基于GEE的黄土高原植被绿度线推移变化研究

谢佩君,宋小燕,孙文义 ,穆兴民,高 鹏

基于GEE的黄土高原植被绿度线推移变化研究

谢佩君1,2,宋小燕3,孙文义1,4*,穆兴民1,4,高 鹏1,4

(1.中国科学院水利部水土保持研究所,黄土高原土壤侵蚀与旱地农业国家重点实验室,陕西 杨凌 712100；2.中国科学院大学,北京 100049；3.西北农林科技大学水利与建筑工程学院,陕西 杨凌 712100；4.西北农林科技大学,黄土高原土壤侵蚀与旱地农业国家重点实验室,陕西 杨凌 712100)

基于Google Earth Engine(GEE)云平台和Landsat系列遥感影像,以归一化植被指数(NDVI)和增强型植被指数(EVI)及其植被绿度线作为指标,分析了1987～2020年黄土高原生长季植被绿度以及植被绿度线推移的时空演变特征.结果表明:1987～2020年黄土高原生长季NDVI和EVI年均增速分别为0.0042a-1(<0.01)和0.0023a-1(<0.01),2000年后的平均增速是2000年前的3～4倍;空间分布上,NDVI和EVI变化趋势以显著上升和极显著上升为主,面积占比分别为78.78 %和69.21 %;1987～2020年黄土高原植被绿度线VGLNDVI和VGLEVI分别以5.52 和4.59km/a的速率向北推移;1987～2020年VGLNDVI和VGLEVI分别平均北移173.93和131.62km,北移量变化主要发生在2005～2010年,北移量最大区域分布在陕西榆林和延安地区、山西西北部、内蒙古中南部等黄土高原中北部区域,最大北移距离分别达到532.12和471.57km.

植被指数；植被绿度线；GEE；黄土高原

植被是陆地生态系统的重要组成部分,在全球气候变化、碳氮循环、生态与水文过程中发挥重要的作用.植被对气候变化敏感[1-2],气候变化决定着植被动态及分布格局,植被对气候的反馈效应体现在植被影响了陆气间水分、能量、动量的交换以及CO2浓度等各种生物物理和生物化学过程[3].因此,在全球气候变化的背景下,植被动态的长期监测对于了解区域生态系统结构和功能具有重要意义[4].

植被绿度指数能够快速准确地监测长时间序列不同空间尺度的植被生长状况的动态信息[5].目前,应用广泛的植被指数有归一化植被指数(NDVI)、增强型植被指数(EVI)、归一化差异植被指数(NDWI)、植被指数差异比(DVI)、叶面积指数(LAI)等[6-8].其中,NDVI和EVI被广泛应用于植被监测领域,已在全球范围内得到了验证和应用,具有较高的可靠性和稳定性[9].例如:Chen等[10]研究发现1982～ 2015年全球超过45%的地区的植被指数(NDVI)显著增加.解晗等[11]研究发现2000～2018年黄河流域的NDVI和EVI呈波动增加趋势.NDVI能够较好地反映植被绿度变化,而EVI在减少背景和大气作用以及饱和问题上优于NDVI.缨帽变换的亮度、绿度和湿度分量则更能区分不同植被类型.因此本文采用植被绿度指数NDVI和EVI,并结合缨帽变换确定的植被与非植被显著变化的分界线(植被绿度线),揭示植被绿度的时空变化特征.尽管基于遥感植被指数监测植被动态变化已经成熟,但更高空间分辨率和更长时间序列的植被动态监测往往面临数据庞大、处理时间长的困难.谷歌地球引擎平台(GEE)为高效处理和分析遥感数据提供了有效途径[12-14].

黄土高原是典型的干旱与半干旱地区,是全球气候变化的敏感区,也是植被绿度变化的热点地区[7,15].1999年实施退耕还林草工程以来,黄土高原植被状况得到显著改善,植被覆盖度由1999年的43.69%增加到2021年的54.21%[3,16].已有研究[17-19]基于不同的NDVI遥感数据分析了退耕还林草实施前后植被绿度和植被覆盖度的变化趋势.这些研究对于宏观掌握黄土高原植被绿度的时空变化及其影响因素具有重要意义,但其遥感产品较低的空间分辨率难以反映植被绿度的局域特征和植被绿度线的时空变化规律.本文围绕“气候变化和退耕还林草如何影响黄土高原植被绿度线的时空推移规律”问题,基于GEE遥感云平台和Landsat系列遥感影像,在30m空间分辨率尺度上分析了1987～2020年黄土高原生长季植被绿度指数NDVI和EVI以及植被绿度线的时空变化特征,对于全面了解黄土高原植被动态变化和生态治理成效具有重要的科学意义.

