EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 6: 1087 - 1098

DOI: https://doi.org/10.12082/dqxxkx.2022.210685

Spatio-temporal Changes of Vegetation in the Yellow River Basin and Related Effect of Landform based on GEE

  • WANG Xiaolei , 1, 2, * ,
  • SHI Shouhai 1
Expand
  • 1. School of Geoscience and Technology, Zhengzhou University, Zhengzhou 450000, China
  • 2. Joint Laboratory of Eco-Meteorology, Zhengzhou University, Chinese Academy of Meteorological Sciences, Zhengzhou University, Zhengzhou 450000, China
*WANG Xiaolei, E-mail:

Received date: 2021-10-29

  Revised date: 2021-12-31

  Online published: 2022-08-25

Supported by

The Natural Science Foundation of Henan under Grant(212300410292)

the key scientific and technological project of Henan Province under Grant(212102210137)

the key research project of higher Education of Henan Province, China under Grant(21A420006)

Fold

Abstract

The Yellow River Basin serves as an ecological barrier in the eastern plain of China. Analyzing the spatiotemporal change of vegetation cover in Yellow River Basin and its topographic effects is helpful for ecological environment management. In this study, we first calculated the annual Fractional Vegetation Cover (FVC) of the Yellow River Basin for 1990—2020 through the GEE cloud computing platform using pixel binary model and Landsat images. Then, the spatiotemporal trend of FVC was obtained through Theil-Sen Median trend analysis and Mann-Kendall test. Finally, the topographic effects on FVC was quantified based on Digital Elevation Model (DEM) data (i.e., SRTM Plus) through ArcGIS. The results show that: (1) the FVC in the Yellow River Basin presented a spatial distribution of low in the northwest and high in the southeast. Low-level FVC values accounted for 45% of the entire basin area, which were mainly concentrated in the arid and semi-arid areas in the northwest; (2) the vegetation coverage in the middle of the basin was improved significantly, which accounted for 57.07% of the entire region. The degradation trend of the northwest and west region was stronger than that in other regions of the Yellow River Basin; (3) the vegetation coverage was significantly affected by the topography. High-level FVC occurred in regions where the slope was greater than 40° and the elevation was between -31~637 m. The vegetation recovery was good within the range of slope of 8~18° and elevation of 1852~2414 m. The results can provide scientific support for the ecological environment protection and high-quality development of the Yellow River Basin.

Key words： Yellow River Basin; Fractional Vegetation Cover; spatio-temporal changes; topographic effects; Landsat imagery; Google Earth Engine; NDVI; quantitative analysis

Cite this article

WANG Xiaolei , SHI Shouhai . Spatio-temporal Changes of Vegetation in the Yellow River Basin and Related Effect of Landform based on GEE[J]. Journal of Geo-information Science, 2022 , 24(6) : 1087 -1098 . DOI: 10.12082/dqxxkx.2022.210685

1 引言

植被覆盖度（FVC）是指在统计区域内[1⇓-3],单位面积里植被（包括叶、茎、枝）的垂直投影面积所占的比例。它是研究大气、土壤、水圈、生物圈和生态系统以及它们在地球系统中的相互作用的重要参数[4⇓-6],因此被广泛用于描述陆地生态系统植被质量和变化[1]。
黄河流域作为我国东部平原的生态屏障[7],不仅是中国国家生态文明建设工程三北防护林的所在地,也是孕育了一代又一代生命的重要“母亲河”流域。2000年以来被确定为植被绿化的重点区域[8]。2021年10月8日,中共中央、国务院印发的《黄河流域生态保护和高质量发展规划纲要》[9]发布,强调黄河流域生态保护和高质量发展是重大国家战略,需着力加强生态保护治理、保障黄河长治久安。黄河流域地形由西向东呈阶梯状,逐渐降低,植被分布也随着地形不同而出现明显差异。因此,探究黄河流域的植被时空变化及其地形效应有助于各级行政管理部门进行黄河流域生态保护工作。
近年来相关学者对黄河流域植被变化分别采用了不同空间分辨率遥感影像[7,10⇓⇓-13],以不同时间尺度范围进行了探索。首先,针对黄河流域这一较大空间尺度的区域,部分学者采用中低分辨率的数据分析了黄河流域植被覆盖度的时序变化和趋势,例如,张志强等[13]、孙高鹏等[12]、张静等[11]分别使用MODIS和GIMMS等中低分辨率的遥感影像研究了黄河流域植被覆盖变化。虽然上述研究分析了黄河流域的植被覆盖变化及其影响,但为了挖掘更细粒度的空间特征,需要采用更高分辨率的遥感影像。例如,劳聪聪等[14]基于Landsat和HJ-1A多光谱图像分析了长江口九段沙湿地植被覆盖情况。Lu等[15]利用1990—2019年Landsat NDVI数据研究了青藏高原植被随海拔变化的关系。
虽然已有不同分辨率的数据应用于不同的区域植被监测中,但在较大空间尺度的黄河流域中同时兼顾更高空间分辨率和较长时间序列的相关研究仍是发展趋势之一。不仅如此,仅采用本地计算机的性能难以满足上述需求。因此,相较于传统的遥感分析手段,基于高性能地球科学数据分析平台（Google Earth Engine,GEE）进行植被指数分析等方面的研究既可以保障影像处理质量,又可以极大地缩短影像处理时间,已应用在土地利用[16]、生态环境监测中[17]。因此,GEE平台对于大尺度较高分辨率数据的快速处理具有重要意义。
随着植被覆盖变化研究的深入,其地形影响因素也是主要研究方向之一。例如,覃巧婷等[18]分析了2000—2019年黄河源区植被覆盖变化对高程和坡度的响应关系;程东亚等[19]探究贵州石阡河流域植被覆盖度变化中海拔和坡度的响应关系。基于相关研究针对不同的地形因子与植被变化相互关系的分析,面向黄河流域横跨地形三级阶梯的地形特征,需要综合考虑坡度、坡向、高程3种地形因子的影响,以满足流域内上中下游对于生态脆弱性改善、水土保持、泥沙淤积疏通等方面的高质量发展需求。
综上所述,为了满足植被覆盖变化对于更高空间分辨率、较长时间序列和高性能计算的需求,本文基于GEE平台以Landsat为数据源研究黄河流域近30年植被覆盖度的空间分布与时空变化特征,并面向黄河流域复杂地貌特征围绕高程、坡度、坡向3个地形因子,探讨黄河流域植被覆盖的地形效应,可以为黄河流域上中下游生态保护提供因地制宜的科学指导和决策支持。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

