黄淮海流域植被指数时空变化研究

王明月，付俊娥，武志涛，庞治国，江威，雷添杰

（1.山西大学黄土高原研究所，山西 太原 030006；2.中国水利水电科学研究院，北京 100038；3.水利部防洪抗旱减灾工程技术研究中心，北京 100038）

0 引言

植被是自然界中联结土壤、大气和水的关键因素，不仅参与全球物质与能量循环、调节全球气候，还能直观地指示全球生态环境的变化。归一化植被指数（Normalization Difference Vegetation Index，NDVI）是常用作表征植被覆盖变化的遥感指标，其时间变化序列能够反映季节和人为活动变化对植被的影响，能够直观反映植被生长和覆盖状况，被广泛地应用于全球和区域植被变化研究[1-2]。GIMMS NDVI数据由于数据噪声小和时空方面相对连续性强，成为研究植被覆盖变化的重要数据源。

近几十年来，在全球变暖的背景下，黄淮海流域气候发生了显著变化，出现了气温升高、降水年际振荡和区域性变化增大的趋势，加之人类活动的频繁加剧，导致流域的植被生态系统发生了明显变化。全面了解和研究黄淮海流域不同区域植被的变化规律，对生态环境保护及可持续发展具有重要参考意义。莫瑶[3]、陈怀亮[4]利用 1982-2003 年GIMMS NDVI数据 、赵静[5]利用 1982-2006 年NDVI数据对黄淮海流域的研究都表明该区域植被整体呈略微增加趋势；郑维龙[6]利用2001-2013年MODIS NDVI数据对黄淮海平原植被的研究表明该区域整体呈上升趋势，但经济发展迅猛的城市周边呈退化趋势 ；贺振等[7]利用 1982-2013 年GIMMS NDVI数据对黄河流域 、王情等[8]利用1999-2007年SPOT NDVI数据对淮河流域、杨艳丽等[9]利用 2000-2013年 SPOT NDVI数据对海河流域的研究都表明各区域植被呈上升趋势。以上研究从不同时间段和不同流域角度都说明了黄淮海流域的植被呈上升趋势，也有学者从更为详细的区划分析黄淮海流域植被覆盖变化。孙锐等[10]通过NDVI年最大值和生长季均值对黄土高原地区植被时空变化进行了分析，认为黄土高原植被生长状态整体上呈现较好的发展趋势；范松克等[11]分析了河南省NDVI时空变化规律，结果显示NDVI变化具有明显的海拔梯度差异特征；崔晓临等[12]对秦岭地区NDVI变化的研究表明植被覆盖增加速率的变化与低海拔区域的人类活动、高海拔区域的气象变化等因素有关。这些研究或从黄淮海流域整体分析，或单独从某个省域分析，极少有研究基于黄淮海流域整体并横向对比同级区划下植被覆盖状况。

在全球环境变化背景下，黄淮海流域的植被变化呈现出较强的气候响应特征和异质性，量化植被覆盖变化与气候变化之间的关系，是当前全球陆地表层生态系统领域的热点和难点[13]。黄淮海流域地域广阔，自然条件和气候差异显著，植被覆盖存在区域差异性，在研究环境变化条件下植被分布规律时，将其看作一个整体进行分析在很大程度上会影响其准确性。随着黄河流域生态保护上升为重大国家战略，也为流域各省域的发展提供了历史性机遇。因此有必要分析黄淮海流域不同省域的植被覆盖变化，为全流域的生态保护提供参考。基于此，本文利用GIMMS NDVI数据和同期气象数据研究黄淮海流域及不同省域植被覆盖时空变化特征，特别是在全球气候变化背景下植被覆盖的响应，这为系统了解黄淮海流域植被覆盖演变规律提供科学依据，为流域生态保护尤其是地方部门对植被的保护和治理提供参考。

1 数据与方法

1.1 研究区概况

黄淮海流域（30°N-43°N，110°E-123°E）是中国三大一级流域黄河流域、淮河流域和海河流域的统称，面积138.28万km2，包括河北、内蒙古等14个省（自治区）和北京、天津2个直辖市。黄淮海流域地跨地势三级阶梯，由东向西自平原向山地和高原过渡，地形起伏较大，地势总体西高东低，气温垂直地带性显著。多年平均蒸发量与降雨量分别为1 699.5 mm 和 556.0 mm[14]，干燥度由北向南逐渐递减[15]。黄淮海流域也是我国重要的粮食基地和能源基地，是中国经济最发达的地区之一。流域人口东部密集西部疏松，人口占全国的34%，GDP占全国的32%，其中海河流域为城镇化最集中的地区。

