南方丘陵山地带NDVI时空变化及其驱动因子分析_王静

合集下载

基于遥感数据的植被NDVI时空动态分析与模拟

基于遥感数据的植被NDVI时空动态分析与模拟论文题目：基于遥感数据的植被NDVI时空动态分析与模拟摘要：本文通过利用遥感数据获取的植被归一化植被指数（NDVI）信息，对植被的时空变化进行了分析与模拟研究。

采用的遥感数据覆盖了多个时间段，包括了春季、夏季、秋季和冬季的数据，以分析不同季节下的植被变化情况。

通过空间分析，探讨了不同地区的植被覆盖度、季节性变化以及长期趋势等特征，以模拟植被的时空动态变化。

关键词：遥感数据、植被、NDVI、时空动态分析、模拟1. 引言植被是地球上最重要的生态系统组成部分之一，与气候、水文循环等众多环境要素紧密相关。

时间序列的遥感数据提供了监测植被动态变化的有力工具，其中植被归一化植被指数（Normalized Difference Vegetation Index, NDVI）常被用于评估植被的健康状态和生长状况。

NDVI可以从遥感图像中提取，并通过计算红光波段和近红外波段之间的差异来反映植被光合活性和生物量。

因此，基于遥感数据的植被NDVI时空动态分析与模拟有助于深入探讨植被变化及其对环境的响应。

2. 数据与方法2.1 数据采集本研究使用的遥感数据包括多个时间段的遥感图像，覆盖了不同季节的数据。

采集的遥感图像包括了春季、夏季、秋季和冬季的数据。

这些图像以高空间分辨率和适当的时间分辨率提供了对植被变化进行时空分析的能力。

2.2 数据预处理在进行时空动态分析之前，需要对采集到的遥感图像进行预处理。

预处理过程包括校正、辐射校正和大气校正等步骤。

这些步骤旨在减少图像中的噪声和误差，并提高植被信息的可靠性。

2.3 NDVI计算在数据预处理完成后，可以利用遥感图像计算NDVI值。

通过计算红光波段和近红外波段之间的差异，可以获得每个像元的NDVI值。

NDVI值的范围从-1到1，其中高值表示植被覆盖度高，低值表示植被覆盖度低。

3. 时空动态分析3.1 季节性变化分析利用采集到的多个时间段的遥感图像，可以分析不同季节下的植被变化情况。

基于地理探测器模型的中亚ndvi时空变化特征及其驱动因子分析

收稿日期: ２０１８－１０－２６ꎻ 修订日期: ２０１９－０１－０１
基金项目: 中国科学院战略性先导专项“ 泛第三极环境变化与绿色丝绸之路建设” ( 编号: ＸＤＡ２００６０３０１０２) 、国家自然科学基金项目
“中亚重大河湖流域地表水环境演变规律及其风险预警” ( 编号: Ｕ１６０３２４２) 、中国科学院科技服务网络计划项目“ 中亚水环
[ Ｊ] . 国土资源遥感ꎬ２０１９ꎬ３１(４) :３２－４０. ( ＷａｎｇＷꎬＳａｍａｔＡꎬＡｂｕｄｕｗａｉｌｉＪ. Ｇｅｏ－ｄｅｔｅｃｔｏｒｂａｓｅｄｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｖａｒｉａｔｉｏｎｃｈａｒａｃ￣
ｔｅｒｉｓｔｉｃｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓａｎａｌｙｓｉｓｏｆＮＤＶＩｉｎＣｅｎｔｒａｌＡｓｉａ[ Ｊ] . ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＬａｎｄａｎｄＲｅｓｏｕｒｃｅｓꎬ２０１９ꎬ３１(４) :３２－４０. )
０引言
护具有重要意义ꎮ
在全球气候变化的大背景下ꎬ中亚地区从２０世
纪７０年代起气温开始迅速上升ꎬ平均增温速率达到
０. ４℃ / １０ａꎬ远高于同期全球变暖速率
同时ꎬ不合理的土地开发利用方式
[３]
[１－２]
ꎮ 与此
、粗犷的农田
灌溉模式 [４] 等人类活动的不断增强更加剧了区域
生态与资源的竞争局面ꎮ 于是ꎬ中亚地区开始出现
势ꎬ通过相关分析 [９] 、偏相关分析 [１２] 和奇异值分解
( ｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎꎬ ＳＶＤ) [１２] 等方法分析
不同空间和时间尺度上中亚地区植被覆盖变化对气
等一系

基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析

基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析何慧娟;王钊;董金芳;王娟【摘要】秦岭是我国自然环境的天然分界区,是我国中部重要的生态屏障,也是南水北调重要的水源涵养区.为了更好地服务于生态环境建设,选取MODIS植被指数NDVI、地表温度及地表蒸散数据产品,针对秦岭地区生态环境建设以来2001-2013年植被及水热条件发生的变化以及空间分布规律进行分析.结果表明,从区域平均情况来看,只有NDVI有显著升高的变化趋势,耕地区NDVI变化趋势大于林草区域.林草区NDVI、蒸散平均值高于耕地区,而地表温度在耕地区高于林草区.从各像元的空间分布图来看,NDVI、地表温度和蒸散的空间分布都有明显的山体脉络.NDVI随高度的增加而增大,2 000 m左右开始略微下降.地表温度随高度的升高呈极显著的线性下降趋势,海拔每升高100 m温度下降0.51℃.蒸散随海拔高度先是增高,在海拔800～1 800m变化趋于平缓,随后随海拔的升高而降低.NDVI、地表温度和蒸散都在低海拔地区变化明显.2001-2013年秦岭地区NDVI呈显著增加趋势,与陕西开展的生态环境建设工程密不可分.在全球增温的背景下,地表温度没有明显变化,与植被的调节作用有一定关系.蒸散的增加趋势与NDVI的上升引起蒸腾作用加大有关,而蒸散的减小趋势与太阳辐射的减小有关.【期刊名称】《西北林学院学报》【年(卷),期】2019(034)004【总页数】7页(P179-184,191)【关键词】MODIS;秦岭;海拔高度;NDVI;地表温度;地表蒸散【作者】何慧娟;王钊;董金芳;王娟【作者单位】陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014【正文语种】中文【中图分类】S771.8秦岭横亘于我国中部，是我国南北地质、气候、生物、水系、土壤等五大自然地理要素的天然分界线，是我国中部最重要的生态安全屏障，是南水北调中线工程的重要水源涵养区[1]。