黄河发源于中国青海省巴彦喀拉山,流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9省。面积约92万km2（图1）。黄河流域地势西高东低。西部起源区平均海拔4000 m,由一系列山脉组成;中部地区海拔1000~2000 m,为黄土地貌,水土流失严重;东部地区低于海平面100 m,主要由黄河冲积平原组成。黄河流域多样的地貌和复杂的生境为各种植被类型的发展创造了有利条件;土地利用类型主要为林地、草地和农田[20]。
图1 研究区概况

Fig. 1 Overview of the study area

2.2 数据来源

（1）遥感影像
本文的实验数据主要包括遥感影像数据Landsat 5（1990—2012年）、Landsat 8（2013—2020）与DEM（SRTM Plus）数据,均来源于美国地质调查局（United States Geological Survey, USGS）（ https://www.usgs.gov/）。通过GEE平台（ https://code.earthengine.google.com/）获取了1990—2020年Landsat 地表反射率数据（Surface Reflectance, SR）,影像分辨率为30 m,时间分辨率为16 d。研究区总共8520景Landsat遥感影像。通过SR遥感图像的QA质量波段做按位操作实现对像素值的筛选,掩膜掉云、云阴影、雪等像素,最终达到去云的效果。这种去云方法相较于利用simpleCloudScore算法对LandsatTOA数据进行去云处理效果更好。
（2）地形数据
已有研究通常使用等间距分类法进行地形因子的分类[19,21⇓-23],然而自然界中植被的分布并不完全在等间距的高程和坡度中均匀分布,且不同植被类型也难以严格按照等间距的高程和坡度分布[22]。因此,本文利用ArcGIS 10.6对DEM进行地形因子的提取,通过自然间断点法对坡向、高程、坡度3种地形因子进行重分类,利用ArcGIS分区统计工具进行不同地形因子等级内的FVC及其变化分析,以不同等级之间的统计分析结果表现其显著性差异。黄河流域内坡向、高程、坡度3种地形因子分别如图2所示。
图2 黄河流域3种地形因子分布

Fig. 2 Landform factor of the Yellow River Basin

2.3 研究方法

研究的技术路线如图3所示,主要包括遥感影像预处理;FVC植被覆盖度计算与变化分析、地形因子的提取;以及地形效应分析3个部分。
图3 技术路线

Fig. 3 Technology roadmap

（1）FVC计算
NDVI与绿叶密度、光合有效辐射、植被生产力以及累积生物量等呈线性或近线性关系,是公认的反映大尺度地表植被覆盖和生长状况的有效指标[24],也是目前使用最广泛的植被指数。本研究利用Landsat (Surface Reflectance, SR)数据基于GEE平台进行NDVI计算,经验证其精确度可满足实验需求。其计算方式如式（1）所示。
N D V I = N I R - R E D N I R + R E D
式中：NIR为近红外波段的反射率;RED为红光波段的反射率。
FVC采用像元二分模型进行计算,它假设一个像元的地表由有植被覆盖部分地表与无植被覆盖部分地表组成,而传感器观测到的光谱信息也由这2个组分因子线性加权合成,各因子的权重是各自的面积在像元中所占的比率,如其中FVC可以看作是植被的权重[25]。
计算FVC的公式如式（2）所示。
F V C = N D V I - N D V I s o i l N D V I v e g + N D V I s o i l
式中： N D V I s o i l为纯裸地像元的NDVI值, N D V I v e g为纯植被像元的NDVI值[21]。其中,裸地像元值 N D V I s o i l和纯植被覆盖像元值 N D V I v e g的理论值应分别接近0和1。本研究中采用5%置信度截取NDVI上下阈值,将NDVI数值最大、最小的5%区域分别做平均值[27],得到 N D V I s o i l和 N D V I v e g。
（2）FVC趋势变化分析
与传统的最小二乘法进行线性回归趋势分析相比,Sen氏斜率趋势分析既可以有效避免时间序列数据缺失和数据分布形态的影响,又可以消除异常值对时间序列的干扰[28-29]。Sen氏斜率计算公式为：
S F V C = m e d i a n F V C j - F V C i j - i
式中：1<i<j<n,i、j为时间序列年数; F V C j、 F V C i分别为i、j时间序列的FVC数值。当斜率 S F V C大于0则表示存在上升趋势,小于0表示存在下降趋势。
Manna-Kendall检验（MK检验）不需要样本数据遵从特定的分布,能够有效的剔除异常值,适用于非正态分布的数据[30]。因此,本文在像元尺度上使用Sen氏趋势分析与MK检验相结合,分析FVC的变化趋势及显著性;在区域尺度上则采用线性回归分析黄河流域FVC变化总体趋势。计算公式如式（4）—式（7）所示。
定义Z统计量值为：
Z = S - 1 s ( S ) S > 0 0 S = 0 S + 1 s ( S ) S < 0
S = ∑ j = 1 n - 1 ∑ i = j + 1 n s g n ( F V C j - F V C i )
s g n F V C j - F V C i = 1 F V C j - F V C i > 0 0 F V C j - F V C i = 0 - 1 F V C j - F V C i < 0
s S = n ( n - 1 ) ( 2 n + 5 ) 18

