2024, Vol. 44文章信息
- 陈雨琦, 闫丰, 王澜颖, 尹海魁, 王文迪, 王佳莹, 陈亚恒, 许皞
- CHEN Yuqi, YAN Feng, WANG Lanying, YIN Haikui, WANG Wendi, WANG Jiaying, CHEN Yaheng, XU Hao
- 近20年太行山-燕山植被生态指数时空动态及其驱动因素
- Spatio-temporal dynamics of vegetation ecological index and its driving factors in Taihangshan-Yanshan Mountains in the last 20 years
- 生态学报. 2024, 44(18): 8283-8293
- Acta Ecologica Sinica. 2024, 44(18): 8283-8293
- http://dx.doi.org/10.20103/j.stxb.202312152736
-
文章历史
- 收稿日期: 2023-12-15
- 网络出版日期: 2024-07-13
2. 河北农业大学国土资源学院, 保定 071000;
3. 河北工程大学水利水电学院, 邯郸 056038
2. College of Land and Resources, Hebei Agricultural University, Baoding 071000, China;
3. College of Water Resources and Hydropower, Hebei University of Engineering, Handan 056038, China
陆地生态系统不仅是人类赖以生存和发展的重要支撑, 还在生态环境与气候变化以及在人与自然协调发展中扮演着重要角色[1]。植物群落是组成陆地生态系统的一员, 它的主要作用是保护土壤环境、调节大气与维持生态系统稳定性等[2—3], 当下有关植被的研究热点主要集中在动态变化与驱动机制的探索两方面[4—5]。植被是地球能量流动与物质循环的桥梁之一, 开展长期连续的植被生长动态监测, 不仅能够客观地反映生态环境质量的高低[6], 而且还能间接地反映气候变化状况[7—8]。植被覆盖度(FVC)与植被净初级生产力(NPP)是描述植被生态状况的两个重要参数, 而且两个数据的合理融合可以衍生出更科学的信息, 有助于更加准确地认知植被生态状况的时空变化规律。以往的研究工作大多集中于单一指标的影响, 根据NPP或FVC的分布与时间变化特征, 进行生态状况描述。本研究将这两个特征量结合, 创建了植被生态指数(Vegetation Ecology Index, VEI)。
多年来, 国内外对NPP与FVC的研究运用了很多估测的方法[9]。得益于遥感技术的进步, 使得所获取的数据更加全面精密与准确[10], 该技术逐渐在多尺度与长时序的植被生长动态研究中应用广泛[11—13]。目前, 大多数研究人员主要采用的NPP模拟估算模型主要有3类：气候生产力模型、生理生态过程模型和光能利用率模型(遥感数据驱动)[14]。而对于植被覆盖度的估算, 国内外学者主要采用野外观测与遥感反演的手段, 且已有较为显著的研究成果, 证实了遥感反演植被覆盖度的优越性[15—16], 回归模型法、机器学习法和混合像元分解法是遥感估算FVC的主要方法[17—18]。
太行山-燕山综合区地理位置特殊, 环绕京津冀, 担负着京津风沙源治理等重大生态工程的重要使命[19—20], 但对该区域的研究欠缺系统性, 急需探索科学合理的方法对太行山-燕山综合区生态状况进行评估[21]。2000—2014年受气候和人类活动的共同作用, 太行山FVC呈现东高西低的分布规律, 整体呈增长趋势, 且随时间的推移, 其增长速度更快[19]。但NPP均值空间分布为南北高中间低的规律, 均值缺呈现出缓慢的下降趋势[22]。植被生态指数不仅能反映植被在单位面积上的生产能力和面域上的覆盖能力, 而且能解决NPP相似、FVC不同或FVC相似、NPP不同条件下的植被生态质量评估问题。然而, 长期以来, 如何将NPP与FVC有机整合, 并对两者的时空变异进行量化评估, 仍是一个难点问题。
