魏榕 ，刘冀 *，张特 ，张茜 ，彭涛 ，刘艳丽

1. 三峡大学水利与环境学院，湖北 宜昌 443002；2. 三峡库区生态环境教育部工程研究中心，湖北 宜昌 443002；3. 南京水利科学研究院/水文水资源与水利工程科学国家重点实验室，江苏 南京 210098；4. 水利部应对气候变化研究中心，江苏 南京 210029

植被作为陆地生态系统的核心组成部分，是连接生态系统中的大气、土壤、水分等自然因子的纽带，对水土保持、气候调节以及生态环境的稳定发挥了重要作用。植被变化容易受气候影响（Gao et al.，2019），在全球气候变暖的趋势下（IPCC，2018），研究植被分布、生长状况以及植被结构对气象因子的响应规律具有重要的理论价值和应用前景。

随着遥感技术的不断发展与成熟，植被遥感数据成为了监测全球及区域尺度地表覆盖变化的关键数据源，归一化植被指数（NDVI）是目前最常用的表征植被生长状态和覆盖度的指标，被广泛用于植被变化及其驱动因子的研究当中（Li et al.，2014；马士彬等，2016；Guan et al.，2019；曹云等，2020）。植被对气候变化十分敏感，目前国内外学者针对气候对植被变化的影响进行了大量的研究。在以往研究中，众多研究人员采用相关分析、多元线性回归等方法揭示了降水和气温是影响植被变化的主要气象因子（侯光雷等，2012；Xu et al.，2016；刘家福等，2018；刘艳等，2018），然而也有相关研究表明，植被变化不仅与降水、气温相关，其他气象因素（如日照时数、相对湿度、风速等）也对植被变化存在不同程度的影响（侯美亭等，2015；张凯选等，2019；许玉凤等，2020）。研究发现，植被对气象因子的响应在不同空间尺度及植被类型存在空间异质性及区域分异特征（何全军，2019；刘静等，2020；卢乔倩等，2020；），植被生长的缓慢过程决定了植被变化对气象因子的响应具有一定的滞后性与累积效应（Xie et al.，2016；Yuan et al.，2019）。董立新（2019）认为气象因子之间存在一定的相关性，直接对原始变量进行回归会产生共线性问题，导致气象因素对植被变化的影响分析产生一定偏差。因此，植被变化受多重因素的共同影响，理解和揭示植被与气象因子之间的内在联系，对于区域生态保护治理具有重要意义。

雅砻江流域位于长江上游，水能资源丰富，是中国十三大水电基地之一。流域内原始森林比重大，树种优良，种源丰富，战略地位极其重要。在气候变化的背景下，开展雅砻江流域植被变化对气象因子的响应研究有助于该地区生态环境的保护与资源合理开发。针对雅砻江流域植被变化及其归因分析已有相关研究（曾波等，2011；田甜等，2012；杜艳秀，2016），以往研究通过NDVI与气象数据的相关系数和趋势分析说明植被与气象因子的响应特征，结果表明：降水和气温是影响该地区植被变化的主要气象因子，并且气温与植被的相关性大于降水。采用该方法虽能一定程度上反映植被与气象因子的相关关系，但缺乏植被对气象因子响应的深层分析及各气象因子影响植被变化的贡献程度，并且未考虑植被对气象因子的时滞效应。为了深入探究雅砻江流域 1982—2015年生长季植被变化及对气象因子的响应，本研究基于GIMMS NDVI和5种气象数据，重点分析生长季NDVI时空变化规律，导致植被变化的主控气象因子及其贡献率，植被变化对气象因子的响应程度及时滞效应，以期为流域生态资源合理开发与管理提供科学的理论依据。

1 研究区概况及数据来源

1.1 研究区概况

雅砻江位于中国青藏高原东部，是长江上游第一大支流，干流全长1571 km，流域面积1.36×105km2，流域界于 96°52′—102°48′E，26°32′—34°9′N（图1a）。该地区以山地地貌为主，地势起伏大，海拔在950—6100 m之间，呈西北高、东南低的地势。因地形高差与南北纬度变化较大，导致流域气候十分复杂，北部属于寒冷干燥的大陆性气候，中南部属湿润的亚热带气候。流域植被类型主要为针叶林、灌丛和草甸，面积占比分别为 20.87%、28.75%和36%（图1b）。受自然地理环境和经济等因素的影响，流域内气象站较少，为提升代表性插值精度，采用流域内10个气象站（清水河、石渠、甘孜、新龙、道孚、理塘、九龙、木里、盐源、西昌）和周边6个气象站（德格、色达、康定、越西、华坪、会理）（图1a）作为代表站进行相关分析。

