川西北高原区植被覆盖变化及驱动力

2024-02-29姚昆,何磊,白琳,罗涵

水土保持研究 2024年1期

姚昆, 何磊, 白琳, 罗涵

(1.西昌学院资源与环境学院, 四川西昌 615000; 2.成都信息工程大学软件工程学院,成都 610225; 3.四川省信息化应用支撑软件工程技术研究中心, 成都 610225)

植被作为陆地生态系统的重要构成要素之一,是联结大气、土壤和水体等的关键纽带,也是物质能量交换的重要场所[1-2]。近年来,随着全球变化研究的不断深入,植被覆盖变化作为其中一项重要的组成部分,已成为自然资源学、生态学和地理学等领域关注的一大热点[3]。因此,掌握区域长时间序列植被覆盖变化状况,并对其驱动因素进行揭示十分必要[4]。

植被NDVI作为定量表征植被生长状态的一项重要参数,其常被用于分析区域植被覆盖变化,它能较全面描述区域植被的生长状态[5-6]。肖建勇等[7]以MODIS NDVI为基础,对喀斯特关键地带植被覆盖时空变化规律展开分析,并对其驱动因素进行探索;陈超男等[8]基于多源NDVI实现了秦巴山区1982—2017年植被覆盖时空变化及与气候响应规律的分析,并针对重点地区植被覆盖与地形、气候因子的响应关系展开探讨;何亮等[9]基于NDVI结合斜率、显著性检验和Hurst指数等模型,发现近20年杭锦旗植被NDVI改善区面积呈先增加后减少的变化状态,降水对其变化起正相关驱动作用而气温则相反;郑勇等[10]利用NDVI对川西北高原近20年植被覆盖变化及与气候因子的相关性进行探讨,结果表明降水对其变化的驱动作用比气温更显著;伍良旭等[11]认为川西北高原1995—2015年植被覆盖在海拔梯度上呈现显著的分布差异,相比年均气温对其变化的影响,年降雨量的驱动作用更明显;韩继冲等[12]对长江上游植被覆盖变化及与气候因子的响应关系展开探讨,发现植被NDVI对气候的响应模式在动态和静态视角下存在显著差异。以上成果均对植被覆盖动态变化规律及驱动力展开探讨,在区域植被恢复与保护中起到了积极促进效果;然而,它们在进行驱动力分析时,均以相关性为主要研究方法,又侧重仅从气候单系统展开探讨;然而,驱动植被覆盖变化的是因素相对复杂的,各因素的影响作用也存在较显著差异,若仅采用相关性分析仅从单系统对此展开探讨,那么研究的准确性也会存在一定片面性。

地理探测器不仅能实现植被覆盖空间分异性探索,还能对其背后复杂的驱动力展开系统分析。Peng等[13]以地理探测为工具完成自然因子对四川省植被覆盖变化的驱动力解析;马晓妮等[14]基于地理探测器对影响砒砂岩区植被覆盖的因子展开探讨。

川西北高原区生态环境先天脆弱,加之受过度放牧、草原鼠害和坡耕地开垦等影响,区内植被覆盖受损严重;尔后,随着“天然林保护”“退耕还林”和“退牧还草”等工程的实施,地区植被生态环境逐渐有所改善。因此,本文以MODIS NDVI数据为基础,结合Sen氏趋势、Hurst指数和地理探测器,完成其近20年植被覆盖动态变化及驱动力分析。研究期望该成果能为区域植被保护与恢复建设提供理论参考。

1 研究区概况

川西北高原区位于青藏高原东南缘,包括石渠、德格和甘孜等8个县,面积约8.2×104km2。气候以高原山地气候为主要类型,由于海拔落差大,导致气候立体变化明显,其整体特征表现为山地湿冷,光照丰富,降雨量少。该地区年均气温-7.36～9.07℃,年降雨量约447.54～859.93 mm,植被类型主要为山地草甸。在地壳活动频繁、地形陡峭和气候条件多样等共同作用下,区内自然灾害频发,加之区域土地生产力低下,植被生长季短,植被遭破坏后不易恢复,这对自然环境变化也产生了重大影响。

