APP下载

农牧交错带辽河流域2010—2019年植被覆盖变化及驱动因素分析

2022-03-09张国壮陈永昊

农业工程学报 2022年22期
关键词:辽河流域农区牧区

李 霞,张国壮,,陈永昊,陈 喆

农牧交错带辽河流域2010—2019年植被覆盖变化及驱动因素分析

李 霞1,张国壮1,2,陈永昊2,陈 喆3

(1. 长安大学土地工程学院,西安,710054;2. 长安大学地球科学与资源学院,西安,710054;3. 国家林业和草原局西北调查规划院,西安,710048)

农牧交错带是中国北方重要的生态屏障,厘清其内部植被变化特征及驱动机理对区域生态建设和环境保护具有重要战略意义。虽然一些学者对辽河流域植被变化的特点和影响因素进行了研究,但植被变化是一个复杂的过程,部分研究只考虑了单因素对流域内植被变化的影响,而没有充分探讨因素之间交互作用对植被的复杂影响。该研究基于MOD1S NDVI数据,采用因子回归和因子交互相结合的方法,从区域和整体角度分析了2010—2019年自然和社会经济因素对辽河流域植被覆盖度(Fractional Vegetation Cover,FVC)变化的影响。研究结果表明:1)2010—2019年辽河流域FVC整体呈上升趋势,10年平均FVC值为0.68,植被覆盖水平整体较高。植被覆盖度上升趋势从大到小依次为牧区、农区、半牧区。2)自然因素对全流域植被变化的解释力大于人为因素,其中降水的解释力最为显著。同时,植被变化和降水变化存在明显的同步性,此趋势在牧区最为显著。3)多数因子对植被覆盖变化的影响呈现出相互促进和非线性增强的特点,不存在完全独立因子。对整个流域影响最大的三组交互作用因素是降水∩温度、降水∩高程、降水∩风速。在牧区和半牧区,自然因素的交互作用对植被变化起主导作用,而在农区则是自然和人类活动共同作用,显著影响了植被变化。4)降水梯度影响了辽河流域植被覆盖空间异质性的解释程度。随着降水的增加,其他环境因子与FVC的拟合效果越来越好。农牧交错带植被空间覆盖异质性显著,受自然和人类活动多种因子交互作用,自然因子强于人类活动,降水在全流域及各分区植被变化中起到了关键作用。该区域植被保护应因地制宜,分类施策,以自然恢复为主,降低人为扰动,辅以合理生态工程建设。

植被覆盖;时空变化;驱动机制;辽河流域;农牧区

0 引 言

植被作为陆地生态系统的重要组成部分,是有机质的生产者和能量传输的载体,同时也是连接土壤、大气和水的纽带[1]。植被变化作为环境变化的敏感指标,可以直接反映生态环境状况,进而为生态环境建设和保护提供可靠信息[2]。

近年来,随着生态问题的日益严重,人们愈发重视对生态环境的监测,遥感技术的快速发展使其逐渐成为生态环境监测的有效手段。在从遥感数据提取的各种植被指数中,归一化植被指数(Normalized Difference Vegetation Index,NDVI)以其明确的物理意义和简单的反演算法被广泛应用于植被动态研究[3-5]。许多学者利用NDVI数据集对全球和区域尺度的植被变化进行了卓有成效的研究[6-7]。

在全球层面上,自20世纪80年代以来,全球植被覆盖率有所增加,这主要归因于气候条件的改善和二氧化碳浓度的升高[8]。在区域尺度上,不同地域的植被分布及变化趋势各不相同,具有明显的空间异质性,且与多种因素相关[9-10]。因此,理解植被变化驱动因素的多样性及其相互作用是植被变化机制研究的关键。已有研究表明,自然和人为因素,如温度、降水、土壤类型、土地利用等均会对植被变化产生影响[11-12]。同时由于环境和社会经济发展的区域差异,植被对环境和社会经济发展的响应在不同地区也有所不同,这意味着植被变化的驱动因素也具有空间异质性。例如,干旱和半干旱地区的植被分布特征和驱动因素与湿润和半湿润地区有所差别[13],山地、平原和荒漠地区的植被分布特征和影响因素也存在较大差异[14-15]。因此,探索植被覆盖在区域尺度上的分布特征和驱动因素,对于当地开展生态保护和修复工程具有重要意义。

辽河流域位于中国东北地区,是典型的季风气候和大陆性气候的过渡地带,同时也是中国农耕活动和畜牧活动的交错区域,该区域自古以来就是中国北方重要的生态屏障。近年来,伴随着急剧的气候变化和越来越多的人为干扰,辽河流域的植被状况一直在发生变化。一些学者也对该区域的植被变化和影响因素展开了研究[16-17]。例如,赵子娟等利用一元线性回归和皮尔逊相关系数分析了西辽河流域2000—2018年植被覆盖时空变化趋势及其影响因素,结果表明水热条件是影响流域植被覆盖变化的主导因素[18]。李一鸣等研究显示,温度是影响辽河流域年际植被覆盖度变化的主导因子,年内植被覆盖度变化则对降水的响应更加明显[19]。但是目前的研究多集中于对流域整体植被变化的研究,而忽略了其作为中国农区与牧区的交错区域,内部(农区和牧区、半牧区)植被覆盖变化及其影响因子具有明显的空间异质性。因此,精确地了解流域内各分区植被覆盖变化特征及其驱动机制是制定有效的区域植被保护政策的先决条件和依据。

