基于长时间序列的皖北地区NDVI空间分布及季节变化研究

摘 要：皖北地区作为重要的粮食基地，监测其在快速城市化背景下的植被动态变化对城市群的可持续发展有着重要意义。利用2000—2020年长时间序列的MODIS-NDVI数据，系统分析了2000—2020年皖北地区全年及季节的植被空间分布及变化趋势。结果表明，皖北地区NDVI空间重心有着夏季-秋季-春季-冬季的变化轨迹，逐步向北偏移，南部植被相较于北部对季节更替具有更为敏感的响应；在时间序列分析上，NDVI的月均值有着显著的双峰特征，峰值分别出现在4月及7至8月，而低谷则集中于11月至次年1月；年度变化趋势上，69.9%像元的植被覆盖情况展现出改善的趋势，NDVI空间重心向东偏移1.4km；季节变化上，春季、秋季和冬季呈现显著增长的趋势，夏季变化不显著，淮南市与其他各市存在着较大的差异。研究结果可为皖北地区乃至更广泛区域的生态环境建设与管理提供建议，促进区域生态环境的可持续发展。

关键词：NDVI；植被覆盖；皖北

中图分类号：TP79"" 文献标识码：A"" 文章编号：1673-1794（2024）05-0001-04

作者简介：钱兆，宿州学院管理学院教师，硕士，研究方向：城市生态环境研究；孙汝甲，林啸啸，宿州学院管理学院教师（安徽 宿州 234000）。

植被作为陆地生态系统的主要组成部分，同时连接大气、土壤和水圈，对全球生态环境起着重要的指示作用，随着全球城市化的快速推进，人类活动对植被生长的影响愈发明显^[1-3]。一方面，人类快速城市化造成大量自然地表被人工地面取代，导致植被减少，进而影响区域生态环境质量；另一方面，人类又通过植树造林、生态保育等方式促进植被的生长，从不同的维度去分析气候变化下的植被变化规律，可以更好地了解植被对自然环境和人类活动变化的敏感性，有利于制定科学的生态保护策略^[4-6]。

使用归一化植被指数（Normalize Difference Vegetation Index， NDVI）反映植被生态情况，因其与叶面积指数、植被生产力、累计生物量等植被指数呈现线性相关或类线性相关，得到了广泛的认可^[7-10]。对于植物来说，NDVI通过测量遥感影像中近红外波段和红光波段的反射率差异来反映植被生长状况，健康的植被反射更多的近红外和绿光，吸收更多的红色和蓝色光，因此，植被生长越茂盛，吸收的红光越多，反射的近红外光也越多，从而NDVI值就越高^[11，12]。

在过往学者的研究中区域NDVI变化有着明显的空间差异，如：Zhang等在针对西祁连山脉的研究中发现NDVI值由南到北逐渐增大^[13]；欧阳习君等在对青藏高原植被变化的研究中发现青藏高原植被生长季NDVI总体呈上升趋势，不同干湿地区植被生长季NDVI变化趋势有所差异^[14]；张宁芳等在针对黄土高原植被变化中发现榆林、铜川、延安和渭南等地植被NDVI增加最快，兰西城市群和内蒙古部分区域植被有减少趋势^[15];胡尔查等在对国家级自然保护区的研究中发现植被显著、极显著增加的区域主要分布在保护区西部和东部，中部以变化不显著为主^[16]。

遥感数据因有空间分辨率高、时间跨度大，能够进行大面积的同步观测等优点，已经得到诸多学者的运用^[17-20]。现阶段，利用遥感数据对大尺度、长时期的植被变化进行监测已成为诸多学者关注的热点问题^[21-22]。

皖北地区作为重要的农业生产基地，近年来城市化发展迅猛，随着气候变化以及城市化的影响逐步增强，区域NDVI变化加剧，生态环境问题开始显现，粮食安全风险增加，而针对皖北地区的研究较为缺乏。因此在MODIS-NDVI数据的基础上，探讨皖北地区2000—2020年NDVI空间分布及年度及季节变化趋势，对皖北地区的生态环境保护和发展具有参考价值。

