吉林省东部地区植被覆盖度变化及影响因子

田 超, 马祥庆, 王文辉, 苏漳文, 郭福涛

(1.福建农林大学林学院；2.海峡两岸红壤区水土保持协同创新中心，福建 福州 350002)



吉林省东部地区植被覆盖度变化及影响因子

田 超1,2, 马祥庆1,2, 王文辉1,2, 苏漳文1,2, 郭福涛1,2

(1.福建农林大学林学院；2.海峡两岸红壤区水土保持协同创新中心，福建 福州 350002)

应用像元二分模型、多元线性回归分析方法，以2000—2010年吉林省东部植被覆盖数据为基础，综合考虑高程、气象因子、林火干扰和社会经济等因素，对吉林省东部植被覆盖度变化及影响因子进行了分析.为减少随机样本的误差，保证数据的稳定性，将原始数据集随机分为建模样本(60%)和校验样本(40%)，在划分建模样本和校验样本时分别做5次重复，对5个样本分别进行模型拟合并选择显著出现3次及以上的变量进入最终模型进行拟合.结果表明：2000—2010年，吉林省东部植被覆盖呈上升趋势，但整体变化较小；研究区域植被变化类型以稳定和增加为主，占研究区总面积的91.6%，植被退化类型面积仅占研究区的8%，呈零星分布.吉林省东部的植被覆盖度变化是地形因子、气象因子和社会经济因子综合作用的结果，其影响因子重要性顺序为：“高程”>“月平均降水”> “人口密度”> “坡度”> “农村居民收入”> “月平均相对湿度”.

植被覆盖度; 像元二分模型; 多元线性回归模型; 吉林省东部; 影响因子

植被覆盖度指植被(包括叶、茎、枝)在地面的垂直投影面积占研究区总面积的比例[1]，是连接土壤、大气和水分的自然纽带，同时也是评价区域生态环境的重要指标[2].

由于植被覆盖度对生态环境的重要指示作用，当前国内外很多学者针对植被覆盖度变化及其变化的影响因素进行了大量研究[3-5]，其中气候因素、地形地貌和社会经济因子等多应用于植被变化的研究[6-8].穆少杰等[9]基于内蒙古地区MODIS-NDVI遥感数据对植被覆盖度的空间格局和变化规律进行探讨，结果表明，植被生长和降雨、温度、湿度在时空分布上有较大差异.黄瑾等[10]通过估算研究表明，普格县6年的植被覆盖度呈增长趋势，地形以及人为社会因素对植被覆盖度变化有重要影响，近几年来长江中上游地区的地区水土保持和生态恢复工程取得一定成效.目前国内关于植被盖度变化及影响因素研究主要集中在西北干旱、半干旱区以及南方红壤区水土流失较为严重的地区[11-14]，而对东北地区的研究较少[15,16].

近年来，随着区域经济发展、人类活动增加及森林火灾发生等带来的干扰，区域植被覆盖度和生态环境受到较大影响.为减缓干扰，科学了解该区域植被覆盖度的动态变化及明确导致变化的主导因素尤为重要.鉴于此，本文根据前人的经验[17-20]，选取吉林省东部为研究区，应用多元线性回归模型，以植被盖度、气象因子、地形因子、火密度和社会经济因子为基础，科学分析吉林省东部2000—2010年植被覆盖度变化及影响植被变化的主导因子，为当地林业、水保部门的决策和管理工作提供科学依据.

1 研究区域概况

研究区为吉林省东部(40°52′—44°40′N , 124°51′—131°18′E)，主要包括吉林市、通化市、白山市、辽源市和延边朝鲜族自治州等5个市区(图1)，面积为108 710 km2.吉林省东部长白山林区以山地丘陵为主，林地面积较大，森林覆盖率居于全省首位，土壤类型主要包括山地苔原土、棕色针叶林土和山地暗棕色森林土，气候以温带大陆性气候为主，夏季湿润多雨，冬季严寒少雨，年均温为3～5 ℃，日照时数为2 400～3 000 h，年平均降水量大于500 mm，是吉林省降水最多的区域.研究区气候湿润，河网密集，水量丰富，河流流量季节变化不大.主要植被类型为针阔叶混交林和次生落叶阔叶林[21].