1 研究区与研究方法

1.1 研究区概况

黄土高原(33°43′～41°16′N、100°54′～114°33′E,图1)位于黄河上中游地区,总面积约64万km2.气候类型属温带大陆性季风气候,年均降水量从西北至东南由200mm增加到750mm,夏季降水占全年降雨量的70%以上[20-21];年均气温变化范围为4.3～ 14.3°C,变化率为0.04～0.06°C/a[22].黄土高原植被类型呈地带性分布,由西北向东南依次为荒漠、荒漠草原、草原、森林草原和森林[15].强降雨、陡峭的地形、疏松的黄土、较低植被覆盖造成了黄土高原地区严重的水土流失[23].

梯田、淤地坝和植被恢复工程是控制黄土高原水土流失的有效手段.特别是1999年黄土高原退耕还林还草工程实施后,植被绿度显著增加,2000～ 2015年黄土高原21%以上区域的NDVI由低值向高值转化[24-25].

图1 黄土高原地理位置

1.2 数据来源

1.2.1 Landsat TM5/7/8 Landsat 5/7/8系列影像数据来源于Google Earth Engine云计算平台(GEE, https://code.earthengine.google.com/),该平台提供了Landsat地表反射率影像集(Landsat SR)和大气顶层反射率影像集(Landsat TOA),空间分辨率30m,时间分辨率16d.其中,Landsat TOA影像集进行了Level 1级的地形校正和辐射定标校正;Landsat SR影像集通过Level 2级LEDAPS算法和LaSRC算法进行了大气、几何精校正等处理.本研究选取了黄土高原1987～2020年Landsat 5/7/8SR影像集,用于植被绿度指数(NDVI,EVI)的计算分析,Landsat 5/7/8TOA影像集用于缨帽变换,界定植被与非植被显著变化的植被绿度指数阈值.

1.2.2 土地利用数据 土地利用数据为2000、2010、2020年30m全球地表覆盖数据GlobeLand 30,来自国家基础地理信息中心(http://www. globallandcover.com/), GlobeLand30数据包括10个一级类型:耕地、林地、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪.

1.3 研究方法

1.3.1 植被绿度指数 NDVI是通过比较植被对红外辐射和可见光的反射率计算而来,取值范围为-1～+1之间,数值越高表示植被绿度越高.EVI是对NDVI的改进,引入蓝色波段的反射率可以更好地补偿大气散射和地物表面反射对植被信号的影响,某些情况下可以提供更准确的植被绿度信息[26].选取1987～2020年生长季期间(4～10月)Landsat5/7/ 8SR影像集,基于FMASK算法得到的QA波段,按位操作对像素值进行筛选,通过掩膜进行去云、云阴影、雪等像素,从而达到去云目的.基于GEE云计算平台,对去云处理后的影像计算NDVI和EVI计算公式如下:

式中:NIR、RED和BLUE分别指Landsat5/7/8影像的近红外波段、红色波段和蓝色波段反射率.通过中值合成算法(median)最终获得1987～2020年黄土高原生长季的逐年NDVI和EVI值.

1.3.2 植被绿度趋势分析 采用Theil-Sen median趋势分析和Mann-Kendall 显著性检验来分析黄土高原植被绿度的变化趋势.Theil-Sen median斜率估计用于计算趋势值,是一种稳健的非参数统计的趋势计算方法,能够规避测量值和离散数据引起的误差[27].计算公式如下:

式中:表示NDVI或者EVI的年际变化趋势;x、x分别表示第年NDVI或EVI的生长季年均值;为时间序列长度;当>0时,表示植被绿度呈增加趋势;反之,则为降低趋势.

Mann-Kendall检验是一种不要求数据服从正态分布的非参数检验方法,已广泛应用于时间序列的趋势分析[28-29].检验统计量由式(4)计算:

式中: sgn为符号函数,sgn(x-x)由式(5)计算:

的方差由式(6)计算:

最后,采用检测统计量在置信水平=0.05上判断NDVI或EVI变化趋势的显著性.

当｜｜>1.96时,表示序列在置信水平=0.05上存在显著水平.

1.3.3 植被绿度线及推移量计算 植被绿度是描述植被地上绿色生物量和植被绿色程度的植被功能指数[27].NDVI主要受到叶绿素含量的影响,因此对植被的绿度变化和生长状态变化敏感.通过NDVI可以评估植被的健康状况、生长强度以及植被覆盖度等信息.EVI不仅对叶绿素敏感,还对冠层结构变化、叶面积指数(LAI)、植物外貌等因素敏感,使得EVI能够更好地反映植被的生物物理特征和冠层结构的变化[30].在植被动态变化的研究中,NDVI和EVI通常是相辅相成的,可以提供更准确和全面的植被信息,它们可以用来监测植被的季节性变化、长期趋势以及异常事件[26].植被绿度线定义为植被区和非植被区显著变化的一条分界线[31].通常将NDVI£0.05划分为纯裸土,进行植被覆盖度计算[32]. NDVI=0.1也可作为植被与非植被区的划分阈值[33-34].Montandon等[35]根据AVHRR和MODIS NDVI数据集,结合土壤空间分布数据,发现裸土NDVI (NDVIsoil)的阈值为0.2～0.21,远高于以往研究阈值.大量研究表明,植被与非植被的NDVI阈值介于0～0.2(表1).

