基于光谱反演的青藏高原1982年到2014年植被生长趋势分析

王志伟，吴晓东，岳广阳，赵 林*，王 茜, 3，南卓铜，秦 彧，吴通华，史健宗，邹德富, 2

1.青藏高原冰冻圈观测研究站，冰冻圈科学国家重点实验室，中国科学院寒区旱区环境与工程研究所，甘肃 兰州 730020 2. 中国科学院大学，北京 100049 3. 贵州省农业科学院贵州省草业研究所，贵州 贵阳 550006

基于光谱反演的青藏高原1982年到2014年植被生长趋势分析

王志伟1, 2, 3，吴晓东1，岳广阳1，赵 林1*，王 茜1, 3，南卓铜1，秦 彧1，吴通华1，史健宗1，邹德富1, 2

1.青藏高原冰冻圈观测研究站，冰冻圈科学国家重点实验室，中国科学院寒区旱区环境与工程研究所，甘肃 兰州 730020 2. 中国科学院大学，北京 100049 3. 贵州省农业科学院贵州省草业研究所，贵州 贵阳 550006

植被在陆地碳循环和气候系统中发挥着重要作用，近几十年来众多研究集中于分析植被生长状况的动态变化。拥有大面积高海拔区域的青藏高原是“世界的第三极”，其植被生长状况对全球变暖现象十分敏感。而由光谱的可见光红波段和近红外波段反演产生的NDVI，则是监测植被生长状况的最有效工具之一。通过一元线性回归模型，在青藏高原地区利用2000年到2014年的MODIS资料将GIMMS NDVI数据集从1982到2006年的时间序列扩展至2014年。相比已有的研究，因考虑了尺度变化引起的残差，NDVI扩展数据集的精度得到进一步提高。该方法可以为今后不同NDVI数据集耦合提供一种新的思路。利用1982年到2014年的NDVI新数据集可以发现以下结果： 青藏高原植被生长季的生长存在明显的增长趋势(0.000 4 yr-1,r2=0.585 9,p<0.001)，春、夏和秋季的增长率分别为0.000 5(r2=0.295 4，p=0.001)，0.000 3(r2=0.105 3，p=0.065)和0.000 6(r2=0.436 7，p<0.001)。因高原植被生长，促进该区域碳积累效应，故青藏高原植被在1982到2014年间是一个稳定的碳吸收区。结合高原温度和降水资料分析植被生长状况增长的原因，虽二者都具有增长趋势，不过生长季及春、夏和秋季的NDVI变化状况同温度的相关性显著高于降水。在空间分布上，各区域植被增长趋势同温度、降水变化都具有明显的空间异质性。

植被变化； 青藏高原； NDVI； 温度； 降水

引 言

从18世纪中叶至今，全球大气层中CO2的浓度一直在显著增长，造成这种现象的主要原因除了化石燃料的燃烧和工业生产中的排放，陆地、海洋和大气之间的碳交换过程也占据其极大比重，目前有关陆地碳汇数量和时空分布动态状况的研究已经越来越受到关注[1]。植被不仅通过生物量的增长来固定碳，也因其粗糙度、反照率、蒸腾和蒸散等特性，能够调节气候的变化。因此，监测植被生长并分析其变化缘由，已经成为全球变化研究中的一个重要领域[1]。

气候变化对全球陆地生态系统的意义深远。青藏高原作为“世界第三极”，具有日照强、温度低、气压低等独特的地理、气候特点[2]，其植被对全球气候变化的响应尤为敏感[3]。目前，针对气候变化的植被趋势分析方法主要利用两种数据： 第一种是野外植被调查资料，该方法耗时耗力，不适宜应用于大面积区域的植被研究； 另一种是遥感产品，凭借其大面积重复观测的特点，已越来越广泛的应用于多学科研究中。其中最具代表性的数据集，正是能够反应植被光合作用的归一化植被指数(normalized difference vegetation index, NDVI)产品。它是红外波段与近红外波段的比率(单位为无量纲，数值在0～1之间)，同植被吸收的光合有效辐射具有极强的相关性，常被作为代表植被生长状况或者生物量等的遥感参数[4]，其计算方式如下所示

