The Spatiotemporal Pattern and Driving Factors of Vegetation in Zhejiang Province over the Past 20 Years
-
摘要:
利用中分辨率MOD13Q1影像计算归一化植被指数(NDVI),应用地理信息系统技术提取了浙江省2000—2019年的NDVI数据,并运用趋势分析法对NDVI的时空格局、变化趋势及其驱动因子进行了研究。结果表明,2000—2019年浙江省NDVI在空间上存在显著差异,时间上呈波动上升趋势,平均增长率为0.022/10年。季节上,平均NDVI大小顺序为夏季 > 秋季 > 春季 > 冬季,呈现单峰单谷分布,峰值和谷值分别出现在7月和2月。总体来看,NDVI有所提高,改善和显著改善面积分别占全省总面积的15.81%和55.85%,退化面积占22.02%。多元线性回归模型结果显示,月最高气温、月平均相对湿度、月累计降水量、道路密度、河流密度、铁路密度、坡度和海拔等8个因子对NDVI有显著影响。模型的均方根误差(RMSE)、均方绝对百分比误差(MAPE)和变异解释量(R2)分别为0.050、5.68%和0.572,这表明多元线性回归模型在估测浙江省NDVI方面具有一定的可靠性。研究结果揭示了浙江省NDVI的时空格局及其驱动因子,为浙江省植被恢复提供了科学依据。
Abstract:This study utilized medium-resolution MOD13Q1 imagery to calculate the Normalized Difference Vegetation Index (NDVI). Using geographic information system (GIS) technology, NDVI data for Zhejiang Province from 2000 to 2019 was extracted. Trend analysis was then employed to investigate the spatiotemporal patterns, changing trends, and driving factors of NDVI in Zhejiang Province. The results show significant spatial differences in NDVI across Zhejiang Province from 2000 to 2019, with a fluctuating upward trend over time and an average growth rate of 0.022 per decade. Seasonally, the average NDVI ranked as follows: summer > autumn > spring > winter, exhibiting a single peak and single valley distribution, with the peak in July and the valley in February. Overall, NDVI improved with areas of improvement and significant improvement accounting for 15.81% and 55.85% of the province's total area, respectively, while degraded areas accounted for 22.02%. Results from a multiple linear regression model indicate that eight factors significantly influence NDVI: monthly maximum temperature, monthly average relative humidity, monthly cumulative precipitation, road density, river density, railway density, slope, and altitude. The model’s root mean square error (RMSE), mean absolute percentage error (MAPE), and coefficient of determination (R2) were 0.050, 5.68%, and 0.572, respectively, indicating a certain level of reliability in estimating NDVI in Zhejiang Province. The study's findings reveal the spatiotemporal patterns and driving factors of NDVI in Zhejiang Province, providing a scientific basis for vegetation restoration in the region.
