渭南市植被覆盖变化及其与气候因子的相关性

赵玉

渭南市植被覆盖变化及其与气候因子的相关性

赵玉1,2,*

1. 渭南师范学院, 化学与材料学院, 渭南 714099 2. 陕西省河流湿地生态与环境重点实验室, 渭南 714099

植被动态监测以及植被与气候因子的响应关系是陆地生态系统研究的热点。利用渭南市2000—2015年MODIS植被指数数据集以及相关气象资料, 采用Man-Kendell检验、趋势分析和相关分析等方法, 揭示渭南市植被覆盖度时空动态特征及其与气候因子的相关性。结果表明: (1)渭南市植被覆盖度在2000—2015年间呈显著上升趋势(0.007 a–1)。(2)渭南市植被覆盖度在空间上表现为由南向北逐渐减小的趋势。(3)渭南市植被覆盖度以中覆盖度为主, 2000、2005、2010和2015年所占比重分别为71.31%、68.54%、73.02%和53.07%。(4)年尺度上, 渭南市植被覆盖度与降雨量和气温表现为不显著正相关。月尺度上, 渭南市植被覆盖度与降雨量和气温相关系数较高。相对于温度, 渭南市植被覆盖度对降水量的响应更为敏感, 为水分限制型生态区。

植被变化; 降水; 气温; 时空特征; 渭南市

0 前言

IPCC第五次评估报告指出, 全球变暖是毋庸置疑的[1], 且会对植被格局产生巨大影响[2]。已有研究证明, 过去20年来全球气候变暖已对植被产生了重大影响, 尤其是在北半球高纬度地区[3]。气候变化通过影响植物的新陈代谢、植物呼吸、光合作用和蒸腾等生物生理响应机制, 进而影响植被的生长[4–6]。同时, 从区域到全球, 从季节、年际到年代际尺度, 植被对陆地碳循环、能量交换和水均衡均产生了很大影响[7–9]。因此近几十年来, 全球变化和植被生长的相互作用机制研究得到广大学者的广泛关注[10]。

长时间序列卫星遥感影像数据为揭示和监测不同时空尺度上气候变化与植被动态作用机制提供了一种先进的方法[11–12]。遥感技术因其信息量大、时效性强、覆盖范围广和成本低等优势, 被广泛运用到植被特征的定量检测中[13]。植被指数, 如归一化差异植被指数(NDVI, Normalized Difference Vegetation Index)常被用于揭示不同时空尺度上北半球植被变化及其与气候和环境因素的相互作用机制研究中[14–15]。温度和降水是影响植被动态的两个最重要的气候因素[16]。如, Piao等[17]指出1997—2006年期间, 欧亚大陆夏季NDVI的减少与夏季降水的减少呈显著正相关。2002年以后, 春季快速变暖促进了欧亚大陆中部春季植被的生长, 其中生长季和夏季植被的生长主要受降水的驱动。

渭南市地处八百里秦川最宽阔的地带, 是中华民族发祥地之一。素有“三秦要道, 八省通衢”之称。是中原地区通往陕西乃至大西北的咽喉要道, 是丝绸之路经济带起点段的关键组成部分, 还是西北唯一一个拥有三大国家级经济区叠加政策(“关天经济区”、“陕甘宁革命老区”和“晋陕豫黄河金三角”)的地级市。现阶段关于渭南市植被覆盖变化特征及其影响因素的研究较少。为更好地理解渭南市植被覆盖及其与气候因子的相关性, 本文利用2000—2015年期间渭南市NDVI资料及同时段气候数据集, 分析近16年来渭南市植被覆盖时空分布格局及其变异特征, 揭示研究区植被覆盖与气候因子的相关性, 以期为渭南市生态建设和保护提供科学依据。

1 材料和方法

1.1 研究区概况

渭南市位于渭河流域下游, 地处陕西省关中盆地东部, 属于关中盆地地势最低且最为开阔的地段。东与运城、三门峡和临汾相毗邻, 西与西安、咸阳相接, 南倚秦岭与商洛为界, 北与延安、铜川接壤。地理坐标为108°50′—110°38′E, 34°13′—35°52′N[18–19]。南北长182.3 km, 东西宽149.7 km, 总面积13134 km2, 为陕西省农业大市和人口第二大市。渭南以渭河为轴线, 形成南北两山、两塬和中部平川五大地貌类型区。海拔介于325—2418 m之间。渭南属暖温带半湿润半干旱季风气候区, 四季分明, 雨量适宜, 光照充足, 无霜期199—255 d, 年均气温12—14 ℃, 年雨量600 mm左右。气候条件优越, 有利于发展农业。渭南市植被为暖温带落叶阔叶林。林木区系成分主要为华北和西北的温性、寒性树种。全市有野生维管植物190多科800多属2500种。