为此, 本研究以钱拴等人[23]研究并创建的植被综合生态质量指数及其年际对比和多年变化趋势评价模型为参考, 创建基于这两个植被特征量(NPP、FVC)的植被生态指数模型, 两个模型虽都将NPP与FVC作为特征量, 但归一化方法不同, 取值范围则不同, 且研究区域的不同, 模型的适宜性也不同。本研究结果体现了近20年太行山-燕山综合区植被生态状况的动态变化特征, 揭示了太行山-燕山综合区植被生态时空分异性, 为客观评价研究区生态现状奠定基础, 也为促进太行山-燕山绿色发展提供数据与理论支撑。
1 数据与方法 1.1 研究区概况太行山-燕山地区位于中国中东部(110°14′—119°50′E, 34°34′—42°10′N, 图 1), 北接内蒙古高原, 西连黄土高原, 南邻豫陕边界, 东临华北平原, 环绕京津冀地区, 距离雄安新区仅有一百多公里。研究区南北跨度大, 自南向北穿过了河南、山西、河北、北京、天津与辽宁。研究区平均海拔高, 大部分山脉的海拔在1200m以上, 有10余座山脉的海拔超过2000m。气候类型主要是以温带季风气候和温带大陆性气候为主, 年平均气温10℃左右, 年降水量600mm左右, 年降水季节分配不均, 季节变化明显, 极易受到干旱影响, 区域土地利用类型以林地、草地和耕地为主。太行山-燕山一带作为华北地区重要的山脉, 不仅是当地的天然生态屏障, 还保障了当地的水源补给。
|
| 图 1 研究区地理位置图 Fig. 1 Geographical Location Map of the Study Area |
本文选取美国国家航空航天局(NASA)数据中心提供的2003—2021年19年间的分辨率为500m精度的MOD17A3HGF.061版本中给定年份的净初级生产(NPP)影像数据, 利用GEE平台进行数据获取和预处理, 并利用ArcGIS(10.8版本)软件进行重采样、重投影等处理, 获得研究区历年植被NPP数据。
NDVI数据来源于美国国家航空航天局(http://ladsweb.nascom.nasa.gov), 时间从2003年1月至2020年12月, 类型为16d合成的Terra-MOD13Q1 NDVI产品, 空间分辨率为250m。选择影像的时间范围为2003年至2021年。影像处理主要通过GEE云平台进行脚本编程实现, 应用最大值合成法和像元二分模型对NDVI进行变换, 最终获得分辨率改为1000m的FVC数据。
1.2.2 气象数据气象数据来源于国家地球系统科学数据中心(http://www.geodata.cn), 是据CRU发布全球0.5°气候数据以及WorldClim发布的全球高分辨率气候数据, 通过Delta空间降尺度方案在中国地区降尺度生成。时间跨度2003—2021年, 空间分辨率为0.0083333°(约1km)。其中气温单位为0.1℃, 降水量单位为0.1mm。将下载后为nc格式的数据导入ArcGIS, 通过创建NetCDF栅格图层、创建栅格图层等进一步处理获取月均气温/降水和年均气温/降水数据。再根据太行山-燕山地区矢量边界进行掩膜裁剪、重采样、重投影得到与VEI数据具有相同像元大小、相同坐标系的栅格影像数据集。
1.3 研究方法 1.3.1 FVC计算计算过程中将NDVI设为单个像元信息, 而该方法中最重要的是NDVIsoil和NDVIveg的取值, 在大气、光照和湿度等的干扰下, 不能直接取最大值和最小值, 而是采用置信区间的确定方法, 以消除噪声误差[24], 本文采用5%和95%的置信度截取NDVI在累计频率直方图上的上下限阈值分别确定为NDVIsoil和NDVIveg, 即植被信息量。可表示为
|
(1) |
式中, FVC为植被覆盖度；NDVI为混合像元值；NDVIsoil为裸土像元值; NDVIveg为纯植被像元值。
1.3.2 VEI计算全年植被覆盖度用全年各月植被覆盖度的平均值反映, 植被NPP也选用全年各月的平均值表示, 最大值即为全年的最大值。这样, 就可实现基于FVC和NPP的权重相加, 构建一个植被生态指数模型, 数值变化在0—1之间, 以反映研究区植被生态状况的良好程度。
|
(2) |
式中, ε1为全年平均植被覆盖度的权重系数, ε2为年植被NPP的权重系数, 二者都取0.5(根据研究区植被状况进行调试, 最终取0.5), FVC为2003—2021年FVC值, NPP为2003—2021年NPP值, NPPmin、NPPmax为2003—2021年NPP的最小值与最大值。
根据年VEI数据可以得到2003—2021年研究区内各像元的多年平均VEI值, 其计算公式为：
|
(3) |
式中, n为年数(研究时间段为2003—2021年, 即n=19)；VEIi为研究区内各像元点在第i年的年VEI值；VEI为多年平均VEI值。
