近17年陕西榆林植被指数的时空变化及影响因素

栾金凯,刘登峰,*,黄 强,冯九梁,林 木,李国宝

1 西安理工大学水利水电学院,西北旱区生态水利工程国家重点实验室培育基地,西安 710048 2 山西省水土保持生态环境建设中心,太原 030002 3 中央财经大学统计与数学学院,北京 100081 4 榆林市水利工作队,榆林 719000

地表植被处于岩石圈最活跃的一层,是岩石圈与大气圈、土壤圈、生物圈、水圈长期相互作用的产物,在地球生态系统平衡、气候变化和水循环中起着协调的作用[1-2]。同时,植被是全球土地覆盖最重要、最敏感的构成要素之一,可在较短时间内反映气候变化和人类活动的影响[3]。土地沙漠化敏感区域属于全国防风固沙生态功能区,对国家生态安全具有重要作用,关系着区域人地矛盾的解决[4]。榆林位于毛乌素沙漠与陕北黄土高原交界地带,属于农牧交错区,生态环境脆弱且变化敏感,是研究沙漠的热点和重点区域[5-6]。

植被指数时空变化影响因素的研究大多以相关分析为基础。Gao等[7]认为在中国东部,气温和降水同时影响植被变化,但气温起主导作用,同时得出NDVI对气温和降水的变化有滞后期,分别为10d和30d。也有些学者分析后发现NDVI对降水及温度的响应具有明显的空间差异与滞后效应[8-9]。Piao等[10]应用相关分析方法分析了草地NDVI气候变化响应。夏照华[11]分析了整个中国最近二十多年来NDVI的时空分布规律,以及NDVI与降水、温度之间的关系,尝试区分出了NDVI影响因子中的气候因子与人类活动因子。Fabricante等[12]认为NDVI值的变化与前几个月的水总量相关更大。Ding等[13]利用NDVI得出青藏高原北坡的生长期只有3个月(7—9月),生长期的降水与NDVI的相关性极好。李登科等[14]利用简单相关系数分析,分析了长城沿线各区县年均NDVI与降水和气温的相关关系。杨英莲[15]分析了青海省不同草地类型NDVI的季节变化和年际间的变化特征,又将22年来草地平均NDVI、气温和降水进行了趋势分析和相关分析。李丽娜[16]在空间中选取足够多的点对陕西省生长季NDVI与温度、降水进行相关分析,发现不同区域气候对植被影响有差异,植被对气候的敏感度也有差异。朱文彬等[17]通过逐像元分析发现柴达木盆地植被覆盖的影响因素主要包括降水、地表地下水文条件、海拔高度和人类活动4个方面。Zhao 等[18]对1982—2003 年新疆NDVI 进行研究发现,区域NDVI的增加与降水量和潜在蒸散量(ET) 的增加有关。徐浩杰等[19]利用简单相关系数分析,发现影响祁连山植被生长的主要因子是气温和降水,局部地区人类活动也是影响植被生长的关键因子。张清雨等[20]对内蒙古自治区的NDVI进行研究和分析,发现整个自治区大部分区域NDVI与年降水量呈显著相关,同时还发现近30年来人类活动对植被NDVI的影响程度正在逐渐增强。张智韬等[21]对影响大豆NDVI的气象因素进行多元线性回归分析,从而实现对NDVI的预测。孙庆龄等[22]应用逐像元的气候因子与生长季累计NDVI的相关性分析的方法,分析出影响三江源地区植被的主要气候因素。成方妍等[23]分析气象因子与NDVI相关性发现气象因子与区域内不同土地覆被类型NDVI相关性不显著。