-
Keywords:
- Zhejiang /
- NDVI /
- Spatial and temporal patterns /
- trend analysis /
- driving factors
-
植被是土壤和大气之间物质循环和能量流动的决定因子[1-3],是控制水土流失、改善生态环境和实现碳中和的重要途径[4-5]。人类活动对植被的清除和不当的土地开发造成严重的土地退化和生态环境问题[6-7]。因此,准确分析植被空间格局及驱动因子对提高陆地生态系统可持续发展及碳中和具有重要意义[8-9]。
归一化植被指数(Normalized difference vegetation index,NDVI)能反映植物冠层在近红外和红外带谱中的吸收和散射,与光合作用及其他生理、生化变化密切相关[9-10],是指示大尺度植被变化的良好指标。因此,以NDVI为基础结合相关方法进行植被研究是目前全球普遍的研究手段[11-12]。随着对全球植被变化的日益关注,归一化植被指数(NDVI)成为国内外研究的焦点和核心[13-14],Zhang、刘泽晖、何豫川等分别对中国东北和西北区域NDVI时空变化特征、演变趋势和影响因子进行了研究[15-20]。张新悦等运用趋势分析、小波偏互相关分析、偏相关分析和滞后分析方法探究了华北及周边区域的植被变化规律,结果表明生长季节植被整体呈上升趋势[21]。赵明伟等基于MODIS-NDVI遥感数据计算中国近15年植被时空变化,并探索其演变规律[22]。NDVI变化是自然条件和人类活动共同作用的结果[23]。在植被变化的影响因素研究中,主要有气象、地形、土壤、土地利用、城市化、政府政策等因子。其中气象因子主要是温度和降水[24]。人类活动主要从土地利用和植被建设、城市扩张、农业生产等方面分析对植被变化的影响。此外,也有学者将地形因素作为影响因素进行研究[25],Yuan等[26]研究了中亚区域植被与地形因子之间的关系。以往研究多集中在干旱或半干旱区域,对中国亚热带区域的研究比较匮乏。浙江省居亚热带核心区,区域以山地丘陵地貌为主,地貌类型复杂、气候多样、人口众多,其生态环境极易敏感,人地关系复杂。目前关于浙江省植被时空演化和驱动因子研究尚不明确,因此探索浙江省植被时空演化和驱动因子尤为重要[27]。
浙江省是“绿水青山就是金山银山”理念的发源地和践行者,是重要的生态碳汇中心。近年,由于气候变化、人为因素、生态系统脆弱等原因,自然灾害频发[28]。作为战略地位重要、生态问题突出的区域,研究浙江省植被时空变化尤为必要和关键。因此,本研究以2000—2019年浙江省MODIS NDVI长时间序列数据源为基础,运用逐像元趋势、Mann-Kendall趋势检验法和多元线性回归模型,对20年间NDVI时空分布变化及驱动因子进行研究,以期为浙江省水土保持治理工作的评价及深入开展提供科学依据。
1. 资料来源与方法
本研究以浙江省2000—2019年NDVI数据为研究对象,应用多元线性回归方法结合气象因子、地形、经济和社会因子探索NDVI时空格局及驱动因子,具体技术路线详见图1。
1.1 研究区概况
浙江省位于中国东南部,区域面积约1.02×105 km2,其经度范围是118°01′~123°10′E,纬度范围是27°06′~31°11′N,属亚热带季风性湿润气候,自然条件较优越,年平均气温为15~18 ℃,年平均降水量为980~2 000 mm,年均日照时长为1 710~2 100 h,海岸线长度占中国海岸线总长的20.3%,居中国首位[26-27, 29];浙江省植被类型包括常绿阔叶林、人工林、草地和湿地,山区以杉树和松树为主,而平原地区则广泛种植水稻和茶叶等作物。浙江省主要有红壤、黄壤和水稻土,红壤适合茶叶和果树生长,黄壤则是水稻等农作物的主要土壤类型。
1.2 数据来源
本研究使用时间分辨率为1个月、空间分辨率为
1000m 的MOD13Q1影像,提取了2000年至2019年的NDVI数据集。数据集来自LAADS DAAC (https://ladsweb.modaps.eosdis.nasa.gov/),并已通过辐射、几何和大气校正。采用顶复合(MVC)方法获取月度NDVI值。在本研究中,使用年度最大 NDVI 来分析NDVI变化。气象数据来源于中国气象数据共享网络(http://cdc.cma.gov.cn/),浙江省植被类型数据来源于地理空间数据云平台(https://www.resdc.cn/data.aspx),浙江省及周边42个基准站每日气象数据共包含降水、湿度、温度、风速和光照等象因子,计算每月的照时数、平均气温、最高气温、最低气温、平均相对湿、最小相对湿、极大风速、累计降水等8个气象因子;地形(坡向、坡度和海拔)、基础设施(道路密度和铁路密度)、人口(人口密度)、经济(GDP)、居民点密度、POI点密度和河流密度共10个因子。本研究通过对数字高程DEM进行地形分析、重采样,得到浙江省高程、坡度和坡向。基础设施包括道路密度、河网密度、居民点密度,数据来自中国国家管理调查测绘和地质信息网的矢量数据图层。人口和经济数据来自国家地球系统科学数据共享平台(http://www.geodata.cn/Portal/index.jsp),分辨率为1 km×1 km的栅格数据。1.3 研究方法
