黄河流域植被覆盖度变化及驱动因素

王晓蕾,石守海,陈江朝霞

黄河流域植被覆盖度变化及驱动因素

王晓蕾1,2*,石守海1,陈江朝霞1

(1.郑州大学地球科学与技术学院,河南 郑州 450000；2.郑州大学,中国气象科学研究院郑州大学生态气象联合实验室,河南 郑州 450000)

利用Google Earth Engine(GEE)遥感云计算平台通过像元二分模型反演出1999～2019年植被覆盖度,采用一元线性回归和变异系数法来研究FVC的变化趋势特征及其稳定性,通过地理探测器进行植被变化的驱动分析.结果表明:黄河流域FVC总体上西北低东南高;中高和高被覆盖区分别占研究区总面积的21.74%和17.87%;近20a年黄河流域FVC已有较好改善,流域中部植被改善最明显,改善区域占流域总面积的48.52%;FVC的稳定性以较平稳为主.降水、日照时间及相对湿度三个驱动因子对黄河流域FVC影响力最强.各驱动因子对FVC影响存在交互作用,以双因子增强或者非线性增强为主,双因子交互作用增强了单因子的影响;本研究也揭示了促进植被生长的各因子最适宜范围,有助于更好地理解自然和社会因素对植被覆盖变化的影响及其驱动机制.

植被覆盖度；时空变化；驱动分析；地理探测器；黄河流域

植被覆盖度是描述陆地生态系统和监测植被状况的重要参数之一[1-3],也是模拟地表水、碳、能量循环的模型的关键变量,被广泛应用于作物产量估算、作物状况监测、干旱监测等[4-5].在区域和全球尺度上,准确估算FVC具有重要意义[4].

黄河流域在中国经济社会发展和生态安全保障方面具有重要地位.受降水、蒸发、地势地貌等客观因素的共同作用,该流域水土流失区面积占流域总面积的62%,是中国乃至世界上水土流失最严重的地区[6-7].此外,黄河流域是中国北方的生态屏障,植被对气候变化和人类活动极为敏感[8].尽管许多学者对黄河流域植被覆盖变化及驱动因子进行了相关探索.然而,以往研究多采用线性分析、趋势分析、相关分析等方法对植被覆盖时空变化进行定性分析[7,9-12],对于植被变化及其驱动机制的研究多是假设驱动力和植被在整个时间序列中存在显著的线性关系,但是植被对于外界环境的响应是非常复杂的过程,绝对的统计线性关系在自然环境中很少存在[13].并且以往研究对于驱动因子的考虑多集中于气候等自然因子,对于人类活动,经济发展,土地利用等因子考虑较少.此外,以往研究多采用NDVI等植被指数作为研究区FVC的代替品[8,14-18],然而自然环境中FVC不能仅仅用植被指数进行代替,因为用NDVI研究植被变化时,需要注意植被指数与FVC真实值的偏差[15].并且大多数研究者由于本地计算机处理性能有限等原因,在进行大区域植被变化研究时,多利用较低分辨率的数据[7,9-12,19],而使用中高分辨如Landsat等数据进行大尺度植被变化的研究相对较少.随着遥感云计算平台(GEE)的发展,研究者可以通过GEE平台进行大尺度区域的中高分辨遥感数据集[20],如Landsat数据集的快速处理,从而突破本地计算能力的壁垒.

针对以往研究对于黄河流域植被变化的空间细节的分析不足,以及驱动机制分析方法的不佳,驱动因子考虑不充分等问题.本文基于GEE定量分析黄河流域植被时空变化;利用地理探测器量化各个因子对于该地区植被演化的单一或交互影响,确定每个因子对促进植被生长的最适宜的范围,为有利范围内进行植被保护和生态恢复提供参考.

1 数据与方法

1.1 研究区概况

研究区为黄河流域(图1)位于96°E～119°E、32°N～42°N之间[9],流域总面积约为7.95´105km2.地形起伏明显,海拔高度由西到东,呈阶梯状降低.降水空间分布不均,年际变化大.流域植被类型丰富,主要的植被类型为草地、耕地、林地和灌木,其他类型植被包括裸地、湿地、苔原等在流域内也有分布[12].

图1 研究区位置

审图号:GS(2022)1873

1.2 数据来源

研究数据包括两类:1)研究区植被覆盖度,由Google Earth Engine 云计算平台(https://code. earthengine.google.com/)采用Landsat数据进行像元二分模型计算得到,其中,Landsat 地表反射率数据(SR),影像分辨率为30m,时间分辨率为16d,1999～ 2012年使用了Landsat5数据,2013年使用Landsat7数据,2013～2019年使用了Landsat8数据;2)12个影响因子(表1),使用自然间断点法进行连续的数据重分类,且保证驱动因子的分辨率为1000m.

