2023, Vol. 43文章信息
- 马超, 崔珍珍, 李婷婷, 彭杨钊
- MA Chao, CUI Zhenzhen, LI Tingting, PENG Yangzhao
- 中国“平原-山地”地形过渡带NDVI时空变异与气候响应
- Spatio-temporal variation and its response to climate change of NDVI in the terrain transition zone, China
- 生态学报. 2023, 43(5): 2141-2157
- Acta Ecologica Sinica. 2023, 43(5): 2141-2157
- http://dx.doi.org/10.5846/stxb202202190399
-
文章历史
- 收稿日期: 2022-02-19
- 网络出版日期: 2022-10-21
2. 河南理工大学, 自然资源部矿山时空信息与生态修复重点实验室, 焦作 454003;
3. 河南理工大学, 黄河流域耕地保护与城乡高质量发展研究中心, 焦作 454003;
4. 中国人民解放军战略支援部队信息工程大学, 地理空间信息学院, 郑州 450001
2. Key Laboratory of Spatio-temporal Information and Ecological Restoration of Mines (MNR), Henan Polytechnic University, Jiaozuo 454003, China;
3. Research Centre of Arable Land Protection and Urban-rural High-quality Development in Yellow River Basin, Henan Polytechnic University, Jiaozuo 454003, China;
4. Institute of Geospatial Information, Information Engineering University, Zhengzhou 450001, China
地带性和边缘性是地理世界的重要特征, 它蕴含着自然地理与人文地理变迁[1—2]。中国东西方向的“平原-山地”地形过渡带(简称“地形过渡带”)连通大兴安岭、燕山山脉、太行山脉、伏牛山地和雪峰山脉系, 是中国二、三级阶梯分界线。与中国南北过渡带相较, “地形过渡带”作为自然地理的过渡地带之一, 必然具有对气候变化的敏感性[3], 其巨大的经纬度差异和地形梯度为研究中国中、东部的环境变化提供了一个宏大尺度的实验场。中国东西“地形过渡带”作为一个伴随华夏文明新兴的文化与自然地理交错区域[4], 具有重要的自然地理、人文地理、经济地理、生态地理和生态人类学地位。纵贯中国南北的“地形过渡带”, 在东北是草原向森林的生态过渡带[5], 在北方是农耕与游牧的文化过渡带[6]；在中部是干旱与湿润的气候过渡带[7]；在西南是红壤丘陵向石漠化山地的过渡带[8]。孕育了东北渔猎文化和狩猎文化[9]、华北粟作文化[10]、江南稻作文化[11]和西南刀耕火种[12]等丰富多彩的多元民族文化。在近现代, “地形过渡带”因其山前冲洪积区肥沃的土质, 充裕的日照, 丰沛的降水, 发展建设出众多战略纵深型的重要工业城市[13], 更由于采矿、冶炼、垦植等活动繁盛, 导致人-地冲突剧烈[14], 自然资源破坏严重[15], 山地自然灾害频发[16]。因此, 开展“地形过渡带”植被动态响应全球气候变化的研究, 对中国及东北亚地区生态系统演变、生态环境保护以及防灾减灾等具有重要意义。
陈述彭院士曾经指出, 遥感是地球信息科学的数据基础, 没有遥感就没有全球变化科学[17]。遥感科学具有大范围、长时序的技术优势, 为全球中、大尺度植被变化监测对全球气候变化的响应提供了技术手段[18]。在植物的生长监测方面, 归一化植被指数(NDVI)对植被的生长量和长势十分敏感, 是反映地表植被生长状况的重要指标, 因此在定性和定量评价植被覆盖及其生长活力时被作为重要的信息源[19]。全球中、大尺度植被变化监测数据集(即NOAA AVHRR NDVI、MODIS NDVI、SPOT Vegetation)中, AVHRR NDVI时序最长, 特别是全球库存建模和制图研究(GIMMS)NDVI数据集历经NDVIg、NDVI2g、NDVI3g三代并仍持续保持数据和定标算法的更新, 因此科学贡献颇丰。例如基于GIMMS NDVIg、2g、3g的全球植被动态分析[20—21], 全球绿度与褐化趋势分析[22], 北半球植被对气候变化的季节性响应[23], 亚洲植被绿度与气候的相关性[24], 中国区GIMMS NDVI3g时空分布状况及空间变化率及其对气候变化[25]和极端气候的响应[26], 青藏高原植被对气候变化的响应[27], 新疆地区植被生长趋势[28], 鄂尔多斯植被动态及气候响应[29], 可可西里自然文化遗产保护区植被变化与气候响应等[30]。同样, 得益于遥感技术及GIMMS NDVI数据, 宏观人文与地理带生态环境变化的研究得以实现, 如北美阿巴拉契亚生态廊道[31], 中国农牧交错带[32], 中国三北防护林工程区植被覆盖动态变化[33], 横跨赤道非洲的萨赫勒景观边缘效应[34], 为揭示跨越巨大时空的地带生态系统时空演变规律研究提供了重要的参考信息。
中国拥有世界上最为宏大人文与自然地理带之一——中国东西方向的“平原-山地”“地形过渡带”, 为中国全球变化物候研究提供了一个天然剖面。最近发布的GIMMS NDVI3g v1(1982—2015年)数据集见证了中国区域生态环境、生产方式的重大变革, 基于这一数据结合同期的地形、气候数据, 研究这一综合地理带的植被长时空变化以及在全球变化下的自然演变规律, 无论从再现34年来社会生产方式变革带来的区域生态环境变化, 还是从理解陆地生态系统与气候变化的相互关系角度来说, 获得的认识将是前所未有的, 对评估、促进跨区域环境、经济、社会的可持续发展将无可替代。研究拟通过分析“地形过渡带”地表物候响应地形、纬度与气候变化的时空格局, 挖掘“地形过渡带”的植被覆盖、时空差异与气候响应规律, 旨在为区域生态环境改善以及生态植被恢复的政策制定提供依据, 同时为中国及东北亚地区地球系统科学的深层认知提供地学参考。
1 研究区与数据 1.1 研究区在地理信息系统(GIS)平台支持下, 建立以300 m等高线为中心, 64 km为半径的地形带, 确定本次研究区范围, 即中国“平原-山地”过渡带的范围。北北东-南南西(NNE-SSW, 方位角约212°)走向的“地形过渡带”其地理位置大致为25°59′—48°49′N, 111°4′—124°43′E, 北起黑龙江省讷河市, 南到湖南省永州市。途经黑龙江、吉林、辽宁、内蒙古、北京、天津、河北、山西、河南、湖北、湖南和广西12个省市自治区, 总长2900余km, 总面积逾50万km2(图 1)。
