退耕还林(草)过程中陕北地区NDVI时空变异及其驱动因子的地理探测

尚雪, 何钊全, 张铜会

退耕还林(草)过程中陕北地区NDVI时空变异及其驱动因子的地理探测

尚雪1, 何钊全2,*, 张铜会3

1. 延安大学网络信息中心, 延安 716000 2. 延安大学生命科学学院/延安市生态恢复重点实验室, 延安 716000 3. 中国科学院西北生态环境资源研究院, 兰州 730000

地表植被作为生态环境变化的敏感因子, 对维持区域生态稳定性具有重要作用。基于退耕还林(草)生态工程实施过程中2000-2019年陕北地区的MODIS NDVI数据, 结合地形、地貌、气候、土壤和植被等环境因子, 探究NDVI时空变异特征, 并运用地理探测器模型对植被NDVI影响因子及其影响程度进行探测, 最终确定主要环境因子对NDVI的驱动机制。结果表明: (1)2000-2019年陕北地区中高和高植被覆盖区面积分别增加了25.64%和11.74%, 植被覆盖状况整体良好; NDVI空间分布差异显著, 其中, 东南丘陵沟壑区植被覆盖度较高, 西北风沙区以及城镇建设用地区域植被覆盖度较低; (2)陕北地区植被NDVI主要受年降水量和干燥度指数的影响, 其解释力均大于45%; 植被类型、≥10 ℃积温、地貌类型和坡度的解释力在15%-35%之间; 土壤类型、年均温、高程和坡向的解释力均小于10%; (3)各环境因子对陕北地区NDVI变化的影响存在相互增强和非线性增强的协同交互关系。结果揭示的中高和高植被覆盖区面积的显著增加、影响NDVI的主要驱动因子年降水量和干燥度指数的适宜阈值以及它们之间交互增强的驱动机制, 能够为陕北地区生态脆弱区生态环境修复提供理论支撑和辅助决策。

植被NDVI; 地理探测器; 时空变化; 驱动力; 陕北地区

0 前言

地表植被作为生态系统的重要组成部分, 显著影响生态环境的变化[1]。因此, 开展区域植被变化研究对了解陆地生态系统响应地表植被变化特征具有积极意义。归一化植被指数(Normalized Difference Vegetation Index, NDVI), 作为表征植被生长状况的重要因子, 在区域植被时空尺度上的变化探究中已被众多学者所应用。

近年来, 采用多方法, 通过多角度、多尺度研究植被NDVI时空序列分布特征及其驱动因素愈为成熟[2-5], 对了解区域环境因子与生态系统的作用机理具有重要意义。比如, 刘静等[6]探究了黄土高原地区植被与气候因子之间的响应机制, 并对植被类型进行了区分, 为揭示气候对植被的作用机制奠定基础。熊巧利等[7]探究了西南地区生长季植被覆盖时空变化特征, 掌握了植被覆盖对气候与地形因子的影响程度。张学玲等[8]采用不同季相的多期影像数据提取NDVI对植被覆盖度进行长期监测, 准确分析了山地草甸演化过程和趋势, 遥感解译检验结果可行度高。杨静雅等[9]估算了4个不同时期静宁草地植被覆盖度动态变化特征, 采用趋势线分析方法, 探究了研究区草地植被覆盖变化对温度和降水的响应规律。税燕萍等[10]选择生长季NDVI作为植被变化的指示因子, 对青藏高原不同植被类型各年份的生境适宜度进行了修正, 明确了相比于土地覆盖变化, NDVI对生境质量变化的影响更为显著。李跃鹏等[11]探究了陕西省近34年来植被指数NDVI的时空分布特征、变化规律及其与气候因子之间的相关性, 发现研究区NDVI与同期降水之间的响应最为明显。以上关于NDVI时空变化影响因素的研究大多以趋势分析和线性分析为重点[5-10], 在植被覆盖的空间分异性方面的研究具有统计方法局限性。

