地球信息科学学报 2019 , 21 (5): 767-780 https://doi.org/10.12082/dqxxkx.2019.180578

遥感科学与应用技术

京津冀地区植被时空动态及定量归因

阎世杰¹^,²^,^*^,, 王欢²^,³, 焦珂伟⁴

1. 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京100094
2. 中国科学院大学, 北京100049
3. 中国科学院地理科学与资源研究所, 北京100101
4. 中国科学院沈阳应用生态研究所, 沈阳110016

Spatiotemporal Dynamics of NDVI in the Beijing-Tianjin-Hebei Region based on MODIS Data and Quantitative Attribution

YAN Shijie¹^,²^,^*^,, WANG Huan²^,³, JIAO Kewei⁴

1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
4. Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China

通讯作者: *Corresponding author:YAN Shijie, E-mail: yansj@radi.ac.cn

基金资助: 中国科学院A类先导专项子课题(XDA19030501)新疆自治区重大科技专项(2018A03004)

作者简介:

作者简介：阎世杰(1994-),男,湖北宜昌人,硕士,研究方向为遥感图像处理,深度学习等。E-mail: yansj@radi.ac.cn

展开

摘要

作为气候变化的敏感指示器,植被的物候、生长、空间分布格局等特征及其动态变化主要取决于气候环境中的水热条件,因此在气候变化背景下,气候-植被关系成为了全球变化研究的前沿和热点问题。本文综合平均温度、降水、水汽压、湿度、日照时数、SPEI等气候因子,坡度、坡向海拔等地形因子及人为活动因子,应用地理探测器方法针对2006-2015年京津冀地区不同季节NDVI、不同地貌类型区、不同植被类型区生长季NDVI的定量归因研究,揭示了过去10年间植被时空分布格局,及植被对气候、非气候因素响应的季节差异与区域差异,以期为生态工程的建设与修复提供参考意义。趋势分析表明：①2006-2015年京津冀地区NDVI呈现增加趋势,但存在显著的空间差异,如山地生长季NDVI的增长速率大于平原、台地、丘陵等地;②基于地理探测器的定量归因结果表明,降水是年尺度上NDVI空间分布的主导因子（解释力39.4%）,土地利用与降水的交互作用对NDVI的影响最为明显（q=58.2%）;③NDVI对气候因子的响应存在季节性及区域性差异,水汽压是春季NDVI空间分布的主导因子,湿度是夏、秋两季的主导因子,土地利用是冬季的主导因子;④影响因子对生长季NDVI的解释力因不同地貌类型区、不同植被类型区而差异显著。

关键词： NDVI ; 空间分布 ; 空间异质性 ; 定量归因 ; 地理探测器 ; 京津冀地区

Abstract

Vegetation is a sensitive indicator of global climatic changes, and hydrothermal conditions are the main abiotic factors that determine the phenology, spatial pattern, and dynamics of vegetation. Thus, against the background of a changing climate, the climate-vegetation relationship is a hot topic in current global change research. Using geodetector, this study integrated climatic factors (e.g., average temperature, precipitation, water vapor pressure, humidity, sunshine hours, standardized precipitation evapotranspiration index), topographic factors (e.g., slope and elevation), and anthropogenic factors to determine the dominant factors that influenced the normalized difference vegetation index (NDVI) in the Beijing-Tianjin-Hebei region from 2006 to 2015. Different seasons, geomorphological types, and vegetation types were considered during the quantitative attribution analysis. This study revealed the temporal and spatial pattern of vegetation, and the response of vegetation to climate and non-climate factors over the past 10 years, and provided a reference for the construction and restoration of ecological engineering. Trend analysis showed that the NDVI increased during this period, albeit with differences on different spatial scales. In montane regions, the NDVI increased more rapidly than in plains, terraces, and hills. In different vegetation-covered areas, the NDVI increased most rapidly in broadleaf forest, followed by shrubland and coniferous forest. Based on the results of the quantitative distribution analysis, at the temporal scale of one year, precipitation was the dominant factor driving NDVI and explained 39.4% of the spatial distribution, while the interaction of rainfall and land use was the dominant interaction factor, with a q value of 0.582. We observed seasonal and regional differences in the response of NDVI to climatic factors. In the four seasons, vapour pressure was the dominant factor for the spatial distribution of NDVI; humidity is the dominant factor in summer and autumn; and in winter, land use was the dominant factor for NDVI distribution. The explanatory power of the influencing factors on NDVI in the growing season differed in diverse geomorphological types. In montane areas, with increasing elevation, the q value of average temperature decreased. The explanatory power of impacting factors on NDVI of the growing season was different among diverse vegetation types. For different vegetation types, the explanatory power of precipitation on the spatial distribution of NDVI in the growing season was greater than that of mean temperature, with the q value ranked as following grassland > cultivated vegetation > shrubland > broadleaf forest >coniferous forest. In coniferous forest distributed areas, the explanatory power of single factors was insignificant; however, the interaction between two factors can greatly enhance the q value, and the interaction between moisture factors and topographic factors was the dominant factor.

Keywords： spatial distribution ; NDVI ; spatial heterogeneity ; quantitative attribution ; geodetector ; Beijing-Tianjin-Hebei region

PDF (18016KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

阎世杰, 王欢, 焦珂伟. 京津冀地区植被时空动态及定量归因[J]. 地球信息科学学报, 2019, 21(5): 767-780 https://doi.org/10.12082/dqxxkx.2019.180578

YAN Shijie, WANG Huan, JIAO Kewei. Spatiotemporal Dynamics of NDVI in the Beijing-Tianjin-Hebei Region based on MODIS Data and Quantitative Attribution[J]. Journal of Geo-information Science, 2019, 21(5): 767-780 https://doi.org/10.12082/dqxxkx.2019.180578

1 引言

植被是地理环境的重要组成部分,是陆地生态系统的主体^[1,2]。植被通过能量传输和物质循环联系大气、水分和土壤^[3],在维护生物多样性和生态平衡、调节碳平衡、涵养水源、防风固沙和维护气候稳定等方面具有不可替代的作用^[4,5,6]。在全球变化背景下,研究植被变化及其对气候变化的响应已经成为研究全球变化与陆地生态系统关系中的重要内容^[7,8]。植被作为生态环境的敏感指示器^[9,10,11],容易受到气候变化及人类活动的影响^[12]。因此,监测植被动态变化对于揭示全球变化影响下的区域生态系统响应特征及评价区域生态环境质量具有重要意义^[13,14]。虽然已有研究表明近几十年全球许多地区的植被生长表现出增长态势^[15,16],但对于植被动态的认识以及对于植被影响因素与机制的探析仍存在不足。

京津冀地区是中国的政治、文化及国际交流中心,京津冀生态环境为京津冀一体化协同发展提供了物质基础。《京津冀协同发展规划纲要》^[17]指出,生态环境保护作为京津冀协同发展3个率先突破之一,以“环”、“带”、“廊”、“养”等方式构建京津冀城市群生态体系。近几年政府在此先后实施了一系列环境保护、植被修复政策,如植树造林、退耕还林、城市绿地建设等措施,以提高人类的生存质量^[18]。已有研究表明,近年来京津冀地区NDVI呈现上升趋势^[19],孟丹等^[20]、晏利斌和刘晓东^[21]分别利用2001-2013年的MODIS/NDVI时序数据及1982-2002年的AVHRR/NDVI时序数据对京津冀地区NDVI变化及气候因子进行了研究,结果表明降水对于NDVI的影响大于温度。尽管已有研究探究了各气候要素与NDVI的相关关系,但各气候因子对NDVI影响的定量归因研究相对薄弱,且多为单要素的研究,对于多要素的耦合作用研究较少。

当前关于NDVI与气候因子相互关系的研究方法多为相关分析法,如偏相关分析、复相关分析等^[22,23]。交互作用的识别方法通常是在回归方程中加入两因子的相乘项,然而两因子协同作用并非一定是相乘关系^[24],当两因子之间存在其他关系时,该方法会造成研究结果与实际情况之间存在一些偏差。全球变暖背景下,升温在昼夜、季节和纬度尺度分布上具有不对称性,植被与气候的相互作用不仅是非线性的^[25]、非平稳的,且具有较高的时空异质性。植被对气候变化的响应具有季节性和区域性差异。因此基于植被与气候之间的复杂相互关系,科学、准确、定量评估气候因子对植被生长的影响至关重要。

地理探测器方法基于空间方差分析,对变量无线性假设,物理含义明确,其大小反映了自变量对因变量解释的百分比^[26]。此外,地理探测器能够探测两变量之间真正的交互作用,而不仅限于计量经济学预先设定的乘性交互^[24]。该方法已被广泛用于社会科学^[27,28]、自然科学^[29,30]、人类健康^[31,32]、环境科学^[33]等多个领域。已有学者基于地理探测器方法分析NDVI驱动因素^[34,35],但并未考虑植被对气候响应的季节性和区域性差异,且并未对影响因子交互作用对NDVI的影响进行分析和探讨。因此,本文基于地理探测器方法,针对不同季节NDVI、不同地貌形态类型区、不同植被类型区生长季NDVI开展时空动态变化的多因子定量归因,以明晰京津冀地区植被变化的空间异质性,以及NDVI空间分布影响因素与作用机制。

2 研究区概况、数据源及研究方法

2.1 研究区概况

京津冀地区地处113°27′E-119°50′E,36°03′N-42°40′N（图1（a））,位于环渤海平原西部,华北平原北端,东临渤海,北倚燕山山脉,南部为华北平原,西靠太行山脉;东部南部地势平坦,西北部和北部地势较高^[36]。京津冀地区土地面积约21.8万km²,分布着平原、台地、丘陵、山地等多种地貌类型,总体以平原区为主（图1（b））。土地利用类型以耕地为主（图1（c））,2006年耕地面积占区域总面积的49.68%,其次为林地（20.49%）、草地（16.10%）与建设用地（8.87%）。过去10年间,耕地面积有所下降,相比于2006年,2015年耕地面积下降3.28%,其中水田减少1.91%;建设用地面积增加显著,增加3.59%;林地面积增加0.43%,草地面积下降0.45%,其他土地利用类型变化较小。植被类型较为丰富,针叶林、阔叶林、灌丛、草地、栽培植被均有分布（图1（d））,栽培植被和灌丛为主要植被类型。气候类型为典型的温带半湿润半干旱大陆性季风气候,四季分明,冬季干燥寒冷,夏季高温多雨。年降水量500~700 mm,年无霜期120~200 d。

显示原图| 下载原图ZIP| 生成PPT

图1 京津冀地区概况

Fig. 1 Basics of the Beijing-Tianjin-Hebei region

2.2 数据来源及处理

本文使用的数据、数据来源与计算方法如表1所示。NDVI原始数据为月合成数据,共120期,其中2015年9月影像质量较差,利用近3年同月影像平均值代替。使用京津冀边界数据掩膜提取京津冀地区NDVI,并以土地利用数据作为依据,剔除非植被区域,包括水体、建设用地及未利用地,剔除非植被信息后的有植被覆盖区域作为本文研究区。利用ANUSPLIN气象插值软件^[37],以DEM为协变量对气象站点数据进行空间插值得到1 km分辨率栅格数据,为保证研究区边缘数据插值的准确性,选取周边数据作为补充,数据尽可能在研究区周边均有分布,共涵盖了京津冀及周边地区215个气象站点（图1（a））,用京津冀边界作为掩膜裁剪插值数据得到研究区气象栅格数据。以上气象及NDVI数据均归一到月尺度,年均NDVI为当年12个月NDVI值的平均值,多年平均NDVI为2006-2015年NDVI的平均值。结合前人研究,确定京津冀地区生长季为4-9月份^[38,39,40],使用对应月份的气象要素与NDVI数据进行年平均计算,得到生长季多年平均数据。根据周成虎等^[41]针对地貌分类的研究成果,研究区内地貌类型共6种：平原、台地、丘陵、小起伏山地、中起伏山地及大起伏山地（图1（b））。

表1 研究数据、数据来源及计算方法

Tab. 1 Research data, data sources and calculation methods

需要的数据	数据来源	计算方法
MODIS中国NDVI月合成数据(2006.01-2015.12)	中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)
气象数据(降水、平均温度、最高温度、最低温度、风速、日照时数、湿度和水汽压)	国家气象信息中心(http://data.cma.cn)	其中水汽压数据由湿度数据计算得到
标准化降水蒸散指数(SPEI)	由常规气象数据计算得到	SPEI采用Beguería 等^[42]开发的R语言扩展包计算(http://cran.r-project.org/web/packages/SPEI)
30m、1000mDEM数据	中国科学院资源环境科学数据中心(http://www.resdc.cn)
植被类型数据(1:100万)^[41]	中国科学院资源环境科学数据中心(http://www.resdc.cn)
地貌类型数据(1:100万)	中国科学院资源环境科学数据中心(http://www.resdc.cn)
土地利用数据(2005, 2010, 2015)	中国科学院资源环境科学数据中心(http://www.resdc.cn)

新窗口打开

2.3 研究方法

2.3.1 趋势分析法

利用一元线性方程的斜率进行趋势分析。该方法基于栅格计算可模拟出研究区每个栅格的变化趋势,进而反映该区域的时空变化规律^[19],计算公式如下：

$Slope = \frac{n \times \overset{n}{\sum_{i = 1}} i \times NDV I_{i} - (\overset{n}{\sum_{i = 1}} i) (\overset{n}{\sum_{i = 1}} NDV I_{i})}{n \times \overset{n}{\sum_{i = 1}} i^{2} - {(\overset{n}{\sum_{i = 1}} i)}^{2}}$ （1）