|
| 图 1 中国“平原-山地”地形过渡带地理位置图 Fig. 1 The geographical location of the Plain-mountain transition zone in China |
由于“地形过渡带”纬度差异较大, 纬度影响下的植被和气候分布特征和变化特征较为显著, 所以将研究区按纬度每5°划分一个子区间, 共分为25°—30°N, 30°—35°N, 35°—40°N, 40°—45°N, 45°—50°N这5个子区间, 对每一个子区间进行对比分析。
1.2 数据先进甚高分辨率扫描辐射仪(AVHRR)NDVI数据是目前为止覆盖时间最长的全球连续数据集[35—36]。GIMMS NDVI3g v1是美国国家航空航天局公布的第三代长时间序列GIMMS AVHRR NDVI数据集(https://ecocast.arc.nasa.gov/data/pub/) NDVI3g v0 (1981-07—2013-12)的增强版, 起止时间是1981年7月到2015年12月。该数据集采用1984世界大地坐标系(World Genodetic System 1984, WGS-84), 等经纬度投影, 时间分辨率为15 d, 空间分辨率是0.0833°(1/12°×1/12°), 数据集来自于NOAA/AVHRR系列卫星(NOAA7、NOAA9、NOAA11、NOAA14、NOAA16、NOAA17、NOAA18、NOAA19), 在发布之前, 该数据集已经做过了大气校正、几何粗校正、几何精校正、删除坏线和消除火山爆发的影响, 除此之外考虑到全球范围因素, 还对数据集做了短期大气气溶胶及云层覆盖的影响等处理, 保证了数据的质量[22]。在全球植被研究中, 该数据被认为是最有价值的数据源之一, 在大尺度植被研究中具有很好的适用性[21, 37]。
气象数据来源于中国科学院资源环境科学数据中心提供的气候资料年值数据集(1982—2015年)(http://www.resdc.cn)。后处理将该气象数据(1982—2015年)用ArcGIS©插值为与GIMMS NDVI数据相同的空间分辨率, 得到全国年均气温、年度总降水量气候数据, 再利用矢量数据对气温、降水数据进行批量裁剪, 获得“地形过渡带”分辨率为8 km × 8 km的年均气温和总降水量图像。
高程数据来源于美国地质调查局全球30弧秒数字高程模型(USGS GTOPO30 DEM)(ftp://edcftp.cr.usgs.gov/data/gtopo30/global/)数据, 分辨率为900 m。
2 研究方法GIMMS NDVI3g v1是利用最大值合成法(MVC)生成的半月合成数据, 研究利用生成的“地形过渡带”矢量边界对GIMMS NDVI数据批量裁剪, 然后采用最大值合成法(MVC)获取“地形过渡带”每月、每年的NDVI最大值数据NDVImax, 最后对得到的每月、每年NDVI数据进行区域平均计算(ΣNDVImax/n), 获得研究区月度、年度NDVI最大值均值, 形成以下分析的数据基础。
2.1 高斯拟合高斯函数是表示连续随机变量的概率密度函数, 它通常用于表达自然物候的周期性演变[38]。函数(双峰型)的表达式如下：
|
(1) |
式中, y0是基线的偏移量。Ai是钟形曲线下的积分面积(此处, Ai等效NDVI生物量, 见3.1.3节)。xci是峰值点所在的位置。wi= 2σ大约等于峰高一半处宽度的0.849倍(当峰高为1/2时, 钟形曲线的宽度), 该值表示植被生长繁茂时的生长期的长度。
2.2 趋势分析一元线性回归分析能够模拟每个像元的NDVI变化趋势, 用以综合反映植被覆盖的时空演变特征[39]。利用1982—2015年这34年数据进行拟合, 避免了研究结果的随机性和偶然性, 其结果可反映植被的生长状况和变化趋势。计算公式为：
|
(2) |
式中, θslope为NDVI回归方程的斜率；n为监测年数；NDVIi为第i年的年NDVI均值；当θslope>0时, 表明NDVI呈增加趋势；当θslope<0时, 表明NDVI呈下降趋势。
2.3 变异分析变异系数又称“离散系数”, 可以表示植被覆盖的波动规律[40]。研究基于每个像元34年的NDVI增值变化计算得出的, 它的优点是不需要参照平均值, 可以消除测量尺度和量纲的影响。其计算公式为：
|
(3) |
式中, Cv为NDVI变异系数；xi为第i年NDVI均值；x为这些年NDVI平均值；Cv值越小, 表明NDVI波动越小；Cv值越大, 表明NDVI波动越大。
2.4 突变分析(1) 累积距平
在气象分析上, 通常用累积距平曲线来判断数据长期显著的演变趋势以及持续性变化, 基于它也可以诊断出发生突变的大致时间[41]。对于时间序列x1, x2, …, xn, 其某一时刻t的累积距平值表示为：
|
(4) |
式中, 
(2) M-K突变检验
M-K(Mann-Kendall)检验法是世界气象组织推荐的非参数检验方法, 广泛用于时间序列要素的趋势和突变双重检测。其检验原理是构造秩序列sk, 针对无自相关性随机变量, 定义顺序统计量曲线UFk和逆序统计量曲线UBk, 曲线UFk超过临界线部分对应显著上升或者显著下降, 出现在临界线之间的两条曲线的交点对应突变点[42]：
|
(5) |
式中, E(sk)和var(sk)分别为统计量sk的均值和方差。
2.5 相关分析(1) 相关系数：通过逐像元计算年最大NDVI与年平均气温和年降水之间的相关系数, 来表示气候因子与NDVI变化的相关程度[43]。相关系数计算公式为：
|
(6) |
式中, rxy为变量x与y的相关系数；i为样本数；xi、yi分别为第i年的NDVI和年均气温或年降水量；x为1982—2015年NDVI平均值；y为相应的时间段累积平均气温或年降水量。
相关系数rxy取值范围是(-1<rxy<1)：通常|rxy|<0.3为不相关, 0.3<|rxy|<0.5为低度相关, 0.5<|rxy|<0.8为中度相关, |rxy|>0.8以上为高度相关, |rxy|>0.95表示两者显著性相关。
(2) 偏相关系数：偏相关分析用于研究两个特定变量之间的相互作用关系, 即当两个变量均与第三个变量存在相关关系时, 剔除其影响, 而只分析另外两个变量之间的相关程度。偏相关计算公式为：
|
(7) |
式中, rxy, z表示变量z固定后变量x和y的偏相关系数。
3 结果与分析 3.1 NDVI年内、年际变化 3.1.1 NDVI年内变化研究区纬度跨越范围达25°, 为便于研究植被纬向变化规律, 将研究区每隔5°划分为一个子区间, 分别对应“低纬度、中低纬度、中纬度、中高纬度和高纬度”五个区域。通过MVC方法获取“地形过渡带”逐月最大NDVI值数据, 采用式(1)的高斯函数拟合法对34年的月最大NDVI值进行曲线拟合, 统计1982—2015年5个子区间的月最大NDVI值年内变化情况(图 2)。
|
