2000—2018年黄河流域生长季植被指数变化及其对气候因子的响应

解 晗,同小娟,*,李 俊,张静茹,刘沛荣,于裴洋

1 北京林业大学生态与自然保护学院,北京 100083

2 中国科学院地理科学与资源研究所陆地水循环及地表过程重点实验室,北京 100101

气候变化对区域植被覆盖的影响是目前全球变化研究的热点问题之一。IPCC第六次评估报告表明,过去十年中全球气温比1850—1900年平均高出约1.1℃。气候变化会影响植被的生长变化特征,进而影响到生态系统的结构与功能等[1],生态系统的变化反过来又会影响气候系统,从而加剧生态系统的气候变化。由于植物对环境的变化更加敏感,以至于气候变化最明显的表现就是地球上植被生长的变化。在长时间序列、大的空间尺度上,植被变化主要受气候条件控制,它可以客观地反映生态环境情况[2]。

植被生长通过增加陆地生态系统碳汇、改变生物地球物理过程来缓解全球气候变暖。植被覆盖时空变化具有异质性,目前缺乏能在空间和时间上检测这些变化的观测,再加上从点向面观测的困难,因此,在大范围内地面观测难以检测植被变化[3]。在大尺度上,通常采用遥感手段来研究植被变化。搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪(MODIS),具有36个波段,计划中的数据产品共44种之多[4]。其中,NDVI(Normalized Difference Vegetation Index)与EVI(Enhanced Vegetation Index)两种植被指数通常能够较为准确地反映植被覆盖变化情况[5]。NDVI存在高植被覆盖易饱和、大气干扰校正有限、易受树冠背景影响和最大合成法处理不能得到最佳像元等缺陷,而EVI是在NDVI基础上进行改进,在土壤背景和大气噪声方面进行了校正,改善了与不同覆盖程度植被的线性关系[4],但在气候地理环境不同地区进行研究,二者存在各自优势[6]。陈燕丽等[7]研究发现在喀斯特地区,与NDVI相比,EVI与除日照外的其它气候因子之间的相关性较高[7]。张静茹等[8]发现华北山地人工林的NDVI与夏季总初级生产力月均值的相关性高于EVI[8]。黄河流域由于其地理特殊性,大范围被黄土覆盖,植被稀疏,干旱少雨,EVI是否比NDVI在反映地表植被状况更具优势尚需进一步研究。

黄河流域西接青藏高原,东邻华北平原,横跨黄土高原,主要分布于我国干旱与半干旱地区,地处中纬度地带,自然环境复杂,其发展对我国生态、经济有重大意义[9],该地区还被认为是监测植被绿化的关键区域[3]。同时,黄河流域又是我国生态环境敏感区,易受气候变化和人类活动的影响[10],曾经一度植被退化严重。研究显示：20年来黄河流域水资源总量减少,干旱和洪涝灾害等极端自然气候事件增加[11—12]。植被生长受气候变化的影响,探究黄河流域植被覆盖变化及其对气候因子的响应机制对该地区的生态建设具有重要的意义。袁丽华等[13]研究发现,2000—2010年黄河流域植被指数西部和南部高、北部低的特点,且植被覆盖改善情况良好,呈现出持续改善的趋势。刘绿柳等[14]分析了黄河流域NDVI与降水、气温两种气候因子的年际变化趋势和与植被的相关性,得出NDVI年较差与年均气温相关性不显著,草地、灌木区与年降水呈显著正相关。刘海等[15]指出,黄河流域植被生长对降水的依赖性更强。田智慧等[16]研究发现,近20年黄河流域生长季植被改善良好,且受降水的影响大于受气温的影响。刘勤等[17]研究得出,1961—2013年黄河流域太阳辐射呈减弱趋势,且对该地区干旱度正向影响。太阳辐射作为植物光合作用的驱动力,也是驱动植被变化的因子之一[18]。有关NDVI和EVI对气候因子响应的差异对理解黄河流域植被生长具有重要的意义。

