基于ITPCAS驱动数据集的黄河源区植被变化及其与气候因子相关分析

张晓龙，黄领梅，权 全，张 磊，沈 冰，莫淑红

(1省部共建西北旱区生态水利国家重点实验室(西安理工大学)，陕西 西安 710048； 2黄河上游水电开发有限责任公司，青海 西宁 810000)

青藏高原素有“世界屋脊”、“第三极”之称，在全球气候变暖的背景下，青藏高原正在经历气候变暖过程，且比周围地区更为强烈，因此青藏高原又被称之为气候的“放大器”[1]。黄河源区处于青藏高原腹地，海拔较高且落差大，地形、地貌复杂，气候恶劣，生态环境非常脆弱，对气候变化敏感而迅速[2-4]。黄河源区面积占全流域面积的16.2%，却贡献了黄河全流域40%以上的径流量[5]，被称为黄河流域的“水塔”，所以黄河源区对整个黄河流域的生态安全和经济发展具有重要作用[6]。植被是重要的生态因子，它既是气候变化的承受者，又是气候变化的影响因子[7]。归一化植被指数(normalized difference vegetation index，NDVI)与植被覆盖度、叶面积指数、净初级生产力等具有很好的相关性，是监测地区或全球植被和生态环境的重要指标[8]。植被覆盖的变化与气候变化的关系是国内外全球变化研究的重要内容之一。陆地生态系统的植被生长和空间分布与温度、降水、地表净辐射(surface net radiation,Rn)有着重要关系[9-10]。因此，研究21世纪以后黄河源区植被变化及其对气候因子的响应，对于理解新世纪青藏高原生态变化与区域气候变化的联系具有重要意义。

有学者发现，黄河源区20世纪90年代以前气候表现为暖干化趋势，生态持续恶化[11]；90年代以后，特别是进入21世纪后，黄河源区呈现暖湿化趋势[12]。由于黄河源区的特殊性，近年来许多学者已对黄河源区植被变化规律及其可能的影响因素进行了研究[2-3,6]，但因数据来源、时间跨度、研究区域侧重点和分析方法的不同而得出截然相反的两种结论[6,13]，即植被变化趋势存在“植被持续退化”[14-15]和“植被略有增加趋势”[3,6,16]。黄河源区处于高寒区域，自然条件恶劣，气象站点稀少且分布不均匀[3,17]。使用气象站点进行空间插值的结果往往会产生较大误差，而再分析数据集可以较好地解决空间分布的不确定性问题。因此，本研究基于1999-2015年SPOT VGT-NDVI数据集和中国区域高时空分辨率地面气象要素(ITPCAS)驱动数据集，综合利用遥感和地理信息系统技术，分析黄河源区植被覆盖的时空变化规律及其与气象因子温度、降水和Rn的关系，以期为黄河源区生态环境保护提供决策支持，并为科学预估气候变化背景下的植被演化分布格局提供理论依据。

1 材料与方法

1.1 研究区概况

本研究中黄河源区选用龙羊峡水库以上部分，地理坐标处于32.2°～37.1°N，95.9°～103.4°E，海拔在2 568～6 018 m(图1)。在行政区划上，黄河源区主要位于青海省境内，也有少部分区域位于甘肃省和四川省境内。研究区总体地势西北高、东南低，最高处位于阿尼玛卿山，最低处位于龙羊峡。研究区内分布有峡谷、高山、盆地、冰川等地貌，海拔5 000 m以上的山脉基本处于终年积雪状态。该区属大陆性高原气候，冷热季分明，气压低，含氧量少，日温差较大，太阳辐射强，光热条件丰富。受季风影响，降水多集中于6-9月[5]，多年平均降水量234.6～839.2 mm，空间分布差异大[18]。黄河源区高寒植被分布较为广泛，约占源区面积的3/4左右，主要植被生态类型包括高寒灌丛、高寒草甸、高寒草原、沼泽及水生植被等，其中高寒草甸面积最大，高寒草原次之。黄河源区处于季节性冻土和多年冻土的过渡区域，区域内同时存在季节冻土、连续多年冻土和片状多年冻土。多年冻土分布下界的多年平均气温为-2.5～-3.5 ℃，近年来由于气候变暖，黄河源区冻土发生了显著的退化[15]。

