1982-2015年黄河中游NDVI时空变化及驱动力分析

李自闯,董国涛,姚楠

(1.河南理工大学测绘与国土信息工程学院,河南焦作 454003;2.黄河水利委员会黄河水利科学研究院,郑州 450003;3.黑河水资源与生态保护研究中心,兰州 730030)

植被是陆地生态系统的核心组成部分,可以促进气候变化、水循环和能量流动[1-2],且被认为是监测区域植被变化和生态环境变化的综合指示器[3-4]。归一化植被指数(normal difference vegetation index,NDVI)常用于研究植被时空变化[5],它综合反映了研究区植被类型、植被生长状况以及覆盖密度[6],与植被分布密度呈线性相关,因而在植被时空尺度动态监测变化研究中得到广泛应用。国内外学者[7-9]从多种时间尺度,结合不同影响因子深入研究植被覆盖时空变化和驱动力分析,发现影响NDVI变化的自然因子存在明显的区域差异性,气候因子与土地利用方式等人为因素的交互作用对植被覆盖变化影响显著。

地理探测器[10]是一种研究空间异质性的模型,可以定量探测某一时空现象的自然和人为驱动因子以及不同因子之间交互作用[11-13]。目前,该模型已被广泛应用于不同区域、不同时间序列的各种影响因子定量探测研究。王伟等[14]研究发现中亚地区水分因素主导植被生长格局,潜在蒸散发与高程的协同具有突出解释力;李金珂等[15]基于地理探测器量化探测影响NPP的自然和人为因子,发现不同植被类型的NPP对该区域生态系统的贡献具有空间差异;祝聪等[16]聚焦于2006—2016年岷江上游植被变化驱动力分析,结果表明海拔、气温、土壤类型和降水对植被覆盖度变化占据主导地位;裴志林等[17]研究发现黄河上游气候类环境因素较人类活动因素对植被覆盖的影响更为显著,且降水与土壤类型、土地利用方式的交互作用主导黄河上游FVC 空间分布;彭文甫等[18]在四川NDVI变化的地理探测中发现,土壤类型对植被状况的可变性有较好解释力。众多研究发现,植被覆盖受到自然变化和人为因素共同影响,探究多种影响因子的潜在驱动力显得尤为重要。

黄河流域生态环境较为脆弱,近年来流域植被覆盖状况得以改善[19]。前人对黄河流域植被时空变化特征以及植被与地形地貌、气候变化因素的响应方面开展了一些研究,具有短时间序列或缺少人为因素的特征[20-22]。但鲜有学者对囊括黄土高原在内的黄河中游进行自然和人为因素系统性分析和研究,且缺少长时间序列植被覆盖变化及驱动机制定量研究。因此,本研究基于长时间序列NDVI数据,结合线性回归分析和M-K 检验分析黄河中游植被覆盖的时空变化特征,并基于地理探测器模型,选取气候条件、地形地貌、土壤、植被以及人类活动共14种影响因子,定量探测NDVI变化的自然和人为驱动力,以期为该地区的生态保护与治理提供科学依据。

1 材料和方法

1.1 研究区概括

黄河中游位于纬度33°—41°E,经度103°—114°N,横跨宁夏、甘肃、陕西、山西、内蒙古、河南6个省市,总面积34.5万km2。黄河中游幅员辽阔,山地众多,地势西高东低,平均海拔1 000～2 000 m。流域内不同地区气候差异显著,属大陆性和海洋性混合型季风气候,降水和气温由东南向西北递减。黄河中游地区的降水主要集中在夏季,表现为“雨热同期”的气候特征,光照充足、高温、降水丰沛是黄河中游地区优越的气候条件,也是多年来植被覆盖度快速增长的重要条件。研究区主要植被类型为栽培植被和草原。黄河中游地处黄河的重要生态屏障区,对其进行生态保护对于中国的可持续发展至关重要。

