2001-2018年西南地区NDVI变化特征及影响因素

2021-06-25杨艳蓉侯召朕张增信

水土保持通报 2021年2期

杨艳蓉, 侯召朕, 张增信

(1.南京林业大学生物与环境学院, 江苏南京 210037; 2.南京林业大学南方现代林业协同创新中心, 江苏南京 210037; 3.南京林业大学林学院, 江苏南京 210037)

植被是陆地生态系统的核心组分，植被变化与生态系统稳定性存在显著的相互影响[1]。来源于卫星遥感的归一化植被指数(normalized difference vegetation index， NDVI)，基于其长时序、高分辨率、覆盖范围广等特点，已广泛应用于植被动态监测[2]。2001—2017年的卫星遥感显示，全球植被叶面积呈增加趋势，中国以占全球6.6%的植被面积贡献了全球25%的叶面积增量，其中森林的贡献率最高，占42%[3]。造成这一结果的最直接驱动因素来自于20世纪末我国6大林业生态工程的相继颁布实施[4]，中国已将超过3.30×107hm2的农用地转化为森林和草原[5]，NDVI显著增长[6]。自然驱动因素对于植被增长的贡献主要体现在气候变化上。研究表明，气候变化是植被增长的主要驱动因子[7]，但这种驱动存在时空差异。Peng等[8]研究显示，最高温和NDVI的相关性在我国北方湿冷生态系统中为正，在温带地区为负，最低温和NDVI的相关性则多相反。Roerink等[9]发现欧洲的干旱区植被对降水的响应强烈，湿润区则无此现象。在中国范围内，从北向南气象因子对NDVI的影响逐渐减弱，大部分地区气温对NDVI的影响大于降水，气候变化对不同植被类型的NDVI影响差异很大[10]。

四川、重庆、云南、贵州为主的西南地区是中国重要的生态屏障[11]及第2大天然林区[12]，该地于1998年试点、2000年全面推进的天然林保护工程，其核心即禁止乱砍滥伐、退耕还林/还草。目前，项目实施20 a，验证天然林保护成果恰逢其时。但西南地区在人为和自然因素驱动下的植被变化研究困难重重，主要原因是该区域毗邻青藏高原，喀斯特地貌分布广泛，气候变化多样且独特[13]，属于典型生态脆弱区[14]，地表生态系统极易受到气候灾害和人为因素的影响[15]。因此，相比于中国长江中下游及“三北”防护林工程建设、京津冀风沙治理工程等来说，正式发布的结论不多。近年研究表明，人为因素中，退耕还林/还草政策实施是西南地区整体植被显著增加的贡献因子[16]；自然影响因素主要是气温、降水的影响，在川西高原[17]、云南高原湖泊流域等[18]局部地区得到了印证。本文基于2001—2018年MODIS NDVI数据、MODIS土地利用数据以及站点气候历史数据，得到西南地区NDVI动态变化特征，探索土地利用变化和气候变化对NDVI的影响，为西南地区应对气候变化、进一步实施天然森林保护工程以及实现社会生态的可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况

研究区域覆盖中国西南地区的四川、重庆、云南、贵州4省市(21°8′—34°19′N，97°31′—110°11′E)。该地区主要由盆地和高原组成，包括四川盆地、云贵高原和川西高原，海拔范围以1 000～3 000 m为主。云贵高原、四川盆地属于热带和亚热带季风气候，川西高原属于高原山地气候。植被类型复杂多样，包括阔叶林、针叶林、针阔混交林、多树型稀树草原、稀树草原[19]、草地、农用地、农用地/自然植被拼接等8种。西南地区特殊的地理位置、复杂多样的气候条件以及脆弱的生态环境，使其成为中国生态环境保护的重点区域之一。

1.2 数据和处理

西南地区NDVI数据来自NASA提供的MOD13A3(https:∥e4 ftl01.cr.usgs.gov/MOLT/MOD13A1.006/)数据，其时、空间分辨率分别为16 d，1 km。该数据已经过几何精校正、辐射校正、大气校正等预处理。在本文分析中，把该数据利用最大合成法得到月最大合成值，以进一步减少云层、大气气溶胶的影响。土地利用数据来自NASA的MCD12Q1数据(https:∥lpdaac.usgs.gov/products/mcd12q1v006/)，该数据时、空间分辨率分别为1 a，500 m。在本研究中，为了从空间上匹配NDVI数据，我们依据IGBP(International Geosphere Biosphere Programme，国际地圈与生物圈计划)分类方案，将MCD12Q1重采样至1 km分辨率[20]，结合研究需求对部分土地利用类型合并，最终得到12类西南地区土地类型：针叶林、阔叶林、混交林、灌丛、稀树草原、多树型稀树草原、草地、水体、农用地、农用地/自然植被拼接、城市、裸地。