1.3.3 Slope趋势分析采用Slope趋势分析法分析植被的长期动态变化是常用的方法。本文对VEI和时间序列进行回归分析, 基于像素点研究研究区VEI变化趋势[25], 其表达式如下：
|
(4) |
式中, i为年序号, Xi为第i年VEI；n为所研究时间序列的时间长度。K＞0表明植被活动在n年间的变化趋势是增强的, 反之则减弱。
采用F检验, 根据前人研究结果大多数将VEI变化趋势程度分为7个等级: 极显著增加(K＞0, P＜0.01);显著增加(K＞0, 0.01＜P＜0.05);不显著增加(K＞0, P＞0.05);不显著减少(K＜0, P＞0.05);显著减少(K＜0, 0.01＜P＜0.05);极显著减少(K＜0, P＜0.01)；基本不变(K=0)。
1.3.4 变异系数变异系数(CV)是一种统计数据, 用于测量一组数据中每个变量的变异程度[26], 本文用该模型基于像元尺度对2003—2021年VEI的变异程度做统计分析, 评估VEI随时间变化的稳定性, 计算公式如下：
|
(5) |
式中, CV为VEI的变异系数; SD(VEI)是2003—2021年的VEI值的标准差；VEI是2003—2021年的VEI平均值；CV值越大, 即越不稳定, 反之则稳定。
1.3.5 相关性分析偏相关分析是指当两个变量同时与第三个变量相关时, 将第三个变量的影响剔除, 只分析另外两个变量之间相关程度的过程[27]。本文通过偏相关分析并利用T检验来研究气温、降水分别与VEI的单独影响, 其公式如下：
|
(6) |
式中, x代表VEI值；y代表气温；z代表降水量；rxy, z为VEI与气温间的偏相关系数；rxy为变量x与变量y的相关系数；rxz为变量x与变量z的相关系数；ryz为变量y与变量z的相关系数。
采用T检验的方法, 逐像素进行统计分析, 并以0.05与0.01的显著性水平进行检验。计算公式如下[27]：
|
(7) |
式中, t是T检验的统计值, r是相应变量的偏相关系数, n是样本数, 为19, k是可控变量数, n-k-1是自由度。
复相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法, 是对总体中确有相关联系的变量进行分析, 其相互变量对总量具有因果关系标志的分析[28]。本文通过复相关分析并用F检验来研究气象因素气温、降水对VEI的复合影响, 具体公式如下:
|
(8) |
式中, rx, yz为VEI与气温、降水量的复相关系数；rxy为气温与降水量的相关系数；rxz, y为VEI与降水量间的偏相关系数。利用经典的T检验、F检验分别进行偏相关、复相关系数的显著性检验。
采用F检验进行显著性检验[28]：
|
(9) |
式中, rx, yz为VEI与气温、降水量的复相关系数；n为样本数(时间序列为2003—2021年、即n=19)；k为自变量个数。为了更好地研究气温、降水对植被VEI变化的影响, 本文将T检验与F检验结果进行结合, 结果如表 1。
| VEI驱动类型 VEI driver type |
T检验(气温偏相关) T-test(Temprature bias correlation) |
T检验(降水偏相关) T-test(Precipitation bias correlation) |
F检验(复相关) F-test(Complex correlation) |
|||
| α=0.05 | α=0.01 | α=0.05 | α=0.01 | α=0.05 | α=0.01 | |
| 气温驱动 | |T|＞t0.05 | F＞f0.05 | ||||
| Temprature drive | |T|＞t0.05 | F＞f0.01 | ||||
| |T|＞t0.01 | F＞f0.05 | |||||
| 气温强驱动 | |T|＞t0.01 | F＞f0.01 | ||||
| Strong temprature drive | |T|＞t0.01 | |T|＞t0.05 | F＞f0.01 | |||
| 降水驱动 | |T|＞t0.05 | F＞f0.05 | ||||
| Precipitation drive | |T|＞t0.05 | F＞f0.01 | ||||
| |T|＞t0.01 | F＞f0.05 | |||||
| 降水强驱动 | |T|＞t0.01 | F＞f0.01 | ||||