| 图 2 “地形过渡带”34年月最大NDVI值变化趋势 Fig. 2 Inner annual variation of maxNDVI in terrain transition zone τ：生长期阈值；NDVI：归一化植被指数Normalized Difference Vegetation Index；SOS：返青期Start of growing season；EOS：枯黄期End of growing season；LOS：生长期Length of growing season；图中(Ⅰ)、(Ⅱ)分别对应一年的两个生长期 |
“地形过渡带”的5个子区间34年月最大NDVI值凸显了南北方植被年周期性特征。即从四季常青的低纬度地区, 到一年两熟的中低纬度地区, 再到一年一熟长生长期的中高纬度地区、一年一熟短生长期的高纬度地区(图 2)。
从南向北, 植被的返青期始于4月下旬, 持续到6月份; 一年中植被生长最旺盛的时期在7—9月份; 每年11月至次年4月高纬度地区植被长势较差。对“地形过渡带”月最大NDVI值进行曲线拟合, 发现该地区月最大NDVI值符合高斯分布。根据高斯拟合曲线的拐点, 可获得五个子区返青期的NDVI域值分别为0.56、0.47、0.33、0.27和0.26, 依此计算出各子区的生长期(表 1)。
| 地理分段 Subsection |
时间点 Time |
高斯拟合函数(R2, 拟合优度) GAUSS fit function (R2, goodness of fit) |
返青期(x1) SOS(x1) 月-日 Month-day |
枯黄期(x2) EOS(x2) 月-日 Month-day |
生长期(x2-x1) LOS(x2-x1) 天数 Days |
| 25°—30°N | 1982年 |  |
05-10 | 10-26 | 169 d |
| 2015年 |  |
04-09 | 10-05 | 179 d | |
| 34年平均 |  |
04-16 | 10-23 | 190 d | |
| 30°—35°N | 1982年 |  |
Ⅰ: 03-17 Ⅱ: 06-11 |
Ⅰ: 05-13 Ⅱ: 09-10 |
148 d |
| 2015年 |  |
Ⅰ: 03-21 Ⅱ: 06-04 |
Ⅰ: 05-27 Ⅱ: 09-03 |
158 d | |
| 34年平均 |  |
Ⅰ: 03-18 Ⅱ: 06-07 |
Ⅰ: 05-06 Ⅱ: 08-30 |
151 d | |
| 35°—40°N | 1982年 |  |
Ⅰ: 04-08 Ⅱ: 06-18 |
Ⅰ: 05-24 Ⅱ: 09-16 |
136 d |
| 2015年 |  |
Ⅰ: 03-27 Ⅱ: 07-01 |
Ⅰ: 05-29 Ⅱ: 09-19 |
143 d | |
| 34年平均 |  |
Ⅰ: 04-03 Ⅱ: 06-16 |
Ⅰ: 05-21 Ⅱ: 09-12 |
136 d | |
| 40°—45°N | 1982年 |  |
5-19 | 09-10 | 114 d |
| 2015年 |  |
05-05 | 09-13 | 131 d | |
| 34年平均 |  |
05-18 | 09-11 | 116 d | |
| 45°—50°N | 1982年 |  |
05-18 | 09-03 | 108 d |
| 2015年 |  |
05-19 | 09-12 | 116 d | |
| 34年平均 |  |
05-20 | 09-08 | 111 d | |
| SOS：返青期Start of growing season；EOS：枯黄期End of growing season；LOS：生长期Length of growing season；表中Ⅰ、Ⅱ分别对应一年的两个生长期 | |||||
从表 1中可见, 由于返青期(SOS)提前, 枯黄期(EOS)滞后, 五个子区从南到北, 34年生长期(LOS)分别增长了10 d、10 d、7 d、17 d和8 d。由于气候影响, 植被平均生长期介于190 d(南)到111 d(北)。整个25°纬度变化, 导致LOS缩短79 d, 相当于纬度每增高1°, 植被生长期缩短3.16 d。
3.1.2 NDVI年际变化研究将月合成的816期月最大NDVI值数据进行MVC处理, 可进一步得到研究区34年年最大NDVI值变化趋势(图 3)。对5个子区间的年最大NDVI区域均值进行一元线性回归分析, 可获得34年研究区植被覆盖变化的趋势。
|
| 图 3 过渡带34年NDVI均值年际时序变化 Fig. 3 Interannual variation of maxNDVI in terrain transition zone |
如图 3所示, “地形过渡带”的5个子区间34年年最大NDVI值均呈现上升趋势, 由低纬度到高纬度, 其线性拟合的斜率分别为0.00152(相关系数r = 0.657)、0.00089(r = 0.442)、0.00088(r = 0.444)、0.00108(r=0.575)和0.00112(r=0.514), 表明全域植被向好。研究区的5个子区间随着纬度增加, 年最大NDVI值变低, 但由于覆盖类型不同, 45—50°N子区的年最大NDVI值高于40—45°N子区。
3.1.3 NDVI体积变化年内植被指数的面积积分常用于估算总初级生产力(GPP)和净初级生产力(NPP)[44—45]。基于此, 时间序列NDVI体积积分则可以表达“地形过渡带”生物总量的变化及物候的变迁。研究以月合成最大NDVI值为横轴, 以1982—2015年度为纵轴获得五个子区的立体正交视图(图 4)。
|
| 图 4 “地形过渡带”5个子区时序NDVI立体正交视图 Fig. 4 Time series NDVI stereo orthographic map of sub-regions in the transition zone |
由图 4可知：(1)该NDVI立体正交视图可以直观确认植被返青期、枯黄期的阈值(见图中红线), 但精度低于3.1.1节的拐点计算法。(2)年内面积积分增大, 导致时间序列总体积增大。分别采用梯形规则、辛普森规则和辛普森3/8规则三种算法计算体积并取均值, 五个子区NDVI体积生物量分别为217.84、197.67、160.13、139.82和139.84(无量纲), 其归一化体积生物量比值分别为1.55∶1.41∶1.15∶1∶1。(3)另外发现, 在25—30°N地区物候特征呈现出由一年两熟过渡到一年三熟；在30—35°N地区物候特征呈现出由一年一熟过渡到一年两熟；在35—40°N地区物候特征呈现出由一年一熟春季有小肩峰过渡到一年两熟；在40—45°N和45—50°N地区物候特征稳定, 始终为一年一熟。