西南地区气象数据来自国家气象科学数据中心(http:∥data.cma.cn/)提供的2001—2018年西南地区105个标准地面观测站逐日实测资料。本研究分析计算了西南地区年平均最高温、年平均温、年平均最低温和年总降水量，然后将各项气象数据分别与其监测站点海拔高度进行Pearson相关性检验。结果显示，所有气象数据与监测站点海拔高度，均在0.01显著水平上显著相关。因此，将各项气象数据结合站点所在海拔高度，使用ArcGIS进行协同Kriging插值[21]。对插值结果进行交叉验证，平均误差小于0.1%，插值精度较好，满足研究需求。

1.3 方法

1.3.1 研究区2001—2018年NDVI数值等级划分为了分析2001—2018年NDVI数值的分布格局变化，将NDVI从数值上分为5个等级：小于0.2，0.2～0.4，0.4～0.6，0.6～0.8以及0.8以上，并将研究时段平均分为每6 a一段，即：2001—2006年、2007—2012年和2013—2018年3个时期，使用ArcGIS作图得到西南地区2001—2018年NDVI空间分布和各值段的比例。

1.3.2 2001—2018年NDVI变化趋势采用Theil-Sen中值趋势分析，研究长时间序列植被NDVI变化的趋势，并耦合Mann-Kendall趋势检验判断趋势的显著性[22]。基于Theil-Sen和Mann-Kendall，把西南地区NDVI变化趋势分为4个等级：显著改善、不显著改善、不显著退化和显著退化，用于分析该地不同植被、不同区域NDVI变化趋势。

1.3.3 研究区2001—2018年植被类型转换对NDVI的影响为了量化不同植被类型转化对西南地区NDVI增长的贡献，以2001—2006年各像元NDVI数据为基础，计算不同植被类型改变对NDVI提高的影响度指数[26]，探索哪种植被的转化是西南地区NDVI数值增加的主因。

1.3.4 研究区2001—2018年NDVI与气象要素的相关性为了分析NDVI与主要气象要素气温和降水的关系，计算NDVI与最低温、平均温、最高温以及年降水量的Pearson偏相关系数[18]平均值。将其分为5个等级：强正相关(大于0.6)，正相关(0.2～0.6)，弱相关(-0.2～0.2)，负相关(-0.2～-0.6)和强负相关(小于-0.6)，在空间上进行逐像元偏相关计算，利用ArcGIS绘图得到NDVI与气象要素的偏相关关系空间分布。

2 结果与分析

2.1 西南地区NDVI变化特征

依据已经确定的12种土地使用类型，挑选出主要植被类型8种(从2001—2018年，灌丛在植被类型所占比例小，变化也很小，故未参与分析)，发现西南地区2001—2018年不同植被NDVI从数值到增长趋势均不同(图1)。从数值来看，西南地区2001—2018的NDVI均值为0.58，森林类型(针、阔、混交林)的NDVI均值最高，达到0.70，超出平均值20.69%。草地最低，仅为0.42，低于平均均值27.59%。农用地、农用地/自然植被拼接属于农用地类，多树型稀树草原、稀树草原属于稀树草原类，这二者与平均均值基本相当，分别为0.53，0.60。2001—2018年西南地区不同类植被NDVI数值差异表现为：森林类>稀树草原类>农用地类>草地。用趋势线斜率表示不同植被的NDVI增长趋势[23-24]。同样由图1可得，2001—2018年所有植被类型平均NDVI的趋势线斜率为0.003 9，这一数值与2001—2016年全国均值0.004 4基本相当[25]，其中农用地/自然植被拼接类型趋势线斜率最大，为0.006 2，其次为稀树草原类，分别为稀树草原(0.004 7)、多树型稀树草原(0.004 0)，其后为混交林(0.003 0)、阔叶林(0.002 8)、农用地(0.002 4)和针叶林(0.001 2)，草地的趋势线斜率最小，仅为0.000 8。2001—2018年西南地区不同植被NDVI增长趋势表现为：农用地类>稀树草原类>森林类>草地。