1.2 数据和处理

本研究以NDVI为因变量,选取气候、地形、土壤、植被、地貌、人类活动6个类型,14个具有代表性且易于量化的因子作为自变量(表1),探测其对黄河中游NDVI的影响。NDVI数据采用目前时间跨度最长的AVHRR GIMMS数据集,空间分辨率为(1/12)°、时间分辨率为15 d。采用最大值合成法(MVC)获取1982—2015年NDVI影像,结合黄河流域植被实际情况,根据NDVI值将植被覆盖度分为5类[23]:低覆盖度(＜0.2)、中低覆盖度(0.2～0.4)、中覆盖度(0.4～0.6)、中高覆盖度(0.6～0.8)和高覆盖度(＞0.8)。

表1 探测因子Table 1 Detection factors

气象数据来自于中国科学院资源与环境科学数据中心(http:∥www.resdc.cn/)发布的气象背景数据集,基于全国1 915个站点的气象数据,采用反距离权重法插值生成,空间分辨率为500 m;DEM 来自GEE 云平台(Google Earth Engine)的SRTM Digital Elevation数据集,空间分辨率为30 m;坡度、坡向数据均基于DEM 数据在GEE 中计算得到;其他数据均通过中国科学院资源与环境科学数据中心(http:∥www.resdc.cn/)获取,在ArcGIS 10.7软件利用Arcpy工具对以上数据进行投影、掩膜等批处理。

数据预处理后再将因子进行重分类得到离散量数据[10],后期便于进行地理探测。根据自然断点法[24]将年均温、年降水量、≥10℃积温和干燥度指数共4种气候因子分为6类;高程、坡度和坡向3种地形因子分别划分为9类、6类和9类;将GDP、人口密度、夜间灯光指数分为7类。采用传统的“土壤发生分类”系统,将土壤类型分为11类;植被类型、地貌类型和土地利用类型分别划分为8类、6类和6类。然后进行重采样,使其与9 277 m NDVI数据图层分辨率一致。利用ArcGIS 10.7创建渔网工具,在研究区范围下基于9 277 m×9 277 m 网格生成5 355个随机采样点,提取空间属性值。

1.3 研究方法

1.3.1 线性回归分析 采用一元线性回归模型,逐像元计算黄河中游1982—2015年NDVI变化趋势。斜率可由公式(1)求得:

式中:n为研究时间序列(本研究n=34);NDVIi为第i年黄河中游NDVI值,i取值范围为(1～n);slope为NDVI斜率,当slope＞0时,NDVI呈增长趋势;slope＜0时,NDVI呈下降趋势;当slope=0时,NDVI变化不显著。

1.3.2 Mann-Kendall检验(M-K 检验) Mann-Kendall检验是一种非参数检验方法,作为一元线性回归模型的补充,用来检验时间序列趋势的显著性,且能够排除少数异常值的干扰[25]。计算公式如下:

式中:Z为检验统计量;var为方差函数;S为统计量;sgn为符号函数;n为数据集合长度;NDVIi和NDVIj为样本时序数据的集合,i取值范围为〔1-(n-1)〕,j取值范围为(2～n)。本研究采用通过95%的置信度检验,当Z的绝对值大于1.96时,表示趋势通过了置信度为95%显著性检验。

1.3.3 地理探测器模型 地理探测器是一种基于因子、交互、风险和生态等探测空间异质性及其驱动影响力的统计方法[10]。本研究利用该工具分析黄河中游1982年、1990年、1995年、2000年、2005年、2010年、2015年共7期NDVI变化的驱动因子单个及其交互关系。

(1)分异及因子探测。首先探测因变量NDVI的空间分质性,再进一步分析自变量X对NDVI的解释力,用q值度量[26],表达式为:

式中:q取值范围为[0,1];L为变量Y或因子X的分类;h=1,2,…;Nh和N分别为h层和全区的单元数;σh2和σ2分别为h层和全区Y的方差。

(2)交互作用探测。通过比较q(X1),q(X2),q(X1∩X2)三者之间的关系确定两因子间交互作用类型,详细分类参考王劲峰等[10]。

(3)风险探测。本研究旨在确定NDVI驱动因子的适宜范围或类型,用t统计量评价不同子区域属性均值是否有显著差异,公式如下:式中:nh为子区域h内的样本数目;Yh为子区域h内的NDVI值。

