1982—2015年中国植被NDVI时空变化特征及其驱动分析

涂 又，姜亮亮，刘 睿，肖作林，闵 婕

1982—2015年中国植被NDVI时空变化特征及其驱动分析

涂 又1,2，姜亮亮1,3※，刘 睿1,3，肖作林1,3，闵 婕1,3

（1. 重庆师范大学地理与旅游学院，重庆 401331；2. 长安大学地球科学与资源学院，西安710054；3. 地理信息系统应用研究重庆市高校重点实验室，重庆 401331）

在全球气候变化背景下，多数研究关注植被年际变化趋势及其对降水和气温的响应而忽略了辐射因子的影响。探究不同植被类型对季节性多气候要素（降水、气温和辐射）的响应规律，并量化人类活动对植被的影响，对中国生态环境保护具有现实意义。该研究基于AVHRR NDVI3g遥感数据、CCI全球土地覆被数据和ERA5-Land数据，采用多元线性回归模型和残差分析等方法，从区域和全国尺度上分析1982—2015年中国植被NDVI（Normalized Difference Vegetation Index）时空变化特征，研究其对季节性气候变化和人类活动的响应。研究结果表明：1）中国的植被变化在空间上具有明显的区域特征，呈现出自东南向西北递减的趋势，变化率范围为-0.016～0.029/a。2）根据Hurst指数分析，80.62%的植被处于持续稳定变化状态。草地和林地的变化趋势趋于不稳定，易受气候变化和人类活动的影响。3）准噶尔盆地、青藏高原以及内蒙古锡林郭勒盟等区域的植被NDVI与气温和太阳辐射呈负相关性，而在云贵高原、黄土高原南部、四川盆地等地区表现为正相关性。4）残差分析结果表明，干旱导致新疆准噶尔盆地和内蒙古中部等干旱区植被退化，而温度和辐射增加是促进东部沿海平原、黄土高原南部、四川盆地和云贵高原西南部等地区植被改善的主要原因。21世纪以来人类活动逐渐加强，包括黄土高原水土保持和退耕还林工程、阿拉善荒漠治理、沿海城市群和东北工业基地的建设等。具体表现为内蒙古阿拉善高原、黄土高原中西部和北部以及华南大部分地区植被改善，东北大、小兴安岭、长白山东部和长江三角洲地区植被退化。该研究对植被变化及其驱动因素的研究，可识别植被退化区，为将来生态修复工程的实施和生态文明建设提供理论依据，助力区域绿色可持续发展。

NDVI；植被变化；气候变化；人类活动；中国

0 引 言

《第三次气候变化国家评估报告》显示，过去半个世纪（1951—2012），全球约升温0.72 ℃[1]。在气候变暖背景下，北半球中高纬的大陆增暖趋势明显[2]，Tucker等[3-4]发现该地区植被活动明显增强。Liu等[5]研究发现，中国陆地平均增温高于全球。21世纪以来，中国陆地干旱发生频次减少，但极端干旱事件频发，高温天数增加[1]。中国幅员辽阔，生态系统多样，绿色植被作为陆地生态系统的重要组分，能够对全球气候变化产生反馈[6]。近几十年来受气候变化的影响，中国植被生态系统稳定性减弱，尤其在西北荒漠草原区和西南岩溶区等生态脆弱区，存在自然灾害频发、荒漠退化和水土流失加速等生态问题，严重影响区域发展和农业生产[7]。因此，研究植被对气候变化的响应对于中国规划战略以适应全球环境变化至关重要[8]。

人类活动对植被生长的影响不可忽视，植被的动态变化也反映了人类活动的过程。20世纪中叶以来，随着工业化和城市化进程加快，中国植被面积减少，大量自然地表覆被转变为农业用地和人工建设用地，带来了一系列的生态问题[9]。20世纪末，国家区域发展与生态防护工程的实施提升了中国植被覆盖率[10-11]。在中国，政策调控和经济驱动仍是影响植被动态变化的重要原因。人类活动方式对植被的生长的影响主要表现在：城市扩张和工业建设导致植被退化[12]；大面积荒漠恢复为其他植被类型，如阿拉善的荒漠治理[13]；政府主导实施生态防护工程有效地促进了植被恢复[10-11]。21世纪，在可持续发展的要求下，了解中国的植被动态变化及其影响机制，对于中国调整生态保护措施，促进自然生态系统和社会经济和谐发展具有重要意义[14]。

研究表明，近几十年，中国植被变化明显[15]。增温对黄土高原中部和东南部地区的植被生长产生了积极影响，而西北部的植被生长呈现相反的趋势[16]。目前，国内外许多学者在阐明植被变化对气候变化的响应方面做了大量研究[17-20]。但国内研究多聚焦于黄土高原和青藏高原等生态脆弱区[21]、长江流域[22]以及京津冀等快速城市化地区[23]，以上研究在区域尺度上揭示了植被变化特征及其驱动因素，对于区域生态保护具有重要价值。但针对全国尺度植被持续性和波动变化过程的空间分异特征探究仍有待推进。同时，前人相关研究多关注植被变化及其对降水和气温的响应和人类活动影响识别，而往往忽略对中国西南湿润区植被生长具有重要影响的气候因子—辐射因子[24]的影响，植被对气候变化和人类活动响应考虑不全面[17, 25-27]。此外，由于植被物候易受季节性气候因子变化的影响，且不同植被类型间存在差异[16]，但现阶段研究较少考虑季节性气候变化。综上，定量揭示不同植被类型对季节性多气候要素（降水、气温和辐射）响应规律需进一步深入。因此，本文从全国尺度上分析了中国1982—2015年植被NDVI（Normalized Difference Vegetation Index）时空变化过程的空间分异特征，揭示植被对季节性多气候要素（降水、气温和辐射）响应规律，识别气候变化和人类活动影响区，并探讨了植被变化对生态保护政策的响应，旨在为将来生态修复工程的实施和生态文明建设提供理论依据。