图1 研究区概况及气象站点分布Fig.1 General situation of the study area and distribution of meteorological stations

1.2 数据来源及预处理

本研究使用的植被数据为 SPOT VGT-NDVI数据集。该数据集来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)，利用最大值合成法MVC(maximum value composites)将比利时弗莱芒技术研究所发布的10 d最大合成NDVI进一步合成中国地区1998年以来逐月植被指数数据集，空间分辨率为1 km。

气象数据集使用中国区域高时空分辨率地面气象要素(ITPCAS)驱动数据集(http://westdc.westgis.ac.cn/)。该驱动数据集是由中国科学院青藏高原研究所开发的一套再分析数据集[19]，其以Princeton 再分析资料、GEWEX-SRB 辐射资料、GLDAS 资料以及 TRMM 降水数据为背景场，以中国气象观测数据为融合资料制作而成。该数据集为3 h时间分辨率和0.1°水平空间分辨率，当前覆盖时间段为1979-2015年。本研究中所涉及的参数通过以上不同时段的不同变量计算得到，其中日最大、最小温度通过每日3 h气温数据集取最大、最小值得到；日空气实际水汽压通过日比湿和日气压数据集计算得到。该驱动数据集在该研究区的数据采样点达到1 421个(图1)，能基本满足正确反映黄河源区气象要素的空间分布要求。为了分析NDVI与气温、降水和地表净辐射(Rn)的时空相关性，利用ArcGIS软件CUBIC重采样技术将ITPCAS数据集生成1 km空间分辨率的数据集。为了验证重采样后数据的适用性，将1 km气象要素数据集和研究区内7个典型气象站的实测温度、降水和估算的Rn数据进行对比。气象台站数据来源于国家气象科学数据共享服务平台(http://data.cma.cn/)。气象数据采样点及气象台站点分布见图1。

DEM数据为地理空间数据云(http://www.gscloud.cn/)平台提供的90 m 分辨率SRTM 产品。土地利用数据由中国科学院地理科学与资源研究所网站(http://www.resdc.cn/DatauseInfo.aspx?Id=1596)获得。为了保持空间尺度的一致性，利用ArcGIS软件CUBIC重采样技术将90 m空间分辨率的DEM数据生成空间分辨率为1 km的数据。

1.3 研究方法

1.3.1 净辐射估算 在研究区内缺乏Rn(MJ/(m2·d))观测资料，所以本研究根据1998年联合国粮农组织(FAO)推荐的标准方法[20]，由常规气象资料分项计算的净短波辐射Rns和净长波辐射Rnl之差得到Rn：

Rn=Rns-Rnl，

(1)

Rns=(1-α)Rs，

(2)

Rso=(0.75+2z×10-5)Ra，

(3)

(4)

式中：α为地表反照率，本研究根据FAO推荐取0.23[20]；σ为Stefan-Boltzman常数(4.903×10-9MJ/(m2·d))；Tmax,k和Tmin,k分别为日最大、最小绝对温度(K)；ea为空气实际水汽压(kPa)；Rs和Rso为估算的太阳辐射和净空辐射(MJ/(m2·d))；z为海拔高度(m)；Ra为地外辐射(MJ/(m2·d))。

在进行基于中国区域高时空分辨率地面气象要素驱动数据集的Rn估算时，Rs直接采用驱动数据集数据。而进行基于气象台站数据的Rn估算时，Rs的计算公式为：

(5)

式中：n为日照时数，N为可照时数，Ra为地外辐射(MJ/(m2·d))。

1.3.2 趋势分析 利用一元线性回归分析得到植被指数及气象要素每个栅格值在一定时间序列的变化趋势和强度[6]。本研究通过IDL程序计算长时间序列的每个栅格的多年变化趋势，得到斜率b，即年际间的变化率，进而生成黄河源区年际变化率空间分布图。

一元线性回归计算公式为：

(6)

