吕攀屹，黄领梅，权 全，莫淑红

(西安理工大学 省部共建西北旱区生态水利国家重点实验室，陕西 西安 710048)

植被是陆地生态系统的主体，在全球气候变化研究中起着敏感指示器的作用[1]。已有研究表明，区域气候变化会改变植被的组成与结构，使森林格局发生变化[2]。另外，随着我国生态环境保护政策的推行，多地的植被状况发生了显著变化[3-4]。因此，区域气候变化和植被生长的相互作用机制研究引起众多学者的广泛关注，利用遥感技术研究植被生长的学者众多。植被指数作为重要的生态气候参数，是反映绿色活植被相对丰度和活性的辐射量化值，常被用于表征研究区域的植被生理状况、绿色生物量及植被生产力等，是描述生态系统的基础数据[5]。目前已提出的植被指数多达20余种，其中归一化植被指数(NDVI)应用最广，反映了地表植被的生长状况，不仅是衡量区域植被生长发育水平的重要依据，还能为城市生态环境建设提供决策参考[6]。

近年来，陕西关中城市化发展加快、工业区聚集等城市生态问题成为生态可持续发展的难点[7]。本研究将探究陕西关中地区植被覆盖的时空变化特征及其驱动力，并将所得出的研究成果与当地生态恢复举措联系起来，以期为今后该地区的生态高质量发展提供有力的数据支撑。

1 研究区概况与数据来源

1.1 研究区概况

陕西省关中地区位于中国中西部，地处33°34′～35°52′N、106°18′～110°38′E，包含西安、咸阳、宝鸡、渭南、铜川5个地级市(图1)，总土地面积55 623 km2，海拔323～3 771 m，极差达3 448 m[8]，地势西南高东北低。关中地区属于暖温带半湿润季风区，夏季高温多雨，冬季低温少雨，年平均气温9.9～15.8 ℃，多年平均降水量500～878 mm，降水多集中在7—9月，多年平均水面蒸发量1 000～1 200 mm。

图1 研究区位置及海拔梯度

1.2 数据来源及处理

1.2.1 遥感影像资料

选用MOD13A1产品数据，时间分辨率为16 d，空间分辨率为500 m。根据研究区域及研究时段筛选2005—2020年生长季(5—10月)数据图像，共计192幅[9]。

1.2.2 地理探测器输入数据

(1)高程数据。选用由美国太空总署(NASA)和国家测绘局(NIMA)联合测量的30 m分辨率DEM数字高程数据。

(2)气象数据。包括降水、温度等数据，来源于中国气象局气象数据中心提供的《中国地面气候资料日值数据集》，选用关中地区及周边9个站，采用距离平方倒数法插值生成1 km分辨率栅格数据。

(3)地理因素及人为因素数据。地形地貌、植被类型、人口密度和人均GDP栅格数据由中国科学院地理科学与资源研究所资源环境科学与数据中心提供，数据翔实可靠。本研究采用2005年和2020年两期土地利用数据，2005年数据采用中科院数据中心土地利用数据，2020年数据基于Landsat 8遥感影像通过监督分类法获取，通过Kappa检验符合精度要求(Kappa值为0.880)，分辨率均为100 m。

因为地理探测器是依靠离散数据的算法，所以将矢量数据通过0.015°×0.015°格网提取的方法离散化；气象因素等连续变量数据则采用自然断点法分类。影响陕西关中地区NDVI变化的因子详见表1。

表1 影响陕西关中地区NDVI变化的因子

2 研究方法

2.1 NDVI计算方法

利用波段合成计算NDVI，公式为

(1)

式中：Band1、Band2分别代表MOD13A1产品中第1波段和第2波段的反射率。

2.2 线性趋势分析方法

2.2.1 回归趋势法

采用回归趋势法分析关中地区植被覆盖的稳定性特征。该方法反映区域时空格局演变，可充分地体现长时间序列植被覆盖的演化趋势。NDVI回归趋势线斜率公式[10]为

(2)

式中：i为年序号；n为研究数据总年数；NDVIi为第i年的NDVI均值；NDVIslope为单个像元线性回归方程趋势线斜率，当NDVIslope>0时，植被覆盖变化处于递增趋势，反之递减。

为清晰说明研究区内NDVI改善/退化程度，将NDVIslope分为7个等级[11]，具体见表2。

表2 NDVIslope对应的等级划分

2.2.2 降水敏感性分析

本研究选用敏感性指数b定量分析不同植被类型NDVI对降水的响应程度。若b>0，表示NDVI与降水呈正响应，b值越大，敏感性越强。与相关系数不同的是，敏感性指数定量刻画气候因子与NDVI变化的数量关系。所构建的一元线性回归方程为[12]

NDVI=a+bRain

(3)

式中：a为截距；b为线性回归方程的斜率，又称作敏感性指数[13]，代表每增加单位降水量对NDVI的影响程度，亦称气候因子边际响应[14]；Rain为降水变量。

2.2.3 变异系数CV

采用变异系数CV对比不同土地利用情况下NDVI的离散差异。计算公式为

(4)

