1982—2015年黄土高原植被变化特征及归因

燕丹妮,武心悦,王博恒,郝红科,*

1 西北农林科技大学林学院,杨凌 712100

2 国家林业和草原局华东调查规划院,杭州 310021

黄土高原位于中国半湿润、干旱与半干旱区过渡带,水资源短缺,生态环境脆弱,对气候变化响应敏感,是我国水土保持重点区域[1—2]。黄河中游流经的黄土高原,是入黄泥沙的主要来源,因此黄土高原植被覆盖度对水土流失的防治关系到黄河流域的可持续发展[3—4]。一方面,植被作为陆地生态系统的组成部分,在截留降雨、增加土壤入渗、减少水土流失以及指示全球气候变化和生态系统变化方面有重要作用[5—7];另一方面,植被破坏导致的生态环境持续恶化将加剧水土流失,造成黄河下游河道泥沙不断淤积[8—9]。虽然大规模人工造林提高了黄土高原植被覆盖度,但也有证据表明在人类活动和气候变化双重影响下,大规模的植被恢复使得降水被植被冠层截留蒸发,部分造林密度较大的区域土壤呈区域性干燥化[10—12]。因此,在气候变化和人类活动影响下,黄土高原区植被动态变化日趋复杂,如何量化植被变化特征及其归因对区域生态安全至关重要。

气候变化和人类活动被公认为是影响黄土高原植被覆盖度变化的两个重要因素[13—14]。土地利用类型、经济发展、人口、农业生产等数据常作为人类活动的重要指标量化人类活动对植被覆盖度变化的贡献率[15—16]。温度、降水和辐射作为主要的气候因素已被广泛的用作驱动植被覆盖度变化的气候指标[17]。此外,地貌、植被类型等自然因素也作为影响气候驱动力的限制性因素应用于对植被覆盖度变化的影响因素量化中[18]。也有研究针对多因子交互作用,判断和说明多种气象因子共同作用下和独立作用下对植被归一化植被指数(NDVI)的解释度[19—21]。除此之外,为探究退耕还林对植被恢复的影响效果,利用基于面板数据修正标准误差(PCSE)修正的面板数据模型将退耕还林面积作为表征退耕还林影响力的指标[22]。这些研究都有力地推动了对植被覆盖度变化与气候变化及人类活动耦合关系的认识。目前对于气候变化与人类活动对植被覆盖度变化的贡献率还存在一定的不确定性,这与研究基于的时间尺度、参与拟合关系的驱动因素以及植被覆盖度变化与气候因素拟合关系的可靠性有关[23]。

以往研究中,利用多元统计方法建立植被覆盖度与气候变化之间的关系,忽略了植被覆盖度与气候因素之间复杂的交互作用。在全球气候变化加剧的情况下,受多种环境因子影响的植被覆盖度变化并不是完全的线性关系,例如当增温超过光合作用的最适温度时,温度对植被的生长产生抑制作用,升温促进土壤水分蒸散,形成干旱环境,也会抑制植被的生长[24—26]。目前被广泛应用的多元残差分析法,大多在当期受气候变化和人类活动共同影响的时间段内,建立植被覆盖度与气候变化之间的关系[27—30]。这一关系的建立忽略了前期气候变化对植被覆盖度的潜在影响。黄土高原地区的气候变化和人类活动交互作用显著,简单的线性关系不能很好的建立植被覆盖度变化与人类活动之间的关系[31—32]。在退耕还林工程实施以前,人类活动主要为长期农业行为,对植被覆盖度的影响是微弱的,植被覆盖度变化主要受气候影响[33]。1999年之后,退耕还林工程的实施使得黄土高原的植被覆盖状况得到了明显改善,人类活动显著增强,成为影响黄土高原植被覆盖度变化的主要因素[34]。利用线性模型尚不能很好地量化气候变化和人类活动对植被变化的影响,亟待寻找新的量化方法研究黄土高原植被动态变化规律。

