1982—2015年黄河流域植被NDVI时空变化及影响因素分析

张静 ，杜加强，盛芝露，张杨成思，吴金华，刘博

1 中国环境科学研究院/国家环境保护区域生态过程与功能重点实验室，北京 100012；2 兰州大学生命科学学院，甘肃 兰州 730000

植被作为地表生境状况的表征，对于流域生态系统的生态平衡、水文/地貌过程具有重要的调节作用（颜明等，2018）。植被生长过程中对生境变化具有极高的敏感性，被视为全球变化的“指示器”（Sun et al.，2015；王伟等，2019）。而人类活动和气候变化是决定区域植被类型及其分布、变化的重要因素（Zeng et al.，2014；于泉洲等，2015）。作为中国的第二大流域，黄河流域尤其是黄土高原地区在人类活动和气候变化的双重影响下，能够涵养水源、保持水土的流域植被的覆盖状况从 1982年至今发生了剧烈变化（贺振等，2017）。深入理解黄河流域植被变化以及其对气候变化的响应、定量分析人类活动对植被的影响，总结以往粗放发展模式的经验和教训，可为黄河流域生态文明建设提供支撑、推动流域高质量发展。

众多学者基于NDVI时间序列对黄河流域的植被时空变化进行了大量研究。杨胜天等（2002）利用1982—1999年AVHRR数据，分析了黄河流域植被覆盖动态变化，认为区域植被覆盖度总体呈上升趋势；袁丽华等（2013）采用Theil-Sen median趋势分析和Mann-Kendall以及Hurst指数法分析了黄河流域 NDVI时空分布、变化趋势和可持续性；Zhang et al.（2020）以气候与NDVI回归方程的调整 R平方（adj-R2）判断气候变化对植被覆盖的影响大小，发现经济较发达地区NDVI受人类活动影响较大而经济水平较弱的城市NDVI受人类活动的干扰较小。随着城市建设、农业活动以及一系列的生态工程的实施，人类活动影响不断加剧，评价人类活动和气候变化对植被覆盖变化的贡献率逐渐成为研究的重点（Pan et al.，2015；Hu et al.，2019）。不同驱动因素对黄河流域植被变化的贡献及不同区域存在的差异尚不完全明确，以往关于植被变化驱动因素的分析多为定性研究，少量为定量研究且多缺乏典型区结果分析验证。回归模型法、残差趋势法、生物物理过程模拟是常用的3种定量评估植被变化驱动因素贡献率方法，其中残差趋势法应用最为广泛（Jiang et al.，2020；马启民等，2019）。残差趋势法的假设前提更接近现实，即人类活动为零或保持稳定的情形下气候决定的植被变化，且模型构建简单。目前针对整个黄河流域开展 30年以上长时间序列的植被时空变化研究较少，为判断植被长期变化趋势、便于与已有分析结果对比，可使用多嵌套时段即固定起始年作为一个恒定的参照、基准的标准而改变结束年（Du et al.，2015；Du et al.，2019a）。因此，本文将基于气温、降水资料以及GIMMS NDVI3g数据集，运用趋势分析、相关性分析等方法分析NDVI在多尺度、多时段、多土地利用类型中的变化趋势，研究NDVI与水热因子的潜在关系，并采用残差趋势法定量分析气候变化和人类活动的相对贡献，以期为黄河流域生态环境保护提供科学建议。

