浙江省近20年植被变化趋势及驱动因子分析

贺忠华，张育慧*，何月，张小伟，蔡菊珍，雷莉萍

1.浙江省气候中心，浙江 杭州 310017；2.中国科学院空天信息创新研究院/数字地球重点实验室，北京 100094

植被是陆地生态系统的重要组成部分，不仅参与生物圈碳水循环等调节区域气候，也能反映区域自然和人类活动的变化（刘启兴等，2019；赵维清等，2019）。遥感观测是当前植被变化监测的重要手段。研究表明，自1982年以来，全球和区域植被活动发生了一系列变化，包括21世纪前后的降低和增长趋势等（Park et al.，2010；Yuan et al.，2018）。大量研究将植被变化与气候因子进行关联分析，探讨其受气候因子及其变化的影响，特别是中国南方的温度变化和北方的降水限制等（Liu et al.，2015；Piao et al.，2011；Zhang et al.，2011）。

植被变化的气候响应存在显著的区域差异。赵鸿雁等（2019）研究发现甘肃中东部地区植被变化与温度存在显著相关，降水次之、太阳辐射最小。李思慧（2019）发现气候变暖和植被生长季变长是影响通辽2003年以来植被增长的主要因素。贾路等（2019）研究发现降水增加对西安植被覆盖具有显著促进作用。另外，熊巧利等（2019）研究发现植被覆盖和生长对气候变化的响应受到地形因素的影响。而在经济快速发展区域，植被年际变化与气象因子则可能没有显著关系（何全军，2019）。因此，局部地区的植被生长对气候因子的响应存在显著差异，理解区域植被变化及其驱动因子的敏感性差异有利于区域生态保护和治理。

除气候影响外，人为因素也是影响区域植被变化的重要因子。刘启兴等（2019）通过归一化植被指数（Normalized Difference Vegetation Index：NDVI）与气象因子的相关和复回归分析发现，气象因素和人类活动在一定程度上共同促进黄河源区植被2000年以来的生长。赵维清等（2019）研究表明，城市扩张是影响湖北省植被变化的主要原因。王瑾等（2019）研究表明人类的环境保护意识提升对内蒙草地有一定的积极作用。董晨炜等（2017）发现2007年以来杭州湾地区城市扩张对建成区植被产生了不利影响。所以，探索植被变化的气候响应同时，分析人为因素对植被趋势变化的影响有利于分析城市扩张的生态影响和区域的可持续发展。

研究显示，二十一世纪以来全球出现植被绿化，且中国对其贡献了近25%（Chen et al.，2019；Zhu et al.，2016）。中国的植被绿化主要是由于东部地区森林（Ahrends et al.，2017）和农田（Zuo et al.，2018）植被的持续增长。浙江是位于中国东南部的省份，以丘陵地带为主，地处亚热带季风气候。该区域土地覆盖以森林和农业区为主，而浙北地区是长江三角洲经济区的重要组成部分。因此，浙江植被变化及其驱动因子解析对区域生态文明建设具有重要意义。高大伟等（2010）和何月等（2012）研究了浙江省1982年至21世纪初植被覆盖的趋势变化及其气候响应，发现区域的温度抑制和湿度促进作用。董晨炜等（2017）利用三期（2000、2007、2013年）夜光数据与植被指数的阈值关联分析，探讨了杭州湾城市扩张对植被的不利影响。由于植被变化趋势受到不同主导因素影响，其在远离人类活动的森林区域、人类参与种植的农业区域以及以人类活动为主的城市及周边区域存在明显差异。然而，浙江区域2000年以来的植被趋势变化的空间分布及其主导驱动归因研究还未开展。

1 数据和方法

1.1 研究区概况

图1 浙江省2015年土地覆盖（a）和数字高程及区县代表气象站点分布（b）Fig.1 Land cover in 2015 (a) and digital elevation and district and county representative meteorological station distribution (b) over Zhejiang Province