陕北地区位于黄土高原中部, 具有我国典型的丘陵沟壑区特征。该地区生态敏感且脆弱, 水土流失现象严重[12]。虽然, 近年来, 随着我国在黄土高原实施退耕还林(草)等生态工程以来, 植被覆盖恢复成效显著[13], 有力的促进了该区域生态环境建设, 但是由于近年来区域气候变化明显、人为扰动频繁, 导致该地区各环境因子仍波动显著, 进而影响生态系统稳定性, 而植被NDVI时空变化特征及其驱动机理研究对于修复生态脆弱区、改善区域生态环境意义显著[14,15]。因此, 探究在该地区退耕还林(草)等生态工程的推行基础和生态恢复背景下, 各环境因子如何驱动植被NDVI时空变化尤为重要。目前众多学者对该区域植被NDVI的研究多为围绕驱动力和植被生产力变化特征及其关系进行, 而植被生长与环境的关系较为复杂, 存在着线性和非线性的紧密关系, 需采用先进统计方法深度探究其陕北地区生态脆弱区植被覆盖的空间分异性和驱动机理。地理探测器, 因其具备探测数值型数据、定性数据以及不同因子的交互作用程度的显著优势, 在植被时空尺度变化研究中应用广泛[16]。但是, 关于陕北地区生态脆弱区植被NDVI长时间序列的时空变化特征及其地理探测研究较少。因此, 本文基于退耕还林(草)工程的持续实施, 利用2000-2019年MODIS NDVI数据为基础, 对陕北地区在退耕还林(草)过程中的植被NDVI进行时空分析, 同时选取和研究区植被NDVI变化有关的10个环境因子, 采用地理探测器模型[17-20]探测各环境因子对NDVI变化的影响程度, 确定植被生长的最适宜环境特征和主要环境因子对NDVI的驱动机制, 以期为陕北地区生态环境修复和可持续发展提供一定的理论依据。

1 研究区概况

陕北地区位于黄土高原中部, 地处35°02′N– 39°35′N, 107°15′E–110°15′E之间, 主要包括延安市和榆林市(图1)。地势整体呈现东南低西北高, 东南部为丘陵沟壑区, 西北部是风沙区, 地形复杂、生态多样, 处于暖温带大陆性季风气候向温带半干旱气候的过渡地区, 气候干燥、光照充足、昼夜温差大。年平均气温8 ℃–12 ℃, 年平均降水量约350–600 mm。土壤以栗钙土、黄绵土、草原风沙土为主。该地区生态环境脆弱, 是我国退耕还林生态工程重点区。

2 数据来源及研究方法

2.1 数据来源及预处理

本文采用的数据主要为植被NDVI数据、Digital Elevation Model(DEM)数据、气象栅格数据(年均温、降水、≥10 ℃积温、干燥度指数(年蒸发能力和年降水量的比值))、土壤、植被和地貌类型数据、研究区县级行政矢量边界。其中, DEM数字高程数据来源于United States Geological Survey(USGS); 气象栅格数据、土壤、植被和地貌类型数据来源于中国科学院资源环境科学数据中心(http: //www.resdc.cn); 研究区县级行政矢量边界来源于地球大数据科学工程数据共享服务系统; 植被NDVI数据来源于NASA的MODIS MOD13Q1产品, 空间分辨率250 m × 250 m, 时间分辨率16 d。

本文选取2000、2005、2010、2015及2019年5月–9月(植被生长季)间质量较好的50景NDVI数据, 运用重投影工具将MOD13Q1产品格式转换为UTM投影, WGS-84地理坐标系; 利用最大合成法合成年最大NDVI, 得到5期可利用的年最大NDVI数据。坡度、坡向由DEM数据提取。利用ARCGIS10.6软件的resample工具, 将获取的环境数据重采样为统一分辨率, 依据陕北地区县级行政边界分别裁剪数据。

2.2 研究方法

2.2.1 环境因子选取

陕北地区地处黄土高原, 生态脆弱, 环境问题突出。环境因子对植被变化具有显著的影响。因此, 基于典型性、科学性以及可获取的原则, 结合各个环境因子对陕北地区植被的协同影响程度, 本文依据地形、地貌、气候、土壤及植被等类型选取10个自然环境因子, 分析各环境因子对陕北地区植被NDVI变化的影响程度(表1)。

图1 研究区位置

Figure 1 Location of the study area

表1 环境因子

2.2.2 NDVI等级划分

为了精准分析陕北地区植被覆盖变化状况, 根据植被NDVI的高低和陕北地区植被实际情况, 对该地区2000、2005、2010、2015和2019年植被年最大NDVI值(S)按照等间距方法[21]划分为5个等级, 即高(S≧0.80)、中高(0.80>S≧0.60)、中(0.60>S≧0.40)、中低(0.40>S≧0.20)、低(S<0.20)。

2.2.3 环境因子分级

采用自然间断法[22]将高程、年均气温、≥10 ℃积温、年降水量、干燥度指数及坡度栅格数据划分为8级; 坡向按照等间隔法划分为10级; 土壤类型按照《1:100万中华人民共和国土壤图》标准划分为10类; 植被类型按照《1:1 000 000中国植被图集》标准划分为9类; 地貌类型按照《中华人民共和国地貌图集(1:100万)》标准划分为12类。

2.2.4 信息提取

利用ArcGIS10.6软件的Create Random Point工具, 按照2 km×2 km格网, 在陕北地区生成4564个随机采样点(图2)。利用多属性提取工具生成NDVI值和所有环境单因子数据属性表, 获取对应的NDVI值与各环境因子之间的关系。