1.3.1 变化趋势分析
运用线性趋势法分析浙江省2000—2019年NDVI数值的整体变化趋势。趋势线分析方法不仅能够计算每个像元的趋势[30-31],而且能反映每个像元的空间变化特点。趋势线分析法基于线性函数$ \mathit{{y}}=\mathit{\text{a}x}+\mathit{\text{b}} $,通过最小二乘法进行拟合得到其中x,x指时间个数。本研究中显示的是2000—2019年共20年的年数1~20,y是每年的NDVI值,用公式(1)计算线性模型的slope,具体的计算公式为:
$$ {\theta _{{\text{slope}}}} = \frac{{n \times \displaystyle\sum\limits_{i = 1}^n {(i \times {{NDV}}{{{I}}_i}) - \sum\limits_{i = 1}^n i \sum\limits_{i = 1}^n {{{NDV}}{{{I}}_i}} } }}{{n \times \displaystyle\sum\limits_{i = 1}^n {{i^2} - {{\left(\sum\limits_{i = 1}^n i \right)}^2}} }} $$ (1) 式中,n在本研究中是20,$ i\ $指年份个数,例如1指2000年、2指2001年等。NDVIi是第i 年的NDVI值 ,$ {\theta _{{\text{slope}}}} $值划分没有统一的标准。考虑到浙江省的NDVI特征,将NDVI的变化趋势分为以下5个等级:退化($ {\theta _{{\text{slope}}}} $≤−0.004)、轻度退化(−0.004<$ {\theta _{{\text{slope}}}} $<−0.001)、稳定 (−0.001≤$ {\theta _{{\text{slope}}}} $≤0.001)、略有改善 (0.001<$ {\theta _{{\text{slope}}}} $<0.004) 和改善 ($ {\theta _{{\text{slope}}}} $≥0.004)[27]。
1.3.2 时间趋势分析
运用Mann-Kendall (MK)检验[32-33]来分析 NDVI 的时间变化。这种方法的优点是不需要数据服从一定的分布,对数据异常有很强的抵抗力。Mann-Kendall 公式为:
$$ Z=\left\{\begin{array}{*{20}{l}}\dfrac{S-1}{\sqrt{\mathrm{Var}(S)}} & S > 0 \\ 0 & S=0 \\ \dfrac{S+1}{\sqrt{\mathrm{Var}(S)}} & S < 0\end{array}\right. $$ (2) $$ \mathrm{Var}(s)=\frac{n(n-1)(2n+5)}{21} $$ (3) $$ S={\displaystyle \sum _{i=1}^{n-1}{\displaystyle \sum _{j=i+1}^{n}\mathrm{sgn}(NDV{I}_{j}-NDV{I}_{i})}} $$ (4) $$ \mathrm{sgn}({{NDV}}{{{I}}}_{j}-{{NDV}}{{{I}}}_{i})=\left\{\begin{array}{*{20}{l}}1 & {{NDV}}{{{I}}}_{j}-{{NDV}}{{{I}}}_{i} \gt 0\\ 0 & {{NDV}}{{{I}}}_{j}-{{NDV}}{{{I}}}_{i}=0\\ -1 & {{NDV}}{{{I}}}_{j}-{{NDV}}{{{I}}}_{i} \lt 0\end{array} \right.$$ (5) 式中,NDVIj和NDVIi分别代表第i 年和第j年的 NDVI 值,n代表时间序列的长度。如果 | Z |>1.96,表明 NDVI 时间序列在 0.05 水平发生显著变化。因此,NDVI趋势分为三种类型:增加(β NDVI>0 and | Z |>1.96)、减少(βNDVI<0 and | Z |>1.96)和稳定(−1.96≤Z≤1.96)。
1.3.3 NDVI动态变化驱动因子分析
应用传统的多元线性回归方法,综合分析浙江省NDVI时空变化及驱动因子。
1.3.3.1 多元线性回归模型
多元线性回归模型是用多个自变量解释因变量变化的一种常用统计模型,其公式见式(6)。
$$ y = {\beta _0} + {\beta _1}{x_1} + \ldots + {\beta _k}{x_k} + \xi $$ (6) 式中,y为因变量;$ x_1,\ldots x_k $为自变量;$ \beta_0,\ldots\beta_k $为回归系数;$ \xi $为随机误差项。本文分析了18个对NDVI产生影响的变量,y为NDVI值,$ \xi $为各种随机因素对y的影响的总和,且服从正态分布。
1.3.3.2 模型变量的选择及运算