黄土高原是我国生态安全屏障的重要组成部分,也是我国退耕还林工程重点实施区域。本研究以退耕还林工程1999年为界限,利用非线性随机森林算法建立1982—1998年植被覆盖度与气候变化的关系,并用这一关系量化1999—2015年受气候变化驱动的植被覆盖度变化,植被覆盖度观测值与预测值的残差值为人类活动驱动的植被覆盖度变化。本研究的目的是:(1)探究退耕还林工程前后植被覆盖度的时空变化格局;(2)建立具有高拟合结果的植被覆盖度变化与气候因素关系;(3)量化气候变化与人类活动对黄土高原植被覆盖度变化的贡献。研究结果能为量化气候变化和人类活动对植被覆盖度的影响提供新思路,为黄土高原地区生态建设提供理论支持和科学依据。

1 数据与方法

1.1 研究区

黄土高原(100°83′—114°52′E、33°68′—41°27′N)位于中国西北部(图1),横跨青海、甘肃、宁夏、内蒙古、陕西、山西和河南七省区,海拔高度81—5010 m,总面积约65万km2,总人口约8600万。黄土高原属东南湿润季风气候向西北内陆干旱气候的过渡区,从东南向西北气候依次为半湿润气候、半干旱气候和干旱气候,冬季和春季寒冷干燥,夏季和秋季炎热且多极端降雨。年均温为9—12℃,空间分布不均匀,西部地区温度低于东部地区,年均降雨量100—800 mm。植被类型主要有草地、灌丛、农田、落叶阔叶林和常绿针叶林。黄土高原是我国典型的水土流失地区,也是退耕还林的重点地区[35—37]。为有效治理和解决严重的生态系统退化和水土流失问题,中国政府实施了全球规模最大的退耕还林还草生态治理工程。1999年,四川、陕西、甘肃3省率先开展了退耕还林试点示范工程[38]。2002年,在试点成功的基础上,退耕还林工程全面启动[39]。

图1 黄土高原2000年土地利用类型

1.2 数据来源

研究采用归一化植被指数(NDVI)作为植被覆盖度指标,NDVI数据集来源于GIMMS NDVI3g V1.0 全球数据产品(https://ecocast.arc.nasa.gov/data/pub/gimms/3g.v1/)。时间序列为1981—2015年,空间分辨率为8 km,时间分辨率为15 d。温度与降水数据集来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/),空间分辨率为1 km,时间分辨率为1月。日照时数数据集来源于国家气象科学数据中心(http://data.cma.cn),空间分辨率为1 km,时间分辨率为1月。土地利用数据集来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/),空间分辨率为1 km。通过Python进行空间插值重采样将NDVI、温度、降水、日照时数数据空间分辨率统一为8 km,并通过平均值计算获取1982—2015年逐月NDVI、温度、降水、日照时数数据。

1.3 植被覆盖度变化趋势分析

基于线性回归分析法,建立1982—1998年逐月NDVI与1、2、3月滞后温度、降水和日照时数的线性关系,得到NDVI与气候因素的时滞关系。逐像元计算植被覆盖度与时间的趋势线变化斜率(Slope),得到植被覆盖度的变化趋势。利用Pearson相关系数来判断相关性:

(1)

式中,Xi表示第i年的NDVI平均值,n为研究期总年数。Slope>0和Slope<0分别表示NDVI随时间递增和递减。并对植被覆盖度变化趋势进行显著性检验,P<0.05表示变化显著,P>0.05表示变化不显著。

1.4 植被覆盖度与气候因素偏相关性分析

应用偏相关系数反映1982—1998年植被覆盖度与相应滞后气温、降水和日照时数的相关性:

(2)

式中,ryj,ck表示排除c、k影响后,y与j的二阶偏相关系数,ryj,c、ryk,c、rjk,c分别表示排除c影响后y与j、y与k、j与k之间的一阶偏相关系数,显著性检验采用t检验。

