文章信息
- 刘世梁, 田韫钰, 尹艺洁, 安南南, 董世魁
- LIU Shiliang, TIAN Yunyu, YIN Yijie, AN Nannan, DONG Shikui.
- 云南省植被NDVI时间变化特征及其对干旱的响应
- Temporal dynamics of vegetation NDVI and its response to drought conditions in Yunnan Province
- 生态学报[J]. 2016, 36(15): 4699-4707
- Acta Ecologica Sinica[J]. 2016, 36(15): 4699-4707
- http://dx.doi.org/10.5846/stxb201501030006
-
文章历史
- 收稿日期: 2015-01-03
- 网络出版日期: 2015-11-16
植被是生态系统的重要组分。它不仅是重要自然资源,同时在一定的程度上能代表土地覆盖的变化。植被变化对全球变化较为敏感,具有指示作用。同时,地表植被被认为对全球的能量平衡、生物化学循环、水循环等起着调控作用,对气候系统变化有着深远的影响[1]。植被与气候变化之间的关系是密不可分的,二者之间的相互作用主要表现在2个方面,即植被对气候的适应性与植被对于气候的反馈作用[2]。因此在全球变化研究中,植被变化的监测与动态在地表覆盖与变化研究中一直备受重视。
干旱是对人类社会影响最为严重的气象灾害之一,影响范围广、造成危害大、涉及时间长。西南地区一直是我国干旱发生频率较高的区域,近年来干旱更加突出[3-4],目前已经有研究针对西南地区干旱特征和变化趋势进行研究分析[5-8]。在干旱的时空动态研究中[9-11],应用最广泛的是Vicente-Serrano于2010年提出的标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI),它不仅考虑了降水与蒸散,而且保留了SPI、PDSI指数等对温度降水的敏感度,又具备SPI适合多尺度、多空间比较的优点[5]。由于气候是决定地球上植被类型及其分布的最主要因素,因此在全球变化与陆地生态系统关系的研究中,气候—植被关系的确定具有十分重要的实际意义[12]。
在植被研究中,归一化差值植被指数(NDVI)由于其具有植被空间覆盖范围广、植物检测灵敏度高、能消除地形和群落结构的阴影和辐射干扰、削弱太阳高度角和大气所带来的噪音、数据具有高可比性等特点,在多种植被指数中应用最多最广泛[1]。近年来国内外利用NDVI做了大量的植被研究,主要集中于区域植被的时空变化与气候因子的相互关系[13-18]以及对气候变化的响应[19-20],其中气候因子主要为温度和降水量,并不能综合反映气候变化,因此NDVI与单独的气候因子的相关性研究尺度单一且不全面,不足以确定气候-植被关系。而多时间尺度的SPEI值能够清楚地反映区域干湿演变与可获得水资源状况,因此本研究从多尺度研究了云南省NDVI和SPEI两大指数的时间序列变化规律,利用SPEI指数进一步分析了云南省的气候变化情况和干旱发生强度,同时利用NDVI指数分析了研究区域的植被变化情况。此外,本研究试图对云南省的SPEI与NDVI作了不同尺度上的相关性分析,进一步探讨了植被的变化趋势及其对气候变化的响应机制,为制定相应的对策提供了科学依据,具有重要的理论和现实意义。
1 研究区域与研究方法 1.1 研究区概况云南省(21°8′32″—29°15′8″N,97°31′39″—106°11′47″E)北依亚洲大陆,南连位于太平洋和印度洋之间的东南亚半岛,处在东南季风和西南季风控制之下,又受西藏高原区的影响,从而形成了复杂多样的自然地理环境。总面积39.4万km2,平均海拔2000m左右。地理位置特殊,地形地貌复杂。由于大气环流的影响,冬季受干燥的大陆季风控制,夏季盛行湿润的海洋季风,属低纬山原季风气候。全省气候的区域差异较大。植被资源丰富,森林覆盖率47.5%,植被NDVI分析与干旱的变化的研究具有可行性并有现实意义。
1.2 数据处理 1.2.1 气候数据前处理选用1998—2012年云南省地面气象观测站逐年的日降水量的实测资料。对个别台站的缺测数据进行了插补处理,主要采用的是均值替换法。首先对于明显错误数据进行检测,确定错误数据或者断点,剔除或用多年平均值取代错误或断点数据[10]。经过订正处理后的各要素资料具有较好的连续性。
