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

孟 琪,武志涛*,杜自强,张 红 (.山西大学黄土高原研究所,山西 太原 030006；.山西大学环境与资源学院,山西太原 030006)

植被覆盖度(FVC)的时空变化及驱动机制,对区域的生态环境评价具有重要意义[1-2].随着遥感技术的成熟,高时间分辨率和高空间分辨率的影像数据获取技术不断完善,遥感测量在大范围FVC 的研究中得到广泛应用[2].许多学者常使用归一化植被指数(NDVI)来估算FVC,并建立了许多利用NDVI 估算FVC 的模型,其中像元二分模型应用最为广泛[3].而MODIS NDVI 数据可实现21 世纪以来长时间不间断的监测,具有时序性强、光谱分辨率丰富、获取便捷的特点,对从事时间序列地表植被变化监测研究具有重要意义.目前国内外学者利用 MODIS NDVI 数据基于像元二分模型在县级尺度[4]、区域尺度[5]以及整个中国区域尺度开展了FVC 时空变化相关研究.

在前人的研究过程中,主要利用相关系数法[6-7]、变异系数法[8]等来分析自然因素和人类活动对FVC 变化的影响.前人研究所采用的方法主观性较强,仅仅从数量上描述了影响因子对FVC 变化的作用程度,并未定量分析影响因子对FVC 空间分异的影响,且对于影响因素之间的协同作用研究较少[9].地理探测器是一种探测空间分异并揭示其潜在影响因子的一种方法,它通过探测地理现象的空间分层异质性来揭示其背后的驱动力[10].地理探测器最早被应用于疾病风险与地理环境要素的相关性研究.近年来,有学者将其用于探究人为因素和自然因素对植被覆盖变化的影响.目前,该方面的研究主要分为两类,一方面是识别主要影响因子,如裴志林等[11]运用地理探测器模型分析发现降水量是影响黄河上游FVC 空间分布的主要因素;另一方面是研究驱动因素之间的耦合作用,如吴思佳等[12]通过地理探测器模型研究发现人为因素与自然因素的共同作用对植被覆盖变化的影响力较强.

京津风沙源区是中国政府为改善和优化京津及其周边地区生态环境状况、减轻风沙灾害而划分的生态工程治理区[13].此外,该研究区气候变化显著,加之大规模的人类活动,成为研究气候变化和人类活动共同作用对植被变化的影响典型试验区.前人对京津风沙源区植被变化的研究主要以NDVI 数据为主,关于FVC 及其驱动力的定量研究还较少[14].众多研究表明水分和温度是两大最主要的影响植被生长的气候因子,尤其是在干旱、半干旱区[15],同时考虑到地形对植被生长起到间接作用[16],加之人类活动对当地植被的影响,因此选取气象数据(日降水量≥0.1mm 时数、平均相对湿度、平均2min 风速)、地形数据(高程、坡度、坡向)以及人类活动数据(年末大牲畜头数、年末人口总数、粮食作物播种面积、GDP)来反映对FVC的影响.本文基于MODIS 250m NDVI 数据,运用像元二分法模型估算京津风沙源区FVC 及其时空分异特征.同时基于地理探测器模型,定量揭示各个驱动因子对FVC 空间分布的影响,并确定每个因子对促进植被生长的最适宜特征,为适应、减缓驱动因子对植被变化的影响、恢复植被与生态环境提供科学依据.

1 研究数据与方法

1.1 研究区概况

本文选取京津风沙源治理工程区为研究区(图1), 该 区 范 围 为 109°30’E～119°20’E, 38°50’N～46°40’N,东西横跨近700km,南北横跨近600km[10],包括北京、天津、内蒙古、山西及河北等5 省(自治区、直辖市)在内的75 个县(旗、市、区),总面积为45.8×104km2[15].京津风沙源区地深处大陆内部,气候复杂多变,以温带干旱半干旱气候为主,夏季炎热多雨,冬季寒冷干燥,全年降水量为459.5mm,且分布不均,降水多集中在夏季,约占全年总降水量的65%,为年蒸发量的1/5[17];年气温区域差异显著,最低的内蒙古阿巴嘎旗可低至0.6℃,北京最高为12℃,区域平均气温为7.5℃[18].

