粤港澳大湾区植被覆盖特征与变化趋势的自然驱动力研究

冯娴慧 ，曾芝琳

1.华南理工大学建筑学院，广东 广州 510641；2.亚热带建筑科学国家重点实验室，广东 广州 510641；3.长江大学医学部，湖北 荆州 434023

植被是覆盖地表的植物群落的总称，是陆地生态系统中重要的组成部分，承担着物质循环、能量转换等重要功能，在保持水土、调节气候以及实现全球碳平衡等方面都具有不可替代的作用（Piao et al.，2011；Peng et al.，2012）。植被覆盖度（Fractional Vegetation Cover，FVC）是衡量地表植被覆盖状况的一个综合量化指标，指单位面积内植被地上部分（包括叶、茎、枝）在地面的垂直投影面积占统计总面积的百分比（Gitelson et al.，2002）。植被覆盖度对环境变化较敏感，能够反映区域范围的生态环境特征，是区域乃至全球生态、水文、土壤等学科研究领域的重要参数和基础数据（贾坤等，2013）。获取植被覆盖度的途径主要可分为地表实测和遥感监测两类。由于遥感监测具有高效、精确的显著优势，已成为获取区域植被覆盖度的重要手段（程红芳等，2008）。植被指数（Vegetation Index，VI）是通过遥感方法表征植被覆盖度的指标，常用植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强植被指数（Enhanced Vegetation Index，EVI）、比值植被指数（Ratio Vegetation Index，RVI）、差值植被指数（Difference Vegetation Index，DVI）等（Xiao et al.，2005）。

国内外学者利用遥感方法，在不同规模尺度上采用植被指数进行植被覆盖研究。在全球尺度上，Myneni et al.（1997）、Tucker et al.（2001）使用NDVI数据分析北半球1981—1991年和1982—1999年的植被覆盖动态变化；Fensholt et al.（2012）分析全球半干旱地区 1981—2007年的植被覆盖变化和驱动因素；Piao et al.（2011）研究欧亚大陆1982—2006年间的植被覆盖变化。在区域尺度，甘春英等（2011）、穆少杰等（2012）、刘宪锋等（2013）分别使用Landsat TM影像、MODIS-NDVI数据研究连江流域、内蒙古、黄土高原地区等地10余年间的植被覆盖变化。在城市群尺度，董晨炜等（2017）基于 MODIS NDVI数据分析环杭州湾地区 2000—2013年的植被变化；贺忠华等（2020）使用EVI指数分析浙江省20年植被变化；李卓等（2017）基于NDVI数据分析京津冀城市群 2005—2015年的植被覆盖度变化；陈丹等（2006）利用NDVI数据分析广东省2000—2005年的植被覆盖状况。近3年，邓玉娇等（2021）、王思等（2022）基于NDVI数据分析广东省2000—2018和2000—2020年以来的植被覆盖变化。何全军（2019）、Hu et al.（2019）利用NDVI分别研究了珠三角 2001—2017年和 2000—2016年的植被覆盖变化以及气候响应。冯娴慧等（2022）、赵桔超等（2022）分别使用NDVI指数分析粤港澳大湾区近20年的植被覆盖变化特征。NDVI是最常用的植被覆盖度指数，但粤港澳湾区属于南亚热带—热带季风气候区，植被生长茂盛，NDVI易达到饱和，增强型植被指数（EVI）在减少大气作用以及饱和问题上优于 NDVI；在相同的空间分辨率下，EVI能更好地反映植被覆盖的空间差异。因此，除NDVI指数研究外，有必要进一步采用EVI指数进行粤港澳湾区的植被覆盖变化研究，目前未见采用EVI在大湾区尺度进行植被覆盖的相关研究。

在植被覆盖变化的驱动影响因子研究中，以气候类因子中的气温和降水因子的影响研究为主。陈超男等（2019）、张凯选等（2019）分别采用相关系数分析秦巴山区、西南喀斯特地区植被覆盖变化与气温、降水的关系；穆少杰等（2012）采用偏相关系数探究内蒙古植被覆盖度对气温和降水的响应；晏利斌等（2011）、徐勇等（2020）分别采用奇异值分解法（SVD）和相关系数法分析京津冀地区植被覆盖变化与气温、降水的关系；陈云浩等（2001）通过偏相关和复相关系数建立气候因子驱动的植被分区。何全军（2019）、贺忠华等（2020）、邓玉娇等（2021）采用相关系数分别分析了浙江省、广东省、珠三角地区植被覆盖变化对气温、降水、日照时数的响应变化。影响植被的自然因素比较复杂，虽已有大量关于气候因素对植被影响研究，但更多的自然因子，尤其是非气候类因子，如土壤类型、高程、坡度等对植被覆盖变化的影响以及驱动力贡献的研究亟待开展，但非气候类自然因子对植被覆盖变化影响的相关研究很少。