本研究采用缨帽变换方法计算黄土高原生长季期间(4～10月)的亮度分量(高亮区为裸土岩石)、绿度分量(地表植被)和湿度分量(土壤水分),并结合土地利用类型,进行植被与非植被的划分,从而确定黄土高原植被绿度线阈值.基于Landsat 8TOA数据进行缨帽变换,将其转换为与物理场景特征相关联的一组新波段亮度、绿度和湿度(图2a, b, c),反映裸土岩石、植被覆盖和水分信息[44-46],从而识别植被与非植被区.结合黄土高原土地利用类型(图2d),将裸地、人造地表、水体及冰川及永久积雪等土地利用类型划分为非植被区,统计表明该区域NDVI均值的范围为0～0.2.研究发现,植被与非植被显著变化的分界线(植被绿度线),与黄土高原生长季(4～10月)的NDVI=0.2等值线高度吻合.因此,本研究选取NDVI=0.2为黄土高原的植被绿度线阈值(VGLNDVI),并参考该线对黄土高原多年EVI均值进行分界,确定EVI = 0.13等值线为植被绿度线(VGLEVI).

表1 NDVI裸地阈值研究

图2 黄土高原亮度、绿度及湿度分布图、土地利用类型图和植被与非植被区分布

黄土高原植被绿度线具有向北推移(即沿纬度方向变化)的明显特征,由于植被绿度线推移的空间差异性,本研究依据每1.5°将研究区分为10条经度带,分析每条经度带植被绿度线向北推移的变化量,将每条经度带植被绿度线的最大推移量作为该区域植被绿度线的推移距离(MVGLNDVI、MVGLEVI).整个研究区的推移量为每条经度带植被绿度线推移量的平均值.

对于每条经度带:

式中: MVGLNDVI/EVI表示VGLNDVI或者VGLEVI的最大推移量(MVGLNDVI、MVGLEVI);表示年份(1987—2020年);±表示方向,向北推移取+,向南推移取-.

对于整个研究区:

式中:(MVGLNDVI/EVI)whole表示整个区域VGLNDVI或者VGLEVI的推移量;表示经度带.式(9)表示整个研究区推移量为研究区所有经度带VGLNDVI或者VGLEVI推移量的均值.

2 结果与分析

2.1 黄土高原植被绿度的时空变化

2.1.1 植被绿度指数的年际变化特征 黄土高原1987～2020年NDVI和EVI的年际变化趋势如图3所示.1987～2020年黄土高原植被绿度指数NDVI和EVI呈显著上升趋势,NDVI和EVI年均增速分别为0.0042a-1(<0.01)和0.0023a-1(<0.01),相关系数分别为2=0.77和2=0.73.约以退耕还林草前后为界,2001～2020年NDVI的平均增速为0.0066a-1,是1987～2000年的3.5倍;EVI的年际变化趋势与NDVI基本一致,2001～2020年EVI的平均增速为0.0036a-1,是1987～2000年的4倍.

图3 1987～2020年黄土高原年均NDVI和EVI的年际变化趋势、标准化后NDVI和EVI的变化趋势

2.1.2 植被绿度的空间分布特征 1987～2020年黄土高原植被绿度空间分布整体呈现由东南向西北逐渐递减的趋势(图4).1987～2020年黄土高原多年平均NDVI³0.2的主要分布在黄土高原中部、南部和东部区域,面积约为46.95万km2,占黄土高原总面积的74.99%.植被绿度高值区NDVI³0.6主要分布在陕西子午岭和黄龙山林区、山西土石山区、黄土高原南部秦岭山脉一带,面积约为16.45万km2,占黄土高原总面积的26.27%.黄土高原1987～2020年多年平均EVI的空间分布特征与NDVI基本一致,其中植被区EVI³0.13的面积约为46.17万km2,占黄土高原总面积的74.09%.2000年后黄土高原植被绿度呈显著增加趋势,具体表现为NDVI和EVI低值区(红色区域)面积大幅度减少,中高值区(绿色区域)面积大幅度增加,其分布向西北方向扩张.黄土高原NDVI³0.2的植被区面积占比从1987～2000年的48.97%增加至2001～2020年的74.99%;EVI³0.13的面积占比从1987～2000年的51.34%增加到2001～2020年的74.09%.

2.1.3 植被绿度的空间变化特征 1987～2020年黄土高原年均NDVI和EVI的空间变化趋势及显著性检验结果如图5.1987～2020年黄土高原NDVI和EVI的变化速率分别介于-0.0243～0.0290a-1和-0.0202～0.0178a-1之间.植被绿度指数NDVI和EVI呈增加趋势的区域面积相等,约为57.73万km2,占黄土高原总面积的92.20%.Mann-Kendall显著性检验结果表明,NDVI变化趋势呈显著上升和极显著上升趋势的面积分别占黄土高原总面积的10.10%、68.68%;EVI变化趋势呈显著上升和极显著上升趋势的面积分别占黄土高原总面积的12.29%、56.91%.EVI的变化趋势在空间格局上与NDVI相似.与退耕还林草前(1987～2000年)相比,2001～2020年黄土高原NDVI和EVI呈增加趋势的区域面积大幅度增加,分别增加了29.65%和31.53%,退耕还林草后黄土高原植被绿度得到明显提升.