图1 研究区位置Fig.1 Location of study area

1.2 数据源及处理

1.2.1 遥感数据 本次研究选取2000～2018 年MODIS NDVI 时间序列数据来源于美国 USGS 数据中心(https://lpdaac.usgs.gov/)发布的MOD13Q1数据产品,研究区覆盖8 景影像,分别为h25v03、h25v04、h26v03、h26v04、h26v05、h27v03、h27v04、h27v05,时间分辨率为16d,空间分辨率为250m.利用MRT(MODIS Reprojection Tool)对MODIS NDVI 数据进行重投影和拼接,然后利用遥感处理软件ENVI采用最大值合成法(MVC)合成每月最大化NDVI 数据集.

1.2.2 气象数据 气象数据来源于中国气象数据网(http://data.cma.cn/)提供的中国地面气候资料月值数据集.选择位于研究区内的 27 个气象站2000～2018 年的资料,包括降水(X1)、气温(X2)、日降水量≥0.1mm 时数(X3)、平均相对湿度(X4)、平均2min 风速(X5)等气象数据,使用反距离权重插值法(IDW)对气象数据进行空间插值,插值处理后的栅格空间分辨率为90m.

1.2.3 地形数据 DEM(数字高程模型)数据来源于美国国家航空航天局(NASA)和国防部国家测绘局(NIMA)共同测量的SRTM(航天飞机雷达地形测绘使命)数据产品(http://dwtkns.com/srtm/).基于SRTM 90m 分辨率高程数据(X6),利用ArcGIS10.2中的3D 分析模块,从该数据中提取坡度(X7)和坡向(X8)信息,生成坡度图和坡向图.

1.2.4 人类活动数据 人类活动数据选取年末大牲畜头数(X9)、粮食作物播种面积(X10)、年末人口总数(X11)和GDP(X12),数据均从2000～2018 年《内蒙古统计年鉴》、《山西省统计年鉴》、《河北省统计年鉴》、《北京市统计年鉴》、《天津市统计年鉴》中提取筛选,具体到各旗、县,在ArcGIS 中进行空间关联并生成矢量数据.

1.3 研究方法

1.3.1 植被覆盖度计算 像元二分模型假设每个像元的光谱信息均是纯植被和纯土壤2 种组分以面积比例加权而成的线性组合[19],即

式中:FVC 为植被覆盖度;NDVIsoil为裸土或无植被覆盖区域的 NDVI 值;NDVIveg为纯植被像元的NDVI 值.理论上NDVIsoil的值应该接近0,NDVIveg代表全植被覆盖像元的最大值,但是,由于受光照条件、时空变化、影像质量、植被类型等众多因素影响,NDVIsoil和NDVIveg的实际值会发生变化.在运用像元二分模型估算FVC 时,通常根据经验取置信区间内 NDVI 的最小值和最大值为 NDVIsoil和NDVIveg,本文选取累计频率为0.5%的NDVI 值作为NDVIsoil,累计频率99.5%的NDVI 值作为NDVIveg估算京津风沙源区的FVC.

本文采用张勇等[20]的分类标准,将FVC 分为4个等级,分别是无植被覆盖度:0≤FVC≤0.05;低植被覆盖度:0.05＜FVC≤0.25;中植被覆盖度:0.25＜FVC≤0.5;高植被覆盖度:FVC＞0.5.

1.3.2 FVC 变化趋势分析方法 线性回归分析法是研究植被长时序变化的重要方法[21].对于植被指标的时序数据,同一像元位置对应相应的一组时间序列,采用最小二乘法拟合得到相应的线性方程[3].本文将FVC 与时间序列做回归分析,研究基于像元的京津风沙源区FVC 变化趋势,其表达式如下:

1.3.3 FVC 驱动因子定量分析方法 地理探测器是探测空间分异性,以及揭示其背后驱动力的一组统计学方法.它能够探测各因子对FVC 的贡献率,能从庞大的空间数据库中提取有用的空间关联规则[22-23].地理探测器共分为4 部分:

(1)因子探测器.因子探测用于分析每个影响因子变化趋势对FVC 空间分异的影响大小.将FVC 作为因变量,各因子作为自变量,引入研究区FVC 分异决定力指标q[24],其模型如下:

式中:q 是度量空间分异性的指标;h=1,2,···,L 为分类数目;nh和n 分别为层h 和全区的样本单元数,和σ2分别为层h 和全区的方差.SSW 和SST 分别为层内方差之和(within sum of square)和全区总方差(total sum of squares). q 的取值范围为[0,1],q 值越大,说明影响因子对FVC 的解释力越强.