本研究以浙江省区域为例，分析气候变化和城市发展对区域生态植被变化的影响。浙江省土地覆盖和数字高程及区县代表气象站点分布见图1，其地表覆盖以森林、农田和城市为主（图1a）。森林区域主要分布在浙南和浙西等较高海拔地区，农田区域主要分布在浙中洼地和浙北平原地区（图1b），而城市区域主要分布在杭州湾、宁波、台州和温州等沿海地区。其中，土地覆盖数据来源于欧空局土地覆盖产品（http://maps.elie.ucl.ac.be/CCI/viewer/index.php），数字高程数据来源于美国国家航空航天局提供的航天飞机雷达地形任务（Shuttle Radar Topography Mission: SRTM）数字高程数据集。浙江属于亚热带湿润季风气候，年平均气温15—18 ℃，年平均降水量980—2 000 mm，年平均日照时数1 710—2 100 h。

1.2 数据和预处理

本研究主要使用数据包括表征植被活动的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer：MODIS）观测增强型植被指数（MOD13A2，Enhanced Vegetation Index：EVI）、总初级生产力（MOD17A2H，Gross Primary Production：GPP）等植被生态参量数据；表征气候变化的区县代表气象站观测气温、降水和日照等气象和气候因子；以及表征人类活动特征的美国国防军事气象卫星（Defense Meteorological Satellite Program-Operational Linescan System：DMSP/OLS）和Soumi-NPP对地观测卫星（Suomi National Polar-Orbiting Partnership/Visible Infrared Imaging Radiometer Suite：Soumi-NPP/VIIRS）观测夜间灯光数据等。

1.2.1 植被生态参量

由于研究区域植被覆盖茂密，为减少植被指数饱和对研究结果的影响（Huete et al.，2002），本研究采用EVI数据进行植被趋势变化研究。该数据来源于美国国家航空航天局2000—2019年Terra-MODIS观测的16天合成产品，空间分辨率为1 km（Huete et al.，2011）。

为探讨区域植被生长相关的植被光合作用变化，本研究采用EVI对应时期（2000—2019年）的Terra-MODIS观测结果反演得到GPP数据，其时空分辨率为8 d和500 m（Running et al.，2015）。该产品为美国国家航空航天局（National Aeronautics and Space Administration：NASA）发布的官方产品，已经过多次的地面资料验证（Turner et al.，2006；Liu et al.，2015）。

文中使用的MOD11A2-EVI和MOD17A2HGPP产品数据均通过谷歌地球引擎（Google earth engine）获取（Gorelick et al.，2017）。数据预处理包括：（1）云掩膜处理，获取高质量观测数据结果；（2）通过20年观测数据进行年内不同时期的中值求解，表征植被年内常态变化；（3）在区域或不同土地覆盖类型内的参数均值求解中，原始影像数据空白值由对应时期中值数据填补；（4）GPP数据采用双线性内插进行空间重采样至1 km，累积计算至16天的时间分辨率。

1.2.2 气象和气候因子

本研究使用的同期气象数据来源于浙江省气象局，选取省内75个区县代表气象站观测2000—2019年逐日气温、降水和日照时数结果。气象站的空间分布参见图1b。为探讨气候因子与植被变化的对应关系，本研究将气象要素的日均值数据重采样到16天时间分辨率。

1.2.3 夜间灯光数据

为分析生态植被变化与人类活动的关系，本研究采用DMSP/OLS和Soumi-NPP/VIIRS观测夜间灯光数据表征人类活动变化（Elvidge et al.，2010）。DMSP/OLS夜光指数为年数据，空间分辨率为30′′（弧秒，浙江地区约为0.8—1 km）。该数据来源于不同传感器：F14（2000—2003）、F15（2000—2008）、F16（2004—2009）和F18（2010—2013）。由于不同传感器和成像条件的差异，影响数据的连续性和可比性。本研究采用DMSP/OLS夜光数据校正方法（邹进贵等，2014；Liu et al.，2012），获取得到2000—2013年的DMSP/OLS夜光数据。该处理过程包括：（1）稳定像元筛选；（2）参考年份数据及夜光稳定区域选取；（3）不同传感器观测数据融合和参考校正；（4）夜光数据的时序校正等步骤。