表1 驱动因子对照信息

1.3 方法

1.3.1 像元二分模型FVC是采用像元二分模型进行计算,它假设一个像元的地表由有植被覆盖部分地表与无植被覆盖部分地表组成[21-22].计算FVC的公式如下:

式中:NDVIsoil纯裸地像元的NDVI值;NDVIveg为纯植被像元的NDVI值[23].其中,裸地像元值NDVIsoil和纯植被覆盖像元值NDVIveg的理论值应分别接近0和1.本研究中采用5%置信度截取NDVI上下阈值,将NDVI数值最大、最小的5%区域分别做平均值[10],得到NDVIsoil和NDVIveg.

1.3.2 变异系数法 变异系数表述为标准差与平均数之比,反映观测数据的相对波动程度,衡量数据的稳定性.变异系数值越大则植被变化波动越明显,反之波动越平缓植被变化越稳定[19].计算公式如下:

1.3.3 一元线性回归分析法 一元线性回归模型可以统计出各像元植被覆盖的多年变化趋势,从而拟合FVC变化方向[15],反映黄河流域植被的变化规律的空间分布.表达式如下:

式中:slope为斜率值;为观测年份值;FVC为第年的FVC,当slope<0时该像元处的植被减少,slope>0时植被增加,slope=0则说明植被状况未改变.

1.3.4 地理探测器 地理探测器是通过检测空间异质性来识别驱动力的空间统计方法[24-27],能够稳健、直接地量化驱动力的相互作用和影响,不需要严格遵循传统统计方法的假设[15,27-31],它独立于任何线性假设,对线性具有免疫功能.地理探测器利用空间方差来量化单个因素的相对重要性及其与响应变量的隐性交互作用.能够定量分析环境变化对于研究区植被变化的影响[24-25].

2 结果与分析

2.1 黄河流域植被覆盖时空变化

2.1.1 黄河流域植被覆盖空间分布 为了更加直观地观测黄河流域FVC的空间格局情况,根据已有FVC分级标准[32],将研究区1999～2019年FVC平均值划分为5个等级(表2)统计各等级面积占比情况(表3),绘制植被等级空间分布(图2).为了有效判别植被变化的显著特征,本文以5a为间隔选取了1999年、2004年、2009年、2014、2019年5期的FVC结果进行植被覆盖度时空变化分析(图2).

表2 植被分级

表3 各等级植被面积比例统计(%)

如图2可知,1999年总体上中低的植被覆盖居多,其中以低植被覆盖区域最多,面积占比为29.16%,主要分布在流域北部阴山山脉南麓、鄂尔多斯高原大部以及黄土高原西北.黄土高原北部主要为较低植被覆盖区域,面积占比约19.84%.中植被覆盖区域主要在黄土高原南部,少部分在流域东南部,约占17.64%.较高植被覆盖区域和高植被覆盖区域空间分布较为分散,主要分布在上游段祁连山地区、青藏高原东部及下游大部分地区,面积占比分别为14.42%、18.94%.

2004年植被覆盖情况(图2(b))相较1999年变化显著.其中低植被覆盖区域面积减少7.35%,面积占比分别为21.81%.较高植被覆盖面积增加4.72%,面积占比为19.14%.空间上表现为吕梁山脉一带植被覆盖范围扩大.高植被覆盖区域在渭河流域分布有所扩散,面积占比约21.74%.2009年(图2(c))植被有向东南逐渐退化趋势,低植被覆盖区域面积占比增加至最高,约为29.84%,在黄土高原有扩散趋势,高植被覆盖区域减少,面积约占17.09%.2014年(图2(d))FVC有较明显改善,植被覆盖由西北向东南分布层次性趋于明显,东南部包括临沂盆地、运城盆地和关中盆地一带,FVC较上一时期明显增加,多以较高、高植被覆盖为主,占比分别为20.65%、25.67%. 2019年(图2(e))相比2014年各等级植被覆盖无明显变化,处于比较稳定的阶段.