区域Y 值的方差计算公式如下:

生态探测器.生态探测用于比较两因子X1 比X2对FVC 空间分布的影响是否有显著的差异,可判断X1 比X2 对FVC 空间分布是否具有更重要的影响力[25].因子X1 比X2 对FVC 空间分布的影响是否有显著的差异,以F 统计量来衡量:

式中:Nx1及Nx2分别表示2个因子的样本数量; SSWx1和SSWx2分别表示由2 个因子形成分层的层内方差之和;L1和L2分别表示变量X1 和X2 分层数目.

(3)风险探测器.风险探测用于判断2 个因子子区域间的属性均值是否有显著的差别,用于搜索FVC 好的区域[26].风险探测用t 统计量来检验:

(4)因子交互作用探测.交互作用探测用于识别因子之间的交互作用,即评估自然因子和人类活动共同作用(增加或减弱)或者相互独立作用对FVC 空间分布的解释力[27](表1).

1.3.4 驱动因子离散化 由于驱动因子数据都属于连续变量,而地理探测器模型所需的数据是离散变量,因此需要对驱动因子进行离散化处理.所谓驱动因子离散化,是指结合地理探测器模型,在某一离散化方法和分类区间下选取q 值最大的分类数[28].研究者根据经验对连续数据离散化,具有一定的主观性和随机性.为了克服该缺点,本文采用标准差分级法对数据进行离散化处理,此分级方法完全根据原始数据固有的数值特征和分布规律来进行分级,不考虑人为因素对原始数据的影响,仅仅从统计的角度将数据均值作为分级的中心,使得分级结果更具客观性[23].标准差是数据精密度的衡量指标,反映了整个样本对样本平均数的离散程度,也就是样本数据的离散程度.标准差分级方法用于显示要素属性值与平均值之间的差异.标准差分级法是以均值为中心,以标准差的倍数为级差,分别向大于和小于均值的两个方向进行分级的方法.ArcMap 可计算平均值的标准差,将使用与标准差成比例的等值范围创建分类间隔.本文采用1 倍标准差进行分级,计算各驱动因子的决定值q.

表1 因子交互作用探测结果Table 1 The results of factors interaction

2 结果与分析

2.1 京津风沙源区FVC 变化特征

图2 2000～2018 年植被覆盖度变化特征Fig.2 Characteristics of vegetatin coverage change from 2000 to 2018

近20a 来,研究区内FVC 总体上呈增加趋势,年增加趋势为0.013/10a(图2),表明京津风沙源治理工程的生态效应正在呈现.2000～2018年京津风沙源区不同等级FVC 状况发生了较大变化,中植被覆盖度区域和高植被覆盖度区域明显增加,增加率分别为11.88%和2.43%,说明京津风沙源区的生态工程建设促进了研究区内植被的恢复.但是从图3 中可以看出,中植被覆盖度所占比例最大,占研究区面积的40%以上,其次是低植被覆盖度,占研究区面积的25%以上.因此,虽然京津风沙源区的FVC 总体呈增加的趋势,但仍以中植被覆盖度和低植被覆盖度为主.表明京津风沙源治理工程仍需继续实施,FVC 才能恢复到较高的状态.

从图4 中可以看出,京津风沙源区FVC 整体呈上升的趋势.FVC 增加的区域占整个京津风沙源区的73.7%,减少的区域占26.3%.其中,FVC 增加的区域主要集中在晋北山地丘陵亚区、燕山丘陵山地水源保护亚区和大兴安岭南部亚区、科尔沁沙地亚区的南部;FVC 退化的区域主要集中在农牧交错带亚区的中部、浑善达克沙地亚区的东北部和大兴安岭南部亚区的中北部和典型草原亚区的东南部.

