罗鸿, 杨存建,*

长江上游近19年植被覆盖度动态变化及驱动力分析

罗鸿1,2, 杨存建1,2,*

1. 四川师范大学地理与资源科学学院, 成都 610066 2. 四川师范大学西南土地资源评价与监测教育部重点实验室, 成都 610068

为探究2000—2018年来长江上游植被覆盖度动态变化及驱动力, 基于 2000、2010 及 2018 年 3 期Landsat TM影像, 以长江首城宜宾为例, 对其19年间植被覆盖度动态变化进行监测。应用ENVI和GIS技术对数据进行预处理, 运用像元二分模型计算植被覆盖度, 结合主成分分析和相关性分析方法探讨其变化的驱动力, 实现对长江上游植被覆盖度的局部动态分析。这对于长江上游沿岸的生态保护意义重大。结果表明: 1)中植被覆盖区在2000年和2010年面积占比最大, 而2018年高植被覆盖度占比变为最大, 宜宾市域整体植被覆盖度向好的方向发展。2)近19年植被改善和退化面积分别占33.51%、29.48%。退化区域遍布整个研究区, 改善区主要分布在东部边缘。3)植被覆盖度随海拔升高而上升; 随坡度的增加而呈不同变化; 坡向对植被覆盖度的影响主要表现在温度上, 阴坡小于阳坡, 但宜宾正西北方向植被覆盖度最高, 这是由于西北方向有大面积原始森林。4)研究区植被变化受经济、社会和人口的共同影响。森林面积、建设用地面积、GDP、总人口、耕地面积等因子是影响研究区植被覆盖变化的主要驱动力因子。

长江上游; 宜宾; 植被覆盖度; 像元二分模型; 动态变化; 驱动力

0 前言

植被覆盖度作为指示生态环境质量的重要工具, 对环境保护和生态效益评价意义重大。植被覆盖度是刻画地表植被覆盖的重要参数, 可以反映不同空间尺度的植被覆盖情况及变化趋势[1]。归一化植被指数(NDVI)对植被的生物物理特征十分敏感, 被用来进行区域尺度的植被分类和植被覆盖度研究[2]。近年来, 国内外学者利用NDVI遥感数据, 对区域尺度的植被覆盖动态变化做了较为深入地研究[3–4]。目前不同区域植被覆盖度的研究热点集中于: 运用像元二分模型和归一化植被指数分析植被覆盖度的时空变化[5–6]; 结合自然和社会因素对植被覆盖度的驱动力进行分析[7–10]; 运用CA-Markov耦合模型对研究区未来的植被覆盖动态演变趋势进行预测[11–12]。目前针对长江上游植被覆盖度的研究还较少, 且将宜宾市作为典型地区的研究更少。宜宾作为长江首城, 区位优势意义重大, 此研究不仅可以填补宜宾市植被研究的空白, 还可以对长江上游的植被覆盖度研究进行补充和完善。因此本研究结合前人的研究和宜宾市实际情况, 以Landsat遥感影像(分辨率为30 m)为基础数据源, 利用ENVI、Arcgis、SPSS等软件, 应用像元二分模型, 分别计算提取宜宾市2000、2010年和2018年3期NDVI数据, 对该地区近19年的植被覆盖动态变化进行监测, 并结合DEM数据和该区的气象及人文经济数据进行植被覆盖度的地形、气候、人文因子分异研究, 以期望对宜宾市乃至整个长江上游的生态保护有所帮助。

1 材料与方法

1.1 研究区概况

宜宾位于四川省西南部, 所处经纬度27°50’ N—29°16’ N; 103°36’ E—105°20’ E。长江自宜宾零公里处起四季通航, 因此宜宾也被称为长江首城, 是长江上游的重要枢纽城市。全市地貌以中低山地和丘陵为主。地处亚热带季风气候区, 年均温18°左右, 年平均降水量1050—1618 mm, 年平均日照数为1000—1130 h。宜宾属于亚热带常绿阔叶林带, 植被覆盖度较高。

1.2 数据来源与处理

本研究所选遥感数据来源于地理空间数据云平台(http://www. gscloud .cn /)提供的Landsat系列影像, 空间分辨率为30 m, 具体数据如下: 2000年和2010年Landsat7 ETM数据、2018年Landsat8 OLI数据, 条带号为128/40; 128/41; 129/40; 129/41。云雾量均小于10%, 质量良好。所用气象数据均来自宜宾气象局实测数据, 统计具有代表性的古塔路气象站点2000、2010、2018年三期遥感影像数据所处月份的月总降水量、月均温、月总日照时数。