相比DMSP/OLS，Soumi-NPP/VIIRS夜光数据在时空分辨率和观测信号敏感性等方面有了较大提升。其观测时间为2012年4月至今，数据时空分辨率为月均值和15′′（弧秒，浙江地区约为0.4—0.5 km）。由于Soumi-NPP/VIRR和DMSP/OLS的夜光数据差异，本文采用杨任飞（2018）引用的数据整合方法，得到2000—2019年遥感观测夜间灯光指数产品。

1.3 研究方法

本研究采用的方法主要包括：（1）一元线性回归和Mann-Kendall趋势检验；（2）年际变化提取和数据归一化；（3）相关分析与多元线性回归。通过一元线性回归和趋势检验获取生态植被变化趋势及其显著性。利用年际变化提取和数据归一化得到植被和气候因子的年际变化特征，并使其具有可比性。使用相关分析与多元线性回归方法进行生态植被变化的自然和人为因素的驱动分析。

1.3.1 一元线性回归和Mann-Kendall趋势检验

本研究采用一元线性回归计算EVI数据的趋势变化特征，使用Mann-Kendall对计算趋势进行显著性检验。该方法对EVI进行逐像元应用，获取EVI数据的时空变化特征。研究中使用EVI数据2000—2019年的16 d时间分辨率的数据进行16 d趋势计算，进而转换成年趋势。趋势计算见公式（1）、（2）。

式中，Slope(16d)为2000—2019年间时间分辨率为16 d的EVI数据的变化趋势；n为数据总量；i为数据序列号；EVIi表示序列号为i的像元EVI数据；Slopea为年趋势（MODIS-EVI数据每年设置为23个16 d的时间单位）。

Mann-Kendall是一种非参数统计方法，被广泛应用于气象、水文等数据的趋势判别，它对序列数据没有强制的分布要求，并不受少量异常数据的干扰。本研究对EVI逐像元时间序列进行Mann-Kendall趋势检验，判别不同像元趋势的显著性差异。趋势计算见公式（3）—（5）。

式中，ZMK为单个序列的Mann-Kendal标准化检验统计量；S统计量是由前后影像的EVI数据计算得到。var(S)为S统计量的方差，求解公式可简化为var(S)=n(n-1)(2n+5)/18。sgn(θ)提供逻辑判别函数。本文分别进行不同置信水平（0.01、0.05和0.1）上的EVI趋势检验，即ZMK＞2.58，ZMK＞1.96和ZMK＞1.65。

1.3.2 年际变化提取和数据归一化

为了获取植被变化和气候因子的年际变化特征，本研究采用多年数据不同时期的中值表征植被和气候的年内常态变化特征，用于年内变化的特征去除。年际变化特征提取见公式（6）、（7）

式中，EVIChangei,j表示EVI年际变化时间序列；EVIi,j表示第i年、第j期的EVI数据。EVImedianj表示2000—2019年第j期的中值数据。

由于植被指数和多种气候因子表征内容不同，且在不同区域像元本底和变化值存在较大差异，故在数据间的对比分析中，需要进行数据的归一化处理。本研究采用Z分数进行数据的归一化处理，公式如下：

式中，EVIChangeZi,j表示EVI变化的归一化序列。mean(EVIChangei,j)和std(EVIChangei,j)分别表示EVI变化时序数据的均值和标准差。

年际变化的累积变化量则为多年数据与初始年份（2000）对应时期数据进行差值处理，再进行累积计算，获取物理量的近20年的累积变化量。

1.3.3 相关分析与多元线性回归

本研究通过对植被变化和气候因子、夜间灯光数据等进行相关分析，分别从自然气候因子和人类活动两方面进行植被变化驱动因子分析。应用皮尔斯相关系数和t检验进行相关分析。皮尔斯相关系数计算公式：