当前研究植被指数与气候因子关系的方法有两种,分别为分析生长季内和生长季间期气候因子与植被之间的关系[19—21]。本文基于黄河流域2000—2018年MODIS NDVI和EVI两种植被指数及气象数据,利用趋势分析法和偏相关分析方法对植被时间变化趋势与空间分布进行研究,分析了NDVI与EVI在黄河流域植被变化研究上的差异,探究生长季内植被指数变化对气温、降水、太阳辐射的滞后效应,揭示两种植被指数变化的时空异质性及受气候因子的影响机制,以期为黄河流域植被恢复提供理论依据,并为该区域生态环境发展提供理论支持。

1 研究区概况

黄河流域发源于青海省巴颜喀拉山,东临渤海,南达秦岭,北至阴山,流经青海省、四川省、甘肃省、宁夏回族自治区、内蒙古自治区、陕西省、山西省、河南省、山东省九个省份,在山东垦利县流入渤海,流域面积79.45万km2,约占全国国土面积的8.3%(图1)。地处中纬度地带,受大气环流和季风环流影响的情况比较复杂,流域内不同地区气候的差异显著,气候要素的年、季变化大。流域的大部分区域处于干旱与半干旱,易受到人类活动和气候的影响,生态环境脆弱。从整体来看,上游海拔高,地处高大山脉区域,多为林地；中游为地势比较平缓的内蒙古高原和黄土高原,为林地和草地居多；下游多是平原地貌,耕地比例较大。本研究中,黄河中上游流域边界按分水岭划分；黄河下游成地上悬河,按传统习惯加上灌区划分流域边界。

图1 研究区高程图Fig.1 Elevation map of study area

2 数据来源与研究方法

2.1 数据来源与处理

本文主要对黄河流域生长季(4—10月)植被指数的时空变化开展研究[22—23]。黄河流域区域矢量图来自中国科学院地理科学与资源研究所水文室,NDVI与EVI遥感数据来源于NASA官网(https://ladsweb.nascom.nasa.gov/)MOD13A2数据集。时间序列为2000—2018年,空间分辨率为1 km,时间分辨率为16 d。在MRT(MODIS ReProjection Tools)软件中经过格式转换和重投影后,采用最大值合成法(Maximum Value Composites, MVC)得到每月植被指数数据[13,24],选取指数值大于0的区域进行研究,再经过计算得到每年生长季的月平均NDVI和EVI数据。

气温与降水数据来源于国家科技基础条件平台-国家地球系统科学数据中心(http://www.geodata.cn)2000—2018月值数据,空间分辨率为1 km[25]。太阳辐射数据来源于国家青藏高原科学数据中心(http://data.tpdc.ac.cn)全球高分辨率地表太阳辐射数据集2000—2018月值数据,空间分辨率为10 km,重采样为1 km[26]。高程数据来自国际科学数据服务平台提供的90 m分辨率SRTM产品,重采样为1 km。土地利用类型数据来自中国科学院资源环境科学数据中心(http://www.resdc.cn)发布的中国土地利用遥感监测数据,空间分辨率为1 km。

2.2 研究方法

2.2.1Theil-Sen media趋势分析

Theil-Sen media趋势分析为非参数统计趋势分析方法[27—28]。该方法在分析中不受到异常值影响,且不要求数据服从正态分布,避免了由异常值产生的误差[29—30]。对研究区逐像元进行分析，其计算公式为：

(1)

式中,β表示NDVI或EVI的年际变化趋势；Xi,Xj分别为第i和第j年NDVI或EVI的生长季月平均值；n为时间序列长度；当β>0时表明植被指数呈升高趋势,β<0表明植被指数呈下降趋势。