图1 研究区概况

2 数据来源与处理

2.1 因变量

2.1.1 数据来源 本文采用的2000—2010年地理空间数据云共享平台(http://www.gscloud.cn)提供的MODIS (MODIS13A3)的NDVI产品，空间分辨率为1 km，共130幅影像，其中缺少2000年1、2月NDVI影像.该数据集已经过大气校正、几何校正等处理.

2.1.2 植被覆盖度的计算 目前，植被覆盖度以归一化植被指数(NDVI)为基础，该指数可以用来判断研究区域是否包含绿色植被，本文基于像元二分模型[22]，对植被覆盖度进行估算，其公式为：

FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(1)

其中，NDVIsoil代表完全是无植被覆盖区域的NDVI值，NDVIveg为完全被植被所覆盖的像元的NDVI值.根据频率统计表和吉林省东部NDVI影像特征，本文区置信度5% NDVI作为NDVIsoil，95%的置信度为NDVIveg.通常情况下，无植被覆盖区的NDVI值近似于0，但由于多种因素的共同影响，植被归一化指数会随着时间和空间的变化而变化(-0.1～0.2)[19].

2.2 自变量

2.2.1 气象数据 气象因子主要包括温度、湿度和降水.其中，降水、气温是影响植被覆盖度变化的主要因子，相对湿度直接影响植物的蒸腾速率，植被的蒸腾作用会对植被的生长产生影响.气象数据来自地球系统科学数据共享平台(http://geodata.nju.edu.cn/Portal/index.jsp)提供的HADCM2模式数据，时间跨度为2000—2010年(表1).数据包括吉林省东部区域的月平均气温(℃)，月平均降水(mm)和月平均相对湿度(%).

表1 植被覆盖度影响因子考虑的初始变量

2.2.2 地形数据 地形因子通过光、热、水等生态因子的空间再分配而间接影响植被的生长，并通过影响气候和土壤来决定植被的垂直分布和多样性分布,因此地形是植被变化的主要因子.本研究基于数字高程模型(DEM)，对地形因子进行提取，得到相应的坡度、坡向(图2b、c)，其中DEM由国家测绘地理信息局提供(表1).

2.2.3 林火密度数据 林火火灾作为影响植被覆盖的重要干扰因子，影响植被群落的组成、更新、演替和养分循环.鉴于此，本研究引用林火因子作为影响植被盖度变化的因子(图2d)，林火数据通过吉林东部地区火点密度来实现，其中2000—2010年吉林东部地区火点来源于MODIS卫星解译数据(表1).

2.2.4 社会经济数据 社会经济因素对植被的影响在区域研究中十分重要，社会经济因素能够充分体现人为活动在植被变化中的作用，因此本研究应用人口密度(人·km-2)、人均国内生产总值(万元)和农村居民收入(万元)等因子体现研究区内植被变化的主要经济因子.其数据通过吉林省各县域2000—2010年统计年鉴得到(表1)，并应用克里金插值得到栅格化社会经济因子.

2.3 数据处理

综上所述，为保证研究数据的一致性与可靠性，首先通过重采样将所有栅格数据转化为1 km×1 km，并将所有数据提取到1 km×1 km的格网上进行运算.同时应用SPSS 19.0对2000—2010年吉林省东部地区的植被覆盖数据及各驱动因子数据进行基本统计描述(表2).为了减少随机采样带来的误差，保证数据的准确性，本文将总体样本数据随机分为建模样本(60%)和校验样本(40%)，在划分建模样本和校验样本时分别做5次重复并进行模型拟合，得出5组不同的样本集.首先，用多元线性回归方法分别对5个训练样本集进行变量选择，然后在5个样本结果中选择P<0.05且出现3次或以上的变量，进行最终样本的建模分析.变量的选择利用R中的relaimpo软件包对回归模型进行计算并根据变量重要性排序进行筛选.

a：高程(m);b：坡度(°);c：坡向(°);d：火点密度(个·km-2).