图1 雅砻江流域地理位置（a）及植被类型（b）Fig. 1 Geographical location (a) and vegetation type (b) of Yalong River Basin

1.2 数据来源与处理

降水和气温是影响植被生长最主要的两种气象因子；相对湿度能够反映干湿状况，其与植被之间存在交互影响；日照为植被光合作用提供能量，其对植被的影响也较大；风速通过影响蒸散发进而间接影响植被生长，已有研究证实了风速对植被存在一定的影响（Hou et al.，2016；许玉凤等，2020）。

故本研究的气象数据选取上述16个气象站1982—2015年的降水量（P）、平均气温（t）、相对湿度（RH）、日照时数（SD）和平均风速（v）月值数据，数据来源于中国气象数据网（http://data.cma.cn/）。采用反距离权重法（IDW）（Yang et al.，2020）对降水、相对湿度、日照时数和平均风速进行空间插值。由于气温空间分布受高程影响较大，单纯利用 IDW 方法会产生较大误差（彭彬等，2011），因此采用考虑了气象要素随经纬度和海拔变化的梯度距离平方反比法（GIDS）对气温要素进行空间插值。NDVI数据采用中国科学院寒区旱区科学数据中心（http://data.casnw.net/）提供的 1982—2015年GIMMS NDVI数据集，空间分辨率为8 km、时间分辨率为15 d，先将上半月与下半月NDVI根据最大值合成法（MVC）求得月NDVI（何云玲等，2019），再将生长季5—10月（王静等，2019；王云川等，2017）各月NDVI求平均得到生长季平均NDVI，剔除NDVI小于0.1的区域，排除非植被因素的影响（杜加强等，2016）。植被类型数据来源于中国科学院地理科学与资源研究所资源环境科学数据中心（http://www.resdc.cn/）提供的中国 1∶1000000 空间分布数据，空间分辨率为1 km，由于NDVI数据的分辨率为8 km，故通过Arcgis的重采样工具将植被类型数据处理为8 km数据，以满足不同植被类型NDVI与气象因子的响应分析。

2 研究方法

2.1 梯度距离平方反比法

梯度距离平方反比法（GIDS）（彭思岭，2010）是以待插点与实际观测样本点之间的距离为权重的插值方法，并考虑了气象要素随经纬度和海拔高程的变化，其表达式为：

式中，Z为待插点的估算值；Zi为第i个气象站点的实测值；di为第i个气象站点与待插点之间的距离；m为气象站点的个数；X、Y、U分别为待插点的经度、纬度、海拔；Xi、Yi、Ui分别为第i个气象站点的经度、纬度、海拔；Cx、Cy、Cu分别为站点气象要素与经度、纬度和海拔的偏回归系数。

2.2 滞后相关系数法

多个研究表明植被变化对气象因子的响应具有时间滞后性（Xie et al.，2016；Yuan et al.，2019），故本文采用滞后相关系数法统计NDVI对各气象因子的滞后响应时间（张景华等，2015），其表达式为：

式中，R*为滞后相关系数；n为滞后的月数；Rn为NDVI与前推n个月的气象因子之间的相关系数（通过显著性检验）。

刘宪锋等（2015）和熊巧利等（2019）指出该区域的植被对气象因子的时滞效应一般不超过3个月，故本研究分别计算NDVI与当月s、s-1月、s-2月、s-3月气象数据（以下统称为滞后气象数据）的相关系数，取相关系数最大值为滞后相关系数，其对应的滞后时间即为滞后响应时间。

2.3 相对贡献率计算方法

因气象因子之间相互影响，直接对NDVI与气象因子进行回归分析会产生一定误差，为避免气象因子间不相互独立的问题，采用主成分回归分析法建立各像元气象因子与NDVI的回归模型。主成分回归是将提取的主成分作为自变量与因变量进行的一种回归分析方法（黄瑞霞等，2018），具体步骤如下：