式中，ra,b为序列a和b的相关系数；ai为序列第i个数据的EVI值；bi为气候因子或夜间灯光指数的第i个数据值；和分别为EVI序列和气候因子或夜间灯光序列的均值。

本研究利用EVI及与其具有显著相关关系（P＜0.1）的变量进行多元线性回归，获取标准化系数（Beta），分析多变量对EVI年际变化的贡献强弱及其分布。其中，EVI数据为植被生长季期间的年均值，夜间灯光指数为年值，气候和气象因子为像元植被生长季期间的邻近站点观测均值。像元的邻近站点采用距离小于50 km的多个站点或者大于50 km的最近站点。

2 结果与分析

2.1 浙江省区域生态植被时空变化

图2 浙江省2000—2019年EVI年趋势变化（a）、及GPP累积变化（b）Fig.2 Yearly trends of EVI (a) and cumulative change of GPP (b) from 2000 to 2019 over Zhejiang Province

图3 浙江省2000—2019年EVI趋势显著性Fig.3 Significance of EVI trends from 2000 to 2019 over Zhejiang Province

浙江省2000—2019年EVI趋势及近20年GPP累积变化量见图2，EVI趋势显著性见图3。参考图1中土地类型分布图，可以发现浙江省内EVI（图2a）存在显著趋势（P＜0.05）变化的植被主要覆盖于森林及部分天养农田区，且为显著增长。而在城市区域的EVI显示出降低趋势，特别是杭州湾、宁波、台州和温州城市及周边地区。图2b结果显示，GPP累积量在EVI显著增长和减少趋势区域分别出现明显增长（＞2.0 kg·m-2）和减少（＜-1.0 kg·m-2）。总体结果显示，浙江地区近20年出现植被的显著增长，并引起植被光合作用碳吸收的增强，而浙江城市及周边地区的植被生态出现明显退化。

图4 浙江省2000—2019年EVI年均值（a）、及GPP年均值（b）Fig.4 Yearly mean values of EVI (a) and GPP (b) from 2000 to 2019 over Zhejiang Province

图5 浙江省2015年典型土地类型划分Fig.5 Typical land cover in 2015 over Zhejiang Province

表1 浙江省典型土地类型上EVI和GPP的统计Table 1 EVI and GPP statistics on typical land cover over Zhejiang Province

如图4所示，浙江EVI和GPP多年均值的高值主要分布在浙南和浙西的高海拔森林区域（EVI＞0.4；GPP＞1.8 kg·m-2），低值则分布在浙东沿海的平原城市及周边区域（EVI＜0.1；GPP＜0.6 kg·m-2）。另外，本文对浙江地区植被指数和总初级生产力的均值和变化按典型土地类型划分（图5）进行统计见表1。结果显示，全省呈现植被增长趋势以及近20年的植被光合作用碳吸收的增加，植被指数增长和光合作用碳吸收最高值在森林区[EVI趋势：(1.78±0.94) 10-3·a-1，GPP变化量：(2.47±2.12) kg·m-2]，最低值出现在城区。全省EVI增加趋势达年均值的0.40%，2000—2019的EVI总变化趋近年均值的7.66%。而近20年所有陆地像元GPP与2000年数据的相对变化统计总增加量约为(1.92±2.34) kg·m-2，为多年均值 (1.30±0.41) kg·m-2的1.48倍。另外，图6显示了典型土地类型植被指数EVI均值的时序变化特征。其中，林区EVI均值最高且存在显著增长趋势（0.60×10-3a-1），2016年夏季达到峰值；而城区EVI均值呈现显著减少趋势（-1.11×10-3a-1）。