2 数据与方法

2.1 数据来源与预处理

基本数据包括:2000—2020年植被NDVI为MODIS13Q1产品,源于NASA;90 m的DEM源于地理空间数据云;2020年土地利用类型(矢量)、植被和土壤类型(矢量)、人口密度和GDP km网格分布数据,均源于中国科学院地理资源环境据中心(https:∥www.resdc.cn/);各气象站观测数据由国家气候中心提供。以最大化合成(MVC)法[15]获取各年份NDVI;以Anusplin4.37为数据处理平台,采用薄盘样条函数插值实现气象数据栅格化[16]。

2.2 研究方法

2.2.1 斜率 Sen氏趋势主要用于分析时间序列数据未来发展倾向,作为一种数据统计分析方法,它能较有效降低个别数据缺失或形态异常对计算结果准确性的干扰[17-18]。公式如下:

式中:xi和xj分别代表第i和j年的NDVI;n为时间长度。若Slope>0,表明随着时间年限增长植被NDVI呈现数值上升且植被覆盖也表现为改善的发展趋势;相反,若Slope<0,植被NDVI表现为数值下降且植被覆盖呈现退化的发展倾向。

作为一种非线性的数据显著性检验方法,Manna-Kendall检验不需要样本数据满足特定分布,还能较有效规避异常像元的干扰[11,19]。研究将Sen氏趋势和显著性检验相结合,完成该地区植被NDVI发展趋势显著性检验(表1)。

表1 植被NDVI斜率变化与显著性检验Table 1 Vegetation NDVI slope change and significance test

2.2.2 Hurst指数为了解植被覆盖未来发展趋势的持续状态,研究引入Hurst指数模型。它在植被覆盖变化研究中已被广泛应用[20-22]。参考已有成果[19]将Hurst数值分为:0

2.2.3 地理探测器地理探测器是用于分析地理现象空间分异性并对其背后驱动力进行探索的工具[23],核心思想为:如果某因子对地理现象具有重要影响,那么它们在空间分布上应具有一定吻合性[24-25]。

因子探测器用于分析地理因变量Y的分异性及各驱动因素X对Y的解释力。

(2)

(3)

交互探测器用于判定,若任意两个驱动因素X1和X2发生交互时,该协同作用对Y分异性的解释力为增强、减弱或未产生影响[26-27]。核心思想为:先分别计算因素X1和X2对Y的解释力q(X1)和q(X2);其次,计算X1∩X2对Y的解释力q(X1∩X2);最后,对q(X1)、q(X2)与q(X1∩X2)进行对比,完成解释力类别判定(表2)。

表2 交互作用判定依据Table 2 Basis for determining interaction

风险探测器用于识别两个影响因素子区间属性是否具有显著差异,并对最适宜植被生长的区间进行探测[28]。

在参考相关成果[2,13,29-30]基础上,结合数据的可获得性、代表性和整体性,最终从地形、植被、土壤、气候和社会经济等方面共选择11个指标。其中,气候和社会经济要素(年均气温、年降雨量、年均日照时长、人口密度和GDP)均取近20年平均值运算。

由于地理探测器在进行驱动力探测时要求各变量均为类型量,土地利用、土壤和植被类型分别参照《中科院土地利用覆盖分类体系》、《1∶100万中华人民共和国土壤图》和《1∶1 000 000中国植被图集》将数据分为6,22,7个一级类别。除去以上3个指标外的其他7个因素,根据王劲峰等[23]提出的数据离散化原则及参考相关成果[2,13,25,29],以“自然间断点”将各指标分为9类(高程、年均气温、年降雨量和年均日照时长)和5类(人口密度和GDP),以“相等间隔”将坡向和坡度分别划分为10,9类。以3 km×3 km格网为采样点完成各变量信息采集。

3 结果与分析

3.1 2000-2020年植被NDVI空间分布格局

为较全面掌握该区植被覆盖空间分布特征,在参考前人成果[2,10,11]基础上,将该地区近20年植被NDVI平均值分为:低植被覆盖区(0～0.2)、中低植被覆盖区(0.2～0.4)、中植被覆盖区(04～0.6)、中高植被覆盖区(0.6～0.8)和高植被覆盖区(0.8～1)共计5个区间(图1)。