（1）对气象数据x1,x2, …,xp进行标准化处理；

（2）将标准化后的气象数据进行主成分分析，根据主成分的选取原则，若前m个累积贡献率大于85%，则主成分的个数为m；

（3）采用普通最小二乘法，将选取的m个主成分F1,F2, …,Fm与NDVI进行多元线性回归，得到回归方程：NDVI=β1F1+β2F2+…βmFm；

（4）由于每个主成分F1,F2, …,Fm均是气象因子x1,x2, …,xp的线性组合，因此可得主成分回归方程：NDVI=α1x1+α2x2+…αpxp。

考虑植被对气象因子响应的空间差异，本研究以8 km×8 km像元为基本单元，计算每个像元的滞后响应时间，再将当月NDVI与滞后气象数据建立主成分回归模型，获得每个像元的主成分回归方程。主成分回归方程系数α1,α2, …,αp的绝对值表示各气象因子对NDVI的影响程度，由式（3）逐像元量化各气象因子对NDVI的相对贡献率，再将全部像元的贡献率求均值得到流域各气象因子对NDVI的相对贡献率（张继等，2019）。

式中，Ch为某一气象因子h对NDVI的相对贡献率；α1,α2, …,αp为主成分回归方程各气象因子变量的系数，正负代表各气象因子对NDVI的正负相关性。

2.4 莫兰指数

莫兰指数（Moran’sI）作为一种空间自相关系数，反映了同一变量在不同空间位置的相关性，是空间单元属性值聚集程度的量化指标，计算公式如下（Das et al.，2017）：

式中，IM为莫兰指数；Wij为要素i和j之间的空间权重；为变量的均值；S2为变量的方差；n为变量观测值的总数；Z(IM)为判断IM显著性的Z得分；E(IM)为IM的期望值；Var(IM)为IM的方差。

IM分布在[-1, 1]之间，[0, 1]说明各空间单元之间存在正相关，[-1, 0]说明各空间单元之间存在负相关，若IM趋近于0，则代表各空间单元属性值随机分布，无相关关系，IM的绝对值越大，代表空间各变量的聚集程度越大。莫兰指数通过计算Z得分和p值对该指数的显著性进行评估，Z得分计算公式见式（7），p值是根据已知分布的曲线得出的面积近似值。当Z＞2.58且p＜0.01时，莫兰指数通过99%置信度检验。

3 结果分析

3.1 NDVI时间变化特征

图2统计了1982—2015年雅砻江流域多年平均NDVI、P和t逐月变化趋势。由图2可知，5—10月 NDVI值远高于其他月份，证明选择 5—10月为雅砻江流域的植被生长季较合理。流域各月多年平均NDVI、P和t均呈单峰变化，NDVI峰值出现在8月，峰值为0.683，P与t的峰值均出现在7月，峰值分别为166.04 mm和14.63 ℃。由此可见，NDVI对P和t有较好的响应关系，不同水热条件下的NDVI值具有一定差异。根据1982—2015年雅砻江流域生长季NDVI年际变化趋势可知（图3），流域生长季NDVI整体呈下降趋势，变化率为-1.19×10-4a-1，上中下游生长季NDVI均呈不显著下降趋势，其中下游NDVI的下降趋势最大，上游最小。

图2 雅砻江流域多年平均NDVI、降水量和平均气温月际变化趋势Fig. 2 Inter-monthly variations of multi-year average NDVI, precipitation and average temperature in Yalong River Basin

图3 雅砻江流域生长季NDVI年际变化趋势Fig. 3 Interannual trend of NDVI in the growing season in Yalong River Basin

3.2 NDVI空间变化特征

从 1982—2015年雅砻江流域多年平均生长季NDVI的空间分布可以看出（图4），流域生长季NDVI自下游向上游逐渐减小，全流域 NDVI在0.133—0.805范围内变化，平均NDVI为0.600；下游NDVI在0.354—0.805之间，平均NDVI为0.663；中游 NDVI在 0.133—0.792之间，平均 NDVI为0.599；上游NDVI在0.154—0.695之间，平均NDVI为 0.547。为进一步研究雅砻江流域 NDVI空间变化趋势，采用Theil-Sen median趋势分析法（孙天瑶等，2020）计算各像元NDVI变化斜率β，并用Mann-Kendall趋势检验法（Li et al.，2019）计算变化显著性统计量Zmk。根据变化斜率β和统计量Zmk，可将NDVI变化趋势划分为5个等级（孙天瑶等，2020），具体等级划分方法如表1所示。比较NDVI各变化等级的面积百分比可知（表1），全流域NDVI稳定不变的面积最大，占总面积的45.72%，但仍有54.28%区域的NDVI发生了不同程度变化，其中植被退化面积大于植被改善面积，中度退化和严重退化的面积分别占15.38%和14.62%，中度改善和明显改善的面积分别占比11.33%和12.95%。