2.2.5 地理探测器

地理探测器(GeoDetector)是探测空间分异性的一种新型统计学方法[16,17]。它能够分别从因子、生态、风险和交互作用等方面进行空间探测, 有效克服传统统计分析方法处理类别变量时存在的局限性。因此, 本文应用地理探测器对NDVI变化进行探测分析。其中, 因子探测方法是对选取的环境因子进行分析, 探测各因子的解释力大小, 模型如公式(1):

式(1)中,值代表各环境因子对研究区NDVI的解释力, 值域为[0, 1], 该值越大, 说明该环境因子对NDVI的解释力越强, 即对NDVI的影响程度越大;=1, 2, …,, 为影响因子的分区,h和分别代表各环境因子的层和整个研究区的样本数, σh和σ分别代表层和整个研究区的NDVI值的方差。

生态探测方法是对任意两个环境因子(任意变量)X1和X2进行比较, 探究其对研究区NDVI值的影响是否有显著差异, 可判断X1和X2对NDVI值影响的重要性。用F统计量进行衡量:

图2 探测器数据提取点

Figure 2 Extraction point of probe data

式(2)中,N1和N2分别代表任意变量X1和X2的样本数量;SSW1和SSW2分别代表由任意两个环境因子变量形成分层的层内方差之和;1和2分别表示任意变量X1和X2分层数目。

风险探测方法是用于解释两个环境因子变量之间的均值是否存在差异。利用值来度量,值越大表示该等级下的环境因子对NDVI变化的影响较大:

式(3)中,`Y代表该区域内NDVI均值,n代表区域内的样本数量,代表方差。

因子交互作用探测方法用于识别各环境因子之间的交互作用, 即各因子共同作用(增强或减弱)和相互独立作用对研究区NDVI值的解释力大小。先分别计算两个环境因子对NDVI值的值, 随后计算两个环境因子交互的值, 并比较(x1)、(x2)和(x1∩x2)。

3 结果与分析

3.1 2000–2019年NDVI整体性时空分布趋势

由图3可知, 总体看来, 2000–2019年陕北地区植被NDVI空间分布差异较显著。NDVI值大于0.6的区域主要分布在东南部地区, NDVI值小于0.6的区域主要分布在西北部地区, 陕北地区植被覆盖总体上表现为, 东南丘陵沟壑区植被覆盖度较高, 西北风沙区植被覆盖度较低。2000–2019年植被覆盖空间变化如图4所示。2000–2019年间, 陕北地区的植被覆盖整体呈显著上升趋势, 植被增加的区域占整个区域面积的83.84%, 分布在研究区的大部分地区; 植被变化不显著区域面积占整个区域面积的15.88%, 分布在黄陵县、黄龙县、富县的西南地区、宜川县的东南地区以及西北的神木市、榆阳区和靖边县等部分地区, 植被减少的区域仅占0.28%, 分布在宝塔区、靖边县、榆阳区等城镇建设用地区。

统计2000年和2019年的植被NDVI各等级面积得出(表2), 低、中低植被覆盖区面积在2000年分别占陕北地区总面积的6.65%、52.89%, 到2019年, 分别下降至0.13%和7.16%, 依次下降了6.52%和45.74%。中等、中高和高植被覆盖区面积均呈现上升趋势, 从2000年的22.06%、13.02%、5.37%, 依次上升至2019年的36.93%、38.66%、17.12%, 分别增加了14.87%、25.64%、11.74%。分析结果在一定程度上反映了国家自2000年起实施退耕还林(还草)生态工程以来, 陕北地区生态修复成效显著, 因此, 该地区植被覆盖面积的显著增加是我国退耕还林(还草)生态工程及其实施背景下环境因子的共同作用的结果。目前, 中等、中高植被区面积显著增加, 植被覆盖状况良好。

对2000–2019年间植被NDVI值进行空间统计分析, 得出陕北地区的植被NDVI在2000–2019年间的总体变化转移矩阵。由表3可知, 2000–2019年的NDVI转化表现为NDVI<0.4的区域转化明显, 致使NDVI>0.4区域面积显著增加。NDVI<0.4和NDVI>0.4区域转入面积分别为2.85×103、6.49×104, 转出面积分别为4.51×104、2.26×104。