本研究以前人的研究成果为基础,将总样本随机分为训练样本和测试样本,分别占比70%和30%;重复5次,分别获取5个样本组;对5个样本组进行多元线性回归模型运算,建立5个中间模型,以得到各个自变量显著次数大于3次为基准,确定最终变量,从而进行最终样本的运算。
1.3.4 NDVI精度评价
浙江省NDVI精度验证过程中分别对NDVI实测数据与多元线性回归模型的预测数据进行分析。精度验证通过分别计算均方根误差(RMSE)、均方绝对百分比误差(MAPE)以及变异解释量(R2)来评估NDVI精度。RMSE、MAPE和R2计算方法见公式(7)~(10)。
$$ RMSE = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {({y_i} - \mathop {{\hat {y}_i}{)^2}}} } $$ (7) $$ MAPE={\displaystyle \sum _{i=1}^{n}\left|\frac{y-\hat{{y}_{i}}}{{y}_{i}}\right|}\times \frac{100\text{%}}{n} $$ (8) $$ {R}^{2}=1-\frac{{\displaystyle \sum _{i=1}^{n}({y}_{i}-{{\hat{y}}_{i}{)}^{2}}}}{{\displaystyle \sum _{i=1}^{n}({y}_{i}-\overline{y}{{)}^{2}}}}$$ (9) $$ \overline y = \frac{{\displaystyle\sum\limits_{i = 1}^n {{y_i}} }}{n} $$ (10) 式中,$ {y_i} $和$ \overline y $分别为NDVI实测数据和实测数据的平均值,为$ \hat {y} $多元线性回归模型预测NDVI数据。
2. 结果与分析
2.1 浙江省总体NDVI时空变化分析
图2显示,2000—2019年浙江省平均NDVI月变化存在差异,总体呈单峰单谷分布,其中极大值集中在7月,极小值集中在2月,1—12月的NDVI平均值分别为0.568、0.549、0.591、0.677、0.708、0.744、0.763、0.753、0.756、0.727、0.661和0.570。NDVI具有明显的季节性差异,其平均值高低顺序为夏季 > 秋季 > 春季 > 冬季,春、夏、秋和冬季的平均值分别为0.659、0.753、0.715和0.562。
图3显示,20年间NDVI值在0.733~0.787之间波动,其中2002年最小值为0.733,2018年最大值为0.787。总体呈显著上升趋势,NDVI 线性趋势率为0.022/10 a,表明近20年间浙江省NDVI呈显著增加。根据NDVI变化趋势和幅度,将2000—2019年浙江省NDVI变化趋势大致分为三个阶段,第一阶段为2000—2008年间出现多次波动,NDVI总体趋势呈缓慢上升趋势,NDVI有所提高。2008—2012年NDVI波动最大,出现上升和降低趋势最快,表明该阶段NDVI差异显著。第三阶段,2012—2019年与第一阶段趋势基本一致。
图4和图5显示,2000—2019年浙江省NDVI时空分布不均匀,导致区域NDVI变化趋势在空间分布不均匀,区域差异显著。基于NDVI范围变化趋势,将浙江省NDVI变化趋势分为4个等级。NDVI退化、稳定、改善和显著改善区域面积分别为22.02%、6.32%、15.81%和55.85%。其中改善区域面积占全省总面积71.66%,显著高于退化面积。其退化区域主要集中在湖州市、嘉兴市、宁波市及浙江省东部沿海区域。
2.2 不同区域NDVI时间变化特征
图6显示,2000—2019年,浙江省NDVI均值呈波动增加趋势,其周期约为3~5年,周期内整体呈先增加后降低变化,各区域NDVI变化差异不大,而各区域NDVI最大值在0.63~0.87,最小值在0.53~0.77,其杭州、湖州、嘉兴、金华、丽水、宁波、衢州、绍兴、台州、温州和舟山的平均NDVI分别为0.77、0.74、0.58、0.76、0.82、0.69、0.79、0.75、0.76、0.77和0.64。
运用Mann-Kendall检验分析浙江省NDVI各区域的逐年变化。由图7显示,2000—2019年浙江省NDVI变化在时间和空间上不均衡分布,其中杭州、金华、丽水、衢州、绍兴、台州、温州和舟山呈增长趋势,达到显著水平(P<0.05),而湖州、嘉兴和宁波呈下降趋势,且在嘉兴的下降达到显著水平(P<0.05)。
图8显示,浙江省2000—2019年针叶林、阔叶林、灌木林、草地、作物区和非植被的NDVI的均值分别为0.81、0.82、0.82、0.77、0.70和0.58 。不同地类的NDVI年变化存在较大差异,针叶林、阔叶林、灌木林和草地的NDVI呈增加趋势,其平均增长率分别为0.004 7(R2=0.917,P<0.001)、0.004 3(R2=0.895,P<0.001)、0.004 6(R2=0.913,P<0.001)和0.003 4(R2=0.873,P<0.001);作物区的NDVI呈下降趋势,其平均降低率为−
0.0027 (R2=0.665,P<0.001);非植被区域的NDVI变化不明显。2.3 多元线性回归模型(MLR)分析
