2000-2019年渭河流域植被覆盖度时空演变特征及气候响应

庞家泰, 段金亮, 张 瑞,2, 吕继超

(1.西南交通大学 地球科学与环境工程学院测绘遥感信息系, 成都 611756; 2.西南交通大学 高速铁路运营安全空间信息技术国家地方联合工程实验室, 成都 611756)

植被是陆地生态系统中必不可少的一部分，在气温调节，水土保持，物质循环中扮演着重要的角色[1-2]，对气候变化及人类的生产活动具有高度的敏感性。植被覆盖的时空演变是气候变化、土地利用类型变化等影响因素综合作用的结果[3-4]。自然因素和人类活动对地表植被覆盖的影响都会直接反映到地表植被类型及其覆盖度的变化上[5]。植被覆盖度是反映区域生态系统及环境优劣的重要监测指标之一[6]，作为生态系统表述的重要数据基础，以及区域生态环境在时间和空间上演变的重要指标，对水文、生态以及区域变化等研究领域都具有重要意义，植被覆盖度在很大程度上反映了区域生态系统的安全性与稳定性[7]。

遥感作为当前针对多尺度，大范围，时空连续性较强的对地观测手段，能够很好地表示地表覆盖情况，是获取地表植被指数的重要手段[8]。目前，利用遥感数据产品进行地表植被指数的反演已经成为研究的热点领域。通过对遥感影像的解译与判读能够很好地表达不同尺度上的区域植被指数，其中归一化植被指数(NDVI)在当前的研究中使用的最为广泛[9]，是监测地区和全球植被及生态环境的有效指标，同时也是反演地表植被覆盖变化的最佳指示因子[9]。基于NDVI数据利用像元二分模型反演植被覆盖度是常用的反演方法，通过构建时序植被覆盖度影像能直观准确的反映植被指数的时空变化特征。为区域的政策方针，发展规划提供有效的参考与及时的反馈。植被覆盖的时空演变特征及气候因子的影响分析，是当前全球环境变化和气候演变的研究热点之一。分析其变化特征及未来发展趋势能够为生态环境、经济发展及区域管理提供科学的数据支持[10]。

渭河流域自古以来就是人类生产、生活的主要集中区域。由于历史上长期的滥垦乱伐，区域内植被遭到严重破坏，另外，流域大部分地区处于黄土高原范围内，土质疏松，导致水土流失严重，造成流域生态相对脆弱[11]。据数据统计，每年黄河向下游地区输沙量达16亿t，其中，平均每年有3亿t来自渭河流域[12]。因此，对渭河流域进行植被的时空动态演变的监测具有重要的研究意义。乔晨等[13]通过研究1980—2007年渭河流域关中段的植被动态变化分析，得出该区域NDVI和植被覆盖度近30 a总体上呈增长趋势，仅1990—2000年期间有所下降；傅志军等[14]通过研究基于NDVI的渭河流域时空演变分析，得出2010—2015年渭河流域NDVI均值呈缓慢增加趋势，植被覆盖度总体呈现由西北向东南逐渐增加的趋势；余东洋等[15]通过研究2000—2017年渭河流域植被动态变化遥感时序分析，得出渭河流域NDVI总体呈上升趋势，但在空间上存在一定的差异性，同期气温和降水具有显著的时空差异性；渭河流域的植被指数变换在一定程度上反映了整个流域生态系统的稳定性与发展趋势。

为进一步研究渭河流域生态植被的时空演变特征及相关影响因子，并对未来发展趋势进行预测。本文基于2000—2019年渭河流域MODIS-NDVI遥感产品数据进行逐像元植被覆盖度反演，研究其时空演变特征，结合气温、降水等气象数据进行相关性及偏相关性分析并进行M-K突变检验，基于Hurst指数及年际变化率进行未来发展趋势分析，并就人类活动对渭河流域植被覆盖的影响因子进行简要分析。渭河作为黄河最大的支流，且作为黄河输沙量的主要来源之一，渭河流域特殊的地理位置决定了其在生态环境保护中的特殊地位，因此定期对流域内植被变化情况进行监测是对区域内的生态环境重要保护举措，对渭河流域及黄河中下游地区的生态安全及社会经济可持续发展都具有重要的意义。