3 结果与分析

3.1 FVC空间分布趋势

本文根据水利部2008年颁布的《土壤侵蚀分类分级标准》[31]中南方红壤丘陵区FVC分级标准,将黄河流域FVC平均值划分为5个等级：低等级FVC（<30%）、中低等FVC（30%~45%）、中等级FVC（45%~60%）、中高等FVC（60%~75%）、高等级FVC（>75%）。
1990—2020年黄河流域平均FVC的空间分布特征差异明显（图4（a））,河南西北部、山西西南部、陕西南部及甘肃东南部植被覆盖较高,而内蒙古南部、宁夏、陕西和山西北部植被覆盖明显很低。由图4（b）可知年平均FVC大于0.6的区域占整个研究区域的21.09%,主要分布在黄河流域东南部,而研究区域西北部平均FVC普遍较低。
图4 黄河流域1990—2020年FVC空间分布和各等级面积占比

Fig. 4 Spatial distribution of FVC and area proportion of each grade in the Yellow River Basin from 1990 to 2020

3.2 FVC时间变化特征

（1）如图5、图6所示,通过分析1990—2020年黄河流域各等级FVC面积比例变化可知,低等级FVC变化最大,由1990年的57%减少到2020年的46%。中高等FVC面积基本保持不变,中低等、中等级和高等级FVC面积分别增加6%、3%和2%。总的来说,流域内中等以上等级FVC呈现增加趋势,低等级FVC改善较明显。
图5 1990—2020年黄河流域各等级空间分布变化

Fig. 5 Changes in the spatial distribution of various grades in the Yellow River Basin from 1990 to 2020

图6 1990—2020年各等级FVC面积比例时间变化

Fig. 6 Time change of the proportion of FVC area of each grade from 1990 to 2020

（2）利用Theil Sen-MK趋势变化分析方法分析黄河流域1990—2020年植被变化趋势（图7）。本文根据SFVC的实际情况,将SFVC介于-0.0005和0.0005之间划分为稳定不变,SFVC值大于等于0.0005划分为改善区域,SFVC值小于-0.0005划分为退化区域。并且将Mann-Kendall检验在0.05置信水平上的显著性检验结果划分为显著变化（Z>1.96或Z<-1.96）和变化不显著（-1.96≤Z≤1.96）。通过叠加Theil-Sen median趋势分析的分级结果和Mann-Kendall 检验的分级结果,得到像元尺度上FVC变化趋势数据,并将结果划分为明显退化、轻微退化、稳定不变、轻微改善和明显改善5种变化类型（表1）,以各类型间的面积变化对比凸显其显著性变化程度。
图7 1990—2020年黄河流域年平均FVC变化趋势空间分布

Fig. 7 The spatial distribution of the annual average FVC change trend in the Yellow River Basin from 1990 to 2020

表1 FVC变化趋势统计

Tab. 1 FVC change trend statistics

SFVC Z值 FVC趋势变化 面积/km2 百分比/%
<-0.0005 <-1.96 明显退化 12 280.60 1.19
<-0.0005 -1.96~1.96 轻微退化 366 767.11 35.54
-0.0005~0.0005 -1.96~1.96 稳定不变 63 983.00 6.20
≥0.0005 -1.96~1.96 轻微改善 544 474.75 52.76
≥0.0005 ≥1.96 明显改善 44 478.51 4.31
如表1所示,从全流域尺度分析,52.76%的区域呈现轻微改善,明显改善区域占比4.31%, 35.54%的区域为轻微退化,仅有1.19%的区域为明显退化。其中,植被覆盖明显改善的地区主要分布在黄河流域中部,如陕西中北部、甘肃东南部等;FVC轻微退化的区域主要集中在河南西北都、陕西南部等;FVC明显退化的地区集中于内蒙、陕西及宁夏三省交界处。