NDVI=(NIR-red)/(NIR+red)

(1)

式中NIR表示近红外波段，red代表红波段。成熟的NDVI产品主要包括以下几种：MODIS(moderateresolutionimagingspectroradiometer)NDVI,SPOT(satellitepourobservationterre)NDVI,AVHRR(advancedveryhighresolutionradiometer)GIMMS(globalinventorymonitoringandstudies)NDVI和TM(thematicmapper)NDVI。然而，单一的NDVI产品在时间序列上存在限制。MODISNDVI获取时间从2000年开始。常用的SPOTNDVI则多从1998年后获取。GIMMSNDVI-2g的区间为1981到2006年，之后的GIMMSNDVI-3g也只将时间序列扩展到2012年。虽然TMNDVI具有足够长的时间序列，但由于受云层厚度的影响而存在严重的缺失，进而制约其对稳定长时间植被生长趋势的分析。因此，有必要结合两种或者两种以上的NDVI，完成更长时间序列的产品，以应用于植被生长趋势研究，进而分析气候变化同植物生长的关系，同时为以后长时间植被序列产品的分析提供依据。

基于此，以GIMMSNDVI-2g产品为例，通过一元线性回归预测模型，利用MODISNDVI重采样数据对其进行扩展，首先将其从1982到2006年的时间尺度扩展到2014年。随后，利用扩展后的产品阐述了青藏高原植被植物生长季及春、夏、秋三个季节的生长变化趋势，并分析了该区域温度、降水的变化趋势同植物生长状况的相互关系。目的是通过分析青藏高原植被对气候的响应，为全球气候变暖背景下高原植被适应性对策提供基础的科学理论依据。

1 研究区概况及研究方法

1.1 研究区概况

青藏高原包括西藏藏族自治区和青海省的全部，新疆维吾尔自治区、甘肃、四川和云南省的部分区域。其平均海拔在4 000m以上，面积约为2.57×106km2，该区域分布广袤的山川、山脉。植被类型包括草地、森林和灌木等[5]，植物生长季从4月份开始到10月份结束[3]。

1.2 数据来源及处理

NDVI资料包括两种： 来源于美国马里兰大学的GLCF项目组(UniversityofMaryland,GlobalLandCoverFacility)的GIMMSNDVI-2g和NASA的MOD13A3-v005。以上两种NDVI产品都是通过NDVI最大合成法计算得到，经过大气、几何校正[1]。

GIMMSNDVI选取1982年1月到2006年12月，时间分辨率为半月尺度，每个月份前半个月产生一个产品，当月16日到28、30或31日的时间间隔内生成另一个产品，一年共24个产品，空间分辨率为8km×8km。月尺度数据通过最大合成法计算得到，每月的NDVI值选取该月两个半月数据中的最大值作为最终结果。

MOD13A3-v005数据选取2000年2月到2014年10月的范围，时间分辨率为月尺度，空间分辨率为1km×1km，版本v005[6]数据可以满足本研究需要。为匹配GIMMSNDVI的空间分辨率，将其重采样至8km×8km。为避免水体等因素对植被生长趋势的影响，两种产品都剔除了小于零的象元值。

气象资料选取东英吉利亚大学的CRU-TS(ClimaticResearchUnittime-series)月尺度数据产品，最新版本为v3.22[7]。时间范围选取1982年到2013年，气象要素选取温度和降水。

因其空间分辨率为0.5°，通过最邻近法将其尺度重采样为8km×8km以匹配NDVI数据[3]。

1.3 研究方法

青藏高原的植被生长季为每年的四月到十月，根据已有研究[1]： 该区域春季为四月和五月，夏季为六月、七月和八月，秋季为九月和十月。每个生长季及春、夏和秋季的NDVI、温度和降水数值以月平均值计算。