综上所述，基于空间分辨率为 250 m的MOD13Q1-EVI数据，采用EVI指数，使用Sen趋势分析和Mann-Kendall模型检验，Pearson相关系数分析和t检验，地理探测器驱动力分析模型等方法研究粤港澳大湾区20年期间（2001—2020）植被覆盖变化以及气候类因子和非气候类因子等共9个自然因子对植被变化的影响及其驱动力贡献，研究结果预期对监测湾区植被动态，了解自然要素对植被的影响，以及制定湾区生态系统保护的统筹建设和优化管理具有重要意义。

1 数据与方法

1.1 研究区概况

本研究区域为粤港澳大湾区（The Guangdong-Hong Kong-Macao Greater Bay Area，GBA），位于广东省中部（21°26′—24°28′N，111°14′—115°24′E），总面积5.6×104km2，包括珠三角九市（广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆）和香港、澳门两个特别行政区。粤港澳大湾区是中国重点发展建设的世界级城市群及都市连绵区，是中国经济增长的重要引擎和参与全球竞争的战略性空间载体。在过去20年间，快速的经济增长和城市大幅扩张使得大湾区生态环境面临严峻考验。对此，《粤港澳大湾区发展规划纲要》特别指出，推进生态文明建设、加强生态环境保护是进一步提升粤港澳大湾区发展质量的重要支撑。

大湾区属南亚热带—热带季风气候，年均气温21—23 ℃，年均降水量1300—2500 mm。大湾区东、西、北部三面山地丘陵围绕，中部为平原，南部濒临南海。2020年末，常住人口7264.92万人。大湾区主要土地覆盖类型为林地、耕地与居住及建设用地，林地主要分布于东、西、北部山地丘陵地带，如肇庆、江门、惠州及广州北部，居住及建设用地主要分布于中部平原城市集群区，如广州南部、佛山、东莞、深圳、香港、中山、珠海、澳门等地。研究区域的地带性植被以南亚热带季风常绿阔叶林、中亚热带典型常绿阔叶林和海岸红树林为主。

1.2 数据来源与预处理

1.2.1 植被覆盖数据

研究区域植被覆盖生长茂密，为减少植被指数饱和对研究结果的影响，本研究采用增强型植被指数（EVI）数据进行植被趋势变化研究。数据来源于美国国家航空航天局（National Aeronautics and Space Administration，NASA）发布的 2001—2020年MOD13Q1产品，时间分辨率为16 d，空间分辨率为250 m，每年有23幅影像。数据记录始于2000年2月，为保证数据序列的完整性，所选取的影像时间范围为 2001—2020年。使用 MRT（MODIS Reprojection Tools）工具进行投影转换，投影坐标系选择Albers Equal Area，借用研究区矢量边界进行掩膜裁剪。运用最大值合成法（MVC）将每年全部影像进行合成，得到 2001—2020年大湾区逐年的年最大EVI值。采用S-G滤波法（Savitzky-Golay filter）对年最大EVI值进行时间序列重构，再经计算得到大湾区EVI多年均值，并按等间距法分为以下 5 类：低（EVI＜0.2）、较低（0.2≤EVI＜0.4）、中（0.4≤EVI＜0.6）、较高（0.6≤EVI＜0.8）、高（EVI≥0.8）。

植被类型数据来源于中国科学院资源环境科学数据中心的《1∶1000000中国植被集》，分辨率为1 km，按照植被大类分为7类。土地利用数据来源于中国科学院资源环境科学数据中心所提供的2020年中国土地利用数据，分辨率为1 km，包括耕地、林地、草地、水域、居民地和未利用土地6个一级类型。以上数据经投影变换、研究区边界掩膜、重采样等处理后与EVI数据投影、分辨率一致。