3.3 FVC的地形效应

（1）坡向。如图8所示,FVC各等级在除平地之外的各个坡度方向的变化波动不明显。平地与其他坡向的FVC的面积比差异主要表现在高等级FVC和低等级FVC部分。平地的低等级FVC占比为54%,远高于其他坡向;高等级FVC的占比为8%,远低于其他坡向。如图9所示,除平地外FVC趋势变化比例随坡向的变化波动不大,平地与其他坡向的趋势变化的面积比差异主要体现在轻微退化和轻微改善,平地的轻微退化的占比为46%,远高于其他坡向的35%左右;轻微改善的占比为46%,低于其他坡向的50%以上。其原因在于,平地是人类活动最频繁的区域,且建设用地多数在平地区域,随着城市化的不断扩张导致平地区域的植被进一步退化,从而造成这一区域的植被退化高于其他坡向的现象。以黄河上游的兰州市为例,兰州市沿黄河东西狭长分布,其南北两侧为绵延起伏的高山和纵横沟壑的黄土峁梁,地形陡峭。随着兰州市的不断发展,其城市扩张主要分布在黄河东西两岸的平地,因此兰州市植被呈现了平地地区明显退化,而南北方向植被明显改善的变化趋势。
图8 黄河流域不同坡向的FVC等级占比

Fig. 8 The proportion of FVC grades in different slope directions in the Yellow River

图9 黄河流域不同坡向的植被覆盖变化统计

Fig. 9 Statistics of vegetation cover changes in different slope directions in the Yellow River Basin

（2）高程。如图10所示,FVC各等级面积比例随着高程的不同而出现明显差异。其中低等级FVC的面积比例随着高程的升高波动起伏较大。高程在4165 m之上,高等级和中高等FVC面积占比均不足1%,而低等级FVC占比为81%,由于海拔太高不适宜植被生长,所以植被覆盖情况最差。当高程为-30~637 m时,中等及以上FVC占比为79%,植被覆盖情况最佳。如图11所示,FVC的趋势变化在不同的海拔也有明显的地形响应,明显退化面积比例变化最小,轻微改善随海拔升高而变化最大。当高程为1852~2414 m时,轻微改善和明显改善面积占比共有69%,植被改善情况最好。
图10 黄河流域不同高程的FVC等级占比

Fig. 10 The proportion of FVC grades in different elevation in the Yellow River

图11 黄河流域不同高程的植被覆盖变化统计

Fig. 11 Statistics of vegetation cover changes in different elevation in the Yellow River Basin

（3）坡度。从图12可以看出,黄河流域FVC各等级面积比例随坡度升高而出现明显且较为规律的变化趋势。其中,高等级FVC的面积比例随着坡度的增加而逐渐增加,由6%增加到54%。而低等级的FVC面积比例随着坡度的增加而逐渐减小,由58%降低为18%。中低等、中等级与中高等FVC的面积比都是先升高后降低,但波动不大。当坡度为40~83°时,中等及以上FVC的面积占比为72%,植被覆盖情况最佳。如图13所示,FVC趋势变化各类型面积比例随坡度变化而变化,也存在明显的坡度效应,其中轻度退化面积比例随着坡度的增加逐渐减少,由47%减少为25%。稳定不变的面积比例随着坡度的增加而逐渐增加,由2%增加至34%。轻微改善与明显改善的面积比例先增大后减小。其中8~13°、13~18°为植被改善最佳坡度位,改善区域（含轻微改善与明显改善）面积占比均为65%。
图12 黄河流域不同坡度的FVC等级占比

Fig. 12 The proportion of FVC grades in different slope in the Yellow River

图13 黄河流域不同坡度的植被覆盖变化统计

Fig. 13 Statistics of vegetation cover changes in different slope in the Yellow River Basin

4 讨论

4.1 1990—2020年黄河流域植被时空演化特征

研究表明1990—2020年黄河流域的植被覆盖主要呈现出西北低东南高的特点,这与以往研究的结果相一致[13,27]。高等级FVC分布在研究区的东南部,主要原因在于该区域多为半湿润气候,且林地和农作物分布较多[13],气候适宜植被生长[20]。而黄河流域西北部处于我国干旱与半干旱地区[32],气候条件恶劣,广泛分布着大面积沙漠和荒漠化草原,不适宜植被生长[13],因此FVC较低。
不仅如此,1990—2020年,黄河流域内的植被覆盖情况得到了明显改善。低等级FVC显著减少,面积占比由57%减少到46%。其中改善（含轻微改善和明显改善）区域面积约占整个研究区的57.07%。已有研究[24,31]普遍认为2002年是我国植被变化的转折点,因为退耕还林等相关政策正是这个时间点推出。本研究发现,1996—2002年低等级FVC的面积比例由50%减少到47%,可以看出这一阶段植被覆盖出现改善。然而从2002—2008年,低等级FVC的面积比例由47%增加到49%,这一阶段植被覆盖呈现出退化趋势。即2008年相较于2002年呈现的退化趋势,以及2014—2002年的持平趋势均表明在2002—2020年黄河流域并不是一直在改善。因此,2002年虽然是黄河流域1990—2020年30年由退化变为改善的转折点,但并不能表明2002年后黄河流域的植被覆盖每一个时期均在改善,中间有退化情况发生。综上得出：从1996—2008年的时间尺度来看,2002年并不完全是退化转为改善的转折点,但从近30年更长时间序列的数据证明2002年可作为黄河流域由退化转为改善的转折点。