图2 黄河流域FVC等级空间分布

如图2(f)所示,近20a内黄河流域植被覆盖情况较好,FVC平均值约为0.51.较高、高植被覆盖区域主要分布在流域东南部的关中、运城及临沂盆地和上游南部,少量分布于西北部河套平原地区,占流域面积的39.61%.低级、较低级植被主要分布在北部的鄂尔多斯高原等地区,占流域面积的36.84%,中部黄土高原等地区主要为中植被覆盖,占流域面积的23.55%.

2.1.2 黄河流域植被覆盖时间变化 本文将逐年FVC数据作为数据源,利用Matlab编程实现一元线性回归模型,得到植被变化趋势结果.将其划分为5个等级(表4).由图3可知,1999～2019年间黄河流域植被状况得到改善的区域多于退化的区域.改善区域之中,轻微改善的区域面积比例最大,占比38.19 %,广泛分布于流域的中下游,明显改善的区域面积比例为10.43%,主要分布在吕梁山脉西部、黄土高原北部、阿尼玛卿山西南部以及青藏高原的东北部边缘.植被覆盖基本稳定的区域面积约为37.65%,在流域北部、西南部有较多分布.轻微退化的区域面积比例为9.14%,主要分布于流域源区巴颜喀拉山脉、阿尼玛卿山西北部以及阴山南麓.

表4 植被变化趋势面积比例统计

图3 黄河流域植被覆盖变化趋势空间分布

2.2 植被变化稳定性

表5 植被稳定性等级面积比例统计

图4 黄河流域植被变异系数空间分布

根据黄河流域1999～2019年FVC结果,逐像元统计变异系数值,依照计算结果将稳定性分为5个程度,见表5.如图4所示,1999～2019年间黄河流域植被变化在大部分地区的波动较平稳.其中低波动变化区域占比最高,为47.81%,流域各区域分布广泛.较低波动变化区域面积占比为25.24%,主要分布在流域上游和下游地区.中等波动变化区域面积总占比为20.71%,主要分布在流域中部黄土高原地区,少部分在六盘山脉.高波动变化区域面积占比最少,为6.24%,主要在六盘山、宁夏平原、河套平原、阿尼玛卿山、鄂尔多斯高原等地区有分散分布.

2.3 黄河流域植被变化影响探测

2.3.1 因子探测 计算影响因子的值(表6)可知,各因子对FVC影响程度的排序为:降水>日照时间>相对湿度>土地利用类型>土壤类型>气温>蒸散发>高程>坡度>人口密度>GDP>坡向.降雨量和日照时间的值最大,均超过了0.3,因此降雨量和日照时间是黄河流域FVC变化的主要驱动因子;土壤类型、年均相对湿度、土地利用类型的值均超过了0.2,高程、气温以及蒸散发的值均超过0.1,而坡度、坡向、人口密度以及GDP的值均小于0.1,其中坡向的值最小,仅有0.003.几乎对研究区的FVC变化不产生影响.

2.3.2 交互探测 利用交互探测器探测驱动因子之间影响植被FVC变化的相互关系(表7).结果显示,各因子之间交互作用呈现双因子增强和非线性增强关系[26],任何两个因子之间的交互作用都强于单因子对FVC的作用,不存在相互独立作用的因子(表8).由表7可知降水与其他因子的交互作用最强,值都在0.36以上,其次是日照时间与其他因子的交互作用也都超过了0.3.由表8可知,所有驱动因子的交互作用均大于单因子的作用.X7∩X12(0.461)> X7∩X11(0.453)>X7∩X3(0.450)>X7∩X9(0.442)>X7∩X10(0.438)>X7∩X4(0.403)>X7∩X5(0.395)>X7∩X8(0.391)>X7∩X1(0.388)>X7∩X6(0.386)>X7∩X2(0.368),表明降雨与坡度的相互作用为非线性增强,而降水与其他因子的交互作用为双因子增强.这一结果也表明,其他因子与降水的相互作用增强了其对于黄河流域FVC空间变化的影响力.

2.3.3 风险探测 基于风险探测器,确定了有利于植被生长的因子范围或类型(图5).本文假定FVC平均值最大的因子区间是植被生长的最优范围[33].

由图5可知,地形因子方面,随着坡度的增加, FVC呈先上升后平稳的趋势,在坡度为27～33°时达到最大值.FVC随坡向的变化而变化不大,最大值出现在东面.随着高程的增加,FVC出现了先降低后上升再下降的波动变化,在高程为3086～ 3649m时达到最大值.(X3)=0.122>(X1)=0.084>(X2)=0.003.因此,高程是黄河流域植被变化的主要地形驱动因子.