图3 不同植被覆盖类型的FVC 变化特征Fig.3 Variation characteristics of different vegetatin cover types

图4 2000～2018 年京津风沙源区逐像元植被覆盖度变化趋势Fig.4 The trend of vegetation coverage variation in BTSSR from 2000 to 2018

2.2 自然因素与人类活动对FVC 空间分布影响的定量分析

由表2 可知,各因子对植FVC 空间分布的影响程度排序为:降水(0.633)＞坡度(0.46)＞气温(0.3485)＞年末大牲畜头数(0.348)＞平均相对湿度(0.3368)＞日降水量≥0.1mm 时数(0.2787)＞年末人口总数(0.2222)＞平均2min 风速(0.2214)＞GDP(0.2004)＞粮食 作 物 播 种 面 积(0.1673)＞DEM(0.1573)＞坡 向(0.0055).因此,降水是影响区域FVC 空间分布的主要驱动因子,解释力达到63.3%,其次是坡度,解释力为46%.人类活动中的年末大牲畜头数对FVC 的空间分布影响较大,解释力达到34.8%,其次是年末人口总数,解释力为22.2%.粮食作物播种面积、高程、坡向的单个因子解释力则较小,均低于20%.这表明京津风沙源区地处温带干旱半干旱区,半干旱植被主要为草原,干旱区植被主要为荒漠草原和荒漠[27],这些植被类型对降水的变化较敏感,因此,水分是京津风沙源区植被生长状况的主要限制因素.随着社会的持续发展,人类活动对自然环境的干预程度也不断加大,京津风沙源区自古是牧区,滥牧是京津工程区土地沙化的主要成因,因此,年末大牲畜头数成为人类活动中影响FVC 空间分布的主要驱动因子.

表2 各驱动因子的决定值qTable 2 The determining value q of the driving factors

2000 年为京津风沙源治理工程实施前,2010 年京津风沙源一期治理工程实施结束,2018 年二期工程实施中,选取3 个时间段更好地揭示不同时期各驱动因子是如何影响京津风沙源区FVC 的空间分布.本文通过进一步计算2000 年、2010 年、2018 年各因子对FVC 空间分布影响程度的q 值,分析各因子在不同时期对FVC 空间分布的影响力大小(图5).从图5 中可知,3 个时期中,降水是自然因子中对FVC 空间分布解释力最大的驱动因子,其对FVC 空间分布的解释力均超过了58%.坡度和坡向在2000年、2010 年、2018 年解释力波动幅度不明显,解释力在44%～45.3%,这主要是因为地形在较短时间内不会发生变化.3 个时期气温对FVC 空间分布的解释力在逐渐增大,解释力由27.6%上升到36.9%,表明区域FVC 对气温的敏感性在增加.人类活动中,年末大牲畜头数对FVC 空间分布的解释力逐渐降低,由38.8%降到27.1%,这与该研究区实施禁牧、休牧和轮牧等政策有关.而年末人口总数、粮食作物播种面积和GDP 的解释力变化幅度不超过8.2%,说明人类活动的影响力低于自然因子的影响力,FVC 空间分布主要受自然因子的控制.

图5 2000 年、2010 年、2018 年因子探测结果Fig.5 The results of factor detection in 2000, 2010 and 2018

2.3 自然因素与人类活动对FVC 影响的差异性分析

表3 探测因子显著性分析(置信水平95%)Table 3 Statistical significance of detection factors (95% confidence level)

生态探测器模块着重比较各驱动因子对FVC空间分布影响的相对重要性是否有显著差异,不同驱动因子对京津风沙源区FVC 影响的显著性分析表明(表3),降水与其他因子对FVC 的空间分布均不具有显著差异;气温除了与坡度对FVC 的空间分布具有显著差异,与其他因子均无显著差异;日降水≥0.1mm 时数与平均相对湿度、坡度、年末大牲畜头数对FVC 的空间分布具有显著差异;平均相对湿度只有坡度对FVC 的空间分布具有显著差异,与其他因子均无显著差异;平均2min 风速与坡度、年末大牲畜头数对FVC 的空间分布具有显著差异;高程与坡度、年末大牲畜头数、GDP、年末人口总数对FVC 的空间分布具有显著差异;坡度除了与降水不具有显著差异,与其他自然因子均具有显著差异,与人类活动均不具有显著差异;坡向与所有自然因子对FVC 的空间分布均不具有显著差异,与人类活动均存在显著差异;年末大牲畜头数与日降水≥0.1mm时数、平均2min 风速、高程、坡向对FVC 的空间分布具有显著差异;粮食作物播种面积与坡向、年末人口总数、GDP 对FVC 的空间分布具有显著差异;年末人口总数、GDP 与高程、坡向、粮食作物播种面积对FVC 空间分布具有显著差异.

