江西植被EVI 时空动态监测及驱动因素分析

廖成浩，曾 艳**，姚 昆，章凌帆

(1.南昌大学 公共政策与管理学院/中国乡村振兴研究院，江西 南昌 330031；2.西昌学院 资源与环境学院，四川 西昌 615000)

植被是陆地生态系统的核心构成部分，是其它各类生物生存和发展的物质基础，在维持生态系统的平衡中扮演重要角色[1-2].植被覆盖变化是区域生态环境变化的重要“指示器”，加强对植被覆盖状况的有效监测，对区域土地资源的合理利用以及环境保护具有重要意义[3].江西省是长江中下游地区的重要生态屏障，地区植被覆盖度常年居于全国前列，为有效筑牢江西省的生态防线，中央和地方政府制定和落实了一系列的生态保护政策，全省植被覆盖发生显著变化，及时掌握江西省植被覆盖的时空演变规律并揭示其背后的驱动因素，对区域生态环境建设具有重要的现实意义.

中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MODIS）遥感系列中的归一化植被指数（Normalized Difference Vegetation Index，NDVI）和增强型植被指数（Enhanced Vegetation Index，EVI）均能描述区域植被生长和覆盖变化情况.但是，EVI 在NDVI 基础上对大气噪声和土壤背景进行校正，克服了NDVI 中植被覆盖度与植被指数无法同步增长造成的易饱和问题[4].目前，诸多学者基于EVI 数据对区域植被覆盖变化规律展开分析，并从地形系统（高程、坡度、坡向等）、气候系统（气温、降水、日照等）以及人类社会系统（土地利用类型、人口密度、GDP 等）等角度对植被覆盖的驱动因素进行探讨.朱林富等[5]基于MODIS EVI 结合地形差异修正方程，探讨了重庆市植被覆盖变化同地形因子的空间变化关系，发现重庆市植被分布同海拔、坡度及坡向存在密切关系.陈亮等[6]采用趋势分析法研究了鄂西山区植被覆盖变化并分析EVI 同地形效应的相互关系，认为地形对鄂西山区植被覆盖变化具有重要影响.李美丽等[7]利用相关性分析对西南地区气候与植被覆盖关系进行研究，指出区域气候对植被覆盖存在驱动作用，但西南地区EVI 变化以非气候因素驱动为主.张顾萍等[8]利用Sen 趋势分析、相关性分析和灰色关联分析对金沙江流域植被覆盖与气候的关系展开讨论，认为降水和气温分别是半干旱区与湿润区植被覆盖的主导因素.伍宜丹等[9]通过趋势分析、莫兰指数和热点分析对四川省植被EVI的时空演变及驱动因素进行探索，指出人类生态工程与该地区植被指数变化高度相关.

以上研究采用相关性分析、稳定性分析或灰色关联分析等方法，探寻了区域植被覆盖同驱动力的线性关系，但现实中植被覆盖变化是生态系统中多因素共同作用的结果，植被与驱动因素并不一定符合统计学上的线性关系[10-11]，地理探测器的出现有效地补充各因素之间非线性关系的研究.在利用地理探测模型的研究中，学者大都是从静态角度探测植被覆盖空间分布的驱动力，鲜见从动态角度对植被覆盖时间变化的驱动探测.故本文选取MODIS EVI 年均值数据分析江西植被EVI 时空演变特征及趋势变化，并借助地理探测器从动静结合角度对江西植被EVI 时空变化的驱动因素进行探索，从而为全面掌握江西植被时空演变规律，确定植被生长与驱动因子的相互关系，制定科学的生态治理政策及构建可持续的生态安全格局提供理论参考.

1 数据与研究方法

1.1 研究区概况江西省地处长江中下游平原，介于113°34′～118°28′E、24°29′～30°04′N 之间，与徽浙闽粤湘鄂等6 省相邻，面积约16.69×104km2.地势总体呈现东、南、西部高，中、北部低，地貌则以平原丘陵为主.江西地处亚热带季风气候区，季节变化明显，全年降水丰富.境内鄱阳湖为中国第一大淡水湖，受历史及地形影响，江西行政区域同鄱阳湖流域大致吻合，是长江中下游流域的重要生态涵养区，其植被覆盖度常年居于全国前列，2016年被列入首批国家生态文明试验区（图1）.2020 年江西省常住人口4 518.86 万人，GDP 总额达2.5 万亿元.