式中：b为斜率，即变化趋势,b>0表示增加趋势，b<0表示减少趋势；i为年序号；n为时间长度；xi为第i年的栅格值。

1.3.3 其他分析方法 Mann-Kendall非参数统计检验法中样本可不必遵从某一特定的分布，也不受个别异常值的干扰，能较客观地表征样本序列的整体变化趋势，被广泛应用于时间序列趋势检验和突变分析[21]。考虑到存在多种影响植被变化的因素，本研究采用单相关分析来确定研究两个要素之间是否存在某种相关关联，采用偏相关分析来确定其中一个或多个变量固定的情况下单独一个自变量与因变量之间的偏相关系数，采用复相关分析确定因变量与多个自变量的综合影响[22]。R/S分析法是应用Hurst指数H来判断趋势性成分的强度，根据H值判断时间序列趋势的持续性或反持续性，是反映序列持续性的有效方法[23]。

2 结果与分析

2.1 再分析数据集适用性分析

由于黄河源区处于高寒区域，自然条件恶劣，气象站点稀少，而这些气象站点分布极不均匀，地面气象观测站不能较好地反映气象要素在复杂地势下的空间分布[24]。遥感技术的快速发展弥补了常规传统监测手段的不足，在区域信息采集和监测过程中有着无法替代的优势，为解决这些气象要素较准确的空间分布问题提供了较好的方法和工具。但是因为当前主流遥感反演产品使用地面站点信息较少，特别是在中国寒区、旱区[19]，数据精度还存在一定误差。利用地面气象站数据对遥感产品进行数据融合、再分析得到的产品不仅可以满足数据的空间分布要求，而且在精度上也有较大提高，为进一步研究提供了极大的便利。

本研究使用ITPCAS驱动数据集分析黄河源区气象要素的时空变化。该驱动数据集在黄河源区的数据采样点达到1 421个(图1)，满足了数据空间均匀分布的要求。为了验证重采样后数据的适用性，将研究区内7个典型实测的温度、降水和估算的Rn数据与气象站相距最近采样点的ITPCAS数据进行对比，结果见表1。从表1可知，再分析数据集的温度和通过再分析数据集估算的Rn与气象站数据的相关系数均接近于1，而与降水数据的相关系数也在0.94以上，表明该气象数据集与气象站数据的相关性和一致性较好，说明该数据集或通过该数据集估算的气象要素可以较好地反映区域变化规律，在黄河源区有较好的适用性。需要说明的是，气象要素存在一定误差，主要原因可能是气象站点和采样点之间并不完全重合，存在着海拔、坡度、坡向等差异；另外插值本身也会产生一定误差。

表1 再分析数据集气象要素与气象站点数据的对比Table 1 Comparison of weather station data and reanalysis datasest

注：*表示P<0.05;**表示P<0.01。下同。

Note：* meanP<0.05; **meanP<0.01.The same below.

2.2 黄河源区植被NDVI的时空变化特征

2.2.1 植被NDVI年际变化特征 从图2-a可知，21世纪以来黄河源区植被NDVI处于振荡上升趋势中，NDVI最小值(0.282)出现在2001年，最大值(0.332)出现在2010年。通过Mann-Kendall趋势分析计算1999-2015年黄河源区植被覆盖的平均变化趋势，结果表明黄河源区平均植被NDVI呈增加趋势，每10年增速为1.6%，未通过显著性检验(P>0.05)。将研究区分为5类不同的海拔带(<3 000 m、≥3 000～<3 500 m、≥3 500～<4 000 m、≥4 000～<4 500 m和≥4 500 m)进行统计，得到不同海拔带NDVI年均值的多年变化情况见图2-b。从图2-b可知，海拔≥3 500～<4 000 m植被NDVI均值最高(0.406)，其次是≥3 000～<3 500 m(0.314)，然后依次是≥4 000～<4 500 m(0.283)，<3 000 m(0.145)和≥4 500 m(0.022)。各海拔带均呈上升趋势，其中≥3 000～<3 500 m上升速率最大(每10年增速2.1%)，≥4 500 m上升速率最小(每10年增速仅为0.03%)，但只有≥3 500～<4 000 m和≥3 000～<3 500 m海拔带上升趋势通过显著性检验(P<0.05)。通过Mann-Kendall法分析可知，研究区多年序列NDVI在2003年附近存在突变并呈现上升趋势，通过显著水平为0.05的检验。经过R/S法分析，表明研究区植被NDVI的Hurst指数为0.771，说明研究区植被NDVI未来的变化趋势将会持续上升。