3.2 NDVI趋势及变异分析 3.2.1 趋势分析根据式(2), 对年NDVI最大值进行逐像元做线性回归分析, 获得逐像元回归曲线斜率θslope图像(图 5)。参照已有的研究, 将θslope研究区中的NDVI变化分为5个等级, 即严重退化(θslope≤ -0.002)、轻微退化(-0.002<θslope≤ -0.0007)、基本不变(-0.0007<θslope≤ 0.0007)、轻微改善(0.0007<θslope≤ 0.002)和明显改善(0.002<θslope)[46]。
|
| 图 5 过渡带34年年最大NDVI值斜率变化 Fig. 5 Slope variation of maxNDVI in terrain transition zone |
由图 5分析可得：34年间年最大NDVI值呈增长趋势的有29.76万km2, 占研究区面积的58.84%；呈基本不变趋势的有14.71万km2, 占研究区面积的29.09%；呈减少趋势的有6.10万km2, 占研究区面积的12.07%。
研究区改善最为明显的区域为湘鄂边界、太行山东麓的河北省、辽西、大兴安岭等地区, 天津市、河南北部、内蒙古东部的部分区域(科尔沁沙地)呈现严重退化的情况。年最大NDVI值年际变化呈增长趋势的面积大约是呈减少区域面积的4.87倍；NDVI年际变化呈增长的趋势基本覆盖了整条过渡带, 其中年际变化趋势基本不变的区域夹杂在增长区域之中。
3.2.2 变异分析根据式(3), 逐像元计算1982—2015年研究区NDVI变异系数Cv, 研究区的变异系数如(图 6)。根据Cv的大小将其分为5个等级：即低波动变化(Cv≤ 0.05)、相对较低波动变化(0.05<Cv≤ 0.10)、中等波动变化(0.10<Cv≤ 0.15)、相对较高波动变化(0.15<Cv≤ 0.20)和高波动变化(0.20<Cv)[47]。
|
| 图 6 过渡带34年年最大NDVI值变异系数 Fig. 6 Coefficient of variation of maxNDVI in terrain transition zone |
由图 6可以看出, 变异系数Cv反映的34年年最大NDVI值波动规律是：较低波动变化占比最高, 面积占比达56.72%, 低波动变化次之, 面积占比达38.80%。低波动变化的区域主要分布在研究区的湘鄂山区、北京以北的燕山山脉和东北部的大兴安岭地区；较低波动变化的区域主要分布在研究区中部的河南、河北两省；中等波动变化主要是辽西地区、内蒙古的科尔沁沙地区域；较高波动变化发生在吉林的白城市。但变异系数Cv只表达波动程度, 对比斜率变化图像, 可知中等波动地区和较高波动的白城市的绿度变化都是正向的。
3.2.3 地形分析地形过渡带的是地形变化剧烈区域, 研究以5°间隔沿纬度设置了地形及NDVI剖面, 进一步分析了地形变化对NDVI的影响(图 7)。通过沿纬向的剖面分析, 发现地形过渡带的地形变化显著影响NDVI的空间分布, 海拔与NDVI呈正相关。即高海拔地带分布有高值NDVI, 低海拔地带分布着低值NDVI, 这种地带性分布规律在中低纬度地区非常显著(P<0.01, 图 7), 在中高纬度地区显著(P<0.01—0.05, 图 7)。说明NDVI在地形过渡带山地效应明显, 山区植被具有明显地带性分布规律。另外在山前地形变化剧烈区域, 出现明显边缘效应, 即山地-平原结合部位, 存在NDVI显著下降的区段, 这一区段不是人类居住区, 却往往是人-地矛盾最为突出的过渡地带。
|
| 图 7 地形变化对NDVI空间分布的影响 Fig. 7 The effect of topographic changes on the spatial distribution of NDVI |
在全球变化的背景下, 陆地与气候之间的相互作用, 通过降水机制改变和气温变化等对植物的生长以及分布产生了重要的影响[48]。图 8分别展示了“地形过渡带”五个子区间1982—2016年平均气温和年降水的变化趋势。
|
| 图 8 区域年均气温及年降水的变化趋势 Fig. 8 Variation of temperature and precipitation in terrain transition zone |
(1) 受纬度影响, 近34年“地形过渡带”各区间年均气温差异明显, 随着纬度的升高, 年均气温逐渐降低(图 8)。纬度由低到高各区间的年均气温范围为：16.69—18.44 ℃、14.45—16.17 ℃、11.73—13.18 ℃、5.89—9.56 ℃和3.21—5.58 ℃。过渡带纬度由低到高的各区间年均气温变率为-3.37 ℃/5°N。“地形过渡带”34年年均最低气温为2.45 ℃(45°—50°N, 1987年), 最高气温为18.44 ℃(25°—30°N, 2013年)。25°—30°N区间气温增长速率为0.382 ℃/10a, 30°—35°N区间气温增长速率为0.386 ℃/10a, 35°—40°N区间气温增长速率为0.344 ℃/10a, 40°—45°N区间气温增长速率为0.098 ℃/10a, 45°—50°N区间气温增长速率为0.258 ℃/10a。
(2) 近34年“地形过渡带”各区间年降水呈明显减少趋势, 受纬度影响, 各区间降水量存在较大差异(图 8)。25°—35°N范围内, 降水量随着纬度的升高而降低, 35°—50°N范围内降水量受纬度影响变小。“地形过渡带”25°—35°N降水量变率为-556.54 mm/5°N。35—50°N降水量变率为-37.03 mm/5°N。纬度由低到高各区间的降水量范围为：1010.89—1971.71 mm、685.92—1135.97 mm、372.09—711.33 mm、354.07—701.01 mm、276.39—827.80 mm。“地形过渡带”34年最低年降水为276.39 mm(45°—50°N, 2004年), 最高降水为1971.71 mm(25°—30°N, 2002年)。25°—30°N区间降水变化速率为-8.292 mm/10a, 30°—35°N区间降水变化速率为-31.816 mm/10a, 35°—40°N区间降水变化速率为-9.236 mm/10a, 40°—45°N区间降水变化速率为-34.534 mm/10a, 45°—50°N区间降水变化速率为-14.67 mm/10a。
3.3.2 突变分析(1) 累积距平分析
如果说时序分析可以表达物理量的变化速率, 则距平分析更侧重于表达物理量的变化幅度。根据式(4), 依次获得各子区的NDVI、平均气温和年降水累积距平曲线(图 9)。
|
| 图 9 区域NDVI、气温和降水的累积距平曲线 Fig. 9 Cumulative anomaly curves of sub-regional NDVI, temperature and precipitation |