NDVI高程/m坡度/(°)坡向/(°)月平均气温℃月平均相对湿度%极小值0.2520.0000.000-1.0000.48374.169极大值0.8942474.00030.502359.4608.11486.451均值 0.651578.9306.673174.9694.52980.591标准差0.105282.1475.391104.7901.2312.660月平均降水mm火密度个·km-2人口密度人·km-2人均国内生产总值万元农村居民收入万元极小值1.1380.0000.0060.6790.179极大值2.8790.0140.0392.9630.856均值 1.9650.0010.0151.3440.369标准差0.3600.0010.0070.5060.174

3 研究方法

3.1 植被覆盖度变化趋势分析

基于一元线性回归分析可得出逐像元植被覆盖度变化趋势，该方法是通过趋势线来模拟每个栅格的动态变化，从而获得不同时期植被覆盖变化情况，该方法的公式为[9]：

(2)

式中，θslope为吉林省东部植被覆盖度变化趋势的斜率，n取11，变量i代表1～11的年序号，FVCi为每年植被覆盖度的像元值.若斜率大于0，则表明植被覆盖在11a间呈增加趋势，反之，表明植被覆盖呈减少趋势.

3.2 多重共线性检验

多重共线性(multicollinearity)是指线性回归模型中的解释变量间存在高度相关性导致模型失真或参数失去意义.在线性回归模型的假定条件下(解释变量间不存在多重共线性)，本文应用方差膨胀因子(thevarianceinflationfactor,VIF)对10个驱动因子进行共线性检验.一般认为，当VIF>10时，说明自变量之间具有显著的共线性，需要剔除相应的自变量[23].

3.3 多元线性回归模型

多元线性回归(multiplelinearregression)是通过线性来拟合多个自变量和因变量的关系，从而确定多元线性回归模型的参数，植被覆盖度往往受多个因子影响，多元线性回归模型的一般形式为[24]:

Y=β0+β1X1+β2X2+β3X3+…+βjXj+…+βkXk+μ

(3)

式中，k为影响因子的个数，β0为常数项，也称截距，β1，β2…βk为回归系数，μ为随机误差.

4 结果与分析

4.1 植被覆盖度变化趋势分析

研究区整体植被变化趋势以不变为主，其中高值主要在西部边缘及东部的延边朝鲜自治州，低值呈零星状分于整个研究区(图3b).为进一步探究植被盖度的变化，本文在参考其他同类研究的基础上[25]，将植被分为严重退化、轻微退化、无变化、轻微改善、明显改善5类(图3a、表3)，从整体上看，植被变化类型以无变化为主(65.33%)，其次为改善类型(26.39 %)，其中改善以轻微改善为主，退化类型为(8.28%)，以轻微退化为主.

a：变化类型；b：变化趋势.

4.2 多重共线性检验结果

表3 2000—2010年FVC变化结果统计

经过多重共线性检验(表4)可知，变量VIF>10，变量间不存在共线性问题， “高程”、“坡度”、“坡向”、“月平均降水”、“月平均相对湿度”、“月平均气温”、“火密度”、“人口密度”、“人均国内生产总值”、“农村居民收入”等10个变量可作为影响吉林东部植被变化的影响因子并进行多元线性回归模型拟合.

4.3 植被盖度重要影响因子选择

本文以吉林东部区域植被盖度及其影响因子为基础，通过R软件对5个建模样本进行线性回归分析，利用Relaimpo软件包比较5个样本中变量的重要性(图4)，对影响植被盖度变化的主要因子进行选择.由图4可知，在每个样中变量权重的趋势一致，分别为，“高程”>“月平均降水”>“人口密度”>“坡度”>“农村居民收入”>“月平均相对湿度”>“人均国内生产总值”>“月平均气温”>“坡向”>“火密度”. 本文选取权重大于1%且显著(P<0.05)的变量，根据变量选择指标(表5)对变量选择可知[26]，“高程”、“月平均降水”、“人口密度”、“坡度”、“农村居民收入”、“月平均相对湿度”等6个变量为影响吉林东部植被变化的主要因子.