图4 不同时间段黄土高原多年平均NDVI、EVI的空间分布

图5 不同时间段黄土高原NDVI和EVI的变化趋势和显著性变化

2.2 黄土高原植被绿度线动态变化

2.2.1 植被绿度线推移量的年际变化速率 1987～2020年黄土高原植被绿度线向北推移的年际变化如图6所示.整个黄土高原植被绿度线VGLNDVI和VGLEVI向北推移的平均速率分别为5.52km/a和4.59km/a.植被绿度线推移变化主要发生在2000年以后,尤其是2005～2010年.2000～2020年VGLNDVI推移速率显著高于平均水平,为9.54km/a;2000～2020年VGLEVI推移速率为8.03km/a.

图6 1987～2020年黄土高原植被绿度线推移量的年际变化

图7 1987～2020年黄土高原NDVI、EVI和植被绿度线VGL的空间分布

2.2.2 植被绿度线的空间变化特征 黄土高原1987～2020年5a一期的植被指数NDVI、EVI和植被绿度线VGLNDVI和VGLEVI的空间分布格局如图7～8所示.黄土高原植被绿度线整体表现为向西北方向推移的分布特征,尤其是向北推移幅度较大.植被绿度线向北推移时,黄土高原绿色植被区向北扩张明显,植被绿度增加.1987～2020年黄土高原植被绿度线VGLNDVI北移特征以2000年为节点,表现出显著的空间差异性,尤其是2005～2010年北移幅度最大.在空间格局上,这一变化主要集中在黄土高原中部区域,即陕西省北部榆林和延安一带. 1995年VGLNDVI最靠南,植被绿度NDVI>0.2的面积仅为黄土高原的44.35%;2000～2015年整个黄土高原植被绿度线VGLNDVI都在北移;至2015年,植被绿度NDVI>0.2的面积占比达到74.06%; 2015～2020年植被绿度变化趋于平稳,VGLNDVI推移变化不明显,至2020年NDVI>0.2的面积占比达到74.99%,与2015年接近.1987～2020年黄土高原VGLEVI推移变化与VGLNDVI基本一致,但VGLEVI的空间分布特征与VGLNDVI有些许偏差,2020年黄土高原中部区域VGLEVI相较于VGLNDVI北移距离较大.

1987～2020年黄土高原植被绿度线VGLNDVI和VGLEVI主要在胡焕庸线(400mm等雨量线)附近变化(图8a～b),其中,1987～2000年植被绿度线主要在胡焕庸线右侧变化,而2000年后植被绿度线变化转移到胡焕庸线左侧.

1987～2020年整个黄土高原VGLNDVI和VGLEVI分别平均向北推移173.93和131.62km.1987～2000年VGLNDVI和VGLEVI推移变化量较小,分别平均向北推移1.78和-5.14km;2000～2020年VGLNDVI和VGLEVI整体向北推移,推移距离分别为172.15和136.76km.

图8 1987～2020年黄土高原植被绿度线的空间分布

( a )和( b )分别为1987、1990、1995、2000、2005、2010、2015和2020年VGLNDVI和VGLEVI的空间分布;( c )和( d )分别为各时期10条经度带VGLNDVI和VGLEVI的推移距离,虚线是黄土高原所有经度带的平均推移距离

植被绿度线各经度带(1.5°间隔)的最大推移量变化差异较大(图8c～d),VGLNDVI和VGLEVI北移量最大区域介于109.5°E～111°E之间(即陕西北部、山西西部、内蒙古中南部),北移距离分别为532.12和471.57km.2000～2020年植被状况得到明显改善,植被绿度线向北推移量最大.

3 讨论

3.1 黄土高原植被的绿度时空推移

近34a来黄土高原植被状况得到明显改善,表现为植被绿度指数NDVI和EVI显著增加,这与Kou等[47]、Sun等[21]和解晗等[11]的研究结果一致.Kong等[48]结合GIMMS和 MODIS NDVI数据分析了1982～2013年黄土高原NDVI时空特征,认为年、季NDVI均大幅增加,特别是黄土高原中部地区.张含玉等[49]采用SPOT VGT NDVI数据分析了1999～2013年黄土高原NDVI时空分布特征,结果表明NDVI整体呈增加趋势,黄土高原南部地区NDVI增幅较高,西北部NDVI增幅较低.本研究通过两个绿度指标(NDVI、EVI)分析黄土高原的植被绿度和植被绿度线的时空变化.NDVI容易受到土壤背景值的影响,而EVI在计算过程中引入大气和土壤背景校正,能够更好的消除大气和土壤影响[29].因此,在理论上监测植被变化时,EVI比NDVI可以更精确地反映植被绿度动态变化.本研究表明,基于NDVI和EVI两个绿度指数得到的植被绿度时间变化趋势和空间变化特征基本一致.NDVI和EVI都呈显著上升趋势,增速分别是0.0042和0.0023a-1;空间分布上,NDVI和EVI呈增加趋势的区域面积均占黄土高原总面积的92.20%.因此,NDVI和EVI在黄土高原植被绿度变化监测时都具有很好的表现能力.本研究表明,1987～2020年黄土高原植被绿度线VGLNDVI和VGLEVI表现出向北推移的特征, VGLNDVI和VGLEVI分别北移173.93 和131.62km,尤其是黄土高原中部榆林和延安一带植被绿度线北移幅度最大.