2.2.2Mann-Kendall显著性检验

Mann-Kendall(M-K)检验是一种非参数检验方法,通常用于研究气候学和水文学的时间序列趋势[30—31]。该方法同样不需要样本服从一定的分布,不受少数异常值干扰[28,32]。检验过程中,将2000—2018年的NDVI与EVI遥感数据逐像元值构造为一组时间序列,判断显著性差异[33]：

(2)

(3)

(4)

(5)

式中,Zmk为单个序列的统计检验量；S统计量由NDVI或EVI的前后影像数据计算得到；var(S)为S统计量的方差,以上为化简后的求解公式；sgn为逻辑判别函数符号。给定显著性水平α下,当|Z|>u1-α/2时,表明所研究序列在α水平上存在显著变化。本文判断在0.05置信水平上植被指数时间序列变化趋势的显著性。

2.2.3相关与偏相关分析

植被生长过程缓慢,植被指数变化与气候因子的变化并不完全同步,其对气候因子的响应具有一定的滞后性[34—35],陈强等[36]和程昌武等[37]研究表示该地区植被生长对气象因子的时滞效应一般在3个月之内。本文采用相关分析法研究黄河流域两种植被指数分别对同期及前1、2、3个月的滑动窗口的气温、降水和辐射的响应,比较平均相关系数得出NDVI和EVI对何时间段气候因子相关性最高,得到滞后结果,利用偏相关分析探究黄河流域NDVI和EVI对气温、降水和太阳辐射的响应[36,38]：

(6)

式中,Rxy表示变量x、y的相关系数；xi表示第i年的生长季植被指数值；yi表示不同时序各气象要素的值；¯x表示生长季植被指数平均值；¯y表示各要素平均值；i表示样本数。

(7)

式中,Rxy为将z影响剔除后x与y之间的偏相关系数；Rxy、Rxz、Ryz为两因子间相关系数。

(8)

式中,Rxy,zw为将z,w影响剔除后x与y之间的二阶偏相关系数；Rxy,z、Rxw,z、Ryw,z分别为变量x与y,变量x与w,变量y与w各两因子间的一阶偏相关系数。

2.2.4复相关分析

应用标准化的多元线性回归方程研究气温、降水和太阳辐射对黄河流域两种植被指数的影响程度[38],进而求得复相关系数,计算公式为：

y=btT+bpP+brR+b0

(9)

(10)

3 结果分析

3.1 黄河流域生长季植被变化特征

3.1.1气候因子、NDVI和EVI的年际变化

2000—2018年黄河流域4—10月气温、降水、辐射和植被指数的年变化见图2。其中生长季平均气温和累计降水总体呈上升趋势,线性增长率分别为为0.27℃/10a和28.20 mm/10a,M-K检验结果显著；生长季平均辐射总体呈下降趋势,线性减少率为0.82 Wm-2(10a)-1,变化不显著。总体来看,黄河流域气候主要表现为暖湿化。NDVI与EVI均呈增加趋势,且M-K检验结果极其显著。其中,NDVI的线性增长率为0.059/(10a),EVI线性增长率为0.038/(10a)。NDVI与EVI均在2011年出现突降,都在2012—2017年出现下降趋势,在2018年上升至最高值。与EVI相比,2000—2004年NDVI值变化平稳,在2004—2010年波动则较大。NDVI、EVI在2004年达到较高峰值,这可能与2003年降水高、辐射低有关。2012年和2018年,NDVI、EVI明显增加,这可能与气温、降水同时增加有关。

图2 生长季气候因子与植被指数年际变化Fig.2 Interannual variation of climatic factors and vegetation index during the growing season

3.1.2NDVI和EVI的空间变化

采用Theil-Sen media趋势分析法与M-K统计检验方法对NDVI和EVI逐像元进行分析,得到植被变化空间分布图(图3)。本文中将研究区内植被覆盖区植被指数划分为显著退化(β<0,α<0.05)、轻微退化(β<0,α>0.05)、稳定不变(-0.0005<β<0.0005)、轻微改善(β>0,α>0.05)、显著改善(β>0,α<0.05)5种变化类型。