目前一些学者通过设置多种情景模式,选用残差趋势和相关分析来区分气候变化及人类活动对区域植被的单因素及多因素的影响。例如,崔利芳等应用残差和回归分析方法,研究了1982—2015年长江流域植被变化及其与气候和人为因素的关系[20]。毕馨予等基于偏相关和回归分析方法,研究了1998—2013年辽宁省植被变化对气候变化的响应[21]。然而,以往研究大多将自然因素和人为因素视为独立的因素,而未考虑它们对植被变化的交互作用。此外,传统的相关分析和回归分析工具都假设植被变化与其驱动因子之间存在一定线性关系。然而,由于自然和人为因素之间存在复杂的相互作用,这种作用可能增强或削弱各因子对植被覆盖变化的影响,从而改变它们与植被变化之间的关系,这导致基于线性假设的植被覆盖变化驱动力分析可能存在一定的偏差。相较于传统的回归分析而言,地理探测器(Geo-Detector)是一种用于探测地理现象的空间异质性和驱动机制的统计工具[22]。该方法的主要优点是它可以检测两个驱动因素对因变量的交互作用,而不必遵循传统统计方法的线性假设。目前,对组合因子回归和因子交互联合探讨影响植被覆盖变化的驱动因素的相关研究还较少[7,11,14]。因此,本研究以MODIS NDVI数据为基础,采用贝叶斯线性回归、地理探测器等方法,定量探讨了2010—2019年辽河流域及其内部各分区(农区、牧区、半牧区)植被覆盖时空演变特征及其驱动机制,以期为区域生态保护和经济社会可持续发展提供科学参考依据。

1 材料与方法

1.1 研究区概况

辽河是中国七大河流之一,发源于河北省的光头山,流经河北、内蒙古、吉林、辽宁四省(自治区),注入渤海,全长1 345 km。主要支流包括浑河、太子河、大辽河、西辽河和东辽河等。辽河流域横跨中国干旱、半干旱、半湿润地区,总面积达21.9万km2(图1)。该地区是典型的季风气候和大陆性气候的过渡地带,也是中国农耕活动和畜牧活动的交错带。整个流域可以划分为以农业活动为主的东部农区平原(农区)、以畜牧业活动为主的中西部牧区草原、荒漠(牧区)和两者之间的农牧交错带(半牧区)(划分依据为中央政府门户网站(https://www.gov.cn)发布的中国牧区、半农半牧区县、旗一览表)。

1.2 因子选择与数据来源

自然因素和人类活动都对植被变化具有重要贡献[7]。本文选取2000—2019年的FVC值作为因变量,并选择了气候、地形和人类活动等10个具有代表性、易于获取和量化的因子作为自变量(表1)。温度和降水是影响植被变化的两个最重要影响因素[11]。其他自然因素,如海拔、坡度、风速和太阳辐射通过影响植被的蒸腾作用和水分利用效率,从而间接影响植被生长[23]。已有研究证明,人类活动也对植被变化具有重要影响[24],人口密度、夜间灯光、距道路距离和距居民点距离可以有效地反映人类活动强弱,所以本文将这4个因素也列为自变量。

本研究采用的植被覆盖数据来自美国国家航空航天局的中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)的NDVI产品(https://ladsweb.modaps.eosdis.nasa.gov),基于每年 1—12月份的月NDVI最大值,采用最大值合成法合成年度NDVI数据集,空间分辨率为250 m。研究区2010—2019年的人口、夜间灯光数据下载于中国科学院资源与环境中心(https://www.resdc.cn/),空间分辨率为1 km。2010—2019年的温度、降水和风速数据获取自国家地球系统科学数据中心(http://www.geodata.cn),分辨率为1 km。数字高程模型(Digital Elevation Model,DEM)数据来源于地理空间数据云(http://www.gscloud.cn/),空间分辨率为90 m,坡度数据由ArcGIS工具进行计算提取。太阳辐射数据来自国家气象科学数据中心(http://www.data.cma.cn/)。在研究区选择27个监测站,并使用ArcGIS中的克里金工具进行内插,得到研究区太阳辐射数据。主要道路和居民点的数据来自中国科学院资源与环境中心(https://www.resdc.cn/),并通过ArcGIS中的空间分析工具计算距主要道路和居民点的距离(表1)。基于 ArcGIS 重采样函数对数据进重采样,将所有数据分辨率统一为1 km。在研究区建立2 263个10 km×10 km的规则渔网,并提取每个渔网中11个变量的值。

表1 变量名称及编码

注:FVC为植被覆盖度。下同。

Note: FVC is fractional vegetation cover. Same below

1.3 研究方法

文中首先采用像元二分模型反演出辽河流域植被覆盖度(Fractional Vegetation Cover,FVC),然后利用Sen氏斜率分析和Mann-Kendall趋势分析流域植被的时空变化趋势,最后通过贝叶斯线性回归和地理探测器模型探索植被覆盖变化的驱动机理。

1.3.1 植被覆盖度估算

根据像元二分模型反演辽河流域植被覆盖度[5],公式为

式中NDVI为归一化植被指数,NDVIveg和NDVIsoil分别为完全植被覆盖像元和无植被覆盖像元的NDVI值。选取累计频率1%和99%处的NDVI值作为NDVIveg和NDVIsoil。

1.3.2 Sen + Mann-Kendall趋势分析

采用Sen氏斜率分析与Mann-Kendall趋势检验法研究近10年辽河流域植被的变化趋势。相较于普通的最小二乘趋势分析,Sen氏斜率分析能够有效减少异常值的干扰,提高检验结果的准确度[25]。同时,对2010—2019年FVC进行Mann-Kendall趋势检验,以检验10年来植被变化趋势的显著性[26]。