图4 雅砻江流域多年平均生长季NDVI（a）及NDVI变化趋势（b）空间分布Fig. 4 Spatial distribution of the multi-year average NDVI (a) and trend of NDVI change (b) in the growing season of Yalong River Basin

表1 雅砻江流域生长季NDVI变化趋势面积占比Table 1 Percentage of trend in NDVI change during the growing season of Yalong River Basin

由表1可知，雅砻江流域上中下游植被变化有所区别，上中下游植被改善面积占比分别为6.25%、13.49%和 4.55%，退化面积占比分别为 7.94%、15.06%和6.95%，其植被退化面积均略大于改善面积，且中游植被改善与退化面积占比最大。流域主要植被类型NDVI变化也具有一定的差异性，针叶林改善的面积占比为 6.07%，大于退化面积占比5.32%，而灌丛和草甸的改善面积占比分别为6.47%和 7.51%，均小于各自的退化面积占比 9.82%和11.15%。

3.3 NDVI对气象因子的时滞效应分析

植被对气候的响应可能存在一定的时滞效应，为了更准确分析和量化气象因子对NDVI变化的响应程度及贡献率，需先计算NDVI对各气象因子的滞后响应时间，图5统计了雅砻江流域生长季NDVI响应各气象因子的滞后时间的空间分布及面积占比。由图5可知，NDVI对P、t、RH、SD、v产生时滞效应的面积占比分别为69%、59%、48%、63%、76%，植被对各气象因子滞后响应面积大小顺序为：v＞P＞SD＞t＞RH，因此，流域植被变化对各气象因子的滞后响应程度具有一定的差异。通过各滞后响应时间的空间分布可知（图5），NDVI对各气象因子变化的滞后响应存在明显的时间差异和空间异质性，NDVI响应当月P、t和RH及滞后响应时间为1个月的总面积占比分别为76%、66%和86%，绝大部分分布于流域中上游，而滞后响应时间为2和3个月主要分布于下游地区；NDVI响应SD和v的滞后时间为3个月的面积占比分别为63%和76%，主要分布于中上游，而下游NDVI主要响应当月SD和v。NDVI变化对各气象因子滞后响应时间的莫兰指数均为正值，且达到了0.79以上，表明滞后响应时间在空间分布上存在显著（通过99%置信度检验）聚集现象，流域植被对各气象因子的时滞效应具有明显的区域分异特征。其中NDVI响应SD的滞后时间的莫兰指数最大，表明植被对SD时滞效应的区域分异更明显；而响应P和v的滞后时间的莫兰指数相对较小，表明植被对P和V时滞效应的区域分异程度相对较小。

图5 雅砻江流域生长季NDVI对各气象因子滞后响应时间的空间分布Fig. 5 Spatial distribution of the lag in response time of NDVI to meteorological factors in the growing season of Yalong River Basin

进一步分析不同植被类型NDVI对气象因子的时滞效应，图6统计了雅砻江流域3种主要植被类型NDVI响应各气象因子的滞后时间占比。由图6可知，针叶林NDVI响应P和RH的滞后时间主要为1个月，响应t的滞后时间主要为2个月，大部分针叶林主要响应当月SD和v；灌丛NDVI响应P和t的滞后时间主要为1个月，近一半的灌丛主要响应当月RH，响应SD和v的滞后时间主要为3个月；草甸NDVI响应SD和v的滞后时间主要为3个月，绝大部分草甸主要响应当月P、t和RH。

图6 雅砻江流域主要植被类型生长季NDVI对各气象因子滞后响应时间Fig. 6 Lag in response time of major vegetation types’ NDVI to meteorological factors during the growth season in Yalong River Basin

3.4 NDVI变化对气象因子的响应及贡献率分析

采用主成分回归分析法逐像元建立NDVI与滞后气象数据的主成分回归方程，运用该方程拟合的NDVI可认为是各气象因子综合影响下的NDVI值。根据主成分回归方程的确定性系数R2空间分布可知差异较大（图7a），R2值介于0.032—0.850之间，平均R2值为0.46，且自上游向下游逐渐减小，表明气象因子对植被变化的影响程度自上游向下游逐渐减小，即对于中上游地区，植被变化的主要驱动力主要为气象因子。进一步分析NDVI逐月增（减）量变化与考虑滞后效应的气象因子逐月增（减）量变化的一致性，建立二者的主成分回归方程，R2空间分布如图7b所示。由图7b可知，R2值变化范围为0.032—0.835，平均R2值为0.41，且空间变化趋势同图7a基本一致。可知，流域上游及中游北部地区植被变化主要受气象因子影响，而流域中游南部及下游地区植被变化与气象因子的相关性相对较小，表明导致该地区植被变化的主要原因可能为人类活动、立地条件等非气象因素。