图3显示2000—2018年间黄河流域大部分地区植被呈显著改善趋势,在流域中游显著改善区域相对分布更广。NDVI显著改善区面积约为59.68×104km2,约占研究区总面积的77.13%,各土地类型中林地的显著改善率最高(表1)；EVI显著改善区面积约为58.24×104km2,约占研究区总面积的75.27%,各土地类型中林地的显著改善率最高(表1)。NDVI和EVI显著退化区面积区域面积最小,分布较为分散,巴颜喀拉山西北部、西宁市、银川市、包头市、呼和浩特市、太原市、西安市及关中盆地和洛阳市附近植被显著退化相对较为严重,建设用地显著退化率最高(表1)。NDVI显著退化区面积约为0.36×104km2,约占研究区总面积的0.47%；EVI显著退化区面积约为0.43×104km2,约占研究区总面积的0.55%。

表1 2000—2018黄河流域各土地利用类型NDVI和EVI趋势变化面积占比Table 1 Area proportion of trend change of NDVI and EVI of various land utilization in the Yellow River Basin from 2000 to 2018/%

图3 2000—2018黄河流域NDVI和EVI趋势变化Fig.3 Trends of NDVI and EVI series in the Yellow River Basin from 2000 to 2018NDVI: 归一化植被指数; VEI: 增加型植被指数

NDVI和EVI显著改善区像元数随海拔分布相似(图4)：图中每个海拔高度对应着处在这一高度的显著改善像元数量,在低海拔地区有一定的显著改善,随着海拔升高改善区面积出现突降,后逐渐升高,在1000—1500 m改善最为明显,随着海拔升高,显著改善像元数分布逐渐减少。整体来看高海拔地区易受气候因素影响,同时地处内陆,植被覆盖改善水平较低,低海拔及中低海拔地区植被显著改善较明显。

图4 NDVI、EVI显著改善区像元在不同海拔的分布Fig.4 The significantly improved pixel number of NDVI and EVI series with altitude

3.2 NDVI、EVI与气候因子的关系

3.2.1NDVI、EVI与气候因子的滞后效应

2000—2018年黄河流域生长季NDVI和EVI与不同时序的各气象要素相关系数均值(通过0.05显著性检验)如表2所示,高度相关面积占比如图5所示。生长季NDVI和EVI与气温、降水呈正相关关系,与辐射呈负相关关系。其中,NDVI和EVI与前期1月气温相关系数值最大,与前期3月降水相关系数最大,与前期3月辐射相关系数绝对值最大,同时相关系数最高时期的高度相关面积占比最高。该地区植被生长对气温、降水和辐射的响应存在一定的滞后性,滞后于气温1个月,滞后于降水、辐射3个月。

表2 NDVI、EVI与不同时序气温、降水、辐射的相关系数Table 2 Correlation coefficients between NDVI, EVI and air temperature, precipitation and solar radiation

图5 NDVI、EVI与不同时序气温、降水、辐射的高度相关面积占比Fig.5 The proportion of highly correlated area between NDVI, EVI and temperature, precipitation and radiation in different time series高度相关区域为植被指数与气温、降水相关系数高于0.5区域，与辐射相关系数低于-0.5区域