近年来也有一些有关榆林及周边地区植被指数的研究,李登科等[14]使用1981—2003年23a长序列资料对陕北长城沿线风沙区植被指数利用趋势线分析方法,分析了区域平均NDVI的变化趋势,发现陕北长城沿线风沙区植被覆盖状况尽管有波动起伏,但整体在持续转好,年均NDVI增加了10.62%。并利用简单相关系数的方法,对长城沿线每个县分析了年、季平均NDVI与年份的相关系数和斜率。刘静等[24]利用NDVI和像元分解模型,建立了毛乌素沙漠植被覆盖度遥感定量模型,并对1990年和2007年2个时期植被覆盖度进行了等级划分,利用转移矩阵的方法分析植被覆盖度的变化趋势。周淑琴[4]利用SPOT NDVI数据,研究了不同等级植被间的变化过程及NDVI空间异质性。周淑琴等[25]应用空间统计学和经典统计学方法,研究了毛乌素沙漠1998—2013年的植被空间自相关分布模式和发展趋势及气象因素的影响。王静璞等[26]利用偏相关分析方法,分析毛乌素沙漠植被年平均物候与气温和降水的关系。这些研究采用的植被指数的时间序列、空间尺度、研究方法各不相同。郑亚云[27]利用2000—2014年MODIS数据,采用波段重运算、最大化合成、时间序列分析、线性回归分析方法研究榆林不同尺度NDVI的变化差异,同时选取空间上的一些点对高程、坡度及气候因子与NDVI的关系做定量研究。刘登峰等[28]基于MODIS NDVI遥感数据分析了2000—2013年毛乌素沙漠南部植被的变化状况,总结出NDVI年均值呈现出上升趋势,年增长率为2.69×10-3/a,还分析了NDVI逐年的级别转移状况。

目前对NDVI时空变化分析,有些是基于面平均分析的,有些是利用一元线性回归趋势线方法,基于像元尺度进行分析。目前对NDVI影响因素的研究涉及以下3个方面：对研究区域植被指数取面平均值与降水、气温等气象要素进行简单相关分析或回归分析；在像元尺度的简单相关分析；在研究区域选取气象站点周围的NDVI值与气象因子进行简单相关分析和多元回归分析。但是尚未有研究对某一特定区域进行NDVI像元尺度的多元回归分析,并定量区分气象因素与人类活动对植被指数的影响。进行NDVI像元尺度的分析,可以准确分析研究区域内每个地点的时空变化及气象因素对小范围的影响,空间连续性和异质性能够更好的体现和分析；利用多元回归分析,可以同时考虑多个气象因素对植被指数的影响,并能准确分析气象因素对植被指数的影响及贡献,实现气象因素与人类活动对植被指数影响的定量区分,比较准确的基于像元尺度预测未来植被覆盖状况。所以,本研究将二者结合起来,对陕西榆林植被指数进行分析和研究。

鉴于像元尺度研究的重要性,本文以陕西省榆林市为研究区域,对2000—2016年的17年归一化差分植被指数在像元尺度进行时空变化分析,然后基于像元尺度利用复直线回归分析方法,对植被动态变化的人为因素与气象因素进行定量分析,并对NDVI进行预测。

1 研究区域概况

榆林市位于陕西省最北部,经纬度范围是107°28′E—111°15′E,36°57′N—39°35′N。东临黄河与山西省相望,西接宁夏回族自治区、甘肃省,北邻内蒙古自治区,南接陕西省的延安市。2015年底,全市常住人口340.11万人。地域东西长385km,南北宽263km,总土地面积43578km2[29-30]。

图1 榆林市位置和地形图Fig.1 Location and topographic map of Yulin City

榆林全境地势呈西北高、东南低,平均海拔为1300m,地貌大体以长城为界,北部为风沙草滩区,占总面积的42%,南部为黄土丘陵沟壑区,占总面积的58%。榆林我国东部季风气候和西北干旱大陆性气候的过渡地带,也是毛乌素沙漠南缘与陕北黄土高原的过渡地带,这也决定了榆林生态环境的脆弱性。榆林属暖温带半湿润气候向半干旱气候的过渡区,属于温带大陆性气候；从东南到西北随着距海距离的增加,植被表现出明显的地带性：温带落叶林—草原—荒漠草原—荒漠的过渡和演替。

2 数据来源与处理

本文采用来自MODIS/Terra网站提供的NDVI遥感数据,数据集全称为MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V005,简称MOD13Q1。MOD13Q1数据是16d合成,空间分辨率为250m,数据文件包含了12个字段的数据,NDVI的有效值在-1到1之间[6]。

本研究中首先对下载的影像应用MRT(MODIS Reprojection Tool)软件进行批量裁剪、投影等操作,由于本研究只对8月份NDVI影像进行分析,MOD13Q1数据8月份有2幅影像,得到后的影像进行最大化合成处理。这样每年得到一幅影像,从2000—2016年共17幅影像。