1 研究区概况

根据研究需要，综合考虑自然条件和经济发展水平的差异性，兼顾行政区的完整性，将中国划分为七大地理分区（图1）。中国的地形以山地和高原为主，由西向东地势逐渐下降；除西南和西北地区，其他地理区以低海拔为主。中国大陆降水量由东南向西北逐渐减少，400 mm等降水量线总体呈现东北-西南走向，常用于干湿区域的划分[28]。水热条件直接影响植被在空间上的分布差异，林地主要分布于西南和东北地区，西南和西北地区草地分布较多，约1/3的裸地分布在西北地区。

2 数据与方法

2.1 数据来源

2.1.1 AVHRR NDVI3g

AVHRR NDVI3g（http://glcf.umd.edu）来源于美国国家航天局（NASA）全球监测与模拟研究组（GIMMS），基于美国国家海洋和大气管理局（NOAA）/多光谱通道的扫描辐射计（AVHRR）陆地数据集反演获得。AVHRR NDVI3g时间序列为1982—2015年，空间分辨率1/12°，时间分辨率为15 d。该数据集校正消除了传感器灵敏度、大气气溶胶含量、太阳高度角、轨道漂移等因素影响[29-31]。根据研究需要，将数据集分别合成到月和年尺度。

2.1.2 土地覆被数据

CCI全球土地覆被产品（CCI-LC）是基于AVHRR、SPOT-VGT、MERIS等数据反演获得。欧洲航天局气候变化倡议（ESA CCI）发布了1992—2015年逐年300 m空间分辨率的土地覆盖数据集（http://maps.elie.ucl. ac.be/CCI/viewer/index.php），在很大程度上满足了时间序列研究要求。该数据集具有完整的土地覆被类型（38种），可以在全球范围内对土地覆被动态变化进行检测。

CCI-LC数据使用联合国粮食及农业组织（FAO）土地分类系统，一级类6种，二级类36种。根据研究需要，本文选取了5种一级类（耕地、林地、湿地、草地和建设用地）（图1）。为避免土地利用变化的影响，根据时间序列数据，提取稳定的土地覆被以便统计不同植被类型的驱动机制。基于ArcGIS重采样函数对CCI-LC数据进行重采样，使其空间分辨率与NDVI数据匹配，以便进一步处理、分析[32]。

2.1.3 ERA5-Land

ERA5是欧洲中期天气预报中心（ECMWF）运营的哥白尼气候变化服务（C3S）发布的数据集。ERA5-Land（https:// cds.climate.copernicus.eu/cdsapp#!/search）是通过ECMWF ERA5再分析模型生产的再分析数据集。该数据集包括气温、降水、太阳辐射、风速等数据，时间序列为1982—2015年，空间分辨率为0.1°，时间分辨率为月尺度，可准确描述气候状况[33]。基于ArcGIS重采样函数对ERA5-Land数据进重采样，使其空间分辨率与NDVI数据相匹配。

2.2 研究方法

2.2.1 线性回归分析法

基于线性回归分析法，逐像元时间序列计算趋势线变化斜率（Slope），分析气候因子和植被变化的时空变化趋势[34]，并采用Pearson相关系数法计算气候因子与NDVI的相关性[19]。

式中X表示第年的NDVI平均值，为研究期总年数。

2.2.2 Mann-Kendall检验

基于非参数检验方法（Mann-Kendall法）检验归一化植被指数（NDVI）变化趋势的显著性[35-36]。利用0.05水平上的置信区间，Mann-Kendall的显著性检验结果分为不显著变化（-1.96<<1.96）和显著变化（≥1.96或≤-1.96），其结果与Slope变化趋势叠加，植被变化趋势分为五类[19]，见表1。

2.2.3 Hurst指数

基于重标极差（R/S）的分析方法，计算得到Hurst指数，可有效地定量描述长时间变化持续性。该指数反映植被前后变化的相互关系，过去的植被状态会影响现在的，现在的植被状态将影响未来的。该方法最早在1951年由英国水文学家Hurst提出[37]，1969年Mandelbrot等对其进行了改进[38]。该方法目前在水文学、气候学和生态学等领域监测长时间变化趋势的持续性中有着广泛应用，适用于长时间序列植被的持续性变化检测[19]。基本原理如下：

1）将长时间序列{NDVI（）}（＝1，2，...，）划分为个子序列()，= 1, 2, . . .,。

2）定义NDVI均值时间序列为

3）计算逐像元平均NDVI的累积偏差

4）定义极差的范围

5）定义标准偏差序列

6）计算Hurst指数

7）Hurst指数通过拟合直线得到如下所示：

式中NDVI为归一化植被指数，为关系常数，为Hurst指数，为截矩。

Hurst指数值可分为三类：当= 0.5时，表明NDVI时间序列随机变化；> 0.5时，表明NDVI时间序列持续性变化；< 0.5时，表明时间序列具有反持续性，即未来变化趋势很可能与研究期间相反。同时，为了获取植被变化趋势和一致性检验的双重信息，利用ArcGIS叠加分析，将NDVI变化趋势与Hurst指数结果相叠加[19]（表1）。