1.3.3 全子集筛选

全子集筛选是基于自变量的所有可能组合,以找到对因变量具有最佳预测效果的自变量子集[27]。它的主要计算过程如下:首先根据“最大调整2(2)”的原则,用个预测变量对因变量进行拟合,并从个预测变量中选择出合适的自变量组合。然后依次计算上述组合的决定系数(2)、赤池信息准则(Akaike Information Criterion,AIC)和贝叶斯信息准则(Bayesian Information Criterion,BIC)[28]。最后,综合考虑2、AIC和BIC的值择出最佳自变量子集。

1.3.4 贝叶斯线性回归

1.3.5 地理探测器

地理探测器(Geo-Detector)是一个用于空间数据分析的开源统计模型(http://www.geodetector.cn/),其基本理论是通过空间分层异质性观点来确定两个变量空间分布的相似性[22]。地理探测器由因子探测、交互探测、风险探测和生态探测组成,本研究中主要使用前两种功能。

因子探测用于检测各影响因素对FVC()的空间异质性的解释程度。解释程度用值来衡量,其计算方法如下:

交互探测用来识别两因子是否对因变量有交互作用,即这两个因子共同作用时,是增加还是减少对植被覆盖的解释力。交互作用类型见文献[23]。

2 结果与分析

2.1 流域植被覆盖格局及变化分析

2.1.1 植被空间分布特征

在像元尺度上计算了流域2010—2019年FVC均值,根据等间隔法将其划分为5个等级[5]:[0~0.2)(裸地植被)、[0.2~0.4)(低覆盖植被)、[0.4~0.6)(中覆盖植被)、[0.6~0.8)(中高覆盖植被)和[0.8~1.0](高覆盖植被)。结果显示(图2),研究区FVC整体呈现东高西低的格局,10年来辽河流域平均FVC为0.68,其中裸地植被、低覆盖植被、中覆盖植被、中高覆盖植被和高覆盖植被面积分别占全流域总面积的2.54%、15.32%、23.17%、26.38%和32.59%。这表明该区域内的整体植被覆盖水平较高。

一方面,裸地和低植被覆盖区域主要分布在中部和北部牧区、半牧区,包括翁牛特旗、巴林右旗、奈曼旗中西部、库伦旗北部等;这些地区分布在内蒙草原、科尔沁沙漠等地,气候干旱,降水稀少,植被稀疏是其主要环境特征;另一方面,中高植被和高植被覆盖区域主要分布在研究区东部的农区,以辽河平原最为典型,生长植被以种植农作物为主。该区域地势平坦,降雨量较多且灌溉系统发达,植被生长茂盛,为中国重要的商品粮基地。此外,在研究区东部平原上出现了一些局域FVC低值中心,这些区域大多位于城市周围,这是由于城市扩张和人类活动占用了大量农田和生态用地,使得这些区域内FVC相对较低。同时,从图2可知,研究区植被覆盖具有明显的空间异质性,农区植被覆盖情况最好,中高覆盖植被较为集中;半牧区其次,牧区的植被覆盖最差,流域内沙地和裸地植被大多集中在牧区。

图2 辽河流域2010—2019年均FVC分布

2.1.2 植被覆盖时空变化分析

如图3所示,2010—2019年全流域植被覆盖度呈上升趋势,但整体上升幅度不大,回归趋势线斜率为0.003/a。对流域内部各分区而言,农区、牧区、半牧区植被覆盖度均呈上升态势,增加速率为牧区(0.006 8/a)>农区(0.001 3/a)>半牧区(0.001 2/a)。且农区植被变化波动最小,牧区植被变化波动最大,这可能与人类活动存在一定的关系,先前的研究也证实了这一观点[18]。

年均FVC时间序列的变化反映了植被变化的总体趋势,但不能反映植被的空间变化以及空间差异。因此,采用Sen + Mann-Kendall工具来分析植被空间变化趋势及其显著性。图4显示,FVC显著增加的地区主要分布在农区的东部和北部,以及流域南部的低山丘陵地区。FVC显著退化的地区主要集中在牧区的草原和荒漠上,这些地区的盐碱化和荒漠化问题严重,导致了植被的退化。同时研究区东部农区平原上也出现了一些植被显著退化区域,稀疏分布在城市周围。这可能是由于城市用地扩张占据大量生态用地和农田,从而导致城市周围植被发生显著退化。

图3 2010—2019年辽河流域不同区域植被覆盖度时间序列变化

在过去10年中,植被改善(显著改善和轻微改善)是植被变化的主要趋势(图4)。这种趋势在农区和半牧区表现的更加明显,这可能是因为近些年政府逐渐加强了对草原的保护力度。例如在严重超载过牧地区,采取禁牧封育、免耕补播等措施;对已垦草原,实行有计划地退耕还草等[18]。

图4 2010—2019年辽河流域FVC变化趋势

2.2 驱动因子回归分析

变量之间的强相关性可能会导致模型失真,所以有必要对所有变量进行多重共线性检验。表2显示,所有变量的方差膨胀因子(VIF)都小于10,所有变量的容忍度(1/VIF)都大于0.1,这符合回归模型的独立假设特征[30]。

对10个因素指标进行标准化,通过调整2(2)来确定变量组合,筛选出最优子集模型。表3列出了2最优组合方程。结果发现,所有区域的回归函数中绝对系数最大的变量都是3(年降水量),说明在2010—2019年的大部分年份,降水对植被的影响尤为显著。因此本文重点研究了降水量与植被覆盖变化之间的关系。