虽然GIMMS和MODISNDVI红波段和近红外波段的波长范围不同，不过在2000年到2006年之间，二者存在一段数据重叠期，并且变化趋势基本相似。GIMMSNDVI在2000年到2006年生长季有每年0.001 4的增长(r2=0.574 2，p=0.048)，MODIS NDVI在同一时间间隔每年有0.002 2的增长(r2=0.643 3，p=0.030)。已有研究[8]指出在不同的遥感产品之间存在确定的相关关系。因此通过两种NDVI产品重叠期的相关关系，可以利用一元线性回归预测模型将GIMMS和MODIS两种NDVI产品整合到一起[9]，其具体计算公式如下

NDVIgi=a+bNDVImi+εi

(2)

b=∑i(NDVIgi-MODave)(NDVIgi-AVHave)/

∑i(NDVImi-MODave)

i=1, 2, 3, …,n

(3)

a=AVHave-bMODave

(4)

式中，a和b代表线性回归中的参数；εi是2000年2月到2006年12月第i个月的残差，主要来源于MODIS NDVI尺度变化； NDVIgi和NDVImi分别代表第i个月GIMMS 和MODIS的NDVI值； AVHave和MODave则分别为2000年2月到2006年12月GIMMS和MODIS的NDVI平均值，n为2000年2月到2006年12月期间的所有月份数量总和。其中εi通过以下公式计算得出

a+bNDVImi=NDVIlri

(5)

εi=NDVIgi-NDVIlri

(6)

εave=∑i(εi) /ni=1, 2, 3, …,n

(7)

式中，NDVIlri是用于计算的中间过渡产品，n为2000年2月到2006年12月期间的所有月份数量总和，εave是2000年2月到2006年12月的平均残差。最终，通过式(8)计算获得2007到2014年扩展后的GIMMS NDVI数据集，如下所示

NDVIcj=NDVIlri+εave=a+bNDVImj+εave

(8)

其中，NDVIcj表示2006年之后扩展的第j个月NDVI影像，NDVIlri是用于计算的中间过程影像，是第j个月的MODIS NDVI影像，参数a，b和εave由式(2)—式(7)计算获得。

验证通过2000到2006年间，扩展后的NDVI和原始GIMMS NDVI计算得到，此处选取该时间区段内NDVI最小的2005年三月和最高的2002年8月，验证参数包括以下三种

r2=[∑i(GNi-GNiave)(CNi-CNiave)]2/

[∑i(GNi-GNiave)2]×

[∑i(CNi-CNiave)2]i=1, 2, 3, …,n

(9)

B=∑i(GNi)/∑i(CNi)-1i=1, 2, 3, …,n

(10)

RMSE=[∑i(CNi-GNi)2/n]1/2i=1, 2, 3, …,n

(11)

式中，i是象元序列号，n是象元总个数，GNi和CNi指原始GIMMS和扩展后的NDVI第i个象元值，GNiave和CNiave分别是GN是CN影像的平均值。其中，r2代表相关系数，原始GIMMS和扩展后的NDVI越相关，其数值越接近1。B为扩展后的NDVI值相比原始数据高估或者低估的具体数据。RMSE是均方根误差(root mean square error)，反应扩展后NDVI的偏差。

最后，用于说明植物生长、温度、降水等因子的趋势(slope)通过下面的公式统计

Slope=[n×∑i(i×Aiave)-∑i(i)×(∑iAiave)]/

{n×∑i(i2)-[∑i(i)]2}i=1, 2, 3, …,n

(12)

式中，slope是特定因子的趋势，Aiave是该因子在i年间的平均值，n为研究时段的年份总和。

2 结果与分析

2.1 青藏高原1982—2014年扩展后NDVI数据集及其精度评价

仅将MODIS NDVI重采样成8 km×8 km的分辨率，存在低估GIMMS NDVI数值的现象，如图1所示。因此需要结合式(2)—式(7)的方法完成扩展，具体过程以随机选取的2005年8月份NDVI数据的生成为例说明。