本研究运用方差膨胀因子(VIF)对各因子进行多重共线性诊断,一般以VIF=5为标准,当VIF>5,表明自变量间存在多重共线性,需剔除相应的自变量。经过共线性诊断后,逐步剔除了月日照时数、月平均气温、月最低气温、月最小相对湿和月极大风速5个变量,进一步剔除变量解释度不超过1%因子,最终月最高气温、月平均相对湿、月累计降水、道路密度、河流密度、铁路密度、坡度和海拔等8个因子(P<0.05)进入模型拟合阶段,具体信息详见表1。
表 1 多元线性回归模型因子筛选Table 1. Factor screening for multiple linear regression models模型变量 P值最小值 P值最大值 样本显著性数 VIF 解释度/% 月日照时数 0.036 0.396 1 21.76 2.41 月平均气温 0.264 0.871 0 13.3 3.35 月最高气温 <0.001 <0.001 5 4.93 6.85 月最低气温 0.047 0.845 1 9.28 9.37 月平均相对湿 <0.001 <0.001 5 2.1 10.2 月最小相对湿 0.639 0.949 0 8.36 0.13 月极大风速 0.581 0.945 1 8.36 0.23 月累计降水 <0.001 0.125 4 1.24 1.45 居民点密度 0.521 0.740 0 1.4 2.94 POI点密度 0.058 0.574 0 1.84 9.19 道路密度 <0.001 <0.001 5 3.1 22.39 河流密度 <0.001 <0.001 5 3.46 5.42 铁路密度 <0.001 0.212 4 1.91 1.87 人口密度 0.045 0.946 1 1.77 0.99 GDP 0.194 0.762 0 1.74 0.82 坡向 0.676 0.925 0 1.11 0.63 坡度 <0.001 0.078 4 1.66 7.87 海拔 <0.001 0.002 5 2 13.88 表2显示最终模型中的月平均相对湿、道路密度、河流密度和铁路密度等因子与NDVI呈负相关关系,其余4个因子对NDVI有促进作用;月平均相对湿、道路密度和海拔平均贡献率超20%,具体细节见图9。
表 2 最终多元线性回归模型Table 2. The final Multiple Linear Regression models变量 估计系数 标准误 显著性水平 常量 0.623 40 0.013 23 / 月最高气温 0.000 18 0.000 04 <0.000 1 月平均相对湿 −0.001 20 0.000 11 <0.000 1 月累计降水 0.000 05 0.000 01 0.041 2 道路密度 −2.745 00 0.250 10 <0.000 1 河流密度 −2.088 00 0.472 50 <0.000 1 铁路密度 −0.372 80 0.451 20 0.040 9 坡度 0.003 51 0.001 75 0.045 1 海拔 0.000 07 0.000 01 <0.000 1 2.4 拟合精度评价
图10显示,基于全样本模型预测值与实测值进行拟合,多元线性回归模型均方根误差(RMSE)、均方绝对百分比误差(MAPE)和变异解释量(R2)分别为0.050、5.68%和0.572,这表明该回归模型在区域NDVI预测评估中具有重要意义。
3. 讨论
研究表明,2000—2019年浙江省NDVI时空分布不均匀,总体呈增长趋势,季节差异明显,总体呈夏季>秋季>春季>冬季规律;空间上高NDVI区域多集中在浙江省南部区域,北部区域相对较低。该研究结果与Sun等的研究结果一致[34]。利用传统多元线性回归方法探究浙江省NDVI与气象、地形、社会、人口和经济因子之间关系,结果表明,多元线性回归模型的均方根误差(RMSE)、均方绝对百分比误差(MAPE)、变异解释量(R2)分别为0.050、5.68%和0.572。
本研究结果表明,浙江省2000—2019年NDVI值总体呈显著上升趋势,NDVI 线性趋势率为0.022/10 a,与Yu等[35]研究京津唐区域植被变化斜率一致。多元线性回归模型研究指出有8个因子对浙江NDVI影响较为显著,月最高气温、月平均相对湿、月累计降水、道路密度、河流密度、铁路密度、坡度和海拔等因子对浙江NDVI影响显著,该研究结果得到Sun等[24]研究成果的支持。
研究指出,NDVI值的空间分布与该区域的海拔分布基本一致,随着海拔的增加而增加。随着海拔增加,温度降低及人类活动的减少,植被生长良好。而地形因子(坡度)对NDVI影响显著,坡向对NDVI影响不明显。Sun和Ning等[24,36]研究指出是因为该区域的植被对湿度的依赖性大于温度,而坡度增加有利于水分在植物体上运动和积累,坡向主要影响温度和光照,本研究指出光照时长和平均温度对NDVI影响不显著。
研究指出,NDVI经历“上升-下降-上升”的变化,初期植被在气候和人类活动的影响下生长良好,特别是在气象条件(降水和月最高温度)更有利的低海拔区域,植被生长和恢复、温度和降水的增加趋势有利于增强光合活性和促进植被生长,进而促成植被恢复。研究指出较高的温度和太阳辐射可以进一步增加支持植被生长的条件,降水和温度是限制区域植被变化的主要气候因子,降水对植被的积极影响呈上升趋势,Luo等[37]的研究结果与本研究成果一致。