图2 研究区(a)及不同海拔带(b)NDVI的年均值变化Fig.2 Annual mean NDVI in study area (a) and at different altitudes (b)

2.2.2 植被NDVI空间分布和趋势特征 本研究基于ArcGIS软件和IDL编程得到年平均NDVI后，进一步可以得到其多年平均的空间分布及多年变化趋势特征见图3。从图3-a可知，黄河源区植被NDVI值为0.005～0.52，平均值为0.304，呈东南高、西北低的空间格局，其中以NDVI值为0.35～0.45的面积最大，占31.91%，NDVI值为0.25～0.35的面积占26.71%。NDVI高值区主要分布在东南部玛曲、红原、诺尔盖及河南蒙古族自治县等区域，该区域水量充沛、温热条件较高，因河流游荡形成大面积湿地，所以植被较好；NDVI低值区主要分布在曲麻莱、玛多、共和、乌兰县等地区，该区域或因处于高海拔山地，或因处于荒漠草原覆被类型区而植被NDVI较低。从图3-b可知，黄河源区植被NDVI整体呈上升趋势，呈上升趋势的区域占78.2%，呈下降趋势的区域占21.8%。其中每10年上升速率小于4%的区域占72.6%，每10年上升速率大于4%的区域主要分布在龙羊峡附近的兴海、同德和贵南县；每10年下降速率小于4%的区域占19.5%，零星分布于西北高山区及北部共和盆地附近。

2.3 黄河源区气象要素的时空变化特征

2.3.1 气象要素年际变化特征 全球气候变化导致区域气温、降水和Rn的时空分布发生变化，进而对植被活动造成显著影响。研究区多年平均温度、降水量和Rn的年际变化和年内变化过程见图4。从图4可知，1999-2015年黄河源区温度和降水处于振荡上升中，而Rn处于振荡下降中。年平均温度-1.22 ℃，最小值(-1.953 ℃)出现在2000年，最大值(-0.742 ℃)出现在2014年；年平均降水量543.1 mm，年降水量最小值(434.3 mm)出现在2000年，最大值(625.0 mm)出现在2009年；年平均Rn为2 474.7 MJ/m2，年Rn最小值(2 393.9 MJ/m2)出现在2009年，最大值(2 523.8 MJ/m2)出现在2001年。通过Mann-Kendall趋势分析计算1999-2015年黄河源区各气象要素的变化趋势，结果表明黄河源区温度和降水呈增加趋势，每10年温度增速为0.52 ℃(P<0.01),降水增速为7.604 mm(P>0.05)，Rn呈下降趋势，速率为3.501 MJ/(m2·a)(P>0.05)。研究区温度的多年序列在2008年附近存在突变并呈现上升趋势(P<0.05)；研究区温度的Hurst指数为0.825 2，说明研究区温度未来的变化趋势会持续上升。研究区降水的多年序列在2003年附近存在突变并呈现上升趋势(P<0.05)；研究区降水的Hurst指数为0.797 4，说明研究区降水未来的变化趋势会持续上升。研究区Rn的多年序列在2011年附近存在突变并呈现下降趋势(P>0.05)；研究区Rn的Hurst指数为0.698 4，说明研究区Rn未来的变化趋势会持续下降。

图3 研究区植被NDVI多年平均空间分布(a)及变化速率(b)Fig.3 Spatial distribution (a) and changing rate (b) of NDVI in study area

2.3.2 气象要素空间分布和趋势特征 本研究基于ArcGIS软件和IDL编程得到黄河源区多年平均的温度、降水、Rn的空间分布及多年变化趋势特征，结果见图5。由图5-a1可知，黄河源区多年平均温度为-8.91～7.22 ℃，温度的空间分布与海拔有较为紧密的联系。在低海拔地区多年平均温度大于0 ℃，最高温度出现在龙羊峡附近及共和盆地附近；在高海拔地区多年平均温度小于0 ℃，最低温度出现在中部和西部的高寒山区。从图5-a2可知，黄河源区年平均降水量为268～841 mm，降水的空间分布主要受海拔和地形的影响，降水量分布呈源区东南部向西北部递减，东南部处于源区的迎风坡上，季风携带的水汽经过此处形成更多的降水。从图5-a3可知，黄河源区年平均Rn为2 126～2 715 MJ/m2，Rn分布呈源区西南部向东北部递减，其空间分布主要受日照时数、经纬度、海拔和水汽压等的综合影响。