1 数据与方法

1.1 研究区域概况

研究区域为皖北地区，“皖北”指安徽省北部的淮北、宿州、亳州、阜阳、蚌埠、淮南六个地级市，总面积约39200km2，皖北地区属于温带半湿润季风气候，四季分明，气候温和，雨量适中。作为重要的粮食生产基地，皖北地区的土地利用中农用地占据了相当大的比例，受气候条件的影响农业种植方式以冬小麦-夏玉米、大豆、稻谷为主，但各市的经济作物种植有着较大的差异，各市2021年主要粮食作物播种面积占比表1所示。

1.2 数据来源与预处理

研究区NDVI数据来自美国航空航天局提供的MODIS卫星的MOD13A3数据，空间分辨率为1km，时间分辨率为1Month。为方便研究，数据进行投影、重采样、裁剪等预处理工作，并对数据进行异常值清理和缺失值填充处理，以保证数据的完整性、准确性、一致性和可用性。行政区域划分为2019年中国标准地图，审图号GS（2019）1822号，底图无修改。

1.3 研究方法

（1）空间热点分析

研究通过空间热点分析 Getis-Ord（Gi*） 来确定NDVI的高值集聚区和低值集聚区，即热点及冷点区域。研究利用 ArcGis 10.7 的 Hot Spot Analysis 工具进行分析并绘图。

（2）空间重心

地理学空间重心一般借鉴物理学上的概念，是指区域内某地理要素在空间平面上力矩达到平衡的点，通过比较分析不同时间重心的空间位置迁移轨迹，可以判断该地理要素的分布和变化规律^[23]。研究利用ArcGis 10.7中Spatial Statistics工具进行分析并绘图。

（3）Theil-Sen Median趋势分析

Theil-Sen Median趋势分析，该方法基于聚群和排序方法来计算变化趋势，相较于线性回归，有着较高的可靠性^[18]。

βij=mean（NDVIj－NDVIij－i），jgt;i

式中NDVIj，NDVIi为时间序列数据。βij大于0表示时间序列呈现上升趋势；βij小于0表示时间序列呈现下降趋势。

（4）Mann-Kendall检验

Mann-Kendall是一种非参数统计检验方法，其优点是不需要测量值服从正态分布，也不要求趋势是线性的，并且不受缺失值和异常值的影响，在长时间序列数据的趋势显著检验中得到了十分广泛的应用^[24]。其统计检验方法如下：

设{NDVIi}，i=1，2，…，21，为研究区2000—2020年NDVI时间序列数据集，则统计量Z的计算公式如下所示：

S=∑n－1i=1∑nj=i+1sgn（NDVIj－NDVIi）

sgn（NDVIj－NDVIi）=""" 1（NDVIj－NDVIi）gt;00（NDVIj－NDVIi）=0－1（NDVIj－NDVIxi）lt;0

Z=S Var（S）（Sgt;0）0（S=0）S+1 Var（S）（Slt;0）

Var（S）=n（n－1）（2n+5）18

式中NDVIj、NDVIi为时间序列数据，n为年限。

2 研究结果

2.1 皖北地区NDVI空间分布

为分析研究区内NDVI时空分布，利用最大值合成法将月度数据合成不同年份的年度、春季（3～5月）、夏季（6～8月）、秋季（9～11月）和冬季（12～次年2月）数据，并合成2000—2020年季节的NDVI均值，结果如图2所示，并统计六市和研究区NDVI均值，结果如表1所示。

如图2所示，研究区春季NDVI最大值达到了0.831，夏季NDVI最大值达到了0.88，秋季NDVI最大值达到了0.856，冬季NDVI最大值达到了0.691。空间分布上春、冬季NDVI呈现中间高、南北两侧低的凸形格局，夏、秋季呈现中间低、南北两侧高的凹形格局，皖北地区用地虽然均以农田为主，但农业种植作物上存在着差异，在季节上呈现了不同的形态，这也导致了夏、秋季和春、冬季研究区NDVI在空间分布上呈现相反的格局。

表1显示了皖北地区以及六市2000—2020年NDVI各季节的均值的统计结果。皖北地区各季节NDVI均值夏季（0.759）gt;春季（0.659）gt;秋季（0.656）gt;冬季（0.477），夏季和冬季差值较大，达到了0.282，相差了37.2%，春季和秋季均值基本一致，差值仅为0.003。各城市NDVI季节均值最高的为亳州市夏季，最低的是淮南市冬季，且各市夏季均值均高于其他三个季度的均值，其中相差最大的淮南市，夏季和冬季的均值差异达到45.5%。蚌埠和淮南两市各季节NDVI均值均低于研究区均值，反映了两市植被生长状况要差于研究区内其余各市；宿州亳州两市各季节NDVI均值均高于研究区均值，也反映了两市有着较好的植被生长情况；淮北市NDVI于春、夏和冬季高于研究区均值，阜阳市NDVI于春和冬季高于研究区均值。