表7 各因子之间交互作用探测

表8 影响FVC变化的驱动因子之间的交互作用

续表7

注:C为两因子相加之和;A、B分别为交互前后驱动因子值.

社会因子方面,随着GDP的增加,FVC在1083～ 2166万元/km2达到最大值.随着人口密度的增加, FVC在14039～19578人/ km2达到最小值.因此黄河流域植被适宜于低人口密度以及低GDP的环境.

气象因子方面,随着日照时间的增加,FVC呈现逐渐下降趋势,在13.7～15.7h达到最大值.随着降水的增加,FVC呈现上升趋势,在656.5～719.0mm时达到最大值.随着相对湿度的增加,FVC在69%～ 75%达到最大值.FVC随着蒸散发和气温的增加而出现波动变化,分别在蒸散发为53.1～63.5mm时,气温为-1-1.7℃时达到最大值.由此可知,黄河流域植被在适宜低日照、高降雨、高湿度的气象环境中生长.

随着土地利用类型和土壤的不同,黄河流域FVC也出现不同,其中林地和淋溶土时,黄河流域植被覆盖最大.由此可知,淋溶土最适合植被生长,林地是植被生长最佳的土地利用类型.

2.3.4 生态探测 利用生态探测器,比较每两个因子在FVC空间分布上是否存在显著差异(表9).由表9可知,坡度与坡向、GDP以及人口密度对FVC空间分布的影响不具有显著差异,而与其他因子均具有显著差异.坡向除了与坡度以及GDP不具有显著性差异外,与其他因子对植被覆盖的空间分布均具有显著性差异.高程与GDP、人口密度以及蒸散发对于植被的空间分布不具有显著差异.而与其他因子均具有显著差异.日照时间与坡度、坡向、高程以及降水对FVC的空间分布具有显著性差异,而与其他因子则不具备显著性差异.GDP与坡度、坡向、高程及日照时间对FVC空间分布不具有显著性差异,而与其他因子对FVC具有显著性差异.人口密度与坡度、高程以及日照时间对于植被空间分布不具有显著性差异,而与其他因子均具有显著性差异.降水与相对湿度、气温、蒸散发、土壤类型以及土地利用类型对于FVC空间分布的作用不存在显著性差异,而与其他因子均具有显著性差异.相对湿度与土壤类型、蒸散发、气温以及土地利用类型对于植被空间分布不具有显著性差异.土壤类型与相对湿度、蒸散发以及土地利用类型对于FVC空间分布的作用不具有显著差异.气温与蒸散发对于植被空间分布不具有显著性差异,而与土地利用类型具有显著差异.蒸散发与土地利用类型对于植被空间分布的影响不具有显著差异性.

表9 探测因子的统计显著性

注:Y表示2个因子对FVC的影响具有显著性差异(置信度为95%);N表示无显著性差异

3 讨论

3.1 黄河流域植被时空变化特征

3.1.1 黄河流域植被空间分布差异 黄河流域植被空间分布分布不均,区域分布差异特征明显[10],总体看,黄河流域植被覆盖并不高,平均FVC仅有0.51.流域整体植被分布有自西北向东南递增的阶梯状趋势[7].由于受到地形、气候和人类活动等多种因素综合作用[10],黄河流域东部及南部易受季风气候的影响,气候湿润,温度适宜,这有利于植被生长,因此FVC较高.东南部季风带来的暖湿气流难以深入西北内陆,且中游黄土高原多沟壑地貌,水土保持困难,所以FVC常年处于较低水平.本文也发现西北部边缘地区有一定范围的FVC较高,这可能由于西北部河套平原、宁夏平原河网发达,并且有较长农业发展史,以栽培植被类型为主,且黄河流域中部正处于我国三北防护林的所在地[7].同时西北部的贺兰山脉、东部的六盘山脉削弱了南下的西伯利亚寒流,为宁夏平原植被生长提供了有利条件,所以FVC高于周围其他地区.3.1.2黄河流域植被时间变化特征 由图3可知,整体上黄河流域近21a大部分地区植被情况正不断变好.其中改善区域面积占整个研究区的48.62%,而退化区域仅占研究区的13.73%.黄河流域FVC明显改善区域主要分布在流域中部[11].这主要由于中游处于中国生态保护工程重点实施区域,如榆林市、延安市和庆阳市等,人类活动对植被覆盖增长的正向作用较大[7].然而退化范围主要在西南部的青藏高原,以及东南部黄河流域中原城市群一带.这两个区域退化的原因不同,前者主要是由于高原地区,常年气候寒冷,降雨量少,无法持续提供植被所需要的水热条件,导致植被退化.后者主要是由于城市发展,人类活动对植被的负向影响不断加强,从而导致这一地区植被逐渐退化.