2.2 植被变化与气候因子的关系

EVI与浙江省区县代表气象站观测气温、降水和日照时数的省内均值时序分布见图7。省内EVI均值为主要植被覆盖区（EVI＞0.15）的16天合成数据，气候因子为75个站点观测日均产品的16天均值合成数据。图7a结果显示，EVI与气温具有良好的一致性分布，主要表现为季节变化和趋势增长的相似性，其时序相关系数达0.94（P＜0.01）。而EVI与日均日照和日均降水量时长存在较弱的相关关系（r=0.55，P＜0.01；r=0.27，P＜0.01）。植被生长季（4—9月）期间的EVI和气候因子年际变化（Z分数年均值）（图7b）结果显示，EVI年际变化与气温变化存在显著正相关关系（r=0.54，P＜ 0.05），而与降水和日照时数变化无显著相关。EVI与气温、降水和日照时数的多元线性回归分析结果显示，气温为显著影响因子，而降水和日照时数为排除变量，回归模型的Beta为0.54。以上结果表明，温度变化是浙江省区域近20年植被年际变化的主导气候因子。

2.3 植被变化与夜光指数的关系

图8所示为浙江省近20年夜光指数均值和变化量。图8a显示出浙江省内夜光高亮值主要分布在杭州湾周边城市群，主要包括杭州、宁波等市区，金华、台州和温州城区等，亮度值向城区周边降低。图8b显示2000—2019年间，各城市周边均出现一定的夜光增强，表征了区域城市扩张范围。

图6 浙江省典型土地覆盖区域EVI均值的时序变化Fig.6 Temporal variation of EVI in typical land cover over Zhejiang Province

图7 浙江省EVI与气候因子16天均值（a）和年均值（b）的时序变化Fig.7 Temporal variation of mean values of EVI and climate factors in 16 days (a) and yearly mean (b) over Zhejiang Province

图8 浙江省夜间灯光指数近20年均值（a）和变化量（b）Fig.8 The mean value (a) and changes (b) of night light index in recent 20 years over Zhejiang Province

本研究对城市夜光多年均值进行数据筛选，评估夜光与植被指数的相关关系。通过对夜间灯光亮度值进行分层，分别分为0—10、10—20、…、50—63共6层，从每层数据中随机筛选100个采样点，获取夜光多年均值及对应EVI多年均值数据，其散点图如图9a所示。结果显示，夜间灯光高低值分别对应EVI数据低高值，呈现显著负相关关系（r=0.62，P＜0.01）。为探索城市夜光与植被指数变化的区域差异性，本研究利用夜光数据年均值与EVI生长季（4—9月）年均值进行逐像元相关分析，相关结果（P＜0.1）见图9b。结果表明，杭州湾周边城区，特别是杭州市东北和东南区域、湖州东部、宁波市周边城区等地，植被指数年际变化与夜光指数年均值呈现显著负相关关系（r= -0.60±0.13）。而在部分远离城市区域，夜光指数与植被指数呈现正向相关关系（r=0.56±0.13）。因此，城市发展对周边植被具有一定的抑制作用，主要表现为城市扩张引起的土地利用变化等。而在远离城市区域，夜间灯光对本地植被生长存在一定促进作用，相关研究有待进一步探索。

2.4 植被变化的人为和气候贡献率分布

利用植被生长季期间EVI的多年变化与夜光指数、邻近站点观测气象和气候因子进行多元回归，计算得到的标准化参数空间分布见图10。结果显示，表征人类活动的夜光指数对EVI的年际变化影响广泛。浙东、浙北地区夜光指数对城市周边区域植被生长起到显著抑制作用（Beta为-0.53±0.22），而在浙中、浙西和浙南地区，夜光指数具有一定的促进作用（Beta为0.46±0.21）。各种气候因子的影响则分布在不同的局部地区。站点观测气温主要对浙西南植被显著增长区（图2a和图3）的植被变化具有明显的促进作用（Beta为0.52±0.22）。降水对浙西部分地区植被具有明显的促进作用，而对浙西北和浙东南地区植被具有较弱的抑制作用。另外，日照时数对浙北部分植被区域具有一定的促进作用。

