1982-2015年黃河中游NDVI時空變化及驅動力分析

李自闖,董國濤,姚楠

(1.河南理工大學測繪與國土信息工程學院,河南焦作 454003;2.黃河水利委員會黃河水利科學研究院,鄭州 450003;3.黑河水資源與生態保護研究中心,蘭州 730030)

植被是陸地生態系統的核心組成部分,可以促進氣候變化、水循環和能量流動[1-2],且被認為是監測區域植被變化和生態環境變化的綜合指示器[3-4]。歸一化植被指數(normal difference vegetation index,NDVI)常用于研究植被時空變化[5],它綜合反映了研究區植被類型、植被生長狀況以及覆蓋密度[6],與植被分布密度呈線性相關,因而在植被時空尺度動態監測變化研究中得到廣泛應用。國內外學者[7-9]從多種時間尺度,結合不同影響因子深入研究植被覆蓋時空變化和驅動力分析,發現影響NDVI變化的自然因子存在明顯的區域差異性,氣候因子與土地利用方式等人為因素的交互作用對植被覆蓋變化影響顯著。

地理探測器[10]是一種研究空間異質性的模型,可以定量探測某一時空現象的自然和人為驅動因子以及不同因子之間交互作用[11-13]。目前,該模型已被廣泛應用于不同區域、不同時間序列的各種影響因子定量探測研究。王偉等[14]研究發現中亞地區水分因素主導植被生長格局,潛在蒸散發與高程的協同具有突出解釋力;李金珂等[15]基于地理探測器量化探測影響NPP的自然和人為因子,發現不同植被類型的NPP對該區域生態系統的貢獻具有空間差異;祝聰等[16]聚焦于2006—2016年岷江上游植被變化驅動力分析,結果表明海拔、氣溫、土壤類型和降水對植被覆蓋度變化占據主導地位;裴志林等[17]研究發現黃河上游氣候類環境因素較人類活動因素對植被覆蓋的影響更為顯著,且降水與土壤類型、土地利用方式的交互作用主導黃河上游FVC 空間分布;彭文甫等[18]在四川NDVI變化的地理探測中發現,土壤類型對植被狀況的可變性有較好解釋力。眾多研究發現,植被覆蓋受到自然變化和人為因素共同影響,探究多種影響因子的潛在驅動力顯得尤為重要。

黃河流域生態環境較為脆弱,近年來流域植被覆蓋狀況得以改善[19]。前人對黃河流域植被時空變化特征以及植被與地形地貌、氣候變化因素的響應方面開展了一些研究,具有短時間序列或缺少人為因素的特征[20-22]。但鮮有學者對囊括黃土高原在內的黃河中游進行自然和人為因素系統性分析和研究,且缺少長時間序列植被覆蓋變化及驅動機制定量研究。因此,本研究基于長時間序列NDVI數據,結合線性回歸分析和M-K 檢驗分析黃河中游植被覆蓋的時空變化特征,并基于地理探測器模型,選取氣候條件、地形地貌、土壤、植被以及人類活動共14種影響因子,定量探測NDVI變化的自然和人為驅動力,以期為該地區的生態保護與治理提供科學依據。

1 材料和方法

1.1 研究區概括

黃河中游位于緯度33°—41°E,經度103°—114°N,橫跨寧夏、甘肅、陜西、山西、內蒙古、河南6個省市,總面積34.5萬km2。黃河中游幅員遼闊,山地眾多,地勢西高東低,平均海拔1 000～2 000 m。流域內不同地區氣候差異顯著,屬大陸性和海洋性混合型季風氣候,降水和氣溫由東南向西北遞減。黃河中游地區的降水主要集中在夏季,表現為“雨熱同期”的氣候特征,光照充足、高溫、降水豐沛是黃河中游地區優越的氣候條件,也是多年來植被覆蓋度快速增長的重要條件。研究區主要植被類型為栽培植被和草原。黃河中游地處黃河的重要生態屏障區,對其進行生態保護對于中國的可持續發展至關重要。