1 数据与方法

1.1 研究区概括

黄河流域位于 96°—119°E、32°—42°N 之间，幅员辽阔，流域面积约为79.5×104km2（图1）。黄河自西向东流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南以及山东9个省份，横跨青藏高原、内蒙古高原、黄土高原和黄淮海平原4个地貌单元。以内蒙古河口镇、河南桃花峪为分界点，黄河流域划分为上、中、下游3个地区。上游高差悬殊，水电资源丰富；中游以黄土高原为主，水土流失严重；下游地势平坦，多为冲积平原和三角洲。研究区地跨干旱、半干旱、半湿润气候区，流域光照充足、降水集中，植被类型丰富（杨尚武，2015），流域内土地、水能、煤炭、石油、天然气、矿产等自然资源丰富。根据相关统计，2018年黄河流域省份常住人口4.2亿，GDP总量达23.9万亿元，粮食产量约占全国三分之一。黄河流域是我国重要的经济带，人类开发活动具有强度大、范围广、历史长等特点；同时干旱是流域的基本特征，生境脆弱敏感，适宜开展植被覆盖动态变化及其驱动力研究。

图1 黄河流域位置图Fig.1 Location Map of the Yellow River Basin

1.2 数据来源及处理

1.2.1 遥感数据

采用目前时间跨度最长的GIMMS NDVI3g数据集，空间分辨率为8 km，时间分辨率为15 d，起止年份为1982年和2015年。数据预处理包括格式转换、投影转换、裁剪等操作。利用最大合成法（MVC）得到月尺度数据，再采用生长季（4—10月）、春季（4—5月）、夏季（6—8月）和秋季（9—10 月）（Piao et al.，2011；Peng et al.，2011；杜加强等，2015）均值计算季尺度 NDVI。为了排除非植被因素的影响，采用0.05作为植被区域的阈值（Du et al.，2019b）。

1.2.2 土地利用数据

2015年土地利用数据由资源环境数据云平台提供，空间分辨率为1 km。该数据以Landsat 8 OLI影像为基础，解译后分为耕地、林地、草地、水域、建设用地和未利用土地6个一级土地利用类型。

1.2.3 气象数据

本文采用的气象数据（气温、降水）来自中国气象科学数据共享服务网，数据经过严格的质量控制。采用克里金插值方法，对选定的150个气象站点（图 1）进行空间插值、裁剪得到研究区气象数据栅格图层。

1.3 研究方法

1.3.1 趋势分析

NDVI年际变化趋势采用NDVI与时间的最小二乘回归斜率（slope）表征。若 slope<0，则表示季节 NDVI随时间逐渐减小；反之则增加。slope绝对值愈大，季节NDVI随时间的变化愈快。为探讨黄河流域植被变化的动态过程，分别在 1982—1999年、1982—2000年……1982—2015年17个嵌套时间段上计算NDVI的变化趋势。为进一步了解黄河流域不同区域、不同土地利用类型NDVI的变化，分别在黄河流域上中下游3个研究单元，耕地、林地、草地、建设用地和未利用地等5类土地利用类型探讨区域平均NDVI的变化。为了更加客观地评价黄河流域各季节NDVI在17个时段中的变化，将其划分为显著增加（R>0，P<0.05）、不显著增加（R>0，P≥0.05）、不显著减少（R<0，P≥0.05）、显著减少（R<0，P<0.05）4个类别。

1.3.2 NDVI与气候因子相关性分析

采用NDVI与同期气候因子的Pearson相关性来表征气温/降水对 NDVI的影响（徐浩杰等，2012）。同样，在17个嵌套时段分析NDVI与气候因子的相关性、显著性，以更为全面体现气候变化对植被影响的稳定性和持续性。

1.3.3 残差趋势法

残差趋势法是Evans et al.（2004）于2004年提出，基本原理是植被覆盖主要由同期气象因子和人类活动强度所决定，计算步骤通常将NDVI与气候因子进行多元回归得到NDVI回归值，通过NDVI观测值与NDVI回归值分离人类活动和气候变化对NDVI的贡献（于璐等，2020）。

地面观测值（即 NDVI真实值）作为因变量、气温和降水量作自变量，逐步回归得到预测方程来模拟自然状态下的NDVI（即NDVI回归值）。考虑到回归方程无法理想化建立，不能简单将 NDVI残差值视为人类活动对植被覆盖的影响。长期的人类活动才会造成残差的趋势性变化，即残差时间序列明显变化表征人类活动主导的植被变化。因此按照公式(2)、(3) 可分别计算出人类活动、气候变化对植被变化的相对贡献率，分析 1982—2015年人类活动对植被覆盖变化的影响（易浪等，2014）。