2.4 自然因素与人类活动对FVC 影响的适宜性分析

基于地理探测器中的风险探测器模块,分析各影响因子对植被生长的适宜类型或范围,并在95%置信水平上进行统计意义检验(表4).FVC 均值越大,各驱动因子的特征更适合植被生长,不同驱动因子的FVC 均值差异明显.随年平均降水量、年平均气温、坡度和年末人口总数的增加,研究区内FVC 均值增高,分别在467.8～527.9mm、7.9～10.4℃、20～66°以及794785～2813722 人分区时,FVC 达到最大值0.532、0.462、0.537 和0.509;FVC 均值随平均2min风速、平均相对湿度、坡向和日降水≥0.1mm 时数呈先逐渐增高、后快速降低的趋势和波动变化,分别在2.07～2.43m/s、50.8%～57.6%、12.95～120.18°以及65～76d 分区时,FVC 达到最大值,分别为0.371、0.357、0.307 和0.338.因此,植被对不同的气候因子具有不同的适应范围,适宜的自然因子范围,对植被生长具有至关重要的影响.随高程的升高,FVC 均值呈先下降后升高的变化趋势,在1892.5～2789m 高度,FVC 均值达到最高值0.466,表明这一地形因子范围,促进了植被生长.研究表明,植被变化受海拔高程、坡度和坡向变化的影响可由微地形因子决定的不同气候来解释,不同地形因子与年降水量和年平均气温变量相关;同时植被生长所需营养随海拔升高和温度下降影响而降低,坡度和坡向影响了其他作为生态环境关键因素的数量.

表4 各驱动因子的适宜限制(置信水平95%)Table 4 The suitable limits of the driving factors (95%confidence level)

2.5 自然因素与人类活动对FVC 影响的耦合作用研究

交互探测器主要通过识别不同影响因子对FVC 空间变化的交互作用,分析是否会增加或减弱对因变量FVC 空间分布的解释力,或这些因子对FVC 的影响是否是相互独立的.由表5 可知,绝大部分自然因素和人类活动因子间交互作用的q 值都大于任何因子单独作用的q 值,表明影响因子的两两交互作用均会增加对FVC 空间分布的解释力.研究发现(表6),自然因素和人类活动间的交互作用主要以双协同作用和非线性协同作用为主,不存在相互独立起作用的因子.交互作用解释力较强的为降水量、坡度与其他驱动因子的协同作用,以双协同作用为主.由表6 可知,降水与其余因子的交互作用最强,且均为双协同作用,解释力在63%以上,如X1∩X2=0.659,X1∩X3=0.676,X1∩X10=0.670;其次是坡度与其余因子的交互作用,解释力在 50%以上,如X3∩X7=0.598,X4∩X7=0.632,X5∩X7=0.558.从表6 中可以发现,人类活动的单因子解释力较低,但是与自然因素的交互作用解释力较强,均大于单因子的解释力,交互作用呈现双协同作用和非线性协同作用,因此,自然因素和人类活动对FVC 空间分布的影响既不是单方面起作用,也不是二者的简单叠加,而是相互增强或非线性增强效应.