1.5 随机森林算法

利用随机森林算法拟合1982—1998年气候变化驱动的植被覆盖度变化。随机森林是由很多决策树构成的,通过对部分样本进行训练,森林中的每一颗决策树分别进行判断和分类,决策树中分类结果最多的那一个分类结果将作为随机森林的最终结果[40]。基于Python 3.9软件,利用随机森林算法对标准化后的数据进行训练和预测,本文设置参数n_estimators=200, random_state=0,其它参数使用默认值。训练1982—1996年逐月NDVI与滞后气候因素(温度、降水和日照时数)之间的非线性关系,并将1997—1998年逐月NDVI与滞后气候因素(温度、降水和日照时数)作为测试集,验证模型精度:

(3)

1.6 残差阈值法

利用残差阈值法划分出1999—2015年人类活动驱动的植被覆盖度变化,首先计算未被模拟到的植被覆盖度变化值,即NDVI观测值与随机森林算法预测值之差:

NDVIres=NDVIobs-NDVIpre

(4)

式中,NDVIpre和NDVIobs分别为1999—2015年基于随机森林学习算法的NDVI预测值和基于遥感影像的NDVI观测值,NDVIres表示1999—2015年未被模拟到的植被覆盖度变化值。计算1982—1998年残差值的平均值(μ)与n倍标准差(σ),气候变化导致的波动范围为[μ-n×σ,μ+n×σ]。若1999—2015年残差值落入[μ-n×σ,μ+n×σ]范围内,则认为气候因素是主要的驱动因子,反之,残差值落到范围外,则为人类活动是主要的驱动因素。

(5)

式中,对于n一般取值为1,2和3(本研究n取2),n的取值越大表明气候因素驱动的植被覆盖度波动性越大。对于大部分的网格,其研究月份中近50%的时间,残差落入[μ-n×σ,μ+n×σ]范围内,气候因素驱动植被覆盖度变化的效果属于正常的波动范围。在超过正常波动范围以外的(-∞,μ-n×σ)认为人类活动对植被覆盖度的影响为消极,相应的,在超过正常波动范围以外的(μ+n×σ, +∞)认为人类活动对植被覆盖度的影响为积极。依据n的取值对人类活动的影响程度进行细致划分,n值越大表示波动越剧烈,对植被覆盖的影响程度越深,将人类活动细致划分为六类:人类重度消极影响,人类中度消极影响,人类轻度消极影响,人类轻度积极影响,人类中度积极影响和人类重度积极影响。对于气候因子为主要驱动因子的区域,利用Pearson分析的时间变化趋势为判断气候驱动效果的依据。Slope为正,气候因子对植被覆盖度的影响是积极的;Slope为负,气候因子对植被覆盖度的影响是消极的。

1.7 技术路线

本研究主要分为三步(图2)。首先,利用偏相关分析法分析1982—1998年逐月植被覆盖度与滞后气候因素的偏相关关系,验证植被覆盖度与气候因素的相关性。其次,验证随机森林算法对植被覆盖度与气候因素关系的拟合效果。利用随机森林算法训练1982—1996年植被覆盖度与气候因素的关系,基于这一模拟好的关系,利用气象因素预测1997—1998年的植被覆盖度,根据预测值与观测值计算拟合精度。最后,对1999—2015年生长季植被覆盖度的驱动因素进行归因分解。利用随机森林算法预测1999—2015年受气候变化驱动的植被覆盖度变化,即植被覆盖度变化预测值。植被覆盖度的观测值与预测值之差为残差值,根据植被覆盖度残差值(1999—2015年)是否处于[μ-n×σ,μ+n×σ]波动范围内判断主要的驱动因子是气候变化还是人类活动。前两步分析针对全年逐月数据,第三步2000—2015年植被变化的归因针对生长季(5—10月)分析。