图3 陕北地区NDVI空间分布格局

Figure 3 Spatial distribution of NDVI in northern shaanxi

图4 陕北地区NDVI空间变化格局

Figure 4 spatial change pattern of NDVI in northern shaanxi

3.2 NDVI影响因子的地理探测

3.2.1 因子探测分析

通过计算各环境因子在2019年的值, 提取各环境因子对植被NDVI现状的影响力, 探测结果如表4所示。各环境因子对NDVI的影响程度排序为: 年降水量>干燥度指数>植被类型>≥10 ℃积温>地貌类型>坡度>土壤类型>年均温>高程>坡向。由此可见, 年降水量和干燥度指数的值最大, 分别为0.50和0.46, 解释力均大于45%, 是影响NDVI变化的主要环境因子; 植被类型、≥10 ℃积温、地貌类型和坡度的值在0.15–0.35区间, 是NDVI变化的次要影响因子; 土壤类型、年均温、高程和坡向的值均小于0.10, 对NDVI变化的影响较小。

2000–2019年陕北地区环境因子值变化如图5所示。地貌类型、≥10 ℃积温、年降水量、干燥度指数、土壤类型和植被类型的值呈现减少趋势, 坡度的值呈现显著增加趋势, 高程、坡向、年均温的值变化较小。其中, 2000–2005年, 坡度、坡向、≥10 ℃积温、年降水量及干燥度指数的值均增加, 高程、地貌类型、年均温、土壤类型和植被类型的值均减小。2005–2010年, 高程、地貌类型、≥10 ℃积温、年降水量、干燥度指数、土壤类型和植被类型的值呈现减小趋势, 其它因子的值呈现增加趋势。2010–2015年, 坡向、地貌类型、土壤类型和植被类型的值均减小, 其它因子的值均增加。2015–2019年, 高程、坡向、地貌类型、年均气温、≥10 ℃积温等因子均呈现减小趋势。整体来看, 各环境因子对陕北地区植被NDVI变化的影响力随着年份的推移逐渐减弱。

表2 2000–2019年陕北地区NDVI总体变化特征

表3 2000-2019年陕北地区NDVI变化转移矩阵(km2)

表4 2019年各环境因子探测q值

图5 2000–2019年陕北地区环境因子q值变化

Figure 5 Change ofvalue of environmental factor in northern Shaanxi from 2000 to 2019

3.2.2 生态探测分析

生态探测主要反应各环境因子对NDVI变化的影响是否存在显著差异。两种因子之间, 如果行因子和列因子有显著性差异, 则为Y, 没有为N。在该文中, 主要通过生态探测分析掌握各环境因子对陕北地区植被NDVI的影响的显著性大小。

通过生态探测分析(表5)得出, 年降水量与高程、坡度、坡向、地貌类型、年均温及≥10 ℃积温对NDVI变化的影响存在显著性差异, 与干燥度指数、土壤类型和植被类型对NDVI变化的影响无显著性差异。干燥度指数与高程、坡度、坡向、地貌类型、年均温及≥10 ℃积温的影响存在显著性差异, 与年降水量、土壤类型及植被类型的影响无显著性差异。植被类型与高程、坡度、坡向、地貌类型、年均温、≥10 ℃积温及土壤类型的影响存在显著性差异, 与年降水量和干燥度指数的影响无显著性差异。≥10 ℃积温与高程、坡度、坡向、年均温、年降水量、干燥度指数、土壤类型及植被类型的影响存在显著性差异, 与地貌类型无显著性影响。地貌类型与高程、坡度、坡向、年降水量、干燥度指数及植被类型的影响存在显著性差异, 与年均温、≥10 ℃积温及土壤类型的影响无显著性差异。坡度与高程、地貌类型、≥10 ℃积温、年降水量、干燥度指数及植被类型的影响存在显著性差异, 与坡向、年均温及土壤类型的影响无显著差异。

3.2.3 风险探测分析

利用风险探测分析环境因子对植被NDVI影响的最优范围, 并通过显著性水平为0.05的检验后得出, 不同环境因子对植被NDVI的影响存在明显差异(表6)。

随着高程、坡度、坡向的增加, NDVI均值呈现出波动变化的趋势, 在高程1315–1579 m、坡度16.66º–24.63º及西、西北坡的NDVI均值分别达到最大值0.67、0.70、0.65。随着年均温、≥10℃积温、年降水量的增加, NDVI均值呈现出逐渐上升的趋势, 在年均温9.40–11.50℃、≥10 ℃积温2373–2612 ℃、年降水量529–639 mm范围内NDVI均值分别达到最大值0.77、0.79、0.84。说明该环境状况有利于植被生长。随着干燥度指数的不断增加, NDVI均值逐渐下降。其中, 干燥度指数在0.95–1.24时, NDVI均值达到最大值0.83, 表明水分条件对植被生长有着非常重要的影响。不同的地貌、土壤和植被类型下, NDVI均值呈现出波动变化的趋势, 地貌类型为小起伏山地和中起伏山地时, 土壤类型为褐土、栗钙土、黑垆土和黄绵土时, 植被类型为针叶林和阔叶林时, NDVI均值分别达到最大值0.80、0.87、0.85。不同地貌类型形成不同水热条件, 影响土壤类型和土壤水分, 进而影响植被变化。