式中：Slope为像元NDVI的变化率,若值为正,表示NDVI呈现增加趋势,反之,植被指数呈减小趋势;n为监测年数,NDVI_i表示第i年的NDVI。使用F检验方法对趋势的显著性进行检验,显著性与Slope大小无关,仅代表趋势性变化的可信程度^[43],计算公式为：

$F = U \frac{n - 2}{Q}$ （2）

$U = {\overset{n}{\sum_{i = 1}} (\overset{\land}{y_{i}} - \bar{y})}^{2}$ （3）

$Q = {\overset{n}{\sum_{i = 1}} (y_{i} - \overset{\land}{y_{i}})}^{2}$ （4）

式中：F为统计检验量;U为误差平方和;Q为回归平方和;y_i为第i年NDVI的像元值; $\overset{\land}{y_{i}}$ 为第i年NDVI的回归值; $\bar{y}$ 为监测时段NDVI的平均值;n为监测年数。根据检验结果将变化趋势分为6个等级^[19]：极显著减少（Slope<0,P<0.01）、显著减少（Slope<0,0.01<P<0.05）,不显著减少（Slope<0,P>0.05）,不显著增加（Slope>0,P>0.05）,显著增加（Slope>0,0.01<P<0.05）,极显著增加（Slope>0,P<0.01）。

2.3.2 地理探测器

地理探测器是由王劲峰等^[24]提出的通过探测事件空间分层异质性以揭示其背后驱动因子的一种统计学方法,常用于空间分层异质性的影响因素与作用机制的研究。空间分层异质性是指层内方差之和小于区域总方差的现象。该方法的核心思想为：如果某个自变量对因变量有重要影响,则自变量与因变量的空间分布具有一致性^[26]。地理探测器包含因子探测器、交互作用探测器、风险探测器和生态探测器4个模块。本研究主要应用地理探测器的因子探测器及交互作用探测器模块。

因子探测器主要用来探测NDVI的空间分层异质性和不同气候因素对NDVI空间分异性的解释程度,其解释力大小用q值衡量,计算原理基于方差分析,表达式为：

$q = 1 - \frac{\overset{L}{\sum_{h = 1}} N_{h} {σ_{h}}^{2}}{N σ^{2}} = 1 - \frac{SSW}{SST}$ （5）

其中：

$SSW = \overset{L}{\sum_{h = 1}} N_{h} {σ_{h}}^{2}, SST = N σ^{2}$ （6）

式中：h=1,2,…,L为自变量X的分层;N_h和N为层h内和区域内的单元数; $σ_{h}^{2} 和 σ^{2}$ 分别是第h层的方差和因变量Y的方差;SSW为层内方差之和,SST为区域总方差。q的取值范围为[0,1]。q值越大表明变量Y的空间分层异质性越强,自变量X对变量Y的解释力也越强。根据q值大小可看出各因子对NDVI影响的大小,能够直观的判断NDVI的主导因子。地理探测器软件在生成q值的同时会对q进行显著性检验。

交互作用探测器可用来探测影响因子之间的两两交互作用对NDVI的影响。通过对比单因子q值及交互作用q值即可判断交互作用的方式和方向^[26],交互作用判据如表2所示。

表2 NDVI影响因子的交互作用类型

Tab. 2 Types of the interaction between two influencing factors of NDVI

判断依据	交互作用类型
q(X1∩X2)<Min(q(X1), q(X2))	非线性减弱
Min(q(X1), q(X2))<q(X1∩X2)<Max(q(X1), q(X2))	单因子非线性减弱
q(X1∩X2)>Max(q(X1), q(X2))	双因子增强
q(X1∩X2)=q(X1)+q(X2)	独立
q(X1∩X2)>q(X1)+q(X2)	非线性增强

注：X1和X2代表NDVI的影响因子。

新窗口打开

地理探测器要求输入变量为类别变量,需对连续型数据进行离散化处理。自然断点法是为减少同一分层差异,增大不同分层差异而采用的自然聚类方法,该方法使层内平均离散方差最小,层间平均离散方差最大^[44],在地理探测器的变量分类中应用广泛^[45,46]。因此本文采用自然断点法进行数据分类,将水汽压、日照时数、湿度、平均温度、降水、海拔、坡度等连续型数据分为9类。使用ArcGIS10.2中的渔网点功能生成间隔3 km的渔网点数据,提取栅格数据作为样本,剔除异常值后,共有12 107个数据参与计算。针对不同季节、不同地貌类型区、不同植被类型区,各影响因子采取一致的分层方法,确保在同样分层条件下探究影响因子对NDVI的影响,保证了结果的可比较性。

3 结果及分析

3.1 NDVI空间分布及时间动态变化

京津冀地区2006-2015年植被覆盖状况较好,植被覆盖区年NDVI均值达到0.52（图2（a））,生长季NDVI多年平均值达到0.67（图2（d））,NDVI空间分布不均衡,空间异质性较高。衡水市、承德市、邯郸市、北京市NDVI均值较高,年均值达到0.54以上,生长季NDVI均值高于0.70;张家口市、天津市、唐山市NDVI均值较低,年均值低于0.47,生长季均值低于0.65。NDVI整体呈现显著上升趋势,年均NDVI上升速率为0.107/10a（图2（b））,其中NDVI增加区域占植被覆盖区域总面积的97.61%,显著和极显著增加区域占总面积的81.74%（图2（c））。生长季NDVI上升速率为0.069/10a （图2（e））,其中NDVI增加面积占比91.01%,显著及极显著增加面积占比达到58.31% （图2（f））。

显示原图| 下载原图ZIP| 生成PPT

图2 2006-2015年京津冀地区NDVI、NDVI变率及其显著性的空间差异

Fig. 2 NDVI, NDVI variability and its significance level in the Beijing-Tianjin-Hebei region from 2006 to 2015

3.2 不同季节NDVI主导因素地理探测

3.2.1 不同季节NDVI因子显著性探测

因子探测器结果显示不同季节京津冀地区NDVI的主导因素存在较大差异（图3）。年尺度上多年平均NDVI的主导因素是降水,能够解释39.4%的NDVI空间分布,其次是土地利用类型,能够解释20.8%的NDVI空间分布。春季水汽压是NDVI的主导因素,解释力达到26.9%,排在第二、三位的主导因素分别为湿度、降水。夏季,主导因素为湿度,其次为降水。华北地区降水集中于夏季,且常以暴雨形式降落,土壤不能完全吸收雨水,大部分降水泛滥造成土壤侵蚀,而在未降雨时段里,植被处于干旱状态,此时大气中的湿度通过调节饱和差控制植被的蒸腾作用,进而影响植被生长,因此夏季湿度对NDVI的解释力高于降水。冬季,NDVI第一主导因素为土地利用,此时植被大部分处于休眠期,水热因子对NDVI的主导作用减弱,不同土地利用类型之间NDVI差异显著。第二主导因素为坡度,坡度通过控制土壤中的水分和养分影响植被分布,随着坡度的增高,空气对流加强导致地表持水能力弱,且土壤养分向下沉淀,对植被生长造成一定的不利因素^[36],不同坡度梯度生长的植被具有显著差异。

显示原图| 下载原图ZIP| 生成PPT

图3 2006-2015年京津冀地区不同季节植被NDVI影响因子q值

Fig. 3 The q values of the influencing factors of NDVI in different seasons in the Beijing-Tianjin-Hebei region from 2006 to 2015

3.2.2 不同季节NDVI主导交互作用探测

交互作用探测结果显示,两因子交互作用均会增强对NDVI的解释力。不同季节NDVI的主导交互作用有所差异。将解释力排在前三位的主导交互作用进行统计,得到表3。年尺度上,土地利用与降水的叠加是NDVI的主导交互因子,能够解释58.2%的NDVI空间分布,意味着相同的降水水平与不同的土地利用类型,或不同的降水水平与相同的土地利用类型,NDVI数值差异较大。春季,降水和水汽压的协同作用是NDVI的主导因子,能够解释56.5%的NDVI空间分布,降水和湿度的交互作用次之,水分条件是春季植被生长的主导因素。夏季,湿度和土地利用的协同作用是NDVI的主导因子,湿度和水汽压的主导交互作用次之。秋季,土地利用和水汽压的交互作用是主导交互因子,土地利用和湿度的交互作用次之,土地利用和海拔的交互作用是第三主导交互因子,二者呈现非线性增强趋势,其交互作用q值（0.531）大于土地利用（0.177）和海拔q值（0.110）之和,表明不同海拔地区的相同土地利用类型,或相同海拔的不同土地利用类型NDVI数值差异较大。其原因在于：海拔高的地区温度相对较低,水热条件相对较差,叶子往往较先脱落,因此即使相同植被,在不同海拔分布区域其NDVI值差异较大。冬季,土地利用和平均温度的交互作用是NDVI的主导交互作用,土地利用和海拔的交互作用次之。

表3 2006-2015年京津冀地区不同季节NDVI影响因子交互作用q值

Tab. 3 The interaction q value of the influencing factors of NDVI in different seasons in the Beijing-Tianjin-Hebei region from 2006 to 2015

	春	夏	秋	冬	年
主导交互作用1	降水∩水汽压	湿度∩土地利用	土地利用∩水汽压	土地利用∩平均温度	土地利用∩降水
q值	0.565	0.634	0.539	0.434	0.582
主导交互作用2	降水∩湿度	湿度∩水汽压	土地利用∩湿度	土地利用∩海拔	降水∩海拔
q值	0.505	0.631	0.535	0.404	0.543
主导交互作用3	土地利用∩水汽压	湿度∩平均温度	土地利用∩海拔	土地利用∩水汽压	降水∩水汽压
q值	0.472	0.627	0.531	0.395	0.532

新窗口打开

3.3 生长季NDVI主导因素空间异质性地理探测

3.3.1 不同地貌类型区生长季NDVI影响因素地理探测

（1）NDVI分布特征及时间变化

大起伏山地区生长季NDVI均值最高,中起伏山地区次之,均高于0.730;台地丘陵区生长季NDVI均值最低,小于0.600（表4）。由地貌类型叠加土地利用类型可知,不同地貌类型区,土地利用结构具有显著差异（图4）。山地丘陵区,随着地形起伏度的上升,林地面积大幅上升,耕地面积大幅下降,生长季NDVI均值呈上升趋势。平原、台地地区,植被类型以耕地为主,2006-2015年NDVI呈显著上升趋势,增长率大于0.05/10 a。丘陵地区,耕地占据植被分布区总面积的45.30%,NDVI以0.074/10a的速率呈极显著上升趋势。小起伏山地、中起伏山地、大起伏山地地区,林地是主要植被类型,NDVI以大于0.08/10a的速率呈极显著上升趋势。

表4 2006-2015年不同地貌类型区生长季NDVI及其变率均值

Tab. 4 Averages of NDVI and its variability in different geomorphological areas from 2006 to 2015

	平原	台地	丘陵	小起伏山地	中起伏山地	大起伏山地
均值	0.671	0.550	0.591	0.691	0.733	0.750
变率/a	0.0052	0.0069	0.0074	0.0089	0.0087	0.0081
变率显著性	显著	显著	极显著	极显著	极显著	极显著

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图4 2006-2015年京津冀地区不同地貌类型植被覆盖区中植被类型分布比例

Fig. 4 Proportion of vegetation types in different geomorphological areas that have vegetation cover in the Beijing-Tianjin-Hebei region from 2006 to 2015

（2）NDVI影响因子的显著性探测

植被对气候变化的响应在不同地貌类型区有所区别,存在空间差异^[47]。这种差异不仅表现为植被活动多年平均状况的差异,而且表现为植被活动的变化趋势和变化过程的区域差异^[48]。影响因子在不同地貌类型区对NDVI的解释力差异显著（图5）。降水对生长季NDVI的控制作用在台地、丘陵地区最为显著,其解释力高达63.8%以上。山地地区,随着地形起伏度的上升,地势相对陡峭,地形更为复杂,气候差异显著,降水的解释力逐渐降低。湿度在台地地区对NDVI的解释力高达67.1%、丘陵地区次之,达到62.8%,但在大起伏山地地区却不显著。在山地丘陵区,随着地形起伏度上升,温度对NDVI的解释力下降,具体体现为q值在山地丘陵区的排序为：丘陵>小起伏山地>中起伏山地>大起伏山地（不显著）。京津冀地区属温带大陆性季风气候,植物生长季的水热组合条件最为适宜,因此SPEI对NDVI空间分布的解释力较低。土地利用类型在相对平坦区域解释力不显著,如平原、台地、丘陵地区。此外,大起伏山地地区土地利用类型多为林地、高覆盖草地,其他用地类型不足区域面积的10%,NDVI差异相对较小,因此土地利用类型在该区对NDVI空间分布的解释力不显著。坡度、坡向因子在坡面尺度为植被生长的关键因子,但在以地貌类型为基础的宏观尺度上,对生长季NDVI的解释力不显著。

显示原图| 下载原图ZIP| 生成PPT

图5 2006-2015年京津冀地区不同地貌类型区生长季NDVI影响因子q值

Fig. 5 The q values of the influencing factors of NDVI in the growing season in different geomorphological areas in the Beijing-Tianjin-Hebei region from 2006 to 2015

（3） NDVI影响因子的交互作用探测

不同地貌类型区NDVI影响因子两两交互均会增强对NDVI的解释力（表5）。平原地区,日照时数和水汽压的交互作用是生长季NDVI空间分布的主导交互作用,能够解释58.6%的NDVI空间分布;其次是日照时数和湿度的交互作用。台地地区,湿度与其他因子的协同作用较为显著,具体体现在排在前三位的主导交互作用均为湿度叠加某一影响因子。山地丘陵区,土地利用与降水的交互作用对生长季NDVI空间分布影响显著,小起伏山地及大起伏山地地区,土地利用与降水的交互作用是第一主导因子,丘陵及中起伏山地地区,为第二主导因子。平原及台地地区,植被类型多为农业用地,受耕作、灌溉等人类活动影响较大,因此土地利用类型与降水的交互作用对NDVI解释力较小。