2000-2020年陕西省植被NDVI时空变化及气候因子探测

第31卷第2期2024年4月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .31,N o .2A pr .,2024收稿日期:2023-04-27 修回日期:2023-05-29资助项目:国家高端外国专家引进项目生态平衡评估指标体系研究 (G 2021171029L )第一作者:李霞(1977 ),女,陕西西安人,博士,副教授,主要从事地理信息学㊁生态遥感及生态修复研究㊂E -m a i l :l i x i a 666@c h d .e d u .c n通信作者:王孝康(1973 ),男,陕西合阳人,高级工程师,主要从事国土绿化与生态价值评价技术与研究㊂E -m a i l :867920018@q q.c o m h t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2024.02.042.李霞,王孝康,刘秀花,等.2000-2020年陕西省植被N D V I 时空变化及气候因子探测[J ].水土保持研究,2024,31(2):443-453.L iX i a ,W a n g X i a o k a n g ,L i uX i u h u a ,e t a l .S p a t i o t e m p o r a lV a r i a t i o no fV e ge t a t i o nN D V I a n dC l i m a t eF a c t o rD e t e c t i o n i nS h a a n x i P r o v i n c ef r o m 2000-2020[J ].R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n ,2024,31(2):443-453.2000-2020年陕西省植被N D V I 时空变化及气候因子探测李霞1,王孝康2,刘秀花3,4,张乐艺3,4,金相皓1,陈永昊1(1.长安大学土地工程学院,西安710054;2.国家林业和草原局西北调查规划院,西安710041;3.长安大学水利与环境学院,西安710054;4.旱区地下水文与生态效应教育部重点实验室,西安710054)摘要:[目的]揭示陕西省不同生态系统植被时空变化,厘清不同气候因子及相互作用对植被变化的影响机制,为区域生态环境保护提供理论依据㊂[方法]基于MO D I S N D V I 及年均高温㊁年均低温㊁年均温㊁年总降水数据,采用T h e i l -S e nM e d i a n 趋势㊁偏相关㊁地理探测器等方法,分析了2000 2020年各地貌分区植被N D V I 时空变化特征,结合变量分离探究了植被N D V I 变化与降水㊁气温的内部关联和响应机制㊂[结果]2000 2020年陕西植被N D V I 波动增加,速率为5.9%/10a ,速率大小为陕北>关中>陕南;全省多年植被N D V I 值为0.71,南高北低;植被N D V I 显著改善区域占比67%,分区占比为陕北>陕南>关中㊂2000 2020年陕西气候因子随时间波动变化,速率大小为陕南>关中>陕北,空间上呈现年均高温降低㊁年均低温上升㊁年均温降低㊁降水增加㊂2000 2020年陕西及各分区植被N D V I 与年均高温整体呈负相关,与年均低温㊁年均温㊁年总降水量呈正相关;全省及陕北年总降水贡献最大,关中和陕南年均高温贡献最大;年均高温与年总降水交互主导全省㊁陕北及陕南植被N D V I 变化,年均温与年总降水的交互主导关中植被N D V I 变化㊂[结论]研究期陕西及各分区植被整体变好,各分区植被对气候的响应关系㊁各因子的贡献及其相互作用不同,降水和年均高温㊁年均温的交互显著影响植被N D V I 变化㊂关键词:植被N D V I;时空变化;地理探测器;陕西省中图分类号:Q 948 文献标识码:A 文章编号:1005-3409(2024)02-0443-11S p a t i o t e m p o r a lV a r i a t i o no fV e ge t a t i o nN D V I a n dC l i m a t eF a c t o r D e t e c t i o n i nS h a a n x i P r o v i n c ef r o m2000-2020L iX i a 1,W a n g X i a o k a n g 2,L i uX i u h u a 3,4,Z h a n g L e y i 3,4,J i nX i a n g h a o 1,C h e nY o n gh a o 1(1.C o l l e g e o f L a n dE n g i n e e r i n g ,C h a n g 'a nU n i v e r s i t y ,X i 'a n 710054,C h i n a ;2.N o r t h w e s tR e s e a r c h a n dP l a n n i n g I n s t i t u t e ,S t a t eF o r e s t r y a n dG r a s s l a n dA d m i n i s t r a t i o n ,X i 'a n 710041,C h i n a ;3.C o l l e g e o fW a t e rR e s o u r c e s a n dE n v i r o n m e n t ,C h a n g 'a nU n i v e r s i t y ,X i 'a n 710054,C h i n a ;4.K e y L a b o r a t o r y o f S u b s u r fa c e H y d r o l o g y a n dE c o l o g i c a lE f f e c t s i nA r i dR e g i o n ,M i n i s t r y o f E d u c a t i o n ,C h a n g 'a nU n i v e r s i t y ,X i 'a n 710054,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h i s p a p e r r e v e a l s t h e s p a t i o t e m p o r a l c h a n g e so f v e g e t a t i o n i nd i f f e r e n t e c o s ys t e m s i n S h a a n x i P r o v i n c e ,c l a r i f i e s t h e i n f l u e n c em e c h a n i s m s o f d i f f e r e n t c l i m a t i c f a c t o r s a n d t h e i r i n t e r a c t i o n s o n t h ec h a n g e so fv e g e t a t i o n ,a nd p r o v i de sat h e o r e t i c a lb a s i sf o rr eg i o n a le c o l o g i c a le n v i r o n m e n t a l p r o t e c t i o n .[M e th o d s ]B a s e do n MO D I SN D V I a n da n n u a l a v e r a g ehi g h t e m p e r a t u r e ,a n n u a l a v e r a g e l o wt e m p e r a t u r e ,a n n u a l a v e r a g et e m p e r a t u r e ,a n da n n u a lt o t a l p r e c i p i t a t i o n d a t a ,t h i s p a p e ra n a l y z e dt h es p a t i o t e m p o r a l v a r i a t i o nc h a r a c t e r i s t i c so fv e g e t a t i o n N D V I i ne a c hl a n d s c a p e p a r t i t i o nf r o m 2000t o2020b y Th e i l -S e n M e d i a n t r e n d ,p a r t i a l c o r r e l a t i o n ,a n d g e o d e t e c t o r ,a n d t h e i n t e r n a l c o r r e l a t i o n s a n d r e s po n s em e c h a n i s m s o fv e g e t a t i o nN D V I c h a n g e sw i t h p r e c i p i t a t i o n a n d t e m p e r a t u r ew e r e i n v e s t i g a t e db y c o m b i n i n g v a r i a b l e s e p a r a-t i o n.[R e s u l t s]V e g e t a t i o nN D V I i nS h a a n x i f l u c t u a t e d a n d i n c r e a s e d f r o m2000t o2020a t a r a t e o f5.9%/p e r d e c a d e,a m o n g w h i c h t h e r a t e o f v e g e t a t i o nN D V I d e c r e a s e d i n t h e d i f f e r e n t l a n d s c a p e i n t h e o r d e r:N o r t h e r n S h a a n x i>G u a n z h o n g>S o u t h e r nS h a a n x i.T h em u l t i-y e a rv e g e t a t i o n N D V Iv a l u eo f t h e p r o v i n c ew a s0.71, w i t hh i g h l e v e l i n t h e s o u t h a n d l o wl e v e l i n t h e n o r t h.V e g e t a t i o nN D V I i n67%o f t h e r e g i o n s s h o w e d a s i g-n i f i c a n t l y i m p r o v e d t r e n dd u r i n g t h e s t u d yp e r i o d,a n d t h e p r o p o r t i o n i nd i f f e r e n t l a n d s c a p e d e c r e a s e d i n t h e o r d e r:N o r t h e r n S h a a n x i>S o u t h e r n S h a a n x i>G u a n z h o n g.T h ec l i m a t ef a c t o r sf l u c t u a t e d o v e rt i m ei n S h a a n x i f r o m2000t o2020,t h e c h a n g e r a t e s i nd i f f e r e n t l a n d s c a p ed e c r e a s e d i n t h eo r d e r:S h a a n x i S o u t h> G u a n z h o n g>S h a a n b e i.T h e s p a t i a l t r e n d s o f t e m p e r a t u r e f a c t o r s s h o w e d t h e d e c r e a s e i n a n n u a l a v e r a g e h i g h t e m p e r a t u r e,t h e i n c r e a s e i na n n u a l a v e r a g e l o wt e m p e r a t u r e,a n dt h ed e c r e a s e i na n n u a l a v e r a g e t e m p e r a-t u r e,a n d t h e i n c r e a s e i n p r e c i p i t a t i o n.T h e o v e r a l l v e g e t a t i o nN D V I o f S h a a n x i a n d e a c h s u b d i s t r i c t f r o m2000 t o2020w a s n e g a t i v e l y c o r r e l a t e dw i t h a n n u a l a v e r a g e h i g h t e m p e r a t u r e a n d p o s i t i v e l y c o r r e l a t e dw i t h a n n u a l a v e r a g e l o wt e m p e r a t u r e,a n n u a l a v e r a g e t e m p e r a t u r e,a n d a n n u a l t o t a l p r e c i p i t a t i o n.T h e c o n t r i b u t i o n o f a n-n u a l t o t a l p r e c i p i t a t i o nw a s g r e a t e s t i n t h e p r o v i n c e a n dn o r t h e r nS h a a n x i,a n d t h e c o n t r i b u t i o n o f a n n u a l a v-e r a g eh i g h t e m p e r a t u r ew a s g r e a t e s t i nG u a n z h o n g a n ds o u t h e r nS h a a n x i.T h e i n t e r a c t i o no f a n n u a l a v e r a g eh i g h t e m p e r a t u r e a n d t o t a l a n n u a l p r e c i p i t a t i o nh a d t h e s t r o n g e s t i n f l u e n c eo nv e g e t a t i o nN D V I i n t h e p r o v-i n c e,n o r t h e r nS h a a n x i a n d s o u t h e r nS h a a n x i,a n d t h e i n t e r a c t i o nb e t w e e n a n n u a lm e a n t e m p e r a t u r e a n d t o t a l a n n u a l p r e c i p i t a t i o nh a d t h e s t r o n g e s t e f f e c t o n v e g e t a t i o nN D V I i nG u a n z h o n g.T h e i n t e r a c t i o n o f o f p r e c i p i-t a t i o nw i t hm a x i m u ma n d a n n u a l a v e r a g e t e m p e r a t u r e s s i g n i f i c a n t l y i n f l u e n c e d t h e v e g e t a t i o nN D V I c h a n g e s.[C o n c l u s i o n]T h e v e g e t a t i o n i nS h a a n x i a n d t h e s u b-r e g i o n s h a db e c a m e b e t t e r o v e r a l l d u r i n g t h e s t u d yp e r i-o d.T h e v e g e t a t i o n i ne a c hs u b-r e g i o nr e s p o n d e dd i f f e r e n t l y t oc l i m a t e,a n dt h ec o n t r i b u t i o no f e a c hf a c t o r a n d i t s i n t e r a c t i o n s a l s od i f f e r e d.K e y w o r d s:v e g e t a t i o nN D V I;s p a t i o t e m p o r a l v a r i a t i o n;g e o d e t e c t o r;S h a a n x i P r o v i n c e全球变暖导致极端天气和气候事件更频繁地发生,对生态系统产生重大影响[1]㊂植被是陆地生态系统的重要组成部分,连接着大气圈㊁土壤圈㊁水圈等多个圈层[2],在水土保持㊁气候调节㊁碳氮循环等生态系统服务方面发挥着至关重要的作用[3]㊂因此,研究植被变化及其驱动力对生态环境具有重要意义[4]㊂植被变化研究一直备受关注,归一化植被指数(n o r m a l i z e d d i f f e r e n c e v e g e t a t i o n i n d e x,N D V I)是植被生长状况和植被空间分布密度的良好指标[5],常用来表征植被分布与变化㊂不同地域的水热条件差异会显著影响陆地生态系统植被生长[6],降水是控制植被生长的关键因素,特别是干旱半干旱地区,土壤水分会严重限制植被发育[7]㊂气温控制着植被光合作用,同时气温升高可能会影响植被物候㊁延长生长季,进而对植被生长产生显著影响[8]㊂G a o等[9]在毛乌素地沙地N D V I变化研究中,得出气温和降水能够较好地解释植被动态变化,且不同时间尺度上主导因素不同㊂杨延征等[10]使用S P O T-V G T N D V I对陕北地区植被的时空变化进行分析,研究得出气温和降水是影响植被变化的重要气候因子㊂邓晨晖等[11]通过趋势分析㊁多元回归残差法㊁偏最小二乘回归法,分析了秦岭地区2000 2015年植被覆盖的变化特征,探究了其对气候变化与人类活动的双重响应机制㊂已有研究中相关分析㊁偏最小二乘回归和多元回归分析等方法较为常用,然而陆地植被生长对驱动因子响应是一个复杂的过程,往往是非线性和交互关系,而传统的统计方法只有当植被变化与其驱动力之间的关系为线性时才有效[12],因此在开展复杂地貌单元生态系统对比研究时常常不能凸显出其优势㊂近年来,新的模型与分析方法在不断发展,如交叉小波分析[13]㊁支持向量机(S u p p o r tV e c t o rM a c h i n e s,S V M)[14]㊁地理探测器等,其中地理探测器是一种用于探测空间分异性,不必遵循传统统计方法的线性假设,是揭示自变量对因变量影响机制的模型,在土地利用㊁植被生态方面受到学者关注,得到广泛应用[15-16]㊂陕西是黄河和秦岭国家生态保护战略的重点区,作为天然保护林及退耕还林等生态工程的重要实施地区和植被恢复明显的典型省级区域,地跨毛乌素沙地㊁黄土高原㊁关中平原㊁秦巴山地,地貌类型复杂多样,南北自然条件迥异,水土流失㊁沙化等环境问题主444水土保持研究第31卷导因素不同[17]㊂不同地区的植被覆盖空间差异显著,对气候因子的响应也有所不同,因此多年来对陕西省植被变化及其影响的研究备受关注㊂但已有研究多以全省或单独以毛乌素沙地㊁黄土高原㊁关中平原㊁秦岭山区等作为研究区[17-22],基于分区,对陕西不同区域的综合对比分析未开展深入研究,且多从降水与气温均值的角度加以分析,未能进一步分离量化各气候因子的贡献㊂鉴于此,本研究基于MO D I S N D V I㊁年均高温㊁年均低温㊁年均温㊁年总降水量等数据,运用T h e i l-S e n M e d i a n趋势㊁偏相关分析㊁地理探测器等方法,结合不同地貌单元生态系统特征,分离相关因素,探究2000 2020年期间陕西省植被N D V I时空变化及其与气候因子的时间响应关系㊂旨在明确陕西省近20年来植被N D V I的变化趋势,该种趋势是否在不同地貌单元存在显著变化植被对气候因子如何响应,这种关系在不同地貌单元上有何规律和差异? 1研究区与研究数据1.1研究区概况陕西省位于105ʎ29' 111ʎ15'E,31ʎ42' 39ʎ35'N,总面积2.056ˑ105k m2,处于长江和黄河中游地区,主要有高原㊁山地㊁平原和盆地等多种地形,地势南北高㊁中间低㊂陕西省南北气候差异较大,横跨3个气候带,陕北北部长城沿线属中温带气候,陕南属北亚热带气候,关中及陕北大部分属暖温带气候(图1)㊂全省年平均气温为9~16ħ,自南向北㊁自东向西递减,全省年平均降水量为340~1240mm,降水量南多北少,陕南为湿润区,关中为半湿润区,陕北为半干旱区㊂全省植被类型复杂多样,分布差异大,其中陕北长城以北分布沙生植物,植被稀疏,长城以南的榆林南部及延安北部生长有灌木等植被,水土流失严重,植被覆盖较低,北山山脉分布有落叶阔叶林,植被覆盖较高㊂关中地区分布大量农业植被,城市发展导致植被覆盖较低㊂陕南秦岭主体及其以北分布着以暖温带落叶阔叶林为主的植被,巴山地区分布有常绿阔叶林和落叶阔叶林,植被覆盖状况好㊂1.2研究数据N D V I数据基于MO D I SN D V IMO D13Q1数据产品(h t t p s:ʊa d s w e b.n a s c o m.n a s a.g o v/),通过裁剪㊁镶嵌㊁投影变换㊁重采样,使用最大合成法计算得出逐月植被N D V I,将一年内植被N D V I最大值数据作为年植被N D V I数据,得到2000 2020年陕西省1k m分辨率植被N D V I数据㊂年均高温㊁年均低温㊁年均温及年总降水量数据来源于国家科技基础条件平台国家地球系统科学数据中心(h t t p:ʊw w w.g e o d a t a.c n)㊂该数据是根据C R U发布全球0.5ʎ气候数据以及W o r l d C l i m发布的全球高分辨率气候数据,通过D e l t a空间降尺度方案在中国地区降尺度生成,并用496个独立气象观测点数据进行验证得到,经格式转换㊁裁剪㊁投影变换得到2000 2020年陕西省1k m分辨率的年均高温㊁年均低温㊁年均温及年总降水量数据,其中年均高(低)温定义为研究区域内每个1k mˑ1k m栅格像元一年内每日最高(低)气温的均值㊂图1研究区概况F i g.1O v e r v i e wo f t h e s t u d y a r e a2研究方法(1)T h e i l-S e n M e d i a n趋势分析+M a n n-K e n-d a l l检验㊂T he i l-S e n M e d i a n趋势分析是一种非参数统计方法,其优点不需要样本遵循特定分布,计算效率高且对异常值不敏感,不会降低其准确性,具有避免测量误差或异常数据的强大能力㊂对不同线性回归模型的比较表明,该方法在小样本的情况下具有显著优势[23]㊂S=M e d i a n(x j-x ij-i),∀j>i(1)式中:S为植被变化的趋势;M e d i a n为中值函数;x i,x j 为第i和第j年的N D V I数据㊂当S>0时,N D V I表现为上升趋势,反之则呈下降趋势㊂M a n n-K e n d a l l (MK)检验是一种非参数检验,这意味着不需要事先假设数据的统计分布,归一化统计量Z主要用于测试时间序列的趋势和显著性,一般认为|Z|ȡ1.96,即通过了显著性检验:公式如下:S=ðt-1tiðtj=i+1si g n(N D V I i-N D V I j)(2)544第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测s i g n (N D V I i -N D V I j )=-1 i f (N D V I i -N D V I j )<00 i f (N D V I i -N D V I j )=01 i f (N D V I i -N D V I j )>0ìîíïïïï(3)v a r (S )=t (t -1)(2t -5)18(4)Z =S -1v a r (S ) S >00 S =0S +1v a r (S ) S <0ìîíïïïïïï(5)(2)偏相关分析㊂本研究采用偏相关分析方法研究年均高温㊁年均低温㊁年均温及年总降水量与N D V I 之间的偏相关程度,主要是将控制其中3个气候因子,只分析一个气候因子与N D V I 的相关程度,偏相关系数的正负表示年均高温㊁年均低温㊁年均温及年总降水量与N D V I 间的正负相关性[24]㊂r i j ,x yz =r i z ,x y z -r i z ,x y r jz ,x y z (1-r i z ,x y )2-(1-r j z ,x y ))2(6)式中:r i j ,z y z 为偏相关系数,r i j ,z y z >0,则呈正相关,r i j ,z y z <0,则呈负相关㊂(3)地理探测器㊂地理探测器(G e o d e t e c t o r )是一个用于空间数据分析的开源统计模型(h t t p:ʊw w w.ge o d e t e c t o r .c n /),是通过空间分层异质性观点来确定两个变量空间分布的相似性[15]㊂地理探测器由因子探测㊁交互探测㊁风险探测和生态探测组成,本研究主要使用前两种功能㊂因子探测用于检测各影响因素对N D V I (Y )的空间异质性的解释程度㊂q =1-1N σ2ðL h=1N h σ2h (7)式中:h =1,2, ,p ㊂L 是变量(Y )或因子(X )的分层;N h 和N 分别是层h 和整个区域的单元数;δ2h 和δ2分别是分层h 和整个区域的(Y )值的方差㊂q 的取值范围为[0,1]㊂q 的值越大,因子(X )对变量(Y )的解释力就越强,q =0意味着两者无关㊂因子交互用来识别两因子是否对因变量Y 有交互作用,即这两个因子共同作用时,是增加还是减少对N D V I 的解释力,交互类型见表1㊂表1 地理探测器因子交互类型T a b l e 1 T y p e s o f ge o d e t e c t o rf a c t o r i n t e r a c t i o n s 交互类型描述非线性减弱 q (X 1ɘX 2)<m i n q (X 1),q (X 2)单因子非线性削弱m i n q (X 1),q (X 2)<q (X 1ɘX 2)<m a x q (X 1),q (X 2)双因子增强 q (X 1ɘX 2)>m a x q (X 1),q (X 2)独立 q (X 1ɘX 2)=q (X 1)+q (X 2)非线性增强q (X 1ɘX 2)>q (X 1)+q (X 2)3 结果与分析3.1 N D V I 时空变化分析3.1.1 N D V I 空间分布特征由图2可知,陕西省多年N D V I 为0.02~0.96,均值为0.71㊂参照李霞等[16]研究,本研究采用等间隔法,将N D V I 空间分布划分为5个等级:低植被覆盖(0~0.2)㊁中低(0.2~0.4)㊁中植被覆盖(0.4~0.6)㊁中高植被覆盖(0.6~0.8)㊁高植被覆盖(0.8~1.0)㊂全省植被覆盖南高北低,呈现由南部向北部地区逐渐递减㊂陕南秦巴地区植被覆盖主要以高植被覆盖为主,占比88%,其次中高植被覆盖占比11.6%,中等以下植被覆盖占比0.4%㊂关中地区植被覆盖以中高植被覆盖为主,占比50%,其次高植被覆盖占比38.9%,中等及以下植被覆盖占比11.1%㊂陕北植被覆盖低,以中等植被覆盖为主,占比50.4%,其次高植被覆盖占比12.8%,中低及以下植被覆盖占比14.3%㊂全省高植被覆盖区占比44.9%,主要集中分布在秦岭南麓勉县留坝太白南佛坪洋县宁陕镇安旬阳白河一带和巴山北麓南郑镇巴紫阳岚皋平利镇坪一带,在黄陵和黄龙等地呈零散分布,中高植被区占比26.3%,主要分布在北山山脉一带㊁宝鸡西北部㊁秦岭与关中交界一带㊁秦岭东部;中等植被覆盖区占比22.9%,主要分布陕北长城以南,北山山脉以北;中低及低植被覆盖区占比5.9%,主要在陕北长城沿线以北以及西安城区㊂3.1.2 N D V I 时空动态变化特征如图3A 所示,总体来看,2000 2020年陕西省N D V I 在时间上呈现出波动增加的趋势,增加速率为5.9%/10a ,N D V I 在0.62~0.76之间波动,各分区在N D V I 增加速率上,陕北地区>关中地区>陕南地区,其中陕北地区N D V I 增加速率为9.7%/10a ,N D V I 在0.41~0.64之间波动,关中地区增加速率为3.6%/10a ,N D V I 在0.67~0.79之间波动,陕南地区增加速率为3.1%/10a㊂2000 2020年陕西省N D V I 在空间上整体以上升为主,变化率在-0.040~0.043/a 之间,平均趋势644 水土保持研究第31卷为0.006/a(图3B),各分区变化趋势为陕北(0.01/a) >关中(0.004/a)>陕南(0.003/a),主要因为陕北地区植被覆盖基数相对较差,近年来的植被恢复措施效果明显㊂关中地区城市化扩张迅速㊁农业发展良好等多种因素共同导致N D V I发生变化㊂陕南地区植被覆盖现状较好,相比而言N D V I变化速率较慢(图3A)㊂全省有93.3%的区域N D V I呈现增长趋势,其中陕北增长区域占比最大(42.2%),其次为陕南(34.2%)㊁关中(23.6%);全省6.7%的区域N D V I 呈减少趋势,以关中地区为主(74.7%),其次为陕南(18.7%)㊁陕北(6.6%)㊂同时各分区均呈现整体增长的趋势,增长区域陕北(98.9%)>陕南(96.4%)>关中(82.4%),关中地区减少区域在各分区中最大(17.6%),其次为陕南(3.6%)㊁陕北(1.1%)㊂图2陕西省多年植被N D V I值及植被空间分布F i g.2M u l t i-y e a r v e g e t a t i o nN D V I v a l u e s a n d s p a t i a ld i s t r i b u t i o no f ve g e t a t i o n i nS h a a n x i P r o v i n c e图3陕西省及各分区植被N D V I时间变化(A)㊁空间变化趋势(B)及显著性(C)F i g.3T e m p o r a l v a r i a t i o n(A),s p a t i a l t r e n d(B)a n d s i g n i f i c a n c e(C)o f v e g e t a t i o nN D V I i nS h a a n x iP r o v i n c e a n d e a c h s u b r e g i o n i nS h a a n x i P r o v i n c e a n d e a c h s u b z o n e结合MK显著性检验结果,如图3C所示,将N D V I趋势变化划分为严重退化㊁轻微退化㊁稳定不变㊁轻微改善㊁明显改善5个等级㊂全省植被显著改善区域比例达67%,主要分布在陕北和陕南地区,其中陕北占显著改善区域的46%,其次为陕南(33.3%)㊁关中(20.7%),这与陕北大力实施退耕还林还草㊁植被造林等生态恢复工程有着密切的关系,而秦巴山地涵养水源功能较好,对气候适应性较强,受人类活动破坏影响较小,随着退耕还林及天保工程的逐步实施,植被在不断改善,区域生态恢复取得明显效果㊂轻微改善区域占比10.4%,主要零散分布在陕北地区的定边关中㊁渭河沿岸以及陕南秦岭南麓各县,其中关中地区占轻微改善区域比例最大(40.6%),其次为陕南(38.8%),陕北(20.6%),而植被显著退化及轻微退化区域分别占18.2%,2.5%,主要在关中地区(分别占比80%,73.4%),集中分布在西安㊁渭南㊁富平㊁鄠邑㊁泾阳㊁眉县等地,这些区域人口密度较大,生产活动较为频繁,城市建设迅速,大量的农业用地被占用,使得植被覆盖度降低,汉中及安康等城区是陕南人口密度大㊁活动频繁的地区,植被也有所退化㊂3.2气候因子时空变化分析3.2.1气候因子时间动态特征如图4所示,2000 2020年陕西省气温㊁降水在时间上整体呈缓慢变化趋势,气候有暖湿化的可能,2000 2012年全省及各分区年均高温和年均温变化曲线大致相似,2014 2020年年均高温㊁年均低温及年均温变化曲线大致相似,在2013年年均高温突降,而年均温反增,年均低温稍增, 2013年前年均温和年均高温可能关联性较强,而2013年以后年均温和年均高温㊁年均低温关系均较强㊂整个研究期内全省年均高温变化速率为-0.042ħ/10a,年均低温变化速率为0.09ħ/10a,表现为陕南>关中>陕北;年均温变化速率为0.039ħ/10a,表现为关中>陕北>陕南;年总降水量变化速率为5.98mm/10a,表现为陕北>陕南>关中㊂744第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测图4陕西省及各分区年均高温(A)㊁年均低温(B)㊁年均温(C)及年总降水(D)时间变化趋势F i g.4T e m p o r a l t r e n d s i nm e a na n n u a l h i g h t e m p e r a t u r e(A),m e a na n n u a l l o wt e m p e r a t u r e(B),m e a n a n n u a l t e m p e r a t u r e(C)a n d t o t a l a n n u a l p r e c i p i t a t i o n(D)i nS h a a n x i P r o v i n c e a n d t h e s u b-r e g i o n s3.2.2气候因子空间分布及变化趋势3种气候因子高值区在空间分布上较为一致,主要分布在秦岭南麓及关中地区,主要以秦岭为界,低值区主要分布在秦岭地区和陕北地区(图5A,5D,5G)㊂对3种气温因子分别进行趋势分析,全省年均高温变化趋势在-0.010~0.040ħ/a之间,75.2%的区域年均高温呈现降低趋势,主要分布在陕北延安西部㊁关中地区以及陕南汉中盆地等地,通过显著性检验的区域零散分布在秦岭西部及南麓㊂24.8%的区域呈现升高趋势,主要分布在陕北榆林东部及北部和定边等地,且年均高温升高区域基本全部通过显著性检验(图5B,5C)㊂全省年均低温变化趋势在-0.040~0.051ħ/a之间,63.7%的区域年均低温呈现升高趋势,但仅有秦岭西南部通过了显著性检验㊂36.3%的区域年均低温呈现降低趋势,主要分布在延安及关中地区西部,但显著性不强(图5E, 5F)㊂全省年均温变化趋势在-0.05~0.043ħ/a之间, 59.1%的区域年均温呈现降低趋势,主要分布在延安及关中地区西部,但显著性不强,41.95%的区域年均温呈现上升趋势,主要分布在榆林东部及北部和定边等地,显著性不强(图5H,5I)㊂全省年总降水量与N D V I分布相似,陕南地区最高,由南向北逐渐降低,陕北降水最少,主要由于陕北主要为黄土高原㊁毛乌素沙地等,地处干旱半干旱区,全年干旱少雨㊂对其进行趋势分析,全省变化趋势在-5.867~5.566 m m/a之间,70.1%的地区年总降水量呈现出增加的趋势, 29.8%的区域年总降水量呈现出减少的趋势,主要为秦岭地区,但均不显著(图5J,5K,5L)㊂3.3植被N D V I对气候因子的响应3.3.1植被N D V I与气候因子偏相关分析不同地区水热条件不同,植被变化存在空间差异,本文将年均高温㊁年均低温㊁年均温㊁年总降水量作为自变量, N D V I作为因变量,对其进行偏相关分析㊂如图6A所示,N D V I与年均高温的偏相关系数在-0.95~0.84之间㊂全省及各分区N D V I与年均高温整体呈负相关,全省占比为83.8%,各分区占比为陕南(88.3%)>陕北(87.0%)>关中(74.3%)㊂全省16.2%的区域N D V I 与年均高温呈正相关,分布在定边㊁榆阳㊁延长㊁吴堡㊁铜川㊁渭南㊁咸阳㊁宝鸡㊁汉中等地㊂全省及各分区N D V I与年均低温㊁年均温及年降水整体呈正相关(图6B㊁图6C㊁图6D)㊂其中N D V I 与年均低温的偏相关系数在-0.82~0.93之间,全省呈正相关的区域占比为68.2%,各分区占比为陕南(86.3%)>关中(74.5%)>陕北(50.2%),全省与年均温负相关区域占比31.8%;N D V I与年均温的偏844水土保持研究第31卷相关系数在-0.81~0.89之间㊂全省呈正相关的区域占比56.1%,各分区占比为陕北(85.1%)>关中(44.1%)>陕南(31.3%),集中分布在陕北㊁关中北部㊂全省与年均温负相关区域占比43.9%;N D V I与年总降水量的偏相关系数在-0.81~0.84之间㊂全省及呈正相关的区域占比为56.5%,各分区占比为陕北(83.1%)>关中(47.1%)>陕南(32.5%),集中分布在陕北北部及东部㊁关中中部及北部等㊂全省与年总降水量呈负相关区域占比43.5%,集中分布在黄土高原中部㊂图5陕西省年均高温(A,B,C)㊁年均低温(D,E,F)㊁年均温(G,H,I)及年总降水(J,K,L)空间分布及变化趋势F i g.5S p a t i a l d i s t r i b u t i o na n d t r e n d s o f a n n u a l a v e r a g e h i g h t e m p e r a t u r e(A,B,C),a n n u a l a v e r a g e l o wt e m p e r a t u r e(D,E,F),a n n u a l a v e r a g e t e m p e r a t u r e(G,H,I)a n da n n u a l t o t a l p r e c i p i t a t i o n(J,K,L)i nS h a a n x i P r o v i n c e3.3.2 N D V I对降水和气温的响应地理探测器单因子探测结果显示(表2),4种气候因子年均高温(X1)㊁年均低温(X2)㊁年均温(X3)㊁年总降水量(X4)对植被N D V I的贡献(q值)存在明显差异,不同地区的q值也不相同㊂陕西省年总降水量的贡献最大(q=0.778),其次为年均低温㊁年均高温㊁年均温㊂陕北地区的各因子贡献度与陕西省类似,年总降水量贡献最大(q=0.798),然而在关中地区,年均高温对N D V I的贡献最大(q= 0.650)㊂其次为年均温㊁年均低温㊁年总降水量,对于陕南地区,年均高温的贡献最大(q=0.455),其次为年944第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测均温,年均低温和年总降水量的贡献较小,且未通过显著性检验(p<0.05)㊂图6陕西省植被N D V I和偏相年均高温(A)㊁年均低温(B)㊁年均温(C)及年降水(D)偏相关系数F i g.6P a r t i a l c o r r e l a t i o n c o e f f i c i e n t s o f v e g e t a t i o nN D V I a n da n n u a l a v e r a g e h i g h t e m p e r a t u r e(A),a n n u a l a v e r a g el o wt e m p e r a t u r e(B),a n n u a l a v e r a g e t e m p e r a t u r e(C)a n da n n u a l t o t a l p r e c i p i t a t i o n(D)i nS h a a n x i P r o v i n c e因子交互结果显示(表3),无论是非线性增强还是双因子增强,降水和气温之间交互均强于气温之间交互㊂对于全省和陕北地区,各交互作用类型相似,年均高温㊁年均低温㊁年均温互相交互时,其作用对N D V I的影响均为非线性增强,交互作用的贡献大于气温因子各自单独作用时的贡献之和,当年均高温㊁年均低温㊁年均温与年总降水量分别交互时,其影响力均为双因子增强,交互作用的贡献均大于各单一因子的贡献㊂在各交互作用中,年均高温ɘ年总降水量的影响力最大㊂全省各交互作用大小为年均高温ɘ年总降水量(0.866)>年均温ɘ年总降水量(0.846)>年均低温ɘ年总降水量(0.829)>年均高温ɘ年均低温(0.810)>年均低温ɘ年均温(0.653)>年均高温ɘ年均温(0.650),气温参与交互增强了降水的贡献㊂陕北地区各交互作用大小为年均高温ɘ年总降水量(0.899)>年均温ɘ年总降水量(0.883)>年均低温ɘ年总降水量(0.860)>年均高温ɘ年均低温(0.806)>年均低温ɘ年均温(0.760)>年均高温ɘ年均温(0.694)㊂陕南地区与全省和陕北地区相反,年均高温㊁年均低温㊁年均温彼此交互时,均为双因子增强,即交互作用的贡献均大于各单一因子的贡献,而与年总降水量交互时,为非线性增强,即交互作用的贡献大于各自单独作用时的贡献之和,同样也是年均高温ɘ年总降水量影响力最大,各交互作用大小为年均高温ɘ年总降水量(0.617)>年均温ɘ年总降水量(0.594)>年均低温ɘ年总降水量(0.586)>年均高温ɘ年均低温(0.549)>年均高温ɘ年均温(0.516)>年均低温ɘ年均温(0.462)㊂关中地区各因子交互作用影响力均为双因子增强,交互作用的贡献均大于各单一因子的贡献,年均温ɘ年总降水量影响力最大,各交互作用大小年均温ɘ年总降水量(0.748)>年均高温ɘ年总降水量(0.741)>年均低温ɘ年总降水量(0.728)>年均高温ɘ年均低温(0.689)>年均高温ɘ年均温(0.679)>年均低温ɘ年均温(0.642)㊂表2单因子探测结果T a b l e2S i n g l e f a c t o r d e t e c t i o n r e s u l t s区域影响因子q值p值陕西省X10.2030*X20.3480*X30.1860*X40.7780*陕北X10.2020*X20.4600*X30.0940.004*X40.7980*关中X10.6500*X20.5240*X30.6140*X40.4670*陕南X10.4550.002*X20.3880.284X30.4220*X40.1210.223注:q值为因子贡献度,*为通过P<0.05显著性检验㊂4讨论植被变化是一个长期复杂的动态过程,受自然和人类活动的共同作用㊂本研究发现,陕西省N D V I 由南至北逐渐降低,整体以改善为主,陕北最为明显,与已有研究较为一致[17-20],降水和气温是影响植被生长的主要因素,多年来气候具有暖湿化的趋势,可能054水土保持研究第31卷有利于植被生长[17,25],另外,陕西省及各分区气候与植被N D V I 变化趋势不同步,一方面,这可能是由于气候变化的影响存在滞后和累计效应[26],另一方面,近年来全省大力实施退耕还林还草㊁天然林保护等生态工程,在一定程度上增加了植被N D V I [7,27]㊂随着双碳目标的实施,政府逐步开展国土科学绿化工作,大力进行国家储备林及碳汇林建设,未来植被改善趋势会进一步凸显㊂表3 多因子交互结果T a b l e 3 M u l t i -f a c t o r i n t e r a c t i o n r e s u l t s 区域交互作用交互值影响力X 1ɘX 20.810非线性增强X 1ɘX 30.650非线性增强陕西省X 1ɘX 40.866双因子增强X 2ɘX 30.653非线性增强X 2ɘX 40.829双因子增强X 3ɘX 40.846双因子增强X 1ɘX 20.806非线性增强X 1ɘX 30.694非线性增强陕北X 1ɘX 40.899双因子增强X 2ɘX 30.760非线性增强X 2ɘX 40.860双因子增强X 3ɘX 40.883双因子增强X 1ɘX 20.689双因子增强X 1ɘX 30.679双因子增强关中X 1ɘX 40.741双因子增强X 2ɘX 30.642双因子增强X 2ɘX 40.728双因子增强X 3ɘX 40.748双因子增强X 1ɘX 20.549双因子增强X 1ɘX 30.516双因子增强陕南X 1ɘX 40.617非线性增强X 2ɘX 30.462双因子增强X 2ɘX 40.594非线性增强X 3ɘX 40.586非线性增强长城沿线和毛乌素沙地东南部植被表现出与高温负相关,与低温㊁均温和降水呈正相关,而陕北中南部则与低温和高温呈负相关,一方面,这些区域同属干旱半干旱区,降水相对较为匮乏,植被对降水的需求大,降水成了制约植被生长的重要因素,这与前人研究一致[25,28]㊂另一方面,气候寒冷,积温不足,植被生长需要一定的热量条件,气温的上升,尤其是低温的上升,对该地区的植被生长起到了促进作用[20,29],然而,植被生长有最适范围,超过最适范围会进一步加剧地区土壤蒸发和植被蒸腾,从而造成地表缺水,水土流失加剧,对降水量稀少的干旱半干旱地区的植被生长造成不利作用[26]㊂但是子午岭一带山脉海拔较高,本身植被覆盖相对较高,涵养水源能力较好,与年总降水量呈现微弱的负相关,适宜的光照和气温促进植物光合作用,而温度过高或过低均会抑制植被生长[18,27]㊂在气候因子中,降水对植被的影响最强,并且与气温尤其是与高温交互显著提高了对植被的作用,这与贺军奇等[25]在毛乌素沙地东南部的研究有所差异,可能是因为研究区域以及研究时间尺度不同㊂秦岭及以南大部分地区降水量多,导致了植被对降水的敏感性降低㊂一般而言,对于大多数区域,太阳日照对植被产生影响,一方面降水量的增加意味着日照减少,光合作用减弱,在一定程度上抑制了植被的生长㊂同时该区域海拔高,温度较低,热量成为植被生长的主要限制因素,温度较低时,植被生长不利,温度升高,植被物候提前,生长季延长,植被长势变好与温度继续升高加剧了植被蒸腾,而且植被具有调节温度的作用,植被的增加又会降低局部地表温度,反过来抑制了植被生长[30]㊂因子探测与交互结果显示,年均高温对陕南植被N D V I 的贡献最大(抑制作用),当年均高温和年总降水量的交互时更是增强了年均高温的影响,但是陕南的植被N D V I 呈现增加趋势,说明气候因素对该地区的植被N D V I 影响有限,可能是一些生态工程或措施如退耕还林㊁森林抚育等促进了区域植被生长[11]㊂而关中等地农业发展较好,农业灌溉较为普遍,对天然降水的响应有所减弱,气温因素对植被N D V I 的影响更大,与已有研究类似[21],同时因子探测结果也显示关中气温的贡献大于降水,并且降水和气温的交互增强了气温的影响力㊂尽管陕西省南北差异较大,不同地区的气候对植被的影响程度有所不同,但人类活动对于植被的影响也不容忽视㊂在人类活动和气候因素的共同作用下,陕西省植被发生了显著改变,一些生态政策的实施大大改善了植被状况,然而同时也要注意的是,生态工程实施改善植被的同时,是否也会对当地气候与水资源产生影响[18],因地制宜,科学绿化的生态修复显得尤为重要㊂本文在分析植被N D V I 变化趋势的基础上,通过偏相关分析以及地理探测器量化了陕西省不同地区植被N D V I 对年均高温㊁年均低温㊁年均温㊁年总降水量的响应及其贡献大小,但对人类活动的影响考虑不足,综合考虑自然和人类因素,将代表人类活动的因子纳入研究,量化不同地区不同植被类型N D V I 自然和人类活动贡献及其交互作用,是值得进一步研究的方向㊂154第2期李霞等:2000 2020年陕西省植被N D V I 时空变化及气候因子探测。