表2 多重共线性检验

表3 各区域FVC最佳回归方程

图5为年降水量和各个分区植被覆盖度10年间的变化趋势,无论是在农区还是牧区,植被覆盖度变化与降水的变化都保持了较高同步性,降水增多的年份,植被覆盖也随之增加(图5),这说明降水变化显著影响了植被变化,是植被生长的重要影响因子。

然而农区植被覆盖度随降水变化的波动幅度明显小于牧区,并且可发现在农区最佳回归方程中,社会经济因子(夜间灯光强度)的回归系数排在了第三位。这可能是农区植被以人工种植农作物为主,相较于牧区,农区人类农业种植活动较为活跃,其对植被覆盖度的正向促进作用要大于人类开发建设等活动的负向破坏作用,合理的农业活动和人为干预使得农区的植被变化波动较小。

图5 2010—2019年辽河流域各区域植被覆盖与降水时间序列变化

2.3 地理探测结果分析

2.3.1 因子独立对植被覆盖变化的解释

因子探测用于揭示各环境因子对植被覆盖的影响程度。通过计算各环境因子的解释力(值)(表4),确定了各环境因子对植被覆盖的影响。2010—2019年,整个流域内环境因子对植被覆盖的影响大小依次为降水、太阳辐射、风速、高程、夜间灯光、人口密度、坡度、温度、距居民点距离、距道路距离。具体到流域内各分区而言,影响因子贡献率排在前三的分别是降水、夜间灯光和高程(农区);降水、高程和太阳辐射(半牧区);温度、降水和坡度(牧区)。

表4 辽河流域各区域因子探测结果

注:表中数值为因子解释力值。

Note:The value in the table is the factor explanatory powervalue.

在整个流域范围内,降水的影响力最大(0.477),对植被覆盖变化的贡献率超过45%。因此,降水是影响流域植被空间分布的主要驱动因子,这也与回归分析的结果相一致。太阳辐射对植被空间分布贡献排在了第二,太阳辐射的强度直接决定了植被光合作用的强度,因此太阳辐射对植被的空间分布变化具有重大影响。风速对植被变化的贡献排在了第三,风可以影响植物的形态和繁殖,进而影响植被的变化。从整个辽河流域的地形来看,东部和西部为山地丘陵地区,而中部平原地势较为平坦,从欧亚大陆内部南下的冷空气和从太平洋北上的暖空气可以在中部平原畅行无阻,造成该区域常年风速较大,这会对植被变化产生较为重要的影响。除了降水、太阳辐射和风速外,高程对植被变化的贡献率也很大。辽河流域的海拔范围为0~2 083 m,海拔高度的巨大差异导致流域内温差较大,进而影响了植被覆盖变化。

夜间灯光在一定程度上代表着人类活动强度,而在农区,夜间灯光的贡献率较大(0.268),这表明人类活动对植被变化产生了重要影响。在牧区,温度的值最大,为0.269,其对植被变化贡献最大。牧区内其他自然因素的值也都居于前列,而社会经济因素的值都较低,其对植被覆盖度的影响并不显著。这可能是由于牧区的气候为温带大陆性气候,昼夜温差较大,土地利用类型多为沙漠、裸地和草地,受人类活动的干扰较少,温度等自然因子对植被覆盖变化的影响较大。

2.3.2 因子交互对植被覆盖变化的解释

单一变量对植被覆盖空间差异的解释是不够充分的,需要考虑多种自然和人为因素的协同效应。交互探测可以揭示各因子之间的相互作用及其对植被覆盖变化的影响。结果表明,各因子间的交互作用增强了单因子对植被覆盖的影响,表现出双因子、非线性增强效应。

在整个流域,降水与其他环境因子的交互作用最为显著(表5)。三组最大的交互因素分别是降水和温度、降水和高程、降水和风速。在整个流域范围内自然因子的交互作用占据主导地位,其中降水和温度的相互作用可以解释整个流域植被变化的60.9%。在农区,交互作用最强的是降水和夜间灯光,两者之间的相互作用可以解释整个区域植被变化的65.8%。这表明在农区自然因子和人类活动同时作用,对植被变化产生了巨大影响。在半牧区,降水和高程的交互作用最大,植被受自然因素的影响较大。在牧区,交互作用最高的是降水与气温,其次为太阳辐射和气温。这说明在牧区和半牧区植被变化主要受自然因素影响,人类对植被的干扰和影响较小。

表5 流域内各区域最大三组交互因子

2.3.3 降水梯度对植被变化的影响

贝叶斯线性回归和地理探测器都表明,在自然驱动因素中,年降水量对植被覆盖的影响最大,这也与以往的研究结果一致,即水分是植被生长的关键性限制因素,植被比其他自然因素对降水更敏感[31]。根据自然断点法,将年降水量分为5个等级:299.38~407.49 mm(level 1)、407.50~544.81 mm(level 2)、544.82~709.19 mm(level 3)、709.20~873.49 mm(level 4)、873.50~1 044.42 mm(level 5),并讨论了不同降水梯度下其他环境因素对植被覆盖变化的影响。

表6显示,当降水处于较低水平时(level 1),自然因子(如高程、温度)是影响植被变化的主要因素。随着降水的增加,从西部干旱半干旱的牧区和半牧区向较为湿润的东部农区平原过渡,人类活动逐渐活跃,社会经济因子对植被的解释力逐渐变大。在降水量最高的东部平原(level 5),土壤肥沃,人类开发历史悠久,农业机械化、集约化程度较高,是中国重要的商品粮生产基地。在这里社会经济因素的解释力超过自然因子的解释力,成为植被变化的主导驱动因子。