1.2 数据收集

1.2.1 植被数据

遥感影像上的植被信息, 主要通过绿色植被冠层和植物叶片的光谱特征及其差异性来反映[20]。归一化植被指数可代表植被的动态变化, 被广泛运用于大范围的植被检测中。NDVI值可以消除部分与卫星观测角、太阳高度角, 以及地形等辐照度条件变化的影响, 可方便地区分主要的陆地植被类型。NDVI值的取值范围为[–1, 1]。当NDVI为负值或接近于0时, 代表水体或裸地; 当NDVI为正值时, 代表地表有植被覆盖, NDVI值越大, 植被覆盖度越高。因此, 长时间序列的NDVI资料可用于植被覆盖变化的动态监测。本文所用的2000—2015年间渭南市NDVI资料来源于“黑河计划数据管理中心”(http://westdc.westgis.ac.cn)。

植被覆盖度的大小可反映区域植被覆盖变化的总体态势[21]。根据《土壤侵蚀分类分级标准》[22]中植被覆盖度的分级标准, 将渭南市植被覆盖度划分为5个等级, 即极高覆盖度(> 0.80)、高覆盖度(0.6—0.8)、中覆盖度(0.4—0.6)、低覆盖度(0.2—0.4)和极低覆盖度(< 0.2)。通过GIS 10.2进行统计分析, 得到不同年份各覆盖度等级面积的动态变化。

1.2.2 气象数据

本文所采用的气象数据为中国气象数据网(http://data.cma.cn)提供的2000—2015年中国地面降水和气温0.5°×0.5°的逐月格网数据。该数据集能较好地代表实测降雨量和气温的变化趋势, 被广泛应用于区域气候变化研究中[23]。

1.3 研究方法

1.3.1 Mann-Kendall趋势检验

Mann-Kendall趋势检验法是时间序列趋势分析常用的非参数检验方法之一。因其不要求所分析数据遵从一定的分布, 且不受异常值的干扰, 被广泛应用于气象和水文序列趋势分析中[24–25]。Mann- Kendall趋势检验原理及其统计量的计算方法和判读标准见文献[26]。

1.3.2 趋势分析

趋势分析法基于一元线性回归分析模拟每个像元属性值的变化趋势。该变化趋势是对应像元属性值线性回归方程的斜率。本文借助趋势分析法模拟2000—2015植被覆盖度的变化趋势。计算公式如下[27]:

式中:θ代表像元NDVI线性回归方程的斜率;代表监测时段的年数, 文中为16年;C为第年最大植被覆盖度。当斜率为负时, 表示研究区植被覆盖度呈下降趋势; 当斜率为正时, 表示研究区植被覆盖度呈上升趋势[28]。

1.3.3 相关分析

采用基于像元的空间分析方法可用于揭示区域植被覆盖度与气候因子的相关性, 相关系数计算公式如下:

式中:R为、两变量的相关系数;x为第年/月的植被覆盖度;y为第年/月的降雨量或温度;`表示植被覆盖度多年/年内各月平均值;`表示降雨量或温度多年/年内各月的平均值;代表样本数[29]。

本文揭示了年尺度和月尺度上渭南市植被覆盖度与降雨量和气温的相关性。年尺度上包括16年样本数据, 其中年植被覆盖度为年内12个月覆盖度的平均值, 降雨量为年总降雨量, 温度为年平均温度。月尺度上包括12个月样本数据, 其中植被覆盖度、降雨量和温度均为16年间不同月份植被覆盖度、降雨量和气温的多年平均值。同时, 为揭示植被覆盖度对气候因子响应的滞后性, 分别计算植被覆盖度与前0—3个月降雨量和气温的相关系数。

相关系数显著性判读标准参考相关系数表, 具体如下:

当=16时, 若R∈[–1, –0.6055]时, 为极显著负相关; 若R∈(–0.6055, –0.4821]时, 为显著负相关; 若R∈(–0.4821, 0.4821]时, 相关性不显著; 若R∈(0.4821, 0.6055]时, 为显著正相关; 若R∈(0.6055, 1]时, 为极显著正相关。

当=12时, 若R∈[–1, –0.6835]时, 为极显著负相关; 若R∈(–0.6835, –0.5529]时, 为显著负相关; 若R∈(–0.5529, 0.5529]时, 相关性不显著; 若R∈(0.5529, 0.6835]时, 为显著正相关; 若R∈(0.6835, 1]时, 为极显著正相关。

2 结果与分析

2.1 渭南市植被覆盖度时空分布特征

2.1.1 植被覆盖度时间分布特征

从年际变化特征看, 渭南市植被覆盖状况较好, 且呈现波动式增加的趋势, 年均增长率为0.007 a–1(图2a), 高于宝鸡地区2001—2013年的平均增速0.003 a–1[30]。NDVI年平均值为0.53, 变化范围为0.36—0.60, 波动幅度较大。最高值出现于2011年, 最低值出现于2001年(图1)。对渭南市16年间年均NDVI值进行Mann-Kendall趋势检验, 得知统计量值为4.14, 且通过了0.01水平的显著性检验, 说明研究区植被覆盖度呈显著上升趋势。表明, 渭南市植被覆盖状况有所改善。

从年内变化特征看, 渭南市植被覆盖度年内波动明显, 表现为单峰型曲线(图2b)。月均NDVI最小值出现于2月, 最大值出现于8月。月均NDVI波动范围为0.31—0.76。年内NDVI峰值出现在7—9月, 且平均值高达0.73。统计分析NDVI季节分布特征知, 渭南市2000—2015年期间, 春、夏、秋和冬四季NDVI均值分别为0.50、0.69、0.56和0.35。表明研究区植被覆盖季节差异明显, 夏季NDVI值最大而冬季最小。

图1 研究区位置示意图

Figure1 Location of the study area

2.2.2 渭南市植被覆盖度空间分布特征

从空间分布特征看, 渭南市植被覆盖度呈现明显的空间分异规律。不同年份渭南市植被覆盖空间分布格局整体上具有一定的相似性, 除韩城市西北部以外, 渭南市植被覆盖度大致表现为从南向北减小的趋势。植被覆盖高值区分布于渭南市华县、华阴市、潼关县和韩城市西北部, 而低值区主要分布于渭南市北部和东部边缘(图3)。

渭南市植被覆盖度以中覆盖度为主, 2000、2005、2010和2015年所占比重分别为71.31%、68.54%、73.02%和53.07%(图4和表1)。2000–2015年, 极低覆盖度、低覆盖度和中覆盖度区域面积分别减少了38.09 km2、1854.53 km2和2395.65 km2, 变化率分别为–0.05 %·a–1、–2.35 %·a–1和–3.04 %·a–1。而高植被覆盖区和极高覆盖区面积分别增加了4142.47 km2和145.79 km2, 变化率分别为5.26 %·a–1和0.19 %·a–1。由此可知, 近16年来, 渭南市高植被覆盖区面积随时间推移表现为增加的趋势, 而极低覆盖区和低覆盖区面积呈减小趋势, 说明研究区植被处于恢复状态。

图2 2000–2015年渭南市植被覆盖度时间分布

Figure 2 Temporal variation of vegetation coverage in Weinan City from 2000 to 2015

Figure 3 Spatial distribution map of vegetation coverage in Weinan City in different years

为进一步明确各植被覆盖类型面积的相互转化情况, 基于2000、2005、2010和2015年4期的覆被图, 借助GIS 10.2对4期数据进行融合和叠置运算, 得到各覆被类型面积的转移矩阵(表2—4)。2000—2005年, 渭南市植被呈恢复趋势(表2)。2000—2005年期间: 极低植被覆盖区面积减小到28.89 km2, 有23.44 km2和1.34 km2的极低覆盖度区域分别发展为低覆盖度和中覆盖度区域; 低覆盖度区域面积变动不大; 中覆盖度区域面积减小了363.82 km2, 有588.43 km2和426.79 km2的中覆盖度区域分别转换为低覆盖度和高覆盖度区域; 高覆盖度区域面积增加了356.25 km2。2010–2015年期间, 中覆盖度区域和高覆盖度区域面积急剧增长, 各自的增长率高达98.07 km2·a–1和162.43 km2·a–1(表3)。其中有1613 km2的低覆盖度区域发展为中覆盖度区域, 有1043.02 km2的中覆盖度区域发展为高覆盖度区域。2005—2010年期间, 极低覆盖度、低覆盖度和中覆盖度区域面积急剧减小, 而高覆盖度区域面积和极高覆盖度区域面积呈增加趋势。有3006.67 km2的中覆盖度区域发展为高覆盖度区域(表4)。总体而言, 2000—2015年期间, 渭南市植被覆盖度显著增加, 植被得以恢复。