豫西山地植被NDVI及其气候响应的多维变化_张静静

豫西⼭地植被NDVI及其⽓候响应的多维变化_张静静地理研究GEOGRAPHICAL RESEARCH 第36卷第4期2017年4⽉V ol.36,No.4April,2017豫西⼭地植被NDVI 及其⽓候响应的多维变化张静静，郑辉，朱连奇，崔耀平，张晓东，叶露培（河南⼤学环境与规划学院，开封475004）摘要：豫西⼭地是秦岭⼭系在河南境内的余脉，处于亚热带向暖温带的过渡区域，是⽓候变化的敏感区。

利⽤S-G 滤波算法重构2000-2013年MODIS-NDVI 时序影像，结合DEM 、⽓温和降⽔数据，运⽤趋势分析、相关性分析等⽅法探讨豫西⼭地NDVI 及其⽓候响应的多维变化。

结果表明：①14年来豫西⼭地NDVI 呈增长态势，增速为0.041/10a 。

NDVI 值随⼭地海拔升⾼先增后降，随坡度增加⽽增⼤，在各坡向的分布相差不⼤。

②植被在<1100m 海拔区恢复概率最⾼，在>1700m 区域退化概率最⾼；在10°~20°坡度区域恢复概率最⾼，在0°~5°区域退化概率最⾼；坡向对植被变化的分异作⽤不明显。

③不同海拔、坡度、坡向上的植被所受影响因素不同，⾼海拔区植被动态主要受降⽔控制；不同坡度上的植被NDVI 与⽓温的相关性均⼤于与降⽔的；在不同坡向上差异不明显。

④崤⼭、熊⽿⼭、伏⽜⼭三⼤⼭脉北坡NDVI 增速均⼤于南坡；北坡植被对降⽔变化较敏感，⽽南坡植被对⽓温变化较敏感。

这些都是在全球变化背景下该区⽣态环境响应的重要信号，反映了过渡带⽣态响应因⼦对⼭地⽣态系统的重要性。

关键词：植被NDVI ；⽓温和降⽔；响应；多维变化；豫西⼭地DOI:10.11821/dlyj2017040141引⾔豫西⼭地地处北亚热带和暖温带过渡带，同时是中国地形由第⼆阶梯向第三阶梯转换的地带，具有多样性的景观特点；其⼭地地理环境特征及垂直带谱结构的研究对于理解⼤尺度地域分异规律具有积极的作⽤[1-4]。

不同土地利用类型下NDVI对气侯因子的响应

不同土地利用类型下NDVI对气侯因子的响应不同土地利用类型下NDVI对气候因子的响应植被覆盖是土地利用类型的重要指标，对环境和生态系统具有重要影响。

近年来，随着遥感技术的发展，可以通过遥感数据获取和分析植被覆盖指标，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）。