由图5-b1可知，1999-2015年黄河源区绝大部分地区(占研究区93.65%)的温度表现为上升趋势，上升最明显的区域为扎陵、鄂陵湖以南的高寒山区及共和、乌兰县附近；仅有6.35%的地区温度表现为下降趋势，主要集中在阿尼玛卿山北麓和龙羊峡附近；有73.87%的区域温度每10年的上升速率在0～0.8 ℃。从图5-b2可知，1999-2015年黄河源区降水量呈整体增加趋势，其中呈增加趋势的区域占源区97.7%，而呈下降趋势的区域占源区2.3%，下降区域主要集中在阿尼玛卿山附近；有78.64%的区域降水量年增加速率在4～12 mm。从图5-b3可知，1999-2015年黄河源区Rn整体呈下降趋势，其中呈下降趋势的区域占源区89.82%，而呈上升趋势的区域占10.18%，上升区域主要集中在阿尼玛卿山以北、龙羊峡以南及扎陵、鄂陵湖以北等区域；有61.58%的区域Rn年下降速率在-1～-6 MJ/m2，而Rn年下降速率超过-6 MJ/m2的区域主要出现在源区东南部。

图4 研究区温度(a)、降水量(b)和Rn(c)的年平均值变化Fig.4 Annual mean and monthly mean of temperature (a),precipitation (b) and Rn(c) in study area

2.4 黄河源区植被NDVI与气象要素的相关性

2.4.1 年尺度上植被NDVI与气象要素的相关性 对1999-2015年NDVI与年平均温度、降水量和Rn进行相关性分析，研究区整体的单相关系数分别为0.559(P<0.05)、0.326 5(P>0.05)和-0.389(P>0.05)，即NDVI与年平均温度呈显著的正相关关系，与年平均降水量呈不显著的正相关关系，与年平均Rn呈不显著的负相关关系。

基于ArcGIS软件和IDL编程得到年平均NDVI与年平均温度、年平均降水量和年平均Rn单相关系数的空间分布见图6。从图6-a可知，年平均NDVI与年平均温度的相关系数为-0.71～0.95，根据显著性检验临界值可知，正相关区域占87.33%，其中显著正相关区域(P<0.05)占30.84%，主要分布在源区东南部和黄河干流两岸植被较好的区域；负相关区域占12.67%，显著负相关区域(P<0.05)仅占0.47%。从图6-b可知，年平均NDVI与年平均降水量的相关系数为-0.79～0.88，根据显著性检验临界值可知，正相关区域占77.25%，其中显著正相关区域(P<0.05)占12.22%，主要分布在源区东南部和同德、贵南县区域；负相关区域占22.75%，其中显著负相关区域(P<0.05)仅占1.11%。从图6-c可知，年平均NDVI与年平均Rn的相关系数为-0.91～0.69，根据显著性检验临界值可知，负相关区域占78.95%，其中显著负相关区域(P<0.05)占9.66%；正相关区域占21.05%，主要分布在扎陵、鄂陵湖附近、贵南县东部，其中显著正相关区域(P<0.05)占0.68%。

图5 研究区温度(a)、降水量(b)和Rn(c)的空间分布及变化速率Fig.5 Spatial distribution and changing rates of temperature(a),precipitation(b) and Rn (c) in study area