利用ENVI软件对3期影像进行辐射定标和大气校正, 对Landsat 7 ETM数据进行去条带处理。而后按行政边界裁剪出研究区范围。

1.3 研究方法

1.3.1 像元二分模型

又名归一化植被指数, 能够表征植被覆盖的整体状况, 是指示植被生长形态的重要因子, 与植被覆盖度之间存在明显的线性关系, 计算公式为:

=(4-3)/(4+3) (1)

式中,4是近红外波段反射率;3为可见光红光波段反射率。对进行归一化处理, 范围在-1—1之间。0表示为裸土; 正值越大表示植被覆盖度越高。

像元二分模型认为像元都是由土壤和植被组成, 像元信息为绿色植被成分所贡献的信息和土壤成分所贡献的信息之和, 由此混合像元的值为土壤和植被两部分植被指数的加权平均和, 权重为每一部分在像元中所占的面积比例[13]。表达式为:

=fNDVI+ (1–f)NDVI(2)

式中:为混合像元的植被指数值,NDVI为纯植被像元的植被指数值,NDVI为纯土壤像元的植被指数值,f为植被覆盖度[13]。由此可推导出公式:

f=(–NDVI) / (NDVI–NDVI) (3)

式中:NDVI代表纯土壤像元的值, 理论值为0, 受地表湿度、土壤类型、土壤颜色等因素影响, 该值会随着时空位置而变化。NDVI代表纯植被覆盖像元的最大值, 其理论值为1, 但植被类型以及生长季的不同会造成该值的变化[13]。本文取累积频率95%和 5%处的, 将其分别作为研究区的NDVI和NDVI参数的值。

1.3.2 植被覆盖度分级

在参考阅读文献的基础上[13–14], 结合研究区植被覆盖度的分布情况以及《土壤侵蚀分类分级标准》(SL190—2007), 将植被覆盖度分为4级(表1):

1.3.3 植被覆盖度动态变化等级划分

用差值法[14]对3期影像进行差值运算, 记Δf为植被覆盖变化值, 则有:

Δf=f–f(4)

式中,f和f分别为前后两个时期的植被覆盖度等级。本研究中参考俱战省等[14]对于植被覆盖度动态变化的等级划分, 并结合宜宾市植被覆盖度实际情况, 对植被覆盖度变化Δ的等级进行如下划分: (1)当Δf=3时记为显著改善; (2) 当Δf=2时记为中度改善; (3) 当Δf=1时记为轻度改善; (4) 当Δf=0时记为不变; (5)当Δf=-3时记为严重退化; (6)当Δf=-2时记为中度退化; (7)当Δf=-1时记为轻度退化。

1.3.4 驱动力相关性分析与因子分析

本研究基于下式, 进行相关性分析, 计算气候要素与植被覆盖度之间的相关系数, 分析气候因子与植被覆盖度间的相关性[15]:

表1 植被覆盖度分级标准

因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计方法[16]。设个可能存在相关关系的测试变量1,2,…,m, 含有个独立的公共因子1,2, …, F(≤) , 测试变量Z含有独特因子U(=1,2,…,),U间互不相关, 且与F(=1, 2,…,) 也互不相关, 每个Z可由个公共因子和自身对应的独特因子U线性表出:

用矩阵表示为:

简记为:

式中,称为因子负荷矩阵, 其元素a表示第个变量 () 在第个公共因子F上的负荷, 简称因子负荷。如果把Z看成维因子空间的一个向量, 则a表示Z在坐标轴F上的投影。因子分析是通过上述模型, 以代, 由于一般有<, 从而达到降低变量维数的目的[16]。

本研究以《2000—2018年宜宾市统计年鉴》作为基础数据来源, 在参考大量针对植被覆盖度驱动力研究文献的基础上[7,17–18], 结合宜宾市实际情况, 选取6个代表性指标:1为总人口;2为森林面积;3为耕地面积;4为建设用地面积;5为GDP;6为第一产业占比。利用SPSS软件计算相关系数矩阵和因子贡献率, 从而找出最具影响力的驱动因子。