4.2 不同地形因子对植被时空演化的影响

研究区FVC及其趋势变化的地形效应首先体现在坡度[19]。植被所需的土壤有机质以及水热条件易受坡度的影响[21,22],因此坡度影响着植被的空间分布及其生长。一般认为坡度越低越有利于农业种植和耕地开垦[19],但低坡度区植被易受到人类活动影响,植被覆盖反而相对较低。如图12所示,在坡度0~4°、4~8°之间时,流域内低等级FVC面积比例均为58%,而高等级FVC分别为6%和4%。随着坡度逐渐增大,土壤水分和营养物质会流失,但人类活动对植被生长的影响也在逐步降低,FVC反而会更高。在坡度40~83°时,高等级FVC达到54%,其FVC远远高于坡度<8°的区域。即在坡度较高的区域,相较于自然条件对植被生长的影响,人类活动因素占主导地位。
研究结果还表明：流域内在不同坡度时植被改善情况与上述植被覆盖情况的变化趋势不同。如图13所示,在坡度8~13°、13~18°之间,植被改善（含轻微改善和明显改善）均达到了65%,而在0~4°坡度时,植被改善为48%;40~83°坡度时,植被改善为40%。其原因在于坡度8~18°之间时土壤有机质和水热条件适宜,退耕还林、荒山开垦等人类活动极大地改善了此坡度范围内的植被覆盖情况。综上所述,结合土壤条件和人为因素,剖析坡度对于植被覆盖和植被改善情况的影响,得出坡度40~83°植被覆盖相对较高,坡度8~18°植被改善情况较好,今后仍需加大坡度较高地区的植被改善。
研究区中高程-30~637 m最适合植被生长,其中低等级FVC面积比例仅有6%,而中高等及高等FVC约占50%。4165 m以上最不利于植被生长,低等级FVC面积占比高达81%,中高等及以上的FVC占比不足1%,且退化面积比例达到了61%。这主要由于高海拔地区气候寒冷,降雨稀少,植被生长受限[22-23]。因此,在黄河流域生态恢复过程中应充分考虑坡度和高程等地形因素的作用[31],
此外,地形因素在影响植被变化的同时,间接影响了黄河流域泥沙量。如随着坡度的增加,地形陡峭,泥沙更容易被冲刷至河流中。再如,不同的高程呈现出波动性的植被覆盖时,其对泥沙冲刷的影响更为明显。例如,在高程-30~637 m时,植被覆盖较大,植被茎叶可降低水流流速,泥沙被滞留,有助于减少黄河下游泥沙;当高程逐步增大,植被覆盖减小时,降水后流量增大,泥沙被冲刷至下游的概率更大,水土流失情况较严重。即植被覆盖度越高,植被降低径流含沙量的作用也就越明显[33]。

4.3 植被变化及其地形效应对黄河流域上中下游生态保护的相对贡献

（1）黄河上游流域面积占全黄河总量的51.3%,受阿尼玛卿山、西倾山、青海南山的控制而呈S形弯曲,水多沙少,地广人稀,植被覆盖以典型的天然林地和草地为主[34]。本文研究表明,黄河上游的西南部海拔相对较高,在976~6000 m范围（图2(b）),FVC相对较高,而东北部FVC相对较低（图4）,西南部,具有较高的FVC;而东北部地区坡度范围在0~24°,地处腾格里沙漠、毛乌素沙漠,植物生长状况较差。结合4.2节中地形因子对植被时空变化影响的分析,在上游植被生态建设中,以更为趋于自然的方式进行植被建设工作,例如在干旱和降雨不规则的情况之下实施“集流型”的植被建设,在城镇周围实行灌溉型的植被建设,更有利于平衡上游地区高海拔生态脆弱的复杂人地关系。
（2）黄河中游多支流,且绝大部分流经水土流失严重的黄土丘陵沟壑区,是黄河洪水和泥沙的主要来源区。本文研究表明,流域中部的植被得到明显改善,主要原因在于中游处于中国生态保护工程（三北防护林）重点实施区域,人类活动对植被覆盖增长的正向作用较大[7,35]。由图5可知,政策未实施之前,1990年、1996年、2002年该地区植被覆盖相对较低,政策实施之后,2008年、2014年、2020年中游的植被覆盖增长明显,又由于黄河中游横跨甘肃、陕西、山西3个中西部劳动人口输出大省,导致该地区的大片耕地荒废,这与国家实施三北防护林的作用叠加,导致植被覆盖增加。以延安为例,从2000年以来99.7%的地区呈现改善趋势,并且在“十三五”期间持续开展了大规模国土绿化,实现了由浅绿转变深绿的进程,植被覆盖度达到80%以上。依据中游坡度和高程变化对植被生长的影响,为了进一步提升FVC,减少其水土流失状况,在中游的高质量生态建设中,应考虑以人为影响为主要方式进行植被建设,例如种植杨树、榆树、柠条等耐旱树种和苹果、红枣等经济型树种,既能保障生态建设效果,又可将生态投入转化为产出服务中游地区。
（3）黄河下游占全流域面积的3%,但河段总落差93.6 m,泥沙沉积成“地上河”。其主要原因在于受降水、蒸发、地势地貌等客观因素和人为因素的共同作用[7],大量泥沙被冲刷至黄河下游。研究发现,随着退耕还林还草等政策的实施[7],人类的保护与治理在区域植被恢复中正逐步起到促进作用,中下游植被情况在2002年后得到明显改善。但随着城镇扩张、耕地林地闲置对植被造成的影响,容易导致生态环境恶化。中下游地区城市发展迅速,人口密度大,应同时兼顾城市和生态高质量发展,随着退耕还林还草、小流域水土保持综合治理等政策的相继实施,水土流失得到了较好遏制,生态环境得到了较好维护和改善[36]。因此,在下游的植被生态建设中,人类活动在植被保护中的主导作用日益凸显,开展护岸林、农田防护林和湿地建设,发展农业生产等对植被恢复生态改善具有重要作用。

