安徽省近20年森林资源时空变化及其驱动因素分析

王晶 徐培培

摘要：安徽省森林是长三角地区重要的生态屏障和碳库，探究其时空变化及驱动因素对实现长三角地区生态绿色一体化发展具有重要意义。基于MODIS数据产品、气象再分析资料和森林清查结果等数据，利用趋势分析、残差分析与情景评估等方法，分析了2001—2020年安徽森林的分布和长势变化及其驱动因素。结果表明：（1）2001—2020年安徽省森林空间分布呈扩张趋势，但不同类型森林的扩张速度存在差异，混交林在森林中的占比以-0.29%/a的速度显著下降（p<0.001），森林类型组成存在趋于单一化的风险；（2）2001—2020年安徽省森林长势整体呈改善的趋势，森林EVI以0.0020/a的速度显著上升（p<0.01）；（3）气候变化对2001—2020年安徽地区森林扩张和长势增加的贡献率分别为4.64%、25.25%，明显低于人类活动（95.36%、74.75%），意味着人类活动是安徽地区森林变化的主要驱动力。

关键词：森林；遥感；时空变化；驱动因素；残差分析

中图分类号：X87文献标志码：A文章编号：1001-2443（2024）02-0136-10

引言

安徽省森林资源作为长三角地区的生态屏障和碳库，是长江经济带社会发展的基础性战略资源。历史上安徽森林屡遭破坏，原始森林所剩无几，大片的人工林和天然次生林的生境脆弱、退化容易而恢复难［1-2］。森林的面积和长势是评估其生态服务功能与资源丰富程度的重要指标［3-4］。气候因子（如温度和降水）是影响森林资源重要外界扰动因素，气候变化引起的温度上升和降水格局改变会显著影响森林的空间分布及其生长状态［5-7］。同时，城市扩展、森林砍伐和植树造林等人类活动亦会影响森林空间分布和长势［8-10］。因此，深入研究安徽省森林空间分布和长势的动态变化及其与外界扰动因素之间的关系，对于了解森林生态系统的演变动态过程和森林管理政策优化具有重要价值。

基于站点的野外调查可以准确地评估森林资源的各种参数及其动态变化过程［2，11］，但是野外调查易受地域的限制，通常只能在小尺度上进行。遥感观测突破了数据获取时间和地域的限制，被广泛应用于大尺度上的森林相关研究［5，7，12］。归一化差值植被指数（Normalized Difference Vegetation Index， NDVI）和增强型植被指数（Enhanced Vegetation Index， EVI）是遥感监测森林长势的常用指标［5，12，13］，基于红光波段和近红外波段计算的NDVI在植被覆盖度高的地区易饱和，而EVI在红光波段和近红外波段的基础上增加了蓝色波段以进一步增强植被信号，适用于监测高植被覆盖的森林区域［14］。已有研究一般利用相关分析［12］、回归分析［13］等方法分析遥感植被指数与气候因子（如温度降水等）的关联性以探究森林变化及其影响因子，但随着长三角地区生态绿色一体化以及安徽省经济的发展，人类活动的增加对区域环境的影响逐渐增强［15］，然而考虑人类活动等非气候因素对安徽省森林影响的研究较少。

鉴于上述情况，本文以安徽省森林为研究对象，结合遥感地表覆盖及EVI数据、气象再分析资料、森林清查等多源数据，利用趋势分析、残差分析和情景评估等方法，在区域尺度上揭示近20年来安徽省森林资源的动态变化，评估了气候因素与人类活动对森林空间分布和长势的贡献率，以期为安徽省乃至长三角地区的森林资源与生态环境保护提供理论依据。