2 结果与分析

2.1 植被覆盖度等级变化特征

利用像元二分模型计算出研究区2000年、2010年、2018年三个时期的植被覆盖度, 按照(表1)的分级标准进行分级, 并对各级植被覆盖度所占面积进行统计, 汇总得到表2。

从表2可看出, 中植被覆盖度在2000年和2010年面积占比最大, 高达40%左右, 总面积均达到5000 km2以上, 而到2018年有所改变, 高植被覆盖度面积占比变为最大。中低植被覆盖度面积在2000—2018年期间先增加后减少。中植被覆盖度和中低植被覆盖度所对应的土地利用类型主要为草地、农田等, 几乎遍布整个研究区。低植被覆盖度在三个时期所占比例均最少, 分别占6.87%、9.36%、13.1%, 主要土地利用类型为城乡居民工矿用地和裸地, 其面积在19年间持续增长, 共增加788.1354 km2, 这说明宜宾的城市建设快速发展。高植被覆盖度区所占面积先减少后增加, 增加和减少的比例基本持平, 其土地利用类型主要是林地和优良的草地。2018年植被覆盖等级分布发生变化, 占比最大的变为高植被覆盖度区, 面积为4022.991 km2, 占比为31.86%, 比例比2010年增加了14%, 面积增加了1766.9943 km2, 说明宜宾在2010—2018年间退耕还林还草工作效果显著。

2.2 植被覆盖度动态变化特征

利用差值影像算法对三期影像进行处理, 得出研究区2000—2018年间植被覆盖度动态变化特征图(图1)及植被覆盖度变化等级面积统计表(表3)。

结果表明, 2000—2018年间植被覆盖度保持不变的面积比例高达30%以上。2000—2010年植被退化比例占30.45%, 改善比例为35.91%, 退化与改善都以轻度为主。2010—2018年间退化与改善并存, 但退化速度更快、面积更广, 退化面积比改善面积多1599.46 km2。轻度退化和中度退化都比前期加剧了, 而三个程度的改善都明显减少。2000—2010年间, 植被退化主要分布在北部, 改善区域主要在东部一小块区域; 2010—2018年间, 植被退化主要分布在整个南面, 而改善区域较小, 改善程度也低。

图1 2000—2018年研究区植被覆盖度动态变化

Figure 1 Spatial variation of vegetation coverage about the study area in 2000-2018

表3 植被覆盖度变化程度面积统计表

总体来看, 19年间植被改善面积(33.51%)多于退化面积(29.48%)。植被退化几乎遍布整个宜宾市域, 但呈现向西南方向迁移的趋势; 而植被改善主要分布在东部边缘地带, 集中分布在江安县和兴文县的山区森林带。2000—2018年来, 宜宾城区不断扩张, 建设用地面积不断增加, 植被覆盖度呈现出下降趋势, 与此同时, 退耕还林工程的实施, 使得在大面积植被退化的过程中, 山区森林植被成为植被改善的一个明显增长点。

以2000—2018年植被覆盖度的空间分布数据计算出不同等级植被覆盖度面积转移矩阵(表4、表5)。

从2000—2010年植被覆盖区转移情况来看, 1级、2级植被覆盖区转为其他等级植被覆盖的面积少于转入面积, 面积分别增加了358.48 km2、1841.68 km2; 3级和4级植被覆盖区转出面积大于转入面积, 分别减少了218.3 km2、1981.84 km2。转出面积最大的是4级植被覆盖区, 高达2823.49 km2。转入面积最大的是2级植被覆盖区, 为3089.49 km2。可看出, 在2000—2010年间, 宜宾市处于高速发展阶段, 高密度的植被覆盖面积不断减少, 而中低植被覆盖度面积不断增加。

表4 2000—2010年宜宾各植被覆盖度等级面积转移矩阵

表5 2010—2018年宜宾各植被覆盖度等级面积转移矩阵

2010—2018植被覆盖区转移情况与前期有所不同。1级、4级植被覆盖区转为其他等级植被的面积少于转入面积, 面积分别增加了337.87 km2、1745.92 km2。而2级、3级植被覆盖区转出面积大于转入面积, 分别减少了991.75 km2、1092.04 km2。转出面积最大的是3级植被覆盖区, 转出面积为3056.13 km2。转入面积最大的是4级植被覆盖区, 转入面积为2588.74 km2。以上转移中, 变化最大的为4级植被覆盖区, 前期为转出面积最大的区域, 后期又变为转入面积最大的区域, 前后两期转入和转出的面积接近, 这说明在后期, 4级植被覆盖区得到养护从而基本回归原来的状态, 向着更好的方向发展。