Fig.1 The consistency between GIMMS (8 km resolution) and resampled MODIS (8 km resolution) average annual NDVI from 2000 to 2006

Fig.2 Overview of the constructing results (the sampling NDVI imaging time is August 2005)

NDVI-lr is a transition product using constructed algorithm in a low resolution with residuals, NDVI mean residuals is a mean residuals imagine from 2000 to 2006, and NDVIc is the constructed GIMMS NDVI result, all maps have a resolution of 8 km

图2(a)展示的NDVI分布状况是该月MODIS重采样为8 km×8 km后的结果。然后使用式(2)—式(5)计算得到研究区该月中间过渡数据，如图2(b)所示。计算残差时，利用式(6)将图2(c)中该月GIMMS NDVI同图2(b)中的过渡数据相减得到，结果如图2(d)所示。接着，通过式(7)可以计算2000年2月到2006年12月整体的NDVI平均残差[图2(e)所示]。最终，在得到平均残差[图2(e)]的基础上，利用式(8)计算2006年12月之后每一个月的扩展NDVI产品。其中，图2(f)为扩展后2005年8月份NDVI结果，该结果仅作为方法示例中的展示，并不参与NDVI趋势分析。

扩展后的NDVI相比重采样后的MODIS数据同GIMMS NDVI具有更好的相关关系，扩展后的NDVI同GIMMS产品的相关系数为0.897(p<0.001)。同时扩展后的数据集具有更高的精度，如图2(e)所示，虽然平均残差的数值较小(大部分区域为-0.05～0.05之间)，不过它可以解释因尺度变化效应带来的部分误差。

虽然利用式(8)获取的2000年2月到2006年12月NDVI影像，未应用于植被生长趋势分析。不过，因扩展后的产品同原始GIMMS NDVI存在重叠，故在此区段选取影像同原GIMMS数据对比分析其精度。选择NDVI值的月平均(2000年2月到2006年12月)、最小月(2005年3月)和最大月(2002年8月)结果，结合式(9)—式(11)进行评价。三种评价因子都显示出(如表1所示)，扩展计算后的NDVI相比MODIS重采样后的结果明显更具有优势。

Table 1 Validation results of the mean, lowest (March 2005) and highest (August 2002) NDVI by reconstructing

NDVIcNDVIlrResampledMODISNDVImeanr×r(-)0.91270.89260.8112Bias(-)0.04130.0507-0.1261RMSE(-)0.02360.03600.0873Marchr×r(-)0.84310.82010.66042005Bias(-)0.06630.07800.1568RMSE(-)0.03680.04830.0933Augustr×r(-)0.88150.83940.7635 2002Bias(-)-0.0447-0.04920.0857RMSE(-)0.08190.09410.1259

Note: NDVIc and NDVIlr reconstructed data sets without and with residuals respectively

2.2 NDVI反演植被生长趋势状况

青藏高原植被生长趋势状况由式(12)计算得到，其结果如图3所示。1982年到2014年之间，NDVI每年的增长率为0.000 4(r2=0.585 9，p<0.001)，除1988年，1990年和1994年有异常增大，2001年和2008年有异常减小现象外，整体表现稳定的增长趋势。其中最大值出现在2007年。春季NDVI年增长率为0.000 5(r2=0.295 4，p=0.001)，夏季年增长率为0.000 3(r2=0.105 3，p=0.065)，而秋季年增长率为0.000 6(r2=0.436 7，p<0.001)。整体上NDVI的生长趋势都表现增加的现象，如图3(b)—(d)所示。不过与生长季植被生长状况最相关的季节为夏季0.446 5(p<0.001)，之后是秋季0.404 2(p<0.001)和春季0.392 0(P<0.001)。

2.3 植被生长与气候因子的关系

CRU-TS数据只更新至2013年12月，因此图3中温度和降水的趋势只能分析到2013年。在1982到2013年之间，温度在植被生长季及春、夏和秋季存在极强的增长趋势，而且温度的增长趋势显著性明显高于降水，如图3(a)—(d)中显示。