表1 植被NDVI变化趋势的持续性

2.2.4 残差分析法

Evans 和 Geerken 提出的残差分析法[39]，可以探讨人类活动和气候变化对植被变化的影响。利用NDVI与气候因子间的回归模型计算各像元残差[40]，通过回归模型计算可得到由气候因子预测的NDVI。

3 结果与分析

3.1 植被动态变化特征

1982—2015年中国植被绿度整体呈上升趋势，平均变化率为0.74×10-3/a，在空间上呈现出自东南向西北递减的分布格局（图2a）。中国东部植被的绿度呈上升趋势，变化率高达0.029/a，而中国西部地区和东北地区的植被绿度呈下降趋势，变化率低至-0.016/a。整体上看，东北和西南部分地区植被退化较严重，华南、华中以及华东大部分地区植被改善明显。因此，中国的植被变化在空间上具有明显的区域特征。

中国植被NDVI变化趋势存在空间异质性（图2b），植被总体呈逐渐增加趋势，但局部区域植被退化严重。68.21%的植被表现出改善趋势，植被显著改善（49.12%）主要集中分布在黄土高原、内蒙古的阿拉善高原、四川盆地以东的中国东部和华南地区。17.33%的植被呈现退化趋势，主要分布在东北的大、小兴安岭和长白山一带、新疆西北部、青藏高原等地区。无植被或稳定区域占14.46%，主要为水域和裸地。

区域尺度上，华中和华南地区植被显著改善的比例最高，分别为80.80%和75.66%，仅有少数植被（1.45%和1.79%）发生明显退化，说明该地区植被生长态势良好。但是，东北地区植被存在15.09%的显著退化和21.55%的不显著退化，植被显著改善较少。西北地区因分布大面积裸地、沙漠，存在25.15%的稳定或无植被区域。不同植被类型变化趋势也不同。林地和耕地的植被改善的比例最高，61.81%和18.17%的耕地分别呈显著和不显著的植被改善，林地中显著和不显著改善比例分别为53.10%和25.52%。草地和耕地中显著退化面积比例分别为6.58%和6.44%，均高于林地。

3.2 植被变化一致性分析

结合Hurst指数分析结果，预测未来植被生长趋势。结果表明，中国大多数植被表现出持续变化趋势（80.62%），少数植被波动变化（4.92%）。为明确NDVI变化趋势的持续性，参考前人研究，利用ArcGIS叠加分析，将NDVI变化趋势与Hurst指数结果相叠加，以获得植被变化趋势和一致性检验的双重信息[19]（表1）。结果表明，中国大多数植被处于持续稳定变化状态（图3）。变化一致的面积占总面积的80.62%，其中退化面积占16.45%，改善面积占64.17%。植被持续改善区域主要集中在华南、华中和华东地区，而植被持续退化区域主要分布于东北和西南地区。不稳定变化区域仅占4.92%，可能为前后变化相反或波动变化，分布较离散。

为研究不同植被类型的差异，本文统计了不同植被类型中NDVI变化趋势持续性结果。结果表明，耕地和林地的植被持续改善比例最高，草地持续退化面积占总面积的20.19%。林地和草地中变化不一致的面积比例分别为6.91%和5.32%，说明草地和林地的变化趋势更趋于不稳定，易受气候变化或人类活动的影响。事实上，耕地受人类活动影响，一定程度上可以避免受极端气候的影响；而草地的土壤不能长时间保持水分，对气候变化敏感，容易受到气候变化的影响。

3.3 气候变化分析

研究期间季节性气候变化具有明显的空间差异性（图 4）。东部沿海地区，夏秋两季气温变化不大，但是秋季降水明显增加。东北地区夏季持续干旱，太阳辐射增强，而秋季干旱略有缓和。西部地区，特别是青藏高原，降水由夏季的明显增加，转变为秋季的基本持平，气温的下降趋势由西部向北部转移，太阳辐射减少趋势变缓。

降水的季节性变化趋势空间异质性明显，中国东部地区下降趋势最明显（图4a）。春季，青藏高原西南部和四川盆地西部降水增加。夏季，降水表现出明显的空间差异，巫山以西的东部地区和东北平原的降水表现出减少趋势，但青藏高原西南部、海南岛和台湾地区显著增加，变化范围为-41.69～20.30 mm/a。秋季中国大部分区域降水轻微减少，在四川盆地东部和长江中下游平原地区稳定减少。但在南岭南部、东部沿海地区以及台湾地区，降水呈增加趋势，与冬季和春季变化趋势明显相反。

1982—2015年，中国大部分地区的气温呈上升趋势（图4b）。季节尺度上，春夏两季变化趋势整体相似，气温在青藏高原中西部出现明显下降，年变化率分别为-0.017和-0.022 ℃/a。而秋季气温变化在青藏高原区大致呈相反趋势，尤其在昆仑山脉和祁连山脉下降最为明显，年变化率为-0.047 ℃/a。冬季，青藏高原气温下降趋势明显，东北大、小兴安岭和海南岛的气温也轻微下降，其他地区的气温有着不同程度的上升。整体上，太阳辐射的季节性变化较为稳定，表现为缓慢上升（图4c）。其变化趋势与降水相反，与气温相似（除青藏高原地区）。在青藏高原地区，春夏两季太阳辐射下降趋势明显，年变化率达到-0.017 W/(m2·a)，其他地区呈上升趋势。