植被覆盖度变化趋势空间分布格局同植被覆盖度空间分布格局相一致。从空间变化趋势来看, 2000—2015年间, 渭南市大部分区域年NDVI呈增加趋势(图5)。其中盖度变化率高值区主要分布于渭南市华县、华阴市、潼关县和韩城市西北部, 而低值区主要分布于渭南市北部和东部边缘。

Figure 4 Vegetation coverage degree map of Weinan City in different years

表1 2000—2015年渭南市不同等级植被覆盖面积

表2 2000—2005年渭南市不同等级植被覆盖类型所占面积转移矩阵(km2)

表3 2005—2010年渭南市不同等级植被覆盖类型所占面积转移矩阵(km2)

表4 2010—2015年渭南市不同等级植被覆盖类型所占面积转移矩阵(km2)

2.2 渭南市气温和降雨量时空分布特征

2.2.1 气温和降雨量时间分布特征

从年际变化特征看, 2000—2015年期间渭南市降雨量年际变化波动明显, 变化范围为427.83—888.79 mm, 波动幅度大(图6a)。年降雨量最高值出现于2003年、最低值出现于2001年。渭南市气温年际变化呈多峰型曲线, 波动范围为9.53—12.65 ℃, 年均气温最高值出现于2013年、最低值出现于2003年(图6b)。

从年内分布特征看, 渭南市降雨量年内变化过程表现为双峰型, 峰值出现于7月和9月。降雨量年内分配不均, 月际差异大, 阶段性变化明显, 具体表现为1—2月缓慢上升、3—7月急剧上升、9—10月急剧下降以及11—12月缓慢下降。总体来讲, 降雨量集中分布于7—9月。渭南市气温年内变化过程表现为单峰型, 峰值出现于7月。

2.2.2 气温和降雨量空间分布特征

渭南市2000、2005、2010和2015年年降雨量和气温空间分布见图7。不同年份研究区降雨量和气温空间分布均表现出明显的空间分异规律。不同年份, 降雨量空间分布格局较为一致, 均表现为由西南向东北逐渐减小的趋势。其中降雨量高值区主要分布于渭南市临渭区西北部。不同年份, 气温空间分布格局较为一致, 均表现为由西北向东南逐渐增加的趋势。其中气温高值区主要分布于华阴市、潼关县以及大荔县东南部。

图5 2000—2015年渭南市植被覆盖度变化速率

Figure 5 The changing trend of annual vegetation coverage in Weinan City from 2000 to 2015

图6 2000—2015年渭南市降雨量和气温时间分布

Figure 6 Temporal variation of rainfall and temperature in Weinan City from 2000 to 2015

Figure 7 Spatial distribution maps of rainfall and temperature in Weinan City in different years

2.3 植被覆盖变化与气温和降水的相关性

气温和降水因子是决定植被生长状况最主要的水热因子。从年际尺度看, 植被覆盖度与降水量呈显著相关区域的占比较小, 主要分布于渭南市中部和北部边缘。植被覆盖度与降水量相关性不显著的区域占87.57%(图8a)。从年际尺度看, 全市植被覆盖度与气温的相关性均不显著(图8b)。

为揭示植被覆盖度与降水量和温度月变化特征的相关系数及其滞后性, 我们以2000—2015年植被覆盖度与降水量、气温多年月均值为基础, 计算研究区植被覆盖度与前0—3月的降水量、温度的相关系数(图9和10)。