图7 雅砻江流域生长季NDVI与各气象因子值（a）和逐月变化值（b）主成分回归方程R2的空间分布Fig. 7 Spatial distribution of principal component regression equation R2 between growing season NDVI and meteorological factors (a) and between changes in growing season NDVI and meteorological factors (b) in Yalong River basin

为进一步量化各气象因子对植被变化的贡献率，采用主成分回归分析法逐像元计算各气象因子对植被变化的相对贡献率，再将全部像元的贡献率求均值得到气象因子对全流域植被变化的贡献率。全流域各气象因子对植被变化的相对贡献率见表2，可知P对植被变化的贡献最大，相对贡献率为27.68%，t和RH对植被的相对贡献率占较大比重，分别为26.31%和23.37%，SD和v对植被的影响相对较小，相对贡献率分别为14.23%和8.41%，由此可知，降水和气温是导致雅砻江流域植被变化的主要气象因子。比较各像元气象因子对植被的贡献率，取最大贡献率相应的气象因子作为该像元植被变化的主控气象因子，可得雅砻江流域生长季NDVI主控气象因子的空间分布图（图8a）。各主控气象因子空间分布的莫兰指数为0.39（通过99%置信度检验），表明各主控气象因子的聚集程度较高，具有明显的区域分布特征。由图8a可知，中上游植被主要受P、t和RH影响，而P和SD对下游植被的贡献较大，v对植被的影响所占比重相对较小。结合植被类型地域分布（图1b）及不同植被类型的主控气象因子（图8b）可以发现，针叶林主要分布于流域下游，其主控气象因子为P和SD，而灌丛和草甸主要分布于流域中上游，其主控气象因子为P、t和RH，与主控气象因子空间分布相对应。

表2 雅砻江流域各气象因子对生长季NDVI变化的相对贡献率Table 2 Relative contribution rates of various meteorological factors to NDVI changes in the growing season in Yalong River Basin

图8 雅砻江流域生长季NDVI变化主控气象因子空间分布（a）及不同植被类型主控气象因子（b）Fig. 8 Spatial distribution of primary meteorological factors that control NDVI changes (a) and controlling meteorological factors for different vegetation types (b) during the growing season in Yalong River Basin

4 讨论

引起植被变化的因素众多，如气候变化、人类活动、地形地貌、地质灾害等，而植被变化是对不同影响因素的复杂耦合响应结果，目前得到了国内外学者的广泛关注，本研究重点探讨雅砻江流域生长季植被变化规律，导致植被变化的主控气象因子及其贡献率，植被变化对气象因子的响应程度及时滞效应。

结果表明，雅砻江流域植被总体呈略微下降趋势，空间变化差异显著，与他人研究结果基本一致（田甜等，2012；杜艳秀，2016）。总体上，降水和气温是影响雅砻江流域生长季植被变化的主控气象因子（曾波等，2011；田甜等，2012），且主控气象因子存在空间异质性。P、t和RH是中上游植被变化的主控气象因子，而P和SD是下游植被变化的主控气象因子（图8a）。孙锐等（2020）认为植被对气象因子的响应关系与地形因素息息相关，受地形因素影响，各气象因子变化存在明显的地域差异，导致不同地区的气候条件相差较大。Tai et al.（2020）发现不同区域植被对气候变化的敏感程度有所区别，引起了植被垂直地带性差异。雅砻江流域地形高差较大，中上游海拔高，下游海拔较低（图1a），导致流域气候十分复杂，空间差异大。良好的水热条件是植被生长的必要因素，本研究及相关研究均得出一致的结论，P和t对整个流域植被变化产生较大影响。由于低海拔地区降水充沛，温度适宜，日照时数越长，促进光合作用，更有利于植被的生长（曹永强等，2018；高江波等，2019），因此，下游植被除了主要受P影响外，受SD也影响较大。高海拔地区由于气候偏干，植被生长需要更充足的水分（陈京华等，2015；高江波等，2019），因此，上游植被除了主要受P和t的影响，RH对该区域的影响较大。流域植被NDVI与海拔的相关系数为-0.546，呈显著负相关（通过99%置信度检验），结合不同海拔梯度植被与主控气象因子的相关关系可知（图9），流域NDVI最大值出现在海拔2000—2500 m间，P和t最大值均出现在海拔1000—1500 m间，表明流域植被对气象因子的响应与地形地貌有较为密切的关系，是气候与自然地理等因素共同作用的结果。