其中，整个生长季NDVI同温度的相关性(r2=0.546 8，p<0.001)明显高于降水(r2=0.087 4，p=0.100)。春季温度同NDVI的相关性(r2=0.320 4，p=0.001)高于降水(r2=0.091 5，p=0.092)。夏季温度同NDVI的相关性(r2=0.291 7，p=0.001)高于降水(r2=0.005 2，p=0.696)。同样，在秋季蚊度同NDVI的相关性(r2=0.239 1，p=0.005)也高于降水(r2=0.017 3，p=0.473)。

2.4 植被生长趋势与气候因子变化趋势的空间差异性

虽然青藏高原NDVI、温度和降水在1982到2013年生长季及春、夏和秋季都存在增长的趋势，不过在空间分布上却存在明显的异质性(图4所示)。在整个植被生长季，植被生长状况大多数区域表现出增长趋势，如图4(a)所示。在整个区域温度都显示出增长趋势的情况下[如图4(b)]，植被生长状况增长的区域同降水的增长区域比较接近，如图4(c)所示。

相比其他时期，春季的植被生长状况有一个显著的不同点，位于青藏高原中部的植被生长状况明显有下降的趋势，如图4(d)所示。在此期间，其温度在中部区域增长也较快(图4E)。但是其降雨变化状况基本同整个生长季相似，如图4(f)。

如图4(i)所示，夏季降水增加速度超过0.5 mm·yr-1的区域广泛分布于青藏高原中部和东部区域，而春、秋季的降水趋势分布状况中仅有很少部分区域增幅超过这个数值。不过在降水和温度[图4(h)]同时增长的趋势下，草原生长状况表现增长，而位于青藏高原东南部的森林区植被生长状况却存在减少的趋势。

秋季，高原东北区域的植被生长处于明显增长的状况，许多区域的增长率甚至超过0.002 0 yr-1，如图4(j)所示。而此区域的温度却呈现下降趋势[图4(k)]，此时植被生长趋势增长可能是受降水增加影响，如图4(l)所示。在东南区域的植被增长则表现相反的特点，与降水负相关，而与温度正相关。

3 讨 论

因为MODIS NDVI和AVHRR NDVI象元值存在0.100的偏差[9]，所以重采样后的MODIS数据并不能直接用于长时间序列的研究。将MODIS和GIMMS NDVI数据进行了整合，最终将NDVI的时间序列扩展为1982年到2014年。MAO[9]利用一元线性回归模型分析了中国东北的NDVI变化状况，本研究在此模型基础上加入因尺度变化引起的残差，精度进一步的提高(表1)。

Fig.3 Inter-annual variations of NDVI, temperature and precipitation in Qinghai-Tibet Plateau of (a) growing season (April—October); (b) spring season (April and May); (c) summer season (June—August) and (d) autumn season (September and October)

扩展后的青藏高原NDVI产品在1982到2014年的增长率为0.000 4(p<0.001)。同时，Piao[1]点明在欧亚大陆尺度上，NDVI从1982到2006年之间，每年有0.0050(p=0.03)的增长； Jian[10]在青藏高原尺度上指出从1982到2003年间，NDVI增长为0.000 5 yr-1(p=0.007)。因此，以上研究都说明青藏高原的NDVI在增长，植被生长情形则处于逐步转好状况。

已有研究表明，植被生长状况的变化主要是由气候变化引起[11]。整体上，青藏高原的植被状况在生长季与春、夏、秋季都有明显的增长现象。同时，温度和降水也存在相似的升高和增加。不过，温度作为各季的主导因子明显同NDVI的相关性高于降水，与Dragoni[12]的结论即温度变化在植被生长返青期和枯黄期发挥出巨大作用一致。通过图3(a)中的NDVI、温度和降水年度变化曲线可知，青藏高原NDVI从1982到2014年之间有4个异常年份，分别为1988，1994，2001和2008年。同时图3也说明，相比降雨，NDVI发生突变的年份与气温更相似。在生长季尺度上，NDVI值在1988年和1994年增高时，温度也在增高； NDVI值在2001和2008年减少时，温度同样也在减少。此外，由春季和秋季温度增长引起的植物生长期延长现象[13]，会产生碳在植物体内的积累增加[14]。因此，在1982到2014年之间青藏高原地区的植被是全球变化中一个重要的碳汇。