1 研究区概况

渭河是黄河第一大支流，渭河流域位于东经103°30′—110°30′和北纬 33°30′—37°30′。由北洛河、泾河两大支流和渭河主流构成，流域北部地处黄土高原，南部位于秦岭山区北侧，流域范围涉及甘肃、宁夏、陕西三省(自治区)，总面积达134 766 km2。渭河流域在空间上可分为东西2个部分：西部地区为黄土丘陵沟壑区，东部地区为关中平原区，流域地势西北高东南低，南北两侧山地呈阶梯状向渭河干流倾斜[13]。区域内水土流失严重，生态系统脆弱，气候以半湿润和半干旱气候为主[16]。渭河流域位于干旱地区、大陆性季风气候区和湿润地区的中间过渡带，春季温暖少雨，夏季炎热多雨且伴有伏旱天气，秋季清凉湿润，冬季气候寒冷干旱且降雨稀少[17]。流域内植被覆盖类型北部以草地为主，南部地区以荆条灌丛为主[18]，区域内主要土地利用类型以耕地、林地、草地等。

2 数据和方法

2.1 数据及预处理

遥感数据使用美国国家航空航天局(NASA)的2000—2019年MODIS13Q1数据产品(https:∥ladsweb.modaps.eosdis.nasa.gov)，空间分辨率为250 m×250 m，时间分辨率为16 d。由于渭河流域跨越h∶26 v∶5和h∶27 v∶5两个瓦片范围，因此选择h∶26 v∶5和h∶27 v∶5为原始数据。MODIS-NDVI产品是已经经过水、云、重气溶胶等数据处理，因此其数据产品具有一定的质量保障，由于MODIS-NDVI产品具有较高的空间分辨率，因此在区域植被覆盖变化等研究领域中应用广泛。在进行数据预处理时，首先利用MRT(MODIS Reprojection Tools)和bat批处理命令将原始MODIS-NDVI数据进行批量的格式转换、重投影和影像拼接；其次，利用IDL程序进行批量研究区边界裁剪得到研究区的原始MODIS-NDVI影像数据并进行异常值消除处理；然后，利用最大合成法得到年NDVI影像数据，并进一步利用像元二分法模型逐像元计算得到年植被覆盖度影像数据；最后，对2000—2019年的植被覆盖度影像数据进行时序数据合成，得到2000—2019年植被覆盖度时序影像数据。

气象数据来源于中国气象数据网 (http:∥data.cma.cn)中国地面气候资料日值数据集的1981—2019年渭河流域及其周边区域37个气象站点的逐日数据(包括日降水量、日平均气温等)

2.2 趋势分析

在时序栅格影像数据的变化趋势研究领域中，通过一元线性回归分析能够对每个栅格像元的演变趋势进行模拟。该方法是在确定的时序影像数据范围内，通过最小二乘的方法对年植被覆盖度的时间变化曲线斜率进行拟合，用以综合反演植被的时空变换特征[19-21]。本文采用一元线性回归分析来进行2000—2019年时序植被覆盖度数据的逐像元趋势分析，用以反演植被的时空演变特征，计算公式如下[22]：

(1)

式中:θslope为变化趋势;NDVIi为第i年的NDVI值;n为时序数据的总年数;当θslope>0时该像元呈现增加趋势;当θslope≤0时该像元呈现下降趋势。

2.3 Hurst指数

Hurst指数是用以描述时间序列是否具有长期依赖性的有效检测方法，其基本原理基于重标极差(R/S)分析方法，最早由英国水文学家提出，用以描述水库及水流量的相关分析，后被广泛应用于各研究领域，基本概念为[24]：

一时间序列{φ(t)},t=1,2,…，n，对于任意正整数τ=1，定义均值序列：

(2)

累计离差：

(3)

极差：

(4)

标准差：

(5)