1.2.2 NDVI数据处理作为反映植被状况的一个重要遥感参数,归一化差值植被指数(NDVI)是植物生长状态和植被空间分布密度的指示因子,与植被分布密度呈线性相关,即NDVI值越高表明植被状况越好。利用1999—2013年的SPOT VEGETATION逐旬NDVI数据进行分析,共有504幅图像,空间分辨率为1 km。NDVI数据主要采用均值法和最大合成法进行处理,为避免某些极端值的影响,每月NDVI值由上、中、下三旬数据求平均值获得;每年NDVI值除了年均值还采用了国际通用的最大合成法获取,以进一步消除云、大气、太阳高度角等的部分干扰[20]。
1.3 研究方法标准化降水蒸散发指数SPEI(Standardized Precipitation Evapotranspiration Index)是Vicente-Serrano在标准化降水指数SPI的基础上引入潜在蒸散项构建的,其融合了SPI和帕尔默干旱指数PDSI的优点,具体计算步骤如下[21]:
第1步 计算潜在蒸散。Vicente-Serrano采用的是Thornthwaite方法。
第2步 用公式(1)计算逐月降水与蒸散的差值
式中, Di为降水与蒸散的差值,Pi为月降水量,PETi为月蒸散量。
第3步 同SPI方法,对Di数据序列进行正态化。由于原始数据序列Di中可能存在负值,所以SPEI指数采用了3个参数的log-logistic概率分布。log-logistic概率分布的累积函数为
式中, 参数α、β、γ分别采用线性矩的方法拟合获得。
然后对累积概率密度进行标准化
当累积概率P≤0.5时
式中, W为蒸散降水推导函数的累计概率函数值,C0=2.515517,C1=0.802 853,C2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。
当P>0.5时,以1-P表示P,SPEI变换符号。
本文中SPEI对应的干旱等级按照表 1中的标准进行划分。
SPEI | < -2 | [-2, -1.5) | [-1.5, -1) | [-1, 0) |
干旱等级Drought levels | 极端干旱 | 严重干旱 | 中等干旱 | 轻微干旱 |
SPEI:标准化降水蒸散发指数Standardized Precipitation Evapotranspiration Index |
对云南省74个气象台站同一年内各旬的NDVI取平均值,得到当年云南省平均NDVI。年平均NDVI值变化曲线及其趋势线见图 1,从图中可以清楚的看到,在1999年至2013年间,云南省年平均NDVI值呈现波浪式的发展趋势,而趋势线斜率为正,说明年均NDVI值总体略有增加。2003年、2006年、2013年的年平均NDVI值相对较大,可能与当年降雨量丰富有关;云南省年平均NDVI值基本都保持在0.385—0.425之间,表明NDVI具有相对稳定性,总体植被状况较为乐观。
考虑到云、大气、太阳高度角等的部分干扰,通过最大合成法得到每年最大NDVI值。从图 1可以看出,年最大NDVI值的波动情况与年均NDVI值相似,进一步表明了1999—2013年云南省NDVI的年际变化特征,即总体稳定,波动中略有增大。
2.1.2 NDVI的月尺度变化分析将74个气象站点的NDVI取月平均值如图 2所示。可以看到云南省各年的NDVI年内各月变化情况大体上是相同的,波峰基本集中在7—9月份。各年之间波动情况相近,具有周期性,但周期内的变化曲线有时也会出现波动,最典型的是2007年7月和2012年6月出现异常,比其它年份同时期的NDVI值偏低。从NDVI的年内波动情况可以看出,NDVI值与气温及降雨量有一定关系。
2.1.3 NDVI的季节变化规律分析利用天文季节的划分方法来划分四季,即3—5月为春季,7—8月为夏季,9—11月为秋季,12月至次年2月为冬季。将74个站点取各季节NDVI的平均值,得到1999—2013年的季节变化时间序列(图 3)。从图 3可以看出,云南省NDVI的年际变化呈现显著的季节性差异,夏季和秋季的NDVI值总体相对较高,其中夏季呈现起伏较大的波浪式发展趋势,在0.35—0.5间波动,可能是由于夏季气温高且降水量年间差异较大;冬季和春季的NDVI值总体偏低,年际波动幅度相对较小,均在0.3—0.4之间波动。可见四季中NDVI的总体大小排序为:秋季>夏季>冬季>春季,从NDVI年内月尺度的波动情况也可以看出这一特点。
2.2 云南省不同尺度SPEI指数的时间序列变化特征 2.2.1 基于不同尺度SPEI的气候变化特征1997—2012年云南省74个站点SPEI的平均值的变化趋势见图 4。从图 4可以看出,不同时间尺度的SPEI值均呈现出一致的线性趋势,即干旱化趋势在加强,但其值随时间变化的敏感性明显不同,时间尺度越小,趋势线斜率的绝对值越小。