| Strong precipitation drive | |T|＞t0.05 | |T|＞t0.01 | F＞f0.01 | |||
| 气温降水共同驱动 | |T|＞t0.05 | |T|＞t0.05 | F＞f0.05 | |||
| Temperature and precipitation co-drive | |T|＞t0.05 | |T|＞t0.05 | F＞f0.01 | |||
| |T|＞t0.05 | |T|＞t0.01 | F＞f0.05 | ||||
| |T|＞t0.01 | |T|＞t0.05 | F＞f0.05 | ||||
| 气温降水共同强驱动 Temperature and precipitation co-driven strongly |
|T|＞t0.01 | |T|＞t0.01 | F＞f0.01 | |||
| VEI：植被生态指数Vegetation Ecology Index；α：显著性水平Significance level；T：T检验结果T-test results；F：F检验结果F-test results | ||||||
2003—2021年太行山-燕山综合区多年平均植被生态指数在空间分布上差异明显(图 2), 由北部向其他方向蔓延减少, 主要呈中间高四周低的规律。研究区近20年内VEI平均值为0.526, 其中有43.87%的区域VEI值大于平均值, 主要分布在燕山中北部与太行山中南部区域, 呈典型带状分布规律；有56.13%的区域VEI值小于平均值, 集中在太行山东、西、南侧, 主要包括张家口市、大同市、石家庄市、邯郸市与焦作市等。
|
| 图 2 多年平均VEI空间分布 Fig. 2 Spatial distribution of average VEI over the years VEI：植被生态指数Vegetation ecology index |
2003—2021年平均植被生态指数如图 3所示, VEI均值介于0.4867—0.5550之间, 呈波动式下降趋势, 下降速率为0.0017/a。共经历4次较大波动, 其中, 2003年VEI值最高, 为0.555, 在2014年骤降到0.4867。
|
| 图 3 VEI多年均值变化曲线图 Fig. 3 VEI Annual Mean Change Curve |
对近20年研究区植被生态指数变化趋势进行时间序列分析, 以趋势率表示变化趋势的特征。结合前人研究, 本研究将近20年VEI值的趋势变化情况分为显著增加、极显著增加、不显著增加和基本稳定、显著减少、极显著减少和不显著减少7类(图 4)。其中, VEI呈增长趋势的区域占总面积的36.71%, 其中极显著增长的区域为6.81%, 显著增长的区域为4.75%, 不显著增长区域为25.14%；VEI基本稳定区域占总面积的1.45%；VEI呈减少趋势的区域占总面积的61.84%, 其中显著减少占8.51%, 极显著减少占18.34%, 不显著减少的占25.14%。总体来看, 研究区域内VEI呈下降趋势的区域要比呈上升趋势的区域大得多, 而呈上升趋势的区域要比基本稳定的区域大得多。
|
| 图 4 VEI逐像元趋势分布 Fig. 4 VEI pixel by pixel trend distribution |
根据太行山-燕山综合区2003—2021年VEI结果, 逐像元统计变异系数值, 依照计算结果将稳定性分为五个程度, 分别是低波动变化(0—0.05)、较低波动变化(0.05—0.1)、中等波动变化(0.1—0.15)、较高波动变化(0.15—0.2)、高波动变化(>0.2)(图 5)。研究区自外向内VEI稳定性越来越好。其中低波动变化的区域占比为10.12%, 大部分的分布在燕山腹部地区, 呈斑块状分布；较低波动变化的区域占比为57.23%, 主要分布在太行山脉腹部地区与燕山中部地区, 呈条带状分布；中等波动变化的区域占比为9.61%, 零散分布在太行山边缘地区以及燕山的边缘地带；较高波动变化的区域占比仅为1.23%, 零散分布在太行山的四周及腹部地区以及燕山的边缘地带；高波动变化的区域占比为21.81%, 大部分分布在太行山四周边缘地区, 以及燕山的西北侧和南侧边缘。
|
| 图 5 VEI变异系数分布 Fig. 5 Distribution of VEI coefficient of variation |