1.2.2 气候自然因子数据来源与预处理

本研究使用同期（2001—2020年），时间跨度为 20年的气象数据，数据源为中国科学院资源环境科学数据中心所提供的大湾区及周边国家地面气象观测站和香港基准天气站共96个站点的20年逐日（日值）气象数据，气象站点位置分布参见图1。气象数据包括气温、降水、风速、相对湿度、日照时数等共5个因子。日值数据采用线性内插法对各站点数据进行填补缺失值处理，并合成为站点年值数据。采用年值气象数据，使用薄板样条法和克里金法（Kriging）进行插值。其中气温、降水受高程影响较大，采用薄板样条法，以高程为协变量对气温、降水进行插值；风速、相对湿度、日照时数气象数据使用常规的克里金法进行插值，输出插值结果分辨率均为250 m。

图1 气象站点分布Figure 1 Distribution of Meteorological station

1.2.3 非气候类自然因子数据来源与预处理

非气候类自然因子包括高程、坡度、坡向、土壤类型共4个自然因子。高程数据来源于中国科学院计算机网络信息中心地理空间数据云平台所提供的GDEMV3数据，分辨率为30 m，按自然间断点法分为5类。坡度、坡向数据在ArcGIS软件中基于GDEMV3高程数据计算得出，分辨率为30 m，坡度按自然间断点法分为5类，坡向等分为9类。土壤类型数据来源于中国科学院资源环境科学数据中心提供的《1∶100万中华人民共和国土壤图》中的数字化栅格图，分辨率为1 km，按照土壤发生的分类系统，将土类分类为18类。

1.3 研究方法

1.3.1 Sen趋势分析和Mann-Kendall检验

Theil-Sen Median方法又被称为Sen趋势分析，是一种稳健的非参数统计的趋势计算方法。该方法对于测量误差和离群数据不敏感，常被用于长时间序列数据的趋势分析，与线性回归法要求时间序列数据符合正态分布的要求相比较，Sen趋势分析是经过计算序列中的中值，更适用于估计植被长期变化的趋势值，通常与Mann-Kendall非参数检验结合使用。Mann-Kendall是一种非参数统计检验方法，其计算不需要测量值服从正态分布，也不要求趋势是线性的，且不受缺失值和异常值的影响，在长时间序列数据的趋势显著检验中被广泛应用。Sen趋势分析法和Mann-Kendall检验均为非参数分析方法。

本研究采用Theil-Sen法计算大湾区近20年来逐像元的EVI变化趋势，并使用Mann-Kendall法进行显著性检验。Theil-Sen斜率计算公式如下：

式中：

β——EVI的年际变化斜率，β＞0表示 EVI呈上升趋势，β＜0表示EVI呈下降趋势；

xj和xi——时间序列数据，分别为第i年和第j年的EVI值；

n——时间序列长度。

Man-Kendall趋势检验的统计量S计算公式如下：

式中：

sgn(xj-xi)——符号函数，其定义见式（3）：

检验统计量S由公式（2）计算，当n＜10时，如果S＞0，则认为序列存在上升趋势；S=0，无趋势；S＜0认为序列存在下降趋势。当n≥10时，统计量S大致服从正态分布，Var(S)是S统计量的方差，其计算见公式（4），检验统计量Z由公式（5）计算。本研究时间序列长度为20（2001—2020年），采用检验统计量Z进行趋势检验。

标准化统计量Z的计算公式见式（5）：

给定显著性水平α下，当|Z|＞u_(1-α/2)时，表明所研究序列在α水平上存在显著变化。由于Theil-Sen趋势分析中基本不存在β=0的区域，故将-0.0005≤β≤0.0005的区域视为稳定不变的区域，将β＞0.0005的区域划分为改善区，β＜-0.0005的区域划分为退化区。本研究取显著性水平0.01和0.05进行EVI检验，将Mann-Kendall检验结果依据α=0.01和α=0.05的置信水平划分为极显著变化（|Z|＞2.58）、显著变化（1.96＜|Z|≤2.58）和不显著变化（|Z|≤1.96），即表示趋势分别通过了置信度为95%和99%的显著性检验。将β与Z值结合进行分类，从而将研究区的EVI变化趋势划分为极显著改善、显著改善、不显著改善、稳定不变、极显著退化、显著退化、不显著退化7种类型。