如图 9所示, 距平分析显示了变化的阶段性规律, NDVI累积变化规律大致与气温相同、与降水相反。具体表现为：① NDVI虽总体呈上升趋势, 但在低纬度区累积距平呈“V”字形变化, 前半段增幅较小, 后半段增幅较大, 拐点出现在2001年；中低纬度和中纬度区累积距平呈“U”字形变化, 拐点不明显, 大致出现在1987和2003年；中高纬度和高纬度区累积距平呈“W”字形变化, 拐点出现在1992和2008年。②气温累积变化规律大致与NDVI相同, 气温升高的幅度呈阶段性变化。③年降水虽总体下降, 但累积变化呈阶段性。表现为在低纬度区累积距平呈“倒N”字形变化, 前1/3段小幅下降, 中1/3段大幅增高, 后1/3段大幅下降, 尾部降幅有所减小, 三段拐点分别出现在1990, 2003和2011年；中低纬度区累积距平呈“倒U”字形变化, 两肩部的拐点不明显, 大致出现在1985和2010年；中纬度、中高纬度和高纬度区累积距平均呈“倒V”字形变化, 拐点分别出现在1996或1997年。
(2) M-K突变检验
如前所述, 时序分析和距平分析的拐点是不一致的, 曲线直观判断法虽然原理浅显易懂、操作简单, 仅可用于序列初步诊断, 且无法提供物理量突变的显著性检验, 拐点是否是的突变点, 尚需深入分析。在此引入M-K检验方法, 根据式(5)进行时间序列要素的趋势和突变双重检测(图 10)。
|
| 图 10 过渡带NDVI、气温和降水的M-K突变检验 Fig. 10 M-K test of NDVI, temperature and precipitation in terrain transition zone UF：顺序统计量Order statistics；UB：逆序统计量Reverse statistics；N：植被指数Normalized difference vegetation index；T：气温Temperture；P：降水Precipitation |
分析图 10可知：①NDVI在中低纬度有两个突变点(1989、2008年)；在中纬度区有四个突变点(1986、1992、2005、2011年), 仅中纬度区1992年和2005年通过了0.05可靠性检验。②气温在中低纬度区有一个突变点(1998年)；在中纬度区有两个突变点(1996、2000年)；在中高纬度区有两个突变点(1989、2008年)；在高纬度区有两个突变点(1989、2012年)；但所有突变点均没有通过0.05可靠性检验。③年降水在低纬度区有两个突变点(1985、2012年)；在中低纬度区有四个突变点(1983、1986、2005、2011、2014年)；在中纬度区有四个突变点(1991、1992、2005、2006年)；在中高纬度区有两个突变点(1997、2000年)；在高纬度区有两个突变点(1986、2011年)；但所有突变点均没有通过0.05可靠性检验。
3.3.3 相关分析(1) 相关系数
根据式(6), 对“地形过渡带”的NDVI与温度、降水做相关性分析, 获得逐像元1982—2015年NDVI最大值与年均气温和年总降水的相关系数图(图 11)。
|
| 图 11 研究区1982—2015年NDVI最大值与气候因子相关性图像 Fig. 11 The correlation coefficient between maxNDVI and climate factors from 1982 to 2015 |
由图 11可知, 年最大NDVI与气温成显著正相关的区域主要分布在研究区的南部, 北部相关性不显著。年最大NDVI与年降水成显著正相关的区域主要分布在研究区的北部, 南部相关性不显著。这是因为“地形过渡带”的南部地区属于亚热带季风气候而且是湿润区, 它的典型植被是常绿阔叶林；北部属于温带季风气候而且部分是半湿润区, 部分是半干旱区, 它的典型植被是温带落叶阔叶林以及温带落叶灌丛。从中国东部南北样带(NSTEC)研究中知, 随着温度升高, 植被NDVI对温度的敏感性有所降低, 但总体而言都比较高[49]。随着降水增加, 植被NDVI对降水的敏感性显著降低, 相关性从0.8(温带落叶灌丛)降低到0.1(亚热带常绿阔叶林)以下。对自然植物而言, 分布在降水比较充沛区域的植被, 其NDVI主要受温度控制；对于降水比较缺乏的区域, 植被NDVI同时受控于温度和降水两个因子, 这与本文的结论是基本一致的。其中, 按比例及面积统计, 年最大NDVI均值与年均气温和年降水的相关性如表 2。
| 相关程度 Correlation |
相关系数区间 Correlation coefficient interval |
NDVI与年均气温 NDVI & annual average temperature |
NDVI与年降水 NDVI & annual precipitation |
|||
| 研究区比例 Proportion of study area/% |
研究区面积 Area of study area/km2 |
研究区比例 Proportion of study area/% |
研究区面积 Area of study area/km2 |
|||
| 中度负相关Moderate negative correlation | [-0.8, -0.5) | 0.16 | 826.41 | 0.08 | 413.14 | |
| 低度负相关Low negative correlation | [-0.5, -0.3) | 4.72 | 23896.99 | 3.74 | 18935.96 | |
| 弱负相关Weak negative correlation | [-0.3, 0.0) | 32.89 | 166383.66 | 42.47 | 214837.08 | |
| 弱正相关Weak positive correlation | [0.0, 0.3) | 37.54 | 189936.32 | 45.90 | 232189.30 | |
| 低度正相关Low positive correlation | [0.3, 0.5) | 18.55 | 93797.41 | 7.28 | 36839.05 | |
| 中度正相关Moderate positive correlation | [0.5, 0, 8) | 6.14 | 31059.20 | 0.53 | 2685.46 | |
| 总计 | - | 100 | 505900.00 | 100.00 | 505900.00 | |
(2) 偏相关系数
据式(7), 进一步对年最大NDVI与年均气温和年降水量进行偏相关分析, 获得其偏相关系数图(图 12)。
|
| 图 12 研究区1982—2015年最大NDVI与气候因子偏相关性 Fig. 12 The partial correlation coefficient between maxNDVI and climate factors from 1982 to 2015 |
在偏相关性图中, 年最大NDVI和气温呈正相关区域占研究区的65.61%, 年最大NDVI和降水呈正相关占研究区的59.87%。
4 结论(1) 过渡带NDVI月度变化规律：从低纬度地区的单峰曲线, 到中纬度地区的双峰曲线, 再到高纬度地区的单峰曲线, 反映出从四季长青的低纬度地区, 到一年两熟的中纬度地区, 再到一年一熟长生长期、一年一熟短生长期的高纬度地区的植被生命周期特征。