2.4.2 月尺度上植被NDVI与气象要素的相关性 基于黄河源区1999-2015年逐月植被NDVI数据，分别计算其当前月、前推1个月、前推2个月、前推3个月和后移1个月的月平均温度、降水量和Rn的相关系数，结果见表2。从表2可以看出，逐月NDVI与不同时期气象要素的相关系数均通过了0.01水平的显著性检验。在NDVI与同期气象要素的相关性中，其与温度的相关性最好，其次是降水量，最后是Rn。进一步分析表明，NDVI与温度的相关性中，其与前推1个月的月平均温度的相关性最好(0.883)；降水量的相关性中，其与前推1个月的平均降水量的相关性最好(0.898)；与Rn的相关性中，其与前推2个月的平均Rn的相关性最好(0.864)，这说明NDVI与各气象要素存在时滞效应，即总体上该研究区NDVI对温度、降水量变化的滞后响应在1个月，对Rn变化的滞后响应在2个月。

(a)温度;(b)降水量;(c)Rn(a) Temperature;(b) Precipitation;(C) Rn图6 研究区植被NDVI与不同气象要素相关系数的空间分布Fig.6 Spatial distribution of correlation coefficients between annual NDVI and different climate factors in study area

NDVI温度 Temperature降水量 PrecipitationRn当前月Current month0.864**0.861**0.622**前推1个月1 month forward0.883**0.898**0.842**前推2个月2 month forward0.686**0.639**0.864**前推3个月3 month forward0.339**0.219**0.669**后移1个月1 month later0.598**0.552**0.228**

3 讨 论

3.1 NDVI与气象因子响应的时空差异性

植被是连接土壤、大气和水分的纽带，对气候变化比较敏感，气候变化引起的植被变化已直接影响到区域陆气交换过程的物质与能量平衡[25]。气候与植被的关系相辅相存、密不可分，主要表现在植被对大气的反馈作用和植被与大气的适应性两方面。气候类型直接决定了地球表面的植被分布规律[26-27]，同时植被对气候变化和大气环境变化十分敏感。一方面极端的气候变化可能引起一系列的生态环境破坏问题，另一方面可以通过人类对环境的反作用改善气候条件，从而使植被覆盖情况也随之改善[28]。20世纪90年代以前，黄河源区主要生态系统呈现明显退化趋势，主要原因在于区域气候暖干化以及冻土退化等[29]。本研究结果表明，1999-2015年黄河源区植被NDVI整体上呈增加趋势，每10年增速为1.6%(P>0.05);黄河源区植被的NDVI值为0.005～0.518，平均值为0.304，呈东南高、西北低的空间格局;海拔≥3 500～<4 000 m植被NDVI均值最高;黄河源区植被NDVI呈上升趋势的区域占78.2%，存在零星、斑块化退化现象，这与许多研究结果接近[3,6,16]。值得注意的是，龙羊峡附近的兴海、同德和贵南县等地较大面积NDVI均值每10年的上升速率大于4%。

植被覆盖变化是一个自然与人类活动交互作用的过程，植被NDVI虽然受温度、降水量、Rn的共同影响，但三者的影响程度不同。经计算，NDVI与年平均温度、年平均降水量和年平均Rn的偏相关系数分别为0.436，0.089和0.027，表明在只考虑单因子而固定其他因子时，研究区NDVI与年平均温度的相关性最好，而与年平均降水量和年平均Rn的相关性均较低。由此可知，温度升高是黄河源区植被NDVI增加的主要因素，这可能是因为黄河源区处于青藏高原腹地，光照资源和水资源十分丰富，而这2个因子不能成为植被生长的主要限制因子，这与本地区其他研究结果一致[16,30]。