(4)生态探测。衡量两因子对NDVI变化的影响是否存在显著差异,F统计量计算如下:

式中:L1,L2分别为二者的层数;SSWX1,SSWX2分别为二者的分层、层内方差之和;NX1,NX2分别为X1,X2的样本数目。

2 结果与分析

2.1 黄河中游NDVI时空变化特征

由图1可知,黄河中游NDVI总体呈现东南高西北低空间分布特征。其中,中高和高植被覆盖度主要分布于陕西、山西、河南三省大部分地区和甘肃省南部;中植被覆盖度集中于陕西省中部;中低植被覆盖度多位于流域西北部,地处研究区内蒙古自治区、陕西省和甘肃省北部;低植被覆盖度零星分布于流域北部。黄河中游西南部主要为山脉,植被以耕地和草地为主,从1982年中低植被覆盖度分布演变为2015年的中高植被覆盖度,有较高NDVI值;陕西省中部大面积的中度植被覆盖转变为中高植被覆盖,陕西省北部由中低覆盖演变为中植被覆盖,植被恢复较好;流域北部地处黄土高原受降水限制,外加气温高,植被遭到破坏,虽在生态恢复政策下人为干预植被得到有效恢复,但仍处于中低和中植被覆盖度。

图1 NDVI的空间分布Fig.1 Spatial distribution of NDVI

1982—2015年NDVI范围为0.578～0.722,NDVI在研究期间呈波动增长趋势,增幅为0.019/10 a(图2),说明植被覆盖度总体较好。与程昌武[27]利用Theil-Sen Median方法对黄河流域1982—2015年生长季NDVI呈现的0.001 4/a增长趋势研究结果较为一致。根据NDVI年际变化M-K 突变检验结果,可将NDVI变化分为3个阶段:1982—2005年,NDVI以0.004/10 a速率呈缓慢上升趋势;2005—2009年,NDVI呈突变性显著上升趋势;2009—2015 年,NDVI以0.011 5/a速率呈显著下降趋势。

图2 1982-2015年最大NDVI变化趋势Fig.2 Maximum NDVI change trend from 1982 to 2015

2.2 NDVI时空变化趋势

根据slope和Z值将NDVI变化趋势分为5级(图3),由趋势结果知,1982—2015年,黄河中游植被覆盖度整体趋势变化向好。黄河中游NDVI变化趋势为西部和北部增加,中部、南部和东部减少。由表2知,植被覆盖显著增加区域主要分布在陕西北部、甘肃、内蒙古和山西境内,总面积169 575.80 km2,占总面积的49.20%;植被增加趋势与该区域持续退耕还林、人工造林政策有关,大面积的栽培植被能够增加水土保持率、缓解水土流失,改善黄河生态环境。植被覆盖轻微改善区域零散分布在整个区域。植被覆盖退化区域主要集中在山西、陕西南部和中部,总面积100 472.72 km2,占总面积的29.14%。另外,退化区域处于中高以上植被覆盖区域,随着流域南部集聚人群的城镇化扩张,植被遭到破坏而呈现退化状态。

图3 1982-2015年NDVI变化趋势分布Fig.3 NDVI change trend distribution from 1982 to 2015

表2 1982-2015年NDVI变化趋势Table 2 NDVI change trend from 1982 to 2015

2.3 因子探测分析

根据黄河中游2015年因子探测器结果可知,各因子对黄河中游NDVI影响力大小如下:年降水量(0.496)＞植被类型(0.374)＞地貌类型(0.343)＞土地利用类型(0.217)＞土壤类型(0.216)＞≥10℃积温(0.115)＞坡度(0.093)＞年均温(0.087)＞人口密度(0.048)＞高程(0.037)＞干燥度指数(0.032)＞夜间灯光指数(0.023)＞坡向(0.005)＞GDP(0.004)。