3.2.4 交互探测分析

交互作用探测主要通过识别不同环境因子(X)之间的交互作用, 分析是否会增加或减少对因变量NDVI变化(Y)的解释力, 或者这些环境因子对NDVI变化的影响相互独立。在本文中主要通过应用交互探测分析掌握各个环境因子对陕北地区植被NDVI的影响是否存在交互作用, 以及它们的影响正负性。利用交互作用探测器对各环境因子进行探测, 获取各因子之间的相互关系(表7)。可以发现, 各环境因子对NDVI变化的影响存在交互作用, 不存在相互独立起作用的因子(表8)。

由表8可知, 绝大部分的环境因子交互值大于其单因子的值, 因子互动效应呈现出相互增强和非线性增强关系。如X7∩X1>X7∩X6>X7∩X4>X7 ∩X10>X7∩X5表明高程、≥10 ℃积温、地貌类型、植被类型和年均温等分别与年降水量的交互作用呈现相互增强和非线性增强效应。X8∩X10>X8∩X4> X8∩X1>X8∩X9>X8∩X6, 表明植被类型、地貌类型、高程、土壤类型和≥10 ℃积温等分别与干燥度指数的交互作用呈现相互增强和非线性增强效应。X2∩X8、X3∩X8、X4∩X6、X4∩X10、X6∩X10、X5∩X8等叠加对研究区的NDVI变化有相互增强和非线性增强效应, 表明各环境因子对NDVI变化的影响是相互作用的, 并非独立存在的。总言之, 各环境因子交互作用对NDVI变化的影响不是简单的叠加, 而是呈现出相互增强或非线性增强效应。

4 讨论

半干旱区植被生长状态时空变化规律的研究长期以来都是生态学领域研究的重点和热点, 同时, 分析其影响因素对于揭示区域环境状况具有显著的作用, 而且植被覆盖与其影响因子的关系具有区域差异性。本文在我国退耕还林(草)等生态工程的推行基础和生态恢复背景下, 基于2000–2019年MODIS NDVI数据, 分析了陕北地区的植被NDVI时空变化特征。同时, 选取影响该地区植被NDVI变化的10个具有典型性、科学性以及可获取性的自然环境因子, 采用地理探测器模型探究了各环境因子对NDVI变化的影响程度。

表5 各环境因子影响NDVI变化的显著性差异

注: 采用显著性水平为0.05的检验, Y表示2个因子对NDVI变化的影响具有显著性差异; N表示无显著性差异。

表6 环境因子对植被NDVI影响的适宜范围

表7 NDVI驱动因子交互作用

表8 影响NDVI变化的环境因子间的交互作用

陕北地区植被覆盖时空变化显著。黄土高原植被恢复主要由气候和人类共同影响。其中, 陕北地区作为我国黄土高原生态脆弱区的典型区域, 生态环境脆弱, 是我国退耕还林(还草)生态工程重点区, 自2000年起, 我国通过实施退耕还林、天然林保护工程等, 林地覆盖大面积增加, 时空变化受人为影响较大。有分析表明, 2001–2014年黄土高原NDVI增速为6.3% (10a)-1[21]。我们的研究表明, 陕北地区2000–2019年植被NDVI空间分布差异明显, 总体上表现为, 东南丘陵沟壑区植被覆盖度较高, 西北风沙区及城镇建设用地区域植被覆盖度较低。2000–2019年的NDVI值转化表现为, NDVI<0.40的区域转化明显, 致使NDVI>0.40区域面积显著增加, 说明陕北地区中等、中高植被区面积显著增加(分别增加25.64%、11.74%), 植被覆盖状况良好。这和孙锐等[13]的研究结果相同, 即黄土高原植被覆盖呈增加趋势的面积远高于呈减少趋势的面积, 这就是得益于我国退耕还林生态工程的长期实施, 使得黄土高原生态脆弱区的生态环境整体性极大改善的良性结果。修丽娜等[22]、白子怡等[23]也发现在1990–2015年间, 黄土高原地区植被NDVI总体表现为上升趋势。此外, 李登科等[24]发现, 2000–2017年陕西省植被覆盖度呈现波动增加趋势, 但增速逐年减少, 说明退耕还林等生态建设工程的实施, 对植被恢复和生长具有重要的促进作用, 一定程度上降低了植被生长对气候因子的敏感性。未来的植被恢复工程主要针对坡度较大的耕地和土壤水分适宜的地区实施退耕还林(还草), 同时, 需要考虑在坡度较小的较适宜区应在粮食安全的基础上开展退耕还林(还草)生态工程。