2 结果

2.1 NDVI时空变化

2.1.1 总体趋势

1982—2015年，黄河流域生长季和春、夏、秋季平均NDVI均呈显著提高趋势（R2=0.86，R2=0.66，R2=0.60，R2=0.59），尤其是生长季增加趋势最为显著（图2）。生长季、春季和秋季各个时段NDVI升高趋势均显著，而夏季在前3个时段和后7个时段显著（图 3）。生长季和春、夏季 17个时段的NDVI变化率呈不规则的“U”型，即先减少再增加，顶点在第9个时段附近；而秋季则为波动中持续增加趋势。

图2 黄河流域各季节平均NDVI变化趋势Fig.2 Variation trend of mean NDVI in Yellow River Basin

图3 各季节NDVI在17个时段的变化率和相对变化率Fig.3 Variation rate and relative change rate NDVI each season in 17 periods

黄河上中下游区域内生长季和各季节平均NDVI均呈波动上升趋势。NDVI相对变化率（RCP，relative change rate）分析发现，17个时段中，上游RCP在春季和秋季波动上升，生长季和夏季较平稳；中游在前8个时段RCP都较小，第9个时段后快速增加；下游 RCP除秋季略增加外，其他季节RCP均随时段延长而减小（图4）。1982—2015年，黄河下游春季植被增长最显著，原因可能是下游平原农业生产水平的提升；生长季和夏季黄河中游最显著，考虑与区域退耕还林等政策有关。不同土地利用类型的计算结果显示，林地在生长季和春季的上升速率最大，分别为0.064/10 a和0.027/10 a；夏季和秋季则是耕地最大，分别是 0.019/10 a和0.024/10 a。

图4 黄河上中下游各季节NDVI17个时段的相对变化率Fig.4 The relative change rates of NDVI 17 periods in the upper,middle and lower seasons of the Yellow River

2.1.2 空间格局

1982—2015年，各季节黄河流域植被覆盖显著改善区域的面积占比要远大于显著退化区域（图5）。各季节植被活动显著提高的像元多分布于中游区域，显著减少像元空间分布如下：生长季植被活动显著减少像元分散分布于上游青藏高原、中游渭河流域以及下游花园口区域；春季植被活动显著减少的像元多分布于上游宁夏天湖和德岭山水库、中游渭河和汾河流域；夏季植被活动显著减少的像元分布在上游青藏高原以及中游的南部；秋季植被活动显著减少的像元分散在区域西南部和南部。

图5 1982—2015黄河流域NDVI变化趋势Fig.5 1982-2015 NDVI trends in the Yellow River Basin

随着分析时段延长，春季和夏季NDVI显著减少区域、各季节显著增加区域均极显著增加，生长季NDVI显著减少区域呈缓慢增加，秋季NDVI显著减少区域则呈波动减少；而NDVI增加（包括显著增加和不显著增加）区域除春季增加不明显外，均呈极显著增加。

2.2 气候变化对植被覆盖的影响

黄河流域各季节区域平均NDVI与同期气温相关性较强，生长季和春季 17个时段均显著相关，夏季和秋季部分时段显著相关；与降水量相关性不强，春季和夏季的相关性要优于生长季和秋季（表1）。春季植被与气温显著正相关像元比例在 4个季节中最大，17个时段平均达到26%，显著负相关区域则是夏季最大（7%）。植被与降水量相关性方面，生长季显著正相关像元最多（15%），各季节显著负相关像元均低于 2%。显著相关的像元分布存在空间异质性（图 6）。NDVI与气温显著正相关的区域多分布在黄河中游，而显著负相关多分布在上游青藏高原区域。NDVI与降水显著正相关的区域分布存在季节差异：生长季和秋季主要分布在上游东北部和中游北部，春季集中分布在上游西南部，夏季在上游东北部；而显著负相关的区域多零散分布于上游以及中游南部。