利用ArcGIS分析皖北各季节NDVI的空间重心和标准差椭圆，结果如图3所示。研究区四季空间重心均处于蒙城县内，各季节重心坐标点如表2所示（坐标系为WGS_1984_UTM_Zone_50N），从图表中可知，相较于夏秋季节，冬季的重心更加偏向于北部，其中相较于夏季重心向北部偏移了4.2km，这也反映了南部植被受季节性的影响相较于北部更加明显，季节性变化更强，这在标准差椭圆中也有所反应。

2.2 2000—2020年皖北地区NDVI时间序列趋势

为深入研究皖北NDVI变化规律，研究分别提取皖北全域及各城市逐月NDVI均值变化，结果如图4、5所示。总体上，皖北时间序列月均值变化明显，11月到次年1月处于低谷，7～9月处于高峰期，这也与皖北地区以冬小麦-夏玉米、大豆、水稻的农业种植方式相符。在全年统计中，皖北NDVI年均值呈现双峰曲线，年度曲线分别于4月和7～8月到达第一和第二个峰值，4月小麦在经过气温回暖后正处于拔节期和抽穗期，并且之后迎来小麦的收割和夏季作物的播种，NDVI有所降低，所以4月达到第一个峰值，7～8月随着温度逐渐上升，区域植被生长繁盛，9月后气温逐步回落，植被会逐渐衰落，所以7～8月达到第二个峰值。2018年1月皖北遭遇特大雪灾，植被遭到大雪掩埋致使2018年1月份皖北各市NDVI处于一个历史低点，其中淮南、蚌埠两市处于0.022和0.028的极低值。

图6为2000—2020年皖北地区平均NDVI的变化趋势，其中夏季NDVI增长趋势不明显，未通过Plt;0.05的显著性（R²=0.06），其余季节均通过Plt;0.05的显著性检测，分别为春季（0.0061）、秋季（0.0063）和冬季（0.0073）的速率显著增长，春季和秋季NDVI增长速率相差较少（仅相差约3%），冬季NDVI增长速率要明显高于其他季节。总体上皖北地区NDVI均值在2000—2014年处于上升阶段，主要由于农业耕种技术的发展以及退耕还林等政策的实施，促进NDVI的增长，2014年后地区NDVI均值整体有一定的下降趋势，2014后受到皖北地区城市化快速发展以及城市建设用地的增加导致区域绿色空间的减少的影响，导致区域植被有所减少。

2.3 皖北地区NDVI变化趋势

为进一步分析区域NDVI空间上的变化差异性，研究利用Sen + MK趋势分析法计算皖北地区像元尺度上2000—2020年NDVI年平均值变化趋势，得出NDVI年际变化趋势，结果如图7（a）所示。总体上，皖北大部分地区植被覆盖情况处于改善的趋势，其中不显著改善、微显著改善、显著改善和极显著改善的像元数量占像元总数的69.9%（图7（b））。在年际变化趋势上六市有着明显的差异，其中阜阳市的植被覆盖有着较为显著的退化趋势，属于改善趋势的像元数量仅占总像元数量的46.89%，阜阳市植被以栽培植被为主，受人的活动影响明显，且阜阳市极明显退化和明显退化的像元主要以城市周边地区为主，明显受到阜阳市城市建设活动的影响，阜阳市建成区面积由从2000年的41km²到2021年156km²，增长了约280%，建成区的快速扩张导致不透水地面取代了大量的农田、绿地，致使植被覆盖情况有所退化；而蚌埠市植被覆盖面积有着较为显著的改善趋势，属于改善趋势的像元数量占总像元数量的86.67%，高于区域平均水平；其余各市改善趋势的像元数量占比分别为：淮南市84.78%，宿州市74.78%，亳州市72.72%，淮北市61.39%。