1.2 數據和處理

本研究以NDVI為因變量,選取氣候、地形、土壤、植被、地貌、人類活動6個類型,14個具有代表性且易于量化的因子作為自變量(表1),探測其對黃河中游NDVI的影響。NDVI數據采用目前時間跨度最長的AVHRR GIMMS數據集,空間分辨率為(1/12)°、時間分辨率為15 d。采用最大值合成法(MVC)獲取1982—2015年NDVI影像,結合黃河流域植被實際情況,根據NDVI值將植被覆蓋度分為5類[23]:低覆蓋度(＜0.2)、中低覆蓋度(0.2～0.4)、中覆蓋度(0.4～0.6)、中高覆蓋度(0.6～0.8)和高覆蓋度(＞0.8)。

表1 探測因子Table 1 Detection factors

氣象數據來自于中國科學院資源與環境科學數據中心(http:∥www.resdc.cn/)發布的氣象背景數據集,基于全國1 915個站點的氣象數據,采用反距離權重法插值生成,空間分辨率為500 m;DEM 來自GEE 云平臺(Google Earth Engine)的SRTM Digital Elevation數據集,空間分辨率為30 m;坡度、坡向數據均基于DEM 數據在GEE 中計算得到;其他數據均通過中國科學院資源與環境科學數據中心(http:∥www.resdc.cn/)獲取,在ArcGIS 10.7軟件利用Arcpy工具對以上數據進行投影、掩膜等批處理。

數據預處理后再將因子進行重分類得到離散量數據[10],后期便于進行地理探測。根據自然斷點法[24]將年均溫、年降水量、≥10℃積溫和干燥度指數共4種氣候因子分為6類;高程、坡度和坡向3種地形因子分別劃分為9類、6類和9類;將GDP、人口密度、夜間燈光指數分為7類。采用傳統的“土壤發生分類”系統,將土壤類型分為11類;植被類型、地貌類型和土地利用類型分別劃分為8類、6類和6類。然后進行重采樣,使其與9 277 m NDVI數據圖層分辨率一致。利用ArcGIS 10.7創建漁網工具,在研究區范圍下基于9 277 m×9 277 m 網格生成5 355個隨機采樣點,提取空間屬性值。

1.3 研究方法

1.3.1 線性回歸分析 采用一元線性回歸模型,逐像元計算黃河中游1982—2015年NDVI變化趨勢。斜率可由公式(1)求得:

式中:n為研究時間序列(本研究n=34);NDVIi為第i年黃河中游NDVI值,i取值范圍為(1～n);slope為NDVI斜率,當slope＞0時,NDVI呈增長趨勢;slope＜0時,NDVI呈下降趨勢;當slope=0時,NDVI變化不顯著。

1.3.2 Mann-Kendall檢驗(M-K 檢驗) Mann-Kendall檢驗是一種非參數檢驗方法,作為一元線性回歸模型的補充,用來檢驗時間序列趨勢的顯著性,且能夠排除少數異常值的干擾[25]。計算公式如下:

式中:Z為檢驗統計量;var為方差函數;S為統計量;sgn為符號函數;n為數據集合長度;NDVIi和NDVIj為樣本時序數據的集合,i取值范圍為〔1-(n-1)〕,j取值范圍為(2～n)。本研究采用通過95%的置信度檢驗,當Z的絕對值大于1.96時,表示趨勢通過了置信度為95%顯著性檢驗。

1.3.3 地理探測器模型 地理探測器是一種基于因子、交互、風險和生態等探測空間異質性及其驅動影響力的統計方法[10]。本研究利用該工具分析黃河中游1982年、1990年、1995年、2000年、2005年、2010年、2015年共7期NDVI變化的驅動因子單個及其交互關系。

(1)分異及因子探測。首先探測因變量NDVI的空間分質性,再進一步分析自變量X對NDVI的解釋力,用q值度量[26],表達式為:

式中:q取值范圍為[0,1];L為變量Y或因子X的分類;h=1,2,…;Nh和N分別為h層和全區的單元數;σh2和σ2分別為h層和全區Y的方差。

(2)交互作用探測。通過比較q(X1),q(X2),q(X1∩X2)三者之間的關系確定兩因子間交互作用類型,詳細分類參考王勁峰等[10]。

(3)風險探測。本研究旨在確定NDVI驅動因子的適宜范圍或類型,用t統計量評價不同子區域屬性均值是否有顯著差異,公式如下:式中:nh為子區域h內的樣本數目;Yh為子區域h內的NDVI值。