为了更好地理解植被变化的驱动机制,本研究在不同的降水梯度下建立了各环境因子与植被覆盖度的回归方程,其2如图6所示。结果表明,随着降水的增加,各种环境因素与植被覆盖的拟合程度越来越好。这证明了不仅降水本身对植被覆盖有很大影响,而且还是影响植被变化的重要催化剂。随着降水的不断增加,各因子与植被覆盖的拟合效果也越来越好,降水的梯度变化影响了植被覆盖空间异质性的解释程度。

表6 植被覆盖影响因子随降水梯度变化的q值

等级Level

3 讨论与展望

3.1 辽河流域植被覆盖变化分析

研究发现,整个流域植被覆盖呈现从东向西逐渐递减的格局,这与朱丽亚等得出的辽河流域植被覆盖空间格局的结论一致[32]。10年间辽河流域平均植被覆盖度为0.68,植被覆盖水平整体较高。辽河流域中西部为温带大陆性气候,气候干旱,降水稀少,东部受海洋季风影响,水汽丰富。东、西部不同的水汽来源导致高空对流层自西向东降水呈增加趋势,这是导致东部植被茂密而西部植被相对稀疏的一个重要因素(图2)。

3.2 农区、牧区植被覆盖变化对环境因子响应差异

本文发现,农牧分区内部植被覆盖的驱动因素存在差异。在牧区和半牧区,自然因子对植被变化的贡献占据了主导地位,人类活动的解释力较弱。这可能是由于牧区的土地类型以草原和荒漠为主,人类干扰较少,植被变化主要受自然因子的影响[33]。再加上该地区气候环境恶劣,群落结构简单,植被变化对自然因素的响应更强,这也与前人研究结果一致[34]。而在农区,社会经济因素对植被变化的贡献相较于牧区明显提高。辽河流域地处中国北方农牧交错带,是典型的敏感区和生态脆弱区,同时也是重要的商品粮食基地,通过分区研究内部植被覆盖变化及驱动因素,有助于精准施策,综合考虑各区农业资源承载力、环境容量、生态类型和发展基础等因素。按照因地制宜、分类施策的原则,在牧区要继续加大“退牧还草”“双千万亩”“镰刀弯”等生态工程建设力度,建立牧区生态保护长效机制,在农区要提高对人类活动因素的重视程度,加强农业与科技融合,同时积极采取相关政策抑制城市扩张和工业生产侵占、污染耕地现象的发生,从而促进辽河流域生态植被恢复,优化区域农业种植结构与布局,提高资源配置效率和生产水平,推进农业高质量发展。

3.3 因子回归与因子交互比较分析

从主要影响因子来看,回归模型和因子探测都表明降水是影响辽河流域植被空间分布变化的主要驱动因素,这也与其他类似流域内降水主导植被覆盖变化的研究结果相似[35]。但是仅从解释力排序来看,地理探测器与回归分析结果有所不同,这是由于全局最优筛选从函数拟合的角度将具有逻辑关系的因子进行了取舍。如因子探测显示,降水和高程对半牧区植被空间分布解释力都很显著(表4),但是在回归模型构建中为了使函数拟合效果更好,两个因素的回归系数差别很大,甚至高程变量并未出现在最佳回归方程中(表3)。这说明因子独立的全局最优筛选仅仅是模拟因变量特征的最优函数,其解释效果与因变量的驱动解释有时并不能完全等同。另外虽然回归模型可以独立显示各因素对地理现象的影响程度,但其没有充分考虑各因素之间的相互作用,对复杂因素的解释可能不够充分。与回归分析相比,地理探测器考虑到了各因素之间的相互作用。它通过探测地理现象的空间分层异质性来揭示地理现象的驱动力,这意味着它是解释植被变化复杂驱动力的一种有效和合适的方法。虽然地理探测器可以有效地检测出因素交互对地理现象的影响,但它不能确定独立因素的正负相关关系,也缺乏回归模型模拟因变量特征的能力。

3.4 不足与展望

尽管本文对植被变化及其与自然和人为因素的耦合关系的研究将有助于加深对植被动态驱动机制的理解,但仍存在一些局限性和不确定性。例如,本研究选择的潜在影响因素并不全面,未来的研究应考虑实施生态工程项目和气候变化对植被生长的时滞效应,以及考虑更多的生物气候和社会经济因素,以进一步减少对植被动态影响的不确定性。另外,植被变化是一个多因素共同作用的复杂过程,而本研究仅研究了双因子交互对植被的影响,在未来要加强多因子交互对植被变化影响的研究以及对多因子之间的交互作用关系进行科学验证。

4 结 论

本研究基于2010—2019年辽河流域植被覆盖数据,结合Sen + Mann-Kendall趋势检验、贝叶斯线性回归、地理探测器模型等方法,定量探讨了辽河流域及其内部各分区植被覆盖的时空演变特征,并进一步结合高程、降水、温度及夜间灯光等10个自然和人为因素研究其对植被覆盖特征和变化趋势的影响,主要结论如下:

1)2010—2019年辽河流域的植被覆盖整体呈上升的趋势,10年平均植被覆盖度为0.68,植被覆盖水平整体较高。就植被上升趋势而言,牧区上升幅度最大,农区次之,半牧区最小。

2)在整个流域范围内,降水对植被覆盖变化的贡献率最大。且降水的梯度变化影响了其他因子对植被变化解释程度,随着降水的不断增加,各因子与植被覆盖的拟合程度也越来越好。

3)因子回归和和因子交互结果显示,自然和社会经济因素的共同作用驱动着流域植被覆盖的变化。在牧区和半牧区,自然因素之间的交互作用(牧区:降水和气温;半牧区:降水和高程)对植被覆盖变化起着主导作用,而农区植被覆盖变化则主要归因于自然因素(降水)和人类活动(夜间灯光)之间的协同作用。

[1] Ding Y, Li Z, Peng S. Global analysis of time-lag and -accumulation effects of climate on vegetation growth[J]. International Journal of Applied Earth Observations and Geoinformation, 2020, 92: 102179.