植被生长是通过气候、地貌、土壤及温度等环境因子的长期共同作用实现的。陕北地区2000–2019年各环境因子对NDVI的影响程度排序为: 年降水量>干燥度指数>植被类型>≥10 ℃积温>地貌类型>坡度>土壤类型>年均温>高程>坡向。这和Wang et al[254]、Zou et al[26]、Hao et al[27]、gao et al[28]及岳辉[29]等的研究结果一致。进一步说明, 利用地理探测器模型探究陕北地区植被NDVI变化特征及其环境因子驱动力的研究具有理论可行性。其中, 年降水量和干燥度指数的解释力均在45%以上, 是影响NDVI变化的主要因子。植被生长的最适宜年降水量和干燥度指数的阈值依次为529.40–639.60 mm、0.950–1.240。这是因为陕北地区作为半干旱地区, 年降水时空分布不均, 而且地面无效蒸发量大(占降水40%–45%左右), 导致干旱现象频发, 气候相对干燥, 因此, 对区域植被NDVI产生较大的扰动。这和李跃鹏等[11]的研究结果一致, 他通过分析陕西省近34年来植被NDVI的时空分布特征及其与气候因子之间的相关性, 发现研究区NDVI与同期降水之间的响应最为明显。而且, 气温也是调控植被生长的一个积极环境因子, 通过协同水分条件影响植被NDVI。苏俊磊等[30]发现, 近10年来, 广西西江流域植被覆盖度与气温和降雨关系紧密, 均呈显著正相关。而何奕萱等[31]发现, 红河流域生长季植被覆盖度与气温呈负相关关系, 与降水呈正相关关系。但是吕妍等[32]研究2000–2015年西南喀斯特地区植被覆盖度空间变化特征, 探讨气候变化等因素对植被覆盖及生长的影响后表明, 2008–2015年气温和降水对植被覆盖度变化趋势的贡献仅占28.30, 不是植被覆盖显著增加的主导贡献因子。这很大程度上与不同地域的气象特征的差异性有关。此外, 植被类型、≥10 ℃积温、地貌类型和坡度的解释力均在15%以上, 是NDVI变化的次要影响因素。土壤类型、年均温、高程和坡向的解释力均小于10%, 对NDVI变化影响较小。上述讨论说明, 今后需要重点关注该陕北地区降雨、气温等气象环境因子的变化动态, 以期更好的掌握陕北地区植被NDVI年际变化态势, 更好的服务于区域生态环境绿色持续恢复和改善。

通过地理探测器模型分析表明, 各环境因子对陕北地区NDVI变化的影响存在相互增强和非线性增强交互关系。这和彭文甫等[33]的研究结果相近。他通过研究四川地区自然因子变化对植被分布的空间模式和植被变化的交互影响后发现, 自然因子对植被NDVI影响存在交互作用, 自然因子协同效应呈现相互增强和非线性增强关系, 两种因子交互作用增强了单因子的影响。因此, 本文探测了陕北地区各环境因子对植被NDVI影响的最优阈值, 认知了促进陕北地区植被生长的各环境因子变化特征, 为区域生态修复提供理论依据。今后应该重点关注影响NDVI的主要环境因子, 动态性揭示陕北地区植被覆盖在长时间序列上对主导性环境因子的响应机制, 为陕北地区生态环境可持续发展奠定基础。此外, 由于该研究采用的遥感影像分辨率有限, 不能对人为因素的影响进行剔除, 这一点需要在今后的研究中进一步深入探究。

5 结论

(1)在退耕还林(草)等生态工程的推行基础和生态恢复背景下, 陕北地区2000–2019年植被NDVI空间分布差异明显, 总体上表现为, 东南丘陵沟壑区植被覆盖度较高, 西北风沙区及城镇建设用地区域植被覆盖度较低。而且中高、高植被区面积显著增加(分别增加25.64%、11.74%), 植被覆盖状况趋于良好。

(2)陕北地区2000–2019年各环境因子对NDVI的影响程度排序为: 年降水量>干燥度指数>植被类型>≥10 ℃积温>地貌类型>坡度>土壤类型>年均温>高程>坡向。其中, 年降水量和干燥度指数的解释力均在45%以上, 是影响NDVI变化的主要因子。植被生长的最适宜年降水量和干燥度指数的阈值依次为529.40–639.60 mm、0.950–1.240。

(3)通过地理探测器模型分析表明, 各环境因子对陕北地区NDVI变化的影响存在相互增强和非线性增强交互关系。其中, NDVI变化的主要驱动因子降水量和干燥度指数之间存在相互增强的交互作用。

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

[2] 栾金凯, 刘登峰, 黄强, 等. 近17年陕西榆林植被指数的时空变化及影响因素[J]. 生态学报, 2018, 38(8): 2780–2790.