3.4 NDVI与气候变化的相关性分析

通过计算生长季年均NDVI与季节降水和气温间的相关系数（），以明确植被动态变化与季节性气候之间的关系。如图5所示，年均NDVI变化对季节性降水、气温和太阳辐射表现出不同的响应。

1982—2015年间，中国生长季年均NDVI与季节性降水的相关性差异明显。在季节尺度上，春季大部分植被与降水表现为正相关，植被与降水在阿尔泰山脉、青藏高原西部和内蒙古高原中部等地区正相关系数高达0.78，明显高于其余季节。在武夷山脉和大兴安岭北部，春季植被与降水有着较显著的负相关（<0.05）。夏季与春季情况相似，但在巫山和秦岭以东以及华中地区，负相关性有所增强。秋季，植被与降水在华南地区呈现出异于其他季节的正相关关系。冬季大部分植被与降水表现为负相关。此外，与其他植被相比，草地与季节性降水的正相关性最显著（<0.05）。

各季节平均NDVI与气温和太阳辐射的相关性相似（图5b和图5c）。在准噶尔盆地、青藏高原以及内蒙古锡林郭勒盟等地区普遍表现出明显的负相关关系，而在云贵高原、黄土高原南部、四川盆地、大兴安岭北部等地区，则表现为正相关。季节尺度上，春夏两季具有一定的相似性，但在武陵山脉东部和南岭北部地区，春季的相关性表现出异于其他季节的明显正相关性。秋冬两季同样具有一定的相似性，西部地区、长江三角洲以及珠江三角洲表现出明显的负相关。在农业活动频繁的四川盆地、华北平原、长江中下游平原等地区，植被与季节性气温呈较为明显的正相关关系。在同一自然地理区域内，城市化发达的地区与局部地区相比，植被覆盖变化与气候变化的关系明显不同。因此，人类农业垦殖和城市建设等活动影响会植被对气候变化的响应。

3.5 残差分析

中国植被变化受到气候变化和人类活动的共同影响。天山山脉中部、黄土高原北部和中西部、华南地区西南部等地区NDVI残差略有增加趋势，年变化率高达0.019/a，而青藏高原西南部、大、小兴安岭和长白山东部以及珠江三角洲等地区NDVI残差呈下降趋势，年变化率低至-0.002/a（图6a），表明NDVI残差变化趋势具有空间差异性。图6b表示NDVI残差的显著性变化与平均NDVI的总体变化趋势结果的叠加。结果表明，NDVI残差显著变化且植被呈增长趋势的像元在空间上呈明显的聚集（深蓝色），主要位于黄土高原中西部和北部、内蒙古阿拉善高原、新疆西部和南部（昆仑山脉）以及华南等地区。深红色表示NDVI残差变化显著且植被有减少趋势，主要集中分布在东北大、小兴安岭、长白山一带和长江三角洲等地区。以上变化无法用气候变化来解释，可能由人类活动导致。浅红色和浅蓝色表示NDVI残差无显著变化，与降水、气温和太阳辐射的变化有关。据统计，中国植被NDVI受人类活动影响的区域为40.77%，受气候变化驱动的区域为44.77%。

林地变化主要受到气候变化的影响，耕地和草地的改善则受人类活动影响较多。不同植被类型的NDVI残差显著变化（值）和平均NDVI变化趋势叠加结果统计如图6b所示。人类活动对林地和草地NDVI变化的贡献为正的区域面积分别占13.04%和10.08%。因此，部分耕地和草地的NDVI增长速度高于气候变化所预期的结果。在植被受人类活动的负面影响的区域中，耕地和草地分别占植被区的1.76%和1.47%。在中国的植被变化中，林地受到气候变化和人类活动影响的面积比例分别占6.58%和12.53%，说明林地受到气候变化影响的范围更广（表2）。

1982—2015年气候变化和人类活动对中国植被NDVI变化的影响存在空间异质性。西北和华北地区NDVI增长速度高于气候变化所预期的结果，人类活动对植被NDVI变化的贡献为正的面积分别占植被区的11.34%和8.07%。在人类活动对植被NDVI变化的贡献为负的区域中，东北和西南地区分别占1.68%和1.30%。在植被NDVI受气候变化影响的区域中，西南和西北地区分别占植被区的13.40%和12.09%。

综上，不同区域内，植被NDVI变化同时受气候变化和人类活动共同影响。在西南和西北地区，气候变化是影响植被退化的主要因素；而在西北和华北地区植被的改善和东北地区，植被退化主要受人类活动影响。

表2 1982—2015年气候变化和人类活动对中国植被NDVI变化的影响

4 讨 论

4.1 植被变化与气候因子响应

在全球变暖的背景下，中国植被NDVI空间异质性明显，其变化在大尺度上是由水热条件决定的。中国大多数地区降水减少，太阳辐射和气温升高。增温总体上对中国植被生长具有积极影响；水分可促进干旱区植被生长，但在湿润地区则抑制植被生长[14,41]。