[2] Zhong L, Ma Y, Xue Y, et al. Climate change trends and impacts on vegetation greening over the Tibetan Plateau[J]. Journal of Geophysical Reserch-Atmospheres, 2019, 124(14): 7540-7552.

[3] Verbesselt J, Hyndman R, Newham G, et al. Detecting trend and seasonal changes in satellite image time series[J]. Remote Sensing of Environment, 2009, 114(1): 106-115.

[4] Fensholt R, Proud SR. Evaluation of earth observation based global long term vegetation trends-Comparing GIMMS and MODIS global NDVI time series[J]. Remote Sensing of Environment, 2012, 119: 131-147.

[5] 王建国,张飞. 2000—2019年新疆植被覆盖度时空格局及重心变化分析[J]. 农业工程学报,2020,36(20):188-194.

Wang Jianguo, Zhang Fei. Analysis on spatio-temporal pattern and gravity center change of vegetation coverage in Xinjiang from 2000 to 2019[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 188-194. (in Chinese with English abstract)

[6] Liao L, Song J, Wang J, et al. Bayesian method for building frequent Landsat-like NDVI datasets by integrating MODIS and Landsat NDVI[J]. Remote Sensing, 2016, 8(6): 452.

[7] 涂又,姜亮亮,刘睿,等. 1982—2015年中国植被NDVI时空变化特征及其驱动分析[J]. 农业工程学报,2021,37(22):75-84.

Tu You, Jiang Liangliang, Liu Rui, et al. Analysis on spatio-temporal change characteristics and driving forces of NDVI of vegetation in China from 1982 to 2015[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 75-84. (in Chinese with English abstract)

[8] Wu D, Wu H, Zhao X, et al. Evaluation of spatiotemporal variations of global fractional vegetation cover based on GIMMS NDVI data from 1982 to 2011[J]. Remote Sensing, 2014, 6(5): 4217-4239.

[9] Schulz J J, Cayuela L, Rey-Benayas J M, et al. Factors influencing vegetation cover change in Mediterranean Central Chile (1975-2008): Factors influencing vegetation change[J]. Applied Vegetation Science, 2011, 14(4): 571-582.

[10] 王晓蕾,石守海. 基于GEE的黄河流域植被时空变化及其地形效应研究[J]. 地球信息科学学报,2022,24(6):1087-1098.

Wang Xiaolei, Shi Shouhai. Study on temporal and spatial changes of vegetation and topographic effects in the Yellow River basin based on GEE[J]. Journal of Geo-Information Science, 2022, 24(6): 1087-1098. (in Chinese with English abstract)

[11] 徐勇,郑志威,郭振东,等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学,2022,43(7):3730-3740.

Xu Yong, Zheng Zhiwei, Guo Zhendong, et al. Detection of NDVI dynamic changes and influencing factors of vegetation in the Yangtze River basin from 2000 to 2020[J]. Acta Scientiae Circumstantiae, 2022, 43(7): 3730-3740. (in Chinese with English abstract)

[12] 耿庆玲,陈晓青,赫晓慧,等. 中国不同植被类型归一化植被指数对气候变化和人类活动的响应[J]. 生态学报,2022,42(9):3557-3568.

Geng Qingling, Chen Xiaoqing, He Xiaohui, et al. Response of normalized vegetation index of different vegetation types in China to climate change and human activities[J]. Acta Ecologica Sinica, 2022, 42(9): 3557-3568. (in Chinese with English abstract)

[13] 张更喜,粟晓玲,郝丽娜,等. 基于NDVI和scPDSI研究1982-2015年中国植被对干旱的响应[J]. 农业工程学报,2019,35(20):145-151.

Zhang Gengxi, Su Xiaoling, Hao Lina, et al. Based on NDVI and scPDSI, the response of Chinese vegetation to drought from 1982 to 2015 was studied[J] Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 145-151. (in Chinese with English abstract)

[14] 王治国,白永平,车磊,等. 关中平原城市群植被覆盖的时空特征与影响因素[J]. 干旱区地理,2020,43(4):1041-1050.

Wang Zhiguo, Bai Yongping, Che Lei, et al. Temporal and spatial characteristics and influencing factors of vegetation coverage in Guanzhong Plain urban agglomeration[J]. Arid Land Geography, 2020, 43(4): 1041-1050. (in Chinese with English abstract)

[15] 孙帆,王弋,陈亚宁. 塔里木盆地荒漠-绿洲过渡带动态变化及其影响因素[J]. 生态学杂志,2020,39(10):3397-3407.

Sun Fan, Wang Yi, Chen Yaning. Dynamic change of desert oasis transition zone in Tarim Basin and its influencing factors[J]. Chinese Journal of Ecology, 2020, 39(10): 3397-3407. (in Chinese with English abstract)

[16] 蒲真,张芳玲,古元阳,等. 我国东北地区自然植被保护现状及保护优先区分析[J]. 生态学杂志,2019,38(9):2821-2832.

Pu Zhen, Zhang Fangling, Gu Yuanyang, et al. Analysis on the status quo of natural vegetation protection and priority areas in Northeast China[J]. Chinese Journal of Ecology, 2019, 38(9): 2821-2832. (in Chinese with English abstract)

[17] 夏会娟,孔维静,孙建新,等. 基于MODIS NDVI的辽河保护区成立前后植被覆盖时空动态研究[J]. 生态学报,2018,38(15):5434-5442.