3.1.2 黄河流域植被时间变化特征 由图3可知,整体上黄河流域近21a大部分地区植被情况正不断变好.其中改善区域面积占整个研究区的48.62%,而退化区域仅占研究区的13.73%.黄河流域FVC明显改善区域主要分布在流域中部[11].这主要由于中游处于中国生态保护工程重点实施区域,如榆林市、延安市和庆阳市等,人类活动对植被覆盖增长的正向作用较大[7].然而退化范围主要在西南部的青藏高原,以及东南部黄河流域中原城市群一带.这两个区域退化的原因不同,前者主要是由于高原地区,常年气候寒冷,降雨量少,无法持续提供植被所需要的水热条件,导致植被退化.后者主要是由于城市发展,人类活动对植被的负向影响不断加强,从而导致这一地区植被逐渐退化.

3.1.3 黄河流域植被稳定性分析 总体上看,黄河流域植被的稳定性主要以低波动为主,其中变异值小于0.1的区域占了整个研究区的73.05%.植被覆盖的稳定性变化与气候波动[11]和地貌条件有关.其中南部区域水热条件良好,植物能够一直处于稳定的状态,所以FVC处于低波动和较低波动变化.北部地区地理条件特殊,如中流域上游库布齐沙漠这种极端的水热条件,降水不稳定,导致生态环境较为脆弱,植被生长波动较大.

3.2 黄河流域植被变化影响因素定量分析

3.2.1 各影响因子对植被变化影响程度的定量分析 本研究发现,黄河流域植被变化的驱动因素呈现出明显的区域差异.由表6可知,年累计降雨量被确定为FVC空间分布的主要影响因素(=0.364).其他研究也支持本文的结论[7],即降水是黄河流域植被的生长和恢复的关键.此外,年均日照时间也影响植被的空间分布,日照是植物光合作用的必需品,因此光照时间直接影响着植被的生长发育.从土壤类型来看,不同的土壤类型含有不同的植物所需的营养物质,因此土壤类型直接影响着植被的空间分布[13].相对湿度是影响植被变化的关键因素,它直接影响着植被生长环境,从而影响植被的空间分布.土地利用类型的不同导致土壤的固碳能力不同[34],从而导致植被空间分布的差异明显.此外,GDP和人口密度对黄河流域植被变化的影响相对较小.这一结果可能是因为黄河流域处于我国中西部,这里人口密度和经济不如我国沿海发达地区.

3.2.2 影响因子对植被变化交互作用的定量分析 本研究结果发现(表7,表8),任意2个影响因子对植被的影响都强于单因子,这也与以往许多研究者的结论一致[35-36].此外,各驱动因子对FVC的影响主要表现为非线性和相互增强效应.其中降水、湿度和日照的相互作用对于FVC的影响最大.可能由于日照影响了降水从而导致相对湿度出现差异,从而影响了植被的空间分布和生长[35].此外,高程、坡度、人口密度、GDP和坡向对于研究区植被变化影响不显著,但是他们与其他影响因子的交互作用却显著增强了对于植被变化的作用[13,35,37].

3.2.3 植被生长的适宜区间 FVC在降水为656.5～719.0mm时达到最大,表明该降雨范围促进了植被生长.此外当日照时间在13.7～15.7h,相对湿度为69%～75%时,FVC达到最大值.这些结果表明降雨充沛日照较低时最有利于黄河流域的植被生长.不同高程、坡度和坡向范围的FVC无显著差异,

其中FVC在3086～3649m高程区间、27～33°坡度范围和东坡向最大.这可能由于海拔高,地形陡峭人类活动较少,因此植被受到的影响较小[38].此外,两个社会因子对于FVC的影响也出现明显的差异.FVC的值在GDP为1083～2166万元/km2以及人口密度在191～860人/km2区间达到峰值,由于经济的发展以及人口的增长会干扰植被的生长[39].淋溶土具有很强的保肥能力[37].因此淋溶土是FVC的最佳适宜土壤类型(表10).

表10 因子适宜区间(置信水平95%)

4 结论

4.1 黄河流域FVC时空变化显著.FVC在空间分布差异明显,总体上西北部流域上游FVC较低,东南部的流域中下游FVC较高;中高和高被覆盖区分别占研究区面积的21.74%和17.87%,表明植被状况良好.1999～2019年FVC得到很好的改善,整体上流域中部植被改善最明显,流域西部的青藏高原部分和东南部城市群地区有轻微退化.改善区域占流域总面积的48.52%.FVC的稳定性以较平稳为主,较低和低波动性区域占流域面积的25.24%和47.81%.