1.2 数据来源

本文使用表征NDVI的GIMMS数据集。GIMMS数据来源于美国航空航天局全球监测与模型研究组，该数据集为半月最大值合成数据，空间分辨率是8 km，时间从1981年7月到2015年12月。该数据集经过校准、几何纠正，消除了大气气溶胶及其他因素的影响，经过误差分析，精度满足要求。本文使用1982-2015年的GIMMS NDVI年值，数据集可在http：//ecocast.arc.nasa.gov免费下载。同期气象数据由国家气候中心[16]提供，包括降水和气温，空间分辨率为 0.25°，通过ArcGIS重采样为8 km。土地利用数据及相关社会经济数据来源于中国科学院资源环境科学数据中心，空间分辨率为100 m。由于在生态系统中林地和草地对气象条件比较敏感，耕地受人类活动影响较大，因此在后续探讨各省域的植被覆盖中选用这三种土地利用类型进行分析。

图1 研究区概况Fig.1 Location of the Huang-Huai-Hai River Basin

1.3 研究方法

（1）采用趋势分析法[17]研究过去 34 a NDVI时间序列的变化。斜率为正表示随时间变化NDVI升高植被趋向改善；反之，斜率为负则表示NDVI下降植被趋向恶化。对斜率进行显著性水平检验，通过置信度95%检验则认为植被呈显著性变化。计算公式如下：

式中：eslope为NDVI趋势线的斜率；i为年序号；n为时间序列长度；NDVIi为第i年NDVI的值。

（2）采用Theil-Sen median趋势度[18]耦合Mann-Kendall趋势检验[19]分析黄淮海流域 NDVI空间变化。当Sen趋势度β＞0时，反映上升的趋势，反之则表示下降的趋势。计算公式如下：

NDVI变化趋势的显著性判断利用MK检验法，在置信度95%上判断NDVI趋势变化的显著性，以1.96为临界阈值将检验结果Z划分为显著变化（|Z|＞1.96）与不显著变化（|Z|＜1.96）。计算公式如下：

式中：Z为NDVI趋势检验结果；i为年序号；n为时间序列长度；NDVIi为第i年NDVI的值。本文将NDVI变化趋势分为5类，见表1。

表1 NDVI变化趋势分级Table 1 Standard of classification

利用MK突变检验[20]对NDVI变化趋势进行突变分析。在原序列随机独立的假设下，定义统计量UFk：

式中：UF1=0，mj表示j时刻样本值大于i时刻样本值的累计数，E（dk）和 Var（dk）表示累计数dk的均值和方差。按时间逆序计算统计量UBk，在置信度95%上，构造样本秩序列并绘制UFk与UBk曲线及显著水平线。若UFk＞0，则表示序列呈上升趋势；当曲线超过置信区间，表示上升趋势显著，超过置信水平区域为序列的突变区域。若UFk、UBk曲线在置信区间内有交点，该交点对应的时间为突变开始的时间点。

2 结果与分析

2.1 黄淮海流域NDVI时空变化特征

基于像元计算黄淮海流域1982-2015年NDVI均值得NDVI空间分布（图2a）与变化趋势（图2b）。整体看，黄淮海流域NDVI的空间分布具有明显的区域性差异，大致呈现以黄河流域西北部为中心向东南逐渐增加的趋势。流域NDVI多年均值为0.38，其中NDVI＜0.1的区域占研究区总面积的1.5%，主要位于内蒙古的库布齐沙漠及其边缘地区，以及山东和河北的沿海区域。NDVI介于0.1～0.2之间的区域占总面积的12.68%，主要位于内蒙古、宁夏与甘肃的黄土高原区域及青海的北部边缘地区，以草地和未利用地为主。NDVI在0.2～0.4之间的区域占总面积的36.74%，主要位于青海黄河源区、甘肃秦岭北部地区、陕西北部黄土高原区、山西山地高原区、内蒙古河套灌区与河北临近渤海区域。NDVI在0.4～0.6的区域占总面积的46.59%，主要位于四川、甘肃甘南、陕西渭河谷地和黄淮海平原区，大部分以耕地和林地为主。NDVI＞0.6的区域占总面积的2.5%，位于陕西秦岭山区及湖北和安徽大别山区域。

图2 1982-2015年黄淮海流域NDVI时空变化Fig.2 Spatial-time distribution of average NDVI from 1982 to 2015