2003—2021年太行山-燕山综合区的年均温度介于8.56—10.38℃之间(图 6), 近20年平均气温为9.7℃。其中, 气温在2017年达到最高值10.38℃, 在2013年达到最低值8.56℃, 研究区平均气温呈先增长后下降再增长的趋势, 线性增长速率为0.0326℃/a。2003—2021年太行山—燕山综合区累积降水范围在436.69—656.24mm, 平均年降水量为519.54mm。其中, 2016年达到最高值656.24mm, 2006年达到最低值436.69mm, 研究区年均降水呈先减少后波动式增长的趋势, 线性增长速率为1.8902mm/a。
|
| 图 6 年平均气温和年平均降水时序变化图 Fig. 6 Time series variation of annual average temperature and annual average precipitation |
对研究区2003—2021年VEI与气象因子进行偏相关分析(图 7)。研究区降水和VEI的偏相关系数介于-0.745—0.912之间, 平均值为0.166(图 7)。高于平均值的区域主要分布在太行山与燕山交界和太行山的西南部, 低于平均值的区域主要是燕山的北部与南部。研究区VEI与降水呈正相关的区域面积占比为75.8%, 主要分布在太行山全域大部分地区以及燕山的东部与西部(图 7)。其中, 呈不显著正相关的区域占比最大, 为65.99%, 呈极显著与显著正相关的面积占比分别为2.8%和7.01%；其余24.2%的区域VEI与降水呈负相关关系, 大部分分布在燕山区域内。其中呈极显著负相关的区域面积占比为0.06%, 显著负相关的区域面积占比为0.57%, 不显著负相关区域面积占比为23.57%。
|
| 图 7 VEI与气象因子偏相关分析图 Fig. 7 Correlation analysis between VEI and meteorological factors |
研究区年均气温和VEI的偏相关系数介于-0.865—0.894之间, 平均值为-0.138(图 7)。从西北部到东南部偏相关系数逐渐减小。研究区VEI与气温呈正相关的区域面积占比为30.32%, 主要分布在太行山西北部以及燕山的西北部(图 7)。其中, 呈极显著正相关的区域面积占比为0.43%, 呈显著正相关的区域面积占比为1.42%, 不显著正相关的区域面积占比为28.46%；有高达69.88%的区域VEI与气温呈负相关关系, 主要分布在研究区的东南部。其中呈极显著负相关的区域面积占比为2.57%, 呈显著负相关的区域面积占比为8.39%, 不显著负相关区域面积占比为58.72%。
研究区年际VEI和气象因子的复相关系数介于0.001—0.934, 平均值为0.514。整体呈从南北向中部逐渐递减趋势(图 8)。呈不显著复相关关系的区域占比为85.69%；显著复相关的区域占比为10.19%, 主要分布在燕山中部与北部以及太行山的中部与南部；极显著复相关区域占比为4.12%, 集中分布在燕山西部与太行山西南部(图 8)。由此可知研究区大部分地区VEI与气象因子的复相关性不明显, 这表明可能存在除气候因素外其他因素影响。
|
| 图 8 VEI与气象因子复相关分析图 Fig. 8 Compound correlation analysis between VEI and meteorological factors |
结合表 1驱动分区规则, 将T检验和F检验的结果进行叠加分析, 得到VEI气象驱动类型分布图(图 9), VEI受气象因子影响的区域占总研究区的13.18%, 影响程度为：气温驱动>降水驱动>降水强驱动>气温强驱动>气温降水共同驱动>气温降水共同强驱动。受降水驱动影响的区域占比为3.9%, 分布在太行山的南部与燕山的西部；受降水强驱动影响的区域为1.68%, 主要分布在研究区中部与北部；受气温驱动影响的区域为5%, 主要分布在太行山东部与燕山南部；受气温强驱动影响的区域为1.42%, 主要分布在太行山中部与燕山北部；受气温降水共同驱动的区域为0.93%, 主要分布在北京延庆区、怀柔区、赤城县和寿阳县等地；受气温降水共同强驱动的区域为0.25%, 主要分布在太行山与燕山交界处；有高达86.82%的区域受其他因素驱动, 这与人类活动有很大的关系。
|
| 图 9 VEI气象驱动类型分布图 Fig. 9 Distribution of VEI meteorological driving types |