(4)生態探測。衡量兩因子對NDVI變化的影響是否存在顯著差異,F統計量計算如下:

式中:L1,L2分別為二者的層數;SSWX1,SSWX2分別為二者的分層、層內方差之和;NX1,NX2分別為X1,X2的樣本數目。

2 結果與分析

2.1 黃河中游NDVI時空變化特征

由圖1可知,黃河中游NDVI總體呈現東南高西北低空間分布特征。其中,中高和高植被覆蓋度主要分布于陜西、山西、河南三省大部分地區和甘肅省南部;中植被覆蓋度集中于陜西省中部;中低植被覆蓋度多位于流域西北部,地處研究區內蒙古自治區、陜西省和甘肅省北部;低植被覆蓋度零星分布于流域北部。黃河中游西南部主要為山脈,植被以耕地和草地為主,從1982年中低植被覆蓋度分布演變為2015年的中高植被覆蓋度,有較高NDVI值;陜西省中部大面積的中度植被覆蓋轉變為中高植被覆蓋,陜西省北部由中低覆蓋演變為中植被覆蓋,植被恢復較好;流域北部地處黃土高原受降水限制,外加氣溫高,植被遭到破壞,雖在生態恢復政策下人為干預植被得到有效恢復,但仍處于中低和中植被覆蓋度。

圖1 NDVI的空間分布Fig.1 Spatial distribution of NDVI

1982—2015年NDVI范圍為0.578～0.722,NDVI在研究期間呈波動增長趨勢,增幅為0.019/10 a(圖2),說明植被覆蓋度總體較好。與程昌武[27]利用Theil-Sen Median方法對黃河流域1982—2015年生長季NDVI呈現的0.001 4/a增長趨勢研究結果較為一致。根據NDVI年際變化M-K 突變檢驗結果,可將NDVI變化分為3個階段:1982—2005年,NDVI以0.004/10 a速率呈緩慢上升趨勢;2005—2009年,NDVI呈突變性顯著上升趨勢;2009—2015 年,NDVI以0.011 5/a速率呈顯著下降趨勢。

圖2 1982-2015年最大NDVI變化趨勢Fig.2 Maximum NDVI change trend from 1982 to 2015

2.2 NDVI時空變化趨勢

根據slope和Z值將NDVI變化趨勢分為5級(圖3),由趨勢結果知,1982—2015年,黃河中游植被覆蓋度整體趨勢變化向好。黃河中游NDVI變化趨勢為西部和北部增加,中部、南部和東部減少。由表2知,植被覆蓋顯著增加區域主要分布在陜西北部、甘肅、內蒙古和山西境內,總面積169 575.80 km2,占總面積的49.20%;植被增加趨勢與該區域持續退耕還林、人工造林政策有關,大面積的栽培植被能夠增加水土保持率、緩解水土流失,改善黃河生態環境。植被覆蓋輕微改善區域零散分布在整個區域。植被覆蓋退化區域主要集中在山西、陜西南部和中部,總面積100 472.72 km2,占總面積的29.14%。另外,退化區域處于中高以上植被覆蓋區域,隨著流域南部集聚人群的城鎮化擴張,植被遭到破壞而呈現退化狀態。

圖3 1982-2015年NDVI變化趨勢分布Fig.3 NDVI change trend distribution from 1982 to 2015

表2 1982-2015年NDVI變化趨勢Table 2 NDVI change trend from 1982 to 2015

2.3 因子探測分析

根據黃河中游2015年因子探測器結果可知,各因子對黃河中游NDVI影響力大小如下:年降水量(0.496)＞植被類型(0.374)＞地貌類型(0.343)＞土地利用類型(0.217)＞土壤類型(0.216)＞≥10℃積溫(0.115)＞坡度(0.093)＞年均溫(0.087)＞人口密度(0.048)＞高程(0.037)＞干燥度指數(0.032)＞夜間燈光指數(0.023)＞坡向(0.005)＞GDP(0.004)。