表5 2006-2015年京津冀地区不同地貌形态类型区生长季NDVI影响因子交互作用q值

Tab. 5 The interaction q values of the influencing factors of NDVI in different geomorphological areas in the Beijing-Tianjin-Hebei region from 2006 to 2015

	平原	台地	丘陵	小起伏山地	中起伏山地	大起伏山地
主导交互作用1	日照时数∩水汽压	湿度∩日照时数	平均温度∩湿度	降水∩土地利用	湿度∩土地利用	土地利用∩降水
q值	0.586	0.755	0.760	0.634	0.587	0.570
主导交互作用2	日照时数∩湿度	湿度∩干旱指数	降水∩土地利用	湿度∩土地利用	降水∩土地利用	土地利用∩湿度
q值	0.575	0.744	0.758	0.606	0.579	0.513
主导交互作用3	降水∩湿度	湿度∩土地利用	日照时数∩湿度	湿度∩平均温度	湿度∩日照时数	降水∩海拔
q值	0.539	0.743	0.750	0.596	0.502	0.485

新窗口打开

3.3.2 不同植被类型区生长季NDVI时间变化及空间分布定量归因

（1）NDVI空间分布特征及时间变化

选取京津冀地区主要植被类型进行NDVI空间分布及时间变化特征分析,包括针叶林、阔叶林、灌丛、草地和栽培植被。如表6所示,结果表明阔叶林分布区生长季NDVI均值最高,其次为灌丛和针叶林分布区,NDVI均值均高于0.730。草地NDVI均值最低,栽培植被次之,其NDVI均值低于0.670。针叶林、阔叶林、灌丛和草地呈极显著增加趋势,NDVI增长率大于0.07/10a,栽培植被呈显著增加趋势,增长率为0.062/10a。

表6 2006-2015年京津冀地区不同地貌类型区生长季NDVI及其变率均值

Tab. 6 Averages of NDVI and its variability in different geomorphological areas in the Beijing-Tianjin-Hebei region from 2006 to 2015

	针叶林	阔叶林	灌丛	草地	栽培植被
均值	0.7360	0.7480	0.7370	0.6200	0.6610
变率/a	0.0085	0.0077	0.0088	0.0080	0.0062
变率显著性	极显著	极显著	极显著	极显著	显著

新窗口打开

（2）NDVI影响因子的显著性探测

因子探测结果显示不同植被类型区生长季NDVI主导因子不同,且影响因子在不同植被类型区解释力有所差异（图6）。影响因子对针叶林NDVI空间分布的主导作用不显著。阔叶林、灌丛、栽培植被分布区,主导因子均为湿度,解释力高于33%,其次为降水（解释力高于31%）。草地、栽培植被分布区解释力排在前三位的影响因子均为水分因子,包括降水、湿度、水汽压。温度对生长季NDVI空间分布的控制作用小于水分条件,其原因在于京津冀地区植被生长季为4-9月,该时段内温度处于植被生长的适宜温度,水分条件是植被生长的限制因子。降水对各植被类型NDVI的解释力由大到小排序为：草地>栽培植被>灌丛>阔叶林>针叶林。标准化降水蒸散指数SPEI对各植被类型NDVI的解释力由大到小排序依次为：草地>灌丛>阔叶林>栽培植被>针叶林。针叶林具有耐寒、耐旱特征,对SPEI敏感性较低,栽培植被受人为灌溉等活动影响较大,对SPEI敏感性亦较弱。坡度、海拔、坡向等地形因子对针叶林、阔叶林、灌丛植被类型分布区主导因素不显著。海拔对草地、栽培植被生长季NDVI的解释力均高于25%;坡度对草地的解释力为28%,但在栽培植被地区仅为5.8%;坡向仅在草地地区对NDVI空间分布具有显著的解释力,为6%。

显示原图| 下载原图ZIP| 生成PPT

图6 2006-2015年京津冀地区不同植被类型分布区生长季NDVI影响因子q值

Fig. 6 The q value of the influencing factors of NDVI in the growing season for different vegetation types in the Beijing-Tianjin-Hebei region from 2006-2015

（3）NDVI影响因子交互作用探测

不同植被类型区因子的交互作用均会增强对生长季NDVI空间分布的解释力（表7）。尽管单因子对针叶林分布区生长季NDVI解释力较低且不显著,但双变量交互作用会大大增强影响因子对针叶林生长季NDVI的解释力,呈非线性增强趋势,排在前三位的主导因子解释力均高于0.550,交互因子均为水分因子叠加地形因子。湿度与其他因子的协同作用在阔叶林、灌丛、栽培植被地区较为显著,排在前三位的主导因子均为湿度与其他因子的交互作用。草地地区,降水与其他因子的交互作用较为显著,排在前三位的主导交互作用均为降水叠加某一影响因子,解释力均高达0.720以上。

表7 2006-2015年京津冀地区不同地貌形态类型区生长季NDVI影响因子交互作用q值

Tab. 7 The interaction q value of the influencing factors of NDVI in different geomorphological areas in the Beijing-Tianjin-Hebei region from 2006 to 2015

	针叶林	阔叶林	灌丛	草地	栽培植被
主导交互作用1	湿度∩海拔	湿度∩海拔	湿度∩平均温度	降水∩平均温度	湿度∩水汽压
q	0.646	0.556	0.488	0.727	0.587
主导交互作用2	降水∩海拔	湿度∩平均温度	湿度∩日照时数	降水∩海拔	湿度∩平均温度
q	0.571	0.536	0.486	0.726	0.575
主导交互作用3	湿度∩坡度	湿度∩坡度	湿度∩水汽压	降水∩坡度	湿度∩日照时数
q	0.556	0.525	0.485	0.725	0.569

新窗口打开

4 讨论

本研究发现京津冀地区过去十年间NDVI呈显著上升趋势,生长季NDVI增加速率为0.069/10a,李卓等^[19]研究了2005-2015年生长季的NDVI变化趋势,结果表明NDVI以0.065/10a的速率呈显著上升趋势,与本文研究结果较为一致。孟丹等^[20]采用偏相关和复相关方法研究了京津冀地区NDVI变化特征及驱动力,结果表明降水对植被的影响大于温度,且区域内植被覆盖变化主要受非气候因子驱动,前者与本研究结论一致,后者与本研究存在一定差异。原因在于偏相关及复相关方法是基于时间尺度的相关分析,侧重于NDVI时间变化的归因,而地理探测器方法是基于空间尺度的归因分析,侧重于NDVI空间分布的定量归因,为减弱气候波动带来的误差,本文采用影响因子的十年均值参与计算,因此地理探测器方法在一定程度上忽略了人类活动变化引起的植被变化。虽然本文选取了土地利用作为人类活动因素的指标进行了定量归因,但人类活动对于植被生长的影响十分复杂。特别是随着城市化的不断发展,人类活动的范围和强度不断增加,如人口迁移、农业政策、耕作措施等均会对植被生长造成一定影响。因此,细化人类活动对植被生长的影响,聚焦关键人类活动因子,消除或减弱影响植被生长的不利因素,对于区域生态安全具有重要意义。充分考虑人类活动对植被生长的影响,及植被空间分布与时间动态变化的耦合分析将是下一步工作的重点。

植被对气候因子的响应具有季节差异（图3）。冬季,平均温度较低,甚至低于部分植被的发育起点温度,植被生长缓慢,对水分、光照等因子的需求减弱,因此除平均温度外,降水、湿度、日照、水汽压等气候因子对NDVI的解释力均在冬季达到最低。平均温度对植被生长的解释力在夏季最低,仅能解释8.8%的NDVI空间分布,原因在于京津冀地区属于温带大陆性气候,夏季高温多雨,温度不再是植被生长的限制因子,且升温对植被生长具有正负效应^[49],适度增温能够提高光合作用效率,从而促进植被生长;负效应在于温度上升会增加水分消耗而影响植物生长,且高温会造成部分植物体内酶加速变性,抑制植被生长。温度在夏季对植被生长表现出的正负效应使得平均温度对NDVI的解释力降低,此时湿度、降水等水分因子是影响NDVI的主导气候因子,春季土地利用类型对于NDVI的影响较其他季节弱,仅能解释9.4%的NDVI空间分布。春季植被开始生长,由于降水、湿度、温度、日照等气象因子及海拔、坡度、坡向等地形因子空间分布的异质性,不同植被的生长状况有所差异,即使是相同植被处于不同的气候、地形背景下其生长速率亦有所区别。因此,同一土地利用类型,其春季植被覆盖度差别明显。土地利用类型对NDVI的解释力降低。尽管在微观尺度上,不同坡向接收太阳能辐射大小不同,同时由于山脉的阻隔,不同坡向上的气流降水存在差异^[33],导致不同坡向植被类型及生长状况有所差异,但在区域尺度上,坡向对NDVI的解释力在不同时段均不显著。

受复杂的气候、地形、人类活动等要素的综合影响,植被对环境因子的响应机制存在显著的空间异质性。如山地丘陵区,随着地形起伏度的上升,温度对生长季NDVI空间分布的解释力逐渐降低（图5）。其原因在于,随着地形起伏度的上升,温度不仅呈现出水平地带性分异规律,且呈现出垂直地带性分异规律,温度的空间异质性增强,而植被常以群落形式分布,此时同一温度分层条件下,NDVI数值差异相对加大,因此温度对NDVI空间分布的解释力降低。土地利用类型在地势相对平坦地区,包括平原、台地、丘陵区,对NDVI空间分布的解释力不显著,其原因在于这3种地貌类型区主要用地类型为耕地,分别占地貌区总面积的74.87%、70.33%、42.82%,植被区总面积的96.47%、79.18%、45.30% （图4）。由于作物种类、生长状况、耕作方式均有差异,因此即使土地利用类型均为旱地,其内部NDVI差异较大,土地利用类型对NDVI解释力较低,甚至呈现不显著特征。

5 结论

本文基于MODIS-NDVI遥感数据,结合2006-2015年气象、土地利用、地形数据,利用趋势分析法、地理探测器方法对京津冀地区不同季节NDVI、不同地貌类型区、不同植被类型区生长季NDVI进行趋势分析及定量归因,揭示了10年间植被时空分布格局,及植被对气候、非气候因素响应的季节差异与区域差异。地理探测器方法的应用不仅能够量化影响因子对NDVI的解释力,且能够量化因子间交互作用对NDVI的影响,更加全面、准确地揭示影响因子对NDVI的影响程度及作用机制。本文主要结论如下：

（1）2006-2015年京津冀地区植被覆盖区NDVI呈现增长趋势,年均NDVI增长率为0.107/10a,生长季NDVI增长速率为0.069/10 a。NDVI及其变率空间分布不均衡。例如,山地丘陵区,随着地形起伏度的上升,生长季NDVI呈上升趋势。不同植被类型区,阔叶林分布区生长季NDVI最高,灌丛、针叶林次之,草地地区生长季NDVI最低。

（2）NDVI主导因子具有季节差异。水汽压是春季NDVI空间分布的主导因子,湿度是夏、秋两季的主导因子,土地利用是冬季的主导因子。年尺度上,降水是NDVI的主导因子,降水与土地利用的交互是NDVI的主导交互因子。平均温度对NDVI的解释力在夏季最低,降水对NDVI的解释力在冬季最低。

（3）影响因子对生长季NDVI的解释力因不同地貌类型区而差异显著。例如山地丘陵区,随着地形起伏度的增加,温度对NDVI的解释力呈下降趋势,即q值表现为：丘陵>小起伏山地>中起伏山地>大起伏山地。