3.2.2NDVI、EVI与气候因子的偏相关分析

根据NDVI和EVI对气候因子响应的滞后结果,将生长季NDVI、EVI与生长季前期1月气温、生长季前期3月降水和辐射进行偏相关分析。NDVI与气温显著相关区域占研究区总面积的14.50%,平均偏相关系数为0.39,显著正相关和负相关区域分别占研究区总面积的13.07%和1.43%,以正相关为主(图6)。NDVI与气温偏相关系数在-0.88—0.92之间,偏相关系数大于0.5的区域主要分布在青海省西部和与甘肃省和四川省接壤地区以及北部的西宁市附近、甘肃省中部、内蒙古自治区西北部、陕西省南部和中部的黄龙山地区、河南省南部地区以及黄河三角洲西部。不同土地利用中,林地NDVI与气温的相关系数最高但显著相关面积比例较小,草地NDVI与气温相关性最高(图7)。EVI与气温显著相关区域占研究区总面积的17.93%,平均偏相关系数为0.43,显著正相关和负相关区域分别占研究区总面积的16.81%和1.13%,以正相关为主。EVI与气温的偏相关系数在-0.86—0.90之间,大于0.50的区域范围与NDVI相似,但分布更为广泛,生长季,该地区EVI与气温的相关性更高。在不同土地利用类型中,草地EVI与气温显著相关的面积占比和相关系数都为最高,说明草地受气温影响较大(图7)。

图6 NDVI、EVI与气温偏相关系数的空间分布Fig.6 Spatial distribution of partial correlation coefficients between NDVI and EVI series and air temperature

图7 不同土地利用类型NDVI、EVI与气温显著相关面积占比和偏相关系数Fig.7 The area percentages and partial correlation coefficients of NDVI, EVI and air temperature that are significantly related to different land utilization

图8为2000—2018年生长季NDVI和EVI与降水的偏相关分布。NDVI与降水显著相关区域占研究区总面积的47.62%,平均偏相关系数为0.52,显著正相关和负相关区域分别占研究区总面积的46.95%和0.67%,以正相关为主；偏相关系数在-0.80—0.93之间,偏相关系数大于0.5的区域大部分处于400 mm降水线以北,在阿尼玛卿山西北部、宁夏回族自治区中部及与内蒙古自治区和陕西省以及甘肃省接壤一带、内蒙古自治区北部、陕西省与山西省接壤地带、四川省北部和山西省中部较为集中。在不同土地利用类型中,草地NDVI与降水显著相关的面积占比及相关系数值最高(图9)。EVI与降水显著相关区域占研究区总面积的43.39%,平均偏相关系数为0.50,显著正相关和负相关区域分别占研究区总面积的42.46%和0.93%,以正相关为主；偏相关系数在-0.91—0.96之间,偏相关系数大于0.5的空间分布与NDVI相似,但分布面积小于NDVI,该地区NDVI与降水相关性更高。在不同土地利用中,草地植被生长与降水的相关性最高(图9)。

图8 NDVI、EVI与降水的偏相关系数空间分布Fig.8 Spatial distribution of partial correlation coefficients between NDVI, EVI series and precipitation

图9 不同土地利用类型NDVI、EVI与降水显著相关面积占比和偏相关系数Fig.9 The area percentages and partial correlation coefficients of NDVI, EVI and precipitation that are significantly related to different land utilization

NDVI与辐射显著相关区域占研究区总面积的21.77%,平均偏相关系数为-0.35,显著正相关和负相关区域分别占研究区总面积的3.63%和18.14%,以负相关为主(图10)。NDVI与辐射的偏相关系数在-0.92—0.88之间,偏相关系数小于-0.5的区域主要分布在青海省中部地区以及与甘肃省和四川省接壤地带、甘肃省东部和中部及与宁夏回族自治区接壤地区、陕西省中部的洛河-黄龙山-黄河干流一带及与山西省交界地区、陕西省南部与山西省和河南省接壤地带、山西省东南部地区。其中,林地NDVI与辐射显著相关面积占比和相关系数绝对值最高(图11)。EVI与辐射显著相关区域占研究区总面积的21.14%,平均偏相关系数为-0.34,显著正相关和负相关区域分别占研究区总面积的3.89%和17.25%,以负相关为主,相关系数在-0.92—0.87之间,偏相关系数小于-0.5的区域空间分布与NDVI相似,分布面积较为相近。上游地区NDVI与辐射相关性高,中游地区则是EVI与辐射相关性更高。整体上看,NDVI与辐射相关性较高。林地EVI与辐射显著相关面积占比和相关系数绝对值最高,该地区林地植被生长受辐射的影响较大；耕地NDVI和EVI与辐射的相关性接近,耕地土地利用类型上,两种植被指数与辐射相关差异较小(图11)。