1.3.2 皮尔森相关系数和t检验

本研究采用相关系数法分析植被覆盖变化与气候自然因子的相关性。Pearson相关系数是衡量两个变量线性相关性强弱的指标，其计算公式如下：

式中：

r——变量X与Y的相关系数，分别为EVI序列和气候因子序列；

n——样本数；

Xi——序列第i个数据的EVI值；

Y——气候因子指数的第i个数据值。当r＞0时，代表两变量呈线性正相关；当r＜0时，代表两变量呈线性负相关。r的绝对值越大，说明两变量的线性相关的程度越强。通过 MATLAB软件，逐像元计算2001—2020年EVI值与气温、降水量、风速、相对湿度、日照时数年均值之间的相关系数，并采用t检验法进行显著性检验。结合置信度P值将相关系数的显著性划分为4个等级：显著负相关（r＜0，P＜0.05）、不显著负相关（r＜0，P≥0.05）、不显著正相关（r＞0，P≥0.05）、显著正相关（r＞0，P＜0.05）。

1.3.3 驱动力分析模型

本研究采用地理探测器模型（geographical detectors）进行驱动力分析，地理探测器是一种探测空间分异性并揭示其背后驱动因子的统计学模型，也是进行驱动力分析的工具之一（王劲峰等，2017）。其理论核心为基于空间分异理论，结合GIS空间叠加技术，通过检验两个变量空间分布的一致性，来探测两者间可能的因果关系（刘彦随等，2017）。模型能够定量分析影响因子对因变量的贡献程度，具有无线性假设、对多自变量共线性免疫等优势，被应用于分析地理要素格局演变和地域空间分异等方面，包括因子探测、交互作用探测等算法。因子探测算法主要用于探测因变量Y在空间分布上的异质性，并量化自变量因子X对Y值的空间分异的解释力大小，以q值来度量，其计算式如下：

式中：

σh2和σ2——层h和全区的Y值的方差，h=1,2, 3…；

q——某因子X解释了100×q%的Y，q值值域为[0, 1]，q值越大表示自变量X对Y的解释力越强；

L——因变量Y或自变量X的分层，即分类或分区；

Nh和N——层h和全区的单元数。

交互作用探测主要用于识别不同X因子间的交互作用，即评估因子X1和X2共同作用时是否会增加或减弱对因变量Y的解释力，两个因子间包括非线性减弱、非线性增强、双因子增强和独立等交互关系分析。

2 结果与分析

2.1 粤港澳大湾区植被覆盖特征与变化趋势

基于 EVI逐年最大值空间分布，逐像元进行Sen趋势分析和Mann-Kendall显著性检验，可以有效反映近20年大湾区EVI的空间变化趋势。将βEVI在-0.0005和0.0005之间的区域划分为稳定区域，高于0.0005的区域划分为改善区域，低于-0.0005的区域划分为退化区域。取置信度水平0.01和0.05，相应Z值分别为2.58和1.96，通过Sen趋势分析和Mann-Kendall显著性检验，植被变化趋势可划分为7个等级，大湾区植被EVI指数的均值分布特征和变化趋势如图2、表1所示。近20年，大湾区植被覆盖整体呈改善趋势，植被改善区的面积大于退化区面积，极显著改善的植被区域占比66.98%，极显著退化区面积占比在5.70%。EVI变化趋势的空间分布具有明显的差异性和集聚性（图2b）。显著改善的植被区域具有高度集聚性，主要分布于大湾区北部、西部、东部大部分区域；显著退化区域分布比较零散，空间差异性显著，其中相对集中分布区域主要是广州南部、佛山西部、珠海南部、中山北部和东莞中部。整体上看，退化区主要分布在城镇发展的周边区域，极显著改善区主要分布在大湾区东、西、北部等外围区域，与中部城市密集建设区有一定的距离，整体受人类活动的干扰程度较小。

图2 2001—2020粤港澳大湾区年均EVI分布（a）和EVI变化趋势（b）Figure 2 Multi-year mean EVI (a) and EVI trends (b) in The Guangdong-Hong Kong-Macao Greater Bay Area(GBA) from 2001 to 2020