(2) 过渡带NDVI年际变化规律：1982—2015年研究区年NDVI最大值在34年间整体呈现增长趋势, 但是有波动变化。在研究区范围中, 随着纬度增加, 年NDVI均值变低。
(3) 过渡带NDVI趋势分析表明：研究区NDVI改善面积远大于退化面积, 总体上呈缓慢改善趋势, 其中研究区NDVI呈改善趋势的面积为58.84%, 呈退化趋势的面积为12.07%, 29.09%的面积基本不变。
(4) 过渡带NDVI变异系数分析：34年间研究区NDVI相对较低波动和低波动变化一共占研究区的95.52%。“地形过渡带”的年NDVI受到各种因素的影响呈整体改善。
(5) 过渡带NDVI与地形相关性：地形变化显著影响NDVI的空间分布, NDVI在地形过渡带山地效应明显, 海拔与NDVI呈正相关关系。在山地-平原结合部位, 人-地矛盾导致NDVI显著降低, 呈现明显边缘效应。
(6) 过渡带NDVI与气候相关性：低纬度地区NDVI与温度呈现中等正相关, 但是随着纬度的增加, 相关程度逐渐降低；NDVI与年降水呈现弱相关。相关系数表明区域温度对植被的影响大于降水对植被的影响；偏相关系数同样表明, NDVI与年均气温的相关程度要高于年降水。
| [1] |
Chen M, Lv G N, Zhou C H, Lin H, Ma Z Y, Yue S H, Wen Y N, Zhang F Y, Wang J, Zhu Z Y, Xu K, He Y Q. Geographic modeling and simulation systems for geographic research in the new era: some thoughts on their development and construction. Science China Earth Sciences, 2021, 64(8): 1207-1223. DOI:10.1007/s11430-020-9759-0 |
| [2] |
陈发虎, 傅伯杰, 夏军, 吴铎, 吴绍洪, 张镱锂, 孙航, 刘禹, 方小敏, 秦伯强, 李新, 张廷军, 刘宝元, 董治宝, 侯书贵, 田立德, 徐柏青, 董广辉, 郑景云, 杨威, 王鑫, 李再军, 王飞, 胡振波, 王杰, 刘建宝, 陈建徽, 黄伟, 侯居峙, 蔡秋芳, 隆浩, 姜明, 胡亚鲜, 冯晓明, 莫兴国, 杨晓燕, 张东菊, 王秀红, 尹云鹤, 刘晓晨. 近70年来中国自然地理与生存环境基础研究的重要进展与展望. 中国科学: 地球科学, 2019, 49(11): 1659-1696. |
| [3] |
张百平. 中国南北过渡带研究的十大科学问题. 地理科学进展, 2019, 38(3): 305-311. |
| [4] |
但俊, 阴劼. 流动人口迁移距离与其城镇化影响的区域差异. 北京大学学报: 自然科学版, 2017, 53(3): 487-496. |
| [5] |
Cheng Y, Liu H Y, Dong Z B, Duan K Q, Wang H Y, Han Y. East Asian summer monsoon and topography co-determine the Holocene migration of forest-steppe ecotone in Northern China. Global and Planetary Change, 2020, 187: 103135. DOI:10.1016/j.gloplacha.2020.103135 |
| [6] |
Cao Q, Wu J G, Yu D Y, Wang R Q, Qiao J M. Regional landscape futures to moderate projected climate change: a case study in the agro-pastoral transitional zone of North China. Regional Environmental Change, 2020, 20(2): 66. DOI:10.1007/s10113-020-01661-2 |
| [7] |
廉毅, 沈柏竹, 高枞亭, 隋波. 中国气候过渡带干旱化发展趋势与东亚夏季风、极涡活动相关研究. 气象学报, 2005, 63(5): 740-749. |
| [8] |
Ma T S, Deng X W, Chen L, Xiang W H. The soil properties and their effects on plant diversity in different degrees of rocky desertification. Science of the Total Environment, 2020, 736: 139667. DOI:10.1016/j.scitotenv.2020.139667 |
| [9] |
Ma L. Study on the Structure and Form of the Shaman Dance in the Fishing and Hunting Nationalities////Proceedings of the 2nd International Seminar on Education Research and Social Science (ISERSS 2019). France: Atlantis Press, 2019, 322: 516-520. |
| [10] |
王星光, 李秋芳. 太行山地区与粟作农业的起源. 中国农史, 2002, 21(1): 27-36. |
| [11] |
袁靖, 潘艳, 董宁宁, 司徒克. 良渚文化的生业经济与社会兴衰. 考古, 2020(2): 83-92. |
| [12] |
Wang S J, Chen M K, Cao R, Cao Q B, Zuo Q Q, Wang P, Yang B, Zhao S. Contribution of plant litter and soil variables to organic carbon pools following tropical forest development after slash-and-burn agriculture. Land Degradation & Development, 2020, 31(9): 1071-1077. |
| [13] |
白廷彩. 豫西地区三线建设的居住形态研究. 武汉: 华中科技大学, 2019.
|
| [14] |
周扬, 郭远智, 刘彦随. 中国县域贫困综合测度及2020年后减贫瞄准. 地理学报, 2018, 73(8): 1478-1493. |
| [15] |