目前在太行山、燕山已有较多植被状况的相关研究, 但是缺少燕山与太行山结合并同时考虑植被覆盖度与植被净初级生产力的研究。本研究以GEE平台数据为基础, 以较长的时间序列为基础对太行山-燕山综合区VEI的时空分布、年际变化趋势、稳定程度和气候响应特征进行了较为全面的探析。现有研究在时间尺度上一般选取15a以内, 而短时期的VEI与气象变化的监测不能准确评估变化规律, 本研究则选取近20年为研究年限进行探索研究。研究区海拔高, 气候类型复杂多样, 植被生长条件尤为特殊, 若使用单一植被特征量来表示植被生态状况有失科学性。所以, 本文将FVC与NPP二者进行权重系数大小调节后科学合理地结合。
2003—2021年太行山-燕山综合区多年平均VEI空间分布呈“中高周低”的格局, 且VEI比平均值低的区域远大于高的区域, 而燕山区域大部分值较高, 这一点与王炜[19]和李薇等[20]的研究结果一致。在太行山区域内, 呈增长趋势区域与减少区域不相上下, 这与闫戈丁等[29]和李晓荣等[22]的研究结果存在一定差异；燕山区域内, 呈减少趋势区域较多, 与于璐[1]和严恩萍等[30]的研究也有所不同, 这可能与VEI计算公式中FVC与NPP的权重系数选取有关。
燕山区域的VEI变异程度较小, 稳定性较高, 这与王金杰等人[31]的研究相似。而大部分变异系数>0.2的区域主要分布在太行山区域内的外围边缘, 且稳定程度由内而外逐渐降低, 这与太行山处在华北地震带中心有一定关系, 在地震活动的拉张应力作用下, 难以形成稳定的地下水补给条件, 从而导致植被根际层缺水而植被生态质量下降[32]。
整体上, 太行山-燕山地区植被VEI空间变化驱动因素影响程度大小依次为: 非气象因素>气温驱动>降水驱动>降水强驱动>气温强驱动>气温降水共同驱动>气温降水共同强驱动。研究区VEI受气象因子驱动的区域占比为13.18%。其中, 气温驱动为太行山-燕山综合区VEI的主要气象驱动因素, 这与陈成等人[33]和王炜[19]的研究结果一致, 且陈成等学者选取的研究期为20年, 与本文的研究年限仅差1年, 说明气温影响VEI变化的相关性结论是可靠且具有可持续性的。这与Hu等人[34]的研究结果相反, 可能与研究年限与研究区范围有关。结果表明, 近20年中VEI变化受气温的影响较大, 从长时间、多角度明晰了太行山-燕山综合区VEI变化与气象因子的相关关系。
研究区植被VEI受非气象因子影响的区域高达86.82%, 影响植被生长的因素有很多, 而本研究选取气象变化一个角度为切入研究点, 不考虑其他因素对VEI变化的影响主要是因为太行山-燕山综合区属于半干旱地区与半湿润地区的交界, 植被对气象的变化较为敏感, 且影响程度较非气象因子更易统计与研究。
4 结论本研究基于GEE平台对太行山-燕山综合区近20年植被生态指数的空间分布、变化趋势、变化稳定性与持续性以及对气候变化的响应特征进行研究分析, 得到的主要结论如下：
1) 2003—2021年太行山-燕山综合区多年平均VEI在空间分布上呈中间高四周低的规律。整体来说, 研究区有40.87%的区域VEI在0.55—0.7之间, VEI在0.3—0.45和0.45—0.55的面积占比均接近20%, 0—0.3和>0.7的面积占比相对较小, 在9%左右。
2) 基于Slope趋势分析与F检验表明, 近20年太行山-燕山综合区VEI呈增长趋势的区域占比为36.71%, VEI基本稳定区域占比为1.45%；VEI减少的区域占比为61.84%。可见, 研究区VEI呈减少趋势区域远大于呈增长趋势区域。
3) 根据变异系数的结果来看, 虽有57.23%的区域处于较低波动变化状态, 但处于高波动变化状态的区域高达21.81%, 主要分布在研究区的东西两侧外围, 分别靠近京津冀和黄土高原, 在日后的生态保护工作中应重点考虑。
4) VEI年际变化与气象因子的相关性分析结果表明, 气温是影响植被生态指数的主要气象因子。在其他相关研究中, 更多的研究结果认为降水的驱动作用效果大于气温, 而本文相反, 这可能与研究区复杂的地形与海拔高度有关。
通过研究结果可知, 植被生态指数可综合评价植被生态状况的时空变化, 但仍有需改进, 在日后的植被生态研究中, 应考虑其他人为因素的影响以及各影响因子的权重系数的选取, 才能更精确地评估植被生态状况。
| [1] |
于璐. 京津风沙源区植被覆盖变化归因及其对地表气温的影响[D]. 太原: 山西大学, 2023.