Xia Huijuan, Kong Weijing, Sun Jianxin, et al Temporal and spatial dynamics of vegetation cover before and after the establishment of Liaohe River Reserve based on MODIS NDVI[J]. Acta Ecologica Sinica, 2018, 38(15): 5434-5442. (in Chinese with English abstract)

[18] 赵子娟,范蓓蕾,王玉庭,等. 2000—2018年西辽河流域植被覆盖度时空变化特征及影响因素研究[J]. 中国农业资源与区划,2021,42(12):75-88.

Zhao Zijuan, Fan Beilei, Wang Yuting, et al. Study on spatio-temporal change characteristics and influencing factors of vegetation coverage in the Western Liaohe River Basin from 2000 to 2018[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(12): 75-88. (in Chinese with English abstract)

[19] 李一鸣,苏芳莉,李海福,等. 辽河干流流域植被盖度变化及其与气候因子的关系[J]. 沈阳农业大学学报,2017,48(1):115-121.

Li Yiming, Su Fangli, Li Haifu, et al. Vegetation coverage change in Liaohe mainstream basin and its relationship with climate factors[J]. Journal of Shenyang Aricultural University, 2017, 48(1): 115-121. (in Chinese with English abstract)

[20] 崔利芳,王伦澈,屈赛,等. 气温、降水量和人类活动对长江流域植被NDVI的影响[J]. 地球科学,2020,45(6):1905-1917.

Cui Lifang, Wang Lunche, Qu Sai, et al. Impact of temperature, precipitation and human activities on NDVI of vegetation in the Yangtze River basin[J]. Journal of Earth Science, 2020, 45(6): 1905-1917. (in Chinese with English abstract)

[21] 毕馨予,刘晓静,马东来,等. 辽宁省植被NDVI对气候因子的滞后响应研究[J]. 中国农业资源与区划,2021,42(10):233-244.

Bi Xinyu, Liu Xiaojing, Ma Donglai, et al. Study on the lag response of vegetation NDVI to climate factors in Liaoning Province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(10): 233-244. (in Chinese with English abstract)

[22] 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.

Wang Jinfeng, Xu Chengdong. Geographic detector: Principle and prospect[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. (in Chinese with English abstract)

[23] 徐勇,郑志威,戴强玉,等. 顾及时滞效应的西南地区植被NPP变化归因分析[J]. 农业工程学报,2022,38(9):297-305.

Xu Yong, Zheng Zhiwei, Dai Qiangyu, et al. Attribution analysis of vegetation NPP change in Southwest China considering time lag effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 297-305. (in Chinese with English abstract)

[24] 杨艳萍,陈建军,覃巧婷,等. 2000-2018年广西植被时空变化及其对地形、气候和土地利用的响应[J]. 农业工程学报,2021,37(17):234-241.

Yang Yanping, Chen Jianjun, Qin Qiaoting, et al. Spatial and temporal changes of vegetation in Guangxi from 2000 to 2018 and their responses to topography, climate and land use[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 234-241. (in Chinese with English abstract)

[25] 沈贝贝,魏一博,马磊超,等. 内蒙古草原植被覆盖度时空格局变化及驱动因素分析[J]. 农业工程学报,2022,38(12):118-126.

Shen Beibei, Wei Yibo, Ma Leichao, et al. Analysis on spatio-temporal pattern change and driving factors of grassland vegetation coverage in Inner Mongolia[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(12): 118-126. (in Chinese with English abstract)

[26] 王静,姚顺波,刘天军. 退耕还林背景下降水利用效率时空演变及驱动力探讨[J]. 农业工程学报,2020,36(1):128-137.

Wang Jing, Yao Shunbo, Liu Tianjun. Discussion on spatial-temporal evolution and driving force of precipitation utilization efficiency under the background of returning farmland to forests[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 128-137. (in Chinese with English abstract)

[27] Bjorn M C, Weiner J, Kollmann J, et al. Increasing local biodiversity in urban environments: Community development in semi- natural species-rich forb vegetation[J]. Landscape and Urban Planning, 2019, 184: 23-31.

[28] Hangshing L, Dabral P P. Multivariate frequency analysis of meteorological drought using copula[J]. Water Resources Management, 2018, 32(5): 1741–1758.

[29] 陈强. 高级计量经济学及 Stata 应用[M]. 北京:高等教育出版社,2010.

[30] 杨梅,肖静,蔡辉. 多元分析中的多重共线性及其处理方法[J]. 中国卫生统计,2012,29(4):620-624.

Yang Mei, Xiao Jing, Cai Hui. Multi collinearity and its treatment in multivariate analysis[J]. Chinese Journal of Health Statistics, 2012, 29(4): 620-624. (in Chinese with English abstract)

[31] 于璐,张红,刘勇,等. 气候变化背景下京津风沙源区人类活动对植被影响的量化分析[J]. 应用生态学报,2020,31(6):2007-2014.

Yu Lu, Zhang Hong, Liu Yong, et al. Quantitative analysis of the impact of human activities on vegetation in Beijing Tianjin sandstorm source area under the background of climate change[J]. Chinese Journal of Applied Ecology, 2020, 31(6): 2007-2014. (in Chinese with English abstract)

[32] 朱丽亚,胡克,孙爽. 2000—2018年辽河流域植被NDVI变化及其与温度、降水的响应关系[J]. 生态科学,2022,41(3):203-213.