图2b显示黄淮海流域大部分地区NDVI呈显著增加趋势，同时伴随着局部地区的显著减少趋势，面积占比分别为73.72%和1.60%。表明近34 a来黄淮海流域大部分地区植被覆盖在好转的同时，局部地区出现了植被退化或恶化现象。植被增加区域在各省域均有分布，其中显著增加区域在除青海外的各省域分布均占优势。植被减少区域主要分布在以高寒植被为主的青海、甘肃西南部，以及其余省域的城镇及周边区域，其中显著减少区域主要分布在各省域中人类活动剧烈的城镇区域。

Hurst指数[21]可用来定量描述 NDVI的长程依赖性，结合斜率对NDVI趋势作判析。图2c为研究区NDVI多年时间序列变化，表明流域NDVI随时间呈波动增加趋势，年增加速率为0.001 39/a且Hurst指数为0.64，表明整个研究区的植被覆盖有所好转。黄淮海流域不同年代的NDVI变化趋势不同，由图中MK突变曲线可知2003年为NDVI的转折点。34 a间UFk值均高于0，表示NDVI呈上升趋势，其中1982-2002年期间增加速率为0.001 17/a，2003-2015年期间增加速率为0.002 11/a，表明NDVI上升趋势有所加快。

2.2 不同省域NDVI时空变化特征

黄淮海流域横跨16个省（市、自治区），各省域间植被覆盖具有差异性，将流域看作整体进行分析在很大程度上会影响其准确性。基于此本文探讨不同省域NDVI的时空分布特征，不同省域的NDVI值指该省域在黄淮海流域范围中的NDVI多年均值。

由图2b知，黄淮海流域低海拔地区的省域植被呈增加趋势，高海拔地区尤其是黄河源区的植被有一定的退化趋势，与刘启兴[22]的研究相一致。分析各省域NDVI的特征值（表2）得NDVI均值为0.19～0.55，其中NDVI最高的为湖北，其次是安徽，内蒙古最低；在耕林草三种土地利用类型中，耕地NDVI最高为湖北，其次是江苏；林地NDVI最高为安徽，其次是湖北；草地NDVI最高为安徽，其次是北京。除北京外，耕地、林地与草地NDVI较高的省域都位于淮河流域，植被覆盖受自然地理位置影响极大，与当地的水热条件密不可分。NDVI在不同土地利用类型中的总体趋势呈现林地＞耕地＞草地，部分省域如位于黄淮海平原的山东和江苏耕地NDVI高于林地，两省中耕地占比较高，分别占各省面积的52.53%[23]和42.72%。

表2 黄淮海流域不同省域NDVI特征值Table 2 NDVI index in different provinces of the Huang-Huai-Hai River Basin

结合表2与图3可知，各省域NDVI均呈增加趋势。显著增加面积占比最高的为湖北，达到100%；显著增加占比最低的是青海，为43.71%。除这两个省域外，显著增加面积占比低于60%的省域还包括四川和天津；显著增加占比省域60%～80%的包括河北、内蒙古、甘肃、江苏、宁夏和北京；显著增加占比高于80%的包括山西、山东、河南、陕西、安徽和辽宁。增速最快的是安徽，达到了0.003 22/a；增速最缓慢的是青海，为0.000 42/a。除这两个省域外，增速低于0.001/a的省域包括北京、天津、内蒙古和四川；增速介于0.001/a～0.002/a的包括山东、山西、陕西、江苏、辽宁、湖北、甘肃、河北和宁夏；增速高于0.002/a的包括河南。除宁夏外，其他省域的Hurst指数都高于0.5，表示未来一段时间内会延续增加的趋势。在突变情况上，结合全流域突变时间为2003年，将各省域的突变时间划分为1982-2002年与2003-2015年两个时间段。其中突变时间在1982-2002年的省域包括河北、山东、青海、河南、江苏、四川、天津、内蒙古和安徽；突变时间在2003-2015年的省域包括山西、甘肃、陕西、宁夏、辽宁和湖北；除此之外，北京在两个时间段均有突变发生。

图3 1982-2015年不同省域NDVI时间序列变化Fig.3 Temporal variations of NDVI in different provinces from 1982 to 2015