月尺度上, 植被覆盖度与降水量的相关系数高于年水平, 植被覆盖度与当月降雨量、前1月降雨量、前2月降雨量和前3月降雨量显著正相关区域占比分别为13.23%、0.10%、7.88%和15.00%(图9)。月尺度上, 植被覆盖度与温度的相关系数高于年水平, 植被覆盖度与当月气温、前1月气温、前2月气温和前3月气温显著正相关区域占比分别为14.68%、7.94%、0.005%和0.03%。研究区植被生长对降水变化的响应比温度大, 且与前2月降水的相关性最大, 具有明显时滞效应。说明, 渭南市植被生长对降雨的响应存在两个月的滞后期, 而对温度的响应无滞后效应。

图8 2000–2015年渭南市植被覆盖度与降水量、气温相关系数空间分布

Figure 8 The correlation between vegetation coverage and temperature and precipitation in Weinan City from 2000 to 2015

Figure 9 The correlation coefficients between month vegetation coverage and the current month precipitation, the preceding month precipitation, precipitation of two preceding months, and precipitation of three preceding months

图10 月植被覆盖度与当月、前1月、前2月和前3月气温相关系数空间分布

Figure 10 The correlation coefficients between month vegetation coverage and the current month temperature, the preceding month temperature, temperature of two preceding months, and temperature of three preceding months

3 讨论

近年来, 渭南市华县、华阴市、潼关县和韩城市西北部植被覆盖度大幅度提升, 生态恢复效果最为明显。这是由于华县、华阴市和潼关县地处南山, 由于地理位置的限制, 城镇化建设的影响较小, 加之退耕还林还草[31]和封山育林等政策的实施, 使得渭南市南山植被恢复状况明显好于其他地区。

降雨量和气温是影响陆地植被生长的重要气候因子。在年际尺度上, 渭南市植被覆盖度与降雨量显著正相关区域占比较小, 与温度呈不显著正相关。相对于温度, 植被生长对降水响应更为敏感, 属水分限制型生态区[32]。且植被覆盖度与降雨量的相关性高于同温度的相关性。月尺度上植被覆盖度与降雨量和气温的相关性高于年尺度上植被覆盖度与降雨量和气温的相关性。此结果同张含玉等[33]对黄土高原植被覆盖时空变化及其对气候因子响应的研究结果相一致, 即: 黄土高原NDVI年际变化与降雨和温度的相关性不显著, 而在月时间尺度上, NDVI同降雨和温度相关性较高。渭南市气候因子年内波动对渭南市植被覆盖度的影响较大, 且降雨同植被覆盖度的相关性高于温度同植被覆盖度的相关性。此结果同孙睿等[34]以及张翀等[35]的研究结果相近, 即降水是影响黄土高原植被覆盖度变化的主要因素。渭南市植被生长对降雨的响应存在两个月的滞后期, 而对温度的响应无滞后效应。

4 结论

本文借助MODIS NDVI数据集, 结合降水量和气温数据, 分析了渭南市2000—2015年间植被覆盖度的时空动态特征及其对气候因子的响应机制, 得出以下结论:

从渭南市植被覆盖度年际变化特征看, 渭南市植被覆盖状况较好, 且呈现波动式增加的趋势, 年均增长率为0.007 a–1。由植被覆盖度长时间序列Mann-Kendall趋势检验的结果可知, 研究区植被覆盖度呈现显著上升趋势。

从渭南市植被覆盖度空间分布特征看, 除位于南山的韩城市西北部以外, 研究区植被覆盖度呈现由南向北递减的分布格局。渭南市植被覆盖度以中覆盖度为主, 2000、2005、2010和2015年所占比重分别为71.31%、68.54%、73.02%和53.07%。2000—2015年渭南市高植被覆盖区面积随时间推移表现为增加的趋势, 而极低覆盖区和低覆盖区面积呈波动式减小的趋势, 说明研究区植被处于恢复状态。

从植被覆盖度对气候因子的响应特征来看, 在年尺度上渭南市植被覆盖度与降雨量显著正相关区域占比较小, 与温度呈不显著正相关。在月尺度上, 植被覆盖度与降雨量和气温的相关系数高于年尺度上的相关系数, 且植被覆盖度与前两月降雨量相关系数较高, 表现出明显的时滞效应。

[1] IPCC. Summary for policymakers[R]//STOCKER T F, QIN Dahe, PLATTNER G K, et al. Climate change 2013: The physical science basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change. Cambridge University Press, Cambridge, United Kingdom and New York, 2013.