表1 EVI变化趋势统计Table 1 Statistic of EVI trends

据EVI年均值分布图（图2a）和不同土地利用类型、不同植被类型的EVI均值统计表（表2）分析，大湾区植被覆盖特征表现为，整体覆盖状况良好，EVI均值在0.4—0.6之间的区域占比为37.43%，0.6—0.8之间占比40.66%。在空间分布上，植被覆盖度呈现“四周高、中间低”的特征，中部珠三角城市密集区的城乡建设空间植被覆盖度低。在不同土地利用类型中，城乡建设用地以及未利用土地EVI均值在0.2—0.4区间，植被类型以栽培植被为主；EVI 均值0.4—0.6区间的土地类型主要是耕地，其次是草地，仍以栽培植被为主要类型；EVI均值0.6—0.8区间的主要是林地，以阔叶林为主，其次为针叶林。

表2 土地利用类型和不同植被上EVI的统计Table 2 Statistic of EVI in different land use and vegetation type

将大湾区土地利用类型和植被类型空间与EVI变化趋势空间分布叠加统计，得到在不同土地利用类型下的EVI变化趋势以及不同类型植被的EVI变化趋势（图 3）。在不同土地利用类型上，植被变化趋势均表现为极显著改善。其中，林地、草地、未利用土地的植被均未显示出退化和极显著退化；城乡建设用地、水域、耕地的植被变化趋势表现为以改善为主，但改善和退化等7种不同程度的变化趋势共存，城乡建设用地的极显著退化趋势最高，占比面积不足18.59%，水域次之，占比12.79%。不同类型植被的EVI均存在显著改善的趋势；其中，栽培植被、高山植被的发展趋势具有明显的改善、退化等7种不同程度的变化共存。

图3 2001—2020大湾区不同植被类型（a）和不同土地利用类型（b）的EVI变化趋势Figure 3 EVI trends of vegetation types (a) and EVI trends of land use type (b) in GBA from 2001 to 2020

2.2 气候因子对植被变化趋势的影响分析

2.2.1 气候因子年际变化特征

统计大湾区及周边国家地面气象观测站和香港基准天气站共96个站点的20年气象数据，得到气温、降水、风速、湿度、日照等气候因子的总体变化特征。

近20年间，气温、相对湿度呈上升趋势，大湾区地处湿热多雨的夏热冬暖地区，从气候变化来看，变化趋势日益表现出高温多湿的特征。气温呈现缓慢上升的趋势，但气温变化幅度很小，气温增速约 0.046 ℃·(10 a)-1，r2=0.0078，平均气温22.17 ℃，最高平均气温出现在 2019年，为22.66 ℃，最低值出现在2011年，为21.56 ℃。相对湿度呈先下降后上升的趋势，总体呈现出增加的趋势，湿度增速约1.972 ℃·(10 a)-1，R2=0.2322，平均值为77.33%，最高值出现在2016年，相对湿度81.52%，最低值出现在2011年，为72.39%。

降水量、风速、日照时数呈现出稳定的趋势。降水量的变化没有明显总体年际上升或下降趋势，处于波动状态，在1500—2500 mm之间，平均值为1913 mm，最高值出现在2016年，降水量2466 mm，最低值出现在2011年，降水量1426 mm。平均风速趋于稳定，年际间有波动，平均值为 2.07 m·s-1，最高值出现在2011年，风速值2.16 m·s-1，最低值出现在2001年，为1.85 m·s-1。日照时数趋于稳定，年际间波动，介于1494—1989之间，平均日照时数1696 h，最高值出现在2003年，最低值出现在2012年。

2.2.2 气候因子与植被覆盖变化趋势的相关分析

采用相关系数法分析大湾区EVI均值与气温、降水、风速、相对湿度和日照时数等5个气候自然因子的相关性。通过逐像元计算 2001—2020年间EVI均值与气候因子的相关系数，进行显著性检验，得到 EVI变化趋势与气候因子的相关空间分布图（图4）和相关变化统计表（表3）。

表3 气候因子影响EVI变化趋势相关性面积占比统计Table 3 Correlation area statistics of climate factors influence the proportion of EVI trends