2.3 植被覆盖度的地形、气候、人为因素分异研究

2.3.1 不同海拔高度植被覆盖度变化

为分析海拔高度对植被覆盖度的影响, 在参考大量文献基础上结合宜宾市实际海拔范围, 将研究区的DEM数据重分类为4个高程带, 海拔范围分别是142—500 m、500—1000 m、1000—1500 m、1500—2004 m, 然后统计不同高程带2018年植被覆盖度变化(图2)。

结果表明, 海拔小于500 m区域, 平均植被覆盖度最小。1、2、3级植被覆盖区面积所占比例均大于其他高程带, 4级植被覆盖区占比最少仅为11.6%。随着海拔升高, 4级植被覆盖区所占比例持续上升, 面积占比增加了82.74%, 而1级、2级、3级植被覆盖区面积则快速减少。当海拔处于1500—2004 m时, 高植被覆盖区面积所占比例达到最大值94.33%, 此时平均植被覆盖度也达到最大。

图2 研究区各级高程范围内植被覆盖度变化

Figure 2 Change of vegetation coverage in different elevation classes of the study area

研究区平均植被覆盖度随海拔升高呈持续上升趋势, 在1000—1500 m高程范围内出现转折点, 而后增速放缓。在海拔较低处多为城镇居民点, 植被覆盖度较少; 而随着海拔升高, 植被覆盖度逐渐增加, 在海拔为1500—2004 m时, 应为退耕还林和森林保护的重点山区, 所以植被覆盖度最大。

2.3.2 不同坡度植被覆盖度变化

参照《土壤侵蚀分类分级标准》, 并根据临界坡度分级法, 利用研究区的DEM数据提取坡度, 而后重分类为6级, 范围分别是 0—2°、2—5°、5—15°、15—35°、35—55°和55—78°, 统计不同坡度范围的2018年平均植被覆盖度(图3)。

结果表明, 1级、2级植被覆盖区所占面积比例均随着坡度的增加而减少, 而3级植被覆盖区面积所占比例随着坡度的增大呈先增加后降低的趋势, 4级植被覆盖区面积所占比例随着坡度的增加而增大。

在坡度较低的平坦地区, 人口密集, 对土壤开发利用程度大, 所以植被覆盖度较低; 随着坡度不断增大, 植被覆盖度也呈现增长趋势, 但当坡度过大时土壤变薄, 营养成分流失, 逐渐出现山坡、陡壁等, 植被覆盖度增速变缓甚至开始降低。

2.3.3 不同坡向及气候因子对植被覆盖度的影响

将从研究区DEM数据提取的坡向分为9个坡向带: 平地(0°) 、正北(337.5°—360°和0—22.5°)、东北(22.5°—67.5°)、正东(67.5°—112.5°)、东南(112.5°—157.5°)、正南 (157.5°—202.5°)、西南(202.5°—247.5°)、正西(247.5°—292.5°)和西北(292.5°—337.5°)。统计不同坡向2018年的平均植被覆盖度(图4)。

总的来看, 各个坡向的平均植被覆盖度从大到小依次为: 西北>正北>东北>正东>东南>正西>西南>正南>平地。阴坡植被覆盖度小于阳坡, 因为阳坡太阳辐射强。而正西北植被覆盖度最高, 较为反常, 这是因为宜宾的西北面为屏山县, 此县有老君山这样幅员较广的原始森林, 所以植被覆盖度最高。

另外, 根据2000、2010、2018年三个时期遥感影像所处月份的月总降水量、月均温、月总日照时数, 与平均植被覆盖度进行相关性分析, 其相关系数分别是0.292、0.562、-0.826, 这说明研究区平均植被覆盖度与温度明显正相关, 与降水呈弱相关, 与日照时数呈负相关。因此, 坡向对植被覆盖度的影响主要表现在温度上。

图 3 研究区各级坡度范围内植被覆盖度变化

Figure 3 Change of vegetation coverage in different slope classes of the study area

图 4 研究区各级坡向范围内植被覆盖度变化

Figure 4 Change of vegetation coverage in different slope aspect of the study area