年降水量q值最大,解释力高达49.6%,其影响力远超其他因子,成为黄河中游NDVI变化主导驱动因子。其次是植被类型、地貌类型,解释力均大于34%;土地利用类型、土壤类型的解释力均大于21%;而其他9因子(≥10℃积温、坡度、年均温、人口密度、高程、干燥度指数、夜间灯光指数、坡向和GDP)的解释力不大,但也对黄河中游NDVI变化起到一定促进作用。

黄河中游7期因子探测器结果(图4),说明降水一直是黄河中游限制植被分布的最重要因素,q值最高;次要因素是植被类型、地貌类型、土壤类型和土地利用类型;年均温和≥10℃积温的q值在0.1徘徊;其余7因子解释力均小于0.1,对植被分布解释力最小。结果表明,1982—2015年黄河中游植被覆盖空间分布受多种环境因子的影响,其中一些因子的解释力随时间变化而变化。

图4 黄河中游7期因子探测结果Fig.4 Detection results of seven factors in the midstream of Yellow River

2.4 生态探测分析

根据生态探测结果(表3)可知,年降水量(X2)与年均温(X1)对NDVI空间分布存在显著差异,与其他因子无显著差异;土壤类型(X8)、植被类型(X9)和地貌类型(X10)与年均温(X1)、≥10℃积温(X3)、干燥度指数(X4)和地形因子[高程(X5)、坡度(X6)、坡向(X7)]对NDVI影响存在显著差异,与4个人为因子无显著差异,且土壤类型(X8)与植被类型(X9)和地貌类型(X10)对NDVI空间分布存在显著差异;人口密度与坡向和GDP 对NDVI影响存在显著差异。因子探测结果(图4)表明,年降水量是黄河中游NDVI变化的主要驱动因子,生态探测结果进一步证明,年降水量对黄河中游NDVI的影响大于其他因子。坡向和GDP对NDVI的影响均不显著,说明在该研究区其对植被的影响不大。

表3 生态探测结果Table 3 Ecological detection results

2.5 交互探测分析

单因子无法全面解释NDVI空间变化,需要考虑多种自然和人为因素的协同作用。交互探测结果(表4)表明,任意两因子的交互作用可增强单因子对NDVI的影响。其中,年降水量与其他因子交互后进一步增强降水量的作用,解释力达到50%以上。这些高于单因素解释力的年降水量q值与植被类型、地貌类型和土地利用类型高度互动,高达61%,说明年降水量是影响黄河中游NDVI变化的主要驱动因子,且年降水量与其他因子的交互作用进一步增强对NDVI的影响。其次,植被类型和地貌类型与其他因子的交互作用远超单因子解释力。另外,年降水量与年均温交互作用的q值也达到60%,这表明水热条件的良好耦合是植被生长的关键要素。虽然坡向和GDP对NDVI的影响较小,但它们与其他因子的交互作用极大地增强了对NDVI的解释能力。

表4 交互探测结果Table 4 Interaction detection results

2.6 风险探测分析

由表5结果知,在自然因素中,年均温-5～1℃,年降水量在708～950 mm,≥10℃积温在0～1 648℃,干燥度指数在1～2,NDVI均值最高,可达到0.82以上,说明植被在良好的水热条件环境中植被覆盖最高。高程在2 500 m 以上,坡度＞35°,坡向在0°～22.5°和337.5°～360°(北坡)时植被覆盖度最高;半淋溶土和淋溶土广泛分布于山地区域,与植被类型中的针叶林、阔叶林,土地利用的林地,地貌类型的中起伏、大起伏山地相对应,说明在山高坡陡的林区最适合植被自然生长。在人为因素中,GDP 在3 510～10 591 万元/km2,人口密度190.4～844.4人/km2,夜间灯光指数0～1.2范围内,NDVI均值最高。其中,夜间灯光指数为0～1.2的区域占研究区总面积的93.7%,该区域夜间灯光指数最小,代表该区域人口较分散,植被在人为干扰程度最弱的区域植被覆盖度最高。总体而言,由风险探测可知,气候、植被和地貌因子是影响黄河中游NDVI的主要因素,而人类活动通过改变土地利用类型的方式影响植被的分布[23]。