5 结论

本文基于黄河流域Landsat数据和地形数据,利用GEE云平台进行了1990—2020年黄河流域FVC的空间分布、时序变化以及地形效应研究。结论如下：
（1）对黄河流域的空间分布趋势分析,发现黄河流域植被覆盖总体呈西北低东南高的空间分布趋势,平均FVC相对较低,低等级FVC约占整个流域面积的45%,主要分布在西北部的干旱半干旱地区。而高等级FVC仅占整个研究区面积的12%,主要分布于东南部半湿润地区。
（2）通过完善适用于我国地理国情的植被变化监测的时间尺度,将时间尺度扩大到1990—2020年,便于对比分析2002年退耕还林前后黄河流域植被覆盖的变化趋势。1990—2020年黄河流域FVC的恢复情况明显,57.07%的区域得到了改善,主要分布在流域的中部,即三北防护林地区。而明显退化区域仅有1.19%,主要分布在西北部以及东南部。
（3）对植被趋势变化进行的地形效应因子响应关系定量分析,表明黄河流域植被生长适宜地形优势区间。研究表明,高程-30~637 m较适宜植被生长;高程在1852~2414 m时,植被改善情况最好;坡度为40~83°时,高等级FVC远远高于其他坡度的区域;坡度在8~18°之间,植被改善占比65%,改善情况较好。
通过本文中黄河流域植被变化与3种不同地形因子之间的响应关系,可以为黄河流域上中下游生态保护和高质量发展提供因地制宜的决策支持。此外,本文研究侧重年际尺度的植被变化,未来将在此基础上增加气候因子影响,面向具有季节性规律的植被变化开展研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Yan K, Gao S, Chi H, et al. Evaluation of the vegetation-index-based dimidiate pixel model for fractional vegetation cover estimation[J]. IEEE Transactions on Geoscience and Remote Sensing 2022, 60:1-14. DOI: 10.1109/tgrs.2020.304849

DOI

[2]
Ding Y, Zhang H, Zhao K, et al. Investigating the accuracy of vegetation index-based models for estimating the fractional vegetation cover and the effects of varying soil backgrounds using in situ measurements and the PROSAIL model[J]. International Journal of Remote Sensing. 2017, 38(14):4206-4223. DOI: 10.1080/01431161.2017.1312617

DOI

[3]
Purevdorj T, Tateishi R, Ishiyama T, et al. Relationships between percent vegetation cover and vegetation indices[J]. International Journal of Remote Sensing. 1998, 19(18):3519-3535. DOI: org/10.1080/014311698213795

DOI

[4]
Tu Y, Jia K, Wei X, et al. A time-efficient fractional vegetation cover estimation method using the dynamic vegetation growth information from time series GLASS FVC product[J]. IEEE Geoscience and Remote Sensing Letters. 2020, 17(10):1672-1676. DOI: 10.1109/lgrs.2019.2954291

DOI

[5]
Anatoly A G, Yoram J K, Robert S, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment. 2002, 80(1):76-87. DOI: 10.1016/S0034-4257(01)00289-9

DOI

[6]
Kun J, Shunlin L, Xingfa G, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J]. Remote Sensing of Environment. 2016, 177:184-191. DOI: 10.1016/j.rse.2016.02.019

DOI

[7]
Tian F, Liu L, Yang J, et al. Vegetation greening in more than 94% of the Yellow River Basin (YRB) region in China during the 21st century caused jointly by warming and anthropogenic activities[J]. Ecological Indicators. 2021, 125:107479. DOI: 10.1016/j.ecolind.2021.107479

DOI

[8]
Piao S, Wang X, Park T. Characteristics, drivers and feedbacks of global greening[J]. Nature Reviews Earth & Environment. 2020, 1(1):14-27. DOI: 10.1038/s43017-019-0001-x

DOI

[9]
中共中央、国务院. 黄河流域生态保护和高质量发展规划纲要[EB/OL]. [2021-12-02]. http://www.gov.cn/zhengce/2021-10/08/content_5641438.htm

[ The Central Committee of the Communist Party of China and the State Council. Outline of the Yellow River Basin Ecological Protection and High-quality Development Plan[EB/OL]. [2021-12-02]. http://www.gov.cn/zhengce/2021-10/08/content_5641438.htm

[10]
Zhang W, Wang L, Xiang F, et al. Vegetation dynamics and the relations with climate change at multiple time scales in the Yangtze River and Yellow River Basin, China[J]. Ecological Indicators, 2020, 110:105892. DOI: 10.1016/j.ecoli nd.2019.105892

DOI

[11]
张静, 杜加强, 盛芝露, 等. 1982-2015年黄河流域植被NDVI时空变化及影响因素分析[J]. 生态环境学报, 2021, 30(5):929-937.