图6 各季节NDVI与气温/降水相关性Fig.6 Correlation of NDVI and temperature/precipitation by season

表1 17个时段各季节NDVI与气候要素的相关系数（R 2）Table 1 Correlations between seasonal NDVI and climate factors during seventeen periods

2.3 NDVI变化驱动力分析

区域尺度分析结果表明，1982—2015年气象因子（温度、降水）和人类活动对生长季NDVI的平均贡献率分别为31%、69%。气候变化的贡献率研究区西部最高，中部略低，西南部和东部最低（图7），其对 NDVI变化的贡献率为正的区域面积约占86%。在青藏高原、甘肃东部、宁夏西部，气候变化对NDVI的正向贡献显著（大于60%）。气候变化对 NDVI变化的贡献率为负的区域面积约占14%，主要集中在甘肃西部以及陕西、山西小部分地区。气候变化贡献率大于80%的面积仅占全区总面积的6%，气候变化的贡献率在0—20%和40%—60%范围的区域面积较大（均大于20%）。人类活动对生长季植被 NDVI的贡献率则以研究区西北部、东部最高，中部和西南部略低（图 7）。人类活动对 NDVI变化的贡献率为正的区域面积约占96%。贡献率超过80%的区域主要集中在甘肃西部、宁夏北部、内蒙古、山西、河南以及山东等地，占总面积的40%以上。人类活动对NDVI变化的贡献率为负的区域面积仅为4%，多分布在青海省。

图7 各季节1982—2015年气候变化和人类活动对植被变化的影响空间分布Fig.7 Spatial distribution of impacts of climate change and human activities on vegetation change in each season from 1982 to 2015

同一驱动因子对不同季节NDVI变化的平均贡献率不同，气候因子平均贡献率在春、夏季为24%，秋季则为 16%。不同驱动因子在不同季节表现一致，即人类活动对植被NDVI增加的贡献总体上比气候变化的贡献更大。

同一驱动因子对不同季节NDVI变化的贡献率空间分布存在区域异质性。春季和夏季气候因子在黄河上游青藏高原地区正向贡献率大于60%，在甘肃、内蒙古以及陕西、山西等地表现为极低正向贡献率或负向贡献率，而上述现象在秋季有所减弱。人类活动贡献率的空间分布与气候贡献率相反，春、夏季人类活动贡献率较小的像元分布比例在秋季有所减小。

1982—2015年生长季和各季节植被生长主要受到人类活动的影响。甘肃、内蒙古、陕西、山西、河南和山东等的部分区域人类贡献率为正、气候贡献率为负，NDVI呈持续上升，说明了地区生态工程效益正在凸显。

3 讨论

3.1 NDVI变化趋势

已有研究基于不同数据、方法、研究时段等得出较为一致的结论，即黄河流域植被生长呈改善趋势（Nie et al.，2012；贺振等，2012；袁丽华等，2013；张亚玲等，2014）。本文得出的植被显著退化区域主要分布在黄河流域上游和南部的空间格局，与Nie et al.（2012）和袁丽华等（2013）的研究结论一致。植被覆盖变化随着研究范围、植被类型的不同而有所差异。本研究表明，NDVI增长速度为黄河中游>黄河下游>黄河上游。这一结果与张亚玲等（2014）不同，NDVI时间序列的延长更新了对流域植被变化趋势的认识。不同土地利用类型中，林地和耕地植被改善状况显著。2000年以来我国禁止乱砍滥伐有利促进了林地NDVI的增长，耕地NDVI明显增加趋势则与农耕灌溉水利技术等息息相关（杨尚武，2015）。长时间序列NDVI数据能更好表征植被变化趋势，本文结果可为未来更长时间尺度研究提供对比参考。