表5 各驱动因子的交互作用探测结果Table 5 The results of Interaction detection of driving factors

表6 各驱动因子之间的交互作用Table 6 The interaction of driving factors

3 讨论

本文的目的是使用地理探测器模型探究气候因素、地形因素以及人类活动对FVC 空间分布的影响.众多学者虽然对于京津风沙源区植被变化及其驱动因素进行了大量研究,在考虑影响因子时,主要以气温和降水为主,且关于地形对FVC 空间分布的间接影响和人类活动对FVC 影响的研究较少.鉴于此,本文在选取部分自然因素后,加入了地形因子数据以及部分人类活动数据,以便更好地分析影响FVC 空间分布的主导因子.研究发现,自然因素中,降水是影响京津风沙源区FVC 空间分布的主要驱动因子,这和裴亮等[29]、严恩萍等[15]关于京津风沙源区植被变化的研究结果一致.人类活动影响因子中,年末大牲畜头数是影响FVC 空间分布的主要驱动因子,马梅等[30]研究认为干旱区半干旱区的草地退化, FVC 降低,是由超载过牧引起的;王萨仁娜等[31]对内蒙古荒漠草原FVC 的研究结果发现随着载畜率的增加,草原FVC 显著降低,不同的载畜范围对草原FVC 的影响程度不同[34]且对人类活动的变化较为敏感.本研究得出与此相似的结论.

在数据选取方面,由于数据的限制和区域尺度的制约,本文未能定量分析生态工程措施等对FVC空间分布的影响,此外,京津风沙源区各个亚区所实施的生态治理措施不同以及植被类型有所差异,若进一步探讨影响FVC 空间分布的驱动因素,需要针对各个亚区不同工程治理措施以及植被类型进行具体研究.因此,在今后的研究工作中如何更精准地定量研究各驱动因子对FVC 的影响,尤其是人类活动中生态工程措施的作用,仍然是之后相关研究需要考虑并明确分析的内容.

国内外学者借助不同方法对植被变化及驱动力分析进行了大量研究,相关分析法、残差分析法是较常用的研究方法,李庆旭等[32]采用相关分析法探讨了京津风沙源区植被覆盖变化与降水因素的关系,于璐等[16]使用残差分析法分离出人类活动对植被变化的影响.相关分析法对相关性的空间异质性挖掘不足,残差分析法未能将人类活动的影响进行量化[33].而地理探测器作为一种分析驱动因子的新统计学方法,不仅能探测驱动因子的解释力并将其量化,还能分析驱动因子的交互作用[34].研究结果表明,自然因子是影响FVC 空间分布的主导因子,但自然因子和人类活动的交互作用下,对FVC 空间分布的解释力大于单因子的解释力,如降水对FVC 空间分布的解释力为63.3%,但与其他因子的交互作用解释力均大于63.3%.

地理探测器虽有独特优势,但是连续因子的离散化无明确标准,致使其分类结果直接影响着模型运算结果,该方法在分析FVC 影响因素时会受尺度效应和分层效应的影响[35].对于尺度效应,目前本文的区域是京津风沙源区,在更大范围或者在京津风沙源不同亚区的自然地理特征分层时可能会导致研究结果的不确定性.针对分层效应,离散化连续变量的方法有很多,常用的分类方法有自然断点分级法、相等间隔法、标准差分级法等.研究中发现,不同的分类方法对探测结果具有一定的影响[35].本文选用了标准差分级法分析,避免了人为分类的主观性.但是,分类方法和分类数量对研究结果的影响规律仍需要进一步做研究.

4 结论

4.1 2000～2018 年京津风沙源区FVC 整体呈现上升趋势,增加的区域占整个研究区的73.7%,主要集中在晋北山地丘陵亚区、燕山丘陵山地水源保护亚区和大兴安岭南部亚区、科尔沁沙地亚区的南部;植被覆盖度下降的区域占到26.3%,主要集中在农牧交错带亚区的中部、浑善达克沙地亚区的东北部和大兴安岭南部亚区的中北部.

4.2 2000～2018 年各驱动因子对植被覆盖度的解释力排序为:降水＞坡度＞气温＞年末大牲畜头数＞平均相对湿度＞日降水量≥0.1mm 时数＞年末人口总数＞平均2min 风速＞GDP＞粮食作物播种面积＞DEM＞坡向.其中,降水是自然因素中影响植被覆盖度空间分布的主要因子,解释力在63%以上,其次是坡度的影响,其解释力超过了45%;年末大牲畜头数是人类活动中影响植被覆盖度空间分布的主要驱动因子,解释力达到34.8%.

4.3 各个驱动力因子间交互作用以双协同作用和非线性协同作用为主.降水与其余因子的交互作用解释力均在63%以上;除坡向外,人类活动各驱动因子与自然因子均增强了对研究区FVC 空间分布的影响程度,解释力均在30%以上.