|
| [2] |
阿妮克孜·肉孜, 张岩, 何远梅, 李镇, 杨松. 基于QuickBird影像的黄土高原植被恢复差异. 干旱区研究, 2016, 33(3): 554-559. |
| [3] |
Wang Q, Zhang Q P, Zhou W. Grassland coverage changes and analysis of the driving forces in Maqu County. Physics Procedia, 2012, 33: 1292-1297. DOI:10.1016/j.phpro.2012.05.213 |
| [4] |
赵明伟, 王妮, 施慧慧, 江岭, 王春. 2001-2015年间我国陆地植被覆盖度时空变化及驱动力分析. 干旱区地理, 2019, 42(2): 324-331. |
| [5] |
孟琪, 武志涛, 杜自强, 张红. 基于地理探测器的区域植被覆盖度的定量影响——以京津风沙源区为例. 中国环境科学, 2021, 41(2): 826-836. DOI:10.3969/j.issn.1000-6923.2021.02.037 |
| [6] |
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 |
| [7] |
赵安周, 田新乐. 基于GEE平台的1986-2021年黄土高原植被覆盖度时空演变及影响因素. 生态环境学报, 2022, 31(11): 2124-2133. |
| [8] |
Yan X, Li L H. Spatiotemporal characteristics and influencing factors of ecosystem services in Central Asia. Journal of Arid Land, 2023, 15(1): 1-19. DOI:10.1007/s40333-022-0074-0 |
| [9] |
Guo B, Zang W Q, Yang F, Han B M, Chen S T, Liu Y, Yang X, He T L, Chen X, Liu C T, Gong R. Spatial and temporal change patterns of net primary productivity and its response to climate change in the Qinghai-Tibet Plateau of China from 2000 to 2015. Journal of Arid Land, 2020, 12(1): 1-17. DOI:10.1007/s40333-019-0070-1 |
| [10] |
Wilson R. Advanced remote sensing: terrestrial information extraction and applications, by Shunlin Liang, Xiaowen Li and Jindi Wang. International Journal of Remote Sensing, 2013, 34(14): 5262-5263. DOI:10.1080/01431161.2013.787707 |
| [11] |
Zhang M, Yuan N Q, Lin H, Liu Y, Zhang H Q. Quantitative estimation of the factors impacting spatiotemporal variation in NPP in the Dongting Lake wetlands using Landsat time series data for the last two decades. Ecological Indicators, 2022, 135: 108544. DOI:10.1016/j.ecolind.2022.108544 |
| [12] |
王芳, 汪左, 张运. 2000-2015年安徽省植被净初级生产力时空分布特征及其驱动因素. 生态学报, 2018, 38(8): 2754-2767. DOI:10.5846/stxb201705160902 |
| [13] |
刘刚, 孙睿, 肖志强, 崔天翔. 2001-2014年中国植被净初级生产力时空变化及其与气象因素的关系. 生态学报, 2017, 37(15): 4936-4945. DOI:10.5846/stxb201604290822 |
| [14] |
朱文泉, 陈云浩, 徐丹, 李京. 陆地植被净初级生产力计算模型研究进展. 生态学杂志, 2005, 24(3): 296-300. DOI:10.3321/j.issn:1000-4890.2005.03.014 |
| [15] |
Gemechu Legesse T, Dong G, Jiang S C, Chen J Y, Dong X B, Alemu Daba N, Muluneh Sorecha E, Qu L P, Tian L, Shao C L. Small precipitation events enhance the Eurasian grassland carbon sink. Ecological Indicators, 2021, 131: 108242. DOI:10.1016/j.ecolind.2021.108242 |
| [16] |
祝聪, 彭文甫, 张丽芳, 罗瑶, 董永波, 王梅芳. 2006-2016年岷江上游植被覆盖度时空变化及驱动力. 生态学报, 2019, 39(5): 1583-1594. DOI:10.5846/stxb201805040993 |
| [17] |
吴志杰, 何国金, 王猛猛, 傅娇凤, 邹丹. 南方丘陵区植被覆盖度遥感估算与时空变化研究——以福建省永定县为例. 遥感技术与应用, 2016, 31(6): 1201-1208. |
| [18] |
Wang B, Jia K, Liang S L, Xie X H, Wei X Q, Zhao X, Yao Y J, Zhang X T. Assessment of sentinel-2 MSI spectral band reflectances for estimating fractional vegetation cover. Remote Sensing, 2018, 10(12): 1927. DOI:10.3390/rs10121927 |
| [19] |
王炜. 太行山区植被覆盖时空演变及其驱动力分析[D]. 邯郸: 河北工程大学, 2021.
