J］. Forests， 2022， 13（10）： 1643.

［18］ XU P P， ZHOU T， YI C X， et al. Impacts of water stress on forest recovery and its interaction with canopy height ［J］. International Journal of Environmental Research and Public Health， 2018， 15： 1257.

［19］ 郭睿妍， 田佳， 楊志玲， 等. 基于GEE平臺的黃河流域森林植被凈初級生產力時空變化特征 ［J］. 生態學報， 2022， 42（13）： 5437–5445.

［20］ LOVELAND T R， ZHU Z L， OHLEN D O， et al. An analysis of IGBP global land–cover characterization process ［J］. Photogrammetric Engineering and Remote Sensing， 1999， 65： 1069–1074.

［21］ 耿慶玲， 陳曉青， 赫曉慧， 等. 中國不同植被類型歸一化植被指數對氣候變化和人類活動的響應 ［J］. 生態學報， 2022， 42（9）： 3557–3568.

［22］ 金凱， 王飛， 韓劍橋， 等. 1982—2015年中國氣候變化和人類活動對植被NDVI變化的影響? ［J］. 地理學報， 2020， 75（5）： 961–974.

［23］ 楊少康， 劉冀， 魏榕， 等.長江上游流域生長季植被覆蓋度時空變化特征及其成因 ［J］.長江流域資源與環境， 2022， 31（7）： 1523–1533.

［24］ 王涵， 趙文武， 尹彩春. 生態系統穩態轉換檢測研究進展 ［J］. 生態學報， 2023， 43（6）： 2159–2170.

［25］ HUANG K C， YI C X， WU D H， et al. Tipping point of a conifer forest ecosystem under severe drought ［J］. Environmental Research Letters， 2015， 10（2）： 024011.

［26］ 余晨渝， 肖作林， 劉睿， 等. 人類活動對西南山地植被覆蓋變化的影響—以重慶市為例 ［J］. 生態學報， 2022， 42（17）： 7177–7186.

［27］ 朱鳳琴. 安徽省林長制改革的制度創新與提升路徑 ［J］. 林業資源管理， 2020（6）： 6–12.

［28］ LEIDINGER J， BLASCHKE M， EHRHARDT M， et al. Shifting tree species composition affects biodiversity of multiple taxa in central european forests ［J］. Forest Ecology and Management， 2021， 498： 119552.

［29］ PIAO S L， WANG X H， PARK T， et al. Characteristics， drivers and feedbacks of global greening ［J］. Nature Reviews Earth & Environment， 2020， 1： 14.

［30］ HERRMANN S M， DIDAN K， BARRETO-MUNOZ A， et al. Divergent responses of vegetation cover in southwestern US ecosystems to dry and wet years at different elevations ［J］. Environmental Research Letters， 2016， 11（12）： 124005.

Spatiotemporal Changes and Driving Factors of Forest Resources in Anhui Province in the Past 20 years

WANG Jing1，2， XU Pei-pei1，2

（1. School of Geography and Tourism， Anhui Normal University， Wuhu 241002， China； 2. Engineering Technology Research Center of Resource Environment and GIS， Anhui Province， Wuhu 241002， China）

Abstract： Forests in Anhui Province， China， serve as crucial ecological barriers and carbon pool for the Yangtze River Delta region. The exploration of their spatiotemporal changes and driving factors is of great significance for achieving green and integrated ecological development of the region. Based on MODIS data product， meteorological reanalysis data and forest check results the distribution and growth changes of forests in Anhui Province from 2001 to 2020 and their driving factors were explored in this study by trend analysis， residuals analysis and scenario assessment. The results show that： （1） The spatial distribution of forests in Anhui Province showed an expanding trend from 2001 to 2020. However， different types of forests exhibited varying speed of expansion.The proportion of mixed forests experienced a significant decline at a rate of -0.29% per year （p<0.001）. There was a risk of forest type composition tending towards uniformity.（2） An increasing trend in forest growth was observed in Anhui Province from 2001 to 2020， with a significant rise in forest EVI at a rate of 0.0020 per year （p<0.01）. （3） The contribution rates of climate change to forest expansion and growth increase in Anhui Province from 2001 to 2020 were 4.64% and 25.25%， respectively， significantly lower than that of human activities （95.36% for forest expansion and 74.75% for forest growth increase）， indicating that human activities were the primary driving force for forest changes increase in Anhui Province.

Key words：Forest； remote sensing； spatiotemporal change； driving factors； residual analysis

（責任編輯：王海燕）