西南地区是典型的季风气候区,受季风系统影响,降水的季节分布极不均匀。如图 4所示,SPEI3因为对于短期降水和温度变化都比较敏感,其数值波动性较大;而SPEI6受多雨期和少雨期的影响,其数值波动幅度也很大,因此云南省的干旱持续时间达半年的发生频率也比较高。SPEI12和SPEI24能够更清楚地反映1997—2012年的干旱变化状况,即2004—2008年、2010—2012年的干旱频率较高,其中2004—2008年为轻微干旱,2010—2012年达到中等干旱甚至严重干旱,且干旱持续时间较长,出现数年连旱的现象。由此可见,SPEI6和SPEI12对于下层土壤水分和河流径流量等有较好地反映,SPEI24则更深入地涉及到地下水位、水库蓄水量乃至民生问题。综上所述,多时间尺度的SPEI值可以有效地反映云南省干旱程度及其持续时间,并且不同时间尺度的SPEI值表现出了不同程度的年际震荡和年代际变化特征。
2.2.2 SPEI的月尺度变化分析从图 4可以看到,SPEI3年内各月的变化情况年与年之间差别较大,峰值所在月份也不尽相同。将74个气象站点的SPEI3取月平均值,如图 5,可以看到SPEI3各月的变化呈现先增大后减小的趋势,峰值在5—7月份,并且其他月份均为轻微干旱,这与全年降雨量分布大体一致。
2.2.3 SPEI的季节尺度变化分析西南地区一般冬季干旱少雨,夏季雨量丰沛,春、秋季节是过渡阶段,大多数区域秋雨多于春雨。因而春、冬两季是发生旱灾的主要时节[11],从图 5也可以看出这一特点。
选取云南省各站四季1997—2012年的平均SPEI3和SPEI24值,分析SPEI在季节尺度上的变化规律(图 6)。从图 6的SPEI24变化情况可以看出,云南省SPEI的年际变化在季节尺度上的差异性并不明显,均为接近半数的年份达到干旱,四季均在2003—2006年出现连年干旱的现象。从SPEI3的波动情况来看,冬季干旱最为严重,干旱频率较高,但年际间波动幅度相对较小;春季和秋季次之,波动幅度较大;夏季干旱的年份最少干旱强度较小。由此可见,不同尺度的SPEI值反映出来的季节变化规律不同,3个月尺度的SPEI值更能反映出季节尺度的变化情况,多年季节水平的干旱强度为:冬季>秋季>春季>夏季。
2.3 云南省植被NDVI动态变化与SPEI指数的关系 2.3.1 云南省NDVI与SPEI在年际变化上的相关性利用云南省各站点1998—2012年的年均SPEI和1999—2013年的NDVI数据,分析不同年份二者之间的相关系数r,探讨二者在年际变化上的相关性和滞后性。当r>0时,表示两变量正相关,当r < 0时,表示两变量为负相关,r的绝对值大小代表相关程度。
表 2列出了年平均NDVI与不同尺度年均SPEI的相关系数,包括同年间(1999—2012)以及NDVI(1999—2013)比SPEI(1998—2012)滞后1年的相关系数。从表 2可以看到,NDVI值与不同尺度SPEI值间的相关系数均为正值,并且SPEI的时间尺度越大,相关性越弱,且不同尺度的SPEI与当年NDVI的相关系数均小于0.3,相关性不显著;滞后1年的NDVI与不同尺度SPEI的相关系数也很弱。可见云南省的年均NDVI与SPEI没有显著的正相关关系,滞后效应不明显。
归一化植被指数NDVI | SPEI3 | SPEI6 | SPEI12 | SPEI24 |
当年NDVI NDVI in the same year | 0.2538 | 0.1895 | 0.1300 | 0.0742 |
滞后NDVI NDVI in the lag of one year | 0.1942 | 0.1871 | 0.1338 | 0.1105 |
考虑到云、大气、太阳高度角等的部分干扰可能对NDVI与SPEI的相关性造成影响,表 3列出了年最大NDVI与不同尺度年均SPEI的相关系数,当年NDVI与滞后NDVI同表 2。从表 3可以看到,年最大NDVI与SPEI的相关系数也均为正值,但明显比表 2的数值大,相关程度更高;SPEI3、SPEI6、SPEI12与当年NDVI的相关系数均大于0.5。可见云南省的年最大NDVI与不同尺度年均SPEI存在一定的线性正相关关系,说明SPEI是NDVI的一大影响因素。
NDVI | SPEI3 | SPEI6 | SPEI12 | SPEI24 |
当年NDVI NDVI in the same year | 0.5534 | 0.5734 | 0.5321 | 0.3202 |
滞后NDVI NDVI in the lag of one year | 0.2317 | 0.1868 | 0.1044 | 0.2291 |
通过比较1999—2013年74个台站的月平均NDVI与不同尺度SPEI的相关性发现SPEI12的相关系数相对最大,因此做出月平均NDVI与SPEI12的相关图。从图 7可以看出,同年NDVI、滞后1年的NDVI均与SPEI24存在一定的负相关,但相关性不显著。