图2 技术路线

2 结果与分析

2.1 黄土高原植被覆盖度空间变化

1982—1998年,黄土高原植被覆盖度整体上呈增长趋势(图3)。97.81%的区域植被覆盖度随时间呈现增长趋势,其中,显著增长区域占总面积的54.68%。2.19%的区域植被覆盖度随时间呈现减少趋势,但没有呈现显著减少趋势的区域。减少区域主要发生在山西中部、内蒙古、甘肃和宁夏部分区域。这表明黄土高原大部分地区植被覆盖度随时间呈现增长趋势。1999—2015年,黄土高原植被覆盖度整体上呈现增长趋势,96.42%的区域随时间呈现增长趋势,显著增长区域占总面积的85.11%,3.56%的区域呈现减少趋势。减少区域主要发生在宁夏北部、陕西南部、内蒙古和河南部分区域。1999—2015年与1982—1998年相比,植被覆盖度增长的区域更多,增长的趋势也更显著,这表明1999年开始国家实施的“退耕还林”等维护生态安全的政策促进了黄土高原植被覆盖度的增加。

图3 1982—1998年、1999年—2015年植被覆盖度空间变化及显著性(P<0.05)

2.2 植被覆盖度与气候变化关系及拟合精度

黄土高原1982—1998年逐月NDVI与降水和日照时数存在1个月的滞后效应,而温度与当期的植被覆盖度相关性更好。对植被覆盖度变化与相应的滞后气候因素进行偏相关性分析。在整体上,黄土高原植被覆盖度与温度、降水和日照时数表现出很高的相关性(图4),温度与植被覆盖度的相关性高于降水和日照时数,与温度显著正相关的植被覆盖度区域面积大于降水和日照时数。不同气候因素对植被覆盖度的影响具有空间异质性,温度与植被覆盖度相关性空间分布与降水相反,温度与植被覆盖度相关性高的区域,降水与植被覆盖度的相关性低。黄土高原植被覆盖度与温度呈正相关的区域占99.44%,表现为显著正相关的区域占98.49%,表现为显著负相关的区域占0.15%。表现为显著负相关和无显著相关性的区域主要分布在内蒙古东胜市西北部。黄土高原植被覆盖度与降水呈正相关的区域占94.50%,其中表现为显著正相关的区域占87.47%,表现为显著负相关的区域占1.15%。表现为显著负相关和无显著相关性的区域主要分布在陕西南部、山西南部和河南的部分区域。黄土高原植被覆盖度与日照时数呈正相关的区域占93.63%,其中表现为显著正相关的区域占83.36%,表现为显著负相关的区域占1.84%。表现为显著负相关的区域主要分布在陕西南部、山西和河南的部分区域,其它大部分区域表现为显著正相关。这表明1999年以前,黄土高原超过80%的区域植被覆盖度与气候因素呈现显著的正相关关系。

图4 1982—1998年植被覆盖度与滞后温度,降水及日照时数的偏相关系数及显著性(P<0.05)

1982—1998年植被覆盖度与气候变化关系的整体训练精度达到80%以上,表明随机森林算法整体上较好地模拟了植被覆盖度和气候变化之间的关系。99.71%的区域测试精度达到0.5以上,表明随机森林算法模拟的植被覆盖度和气候变化之间的关系能够较好的应用于测试集。尽管0.01%的区域存在过拟合(R2<0),整体上随机森林算法较好得拟合了气候变化与植被覆盖度之间的关系(图5)。