图1 西南地区2001-2018年不同植被NDVI随时间变化

2001—2018年NDVI各值段空间分布情况如图2所示，对应各值段所占比例详见表1。由表1所示，NDVI在0.4～0.8值段占比超过90%，高值分布区域由超过0.8的云贵高原以南逐步扩张到岷江—乌蒙山以东的城市群以外大片区域(图2)，表现为NDVI数值增高、高值段分布范围逐年增大的特征。以0.6～0.8高值段NDVI为例，2007—2012年比2001—2006年增加了21.40%，2013—2018年又比2007—2012年增加了32.33%(表1)。川西高原西北部在整个研究时段都属于NDVI低值(小于0.4)分布区(图2)，分布面积占比有逐年下降趋势(表1)。

表1 西南地区不同等级NDVI值所占的空间比例 %

图2 西南地区2001-2018年各时段NDVI值空间分布

为了说明NDVI增长趋势的显著性，图3给出了西南地区NDVI显著改善、不显著改善、不显著退化和显著退化分布图。由图3可见，以岷江—乌蒙山为界(见图3虚线)，以东区域包括四川盆地、贵州、重庆呈NDVI显著改善区，以西区域则呈轻微改善甚至退化状态，退化趋势主要出现在成都西北部、川滇交界的横断山脉以及云贵高原西部等地。显著改善、不显著改善、不显著退化和显著退化的面积占比分别为67.09%，24.59%，6.80%和1.52%(详见表2)。其中农用地/自然植被拼接类型显著改善的面积占比最高，达到93.46%，其次为稀树草原类，超过75%，阔叶林、混交林紧随其后，接近70%，草地的显著改善面积占比最少，只有32.55%。对所有植被类型来说，呈显著退化趋势的面积占比都较低，除农用地达到6.31%以外，其余均不超过3%。

图3 西南地区2001-2018年NDVI变化趋势分布

表2 西南地区各植被覆盖类型NDVI的变化趋势 %

2.2 植被类型转化对NDVI的影响

分析MCD12Q1数据发现，中国西南地区2001—2018年的植被覆盖面积占比稳定在98%左右，主要类型是森林类(针、阔、混交林)，其次是多树型稀树草原、稀树草原、草地和农田。这5种主要植被类型中，只有森林类的面积增加，且增速随时间增加：2001—2006年增长了1.46%，2006—2012年，2013—2018年分别增长了5.17%和17.43%。已知森林类型的NDVI均值最高(图2)，因此，20 a来天然林保护工程、退耕还林/还草工程对该地NDVI增长贡献主要体现在其他植被向森林类的转化上。分析发现，从2001—2018年，西南地区植被类型转换的突出特征是从低值NDVI植被类型向高值NDVI植被类型的转化。其中，最突出的是稀树草原类型向森林类型的转化，总转化面积达到73 693 km2，其次为草地向稀树草原、稀树草原向多树型稀树草原、农用地向稀树草原的转化，总转化面积分别为14 530，12 403和8 565 km2(图4)。基于这些转化数据，使用ArcGIS软件，给出了新增森林植被在西南地区的空间分布(图5)。

图4 西南地区2001-2018不同植被类型间的转化面积

由图5可见，多树型稀树草原、稀树草原向森林的转变主要发生在四川盆地和川西高原以外的地区，其中稀树草原向森林的转化发生在云贵高原中部和四川盆地南缘，多树型稀树草原转变为森林的区域更广。表3给出了3个6 a时段内植被类型的净转化率，即净转化面积(转出面积与转入面积的差)除以该类型植被的初始面积。每种低NDVI植被向高NDVI植被的净转化率都随时间呈现递增，净转化率最大的是农用地向稀树草原以及多树型稀树草原向森林的转化，二者在2013—2018年段均超过了10%，增速最快。从不同植被类型的转变对NDVI增长贡献来看，各转化的影响度指数排序如下：多树型稀树草原转化为森林类(5 330.62)>稀树草原转化为多树型稀树草原(3 628.66)>稀树草原转化为森林类(1 706.14)>草地转化为稀树草原(1 326.99)>农用地转化为草原(819)。其中，从多树型稀树草原和稀树草原向森林类型转化的影响度指数占总指数的54.69%，是西南地区NDVI增长的主要贡献因子。