1 研究区概况

安徽省位于长江中下游地区，是我国南、北方的分界线，总面积约1.4?105  km2（114°54′—119°27′E，

29°41′—34°38′N）。安徽省处于暖温带与亚热带的过渡区，受季风影响显著，四季分明，夏季温度高降水充沛［16］。年平均温度在14—17℃之间，年平均降水量在800—1600 mm之间，且具有南多于北的特点［16］。全省地势西高东低，由南往北逐级下降，地貌类型复杂多样。南部多为山地丘陵地区，中部到北部多为平原地区（图1a）。安徽省森林资源主要分布在南部的山地丘陵地带，森林类型以常绿针叶林、常绿阔叶林、落叶阔叶林和混交林为主（图1b）。根据第九次全国森林清查结果显示，安徽省森林覆盖面积3.96?107公顷，覆盖率达28.65%。安徽省丰富的森林资源对实现本省乃至长三角地区碳达峰碳中和目标具有重要作用，然而，由于社会快速发展带来的环境污染、过渡采伐、城市扩张等原因，森林退化严重，物种多样性降低，生境脆弱，对区域生态环境和森林碳汇功能造成了一定影响［8-9］。安徽省拥有丰富且脆弱的森林资源，过渡性气候条件以及快速发展的社会经济，是研究气候变化与人类活动对森林影响的理想区域。

2 数据与方法

2.1 数据来源与处理

（1）增强型植被指数（EVI）数据来源于MODIS植被指数产品（MOD13A1）数据集（https：//modis.gsfc.nasa.gov/），空间分辨率为500米，时间分辨率为16天。安徽地区植被长势在7月、8月达到最大［17］，选用的EVI数据为2001—2020年每年第193—241天（即7—8月生长旺季）。首先分别挑选出7月、8月EVI的最大值，再计算两个月EVI最大值的平均值作为森林长势的指标［5］。

（2）森林分布数据来源于MODIS地表分类产品（MCD12Q1）中IGBP全球植被分类方案，该数据为年度数据，空间分辨率为500米，与已有的其他土地覆盖数据相比，具有更好的时间连续性。IGBP全球植被分类方案是一种较为常用的分類体系，被广泛应用于中国地区地表覆盖分类研究中［5，7，18-19］。该方案中森林被分为常绿针叶林，常绿阔叶林，落叶针叶林，落叶阔叶林和混交林五种［20］，各森林类型的含义如表1所示。首先，统计2001—2020年各类型森林像元的数量；然后，计算第七次（2004年—2008年）、第八次（2009年—2013年）和第九次（2014年—2018年）全国森林资源清查期间安徽省森林像元数的平均值，对比森林像元数变化与清查结果中的森林面积变化；最后将2001—2020年分类数据中森林类型未发生改变的像元提取作为森林长势分析的研究对象，以降低土地利用类型或森林类型改变对EVI的影响［5，13］。

（3）气象数据来源于英国东安格利亚大学气候研究中心（CRU）的月尺度温度和降水数据（https：//www.uea.ac.uk/groups-and-centres/climatic-research-unit），版本为TS4.06，空间分辨率为0.5°，时间分辨率为每月。已有研究表明，安徽地区森林EVI对温度的响应没有滞后效应，对降水的响应存在4个月的滞后时间［5］，所以温度数据选取时间2001—2020年每年7月和8月，降水数据选取时间2001—2020年每年3月和4月，计算两个月的平均温度和累计降水用于后续分析。

2.2 研究方法

2.2.1 趋势分析法

本研究利用一元线性回归分析方法中的斜率来揭示森林空间分布和长势的时空变化特征。该斜率采用最小二乘法进行估算，其值大小能够反映森林变化的趋势及速率，已被广泛应用于时间序列趋势分析的研究中［7，16，21］。计算公式为：

式中[，S]表示森林像元数量或EVI的变化斜率，n表示时间序列长度，i表示年份时间变量，[pi]表示第i年的森林像元数或EVI值。[S]>0表示增加的趋势，森林得到改善，反之，[S<0]表示降低的趋势，森林呈现退化。

采用F检验来分析2001—2020年森林像元数量或者EVI的变化趋势是否显著［21］，具体计算公式如下：

式中，F表示检验统计量，n表示时间序列长度，i表示年份时间变量，[yi]、[yi]、[yi]分别表示第i年的森林像元数或EVI的观测值、第i年的森林像元数或EVI的线性回归拟合值、n年森林像元数或EVI的平均值。本研究在a=0.05的水平下逐像元判断2001—2020年森林EVI变化趋势的显著性。根据EVI随时间变化的斜率（[S]）及其显著性检验结果，将森林EVI变化趋势分为4级：显著改善（[S]>0，p<0.05），轻微改善（[S]>0，p>0.05），轻微退化（[S]<0，p>0.05），显著退化（[S]<0，p<0.05）。