3.2 气候变化和人类活动对植被绿度的影响

气候变化和人类活动对黄土高原植被的时空演变有着重要影响[21],黄土高原2000～2020年降雨量较1960～1999年平均增加了35mm,温度上升了1.3℃,气候的增暖变湿对促进黄土高原植被的恢复重建具有重要意义(图9).本研究表明,2000年后黄土高原植被绿度显著增加,平均增速是2000年前的3～4倍;2000年后植被绿度线持续向北推移,北移距离最大可达532.12km.在干旱与半干旱的黄土高原,降雨量是影响植被生长的控制性因素,降雨量的增加会促进植被的生长,加之退耕还林草生态工程的实施,黄土高原植被得到显著改善,植被绿度显著增加[50].温度升高促进了黄土高原植被生长期的延长,是影响黄土高原植被绿度另一重要因素.Sun等[21]研究表明黄土高原植被生长期延长近16d,表现为春季提前、秋季延后.Na等[30]在蒙古干旱半干旱过渡区的研究表明,植被绿度线变化主要受生长季降水量和温度的影响.Wang等[51]研究表明植被绿度与高程相关,2400m以下地区受降水的影响较大,而在2400m以上的地区受温度影响较大.Piao等[7]和程昌武[52]认为气候因素是植被变化的主要因素,而kong等[48]则认为人类活动对植被改善的贡献率越来越突出.杨灿等[17]研究表明黄土高原在退耕还林草工程实施后NDVI明显增加.1999年退耕还林草工程的实施,使得黄土高原植被状况得到显著改善,这与本研究2000年后黄土高原植被绿度显著增加和植被绿度线向北推移结论一致.

本研究表明,2000～2015年整个黄土高原植被绿度线都在北移;至2015年,植被绿度NDVI＞0.2的面积占比达到74.06%;2015～2020年植被绿度变化趋于平稳,VGLNDVI推移变化不明显.其原因可能是黄土高原植被状况进入稳定时期,植被恢复接近黄土高原植被承载能力的上限,植被绿度处于缓慢增加或植被生长受到限制.已有研究表明,黄土高原大规模退耕还林草导致植被蒸腾耗水大幅增加,土壤干旱加剧[53],这将对未来黄土高原植被绿度线推移变化产生重要影响.未来气候变化对黄土高原植被绿度线推移及其影响需今后进一步研究.

图9 黄土高原近60年降水和温度的变化趋势

4 结论

4.1 1987～2020年黄土高原年均NDVI和EVI呈显著上升趋势.尤其是2001～2020年期间,植被绿度增速较1987～2000年期间增加了3～4倍,这与2000年退耕还林草政策的实施后,黄土高原植被恢复得到显著改善相关.

4.2 1987～2020年黄土高原植被绿度线呈向北推移趋势,VGLNDVI和VGLEVI分别平均北移173.93和131.62km,其中北移速率最快的区域为黄土高原中部地区(109.5°～111°E,即陕西北部、山西西部、内蒙古中南部).这一变化与黄土高原气候增暖变湿、退耕还林草等人类活动相关,具体驱动机制还需进一步研究.

[1] Wu X P, Zhang R Z, Bento V A, et al. The effect of drought on vegetation gross primary productivity under different vegetation types across China from 2001 to 2020 [J]. Remote Sensing, 2022,14(18): 4658.

[2] Zhang R, Qi J, Leng S, et al. Long-term vegetation phenology changes and responses to preseason temperature and precipitation in Northern China [J]. Remote Sensing, 2022,14(6):1396.

[3] 袁和第.黄土丘陵沟壑区典型小流域水土流失治理技术模式研究 [D]. 北京:北京林业大学, 2020.

Yuan H D. The research on model of soil erosion comprehensive control in typical small watershed in Hilly and Gully Loess Region [D]. Beijing: Beijing Forestry University, 2022.

[4] Peters G P, Andrew R M, Boden T, et al. The challenge to keep global warming below 2°C [J]. Nature Climate Change, 2013,3(1):4-6.

[5] Xu B, Qi B, Ji K, et al. Emerging hot spot analysis and the spatial–temporal trends of NDVI in the Jing River Basin of China [J]. Environmental Earth Sciences, 2022,81:1-15.