图1 江西行政区位与土地利用类型Fig.1 Administrative location and land use type of Jiangxi

1.2 数据来源与预处理2000—2018 年植被EVI数据来源于MOD13Q1 植被指数数据集，时间分辨率为16 d，空间分辨率为250 m；2000—2018 年气象数据来源于国家气象数据中心；数字高程模型（Digital Elevation Model,DEM）由中国科学院地理空间数据云平台提供，分辨率为30 m；土地利用/覆被变化（Land-Use and Land-Cover Change,LUCC）、土壤类型、人口密度及GDP 等社会经济数据从中国科学院资源环境科学与数据中心获取（https://www.resdc.cn/）.

在EVI 数据采集中，通过最大值合成法计算逐月EVI 均值以获取年均值数据；气象数据利用ANUSPLIN 软件中薄盘样条函数进行空间插值，实现气象插值精确度的提高[12]；上述数据均通过ArcGIS 10.4 软件统一置换为Krasovsky_1940_Albers坐标系，空间分辨率均重采样为250 m.

1.3 研究方法

1.3.1 趋势分析法 为掌握EVI 在时间尺度上的变化规律，本文定义时间为自变量，利用一元线性回归方程模拟计算每个栅格像元上植被覆盖的变化趋势，以此揭示研究区整体的时空变化特征；使用F检验法对趋势结果进行显著性检验，以判断其置信程度[13].计算公式如下：

式中，θslope表示2000—2018 年江西植被EVI 的变化趋势；当 θslope>0 时，表明在该时间段内研究区植被EVI 变化有增加趋势，反之则相反；n表示年份数；EVIi表示第i年的植被EVI 值.

1.3.2 地理探测器 地理探测器是由王劲峰等[14]提出的一套基于空间方差分析的统计模型，有因子探测、交互探测、风险探测和生态探测4 个模块.基于空间自相关原理，因子探测和交互探测可有效判断因子之间的相关关系.

因子探测是探测自变量与因变量的空间分异特征，以及自变量对因变量的解释程度.其计算公式如下：

式中，q表示自变量对因变量的解释值；h=1，···，L，为因子的分类；Nh和N分别表示因子的h层和整个区域的单元样本数；分别表示为h层和整个区域Y值的方差.

交互探测用于识别不同自变量因子的交互作用对因变量的解释程度[14]（表1）.交互探测首先计算两种自变量因子X1和X2同因变量Y的交互q值，其次计算自变量因子之间的交互作用q值，最后将q(X1)，q(X2)同q(X1∩X2)进行比较.

表1 交互探测原理Tab.1 Principle of interaction detection

2 结果与分析

2.1 时空演变分析为掌握江西植被覆盖时空分布特征，参照已有文献[15]并根据地区情况将江西EVI 划分为6 个等级（表2）.

表2 江西EVI 指数分类标准及数值统计Tab.2 Classification criteria and numerical statistics of EVI index in Jiangxi Province

通过图2（a）可以看出，江西EVI 指数在空间分布上存在显著差异，整体呈现为四周高中北部低，赣南高于赣北，丘陵山地高于平原的分布状态.其中EVI 指数大于0.4 的区域主要分布在东部和南部的武夷山脉，西南部的罗霄山脉，西北部的幕阜山脉等山地丘陵地区，该区域面积占全省面积的34.11%，结合资料可知，这些地区由于地势起伏大，经济落后，自然植被生长受人类活动影响较小，植被覆盖度整体偏高；北部的鄱阳湖湖区因水体无植被覆盖，湖水对光的反射导致其EVI 指数常年处于负值；EVI 指数介于0.2～0.4 的区域主要分布在中部和南部的平原地区，该区域面积占全省面积比重高达62.16%；结合土地利用类型可知，江西中部和南部平原存在大量耕地，农作物的季节性耕作是导致该区域EVI 指数处于较低水平的主要原因；而EVI 指数介于0～0.2 的区域则分布在南昌、赣州等主要城市建成区，这些地区经济相对发达，人口密度大，土地利用程度高，植被覆盖度相对较低.