3 研究方法

3.1 一元线性回归趋势线分析

一元线性回归趋势线分析是对一组随时间而变化的变量进行回归分析的方法。该方法能够分析研究区域每个像元的变化趋势,以此来模拟植被的绿度变化率(Greenness Rate of Change,GRC),GRC被定义为某时间段内的季节合成归一化植被指数(Seasonally Integrated Normalized Difference Vegetation Index,SINDVI)年际变化的线性回归方程的斜率[31-32]。本文通过每个像元17年的NDVI,可以模拟该像元的NDVI在这17年间的变化趋势,并估计变化幅度,回归直线斜率(slope)采用最小二乘法求得,其计算公式如下：

(1)

式中：i为1—17年中的第i年；NDVIi为第i年的NDVI值； slope为趋势线的斜率。slope>0时,说明NDVI在这17年间呈现增加的趋势；slope=0时,说明NDVI没有变化；slope<0时,NDVI呈现减少的趋势。

3.2 相关分析检验

自然界中的许多现象之间存在着一定的联系,它们之间既不是确定的函数关系,也不是完全没有关系。相关分析就是研究两个或多个随机变量之间的联系[33]。其计算公式如下：

(2)

研究对象是NDVI序列和时间序列,所得到的结果为每一像元对应的NDVI值与年份的回归系数,得到的相关系数rxy可以用来检验植被生长状况的变化趋势。如果相关系数为正值,表明植被覆盖度呈现增加的趋势；反之就表示该区域植被覆盖度呈现降低的趋势。如果rxy值通过了0.05的显著性水平(P<0.05)检验,说明NDVI具有显著的变化趋势。

3.3 复直线回归分析

本文是进行NDVI与温度、降水之间的复直线回归分析,回归方程为：

z=a+bx+cy

(3)

参数计算公式为：

(4)

(5)

(6)

NDVI模拟残差计算公式：

residual=NDVI-NDVIP

(7)

式中,residual为NDVI复直线回归方程残差；NDVI为NDVI时间序列数据集；NDVIP是根据复直线回归模型预测的NDVI值。

4 结果分析

4.1 NDVI的时空变化特征

通过一元线性回归趋势线分析得到2000—2016年8月份逐像元NDVI空间分布坡度图(图2)和不同级别slope面积(表1),图2中绝大部分区域呈现绿色,说明大部分区域植被指数是增加的,增加率在0—0.03/a占多数；有些区域达到了0.04以上,最大值达到了0.044；植被指数减小的区域主要零星分布在榆林市的西部及西北部,这些区域是毛乌素沙漠的南缘,主要涉及到定边县、靖边县、横山区和榆阳区。最小值为-0.054/a,平均值为0.0102/a,标准差为0.0058。

图2 2000—2016年榆林NDVI一元线性回归坡度分布图Fig.2 Distribution of NDVI one-dimensional linear regression slope in Yulin from 2000 to 2016

表1为榆林植被指数一元线性回归分析变化表,NDVI减小的面积为1537.44km2,仅占榆林总面积的3.57%,其中slope在0和-0.1之间的区域为1452.81km2,占榆林市总面积的3.37%；NDVI增加的面积为41609.76km2,占榆林总面积的96.44%,其中slope在0—0.02/a之间的区域占93.63%。说明近些年来榆林NDVI呈现增加的趋势,且增加值基本都在0与0.02/a之间,榆林植被覆盖度逐渐增加。

4.2 NDVI变化程度评价

为了定量的分析研究区域NDVI的变化程度,对逐年的NDVI影像和时间序列进行相关系数分析,得到每一像元的NDVI值与年份的回归系数,即相关系数rxy,将该系数进行0.05的显著性水平检验,得到的变化趋势分布图见图3。

表1 2000—2016年榆林NDVI一元线性回归分析变化表

图3 2000—2016年NDVI动态变化显著性水平检验图Fig.3 The significance test of NDVI dynamic change from 2000 to 2016