[3] 何云玲, 熊巧利, 余岚, 等. 基于 NDVI 云南地区植被生态系统对气候变化的适应性分析[J]. 生态科学, 2019, 38(6): 165–172.

[4] 祝聪, 彭文甫, 张丽芳, 等. 2006–2016年岷江上游植被覆盖度时空变化及驱动力[J]. 生态学报, 2019, 39(5): 1583–1594.

[5] 张建亮, 刘方正, 崔国发. 长白山国家级自然保护区植被时空变化及其驱动因子[J]. 生态学报, 2016, 36(12): 3525–3536.

[6] 刘静, 温仲明, 刚成诚. 黄土高原不同植被覆被类型NDVI对气候变化的响应[J]. 生态学报, 2020, 40(2): 1–14.

[7] 熊巧利, 何云玲, 李同艳, 等. 西南地区生长季植被覆盖时空变化特征及其对气候与地形因子的响应[J]. 水土保持研究, 2019, 26(6): 259–266.

[8] 张学玲, 张莹, 牛德奎, 等. 基于TM NDVI的武功山山地草甸植被覆盖度时空变化研究[J]. 生态学报, 2018, 38(7): 2414–2424.

[9] 杨静雅, 李新国, 闫凯, , 等. 基于NDVI的新疆和静县草地植被覆盖动态变化及其与气温降水的关系[J]. 生态科学, 2018, 37(6): 38–44.

[10] 税燕萍, 卢慧婷, 王慧芳, 等. 基于土地覆盖和NDVI变化的拉萨河流域生境质量评估[J]. 生态学报, 2018, 38(24): 8946–8954.

[11] 李跃鹏, 刘海艳, 周维博. 陕西省1982—2015 NDVI时空分布特征及其与气候因子相关性[J]. 生态科学, 2017, 36(6): 153–160.

[12] 刘文超, 刘纪远, 匡文慧. 陕北地区退耕还林还草工程土壤保护效应的时空特征[J]. 地理学报, 2019, 74(9): 1835–1852.

[13] 孙锐, 陈少辉, 苏红波. 2000—2016年黄土高原不同土地覆盖类型植被NDVI时空变化[J]. 地理科学进展, 2019, 38(8): 1248–1258.

[14] 伍博炜, 杨胜天, 邵南方, 等. 黄土高原生态脆弱区土地利用变化对生态系统服务价值的影响——以汾河流域为例[J]. 水土保持研究, 2019, 26(5): 340–345.

[15] 孙从建, 张文强, 李新功, 等. 基于遥感影像的黄土高原沟壑区生态效应评价[J]. 农业工程学报, 2019, 35(12): 165–172.

[16] 王劲峰 , 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116–134.

[17] WANG Jinfeng, ZHANG Tonglin, FU Bojie. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250–256.

[18] 周亮, 周成虎, 杨帆, 等. 2000-2011年中国PM2. 5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(11): 2079–2092.

[19] 潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力[J]. 生态学报, 2019, 39(20): 1–11.

[20] 史莎娜, 谢炳庚, 胡宝清, 等. 桂西北喀斯特山区人口分布特征及其与自然因素的关系[J]. 地理科学, 2019, 39(9): 1484–1495.

[21] 彭文甫, 王广杰, 周介铭, 等. 基于多时相Landsat5/8影像的岷江汶川-都江堰段植被覆盖动态监测[J]. 生态学报, 2016, 36(7): 1975–1988.

[22] 刘彦随, 李进涛. 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017, 72(1): 161–173.

[23] 张翀, 王静, 雷田旺, 等退耕还林工程以来黄土高原植被覆盖与地表湿润状况时空演变[J]. 干旱区研究, 2018, 35(6): 1468–1476.

[24] 修丽娜, 颜长珍, 钱大文, 等. 生态工程背景下黄土高原植被变化时空特征及其驱动力[J]. 水土保持通报, 2019, 39(4): 214–221.

[25] 白子怡, 薛亮, 张翀. 基于土壤湿度与植被覆盖变化的黄土高原生态恢复项目适宜性评价[J]. 水土保持研究, 2019, 26(4): 292–298.

[26] 李登科, 王钊. 退耕还林后陕西省植被覆盖度变化及其对气候的响应[J]. 生态学杂志, 2020, 39(1): 1–10.

[27] WANG Tao, LU Ying. Spatial and temporal changes in inter-annual and seasonal NDVI in the Qinling mountains of China[J]. IOP Conference Series Earth and Environmental Science, 2017, 94(11): 012034.

[28] ZOU Weicheng, XIAO G. R. Scale-location dependence of the relationship between NDVI and environmental factors in Wuyi mountain[J]. Advanced Materials Research, 2014, 955/959: 3828–3834.