图2 2000—2018 年江西省EVI 指数年均值及年际变化值Fig.2 Annual average and interannual variation of Jiangxi Province EVI index from 2000 to 2018

结合图2（b）可知，2000—2018 年江西EVI 指数随时间的推移呈现波动增长趋势.江西EVI 指数从2000 年的0.33 上升到2018 年的0.39，其间出现2 次较大变化：①EVI 指数从2004 年的0.338 突降至2005 年的0.328，据江西统计年鉴可知，2000—2005 年江西省GDP 平均增速高达11%，尤其是在2004 年，江西GDP 增速达到13.2%，超出当年全国9%的平均增速.据统计，2005 年江西省新增建设用地面积3 920.9 hm2（58 814 亩），为历年之最，建设用地的大面积扩张直接导致植被覆盖迅速降低，但随着国家及时调整土地审批和管理体制，以及2003 年以来实施退耕还林措施，江西的植被覆盖得到较快恢复.②2009 年国务院正式批复《鄱阳湖生态经济区规划》标志着建设鄱阳湖生态经济区正式上升为国家战略，鄱阳湖生态经济区被列为生态经济示范区和中国低碳经济发展先行区，政府加大生态环境建设，经济发展方式逐步转型，全省EVI 指数随之提升，并在2013 年达到整个研究时段的最高值.2016 年江西入选国家首批生态文明试验区，生态建设与经济活动的融合发展进一步提高了江西的生态质量，故2016 年后江西EVI 指数在短暂下降后又呈现新的增长趋势.

2.2 趋势变化分析将变化趋势分析同F检验相结合，逐像元计算2000—2018 年江西EVI 指数变化斜率，并对其进行显著性检验.图3（a）结果显示，江西EVI 指数变化斜率介于−0.025 5～0.026 3，94%区域斜率为正，仅5%的区域斜率为负，说明绝大部分区域EVI 指数呈增加趋势.在显著性检验中，根据江西EVI 指数的变化趋势及检测结果，将变化趋势分为显著降低（X<0,F<0.05）、无显著降低（X<0,F>0.05）、无显著增加（X>0,F<0.05）和显著增加（X>0,F>0.05）4 个等级.结合图3（b）可以看出，显著增加和无显著增加分别占总面积的81.95%和12.2%，表明江西EVI 指数呈现出绝对的改善趋势；无显著减少主要分布在南昌、赣州、宜春等11个地级市的城市中心区域，该区域面积占全省总面积的1.94%，其主要原因可能是由于经济发展迅速，大量人口向城市聚集，城市向外扩张致使周边植被覆盖度下降；显著减少区域主要分布北部的鄱阳湖湖区和长江沿岸以及中部赣江沿岸，这些区域土地类型以滩地和沼泽为主，在水位年际变化影响下植被生长受到诸多方面的限制[16]，因此这些地区EVI 指数呈减少趋势.总体而言，江西EVI 指数增加区域明显大于减少区域，整个区域呈现出良好的改善趋势.

图3 江西植被EVI 指数变化趋势及显著性检验Fig.3 Slope and significance test of vegetation EVI index change in Jiangxi Province

2.3 驱动因素分析

2.3.1 静态驱动因素分析 现有研究表明，植被覆盖的驱动因素主要为气候、地形、土壤与社会经济等因素.本文借助地理探测器，参考已有文献[17-18]并结合江西的实际情况，从地表（高程、坡度、坡向、土壤）、气候（气温、降水）及社会经济（LUCC、人口密度、GDP）3 方面选取9 个指标，经适当离散化处理后，从静态视角揭示各驱动因素对江西EVI指数空间分布格局的影响.因子探测器可计算各类驱动因子的解释力q值，q值越大说明因子对EVI空间分布的解释力越强.由图4 结果可知，土地利用/覆被变化（LUCC）对江西EVI 指数的空间分布解释力最强，q值达到0.443，解释力为44.3%；其余因子解释力大小依次为坡度（0.399）>高程（0.365）>土壤类型（0.286）>气温（0.178）>GDP（0.119）>降水（0.092）>坡向（0.032）>人口密度（0.012），上述因子P值均为0，一致通过显著性检验.可见在静态视角下，各驱动因子的解释力存在显著差异，土地利用类型的解释力高达44.3%，表明土地利用类型是江西的植被覆盖空间分布的主要驱动因素；坡度、高程、土壤类型、气温与GDP 的解释力介于10%～40%，说明这5 类因子在植被覆盖的空间分布中发挥次要驱动作用；降水、坡向和人口密度的解释力均小于1%，可以判断这3 类因子对植被覆盖空间分布的驱动作用最小.