图5 随机森林学习算法训练精度与测试精度

2.3 黄土高原植被覆盖度变化归因分析

2000—2015年,气候因素对植被覆盖度的驱动效应逐渐减弱,人类活动对植被覆盖度的驱动效应逐渐增加(图6)。气候变化对植被覆盖度的驱动面积占比由90.12%降低为34.67%。人类活动对植被覆盖度的积极驱动面积占比由8.68%增加为64.62%。气候变化对植被覆盖度的消极驱动面积占比降低了42.58%,积极驱动面积占比降低了12.86%。人类活动对植被覆盖度变化的影响逐步加深,在2012—2013年达到顶峰,2014年以后,人类活动的影响逐渐减弱,气候变化对植被覆盖度的影响开始增强。气候驱动植被覆盖度变化的地区主要分布在内蒙古临河市南部和东胜市西部、陕西南部、山西东南部、河南以及青海部分区域,在这些区域植被覆盖度存在降低趋势(图7)。人类活动积极影响的区域主要分布在内蒙古东胜市东部、宁夏部分区域、陕西北部、山西东北部,接着向甘肃东部、青海、山西中部扩展,并且影响程度逐步加深,这些区域植被覆盖度增加趋势较大。人类活动的消极影响面积占比呈现波动性,主要分布在内蒙古东胜市西部、宁夏北部和中部、甘肃平凉市,这些区域植被增长趋势较弱或呈现降低趋势。

图6 2000—2015年生长季(5—10月)气候变化与人类活动驱动植被覆盖度变化的面积占比

图7 2000、2005、2010、2015年生长季(5—10月)植被覆盖度驱动因子空间分布

3 讨论

本研究在考虑时滞效应的基础上,验证了退耕还林实施以前,植被覆盖度变化与气候变化之间显著相关,温度、降水和日照时数与植被覆盖度具有显著相关性的区域面积占比大于80%。利用非线性随机森林算法量化的植被覆盖度变化与气候变化关系具有较好的拟合效果。退耕还林工程开始实施以后,植被覆盖度的增加趋势更快。并对退耕还林工程实施前后,植被覆盖度变化进行归因分析,在退耕还林工程开始实施以后的2000—2015年生长季,人类活动对植被覆盖度变化的驱动面积呈现增长趋势,气候变化对植被覆盖度变化的驱动面积呈现降低趋势。本文提出的量化气候变化与人类活动对黄土高原植被覆盖度影响的方法不仅能够描述气候因子与人类活动之间复杂的非线性关系,而且能够一定程度上避免气候变化和人类活动的交互作用对归因分析的干扰,因此可以较为清晰地区分影响黄土高原植被覆盖度变化的主要驱动因子。

1982—2015年黄土高原植被覆盖度呈“整体升高,局部退化”的趋势,且提升面积显著大于退化面积,本研究结果与前人研究结论一致[41—42]。本研究对比1999年前后,植被覆盖度的显著增长区域扩张,表明“退耕还林”以来,植被覆盖度得到极大改善[43—45]。温度、降水与日照时数与植被覆盖度变化在黄土高原的大部分区域呈显著正相关[46]。除内蒙古东胜市西北部,其它大部分区域温度与植被覆盖度呈现显著正相关。温度的升高会引起植物生长期提前、生长季加速以及生长期延长,进而促进植被覆盖度的增长[47—49]。降水在除了陕西南部、山西南部和河南的部分区域以外的其它大部分区域,都表现出与植被覆盖度变化显著的正相关关系。日照时数在陕西南部、山西和河南的部分区域以外的其它大部分区域,都表现出与植被覆盖度显著的正相关关系。一方面,温度、降水和日照时数的增长,促进了植被的光合作用[50]。此外,温度与降水对植被覆盖度整体上均表现出显著的正相关,这与形成对植被生长有利的“暖湿化”气候有关[51—52]。本研究结果显示,温度对植被覆盖度的促进效果要高于降水,之前研究也得出黄土高原植被覆盖度与温度有最大相关性[53]。1982—1998年,内蒙古东胜市北部、山西中部、甘肃和宁夏以及陕西的部分区域的植被覆盖度均呈现减少趋势,这些区域的植被覆盖度主要与气候因素相关,表明气候因素在部分区域表现出负效应,这与温度升高促进地面水分蒸发,加剧土壤干化,从而影响植被的生长有关[54—55]。降水导致云量增加,辐射减少,进而影响植被的光合作用,不利于植被生长[56]。日照时数在温度和降水表现负相关的区域也呈现出负相关。当日照时数超过植被生长的需求限度会产生光抑制效应,从而抑制植被的生长[57]。