式中：σ为标准差；μ为均值。

2.3 多因子相互作用分析

2.3.1 相关性分析

本研究采用相关系数法来表征NDVI与其他因子间的关联性。相关系数计算公式为

(5)

2.3.2 地理探测器

地理探测器包括因子探测器、生态探测器、风险探测器及交互探测器[15]。因子探测器主要衡量不同环境变量对NDVI空间分异化的解释程度，q值越大，解释程度越高。q值计算式为

(6)

式中：h为变量或因子的分层，即分类或分区，h=1,2，…,L；Nh和N分别为层h和全区的单元数；σh2和σ2分别是层h和全区NDVI值的方差。

生态探测器用于判别各变量之间对NDVI空间分布是否存在显著差异，用F统计量检验。计算式为

(7)

式中：Na和Nb分别为两变量的样本容量；SSWa和SSWb分别为两变量形成分层的层内方差之和。

风险探测器可以衡量不同环境变量对NDVI影响的适宜区间或类型，用t统计量表示。计算式为

(8)

交互探测器主要是识别不同环境变量间的交互作用，判断两因子共同作用下是否会增强(减弱/无影响)对NDVI空间分布的解释程度，评估方法见表3。

表3 双因子交互作用判别依据

3 研究结果与分析

3.1 NDVI值年际变化特征

从研究区NDVI值年际变化过程(图2)看，铜川、渭南、西安、咸阳的NDVI值在2005—2007年有一定幅度的增加，2008—2017年为低谷期，2018—2020年又逐渐上升，2020年达到巅峰；宝鸡与其他市不同，2005—2010年NDVI值增加，2011年小有跌落，之后呈波动上升趋势。整体上看关中地区NDVI值呈波动上升趋势，渭南、咸阳、铜川、西安、宝鸡年增长速率分别为0.009 1、0.005 0、0.004 7、0.004 6、0.001 2，关中地区年平均增长速率为0.004 9，2020年达到最大值0.68。该增长速率大大超过了黄河源地区的0.001 9[16]、太湖流域的0.002[17]、三北地区的0.001 9[18]，这说明退耕还林工程对陕西关中地区NDVI值的影响十分显著。5市NDVI水平按大小排序为宝鸡>铜川>西安>咸阳>渭南。

图2 关中地区5市NDVI值的年际变化过程

3.2 NDVI值空间分布特征

陕西关中2005—2020年平均NDVI值空间分布如图3所示，整体平均NDVI值为0.61，NDVI值大于0.7的区域占总面积的65.01%，约36 162.46 km2，小于0.5的区域占比27.2%。关中南部NDVI值水平明显优于北部，西南部表现最好，NDVI值均处于0.7以上；在渭河流域两岸，NDVI值处于较低水平。

图3 陕西关中地区2005—2020年平均NDVI值空间分布

3.3 NDVI值变化趋势分析

由表4可知，2005—2020年关中地区NDVI值处于改善状态的面积占比之和为52.28%，以轻微改善和中度改善为主，面积占比为48.23%；处于基本不变的稳定状态的面积占比为19.01%；处于退化状态的面积占比之和为28.73%，以轻微退化为主，面积占比为23.91%。整个关中地区的NDVI值以改善状态为主，但轻微退化状态不可轻视。

表4 2005—2020年关中地区NDVIslope分级的面积占比统计

图4显示，关中地区的NDVIslope整体上呈现出由西南至东北递增的趋势。铜川市NDVI递增速率最大，以轻微改善状态为主，面积占比为37.91%；宝鸡的NDVI递减速率最大，以轻微退化状态为主，面积占比为31.33%。

图4 2005—2020年陕西关中NDVIslope空间分布

3.4 NDVI驱动力分析

为探究研究区内NDVI驱动因素对其的解释程度，将选取的10种变量代入因子探测器进行分析，得到不同因子的解释力q值，见表5。地貌类型、降水、土地利用分别是地理、气象、人为因素中解释力最强因子。地理因素平均q值为0.594，明显高于其他两种因素，说明地理因素是该区域NDVI变化的主导环境因子。

表5 2005—2020年环境变量对NDVI的解释力

交互探测器结果显示(见图5)，除温度与平均相对湿度、降水、土地利用、人口密度及人均GDP间交互呈非线性增强趋势外，其余因子交互均呈现双因子增强。高程∩地貌类型q值0.762，是双因子交互中最高的q值水平，更具备对研究区NDVI变化的解释力。