3.2 NDVI对气象因子响应的时滞效应

黄河源区NDVI对气象因子的响应具有明显的时滞效应。本研究结果表明，黄河源区NDVI总体上对温度、降水量变化的响应滞后1个月左右。该结果与国内外一些研究结果[31-38]基本一致。Wang等[31]发现，美国中部大平原地区当月和前1月的气温对NDVI影响显著。温刚等[32]研究发现，中国东部季风区NDVI对降水变化滞后响应20～30 d，而同步响应温度变化。崔林丽等[33]发现，中国华东及其周边地区NDVI对气温变化滞后响应0～1个月，对降水变化滞后响应1个月左右。陈晓光等[34]发现，青海湖地区冬末春初温度越高，夏季植被覆盖度越大。Davenport等[35]发现，在东非NDVI对降水滞后响应0～2个月；Nezlin等[36]发现，咸海东北部和北部NDVI对降水的响应滞后0～2个月和3～4个月。李霞等[37]发现，我国北方温带草原植被NDVI对前1月降水的时滞效应最强烈，而与当月和前2月降水累积量相关性最强。张景华等[38]发现，澜沧江流域上、中、下游植被NDVI对气温变化的响应滞后0，1和3个月，对降水变化的响应滞后0，1和2个月。本研究发现，黄河源区NDVI总体上对Rn变化滞后响应2个月左右，而国内外目前对这方面的研究较少。植被的动态变化不仅仅受到温度和降水因子的支配，还受到Rn的影响。太阳辐射是温度变化的主要驱动力，而Rn的变化较NDVI快速得多，同时该区域光照资源丰富，可满足植被生长的最低要求。植被NDVI的变化是多种因素的综合效应，所以在月尺度上，在黄河源区或类似高寒地区NDVI对Rn变化的响应滞后2个月是合理的。另外，不同研究区域和数据来源都可能是造成时滞效应研究结果差异的原因[30]。另外有研究发现，NDVI对温度的滞后效应也可能是因为当全年温度都超过了植被生长最低的需求温度时，温度对植被生长的限制作用就较小，NDVI对温度变化的敏感度降低，滞后期就较长[39]；对于降水、Rn有同样的道理。不管在年尺度还是月尺度上，温度都是黄河源区植被生长影响最大的气象要素。

3.3 黄河源区人类活动对植被NDVI的影响

气候变化是黄河源区植被覆盖变化的重要影响因素，但是人类活动也不是可忽略的驱动因素。本研究从中国1∶10万比例尺土地利用现状遥感监测数据库中提取研究区范围内每5年一期共4期的土地利用数据，统计结果见表3。从表3可以看出，黄河源区近十几年来各土地利用类型虽有浮动变化，但变化幅度不大。水域、耕地、未利用地面积略有增加，草地面积减少。另外值得注意的是，虽然城乡、工矿、居民用地相对整个源区所占比例很小，但增加了近1.15倍。

表3 1996-2015年黄河源区土地利用面积统计结果Table 3 Land use area of 1996-2015 in study area km2

黄河源区的主要产业为畜牧业，主要集中在较大的居民点附近，且呈斑块状分布。黄河源区的土地资源存在部分草场退化或荒漠化的现象，但是否由过度放牧引起仍存在争议[24]。同时人类活动中城市、工矿、水库等建设导致城镇周围植被遭到破坏，而这些区域一般处于河流两岸较为开阔、气候较为舒适的地带，导致局部区域植被覆盖下降。而三江源自然保护区(2000年)实施的生态保护与建设工程，以及青海省实施的人工增雨、退牧/耕还草、治理草原鼠害和黑土滩及生态移民等“综合性”工程(2004年)，都对植被恢复产生正面影响[3]，这些政策已经初见成效。

4 结 论

本研究利用1999-2015年SPOT VGT-NDVI数据和ITPCAS驱动数据集，综合利用遥感和地理信息系统技术，分析黄河源区植被覆盖的时空变化规律及其气象因子的响应，并初步分析了人类活动对植被覆盖的影响，得到以下结论。

(1)通过对比ITPCAS驱动数据集与气象站数据，结果显示数据一致性非常好，可以较好地反映区域时空变化规律，该再分析数据集在黄河源区有较好的适用性。

(2)1999-2015年黄河源区整体上植被NDVI呈增加趋势，同时期温度和降水量处于振荡上升趋势，而Rn处于振荡下降趋势，并且未来各NDVI和气象因子将持续这种变化趋势。NDVI与年平均温度呈显著正相关关系，与年平均降水量呈不显著正相关关系，而与年平均Rn呈不显著的负相关关系；NDVI与年温度的偏相关性最好。NDVI总体上对温度、降水量变化滞后响应1个月左右，对Rn变化滞后响应2个月左右。在年尺度和月尺度上，温度都是黄河源区植被生长影响最大的气象要素。

(3)黄河源区植被覆盖的增加主要归因于温度上升以及生态保护“综合性”工程的实施。在此双重利好下，黄河源区的生态环境将进一步得到恢复。