[29] HAO Chengyuan, ZHU Zongze, WU Shaohong. Correlation analysis of vegetation NDVI and type of vegetation with main environmental factors on eastern and western sides of Ailao mountain[J]. Journal of Plant Resources & Environment, 2009, 18(2): 68–72.

[30] GAO Jiangbo, LI Shuangcheng, ZHAO Zhiqiang, et al. Investigating spatial variation in the relationships between NDVI and environmental factors at multi-scales: a case study of Guizhou karst plateau, China[J]. International Journal of Remote Sensing, 33(7): 2112–2129.

[31] 岳辉, 刘英. 近15a陕西省植被时空变化与影响因素分析[J]. 干旱区地理, 2019, 42(2): 314–323.

[32] 苏俊磊, 罗为群, 王广哲, 等. 基于MODIS-EVI的广西西江流域植被时空变化特征及其影响因素[J]. 水土保持研究, 2019, 26(3): 232–238.

[33] 何奕萱, 易桂花, 张廷斌, 等. 红河流域“通道-阻隔”作用下2000—2014年植被EVI变化趋势与驱动力[J]. 生态学报, 2018, 38(6): 2056–2064.

[34] 吕妍, 张黎, 闫慧敏, 等. 中国西南喀斯特地区植被变化时空特征及其成因[J]. 生态学报, 2018, 38(24): 8774– 8786.

[35] 彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9): 1758– 1776.

Spatio-temporal variation of NDVI and geographical detection of its driving factors in the ‘Grain for Green’project in northern shaanxi

SHANG Xue1, HE Zhaoquan2,*, ZHANG Tonghui3

1. Network and information center, Yan'an University, Yan'an 716000, China 2. School of Life Sciences, Yan'an University/Yan'an key laboratory of ecological restoration, Yan'an 716000, China 3. Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

As a sensitive factor of ecological environment change, surface vegetation plays a vital role in maintaining regional ecological stability. Based on MODIS NDVI data of northern shaanxi from 2000 to 2019 in the ‘Grain for Green’ project, through combination of environmental factors, such as topography, geomorphology, climate, soil and vegetation, the spatio-temporal variation characteristics of NDVI were explored, and the influence factors of NDVI and its influence degree were detected by using the geographical detector model for determining the driving mechanism of the main environmental factors on NDVI. The results showed that: (1) the area of medium and high vegetation coverage in northern shaanxi increased by 25.64%, 11.74%, from 2000 to 2019, respectively. significant difference of the spatial distribution of NDVI occurred, among them, the vegetation coverage was higher in the southeast hilly and gully region, and was lower in the northwest wind-sand region and urban construction land area. (2) NDVI of vegetation in northern shaanxi was mainly affected by annual precipitation and dryness index, of which explanatory power exceeded 45%. The explanatory power of vegetation type, accumulated temperature of ≥10 ℃, geomorphic type and slope was from15% to 35%. The explanatory power of soil type, annual average temperature, elevation and slope direction was less than 10%. (3) Tahe influence of various environmental factors on NDVI of vegetation in northern shaanxi was mutually enhanced and was non-linear enhanced. Therefore, the significant increase in the area of medium and high vegetation coverage, the appropriate threshold of the main driving factors (annual precipitation and dryness index) affecting NDVI, and the driving mechanism of their interaction enhancement revealed in our study can provide theoretical support and auxiliary decision-making for ecological environment restoration in the ecological fragile areas of northern shaanxi.

NDVI; geographic detector model; spatio-temporal change; driving force; northern shaanxi

10.14108/j.cnki.1008-8873.2022.01.008

尚雪, 何钊全, 张铜会. 退耕还林(草)过程中陕北地区NDVI时空变异及其驱动因子的地理探测[J]. 生态科学, 2022, 41(1): 66–76.

SHANG Xue, HE Zhaoquan, ZHANG Tonghui. Spatio-temporalvariation of NDVI and geographical detection of its driving factors in the ‘Grain for Green’ project in northern shaanxi[J]. Ecological Science, 2022, 41(1): 66–76.

S157.2

A

1008-8873(2022)01-066-10

2020-05-16;

2020-05-27

国家自然科学基金项目(41371053, 30972422, 51669034, 51809224); 国家重点研发计划(2017YFC0506706, 2017YFC0504704); 陕西省教育厅重点实验室项目(20JS150); 博士科学研究启动项目(205040305)

尚雪(1991—), 女, 陕西渭南人, 硕士,工程师, 主要从事生态环境遥感监测研究, E-mail: scher1@163.com

何钊全, 男, 博士, 讲师, 主要从事恢复生态学研究, E-mail: hzq@yau.edu.cn