1982—2015年中国植被变化对气候的响应存在空间差异性。在西南地区、内蒙古中部和北部，黄土高原南部和准噶尔盆地等地区，气候变化是影响植被活动的主要驱动因素（图6）。准噶尔盆地和内蒙古中部等干旱区，夏季降雨量稀少，植被NDVI与降水的正相关系数高于0.7（图5a），与气温的负相关性高达0.84（图5b），增温加剧了土地荒漠化和盐渍化，干旱是该地区植被退化的主要驱动因素。在东部沿海平原、黄土高原南部和西南地区的四川盆地、云贵高原西南部等地区，气温和太阳辐射是植被改善的主要驱动因素。这些地区降雨量充足，气温和太阳辐射与植被NDVI表现出明显的正相关性（图5b和5c），热量差异是导致植被覆盖变化的主要原因。青藏高原和西北地区主要的植被类型为草地，对气候变化敏感[42]。青藏高原西北部和昆仑山南部夏季气温和太阳辐射略有增加（图4b和4c），与植被NDVI的相关系数均高于0.7，气温和太阳辐射是促进该地区植被生长的主要驱动力。此外，极端天气、地震、滑坡和泥石流等自然灾害在一定程度上会抑制植被生长。

4.2 植被变化与人类活动响应

人类活动是中国的植被变化的主要驱动因素之一。1982—2015年间，中国内蒙古阿拉善高原、黄土高原中西部和北部以及华南大部分地区植被改善，东北大、小兴安岭、长白山东部和长江三角洲地区植被退化，这些地区植被变化主要是受人类活动的影响，包括黄土高原水土保持和退耕还林工程、阿拉善荒漠治理、沿海城市群和东北工业基地的建设等。

整体上，人类活动促进了植被改善。中国林地先减后增，荒漠先增后减，草地退化速率降低[9]。在黄土高原中西部和北部，尤其在黄河中游段西侧的陕西省境内，由政府主导实施的退耕还林（草）、天然林保护和水土流失治理等生态防护工程，是植被覆盖增加的主要驱动因素。在华南地区，生态恢复措施也取得了显著的生态效果。内蒙古自治区阿拉善高原植被改善明显，该地区政府从20世纪90年代开始进行荒漠复合生态系统管理，并实施多期退牧还草工程，促进了荒漠生态系统的恢复[13]。实际上，生态工程建设是一个长期的过程，仍需进行长期实践，政府在规划战略时应考虑自然和经济社会的可持续发展前景。

本文研究表明，中国植被NDVI整体呈上升趋势，在空间上具有明显的区域特征，其变化受到气候和人类活动的共同影响。这在大尺度上与现有的研究基本一致，但在区域尺度存在一定差异。金凯等[17]在区分人类活动和气候变化对植被NDVI的影响时仅考虑了降水和气温两个常规气象因素，忽略了太阳辐射的影响，导致西南地区人类活动的影响高于气候变化，而中国西南湿润区辐射是影响植被生长的重要气候因子[24]。本文针对中国植被动态变化对气候变化和人类活动的响应的研究，考虑多气象关键要素（降水、气温和辐射）进一步推进了中国植被动态变化的影响机制。1982—2015年中国植被得到有效恢复，中国南方地区的增温有利于植被光合作用，提高了净生产力[14]；此外，圈划自然保护区和实施生态建设工程等人类活动可促进局部地区植被恢复[10-11]。但是，在中国北方地区，气温上升幅度较大，加剧了水资源短缺，营养物质运输效率降低，对植被生长产生了负面影响[14]。此外，城市扩张和农业垦殖等人类活动对植被生长得抑制作用在大城市群地区表现明显[23]，上述研究与本文结果基本吻合。

本文定量揭示了1982—2015年中国植被NDVI变化的空间分异特征及其对季节性多气候要素的响应规律，并识别了气候变化和人类活动影响区，为预测未来中国植被变化，促进生态文明建设提供理论依据。本文选用了3种气候因子进行多元残差分析，事实上，植被变化是复杂的过程，除气候变化外，植被NDVI还受土壤、海拔和地形等因子的影响[43]。另一方面，针对植被与气候变化的滞后效应研究尚有欠缺。中国自然地理条件区域差异化明显，不同区域植被生长对驱动因素的响应机制和阈值存在差异，上述问题在大尺度研究中仍待进一步解决。未来针对植被变化驱动机制的研究仍需结合其他因子，进一步细化植被变化的影响因素，定位重要的人类活动因子，以期推动该领域研究的持续深化，为生态环境恢复提供重要理论依据。

5 结 论

本文分析了1982—2015年中国植被NDVI的时空变化，并区分了气候变化和人类活动对植被变化的相对重要性，识别植被退化人类活动影响区。主要结论如下：

1）中国的植被变化在空间上具有明显的区域特征。中国植被绿度整体为上升趋势，平均变化率为0.74×10-3/a（<0.05），在空间上呈现出东南向西北递减的趋势。

2）中国大多数植被处于持续稳定变化（80.62%）的状态。华南、华中和华东地区植被持续改善，而东北和西南地区植被持续退化。草地和林地的变化趋势趋于不稳定，易受气候变化和人类活动的影响。

3）中国生长季年均NDVI对降水、气温和太阳辐射表现出不同的相关性。准噶尔盆地、青藏高原以及内蒙古中部的锡林郭勒盟等地区的植被NDVI与气温和太阳辐射表现出明显的负相关关系，而在云贵高原、黄土高原南部、四川盆地、大兴安岭北部等地区，则表现出明显的正相关性（<0.05）。