2.3.4 人为因素对植被覆盖度的影响

植被覆盖度的变化不仅有自然影响, 还受到人为因素的影响。本研究中选取5个人文因子对研究区植被变化的主要驱动力进行分析, 得到表6、表7。从表6中可看出第1主成分和第2主成分的累积贡献率达到了97.04%, 说明1、2主成分已经能够准确的反映所需信息。从表7中可知第1主成分与变量森林面积、建设用地面积、GDP、总人口等指标具有显著的正相关性, 而与第一产业占比负相关性显著, 表明森林面积、建设用地面积、GDP、总人口等因素对植被变化起着主要推动作用。第2主成分与耕地面积呈现显著正相关, 这就表明耕地面积变化也会推动植被覆盖度的变化。

3 讨论

3.1 与相关研究成果比较

本文研究结果宜宾市植被退化区域呈现向西北迁移的趋势, 改善区域分布在东部边缘地带与陶帅等[17]的研究结果宜宾的低植被覆盖重心在2000—2015年总体向西南方向迁移, 较高植被覆盖重心向东北方向迁移具有一致性。张亮、胡晓曦等运用趋势分析法探讨长江流域植被覆盖度时空变化特征及其对气候、人类活动和生态建设工程投入的响应机制[19–20]。刘祖英等从土壤侵蚀的角度综合解译分析长江中上游地区植被覆盖度变化, 以揭示该区域退耕还林工程所取得的成效[21]。于志磊基于恢复生态学和水文学基础理论, 结合归一化植被指数, 综合分析长江流域(宜宾至重庆段)生态水文时空演变规律[22]。上述研究均深入探讨了长江上游植被覆盖度变化规律及其对气候和人类活动的响应, 采用趋势分析和重心转移模型研究植被覆盖度变化特征, 应用地理探测器和相关性分析方法, 选取部分气候和社会经济指标探究植被覆盖度变化对气候和人类活动的响应, 与本研究所选方法和指标有所差异, 本研究在参考大量文献的基础上, 将气候因子和人文因子的研究分开, 选用较为经典的相关性分析模型探讨气候因子的影响, 而后利用因子分析选取社会经济指标探讨主要驱动力因素。从研究结果来看, 长江流域植被覆盖度整体呈现上升趋势, 但各子流域植被覆盖度具有区域异质性, 这与本文的研究结果相近。气温是植被覆盖度年际变化的主要影响因素, 人类活动对长江流域植被覆盖度的影响持续增强, 自长江上游实施退耕还林、天保工程以来, 植被覆盖稳步增加, 生态建设成效显著。

表6 特征值及主成分贡献率

表7 旋转后主成分载荷矩阵

3.2 不确定性分析

本文的不确定性来自于数据精度和驱动力分析时所选因子的不确定性。所用影像为Landsat系列数据, 分辨率为30 m, 精度不够高导致植被提取情况不够准确。所用气象数据均来自宜宾古塔路站点的实测数据, 虽然此站点所获数据具有市域代表性, 但部分山区气候有明显差异, 使最终结果受到一定影响。因此, 本文对于整个市域大区的研究具有参考意义, 但对于市县小区域尺度上的研究则参考性不足。在进行驱动力分析时, 虽已参考大量针对植被变化驱动力的研究, 也结合了当地实际情况选取了6个研究因子, 但是对因子的选择仍不够完备和准确, 并且每个影响因子的差异性影响在本文中并未进行分析。在未来的研究工作中, 应在进一步提高数据分辨率和数据精度的基础上, 选取更为全面准确的影响因子进行驱动力分析, 并对各影响因子所带来的不同影响进行详尽的探讨。

3.3 未来研究展望

本文只探讨了总的植被覆盖度变化驱动力分析, 而区分不同植被类型探讨不同地类植被覆盖度变化的研究还亟待深入。草地、灌木林等主要受温度、降水和地形等自然因素的影响, 而旱地、水田除了考虑自然因素的影响, 还要考虑人类的耕作行为对农作物生长情况的影响, 不同的耕作行为使该地类表现出的植被覆盖情况差异明显。这就需要综合利用地理学、生态学和农学方面的相关知识, 根据不同地类的耕作规律, 修改动态植被监测模型, 准确模拟研究区不同地类在不同耕作时期的生态系统过程, 为揭示不同耕作状态下植被覆盖变化机制、合理制定植被保护措施提供科学依据。