图10 NDVI和EVI与辐射偏相关系数空间分布Fig.10 Spatial distribution of partial correlation coefficients between NDVI, EVI series and radiation

图11 不同土地利用类型NDVI、EVI与辐射显著相关面积占比和偏相关系数Fig.11 The area percentages and partial correlation coefficients of NDVI, EVI and radiation that are significantly related to different land utilization

3.3 NDVI和EVI变化的驱动机制

图12为气温、降水、辐射对植被指数变化的综合影响情况。其中NDVI显示复相关系数较高的区域主要为阿尼玛卿山东部及以北的青海省区域、甘肃省东部部分地区、内蒙古自治区的西部地区以及陕西省的洛河-黄龙山-黄河干流一带,以上地区随气温升高、降水增加和辐射下降,植被指数增加。NDVI和EVI与气温、降水、辐射高度复相关区域还包括宁夏回族自治区西部和陕西省西北部部分地区,这些地区随气温辐射下降降水升高植被指数增加。在内蒙古自治区的西北少部分地区NDVI和EVI与气候因子的复相关系数较高,且随气温升高、降水增加和辐射增强,植被指数增加。EVI与三种气象要素的高度复相关区域与NDVI相似,但在范围上小于NDVI。

图12 NDVI和EVI与气候因子的复相关系数及驱动因素分区Fig.12 Multiple correlation coefficients between NDVI, EVI series and meteorological variables and distribution zone of driving factors

本文参考前人的研究方法[39—41]对研究区植被指数变化的驱动因素进行分析(表3)。黄河流域地区生长季NDVI受气候因子驱动地区占研究区总面积的37.21%(图12),其中受降水驱动范围最大,面积占比为16.10%,主要分布在青海省西北部、陇中黄土高原地区及宁夏回族自治区中部和与甘肃和陕西三省交界地带、内蒙古自治区西南部和北部、陕西省的北部地区,这些地区地处黄土高原地区且大部分位于400 mm等降水线以北,气候较为干旱,地形复杂,植被稀疏,因此对降水较为敏感。其次为受辐射驱动区域,面积占比为5.86%,主要集中在陕西省中部的洛河-黄龙山-黄河干流一带,该地区植被覆盖主要为林地、草地和少量耕地,植被覆盖度较高。EVI受气候因子驱动区域小于NDVI,面积占比为32.80%(图12),同样为受降水驱动面积占比最高,为11.73%。除降水驱动外,EVI受辐射驱动面积占比较高,范围要略小于NDVI,为5.16%。NDVI和EVI的变化受其它因子驱动的区域分布范围较小,在黄河流域内零散分布。

表3 植被指数变化驱动因素分区准则Table 3 Rules for driving factors of vegetation index change

4 结论与讨论

2000—2018年黄河流域植被指数整体上呈改善趋势,其中生长季NDVI的线性增长率为0.059/10a,生长季EVI线性增长率为0.038/10a。空间上呈改善趋势区域面积远大于退化趋势区域面积,NDVI与EVI显示显著改善区域面积占比分别达77.13%和75.27%之高,在中游地区显著改善较为明显。研究表明黄河流域植被整体改善情况良好,绿度增加,这与中国大陆植被面积变化的总体趋势相同[42]。该地区植被指数与气温、降水呈正相关,与辐射呈负相关,这表明2000—2018年气温升高、降水增多、辐射的下降有利于植被生长。国家在1998年推行的森林保护工程和2000年推行的退耕还林工程[43—45]及防沙治沙[46]等生态修复工程相继在黄河流域内展开,这使得流域内植被得到了改善。Tian等[23]指出气候变暖、人口增长和植树造林是黄河流域地区植被绿度增加的主导因素。杨灿等[47]发现黄土高原部分地区退耕还林实施前NDVI呈下降趋势,实施后NDVI呈增加趋势。在各类土地利用类型中,林地植被显著改善率最高。显著改善区大多分布于1000—1500 m海拔处,地处第二阶梯部分地区,包括河套平原、鄂尔多斯草原、黄土高原和渭汾盆地等较大地形单元,曾经水土流失严重[9],2000—2018年植被恢复情况良好,但由于其地质类型等因素影响仍然存在生态脆弱区域,以致少部分地区植被生长出现退化。巴颜喀拉山西北部、西宁市、银川市、包头市、呼和浩特市、太原市、西安市及关中盆地和洛阳市附近植被显著退化相对较为严重。其中一些地区因海拔和地理因素,土地易退化,而省级行政中心附近可能更多的由于开发范围广,人口密集,城市扩张发展对周围植被产生不利影响[48—49],结果显示不同土地利用类型中建设用地的显著退化率最高与之相对应。