4）中国植被覆盖变化受到气候变化和人类活动的共同驱动。干旱是天山北部的准噶尔盆地和内蒙古中部等干旱区植被退化的主要驱动因素。在东部沿海平原、黄土高原南部和西南地区的四川盆地、云贵高原西南部等地区，降雨量充足，温度和辐射增加是促进植被改善的主要原因。青藏高原西北部和昆仑山南部主要的植被类型为草地，对气候变化敏感，温度是促进该地区植被生长的主要驱动力。21世纪以来人类活动逐渐加强，整体上改善了植被生长状况。人类活动影响包括内蒙古阿拉善高原、黄土高原中西部和北部以及华南大部分地区的植被改善，东北大、小兴安岭、长白山东部和长江三角洲地区植被退化。这些人类活动包括黄土高原水土保持和退耕还林工程、阿拉善荒漠治理、沿海城市群和东北工业基地的建设等。

[1] 《第三次气候变化国家评估报告》编写委员会. 第三次气候变化国家评估报告[M]. 北京：科学出版社，2015.

[2] Lucht W, Prentice I C, Myneni R B, et al. Climatic control of the high-latitude vegetation greening trend and Pinatubo effect[J]. Science, 2002, 296(5573): 1687-1689.

[3] Tucker C, Slayback D, Pinzon J, et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology, 2001, 45(4): 184-190.

[4] Myneni R B, Keeling C D, Tucker C J, et al. Increased plant growth in the northern high latitudes from 1981 to 1991[J]. Nature, 1997, 386(6626): 698-702.

[5] Liu B, Xu M, Henderson M, et al. Taking China's temperature: Daily range, warming trends, and regional variations, 1955—2000[J]. Journal of Climate, 2004, 17(22): 4453-4462.

[6] 孙红雨，王长耀，牛铮，等. 中国地表植被覆盖变化及其与气候因子关系：基于NOAA时间序列数据分析[J]. 遥感学报，1998，2(3)：204-210.

Sun Hongyu, Wang Changyao, Niu Zheng, et al. Analysis of the vegetation cover change and the relationship between NDVI and environmental factors by using NOAA time series data[J]. Journal of Remote Sensing, 1998, 2(3): 204-210. (in Chinese with English abstract)

[7] 章维鑫，曹建华，吴秀芹. 基于Landsat影像的石漠化区植被动态监测及治理效益研究[J]. 农业工程学报，2019，35(8)：221-229.

Zhang Weixin, Cao Jianhua , Wu Xiuqin. Dynamic monitoring and control benefits of vegetation in rocky desertification areas based on Landsat images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 221-229. (in Chinese with English abstract)

[8] 秦大河. 气候变化科学与人类可持续发展[J]. 地理科学进展，2014，33(7)：874-883.

Qin Dahe. Climate change science and sustainable development[J]. Progress in Geography, 2014, 33(7): 874-883. (in Chinese with English abstract)

[9] 刘纪远，宁佳，匡文慧，等. 2010—2015年中国土地利用变化的时空格局与新特征[J]. 地理学报，2018，73(5)：789-802.

Liu Jiyuan, Ning Jia, Kuang Wenhui, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802. (in Chinese with English abstract)

[10] 尤南山，董金玮，肖桐，等. 退耕还林还草工程对黄土高原植被总初级生产力的影响[J]. 地理科学，2020，40(2)：315-323.

You Nanshan, Dong Jinwei, Xiao Tong, et al. The effects of the “Grain for Green” project on gross primary productivity in the Loess Plateau[J]. Scientia Geographica Sinica, 2020, 40(2): 315-323. (in Chinese with English abstract)

[11] 范建忠，李登科，董金芳. 陕西省重点生态建设工程区植被恢复状况遥感监测[J]. 农业工程学报，2012，28(7)：228-234.

Fan Jianzhong, Li Dengke, Dong Jinfang. Remote sensing analysis of vegetation restoration in key ecological construction areas of Shaanxi province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(7): 228-234. (in Chinese with English abstract)

[12] 赵安周，裴韬，曹森，等. 京津冀城市扩张对植被和地表城市热岛的影响[J]. 中国环境科学，2020，40(4)：1825-1833.

Zhao Anzhou, Pei Tao, Cao Sen, et al. Impacts of urbanization on vegetation growth and surface urban heat island intensity in the Beijing-Tianjin-Hebei[J]. China Environmental Science, 2020, 40(4): 1825-1833. (in Chinese with English abstract)

[13] 周志宇，朱宗元，刘钟龄. 干旱荒漠区受损生态系统的恢复重建与可持续发展[M]. 北京：科学出版社，2010.

[14] 焦珂伟，高江波，吴绍洪，等. 植被活动对气候变化的响应过程研究进展[J]. 生态学报，2018，38(6)：2229-2238.

Jiao Kewei, Gao Jiangbo, Wu Shaohong, et al. Research progress on the response processes of vegetation activity to climate chang[J]. Acta Ecologica Sinica, 2018, 38(6): 2229-2238．(in Chinese with English abstract)

[15] 王兆礼，黄泽勤，李军，等. 基于SPEI和NDVI的中国流域尺度气象干旱及植被分布时空演变[J]. 农业工程学报，2016，32(14)：177-186.