如果rxy值大于0.05的显著性水平(P<0.05)r0.05=0.482,则认为NDVI增加或减小趋势显著。图3显示,绝大多数区域通过了0.05的显著性水平检验,显著增加的区域占研究区域总面积的80.72%,增加但不显著的区域占15.71%,显著降低的区域仅占0.43%,零星分布在西北部毛乌素沙漠处,降低但不显著的区域占3.14%,零星分布在西部的定边县和靖边县。所以,榆林的NDVI近些年来呈现显著增加的趋势,呈显著增加趋势的面积占80.72%。

4.3 2000年与2016年比较分析

将榆林2016年8月份NDVI影像减去2000年8月份NDVI影像,得到两个年份的差值分布图(图4),并统计出不同差值范围所占的面积(表2)。2016年与2000年相比,大部分区域NDVI增加值在0—0.4之间。

2016年NDVI值比2000年小的区域仅占研究区域的3.14%,为1354.12km2；其中小于0.2的仅有42.45km2,占总面积的0.10%；在0.2与0之间的为1311.67km2,占榆林总面积的3.04%。 2016年NDVI值比2000年增加的区域占研究区域的96.86%,达到了41793.09km2；其中在0与0.2之间的区域是19841.28km2,占研究区域总面积的45.99%；在0.2与0.4之间的有21505.85km2,占总面积的49.84%；在0.4和0.6之间的为438.71km2,仅占1.02%；大于0.6的区域仅有7.25km2,仅占总面积的0.02%。说明2016年与2000年相比,榆林市绝大部分区域植被指数都增加了,且增加幅度基本在0—0.4之间。

图4 2016年与2000年8月份NDVI差值分布图Fig.4 NDVI difference distribution in August between 2016 and 2000

NDVI差值NDVI difference面积Area/km2比例Proportion/%NDVI差值NDVI difference面积Area/km2比例Proportion/%NDVI<-0.61.450.000≤NDVI<0.219841.2845.99-0.6≤NDVI<-0.44.130.010.2≤NDVI<0.421505.8549.84-0.4≤NDVI<-0.236.870.090.4≤NDVI<0.6438.711.02-0.2≤NDVI<01311.673.04NDVI≥0.67.250.02

为了分析2000—2016年不同级别植被指数的变化情况,参照周淑琴[4]的研究,将榆林植被序列分为6个等级：1级(NDVI≤0.2)无植被区、2级(0.20.6)密集植被覆盖区。做出2000年植被指数等级向2016年植被指数等级的转移矩阵(表3)。

2000—2016年榆林市植被等级面积转移矩阵表(表3)中,对角线上的数据是未发生转变的植被,对角线右上方是正向转变的植被等级面积,左下方是逆向转变的植被等级面积。显然右上方的面积明显大于左下方的面积,这和作图分析得到的结果相符合。

4.4 植被动态变化气象因素与人为因素的定量分析

为了逐像元定量分析气象因素和人类活动对植被的影响,另外由于气象因子存在空间不均匀性,选取榆林区域内及其周边的13个气象站点资料,采用空间插值的方法来获得每一个像元的降水和气温数据。选用了榆林、定边、靖边、横山、绥德、神木、吴旗、延安、兴县、离石、河曲、盐池、东胜共13个站点2000—2015年的降水和气温资料。由于植被指数与温度、降水之间存在一定的滞后关系,所以为了准确分析NDVI与温度和降水之间的定量关系,必须考虑这种滞后效应。在选取月降水和气温数据时,利用泰森多边形方法将点降水和气温分配到面上,分别求出榆林NDVI与6月、7月、8月、6月和7月平均值、7月和8月平均值、6月7月8月这3个月平均值的相关系数,并进行了t分布检验,发现榆林NDVI与7月份平均气温和7月份总降水量t值最大,均通过了α=0.05的置信度检验。所以本文选择了2000—2015年13个站点7月份平均气温和7月份总降水量作为气温和降水的研究序列。

表3 2000—2016年榆林市植被等级面积转移矩阵表/km2

把NDVI的2000—2015年时间序列和所采用的气温和降水数据进行复直线回归分析,求出a、b、c参数,再计算出NDVI与温度、降水之间的回归方程,最后利用温度和降水序列得出NDVI的预测值。该预测值是气候因素对NDVI的贡献部分,用原始的NDVI减去NDVI的预测值即可得到残差,该残差即为人为因素对NDVI的影响和其他不确定因素的影响。