气温因子正相关影响区域占比49.16%，但显著正相关的面积仅有7.15%。在空间分布上，气温显著相关变化的植被区域呈极分散状，多分布于城市建设的密集区域（图4a）。相对湿度与EVI变化趋势表现出显著的正相关性，影响区域约80.23%，其中显著正相关面积占比37.74%（r＞0，P＜0.05），影响的空间区域分布较广，聚集分布在大湾区北部和东西两侧（图4d）。降水量与EVI变化趋势呈现出弱相关性，不显著相关区域占比超过90%（图4b）。EVI变化趋势与风速呈现出比较显著的正向影响力，显著相关影响区域32.99%（r＞0，P＜0.05），空间分布呈集聚性，集中于湾区东北、西北两翼，多为林地，远离城乡建设密集区域（图 4c）。日照时数与EVI变化趋势呈现出弱相关性，与EVI变化无显著相关，其中不显著负相关面积占比 68.22%（r＜0，P≥0.05）（图 4e）。

图4 EVI变化趋势与气候因子的相关性空间分析Figure 4 Correlation and significance between EVI trends and climate factors

2.3 非气候自然因子对植被特征与变化趋势的影响分析

2.3.1 高程、坡度、坡向与植被特征、变化趋势的相关分析

采用 ArcGIS分级分析法研究高程和坡度等非气候自然因子与EVI变化的相关性。在ArcGIS中利用自然间断点法将高程分为＜82 m、82—217 m、217—394 m、394—653 m、＞653 m共5个梯度等级；依据1984年中国农业区划委员会颁发的《土地利用现状调查技术规程》，将研究区坡度划分为≤2°、2°—6°、6°—15°、15°—25°和＞25°共 5 个坡度等级，将研究区坡向均等划分为北、东北、东、东南、南、西南、西、西北8个方向，各坡向所占面积比重较一致。分别将不同高程、不同坡度、不同坡向与2001—2020年逐年 EVI等级分布进行空间耦合叠加，统计不同等级EVI均值随不同高程梯度、不同坡度、不同坡向的分布情况（表4，图5a）。利用逐像元计算2001—2020年间EVI与高程梯度、坡向、坡度的相关系数，通过 Sen趋势分析和 Mann-Kendall显著性检验，结果划分为7个等级，得到不同高程梯度、坡向、坡度的EVI均值特征和变化趋势统计表（表5，图5b）。

表4 高程梯度、坡度的EVI均值等级分布统计Table 4 Statistic of EVI values over different elevation gradients and different slope

表5 高程梯度、坡度影响EVI变化趋势相关性面积占比统计Table 5 Elevation gradient and slope affect the proportion of EVI trends correlation area

研究结果表明，在植被分布特征上，伴随高程的增加，EVI均值等级越高。高程≤82 m，EVI等级多在0.2—0.6之间；高程82—217 m，EVI等级在0.4—0.8之间，占比近79%；高程217 m以上，EVI等级集中在0.6—0.8之间，占比在85%以上。伴随坡度的逐渐增大，EVI的等级均值越高。坡度≤2°时，EVI等级多在0.2—0.4之间。坡向因素对植被特征和变化趋势的影响较弱，8个坡向的EVI分布情况及变化趋势较一致（图5）。

图5 EVI分布特征、变化趋势与坡向相关性分析Figure 5 Correlation between EVI Distribution (a), EVI trends (b) and different slope factors

在植被的变化趋势上，不同高程梯度、不同坡度的EVI均表现为极显著改善，其中改善程度最高的区域集中在82—394 m高程之间；伴随坡度的增大，改善程度增大。在高程较低和坡度较缓地区，EVI等级均值和改善程度均低于高程较高和坡度较陡的区域，推测主要受人类活动的影响，平地的EVI等级均值较低，改善趋势较弱。

2.3.2 土壤类型与植被特征、变化趋势的相关分析

土壤类型数据包含18个土类，赤红壤、水稻土和红壤是大湾区最主要的3种土壤类型，面积占比分别为49.31%、32.31%和10.62%。将土壤类型与逐年EVI均值等级分布进行空间耦合叠加，统计不同等级EVI均值在不同土壤类型中的分布情况。借用逐像元计算EVI均值与土壤类型的相关系数，通过Sen趋势分析和Mann-Kendall显著性检验，得到不同土壤类型中EVI变化的7种趋势统计（表6）。

表6 不同土壤类型EVI分布与EVI变化趋势Table 6 Distribution and trends statistic of EVI on the different type of soil