若存在R/S∝τH，则说明时间序列{φ(t)},t=1,2,…，n存在Hurst现象，其中H值称为Hurst指数，Hurst指数数值大小的代表意义如下：

(1) 0

(2)H=0.5，表明当前时间序列呈随机变换，即过去对未来发展趋势没有影响。

(3) 0.5

(4)H=1，说明未来完全可以用现在来预测。时间序列是一条直线。

2.4 Manner-Kendal(M-K)-突变检验

Mann-Kendall检验方法，最初由Mann和Kendall提出，在降水、径流、气温和水质等时间序列的趋势变化研究中应用广泛[25]。在Mann-Kendall检验中，假定Xn为一时间序列数据(X1,…,Xn)，其不同时间点的数据是相互独立、随机的样本数据；假设Hi是双边检验，对于任意的k,j≤n，且k≠j,Xi和Xj的分布是不相同的，检验的统计量S计算如下[26]：

(6)

其中

(7)

S服从标准正态分布，方差Vαr(S)=n(n-1)(2n+5)/18。当n>10时，通过下式计算统计量Z值：

(8)

对于统计量Z，当Z值大于0表示当前时间序列呈增加趋势；小于0时表示当前时间序列呈减少趋势。统计量Z值的绝对值在大于等于1.28，1.64，2.32时，表示当前时间序列分别通过了置信度为90%，95%，99%的显著性检验。

Mann-Kendall检验还可以进一步用于时间序列的突变节点检测，其检测统计量Z与前面所述有所差异，通过构造一秩序列：

(9)

其中：

(10)

定义统计变量：

(11)

(12)

对于统计序列UFk和UBk进行进一步分析时间序列的变化趋势以及其突变的时间节点。若UFk值大于0，则表明序列呈现为增加趋势；小于0则表示呈现减少趋势；当它们达到设定阈值时，表示当前时间序列的具有显著性的变化趋势。如果UFk和UBk的序列统计曲线存在交点，并且交点位于设定阈值的范围之内时，那么此时交点出现的时间节点就对应了时间序列的突变发生的时间点[27]。

3 结果与分析

3.1 渭河流域植被覆盖度时空演变特征

3.1.1 时间尺度 基于MODIS-NDVI产品数据利用最大合成法得到的2000—2019年NDVI数据并反演年植被覆盖度，进一步计算渭河流域整体年均植被覆盖度。利用线性拟合方法对2000—2019年渭河流域年均植被覆盖度进行线性拟合分析。结果表明：渭河流域整体植被覆盖度呈现显著性上升趋势，年均增长速率为0.087/10 a，其中，在2000—2013年基本为单调递增趋势，在2013—2019年有一定的正负波动，但仍呈现增加趋势(图1)。

图1 渭河流域年均植被覆盖度变化

3.1.2 空间尺度 基于渭河流域2000—2019年植被覆盖度时序影像数据，逐像元计算其植被覆盖度均值、年际变化率、变异系数及置信度(图2)，图2A表明渭河流域陕北地区及西北宁夏甘肃地区植被覆盖度整体较低，渭河流域南部秦岭一带及泾河、洛河一带植被覆盖度相对较高，流域整体在空间域上呈现为由东南向西北逐渐递减的趋势；图2B表明渭河流域甘肃、宁夏及陕北地区植被覆盖度年际变化率呈正向趋势，在渭河干流中下游地区呈现负向变化趋势；变异系数又称“离散系数”，其定义为标准差与平均值之比；变异系数可以用来衡量各观测值的变异程度。图2C表明渭河流域植被覆盖度变异系数整体呈西北高东南低的空间格局，在西安及流域西北会宁县、环县、固原县、定边县等地区较为明显；图2D置信水平结果表明除渭河中下游地区等少数地区外置信水平整体较高，植被覆盖度变换较为平稳；在置信度较低的地区植被覆盖度波动较大，有明显的差异性。

图2 渭河流域2000-2019年植被覆盖度均值、年际变化率、变异系数及置信度

对渭河流域植被覆盖度按照自然间断分级法进行分类显示，按植被覆盖度分为低、中低、中、中高、高植被覆盖区，分类结果(图3A)显示渭河流域植被覆盖度呈现由东南向西北渐进式的降低。