NDVI 是一种评估土地植被状况的指数，通过测量不同波段的反射率来计算，被广泛应用于研究植被覆盖变化、生态环境评价等领域。

本文将探讨不同土地利用类型下NDVI对气候因子的响应。

首先分析不同土地利用类型对NDVI的影响。

植被覆盖的茂密程度与土地利用类型密切相关。

例如，森林和草地往往具有较高的植被覆盖率，而城市和荒漠地区则较低。

因此，这些不同土地利用类型的NDVI数值也会有所不同。

通过对不同土地利用类型下NDVI数据的统计分析，可以发现植被覆盖率最高的是森林地区，其次是草地，城市和荒漠地区则处于较低水平。

其次，研究NDVI对气候因子的响应。

气候因子是影响植被生长和发展的主要因素之一。

常见的气候因子包括降水、温度、光照等。

在研究过程中需要分析不同土地利用类型下NDVI与气候因子的关系。

以降水为例，降水是植被生长的重要水源，对NDVI有着显著影响。

分析不同土地利用类型下NDVI和降水数据的相关性，可以发现相对于城市和荒漠地区，森林和草地的NDVI值更受降水影响。

在高降水量的气候条件下，植被覆盖的茂密程度相对增加，对应的NDVI数值也会较高。

此外，温度是另一个重要的气候因子。

植物在一定的温度范围内能够正常生长，超出温度范围则会对植被产生不利影响。

分析不同土地利用类型下NDVI和温度数据的相关性，可以发现相对于城市和荒漠地区，森林和草地的NDVI值更受温度影响。

在合适的温度范围内，植被覆盖率相对较高，对应的NDVI数值也会增加。

光照是影响植被生长的另一个重要因素。

植物通过光合作用进行养分合成和生长发育。

应用多时序特征的哨兵系列影像对南方丘陵区树种识别

第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（４２１６１０５７）㊂第一作者简介：王洁，女，１９９９年１０月生，江西理工大学土木与测绘工程学院，硕士研究生㊂Ｅ－mail：187****9219＠１６３．ｃｏｍ㊂通信作者：李恒凯，江西理工大学土木与测绘工程学院，教授㊂Ｅ－ｍａｉｌ：ｇｉｓｋａｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月１１日㊂责任编辑：王广建㊂应用多时序特征的哨兵系列影像对南方丘陵区树种识别１）王洁㊀李恒凯龙北平张建莹（江西理工大学，赣州，３４１０００）㊀（江西省煤田地质局测绘大队）㊀（江西理工大学）㊀㊀摘㊀要㊀树种分类是森林资源调查和监测的重要工作，杉木和油茶作为袁州区主要经济树种，准确获取树种空间分布信息，对产量估算和资源管理具有重要意义㊂以江西省宜春市袁州区为研究区，试验融合时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）㊁哨兵－２（Ｓｅｎｔｉｎｅｌ－２）等数据，结合中国南方丘陵区树种特点，提取植被指数㊁红边植被指数㊁地形特征和纹理特征等构建特征变量组合，分别利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征重要性排序和特征优选，分析各特征对树种分类的影响㊂结果表明：①在使用光谱特征和植被－水体指数的基础上加入不同特征后，树种分类精度均有提升，其中纹理特征的加入更有利于树种分类㊂②结合随机森林算法和特征权重算法（ＲｅｌｉｅｆＦ）对树种分类的精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１，优于相同特征组下的支持向量机算法和分类回归树算法㊂关键词㊀树种分类；哨兵－１；哨兵－２；特征优选；随机森林；中国南方丘陵分类号㊀Ｓ７７１ＴｒｅｅＳｐｅｃｉｅｓＩｄｅｎｔｉｆｉｃａｔｉｏｎｉｎＳｏｕｔｈｅｒｎＨｉｌｌｙＡｒｅａｓＵｓｉｎｇＳｅｎｔｉｎｅｌＳｅｒｉｅｓＩｍａｇｅｓｗｉｔｈＭｕｌｔｉ⁃ＴｅｍｐｏｒａｌＦｅａｔｕｒｅｓ／／ＷａｎｇＪｉｅ，ＬｉＨｅｎｇｋａｉ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｐ．Ｒ．Ｃｈｉｎａ）；ＬｏｎｇＢｅｉｐｉｎｇ（ＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＣｏａｌＧｅｏｌｏｇｙＢｕｒｅａｕｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＢｒｉｇａｄｅ）；ＺｈａｎｇＪｉａｎｙｉｎｇ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉ⁃ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：６０－６８．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｔａｓｋｉｎｆｏｒｅｓｔｒｅｓｏｕｒｃｅｉｎｖｅｓｔｉｇａｔｉｏｎａｎｄｍｏｎｉｔｏｒｉｎｇ．ＩｎｔｈｅＹｕａｎｚｈｏｕｒｅｇｉｏｎ，Ｃｈｉｎｅｓｅｆｉｒａｎｄｃａｍｅｌｌｉａｏｉｌｔｒｅｅｓｔａｎｄｏｕｔａｓｔｈｅｐｒｉｍａｒｙｅｃｏｎｏｍｉｃｔｒｅｅｓｐｅｃｉｅｓ．Ａｃｃｕｒａｔｅｌｙｏｂｔａｉｎｉｎｇｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎ⁃ｆｏｒｍａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｙｉｅｌｄｅｓｔｉｍａｔｉｏｎａｎｄｒｅｓｏｕｒｃｅｍａｎａｇｅｍｅｎｔ．ＴａｋｉｎｇｔｈｅｓｔｕｄｙａｒｅａｏｆＹｕａｎｚｈｏｕＤｉｓｔｒｉｃｔ，ＹｉｃｈｕｎＣｉｔｙ，ＪｉａｎｇｘｉＰｒｏｖｉｎｃｅ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｆｕｓｅｄｔｈｅｄａｔａｏｆｔｉｍｅ－ｓｅｒｉｅｓＳｅｎｔｉｎｅｌ－１（Ｓｅｎｔｉｎｅｌ－１）ａｎｄＳｅｎｔｉｎｅｌ－２（Ｓｅｎｔｉｎｅｌ－２），ａｎｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｔｒｅｅｓｐｅｃｉｅｓｉｎｔｈｅｓｏｕｔｈｅｒｎｈｉｌｌｙａｒｅａｓｏｆＣｈｉ⁃ｎａ，ａｎｄｅｘｔｒａｃｔｅｄｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ｔｈｅｒｅｄ⁃ｅｄｇｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｅｓ，ｔｈｅｔｏｐｏｇｒａｐｈｉｃｆｅａｔｕｒｅｓａｎｄｔｈｅｔｅｘｔｕｒａｌｆｅａｔｕｒｅｓｔｏｃｏｎｓｔｒｕｃｔｔｈｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｒｉａｂｌｅｓ．Ｔｈｅｆｅａｔｕｒｅｉｍｐｏｒｔａｎｃｅｒａｎｋｉｎｇａｎｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｗｅｒｅｐｅｒ⁃ｆｏｒｍｅｄｕｓｉｎｇｔｈｅＳＥａＴＨｍｅｔｈｏｄａｎｄｔｈｅＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｍｐａｃｔｏｆｅａｃｈｆｅａｔｕｒｅｏｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉ⁃ｆｉｃａｔｉｏｎｗａｓａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：（１）Ｔｈｅａｄｄｉｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｉｍｐｒｏｖｅｄｔｈｅａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎｔｈｅｂａｓｉｓｏｆｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓａｎｄｖｅｇｅｔａｔｉｏｎ⁃ｗａｔｅｒｉｎｄｅｘ，ｗｉｔｈｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｂｅｉｎｇｍｏｒｅｂｅｎｅｆｉｃｉａｌｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ．（２）ＴｈｅｃｏｍｂｉｎａｔｉｏｎｏｆＲａｎｄｏｍＦｏｒｅｓｔａｌｇｏｒｉｔｈｍａｎｄＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍａｃｈｉｅｖｅｄｔｈｅｈｉｇｈｅｓｔａｃ⁃ｃｕｒａｃｙｉｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ８５．３３％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．８１，ｏｕｔｐｅｒｆｏｒｍｉｎｇＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅａｌｇｏｒｉｔｈｍａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｓａｍｅｆｅａｔｕｒｅｓｅｔ．Ｋｅｙｗｏｒｄｓ㊀Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ；Ｓｅｎｔｉｎｅｌ－１；Ｓｅｎｔｉｎｅｌ－２；Ｆｅａｔｕｒｅｏｐｔｉｍｉｚａｔｉｏｎ；Ｒａｎｄｏｍｆｏｒｅｓｔ；Ｃｈｉｎａｓｏｕｔｈ⁃ｅｒｎｈｉｌｌｓ㊀㊀森林生态系统变化的长期调查监测与评价是实现经济㊁社会与环境和谐快速发展的保障［１］㊂中国南方丘陵地区位于秦岭－淮河以南㊁青藏高原以东的山地和丘陵分布区，区域内森林资源丰富，植被覆盖面积广㊁林分结构复杂㊁地形破碎，传统的森林资源调查方法成本高㊁周期长㊂通过遥感影像能快速㊁准确地进行树种识别和分类，已有多种类型遥感影像应用于树种识别和监测［２－５］㊂利用时序遥感影像提取和分析植被物候信息，能够准确的反映植被生长过程中明显的季节周期性变化，进而提升树种分类的效果［６－７］㊂近年来，欧洲空间局（ＥＳＡ）哥白尼计划发布的哨兵－２（Ｓｅｎｔｉｎｅｌ－２）时间序列影像数据，为树种分类提供了具有高空间分辨率的数据源㊂其红边㊁近红外和短波红外等波段提供了多种光谱信息，在树种识别研究中具有巨大潜力［８］㊂然而，在大尺度多云雨的南方丘陵地区，光学影像数据的获取极易受到限制㊂合成孔径雷达（ＳＡＲ）具有全天时㊁全天候等特点，雷达后向散射系数能够提供不同于光学影像的信息，包括植被的含水量㊁土壤含水量以及地表的几何特征等，广泛用于植被监测及分类㊂杨丹等［９］利用时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）数据和深度循环网络方法对植被进行分类制图，总体精度为８２％㊂为了提高树种分类精度，将光谱数据和其它数据相结合，发现对树冠形状不同的树种，纹理特征具有重要作用［１０］㊂不同空间分布的树种的地形特征也有所不同，地形特征对地形复杂区域树种的提取也具有重要作用［１１］㊂黄翀等［１２］利用Ｓｅｎｔｉｎｅｌ－２和Ｓｅｎｔｉｎｅｌ－１对人工林进行分类，总体精度为８５％，验证了纹理特征㊁后向散射特征在树种精细分类上的能力㊂Ｍａｅｔａｌ．［１３］通过实验证明地形特征能提高树种提取精度㊂因此，利用雷达㊁光学影像数据和地形数据提取不同树种特征，可实现多源遥感互补［１４］㊂除影像数据外，算法也是影响树种分类精度的重要因素，遥感数据和机器学习的结合已成为树种分类的主要方法㊂Ｗａｎｇｅｔａｌ．［１５］使用随机森林（ＲＦ）算法结合多时相㊁多特征Ｓｅｎｔｉｎｅｌ－２数据对长白山树种进行分类，总体精度为９９．７９％；Ｈｕｅｔａｌ．［１６］采用支持向量比（ＳＶＭ）算法应用多源遥感数据对树种进行分类，总体精度为８９％；Ｃｈｅｎｅｔａｌ．［１７］采用决策树算法（ＣＡＲＴ）和ＱｕｉｃｋＢｉｒｄ图像进行树种分类，总体精度为８０．５０％㊂表明随机森林算法（ＲＦ）㊁支持向量机算法（ＳＶＭ）㊁决策树算法（ＣＡＲＴ）等机器学习算法均可以用于树种分类㊂本研究以江西省宜春市袁州区为例，结合研究区林地实地调查数据，将时序Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和数字高程模型（ＤＥＭ）数据相结合，提取不同树种特征，利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，通过ＲＦ㊁ＳＶＭ和ＣＡＲＴ分类算法进行对比分析，构建适用于南方丘陵山地的最佳树种分类算法模型，并验证多源数据相结合对大范围树种分类提取的可行性㊂分析适合南方丘陵地区树种分类的最佳特征因子组合，提取不同树种的空间分布信息，提高森林资源调查和监测的时效性㊂１㊀研究区概况袁州区位于中国江西省宜春市西南部，地理坐标位于１１３ʎ５４ᶄ １１４ʎ３７ᶄＥ㊁２７ʎ３３ᶄ ２８ʎ５ᶄＮ，土地总面积２５３２ｋｍ２㊂区域内地貌以山地㊁丘陵为主，地势西高东低，是典型的南方丘陵区㊂气候属亚热带季风湿润性气候，森林资源丰富，植被物种多种多样，森林覆盖率达６０．１５％㊂袁州区主要树种为杉木（Ｃｕｎｎｉｎｇｈａｍｉａｌａｎｃｅｏｌａｔａ）㊁油茶（Ｃａｍｅｌｌｉａｏｌｅｉｆ⁃ｅｒａ）㊁松树（Ｐｉｎｕｓ）等㊂其中，杉木㊁松树和桉树（Ｅｕ⁃ｃａｌｙｐｔｕｓ）并称为中国南方三大用材树种，具有较高的经济价值㊂油茶产业是袁州区的特色优势产业，其产量和面积均位于中国前列㊂根据袁州区林地实地调查数据提取边界，划分区域总面积为２２２１．５ｋｍ２（见图１）㊂本研究采用的行政区划数据来源于全国地理信息资源目录服务系统（ｈｔｔｐｓ：／／ｗｗｗ．ｗｅｂｍａｐ．ｃｎ）㊂２㊀研究方法２．１㊀数据来源与处理本研究所使用的Ｓｅｎｔｉｎｅｌ系列数据来源哥白尼开放存取中心（ｈｔｔｐｓ：／／ｓｃｉｈｕｂ．ｃｏｐｅｒｎｉｃｕｓ．ｅｕ／），Ｓｅｎ⁃ｔｉｎｅｌ－１为干涉宽幅模式（ＩＷ）的地距多视产品（ＧＲＤ），分辨率为１０ｍ，极化方式为ＶＶ＋ＶＨ㊂Ｓｅｎ⁃ｔｉｎｅｌ－２拥有１３个不同空间分辨率的光谱波段，试验选取１０ｍ和２０ｍ空间分辨率波段共１０个㊂数字高程模型（ＤＥＭ）数据下载于地理空间数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ）㊂影像数据采集时间见表１，研究所使用的Ｓｅｎｔｉｎｅｌ－２影像波段信息见表２㊂图１㊀研究区地理位置表１㊀影像数据采集时间表月份哨兵－１哨兵－２１月２０１９－０１－０８㊁２０１９－０１－２０－２月２０１９－０２－０１㊁２０１９－０２－１３－３月２０１９－０３－０９㊁２０１９－０３－２１－４月２０１９－０４－０２㊁２０１９－０４－１４－５月２０１９－０５－０８㊁２０１９－０５－２０－６月２０１９－０６－０１㊁２０１９－０６－１３－７月２０１９－０７－０７㊁２０１９－０７－１９－８月２０１９－０８－１２㊁２０１９－０８－２４－９月２０１９－０９－０５㊁２０１９－０９－１７２０１９－０９－２２１０月２０１９－１０－１１㊁２０１９－１０－２３２０１９－１０－０２１１月２０１９－１１－０４㊁２０１９－１１－１６２０１９－１１－０１１２月２０１９－１２－１０㊁２０１９－１２－２２２０１９－１２－０６表２㊀本研究使用的哨兵－２波段信息波段中心波长／ｎｍ分辨率／ｍＢ２（蓝光波段）㊀４９０１０Ｂ３（绿光波段）５６０１０Ｂ４（红光波段）６６５１０Ｂ５（红边波段１）７０５２０Ｂ６（红边波段２）７４０２０Ｂ７（红边波段３）７８３２０Ｂ８（近红外波段）８４２１０Ｂ８ａ（狭窄近红外波段）８６５２０Ｂ１１（短波红外１）１６１０２０Ｂ１２（短波红外２）２１９０２０㊀㊀Ｓｅｎｔｉｎｅｌ－１数据通过轨道校正㊁热噪声去除㊁辐射定标㊁滤波㊁地形校正和分贝化处理将其转化为后向散射系数图，最后进行裁剪得到研究区雷达影像㊂１６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别Ｓｅｎｔｉｎｅｌ－２数据通过大气校正，将其从Ｌ１Ｃ级数据转化为Ｌ２Ａ级别数据，剔除６０ｍ分辨率波段后，将２０ｍ分辨率波段重采样至１０ｍ分辨率，最后进行裁剪拼接㊂ＤＥＭ数据经过拼接裁剪后重采样至１０ｍ分辨率，并生成地形因子㊂样本点数据来源于２０１９年袁州区林地实地调查数据㊂根据研究区植被覆盖情况，确定分类类别为油茶㊁杉木㊁松树㊁其它树种㊁耕地㊁裸地㊁水体和建设用地等８类㊂根据林地调查图生成油茶㊁杉木㊁松树和其它树种等４类样本随机点，然后通过谷歌地图（ＧｏｏｇｌｅＥａｒｔｈ）高分辨率影像和实地调查数据剔除异常点㊂通过目视解译得到耕地㊁裸地㊁水体和建设用地等４类样本㊂最后得到油茶样本２７１０个㊁杉木样本３１８４个㊁松树样本８１０个㊁其它树种样本２８７３个㊁耕地样本６５８个㊁裸地样本１７７个㊁水体样本１２８个㊁建设用地样本３２１个，按照７ʒ３的比例随机分为训练样本和验证样本㊂利用预处理后的Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和ＤＥＭ数据提取不同特征㊂在光谱特征㊁水体指数和植被指数的基础上，通过不同的特征组合，构建多特征随机森林树种分类模型，然后分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，筛选出最佳分类特征组合，然后与ＳＶＭ和ＣＡＲＴ分类算法进行对比分析㊂利用混淆矩阵评估３种算法分类结果，选择最优树种分类模型（见图２）㊂图２㊀技术路线与特征变量组合方案信息２．２㊀树种分类特征提取选取Ｓｅｎｔｉｎｅｌ－２影像的Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）波段作为研究波段，并提取水体指数㊁植被指数和红边指数（见表３）㊂采用灰度共生矩阵（ＧＬＣＭ）提取纹理特征（均值㊁方差㊁同质性㊁对比度㊁差异性㊁熵㊁二阶矩和相关性），为了避免数据冗余，首先对Ｓｅｎｔｉｎｅｌ－２数据进行主成分分析，提取第一主成分数据，根据第一主成分进行纹理特征提取㊂利用ＤＥＭ数据提取高程㊁坡度㊁坡向作为地形特征㊂根据Ｓｅｎｔｉｎｅｌ－１雷达数据提取后采用ＶＶ和ＶＨ双极化方式的后向散射系数（后向散射系数ＶＶ㊁后向散射系数ＶＨ）作为雷达特征㊂共获取适应南方丘陵山区的３５类特征变量［１８］㊂２．３㊀树种分类特征优选综合利用多种特征分类，能够充分利用遥感数据信息，提高树种提取精度㊂但相关性较弱的特征在分类时会造成特征冗余，导致分类精度的降低㊂特征优选的原则是在确保分类精度的前提下使用较２６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷少的特征子集，对特征集进行特征优选能够有效提升分类效率㊂表３㊀各特征变量及表达式特征类型特征变量特征变量的表达式光谱特征光谱波段Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）植被指数比值植被指数（ＩＲＶＩ）ＩＲＶＩ＝Ｂ８ａ／Ｂ４归一化植被指数（ＩＮＤＶＩ）ＩＮＤＶＩ＝（Ｂ８ａ－Ｂ４）（Ｂ８ａ＋Ｂ４）绿通道植被指数（ＩＧＮＤＶＩ）ＩＧＮＤＶＩ＝（Ｂ８ａ－Ｂ３）／（Ｂ８ａ＋Ｂ３）植被差异指数（ＩＤＶＩ）ＩＤＶＩ＝Ｂ８－Ｂ４改良版土壤调整植被指数（ＩＭＳＡＶＩ）ＩＭＳＡＶＩ＝（（２Ｂ８ａ＋１）－（２Ｂ８ａ＋１）２－８（Ｂ８ａ－Ｂ４））／２水体指数归一化水体指数（ＩＮＤＷＩ）ＩＮＤＷＩ＝（Ｂ３－Ｂ８ａ）／（Ｂ３＋Ｂ８ａ）改进归一化水体指数（ＩＭＮＤＷＩ）ＩＭＮＤＶＩ＝（Ｂ３－Ｂ１１）／（Ｂ３＋Ｂ１１）多波段水体指数（ＩＭＢＷＩ）ＩＭＢＷＩ＝２Ｂ３－Ｂ４－Ｂ８ａ－Ｂ１１－Ｂ１２红边特征红边波段（Ｂ）Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）红边归一化植被指数（ＩＲＮＤＶＩ）ＩＲＮＤＶＩ＝（Ｂ５－Ｂ４）／（Ｂ５＋Ｂ４）红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）ＩＲＥＤＮＤＶＩ＝（Ｂ８ａ－Ｂ５）／（Ｂ８ａ＋Ｂ５）改良红边土壤调整植被指数（ＩＭＳＲｒｅ）ＩＭＲｒｅ＝（（Ｂ８ａ／Ｂ５）－１）／（Ｂ８ａ／Ｂ５）＋１红边叶绿素指数（ＩＣＩｒｅ）ＩＣＩｒｅ＝（Ｂ８ａ／Ｂ５）－１２．３．１㊀分离阈值法的特征优选分离阈值法（ＳＥａＴＨ）采用贾弗里斯松下距离（ＪＭ）［１９］对类间可分性进行分析，并确定最佳特征组合㊂ＪＭ距离的计算公式如下：㊀㊀Ｂ＝１８（ｍ１－ｍ２）２２σ２１＋σ２２＋１２ｌｎ（σ２１＋σ２２２σ１σ２）；㊀㊀Ｊ＝２（１－ｅ－Ｂ）㊂式中：ｍ１和ｍ２分别为两个类别的特征均值；σ１和σ２分别为两类别特征值的标准差；Ｂ为巴氏距离；Ｊ为样本间的分离度，Ｊ值范围为［０，２］，数值越大，代表类间可分性越好㊂２．３．２㊀ＲｅｌｉｅｆＦ算法的特征优选Ｋｉｒａｅｔａｌ．［２０］提出的特征权重算法（Ｒｅｌｉｅｆ）通过赋予每个特征的权重判断特征的重要性，但特征权重算法只适用于二分类的特征选择㊂Ｋｏｎｏｎｅｎｋｏ［２１］在其基础上提出了多类特征选择的ＲｅｌｉｅｆＦ特征权重算法，特征权重算法在处理多类问题时，每次从训练集Ｄ中随机抽取一个样本Ｒ，然后从该样本的同类样本集中选择ｋ个最近邻样本Ｈｊ（Ｃ）（ｊ＝１㊁２㊁㊁ｋ），从样本的每个不同类样本集中选择ｋ个最近邻样本Ｍｊ（Ｃ）（ｊ＝１㊁２㊁㊁ｋ），分别计算样本Ｒ与同类和不同类样本的距离和，然后根据距离更新特征权重（ＷｉＡ）㊂权重计算公式如下：㊀ＷｉＡ＝Ｗｉ－１Ａ－ðｋｊ＝１ｄＡ（Ｒ，Ｈｊ（Ｃ））ｍｋ＋ðＣʂｃｌａｓｓ（Ｒ）ｐ（Ｃ）１－ｐ（ｃｌａｓｓ（Ｒ））ðｋｊ＝１ｄＡ（Ｒ，Ｍｊ（Ｃ））ｍｋ㊂式中：Ａ为某个分类特征；Ｃ为样本类别；ｃｌａｓｓ（）为与Ｒ不同的样本类别；ｄＡ（）为２个样本在特征上Ａ的距离；Ｈｊ（Ｃ）为样本Ｒ最邻近的同类样本；Ｍｊ（Ｃ）为样本Ｒ最邻近的不同类样本；ｐ（）为某类样本在训练集Ｄ中所占比例；ｍ为迭代次数；ｉ为权重更新时当前迭代次数（ｉ＝１㊁２㊁㊁ｍ）；ｋ为最邻近样本个数㊂２．４㊀树种分类算法随机森林算法（ＲＦ）是以决策树为基本分类器的集成学习算法，适用于高维遥感数据集，比其它机器学习算法更加高效和低成本［２２－２３］㊂ＲＦ还可以解决过拟合的问题，适用于时间序列遥感林地植被分类［２４］；支持向量机算法（ＳＶＭ）是将非线性分类问题转化为高维线性问题，并在高维特征空间中构造线性判别函数，同时引入核函数减少运算量；分类回归树算法（ＣＡＲＴ）是通过对由测试变量和目标变量构成的训练数据集的循环分析形成二叉树形式的决策树，ＣＡＲＴ算法生成的决策树没有人工干预，减少了主观误差㊂２．５㊀树种分类精度评价为评估树种分类的准确性，本研究利用混淆矩阵和验证样本对树种分类结果进行精度验证，精度评价指标为用户精度（ＵＡ）㊁生产者精度（ＰＡ）㊁总体精度（ＯＡ）和Ｋａｐｐａ系数（ＫＰａ）㊂计算公式如下：㊀㊀㊀㊀ＵＡｉ＝ＮｉｉＮｉ＋；㊀㊀㊀㊀ＰＡｉ＝ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＯＡ＝Ｎｉｉðｋｉ＝１ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＫＰａ＝Ｎðｋｉ＝１Ｎｉｉ－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉＮ２－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉ㊂３６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别式中：Ｎ为总样本数，ｋ为总类别数，Ｎｉｉ为被分到正确类别的样本数，Ｎ＋ｉ为第ｉ类的真实值，Ｎｉ＋为第ｉ类的预测值㊂３㊀结果与分析３．１㊀树种光学和雷达特征由表４可知，各树种９１２月归一化植被指数（ＮＤＶＩ）均值，整个时间段内变化趋势基本相同，均呈下降趋势，归一化植被指数值为０．４０．６，树种分离程度不明显，原因是油茶㊁杉木㊁松树都属于常绿树种㊂表５展示了不同树种在各光谱特征下的像元均值，树种在光谱特征上没有明显差异，仅松树和油茶在比值植被指数和红边叶绿素指数上与其它植被有所区分㊂表４㊀不同时间各树种归一化植被指数树种各树种归一化植被指数均值９月２２日１０月２日１１月１日１２月６日杉木０．５８４０．５６７０．５２８０．５１１松树０．５２６０．５１００．４７４０．４６７油茶０．５０５０．４８２０．４４５０．４１９其他树种０．５７７０．５４８０．５１３０．４８２表５㊀不同树种光谱特征光谱特征不同树种光谱特征的像元均值杉木松树油茶其他树种蓝色（Ｂ２）０．０２６０．０２６０．０３４０．０２４绿色（Ｂ３）０．０４９０．０５１０．０６００．０４４红色（Ｂ４）０．０３００．０３００．０４７０．０２９近红外（Ｂ８）０．２９５０．２５５０．２８５０．２６９狭窄近红外（Ｂ８ａ）０．３０５０．２６６０．２９９０．２８１短波红外１（Ｂ１１）０．１４７０．１２５０．１８８０．１５９短波红外２（Ｂ１２）０．０６７０．０５８０．０９８０．０７４比值植被指数（ＩＲＶＩ）３．８９５３．２３５３．１９１３．７７７归一化植被指数（ＩＮＤＶＩ）０．５８４０．５２６０．５０５０．５７７绿通道植被指数（ＩＧＮＤＶＩ）０．７２５０．６７７０．６７２０．７２４植被差异指数（ＩＤＶＩ）０．２６５０．２２５０．２３８０．２４０改良版土壤调整植被指数（ＩＭＳＡＶＩ）０．４９２０．４２６０．４３９０．４５３归一化水体指数（ＩＮＤＷＩ）－０．７２５－０．６７７－０．６７２－０．７２４改进归一化水体指数（ＩＭＮＤＷＩ）－０．５０２－０．４１４－０．５２５－０．５６４多波段水体指数（ＩＭＢＷＩ）－０．４５１－０．３７７－０．５１２－０．４５４红边１（Ｂ５）０．０８００．０８３０．１０００．０７５红边２（Ｂ６）０．２３５０．２１００．２３２０．２１０红边３（Ｂ７）０．２８２０．２４４０．２７２０．２５５红边归一化植被指数（ＩＲＮＤＶＩ）０．４７４０．４７１０．４０４０．４５０红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）０．５８４０．５２５０．５０７０．５７６改良红边土壤调整植被指数（ＩＭＳＲｒｅ）０．９６７０．７９６０．７７５０．９３９红边叶绿素指数（ＩＣＩｒｅ）２．８９５２．２３５２．１９１２．７７７㊀㊀由图３可知，根据Ｓｅｎｔｉｎｅｌ－１雷达数据统计不同树种在对应日期ＶＶ和ＶＨ极化下的树种时序后向散射系数曲线㊂不同植被全年时序后向散射特征与植被的生长物候和形态相关，所有树种在两种极化下的后向散射系数变化趋势基本相同㊂ＶＶ极化下，其它树种在６月中旬左右后向散射强度明显升高，其后向散射强度全年高于其它植被；１９月松树后向散射强度持续低于其它植被，杉木后向散射强度在１２月呈现同其它植被不同的下降趋势㊂ＶＨ极化下，油茶ＶＨ极化后向散射强度全年低于其它植被，２月左右出现明显增幅和减幅，９月末到１２月初出现明显减幅，１２月松树和杉木呈现同其它植被不同的下降趋势㊂图３㊀树种ＶＶ／ＶＨ极化时序特征曲线通过对不同特征变量的叠加分析，可以近似分离出不同树种，雷达数据弥补了光学影像的不足，结合光学和雷达数据可以增强对树种的识别能力和提高分类精度㊂３．２㊀南方丘陵山区树种特征优选结果本研究分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）对所构建的树种分类特征集进行特征优选㊂树种分类特征集共１７１个特征变量，通过试验获取样本的特征均值和标准差，根据公式计算树种之间的分离度，计算单个特征的巴氏距离以及同类特征巴氏距离的均值㊂同类特征中选取高于均值的特征，完成同类特征优选㊂由表６可知，利用特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选及排序，排名前１５和后１５的特征，根据重要性对特征进行排序分组，并利用随机森林算法进行分类，共分为７组㊂由表７可知，分类精度随着分类特征的增加呈先上升后下降的趋势，第５组分类精度最高，因此选取第５组作为特征权重算法（ＲｅｌｉｅｆＦ）最优特征集㊂３．３㊀南方丘陵山区树种分类精度评价由表８可知，方案１仅使用光谱特征㊁植被指数和水体指数，分类结果总体精度为８０．９７％㊂在方案１的基础上分别加入红边特征㊁雷达特征㊁地形特征㊁纹理特征，总体精度分别提高了２．７５％㊁２．２６％㊁３．９３％㊁２．８１％㊂方案６融合所有特征后，总体精度提高了２．３５％㊂方案７在方案６的基础上分别利用４６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷分离阈值法与特征权重算法（ＲｅｌｉｅｆＦ）对所有特征进行优选，不仅取得了更高的精度，而且有效降低了数据量，减少了运算时间㊂特征优选后的总体精度比方案６分别提高了１．８９％和２．０１％，其中ＲｅｌｉｅｆＦ算法优选的结果精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１㊂表６㊀特征重要性排名排名特征名称重要性㊀１９月２２日红边叶绿素指数０．０４２２２高程（ＤＥＭ）０．０４１５３９月２２日比值植被指数０．０３９９４１０月２日红边叶绿素指数０．０３９８５１０月２日比值植被指数０．０３９６６１１月１日归一化植被指数０．０３９２７１１月１日红边近红外归一化植被指数０．０３９２８１２月６日红边叶绿素指数０．０３９２９１２月６日改良红边土壤调整植被指数０．０３９１１０９月２２日改良红边土壤调整植被指数０．０３８９１１１１月１日改良红边土壤调整植被指数０．０３８７１２１２月６日比值植被指数０．０３７０１３１１月１日红边叶绿素指数０．０３６０１４１２月６日归一化植被指数０．０３５４１５１２月６日红边近红外归一化植被指数０．０３５４１５７４月１４日ＶＨ极化０．００８５１５８１０月２日红光波段０．００８４１５９１０月２日均值０．００８３１６０１２月６日差异性０．００８０１６１１１月１日方差０．００７５１６２９月２２日方差０．００７０１６３１０月２日方差０．００６１１６４９月２２日对比度０．００６１１６５１０月２日绿光波段０．００５４１６６１１月１日均值０．００５４１６７１０月２日对比度０．００５２１６８１１月１日对比度０．００４９１６９１０月２日蓝光波段０．００４８１７０１２月６日对比度０．００２８１７１１２月６日方差０．００１２表７㊀分组情况及分类精度组别分组阈值特征个数随机森林（ＲＦ）分类精度／％１０．０３５１５７１．００２０．０３０３３８０．５９３０．０２５５０８２．５１４０．０２０６５８３．４１５０．０１５８４８５．３３６０．０１０１２６８４．９６７０１７１８４．８７㊀㊀由图４可知，水体在所有方案中都具有较高的分类精度㊂方案２在加入红边特征后，不同树种分类精度均有所提高，证明红边特征的加入有助树种提取；方案３加入雷达特征后树种精度提高，因为雷达波段能够穿透冠层获取树种信息，提高光谱特征相似的树种的类间差异；方案４在加入地形特征后，与其它方案相比杉木和油茶的生产者精度提升最大，南方丘陵山地山体阴影严重，不同树种混合分布㊁相互渗透，很难进行区分，地形特征变量能够有效减少错分概率；方案５加入纹理特征后，树种的分类精度提升没有地形特征高，主要是因为丘陵山区地形破碎㊁植被树冠茂盛，影像上纹理特征不明显，同时油茶在种植初期会和耕地存在误分㊂表８㊀各方案分类精度方㊀案总体精度／％Ｋａｐｐａ系数方案１８０．９７０．７５方案２８３．７２０．７９方案３８３．２３０．７８方案４８４．９００．８０方案５８３．７８０．７９方案６８３．３２０．７８方案７（ＳＥａＴＨ）８５．２１０．８１方案７（ＲｅｌｉｅｆＦ）８５．３３０．８１㊀㊀由表９可知，随机森林算法比支持向量机算法和分类回归树算法总体分类精度分别提高了３．９９％和４．５５％，Ｋａｐｐａ系数分别提高了０．０５和０．０６㊂结合各地物生产者精度，随机森林算法分类的松树生产者精度比分类回归树算法高了１３．７５％，油茶生产者精度比支持向量机算法提高了１０．３４％㊂表９㊀不同分类方法的分类精度分类方法总体分类精度／％Ｋａｐｐａ系数随机森林算法８５．３３０．８１支持向量机算法８１．３４０．７６分类回归树算法８０．７８０．７５㊀㊀由图５可知，杉木和油茶作为袁州区主要树种，大面积混合分布，３种算法结果的树种分布区域大致一样，但某些区域的油茶和松树的提取结果存在明显差异；但对比不同分类方法的局部分类结果（见图６），随机森林算法与支持向量机算法和分类回归树算法相比，随机森林算法降低了分类结果的破碎度㊂４　讨论准确高效地获取树种的数量和分布信息对于林业的管理和监测至关重要㊂遥感影像为树种调查提供了有力的工具，Ｓｅｎｔｉｎｅｌ数据在树种分类上具有广泛的实用性［１２，２５］，Ｓｅｎｔｉｎｅｌ－２影像的红边㊁近红外（ＮＩＲ）和短波红外（ＳＷＩＲ）波段对于植被分类制图具有重要的作用［６，８，２６］㊂本研究结合Ｓｅｎｔｉｎｅｌ影像和数字高程模型（ＤＥＭ）数据，对南方丘陵山区的树种识别，结果发现重要性排名前１５个特征中，红边特征所占比例最大，红边叶绿素指数在树种分类中５６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别重要性最高㊂由于光谱特征相似，不同树种间存在不同程度的混淆，仅利用Ｓｅｎｔｉｎｅｌ－２光谱特征㊁植被指数㊁水体指数，树种的识别精度相对较低，将光谱特征与灰度共生矩阵（ＧＬＣＭ）纹理特征结合有效提高了树种分类精度［２７］㊂本研究中纹理特征没有包含在最优特征集中，特征重要性排名中纹理特征处于靠后位置，由于研究区域过大导致细节纹理缺失，同时，树种纹理特征也受研究区地理位置和树种类别影响㊂不同树种受地形因子影响呈现不同的光谱特征，地形特征可有效降低山体效应带来的光谱差异，减少错分概率，地形特征比物候特征和纹理特征对树种分类更准确有效［１５］，地形特征在不同特征融合的南方丘陵山区树种分类中起着重要作用㊂图４㊀各地物生产者精度和用户精度㊀㊀加入雷达特征后，树种分类精度同样有所提升，证实Ｓｅｎｔｉｎｅｌ－１雷达特征能提高树种间的区分度㊂本研究只利用了Ｓｅｎｔｉｎｅｌ－１的雷达后向散射系数，杉木㊁松树㊁油茶都属于常绿树种，物候变化不显著，难以利用遥感提取植被物候［２８］㊂由于雷达数据的特性，Ｓｅｎｔｉｎｅｌ－１数据同样含有丰富的纹理信息，可进一步提高纹理特征对南方丘陵山区树种的分类制图的精度㊂本研究最高准确率为８５．３３％，Ｋａｐｐａ系数为０．８１，仍有提升空间，可利用更有效的辅助数据或先进的深度学习技术，对大面积树种识别监测进行深入研究㊂５　结论以袁州区为研究区，结合Ｓｅｎｔｉｎｅｌ和数字高程模型（ＤＥＭ）数据提取树种光谱特征㊁植被指数㊁水体指数㊁红边特征㊁雷达特征㊁地形特征和纹理特征，分别采用特征权重算法（Ｒｅｌｉｅｆ）和分离阈值法进行特征优选，通过不同特征组合对比，分析各特征对树种分类精度的影响，利用３种常用树种分类机器学习算法对最优特征集进行树种分类㊂树种在不同特征上具有一定差异性，可通过特征优选选取树种分类的有效特征，通过特征优选，能够在保证分类精度６６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的同时减少数据冗余，提高运算效率和精度㊂根据最优特征集分别使用３种机器学习算法（随机森林㊁支持向量机和回归决策树）对树种进行分类，随机森林算法分类精度最高，总体精度为８５．３３％㊂Ｓｅｎｔｉｎｅｌ影像和ＤＥＭ数据的结合应用可提高树种分类的准确性，可为南方丘陵山区大范围树种调查监测提供技术方法㊂图５㊀不同分类方法树种分类结果图６㊀不同分类方法的局部分类结果７６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别参㊀考㊀文㊀献［１］㊀何兴元，任春颖，陈琳，等．森林生态系统遥感监测技术研究进展［Ｊ］．地理科学，２０１８，３８（７）：９９７－１０１１．［２］㊀栗旭升，李虎，陈冬花，等．联合ＧＦ－５与ＧＦ－６卫星数据的多分类器组合亚热带树种识别［Ｊ］．林业科学，２０２０，５６（１０）：９３－１０４．［３］㊀ＱＩＡＮＣ，ＹＡＯＣＪ，ＭＡＨＣ，ｅｔａｌ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕ⁃ｓｉｎｇａｉｒｂｏｒｎｅＬｉｄａｒｄａｔａｂａｓｅｄｏｎｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｓｈａｐｅｆｉｔｔｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２３，１５（２）．ｄｏｉ：１０．３３９０／ｒｓ１５０２０４０６．［４］㊀杨丹，李崇贵，常铮，等．应用Ｕ－Ｎｅｔ模型和多时相Ｌａｎｄｓａｔ－８影像对森林植被的分类［Ｊ］．东北林业大学学报，２０２１，４９（９）：５５－５９，６６．［５］㊀郑奕，王瑶，刘艳．基于高光谱数据季相特征的山地草甸植被分类识别［Ｊ］．光谱学与光谱分析，２０２２，４２（６）：１９３９－１９４７．［６］㊀ＰＥＲＳＳＯＮＭ，ＬＩＮＤＢＥＲＧＥ，ＲＥＥＳＥＨ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｗｉｔｈｍｕｌｔｉ－ｔｅｍｐｏｒａｌＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（１１）．ｄｏｉ：１０．３３９０／ｒｓ１０１１１７９４．［７］㊀ＬＥＩＺＬ，ＬＩＨ，ＺＨＡＯＪ，ｅｔａｌ．Ｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｂａｓｅｄｏｎａｈｉｅｒａｒｃｈｉｃａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍｕｌ⁃ｔｉｔｅｍｐｏｒａｌｇｏｏｇｌｅｅａｒｔｈｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（２０）．ｄｏｉ：１０．３３９０／ｒｓ１４２０５１２４．［８］㊀ＩＭＭＩＴＺＥＲＭ，ＶＵＯＬＯＦ，ＡＴＺＢＥＲＧＥＲＣ．ＦｉｒｓｔｅｘｐｅｒｉｅｎｃｅｗｉｔｈＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｃｒｏｐａｎｄｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｓｉｎｃｅｎｔｒａｌＥｕｒｏｐｅ［Ｊ］．Ｒｅｍｏｔｅｓｅｎｓｉｎｇ，２０１６，８（３）．ｄｏｉ：１０．３３９０／ｒｓ８０３０１６６．［９］㊀杨丹，周亚男，杨先增，等．ＬＳＴＭ支持下时序Ｓｅｎｔｉｎｅｌ－１Ａ数据的太白山区植被制图［Ｊ］．地球信息科学学报，２０２０，２２（１２）：２４４５－２４５５．［１０］㊀ＬＩＭＪ，ＫＩＭＫＭ，ＪＩＮＲ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｈｙｐｅ⁃ｒｉｏｎａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｗｉｔｈｍａｃｈｉｎｅｌｅａｒｎｉｎｇｉｎＳｏｕｔｈＫｏｒｅａａｎｄＣｈｉｎａ［Ｊ］．ＩＳＰＲＳＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＧｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ，２０１９，８（３）．ｄｏｉ：１０．３３９０／ｉｊｇｉ８０３０１５０．［１１］㊀李巧玉，陈娟，张小晶，等．川西亚高山彩叶林群落数量分类㊁排序与物种多样性［Ｊ］．应用与环境生物学报，２０２１，２７（３）：５１９－５２８．［１２］㊀黄翀，张晨晨，刘庆生，等．结合光学与雷达影像多特征的热带典型人工林树种精细识别［Ｊ］．林业科学，２０２１，５７（７）：８０－９１．［１３］㊀ＭＡＭＦ，ＬＩＵＪＨ，ＬＩＵＭＸ，ｅｔａｌ．ＴｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｉｍａｇｅｒｙａｎｄｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒｉｎｔｈｅｅａｓｔｅｒｎｒｅｇｉｏｎｓｏｆｔｈｅＱｉｌｉａｎｍｏｕｎｔａｉｎｓ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２１，１２（１２）．ｄｏｉ：１０．３３９０／ｆ１２１２１７３６．［１４］㊀宁晓刚，常文涛，王浩，等．联合ＧＥＥ与多源遥感数据的黑龙江流域沼泽湿地信息提取［Ｊ］．遥感学报，２０２２，２６（２）：３８６－３９６．［１５］㊀ＷＡＮＧＭＣ，ＬＩＭＪ，ＷＡＮＧＦＹ，ｅｔａｌ．Ｅｘｐｌｏｒｉｎｇｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｆｕｓｉｎｇｍｕｌｔｉ⁃ｆｅａｔｕｒｅａｎｄｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌｓｅｎｔｉｎｅｌ－２ｄａｔａｉｎＣｈａｎｇｂａｉＭｏｕｎｔａｉｎ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（７）．ｄｏｉ：１０．３３９０／ｆ１３０７１０５８．［１６］㊀ＨＵＢＸ，ＬＩＱ，ＨＡＬＬＧＢ．Ａｄｅｃｉｓｉｏｎ⁃ｌｅｖｅｌｆｕｓｉｏｎａｐｐｒｏａｃｈｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｆｒｏｍｍｕｌｔｉ⁃ｓｏｕｒｃｅｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ［Ｊ］．ＩＳＰＲＳＯｐｅｎＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２１．ｄｏｉ：１０．１０１６／ｊ．ｏｐｈｏｔｏ．２０２１．１００００２．［１７］㊀陈丽萍，孙玉军．基于不同决策树的面向对象林区遥感影像分类比较［Ｊ］．应用生态学报，２０１８，２９（１２）：３９９５－４００３．［１８］㊀李恒凯，王利娟，肖松松．基于多源数据的南方丘陵山地土地利用随机森林分类［Ｊ］．农业工程学报，２０２１，３７（７）：２４４－２５１．［１９］㊀ＮＵＳＳＢＡＵＭＳ，ＮＩＥＭＥＹＥＲＩ，ＣＡＮＴＹＭＪ．ＳＥＡＴＨ⁃ａｎｅｗｔｏｏｌｆｏｒａｕｔｏｍａｔｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｔｈｅｃｏｎｔｅｘｔｏｆｏｂｊｅｃｔ⁃ｂａｓｅｄｉｍ⁃ａｇｅａｎａｌｙｓｉｓ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙｆｏｒＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ．１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＯｂｊｅｃｔ⁃ｂａｓｅｄＩｍａｇｅＡｎａｌｙｓｉｓ（ＯＢＩＡ），Ｓａｌｚｂｕｒｇ，Ａｕｓｔｒｉａ，２００６．［２０］㊀ＫＩＲＡＫ，ＲＥＮＤＥＬＬＬＡ．Ｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｂｌｅｍ：Ｔｒａｄｉ⁃ｔｉｏｎａｌｍｅｔｈｏｄｓａｎｄａｎｅｗａｌｇｏｒｉｔｈｍ［Ｃ］／／ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ．ＡＡＡＩ９２：Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｔｅｎｔｈｎａ⁃ｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ．ＳａｎＪｏｓｅ：ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，１９９２：１２９－１３４．［２１］㊀ＫＯＮＯＮＥＮＫＯＩ．Ｅｓｔｉｍａｔｉｎｇａｔｔｒｉｂｕｔｅｓ：ＡｎａｌｙｓｉｓａｎｄｅｘｔｅｎｓｉｏｎｓｏｆＲＥＬＩＥＦ［Ｃ］／／ＢＥＲＧＡＤＡＮＯＦ，ＲＡＥＤＴＬＤ．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９４ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ．Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ⁃Ｖｅｒｌａｇ，１９９４：１７１－１８２．［２２］㊀ＢＲＥＩＭＡＮＬ．Ｒａｎｄｏｍｆｏｒｅｓｔ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２００１，４５（１）：５－３２．［２３］㊀ＬＩＮＷＹ，ＷＡＮＧＦ，ＣＨＥＮＧＭＭ，ｅｔａｌ．ＣＯＤＥ：Ｃｏｈｅｒｅｎｃｅｂａｓｅｄｄｅｃｉｓｉｏｎｂｏｕｎｄａｒｉｅｓｆｏｒｆｅａｔｕｒｅｃｏｒｒｅｓｐｏｎｄｅｎｃｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，４０（１）：３４－４７．［２４］㊀ＰＡＮＧＺＨ，ＺＨＡＮＧＧ，ＴＡＮＳＱ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｅｓｔｉｍａｔｉｎｇｆｏｒｅｓｔｃａｒｂｏｎｄｅｎｓｉｔｙｕｓｉｎｇｔｈｅｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（１２）．ｄｏｉ：１０．３３９０／ｆ１３１２２００４．［２５］㊀ＬＥＣＨＮＥＲＭ，ＤＯＳＴÁＬＯＶÁＡ，ＨＯＬＬＡＵＳＭ，ｅｔａｌ．Ｃｏｍｂｉｎａ⁃ｔｉｏｎｏｆＳｅｎｔｉｎｅｌ－１ａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｉｎａＣｅｎｔｒａｌＥｕｒｏｐｅａｎＢｉｏｓｐｈｅｒｅＲｅｓｅｒｖｅ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２２，１４（１１）．ｄｏｉ：１０．３３９０／ｒｓ１４１１２６８７．［２６］㊀ＷＥＳＳＥＬＭ，ＢＲＡＮＤＭＥＩＥＲＭ，ＴＩＥＤＥＤ．Ｅｖａｌｕａｔｉｏｎｏｆｄｉｆｆｅｒ⁃ｅｎｔｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｓｃａｌａｂｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｒｅｅｔｙｐｅｓａｎｄｔｒｅｅｓｐｅｃｉｅｓｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（９）．ｄｏｉ：１０．３３９０／ｒｓ１００９１４１９．［２７］㊀ＭＯＨＡＭＭＡＤＰＯＵＲＰ，ＶＩＥＧＡＳＤＸ，ＶＩＥＧＡＳＣ．ＶｅｇｅｔａｔｉｏｎｍａｐｐｉｎｇｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔｕｓｉｎｇＳｅｎｔｉｎｅｌ２ａｎｄＧＬＣＭｔｅｘｔｕｒｅｆｅａｔｕｒｅ：ＡｃａｓｅｓｔｕｄｙｆｏｒＬｏｕｓãＲｅｇｉｏｎ，Ｐｏｒｔｕｇａｌ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（１８）．ｄｏｉ：１０．３３９０／ｒｓ１４１８４５８５．［２８］㊀崔林丽，史军，杜华强．植被物候的遥感提取及其影响因素研究进展［Ｊ］．地球科学进展，２０２１，３６（１）：９－１６．８６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷。