研究结果显示，在植被特征上，城区土壤的EVI等级多为Ⅰ和Ⅱ类，分别占41.4%和51.19%；沙洲、岛屿等土壤类型的植被也多为Ⅰ和Ⅱ类，分别占33.33%和49.48%；赤红壤、黄壤和红壤的EVI等级均值高，赤红壤EVI等级均值集中在0.4—0.8之间，黄壤和红壤的EVI等级集中在0.6—0.8之间。在植被的变化趋势上，各种土壤类型中对应的植被生长状况均表现为极显著改善或显著改善。滨海养殖场、城区、滨海盐土、水稻土中的植被极显著退化比例较高，均大于10%，分别为26.67%、14.58%、14.29%、12.11%；其他土壤类型中的极显著退化和退化面积均小于或等于10%。

2.4 自然因子对植被覆盖特征的驱动力分析

采用地理探测器模型对气候类和非气候类自然因子影响植被空间格局特征的驱动力进行分析。以大湾区EVI均值作为因变量Y，以9个自然因子作为自变量因子X1,X2, ……,X9，如表7所示。在EVI多年均值水平上利用模型研究单个自然因子以及双因子交互作用对EVI空间分布的驱动力，探测结果如图6、7所示。

图6 单自然因子对EVI驱动力分析Figure 6 Analysis of driving force of EVI by single natural factor

图7 双自然因子对EVI驱动力的交互作用探测Figure 7 Detection of interaction of two natural factors on EVI driving force

表7 自变量编码Table 7 Independent variable coding

单因子的驱动力分析表明，9个单因子驱动力影响排序为：高程＞气温＞相对湿度＞土壤类型＞坡度＞风速＞降水量＞日照时数＞坡向。4个非气候类自然因子中，高程、土壤类型、坡度是影响植被覆盖特征的主要因子。其中，高程对EVI空间格局的解释力超过50%；土壤类型解释力接近40%；坡度解释力约34%；坡向解释力则在10%及以下，EVI受坡向的影响很弱。5个气候因子中，年均气温、年均相对湿度、风速是影响植被覆盖特征的主要因子，年均气温、年均相对湿度对EVI空间格局的解释力均在40%以上；风速解释力在30%以上，降水解释力低于20%，日照因子解释力低于10%。

在双因子协同驱动作用力上，大部分因子之间的交互作用表现为线性关系，双因子增强，但增强的程度存在差异。唯一的非线性关系主要是降水和日照的协同关系，但影响力极弱。其中，非气候类自然因子中，高程（X6）与其他8个自然因子的交互作用均表现为驱动力协同增强，双因子增强q值均大于0.5，最大值0.6669出现在高程和相对湿度的协同驱动，双因子交互驱动的解释力接近70%，表明高程和相对湿度的交互驱动作用对EVI空间格局影响的解释力最强。其次是土壤因子（X9），与其他8个自然因子的交互作用也表现为驱动力协同增强，双因子增强q值均大于0.4，最大值0.6002出现在土壤类型和相对湿度的协同驱动。坡向和其他各因子的协同关系均比较弱。在气候因子方面，气温（X1）、风速（X3）、相对湿度（X4）与其他自然因子都表现出协同增强的驱动力，其中，气温、相对湿度与各因子的双因子驱动解释力均在50%左右，风速与相对湿度、高程、土壤类型、坡度的双因子驱动解释力也均在50%左右。

3 讨论

粤港澳大湾区是中国开放程度最高、经济活力最强的区域之一，在国家发展大局中具有重要战略地位。在20年发展历程中，始终面临生态环境保护和开发建设的双重需求和压力。从EVI的逐年均值变化看，大湾区的植被覆盖年际变化总体趋势是波动上升，这一结果与珠三角植被覆盖变化趋势一致（何全军，2019；王思等，2022）。虽植被覆盖以改善为主，但同时存在退化。由于所采用的指数和具体方法不同，退化的面积占比存在差异，对显著退化面积的研究结果包括大湾区显著退化3.72%（赵桔超等，2022）、珠三角显著退化 9.16%（何全军2019）、珠三角九市显著退化17.6%（王思等，2022），大湾区显著退化20.95%（冯娴慧等，2022）。结合同时期（2000—2020）大湾区土地利用变化研究，大湾区的用地类型仍以林地为主，但居住和建设用地增加9%，林地、草地、耕地减少面积约8%（高照忠等，2021）。2015年，林地在用地类型中占比约53.99%（张杰等，2021），而到2020年，占比约为49%（高照忠等，2021）。可以推断，大湾区的植被退化面积在10%—20%区间，极显著退化的面积在10%以下。经济发展对于环境改善有一定促进作用，城市土地开发配套30%绿地硬性指标、新建城市公园、广东省绿道建设、绿化广东大行动等，均有效改善了植被退化的程度。从空间分布看，大湾区年最大EVI的均值分布具有明显的空间差异性和集聚性，呈现出“外高中低”的分布特点，与前人研究结果一致（赵桔超等，2022；何全军2019）。