4 结论

本研究结合GIS手段, 运用ArcGIS和ENVI等软件, 对近19年来的宜宾市植被覆盖度动态变化进行分析, 得出如下结论:

1、中植被覆盖度(3级)在2000年和2010年占比最大, 高达40%左右。高植被覆盖度区域(4级)占比先减少后增加, 增加和减少的比例基本持平。这种表明后期宜宾森林植被得到修复。

2、近19年宜宾植被覆盖度等级保持不变的面积占比高达30%以上。植被改善面积和退化面积分别占33.51%、29.48%, 退化区几乎遍布整个宜宾市域, 而植被改善区主要分布在东部边缘森林带。

3、研究区平均植被覆盖度随海拔升高而上升; 随着坡度增大也呈现增长趋势, 但当坡度过大(高于55°), 增速变缓甚至可能出现下降的趋势; 阴坡植被覆盖度小于阳坡, 坡向对植被覆盖度的影响主要表现在温度上, 而宜宾西北方向有大面积原始森林, 植被覆盖度最大, 表现出与一般分布规律有所差异。

4、研究区植被变化受经济、社会和人口的共同影响。森林面积、建设用地面积、GDP、总人口、耕地面积等因子是影响研究区植被变化的主要驱动力因子。

在本研究以前, 针对长江上游植被覆盖度的研究还较少, 以宜宾市为例的研究更少, 而宜宾作为长江首城, 区位优势明显, 加之生态环境相对脆弱, 作为典型研究区意义较大。此研究对长江上游的植被覆盖度研究进行了补充和完善, 为宜宾乃至长江上游地区未来植被保护与生态环境建设提供科学依据和决策参考。

[1] 贾坤, 姚云军, 魏香琴, 等. 植被覆盖度遥感估算研究进展[J]. 地球科学进展, 2013, 28(7): 774–782.

[2] 熊俊楠, 彭超, 程维明, 等. 基于MODIS—NDVI的云南省植被覆盖度变化分析[J]. 地球信息科学学报, 2018, 20(12): 1830–1840.

[3] Schmidt MWI, Torn M S, Abiven S, et al. Trumbore persistence of soil organic matter as an ecosystem property[J]. Nature, 2011, 478(7367) : 49–56.

[4] Hansen M C, Potapov P V, Moore R, et al. High-R esolution global maps of 21st-Century forest cover change[J]. Science, 2013, 342 (6160): 850–853.

[5] 王国芳, 毕如田, 张吴平, 等. 典型矿区植被覆盖度时空分布特征及影响因素分析[J]. 生态学报, 2020, 40(17): 1–11.

[6] 张彦彬, 安楠, 刘佩艳, 等. 基于MODIS数据的山西省六大煤田区植被覆盖度时空变化特征及其驱动力分析[J]. 干旱区地理, 2016, 39(1): 162–170.

[7] 吴思佳, 吴伟, 陈文惠, 等. 基于地理探测器的闽三角城市群植被覆盖时空变化及影响因素研究[J]. 福建师范大学学报(自然科学版), 2019, 35(5): 81–88.

[8] 肖强, 陶建平, 肖洋. 黄土高原近10年植被覆盖的动态变化及驱动力[J]. 生态学报, 2016, 36 (23): 7594–7602.

[9] 李登科, 王钊. 退耕还林后陕西省植被覆盖度变化及其对气候的响应[J]. 生态学杂志, 2020, 39(1): 1–10.

[10] 彭睿文, 罗娅, 余军林, 等. 中国西南地区2009—2015年植被覆盖度变化及其与降雨的关系[J]. 贵州师范大学学报(自然科学版), 2017, 35(5): 15–23.

[11] 魏月茹, 吴风华. 北三县植被覆盖度动态变化及其预测[J]. 华北理工大学学报(自然科学版), 2020, 42(3): 33–39.

[12] 吴炳伦, 孙华, 石军南, 等. 2000—2018年深圳市植被覆盖动态变化与预测[J]. 应用生态学报: 2020, 31(11): 3777–3785.

[13] 赵明伟, 王妮, 施慧慧, 等. 2001—2015年间我国陆地植被覆盖度时空变化及驱动力分析[J]. 干旱区地理, 2019, 42(2): 324–331.

[14] 俱战省, 杨青森, 邢培茹. 1987—2015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.