基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析

180
西北林学院学报
34卷
started to increase below 800 m and later flattened at 800一1 800 m?and then decreased in the end. NDVI? LST and ET changed obviously in low altitude. From 2001 to 2013 ? the improvement of NDVI in the Qining Moun(ainsareawas(hein(erac(iveefec(ofimplemen(a(ionofaseriesofecologicalcons(ruc(ionproec(ssuchasclosinghilforfores(a(ionandres(oringfarmlandin(ofores(landandgrassland.Under(he backgroundofglobalwarming noobviouschangeinLST indica(ingacer(aincorrela(ion wi(h(heregula(ionfunc(ionofvege(a(ion.Theincrease(rendofETcausedby(heimprovemen(ofNDVIand(hedecrease (rendofET was associa(ed wi(h(he decrease of solar radia(ion. Key words： MODIS； the Qinling Mountains； altitude $ NDVI$ LST $ ET
Abstract：The Qinling Mountains is not only the natural boundary of southern and northern China,but also sasignificantecologicalbarrierinthemiddleofChina ,andanimportantwatersourceconservationareaof South-to-North WaterTransferProjectInordertoservetheecologicalenvironmentconstructionwithscientific and accurate information, NDVI (normailized difference vegetation index) , LST (land surface tempera(ure) andET evapo(ranspiraion) ofMODISda(ase(swereused(oanalyze(hespaio(emporalvaria(ionlawsandchangerelaionsofvege(a(ioncoverandhydro(hermalcondiionaf(erdevelopingecological environmen(cons(ruc(ionin(he Qinling Moun(ainsarea 2001—2013). I(was found(ha(general y,only NDVIpresen(edex(remelysignifican(increasing(rendinvola(ili(y,andinfarmlandi(wasmoresignifican( (haninfores(-grassland.NDVIandETinfores(-grasslandwerehigher(haninfarmland ,bu(LSTinfarmand was higher(han in fores(-grassland. From (hepoin(of(hespa(ialdis(ribu(ion,spa(ialvaria(ionsof NDVI,LSTandETpresen(edmoun(ainousfea(ures.NDVIincreasedwi(h(heincreaseofal(i(ude,began(o declinesligh(lya(abou(2000m.LSTpresen(edex(remelysignifican(lineardownward(rendwi(hali(ude. Inaddi(ion,LSTdropped0.51C asal(i(udeincreasedforevery100 m.Wi(h(heincreaseofali(ude,ET