表4 多重共线性检验结果

图4 样本不同变量所占权重

变量 P最小值P最大值样本显著个数平均权重%变量 P最小值P最大值样本显著个数平均权重%高程 <0.001<0.001530.79月平均相对湿度 <0.001<0.00155.40月平均降水 <0.001<0.001524.13人均国内生产总值0.2800.58703.83人口密度 <0.001<0.001517.43月平均气温 0.0200.2202.33坡度 <0.001<0.00159.57坡向 0.0650.1900.21农村居民收入<0.001<0.00156.40火密度 0.0720.2800.06

根据表5可知，多元线性模型的显著变量重要顺序为: “高程”>“月平均降水”>“人口密度”>“坡度”>“农村居民收入”>“月平均相对湿度”.吉林省东部植被覆盖度受地形因子、气象因子和社会经济因子共同影响，所有变量均呈极显著(P<0.01).其中，高程对吉林省植被覆盖变化的影响程度最大，所占比重为33.79%.吉林省东部以山地为主，地势东高西低，随着高程的变化，温度、降水和湿度等其他自然条件也会随之改变，从而影响植被覆盖度的变化.月平均降水、人口密度、坡度的影响程度次之.水是植被生长必不可少的条件之一，降水量决定植被的生长情况，对植被覆盖度有重要影响.人口密集的地区，人类的影响较大，植被覆盖度更易受到人类活动的影响.坡度较陡的地区土壤贫瘠，水土流失严重，植被覆盖度低，坡度平缓的地区土质肥沃，有利于植被的生长，植被覆盖度较高.农村居民收入和相对湿度对吉林省东部植被覆盖度也有影响，但程度相对较小，变量的解释比重均在10%之内.

4.4 植被盖度及因子的关系

通过因子选择，得出影响植被变化的6个主要因子，为进一步探究植被覆盖度与其影响因子间的关系，对植被覆盖度及其6个主要因子进行多元线性回归拟合(表6)，研究结果表明：除“人口密度”、“居民收入”外其余因子与植被覆盖度呈正相关，且根据其重要性排序，“高程”>“月平均降水”>“人口密度”>“坡度”>“农村居民收入”>“月平均相对湿度”.

表6 基于6因子的多元线性回归

5 结论与讨论

本研究应用多元线性回归、逐象元趋势分析法对吉林省东部植被覆盖度变化及其影响因子进行分析， 主要结论如下：

(1)吉林省东部植被覆盖度呈上升趋势但变化较小，植被覆盖度增加的区域主要分布在研究区的西部和北部，植被退化的区域主要分布在研究区的北部，即延边中部地区.

(2)“坡度”、“高程”是影响植被覆盖度变化最主要的因子，且与植被覆盖度呈正相关.

(3)气象因子是植被覆盖度变化的一个主要因子.“月平均降水”、“月平均相对湿度”对植被覆盖度有显著影响并呈正相关.

(4)“人口密度”与“农村居民收入”是植被覆盖主要的驱动力且呈负相关关系.

研究结果显示，“高程”、“月平均降水”、“人口密度”、“坡度”、“农村居民收入”、“月平均相对湿度”是影响吉林省东部植被覆盖度的主要影响因子.“高程”和“坡度”也被其他研究证明是对植被覆盖有重要影响的因子，坡度较缓、高程较高的区域人为活动频繁，植被破坏较为严重，说明了植被覆盖度对坡度和高程的变化非常敏感[23,26].研究表明，随着降水量和相对湿度的增加，植被覆盖随之增多.降水量和湿度间接影响空气含水量的变化和植被的蒸腾作用，从而影响植被的生长速度[18,27,28].“人口密度”和“农村居民收入”同样被研究者认为是影响植被覆盖度的主要因子[20,24]，即人口密度大的地区人类活动频繁，通常植被覆盖率较小且分散.此外，随着居民收入的增加经济的发展，人地矛盾不断突出，对植被影响相对较大，这与本研究相一致.另一方面，李登科等[11]、徐涵秋等[14]的研究结果表明，温度对植被覆盖有重要影响，而本文没有温度对植被覆盖的显著影响，可能由于该地降水和湿度对植被覆盖影响较大，与温度的关系不是很密切[29].很多研究指出“坡向”对植被覆盖度有重要影响，但是，本研究没有发现坡向对植被覆盖的影响，可能是研究区距黄海、日本海较近，且地势低洼，降水比较多，光、热条件较好，水热差异因素与坡向因子间的关系并不十分明显，导致坡向与植被覆盖度表现出的差异性较弱[30].