（4）不同植被类型区,生长季NDVI空间分布影响机制差异显著。针叶林地区,影响因子单要素主导作用不显著,水分条件和地形因子的协同作用是主导交互作用因子,对NDVI空间分布的解释力达到55%以上。降水对植被生长的影响大于平均温度,对生长季NDVI空间分布的解释力排序如下：草地>栽培植被>灌丛>阔叶林>针叶林。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	朴世龙,方精云. 1982-1999年我国陆地植被活动对气候变化响应的季节差异 [J].地理学报,2003,58(1):119-125. [本文引用: 1] [ Piao S L, Fang J Y. Seasonal changes in vegetation activity in response to climate changes in China between 1982 and 1999 [J]. Acta Geographica Science, 2003,58(1):119-125. ] [本文引用: 1]
[2]	王永财,孙艳玲,王中良. 1998-2011年海河流域植被覆盖变化及气候因子驱动分析 [J].资源科学,2014,36(3):594-602. [本文引用: 1] [ Wang Y C, Sun Y L, Wang Z L. Spatial-temperal change in vegetation cover and climate factor drivers of variation in the Haihe River Basin in 1998-2011 [J]. Resources Science, 2014,36(3):594-602. ] [本文引用: 1]
[3]	陈效逑,王恒. 1982-2003年内蒙古植被带和植被覆盖度的时空变化 [J].地理学报,2009,64(1):84-94. https://doi.org/10.3321/j.issn:0375-5444.2009.01.009 [本文引用: 1] 摘要利用内蒙古地区1982-2003年遥感归一化差值植被指数(NDVI)数据,对植被带进行了分时段的划分,并以典型草原植被带为例,分析植被覆盖度时空变化及其与水热因子的关系。结果表明:在整个研究期间,典型草原带的面积呈增加的趋势,荒漠草原带的面积呈减少的趋势,森林带、森林草原带和荒漠带的面积趋势变化不明显。总体上看,从时段1(1982-1987年)到时段2(1988-1992年)植被带进化演变的面积占优势,从时段2(1988-1992年)到时段3(1993-1998年)进化和退化演变的面积相当,从时段3(1993-1998年)到时段4(1999-2003年)退化演变的面积占优势。在典型草原带内,多年平均植被覆盖度具有明显的季节变化,从5月上半月返青开始到8月下半月达到年最大值,其空间演进以大兴安岭两翼为中心,逐渐向东南的西辽河平原和向西的乌兰察布高原扩展。前期降水量与覆盖度季节增量年际变化之间呈正相关,显著正相关的区域位于锡林郭勒高原西部和乌兰察布高原,而气温与覆盖度季节增量年际变化的相关一般不显著。典型草原年最大覆盖度线性趋势降低与升高的面积分别占52.6%和47.4%,其中,呼伦贝尔高原西部边缘以及大兴安岭山麓两侧的年最大覆盖度呈显著降低的趋势,而西辽河平原西南部和努鲁儿虎山东段的年最大覆盖度呈显著升高的趋势。年降水量是影响年最大覆盖度的主要因子,而年均温对年最大覆盖度的影响不明显。 [ Chen X Q, Wang H. Spatial and temporal variation belts and vegetation cover degrees in inner Mongolia from 1982 to 2003 [J]. Acta Geographica Science, 2009,64(1):84-94. ] https://doi.org/10.3321/j.issn:0375-5444.2009.01.009 [本文引用: 1] 摘要利用内蒙古地区1982-2003年遥感归一化差值植被指数(NDVI)数据,对植被带进行了分时段的划分,并以典型草原植被带为例,分析植被覆盖度时空变化及其与水热因子的关系。结果表明:在整个研究期间,典型草原带的面积呈增加的趋势,荒漠草原带的面积呈减少的趋势,森林带、森林草原带和荒漠带的面积趋势变化不明显。总体上看,从时段1(1982-1987年)到时段2(1988-1992年)植被带进化演变的面积占优势,从时段2(1988-1992年)到时段3(1993-1998年)进化和退化演变的面积相当,从时段3(1993-1998年)到时段4(1999-2003年)退化演变的面积占优势。在典型草原带内,多年平均植被覆盖度具有明显的季节变化,从5月上半月返青开始到8月下半月达到年最大值,其空间演进以大兴安岭两翼为中心,逐渐向东南的西辽河平原和向西的乌兰察布高原扩展。前期降水量与覆盖度季节增量年际变化之间呈正相关,显著正相关的区域位于锡林郭勒高原西部和乌兰察布高原,而气温与覆盖度季节增量年际变化的相关一般不显著。典型草原年最大覆盖度线性趋势降低与升高的面积分别占52.6%和47.4%,其中,呼伦贝尔高原西部边缘以及大兴安岭山麓两侧的年最大覆盖度呈显著降低的趋势,而西辽河平原西南部和努鲁儿虎山东段的年最大覆盖度呈显著升高的趋势。年降水量是影响年最大覆盖度的主要因子,而年均温对年最大覆盖度的影响不明显。
[4]	Piao S, Ciais P, Friedlingstein P, et al. Net carbon dioxide losses of northern ecosystems in response to autumn warming [J]. Nature, 2008,451(7174):49-52. [本文引用: 1]
[5]	Penuelas J, Rutishauser T, Filella I. Phenology feedbacks on climate change [J]. Science,2009,324(5929):887-888. [本文引用: 1]
[6]	Richardson A D, Black T A, Ciais P, et al. Influence of spring and autumn phenological transitions on forest ecosystem productivity [J]. Philosophical Transactions Biological Sciences,2010,365(1555):3227. [本文引用: 1]
[7]	贾宝全. 基于TM卫星影像数据的北京市植被变化及其原因分析 [J].生态学报,2013,33(5):1654-1666. https://doi.org/10.5846/stxb201208251199 Magsci [本文引用: 1] 摘要植被覆盖变化是全球变化研究的重要内容之一,由于NDVI与植被的分布密度呈线性相关,是指示大尺度植被覆盖的良好指标,因此在宏观植被盖度的估算中常被应用。利用1987年9月26日和2009年9月22日的Landsat TM卫星影像,以NDVI为桥梁,分别计算了北京市域的植被盖度和大于0.1的NDVI差值指数,北京市域与不同生态区域两个尺度对其植被变化情况进行了量化分析,结果表明,2009年与1987年相比,北京市极低覆盖度、中覆盖度和高覆盖度植被的面积均有所减少,其所占全市土地面积的比例从1987年到2009年分别降低了5.15%和0.54%和0.03%;而低覆盖度和极高覆盖度植被的面积比例则分别增加了5.71%和0.01%。大于0.1的植被差值指数统计结果显示,全市域植被质量以改善为主,全市植被发生改善变化的土地面积共919302.3 hm<sup>2</sup>,其中发生轻微改善的比例为28.31%,中度改善的为41.33%,极度改善的面积为30.36%;全市植被发生退化变化的面积326931.12 hm<sup>2</sup>, 其中发生中度退化、轻微退化和极度退化的面积分别占到了退化变化土地面积的41.98%、43.20%和14.82%。从不同区域的植被差值指数看,植被发生退化变化最明显的区域为燕山山区北部、五环以内和五至六环间区域,这几个区域退化变化的植被面积占相应区域的面积比例分别达到了30.25%、58.17%和47.38%,而且均以严重退化与中度退化为主,两者合计的面积比例分别为15.79%、44.72%和34.19%。而发生退化变化面积比例最小的区域为太行山区和延庆盆地,其退化面积占该区域植被面积的比例分别为13.35%和17.02%,且退化程度均以轻微退化和中度退化为主,其面积比例介于5%-8%之间。从植被变化的驱动力看, 目前还看不出北京这种植被变化结果与气候变化之间的直接关联。北京市植被变化的驱动力主要还是人为因素。这包括了区域性的大环境绿化生态工程建设(包括山区与平原区),城市绿化市政工程建设、平原区农业结构调整、新农村生态环境建设,以及由于降水而导致的山区河岸带变化等。其中河流水面变化对河岸带植被变化的影响范围在多年平均水面线外0-150 m范围内,0-100 m范围为受影响较大的区域。 [ Jia B Q. Driving factor analysis on the vegetation changes derived from the Landsat TM images in Beijing [J]. Acta Ecologica Sinica, 2013,33(5):1654-1666. ] https://doi.org/10.5846/stxb201208251199 Magsci [本文引用: 1] 摘要植被覆盖变化是全球变化研究的重要内容之一,由于NDVI与植被的分布密度呈线性相关,是指示大尺度植被覆盖的良好指标,因此在宏观植被盖度的估算中常被应用。利用1987年9月26日和2009年9月22日的Landsat TM卫星影像,以NDVI为桥梁,分别计算了北京市域的植被盖度和大于0.1的NDVI差值指数,北京市域与不同生态区域两个尺度对其植被变化情况进行了量化分析,结果表明,2009年与1987年相比,北京市极低覆盖度、中覆盖度和高覆盖度植被的面积均有所减少,其所占全市土地面积的比例从1987年到2009年分别降低了5.15%和0.54%和0.03%;而低覆盖度和极高覆盖度植被的面积比例则分别增加了5.71%和0.01%。大于0.1的植被差值指数统计结果显示,全市域植被质量以改善为主,全市植被发生改善变化的土地面积共919302.3 hm<sup>2</sup>,其中发生轻微改善的比例为28.31%,中度改善的为41.33%,极度改善的面积为30.36%;全市植被发生退化变化的面积326931.12 hm<sup>2</sup>, 其中发生中度退化、轻微退化和极度退化的面积分别占到了退化变化土地面积的41.98%、43.20%和14.82%。从不同区域的植被差值指数看,植被发生退化变化最明显的区域为燕山山区北部、五环以内和五至六环间区域,这几个区域退化变化的植被面积占相应区域的面积比例分别达到了30.25%、58.17%和47.38%,而且均以严重退化与中度退化为主,两者合计的面积比例分别为15.79%、44.72%和34.19%。而发生退化变化面积比例最小的区域为太行山区和延庆盆地,其退化面积占该区域植被面积的比例分别为13.35%和17.02%,且退化程度均以轻微退化和中度退化为主,其面积比例介于5%-8%之间。从植被变化的驱动力看, 目前还看不出北京这种植被变化结果与气候变化之间的直接关联。北京市植被变化的驱动力主要还是人为因素。这包括了区域性的大环境绿化生态工程建设(包括山区与平原区),城市绿化市政工程建设、平原区农业结构调整、新农村生态环境建设,以及由于降水而导致的山区河岸带变化等。其中河流水面变化对河岸带植被变化的影响范围在多年平均水面线外0-150 m范围内,0-100 m范围为受影响较大的区域。
[8]	杜加强,舒俭民,张林波,等. 黄河上游不同干湿气候区植被对气候变化的响应 [J].植物生态学报,2011,35(11):1192-1201. https://doi.org/10.3724/SP.J.1258.2011.01192 Magsci [本文引用: 1] 摘要 <p>研究气候变化背景下植被变化趋势及其与水热因子的关系, 对于黄河源区的生态恢复和生态建设具有重要意义。采用基于FAO Penman-Monteith的降水蒸散比来描述区域的干湿状况, 划分了黄河上游地区的干湿气候区。在此基础上, 利用AVHRR归一化植被指数(<em>NDVI</em>)和GLOPEM净初级生产力(<em>NPP</em>)数据集和同期的气候资料, 分析了黄河上游植被覆盖、植被生产力和气候变化的趋势, 探讨了不同干湿气候区影响植被变化的主要气候因子。结果表明, 研究区域东南部为半湿润气候区, 其余为半干旱气候区, 干湿气候分界线与450 mm降水等值线较接近; 1981–2006年区域气候趋于干暖化, 尤其是气温的升高趋势明显; 半湿润地区<em>NDVI</em>和<em>NPP</em>显著增加, 半干旱地区略有增加; 半湿润地区的<em>NDVI</em>多与气温显著正相关, 与降水量的相关性较弱, 气温是植被生长的主要气候制约因素; 半干旱地区的<em>NDVI</em>则与降水量的正相关性更强, 对降水量的变化较为敏感。<em>NPP</em>对气候变化的响应模式与<em>NDVI</em>相似。植被对气候变化的响应部分依赖于研究区域所具备的水热条件, 干湿气候划分有助于更好地解释植被对气候变化响应的空间差异。</p> [ Du J Q, Shu J M, Zhang L B, et al. Responses of vegetation to climate change in the headwaters of China's Yellow River Basin based on zoning of dry and wet climate [J]. Chinese Journal of Plant Ecology, 2011,35(11):1192-1201. ] https://doi.org/10.3724/SP.J.1258.2011.01192 Magsci [本文引用: 1] 摘要 <p>研究气候变化背景下植被变化趋势及其与水热因子的关系, 对于黄河源区的生态恢复和生态建设具有重要意义。采用基于FAO Penman-Monteith的降水蒸散比来描述区域的干湿状况, 划分了黄河上游地区的干湿气候区。在此基础上, 利用AVHRR归一化植被指数(<em>NDVI</em>)和GLOPEM净初级生产力(<em>NPP</em>)数据集和同期的气候资料, 分析了黄河上游植被覆盖、植被生产力和气候变化的趋势, 探讨了不同干湿气候区影响植被变化的主要气候因子。结果表明, 研究区域东南部为半湿润气候区, 其余为半干旱气候区, 干湿气候分界线与450 mm降水等值线较接近; 1981–2006年区域气候趋于干暖化, 尤其是气温的升高趋势明显; 半湿润地区<em>NDVI</em>和<em>NPP</em>显著增加, 半干旱地区略有增加; 半湿润地区的<em>NDVI</em>多与气温显著正相关, 与降水量的相关性较弱, 气温是植被生长的主要气候制约因素; 半干旱地区的<em>NDVI</em>则与降水量的正相关性更强, 对降水量的变化较为敏感。<em>NPP</em>对气候变化的响应模式与<em>NDVI</em>相似。植被对气候变化的响应部分依赖于研究区域所具备的水热条件, 干湿气候划分有助于更好地解释植被对气候变化响应的空间差异。</p>
[9]	杨思遥,孟丹,李小娟,等. 华北地区2001-2014年植被变化对SPEI气象干旱指数多尺度的响应 [J].生态学报,2018,38(3):1028-1039. [本文引用: 1] [ Yang S Y, Meng D, Li X J, et al. Multi-scale response of vegetation changes relative to the SPEI meteorological drought in North China in 2001-2014 [J]. Acta Ecologica Sinica, 2018,38(3):1028-1039. ] [本文引用: 1]
[10]	Schwartz M D. Green-wave phenology [J]. Nature,1998,394(6696):839-840. [本文引用: 1]
[11]	Menzel A, Fabian P. Growing season extended in Europe [J]. Nature,1999,397(6721): 659. [本文引用: 1]
[12]	Arneth A. Climate science: Uncertain future for vegetation cover [J]. Nature,2015,524(7563): 44-45. https://doi.org/10.1038/524044a [本文引用: 1]
[13]	成方妍,刘世梁,尹艺洁,等. 基于MODIS NDVI的广西沿海植被动态及其主要驱动因素 [J].生态学报,2017,37(3):788-797. [本文引用: 1] [ Cheng F Y, Liu S L, Yin Y J, et al. The dynamics and main driving factors of coastal vegetation in Guangxi based on MODIS NDVI [J]. Acta Ecologica Sinica, 2017,37(3):788-797. ] [本文引用: 1]
[14]	刘军会,高吉喜,王文杰. 青藏高原植被覆盖变化及其与气候变化的关系 [J].山地学报,2013,31(2):234-242. [本文引用: 1] [ Liu J H, Gao J X, Wang W J. Variations of vegetation coverage and its relations to global climate changes on the Tibetan Plateau during 1981—2005 [J]. Journal of Mountain Science, 2013,31(2):234-242. ] [本文引用: 1]
[15]	Zhang Y, Song C, Band L E, et al. Reanalysis of global terrestrial vegetation trends from MODIS products: Browning or greening? [J]. Remote Sensing of Environment, 2017,191:145-155. [本文引用: 1]