[6] Zhang Y L, Song C H, Band L E, et al. Reanalysis of global terrestrial vegetation trends from MODIS products: Browning or greening? [J]. Remote Sensing of Environment, 2017,191:145-155.

[7] Piao S L, Yin G D, Tan J G, et al. Detection and attribution of vegetation greening trend in China over the last 30years [J]. Global Change Biology, 2015,21(4):1601-1609.

[8] 张宝庆,吴普特,赵西宁.近30a黄土高原植被覆盖时空演变监测与分析 [J]. 农业工程学报, 2011,27(4):287-293,400.

Zhang B Q,, Wu P T, Zhao X N. Detecting and analysis of spatial and temporal variation of vegetation cover in the Loess Plateau during 1982～2009 [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011,27(4):287-293.

[9] Tang L L, Chen X L, Cai X B, et al. Disentangling the roles of land-use-related drivers on vegetation greenness across China [J]. Environmental Research Letters, 2021,16(12):124033.

[10] Chen C, He B, Yuan W P, et al. Increasing interannual variability of global vegetation greenness [J]. Environmental Research Letters, 2019,14(12):124005.

[11] 解 晗,同小娟,李 俊,等.2000～2018年黄河流域生长季植被指数变化及其对气候因子的响应 [J]. 生态学报, 2022,42(11):4536-4549.

Xie H, Tong X J, Li J, et al. Changes of NDVI and EVI and their responses to climatic variables in the Yellow River Basin during the growing season of 2000～2018 [J]. Acta Ecologica Sinica, 2022,42(11): 4536-4549.

[12] 郭永强,王乃江,褚晓升,等.基于Google Earth Engine分析黄土高原植被覆盖变化及原因 [J]. 中国环境科学, 2019,39(11):4804-4811.

Guo Y Q, Wang N J, Chu X S, et al. Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine [J]. China Environmental Science, 2019,39(11):4804-4811.

[13] Kumar L, Mutanga O, Google Earth Engine applications since inception: Usage, trends, and potential [J]. Remote Sensing, 2018,10 (10):1509.

[14] 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 X L, Shi S H. Spatio-temporal changes of vegetation in the Yellow River Basin and related effect of landform based on GEE [J]. Journal of Geo-information Science, 2022,24(6):1087-1098.

[15] Fu B J, Wang S, Liu Y, et al. Hydrogeomorphic ecosystem responses to natural and anthropogenic changes in the Loess Plateau of China. [J]. Annual Review of Earth and Planetary Sciences, 2017,45(1):223- 243.

[16] 赵安周,田新乐.基于GEE平台的1986—2021年黄土高原植被覆盖度时空演变及影响因素 [J]. 生态环境学报, 2022,31(11):2124-2133.

Zhao A Z, Tian X L. Spatiotemporal evolution and influencing factors of vegetation coverage in the Loess Plateau from 1986 to 2021 based on GEE platform [J]. Ecology and Environmental Sciences, 2022,31 (11):2124-2133.

[17] 杨 灿,魏天兴,李亦然,等.黄土高原水蚀风蚀交错区退耕还林工程前后NDVI时空变化特征 [J]. 北京林业大学学报, 2021,43(6): 83-91. Yang C, Wei T X, Li Y R, et al. Spatiotemporal variations of NDVI before and after implementation of Grain for Green Project in wind-water erosion crisscross region of the Loess Plateau [J]. Journal of Beijing Forestry University, 2021,43(6):83-91.

[18] 王 一,郝利娜,许 强,等.2001～2019年黄土高原植被覆盖度时空演化特征及地理因子解析 [J]. 生态学报, 2023,43(6):1-11.

Wang Y, He L N, Xu Q, et al. Spatio-temporal variations of vegetation coverage and its geographical factors analysis on the Loess Plateau from 2001 to 2019 [J]. Acta Ecologica Sinica, 2023,43(6):1-11.

[19] Chen Y P, Wang K B, Lin Y S, et al. Balancing green and grain trade [J]. Nature Geoscience, 2015,8(10):739-741.

[20] Li Z, Zheng F L, Liu W Z, et al. Spatial distribution and temporal trends of extreme temperature and precipitation events on the Loess Plateau of China during 1961～2007 [J]. Quaternary International, 2010, 226(1):92-100.

[21] Sun W Y, Song X Y, Mu X M, et al. Spatiotemporal vegetation cover variations associated with climate change and ecological restoration in the Loess Plateau [J]. Agricultural and Forest Meteorology, 2015,209: 87-99.

[22] Sun Q H, Miao C Y, Duan Q Y, et al. Temperature and precipitation changes over the Loess Plateau between 1961 and 2011, based on high-density gauge observations [J]. Global and Planetary Change, 2015,132:1-10.

[23] Zhang X P, Zhang L, Zhao J, et al. Responses of streamflow to changes in climate and land use/cover in the Loess Plateau, China [J]. Water Resources Research, 2008,44(7):W00A07.