图5是将2015年榆林面气温和降水数据进行复直线回归分析得到的NDVI值,该图东部和东南部区域NDVI多在0.4以上,西部和西北部的风沙草原区NDVI值较小,说明东部和东南部的森林草原区自然条件(地形、地貌、气候、水文、土壤)更适合于植被的生长,西部和西北部由于位于毛乌素沙漠的边缘,自然条件恶劣,植被自我更新和自我生长能力较差。表4是与图5相对应的不同NDVI贡献值的面积及比例。99%以上的区域NDVI为正值,其中0.3≤NDVI<0.4的面积为9220.72km2,占到总面积的21.46%；0.4≤NDVI<0.5的面积为18612.14km2,占总面积的43.32%；0.5≤NDVI<0.6的面积为8763.92km2,占总面积的20.40%。三者总和占到了总面积的85%以上,说明在没有人类活动影响下,现阶段榆林的NDVI一般在0.3—0.6之间。而2015年的实际观测值0.3≤NDVI<0.4占到总面积的26.89%；0.4≤NDVI<0.5占到总面积的31.10%；0.5≤NDVI<0.6占到总面积的22.90%；0.2≤NDVI<0.3的比例为12.22%；0.6≤NDVI<0.7的比例为5.32%。实际观测值与预测值的主要差别为介于0.4和0.5之间的区域面积减小了,减小了12.22%,而0.6和0.7之间的区域增加了,增加了3.60%。同时还可以看出人类活动使得植被指数变得更加均匀,中等植被覆盖区面积减少了,而密集植被覆盖区面积增加了,这是近年来榆林市开展封山育林、退耕还林、退牧还草等各项植被恢复和保护措施的结果。

表4 气象因素(气温和降水)对榆林市2015年8月NDVI贡献值分布表

图5 气象因素(气温和降水)对榆林市2015年8月NDVI贡献分布图Fig.5 Meteorological factors (temperature and precipitation) to NDVI contribution distribution for Yulin City in August 2015

为了定量化分析人类活动对植被的影响,根据复直线回归分析,用原始观测的NDVI减去NDVI的预测值,即计算出了残差,残差可以认为是人为因素对NDVI所贡献的部分(图6和表5)。人类活动对植被指数有消减的区域占榆林总面积的45.04%,主要分布在榆林最北部的府谷县、榆林南部、榆林西部等区域(图6)。人类活动对植被指数有提高的区域占榆林总面积的54.96%,但有46.64%的区域的贡献值介于0和0.1之间,说明2015年这些区域的人类活动使得植被指数增加了,植被覆盖度增加。2015年榆林市统计年鉴[34]显示,在植被指数增加的区域森林覆盖率、第一产业增加值、年末常用耕地面积比例、水保治理面积、旱涝保收面积都明显大于植被指数降低的地区。榆林市从1999年开始积极响应国家号召,逐渐开展退耕还林、荒山荒地造林、封山育林等工程。这些退耕还林还草的生态工程建设促进了植被的恢复,但是这些措施在不同地区的实施规模和实施效果是存在差异的。而NDVI的变化直接反映了植被恢复的效果,所以此方法可以作为监察封山育林、退耕还林、退牧还草的政策落实和实施效果的参考,鉴于统计回归分析结果存在的误差,在应用中应予以注意。另外在现阶段人类活动变化幅度不大的情况下,可以根据未来的气温和降水预测未来植被状况的理论值。

图6 人类活动对榆林2015年8月NDVI贡献分布图Fig.6 Human activity to NDVI contribution distribution for Yulin City in August 2015

NDVI贡献值NDVI contribution面积Area/km2比例Proportion/%NDVI贡献值NDVI contribution面积Area/km2比例Proportion/%NDVI<019349.1745.040.3≤NDVI<0.456.990.130≤NDVI<0.120036.0846.640.4≤NDVI<0.517.070.040.1≤NDVI<0.23285.517.65NDVI≥0.51.720.000.2≤NDVI<0.3210.740.49