将各站点12个月多年平均的NDVI分别与对应月的SPEI进行相关分析,同时考虑到NDVI对SPEI的滞后效应,本研究还将NDVI分别滞后1、2、3个月(NDVI1、NDVI2、NDVI3)与SPEI进行相关分析,结果见表 4。从表 4可以看出,NDVI与不同尺度的SPEI相关性明显不同,其中SPEI3、SPEI6的相关系数大多为正值,而SPEI12、SPEI24则基本为负值;另外,同月NDVI与SPEI12、SPEI24的负相关性通过了0.01水平的显著性检验,滞后1个月的NDVI与SPEI6的正相关性以及与SPEI12、SPEI24的负相关性均通过了0.01水平显著性检验,滞后两个月的NDVI与SPEI3、SPEI6均为高度相关,滞后3个月的NDVI与SPEI的相关性则相对较弱。可见NDVI与SPEI在年内变化月尺度上的相关性较强,响应具有显著的滞后效应。
NDVI | SPEI3 | SPEI6 | SPEI12 | SPEI24 |
NDVI | 0.216 | 0.707* | -0.849** | -0.921** |
NDVI1 | 0.648* | 0.886** | -0.769** | -0.723** |
NDVI2 | 0.866** | 0.841** | -0.572 | -0.417 |
NDVI3 | -0.186 | 0.562 | -0.265 | 0.016 |
*在0.05水平(双侧)上显著相关; **在0.01水平(双侧)上显著相关 |
根据前面对SPEI季节尺度变化的研究可知,用SPEI3表征其季节变化更为恰当。因此,本研究利用SPEI3来研究NDVI与SPEI在季节尺度上的相关性。考虑到植被对气候的滞后效应,每个季节的植被NDVI除了与同季节SPEIs进行相关分析外,都同其上一个春季、夏季、秋季、冬季的SPEI(SPEIsp、SPEIsu、SPEIau、SPEIwi)进行了相关分析,得到的相关系数如表 5所示。从表 5可以清楚的看到春季的NDVI与SPEI的相关性极弱,夏季的NDVI与当年夏季的SPEI呈不显著的正相关,滞后性则不太明显;秋季的NDVI与当年秋季SPEI的负相关性通过了0.01显著性检验,与当年夏季的SPEI呈负相关;冬季的NDVI与当年冬季SPEI的相关性通过了0.05显著性检验,与同年春季、秋季的SPEI呈负相关。
NDVI | SPEIs | SPEIsp | SPEIsu | SPEIau | SPEIwi |
NDVIsp | 0.061 | -0.136 | -0.168 | 0.187 | -0.141 |
NDVIsu | 0.420 | 0.166 | 0.116 | 0.139 | 0.055 |
NDVIau | -0.664** | -0.045 | -0.498 | 0.057 | -0.169 |
NDVIwi | -0.621* | -0.397 | -0.114 | -0.339 | 0.059 |
*在0.05水平(双侧)上显著相关; **在.01水平(双侧)上显著相关; SPEIs是同年同季的SPEI值;SPEIsp、SPEIsu、SPEIau、SPEIwi分别是上一个春季、夏季、秋季、冬季的SPEI值 |
(1) 计算潜在蒸散的Thornthwaite方法没有考虑辐射的影响,但对于云南省来说,研究区域范围内的纬度只差几度,因此辐射的差异较小,而研究主要是关于变化趋势的相关分析,所以对结论的影响也较小。
(2) 研究SPEI变化趋势的过程中,发现其时间变化特征与牛凯杰等人对西南地区的研究结论基本一致,其中多年季节水平的干旱强度为冬季>秋季>春季>夏季,而牛凯杰等人的研究得到的顺序为春、冬、秋、夏,可能是由于云南不能代表整个西南地区。
(3) 在NDVI的变化研究中发现,2007年7月和2012年6月出现异常,比其它年份同时期的NDVI值偏低。经查证,2007年为灾害较重年,7月植被的异常情况可能与洪涝灾害有关;6月的NDVI值普遍不高,可能是因为云南省6月高温且降水少。
(4) 在分析NDVI与SPEI相关性的过程中,发现两者年际变化的相关性较弱,而年内变化月尺度上的相关性较强,这可能是由于年尺度上气候对植被的影响很小,其他原因有待深入探讨。
(5) 在季节尺度上,NDVI与SPEI的关系较为复杂。对于云南来说,秋冬季负相关显著的可能解释是在多雨的状况下,气温的降低会促使植被落叶,叶片枯黄、脱落,从而降低NDVI数值,因此干旱情况会使得植被NDVI增加。另外,不同季节的耕作等也会影响两者的相关关系,其内在机理需要结合物候变化、空间分异特征等进行进一步的研究与验证。