Fig.4 Trends of NDVI, temperature and precipitation in Qinghai-Tibet Plateau from 1982 to 2013

(a): NDVI in growing season; (b): Temperature in growing season; (c): Precipitation in growing season; (d): NDVI in spring season; (e): Temperature in spring season; (f): Precipitation in spring season; (g): NDVI in summer season; (h): Temperature in summer season; (i): Precipitation in summer season; (j): NDVI in autumn season; (k): Temperature in autumn season; (l): Precipitation in autumn season

在空间分布上，青藏高原植被生长趋势同温度和降水的变化趋势存在明显的差异性。植物生长季中，温度除在东北部一小片区域呈减小趋势，在整个高原都表现出增长[图4(b)]。而此时植被生长的增长趋势空间分布状况就同降水增长趋势的分布比较相似，如图4(a)和(c)所示。植被生长减少的区域为高原西北部，降水趋势在该区域为无增长。这也说明在满足主导因子温度增加的前提下，植被生长在很大程度上受降水作用的影响。春季[图4(d)]，高原中下部区域植物生长状况表现明显的减少趋势，而在其他季节该区域的植被生长状况以增长为主，这也是引起春季同生长季NDVI相关性低的原因。这可能由于春季温度在中部区域增长过快所致[图4(e)]。值得注意的是，在夏季温度[图4(h)]和降雨[图4(i)]都增加的情况下，草原生长情况变好，但是东南部森林区存在减少的趋势，这与Fensholt[15]在全球尺度上分析NDVI变化趋势相一致。

4 结 论

结合MODIS和GIMMS NDVI产品，发现青藏高原在1982年—2014年间生长季及春、夏、秋各季植被都有显著的增加，这可能导致高原植被生态系统在过去的几十年中的碳积累效应增加。此外，分析温度和降水资料同NDVI的相关性后发现，高原植被生长变化的主导因子是温度。因此，在考虑青藏高原地区的碳的源汇效应时，植被在其变暖的过程中发挥的效应应该给予重视。不过，植被生长趋势同温度和降水的变化趋势同样存在明显的空间异质性。在生长季，研究区域在满足温度增长的前提下，植被增长区域同降水增加区域相似。春季，在高原中西部区域植被生长状况甚至同温度出现了负相关。同时，夏季草原植被生长增加，而森林则表现为植被生长趋于减少状况。

[1] Piao S L, Wang X H, Ciais P, et al. Global Change Biology, 2011, 17: 3228.

[2] ZHANG Xue-fei, ZHENG Mian-ping(张雪飞，郑绵平). Spctroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(10): 3119.

[3] Che M L, Chen B Z Innes J L, et al. Agricultural and Forest Meteorology, 2014, 189: 81.

[4] Jia S F, Zhu W B, Lu A F, et al. Remote Sensing of Environment, 2011, 115: 3069.

[5] YE Hui, WANG Jun-bang, HUANG Mei, et al(叶 辉, 王军邦, 黄 玫, 等). Chinese Journal of Plant Ecology(植物生态学报), 2013, 36: 1237.

[6] Román M O, Schaaf C B, Woodcock C E, et al. Remote Sensing of Environment, 2009, 113: 2476.

[7] Harris I, Jones P D, Osborn T J, et al. International Journal of Climatology, 2013, 34: 623.

[8] Immerzeel W W, Rutten M M, Droogers P. Remote Sensing of Environment, 2009, 113: 362.

[9] Mao D H, Wang Z M, Luo L, et al. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 528.

[10] Peng J, Liu Z H, Liu Y H, et al. Ecological Indicators, 2012, 14: 28.