2.2.2 残差分析法与情景评估法

本研究利用多元回归残差分析方法来评估气候因素和人类活动对森林空间分布和长势变化的影响［21-22］。该方法是通过构建EVI和气候因子的多元回归模型，计算EVI预测值与原始观测值之间的残差，来衡量人类活动对森林变化的影响［21-23］。首先，以EVI为因变量，温度、降水为自变量，构建EVI与气候因子的多元回归模型，模型拟合出EVI的预测值（EVICC），用该值表征气候因素对EVI的影响；然后，计算EVI原始观测值（EVIobs）和预测值之间的差值（EVIHA），用该值表征人类活动对EVI的影响。具体计算公式如下：

式中，[EVIobs]、[EVICC]、[EVIHA]分别表示每个像元EVI的原始观测值、预测值和残差值，T表示平均温度，P表示累计降水，a、b、c为模型参数。

利用情景评估法计算气候变化和人类活动对森林变化的贡献率，从而定量评估各驱动因素对森林EVI变化的影响［21-23］。首先，基于2.2.1中的趋势分析法计算[EVIobs]、[EVICC]、[EVIHA]三者的变化斜率，分别对应S（[EVIobs]）、S（[EVICC]）、S（[EVIHA]）。然后，依据这三者的变化斜率构建6种不同情景，并计算不同情景下驱动因素对森林EVI变化的贡献率，贡献率越高，表明该驱动因素对森林EVI变化的影响更大。情景划分标准及贡献率计算方法如表2所示。相同的方法和步骤，以森林像元数量为因变量，森林像元对应的平均温度和降水为自变量，通过构建多元回归模型分析残差来评估气候因素和人类活动对森林空间分布的贡献率。

3 结果与分析

3.1 2001—2020年安徽省森林空间分布的变化

MODIS地表分类数据显示2001—2020年安徽省森林像元数量大约为4.63?104—5.54?104个，且随时间变化有显著的增加趋势，增加速度为0.03?104个/a（图2a）。虽然森林资源清查与地表分类数据中对森林类型的定义存在差异，森林面积和森林像元数量在数值上也难以直接换算，但是两者都表现出随时间增加的趋势（图2b）。图2c是2001—2020年各个类型森林像元数量的变化，从中可以看出混交林像元数量最多，为3.52?104—3.91?104个，约占森林像元总数的70.64%—76.12%，其次为阔叶落叶林，像元数量为0.79?104—1.07?104个，约占总数的16.98%—19.44%。从森林的类型组成来看（图2d），2001—2020年期间混交林在森林中的占比以每年-0.29%的速度呈现显著下降趋势（p<0.001）；落叶阔叶林和常绿针叶林像元占比以每年0.10%、0.17%的速度呈显著上升趋势（p<0.01）。这些结果表明2001—2020年期间安徽省的森林空间分布范围不断扩张，混交林在森林中的占比呈下降趋势，落叶阔叶林和常绿针叶林的占比呈增加的趨势，森林类型组成结构存在趋于单一化的风险。

3.2 2001—2020年安徽省森林EVI的变化分析

从EVI均值来看，2001—2020年期间安徽地区森林EVI均值在0.52—0.59之间，且随时间呈显著增加的趋势（p<0.01），线性上升速度为0.0020/a（图3a）。不同类型森林EVI均表现为显著增加的趋势（图3b），但增加速度有所差别，增加速度最快的为常绿阔叶林（0.0026/a），最慢为常绿针叶林（0.0018/a）。