Wang Zhaoli, Huang Zeqin, Li Jun, et al. Assessing impacts of meteorological drought on vegetation at catchment scale in China based on SPEI and NDVI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 177-186. (in Chinese with English abstract)

[16] Sun W, Song X, Mu X, et al. Spatiotemporal vegetation cover variations associated with climate change and ecological restoration in the Loess Plateau[J]. Agricultural & Forest Meteorology, 2015, 209(1): 87-99.

[17] 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.

Jin Kai, Wang Fei, Han Jianqiao, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. (in Chinese with English abstract)

[18] 高江波，焦珂伟，吴绍洪. 1982—2013年中国植被NDVI空间异质性的气候影响分析[J]. 地理学报，2019，74(3)：534-543.

Gao Jiangbo, Jiao Kewei, Wu Shaohong, et al. Revealing the climatic impacts on spatial heterogeneity of NDVI in China during 1982-2013[J]. Acta Geographica Sinica, 2019, 74(3): 534-543. (in Chinese with English abstract)

[19] Jiang L. Monitoring Land Degradation and Assessing Its Drivers in Central Asia[D]. Ghent: Ghent University, 2020.

[20] Jagadish S V, Way D A, Sharkey T D. Scaling plant responses to high temperature from cell to ecosystem[J]. Plant, Cell & Environment, 2021, 44(7): 1987-1991.

[21] Pang G, Wang X, Yang M. Using the NDVI to identify variations in, and responses of, vegetation to climate change on the Tibetan Plateau from 1982 to 2012[J]. Quaternary International, 2017, 444: 87-96.

[22] 张亮，丁明军，张华敏，等. 1982—2015年长江流域植被覆盖度时空变化分析[J]. 自然资源学报，2018，33(12)：2084-2097.

Zhang Liang, Ding Mingjun, Zhang Huamin, et al. Spatiotemporal variation of the vegetation coverage in Yangtze river basin during 1982-2015 [J]. Journal of Natural Resources, 2018, 33(12): 2084-2097. (in Chinese with English abstract)

[23] 于璐，武志涛，杜自强，等. 气候变化背景下京津风沙源区人类活动对植被影响的量化分析[J]. 应用生态学报，2020，31(6)：2007-2014.

Yu Lu, Wu Zhitao, Du Ziqiang, et al. Quantitative analysis of the effects of human activities on vegetation in the Beijing-Tianjin sandstorm source region under the climate change[J]. Chinese Journal of Applied Ecology, 2020, 31(6): 2007-2014. (in Chinese with English abstract)

[24] Chen S, Zhang Y, Wu Q, et al. Vegetation structural change and CO2fertilization more than offset gross primary production decline caused by reduced solar radiation in China[J]. Agricultural and Forest Meteorology, 2021, 296(5993): 108207.

[25] Duo A, Zhao W, Qu X, et al. Spatio-temporal variation of vegetation coverage and its response to climate change in North China plain in the last 33 years[J]. International Journal of Applied Earth Observation & Geoinformation, 2016, 53: 103-117.

[26] 胡克宏，张震，郜敏，等. 中国丝绸之路经济带沿线植被覆盖变化及自然影响因素分析[J]. 农业工程学报，2020，36(17)：149-157.

Hu Kehong, Zhang Zhen, Gao Min, et al. Variations in vegetation cover and natural factors of provinces in China along Silk Road Economic Belt during 2000-2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 149-157. (in Chinese with English abstract)

[27] 刘宪锋，朱秀芳，潘耀忠，等. 1982—2012年中国植被覆盖时空变化特征[J]. 生态学报，2015，35(16)：5331-5342. Liu Xianfeng, Zhu Xiufang, Pan Yaozhong, et al. Spatiotemporal changes in vegetation coverage in China during 1982—2012[J]. Acta Ecologica Sinica, 2015, 35(16): 5331-5342. (in Chinese with English abstract)

[28] 李雪萍，史兴民，王阿如娜. 中国典型等降水量线年代际空间演变[J]. 中国沙漠，2016，36(1)：232-238.

Li Xueping, Shi Xingmin, Wang Aruna. The interdecadal spatial changes of typical rainfall contours in China[J]. Journal of Desert Research, 2016, 36(1): 232-238. (in Chinese with English abstract)

[29] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings Mathematical Physical & Engineering Sciences, 1998, 454: 903-995.

[30] Vermote E, Kaufman Y J. Absolute calibration of AVHRR visible and near-infrared channels using ocean and cloud views[J]. International Journal of Remote Sensing, 1995, 16(13): 2317-2340.

[31] Pinzon J E, Brown M E, Tucker C J. EMD Correction of Orbital Drift Artifacts in Satellite Data Stream[M].Singapore: World Scientific Publishing, 2005.

[32] Yuan Y, Bao A, Liu T, et al. Assessing vegetation stability to climate variability in Central Asia[J]. Journal of Environmental Management, 2021, 298: 113330.

[33] Balsamo G, Albergel C, Beljaars A, et al. ERA-Interim/Land: A global land surface reanalysis data set[J]. Hydrology and Earth System Sciences, 2015, 19(1): 389-407.

[34] Chatfield C. The Analysis of Time Series: An Introduction [M]. New York: Chapman and Hall, 2009.

[35] Gocic M, Trajkovic S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Global and Planetary Change, 2013, 100: 172-182.

[36] Mann H B. Nonparametric test against trend[J]. Econometrica, 1945, 13(3): 245-259.