交互探测器用于识别不同驱动因子交互作用，交互探测结果表明（图4），对江西植被覆盖空间分布产生交互作用的所有驱动因子均呈非线性增强或相互增强关系，不存在独立作用的因子，说明研究区植被覆盖的空间分布是多因素共同作用的结果.而在各因子的交互作用中，土地利用/覆被变化（LUCC）同其它任意因子交互作用的解释力均高于40%，尤其是土地利用类型和坡度的交互作用解释力最强，q值高达到0.57，解释力为57%，该结果说明研究区植被覆盖的空间分布同特定范围内的坡度和土地利用类型存在密切关系.当土地利用类型同高程或气温进行交互时，因子交互作用的解释力q值也分别达到0.551 和0.501，说明这2 组因子属于次要驱动作用.人口密度单因子的交互作用解释力最弱，q值仅为0.012，解释力仅为1.2%.

图4 静态驱动交互探测q 值Fig.4 Static-driven interactive probe q-value

研究发现，江西土地利用类型与坡度存在密切关系，为进一步探究土地利用类型与坡度关系，本文借助ArcGIS10.4 软件中空间分析功能，对不同坡度范围内的土地利用类型面积占比进行统计描述（图5）.结合图5 可知，植被覆盖度较低或无植被覆盖的未利用地、建设用地、耕地和水域等土地类型集中分布在坡度小于5°以内的区域，这4 类土地类型占该区域面积的61%，而植被覆盖度较高的林地和草地的总面积仅为39%；在坡度5°～10°的区域，林地和草地的总面积提高至88%，未利用地、建设用地、耕地及水域的总面积占比缩减至12%；在坡度大于10°以上的区域，林地和草地总面积超出90%，成为该坡度范围内的主要土地类型，且坡度越大林草地面积占比越高.结果表明，该区域内的人类活动集中分布在坡度为10°以下的平原地区，当坡度大于10°时，人类活动持续减少，自然植被的生长获得一个相对稳定的生长环境，植被覆盖度随之提高，结果进一步验证了土地利用类型与坡度的交互作用对江西植被覆盖空间分布的影响，同时该结果与齐文等[19]对闽赣自然植被覆盖格局同地形关系的研究成果基本一致.

图5 不同坡度范围内各土地利用类型面积占比Fig.5 Percentage of land-use area by land use type in different slope ranges

2.3.2 动态驱动因素分析 利用ArcGIS 10.4 软件的叠置分析，对2000—2018 年江西EVI 指数、气温、降水和土地利用类型等4 类栅格数据进行差值运算，结合地理探测器可探寻各驱动因素的变化对江西EVI 指数变化的影响.通过动态驱动因子探测可知，2000—2008 年的因子探测结果依次为降水（0.06）>土地利用类型（0.023）>气温（0.014），其中降水因子对江西植被覆盖年际变化的解释力最强，其q值达0.06，解释力为6%，说明降水是植被覆盖年际变化的主导因素.研究也发现，降水是所有植被覆盖驱动因素中波动性最强和年际变化最大的因素，如何克服降水的不稳定性造成的负面影响是人类社会和谐发展面临的重要课题.土地利用类型和气温的解释力相对较小，q值分别为0.023 和0.014，解释力分别为2.3%和1.4%，说明在植被覆盖的年际变化中，人类活动的影响远远小于降水变化对植被造成的影响.相对降水而言，土地利用类型和气温的稳定性较高，因此这2 个因子对江西植被覆盖年际变化的驱动作用也相对较小.

结合表3 可知，动态驱动中各因素的交互作用均呈相互增强或非线性增强关系，这其中气温同降水组合时表现为相互增强关系，降水、气温同土地利用类型组合时表现为非线性增强关系.在各因子交互组合中，降水同土地利用类型的交互作用最强，q值达到0.087，解释力为8.7%，这说明降水显著增强了土地利用类型对植被覆盖年际变化的影响，进一步证明植被覆盖的变化是在自然因素和人类活动共同作用下产生的结果；降水同气温的交互作用解释力次之，其q值为0.069，解释力为6.9%；土地利用类型同气温的交互作用最弱，q值仅为0.038，解释力为3.8%.此外，研究还发现相较于静态驱动，动态驱动因素的解释力q值相对偏低，即使是降水因素，其解释力也仍低于10%.通过分析，认为静态驱动是对植被覆盖空间分布多年动态变化累积的结果探究，而动态驱动则是从研究时段的年际变化中探讨因子的驱动作用，因此研究视角的不同，是造成两者存在差异的主要原因.