21世纪初毛乌素沙地NDVI时空变化特征及影响因素

环境科学植被是大自然的“指示器”[1]，调节着全球的气候和环境，影响着经济社会的可持续发展。

植被变化近年来被广泛关注，特别是随着遥感技术的发展，长时间序列的植被指数在陆地生态系统的研究中得到广泛应用。

植被指数是描述植被数量、质量、植被长势和生物量等指标的重要指示参数[2-4]。

毛乌素沙地位于我国北方农牧交错的中间地带，是我国重要的生态屏障，其生态环境具有敏感性和脆弱性的特征[5-7]。

对2000年以来毛乌素沙地植被生长状况的时空变化特征的研究，对于客观准确的评价21世纪以来我国毛乌素沙地沙漠化治理效果，并根据沙漠化发展情况及时采取有效控制措施具有重要意义。

该文以空间分辨率250 m、时间分辨率16d ay的MODIS N DV I数据为数据源，研究毛乌素沙地2000—2012年NDV I 的时空变化特征及其与气温、降水的响应关系。

1 研究区概况毛乌素沙地位于鄂尔多斯高原向陕北黄土高原的过渡地区，地理坐标为北纬36°49′～40°11′，东经106°20′～111°。

沙地年平均气温6 ℃～8.5 ℃，年平均降水量由东南部的440 m m，向西递减至250 m m，全区最大降水量集中在7～9月，相较我国西北地区其他沙漠降水较多；地表水和地下水也较丰富，地表径流量达14亿m 3；全年蒸发量1800～2 500 m m，是降水量的4～10倍[8]。

2 数据与研究方法2.1 基础数据毛乌素沙地鄂托克旗、伊金霍洛旗、盐池县、定边县、横山县、榆林县、靖边县和神木县8个气象站，2000—2012年逐日温度、降水量数据来自中国气象科学数据共享服务网。

该文使用美国航空航天局提供的MODIS 数据集，时间①基金项目：国家自然科学基金重点项目（41330746）。

作者简介：王静璞（1987—），女，汉，陕西杨凌人，博士，职称:讲师，研究方向：主要从事遥感、土壤风蚀研究。

DOI：10.16660/ k i.1674-098X.2015.34.16021世纪初毛乌素沙地NDVI时空变化特征及影响因素①王静璞张晓凤宗敏（鲁东大学资源与环境工程学院山东烟台 264025）摘要：该文利用MODIS归一化植被指数(NDVI)对2000—2012年间毛乌素沙地NDVI的时空变化进行了研究，并分析了NDVI与气候因子之间的关系，结论如下：(1)研究区植被生长呈现单峰型，月平均NDVI最大和最小值分别为8月和1月；(2)月平均NDVI 与月平均降水量的相关系数为0.96**，与月平均温度的相关系数为0.85**；(3)2000—2012年，研究区年平均NDVI值显著增加（R=0.85**），增速为0.1/10a，NDVI随降水量的增加而增加（R=0.53*）；(4)受气候因素和人为因素的共同影响，研究区NDVI 的空间变化没有明显的规律。

南方丘陵区农业生态系统适应能力及其驱动因子——以衡阳盆地为例

南方丘陵区农业生态系统适应能力及其驱动因子——以衡阳盆地为例周松秀;田亚平;刘兰芳【摘要】全球变化背景下的适应性研究引起了广泛关注.南方丘陵区是典型的水稻农业区,研究其农业生态系统适应性尤为重要.采用主成分分析法对衡阳盆地农业生态系统适应能力进行了定量研究,分析不同适应能力区的适应性主要驱动因子.结果表明:适应能力的分布规律为衡阳市区最高,各县域适应能力呈现出盆地中部低、四周高的分布规律.不同适应能力区适应性驱动因子各异,高适应能力区主要驱动因子是经济条件,水热配合条件和灌溉设施是较高适应能力区的主要驱动因子,低适应能力区的主要驱动因子是人口规模和水土保持,热量和地形条件是极低适应能力区的主要驱动因子.高适应能力区因以农药和化肥的施用量为主要驱动因子具有短暂性,较高适应能力区以良好的水热配合条件和灌溉设施作为驱动因子具有可持续性,因而较高适应能力区的发展潜力超过高适应能力区.【期刊名称】《生态学报》【年(卷),期】2015(035)006【总页数】12页(P1991-2002)【关键词】农业生态系统;适应能力;驱动因子;主成分分析;衡阳盆地【作者】周松秀;田亚平;刘兰芳【作者单位】衡阳师范学院资源环境与旅游管理系,衡阳 421002;衡阳师范学院资源环境与旅游管理系,衡阳 421002;衡阳师范学院资源环境与旅游管理系,衡阳421002【正文语种】中文适应性研究是全球变化背景下现代生态学研究的热点问题[1]，并逐渐成为全球变化与区域响应研究的焦点[2]。

地理学界认为适应性是为响应某种压力或驱动作用而采取或经历的一种偏离原来状态的行为[3-4]，是人们努力减少全球变化的不利影响，同时合理利用现存环境的调整过程[5]，适应能力是适应性研究的重点[6]，即社会-生态系统对敏感和风险的消化程度和对既定的人类社会经济行为的馈赠能力。

尽管生态系统过程遵循Tilman的资源竞争平衡理论，但是生态系统对环境变化的适应性因区域尺度不同适应性方式和机制各异[7]。

近40年中国植被NDVI时空演变格局及主导驱动因子的差异分析

近40年中国植被NDVI时空演变格局及主导驱动因子的差异分析郭兵;张大富;丁昊;张海玲;孙光强;杨盈【期刊名称】《水土保持通报》【年(卷),期】2022(42)6【摘要】[目的]揭示中国不同子区、不同历史时期的植被NDVI演变主导驱动因子的差异性,为不同区域植被生态系统的保护和恢复提供决策支持。

[方法]基于GIMMS NDVI,MODIS NDVI及气象站点数据等,引入重心模型和地理探测器等,在地理分区视角下分析和探讨了中国植被NDVI时空演变格局及驱动机制。

[结果]①1981—2019年近40 a中国植被NDVI重心向南迁移,表明南方地区的植被NDVI增量与增速要高于北方地区;②植被NDVI与气温呈正相关区域主要分布于黄土高原地区、四川盆地的中部、云贵高原以及长江中下游地区,植被NDVI与降水呈负相关区域则主要分布于云贵高原和长江中下游等地区;③1981—2019年不同分区、不同历史时期的植被NDVI演变主导驱动因子存在显著差异,随着人类活动干扰强度的增加,土地利用∩其他因子逐渐成为各子区植被生态系统演变的主导因子。

[结论]近40 a中国植被状况总体上呈现改善趋势,而人类活动在植被生态系统演变过程中贡献率已高于自然因子。

【总页数】10页(P312-321)【作者】郭兵;张大富;丁昊;张海玲;孙光强;杨盈【作者单位】山东理工大学建筑工程学院;河北省气象与生态环境重点实验室;中国科学院数字地球重点实验室;自然资源部城市国土资源监测与仿真重点实验室;中山大学测绘科学与技术学院;深圳市规划与自然资源数据管理中心【正文语种】中文【中图分类】K903【相关文献】1.天山北坡植被NPP时空格局及气候因子驱动分析2.1982—2015年中国植被NDVI时空变化特征及其驱动分析3.近21年丹江湿地NDVI时空变化特征及其气候驱动因子分析4.中国工业绿色高质量发展的时空格局演变及驱动因素分析5.云南省近13年NDVI植被覆盖时空变化及驱动因子分析因版权原因，仅展示原文概要，查看原文内容请购买。

中国典型植被类型NDVI动态变化与气温、降水变化的敏感性分析

中国典型植被类型NDVI动态变化与气温、降水变化的敏感性分析一、本文概述本文旨在探讨中国典型植被类型（Normalized Difference Vegetation Index，NDVI）的动态变化与气温、降水变化的敏感性。

NDVI作为一种重要的遥感植被指数，能够反映植被的生长状况、覆盖度以及生产力等关键信息。

气温和降水作为影响植被生长的主要气候因子，对NDVI的变化具有重要影响。

因此，研究NDVI与气温、降水之间的敏感性关系，有助于深入理解植被动态变化的驱动机制，为生态环境保护、气候变化研究以及农业可持续发展提供科学依据。

本文将基于长时间序列的遥感影像数据，结合地面气象观测数据，运用统计分析方法，对中国典型植被类型的NDVI动态变化进行定量描述。

通过构建敏感性分析模型，评估气温和降水变化对NDVI的影响程度，揭示不同植被类型对气候变化的响应机制和差异。

本文的研究结果将有助于深入了解中国植被动态变化的特点和规律，为生态环境保护和可持续发展提供决策支持。

本文的研究方法和成果也可为类似地区或国家的植被动态变化与气候变化关系研究提供借鉴和参考。

二、研究区域与数据来源本研究选取了中国境内具有代表性的植被类型分布区作为研究区域，这些植被类型包括森林、草原、荒漠和湿地等。

具体研究区域的选择基于中国植被图的分类和中国生态系统研究网络（CERN）的布局，确保所选区域能够全面反映中国植被类型的多样性及其地理分布特点。

数据来源主要包括遥感数据和气象数据。

遥感数据选用了长时间序列的归一化植被指数（NDVI）数据，该数据来源于美国国家航空航天局（NASA）的MODIS卫星产品，具有较高的时空分辨率和稳定性，能够准确反映植被的生长状况和变化趋势。

气象数据则来自中国气象局的国家气候中心，包括气温和降水等关键气象要素，数据覆盖范围广泛，时间序列连续，为分析植被与气候因子的关系提供了有力支撑。

在数据处理方面，首先对遥感数据进行预处理，包括辐射定标、大气校正和几何校正等步骤，以确保数据的准确性和可靠性。

川中丘陵地区撂荒地的遥感提取方法研究

川中丘陵地区撂荒地的遥感提取方法研究段理王石英（四川师范大学地理与资源科学学院，四川成都 610066）摘要：四川省以丘陵地貌为主，地块破碎耕作条件较差，近年耕地撂荒问题日益严峻。

目前采用遥感方法提取撂荒地是主要手段之一，采用遥感方法高精度提取丘陵地区撂荒耕地的研究甚少。

文章以资阳市祥符镇为例，采用哨兵2号和谷歌高清卫星遥感影像为数据源结合纹理以及光谱特征对研究区2021—2022年度耕地撂荒情况进行监测，结合Modis年际NDVI变换情况采用NDVI阈值法辅以提取精度校正，结果表明提取精度高达92%。

关键词：撂荒地；NDVI阈值法；谷歌高清卫星影像中图分类号：TP79文献标识码：A文章编号：2096-1936（2023）12-0035-04DOI：10.19301/ki.zncs.2023.12.010Research on remote sensing extraction methods for abandoned landin hilly areas of central SichuanDUAN Li WANG Shi-yingAbstract：Sichuan Province is dominated by a hilly landform, with poor farming conditions. In recent years, the problem of abandoned cultivated land has become increasingly serious. At present, the remote sensing method is one of the main methods to extract abandoned farmland, and there is little research on high-precision extraction of abandoned farmland in hilly areas by the remote sensing method. Taking Xiangfu Town, Ziyang as an example, this paper uses Sentinel 2 and Google HD satellite remote sensing images as data sources, combined with texture and spectral characteristics, to monitor the abandoned cultivated land in the study area from 2021 to 2022, and adopts the NDVI threshold method combined with extraction accuracy correction combined with Modis interannual NDVI transformation. The results show that the extraction accuracy is as high as 92%.Key words:abandoned land; NDVI threshold method; HD images from Google Earth耕地撂荒通常指耕地没有得到有效耕作和管理处于闲置和荒芜状态，不同国家对于撂荒地的定义不同，日本定义撂荒地包括荒废耕地和弃耕地[1]，立陶宛将撂荒地定义为不用于农业活动（至少3年没有申报）的农业用地[2]。