3.2 影响因素分析

气温和降水是制约植被生长的两个重要气候因子。季节尺度上，春季NDVI与气温相关性较强，这主要是由于春季萌芽期植被需要充足的热量；空间分布上，上中游NDVI与气温关系显著，是由于高寒区升温下冰雪消融利于植被的生长（杨尚武，2015）。干旱半干旱地区植被增长与降水量的相关性较高（Li et al.，2019），先锋植被的存在削弱了分析结果中降水的重要性。与气候变化相比，愈加活跃的人类活动对研究区植被覆盖变化的影响更大，这也是NDVI变化率呈现不规则“U”型的可能原因。尽管资源开发、城市建设等主要对局部区域植被覆盖产生负面影响（曹巍等，2019），但本文研究认为黄河流域人类的正向贡献大于负向。典型地区如毛乌素沙地，人类活动对植被变化的正向贡献率在60%以上，大型喷灌农田区人类贡献更高（图8）；农业种植的增加、人工造林和畜牧业的管控等有效地促进了地区植被覆盖（Xiu et al.，2018；曹艳萍等，2019）。超载放牧、人为垦荒是黄河上游生态恶化的重要原因（Li et al.，2019）；矿产的不合理开发也会对区域大气、水环境以及生态生产力造成负面影响（马丽等，2020）。以甘南藏族自治州为例，“草畜平衡”难以维稳导致甘南州天然草场因超载率而急剧变化（图 9），区域生态环境问题日益突出，当前人类活动正向贡献率仍较小。人类行为可强制干预地区植被恢复、环境改善进程，政府的严加管控和统一监督对于甘南等环境脆弱区生态环境至关重要。

图8 1982—2015年毛乌素生长季NDVI变化趋势和人类活动对其影响分布Fig.8 NDVI trends during the growth season and the impact of human activities on vegetation changes in Maowusu from 1982 to 2015

图9 甘南州NDVI和载畜量变化Fig.9 Changes of NDVI and carrying capacity in Gannan

在分析人类活动对NDVI的影响时，本文并未对人口增长、城市化进程、农业发展以及生态保护政策等不同人类活动对植被覆盖产生的影响进行深入分析，这需要更多数据支撑以深入探索 NDVI变化。此外，本文采用的残差趋势法虽能在一定程度上衡量人类活动对植被变化的贡献，但无法完全剥离气候的影响，回归方程建立时也并未兼顾所有气候因子。总体上，残差趋势法在黄河流域应用结果较为合理，但研究区植被覆盖变化驱动机制仍需进一步研究。

4 结论

本文以生态环境较脆弱、人类活动剧烈的黄河流域植被变化为研究对象，研究了植被 NDVI在1982—2015年间的变化状况，并分析了其与气候变化和人类活动之间的时空响应关系，主要结论如下。

（1）1982—2015年黄河流域NDVI持续增加，增速在2008年（第9个时段）后稳定上升；随时段延长NDVI增加区域除春季增加不明显外，均呈极显著增加。黄河中下游NDVI增加显著，上游尤其是西南部NDVI减少明显，空间上总体呈由西向东逐渐增加趋势。在区域和像元尺度上，中游NDVI增加均最为显著；相比草地和建设用地，耕地和林地的增加趋势更为明显。

（2）相比降水，气温是区域植被生长的主要气候影响因子。NDVI与气温显著正相关的区域多分布在黄河中游泾河流域，而显著负相关多分布在上游青藏高原区域。

（3）黄河流域植被变化中，人类活动的影响要远大于气候变化，且人类活动多为正向贡献。随着全球气温升高，上游青藏高原等高海拔地区为植被生长提供的生境向好。但是人类活动带来的负面影响超过其承载力，NDVI难以保持增加。政策的良好引导、生态文明意识的提高，人类对黄河流域植被覆盖增加的贡献将不断增大。