[16]	Zhu Z, Piao S, Myneni R B, et al. Greening of the Earth and its drivers [J]. Nature Climate Change,2016,6(8):791-795. https://doi.org/10.1016/j.envpol.2017.08.014 [本文引用: 1] 摘要 Global environmental change is rapidly altering the dynamics of terrestrial vegetation, with consequences for the functioning of the Earth system and provision of ecosystem services. Yet how global vegetation is responding to the changing environment is not well established. Here we use three long-term satellite leaf area index (LAI) records and ten global ecosystem models to investigate four key drivers of LAI trends during 1982鈥2009. We show a persistent and widespread increase of growing season integrated LAI (greening) over 25% to 50% of the global vegetated area, whereas less than 4% of the globe shows decreasing LAI (browning). Factorial simulations with multiple global ecosystem models suggest that CO2 fertilization effects explain 70% of the observed greening trend, followed by nitrogen deposition (9%), climate change (8%) and land cover change (LCC) (4%). CO2 fertilization effects explain most of the greening trends in the tropics, whereas climate change resulted in greening of the high latitudes and the Tibetan Plateau. LCC contributed most to the regional greening observed in southeast China and the eastern United States. The regional effects of unexplained factors suggest that the next generation of ecosystem models will need to explore the impacts of forest demography, differences in regional management intensities for cropland and pastures, and other emerging productivity constraints such as phosphorus availability.
[17]	京津冀协同发展领导小组. 京津冀协同发展规划纲要 [R].北京:中共中央政治局,2015. [本文引用: 1] [ Leading group for coordinated development of the Beijing-Tianjin-Hebei region. Outline of the plan for coordinated development of the Beijing-Tianjin-Hebei region [R]. Beijing: Political Bureau of the Central Committee of the Communist Party of China, 2015. ] [本文引用: 1]
[18]	王静,周伟奇,许开鹏,等. 京津冀地区城市化对植被覆盖度及景观格局的影响 [J].生态学报,2017,37(21):7019-7029. [本文引用: 1] [ Wang J, Zhou W Q, Xu K P, et al. Spatiotemporal pattern of vegetation cover and its relationship with urbanization in Beijing-Tianjin-Hebei megaregion from 2000 to 2010 [J]. Acta Ecologica Sinica, 2017,37(21):7019-7029. ] [本文引用: 1]
[19]	李卓,孙然好,张继超,等. 京津冀城市群地区植被覆盖动态变化时空分析 [J].生态学报,2017,37(22):7418-7426. https://doi.org/10.5846/stxb201609231919 URL [本文引用: 4] 摘要基于MODIS NDVI遥感数据,采用线性回归分析、稳定性分析、重新标度极差分析等数理方法,反演了2005—2015年京津冀地区植被覆盖时空演变趋势和稳定性,并在此基础上对植被未来变化趋势进行评估和预测。结果表明:(1)2005—2015年京津冀地区植被覆盖度呈上升趋势(增长速率0.065/10年),增长过程经历两次飞跃期后,进入平稳波动阶段;(2)京津冀地区植被恢复以显著改善为主(47.45%),不显著变化区域占全区面积的三分之一(33.9%),主要以华北平原为中心展布,退化区域比重为6.8%,零星散布于各大城市周边;(3)京津冀地区植被持续恢复为主,植被覆盖持续改善区域比重超过一半以上(58.8%),反持续性改善比重为34.4%,主要集中在张家口、沧州以及保定东南地区;持续退化比重为4.8%,主要分布在天津、廊坊、沧州一带。研究结果将有助于辨识京津冀城市群地区的植被动态演化和生态网络连通性现状和趋势。 [ Li Z, Sun R H, Zhang J C, et al. Temporal-spatial analysis of vegetation coverage dynamics in Beijing-Tianjin-Hebei metropolitan regions [J]. Acta Ecologica Sinica, 2017,37(22):7418-7426. ] https://doi.org/10.5846/stxb201609231919 URL [本文引用: 4] 摘要基于MODIS NDVI遥感数据,采用线性回归分析、稳定性分析、重新标度极差分析等数理方法,反演了2005—2015年京津冀地区植被覆盖时空演变趋势和稳定性,并在此基础上对植被未来变化趋势进行评估和预测。结果表明:(1)2005—2015年京津冀地区植被覆盖度呈上升趋势(增长速率0.065/10年),增长过程经历两次飞跃期后,进入平稳波动阶段;(2)京津冀地区植被恢复以显著改善为主(47.45%),不显著变化区域占全区面积的三分之一(33.9%),主要以华北平原为中心展布,退化区域比重为6.8%,零星散布于各大城市周边;(3)京津冀地区植被持续恢复为主,植被覆盖持续改善区域比重超过一半以上(58.8%),反持续性改善比重为34.4%,主要集中在张家口、沧州以及保定东南地区;持续退化比重为4.8%,主要分布在天津、廊坊、沧州一带。研究结果将有助于辨识京津冀城市群地区的植被动态演化和生态网络连通性现状和趋势。
[20]	孟丹,李小娟,宫辉力,等. 京津冀地区NDVI变化及气候因子驱动分析 [J]. 地球信息科学学报,2015,17(8):1001-1007. https://doi.org/10.3724/SP.J.1047.2015.01001 Magsci [本文引用: 2] 摘要植被覆盖动态监测及与气候变化的响应,是陆地生态系统研究的重要内容。本文以2001-2013年间京津冀地区MOD13A 3月合成NDVI数据,结合生长季的降水和气温资料,运用偏相关和复相关分析、趋势分析方法,研究了该区域NDVI的变化特征和空间分布,以及其区域植被覆盖变化的气候驱动力。结果表明,该区域NDVI最大值在13a间缓慢增加,植被覆盖呈现改善趋势;NDVI和生长季降雨量及平均气温的平均偏相关系数分别为0.20和-0.14,表明在年际变化水平上,京津冀地区NDVI总体与降水量呈正相关,与平均气温呈负相关,且降水对NDVI的影响大于温度对NDVI的影响。对植被覆盖驱动分区得出,降水和气温驱动型占区域面积的5.68%;单独降水驱动型和气温驱动型分别占4.51%、0.18%;区域内植被覆盖变化主要受非气候因子驱动型为主,所占比例为89.63%,表明人类活动对植被变化的影响巨大。 [ Meng D, Li X J, Gong H L, et al. Analysis of spatial-temporal change of NDVI and its climatic driving factors in Beijing-Tianjin-Hebei metropolis circle from 2001 to 2013 [J]. Journal of Geo-Information Science, 2015,17(8):1001-1007. ] https://doi.org/10.3724/SP.J.1047.2015.01001 Magsci [本文引用: 2] 摘要植被覆盖动态监测及与气候变化的响应,是陆地生态系统研究的重要内容。本文以2001-2013年间京津冀地区MOD13A 3月合成NDVI数据,结合生长季的降水和气温资料,运用偏相关和复相关分析、趋势分析方法,研究了该区域NDVI的变化特征和空间分布,以及其区域植被覆盖变化的气候驱动力。结果表明,该区域NDVI最大值在13a间缓慢增加,植被覆盖呈现改善趋势;NDVI和生长季降雨量及平均气温的平均偏相关系数分别为0.20和-0.14,表明在年际变化水平上,京津冀地区NDVI总体与降水量呈正相关,与平均气温呈负相关,且降水对NDVI的影响大于温度对NDVI的影响。对植被覆盖驱动分区得出,降水和气温驱动型占区域面积的5.68%;单独降水驱动型和气温驱动型分别占4.51%、0.18%;区域内植被覆盖变化主要受非气候因子驱动型为主,所占比例为89.63%,表明人类活动对植被变化的影响巨大。
[21]	晏利斌,刘晓东. 1982-2006年京津冀地区植被时空变化及其与降水和地面气温的联系 [J].生态环境学报,2011,20(2):226-232. [本文引用: 1] [ Yan L B, Liu X D. Spatial-temporal changes in vegetation cover and their relationships with precipitation and surface air temperature over Beijing-Tianjin-Hebei region from 1982-2006 [J]. Ecology and Environmental Sciences, 2011,20(2):226-232. ] [本文引用: 1]
[22]	韦振锋,任志远,张翀,等. 西北地区植被覆盖变化及其与降水和气温的相关性 [J].水土保持通报,2014,34(3):283-289. [本文引用: 1] [ Wei Z F, Ren Z Y, Zhang C, et al. Changes of vegetation cover and its correlation with precipitation and temperature in Northwest China [J]. Bulletin of Soil and Water Conservation, 2014,34(3):283-289. ] [本文引用: 1]
[23]	张琪,袁秀亮,陈曦,等. 1982-2012年中亚植被变化及其对气候变化的响应 [J].植物生态学报,2016,40(1):13-23. https://doi.org/10.17521/cjpe.2015.0236 Magsci [本文引用: 1] 摘要 <p>归一化植被指数(<em>NDVI</em>)能够反映植被生长状况, 被广泛应用于区域乃至全球的植被变化研究中。该文利用1982–2012年GIMMS-<em>NDVI</em>数据, 通过基于像元的线性趋势分析、偏相关分析, 基于场域的经验正交分解(EOF)、奇异值分解(SVD), 综合时间和空间两个维度上的信息, 研究了近31年来中亚植被的变化及其变化中的区域差异, 分析了植被对气候变化的响应关系。线性趋势分析发现, 34%的中亚植被<em>NDVI</em>显著增长(<em>p</em> < 0.05), 山区植被<em>NDVI</em>的增长速率可达到每年0.004。偏相关分析表明, 63%的中亚植被受到降水的显著影响(<em>p</em> < 0.05, 仅4%为负相关), 而32%的植被受到气温的显著影响(<em>p</em> < 0.05, 仅9%为正相关)。EOF分析发现, 中亚植被<em>NDVI</em>的变化表现出较大的空间差异: 山区及东北部的植被<em>NDVI</em>变化主要分为3个阶段, 即先增长(1982–1994年)、后波动(1994–2002年)、然后继续增长(2002–2012年); 而西北部平原区的植被<em>NDVI</em>变化主要表现为两个阶段, 即先增长(1982–1994年)而后减少(1994–2012年)。SVD分析表明: 1982–2012年间中亚植被受到降水和气温的共同影响, 植被<em>NDVI</em>的空间变化特征与降水的空间变化特征较为一致, 但西北部和山区的植被<em>NDVI</em>对气温的响应存在差异。</p> [ Zhang Q, Yuan X L, Chen X, et al. Vegetation change and its response to climate change in Central Asia from 1982 to 2012 [J]. Chinese Journal of Plant Ecology, 2016,40(1):13-23. ] https://doi.org/10.17521/cjpe.2015.0236 Magsci [本文引用: 1] 摘要 <p>归一化植被指数(<em>NDVI</em>)能够反映植被生长状况, 被广泛应用于区域乃至全球的植被变化研究中。该文利用1982–2012年GIMMS-<em>NDVI</em>数据, 通过基于像元的线性趋势分析、偏相关分析, 基于场域的经验正交分解(EOF)、奇异值分解(SVD), 综合时间和空间两个维度上的信息, 研究了近31年来中亚植被的变化及其变化中的区域差异, 分析了植被对气候变化的响应关系。线性趋势分析发现, 34%的中亚植被<em>NDVI</em>显著增长(<em>p</em> < 0.05), 山区植被<em>NDVI</em>的增长速率可达到每年0.004。偏相关分析表明, 63%的中亚植被受到降水的显著影响(<em>p</em> < 0.05, 仅4%为负相关), 而32%的植被受到气温的显著影响(<em>p</em> < 0.05, 仅9%为正相关)。EOF分析发现, 中亚植被<em>NDVI</em>的变化表现出较大的空间差异: 山区及东北部的植被<em>NDVI</em>变化主要分为3个阶段, 即先增长(1982–1994年)、后波动(1994–2002年)、然后继续增长(2002–2012年); 而西北部平原区的植被<em>NDVI</em>变化主要表现为两个阶段, 即先增长(1982–1994年)而后减少(1994–2012年)。SVD分析表明: 1982–2012年间中亚植被受到降水和气温的共同影响, 植被<em>NDVI</em>的空间变化特征与降水的空间变化特征较为一致, 但西北部和山区的植被<em>NDVI</em>对气温的响应存在差异。</p>
[24]	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. [本文引用: 3] [ Wang J F, Xu C D. Geodetector: Principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134. ] [本文引用: 3]
[25]	焦珂伟,高江波,吴绍洪,等. 植被活动对气候变化的响应过程研究进展 [J].生态学报,2018,38(6):2229-2238. [本文引用: 1] [ Jiao K W, Gao J B, Wu S H et al.Research progress on the response processes of vegetation activity to climate change [J]. Acta Ecologica Sinica, 2018,38(6):2229-2238. ] [本文引用: 1]
[26]	Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China [J]. International Journal of Geographical Information Science,2010,24(1):107-127. [本文引用: 3]
[27]	韩冬,乔家君,马玉玲. 基于空间界面视角的新时期乡村性空间分异机理——以河南省巩义市为例 [J].地理科学进展,2018,37(5):655-666. [本文引用: 1] [ Han D, Qiao J J, Ma Y L. Rurality spatial differentiation mechanism in the new era based on the perspective of spatial interface: A case study of Gongyi City, Henan Province [J]. Progress in Geography, 2018,37(5):655-666. ] [本文引用: 1]
[28]	谢帅,刘士彬,段建波,等. OSDS注册用户空间分布特征及影响因素分析 [J].地球信息科学学报,2016,18(10):1332-1340. https://doi.org/10.3724/SP.J.1047.2016.01332 URL Magsci [本文引用: 1] 摘要 <p>本文以2005年以来中国科学院遥感与数字地球研究所开放式空间数据共享网站（OSDS）平台的注册用户为研究对象,利用最近邻层次空间聚类方法和地理探测器模型,对各省注册用户量的空间分布特征和差异影响因素进行了分析。分析结果表明,整体上用户空间分布很不均衡,主要集中在东部发达地区和几个在测绘和地理信息科学领域卓有建树的地区,信息、科研和教育是主要影响因素,经济、网络和测绘的单因素影响力较低,而与主要影响因素结合的交互影响得到了提升。因此,多因素共同制约着用户群的空间分布格局和区域不均衡性。应用地理探测器能从宏观上把握遥感学者群体的空间分布特征及其影响因素,其分析结果能够指导数据提供者更有针对性地为用户提供服务,也可为遥感产业调整和空间布局优化提供依据。</p> [ Xie S, Liu S B, Duan J B, et al. Spatial distribution characteristics of OSDS registered users and its influencing factors [J]. Journal of Geo-informationScience, 2016,18(10):1332-1340. ] https://doi.org/10.3724/SP.J.1047.2016.01332 URL Magsci [本文引用: 1] 摘要 <p>本文以2005年以来中国科学院遥感与数字地球研究所开放式空间数据共享网站（OSDS）平台的注册用户为研究对象,利用最近邻层次空间聚类方法和地理探测器模型,对各省注册用户量的空间分布特征和差异影响因素进行了分析。分析结果表明,整体上用户空间分布很不均衡,主要集中在东部发达地区和几个在测绘和地理信息科学领域卓有建树的地区,信息、科研和教育是主要影响因素,经济、网络和测绘的单因素影响力较低,而与主要影响因素结合的交互影响得到了提升。因此,多因素共同制约着用户群的空间分布格局和区域不均衡性。应用地理探测器能从宏观上把握遥感学者群体的空间分布特征及其影响因素,其分析结果能够指导数据提供者更有针对性地为用户提供服务,也可为遥感产业调整和空间布局优化提供依据。</p>