周蕾, 熊礼阳, 王一晴, 周秀慧, 杨莉. 中国贫困县空间格局与地形的空间耦合关系. 经济地理, 2017, 37(10): 157-166. |
| [16] |
王楠, 程维明, 张一驰, 刘东成. 全国山洪灾害防治县房屋损毁风险评估及原因探究. 地球信息科学学报, 2017, 19(12): 1575-1583. |
| [17] |
陈述彭, 邵宇宾. 全球变化研究与地理信息系统. 地理学报, 1996, 51(S1): 15-25. |
| [18] |
Dannenberg M P, Song C, Hwang T, Wise E K. Empirical evidence of El Niño-Southern Oscillation influence on land surface phenology and productivity in the western United States. Remote Sensing of Environment, 2015, 159: 167-180. DOI:10.1016/j.rse.2014.11.026 |
| [19] |
Militino A F, Ugarte M D, Pérez-Goya U. Stochastic spatio-temporal models for analysing NDVI distribution of GIMMS NDVI3g images. Remote Sensing, 2017, 9(1): 76. DOI:10.3390/rs9010076 |
| [20] |
Julien Y, Sobrino J A. The Yearly Land Cover Dynamics (YLCD) method: an analysis of global vegetation from NDVI and LST parameters. Remote Sensing of Environment, 2009, 113(2): 329-334. DOI:10.1016/j.rse.2008.09.016 |
| [21] |
Fensholt R, Proud S R. Evaluation of Earth Observation based global long term vegetation trends-Comparing GIMMS and MODIS global NDVI time series. Remote Sensing of Environment, 2012, 119: 131-147. DOI:10.1016/j.rse.2011.12.015 |
| [22] |
de Jong R, de Bruin S, de Wit A, Schaepman M E, Dent D L. Analysis of monotonic greening and browning trends from global NDVI time-series. Remote Sensing of Environment, 2011, 115(2): 692-702. DOI:10.1016/j.rse.2010.10.011 |
| [23] |
Kong D D, Zhang Q, Singh V P, Shi P J. Seasonal vegetation response to climate change in the Northern Hemisphere (1982-2013). Global and Planetary Change, 2017, 148: 1-8. DOI:10.1016/j.gloplacha.2016.10.020 |
| [24] |
Lamchin M, Lee W K, Jeon S W, Wang S W, Lim C H, Song C, Sung M. Long-term trend of and correlation between vegetation greenness and climate variables in Asia based on satellite data. MethodsX, 2018, 5: 803-807. DOI:10.1016/j.mex.2018.07.006 |
| [25] |
何航, 张勃, 侯启, 李帅, 马彬, 马尚谦. 1982-2015年中国北方归一化植被指数(NDVI)变化特征及对气候变化的响应. 生态与农村环境学报, 2020, 36(1): 70-80. |
| [26] |
王茜, 陈莹, 阮玺睿, 李小冬, 王小利, 史健宗, 王志伟. 1982-2012年中国NDVI变化及其与气候因子的关系. 草地学报, 2017, 25(4): 691-700. |
| [27] |
Zhang Q, Kong D D, Shi P J, Singh V P, Sun P. Vegetation phenology on the Qinghai-Tibetan Plateau and its response to climate change (1982-2013). Agricultural and Forest Meteorology, 2018, 248: 408-417. |
| [28] |
Du J Q, Shu J M, Yin J Q, Yuan X J, Jiaerheng A, Xiong S S, He P, Liu W L. Analysis on spatio-temporal trends and drivers in vegetation growth during recent decades in Xinjiang, China. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 216-228. |
| [29] |
韩瑞梅, 刘培, 马超, 马超然. 鄂尔多斯植被的NDVI3g动态及气候响应. 水土保持通报, 2016, 36(5): 28-33, 39. |
| [30] |
陈登魁, 马超, 王夏冰, 刘畅. 1982-2015年可可西里NDVI变化特征及其气候响应. 干旱区研究, 2018, 35(6): 1410-1417. |
| [31] |
Zhao J J, Wang Y Q, Hashimoto H, Melton F S, Hiatt S H, Zhang H Y, Nemani R R. The variation of land surface phenology from 1982 to 2006 along the Appalachian trail. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(4): 2087-2095. |
| [32] |