[11] Angert A, Biraud S, Bonfils C, et al. Proceedings of the National Academy of Sciences, 2005, 102: 10823.

[12] Dragoni D, Schmid H P, Wayson C A, et al. Global Change Biology, 2011, 17: 886.

[13] Richardson A D, Andy B T, Ciais P, et al. Philosophical Transactions of the Royal Society B: Biological Sciences, 2010, 365: 3227.

[14] Piao S, Ciais P, Friedlingstein P, et al. Nature, 2008, 451: 49.

[15] Fensholt R, Proud S R. Remote Sensing of Environment, 2012, 119: 131.

*Corresponding author

Spatial and Temporal Variations in Spectrum-Derived Vegetation Growth Trend in Qinghai-Tibetan Plateau from 1982 to 2014

WANG Zhi-wei1,2,3, WU Xiao-dong1, YUE Guang-yang1, ZHAO Lin1*, WANG Qian1, NAN Zhuo-tong1, QIN Yu1,WU Tong-hua1, SHI Jian-zong1, ZOU De-fu1，2

1. Cryosphere Research Station on the Qinghai-Tibet Plateau, State Key Laboratory of Cryosheric Sciences, Cold and Arid Regions Environmental and Engineer Research Institute, Chinese Academy of Sciences, Lanzhou 730020, China 2. University of Chinese Academy of Sciences, Beijing 100049, China 3. Guizhou Institute of Prataculture, Guizhou Academy of Agricultural Sciences, Guiyang 550006, China

Recently considerable researches have focused on monitoring vegetation changes because of its important role in regulating the terrestrial carbon cycle and the climate system. There were the largest areas with high-altitudes in the Qinghai-Tibet Plateau (QTP), which is often referred to as the third pole of the world. And vegetation in this region is significantly sensitive to the global warming. Meanwhile NDVI dataset was one of the most useful tools to monitor the vegetation activity with high spatial and temporal resolution, which is a normalized transform of the near-infrared radiation (NIR) to red reflectance ratio. Therefore, an extended GIMMS NDVI dataset from 1982—2006 to 1982—2014 was presented using a unary linear regression by MODIS dataset from 2000 to 2014 in QTP. Compared with previous researches, the accuracy of the extended NDVI dataset was improved again with consideration the residuals derived from scale transformation. So the model of extend NDVI dataset could be a new method to integrate different NDVI products. With the extended NDVI dataset, we found that in growing season there was a statistically significant increase (0.000 4 yr-1,r2=0.585 9,p<0.001) in QTP from 1982 to 2014. During the study period, the trends of NDVI were significantly increased in spring (0.000 5 yr-1,r2=0.295 4，p=0.001), summer (0.000 3 yr-1,r2=0.105 3，p=0.065) and autumn respectively (0.000 6 yr-1,r2=0.436 7，p<0.001). Due to the increased vegetation activity in Qinghai-Tibet Plateau from 1982 to 2014, the magnitude of carbon sink was accumulated in this region also at this same period. Then the data of temperature and precipitation was used to explore the reason of vegetation changed. Although the trends of them are both increased, the correlation between NDVI and temperature is higher than precipitation in vegetation growing season, spring, summer and autumn. Furthermore, there is significant spatial heterogeneity of the changing trends for NDVI, temperature and precipitation at Qinghai-Tibet Plateau scale.

Vegetation change; Qinghai-Tibet plateau; NDVI; Temperature; Precipitation

Dec. 12, 2014; accepted Apr. 5, 2015)

2014-12-12，

2015-04-05

国家重大科学研究计划项目(2013CBA01803)，国家自然科学基金面上项目(41471059)，国家自然科学青年基金项目(41101055)资助

王志伟，1983年生，中国科学院寒区旱区环境与工程研究所博士研究生 e-mail: wzw1206@163.com *通讯联系人 e-mail： linzhao@lzb.ac.cn

TP75

A

10.3964/j.issn.1000-0593(2016)02-0471-07