利用ArcGIS分析皖北2000、2020年年均NDVI的空间重心和标准差椭圆，结果如图8所示，皖北地区年均NDVI空间重心在2000—2020年间向东偏移1.4km，向南部偏移0.2km，这在标准差椭圆上也有反映。综上可知，研究区东部的植被变化趋势明显优于西部，西部植物受到人类活动的影响要强于东部。

由前文中可知皖北区域植被覆盖在季节上存在显著空间差异，为分析研究区在季节上的变化趋势，研究利用Sen + MK趋势分析法计算皖北区域四季植被覆盖的变化趋势，结果如图9所示。由图可知，皖北植被覆盖的变化趋势在各季节上有着显著的差异，空间分布上，春季极显著改善区域主要分布在蚌埠、淮北、宿州、亳州和淮南、阜阳的北部，夏季极显著改善区域主要分布在淮南市南部和蚌埠市西部，秋季极显著改善区域主要分布在研究区中部和淮南市南部，冬季极显著改善区域主要分布在研究区的北部。同时由图8可知皖北地区春季、秋季、冬季植被覆盖趋于改善的像元占比较高，夏季趋于改善的像元占比较少。

利用ArcGIS分区统计各季节不同变化趋势像元占比（图10），结果表明：春季皖北地区植被覆盖趋于改善的像元数量占比为89.98%，其中极显著改善占比53.22%，表明皖北地区春季植被覆盖有着明显的改善趋势，分城市而言，春季亳州市植被覆盖改善趋势最为明显，改善像元占比95.78%，极显著改善占比74.22%，阜阳市植被覆盖改善趋势较为不明显，改善像元占比80.55%，极显著改善占比22.44%；夏季皖北地区植被覆盖趋于改善的像元数量占比为68.33%，其中极显著改善占比9.6%，表明皖北地区夏季植被覆盖虽然有改善趋势，但趋势不明显，像元变化趋势上以不显著改善为主（44.55%），分城市而言，夏季淮南市植被覆盖改善趋势最为明显，改善像元占比87.41%，极显著改善占比41.70%，淮北市植被覆盖改善趋势较为不明显，改善像元占比48.82%，极显著改善占比4.33%；秋季皖北地区植被覆盖趋于改善的像元数量占比为91.10%，其中极显著改善占比23.73%，表明皖北地区秋季植被覆盖有着较明显的改善趋势，分城市而言，秋季亳州市植被覆盖改善趋势最为明显，改善像元占比91.52%，极显著改善占比9.85%，蚌埠市植被覆盖改善趋势较为不明显，改善像元占比88.29%，极显著改善占比28.07%；冬季皖北地区植被覆盖趋于改善的像元数量占比为91.76%，其中极显著改善占比41.83%，表明皖北地区冬季植被覆盖有着较好的改善趋势，分城市而言，冬季宿州市植被覆盖改善趋势最为明显，改善像元占比96.80%，极显著改善占比69.93%，淮南市植被覆盖改善趋势较为不明显，改善像元占比75.63%，极显著改善占比8.27%。像元尺度的季节变化趋势中，皖北地区春、秋、冬季的植被覆盖改善趋势较为明显，夏季虽然改善像元占主要部分，但其中以不显著改善为主，反映了皖北地区春、秋、冬季植被对正面影响有着较好的响应（农耕技术进步、退耕还林政策等），而夏季植被对正面因素的响应较为不明显。

3 结论与讨论

3.1 结论

研究利用Sen+MK趋势分析法对皖北地区2000—2020年长时间序列的MODIS数据，分季节进行空间分布和变化趋势分析，结果表明：

（1）皖北地区NDVI空间重心有着夏季至秋季，再至春季，最终至冬季的变化轨迹，逐步向北偏移，南部植被相较于北部对季节更替具有更为敏感的响应。

（2）在时间序列分析上，NDVI的月均值有着显著的双峰特征，峰值分别出现在4月及7至8月，而低谷则集中于11月至次年1月。

（3）年度变化趋势上，69.9%像元的植被覆盖情况展现出改善的趋势，NDVI空间重心向东偏移1.4km。

（4）季节变化上，春季、秋季和冬季呈现显著增长的趋势，夏季变化不显著，淮南市与其他各市存在着较大的差异。

3.2 讨论

为量化地表植被覆盖的变化趋势研究者们采用了多种方法，如：回归分析、斜率分析、冷热点分析、空间重心和Sen+MK趋势分析法趋势分析等，其中Sen+MK趋势分析法趋势分析因其可靠性高而得到了广泛的应用^[24-26]。在像元尺度上分析植被变化的研究中，利用 Sen+MK趋势分析法趋势分析已经得到诸多学者的认可，其能够良好地反应每个像元的变化趋势，因此在多种指数的变化趋势研究中得到广泛的应用，如NDVI、NPP、EVI等^[27-29]。