[ Zhang J, Du J Q, Sheng Z L, et al. Spatio-temporal changes of vegetation cover and their influencing factors in the Yellow River Basin from 1982 to 2015 Ecology and Environmental Sciences, 2021, 30(5):929-937. ]DOI: 10.16258/j.cnki.1674-5906.2021.05.005

DOI

[12]
孙高鹏, 刘宪锋, 王小红, 等. 2001-2020年黄河流域植被覆盖变化及其影响因素[J]. 中国沙漠, 2021, 41(4):205-212.

[ Sun G P, Liu X F, Wang X H, et al. Changes in vegetation coverage and its influencing factors across the Yellow River Basin during 2001-2020[J]. Journal of Desert Research, 2021, 41(4):205-212. ]

[13]
张志强, 刘欢, 左其亭, 等. 2000-2019年黄河流域植被覆盖度时空变化[J]. 资源科学, 2021, 43(4):849-858.

DOI

[ Zhang Z Q, Liu H, Zuo Q T, et al. Spatiotemporal change of fractional vegetation cover in the Yellow River Basin during 2000-2019[J]. Resources Science, 2021, 43(4):849-858. ]DOI: 10.18402/resci.2021.04.18

DOI

[14]
劳聪聪, 辛沛, 左寅, 等. 1996-2020年长江口九段沙湿地植被覆盖对潮沟演变规律的影响[J]. 水科学进展. 2022, 33(1):15-26.

[ Lao C C, Xin P Zuo Y et al. Effect of fractional vegetation cover on the evolution of tidal creeks in the Jiuduansha shoal (China) during Advances in Water Science, 2022, 33(1):15-26. ]

[15]
Lu L, Shen X, Cao R. Elevational movement of vegetation greenness on the Tibetan Plateau: Evidence from the Landsat satellite observations during the last three decades[J]. Atmosphere, 2021, 12(2):161. DOI: 10.3390/ATMOS12020161

DOI

[16]
纪秋磊, 梁伟, 傅伯杰, 等. 基于Google Earth Engine与复杂网络的黄河流域土地利用/覆被变化分析[J]. 生态学报. 2022, 42(6):2122-2135.

[ Ji Q L, Liang W, Fu B J, et al. Land use/cover change in the Yellow River Basin based on Google Earth Engine and complex network[J]. Acta Ecoloica Sinica, 2022, 42(6):2122-2135. ] DOI: 10.5846/stxb202011132938

DOI

[17]
杨泽康, 田佳, 李万源, 等. 黄河流域生态环境质量时空格局与演变趋势[J]. 生态学报. 2021, 41(19):7627-7636.

[ Yang Z K, Tian J, Li W Y, et al. Spatio-temporal pattern and evolution trend of ecological environment quality in the Yellow River Basin[J]. Acta Ecoloica Sinica, 2021, 41(19):7627-7636. ] DOI: 10.5846/stxb202012083131

DOI

[18]
覃巧婷, 陈建军, 杨艳萍, 等. 黄河源植被时空变化及其对地形和气候的响应[J]. 中国环境科学, 2021, 41(8):3832-3841.

[ Tan Q T, Chen J J, Yang Y P, et al. Spatial and temporal variations of vegetation and its response to topography and climate in the source region of the Yellow River[J]. China Environmental Science, 2021, 41(8):3832-3841. ] DOI: 10.19674/j.cnki.issn1000-6923.20210324.005

DOI

[19]
程东亚, 李旭东. 喀斯特地区植被覆盖度变化及地形与人口效应研究[J]. 地球信息科学学报, 2019, 21(8):1227-1239.

DOI

[ Cheng D Y, Li X D. Vegetation coverage change in a karst area and effects of terrain and population[J]. Journal of Geo-information Science, 2019, 21(8):1227-1239. ] DOI: 10.12082/dqxxkx.2019.180548

DOI

[20]
Jiang W, Yuan L, Wang W, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51:117-126. DOI: 10.1016/j.ecolind.2014.07.031

DOI

[21]
刘梁美子, 占车生, 胡实, 等. 黔桂喀斯特山区植被变化及其地形效应[J]. 地理研究, 2018, 37(12):2433-2446.

DOI

[ Liu L M Z, Zhan C S, Hu S, et al. Vegetation change and its topographic effects in the karst mountainous areas of Guizhou and Guangxi[J]. Geographical Research, 2018, 37(12):2433-2446. ] DOI: 10.11821/dlyj201812006

DOI

[22]
张兴航, 张百平, 王晶, 等. 神农架林区植被分布与地形的关系研究[J]. 地球信息科学学报, 2020, 22(3):482-493.