[15] 滑永春, 李增元, 高志海. 2001年以来甘肃民勤植被覆盖变化分析[J]. 干旱区研究, 2017, 34(2): 337–343.

[16] 梁斌, 卓梅霞. 基于SPSS统计软件的因子分析法及实证分析[J]. 河西学院学报, 2011, 27(5): 45–49.

[17] 陶帅, 邝婷婷, 彭文甫, 等. 2000—2015年长江上游NDVI时空变化及驱动力—以宜宾市为例[J]. 生态学报, 2020, 40(14): 5029–5043.

[18] 李骊, 张青青, 赵新风, 等. 和田河河岸近17a天然植被动态变化及其驱动力分析[J]. 干旱区资源与环境, 2020, 34(10): 153–159.

[19] 张亮, 丁明军, 张华敏, 等. 1982—2015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.

[20] 胡晓曦, 第宝锋, 袁媛, 等. 长江上游生态建设工程与植被覆盖时空变化的响应特征研究[J]. 长江流域资源与环境, 2016, 25(8): 1264–1272.

[21] 刘祖英, 王兵, 赵雨森, 等. 长江中上游地区退耕还林成效监测与评价[J]. 应用生态学报, 2018, 29(8): 2463–2469.

[22] 于志磊. 区域生态屏障建设及水文效应研究[D]. 北京: 中国水利水电科学研究院, 2016.

Dynamic change and driving force analysis of vegetation coverage in the upper reaches of the Yangtze River in recent 19 years

LUO Hong1,2, YANG Cunjian1,2,*

1. The Institute of Geography and Resources, Sichuan Normal University, Chengdu 610066, China 2. Key Lab of land Resources Evaluation and Monitoring in Southwest, Ministry of Education, Sichuan Normal University, Chengdu 610068, China

In order to explore the dynamic change and driving forces of vegetation coverage in the upper reaches of the Yangtze River from 2000 to 2018, based on Landsat TM images in 2000, 2010 and 2018, the dynamic changes of vegetation coverage about Yibin in the past 19 years was analyzed. The ENVI and GIS technology was applied to preprocess data and the pixel dichotomy model was used to calculate the vegetation coverage, and the driving force of the change was discussed by combining principal component analysis and correlation analysis. This will realize the local dynamic analysis of vegetation coverage in the upper reaches of the Yangtze River, which is of great significance to the ecological protection along the upper reaches of the Yangtze River. The results are as follows. 1)In 2000 and 2010, the proportion of medium vegetation coverage was the largest, while in 2018, the proportion of high vegetation coverage became the largest, and the overall vegetation coverage of Yibin was developing in a good direction. 2)In the past 19 years, the area of vegetation improvement and degradation accounted for 33.51% and 29.48% respectively. The degradation covers the whole city and the improvement is mainly distributed in the forest belt on the eastern edge. 3)The vegetation coverage increased with elevation. It varies with the increase of slope. The influence of slope direction on vegetation coverage is mainly manifested in temperature, so the negative slope is smaller than the positive slope. The northwest direction of Yibin has the highest vegetation coveragel, because there is a wide area of virgin forest. 4)The vegetation change in the study area is affected by economy, society and population. Forest area, construction land area, GDP, total population, cultivated land area are the main driving factors affecting vegetation cover change in the study area.

the upper reaches of Yangtze river; Yibin; vegetation coverage; dimidiate pixel model; dynamic change; driving factor

罗鸿, 杨存建. 长江上游近19年植被覆盖度动态变化及驱动力分析[J]. 生态科学, 2023, 42(1): 234–241.

LUO Hong, YANG Cunjian. Dynamic change and driving force analysis of vegetation coverage in the upper reaches of the Yangtze River in recent 19 years [J]. Ecological Science, 2023, 42(1): 234–241.

10.14108/j.cnki.1008-8873.2023.01.027

Q948.15

A

1008-8873(2023)01-234-08

2020-12-01;

2021-01-11

国家重点研发计划项目(2018YFB0505303); 四川省自然资源厅项目”成渝地区双城经济圈空间格局与生态文明建设研究”（KJ-2021-4）; 四川省重点研发项目(2020YFG0146)

罗鸿(1998—), 女, 四川宜宾人, 研究生, 主要从事人文地理学研究, E-mail:523445488@qq.com

杨存建, 男, 博士, 教授, 主要从事遥感与GIS应用研究, E-mail:yangcj2008@126.com