结合置信度与年际变化率进行变化显著性分析(图3B)，得到结论：2000—2019年渭河流域植被覆盖度整体表现为显著性增加，其中在渭河中下游城市密度较为集中地区植被覆盖度有显著性减少。

图3 渭河流域植被覆盖等级及变化显著性

3.1.3 未来趋势分析 针对2000—2019年渭河流域植被覆盖度时序数据逐像元计算Hurst指数(图4A)，得到渭河流域Hurst指数最大值为0.991 5，最小值为0.102 4，平均值为0.478 8，小于0.5的像元数所占比例为55%，大于0.5的像元数所占比例为45%。结果表明渭河流域未来植被覆盖度趋势既存在反向特征也存在同向特征。进一步结合2000—2019年植被覆盖度的年际变化率按照以下标准进行未来发展趋势分析：

Hurst指数大于0.5，年际变化率大于0时，未来趋势为改善到持续改善；Hurst指数大于0.5，年纪变化率小于0时，未来趋势为退化到持续退化；Hurst指数小于0.5，年际变化率大于0，未来趋势为改善到退化；Hurst指数小于0.5，年际变化率小于0，未来趋势为退化到改善；分析结果(图4B)表明：渭河流域整体植被覆盖度未来变化趋势为改善，沿渭河中下游城市较为密集及其他城市地区植被覆盖度未来变化趋势为持续退化趋势。

图4 渭河流域Hurst指数以及未来变化趋势

3.2 渭河流域植被覆盖度影响因子分析

结合渭河流域及其周边区域1981—2019年共37个气象站点的气象数据，使用M-K突变检测法及偏相关分析法对气温降水数据进行突变检测以及流域降水、气温与植被覆盖度之间的相关性进行分析。首先根据逐日气象数据计算年降水量与年平均温度，利用ArcGIS 10.3软件对每年气象数据的年降水量及年均温度进行克里金插值得到渭河流域及其周边区域的年降水量及年均温度栅格数据，经过掩膜处理后得到渭河流域逐像元的年降水量和年均温度。

3.2.1 降水、气温趋势分析 基于1981—2019年渭河流域内17个气象站点的气象数据，就降水、气温两个方面进行渭河流域气候因子发展趋势分析。以年为单位，分别统计各站点年降雨量及年均气温，然后求其均值得到渭河流域整体的年均降水量(图5A)及年均温度(图5B)，结果表明，渭河流域近40 a来降雨量呈不显著增加趋势，而气温呈现显著增加趋势，上升速率为0.42℃/10 a。

利用渭河流域内17个气象站点近40 a逐日气象数据，通过Python 3.7进行编程统计各气象站点年降水量与年均温度，在MATLAB中编写脚本分别对渭河流域各气象站点的年降水量和年均温度进行Manner-Kendall(M-K)突变检验，根据计算结果的UFk,UBk时间变化曲线图及统计量Z值确定各气象站点年降水量和年均温度的突变时间节点及变化显著性水平。首先，对渭河流域内各站点年降水量和年均气温进行均值求解得到渭河流域整体的年均降水量和年均温度，对渭河流域整体降水和气温进行M-K突变检验，得到：在降水(图5C)方面，渭河流域整体降水存在一定的波动，其Z值计算结果为0.99表明流域整体降水呈不显著增加，其中在2016年流域整体降水的趋势发生突变；在气温(图5D)方面，其Z值计算结果为4.69表明流域整体气温呈显著性增加，其中渭河流域整体气温趋势于1996年发生突变。

图5 年均降水量、年均温度、降水M-K突变检测、气温M-K突变检测

进一步分别对渭河流域内各气象站点降水和气温进行M-K突变检测，确定各气象站点降水、气温的突变时间及变化显著性水平。结果表明：各站点降水和气温的M-K检验结果与流域整体M-K检验结果基本一致，在降水方面，近40 a渭河流域降水总体呈现增加趋势，各气象站点的降水量突变时间节点集中在2012—2018年，其中在空间上渭河流域东南地区耀县、华山、商州站点降水量变化水平呈不显著性减少，渭河流域北部地区定边、环县站点降水量变化水平呈显著性增加，其余地区均表现为不显著性增加；在气温方面，渭河流域气温变化水平整体表现为显著性增加，其突变时间均发生在1996年左右。