图1 研究区植被覆盖

由图1可知,川西北高原区植被覆盖整体表现出较明显分布差异,具体表现为:东部地区植被NDVI数值相对较高,越向西部靠近则NDVI值相对越低。

低植被覆盖和中低植被覆盖区全域面积占比仅约3.22%,结合地形、土地利用类型和植被类型等数据分析可知,它们主要分布在海拔约5 000 m以上的地区,这些区域地势险峻,主要以裸岩石质地、沙地或裸土地为主要土地生态景观,除部分区域分布有极少量高山稀疏植被外,其余大多地区无植被生长。中植被覆盖区全域面积占比约7.70%,主要集中分布于石渠县北和西南部地区,此外在德格县西南部以及色达和壤塘县交界处等部分地区也有零散分布;结合相关资料分析可以发现,这些区域海拔高度介于4 200～5 000 m,主要分布着高寒草甸、灌丛和高山稀疏植被等,土地利用类型则以低覆盖度草地和灌木林地为主,少部分区域夹杂着中覆盖度草地。相比下,中高和高植被覆盖区全域分布范围最广,面积占比达89.08%,在海拔小于4 200 m的大部分地区均有分布。

3.2 2000-2020年植被NDVI趋势变化分析

结合川西北高原区植被NDVI斜率计算结果(图2A)分析可知:近20年内,整个高原区植被NDVI的Slope<0的地区全域面积占比仅约28.62%,而Slope>0的地区面积占比却高达71.38%;其暗示近20年内整个高原区植被NDVI数值整体呈现升高的发展趋势。

图2 植被NDVI斜率变化(A)及显著性检验(B)

结合显著性检验(图2B)分析可知:21年内,植被覆盖呈极显著和显著退化的区域在整个高原区分布范围最窄,全域面积占比仅1.64%,主要集中分布于石渠县和色达县中部,此外在阿坝县、红原县和若尔盖县交界处也有极小范围零散分布;显著和极显著改善地区全域面积占比约17.80%,主要集中分布于若尔盖县、红原县和阿坝县全境的大部分地区、石渠县北和西南部部分区域,剩余小部分零散分布于其他区县;和以上两个类别相比,植被覆盖无显著(改善或退化)变化的区域全域分布范围最广,占比约80.56%,整个高原区均有分布;以上成果分析表明,在2000—2020年内,整个高原区植被覆盖整体发展趋势较好。

3.3 植被NDVI的可持续发展稳定性分析

为了解整个高原区未来植被覆盖发展趋势的可持续性,完成该地区近20年植被NDVI的Hurst指数计算(图3)。

图3 植被NDVI的Hurst指数(A)及未来变化趋势预测(B)

结合图3分析可知:全时段内,高原区植被NDVI的Hurst指数介于0.088 7～0.890 7间,Hurst<0.5的区域约占整个高原区总面积的74.91%,这暗示着这些地区植被NDVI在未来的发展趋势不具有可持续性,即当前变化趋势为改善或退化而将来则转变为退化或改善。

为更详细了解高原区植被NDVI发展趋势的稳定性和可持续发展状态,将Hurst指数与植被NDVI显著性检验结果进行栅格叠加。植被NDVI未来呈现持续极显著和显著退化的地区全域面积占比约14.12%,它们主要集中分布于石渠县(中部、北部和西南部)小部分地区,红原与阿坝县交界的大部分范围以及若尔盖县北和东部大部分。结合土地利用类型、地形和人类活动等实际分析可发现:驱动以上地区植被覆盖未来发展趋势处于持续退化的原因可能有所差异;石渠县在全域海拔相对较高、气温相对较低且降雨量也相对较少,这些自然条件均不利于植被生长,地类以低覆盖度草地为主,先天自然环境的限制加之不合理人类活动(坡耕地过度开垦和高山草甸区过度放牧等)的干扰都可能驱使域植被覆盖持续退化;红原、阿坝和若尔盖县在整个高原区内地形和气候条件相比石渠县虽然较适宜植被生长,但植被类型主要为高山草甸,人类活动和社会经济发展方式却比石渠县复杂多样,不合理人类活动对植被生长环境干扰程度也更相对显著。极显著和显著持续改善区全域面积占比约5.31%;相比下,未来发展状态持续处于无显著(改善或退化)变化地区在全域内分布范围最广,约占整个地区总面积的80.58%。