图5 2005—2020年陕西关中地区各环境变量交互探测器及生态探测器结果

从图5中不难看出，降水作为气象因素中解释力最高的因子，其与高程、地貌类型、植被类型交互后解释力进一步提高。相较于单因子解释力极高的高程与地貌类型因子，植被类型与降水因子交互q值的增幅反而最大。为进一步研究这种情况，采用降水敏感性指数对不同植被类型进行比较(因沼泽与亚热带落叶阔叶林数据量较少，故不考虑)，结果见图6、7。由结果可以看出，不同植被NDVI对降水敏感程度不一，针叶林NDVI对降水的敏感程度高于其他植被，其中亚热带针叶林最为敏感(0.66×10-4)，说明针叶林更适宜该地区降水分布。

图6 NDVI对降水敏感性指数空间分布

图7 不同植被类型下降水敏感性指数

人为因素方面，不论单因子或是双因子交互，土地利用因子都具有极高的解释力。本研究将土地利用情况划分为5种类型，即水体、耕地、林草地、建设用地、未利用地，其分布情况见图8。结合变异系数CV图像不难看出，在建设用地范围内CV值均处于较高水平，NDVI变化极不稳定。

图8 陕西关中地区土地利用与变异系数空间分布

为检测双因子对NDVI的空间分布是否存在显著差异，对各因子做生态探测(结果见图5)，可以看出温度与降水及人为因素间，土地利用与植被类型、坡度、湿度、温度等，高程与地貌类型间存在显著差异，说明这部分双因子对NDVI的空间分布具有不同的作用机理。

为确定NDVI良性发展的适宜环境，将10种环境变量代入风险探测器，得到了环境变量最适宜范围或类型，结果见表6。由风险探测器结果可知，NDVI与降水、平均相对湿度、坡度呈正相关，与人口密度、人均GDP呈负相关。在诸多因素中，通过高程的最优范围可以得到NDVI的最高值，在满足高程1 716～2 044 m前提下，NDVI值最高可达0.793 9，为最适宜环境。

表6 环境变量最适宜范围或类型

4 讨 论

在陕西关中地区范围内，相较于人为因素，NDVI对自然因素更为敏感。该地区地形分布差异明显，形成了地理条件为主、气候条件为辅的特色NDVI驱动方式。2005—2020年，NDVI值呈波动上升趋势，年增长速率达0.004 9。在可能的变动因子中，降水(q=0.269)与土地利用因子(q=0.564)发挥了重要的作用。16年间降水量持续增加(降水与NDVI相关系数为0.355，P<0.01)，加之土地利用转移情况(表7)表明，研究区内土地大规模变绿，退耕还林面积约占9.47%，林草地占比也从47.19%提高到49.69%，两种因素叠加是导致NDVI上升的主要原因。尽管退耕还林工程可以有效地提升环境质量，但退耕还“荒”现象也愈来愈多，因此在保持生态环境逐步优化的过程中应当多注意裸地的开发。16年间随着城乡建设用地高速发展，其占地面积提升了5.29%，大规模侵占了耕地空间，这也是值得考虑的生态风险之一。

表7 2005—2020年陕西关中地区土地利用转移矩阵

上述结果说明，自然因素与人为因素的共同作用形成了当下陕西关中的NDVI空间格局，这意味着对NDVI趋势的预测不仅需要考虑气候变化带来的影响，人类活动也必须纳入考虑范围。需要说明的是本研究仅定量评估了10种环境变量对NDVI变化的影响，但在实际中影响NDVI变化的要素远不止10种，关于当地NDVI变化的分析还需深入探讨。

5 结 论

本研究利用MOD13A1遥感影像数据组结合10种环境变量数据，研究关中地区2005—2020年的NDVI演变特征及其驱动力，得出以下结论：

(1)从NDVI年际演变上看，陕西关中地区整体植被覆盖程度较为完善，16年间植被覆盖水平呈波动式上升趋势，渭南、咸阳、铜川、西安、宝鸡市年增长率分别为0.009 1、0.005 0、0.004 7、0.004 6、0.001 2。但仍有局部区域NDVI呈明显退化趋势。

(2)在空间尺度上，陕西关中地区植被覆盖度在空间上存在地域性差异，总体上呈现西南高东北低态势，秦岭以南NDVI达最高水平，而城市人口集中地区水平较差。整体上NDVI水平宝鸡>铜川>西安>咸阳>渭南。此结论与李丽娜[19]研究结果一致。

(3)在NDVI的时空稳定性特征方面，2005—2020年NDVI发生改善区域占总体的52.28%，约合面积29 077.5 km2。铜川市植被覆盖度的改善尤为显著，改善面积占全市总面积的55.30%；宝鸡市整体NDVI退化最为明显。

(4)NDVI驱动力方面，地理因素解释力远高于其他因素，说明NDVI空间分布主要由地理因素主导。温度与人口密度对NDVI解释力最弱，地貌类型、降水、土地利用分别是地理因素、气候因素与人为因素中最具解释力因子。各因子间的交互作用以双因子增强趋势为主，高程∩地貌类型解释程度最高，q值为0.762。同时，总结出了NDVI最适宜的范围/类型，可为陕西关中下一步植被恢复工作提供科学依据。