5 结论

本文利用MODIS/Terra NDVI时间序列数据对2000—2016年陕西榆林生长季(8月份)植被指数进行时空变化特征及影响因素分析,主要得出以下结论：

(1) 对2000—2016年榆林8月份NDVI影像进行时空变化分析表明,榆林有96.44%的区域植被指数是增加的,增加率在0—0.02/a之间的区域占榆林的93.63%。显著降低的区域仅占0.43%,零星分布在西北部毛乌素沙漠处,呈显著增加趋势的面积占到80.72%。2016年与2000年相比,榆林绝大部分区域植被指数都增加了,且增加幅度基本在0—0.4之间。

(2) 为了逐像元定量分析气象因素和人类活动对植被的影响,复直线回归分析显示,气象因素对植被生长演化起到了促进作用,人类活动使得植被指数等级变得更加均匀。气象因素对植被指数的贡献东部和东南部区域的森林化草原区NDVI多在0.4以上,西部和西北部的风沙草原区NDVI的贡献较小,说明东部和东南部区域自然条件(地形、地貌、气候、水文、土壤)更适合于植被的生长,西部和西北部由于位于毛乌素沙漠的边缘,自然条件恶劣,植被自我更新和自我生长能力较差。

(3)人类活动表现为抑制植被生长演化的区域占榆林总面积的45.04%,主要分布在榆林市最北部的府谷县、榆林南部、榆林西部等区域。人类活动对植被指数有提高的区域占榆林总面积的54.96%,说明有一半多以上的区域,人类活动对植被生长起到了促进作用,这些地区的封山育林、退耕还林、退牧还草等措施的实施效果较好。在现阶段人类活动变化幅度不大的情况下,可以根据未来的气温和降水预测未来植被状况的理论值,为区域生态修复和环境保护提供参考。

参考文献(References):

[1] 孙红雨, 王常耀, 牛铮, 布和敖斯尔, 李兵. 中国地表植被覆盖变化及其与气候因子关系——基于NOAA时间序列数据. 遥感学报, 1998, 2(3): 204- 210.

[2] 毛德华, 王宗明, 罗玲, 杨桄. 基于MODIS和AVHRR数据源的东北地区植被NDVI变化及其与气温和降水间的相关分析. 遥感技术与应用, 2012, 27(1): 77- 85.

[3] 张月丛, 赵志强, 李双成, 孟宪锋. 基于SPOT NDVI的华北北部地表植被覆盖变化趋势. 地理研究, 2008, 27(4): 745- 754.

[4] 周淑琴. 基于RS和GIS的毛乌素沙地东南缘沙地治理监测与评价[D]. 西安: 西北农林科技大学, 2015.

[5] 何彤惠, 王乃昂. 毛乌素沙地历史时期环境变化研究. 北京: 人民出版社, 2010: 15- 19.

[6] 刘登峰, 黄强, 林木. 基于遥感的塔里木河植被变化规律研究. 水资源与水工程学报, 2013, 24(4): 32- 36.

[7] Gao Z Q, Dennis O. The temporal and spatial relationship between NDVI and climatological parameters in Colorado. Journal of Geographical Sciences, 2001, 11(4): 411- 419.

[8] Nezlin N P, Kostianly A C, Li B L. Inter-annual variability and interaction of remote-sensed vegetation index and atmospheric precipitation in the Aral Sea region. Journal of Arid Environments, 2005, 62(4): 677- 700.

[9] Wang J, Rich P M, Price K P. Temporal responses of NDVI to precipitation and temperature in the Central Great Plains, USA. International Journal of Remote Sensing, 2003, 24(11): 2345- 2364.

[10] Piao S L, Mohammat A, Fang J Y, Cai Q, Feng J M. NDVI-based increase in growth of temperate grasslands and its responses to climate changes in China. Global Environmental Change, 2006, 16(4): 340- 348.

[11] 夏照华. 基于NDVI时间序列的植被动态变化研究[D]. 北京: 北京林业大学, 2007.

[12] Fabricante I, Oesterheld M, Paruelo J M. Annual and seasonal variation of NDVI explained by current and previous precipitation across Northern Patagonia. Journal of Arid Environments, 2009, 73(8): 745- 753.