图9 EVI与夜间灯光指数的近20年均值的散点图（a）及像元年均值时序相关的空间分布（b）Fig.9 The scatter diagram of average EVI and night light index for 20 year (a) and spatial distribution of time series correlation coefficients between EVI and night light index (b)

图10 植被生长季期间EVI年际变化的多变量贡献分布Fig.10 Distribution of the multivariate contribution to EVI’s inter-annual change during the growing period

3 讨论

浙江省近20年植被年际变化与二十世纪末存在显著差异，整体趋势由显著减少（何月等，2012；高大伟等，2010）转变为显著增长，这与全球植被整体变化趋势（Yuan et al.，2018）具有良好的一致性。浙江植被指数近20年总增长趋近年均值的7.66%，接近于中国东部2003—2016年间的植被指数增长比例（He et al.，2020）；其植被总生产力近20年总增量为 (1.92±2.34) kg·m-2，即年增长趋势约为 (9.14±11.14) g·m-2·a-1，与2000—2016年的浙江地区GPP增长趋势分布一致（Ma et al.，2019）。研究结果表明，温度是促进近20年区域植被生长的主要气候因子，这与20世纪末的影响因子存在显著差异。降水量和干湿程度的大小对二十世纪末的浙江植被变化具有正向作用（何月等，2012），而热量则对植被生长具有明显的抑制作用（高大伟等，2010）。这与该地区近20年降水量逐年增加有关：水汽充沛使得其不再成为区域植被年际变化的主导因子。浙江地区被发现是中国东部植被绿化的重要区域，它与相关的农业发展和水土保持具有重要关系（Chen et al.，2019），这也印证了远离城市区域植被变化的人类活动的促进作用（夜光指数正相关于EVI）。浙江省内大部分城市的边缘区域植被呈现显著的减少趋势，且与夜光指数具有显著负相关关系，表明城市的发展和扩张对于周边植被会产生不利影响（刘沁萍等，2014），这与杭州湾城市扩张对植被的影响结果研究具有一致性（董晨炜等，2017）。该研究结果显示，气候条件及其变化是影响浙江整体植被年际变化的重要因子，而人类活动对省内植被的影响存在区域差异。

本研究采用了多元线性回归的标准化系数探讨多种因子对植被年际变化的贡献率，半定量地描述了各变量的贡献强度及其空间分布。但是，当前变量对浙江植被年际变化的代表性有待进一步探讨，各变量之间的自相关及其正交化也需要进一步完善。当前的贡献强度可用于变量间的相对比较，但难以定量刻画变量对植被变化的绝对贡献。另外，本研究使用的遥感数据空间分辨率较粗（1 km），难以满足市县等局部地区生态植被变化的评估需求。当前的夜光指数和气候因子对植被变化的整体贡献不高，更多影响因素的共同评估有利于区域植被变化的气候和人为贡献率评价。

4 结论

本研究使用多源卫星遥感和地面观测生态植被参量、气象和气候因子、人类活动相关数据等分析浙江区域生态植被变化及其驱动归因，通过线性回归和趋势分析等探讨了浙江区域生态植被的显著增长。结果发现，2000—2019浙江省内EVI增加比例趋近多年均值的7.66%，而近20年GPP的增加量约为多年均值的1.48倍。其中主要增长区域为浙南、浙中和浙西区域的森林覆盖区，而浙北和浙东区域的城市区域为明显减少区域。通过年际变化提取和相关分析等发现气温升高对省内植被增长趋势具有显著贡献（r=0.54，P＜0.01）。浙江城市周边区域植被趋势变化受到人类活动的显著抑制影响（r= -0.60±0.13），而在远离城市区域夜光数据呈现正向驱动（r=0.56±0.13）。植被年际变化的多变量贡献结果显示，表征人类活动的夜光数据在全省范围具有重要影响，而气候因素则会影响局部地区。因此，气候条件和人类活动分别在不同区域影响植被的年际趋势变化，其中人类活动影响范围更广。