3.2 结论(1) 1999—2013年云南省年平均NDVI值和年最大NDVI值均呈现波浪式的发展趋势,总体略有增大;在月尺度上,NDVI年内各月变化情况大体上相同且具有周期性,波峰基本集中在7—9月份;不同季节NDVI年际变化的总体大小排序为:秋季>夏季>冬季>春季。
(2) 1997—2012年云南省不同时间尺度的SPEI值均呈现出干旱化加强的线性趋势,时间尺度越大,变化趋势越大。在月尺度上,SPEI3各月的变化呈现先增大后减小的趋势,峰值在5—7月份;SPEI3反映出多年季节水平的干旱强度为:冬季>秋季>春季>夏季。
(3) 云南省的年均NDVI与SPEI呈极弱的正相关关系,而年最大NDVI与不同尺度年均SPEI存在一定的线性正相关关系,SPEI是NDVI的一大影响因素。
(4) NDVI与SPEI在月尺度上的相关性较为复杂,同月以及滞后一个月的NDVI与部分时间尺度的相关性通过了0.01水平或0.05水平显著性检验,因此NDVI与SPEI在年内变化月尺度上的相关性较强,响应具有显著的滞后效应。
(5) 季节尺度上,春季以及夏季的NDVI与SPEI的相关性与滞后性均不显著,而秋季的NDVI与当年秋季SPEI的负相关性通过了0.01显著性检验,冬季的NDVI与当年冬季SPEI的相关性通过了0.05显著性检验,也有一定滞后效应。
[1] | Lambin E F, Strahler A H. Indicators of land-cover change for change-vector analysis in multitemporal space at coarse spatial scales[J]. Remote Sensing of Environment , 1994, 15 (10) : 2099–2119. DOI:10.1080/01431169408954230 |
[2] | 郑玉坤.多时相AVHRR-NDVI数据的时间序列分析及其在土地覆盖分类中的应用[D].北京:中国科学院遥感应用研究所, 2002: 1-48. |
[3] | 周丹, 张勃, 任培贵, 张春玲, 杨尚武, 季定民. 基于标准化降水蒸散指数的陕西省近50a干旱特征分析[J]. 自然资源学报 , 2014, 29 (4) : 677–688. |
[4] | 张家发, 唐文坚, 李少龙. 中国西南易旱地区识别的探讨[J]. 中国水利 , 2012 (5) : 18–21. |
[5] | 王东, 张勃, 安美玲, 张调风, 季定民, 任培贵. 基于SPEI的西南地区近53a干旱时空特征分析[J]. 自然资源学报 , 2014, 29 (6) : 1003–1016. |
[6] | 牛凯杰, 梁川, 赵璐, 詹存. 西南地区干旱时空变化特征[J]. 灌溉排水学报 , 2014, 33 (3) : 1–6. |
[7] | 王明田, 王翔, 黄晚华, 张玉芳, 马均. 基于相对湿润度指数的西南地区季节性干旱时空分布特征[J]. 农业工程学报 , 2012, 28 (19) : 85–92. |
[8] | 董谢琼, 段旭. 西南地区降水量的气候特征及变化趋势[J]. 气象科学 , 1998, 18 (3) : 239–247. |
[9] | 苏宏新, 李广起. 基于SPEI的北京低频干旱与气候指数关系[J]. 生态学报 , 2012, 32 (17) : 5467–5475. |
[10] | 李亚飞, 刘高焕. 澜沧江流域植被覆盖变化特征及其与气候因子的关系[J]. 资源科学 , 2012, 34 (7) : 1214–1221. |
[11] | 何云玲, 张一平. 澜沧江干流河谷盆地气候特征及变化趋势[J]. 山地学报 , 2004, 22 (5) : 539–548. |
[12] | Li Z Q, Liu Z G, Chen Z Z, Yang Z G. The effects of climate changes on the productivity in the Inner Mongolia Steppe of China[J]. Acta Prataculturae Sinica , 2003, 12 (1) : 4–10. |
[13] | Cong N, Piao S L, Chen A P, Wang X H, Lin X, Chen S P, Hang S J, Zhou G S, Zhang X P. Spring vegetation green-up date in China inferred from SPOT NDVI data: a multiple model analysis[J]. Agricultural and Forest Meteorology , 2013, 165 : 104–113. |