基于地理探测器的太行山NDVI时空变化及其驱动力分析

江西农业学报㊀２０２１，３３（０６）：９８１０４ＡｃｔａＡｇｒｉｃｕｌｔｕｒａｅＪｉａｎｇｘｉ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ＤＯＩ：１０．１９３８６／ｊ．ｃｎｋｉ．ｊｘｎｙｘｂ．２０２１．０６．０１７基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析王炜，刘海新，高叶鹏，文韶鑫㊀㊀收稿日期：２０２０－１０－１２基金项目：河北省社会科学发展研究课题（２０１９０３１２０３００３）；河北省邯郸市科技项目（１７２１２０３０４８－２）㊂作者简介：王炜（１９９５─），女，河南郑州人，硕士研究生，研究方向：生态环境遥感㊂（河北工程大学矿业与测绘工程学院，河北邯郸０５６０３８）摘㊀要：基于１９８２２０１５年ＧＩＭＭＳＮＤＶＩ数据，探究了太行山３４ａ来的植被覆盖状况，分析了ＮＤＶＩ的空间分布特征及其趋势变化；同时，基于地理探测器模型，结合自然因素和人为因素，探讨了各因子对太行山ＮＤＶＩ空间分布影响力的大小㊂结果表明：（１）太行山区的ＮＤＶＩ呈现波动上升的趋势，植被覆盖状况总体以改善为主；（２）各因子对ＮＤＶＩ分布影响程度的排序为：气温＞坡向＞土壤类型＞降水量＞地貌＞植被类型＞ＤＥＭ＞坡度＞人口＞ＧＤＰ，其中气温㊁坡向㊁土壤类型㊁降水的影响力均大于１０％，而ＧＤＰ和人口均小于１％；（３）任意２个影响因素的交互作用都为增强，其中气温和坡向结合对研究区ＮＤＶＩ空间分布的影响力最大（ｑ＝０．３２８１）㊂人为因素在与自然因素相互作用之后，影响力有了很大幅度的提升㊂关键词：ＧＩＭＭＳ－ＮＤＶＩ；太行山；空间分布；地理探测器；驱动力中图分类号：Ｘ８７㊀文献标志码：Ａ㊀文章编号：１００１－８５８１（２０２１）０６－００９８－０７ＡｎａｌｙｓｉｓｏｆＳｐａｔｉｏｔｅｍｐｏｒａｌＣｈａｎｇｅｓａｎｄＤｒｉｖｉｎｇＦｏｒｃｅｓｏｆＮＤＶＩｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎＢａｓｅｄｏｎＧｅｏｇｒａｐｈｉｃＤｅｔｅｃｔｏｒＷＡＮＧＷｅｉ，ＬＩＵＨａｉ－ｘｉｎ，ＧＡＯＹｅ－ｐｅｎｇ，ＷＥＮＳｈａｏ－ｘｉｎ（ＣｏｌｌｅｇｅｏｆＭｉｎｉｎｇａｎｄＧｅｏｍａｔｉｃｓ，ＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｈａｎｄａｎ０５６０３８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＢａｓｅｄｏｎＧＩＭＭＳＮＤＶＩｄａｔａｆｒｏｍ１９８２ｔｏ２０１５，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｓｔａｔｕｓｏｆＴａｉｈａｎｇＭｏｕｎｔａｉｎｉｎｔｈｅｐａｓｔ３４ｙｅａｒｓｗａｓｅｘｐｌｏｒｅｄ，ａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｃｈａｎｇｅｔｒｅｎｄｗｅｒｅａｎａｌｙｚｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ａｇｅｏｇｒａｐｈｉｃｄｅｔｅｃｔｏｒｍｏｄｅｌｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｐｒｉｎｃｉｐｌｅｗａｓｕｓｅｄｔｏｅｘｐｌｏｒｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｖａｒｉｏｕｓｆａｃｔｏｒｓｏｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＮＤＶＩｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＮＤＶＩｏｆＴａｉｈａｎｇＭｏｕｎｔａｉｎａｒｅａｓｈｏｗｅｄａｎｕｐｗａｒｄｔｒｅｎｄｏｆｆｌｕｃｔｕａｔｉｏｎ，ａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｗａｓｍａｉｎｌｙｉｍｐｒｏｖｅｄ．ＦｏｒＮＤＶＩｓｐａｔｉａｌｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ，ｔｈｅｏｒｄｅｒｏｆｉｎｆｌｕｅｎｃｅｄｅｇｒｅｅｏｆｅａｃｈｆａｃｔｏｒｗａｓａｓｆｏｌ⁃ｌｏｗｓ：ｔｅｍｐｅｒａｔｕｒｅ＞ａｓｐｅｃｔ＞ｓｏｉｌｔｙｐｅ＞ｐｒｅｃｉｐｉｔａｔｉｏｎ＞ｌａｎｄｆｏｒｍ＞ｖｅｇｅｔａｔｉｏｎｔｙｐｅ＞ＤＥＭ＞ｓｌｏｐｅ＞ｐｏｐｕｌａｔｉｏｎ＞ＧＤＰ．Ｔｈｅｉｎ⁃ｆｌｕｅｎｃｅｏｆｔｅｍｐｅｒａｔｕｒｅ，ａｓｐｅｃｔ，ｓｏｉｌｔｙｐｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｗａｓｍｏｒｅｔｈａｎ１０％，ｗｈｉｌｅＧＤＰａｎｄｐｏｐｕｌａｔｉｏｎｗｅｒｅｌｅｓｓｔｈａｎ１％．Ｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎａｎｙｔｗｏｆａｃｔｏｒｓｗａｓｅｎｈａｎｃｅｄ，ａｎｄｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｅｍｐｅｒａｔｕｒｅａｎｄａｓｐｅｃｔｈａｄｔｈｅｇｒｅａｔｅｓｔｉｎｆｌｕｅｎｃｅｏｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＮＤＶＩｉｎｔｈｅｓｔｕｄｙａｒｅａ（ｑ＝０．３２８１）．Ａｆｔｅｒｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎｈｕｍａｎｆａｃｔｏｒｓａｎｄｎａｔｕｒａｌｆａｃ⁃ｔｏｒｓ，ｔｈｅｉｎｆｌｕｅｎｃｅｈａｓｂｅｅｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｄ．Ｋｅｙｗｏｒｄｓ：ＧＩＭＭＳ－ＮＤＶＩ；ＴａｉｈａｎｇＭｏｕｎｔａｉｎ；Ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ；Ｇｅｏｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒ；Ｄｒｉｖｉｎｇｆｏｒｃｅ㊀㊀植被是环境生态系统的重要组成部分，在保持土壤㊁调节气候和维持生态环境稳定方面发挥着十分重要的作用［１］㊂归一化植被指数（ＮＤＶＩ）能够对植被生长状态进行检测，是表征区域地表植被覆盖的最佳指示因子［２］㊂随着环境的变化和人类社会的发展，人们对于生态环境的保护越来越重视，ＮＤＶＩ的分布状况和影响因素也越来越受到人们的关注［３－８］㊂太行山区主要分布在半湿润和半干旱区域，气候类型主要为暖温带半湿润大陆性季风气候㊂其位于我国华北平原和黄土高原的过渡地区，保护着京津冀和华北平原地区，但同时也是生态敏感区，自然生态环境容易受到自然和人为因素的干扰，又是我国水土流失情况较为严重的地区之一［９－１１］㊂目前，已有大量文献基于ＮＤＶＩ数据对植被的动态变化进行相关研究，以ＮＤＶＩ代表研究区植被状况得到了广泛的应用［１２－１５］㊂例如，代子俊等［１６］利用ＧＩＭＭＳＮＤＶＩ３ｇ．Ｖ１数据分析了青海省３４ａ生长季节植被的ＮＤＶＩ时空变化特征，结果表明，近３４ａ青海省的ＮＤＶＩ呈增长趋势，且大部分区域的植被呈改善趋势㊂张亮等［１７］利用ＧＩＭＭＳＮＤＶＩ数据探讨了长江流域地区的植被覆盖变化特征，以及植被对气候和人类活动干扰的响应机制，发现长江流域６９．７７％区域植被覆盖度呈上升趋势㊂关于太行山区以往的植被覆盖状况研究中，研究时期大多是从２０００年开始，且对影响因素的探究多为气象因素，即气温和降水为主，辅以高程㊁坡度等地形影响因素［１０，１１，１８，１９］㊂因此本文基于１９８２２０１５年的ＧＩＭＭＳＮＤＶＩ数据，探讨了太行山区３４ａ的植被变化特征，并使用地理探测器工具，定量分析了多种影响因素对研究区ＮＤＶＩ影响力的大小㊂１㊀研究区概况太行山区位于３４．５７ʎ ４０．７８ʎＮ，１１０．２３ʎ １１６．５８ʎＥ之间，位于山西省与华北平原之间，总体呈东北－西南走势，山脉绵延４００余ｋｍ㊂它处于中国地形第二阶梯的东部，地形整体呈现北面高南面低特征，海拔大部分在１２００ｍ以上㊂研究区内由于高程和地理位置的变化，导致植被生长和分布情况也呈现出一定的差异，其中农田或建设用地多分布在较为平坦的地区，而地形陡峭地段多为林地或草地［１１］，东西部的植被类型也有较大的差异，东部主要是以落叶阔叶林为主，而西侧则主要是森林草原［２０］㊂２㊀研究数据与方法２．１㊀数据来源及预处理研究数据包括ＮＤＶＩ㊁气温㊁降水㊁高程㊁地貌㊁土壤类型㊁植被类型㊁ＧＤＰ和人口㊂ＮＤＶＩ数据来源于来自于ＮＡＳＡ官网（ｈｔｔｐｓ：／／ｅｃｏｃａｓｔ．ａｒｃ．ｎａｓａ．ｇｏｖ／ｄａｔａ／ｐｕｂ／ｇｉｍｍｓ／３ｇ．ｖ１／），温度和降水数据下载于国家气象数据中心（ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ／），其余数据均来源于资源环境云平台（ｈｔｔｐ：／／ｗｗｗ．ｒｅｓｄｃ．ｃｎ）㊂ＮＤＶＩ数据的时间跨度为１９８２年的１月至２０１５年的１２月，空间分辨率为８ｋｍˑ８ｋｍ，时间分辨率为１５ｄ［２１］㊂温度和降水量数据是由中国地面气候资料月值数据集通过插值得到的，其余数据为处理好的栅格数据集㊂从高程数据中提取坡度和坡向数据后，对影响因素数据进行裁剪和重采样等预处理，使其与ＮＤＶＩ数据具有相同的投影坐标并保持像元大小一致㊂根据曹峰等［２２］的研究，对数值量数据气温㊁降水㊁ＤＥＭ㊁坡度㊁ＧＤＰ㊁人口和ＮＤＶＩ进行分类处理，而类型量数据坡度㊁土壤类型㊁植被类型和地貌数据采用直接整理的方式㊂之后在ＡｒｃＧＩＳ软件中，按照８ｋｍˑ８ｋｍ的格网，生成２０６６个各网点㊂２．２㊀研究方法２．２．１㊀最大值合成法㊀最大值合成法可以进一步消除大气㊁云㊁太阳高度角等对遥感影像的影响，在国内外被广泛应用［１０，２３］㊂因此本文采用该方法，以１５ｄ的ＮＤＶＩ数据为基础，获取研究区的月ＮＤＶＩ数据㊂其计算公式如下㊂ＮＤＶＩｍ＝Ｍａｘ［ＮＤＶＩａ，ＮＤＶＩｂ］（１）式（１）中，ｍ表示月份，取值范围１１２；ＮＤＶＩｍ表示ｍ月的ＮＤＶＩ值，ＮＤＶＩａ㊁ＮＤＶＩｂ分别表示了ｍ月上半旬和下半旬的ＮＤＶＩ值㊂２．２．２㊀趋势分析㊀基于１９８２２０１５年的ＮＤＶＩ数据，通过一元线性回归分析，获得ＮＤＶＩ的变化趋势，计算公式如下㊂θｓｌｏｐｅ＝ｎˑðｎｉ＝１（ｉˑＮＤＶＩｉ）－ðｎｉ＝１ｉðｎｉ＝１ＮＤＶＩｉｎˑðｎｉ＝１ｉ２－（ðｎｉ＝１ｉ）２（２）式（２）中：θｓｌｏｐｅ表示变化斜率，当θｓｌｏｐｅ＞０时，表示ＮＤＶＩ呈上升趋势；当θｓｌｏｐｅ＜０，表示ＮＤＶＩ呈下降趋势㊂ｉ为年序号，ＮＤＶＩｉ表示第ｉ年的ＮＤＶＩ值㊂２．２．３㊀地理探测器㊀地理探测器是一种对数据要求低㊁运算速度较快且精确度高的空间分析模型，被广泛应用于探测环境污染㊁植被覆盖变化㊁土地利用等方面［２４］㊂地理探测器主要由因子探测㊁风险区探测㊁交互作用探测和生态探测４个部分组成㊂因子探测器是可以探测影响因子对因变量空间分布的解释力大小［２５］㊂用ｑ值度量，表达式为：ｑ＝１－ðＬｈ＝１Ｎｈσｈ２Ｎσ２（３）式（３）中，ｈ＝１，２，，Ｌ为变量Ｙ或因子Ｘ的分层，即分类或分区；Ｎｈ和Ｎ分别为层ｈ和全区的单元数；σｈ和σ分别是层ｈ和全区的Ｙ值的方差㊂ｑ的取值范围为０１，如果因变量Ｙ是由自变量Ｘ影响的，则ｑ值越大表示自变量Ｘ对因变量Ｙ的解释力越强，反之则越弱㊂利用交互探测器来探测影响因子Ｘｉ，即气温㊁降水量㊁高程㊁坡度㊁坡向㊁地貌㊁土壤类型㊁植被类９９㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析型㊁ＧＤＰ和人口在影响ＮＤＶＩ空间分布上是否有交互作用，并且可以探测出不同影响因素之间的交互作用，即评估影响因子Ｘ１和Ｘ２共同影响ＮＤＶＩ时是增加或者是减弱对ＮＤＶＩ的影响程度，将作用类型分为５类［２５］，具体见表１㊂表１㊀影响因子交互作用的判断依据判断依据交互作用ｑ（Ｘ１ɘＸ２）＜Ｍｉｎ（ｑ（Ｘ１），ｑ（Ｘ２））非线性减弱Ｍｉｎ（ｑ（Ｘ１），ｑ（Ｘ２））＜ｑ（Ｘ１ɘＸ２）＜Ｍａｘ（ｑ（Ｘ１），ｑ（Ｘ２））单因子非线性减弱ｑ（Ｘ１ɘＸ２）＞Ｍａｘ（ｑ（Ｘ１），ｑ（Ｘ２））双因子增强ｑ（Ｘ１ɘＸ２）＝ｑ（Ｘ１）＋ｑ（Ｘ２）独立ｑ（Ｘ１ɘＸ２）＞ｑ（Ｘ１）＋ｑ（Ｘ２）非线性增强㊀㊀生态探测，用于探测２个影响因子对ＮＤＶＩ空间分布的影响是否存在显著性差异㊂而风险探测器，探测因子对ＮＤＶＩ变化是否具有风险性，指示因子在不同等级范围内对ＮＤＶＩ时空变化的影响［２６］㊂３㊀结果与分析３．１㊀太行山植被覆盖空间分布状况基于１９８２２０１５年月值ＮＤＶＩ数据提取每年最大ＮＤＶＩ值，得到年ＮＤＶＩ数据，由此获得年ＮＤＶＩ变化拟合曲线和年均ＮＤＶＩ空间分布图㊂由图１可知，近３４ａ来，研究区ＮＤＶＩ呈波动上升趋势，变化率为０．００１４３／ａ㊂其中１９８２１９９０年间的年际变化趋势最为明显，其增长幅度达到了０．００４８／ａ，远大于整体的变化趋势；之后到１９９３年，ＮＤＶＩ出现明显的下降趋势；１９９１２００７年间ＮＤＶＩ值的变化具有明显的波动性，整体呈上升趋势，其增长幅度为０．００１１／ａ；２００８２０１５年期间，研究区的ＮＤＶＩ值呈波动下降的趋势，变化幅度为－０．００１３／ａ㊂３４ａ间的年均ＮＤＶＩ最低是１９８４年的０．３７２６，最高为２００８年的０．４４４８㊂㊀㊀从空间分布上来看（图２ａ），整个研究区南部的植被覆盖状况比北部好，结合土地利用数据和高程数据可知，ＮＤＶＩ较低的区域大多是耕地㊁城乡㊁工矿和居民用地㊁高海拔地区，其中耕地主要集中在研究区边缘以及山西省的长治市和晋中市境内，且两市由于特殊的盆地地貌，都较为适合农作物的生长；而高海拔地区主要分布在西北的五台山和小五台山地区，该地区由于地脉较多，且受到高海拔地区气候较为恶劣的影响，植被覆盖状况相对较差㊂ＮＤＶＩ值较高的区域，其土地类型多为草地和林地，具有较高的植被覆盖度㊂㊀㊀由图２ｂ可知，研究区ＮＤＶＩ改善区域远大于退化区域，其中增加趋势所占的比例达到９３．０１％，且极显著增加的比例高达７２．４３％，而显著和极显著减少区域所占的比例为１．８３％，零星地分布在河南省的安阳市㊁河北省的邯郸市和鹿泉市以及山西省的平遥县㊂图１㊀研究区３４ａ年均ＮＤＶＩ的变化趋势３．２㊀植被覆盖空间分布的主导影响因子以研究区多年的平均ＮＤＶＩ作为因变量Ｙ，气温㊁降水㊁ＤＥＭ㊁坡度㊁坡向㊁地貌㊁土壤类型㊁植被类型㊁ＧＤＰ和人口１０个重分类后的数据为影响因子Ｘ，使用地理探测器模型对这些影响因素进行分析，统计了各个影响因子的ｑ值（图３）㊂同时，也对影响因子做生态探测来探讨不同影响因子之间对ＮＤＶＩ空间分布影响是否存在显著性差异，结果见表２㊂由图３可以得出，各影响因子对应的ｑ值按照大小排序为：气温＞坡向＞土壤类型＞降水量＞地貌＞植被类型＞ＤＥＭ＞坡度＞人口＞ＧＤＰ㊂依据ｑ值大小来看，气温㊁坡向㊁土壤类型㊁降水量是影响研究区ＮＤＶＩ的主要因素，解释力均在１０％以上；地貌㊁植被类型㊁ＤＥＭ㊁坡度为次要影响因素，其解释力在１％１０％之间；ＧＤＰ和人口对研究区ＮＤＶＩ的解释力大小均低于１％，说明太行山区ＮＤＶＩ受ＧＤＰ和人口的直接影响较小㊂总体来看，太行山区ＮＤＶＩ的空间分布是由人为因素和自然因素共同作用的，其中，气温㊁坡向㊁００１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷降水量和地貌对ＮＤＶＩ的影响较大，而人为影响因素ＧＤＰ和人口的影响程度较小㊂图２㊀研究区３４ａ年均ＮＤＶＩ空间分布（ａ）和３４ａ年均ＮＤＶＩ变化趋势空间分布（ｂ）㊀㊀表２为生态探测的结果，从表２可以看出，降水㊁ＤＥＭ㊁土壤类型㊁坡度㊁坡向㊁人口与其他因子之间无显著差异；地貌与气温之间存在显著性差异，与其他因子之间没有显著性差异；植被类型与气温之间也存在显著性差异，与其他因子之间没有显著性差异㊂表２㊀１９８２２０１５年ＮＤＶＩ分布影响解释力的生态探测指标气温降水ＤＥＭ地貌土壤类型植被类型ＧＤＰ人口坡度坡向气温降水ＮＤＥＭＮＮ地貌ＹＮＮ土壤类型ＮＮＮＮ植被类型ＹＮＮＮＮＧＤＰＮＮＮＮＮＮ人口ＮＮＮＮＮＮＮ坡度ＮＮＮＮＮＮＮＮ坡向ＮＮＮＮＮＮＮＮＮ㊀注：采用显著性水平为０．０５的Ｆ检验，Ｙ：Ｙｅｓ，表示２种因子在对ＮＤＶＩ影响上存在显著性差异；Ｎ：Ｎｏ，表示无显著性差异㊂图３㊀１９８２２０１５年ＮＤＶＩ分布影响解释力指标３．３㊀影响因子的交互作用交互探测和生态探测的结果可知（表３），任意２个影响因子的交互的作用都大于单个影响因子，即影响ＮＤＶＩ的分布状况不是由单一因子所造成的，而是由不同影响因子之间相互作用共同作用的㊂其中气温与坡向的交互作用的ｑ值最高，为０．３２８１㊂此外，气温与降水（０．３２５１）㊁气温与地貌（０．３１１９）交互作用也都达到了３０％以上，表明气温㊁坡度㊁降水除了单个影响力较高之外，交互作用之后对研究区ＮＤＶＩ的影响程度更高，而地貌在与气温交互作用之后，影响力有所上升，表明合适的气温与地貌更有利于促进植被的生长㊂整体上，ＧＤＰ和人口与各个因子的交互作用的ｑ值都比单个的ｑ值要高，解释了人为影响因子在与其他因子相结合之后对研究区ＮＤＶＩ的影响力有所增大㊂交互作用的探测结果表明：各个影响因子之间都存在着增强的作用，其中坡向和土壤类型，土壤类型和植被类型㊁地貌㊁降水㊁气温，植被类型和地貌，地貌和坡度都呈双因子增强，其他２个影响因子之间都呈现非线性增强的作用㊂结果表明，研究区ＮＤＶＩ的分布不是由单一的影响因素所造成的，并且任意２个影响因子的交互作用也并不是１０１㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析这２个因子之间影响力的简单相加㊂表３㊀影响ＮＤＶＩ分布的驱动因子之间的交互作用ＸɘＹｑ（Ｘ）ｑ（Ｙ）ｑ（ＸɘＹ）交互关系坡向ɘ土壤类型０．１４９９０．１２３９０．２６３０双因子增强坡向ɘ植被类型０．１４９９０．０７１８０．２３１８非线性增强坡向ɘ地貌０．１４９９０．０８４６０．２４５３非线性增强坡向ɘ降水０．１４９９０．１２０１０．２８２２非线性增强坡向ɘ气温０．１４９９０．１６８１０．３２８１非线性增强坡向ɘＤＥＭ０．１４９９０．０３５１０．１９２８非线性增强坡向ɘ坡度０．１４９９０．０１９８０．２３８８非线性增强坡向ɘＧＤＰ０．１４９９０．００８８０．１７１２非线性增强坡向ɘ人口０．１４９９０．００６９０．１８１１非线性增强土壤类型ɘ植被类型０．１２３９０．０７１８０．１８２２双因子增强土壤类型ɘ地貌０．１２３９０．０８４６０．１８８６双因子增强土壤类型ɘ降水０．１２３９０．１２０１０．２１８３双因子增强土壤类型ɘ气温０．１２３９０．１６８１０．２６３５双因子增强土壤类型ɘＤＥＭ０．１２３９０．０３５１０．１８４１非线性增强土壤类型ɘ坡度０．１２３９０．０１９８０．１５４０非线性增强土壤类型ɘＧＤＰ０．１２３９０．００８８０．１５０６非线性增强土壤类型ɘ人口０．１２３９０．００６９０．１５３８非线性增强植被类型ɘ地貌０．０７１８０．０８４６０．１３５５双因子增强植被类型ɘ降水０．０７１８０．１２０１０．２３６８非线性增强植被类型ɘ气温０．０７１８０．１６８１０．２６８１非线性增强植被类型ɘＤＥＭ０．０７１８０．０３５１０．１７６１非线性增强植被类型ɘ坡度０．０７１８０．０１９８０．１０１８非线性增强植被类型ɘＧＤＰ０．０７１８０．００８８０．０８７３非线性增强植被类型ɘ人口０．０７１８０．００６９０．０９２０非线性增强地貌ɘ降水０．０８４６０．１２０１０．２５０７非线性增强地貌ɘ气温０．０８４６０．１６８１０．３１１９非线性增强地貌ɘＤＥＭ０．０８４６０．０３５１０．２１１６非线性增强地貌ɘ坡度０．０８４６０．０１９８０．１０４８双因子增强地貌ɘＧＤＰ０．０８４６０．００８８０．１１２４非线性增强地貌ɘ人口０．０８４６０．００６９０．１１２６非线性增强降水ɘ气温０．１２０１０．１６８１０．３２５１非线性增强降水ɘＤＥＭ０．１２０１０．０３５１０．１７６４非线性增强降水ɘ坡度０．１２０１０．０１９８０．１８１８非线性增强降水ɘＧＤＰ０．１２０１０．００８８０．１４３８非线性增强降水ɘ人口０．１２０１０．００６９０．１６５６非线性增强气温ɘＤＥＭ０．１６８１０．０３５１０．２３９３非线性增强气温ɘ坡度０．１６８１０．０１９８０．２４５３非线性增强气温ɘＧＤＰ０．１６８１０．００８８０．１９７３非线性增强气温ɘ人口０．１６８１０．００６９０．２４３４非线性增强ＤＥＭɘ坡度０．０３５１０．０１９８０．１２９９非线性增强ＤＥＭɘＧＤＰ０．０３５１０．００８８０．０７２７非线性增强ＤＥＭɘ人口０．０３５１０．００６９０．０６８５非线性增强坡度ɘＧＤＰ０．０１９８０．００８８０．０４９１非线性增强坡度ɘ人口０．０１９８０．００６９０．０４２７非线性增强ＧＤＰɘ人口０．００８８０．００６９０．０３６９非线性增强４㊀讨论本研究利用ＮＤＶＩ数据，探讨了太行山地区植被覆盖的空间分布状况，并且利用地理探测器工具定量分析了ＮＤＶＩ分布的主要影响因素和不同影响因素之间的交互作用㊂结果表明，太行山区多年来ＮＤＶＩ整体呈波动上升的趋势，研究区植被覆盖状况趋于改善，在空间分布上，南部的植被覆盖状况比北部好；低海拔㊁耕地和城市工矿用地区域的植被覆盖较低，而草地㊁林地区域的植被覆盖状况较好㊂在研究区中，气温㊁坡向㊁土壤类型和降水是影响ＮＤＶＩ分布的主要驱动因素，其次是地貌㊁植２０１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷被类型㊁ＤＥＭ和坡度，人口和ＧＤＰ的影响最小㊂温度和降水量能够对植被的生长产生直接影响，温度适宜和降水量充足会对植被的生长有一定的促进作用㊂坡向对于植被的影响也主要通过温度来表现，阳坡光照较为充足，气温较高，湿度较低；对比之下，阴坡的光照较弱，温度较低，含水量高㊂植物的生长也在一定程度上受土壤类型的影响，风险区探测的结果表明，研究区内淋溶土和半淋溶土是较为适宜植物生长的土壤类型，而针阔混交林㊁落叶阔叶林㊁常绿阔叶－落叶阔叶混交林等的草本植物则是主要分布在淋溶土分布区中，因此植被类型也在一定程度上是由土壤类型所决定的，这些植被对研究区的植被状况有一定的改善作用㊂ＤＥＭ也与气温有一定的关系，随着海拔的升高，气温会逐渐降低㊂由此可以得出，研究区ＮＤＶＩ分布的影响并不是由单一因素所决定的，各个因素之间互相联系，共同影响了研究区ＮＤＶＩ的空间分布㊂研究中人口和ＧＤＰ对ＮＤＶＩ空间分布的影响相对较低，在与其他影响因子相结合之后，影响力会增强，人类活动会受地形㊁气候等因素的影响，例如海拔较低，降水量充沛，土地利用类型多为人类活动居住用地，该区域人口较为密集，人类活动比较集中；而在海拔较高的中部和西北部，土地利用类型多为林地和草地，人口数量也较少，经济发展也较为落后㊂而从２００２年开始实施的退耕还林政策和生态环境保护工作的持续推进，也会在一定程度上改善研究区的植被覆盖状况㊂人类活动对植被的影响有正有负［２７］，城镇的发展和人类的活动会对植被造成负面影响，而退耕还林等生态环境保护工作的推进又在一定程度上改善了植被状况㊂本文所选取的ＧＤＰ和人口２个人为因素，仅探讨出其对ＮＤＶＩ影响力的大小，而对其具体造成的影响类型没有具体体现㊂本文对研究区ＮＤＶＩ空间分布的影响因素进行了探究，选取了多种影响因子来分析其对ＮＤＶＩ空间分布的影响作用㊂研究区ＮＤＶＩ整体呈现改善的趋势，但是还有局部地区呈现退化的趋势，对影响因子的选择较少，在接下来的研究中可以选取更多的影响因子，来进一步探讨研究区ＮＤＶＩ变化的驱动因素，并且可以探讨影响因子的一个动态变化过程，对研究区ＮＤＶＩ的变化驱动力的分析进行探究㊂５　结论（１）３４ａ来，太行山区的年均ＮＤＶＩ呈现波动上升，植被覆盖状况整体呈现改善的趋势，在空间分布上，南部植被覆盖状况较北部好，整个研究区植被覆盖呈现出南高北低㊁中部交叉分布的特征㊂（２）气温是太行山区ＮＤＶＩ分布的最主要影响因素，其次为坡向㊁土壤类型和植被㊂ＧＤＰ和人口２个人为因素对ＮＤＶＩ的影响程度较低㊂（３）不同影响因子交互作用对ＮＤＶＩ的影响都呈现增强的作用，表明ＮＤＶＩ的分布不是由单一因子所决定的，而是由多种影响因子共同作用㊂其中气温和坡向，气温与降水，气温与地貌的交互作用对ＮＤＶＩ的影响程度较大，表明气候因素还是影响研究区ＮＤＶＩ空间分布最主要的因素㊂参考文献：［１］裴志林，杨勤科，王春梅，等．黄河上游植被覆盖度空间分布特征及其影响因素［Ｊ］．干旱区研究，２０１９，３６（３）：５４６－５５５．［２］顾娟，李新，黄春林．基于时序ＭＯＤＩＳＮＤＶＩ的黑河流域土地覆盖分类研究［Ｊ］．地球科学进展，２０１０，２５（３）：３１７－３２６．［３］朱丽君，蒙吉军，李江风．河北省植被覆盖变化及对生态建设工程的响应［Ｊ］．北京大学学报：自然科学版，２０２０，５６（４）：７５５－７６４．［４］唐见，曹慧群，陈进．生态保护工程和气候变化对长江源区植被变化的影响量化［Ｊ］．地理学报，２０１９，７４（１）：７６－８６．［５］俱战省，杨青森，邢培茹．１９８７２０１５年嘉陵江源区植被覆盖度时空变化特征［Ｊ］．地球与环境，２０２０，４８（４）：４５２－４６０．［６］宫诏健，田景仁，陈杰，等．基于ＭＯＤＩＳＮＤＶＩ数据的辽宁省玉米种植面积提取研究［Ｊ］．江西农业学报，２０２０，３２（９）：１１９－１２６．［７］向凯旋，张喜，刘济明，等．石漠区柏木林植物多样性指数与土壤理化指标的相关性［Ｊ］．南方农业学报，２０１９，５０（８）：１７７１－１７７８．［８］毛转梅，陈劲松，彭尔瑞，等．甘肃省植被覆盖时空变化趋势研究［Ｊ］．江西农业学报，２０２０，３２（３）：１２５－１３０．［９］刘晗，吕斌．太行山区牛叫河小流域土地可持续利用模式探讨［Ｊ］．地理研究，２０１２，３１（６）：１０５０－１０５６．［１０］李薇，谈明洪．太行山区不同坡度ＮＤＶＩ变化趋势差异分析［Ｊ］．中国生态农业学报，２０１７，２５（４）：５０９－５１９．［１１］李晓荣，高会，韩立朴，等．太行山区植被ＮＰＰ时空变化特征及其驱动力分析［Ｊ］．中国生态农业学报，３０１㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析２０１７，２５（４）：４９８－５０８．［１２］邓元杰，姚顺波，侯孟阳，等．长江流域中上游植被ＮＤＶＩ时空变化及其地形分异效应［Ｊ］．长江流域资源与环境，２０２０，２９（１）：６６－７８．［１３］王君，杨晓梅，隋立春，等．西安市１９９５２０１６年植被覆盖度动态变化监测及景观格局分析［Ｊ］．生态科学，２０１９，３８（６）：１－１１．［１４］刘正才，屈瑶瑶．基于ＳＰＯＴ－ＶＧＴ数据的湖南省植被变化及其对气候变化的响应［Ｊ］．北京林业大学学报，２０１９，４１（２）：８０－８７．［１５］刘家琰，谢宗强，申国珍，等．基于ＳＰＯＴ－ＶＥＧＥＴＡＴＩＯＮ数据的神农架林区１９９８２０１３年植被覆盖度格局变化［Ｊ］．生态学报，２０１８，３８（１１）：３９６１－３９６９．［１６］代子俊，赵霞，李冠稳，等．基于ＧＩＭＭＳＮＤＶＩ３ｇ．ｖ１的近３４年青海省植被生长季ＮＤＶＩ时空变化特征［Ｊ］．草业科学，２０１８，３５（４）：７１３－７２５．［１７］张亮，丁明军，张华敏，等．１９８２２０１５年长江流域植被覆盖度时空变化分析［Ｊ］．自然资源学报，２０１８，３３（１２）：２０８４－２０９７．［１８］李新元，王莉，景海涛，等．２０００２０１５年太行山地区ＮＤＶＩ变化及驱动因素分析［Ｊ］．湖北农业科学，２０２０，５９（９）：７０－７６．［１９］ＨｕＳ，ＷａｎｇＦ，ＺｈａｎＣ，ｅｔａｌ．ＤｅｔｅｃｔｉｎｇａｎｄａｔｔｒｉｂｕｔｉｎｇｖｅｇｅｔａｔｉｏｎｃｈａｎｇｅｓｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎ，Ｃｈｉｎａ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｏｕｎｔａｉｎＳｃｉｅｎｃｅ，２０１９，１６（２）：３３７－３５０．［２０］化春光．消夏太行山，畅爽天地间［Ｊ］．旅游时代，２０１５（６）：４６－４７．［２１］范松克，郝成元．２００１２０１６年河南省ＮＤＶＩ时空变化特征分析［Ｊ］．江苏农业学报，２０１９，３５（４）：８６０－８６７．［２２］ＣａｏＦ，ＧｅＹ，ＷａｎｇＪＦ．Ｏｐｔｉｍａｌｄｉｓｃｒｅｔｉｚａｔｉｏｎｆｏｒｇｅｏ⁃ｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒｓ－ｂａｓｅｄｒｉｓｋａｓｓｅｓｓｍｅｎｔ［Ｊ］．ＧＩＳｃｉｅｎｃｅ＆ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１３，５０（１）：７８－９２．［２３］马守存，保广裕，郭广，等．１９８２２０１３年黄河源区植被变化趋势及其对气候变化的响应［Ｊ］．干旱气象，２０１８，３６（２）：２２６－２３３．［２４］熊小菊，廖春贵，陈月连，等．地理因子对北部湾经济区植被覆盖的影响［Ｊ］．江苏农业科学，２０１９，４７（７）：２６８－２７３．［２５］王劲峰，徐成东．地理探测器：原理与展望［Ｊ］．地理学报，２０１７，７２（１）：１１６－１３４．［２６］王伟，阿里木㊃赛买提，吉力力㊃阿不都外力．基于地理探测器模型的中亚ＮＤＶＩ时空变化特征及其驱动因子分析［Ｊ］．国土资源遥感，２０１９，３１（４）：３２－４０．［２７］盛叶子，曾蒙秀，林德根，等．２０００２０１４年人类活动对贵州省植被净初级生产力的影响［Ｊ］．中国岩溶，２０２０，３９（１）：６２－７０．（责任编辑：曾小军）４０１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷。