年降水量q值最大,解釋力高達49.6%,其影響力遠超其他因子,成為黃河中游NDVI變化主導驅動因子。其次是植被類型、地貌類型,解釋力均大于34%;土地利用類型、土壤類型的解釋力均大于21%;而其他9因子(≥10℃積溫、坡度、年均溫、人口密度、高程、干燥度指數、夜間燈光指數、坡向和GDP)的解釋力不大,但也對黃河中游NDVI變化起到一定促進作用。

黃河中游7期因子探測器結果(圖4),說明降水一直是黃河中游限制植被分布的最重要因素,q值最高;次要因素是植被類型、地貌類型、土壤類型和土地利用類型;年均溫和≥10℃積溫的q值在0.1徘徊;其余7因子解釋力均小于0.1,對植被分布解釋力最小。結果表明,1982—2015年黃河中游植被覆蓋空間分布受多種環境因子的影響,其中一些因子的解釋力隨時間變化而變化。

圖4 黃河中游7期因子探測結果Fig.4 Detection results of seven factors in the midstream of Yellow River

2.4 生態探測分析

根據生態探測結果(表3)可知,年降水量(X2)與年均溫(X1)對NDVI空間分布存在顯著差異,與其他因子無顯著差異;土壤類型(X8)、植被類型(X9)和地貌類型(X10)與年均溫(X1)、≥10℃積溫(X3)、干燥度指數(X4)和地形因子[高程(X5)、坡度(X6)、坡向(X7)]對NDVI影響存在顯著差異,與4個人為因子無顯著差異,且土壤類型(X8)與植被類型(X9)和地貌類型(X10)對NDVI空間分布存在顯著差異;人口密度與坡向和GDP 對NDVI影響存在顯著差異。因子探測結果(圖4)表明,年降水量是黃河中游NDVI變化的主要驅動因子,生態探測結果進一步證明,年降水量對黃河中游NDVI的影響大于其他因子。坡向和GDP對NDVI的影響均不顯著,說明在該研究區其對植被的影響不大。

表3 生態探測結果Table 3 Ecological detection results

2.5 交互探測分析

單因子無法全面解釋NDVI空間變化,需要考慮多種自然和人為因素的協同作用。交互探測結果(表4)表明,任意兩因子的交互作用可增強單因子對NDVI的影響。其中,年降水量與其他因子交互后進一步增強降水量的作用,解釋力達到50%以上。這些高于單因素解釋力的年降水量q值與植被類型、地貌類型和土地利用類型高度互動,高達61%,說明年降水量是影響黃河中游NDVI變化的主要驅動因子,且年降水量與其他因子的交互作用進一步增強對NDVI的影響。其次,植被類型和地貌類型與其他因子的交互作用遠超單因子解釋力。另外,年降水量與年均溫交互作用的q值也達到60%,這表明水熱條件的良好耦合是植被生長的關鍵要素。雖然坡向和GDP對NDVI的影響較小,但它們與其他因子的交互作用極大地增強了對NDVI的解釋能力。

表4 交互探測結果Table 4 Interaction detection results

2.6 風險探測分析

由表5結果知,在自然因素中,年均溫-5～1℃,年降水量在708～950 mm,≥10℃積溫在0～1 648℃,干燥度指數在1～2,NDVI均值最高,可達到0.82以上,說明植被在良好的水熱條件環境中植被覆蓋最高。高程在2 500 m 以上,坡度＞35°,坡向在0°～22.5°和337.5°～360°(北坡)時植被覆蓋度最高;半淋溶土和淋溶土廣泛分布于山地區域,與植被類型中的針葉林、闊葉林,土地利用的林地,地貌類型的中起伏、大起伏山地相對應,說明在山高坡陡的林區最適合植被自然生長。在人為因素中,GDP 在3 510～10 591 萬元/km2,人口密度190.4～844.4人/km2,夜間燈光指數0～1.2范圍內,NDVI均值最高。其中,夜間燈光指數為0～1.2的區域占研究區總面積的93.7%,該區域夜間燈光指數最小,代表該區域人口較分散,植被在人為干擾程度最弱的區域植被覆蓋度最高?？傮w而言,由風險探測可知,氣候、植被和地貌因子是影響黃河中游NDVI的主要因素,而人類活動通過改變土地利用類型的方式影響植被的分布[23]。