DOI

[ Zhang X H, Zhang B P, Wang J, et al. Study on the relationship between terrain and distribution of the vegetation in Shennongjia Forestry District[J]. Journal of Geo-information Science, 2020, 22(3):482-493. ] DOI: 10.12082/dqxxkx.2020.190553

DOI

[23]
王毅, 郭跃. 喀斯特地貌区植被覆盖与地形因子的空间关系分析--以贵州普定县为例[J]. 长江流域资源与环境, 2018, 27(1):157-167.

[ Wang Y, Guo Y. Analysis of spatial correlation between vegetation coverage and terrain factors in Karst Landform: Taking Puding Area in Guizhou for example[J]. Resources and Environment in the Yangtze Basin, 2018, 27(1):157-167. ] DOI: 10.11870/cjlyzyyhj201801018

DOI

[24]
金凯, 王飞, 韩剑桥, 等. 1982-2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5):961-974.

DOI

[ Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015 Acta Geographica Sinica, 2020, 75(5):961-974. ]

[25]
李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004(4):153-159.

[ Li M M, Wu B F, Yan Z Z, et al. Estimation of vegetation fraction in the upper Basin of Miyun reservoir by remote sensing[J]. Resources Science, 2004(4):153-159. ]

[26]
何宝忠, 丁建丽, 张喆, 等. 新疆植被覆盖度趋势演变实验性分析[J]. 地理学报, 2016, 71(11):1948-1966.

DOI

[ He B Z, Ding J L, Zhang Z, et al. Experimental analysis of spatial and temporal dynamics of fractional vegetation cover in Xinjiang[J]. Acta Geographica Sinica, 2016, 71(11):1948-1966. ] DOI: 10.11821/dlxb201611007

DOI

[27]
李晶, 闫星光, 闫萧萧, 等. 基于GEE云平台的黄河流域植被覆盖度时空变化特征[J]. 煤炭学报, 2021, 46(5):1439-1450.

[ Li J, Yan X G, Yan X X, et al. Temporal and spatial variation characteristic of vegetation coverage in the Yellow River Basin based on GEE cloud platform[J]. Journal of China Coal Society, 2021, 46(5):1439-1450. ] DOI: org/10.13225/j.cnki.jccs.ST21.0331

DOI

[28]
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.

[ Tao S, Kuang T T, Peng W F, et al. Analyzing the spatio-temporal variation and drivers of NDVI in upper reaches of the Yangtze River from 2000 to 2015: A case study of Yibin City[J]. Acta Ecologica Sinica, 2020, 40(14):5029-5043. ]

[29]
刘亚龙, 王庆, 毕景芝, 等. 基于Mann-Kendall方法的胶东半岛海岸带归一化植被指数趋势分析[J]. 海洋学报, 2010, 32(3):79-87.

[ Liu Y L, Wang Q, Bi J Z, et al. The analysis of NDVI trends in the coastal zone based on Mann-Kendall test: A case in the Jiaodong Peninsula[J]. Acta Oceanologica Sinica, 2010, 32(3):79-87. ]

[30]
YUE S, PILON P, CAVADIAS G. Power of the Mann-Kendall and Spearman's Rho tests for detecting monotonic trends in hydrological series[J]. Journal of Hydrology, 2002, 259:254-271. DOI: 10.1016/S0022-1694(02)00078-1

DOI

[31]
符静, 秦建新, 张猛, 等. 2001-2013年洞庭湖流域植被覆盖度时空变化特征[J]. 地球信息科学学报, 2016, 18(9):1209-1216.

DOI

[ Fu J, Qin J X, Zhang M, et al. Spatial-temporal variations of vegetation coverage in the Lake Dongting Basin from 2001 to 2013. Journal of Geo-information Science, 2016, 18(9):1209-1216. ]

[32]
Peng W, Kuang T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China[J]. Journal of Cleaner Production, 2019, 233:353-367. DOI: org/10.1016/j.jclepro.2019.05.355

DOI

[33]
李瑶, 戴文鸿, 高嵩, 等. 黄河下游植被覆盖度动态变化及其与水沙过程关系[J]. 人民黄河: 2022, 44(4):31-37,52.

Dai W H, Gao S, et al. Vegetation dynamics and its relations with water-sediment processes in Lower Yellow River[J]. Yellow River, 2022, 44(4):31-37,52. ] DOI: 10.3969/j.issn.1000-1379.2022.04.007

DOI

[34]
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.

[ Pei Z L, Yang Q K, Wang C M, et al. Spatial distribution of vegetation coverage and its affecting factors in the upper reaches of the Yellow River[J]. Arid Zone Reserch, 2019, 36(3):546-555. ] DOI: 10.13866/j.azr.2019.0 3.03

DOI

[35]
Zhang D, Jia Q, Wang P, et al. Analysis of spatial variability in factors contributing to vegetation restoration in Yan'an, China[J]. Ecological Indicators, 2020, 113:106278. DOI: 10.1016/j.ecolind.2020.106278

DOI

[36]
赵东晓, 蔡建勤, 土小宁, 等. 黄河流域水土保持植被建设对策[J]. 中国水利, 2020(6):30-33.

[ Zhao D X, Cai J Q, Tu X N, et al. Vegetation construction measures for soil conservation in Yellow River Basin[J]. China Water Resources, 2020(6):30-33. ]

Options
Outlines

/

〈 〉