[24] Lü Y, Fu B J, Feng X M, et al. A policy-driven large scale ecological restoration: quantifying ecosystem services changes in the Loess Plateau of China [J]. PloS One, 2012,7(2):e31782.

[25] Li J J, Peng S Z, Li Z. Detecting and attributing vegetation changes on China’s Loess Plateau [J]. Agricultural and Forest Meteorology, 2017, 247:260-270.

[26] Huete A, Didan K, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices [J]. Remote Sensing of Environment, 2002,83(1/2):195-213.

[27] Yue Y, Liu H F, Mu X X, et al. Spatial and temporal characteristics of drought and its correlation with climate indices in Northeast China [J]. PLoS One, 2021,16(11):e0259774.

[28] An S, Zhu X L, Shen M G, et al. Mismatch in elevational shifts between satellite observed vegetation greenness and temperature isolines during 2000～2016 on the Tibetan Plateau [J]. Global Change Biology, 2018,24(11):5411-5425.

[29] Tabari H, Marofi S, Aeini A, et al. Trend analysis of reference evapotranspiration in the western half of Iran [J]. Agricultural and Forest Meteorology, 2011,151(2):128-136.

[30] Glenn E P, Huete A R, Nagler P L, et al. Relationship between remotely-sensed vegetation indices, canopy attributes and plant physiological processes: What vegetation indices can and cannot tell us about the landscape [J]. Sensors , 2008,8(4):2136-2160.

[31] Na R, Na L, Du H, et al. Vegetation greenness variations and response to climate change in the arid and semi-arid transition zone of the Mongo-Lian Plateau during 1982～2015 [J]. Remote Sensing, 2021,13: 4066.

[32] Zeng X B, Dickinson R E, Walker A, et al. Derivation and evaluation of global 1-km fractional vegetation cover data for land modeling [J]. Journal of Applied Meteorology, 2000,39(6):826-839.

[33] Fang J Y, Piao S L, He J S, et al. Increasing terrestrial vegetation activity in China, 1982～1999 [J]. Science in China Series C: Life Sciences, 2004,47:229-240.

[34] Zhou L M, Tucker C J, Kaufmann R K, et al. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999 [J]. Journal of Geophysical Research: Atmospheres, 2001,106(D17):20069-20083.

[35] Montandon L M, Small E E, The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI [J]. Remote Sensing of Environment, 2008,112(4):1835-1845.

[36] Li X B, Chen Y H, Shi P J, et al. Detecting vegetation fractional coverage of typical steppe in northern China based on multi-scale remotely sensed data [J]. ACTA BOTANICA SINICA-CHINESE EDITION-, 2003,45(10):1146-1156.

[37] Jeong S J, Ho C H, Brown M E, et al. Browning in desert boundaries in Asia in recent decades [J]. Journal of Geophysical Research: Atmospheres, 2011,116(D2):D02103.

[38] Li X S, Zhang J, Derivation of the green vegetation fraction of the whole China from 2000 to 2010 from MODIS data [J]. Earth Interactions, 2016,20(8):1-16.

[39] Wei X D, Wang S N, Wang Y K, Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 [J]. Geological Journal, 2018,53:427-434.

[40] Carlson T N, Ripley D A, On the relation between NDVI, fractional vegetation cover, and leaf area index [J]. Remote sensing of Environment, 1997,62(3):241-252.

[41] Song W Y, Mu X M, Ruan G Y, et al. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method [J]. International Journal of Applied Earth Observation and Geoinformation, 2017,58:168-176.

[42] Hashim H, Latif Z A, Adnan N A, Urban vegetation classification with NDVI threshold value method with very high resolution (VHR) Pleiades imagery [J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019,42:237-240.

[43] Aryal J, Sitaula C, Aryal S, NDVI threshold-based urban green space mapping from Sentinel-2A at the local governmental area (LGA) level of victoria, Australia [J]. Land, 2022,11(3):351.

[44] Crist E P, Cicone R C, A physically-based transformation of Thematic Mapper data---The TM Tasseled Cap [J]. IEEE Transactions on Geoscience and Remote Sensing, 1984,(3):256-263.

[45] Sharaf El Din E, A novel approach for surface water quality modelling based on Landsat-8tasselled cap transformation [J]. International Journal of Remote Sensing, 2020,41(18):7186-7201.

[46] Han T, Wulder M A, White J C, et al. An efficient protocol to process Landsat images for change detection with tasselled cap transformation [J]. IEEE Geoscience and Remote Sensing Letters, 2007,4(1):147- 151.

[47] Kou P L, Xu Q, Jin Z, et al. Complex anthropogenic interaction on vegetation greening in the Chinese Loess Plateau [J]. Science of The Total Environment, 2021,778:146065.

[48] Kong D X, Miao C Y, Borthwick A G, et al. Spatiotemporal variations in vegetation cover on the Loess Plateau, China, between 1982and 2013: possible causes and potential impacts [J]. Environmental Science and Pollution Research, 2018,25(14):13633-1344.