表5 因子的适宜范围或类型Table 5 Suitable range or type of factors

3 讨论

1982—2015年黄河中游NDVI呈上升趋势,这一结果与贺振等[28]对黄河流域的研究一致。从空间分布上看,NDVI年最大合成值和变化趋势具有空间分异性,这可能是自然和人为因素共同作用的结果。总体上,黄河中游NDVI值高的区域主要集中在南部和东南部,此区域林地生态系统得到显著改善;但由于草地生态环境状况恶化和陕西省西北部地处裸地生态系统,黄河中游西北部的NDVI值较低[29]。植被覆盖度低的地区位于研究区北部和西北部,可能是由于这些地区处于农牧交错带,土地利用类型为耕地、草地、未利用地。趋势分析发现,34 a来植被显著退化和中度退化的区域主要分布在陕南、陕中和山西。与He等[30]对2001—2020年黄土高原气候变化和人类活动对NDVI的影响结果一致。

气候变化及人类活动共同作用是植被覆盖变化的原因[31-32],气候因素占据主导地位,其中降水是重要的自然因素。研究表明,黄河中游NDVI变化的驱动因子存在显著性区域差异,但年降水量是影响区域植被主要驱动因子。黄河中游年降水量和年均温由东南向西北递减,且降水较气温上升趋势更加明显,满足植被生长所需的水分和光照条件,从而促进植被生长。相关研究[33]表明,气候的湿润程度在干旱半干旱地区对NDVI的变化有较大影响,湿润程度越高,NDVI值越大。不同土壤类型对雨水再利用效率不同[23],在以降水为主导的黄河中游区域,淋溶土与漠土和干旱土的NDVI值存在显著差异。地形地貌影响植被分布[34],中、大起伏山地的NDVI值较高。本研究前五影响因子与He等[30]研究结果一致。

与自然因素相比,人为因素对黄河中游NDVI影响较小,人口密度、高程、干燥度指数、夜间灯光指数、坡向、GDP对NDVI变化的影响力不大,但它们的交互作用可以增强解释力,与付含培等[23]研究结果类似。地理过程的复杂性表明,多因素的交互作用影响植被的变化[35]。结果表明,任意两个因子对NDVI的交互影响大于单一因子的交互影响,各驱动因子对NDVI的影响主要表现为双因子和非线性增强效应。其他类似研究表明,所有因素之间的交互作用对NDVI的影响显著高于单一因素[36]。其中,年降水量与地貌类型、植被类型的因子解释力最大,且三者交互作用对NDVI影响也最大,可能降水量的变化导致了不同地貌类型和植被类型中植被的差异。两者的协同作用一定程度上促进植被恢复,将自然因素与人为因素综合,定量研究各种因素对植被的影响,对于黄河中游地区的生态保护和可持续发展具有重要意义。

然而,本研究存在一些局限性,为确保研究时间序列完整性和数据一致性,采用空间分辨率为(1/12)°的AVHRR GIMMS数据集。NDVI与其他数据相比分辨率较低,重采样后仍会对结果产生一定影响。对于植被恢复趋势是否具有可持续性,生态工程等人类活动与植被恢复双方的反馈作用,仍需进一步研究[37]。

4 结论

(1)黄河中游NDVI按照东南高西北低趋势分布;1982—2015年NDVI总体以0.019/10 a速率呈增长趋势;植被覆盖改善面积高达70.79%,显著改善面积达到49.2%。

(2)年降水量解释力高达49.6%,是影响黄河中游NDVI变化主要驱动因子;植被类型、地貌类型、土地利用类型和土壤类型的解释力均大于21%;而其他因子解释力较小。与人为因素相比,自然因素对黄河中游NDVI影响更为显著。

(3)因子交互结果为双因子增强或非线性增强,年降水量与植被类型、地貌类型和土地利用类型高度互动,q值高达61%,是影响黄河中游NDVI变化的主要驱动因子。