本研究利用了多元线性模型对吉林省东部的植被覆盖的驱动因子进行了分析，模型拟合结果具有一定的实用性.但与多元线性模型相比，地理权重模型能够在空间产生空间连续的模型相关系数[31]，并体现空间异质性，在今后的研究中引入这些模型是很有必要的.因此，在今后的研究中，可以尝试地理权重模型和多元线性回归相结合的方法对区域进行深入研究与分析.

[1] 秦伟,朱清科,张学霞,等.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报(自然科学版),2006,34(9):163-170.

[2] 刘琳,姚波.基于NDVI象元二分法的植被覆盖变化监测[J].农业工程学报,2010,26(13):230-234.

[3] 陈云浩,李晓兵,史培军,等.北京海淀区植被覆盖的遥感动态研究[J].植物生态学报,2001,25(5):588-593.

[4] KAWABATA A, ICHII K, YAMAGUCHI Y. Global monitoring of the interannual changes in vegetation activities using NDVI and its relationships to temperature and precipitation[J]. International Journal of Remote Sensing, 2001,22:1 377-1 382.

[5] 刘传胜,丁建丽.基于遥感与GIS的于田绿洲土地覆盖动态研究[J].中国沙漠,2003,23(1):59-62.

[6] 孙睿,刘昌明,朱启疆,等.黄河流域植被覆盖度动态变化与降水的关系[J].地理学报,56(6):667-672.

[7] SCHMIDT H, GITELSON A. Temporal and spatial vegetation cover changes in Israeli transition zone: AVHRR-based assessment of rainfall impact[J]. Remote Sensing, 2000,21:997-1 010.

[8] 李苗苗,吴炳方,颜长珍.密云水库上游植被覆盖度的遥感估算[J].资源科学,2004,26(4):153-159.

[9] 穆少杰,李建龙,陈奕兆.2001—2010年内蒙古植被覆盖度时空变化特征[J].地理学报,2012,67(9):1 255-1 268.

[10] 黄瑾,杨武年,张敏,等.普格县植被覆盖度遥感动态监测分析[J].地理空间信息,2009,7(2):51-53.

[11] 李登科,范建忠,王娟,等.陕西省植被覆盖度变化特征及其成因[J].应用生态学报,2010,21(11):2 896-2 903.

[12] 于小飞,孙睿,陈永俊,等.乌审旗植被覆盖度动态变化及其与降水量的关系[J].资源科学,2006,28(4):31-37.

[13] 张灿,徐涵秋,张好.南方红壤典型水土流失区植被覆盖度变化及其生态效应评估——以福建省长汀县为例[J].自然资源学报,2015,30(6):917-927.

[14] 徐涵秋,何慧,黄绍霖,等.福建省长汀县河田水土流失区植被覆盖度变化及其热环境效应[J].生态学报,2013,33(10):2 954-2 963.

[15] CARLON T N, RIPLEY D A. On the relation between ndvi, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997,62(3):241-252.

[16] 贾宝全,马玉峰,仇宽彪,等.伊金霍洛旗近15年来植被覆盖度的动态变化[J].干旱区地理,2009,32(4):481-487.

[17] KEELEY J, FOTHERINGHAM C, BAER-KEELE M. Determinants of post fire recovery and succession in mediterranean-climate shrub lands of California[J]. Ecological Applications, 2005,15(5):1 515-1 534.

[18] SUN J Y, WANG X H, CHEN A P. NDVI indicated characteristics of vegetation cover change in China′s metropolises over the last three decades. Environmental Monitoring & Assessment, 2011,179(1-4):1-14.

[19] XIN Z B, XU J X, ZHENG W. Spatiotemporal variations of vegetation cover on the Chinese Loess Plateau (1981—2006): Impacts of climate changes and human activities[J]. Science in China, 2008,51(1):67-78.