[49] 张含玉,方怒放,史志华.黄土高原植被覆盖时空变化及其对气候因子的响应[J]. 生态学报, 2016,36(13):3960-3968.

Zhang H Y, Fang N F, Shi Z H. Spatio-temporal patterns for the NDVI and its responses to climatic factors in the Loess Plateau [J]. Acta Ecologica Sinica, 2016,36(13):3960-3968.

[50] Xin Z B, Xu J X, Zheng W. Spatiotemporal variations of vegetation cover on the Chinese Loess Plateau (1981～2006): Impacts of climate changes and human activities [J]. Science in China Series D: Earth Sciences, 2008,51(1):67-78.

[51] Wang Y, Peng D L, Shen M G, et al. Contrasting effects of temperature and precipitation on vegetation greenness along elevation gradients of the Tibetan Plateau [J]. Remote Sensing, 2020,12:2751.

[52] 程昌武.黄河流域1982～2015年植被变化及其影响因素分析 [D]. 西安:长安大学, 2020.

Cheng C H. Yellow River Basin during 1982 to 2015 Vegetation dynamics and its influential factors in the [D]. Xi¢an: Chang'an University, 2020.

[53] 朱玉英,张华敏,丁明军,等.青藏高原植被绿度变化及其对干湿变化的响应 [J]. 植物生态学报, 2023,47(1):51-64.

Zhu Y Y, Zhang H M, Ding M J, et al. Changes of vegetation greenness and its response to drought-wet variation on the Qingzang Plateau [J]. Chinese Journal of Plant Ecology, 2023,47(1):51-64.

Research on the shift change of vegetation greenness line in the Loess Plateau based on GEE.

XIE Pei-jun1,2, SONG Xiao-yan3, SUN Wen-yi1,4*, MU Xing-min1,4, GAO Peng1,4

(1.Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100, China；2.University of Chinese Academy of Sciences, Beijing 100049, China；3.College of Water Resources and Architectural Engineering, Northwest A & F University, Yangling 712100, China；4.State Key Laboratory of Soil Erosion and Dryland Farming on the Loess Plateau, Northwest A & F University, Yangling 712100, China)., 2023,43(12)：6518～6529

The temporal and spatial evolution patterns of the vegetation greenness index and its spatial distribution in the Loess Plateau hold significant scientific importance in gaining comprehensive insights into the dynamic changes of vegetation and assessing the effectiveness of ecological restoration. Although previous studies have explored the factors influencing spatiotemporal variations in vegetation greenness, the limited spatial resolution of remote sensing products poses challenges in capturing fine-scale characteristics and dynamic shifts in vegetation greenness lines. In the study, the Google Earth Engine (GEE) cloud platform, combined with a series of Landsat remote sensing images, is used to calculate the Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), along with their Vegetation Greenness Lines, as indicators to characterize the spatiotemporal evolution of vegetation greenness during the growing season on the Loess Plateau from 1987 to 2020. The results show that the annual average growth rates of NDVI and EVI in the Loess Plateau were 0.0042a-1(<0.01) and 0.0023a-1(<0.01) from 1987 to 2020, respectively. Notable, the average growth rates after the year 2000 were approximately three to four times higher than those observed before 2000. In terms of spatial distribution, the trends in NDVI and EVI predominantly exhibited significant and highly significant increases, with respective area percentages of 78.78% and 69.21%. Over the period from 1987 to 2020, the vegetation greenness lines VGLNDVIand VGLEVIexhibited a northward movement in the Loess Plateau at rates of 5.52 and 4.59 km/year, respectively. Over the same period, the average northward movements for VGLNDVIand VGLEVIwere 173.93km and 131.62km, respectively. The most significant northward shift was primarily observed between 2005 and 2010, with the largest movement of the VGLNDVIand VGLEVIoccurring in the Yulin and Yan'an areas of Shaanxi Province, northwest Shanxi Province, and central and southern Inner Mongolia, reaching maximum distances of 532.12km and 471.57km, respectively.

vegetation index；vegetation greenness line；GEE；Loess Plateau

X87

A

1000-6923(2023)12-6518-12

谢佩君,宋小燕,孙文义,等.基于GEE的黄土高原植被绿度线推移变化研究 [J]. 中国环境科学, 2023,43(12):6518-6529.

Xie P J, Song X Y, Sun W Y, et al. Research on the shift change of vegetation greenness line in the Loess Plateau based on GEE [J]. China Environmental Science, 2023,43(12):6518-6529.

2023-04-28

国家自然科学基金项目(42177328,42330506);中国科学院“西部青年学者”(XAB2022YW02);中央高校基本科研业务费专项资金资助(2023HHZX001)

* 责任作者, 研究员, sunwy@ms.iswc.ac.cn

谢佩君(1999-),女,江西赣州人,中国科学院大学硕士研究生,主要研究方向为水文遥感.xiepeijun21@mails.ucas.ac.cn.