皖北地区2000—2020年NDVI呈现着较为显著的增长趋势，呈现出与全国其他地区植被相同的增长趋势，与吴楠等人对安徽省2000—2019的研究中沿淮北平原生态区的NDVI变化有着较高的一致性^[30-31]。皖北NDVI年均值受到农作物种植影响呈现双峰曲线，这与余玉洋等针对河南省的研究是一致的，河南省与皖北地区相邻，处于相似纬度并同样属于重要农业生产区域，并且河南省作物种植以冬小麦-夏玉米与皖北地区以冬小麦-夏玉米、大豆、水稻有着较高的相似性，这也反映了在农业生产活动对区域NDVI有着重要的影响^[32]。

研究利用MODIS-NDVI数据从像元尺度上分析了皖北地区NDVI空间分布及变化趋势，研究虽简要分析了其变化成因，但未深入定量分析研究引发区域植被覆盖变化的影响因素，对皖北地区植被变化时空动态过程中各影响因素的贡献的量化评定还有待于进一步研究。

［参 考 文 献］

［1］ PIAO S L，WANG X H，PARK T，et al.Characteristics， drivers and feedbacks of global greening[J].Nature Reviews Earth amp;Environment，2020，1（1）：14-27.

[2] 陈安，李景吉，黎文婷，等.2001—2018年雅砻江流域植被NDVI时空动态及其对气候变化的响应[J].水土保持研究，2022，29（1）：169-175+183.

[3] 马炳鑫，和彩霞，靖娟利，等.1982—2019年中国西南地区植被变化归因研究[J].地理学报，2023，78（3）：714-728.

[4] 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.

[5] 李辉霞，刘国华，傅伯杰.基于NDVI的三江源地区植被生长对气候变化和人类活动的响应研究[J].生态学报，2011，31（19）：5495-5504.

[6] 殷崎栋，柳彩霞，田野.基于MODIS NDVI数据的陕西省植被绿度时空变化及人类活动影响[J].生态学报，2021，41（4）：1571-1582.

[7] 贾文雄，陈京华.1982—2014年祁连山植被生长季NDVI变化及其对气候的响应[J].水土保持研究，2018，25（2）：264-268.

[8] 王俐爽，同小娟，孟平，等.辽西半干旱地区两种典型人工林生态系统能量通量及蒸散特征[J].植物生态学报，2022，46（12）：1508-1522.

[9] LI Z， GUO X.Detecting climate effects on vegetation in northern mixed prairie using NOAA AVHRR 1-km Time-Series NDVI data[J]. Remote Sens，2012，4： 120-134.

[10] GAO W D，ZHENG C，LIU X H，et al.NDVI-based vegetation dynamics and their responses to climate change and human activities from 1982 to 2020： a case study in the mu us sandy land， China[J].Ecological Indicators，2022，137：108745.

[11] 杨静，张亚杰，张明洁，等.海南岛近20年植被覆盖时空变化特征及其对气候的响应研究[J].气象与环境科学，2024，47（2）：46-53.

[12] 李佳盟，王楠，李震，等.基于特征波长优化的便携式作物叶绿素检测仪研究[J].农业机械学报，2023，54（S2）：270-277.

[13] ZHANG H X，CHANG G X，ZHANG L P， et al.NDVI dynamic changes and their relationship with meteorological factors and soil moisture[J].Environmental Earth Sciences，2018，77：582.

[14] 欧阳习军，董晓华，魏榕，等.青藏高原植被生长季NDVI时空变化及对气候因子的响应分析[J].水土保持研究，2023，30（2）：220-229.

[15] 张芳宁，杨亮洁，杨永春.1981—2016年黄土高原植被NDVI变化及对气候和人类活动的响应[J].水土保持研究，2023，30（2）：230-237.

[16] 胡尔查，王晓江，铁牛，等.内蒙古大青山国家级自然保护区植被归一化指数时空变化及其与环境因子的关系[J].生态学报，2022，42（14）：5945-5955.