表5 因子的適宜范圍或類型Table 5 Suitable range or type of factors

3 討論

1982—2015年黃河中游NDVI呈上升趨勢,這一結果與賀振等[28]對黃河流域的研究一致。從空間分布上看,NDVI年最大合成值和變化趨勢具有空間分異性,這可能是自然和人為因素共同作用的結果?？傮w上,黃河中游NDVI值高的區域主要集中在南部和東南部,此區域林地生態系統得到顯著改善;但由于草地生態環境狀況惡化和陜西省西北部地處裸地生態系統,黃河中游西北部的NDVI值較低[29]。植被覆蓋度低的地區位于研究區北部和西北部,可能是由于這些地區處于農牧交錯帶,土地利用類型為耕地、草地、未利用地。趨勢分析發現,34 a來植被顯著退化和中度退化的區域主要分布在陜南、陜中和山西。與He等[30]對2001—2020年黃土高原氣候變化和人類活動對NDVI的影響結果一致。

氣候變化及人類活動共同作用是植被覆蓋變化的原因[31-32],氣候因素占據主導地位,其中降水是重要的自然因素。研究表明,黃河中游NDVI變化的驅動因子存在顯著性區域差異,但年降水量是影響區域植被主要驅動因子。黃河中游年降水量和年均溫由東南向西北遞減,且降水較氣溫上升趨勢更加明顯,滿足植被生長所需的水分和光照條件,從而促進植被生長。相關研究[33]表明,氣候的濕潤程度在干旱半干旱地區對NDVI的變化有較大影響,濕潤程度越高,NDVI值越大。不同土壤類型對雨水再利用效率不同[23],在以降水為主導的黃河中游區域,淋溶土與漠土和干旱土的NDVI值存在顯著差異。地形地貌影響植被分布[34],中、大起伏山地的NDVI值較高。本研究前五影響因子與He等[30]研究結果一致。

與自然因素相比,人為因素對黃河中游NDVI影響較小,人口密度、高程、干燥度指數、夜間燈光指數、坡向、GDP對NDVI變化的影響力不大,但它們的交互作用可以增強解釋力,與付含培等[23]研究結果類似。地理過程的復雜性表明,多因素的交互作用影響植被的變化[35]。結果表明,任意兩個因子對NDVI的交互影響大于單一因子的交互影響,各驅動因子對NDVI的影響主要表現為雙因子和非線性增強效應。其他類似研究表明,所有因素之間的交互作用對NDVI的影響顯著高于單一因素[36]。其中,年降水量與地貌類型、植被類型的因子解釋力最大,且三者交互作用對NDVI影響也最大,可能降水量的變化導致了不同地貌類型和植被類型中植被的差異。兩者的協同作用一定程度上促進植被恢復,將自然因素與人為因素綜合,定量研究各種因素對植被的影響,對于黃河中游地區的生態保護和可持續發展具有重要意義。

然而,本研究存在一些局限性,為確保研究時間序列完整性和數據一致性,采用空間分辨率為(1/12)°的AVHRR GIMMS數據集。NDVI與其他數據相比分辨率較低,重采樣后仍會對結果產生一定影響。對于植被恢復趨勢是否具有可持續性,生態工程等人類活動與植被恢復雙方的反饋作用,仍需進一步研究[37]。

4 結論

(1)黃河中游NDVI按照東南高西北低趨勢分布;1982—2015年NDVI總體以0.019/10 a速率呈增長趨勢;植被覆蓋改善面積高達70.79%,顯著改善面積達到49.2%。

(2)年降水量解釋力高達49.6%,是影響黃河中游NDVI變化主要驅動因子;植被類型、地貌類型、土地利用類型和土壤類型的解釋力均大于21%;而其他因子解釋力較小。與人為因素相比,自然因素對黃河中游NDVI影響更為顯著。

(3)因子交互結果為雙因子增強或非線性增強,年降水量與植被類型、地貌類型和土地利用類型高度互動,q值高達61%,是影響黃河中游NDVI變化的主要驅動因子。