4.2 各驱动因子对FVC影响力的排序为:降水>日照时间>相对湿度>土地利用类型>土壤类型>气温>蒸散发>高程>坡度>人口密度>GDP>坡向.其中,降水、日照时间、相对湿度的解释力均在0.25以上,三者为影响FVC变化的主要气象因子;其次土地利用类型和土壤类型的解释力均在0.2以上.此外坡度、坡向、人口密度以及GDP的解释力低于0.1.

4.3 各驱动因子对FVC影响存在交互作用,以双因子增强或者非线性增强为主,其中降水、湿度和日照的相互作用对于FVC的影响最大;本研究也探测了促进植被生长的各驱动因子最佳区间.

[1] Wang B, Jia K, Wei X, et al. Generating spatiotemporally consistent fractional vegetation cover at different scales using spatiotemporal fusion and multiresolution tree methods [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,167:214-229.

[2] Liu C, Li W, Zhu G, et al. Land use/land cover changes and their driving factors in the Northeastern Tibetan Plateau based on geographical detectors and google earth engine: a case study in Gannan prefecture [J]. Remote Sensing, 2020,12(19):3139.

[3] Yan K, Gao S, Chi H, et al. Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation [J]. IEEE Transactions on Geoscience and Remote Sensing, 2021,60:1-14.

[4] Jia K, Li Y, Liang S, et al. Combining estimation of green vegetation fraction in an arid region from Landsat 7ETM+ data [J]. Remote Sensing, 2017,9(11):1121.

[5] Jia K, Liang S, Gu X, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1wide field view data [J]. Remote Sensing of Environment, 2016,177:184-191.

[6] Zhang W, Wang L, Xiang F, et al. Vegetation dynamics and the relations with climate change at multiple time scales in the Yangtze River and Yellow River Basin, China [J]. Ecological Indicators, 2020,110:105892.

[7] 张志强,刘 欢,左其亭,等.2000～2019年黄河流域植被覆盖度时空变化 [J]. 资源科学, 2021,43(4):849-858.

Zhang Z Q, Liu H, Zuo Q T, et al. Spatiotemporal change of fractional vegetation cover in the Yellow River Basin during 2000～2019 [J]. Resources Science, 2021,43(4):849-858.

[8] Tian F, Liu L Z, Yang J H, et al. Vegetation greening in more than 94% of the Yellow River Basin (YRB) region in China during the 21st century caused jointly by warming and anthropogenic activities [J]. Ecological Indicators, 2021,125:107479.

[9] 李春晖,杨志峰.黄河流域NDVI时空变化及其与降水/径流关系 [J]. 地理研究, 2004,(6):753-759.

Li C H,Yang Z F. Spatio-temporal changes of NDVI and their relations with precipitation and runoff in the Yellow River Basin [J]. Geograp hical Research, 2004,23(6):753-759.

[10] 李 晶,闫星光,闫萧萧,等.基于GEE云平台的黄河流域植被覆盖度时空变化特征 [J]. 煤炭学报, 2021,46(5):1439-1450.

Li J, Yan X G, Yan X X, et al. Temporal and spatial variation characteristic of vegetation coverage in the Yellow River Basin based on GEE cloud platform [J]. Journal of China Coal Society, 2021,46(5): 1439-1450.

[11] 贺 振,贺俊平.近32年黄河流域植被覆盖时空演化遥感监测 [J]. 农业机械学报, 2017,48(2):179-185.

He Z, He J P．Remote sensing on spatio-temporal evolution of vegetation cover in the Yellow River Basin during 1982～2013 [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2):179-185.

[12] 袁丽华,蒋卫国,申文明,等.2000～2010年黄河流域植被覆盖的时空变化 [J]. 生态学报, 2013,33(24):7798-7806.

Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010 [J]. Acta Ecologica Sinica, 2013,33(24):7798-7806.

[13] Peng W, Kuang T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China [J]. Journal of Cleaner Production, 2019,233:353-367.

[14] Jiang M, He Y, Song C, et al. Disaggregating climatic and anthropogenic influences on vegetation changes in Beijing-Tianjin- Hebei region of China [J]. Science of The Total Environment, 2021, 786:147574.