综上,未来川西北高原区植被覆盖变化趋势处于持续无显著变化的地区仍占据全域的绝大部分,而明显退化却比明显改善地区全域总面积占比高出了8.81%。

3.4 植被NDVI驱动因素分析

3.4.1 因子探测分析研究利用地理探测器完成川西北高原区植被NDVI空间分布格局驱动因子探测分析(表3)。

表3 植被NDVI因子探测结果Table 3 Vegetation NDVI factor detection results

结合表3分析可知:各驱动因子对植被NDVI空间分布总体格局差异形成的影响力存在较明显差异;各因子的q值呈现高程>年均气温>土壤类型>植被类型>年均日照时长>土地利用类型>年降雨量>坡向>人口密度>坡度>GDP;高程、年均气温和土壤类型的q值分别为0.453 6,0.353 3,0.300 7,解释力均在30%以上,它们3个基本占据了绝对优势,客观程度可判定这3个因素是驱动高原区植被覆盖空间分布总体格局差异形成的最主要驱动因素;植被类型的q值为0.173 8,解释力在15%以上,为主要因素;解释力小于15%,但大于10%的因子中年均日照时长、土地利用类型和年降雨量的q值分别为0.119 6,0.112 9,0.108 2,它们的解释力基本相同,均为次要因素;坡向的解释力小于1%,驱动作用非常有限;坡度、人口密度和GDP解释力均在1%以下,且均未通过显著性检验,说明若仅从静态角度分析,它们几乎未对高原区植被覆盖空间分布总体格局差异的形成产生影响作用。

3.4.2 交互探测分析

交互探测结果表明,当各驱动因素产生交互时,其协同作用为线性或非线性增强两种类型,不存在减弱或者独立(图4)。

图4 因子交互探测结果

结合图4分析可知:当高程和其他因素交互时,其协同作用对植被NDVI总体空间分布格局形成的影响作用均大于单因素的驱动作用,这也间接证明了若仅从单因素驱动作用分析,高程对高原区植被NDVI空间分布总体格局变化的影响作用最显著,该结果与因子探测基本吻合。高程∩年降雨量(q=0.5013),是高程与其他因子交互类型中最显著的类别,这暗示着在特定高程区间范围内,若年降雨量也满足一定要求,那么该地区植被覆盖空间布局变化受高程影响更明显。相似的,年均气温∩年降雨量(q=0.5030),解释力已经达到50.30%,在各因子交互类型中也表现地非常显著,这表征出特定水热条件对植被生长起着重要影响作用。此外,人口密度和GDP仅分别与高程、年均气温和土壤类型3个因素产生交互时,它们协同作用的解释力才会达到30%以上。当人口密度和GDP在与除高程、年均气温和土壤类型3个因素外的其他因子交互时,它们的解释力均在20%以下,这也表明仅从静态角度分析,人口密度和GDP对高原区植被覆盖空间总体布局的影响作用非常有限。

3.4.3 适宜范围或类型分析结合图5分析可知:各因素适合植被生长的区间或者类别也存在显著差异;地形(高程、坡度和坡向)系统最适合植被生长的区间分别为3 619.00～3 859.00 m,13.67°～20.51°和0°～35.10°,它们各自对应的植被NDVI均值分别为0.819 6,0.759 2,0.770 5;气候系统(年均气温、年降雨量和年均日照时长)在2.55～3.59℃,744.15～794.58 mm和2 255.67～2 339.35 h最适宜植被生长,对应区间植被NDVI均值分别为0.823 4,0.791 5,0.781 7;林地植被生长状态最好,NDVI均值为0.812 9;相似,阔叶林和棕壤也为植被生长的最理想类型,NDVI均值分别为0.838 9,0.846 8;人口密度和GDP数值越小的地区越适合植被生长。