[2] XU Yufeng, YANG Jing, CHEN Yaning. NDVI­based vegetation responses to climate change in an arid area of China[J]. Theoretical and Applied Climatology, 2016, 126(1–2): 213–222.

[3] ZHANG Geli, XU Xingliang, ZHOU Caiping, et al. Responses of grassland vegetation to climatic variations on different temporal scales in Hulun Buir Grassland in the past 30 years[J]. Journal of Geographical Sciences, 2011, 21(4): 634–650.

[4] WU Chao, VENEVSKY S, SITCH S, et al. Present­day and future contribution of climate and fires to vegetation composition in the boreal forest of China[J]. Ecosphere, 2017, 8(8): 10.1002/ecs2.1917.

[5] HOU Wenjuan, GAO Jiangbo, WU Shaolong, et al. Interannual variations in growing-season NDVI and its correlation with climate variables in the southwestern Karst Region of China[J]. Remote Sensing, 2015, 7(9): 11105–11124.

[6] PARMESAN C, Yohe G. A globally coherent fingerprint of climate change impacts across natural systems[J]. Nature, 2003, 421(6918): 37–42.

[7] CAO Mingkui, WOODWARD F I. Dynamic responses of terrestrial ecosystem carbon cycling to global climate change[J]. Nature, 1998, 393(6682): 249–252.

[8] JIAPAER G, LIANG Shunlin, YI Qiuxiang, et al. Vegetation dynamics and responses to recent climate change in Xinjiang using leaf area index as an indicator[J]. Ecological Indicators, 2015, 58: 64–76.

[9] LIU Yanlan, LEI Huimin. Responses of natural vegetation dynamics to climate drivers in China from 1982 to 2011[J]. Remote Sensing, 2015, 7(8): 10243–10268.

[10] CHEN Aifang, HE Bin, WANG Honglin, et al. Notable shifting in the responses of vegetation activity to climate change in China[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2015, 87–88: 60–66.

[11] YANG Jun, GONG Peng, FU Rong, et al. The role of satellite remote sensing in climate change studies[J]. Nature Climate Change, 2013, 3(11): 875–883.

[12] HUETE A. Vegetation's responses to climate variability[J]. Nature, 2016, 531(7593): 181–182.

[13] TUCKER C J, SLAYBACK, D A, PINZON, J E, et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology, 2001, 45(4), 184–190.

[14] XU Haojie, WANG Xinping, YANG Taibo. Trend shifts in satellite¬derived vegetation growth in Central Eurasia, 1982–2013[J]. Science of the Total Environment, 2017, 579: 1658–1674.

[15] LAMCHIN M, LEE W K, JEON S W, et al. Long¬term trend and correlation between vegetation greenness and climate variables in Asia based on satellite data[J]. Science of the Total Environment, 2018, 618: 1089–1095.

[16] HE Bin, CHEN Aifang, WANG Honglin, et al. Dynamic response of satellite-derived vegetation growth to climate change in the Three North Shelter Forest Region in China[J]. Remote Sensing, 2015, 7(8): 9998–10016.

[17] PIAO Shilong, WANG Xuhui, CIAIS P, et al. Changes in satellite¬derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006[J]. Global Change Biology, 2011, 17(10): 3228–3239.

[18] 宋慧敏, 薛亮. 基于遥感生态指数模型的渭南市生态环境质量动态监测与分析[J]. 应用生态学报, 2016, 27(12): 3913–3919.

[19] 李小燕. 区域生态系统服务价值量与环境压力分析–以渭南市为例[J]. 干旱区研究, 2008, 25(5): 729–734.

[20] HUTE A, JUSTICE C, VAN LEEWEN W. MODIS Vegetation Index (MODIS 13) algorithm theo retical basis document[B]: New York: NASA Press, 1996.

[21] 谢余初. 近60年金塔绿洲时空变化及其驱动力研究[D]. 兰州: 兰州大学, 2012.

[22] 水利部. 土壤侵蚀分级分类标准[S]. 2008.

[23] 沈艳, 冯明农, 张洪政, 等. 我国逐日降水量格点化方法[J].应用气象学报, 2010, 21(3): 279–286.

[24] BURN D H, HAG ELNUR M A. Detection of hydrologic trends and variability[J]. Journal of Hydrology, 2002, 255(1–4): 107–122.