[15] Nie T, Dong G, Jiang X, et al. Spatio-temporal changes and driving forces of vegetation coverage on the Loess Plateau of Northern Shaanxi [J]. Remote Sensing, 2021,13(4):613.

[16] Liu X, Ou J, Chen Y, et al. Scenario simulation of urban energy- related CO2emissions by coupling the socioeconomic factors and spatial structures [J]. Applied Energy, 2019,238:1163-1178.

[17] Jiao W, Wang L, Smith W K, et al. Observed increasing water constraint on vegetation growth over the last three decades [J]. Nature Communications, 2021,12(1):3777.

[18] Zuo D, Han Y, Xu Z, et al. Time-lag effects of climatic change and drought on vegetation dynamics in an alpine river basin of the Tibet Plateau, China [J]. Journal of Hydrology, 2021,600:126532.

[19] 秦格霞,芦 倩,孟治元,等.1982～2015年中国北方草地NDVI时空动态及其对气候变化的响应 [J]. 水土保持研究, 2021,28(1):101-108,17.

Qin G X, Lu Q, Meng Z Y, et al． Spatial-temporal dynamics of grassland NDVI and its response to climate change in Northern China from 1982 to 2015. Research of Soil and Water Conservation, 2021, 28(1):101-108,117.

[20] Gorelick N, Hancher M, Dixon M, et al. Google earth engine: planetary-scale geospatial analysis for everyone [J]. Remote Sensing of Environment, 2017,202:18-27.

[21] 李苗苗,吴炳方,颜长珍,等.密云水库上游植被覆盖度的遥感估算 [J]. 资源科学, 2004,(4):153-159.

Li M M, Wu B F, Yan Z Z, et al. Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing [J]. Resources Science, 2004,(4):153-159.

[22] 孟 琪,武志涛,杜自强,等.基于地理探测器的区域植被覆盖度的定量影响——以京津风沙源区为例 [J]. 中国环境科学, 2021,41(2): 826-836.

Meng Q, Wu Z T, Du Z Q, et al. Quantitative influence of regional fractional vegetation cover based on geodetector model —take the Beijing-Tianjin sand source region as an example. [J]. China Environmental Science, 2021,41(2):826-836.

[23] 何宝忠,丁建丽,张 喆,等.新疆植被覆盖度趋势演变实验性分析 [J]. 地理学报, 2016,71(11):1948-1966.

He B Z, Ding J L, Zhang Z, et al. Experimental analysis of spatial and temporal dynamics of fractional vegetation cover in Xinjiang [J]. Acta Geographica Sinica, 2016,71(11):1948-1966.

[24] Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity [J]. Ecological Indicators, 2016,67:250-256.

[25] 王劲峰,徐成东.地理探测器:原理与展望 [J]. 地理学报, 2017,2(1): 116-134.

Wang J F, Xu C D. Geodetector: principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[26] 彭文甫,张冬梅,罗艳玫,等.自然因子对四川植被NDVI变化的地理探测 [J]. 地理学报, 2019,74(9):1758-1776.

Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan province [J]. Acta Geographica Sinica, 2019,74(9):1758-1776.

[27] 赵晓冏,苏军德,王 建,等.甘肃省生态服务供需关系及影响因子研究 [J]. 中国环境科学, 2021,41(10):4926-4941.

Zhao X J, Su J D, Wang J, et al. A study on the relationship between supply-demand relationship of ecosystem services and impact factors in Gansu province based on geographical detector [J]. China Environmental Science, 2021,41(10):4926-4941.

[28] Liang P, Yang X. Landscape spatial patterns in the Maowusu (Mu Us) sandy land, northern China and their impact factors [J]. Catena, 2016, 145:321-33.

[29] 潘洪义,黄 佩,徐 婕.基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究 [J]. 生态学报, 2019,39(20): 7621-7631.

Pan H Y, Huang P, Xu J. The spatial and temporal pattern evolution of vegetation NPP and its driving forces in middle-lower areas of the Min river based on geographical detector analyses [J]. Acta Ecologica Sinica, 2019,39(20):7621-7631.

[30] 张浚茂,臧传富.东南诸河流域1990～2015年土地利用时空变化特征及驱动机制 [J]. 生态学报, 2019,39(24):9339-50.

Zhang J M, Zang C F. Spatial and temporal variability characteristics and driving mechanisms of land use in the Southeastern River Basin from 1990 to 2015 [J]. Acta Ecologica Sinica, 2019,39(24):9339-9350.