[13] Ding M J, Zhang Y L, Liu L S, Zhang W, Wang Z F, Bai W Q. The relationship between NDVI and precipitation on the Tibetan Plateau. Journal of Geographical Sciences, 2007, 17(3): 259- 268.

[14] 李登科, 郭铌, 何慧娟. 陕北长城沿线风沙区植被指数变化及其与气候的关系. 生态学报, 2007, 27(11): 4620- 4629.

[15] 杨英莲. 青海省天然草地NDVI的时空化与气温和降水的关系分析[D]. 南京: 南京信息工程大学, 2008.

[16] 李丽娜. 基于陕西省温度和降水的空间变化及其与NDVI的相关性研究[D]. 西安: 西北大学, 2009.

[17] 朱文彬, 吕爱锋, 贾绍凤. 基于NDVI的柴达木盆地植被空间分异规律及影响因素. 干旱区研究, 2010, 27(5): 691- 698.

[18] Zhao X, Tan K, Zhao S, Fang J. Changing climate affects vegetation growth in the arid region of the northwestern China. Journal of Arid Environments, 2011, 75(10): 946- 952.

[19] 徐浩杰, 杨太保, 曾彪. 2000- 2010年祁连山植被MODIS NDVI的时空变化及影响因素. 干旱区资源与环境, 2012, 26(11): 87- 91.

[20] 张清雨, 赵东升, 吴绍洪, 戴尔阜. 基于生态分区的内蒙古地区植被覆盖变化及其影响因素研究. 地理科学, 2013, 33(5): 594- 601.

[21] 张智韬, 兰玉彬, 郑永军, 陈立平, 宋鹏. 影响大豆NDVI的气象因素多元回归分析. 农业工程学报, 2015, 31(5): 188- 193.

[22] 孙庆龄, 李宝林, 许丽丽, 张涛, 葛劲松, 李飞. 2000- 2013年三江源植被NDVI变化趋势及影响因素分析. 地球信息科学学报, 2016, 18(12): 1707- 1716.

[23] 成方妍, 刘世梁, 尹艺洁, 吕一河, 安南南, 刘昕明. 基于MODIS NDVI的广西沿海植被动态及其主要驱动因素. 生态学报, 2017, 37(3): 788- 797.

[24] 刘静, 银山, 张国盛, 王林和, 李禾, 斯琴高娃. 毛乌素沙地17年间植被覆盖度变化的遥感监测. 干旱区资源与环境, 2009, 23(7): 162- 167.

[25] 周淑琴, 荆耀栋, 张青峰, 吴发启. 毛乌素沙地植被空间自相关分布模式及变化特征. 应用基础与工程科学学报, 2015, 23(2): 318- 330.

[26] 王静璞, 刘连友, 贾凯, 田丽慧. 毛乌素沙地植被物候时空变化特征及其影响因素. 中国沙漠, 2015, 35(3): 624- 631.

[27] 郑亚云. 榆林NDVI时空变化及驱动因子研究[D]. 西安: 长安大学, 2015.

[28] 刘登峰, 王心睿, 黄强, 孟宪萌, 林木. 毛乌素沙漠南部植被指数的变化规律研究. 水资源与水工程学报, 2017, 28(3): 5- 9.

[29] 榆林市统计局. 榆林概况. http://www.yltjj.gov.cn/1/1/list.aspx.

[30] 榆林市统计局. 2015年榆林市国民经济和社会发展统计公报. (2016-08- 23). http://www.yltjj.gov.cn/9/2795/content.aspx.

[31] 宋怡, 马明国. 基于GIMMS AVHRR NDVI数据的中国寒旱区植被动态及其与气候因子的关系. 遥感学报, 2008, 12(3): 499- 505.

[32] Stow D, Daeschner S, Hope A, Douglas D, Petersen A, Myneni R, Zhou L, Oechel W. Variability of the seasonally integrated normalized difference vegetation index across the north slope of Alaska in the 1990s. International Journal of Remote Sensing, 2003, 24(5): 1111- 1117.

[33] 詹道江, 徐向阳, 陈元芳. 工程水文学(第四版). 北京: 中国水利水电出版社, 2010: 154- 157.

[34] 中国统计数据库. 榆林统计年鉴2015. https://www.shujuku.org/statistical-yearbook-of-yulin.html.