表3 动态驱动交互探测q 值Tab.3 Dynamically driven interactive probe q-values

3 讨论与结论

3.1 讨论根据地貌形态划分，江西主要由北部鄱阳湖平原和南部丘陵片区以及周边山地组成，其中鄱阳湖平原以全省三成土地承载了近五成人口，并创造了六成以上的经济，而南部丘陵山区则是国家水土流失重点防治区，植被对江西生态环境发展发挥了至关重要的作用.通过对2000—2018 年江西EVI 指数时空分布及趋势变化的分析，研究发现江西植被覆盖呈现良好的发展趋势，这与郭梦媚等[20]研究结果基本一致；利用地理探测器从静态驱动视角发现土地利用类型是江西的植被覆盖空间分布的主导因素，坡度与土地利用类型同植被覆盖的分布存在密切关系，结果同齐文等[19]的结论相似；而在动态驱动视角下，降水是区域植被覆盖年际变化的主导因素，但在现有文献中，多数学者[20-23]在气候因素的讨论中认为温度对江西植被覆盖变化的驱动作用更强，这是因为他们所采用的方法均是简单相关、偏相关或复相关等线性方程模型，该模型的特点是因变量与自变量必须满足严格的线性关系，而现实情况下的植被生长是多种因素共同作用造成的，气候与植被并不能完全符合线性关系，其关系更类似于韩继冲等[23]所发现的连续非线性增加趋势，在这种趋势下，当自变量或因变量中任一方超过阈值界限时，其结果会发生新的变化.因此，仅从简单相关、偏相关或复相关等线性模型分析气候同植被的关系存在一定的局限性.相比之下，地理探测器突破了传统的线性关系，有效补充了因子间非线性关系的探讨.

此外，研究还发现江西植被覆盖的空间分布与人类活动密切相关，尤其是政府的政策导向对江西植被覆盖的变化发挥重要作用，如在鄱阳湖生态经济区成立以前，当地政府奉行积极的经济政策，大规模的社会经济活动致使江西植被覆盖出现下降趋势；随着生态保护意识的进一步增强，尤其是2009 年后国家建立鄱阳湖生态经济区，江西植被覆盖经过波动发展后，在2013 年达到整个研究时段的最高值，2013 年生态转型任务初步实现，植被自然演替和极端天气[22]成为影响植被覆盖变化的主要因素；尔后国家对生态内涵提出更高质量的要求，江西被列为首批国家生态试验区，经济与生态融合发展模式使江西植被覆盖在2016 年出现新的增长趋势，该结果与刘海等[21]的研究成果基本吻合.值得注意的是，郭梦媚等[20]、刘明霞等[22]对江西局部或全域的植被指数计算结果均高于于本研究，其主要原因在于他们所采用的是最大值合成法获取研究区植被覆盖的全年最佳状态进行分析，该方法虽然有效降低大气效应和云层遮挡等因素的干扰，但忽视了个别年份驱动因素异常活动带来的影响.而本研究采取月最大值合成后逐像元计算植被覆盖的年平均值，可最大程度避免上述情况.综上，本文研究方法基本可行、研究结果具有一定科学性.作为长江流域的重要生态屏障，江西植被指数的时空变化具有重要的研究意义.需要注意的是，植被覆盖的变化是受多因素长期共同作用产生的结果，相较于植被生长的周期，本文所选取的时间序列仍然较短.研究虽然引入地理探测器从静态和动态角度分析其背后的驱动力，却未能对动态驱动的内在逻辑进行深入分析，下一步研究中应加强从动静结合的角度对植被覆盖展开分析与讨论.

3.2 结论

（1）江西的EVI 指数总体表现情况较好，呈现出四周高中北部低，平原向丘陵递增的空间分布特征；时间变化上，江西EVI 指数在2000—2005 年出现下降趋势，2005—2009 年波动增长并在2013年达到全时段的最高值，2016 年后再次出现新的增长趋势.

（2）趋势变化上，江西EVI 指数表现出良好的改善趋势，显著增加和无显著增加分别占总面积的81.95%和12.2%，全省绝大部分地区植被指数得到显著提升，而无显著减少和显著减少仅占总面积的5.85%，且多分布在鄱阳湖湖区和城市建成区.

（3）静态上，对江西EVI 指数空间分布的驱动因素解释力按大小依次为LUCC>坡度>高程>土壤类型>气温>GDP>降水>坡向>人口密度，同时土地利用/覆被变化（LUCC）同坡度组合的交互作用对EVI 指数空间分布的影响最强.

（4）动态上，降水是影响江西EVI 指数时间变化的主要驱动因素，其q值为0.06，降水同土地利用/覆被变化（LUCC）的交互作用对EVI 指数时间变化的解释力最强.