图5 西南地区2001-2018年新增森林植被的空间分布

表3 西南地区不同植被类型的净转换比例 %

2.3 区域气候变化对NDVI的影响

2001—2018年，西南地区最低温、平均温和最高温及年降水量均值分别为10.02 ℃，14.26 ℃，20.37 ℃和1 015.95 mm，这些气象要素均呈现上升趋势(图略)。最低温的趋势线斜率为0.033 0，高于最高温(0.023 3)和平均温(0.022 8)，增长趋势最显著。2001—2018年年降水量趋势线斜率为4.319，亦呈上升趋势。对西南地区不同植被类型的NDVI与气温、降水进行偏相关分析，分析结果见表4和图7。由表4可见，不同植被NDVI与最低温、最高温、平均温和年降水量均呈现正相关关系。平均而言，NDVI与气温的正相关性大于降水，具体为：NDVI-最低温>NDVI-平均温>NDVI-最高温>NDVI-年降水量。不同植被类型的NDVI与气象要素的相关性有差异，针叶林与气温和降水的相关性最不显著。除针叶林和农用地外，其他植被类型的NDVI与最低温、最高温、平均温的偏相关系数都超过0.5，呈显著正相关(绝大部分满足p<0.01)。稀树草原、农用地类的NDVI与降水呈显著正相关(p<0.05)。

表4 西南地区2001-2018年不同植被类型NDVI与气温和降水的偏相关系数

使用ArcGIS软件进行逐像元分析得到偏相关系数空间分布如图6所示。由图6可见，NDVI与气温和降水的相关性具有空间差异，不同植被类型和不同区域差异较大。总体来看，在岷江—乌蒙山以东地区(除重庆南部)最高，以西地区较复杂：NDVI与年降水量整体呈负相关或弱正相关，云贵高原中部地区表现为NDVI与最低温、最高温、平均温的负相关区域。另外，云贵高原以南地区表现出NDVI-最低温的强正相关。为了定量分析气温和降水对西南地区NDVI增长的贡献，我们以年平均气温指示“气温”，年均降水量指示“降水”，对2001—2018年的年均气温和年降水量数据进行归一化处理并进行多元线性回归，可知2001—2018年西南地区NDVI增加的41.8%可以用气温和降水的变化来解释，温度和降水的贡献率分别为32.35%和14.54%。

图6 西南地区2001-2018年NDVI与各气侯因子的偏相关系数空间分布

3 讨论

(1) 西南地区岷江—乌蒙山东、西两侧NDVI的差异性表述。2001—2018年西南地区NDVI数值和变化趋势均体现了以岷江—乌蒙山为界的东、西两侧不对称的特点，这与该地一直以来的研究结论类似[11,27-29]。但在不对称问题的描述上有分歧，2001—2018年的结果显示界线以东是NDVI的高值区域和显著改善区，以西为NDVI低值区和轻微改善区甚至退化区。这一结果与2000年后西南地区的相关研究结论相似[11,27-28]，但与早期的研究结果相反[29]。这可能与该地区1961—2005年年均降水量呈缓慢下降趋势[30]有关。同时，可能是2010年后该地天然林保护、退耕还林/还草等林业生态保护政策实施的效果逐步凸显的影响，这一政策在不同地区对NDVI增长的影响时效不同，如在黄土高原[31]、毛乌素沙漠地区[32]略提前。另外，目前常用的长时间序列NDVI资料主要来自GIMMS，SPOT，MODIS等，虽然这些资料在大尺度时空趋势上基本一致，MODIS NDVI数据相对更优[33]，但可能会由不同区域、不同植被类型、不同研究时段等使研究结果产生差异[33-34]。因此，西南地区岷江—乌蒙山东、西两侧NDVI变化及影响因素，特别是定量分析，需要更多资料和信息多方验证。

(2) NDVI变化是人为和自然因素共同复杂作用的结果，单一讨论某一方面则趋于片面。NDVI增加是由多种因素引起的，其主要驱动力为人类活动和气候变化(特别是气温和降水)，这一结论已基本达成共识[35-37]。本文为了量化这二者对于西南地区NDVI的贡献，同时由于这一地区就此公开发表的详尽结论较少、人为和自然因素复杂，因此分别加以阐述。这一做法在很多研究中常见。在实际过程中，由于区域差异性的气候变化作用和复杂的人类活动因素相互渗透。例如退耕还林导致土壤侵蚀改善对NDVI的贡献[38]，区域气候变化导致植被稳定性变化对于NDVI的影响等[39]，NDVI的变化大多是二者共同、相互影响的结果。目前，地理探测器原理[40]揭示NDVI变化的人为和自然驱动效果的方法得到了应用，2020年以来，在内蒙[41]、宜宾等[42]地进行了研究，虽然结果不尽相同，但已取得了初步结论。这也是今后西南地区植被变化驱动力研究的方向之一。

2020年10月《Nature》最新研究指出，在中国以往的研究中低估了西南地区植被覆盖改善的意义，尤其在天然林固碳方面[43]，这为后续研究西南地区森林植被变化对区域气候影响的研究提供了新的扩展方向。