2.3 气象因素与NDVI变化的关系

2.3.1 气象因素变化特征

降水和气温是影响植被变化的主要气象因素。1982-2015年期间黄淮海流域降水量均值为575 mm，由图4a可知降水量由西北向东南递增，其中甘肃甘南区域与陕西子午岭区域比周围地区降水量高，降水量分布与NDVI空间分布相似。图4b中降水量呈不显著增加区域占比最高，达到55.49%。降水量增加区域主要分布在青海西部、吕梁山区、太行山中部、山东、安徽西部和江苏，降水量减少区域主要分布在宁夏、甘肃南部、陕西南部、山西南部、河南、北京和辽宁。图4c表明降水量呈增加趋势，年增加速率为0.865 86/a，由累计距平曲线可知突变点为2002年，突变后气候由干变湿。34 a期间研究区气温均值为8.72℃，图4d表明气温自西随着海拔降低向东递减，气温变化受地形影响明显。图4e表明气温在吕梁山脉及太行山脉区域增速慢于周围，这与该地区植被覆盖的增加对地表气温产生一定的降温作用有关，与金凯的结论一致[24]；山东半岛受海洋影响气温增速明显较低，宋彦华等[25]研究也表明滨海区的气温幅度小于内陆；京津冀以北地区增速较低，可能反映了一些山地局地气候变化特点，窦以文等[26]研究也说明此区域受地形的主导作用最低气温的增速较缓。图4f表明气温整体呈增加趋势，年增加速率为0.041 42/a，由累计距平曲线知突变点为1996年。

图4 1982-2015年黄淮海流域气象因素时间序列变化特征Fig.4 Temporal variations of climate elements in the Huang-Huai-Hai River Basin from 1982 to 2015

2.3.2 气象因素对NDVI变化的影响

生态系统是个多变量的复杂巨系统，一个变量的变化会影响到其他变量的变化，而偏相关系数[27]可以研究一个变量同时和多个变量相关时剔除第三个变量的影响，只分析其中两个变量之间的相关程度。复相关分析[28]可用来研究一个变量与多个变量之间的整体相关程度。利用复相关系数分析NDVI与多个气象因素的整体相关程度，在此基础上利用偏相关分析研究NDVI受各气象因素影响的时空分布情况。

基于SPSS软件计算黄淮海流域1982-2015年NDVI与降水和气温的复相关系数为0.68（P＜0.01），说明NDVI受两种气象因素影响较明显，进而对NDVI与降水和气温进行逐像元偏相关分析（图5）。黄淮海流域NDVI与降水量、气温的空间分布的偏相关系数分别为0.200和0.365。和降水量呈正相关的区域面积占总面积的78.24%，主要分布在甘肃北部及南部、宁夏、内蒙古、陕西北部、山西北部及中部、河北中部及南部、北京、天津、山东，这些区域自然植被分布较广。呈负相关的区域呈片状主要分布在三种区域，其一为青海和甘肃的黄河源区，此区域以高寒植被为主，对降水量敏感性低于气温；其二为陕西南部、山西南部、河南、安徽南部和江苏南部，此区域存在大量的耕地，在降水量较少呈干旱的年份中，耕地受灌溉影响较大，植被与降水量负相关性强；其三为河北和山东的沿海区域。与气温呈正相关的区域面积占93.52%，主要分布在青海西部、四川、甘肃中部及南部、宁夏南部、陕西中部、内蒙南部、山西北部及南部、河北东部、北京和天津的郊区、山东西部、河南南部、安徽、江苏西部。呈负相关的区域呈点状主要分布青海与甘肃的交界处、宁夏与内蒙黄河沿岸、陕西南部、山西中部、河北南部及东部、河南中部、山东东部、江苏东部，此区域人类活动较剧烈。其中，降水量与NDVI在内蒙正相关性强，气温与NDVI在内蒙西部与北部负相关性强，表明干旱区植被对气候变化极为敏感，与已有结论一致[29]。

图5 1982-2015年黄淮海流域气象因素与NDVI偏相关空间分析Fig.5 Partial correlation between NDVI and climate elements in Huang-Huai-Hai River Basin from 1982 to 2015

表3为不同省域偏相关系数，结果表明：14个省域NDVI与降水量呈正相关，正相关性最强的省域为辽宁，负相关性最强的省域为青海；16个省域NDVI与气温呈正相关，正相关性最强的省域为湖北与安徽，正相关性最弱的省域为内蒙古与山西。结合NDVI空间分布可知年降水量低于600 mm的省域，NDVI与降水量的正相关性较好，例如内蒙古、宁夏和周围省域的局部区域，说明干旱和半干旱区域植被更容易受到降水的影响。气温高于15℃的省域，NDVI与气温的正相关性较强，例如湖北和安徽。