辽宁省NDVI时空变化特征分析研究

第46卷第1期2021年1月环境科学与管理ENVIＲONMENTAL SCIENCE AND MANAGEMENT Vol.46No.1Jan．2021收稿日期：2020－10－16基金项目：国家自然科学基金青年科学项目（41705094）；辽宁省气象局科学技术研究课题（202009）；沈阳大气环境研究所开放基金（2019SYIAE08）作者简介：王婷（1989－），女，硕士研究生，工程师，主要从事生态气象服务与技术开发工作。

文章编号：1674－6139（2021）01－0053－05辽宁省NDVI 时空变化特征分析研究王婷1，王鹏2，李雨鸿1，周斌1，李晶1（1．辽宁省生态气象和卫星遥感中心，辽宁沈阳110161；2．辽宁省气象服务中心，辽宁沈阳110161）摘要：对辽宁省2000年－2018年归一化植被指数（NDVI ）进行时空变化分析，结果表明：（1）辽宁NDVI 由西向东由南向北逐步增加，以0.6 0.9区间为主，随着海拔升高，NDVI 值整体呈上升的变化趋势。

（2）4月开始NDVI 值快速上升，4到7月呈现明显的上升阶段，8月达到全年最大值并开始进入快速下降阶段，呈现出高斯分布。

（3）NVDI 在2000年－2018年间整体呈上升趋势，植被覆盖状况得到改善的区域面积占77.17%。

（4）辽宁省四类主要土地类型NDVI 2000年－2018年间以增长趋势为主，各类土地类型NDVI 值均在0.55 0.85之间，其中，林地NDVI 均值最大，耕地、草地次之，湿地最低。

关键词：MODIS ；NDVI ；时空分析；回归分析；土地分类中图分类号：X16文献标志码：ATemporal and Spatial Variation Analysis of NDVI in Liaoning ProvinceWang Ting 1，Wang Peng 2，Li Yuhong 1，Zhou Bin 1，Li Jing 1（1．Liaoning Ecometeorology and Satellite Ｒemote Sensing Center ，Shenyang 110161，China ；2．Liaoning Meteorological Observatory ，Shenyang 110161，China ）Abstract ：Combined with DEM and land type data and used the maximum synthesis method and linear regression methods from 2000to 2018．The results showed that ：（1）The NDVI of Liaoning increased gradually from west to east and from south to north ，with the range of 0.6 0.9．As the altitude increased ，the overall NDVI value presented an upward trend．（2）The NDVI value increased rapidly in April ，and it showed a significant rising phase from April to July．It reached its maximum value in Au-gust and began to enter a rapid decline phase ，showing a Gaussian distribution．（3）In the past 19years ，NVDI had shown an o-verall upward trend ，and the area covered by vegetation coverage had accounted for 77.17%．（4）The NDVI of the four main land types in Liaoning Province had been dominated by the growth trend over the past 19years．The NDVI values of various land types were between 0.55and 0.85．Among them ，the average value of NDVI in forest land was the largest ，followed by cultivated land and grassland ，and the wetland was the lowest．Key words ：MODIS ；NDVI ；temporal and spacial analysis ；regression analysis ；land type前言植被是连接大气、土壤和水分的纽带，植被覆盖的变化是生态环境质量的重要指标。

长三角地区植被覆盖时空变化特征及气候响应分析

DOI ：10.14182/ki.1001-2443.2022.05.007长三角地区植被覆盖时空变化特征及气候响应分析王义玲1，梁栋栋1，2（1.安徽师范大学地理与旅游学院，安徽芜湖241003；2.安徽师范大学地理大数据研究中心，安徽芜湖241003）摘要：为探究长三角地区植被变化及其对气候因子的响应，以归一化植被指数（NDVI ）作为植被生长评估指标，基于Google Earth Engine 获取的MODIS NDVI 数据及同期气象数据，采用趋势分析和相关性分析等方法研究了2000—2015年长三角流域植被时空演化及其对气候因子的响应关系。

结果表明：（1）2000—2015年长三角地区NDVI 均值以0.0014a -1的速率波动上升，研究区内植被NDVI整体上呈上升趋势，增加的面积占比70.53%，减少的面积占比为29.47%；从空间上来看，植被增加区域主要集中在南部山区，即大别山区与黄山地区。

（2）Hurst 指数介于0.141-0.982，总体上大部分地区呈高值分布，低值主要分布在研究区东部，即上海地区及江苏东部地区，研究区内持续倾向面积超过总面积1/2。

（3）长三角地区年均气温在空间上呈现中部向南部逐渐升高的趋势，降水量空间差异明显，南部降水量较大，北部降水量较小。

（4）长三角地区NDVI 与气温、降水的偏相关系数分别为0.581和0.595，显示降水对植被的影响略高于气温，均对长三角地区植被生长起到正向作用。

关键词：长三角地区；植被覆盖；归一化植被指数；偏相关分析；气候响应中图分类号：TP79文献标志码：A 文章编号：1001-2443（2022）05-0462-07植被是地球陆地生态系统的重要组成部分，其碳汇功能不仅是生态系统碳循环的重要环节，同时也是联结其他圈层的重要纽带，由于其对环境变化响应敏感，也常被用做研究陆地生态系统与气候变化、水文过程等相互关系的指示器［1—2］。

基于地理探测器的珠江流域NDVI时空变化及驱动力分析

基于地理探测器的珠江流域NDVI时空变化及驱动力分析王睿卿;蒋晓辉;聂桐【期刊名称】《人民珠江》【年(卷),期】2022(43)7【摘要】利用年度NDVI数据,结合气候、地形地貌、植被和土壤类型以及社会经济指标,辅以ArcGIS空间分析和地理探测器等方法,分析了2000—2015年珠江流域植被NDVI时空变化特征及驱动因素。

结果表明:①2000—2015年珠江流域NDVI在年际变化上呈现阶段式增长,总体年均增速为0.0053,中高和高植被覆盖区二者在时空变化上存在互补对应性,中高植被覆盖度极大地转变为高植被覆盖度,平均植被覆盖呈明显改善趋势;②人为因素对珠江流域植被覆盖变化的影响大于自然因素,夜间灯光强度所反映的地区人类活动强度是影响植被变化最主要的因素,地貌类型因子是影响流域植被覆盖的主要自然因子,年尺度上,流域植被覆盖的变化与气象因子相关性较小;③自然因子与经济社会因子的交互主要为双因子增强,地貌类型与夜间灯光强度的双因子增强作用对q值的贡献达到了58.9%,在非线性增强交互作用中,主要为自然因子之间的交互。

通过分析研究区内适合植被生长的各自然因子的范围或类型,为进一步促进珠江流域水土保持及生态保护提供科学依据。

【总页数】13页(P61-73)【作者】王睿卿;蒋晓辉;聂桐【作者单位】西北大学城市与环境学院【正文语种】中文【中图分类】S157【相关文献】1.基于地理探测器模型的中亚NDVI时空变化特征及其驱动因子分析2.基于地理探测器的内蒙古植被NDVI时空变化与驱动力分析3.基于地理探测器的太行山NDVI 时空变化及其驱动力分析4.1999-2018年黄河流域NDVI时空变化及驱动力分析5.基于地理探测器的甘肃省植被覆盖时空变化及驱动力分析因版权原因，仅展示原文概要，查看原文内容请购买。

基于NDVI的福州市植被覆盖时空变化及驱动因素分析

基于NDVI的福州市植被覆盖时空变化及驱动因素分析林芳冰【期刊名称】《江苏林业科技》【年(卷),期】2024(51)1【摘要】基于2000年、2009年和2020年的Landsat遥感影像反演归一化植被指数(NDVI),从空间和时间2个维度分析了福州市近20 a的植被覆盖变化,利用空间自相关分析工具揭示了福州市NDVI的空间分布模式和聚类格局,采用GWR模型探究了福州市植被覆盖的驱动机制。

结果表明:较低的NDVI主要分布在福州市区、东部沿海区域及闽清县和连江县的丘陵地带。

在2个研究时期,退化的面积略大于改善的面积,说明研究区的植被覆盖在降低。

在1000 m×1000 m尺度下,NDVI的空间聚类以高-高聚集和低-低聚集为主,低-低聚集主要分布在福州市区和东部沿海区域,高-高聚集主要分布在距离各区县行政中心较远的高山和丘陵地带。

GWR模型能够很好地揭示高程和坡度因子对福州市植被覆盖的驱动机制,海拔越高,坡度越大,植被覆盖越好。

【总页数】7页(P30-35)【作者】林芳冰【作者单位】漳州市龙文环境监测站【正文语种】中文【中图分类】Q948.156;S771.8;X87【相关文献】1.基于GIMMS-NDVI的新疆植被覆盖时空变化附图1新疆1982—2006年植被NDVI平均值分布2.云南省近13年NDVI植被覆盖时空变化及驱动因子分析3.2000-2019年黄河流域陕西段植被NDVI时空变化及其驱动因素分析4.2006-2020年阿拉善盟植被NDVI时空变化及驱动因素分析5.基于MODIS-NDVI的云南省植被时空变化及驱动因素分析因版权原因，仅展示原文概要，查看原文内容请购买。

2000~2021年北半球多年冻土区NDVI变化趋势及其影响因素

2000~2021年北半球多年冻土区NDVI变化趋势及其影响因素李羽莹;刘桂民;吴晓东;王耀新;康国慧;赵俊;董云霞;王琳【期刊名称】《地球科学与环境学报》【年(卷),期】2024(46)3【摘要】气候变暖正在导致北半球多年冻土区的土地覆被类型和植被生物量发生快速变化,而不同冻土类型区和不同土地覆被类型区对气候变化的响应程度尚不清楚。

基于Slope趋势分析和皮尔逊相关性分析,量化了2000~2021年北半球多年冻土区归一化植被指数(NDVI)的时空变化及其对气候变化的响应。

结果表明:约21.43%的多年冻土区NDVI值表现出显著增长趋势,其中连续和不连续多年冻土区的NDVI值增长速率是零星多年冻土区的2~3倍。

在月尺度上,约33.75%多年冻土区的NDVI值在6月呈显著增长趋势,其中连续多年冻土区和灌丛植被类型区的增长速率最快。

气温、降水量和活动层厚度均呈显著上升趋势,积雪覆盖率呈下降趋势。

气温升高对俄罗斯等低纬度冻土区的植被生长起到了促进作用;降水在蒙古高原等一些特定干旱区对植被生长具有促进作用,但在俄罗斯中部和加拿大南部存在不利影响;积雪对于俄罗斯南部等积雪覆盖较低地区的植被生长有促进作用,而对于北极等积雪覆盖较高的地区存在不利影响;活动层厚度的增加有助于俄罗斯北部等冻土区的植被加速生长。

总之,北半球多年冻土区植被整体呈增长趋势,气温升高仍然是北半球多年冻土区植被生长的主控因素,但不同多年冻土类型区的NDVI值增长有着明显的月份差异,因此在以后植被模型的发展和改进时需要考虑月份的差异。

【总页数】13页(P321-333)【作者】李羽莹;刘桂民;吴晓东;王耀新;康国慧;赵俊;董云霞;王琳【作者单位】兰州交通大学环境与市政工程学院;中国科学院西北生态环境资源研究院冰冻圈科学国家重点实验室;中国科学院西北生态环境资源研究院藏北高原冰冻圈特殊环境与灾害国家野外科学观测研究站【正文语种】中文【中图分类】P95【相关文献】1.青藏高原与黄土高原重叠区草地2000-2019年NDVI变化及其影响因素研究2.黑龙江省多年冻土区NDVI时空变化及驱动因素分析3.2000-2016年黄河源区植被NDVI变化趋势及影响因素4.2000-2020年川东地区植被NDVI变化趋势及影响因素分析5.2000—2020年青海河湟谷地植被NDVI时空变化及影响因素因版权原因，仅展示原文概要，查看原文内容请购买。