[29]	通拉嘎,徐新良,付颖,等. 地理环境因子对螺情影响的探测分析 [J].地理科学进展,2014,33(5):625-635. https://doi.org/10.11820/dlkxjz.2014.05.004 Magsci [本文引用: 1] 摘要近年来，由于自然环境、经济社会等因素影响，中国血吸虫病疫情呈回升态势，表现为急性感染人数和血吸虫病患病人数增多，局部地区钉螺扩散明显，感染性钉螺分布范围逐渐扩大等。钉螺是血吸虫的唯一中间宿主，控制钉螺对血吸虫病防治具有重要意义。本文根据钉螺的生态学特征，综合高程、水文、土地利用、土壤、植被等因子，基于地理探测器模型分析了地理环境因子对2009年湖北省钉螺分布的影响。结果表明：① 在垸内型流行区，整个流行季（3-10月）、特别是7-9月期间的植被覆盖与钉螺分布范围有关，密螺地带的特征为土壤质地粉砂含量适中、黄红壤和淹育水稻土，第一季度有较高的植被覆盖度；② 在垸外型流行区，湖泊滩地、高覆盖度草地是其主要分布环境，而第一季度较高的植被覆盖，尤其是荻、芦苇等植被类型是高密度地区的环境特征；③ 在山地丘陵，河流附近的林地和耕地，潴育或淹育水稻土是钉螺密集分布的环境。筛选出的地理环境指示因子可用于遥感技术监测钉螺孳生地，从而为采取有效的控螺措施提供科学依据。 [ Tong L G, Xu X L, Fu Y, et al. Impact of environmental factors on snail distribution using geographical detector model [J]. Progress in Geography, 2014,33(5):625-635. ] https://doi.org/10.11820/dlkxjz.2014.05.004 Magsci [本文引用: 1] 摘要近年来，由于自然环境、经济社会等因素影响，中国血吸虫病疫情呈回升态势，表现为急性感染人数和血吸虫病患病人数增多，局部地区钉螺扩散明显，感染性钉螺分布范围逐渐扩大等。钉螺是血吸虫的唯一中间宿主，控制钉螺对血吸虫病防治具有重要意义。本文根据钉螺的生态学特征，综合高程、水文、土地利用、土壤、植被等因子，基于地理探测器模型分析了地理环境因子对2009年湖北省钉螺分布的影响。结果表明：① 在垸内型流行区，整个流行季（3-10月）、特别是7-9月期间的植被覆盖与钉螺分布范围有关，密螺地带的特征为土壤质地粉砂含量适中、黄红壤和淹育水稻土，第一季度有较高的植被覆盖度；② 在垸外型流行区，湖泊滩地、高覆盖度草地是其主要分布环境，而第一季度较高的植被覆盖，尤其是荻、芦苇等植被类型是高密度地区的环境特征；③ 在山地丘陵，河流附近的林地和耕地，潴育或淹育水稻土是钉螺密集分布的环境。筛选出的地理环境指示因子可用于遥感技术监测钉螺孳生地，从而为采取有效的控螺措施提供科学依据。
[30]	熊俊楠,赵云亮,程维明,等. 四川省山洪灾害时空分布规律及其影响因素研究 [J].地球信息科学学报,2018,20(10):1443-1456. [本文引用: 1] [ Xiong J N, Zhao Y L, Cheng W M, et al . Temporal-spatial distribution and the influencing factors of mountain-flood disasters in Sichuan Province [J].Journal of Geo-information Science, 2018,20(10):1443-1456. ] [本文引用: 1]
[31]	Wang J F, Xu C D, Tong S L, et al. Spatial dynamic patterns of hand-foot-mouth disease in the People's Republic of China [J]. Geospat Health, 2013,7(2):381-390. [本文引用: 1]
[32]	李媛媛,徐成东,肖革新,等. 京津唐地区细菌性痢疾社会经济影响时空分析 [J].地球信息科学学报,2016,18(12):1615-1623. [本文引用: 1] [ Li Y Y, Xu C D, Xiao G X, et al. Spatial-temporal analysis of social-economic factors of bacillary dysentery in Beijing-Tianjin-Tangshan,China [J]. Journal of Geo-information Science, 2016,18(12):1615-1623. ] [本文引用: 1]
[33]	Zhou C, Chen J, Wang S. Examining the effects of socioeconomic development on fine particulate matter (PM2.5) in China's cities using spatial regression and the geographical detector technique [J]. Science of the Total Environment, 2017,619:436-445. [本文引用: 2]
[34]	肖建勇,王世杰,白晓永,等. 喀斯特关键带植被时空变化及其驱动因素 [J].生态学报,2018,38(24):8799-8812. [本文引用: 1] [ Xiao J Y, Wang S J, Bai X Y, et al. Determinants and spatial-temporal evolution of vegetation coverage in the karst critical zone of South China [J]. Acta Ecologica Sinica, 2018,38(24):8799-8812. ] [本文引用: 1]
[35]	李俊刚,闫庆武,熊集兵,等. 贵州省煤矿区植被指数变化及其影响因子分析 [J].生态与农村环境学报,2016,32(3):374-378. [本文引用: 1] [ Li J G, Yan Q W, Xiong J B, et al. Variation of vegetation index in coal mining areas in Guizhou province and its affecting factors [J]. Journal of Ecology and Rural Environment, 2016,32(3):374-378. ] [本文引用: 1]
[36]	何腾飞,王秀兰,宋亚男. 基于高光谱遥感的京津冀地区植被分布规律及影响因素分析 [J].林业调查规划,2014,39(5):15-19. https://doi.org/10.3969/j.issn.1671-3168.2014.05.004 URL [本文引用: 2] 摘要以京津冀地区植被资源实测样地调查资料为基础,基于"3S"技术,结合气象数据、遥感数据对京津冀地区植被分布时空格局进行了研究。运用地理信息系统空间分析及数理统计等方法对可能造成植被分布现状的各因子进行分析,并研究各因子与植被分布之间的相关关系。最后借助ArcGIS软件得到京津冀地区植被分布区划图,为京津冀地区植被研究工作提供一定的决策支持。 [ He T F, Wang X L, Song Y N. Vegetation distributional pattern and influence factors analysis in Beijing-Tianjin-Hebei area based on hyperspectral remote sensing [J]. Forest Inventory and Planning, 2014,39(5):15-19. ] https://doi.org/10.3969/j.issn.1671-3168.2014.05.004 URL [本文引用: 2] 摘要以京津冀地区植被资源实测样地调查资料为基础,基于"3S"技术,结合气象数据、遥感数据对京津冀地区植被分布时空格局进行了研究。运用地理信息系统空间分析及数理统计等方法对可能造成植被分布现状的各因子进行分析,并研究各因子与植被分布之间的相关关系。最后借助ArcGIS软件得到京津冀地区植被分布区划图,为京津冀地区植被研究工作提供一定的决策支持。
[37]	刘志红, Li L T, Tim R M, 等. 专用气候数据空间插值软件ANUSPLIN及其应用 [J].气象,2008,34(2):92-100. [本文引用: 1] [ Liu Z H, Li L T, Tim R M, et al. Introduction of the professional interpolation software for meteorology data: Ausplin [J]. Meteorolgical Monthly, 2008,34(2):92-100. ] [本文引用: 1]
[38]	Piao S, Fang J, Zhou L, et al. Variations in satellite-derived phenology in China's temperate vegetation [J]. Global Change Biology, 2006,12(4):672-685. [本文引用: 1]
[39]	Chen X, Hu B, Yu R. Spatial and temporal variation of phenological growing season and climate change impacts in temperate eastern China [J]. Global Change Biology, 2005,11(7):1118-1130. [本文引用: 1]
[40]	王宏,李晓兵,李霞,等. 基于NOAA NDVI和MSAVI研究中国北方植被生长季变化 [J].生态学报,2015,27(2):504-515. [本文引用: 1] [ Wang H, Li X B, Li X, et al. The variability of vegetation growing season in the Northern China based on NOAA NDVI and MSAVI from 1982 to 1999 [J]. Acta Ecologica Sinica, 2007,27(2):504-515. ] [本文引用: 1]
[41]	周成虎,程维明,钱金凯,等. 中国陆地1:100万数字地貌分类体系研究 [J].地球信息科学学报,2009,11(6):707-724. https://doi.org/10.3969/j.issn.1560-8999.2009.06.006 URL Magsci [本文引用: 2] 摘要地貌分类体系是地貌图研制的关键之一,本文在总结国内外地貌及分类研究的基础上,借鉴20世纪80年代的中国1∶100万地貌图制图规范,基于遥感影像、数字高程模型和计算机自动制图等技术条件,归纳总结了数字地貌分类过程中应遵循的几大原则,分析了它们之间的相互关系,讨论了数字地貌分类的各种指标:包括形态、成因、物质组成和年龄等,提出了中国陆地1∶100万数字地貌三等六级七层的数值分类方法,扩展了以多边形图斑反映形态成因类型,以点、线、面图斑共同反映形态结构类型的数字地貌数据组织方式,并详细划分了各成因类型的不同层次、不同级别的地貌类型。中国1∶100万数字地貌分类体系的研究,为遥感等多源数据的陆地地貌解析和制图提供了规范,也为《中华人民共和国地貌图集》的编制奠定了基础,同时为全国大、中比例尺地貌图的分类和编制研究提供了借鉴。 [ Zhou C H, Cheng W M, Qian J K, et al. Research on the classification system of digital land geomorphology of 1∶1000000 in China [J]. Journal of Geo-information Science, 2009,11(6):707-724. ] https://doi.org/10.3969/j.issn.1560-8999.2009.06.006 URL Magsci [本文引用: 2] 摘要地貌分类体系是地貌图研制的关键之一,本文在总结国内外地貌及分类研究的基础上,借鉴20世纪80年代的中国1∶100万地貌图制图规范,基于遥感影像、数字高程模型和计算机自动制图等技术条件,归纳总结了数字地貌分类过程中应遵循的几大原则,分析了它们之间的相互关系,讨论了数字地貌分类的各种指标:包括形态、成因、物质组成和年龄等,提出了中国陆地1∶100万数字地貌三等六级七层的数值分类方法,扩展了以多边形图斑反映形态成因类型,以点、线、面图斑共同反映形态结构类型的数字地貌数据组织方式,并详细划分了各成因类型的不同层次、不同级别的地貌类型。中国1∶100万数字地貌分类体系的研究,为遥感等多源数据的陆地地貌解析和制图提供了规范,也为《中华人民共和国地貌图集》的编制奠定了基础,同时为全国大、中比例尺地貌图的分类和编制研究提供了借鉴。
[42]	Beguería S, Vicente-Serrano S M, Reig F, et al. Standardized precipitation evapotranspiration index (SPEI) revisited: Parameter fitting, evapotranspiration models, tools, datasets and drought monitoring [J]. International Journal of Climatology, 2014,34(10):3001-3023. [本文引用: 1]
[43]	陈亮,陈世俭,蔡晓斌,等. 基于时序NDVI的三峡库区植被覆盖时空变化特征分析 [J].华中师范大学学报(自然科学版), 2017(3):407-415. [本文引用: 1] [ Chen L, Chen S J, Cai X B, et al. Analysis on spatial-temporal variation characteristics of vegetation cover in the Three Gorges Reservoir Area based on time series NDVI data [J]. Journal of Central China Normal University, 2017(3):407-415. ] [本文引用: 1]
[44]	毕硕本,计晗,陈昌春,等. 地理探测器在史前聚落人地关系研究中的应用与分析 [J]. 地理科学进展,2005,34(1):118-127. [本文引用: 1] [ Bi S B, Ji H, Chen C C, et al. Application of geographical detector in human-environment relationship study of prehistoric settlements [J]. Progressin Geography, 2005,34(1):118-127. ] [本文引用: 1]
[45]	Liu Y S, Li J T. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China [J]. Acta Geographica Sinica, 2017,1(1):161-173. [本文引用: 1]
[46]	Gao J B, Wang H. Temporal analysis on quantitative attribution of Karst soil erosion: A case study of a peak-cluster depression basin in Southwest China [J]. Catena, 2019,172:269-377. [本文引用: 1]
[47]	冯敏,孙艳玲,刘斌,等. 华北地区植被NDVI与不同气候指标的相关分析 [J]. 水土保持通报,2014,34(1):246-251. URL [本文引用: 1] 摘要对1982-2006年华北地区归一化植被指数(NDVI)与不同气候指标(年平均气温、年降水量、干燥度指数、生物热量指数和生物干湿度指数)的相关性进行了分析.结果表明,1982-2006年华北地区植被NDVI总体呈现上升趋势,其中农田和灌丛的植被NDVI上升趋势最明显;1982-2006年华北地区年平均气温和生物热量指数呈显著增加趋势,年降水量、干燥度指数和生物干湿度指数呈减少趋势;整体上华北地区植被NDVI年变化与当年的干燥度指数呈极显著负相关,与上一年的年平均气温呈显著正相关关系,其中草地植被NDVI与年均气温、年降水量呈现显著正相关,与干燥度指数呈极显著负相关,农田和灌丛植被NDVI与年均气温显著正相关.此外,华北地区植被NDVI与不同气候指标的相关性存在明显的空间差异. [ Feng M, Sun Y L, Liu B, et al. Correlation between NDVI and different climate indices in North China [J]. Bulletin of Soil and Water Conservation, 2014,34(1):246-251. ] URL [本文引用: 1] 摘要对1982-2006年华北地区归一化植被指数(NDVI)与不同气候指标(年平均气温、年降水量、干燥度指数、生物热量指数和生物干湿度指数)的相关性进行了分析.结果表明,1982-2006年华北地区植被NDVI总体呈现上升趋势,其中农田和灌丛的植被NDVI上升趋势最明显;1982-2006年华北地区年平均气温和生物热量指数呈显著增加趋势,年降水量、干燥度指数和生物干湿度指数呈减少趋势;整体上华北地区植被NDVI年变化与当年的干燥度指数呈极显著负相关,与上一年的年平均气温呈显著正相关关系,其中草地植被NDVI与年均气温、年降水量呈现显著正相关,与干燥度指数呈极显著负相关,农田和灌丛植被NDVI与年均气温显著正相关.此外,华北地区植被NDVI与不同气候指标的相关性存在明显的空间差异.
[48]	张学珍,戴君虎,葛全胜. 1982-2006年中国东部春季植被变化的区域差异 [J].地理学报,2012,67(1):53-61. [本文引用: 1] [ Zhang X Z, Dai J H, Ge Q S. Spatial differences of changes in spring vegetation activitiesacross Eastern China during 1982-2006 [J]. Acta Geographica Sinica, 2012,67(1):53-61. ] [本文引用: 1]
[49]	戈峰. 现代生态学,第2版[M].北京:科学出版社,2008:41-41. [本文引用: 1] [ Ge F.Modern Ecology, the second version[M]. Beijing: Science Press, 2008:41-41. ] [本文引用: 1]