人类活动是影响植被生长的主要因子,本研究表明区域NDVI与道路密度、河流密度、和铁路密度呈显著负相关关系,说明浙江省人类活动对植被生长起到了重要作用。该结果表明,人类活动干扰强度的增加和基础设施铺设密度增加,一定程度上抑制了植被生长,该研究结果得到Wang等[38]研究成果支持。
本研究理论上量化了NDVI的驱动因子的理想情景,仅能代表该时段气候和人为因素对浙江省NDVI的相对作用。研究发现仍有较多因子(如植被物种、植物病害、害虫和动物)会改变植被。因此,需要进一步调查,定量确定植被驱动因子。
4. 结论
本研究运用Mann-Kendall趋势分析和多元线性回归模型探索NDVI时空变化及驱动因子,得出以下研究结论:
(1)2000—2019年,浙江省NDVI以平均0.022/10 a的速度显著增加。近20年间浙江省植被呈波动增加,其中,2000—2008年和2012—2019年出现多次波动,NDVI总体趋势呈缓慢上升趋势;2008—2012年NDVI波动最大,出现上升和降低趋势最快。
(2)2000—2019年,浙江省各区域NDVI具有明显季节性,各区域显示周期性植被生长条件共同趋势,四季平均NDVI大小顺序为夏季 > 秋季 > 春季 > 冬季。其峰值和谷值分别集中在7月和2月。
(3)2000—2019年,浙江省NDVI整体提高,植被改善面积占全省总面积的71.66%,其中显著改善的植被面积占全省总面积的55.85%,退化面积占全省总面积的22.02%,主要分布在农业区域、城市中心的外围及沿海区域。
(4))2000—2019年,浙江省植被变化在时间和空间上不均衡分布,Mann-Kendall (MK) 检验分析结果表明,NDVI在杭州、金华、丽水、衢州、绍兴、台州、温州和舟山等区域呈增长趋势,且达到显著水平(P<0.05),而湖州、嘉兴和宁波等区域呈下降趋势,且嘉兴下降趋势达到显著(P<0.05)。
(5)多元线性回归模型由8个变量构成,月平均相对湿、道路密度、河流密度和铁路密度等因子与NDVI呈负相关关系,其余4个因子对NDVI有促进效应;月平均相对湿、道路密度和海波平均贡献率超20%。
(6)多元线性回归模型预测NDVI与实测值进行拟合,多元线性回归模型均方根误差(RMSE)、均方绝对百分比误差(MAPE)和变异解释量(R2)分别为0.050、5.68%和0.572,这表明该回归模型在浙江省NDVI预测评估中具有重要作用。
-
表 1 多元线性回归模型因子筛选
Table 1 Factor screening for multiple linear regression models
模型变量 P值最小值 P值最大值 样本显著性数 VIF 解释度/% 月日照时数 0.036 0.396 1 21.76 2.41 月平均气温 0.264 0.871 0 13.3 3.35 月最高气温 <0.001 <0.001 5 4.93 6.85 月最低气温 0.047 0.845 1 9.28 9.37 月平均相对湿 <0.001 <0.001 5 2.1 10.2 月最小相对湿 0.639 0.949 0 8.36 0.13 月极大风速 0.581 0.945 1 8.36 0.23 月累计降水 <0.001 0.125 4 1.24 1.45 居民点密度 0.521 0.740 0 1.4 2.94 POI点密度 0.058 0.574 0 1.84 9.19 道路密度 <0.001 <0.001 5 3.1 22.39 河流密度 <0.001 <0.001 5 3.46 5.42 铁路密度 <0.001 0.212 4 1.91 1.87 人口密度 0.045 0.946 1 1.77 0.99 GDP 0.194 0.762 0 1.74 0.82 坡向 0.676 0.925 0 1.11 0.63 坡度 <0.001 0.078 4 1.66 7.87 海拔 <0.001 0.002 5 2 13.88 表 2 最终多元线性回归模型
Table 2 The final Multiple Linear Regression models
变量 估计系数 标准误 显著性水平 常量 0.623 40 0.013 23 / 月最高气温 0.000 18 0.000 04 <0.000 1 月平均相对湿 −0.001 20 0.000 11 <0.000 1 月累计降水 0.000 05 0.000 01 0.041 2 道路密度 −2.745 00 0.250 10 <0.000 1 河流密度 −2.088 00 0.472 50 <0.000 1 铁路密度 −0.372 80 0.451 20 0.040 9 坡度 0.003 51 0.001 75 0.045 1 海拔 0.000 07 0.000 01 <0.000 1 -
[1] FU B,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 & Planetary Sciences,2016,45(1):223 − 243.