表3 黄淮海流域及不同省域气象因素与NDVI偏相关系数Table3 Partial correlation index between NDVI and climate elements in different provinces

3 讨论

黄淮海流域地域辽阔，植被生态环境较为复杂，本文结果得不同省域植被NDVI虽然都呈上升趋势，但上升幅度具有差异性，且局部区域NDVI也有下降趋势。一方面，以青海及甘肃为主的黄河上游区域尤其是其中的黄河源区作为重要的水源涵养区和补给区，政府先后建立了三江源自然保护区（2000年）和三江源国家公园（2020年）并实施了相应的生态保护建设工程（2005年）[30]，对遏制该区域植被退化初见成效。青海NDVI增速最慢与受高原气候敏感性影响，高寒植被的退化没有得到完全遏制有关，与相关研究一致[22]。以河北为主实施了“京津风沙源治理工程”（2002年）[30]，卫洁等[17]的研究表明该生态建设工程是植被恢复的主要原因。流域中部的吕梁山与太行山的山区植被以增加为主，森林生态系统稳定性增加，生态环境显著改善，表明“太行山国家水土保持重点建设工程”（2003年）[30]对植被的改善有一定的影响。黄淮海流域整体及甘肃和山西等植被NDVI的突变点都在21世纪初，且突变后植被增速增加，由此推断持续的生态恢复和生态保护工程的实施在一定程度上增加了植被覆盖度。刘宪峰[31]及赵安周等研究也表明生态恢复工程的实施对植被具有促进作用[32]。在分析降水量与植被关系时，发现黄淮海平原南部与降水量的负相关性强，该地区植被主要受灌溉工程的影响，降水量少的年份对植被的人为干预较强。因此除了气象因素外，人类活动对植被的影响也很大。另一方面，随着经济的发展，大型城市及周边人类活动的加剧及草原地区的过度放牧对植被覆盖具有消极作用，与本文NDVI减少区域特征相吻合。赵维清等[19]通过夜间灯光数据的研究表明在以建设用地和耕地为主的城镇及周边地区，人类社会经济活动对NDVI起抑制作用。因此，局部地区人类活动加剧对植被退化的影响不容忽视。受到众多处于不断变化中的因子的交互影响，植被对气候要素和人类活动的响应机制难以验证尤其是贡献率的量化。文中只分析了气候变化对植被覆盖的影响，量化人类活动对植被的影响有待于进一步探讨，也是下一步研究的方向。

4 结论

采用1982-2015年GIMMS NDVI数据，利用Sen中值耦合MK显著性检验等方法，系统的研究了黄淮海流域及不同省域植被的时空变化特征，在此基础上探讨气象因素对植被变化的影响，结论如下：

（1）从区域整体分析，NDVI多年均值为0.38且空间分布由东南向西北递减，具有明显的区域性差异，与降水量分布基本一致。NDVI高于0.6的区域主要分布于研究区东南部的大别山区，以林地为主；NDVI低于0.1的区域主要分布于流域西北方的库布齐沙漠区，以未利用地为主；NDVI 0.4～0.6的区域占46.59%。研究区73.72%的区域NDVI呈显著增加趋势，1.6%的区域呈显著减少趋势，减少区域集中分布在黄河源区和城市周边。NDVI多年时间序列变化表明研究区NDVI年增加速率为0.001 39/a且具有可持续性（Hurst＞0.5），并在2003年附近发生突变。

（2）从省域尺度分析，空间分布上NDVI最高的为湖北，最低的为内蒙古，研究区东部省域值高于西部省域；NDVI在三种土地利用类型中林地＞耕地＞草地；研究区NDVI多年时间序列变化表明各省域均呈增加趋势，其中增加最快的为安徽，年增加速率为0.003 22/a，增加最慢的为青海，年增加速率为0.000 42/a。

（3）气温与NDVI的相关性高于降水与NDVI的相关性，表明植被对气温的敏感性高于降水，不同省域植被受气象因素的影响程度有明显差异。在空间分布上NDVI与降水在吕梁山脉地区正相关性最强，在黄河源区负相关性最强；NDVI与气温在安徽和湖北正相关性最强，在晋中盆地与关中平原负相关性最强。研究区NDVI与降水量和气温的偏相关系数分别为0.200和0.365。不同省域的相关性研究结果表明除青海与河南的NDVI与降水为负相关外，其他省域NDVI与降水均为正相关；各省域NDVI与气温均为正相关。