1982-1999年我国陆地植被活动对气候变化响应的季节差异

2003

... 植被是地理环境的重要组成部分,是陆地生态系统的主体^[1,2].植被通过能量传输和物质循环联系大气、水分和土壤^[3],在维护生物多样性和生态平衡、调节碳平衡、涵养水源、防风固沙和维护气候稳定等方面具有不可替代的作用^[4,5,6].在全球变化背景下,研究植被变化及其对气候变化的响应已经成为研究全球变化与陆地生态系统关系中的重要内容^[7,8].植被作为生态环境的敏感指示器^[9,10,11],容易受到气候变化及人类活动的影响^[12].因此,监测植被动态变化对于揭示全球变化影响下的区域生态系统响应特征及评价区域生态环境质量具有重要意义^[13,14].虽然已有研究表明近几十年全球许多地区的植被生长表现出增长态势^[15,16],但对于植被动态的认识以及对于植被影响因素与机制的探析仍存在不足. ...

1982-1999年我国陆地植被活动对气候变化响应的季节差异

2003

1998-2011年海河流域植被覆盖变化及气候因子驱动分析

2014

1998-2011年海河流域植被覆盖变化及气候因子驱动分析

2014

1982-2003年内蒙古植被带和植被覆盖度的时空变化

2009

1982-2003年内蒙古植被带和植被覆盖度的时空变化

2009

Net carbon dioxide losses of northern ecosystems in response to autumn warming

2008

Phenology feedbacks on climate change

2009

Influence of spring and autumn phenological transitions on forest ecosystem productivity

2010

基于TM卫星影像数据的北京市植被变化及其原因分析

2013

基于TM卫星影像数据的北京市植被变化及其原因分析

2013

黄河上游不同干湿气候区植被对气候变化的响应

2011

黄河上游不同干湿气候区植被对气候变化的响应

2011

华北地区2001-2014年植被变化对SPEI气象干旱指数多尺度的响应

2018

华北地区2001-2014年植被变化对SPEI气象干旱指数多尺度的响应

2018

Green-wave phenology

1998

Growing season extended in Europe

1999

Climate science: Uncertain future for vegetation cover

2015

基于MODIS NDVI的广西沿海植被动态及其主要驱动因素

2017

基于MODIS NDVI的广西沿海植被动态及其主要驱动因素

2017

青藏高原植被覆盖变化及其与气候变化的关系

2013

青藏高原植被覆盖变化及其与气候变化的关系

2013

Reanalysis of global terrestrial vegetation trends from MODIS products: Browning or greening?

2017

Greening of the Earth and its drivers

2016

京津冀协同发展规划纲要

2015

... 京津冀地区是中国的政治、文化及国际交流中心,京津冀生态环境为京津冀一体化协同发展提供了物质基础.《京津冀协同发展规划纲要》^[17]指出,生态环境保护作为京津冀协同发展3个率先突破之一,以“环”、“带”、“廊”、“养”等方式构建京津冀城市群生态体系.近几年政府在此先后实施了一系列环境保护、植被修复政策,如植树造林、退耕还林、城市绿地建设等措施,以提高人类的生存质量^[18].已有研究表明,近年来京津冀地区NDVI呈现上升趋势^[19],孟丹等^[20]、晏利斌和刘晓东^[21]分别利用2001-2013年的MODIS/NDVI时序数据及1982-2002年的AVHRR/NDVI时序数据对京津冀地区NDVI变化及气候因子进行了研究,结果表明降水对于NDVI的影响大于温度.尽管已有研究探究了各气候要素与NDVI的相关关系,但各气候因子对NDVI影响的定量归因研究相对薄弱,且多为单要素的研究,对于多要素的耦合作用研究较少. ...

京津冀协同发展规划纲要

2015

京津冀地区城市化对植被覆盖度及景观格局的影响

2017

京津冀地区城市化对植被覆盖度及景观格局的影响

2017

京津冀城市群地区植被覆盖动态变化时空分析

2017

... 利用一元线性方程的斜率进行趋势分析.该方法基于栅格计算可模拟出研究区每个栅格的变化趋势,进而反映该区域的时空变化规律^[19],计算公式如下： ...

... 式中：F为统计检验量;U为误差平方和;Q为回归平方和;y_i为第i年NDVI的像元值;

\overset{\land}{y_{i}}

为第i年NDVI的回归值;

\bar{y}

为监测时段NDVI的平均值;n为监测年数.根据检验结果将变化趋势分为6个等级^[19]：极显著减少（Slope<0,P<0.01）、显著减少（Slope<0,0.01<P<0.05）,不显著减少（Slope<0,P>0.05）,不显著增加（Slope>0,P>0.05）,显著增加（Slope>0,0.01<P<0.05）,极显著增加（Slope>0,P<0.01）. ...

... 本研究发现京津冀地区过去十年间NDVI呈显著上升趋势,生长季NDVI增加速率为0.069/10a,李卓等^[19]研究了2005-2015年生长季的NDVI变化趋势,结果表明NDVI以0.065/10a的速率呈显著上升趋势,与本文研究结果较为一致.孟丹等^[20]采用偏相关和复相关方法研究了京津冀地区NDVI变化特征及驱动力,结果表明降水对植被的影响大于温度,且区域内植被覆盖变化主要受非气候因子驱动,前者与本研究结论一致,后者与本研究存在一定差异.原因在于偏相关及复相关方法是基于时间尺度的相关分析,侧重于NDVI时间变化的归因,而地理探测器方法是基于空间尺度的归因分析,侧重于NDVI空间分布的定量归因,为减弱气候波动带来的误差,本文采用影响因子的十年均值参与计算,因此地理探测器方法在一定程度上忽略了人类活动变化引起的植被变化.虽然本文选取了土地利用作为人类活动因素的指标进行了定量归因,但人类活动对于植被生长的影响十分复杂.特别是随着城市化的不断发展,人类活动的范围和强度不断增加,如人口迁移、农业政策、耕作措施等均会对植被生长造成一定影响.因此,细化人类活动对植被生长的影响,聚焦关键人类活动因子,消除或减弱影响植被生长的不利因素,对于区域生态安全具有重要意义.充分考虑人类活动对植被生长的影响,及植被空间分布与时间动态变化的耦合分析将是下一步工作的重点. ...

京津冀城市群地区植被覆盖动态变化时空分析

2017

... 式中：F为统计检验量;U为误差平方和;Q为回归平方和;y_i为第i年NDVI的像元值;

\overset{\land}{y_{i}}

为第i年NDVI的回归值;

\bar{y}

京津冀地区NDVI变化及气候因子驱动分析

2015

京津冀地区NDVI变化及气候因子驱动分析

2015

1982-2006年京津冀地区植被时空变化及其与降水和地面气温的联系

2011

1982-2006年京津冀地区植被时空变化及其与降水和地面气温的联系

2011

西北地区植被覆盖变化及其与降水和气温的相关性

2014

... 当前关于NDVI与气候因子相互关系的研究方法多为相关分析法,如偏相关分析、复相关分析等^[22,23].交互作用的识别方法通常是在回归方程中加入两因子的相乘项,然而两因子协同作用并非一定是相乘关系^[24],当两因子之间存在其他关系时,该方法会造成研究结果与实际情况之间存在一些偏差.全球变暖背景下,升温在昼夜、季节和纬度尺度分布上具有不对称性,植被与气候的相互作用不仅是非线性的^[25]、非平稳的,且具有较高的时空异质性.植被对气候变化的响应具有季节性和区域性差异.因此基于植被与气候之间的复杂相互关系,科学、准确、定量评估气候因子对植被生长的影响至关重要. ...

西北地区植被覆盖变化及其与降水和气温的相关性

2014

1982-2012年中亚植被变化及其对气候变化的响应

2016

1982-2012年中亚植被变化及其对气候变化的响应

2016

地理探测器:原理与展望

2017

... 地理探测器方法基于空间方差分析,对变量无线性假设,物理含义明确,其大小反映了自变量对因变量解释的百分比^[26].此外,地理探测器能够探测两变量之间真正的交互作用,而不仅限于计量经济学预先设定的乘性交互^[24].该方法已被广泛用于社会科学^[27,28]、自然科学^[29,30]、人类健康^[31,32]、环境科学^[33]等多个领域.已有学者基于地理探测器方法分析NDVI驱动因素^[34,35],但并未考虑植被对气候响应的季节性和区域性差异,且并未对影响因子交互作用对NDVI的影响进行分析和探讨.因此,本文基于地理探测器方法,针对不同季节NDVI、不同地貌形态类型区、不同植被类型区生长季NDVI开展时空动态变化的多因子定量归因,以明晰京津冀地区植被变化的空间异质性,以及NDVI空间分布影响因素与作用机制. ...

... 地理探测器是由王劲峰等^[24]提出的通过探测事件空间分层异质性以揭示其背后驱动因子的一种统计学方法,常用于空间分层异质性的影响因素与作用机制的研究.空间分层异质性是指层内方差之和小于区域总方差的现象.该方法的核心思想为：如果某个自变量对因变量有重要影响,则自变量与因变量的空间分布具有一致性^[26].地理探测器包含因子探测器、交互作用探测器、风险探测器和生态探测器4个模块.本研究主要应用地理探测器的因子探测器及交互作用探测器模块. ...

地理探测器:原理与展望

2017

植被活动对气候变化的响应过程研究进展

2018

植被活动对气候变化的响应过程研究进展

2018

Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China

2010

... 交互作用探测器可用来探测影响因子之间的两两交互作用对NDVI的影响.通过对比单因子q值及交互作用q值即可判断交互作用的方式和方向^[26],交互作用判据如表2所示. ...