[2] MING C,GRIFFIS T J,BAKER J,et al. Simulating crop phenology in the Community Land Model and its impact on energy and carbon fluxes[J]. Journal of Geophysical Research:Biogeosciences,2015,120(2):310 − 325.
[3] LIU Z,LIU Y,LI Y. Anthropogenic contributions dominate trends of vegetation cover change over the farming-pastoral ecotone of northern China[J]. Ecological Indicators,2018,95:370 − 378. doi: 10.1016/j.ecolind.2018.07.063
[4] WANG K,ZHANG C,CHEN H,et al. Karst landscapes of China:patterns,ecosystem processes and services[J]. Landscape Ecology,2019,34(3):2743 − 2763.
[5] QIAO Y,CHEN H,JIANG Y. Quantifying the impacts of lithology on vegetation restoration using a random forest model in a karst trough valley,China[J]. Ecological Engineering,2020,156:1059 − 1073.
[6] JIANG Z,LIAN Y,QIN X. Rocky desertification in Southwest China:Impacts,causes,and restoration[J]. Earthence Reviews,2014,132(3):1 − 12.
[7] GAMS I,GABROVEC M. Land use and human impact in the Dinaric karst[J]. International Journal of Speleology,1999,28(1): 55 − 70.
[8] PENG T,DENG H. Research on the sustainable development process of low-carbon pilot cities:the case study of Guiyang,a low-carbon pilot city in south-west China[J]. Environment,Development and Sustainability,2021,23(2):2382 − 2403.
[9] ZHANG M,ZHANG H,LI X,et al. Classification of Paddy Rice Using a Stacked Generalization Approach and the Spectral Mixture Method Based on MODIS Time Series[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:2264 − 2275. doi: 10.1109/JSTARS.2020.2994335
[10] CHEN B,CHEN L,BO H,et al. Dynamic monitoring of the Poyang Lake wetland by integrating Landsat and MODIS observations[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2018,139:75 − 87. doi: 10.1016/j.isprsjprs.2018.02.021
[11] ZHU Z,WOODCOCK CE, OLOFSSON P. Continuous monitoring of forest disturbance using all available Landsat imagery[J]. Remote Sensing of Environment,2012,122:75 − 91.
[12] LIU L,WANG Y,WANG Z,et al. Elevation-dependent decline in vegetation greening rate driven by increasing dryness based on three satellite NDVI datasets on the Tibetan Plateau[J]. Ecological Indicators,2019,12(107):569 – 581.
[13] 刘宪锋,潘耀忠,朱秀芳,等. 2000-2014年秦巴山区植被覆盖时空变化特征及其归因[J]. 地理学报,2015,70(5):705 − 716. doi: 10.11821/dlxb201505003 [14] DU J,QUAN Z,FANG S,et al. Spatiotemporal changes in vegetation coverage and its causes in China since the Chinese economic reform[J]. Environmental Science and Pollution Research,2020,12(09):1144 – 1159.
[15] ZHANG M,LIN H,X LONG,et al. Analyzing the spatiotemporal pattern and driving factors of wetland vegetation changes using 2000–2019 time-series Landsat data[J]. Science of The Total Environment,2021,780(6):146615. doi: 10.1016/j.scitotenv.2021.146615.