[20] 李超,陈兵林,孟亚利,等.江苏省植被覆盖度影响因子研究[J].生态经济(学术版),2008,2:375-377，381.

[21] 吉林省地方志编簨委员会编簨,吉林省志一卷四/ 自然地理卷[M].长春:吉林人民出版社,1992.

[22] 刘姣娣,曹卫彬,李华,等.基于马尔科夫模型的石河子垦区土地利用动态变化研究[J].新疆农业科学,2011,48(10):1 936-1 940.

[23] 刘志红,郭伟玲,杨勤科,等.近20年黄土高原不同地貌类型区植被覆盖变化及原因分析[J].中国水土保持科学,2011,9(1):16-23.

[24] THOMAS D R, ZHU P C, DECADY Y J. Point estimates and confidence intervals for variable importance in multiple linear regression[J]. Journal of Educational and Behavioral Statistics, 2007,32(1):61-91.

[25] 林楠.基于RS和GIS的吉林东部植被覆盖变化和驱动力研究[D].长春:吉林大学,2010.

[26] OLIVEIRA S, OEHLER F, SAN M A. Modeling spatial patterns of fire occurrence in mediterranean europe using multiple regression and random forest[J]. Forest Ecology and Management, 2012,275:117-129.

[27] LITTELL J S, MCKENZIE D, PETERSON D L. Climate and wildfire area burned in western USA ecoprovinces, 1916—2003[J]. Ecological Applications, 2009,19(4):1 003-1 021.

[28] 宋永昌.植被生态学[M].上海:华东大学出版社,2001.

[29] 龙慧灵,李晓兵,王宏,等.内蒙古草原区植被净初级生产力及其与气候的关系[J].生态学报,2010,30(5):1 367-1 378.

[30] 郑洋,陈志强.宁化县地形及土壤特征对植被覆盖度的影响[J].太原师范学院学报(自然科学版),2013,12(4):152-156.

[31] ZHANG Z X, ZHANG H Y, ZHOU D W. Using GIS spatial analysis and logistic regression to predict the probabilities of human-caused grassland fires[J]. Journal of Arid Environments, 2010,74(3):386-393.

(责任编辑:吴显达)

Vegetation cover changes and its influence factors in eastern Jilin Province

TIAN Chao1,2, MA Xiangqing1,2, WANG Wenhui1,2, SU Zhangwen1,2, GUO Futao1,2

(1.College of Forestry; 2. Collaborative Innovation Center of Soil and Water Conservation,Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)

To investigate influence factors of vegetation coverage, dimidiate pixel model and multiple linear regression analysis were applied to data on vegetation coverage of eastern Jilin Province during 2000-2010. Factors including topography, meteorological conditions, disturbance by forest fire, and social economics were interpreted. To minimize random sampling error and ensure data stability, 60% of the original data was used for modeling only and the rest for validation, replicated for 5 times. Fitting equation of single variable was only established when its significance occurred over 3 times. Results showed that vegetation coverage in eastern Jilin Province was on a rising trend over the study period, though the overall raise was subtle. Regions which stayed the same coverage rate and increased accounted for 91.6% of the total coverage. Degraded vegetation scatteredly distributed across the province, accounting for only 8% of the study area. Regression analysis revealed that vegetation coverage in eastern Jilin was influenced by topography, meteorology and social economics. Importance of the factors in descending order is elevation, monthly mean precipitation, population density, rural resident income, and monthly mean relative humidity.

vegetation coverage; dimidiate pixel model; multiple linear regression model; Eastern Jilin province; influence factor

2016-11-01

2016-11-30

国家科技支撑计划项目(2014BAD15B02)；国家林业局林业公益性行业科研项目(201304303).

田超(1992-),女，硕士研究生.研究方向：森林生态和水土保持.Email：fafutc@126.com.通讯作者郭福涛(1982-),男，博士，副教授.研究方向：地理信息系统在林业中的应用.Email：guofutao@126.com.

Q948

A

1671-5470(2017)04-0410-08

10.13323/j.cnki.j.fafu(nat.sci.).2017.04.009