从空间分布来看（图4a），安徽地区森林EVI以改善趋势为主，改善范围约占森林像元总数的84.50%，改善趋势中有19.80%的像元通过了显著性检验（p<0.05）表现为显著改善，主要分布在大别山区的东部和西北部、皖南山区的西南部和东北部。还有15.50%的森林像元EVI表现为退化趋势，其中仅有0.23%的像元通过了显著性检验（p<0.05）表现为显著退化，剩余15.27%的像元区域以轻微退化为主，主要分布在皖南山区的中部。从森林类型来看（图4b），各类型森林EVI呈改善趋势的比例均远远高于呈退化趋势的比例。94.75%的常绿阔叶林EVI呈改善趋势，其中43.75%的EVI通过了显著性检验；84.17%的常绿针叶林EVI呈改善趋势，其中16.11%的EVI通过了显著性检验；84.59%的落叶阔叶林EVI呈改善趋势，其中18.33%的EVI通过了显著性检验；84.33%的混交林EVI呈改善趋势，其中19.94%的EVI通过了显著性检验。综上，近20年来安徽地区森林EVI有明显增加的趋势，表明该地区森林生长状态和生态环境持续向好，这意味着安徽省在长三角地区生态屏障和碳库功能和作用逐渐增加。然而，不同地区、不同类型的森林的生长变化趋势存在明显差异，这可能与气候因素或人为因素有关，需要在森林管理中多加关注。

3.3 气候因素和人类活动对森林变化的贡献率分析

为了探究气候变化和人类活动对森林空间分布和长势变化的影响，我们计算了气候变化和人类活动对森林像元数量与EVI的贡献率。从森林的空间分布范围来看（表3），人类活动对安徽省森林像元数量的贡献率（95.36%）远大于气候因素（4.64%）。气候因素对不同类型森林的空间分布贡献率在0.29%—6.83%之间，人类活动的贡献率均在90%以上，其中人类活动对常绿闊叶林（99.71%）和常绿针叶林（97.38%）的贡献率较高，对混交林（93.17%）的贡献率最低。

从EVI来看（图5），在森林改善区，气候因素的平均贡献率（25.25%）明显低于人类活动（74.75%），其中73.35%的改善区气候因素的贡献率低于30%，只有26.65%的区域气候因素的贡献率在30%以上，主要分布在皖南山区的中部（图5a）；人类活动对森林改善的贡献率较高，其中33.42%的改善区人类活动的贡献率在90%以上，主要分布在宣城市和六安市（图5b）。在森林退化区（图5c、d），气候因素对EVI的贡献率进一步下降，而人类活动对EVI的贡献率增加，平均贡献率分别约为4.05%、95.95%。绝大部分森林退化区域（约91.26%）气候因素的贡献率在10%以下，而人类活动的贡献率超过90%，主要分布在黄山市、池州市和宣城市。从不同森林类型来看，人类活动对EVI变化的贡献率同样明显高于气候因素（图6）。在森林改善区，人类活动对常绿阔叶林的贡献率平均值最高，为81.51%，对落叶阔叶林的贡献率最低，为70.77%。在森林退化区，人类活动对EVI变化的贡献率在95.39%—99.22%之间，而气候变化的贡献率仅在0.78%—4.61%之间。综上所述，人类活动对森林像元数量和EVI的贡献率均高于气候变化的贡献率，这表明人类活动对森林空间分布和长势变化的影响更大，意味着人类活动是安徽省森林变化的主要驱动力。

4 结论与讨论

4.1 讨论

在气候因素和人为因素的影响下，森林的空间分布范围和面积可能会发生大规模的变化。健康稳定的森林生态系统对外界扰动具有一定的抵抗和恢复能力，正常的气候波动可能会影响森林生态系统的状态，但是不会迫使整个生态系统发生转换［24］。应对长期的气候变化，森林生态系统通常以缓慢渐进的方式响应，当气候变化超越某个临界点后，生态系统会在短时间内发生突变，从当前生态系统转换为其他生态系统，地表覆盖类型随之发生改变［24］。短期的极端天气事件（如极端干旱、热浪等），可能会造成大面积的树木死亡和森林退化，在次生林恢复之前，地表覆盖类型亦可能会发生变化［25］。同样，人类活动造成的土地利用方式的改变也可能会对造成地表覆盖类型的变化。已有研究表明，2001—2020年期间安徽地区温度、降水均在正常