气候类自然因子对植被变化的驱动影响力中，已有的研究集中于气温、降水、日照时数3个因子。不同气候区域的气候因子对植被的影响程度存在差异，气温、降水因子对植被具有显著正向影响的地区有内蒙古（穆少杰等，2012）、京津冀地区（晏利斌等，2011；徐勇等，2020）和黄河流域（解晗等，2022）。张顾萍等（2021）认为半干旱区的植被覆盖变化主要受降水影响。而在浙江的研究表明，气温是引起植被覆盖变化的主要因子（贺忠华等，2020）；在广东省以及大湾区，研究表明气温对植被生长的影响最显著（邓玉娇等，2021；赵桔超等，2022）。本研究发现，在高温多雨的大湾区，除气温因子外，相对湿度、风速也是影响植被的重要因子，其影响程度超过了降水、日照因子。由此推断，高温多雨地区的植被生长特征与变化受到降雨因子的影响远低于半干旱地区，但空气湿度、风速对植被生长有更显著的影响。

本研究虽未涉及人为影响因子，但从自然因子的分析看，高程、土壤类型、坡度对土地可供开发利用具有重要影响。在土壤类型中，EVI发生了显著变化的土地利用类型主要是城区、滨海土类、水稻土，可印证20年来，大湾区土地利用类型变化以耕地向城乡用地转变为主的发展状况，这与杭州湾、浙江省的研究结果具有一致性（董晨炜等，2017；贺忠华等，2020），进一步推断，海岸带的开发和建设，也是造成湾区植被化的原因之一。

4 结论

本研究基于2001—2020年的MODIS NDVI遥感数据，采用增强植被指数（EVI），结合Sen趋势分析和Mann-Kendall检验、Pearson相关系数法、分级分析法、地理探测器驱动力分析模型等方法，分析 20年长时间序列的大湾区植被覆盖特征与变化趋势，并进一步结合气象数据、高程、坡度、坡向、土壤类型等数据，研究9个气候与非气候自然因子对植被覆盖特征与变化趋势的影响和驱动力。研究发现，（1）大湾区植被覆盖整体呈改善趋势，植被改善区的面积大于退化区面积。在不同土地利用类型上，植被变化趋势均表现为极显著改善。其中，城乡建设用地、水域、耕地的植被变化趋势表现为以改善为主，但改善和退化等7种不同程度的变化趋势共存，城乡建设用地的极显著退化趋势最高。在植被变化趋势上，城乡建设用地、栽培植被的改善、退化趋势比较复杂。（2）大湾区的气候变化主要变现在气温、相对湿度的缓慢上升，相对湿度、风速、气温对植被覆盖变化表现出显著影响力；但在空间分布上，气温影响区域与城市建设密集区域紧密相关。（3）在非气候因子中，高程、坡度与植被分布特征紧密相关。在植被的变化趋势上，改善程度最高的区域集中在82—394 m高程之间，退化区域的高程≤82 m，不同坡度的EVI改善程度伴随坡度增大而增大。植被覆盖发生显著退化占比面积较大的有城区、滨海土类、水稻土。高程、土壤类型、坡度是导致植被分布变化的主要驱动因子群。（4）通过驱动力模型分析，5个气候因子中，年均气温、年均相对湿度、风速是影响植被空间特征的主要因子；4个非气候因子中，高程、土壤类型是影响植被空间特征的主要因子。在双因子交互验证中，气温、相对湿度与各因子的双因子驱动解释力均在 50%左右，表明高温高湿的气候对大湾区的植被生长具有正向驱动作用。高程、土壤因子与其他自然因子的交互作用均表现为驱动力协同增强。