[25] FERI C, SCHAR C. Detection probability of trends in rare enents: Theory and application to heavy precipitation in the Alpine region[J]. Journal of Climate, 2011, 14(7): 1568–1584.

[26] MANN H B. Nonparametric tests against trend[J]. Econometrica, 1945, 13: 245–249.

[27] STOW D, DAESCHNER S, HOPE A, et al. Variability of the seasonally integrated Normalized Difference Vegetation Index across the north slope of Alaska in the 1990s[J]. International Journal of Remote Sensing, 2003, 24(5): 1111–1117.

[28] 穆少杰, 李建龙, 陈奕兆, 等. 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): 1255–1268.

[29] 周伟, 刚成诚, 李建龙, 等. 1982–2010年中国草地覆盖度的时空动态及其对气候变化的响应[J]. 地理学报, 2014, 69(1): 15–30.

[30] 王静, 万红莲, 张翀. 2001 年以来宝鸡地区植被覆盖时空演变及驱动力分析[J]. 植物科学学报, 2018, 36(3): 336–344.

[31] 渭南市林业局. 退耕还林工程: http://www.wnlyw.gov. cn/cllh/gjcd/496105.htm[EB]. 2018.

[32] 刘宪锋, 任志远. 西北地区植被覆盖变化及其与气候因子的关系[J]. 中国农业科学, 2012, 45(10): 1954– 1963.

[33] 张含玉, 方怒放, 史志华. 黄土高原植被覆盖时空变化及其对气候因子的响应[J]. 生态学报, 2016, 36(13): 3960–3968.

[34] 孙睿, 刘昌明, 朱启疆. 黄河流域植被覆盖度动态变化与降水的关系[J]. 地理学报, 2001, 56(6): 667–672.

[35] 张翀, 任志远, 李小燕. 黄土高原植被对气温和降水的响应[J]. 中国农业科学, 2012, 45(20): 4205–4215.

Temporal and spatial variation of vegetation and its correlation with climatic factors in Weinan City

ZHAO Yu1,2,*

1. School of Chemistry and Materials Science, Weinan Normal University, Weinan 714099, China 2. Key Laboratory for Ecology and Environment of River Wetlands in Shannxi Province, Weinan 714099, China

Vegetation dynamic monitoring and the relationship between vegetation and climate change are the hotspots of terrestrial ecosystem research. Based on the MODIS vegetation index data set and related meteorological data from 2000 to 2015 in Weinan City, Mann-Kendell test, trend analysis and correlation analysis were used to reveal the temporal and spatial dynamic characteristics of vegetation coverage and its correlation with climate factors. The results showed that: (1) Vegetation coverage in Weinan City showed a significant upward trend (0.007 a-1) from 2000 to 2015. (2) The vegetation coverage in Weinan City showed a trend of decreasing from south to north. (3) Vegetation coverage in Weinan City was dominated by medium coverage, accounting for 71.31%, 68.54%, 73.02% and 53.07% in 2000, 2005, 2010 and 2015, respectively. (4) On the annual scale, the vegetation coverage was not significantly positively correlated with rainfall and temperature. On the monthly scale, the correlation coefficient between vegetation coverage and rainfall and temperature in the study area was higher. Compared with the temperature, the vegetation coverage of Weinan City was more sensitive to the precipitation, and it was a water-restricted ecological zone.

vegetation change; precipitation; temperature; temporal-spatial distribution characteristics; Weinan City

10.14108/j.cnki.1008-8873.2019.05.013

P951

A

1008-8873(2019)05-092-12

2019-04-24;

2019-05-25基金项目:陕西省教育厅科学研究计划项目(18JS037); 陕西省高校科协青年人才托举计划项目(20180705); 渭南师范学院自然科学类人才项目(18ZRRC04)

赵玉(1987—), 女, 甘肃金昌人, 博士, 讲师, 主要从事生态水文研究, E-mail: zhaoyu737@163.com

赵玉

赵玉. 渭南市植被覆盖变化及其与气候因子的相关性[J]. 生态科学, 2019, 38(5): 92-103.

ZHAO Yu. Temporal and spatial variation of vegetation and its correlation with climatic factors in Weinan City[J]. Ecological Science, 2019, 38(5): 92-103.