范围内波动，也未发生造成大面积森林死亡的极端事件［5］。因此，2001—2020年安徽地区森林面积和空间分布范围扩张趋势可能主要与人类活动有关。我们的研究结果也表明，近20年安徽地区人类活动对森林空间分布的贡献率明显高于气候因素。人类活动可以在较短的时间内改变森林空间分布范围，一方面，植树造林、封山育林等活动可以对森林产生积极的影响，有利于森林扩张［10，26］；另一方面，森林砍伐、城市扩张等活动则可能会对森林产生消极的影响，造成森林破坏［8-9］。近年来，安徽省积极落实林业“双增”目标，不断加大生态文明建设力度，相继组织实施了退耕还林工程、绿色长廊工程、千万亩森林增长工程等一批国家和省级林业重点生态工程［11］，这些人类活动可以短时间内增加了森林的空间分布范围和面积。同时，安徽省以林长制为基础，大力实施林业资源保护，减少森林破坏［27］。这些政策相关的人类活动可能是近二十年来安徽地区森林空间分布和面积增加的主要原因。然而，我们的结果显示人类活动对混交林的空间分布贡献率明显低于其他森林类型（表3），且混交林在森林中的比例有显著下降的趋势（图2d），这可能是因为林业工程实施过程中选用的树种相对单一，造成森林类型的组成结构有单一化的趋势。单一化可能会使得森林生态系统生物多样性下降，从而对外界扰动（例如病害、虫害等）的抵抗能力下降［28］，在未来气候变化过程遭受更大的损害风险，这需要引起森林管理者更多的关注。

2001—2020年安徽地区森林的植被指数（EVI）有增加的趋势，意味着森林长势和生态环境持续向好，该结果与已有研究中我国主要植被类型呈动态转绿趋势这一结论相一致［21-22］。在对森林EVI变化的归因分析中发现，人类活动对各个类型森林改善和退化的相对贡献均较大。从全球尺度上看，人类活动导致大气中二氧化碳浓度增加可以提高森林植被的光合作用效率，促进全球植被生长（即二氧化碳施肥效应）［29］。对于安徽省来说，不断提升的森林管理水平和生态恢复项目工程也可以进一步促进森林改善；另一方面，城市扩张、社会经济活动等人类活动对森林生长也会产生负面影响，如在研究期间EVI呈显著下降趋势的森林主要分布于皖南的黄山市、宣城市等城市周边地区。 全球和区域尺度上的已有研究均表明，安徽地区森林EVI与温度、降水以正相关为主，且与温度的关联性强于降水 ［5，13］。安徽地区森林多分布于皖南山地丘陵地带，复杂的地形增加了森林生长对温度的依赖性，适度的温度上升会促进森林的生长；同时，安徽地区气候温润，土壤水相对充沛，减少了森林生长对降水的依赖性 ［5，30］。然而，近20年来安徽地区温度和降水的增加并不显著，因此气候因素对森林EVI增加的贡献相对较低。未来气候变化背景下，适度的温度上升会促进安徽地区森林的生长，而降水格局的改变则可能迫使森林生长由温度主导转变为降水主导，降水的减少会抑制森林生长。综上所述，近20年安徽省社会经济发展迅速，人类活动强度、频次增加，对自然环境的影响力不断提升。相比之下，全球气候变化引发的增温和降水变化在安徽地区并不显著，因此人类活动是该地区森林的空间分布和长势变化的主要原因。

本研究基于遥感数据、气象再分析资料和森林清查等数据分析了近20年来安徽省森林的动态变化及其驱动因素。虽然这些多源数据有较好独立性，但是数据的时空分辨率存在差异，数据之间的匹配误差难以避免，可能会对结果造成一定的不确定性。虽然本研究使用地表覆盖类型不变的像元作为研究对象，可以在像元尺度上减少地表覆盖类型变化对EVI的影响，但是亚像元尺度上的地表覆盖类型变化依然可能会造成EVI的变化，从而对结果造成一定的影响。虽然多元回归残差分析方法被较廣泛地应用于区分人类活动和气候因素对自然生态系统的影响研究，但是生态系统也可能受到气候变化和人类活动交互效应的影响，这种效应也可能会对森林空间分布与长势产生影响。此外，人类活动的内容繁多（例如森林管理、城市扩张和退耕还林等），在提及人类活动的影响时难以明确具体的内容，这也是未来研究待解决的问题。

4.2 结论

本文基于MODIS地表覆盖及EVI产品、气象再分析资料、国家森林清查结果等数据，利用统计分析和情景分析等方法，分析了2001—2020年安徽地区森林的空间分布和长势变化，并区分了气候因素和人类活动对森林变化的贡献率。结果表明：