图5 因子风险探测结果

研究还发现,当高程<3 619.00 m和坡度<13.67°时,植被NDVI均值随着它们数值增加而升高;相反,若高程>3 859.00 m、坡度>20.51°时,植被NDVI的均值则呈现相反的变化形态,该成果与韩继冲等[12]采用格网模型完成长江上游植被NDVI与地形因子响应关系分析的结果基本吻合。相似,静态视角下植被NDVI与年均气温和年降雨量的响应模式也类似抛物线,这也与前人成果基本吻合[12];然而,植被NDVI与年均日照时长的响应关系却相对复杂,类似为分段函数。川西北高原区为四川省重要的水源涵养和林草资源区,随着系列生态工程的实施,区内森林资源得到较有效恢复且草地退化也被较有效遏制。因此,在林地和草地类型上植被NDVI均值相对较高。然而,随着人口密度和GDP数值升高,植被NDVI均值却呈下降变化趋势,这主要是高原区社会经济生产方式相对传统、简单,人口密度和GDP数值越高的地区人类活动明显,对植被的扰动干扰也相对越突出。不同土壤和植被类型区植被生长状态也存在较明显差异,不同类型的植被对光的敏感性、抗旱(寒)能力等都有较明显不同;各类型的土壤其自身的保水性、可侵蚀性和养分均存在差异,对植被生长也起着促进或抑制的不同作用。

4 讨论与结论

4.1 讨论

近20年内,高原区植被覆盖整体呈现良好的发展趋势,该结果与前人[10,31]基本一致;高程、年均气温、土壤和植被类型对植被NDVI分布变化的影响作用非常显著,这与彭文甫等[2]成果基本一致。

研究区地处高原,贫瘠的自然条件对区域植被生长造成了一定限制。分析各因子对植被覆盖空间分布格局形成与变化的影响作用可发现:虽然地形、植被和土壤类型主导了区域植被覆盖空间布局的形成,但这些因素自身稳定性也相对较强,20年内几乎未发生较明显改变,对植被覆盖布局变化产生明显驱动作用较弱可忽略;同理,结合各气象站点观测的年均气温和年均日照时长资料分析,这两个因素的稳定性也较强,也未对植被覆盖布局的动态变化产生较明显驱动作用。适宜植被生长的降雨条件也相对苛刻,影响作用也相对有限。

综上且结合区域实际分析可知,人类活动对该地区植被覆盖空间布局改变的影响作用相对稳定且突出,这与郑勇等[32]研究成果基本一致。一方面,约2000年起,国家对川西北高原区相继实施了系列生态保护工程。结合土地利用类型遥感解译成果分析可知:约2000年起,国家川西北高原区相继实施了系列生态保护工程,21年内该地区林地面积共增加了849.07 km2;它也是四川省重要的生态牧区,草地类型以高寒草甸为主,若它被破坏想要再次进行修复难度极高,随着众多环保工程的实施,区域草地退化现象被有效遏制;林草地资源的有效保护与恢复较大程度促进了区域植被覆盖状况的好转。另外一方面,受如过度放牧和超承载力耕作等不合理人类活动的影响,极小部分地区植被仍然处于被破坏的状态。

相比以往成果,本研究采用最大值合成完成各年份植被NDVI数据获取,较有效降低了噪声对数据准确性的干扰;将地理探测器用于驱动力分析,较有效弥补了以往成果仅从气候或地形等单系统对驱动力进行讨论,研究结果存在不详实的局限;论文不仅较详细分析了各因素对植被覆盖空间分布总体格局差异形成的影响作用,还结合区域实际对驱动其布局变化的因素进行了进一步探讨,研究的价值也得到了进一步升华;然而,在进行数据进行离散化时,不同的数据分类方法也会导致计算结果存在一定差异,因此结合区域实际尝试多种不同数据分类方式,综合寻找更恰当的数据离散方法也将有助于进一步提高研究的准确性。