总体上,2000—2015年生长季,人类活动对黄土高原植被覆盖度产生的积极影响面积和影响程度逐渐增加,气候变化对植被覆盖度的影响面积逐渐减少。在内蒙古东胜市西部、宁夏西部和甘肃平凉市周围的植被覆盖度发生显著减少的区域,主要的驱动因素是人类消极影响。一方面,快速的城市化进程导致这些区域许多耕地转变为建设用地,对植被生长产生负干扰[58—59];另一方面,在实际生产中存在的不同程度“偷牧”现象对草地退化产生了一定的影响[60]。在陕西南部和河南西北部以及山西的部分区域,主要驱动植被覆盖度减少的因素是气候因素。在这些区域,植被覆盖度与降水和日照时数呈现显著的负相关关系。在除上述以外的其它大部分区域,植被覆盖度变化呈现显著的增加趋势,植被覆盖度的驱动因子具有空间异质性。位于陕西北部的安塞县和吴旗县人类活动的积极影响最显著,植被覆盖度也表现出显著的增加趋势,这与该区属于退耕还林试点区,土地资源丰富,国家资助力度大有关[61]。此外,农村劳动力在陕西省北部和青海省对植被覆盖度具有显著促进作用,粮食总产量的增加对西部甘肃、宁夏等省份植被恢复成效有促进作用[62]。2000—2015年,气候变化对植被覆盖度的驱动面积占比由90.12%降低为34.67%,人类活动对植被覆盖度的积极驱动面积占比由8.68%增加为64.62%。表明“退耕还林”工程的实施改善了黄土高原的植被覆盖度[43]。之前的研究也表明,近30年来,黄土高原植被覆盖度整体上呈现增加趋势,人类活动的贡献率逐渐增大[63—64]。

本研究考虑了气候因素对植被覆盖度变化的时滞效应,利用一种新的思路量化气候变化与人类活动对植被覆盖度变化的影响。然而,随机森林算法对植被覆盖度和气候因子之间关系的拟合精度存在空间差异,在宁夏北部、内蒙古西临河市和包头市南部、山西的部分地区拟合精度较低,可能导致随机森林算法建立的模型弱化了这些区域植被覆盖度与气候因子之间的关系,从而影响归因分析中对主要驱动因子的划分。此外,本研究只基于气候因素和人类活动两个主要因素进行划分,没有将地形因素、土壤类型和植被类型等自然环境因子考虑在内,这需要在未来的研究中进一步探讨。本文研究发现2013年以后,人类活动对植被覆盖度的影响力度开始减少,气候变化对植被覆盖度的影响开始增加。这一趋势在未来是否会延续,以及造成这种趋势的原因值得进一步研究和讨论。

4 结论

本研究考虑了气候因素对植被覆盖度变化的时滞效应,利用非线性随机森林算法拟合1982—1998年受人类活动影响较小时间段的植被覆盖度变化与气候变化的关系,利用这一关系预测1999—2015年植被覆盖度变化与气候变化的关系,对植被覆盖度残差值设立阈值,超出阈值范围的残差值即为人类活动驱动的植被覆盖度变化值,进而量化气候变化和人类活动对黄土高原植被覆盖度变化的影响。结果表明:

(1)1982—2015年黄土高原植被覆盖度呈现“整体增加,局部降低”的趋势,以1999年“退耕还林”为界限,“退耕还林”之后的植被覆盖度增长趋势要大于“退耕还林”之前的植被覆盖度增长趋势。

(2)1999年以前,黄土高原大部分区域气候因素(温度、降水、日照时数)与植被覆盖度之间呈现显著正相关,温度相较于降水和日照时数对植被覆盖度的影响更大。随机森林算法能够较好的模拟植被覆盖度与气候因子之间的关系。

(3)1999年以后,气候因子的主导作用逐渐降低,人类活动的积极效应逐渐增加,并且人类活动表现出更积极的趋势,人类消极作用发生的时间和区域具有不确定性。