[31] 胡李发,谢元礼,崔思颖,等.关中平原城市群夏季城市热岛特征及驱动力 [J]. 中国环境科学, 2021,41(8):3842-3852.

Hu L F, Xie Y L, Cui S Y, et al. Characteristics and driving forces analysis of urban heatisland in Guanzhong plain urban agglomeration in summer [J]. China Environmental Science, 2021,41(8):3842-3852.

[32] 符 静,秦建新,张猛,等.2001～2013年洞庭湖流域植被覆盖度时空变化特征 [J]. 地球信息科学学报, 2016,18(9):1209-1216.

Fu J, Qin J X, Zhang M, et al. Spatial-temporal variations of vegetation coverage in the Lake Dongting Basin from 2001 to 2013 [J]. Journal of Geo-information Science, 2016,18(9):1209-1216.

[33] Meng X, Gao X, Li S, et al. Spatial and temporal characteristics of vegetation NDVI changes and the driving forces in Mongolia during 1982～2015 [J]. Remote Sensing, 2020,12(4):603.

[34] Jiang C, Zhang H, Tang Z, et al. Evaluating the coupling effects of climate variability and vegetation restoration on ecosystems of the Loess Plateau, China [J]. Land Use Policy, 2017,69:134-148.

[35] Guo B, Wang Y, Pei L, et al. Determining the effects of socioeconomic and environmental determinants on chronic obstructive pulmonary disease (COPD) mortality using geographically and temporally weighted regression model across Xi'an during 2014～2016 [J]. Science of the Total Environmen, 2021,756:143869.

[36] Yuan X, Shao Y, Wei X, et al. Study on the potential of cultivated land quality improvement based on a geological detector [J]. Geological Journal, 2018,53:387-397.

[37] Zhu L, Meng J, Zhu L. Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin [J]. Ecological Indicators, 2020,117:106545.

[38] Liu Y, Liu S, Sun Y, et al. Spatial differentiation of the NPP and NDVI and its influencing factors vary with grassland type on the Qinghai- Tibet Plateau [J]. Environmental Monitoring and Assessment, 2021, 193(1):48.

[39] 郭永强,王乃江,褚晓升,等.基于Google Earth Engine分析黄土高原植被覆盖变化及原因[J]. 中国环境科学, 2019,39(11):4804-4811.

Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on google earth engine. [J]. China Environmental Science, 2019,39(11):4804-4811.

Change and driving factors of vegetation coverage in the Yellow River Basin.

WANG Xiao-lei1,2*, SHI Shou-hai1, CHEN jiang-zhao-xia1

(1.School of Geoscience and Technology, Zhengzhou University, Zhengzhou 450000, China；2.Joint Laboratory of Eco-Meteorology, Zhengzhou University, Chinese Academy of Meteorological Sciences, Zhengzhou University, Zhengzhou 450000, China)., 2022,42(11)：5358～5368

The pixel binary model was used to inverse the fractional vegetation cover (FVC) from 1999 to 2019 based on the Google Earth Engine platform, and the unary linear regression analysis and the coefficient of variance method were used to study the changes in the FVC trend characteristics and stability. The geographic detector was used to analyze the driving force of vegetation change. The results showed that: (1) The FVC of the Yellow River Basin was generally low in the northwest and high in the Southeast; the medium-high and high-covered areas accounted for 21.74% and 17.87% of the study area, respectively; the FVC of the Yellow River Basin had improved well in the past two decades. The improvement of vegetation in the middle reaches of the basin was the most obvious, and the improvement area accounted for 48.52% of the total area in our study area; the stability of FVC was mainly stable. (2) The three driving factors of precipitation, sunshine duration, and relative humidity had the strongest influence on FVC in the Yellow River Basin. (3) Each driving factor had an interaction effect on the FVC. The two-factor enhancement or nonlinear enhancement was the main factor. The two-factor interaction enhanced the impact of the single factor. This study also revealed the most suitable range of factors that promoted vegetation growth. These results help to better understand the impact of natural and social factors on vegetation cover changes and their driving mechanisms.

fractional vegetation cover；spatiotemporal evolution；driving forces；geographic detector；Yellow River Basin

X87

A

1000-6923(2022)11-5358-11

王晓蕾(1988-),女,河南周口人,讲师,博士,主要从事高性能地理计算与遥感研究.发表论文20余篇.

2022-04-12

河南省高等学校重点科研项目(21A420006);河南省自然科学基金资助项目(212300410292);河南省科技攻关项目(212102210137)

* 责任作者, 讲师,xiaolei8788@zzu.edu.cn