|
| [20] |
李薇, 谈明洪. 太行山区不同坡度NDVI变化趋势差异分析. 中国生态农业学报, 2017, 25(4): 509-519. |
| [21] |
丛明旸, 曹迪, 陈国平, 陈宝政, 孙丰宾. 燕山和太行山过渡区植物多样性垂直变化特点. 植物研究, 2017, 37(5): 673-681. |
| [22] |
李晓荣, 高会, 韩立朴, 刘金铜. 太行山区植被NPP时空变化特征及其驱动力分析. 中国生态农业学报, 2017, 25(4): 498-508. |
| [23] |
钱拴, 延昊, 吴门新, 曹云, 徐玲玲, 程路. 植被综合生态质量时空变化动态监测评价模型. 生态学报, 2020, 40(18): 6573-6583. DOI:10.5846/stxb201906041188 |
| [24] |
张成才, 娄洋, 李颖, 姬兴杰, 董萌佳. 基于像元二分模型的伏牛山地区植被覆盖度变化. 水土保持研究, 2020, 27(3): 301-307. |
| [25] |
奎国娴, 史常青, 杨建英, 李瑞鹏, 魏广阔, 刘佳琪. 内蒙古草原区植被覆盖度时空演变及其驱动力. 应用生态学报, 2023, 34(10): 2713-2722. |
| [26] |
李佳洺, 陆大道, 徐成东, 李扬, 陈明星. 胡焕庸线两侧人口的空间分异性及其变化. 地理学报, 2017, 72(1): 148-160. |
| [27] |
田义超, 黄远林, 张强, 陶进, 张亚丽, 黄鹄, 周国清. 北部湾南流江流域植被净初级生产力时空分布及其驱动因素. 生态学报, 2019, 39(21): 8156-8171. DOI:10.5846/stxb201810182256 |
| [28] |
吴炳伦. 深圳市植被覆盖度动态变化及驱动力分析[D]. 湖南: 中南林业科技大学, 2020.
|
| [29] |
闫戈丁, 景海涛, 何湜, 李慧, 郭桓超. 太行山区生态环境质量时空变化与演变趋势. 山地学报, 2023, 41(3): 335-347. |
| [30] |
严恩萍, 林辉, 党永峰, 夏朝宗. 2000-2012年京津风沙源治理区植被覆盖时空演变特征. 生态学报, 2014, 34(17): 5007-5020. DOI:10.5846/stxb201305251179 |
| [31] |
王金杰, 赵安周, 胡小枫. 京津冀植被净初级生产力时空分布及自然驱动因子分析. 生态环境学报, 2021, 30(6): 1158-1167. |
| [32] |
刘亚静, 刘红健. 基于信息量-随机森林模型的地震带地质灾害易发性评价: 以松潘-较场地震带为例. 科学技术与工程, 2024, 24(1): 143-154. |
| [33] |
陈成, 杨栋淏, 王建雄, 李亚强, 辛京达. 滇西南植被覆盖度动态变化特征及其驱动力分析. 水土保持研究, 2022, 29(4): 198-206. |
| [34] |
Hu S, Wang F Y, Zhan C S, Zhao R X, Mo X G, Liu L M Z. Detecting and attributing vegetation changes in Taihang Mountain, China. Journal of Mountain Science, 2019, 16(2): 337-350. |