宋乃平, 卞莹莹, 王磊, 陈林, 杨新国, 王昫, 王兴, 曲文杰. 农牧交错带农牧复合系统的可持续机制. 生态学报, 2020, 40(21): 7931-7940. |
| [33] |
王强, 张勃, 戴声佩, 邹悦, 马中华, 张亚宁. 基于GIMMS AVHRR NDVI数据的三北防护林工程区植被覆盖动态变化. 资源科学, 2011, 33(8): 1613-1620. |
| [34] |
Butt B, Turner M D, Singh A, Brottem L. Use of MODIS NDVI to evaluate changing latitudinal gradients of rangeland phenology in Sudano-Sahelian West Africa. Remote Sensing of Environment, 2011, 115(12): 3367-3376. |
| [35] |
Tucker C J, Slayback D A, Pinzon J E, Los S O, Myneni R B, Taylor M G. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999. International Journal of Biometeorology, 2001, 45(4): 184-190. |
| [36] |
Tucker C J, Pinzon J E, Brown M E, Slayback D A, Pak E W, Mahoney R, Vermote E F, El Saleous N. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data. International Journal of Remote Sensing, 2005, 26(20): 4485-4498. |
| [37] |
Goetz S J, Fiske G J, Bunn A G. Using satellite time-series data sets to analyze fire disturbance and forest recovery across Canada. Remote Sensing of Environment, 2006, 101(3): 352-365. |
| [38] |
Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(8): 1824-1832. |
| [39] |
刘宪锋, 朱秀芳, 潘耀忠, 李宜展, 赵安周. 1982-2012年中国植被覆盖时空变化特征. 生态学报, 2015, 35(16): 5331-5342. |
| [40] |
Li N, Zhan P, Pan Y Z, Zhu X F, Li M Y, Zhang D J. Comparison of remote sensing time-series smoothing methods for grassland spring phenology extraction on the Qinghai-Tibetan Plateau. Remote Sensing, 2020, 12(20): 3383. |
| [41] |
刘洋, 李诚志, 刘志辉, 邓兴耀. 1982-2013年基于GIMMS-NDVI的新疆植被覆盖时空变化. 生态学报, 2016, 36(19): 6198-6208. |
| [42] |
张涵丹, 卫伟, 薛萐. 基于R/S分析和Mann-Kendall检验的定西市气温降水变化特征. 水土保持研究, 2015, 22(6): 183-189. |
| [43] |
刘宪锋, 张锦水, 朱秀芳, 潘耀忠, 刘焱序, 张东海, 林志慧. 2000-2011年三江源区植被覆盖时空变化特征. Journal of Geographical Sciences, 2014, 24(2): 288-302. |
| [44] |
Sjöström M, Ardö J, Arneth A, Boulain N, Cappelaere B, Eklundh L, de Grandcourt A, Kutsch W L, Merbold L, Nouvellon Y, Scholes R J, Schubert P, Seaquist J, Veenendaal E M. Exploring the potential of MODIS EVI for modeling gross primary production across African ecosystems. Remote Sensing of Environment, 2011, 115(4): 1081-1089. |
| [45] |
Ma C, Guo Z Z, Zhang X K, Han R M. Annual integral changes of time serial NDVI in mining subsidence area. Transactions of Nonferrous Metals Society of China, 2011, 21: s583-s588. |
| [46] |
马超, 刘玮玮, 赵鹏飞, 马雯思, 马威. 1962-2016年达里诺尔流域水、草退化及气候响应. 地理研究, 2017, 36(9): 1755-1772. |
| [47] |
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. 资源科学, 2014, 36(3): 603-611. |
| [48] |
Hou X Y, Li M J, Gao M, Yu L J, Bi X L. Spatial-temporal dynamics of NDVI and Chl-a concentration from 1998 to 2009 in the East coastal zone of China: integrating terrestrial and oceanic components. Environmental Monitoring and Assessment, 2013, 185(1): 267-277. |
| [49] |
Wang Z, Liu S R, Sun P S, Guo Z H, Zhou L D. The variability of vegetation beginning date of greenness period in spring in the north-south transect of Eastern China based on NOAA NDVI. Spectroscopy and Spectral Analysis, 2010, 30(10): 2758-2761. |