[14] | 李春晖, 杨志峰. 黄河流域NDVI时空变化及其与降水/径流关系[J]. 地理研究 , 2004, 23 (6) : 753–759. |
[15] | 吕洋, 董国涛, 杨胜天, 周秋文, 蔡明勇. 雅鲁藏布江流域NDVI时空变化及其与降水和高程的关系[J]. 资源科学 , 2014, 36 (3) : 603–611. |
[16] | 崔林丽, 史军, 肖风劲, 范文义. 中国东部NDVI的变化趋势及其与气候因子的相关分析[J]. 资源科学 , 2010, 32 (1) : 124–131. |
[17] | 毕晓丽, 王辉, 葛剑平. 植被归一化指数(NDVI)及气候因子相关起伏型时间序列变化分析[J]. 应用生态学报 , 2005, 16 (2) : 284–288. |
[18] | 王青霞, 吕世华, 鲍艳, 马迪, 李瑞青. 青藏高原不同时间尺度植被变化特征及其与气候因子的关系分析[J]. 高原气象 , 2014, 33 (2) : 301–312. |
[19] | 侯美亭, 赵海燕, 王筝, 延晓冬. 基于卫星遥感的植被NDVI对气候变化响应的研究进展[J]. 气候与环境研究 , 2013, 18 (3) : 353–364. |
[20] | 李辉霞, 刘国华, 傅伯杰. 基于NDVI的三江源地区植被生长对气候变化和人类活动的响应研究[J]. 生态学报 , 2011, 31 (19) : 5495–5504. |
[21] | Vicente-Serrano S M, Beguería S, López-Moreno J I. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index[J]. Journal of Climate , 2010, 23 (7) : 1696–1718. DOI:10.1175/2009JCLI2909.1 |
[22] | 张培松.气象因子与NDVI的相关性分析[D].重庆:西南大学, 2007. |
[23] | 袁丽华, 蒋卫国, 申文明, 刘颖慧, 王文杰, 陶亮亮, 郑华, 刘孝富. 2000-2010年黄河流域植被覆盖的时空变化[J]. 生态学报 , 2013, 33 (24) : 7798–7806. |
[24] | 何月, 樊高峰, 张小伟, 柳苗, 高大伟. 浙江省植被NDVI动态及其对气候的响应[J]. 生态学报 , 2012, 32 (14) : 4352–4362. |
[25] | 毛飞, 卢志光, 张佳华, 侯英雨. 近20年藏北地区AVHRR NDVI与气候因子的关系[J]. 生态学报 , 2007, 27 (8) : 3198–3205. |
[26] | Prentice I C. Vegetation responses to past climatic variation[J]. Vegetatio , 1986, 67 (2) : 131–141. DOI:10.1007/BF00037363 |
[27] | 王宏, 李晓兵, 李霞, 莺歌, 符娜. 基于NOAA NDVI和MSAVI研究中国北方植被生长季变化[J]. 生态学报 , 2007, 27 (2) : 504–515. |
[28] | Kirilenko A P, Solomon A M. Modeling dynamic vegetation response to rapid climate change using bioclimatic classification[J]. Climatic Change , 1998, 38 (1) : 15–49. DOI:10.1023/A:1005379630126 |
[29] | Bonan G B, Levis S, Sitch S, Vertenstein M, Oleson K W. A dynamic global vegetation model for use with climate models: concepts and description of simulated vegetation dynamics[J]. Global Change Biology , 2003, 9 (11) : 1543–1566. DOI:10.1046/j.1365-2486.2003.00681.x |
[30] | 赵建军.阿帕拉契亚山植被动态变化及其对气候变化的响应研究[D].吉林:东北师范大学, 2013. |