（1）2001—2020年安徽地区森林空间分布不断扩张，但是混交林在森林中的比例呈下降的趋势，而其他类型森林呈增加趋势，森林的组成结构有单一化的趋势。

（2）2001—2020年安徽地区森林长势有明显增加的趋势，84.50%的森林EVI呈改善趋势，其中常绿阔叶林改善最为明显。

（3）2001—2020年人类活动对安徽地区森林的空间分布和长势变化的贡献率明显高于气候因素，使得人为因素成为安徽地区森林变化的主要驱动力。

参考文献

［1］ 张连伟. 中国古代森林变迁史研究综述 ［J］. 农业考古， 2012， 121（3）： 208–218.

［2］ 贾存， 郭明明， 王倩， 等. 华北落叶松人工林和天然林径向生长对气候变化的响应 ［J］. 中南林业科技大学学报， 2022， 42（1）： 120–128.

［3］ 殷格兰， 邵景安， 郭跃， 等. 林地资源变化对森林生态系统服务功能的影响—以南水北调核心水源地淅川县为例 ［J］. 生态学报， 2017， 37（20）： 6973–6985.

［4］ 徐伟义， 金晓斌， 杨绪红， 等. 中国森林植被生物量空间网格化估计 ［J］. 自然资源学报， 2018， 33（10）： 1725–1741.

［5］ WANG J， FANG W， XU P P， et al. Satellite evidence for divergent forest responses within close vicinity to climate fluctuations in a complex terrain ［J］. Remote Sensing， 2023， 15（11）： 2749.

［6］ FRANKE A K， BRAUNING A， TIMONEN M， et al. Growth response of Scots pines in polar–alpine tree–line to a warming climate ［J］. Forest Ecology and Management， 2017， 399： 94–107.

［7］ 曹云， 钱永兰， 孙应龙， 等. 基于MODIS NDVI的西南森林植被时空变化特征及其气候响应分析 ［J］. 生态环境学报， 2020， 29（5）： 857–865.

［8］ 虞文娟， 任田， 周伟奇， 等. 区域城市扩张对森林景观破碎化的影响—以粤港澳大湾区为例 ［J］. 生态学报， 2020， 40（23）： 8474–8481.

［9］ 戴尔阜， 汪晓帆， 朱建佳， 等. 采伐与人工更新对红壤丘陵区森林面积和地上生物量的影响模拟——以会同县磨哨林场为例 ［J］. 自然资源学报， 2020， 35 （12）： 2995–3006.

［10］ 廖亮林， 周蕾， 王绍强， 等. 2005–2013年中国新增造林植被生物量碳库固碳潜力分析 ［J］. 地理学报， 2016， 71 （11）： 1939–1947.

［11］ 余超， 王斌， 刘华， 等. 1994—2013年安徽省森林生物量与生产力动态变化分析 ［J］. 长江流域资源与环境， 2015， 24（S1）： 53–61.

［12］ 解晗， 同小娟， 李俊， 等. 2000—2018年黄河流域生长季NDVI、EVI变化及其对气候因子的响应 ［J］. 生态学报， 2022， 42（11）： 4536–4549.

［13］ WU D H， ZHAO X， LIANG S L， et al. Time–lag effects of global vegetation responses to climate change ［J］. Global Change Biology， 2015， 21（9）： 3520–3531.

［14］ 王正兴， 刘闯， HUETE A. 植被指数研究进展： 从AVHRR–NDVI到MODIS–EVI ［J］. 生态学报， 2003， 23（5）： 979–987.

［15］ 何彬方， 冯妍， 吴文玉， 等. 安徽省近十年植被指数时空变化特征［J］. 生态学杂志， 2010， 29（10）： 1912–1918.

［16］ YANG H F， HU D D， XU H， et al. Assessing the spatiotemporal variation of NPP and its response to driving factors in Anhui province， China ［J］. Environmental Science and Pollution Research， 2020， 27（13）： 14915–14932.

［17］ HAN W J， CHEN D H， LI H， et al. Spatiotemporal variation of NDVI in Anhui Province from 2001 to 2019 and its response to climatic factors ［J］. Forests， 2022， 13（10）： 1643.