[17] 阎建忠，张敏，张思颖.基于GEE和MODIS NDVI时序的青藏高原农作物信息提取[J].西南大学学报（自然科学版），2023，45（4）：55-64.

[18] 靖娟利，邓棋方，和彩霞，等.1999—2019年西南喀斯特地区NDVI时空变化及其气候驱动[J].水土保持研究，2023，30（3）：232-239.

[19] 岳萌，耿广坡，王涛，等.2000—2019年黄河流域陕西段植被NDVI时空变化及其驱动因素分析[J].水土保持研究，2023，30（2）：238-246+255.

[20] 石淞，李文，丁一书，等.东北地区植被时空演变及影响因素分析[J].中国环境科学，2023，43（1）：276-289.

[21] 马蓉，夏春林，张佳琦，等.中国温带草原植被NDVI时空变化及其对气候变化的响应[J].生态学杂志，2023，42（2）：395-405.

[22] 陈文裕，夏丽华，徐国良，等.2000—2020年珠江流域NDVI动态变化及影响因素研究[J].生态环境学报，2022，31（7）：1306-1316.

[23] 王佳瑞，孙从建，郑振婧，等.近57年来黄土高原干旱特征及其与大气环流的关系[J].生态学报，2021，41（13）：5340-5351.

[24] 阮惠华，许剑辉，张菲菲.2001—2020年粤港澳大湾区植被和地表温度时空变化研究[J].生态环境学报，2022，31（8）：1510-1520.

[25] 郑标. 经济发达地区城市开发边界划定及其实施政策模拟仿真研究[D].广州：华南农业大学，2020：38-79.

[26] 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.

[27] 邵嘉豪，李晶，闫星光，等.基于地理探测器的山西省2000～2020年NPP时空变化特征及驱动力分析[J].环境科学，2023，44（1）：312-322.

[28] 戴强玉，徐勇，赵纯，等.四川盆地植被EVI动态变化及其驱动机制[J].中国环境科学，2023，43（8）：4292-4304.

[29] 程春香，于敏，毛子军，等.中国生态保护修复进程下的黑龙江省NPP时空演变及突变模式[J].林业科学，2022，58（7）：23-31.

[30] ZHENG K，TAN L，SUN Y，et al. Impacts of climate change and anthropogenic activities on vegetation change：Evidence from typical areas in China[J]. Ecological Indicators，2021，126： 107648.

[31] 吴楠，陈凝，程鹏，等.安徽省各生态分区的NDVI年际变化特征及归因分析[J].长江流域资源与环境，2023，32（6）：1200-1207.

[32] 余玉洋，宋丰艺，张世杰.2000—2020年河南省NDVI时空变化及其驱动因素定量分析[J].生态环境学报，2022，31（10）：1939-1950.

A Study on the Spatial Distribution and Seasonal Changes of NDVI in Northern Anhui Based on Long Time Series

Qian Zhao， Sun Rujia， Lin Xiaoxiao

Abstract： As an important grain base， monitoring the dynamic changes of vegetation in northern Anhui region in the context of rapid urbanisation is of great significance for the sustainable development of the urban agglomeration. The spatial distribution and change trend of vegetation cover in northern Anhui region throughout the year and seasons were systematically analysed for 21 years using long time series of MODIS-NDVI data from 2000 to 2020. The results showed that the spatial centre of gravity of NDVI in northern Anhui had a trajectory from summer to autumn， then to spring， and finally to winter， and gradually shifted to the north， and the vegetation in the south had a more sensitive response to seasonal changes than that in the north; in the time-series analysis， the monthly mean values of NDVI had a significant bimodal characteristic， with peaks occurring in April and July-August， and valleys focusing on the period from November to January of the following year; In terms of the annual trend， 69.9% of the vegetation cover of the like yuan showed an improving trend， and the spatial centre of gravity of NDVI shifted eastward by 1.4 km; in terms of the seasonal change， the spring， autumn and winter showed a significant increasing trend， and the change in the summer was insignificant， with a large difference between Huainan City and other cities. The results of the study can provide for the ecological environment construction and management in northern Anhui and even the wider region， and promote the sustainable development of the regional ecological environment.

Key words：NDVI; vegetation coverage; trend analysis;northern Anhui

责任编辑：陈星宇