黄河流域生长季植被指数变化与气温的关系以正相关为主,植被指数变化与气温滞后时间约为1个月；与降水以正相关为主,滞后时间约为3个月,且气候因子驱动分区中以降水驱动为主。在2000—2018年间,气温升高、降水增加趋势显著,气候整体向暖湿化方向发展。Piao等[50]和Tao等[51]发现,降水是促进干旱地区植被绿化的主要驱动因素。刘绿柳等[14]指出,1982—1999年黄河流域降水对流域内植被影响更为显著。黄河流域地处内陆,为温带大陆性气候,多为干旱、半干旱地区[9],植被覆盖与降水高度相关区域大多位于400 mm降水线以北,其中以宁夏回族自治区中部及与内蒙古自治区和陕西省以及甘肃省接壤一带、内蒙古自治区北部、陕西省与山西省接壤地带为主,以上地区地处黄土高原,土地干旱易退化,植被覆盖率低,以草地为主,对水分较为敏感。黄河流域植被指数变化与辐射的关系以负相关为主,这与孙高鹏等[52]的研究结果相一致。植被指数变化与辐射的滞后时间约为3个月,受辐射驱动的区域面积占比相对较高,且集中分布在陕西省中部的洛河中游-黄龙山-黄河干流一带,该地区与气温、降水和辐射复相关系数较高,气温升高、降水增加和辐射下降使植被指数升高；以上地区主要土地利用类型为林地和草地,草深林密,植被覆盖度高,植被生长所需水热条件良好,辐射过强则可能会造成该地区植被蒸腾增加,水分消耗过多,影响植物生长,使植物快速进入枯黄期,从而导致植被指数的迅速下降[53]。

在时间和空间上,NDVI比EVI能较好地反映植被的改善状况,EVI则比NDVI能较好地反映植被的退化状况。NDVI在使用过程中容易受到土壤背景的干扰,而且存在基于比值的植被指数饱和问题[4],黄河流域大部分地区为草地植被且干旱,植被生长密度不高,NDVI对植被变化的敏感程度要高于EVI,NDVI的年际变化幅度高于EVI,因此,在对黄河流域植被覆盖率较低且植被整体呈改善趋势地区开展植被变化研究时,NDVI更为适用。NDVI与气温相关度低于EVI,与降水、辐射的相关度要高于EVI。陈燕丽等[7]在广西石漠化片区进行NDVI、EVI与气象因子相关对比研究得出,EVI对降水的响应好于NDVI；Pan等[54]在内蒙古阿拉善地区的研究结果显示,EVI对降水和辐射的响应要好于NDVI。以上地区和本研究类似,植被覆盖率较低,研究结果存在一定差异。因此,EVI和NDVI对气候因子响应的差异可能并非只因植被覆盖率不同,后续还应引入其它相关因素开展进一步的研究。总体来看,NDVI更适用于研究黄河流域植被变化及其与降水、辐射响应,EVI则更适用于研究植被变化对气温的响应。