基于空间界面视角的新时期乡村性空间分异机理——以河南省巩义市为例

2018

基于空间界面视角的新时期乡村性空间分异机理——以河南省巩义市为例

2018

OSDS注册用户空间分布特征及影响因素分析

2016

OSDS注册用户空间分布特征及影响因素分析

2016

地理环境因子对螺情影响的探测分析

2014

地理环境因子对螺情影响的探测分析

2014

四川省山洪灾害时空分布规律及其影响因素研究

2018

四川省山洪灾害时空分布规律及其影响因素研究

2018

Spatial dynamic patterns of hand-foot-mouth disease in the People's Republic of China

2013

京津唐地区细菌性痢疾社会经济影响时空分析

2016

京津唐地区细菌性痢疾社会经济影响时空分析

2016

Examining the effects of socioeconomic development on fine particulate matter (PM2.5) in China's cities using spatial regression and the geographical detector technique

2017

... 植被对气候因子的响应具有季节差异（图3）.冬季,平均温度较低,甚至低于部分植被的发育起点温度,植被生长缓慢,对水分、光照等因子的需求减弱,因此除平均温度外,降水、湿度、日照、水汽压等气候因子对NDVI的解释力均在冬季达到最低.平均温度对植被生长的解释力在夏季最低,仅能解释8.8%的NDVI空间分布,原因在于京津冀地区属于温带大陆性气候,夏季高温多雨,温度不再是植被生长的限制因子,且升温对植被生长具有正负效应^[49],适度增温能够提高光合作用效率,从而促进植被生长;负效应在于温度上升会增加水分消耗而影响植物生长,且高温会造成部分植物体内酶加速变性,抑制植被生长.温度在夏季对植被生长表现出的正负效应使得平均温度对NDVI的解释力降低,此时湿度、降水等水分因子是影响NDVI的主导气候因子,春季土地利用类型对于NDVI的影响较其他季节弱,仅能解释9.4%的NDVI空间分布.春季植被开始生长,由于降水、湿度、温度、日照等气象因子及海拔、坡度、坡向等地形因子空间分布的异质性,不同植被的生长状况有所差异,即使是相同植被处于不同的气候、地形背景下其生长速率亦有所区别.因此,同一土地利用类型,其春季植被覆盖度差别明显.土地利用类型对NDVI的解释力降低.尽管在微观尺度上,不同坡向接收太阳能辐射大小不同,同时由于山脉的阻隔,不同坡向上的气流降水存在差异^[33],导致不同坡向植被类型及生长状况有所差异,但在区域尺度上,坡向对NDVI的解释力在不同时段均不显著. ...

喀斯特关键带植被时空变化及其驱动因素

2018

喀斯特关键带植被时空变化及其驱动因素

2018

贵州省煤矿区植被指数变化及其影响因子分析

2016

贵州省煤矿区植被指数变化及其影响因子分析

2016

基于高光谱遥感的京津冀地区植被分布规律及影响因素分析

2014

... 京津冀地区地处113°27′E-119°50′E,36°03′N-42°40′N（图1（a））,位于环渤海平原西部,华北平原北端,东临渤海,北倚燕山山脉,南部为华北平原,西靠太行山脉;东部南部地势平坦,西北部和北部地势较高^[36].京津冀地区土地面积约21.8万km²,分布着平原、台地、丘陵、山地等多种地貌类型,总体以平原区为主（图1（b））.土地利用类型以耕地为主（图1（c））,2006年耕地面积占区域总面积的49.68%,其次为林地（20.49%）、草地（16.10%）与建设用地（8.87%）.过去10年间,耕地面积有所下降,相比于2006年,2015年耕地面积下降3.28%,其中水田减少1.91%;建设用地面积增加显著,增加3.59%;林地面积增加0.43%,草地面积下降0.45%,其他土地利用类型变化较小.植被类型较为丰富,针叶林、阔叶林、灌丛、草地、栽培植被均有分布（图1（d））,栽培植被和灌丛为主要植被类型.气候类型为典型的温带半湿润半干旱大陆性季风气候,四季分明,冬季干燥寒冷,夏季高温多雨.年降水量500~700 mm,年无霜期120~200 d. ...

... 因子探测器结果显示不同季节京津冀地区NDVI的主导因素存在较大差异（图3）.年尺度上多年平均NDVI的主导因素是降水,能够解释39.4%的NDVI空间分布,其次是土地利用类型,能够解释20.8%的NDVI空间分布.春季水汽压是NDVI的主导因素,解释力达到26.9%,排在第二、三位的主导因素分别为湿度、降水.夏季,主导因素为湿度,其次为降水.华北地区降水集中于夏季,且常以暴雨形式降落,土壤不能完全吸收雨水,大部分降水泛滥造成土壤侵蚀,而在未降雨时段里,植被处于干旱状态,此时大气中的湿度通过调节饱和差控制植被的蒸腾作用,进而影响植被生长,因此夏季湿度对NDVI的解释力高于降水.冬季,NDVI第一主导因素为土地利用,此时植被大部分处于休眠期,水热因子对NDVI的主导作用减弱,不同土地利用类型之间NDVI差异显著.第二主导因素为坡度,坡度通过控制土壤中的水分和养分影响植被分布,随着坡度的增高,空气对流加强导致地表持水能力弱,且土壤养分向下沉淀,对植被生长造成一定的不利因素^[36],不同坡度梯度生长的植被具有显著差异. ...

基于高光谱遥感的京津冀地区植被分布规律及影响因素分析

2014

专用气候数据空间插值软件ANUSPLIN及其应用

2008

... 本文使用的数据、数据来源与计算方法如表1所示.NDVI原始数据为月合成数据,共120期,其中2015年9月影像质量较差,利用近3年同月影像平均值代替.使用京津冀边界数据掩膜提取京津冀地区NDVI,并以土地利用数据作为依据,剔除非植被区域,包括水体、建设用地及未利用地,剔除非植被信息后的有植被覆盖区域作为本文研究区.利用ANUSPLIN气象插值软件^[37],以DEM为协变量对气象站点数据进行空间插值得到1 km分辨率栅格数据,为保证研究区边缘数据插值的准确性,选取周边数据作为补充,数据尽可能在研究区周边均有分布,共涵盖了京津冀及周边地区215个气象站点（图1（a））,用京津冀边界作为掩膜裁剪插值数据得到研究区气象栅格数据.以上气象及NDVI数据均归一到月尺度,年均NDVI为当年12个月NDVI值的平均值,多年平均NDVI为2006-2015年NDVI的平均值.结合前人研究,确定京津冀地区生长季为4-9月份^[38,39,40],使用对应月份的气象要素与NDVI数据进行年平均计算,得到生长季多年平均数据.根据周成虎等^[41]针对地貌分类的研究成果,研究区内地貌类型共6种：平原、台地、丘陵、小起伏山地、中起伏山地及大起伏山地（图1（b））. ...

专用气候数据空间插值软件ANUSPLIN及其应用

2008

Variations in satellite-derived phenology in China's temperate vegetation

2006

Spatial and temporal variation of phenological growing season and climate change impacts in temperate eastern China

2005

基于NOAA NDVI和MSAVI研究中国北方植被生长季变化

2007

基于NOAA NDVI和MSAVI研究中国北方植被生长季变化

2007

中国陆地1:100万数字地貌分类体系研究

2009

... Research data, data sources and calculation methods

需要的数据	数据来源	计算方法
MODIS中国NDVI月合成数据(2006.01-2015.12)	中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)
气象数据(降水、平均温度、最高温度、最低温度、风速、日照时数、湿度和水汽压)	国家气象信息中心(http://data.cma.cn)	其中水汽压数据由湿度数据计算得到
标准化降水蒸散指数(SPEI)	由常规气象数据计算得到	SPEI采用Beguería 等^[42]开发的R语言扩展包计算(http://cran.r-project.org/web/packages/SPEI)
30m、1000mDEM数据	中国科学院资源环境科学数据中心(http://www.resdc.cn)
植被类型数据(1:100万)^[41]	中国科学院资源环境科学数据中心(http://www.resdc.cn)
地貌类型数据(1:100万)	中国科学院资源环境科学数据中心(http://www.resdc.cn)
土地利用数据(2005, 2010, 2015)	中国科学院资源环境科学数据中心(http://www.resdc.cn)

2.3 研究方法

2.3.1 趋势分析法 ...

中国陆地1:100万数字地貌分类体系研究

2009

... Research data, data sources and calculation methods

需要的数据	数据来源	计算方法
MODIS中国NDVI月合成数据(2006.01-2015.12)	中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)
气象数据(降水、平均温度、最高温度、最低温度、风速、日照时数、湿度和水汽压)	国家气象信息中心(http://data.cma.cn)	其中水汽压数据由湿度数据计算得到
标准化降水蒸散指数(SPEI)	由常规气象数据计算得到	SPEI采用Beguería 等^[42]开发的R语言扩展包计算(http://cran.r-project.org/web/packages/SPEI)
30m、1000mDEM数据	中国科学院资源环境科学数据中心(http://www.resdc.cn)
植被类型数据(1:100万)^[41]	中国科学院资源环境科学数据中心(http://www.resdc.cn)
地貌类型数据(1:100万)	中国科学院资源环境科学数据中心(http://www.resdc.cn)
土地利用数据(2005, 2010, 2015)	中国科学院资源环境科学数据中心(http://www.resdc.cn)

2.3 研究方法

2.3.1 趋势分析法 ...

Vicente-Serrano S M, Reig F, et al. Standardized precipitation evapotranspiration index (SPEI) revisited: Parameter fitting, evapotranspiration models, tools, datasets and drought monitoring

2014

... Research data, data sources and calculation methods

需要的数据	数据来源	计算方法
MODIS中国NDVI月合成数据(2006.01-2015.12)	中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)
气象数据(降水、平均温度、最高温度、最低温度、风速、日照时数、湿度和水汽压)	国家气象信息中心(http://data.cma.cn)	其中水汽压数据由湿度数据计算得到
标准化降水蒸散指数(SPEI)	由常规气象数据计算得到	SPEI采用Beguería 等^[42]开发的R语言扩展包计算(http://cran.r-project.org/web/packages/SPEI)
30m、1000mDEM数据	中国科学院资源环境科学数据中心(http://www.resdc.cn)
植被类型数据(1:100万)^[41]	中国科学院资源环境科学数据中心(http://www.resdc.cn)
地貌类型数据(1:100万)	中国科学院资源环境科学数据中心(http://www.resdc.cn)
土地利用数据(2005, 2010, 2015)	中国科学院资源环境科学数据中心(http://www.resdc.cn)

2.3 研究方法

2.3.1 趋势分析法 ...

基于时序NDVI的三峡库区植被覆盖时空变化特征分析

... 式中：Slope为像元NDVI的变化率,若值为正,表示NDVI呈现增加趋势,反之,植被指数呈减小趋势;n为监测年数,NDVI_i表示第i年的NDVI.使用F检验方法对趋势的显著性进行检验,显著性与Slope大小无关,仅代表趋势性变化的可信程度^[43],计算公式为： ...

基于时序NDVI的三峡库区植被覆盖时空变化特征分析

地理探测器在史前聚落人地关系研究中的应用与分析

2005

... 地理探测器要求输入变量为类别变量,需对连续型数据进行离散化处理.自然断点法是为减少同一分层差异,增大不同分层差异而采用的自然聚类方法,该方法使层内平均离散方差最小,层间平均离散方差最大^[44],在地理探测器的变量分类中应用广泛^[45,46].因此本文采用自然断点法进行数据分类,将水汽压、日照时数、湿度、平均温度、降水、海拔、坡度等连续型数据分为9类.使用ArcGIS10.2中的渔网点功能生成间隔3 km的渔网点数据,提取栅格数据作为样本,剔除异常值后,共有12 107个数据参与计算.针对不同季节、不同地貌类型区、不同植被类型区,各影响因子采取一致的分层方法,确保在同样分层条件下探究影响因子对NDVI的影响,保证了结果的可比较性. ...

地理探测器在史前聚落人地关系研究中的应用与分析

2005

Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China

2017

Temporal analysis on quantitative attribution of Karst soil erosion: A case study of a peak-cluster depression basin in Southwest China

2019

华北地区植被NDVI与不同气候指标的相关分析

2014

... 植被对气候变化的响应在不同地貌类型区有所区别,存在空间差异^[47].这种差异不仅表现为植被活动多年平均状况的差异,而且表现为植被活动的变化趋势和变化过程的区域差异^[48].影响因子在不同地貌类型区对NDVI的解释力差异显著（图5）.降水对生长季NDVI的控制作用在台地、丘陵地区最为显著,其解释力高达63.8%以上.山地地区,随着地形起伏度的上升,地势相对陡峭,地形更为复杂,气候差异显著,降水的解释力逐渐降低.湿度在台地地区对NDVI的解释力高达67.1%、丘陵地区次之,达到62.8%,但在大起伏山地地区却不显著.在山地丘陵区,随着地形起伏度上升,温度对NDVI的解释力下降,具体体现为q值在山地丘陵区的排序为：丘陵>小起伏山地>中起伏山地>大起伏山地（不显著）.京津冀地区属温带大陆性季风气候,植物生长季的水热组合条件最为适宜,因此SPEI对NDVI空间分布的解释力较低.土地利用类型在相对平坦区域解释力不显著,如平原、台地、丘陵地区.此外,大起伏山地地区土地利用类型多为林地、高覆盖草地,其他用地类型不足区域面积的10%,NDVI差异相对较小,因此土地利用类型在该区对NDVI空间分布的解释力不显著.坡度、坡向因子在坡面尺度为植被生长的关键因子,但在以地貌类型为基础的宏观尺度上,对生长季NDVI的解释力不显著. ...

华北地区植被NDVI与不同气候指标的相关分析

2014

1982-2006年中国东部春季植被变化的区域差异

2012

1982-2006年中国东部春季植被变化的区域差异

2012

2008

〈

〉

京津冀地区植被时空动态及定量归因

Spatiotemporal Dynamics of NDVI in the Beijing-Tianjin-Hebei Region based on MODIS Data and Quantitative Attribution

1 引言

2 研究区概况、数据源及研究方法

2.1 研究区概况

2.2 数据来源及处理

2.3 研究方法

3 结果及分析

3.1 NDVI空间分布及时间动态变化

3.2 不同季节NDVI主导因素地理探测

3.3 生长季NDVI主导因素空间异质性地理探测

4 讨论

5 结论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子