[37] Hurst H E. Long-term storage capacity of reservoirs[J]. Transactions of the American Society of Civil Engineers, 1951, 116(1): 770-799.

[38] Mandelbrot B B, Wallis J R. Robustness of the rescaled range R/S in the measurement of noncyclic long run statistical dependence[J]. Water Resources Research, 1969, 5(5): 967-988.

[39] Evans J, Geerken R. Discrimination between climate and human-induced dryland degradation[J]. Journal of Arid Environments, 2004, 57(4): 535-554.

[40] Wessels K J, Van D, Scholes R J. Limits to detectability of land degradation by trend analysis of vegetation index data[J]. Remote Sensing of Environment, 2012, 125: 10-22.

[41] Feng X, Fu B, Piao S, et al. Revegetation in China's Loess Plateau is approaching sustainable water resource limits[J]. Nature Climate Change, 2016, 6(11): 1019-1022.

[42] 张更喜，粟晓玲，郝丽娜，等. 基于NDVI和scPDSI研究1982—2015年中国植被对干旱的响应[J]. 农业工程学报，2019，35(20)：145-151.

Zhang Gengxi, Su Xiaoling, Hao Lina, et al. Response of vegetation to drought based on NDVI and scPDSI data sets from 1982 to 2015 across China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 145-151. (in Chinese with English abstract)

[43] Lü Y, Zhang L, Feng X, et al. Recent ecological transitions in China: Greening, browning and influential factors[J]. Scientific Reports, 2015, 5: 8732.

Spatiotemporal changes of vegetation NDVI and its driving forces in China during 1982—2015

Tu You1,2, Jiang Liangliang1,3※, Liu Rui1,3, Xiao Zuolin1,3, Min Jie1,3

(1.,,401331,; 2.,,710054,; 3.,401331,)

In the context of global climate change, most previous studies focused on the interannual change trend of vegetation and its response to precipitation and temperature, but ignore the influence of radiation factors. The response of different vegetation types to seasonal multi-climate factors (precipitation, temperature, and radiation) was explored and the impact of human activities on vegetation was quantified in this study. It is of great significance to ecological environment protection in China. In this study, the spatiotemporal variations in the Normalized Difference Vegetation Index (NDVI) and climate change were investigated using the AVHRR NDVI3g data, land use data and gridded climate data, A multiple linear regression model was then used to determine the driving factors of vegetation change using residual analysis at the regional and national scales from 1982 to 2015. The results show that there was outstanding regional spatial characteristic of vegetation changes with a decreasing trend from the southeast to northwest China, where the annual rate of change ranged from -0.016/a to 0.029/a. An increasing trend was found in the temperature and solar radiation, whereas, the precipitation showed a downward trend in most regions. According to the Hurst index, 80.62% of the vegetation presented a continuous and stable change, while the grasslands and woodland tended to be unstable and vulnerable to climate change and human activities. The NDVIs of Junggar Basin, Qinghai-Tibet Plateau, and Xilin Gol League of Inner Mongolia were negatively correlated with the air temperature and solar radiation, whereas, the NDVIs of Yunnan-Guizhou Plateau, southern Loess Plateau, and Sichuan Basin were positively correlated. The residual analysis showed that the drought resulted in the vegetation degradation in the arid areas, such as Xinjiang Junggar Basin and central Inner Mongolia, while the increase of temperature and radiation was the main driver for the vegetation improvement in the eastern coastal plain, the southern Loess Plateau, Sichuan Basin, and the southwestern Yunnan-Guizhou Plateau. Since the beginning of the 21st century, human activities were gradually strengthened, including soil and water conservation, the conversion of farmland to forest on the Loess Plateau, the desert control in Alxa, as well as the construction of coastal city clusters and northeast industrial bases. Thus, the vegetation improvement was identified in the Alxa Plateau of Inner Mongolia, the central and northern Loess Plateau, and most parts of South China, whereas, the vegetation degradation was detected in the Greater and Lesser Khingan Mountains, the eastern regions of the Changbai Mountains and the Yangtze River Delta. Among them, the national projects of ecological protection were attributed to the significant improvement of vegetation conditions. Consequently, the monitoring of vegetation degradation can provide a theoretical basis for the implementation of ecological restoration and the construction of ecological civilization in the future. The finding can greatly contribute to regional green and sustainable development.

NDVI; vegetation change; climate change; human activities; China

涂又，姜亮亮，刘睿，等. 1982—2015年中国植被NDVI时空变化特征及其驱动分析[J]. 农业工程学报，2021，37(22)：75-84.doi：10.11975/j.issn.1002-6819.2021.22.009 http://www.tcsae.org

Tu You, Jiang Liangliang, Liu Rui, et al. Spatiotemporal changes of vegetation NDVI and its driving forces in China during 1982—2015[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 75-84. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.22.009 http://www.tcsae.org

2021-07-10

2021-10-07

重庆师范大学基金项目（20XLB019）；国家自然科学基金（42071277）；重庆市自然科学基金（cstc2021jcyj-msxmX0523；cstc2019jcyj-msxmX0515）

涂又，研究方向为生态遥感。Email：tuyou1632021@163.com

姜亮亮，博士，讲师，研究方向为定量遥感与数据挖掘。Email：jiang@cqnu.edu.cn

10.11975/j.issn.1002-6819.2021.22.009

X87

A

1002-6819(2021)-22-0075-10