3.2.2 气象数据偏相关分析 基于渭河流域及其周边区域共37个气象站点数据，在各站点年降水量和年均温度的基础上，利用ArcGIS在空间上对2000—2019年各气象站点的年降水量和年均气温进行整个区域的克里金插值，在进行克里金插值时输出结果像元大小设定与植被覆盖度栅格图像像元大小一致，得到渭河流域及周边区域的降水、气温栅格数据，最后利用矢量文件掩膜得到渭河流域年降水、年均气温逐像元的年栅格数据。

进一步结合渭河流域植被覆盖度时序影像数据对植被覆盖度与降水、气温进行相关分析及偏相关分析[28-29]。结果显示，渭河流域植被覆盖度与温度、降水的相关系数与偏相关系数均存在区域正负波动，植被覆盖度与温度的相关系数最大值为0.85，最小值为-0.82，区域整体相关系数平均值为0.08，由图分析可知，气温植被被覆盖度的相关性在空间存在很大的差异，在渭河流域干流中下游、关中及陕北地区表现为大范围的负相关性，而在流域其他地区则呈现出大范围的正相关性；控制温度分析植被覆盖度与温度的偏相关性，偏相关系数最大值为0.86，最小值为-0.83，区域整体偏相关系数平均值为0.07，且在空间域上与单独的相关性分析差异较小，结果表明温度与植被覆盖度的相关性受降水的影响很小；植被覆盖度与降水的相关系数最大值为0.92，最小值为-0.81，区域整体平均值为0.30，在空间上呈现出东南负相关西北正相关的地域分布；控制气温，分析植被覆盖度与降水的偏相关性，偏相关系数最大值为0.93，最小值为-0.79，区域整体均值为0.31，其结果与单独分析降水与植被覆盖度的相关性差异较小，结果表明渭河流域降水与植被覆盖度的相关性受温度影响较小；由结果得出：2000—2019年渭河流域植被覆盖度与气温整体呈现正相关性，在陕西地区存在正负波动的情况，且在控制降水的情况下植被覆盖度与气温的相关性与偏相关性差异较小；与降水的相关性在空间域上呈现出在陕西中南部呈现负相关，而在渭河流域其他区域整体呈现正相关性，且在控制温度的情况下植被覆盖度与降水的相关性和偏相关性也差异较小，总体而言，渭河流域植被覆盖度与气温、降水的相关性与偏相关性均呈正相关性，其中与降水的相关性及偏相关性稍强于气温(图6)。

图6 渭河流域降水和气温偏相关性

5 结 论

(1) 2000—2019年渭河流域整体植被覆盖度呈上升趋势，上升速率为0.095/10 a，其中渭河流域陕北地区及西北宁夏甘肃地区植被覆盖度整体相对较低，渭河流域南部秦岭一带及泾河、洛河一带植被覆盖度相对较高，渭河沿线城市地区植被覆盖呈现显著性降低，有明显的差异性。

(2) 近40 a来，渭河流域气温呈显著性上升趋势，上升速率为0.42℃/10 a，降水呈现弱增加趋势，但降水变化的随机性较大。渭河流域植被覆盖度与气温和降水整体均呈现为正相关性，在陕北等局部地区呈现负相关性；与降水的相关性在空间上表现为由东南向西北递增的空间分布，在陕西中南部地区呈现负相关性，陕北、宁夏及甘肃地区呈现为较强的正相关性。渭河流域植被覆盖度与气温和降水的偏相关系数相较于相关系数差异并不明显。

(3) 渭河流域植被覆盖度与气温、降水的相关性存在明显的空间地域特征，且气温、降水之间对被覆盖度的影响都较为独立，关联性并不明显。

(4) 渭河流域植被覆盖的未来变化趋势表现为：流域整体呈现进一步改善趋势，其中沿渭河中下游城市密集地区植被覆盖未来变化趋势呈现为持续退化趋势。