［18］ XU P P， ZHOU T， YI C X， et al. Impacts of water stress on forest recovery and its interaction with canopy height ［J］. International Journal of Environmental Research and Public Health， 2018， 15： 1257.

［19］ 郭睿妍， 田佳， 杨志玲， 等. 基于GEE平台的黄河流域森林植被净初级生产力时空变化特征 ［J］. 生态学报， 2022， 42（13）： 5437–5445.

［20］ LOVELAND T R， ZHU Z L， OHLEN D O， et al. An analysis of IGBP global land–cover characterization process ［J］. Photogrammetric Engineering and Remote Sensing， 1999， 65： 1069–1074.

［21］ 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.

［22］ 金凯， 王飞， 韩剑桥， 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响  ［J］. 地理学报， 2020， 75（5）： 961–974.

［23］ 杨少康， 刘冀， 魏榕， 等.长江上游流域生长季植被覆盖度时空变化特征及其成因 ［J］.长江流域资源与环境， 2022， 31（7）： 1523–1533.

［24］ 王涵， 赵文武， 尹彩春. 生态系统稳态转换检测研究进展 ［J］. 生态学报， 2023， 43（6）： 2159–2170.

［25］ HUANG K C， YI C X， WU D H， et al. Tipping point of a conifer forest ecosystem under severe drought ［J］. Environmental Research Letters， 2015， 10（2）： 024011.

［26］ 余晨渝， 肖作林， 刘睿， 等. 人类活动对西南山地植被覆盖变化的影响—以重庆市为例 ［J］. 生态学报， 2022， 42（17）： 7177–7186.

［27］ 朱凤琴. 安徽省林长制改革的制度创新与提升路径 ［J］. 林业资源管理， 2020（6）： 6–12.

［28］ LEIDINGER J， BLASCHKE M， EHRHARDT M， et al. Shifting tree species composition affects biodiversity of multiple taxa in central european forests ［J］. Forest Ecology and Management， 2021， 498： 119552.

［29］ PIAO S L， WANG X H， PARK T， et al. Characteristics， drivers and feedbacks of global greening ［J］. Nature Reviews Earth & Environment， 2020， 1： 14.

［30］ HERRMANN S M， DIDAN K， BARRETO-MUNOZ A， et al. Divergent responses of vegetation cover in southwestern US ecosystems to dry and wet years at different elevations ［J］. Environmental Research Letters， 2016， 11（12）： 124005.

Spatiotemporal Changes and Driving Factors of Forest Resources in Anhui Province in the Past 20 years

WANG Jing1，2， XU Pei-pei1，2

（1. School of Geography and Tourism， Anhui Normal University， Wuhu 241002， China； 2. Engineering Technology Research Center of Resource Environment and GIS， Anhui Province， Wuhu 241002， China）

Abstract： Forests in Anhui Province， China， serve as crucial ecological barriers and carbon pool for the Yangtze River Delta region. The exploration of their spatiotemporal changes and driving factors is of great significance for achieving green and integrated ecological development of the region. Based on MODIS data product， meteorological reanalysis data and forest check results the distribution and growth changes of forests in Anhui Province from 2001 to 2020 and their driving factors were explored in this study by trend analysis， residuals analysis and scenario assessment. The results show that： （1） The spatial distribution of forests in Anhui Province showed an expanding trend from 2001 to 2020. However， different types of forests exhibited varying speed of expansion.The proportion of mixed forests experienced a significant decline at a rate of -0.29% per year （p<0.001）. There was a risk of forest type composition tending towards uniformity.（2） An increasing trend in forest growth was observed in Anhui Province from 2001 to 2020， with a significant rise in forest EVI at a rate of 0.0020 per year （p<0.01）. （3） The contribution rates of climate change to forest expansion and growth increase in Anhui Province from 2001 to 2020 were 4.64% and 25.25%， respectively， significantly lower than that of human activities （95.36% for forest expansion and 74.75% for forest growth increase）， indicating that human activities were the primary driving force for forest changes increase in Anhui Province.

Key words：Forest； remote sensing； spatiotemporal change； driving factors； residual analysis

（責任编辑：王海燕）