图9 雅砻江流域各海拔梯度生长季NDVI、降水量和平均气温变化趋势Fig. 9 Trends of NDVI, precipitation and average temperature in the growing season at different altitude gradients in Yalong River Basin

根据雅砻江流域植被与气象因子的响应分析结果可知，流域上游及中游北部地区植被与气象因子的主成分回归R2较高，说明该地区植被变化主要与气候因子密切相关。而中游南部及下游地区的R2较小，分析原因可能有两方面：一是本文采用线性回归法对NDVI与气象因子进行拟合，而植被与气象因子可能呈现非线性响应关系，因此存在非线性误差及回归方程本身的系统误差（崔利芳等，2020）；二是流域内大型水电开发项目、耕地及城乡、工矿、居民用地主要分布在流域中下游，该区域植被受人类活动影响较大。相关研究表明（卢鑫等，2016），水库蓄水后改善了库区局地气候，会影响周边植被生长，且四川省凉山州在 1999年成为全国最先启动退耕还林工程的地区之一，植被覆盖面积逐渐增加（郭舒曼，2019）。中游地区地质构造复杂，地形变化急剧，构造运动强烈，受自然灾害、水土流失和城镇建设发展等多重因素的影响（许秀贞，2019；常晓军等，2009），导致植被种类、分布和生长状况不断发生变化。

本研究发现流域植被对气象因子的响应存在显著的时滞效应，与他人研究结果相一致（曾波等，2011；白淑英等，2012）。其中植被对P、t和RH存在1—3个月的滞后响应时间，而对SD和v存在3个月的滞后响应时间，并且流域植被对各气象因子的时滞效应具有明显的区域分异特征。周伟等（2014）认为植被对气象因子滞后响应的空间异质性与植被类型差异有关，由于不同植被其植物根系、叶面积大小、冠层高度等特征存在差异，导致植被对水分的吸收及植被蒸腾和光合作用有所区别，所以不同植被类型对气候变化的响应存在一定差异（庞静等，2015；卢乔倩等，2020）。雅砻江流域主要植被类型为针叶林、灌丛和草甸，针叶林分布于流域中下游，灌丛分布于中游地区，草甸主要分布于流域上游（图1b），而不同植被类型对气象因子的滞后响应时间存在较大差异（图6），并且与上中下游滞后响应时间的差异相对应。因此，不同植被类型因其自身独特的生理特性引起植被对气候变化时滞效应的差异。

由于植被变化主控气象因子的空间异质性，导致不同植被类型的主控气象因子也有所差异（图8b），因此，应考虑不同植被类型对气候条件变化的适应能力，因地制宜的为该区域的植被保护和开发提供科学手段。采用空间插值方法对结果产生一定的误差，本文的插值结果也不例外，因此需采用更优的插值方法对气象数据进行空间插值。本文采用的8 km空间分辨率NDVI数据对于研究区的植被变化研究略微粗糙，需采用分辨率低的产品更加精细探究植被对气候变化的响应，并进一步探讨与分析人类活动对该区域植被变化的影响方式、影响规律和驱动机制。另外，由于8 km研究尺度较大，本文仅分析了植被与海拔的相关关系，可进一步采用分辨率较低的NDVI产品分析植被与坡度、坡向的相关关系。

5 结论

本研究对 1982—2015年雅砻江流域生长季植被时空变化规律进行分析，并探讨了流域植被变化对气象因素的响应及贡献度，主要结论如下：

（1）雅砻江流域NDVI在年内呈单峰型变化，整体呈不显著下降趋势。流域NDVI呈西北低东南高的空间格局，植被退化和改善面积各占 30%和24.28%。

（2）降水和气温是导致全流域植被变化的主控气象因子，受地形因素影响，不同区域植被变化的主控气象因子存在差异，降水、平均气温和相对湿度是中上游植被变化的主控气象因子，而降水和日照时数是下游植被变化的主控气象因子。

（3）流域植被对气象因子的响应程度自上游向下游逐渐减小，且对各气象因子的响应存在不同程度的时滞效应，植被对各气象因子滞后响应面积大小顺序为：平均风速＞降水＞日照时数＞平均气温＞相对湿度。植被变化对降水、平均气温和相对湿度的响应存在1—3个月不等的滞后时间，而对日照时数和平均风速存在3个月的滞后响应，且流域植被对各气象因子的时滞效应具有明显的区域分异特征。