Julia, Hu Ke, Sun Shuang. Vegetation NDVI change in Liaohe River basin and its response to temperature and precipitation from 2000 to 2018[J]. Ecological Science, 2022, 41(3): 203-213. (in Chinese with English abstract)

[33] 郭恩亮,阿如娜,康尧,等. 内蒙古植被稳定性及其影响因素分析[J]. 长江科学院院报,2022,39(4):70-76.

Guo Enliang, A Runa, Kang Yao, et al. Analysis of vegetation stability and its influencing factors in Inner Mongolia[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(4): 70-76. (in Chinese with English abstract)

[34] 李茂华,都金康,李皖彤,等. 1982-2015年全球植被变化及其与温度和降水的关系[J]. 地理科学,2020,40(5):823-832.

Li Maohua, Du Jinkang, Li Wantong, et al. Global vegetation change from 1982 to 2015 and its relationship with temperature and precipitation[J]. Scientia Geographica Sinica, 2020, 40(5): 823-832. (in Chinese with English abstract)

[35] 丁永康,叶婷,陈康. 基于地理探测器的滹沱河流域植被覆盖时空变化与驱动力分析[J]. 中国生态农业学报(中英文),2022,30(11):1737-1749.

Ding Yongkang, Ye Ting, Chen Kang. Analysis of temporal and spatial changes and driving forces of vegetation cover in Hutuo River basin based on geographical detectors[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1737-1749. (in Chinese with English abstract)

Vegetation cover change and driving factors in the agro-pastoral ecotone of Liaohe River Basin of China from 2010 to 2019

Li Xia1, Zhang Guozhuang1,2, Chen Yonghao2, Chen Zhe3

(1.,,710054,;2.,,710054,;3.,710048,)

Driving mechanisms of Fractional Vegetation Cover (FVC) can be a prerequisite for decision-making on vegetation restoration and management. As the intersection of farming and animal husbandry activities in China, the Liaohe River basin is of great significance for the regional ecological construction and environmental protection, in order to clarify the internal vegetation change characteristics and driving mechanisms. Much effort has been made into the characteristics and influencing factors of vegetation change in the region. However, it is still lacking in the spatial heterogeneity of vegetation in the region as an Agro-pastoral intersection zone. Since vegetation change is a complex process, it is very necessary to fully consider the complex influence of the interaction between environmental factors on vegetation change, rather than only the individual factors. In this study, the spatial heterogeneity of FVC was analyzed in the Liaohe River Basin from 2010 to 2019 using the Normalized Difference Vegetation Index derived from the MOD13Q1 product. Furthermore, the factor regression and interaction were combined to jointly explore the effects of natural and socioeconomic factors on the vegetation changes from a regional and overall perspective. The results showed that: 1) There was an overall rising trend of FVC, with a 10-year average FVC of 0.68 and an overall high level of vegetation cover. The most significant was ranked in the order of the pastoral areas > agricultural areas > semi-pastoral areas, and the vegetation improvement trend in the pastoral areas, in terms of the rising trend of vegetation cover. 2) The explanatory power of natural factors on the vegetation changes in the whole basin was greater than that of human factors, among which the explanatory power of precipitation was the most significant. At the same time, there was an outstanding synchronization between the vegetation and precipitation change, where this trend was the most significant in the pastoral areas. 3) The interaction indicated that most factors showed a mutually reinforcing and non-linear enhancement of vegetation change. It infers that the vegetation change was a complex process with multi-factor effects from a system perspective. There were no completely independent factors. The three largest groups of interacting factors across the basin were the precipitation and temperature, precipitation and elevation, and precipitation and wind speed. The natural factors dominated the interaction of vegetation in the pastoral and semi-pastoral areas. By contrast, a combination of natural and human activities significantly affected the vegetation change in the agricultural areas. 4) The precipitation gradient greatly contributed to the explanation degree of FVC spatial heterogeneity. The environmental factors better fitted the FVC with the increase in precipitation. The precipitation was an important catalyst for the vegetation change. 5) human activities also posed an important influence on the vegetation change. The positive effects of human activities were generally dominant in the study area over the past 10 years. Such reasonable human activities can be maintained to increase the FVC in the Liaohe River basin.

fractional vegetation cover; spatio-temporal change; driving mechanism; Liaohe River basin; Agro-pastoral ecotone

10.11975/j.issn.1002-6819.2022.22.007

X87

A

1002-6819(2022)-22-0063-10

李霞,张国壮,陈永昊,等. 农牧交错带辽河流域2010—2019年植被覆盖变化及驱动因素分析[J]. 农业工程学报,2022,38(22):63-72.doi:10.11975/j.issn.1002-6819.2022.22.007 http://www.tcsae.org

Li Xia, Zhang Guozhuang, Chen Yonghao, et al. Vegetation cover change and driving factors in the agro-pastoral ecotone of Liaohe River Basin of China from 2010 to 2019[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 63-72. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2022.22.007 http://www.tcsae.org

2022-10-17

2022-11-13

中央高校基本科研业务费专项(300102352501)

李霞,副教授,研究方向为地理信息技术及生态遥感研究。Email:lixia666@chd.edu.cn

猜你喜欢

辽河流域农区牧区
试析藏北牧区的“盐语”民俗①
藏北牧区圈窝饲草种植及应用前景
内蒙古牧区旗县三产融合的可持续发展研究
西藏农区奶牛异食癖的诊治
辽河流域冶金行业焦化工艺水污染物排放限值标准制定研究
十二五期间辽河流域土地利用及生境维持功能分析
辽宁省辽河流域石油炼制排放限值的制定
辽河流域水生态管理指标体系构建
泰州市耕地土壤养分现状及变化趋势研究
西藏农区奶牛乳房炎的抽查报告