[16] 刘泽晖,毕华兴,侯贵荣. 黄土残塬沟壑区范围界定及近21年来NDVI时空变化特征[J]. 水土保持学报,2021,35(6):144 − 150. [17] 何豫川,熊俊楠,阿布都马南·阿合买提哈力,等. 基于Google Earth Engine的阿勒泰地区植被时空格局及驱动力分析(英文)[J]. Journal of Resources and Ecology,2021,12(06):729 − 742. [18] 杨泽康,田佳,李万源,等. 黄河流域生态环境质量时空格局与演变趋势[J]. 生态学报,2021,41(19):7627 − 7636. [19] 朱丽亚. 辽河流域植被NDVI及NPP时空动态变化研究[D]. 北京:中国地质大学,2021. [20] 董晓雪. 黄河上游植被长期格局变化、成因及其对水文过程的影响[D]. 兰州:兰州大学,2021. [21] 张新悦,冯禹昊,曾辉,等. 1982—2014年华北及周边地区生长季NDVI变化及其与气候的关系[J]. 北京大学学报(自然科学版),2021,57(01):153 − 161. [22] 赵明伟,王妮,施慧慧,等. 2001—2015年间我国陆地植被覆盖度时空变化及驱动力分析[J]. 干旱区地理,2019,42(02):324 − 331. [23] YU H, L Y . Insights on the roles of climate and human activities to vegetation degradation and restoration in Beijing-Tianjin sandstorm source region[J/OL]. Ecological engineering:The Journal of Ecotechnology,2021,159(1):106105 − 106111.
[24] SUN L,ZHAO D,ZHANG G. Using SPOT VEGETATION for analyzing dynamic changes and influencing factors on vegetation restoration in the Three-River Headwaters Region in the last 20 years (2000—2019),China[J]. Ecological engineering:The Journal of Ecotechnology,2022,183(1):742 − 750.
[25] LI X,W Q. Exploring suitable topographical factor conditions for vegetation growth in Wanhuigou catchment on the Loess Plateau,China:A new perspective for ecological protection and restoration[J]. Ecological engineering:The Journal of Ecotechnology,2020,158(1):106 − 111.
[26] YUAN X,CUI WW,MENG J,et al. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia[J]. Scientific Reports,12(7(1)):328 − 337.
[27] LI Q,SHI X,ZHAO Z. Ecological restoration in the source region of Lancang River:based on the relationship of plant diversity,stability and environmental factors[J]. Ecological engineering:The Journal of Ecotechnology,2022(180):2 − 13
[28] YAN D,YUAN Z,YANG Z,et al. Spatial and temporal changes in drought since 1961 in Haihe River basin[J]. Advances in Water Science,2013,24(1):34 − 41.
[29] 陈兵红,靳全锋,柴红玲,郭福涛. 浙江省大气PM2.5时空分布及相关因子分析[J]. 环境科学学报,2021,41(3):817 − 829. doi: 10.13671/j.hjkxxb.2020.0295. [30] STOW D ,DAESCHNER S,HOPE A,et al. Variability of the seasonally integrated normalized difference vegetation index across the north slope of alaska in the 1990s[J]. International Journal of Remote Sensing,2003,24(5):1111 − 1117.
[31] SUN Y L,SHAN M,PEI X R,et al. Assessment of the impacts of climate change and human activities on vegetation cover change in the Haihe River basin,China[J]. Physics and Chemistry of the Earth Parts A,2020,115:1028 − 1034.
[32] SEN,KUMAR P. Estimates of the regression coefficient based on Kendall’s Tau[J]. Publications of the American statistical association,1968,63(324):1379 − 1389. doi: 10.1080/01621459.1968.10480934
[33] MANN H B . Non-parametric tests against trend[J/OL]. Econometrica,13:245–259. https://link.springer.com/article/10.1007/s00704-018-2439-z.
[34] RAHIMABADI P D,AZARNIVAND H. Assessment of the effect of climate fluctuations and human activities on vegetation dynamics and its vulnerability[J]. Theoretical and Applied Climatology,2023(1):153 − 165.
[35] YU H,L Y . Insights on the roles of climate and human activities to vegetation degradation and restoration in Beijing-Tianjin sandstorm source region[J]. The Journal of Ecotechnology,2021,159(1):105 − 112.
[36] NING T,LIU W,LIN W,et al. NDVI variation and its responses to climate change on the Northern Loess Plateau of China from 1998 to 2012[J]. Advances in Meteorology,2015(1):1 − 10.
[37] WEI L H,MA W,ZHUANG Y L,et al. The impacts of climate change and human activities on alpine vegetation and permafrost in the Qinghai-Tibet Engineering Corridor[J]. Ecological indicators:Integrating,monitoring,assessment and management,2018(10):24 − 35.
[38] WANG W H,MA X Q,SYED M N,et al. Anthropogenic and biophysical factors associated with vegetation restoration in Changting,China[J]. Forests,2018,9(6):306 − 319. doi: 10.3390/f9060306