黄河上游龙羊峡至积石峡段流域植被对气候变化的响应

摘要：为探讨气候变化和区域人类活动对黄河上游龙羊峡至积石峡段流域植被（Normalized difference vegetation index，NDVI）的影响，本研究以位于黄河上游龙羊峡至积石峡段流域为研究区，基于MODI3Q1数据集，采用Theil Sen斜率统计法、Mann-Kendall检验及相关分析法等6种方法，评价了区内2004—2021年间NDVI的时空变化特征，并探讨了NDVI与平均气温、降雨量、蒸发量、太阳辐射量间的相关性及其驱动力。结果表明：2004—2021年间区内81.66%地区的NDVI总体呈现出逐渐增加的变化趋势；NDVI与平均气温、蒸发量、太阳辐射量之间的均呈正相关关系，正相关区域面积占总面积的96.72%，98.96%，72.73%，92.64%。此外，通过进一步分析因子探测器结果得到，区内土地利用类型为耕地、森林、灌木区域内影响植被生长的主要影响因子为平均气温，其值分别为0.216 5，0.321 5，0.326 5。本研究结果对于黄河上游流域开展植被空间分布变化监测、植被生态安全防护具有实际指导意义。

关键词：黄河上游；NDVI；时空变化；气候变化；Hurst指数；相关分析法

中图分类号：S718.51+2""" 文献标识码：A"""" 文章编号：1007-0435（2024）06-1923-13

Response of Vegetation to Climate Change Along the Longyang Gorge and

Jishi Gorge in the Upper Yellow River

LYU Wei-tao1， HU Xia-song1*， LIU Chang-yi1， FU Jiang-tao2，

XING Guang-yan3， ZHAO Ji-mei3， LU Hai-jing3

（1.School of Geological Engineering， Qinghai University， Xining， Qinghai Province 810016， China; 2. Academy of Agriculture and

Forestry， Qinghai University， Xining， Qinghai Province 810016， China; 3.College of Agriculture and Animal Husbandry， Qinghai

University， Xining， Qinghai Province 810016， China）

Abstract：In order to explore the impacts of climate change and regional human activities on the Normalised difference vegetation index （NDVI） of vegetation in the watershed of the upper reaches of the Yellow River，the present study took the watershed located in the upper reaches of the Yellow River from Longyangxia to Jishixia as the study area. And this study evaluated the spatial and temporal characteristics of NDVI in the area during 2004—2021 using six methods，including slope statistics，Mann-Kendall test and correlation analysis，and explored the correlation between NDVI and mean air temperature，rainfall，evapotranspiration，and solar radiation as well as their driving forces. The results showed that NDVI in 81.66% of the area showed an overall trend of gradual increase during the period 2004—2021，and that there was a positive correlation between NDVI and average air temperature，evapotranspiration，and solar radiation，with positively correlated areas accounting for 96.72 %，98.96%，72.73% and 92.64% of the total area. In addition，by further analyzing the results of the factor detector，the main factor affecting the growth of vegetation in the land use types of arable land，forest，and shrub area was the average temperature，with the values of 0.216 5，0.321 5 and 0.326 5，respectively. The results of the present study are of practical significance for monitoring the spatial distribution change of vegetation in the upper reaches of the Yellow River Basin，as well as for the protection of the ecological security of the vegetation.

Key words：The Upper Yellow River;NDVI;Spatial and temporal change;Climate change;Hurst index;Correlation analysis

黄河流域是我国重要的生态屏障区，是中华文明的主要发源地，对我国政治、经济、文化发展至关重要，而黄河上游是黄河流域最重要的水源涵养地和产流区，对黄河流域的水资源安全、生态环境和粮食安全有决定性的意义［1］。但随着全球变暖日趋严重和极端气候频发，草地退化、水土流失、土地沙漠化等一系列生态环境问题频发［2］，黄河上游地区气候变化及其对生态环境影响一直是国内外学者关注的热点问题［3-5］。而已有研究表明，植被作为陆地生态系统的主体，通过光合作用、呼吸作用与大气、土壤及水分等自然要素形成紧密联系，在调节全球物质能量循环、维持气候稳定以及指示生态系统变化过程中发挥着难以替代的作用［6-9］。黄河上游是指从黄河发源地到内蒙古托克托县河口镇以上的黄河河段［3］，其中龙羊峡至积石峡流域位于半干旱地区，该区域生态环境较为脆弱，区内植被活动受降雨、气温、海拔等多种气候变化因素影响显著［3］。因此开展黄河上游龙羊峡至积石峡流域植被动态变化，以及植被生长与气候变化之间的响应机制等方面的研究，可为进一步开展黄河上游流域沿线区域植被空间分布变化监测，以及利用植被合理开展水土流失等灾害防治，维护流域区域生态平衡和生态地质安全提供理论依据和具有现实指导意义。

已有研究表明，归一化植被指数（Normalized difference vegetation index，NDVI）广泛应用于植被动态变化中，其与生物量、叶面积指数有较高相关性，能很好反映地表植被的覆盖和繁茂程度，可在一定程度代表地表植被覆盖的变化［10］。诸多学者基于MODIS，SPOT，GIMMS等NDVI数据，以多方法、多尺度对植被时空变化及其影响因素开展研究［11］。黄豪奔等［12］基于MODIS-NDVI与CRU数据集中气候数据，采用Sen+Mann-kendall、Hurst指数及相关分析法，分别在年、季节、月3个不同时间尺度下，评价了阿勒泰地区NDVI对气候变化的响应，结果表明年、季节、月3个不同时间尺度下，NDVI与降水、气温、极端气温、水汽压和潜在蒸散间呈正相关，其中降水因素在季尺度上的相关性高于月尺度。陈春波等［13］以NOAA-AVHRR NDVI为数据源，采用偏相关分析法探讨整个新疆地区1981—2018年间不同草地类型下草地NDVI时空变化特征及对气温、降水的响应，结果表明草地类型植被NDVI对降水显著性响应高于气温，草地NDVI与气温、降水的偏相关系数分别为-0.75～0.78，-0.60～0.84，该结果表明降水是草地植被生长的重要限制因子。苏日罕等［14］以整个内蒙古地区为研究区，基于区内115个气象站点1982—2020年间日气象数据，运用地理探测器和皮尔逊相关分析方法，定量评估极端气候对该区植被生长的影响，结果表明极端降水指数相对于极端气温指数而言对植被生长变化影响较大，极端降水指数的因子解释力均在0.3以上，极端气温指数的因子解释力均在0.1以下。Xiao等［15］以陇南地区为研究区，采用趋势分析结合机器学习算法，即增强回归树模型（BRT），量化了陇南地区气候变量、地形、土壤性质和人为因素对植被变化的非线性响应趋势和阈值，结果表明总降水量、土地利用变化、高程和人口密度是主导植被生长的主要因素，其贡献度分别为15.22%，12.68%，11.20%和9.20%。

此外，有关黄河流域内植被对气候变化的响应方面，国内外学者也开展了大量研究。解晗等［16］基于黄河流域2000—2018年间MODIS归一化植被指数、增加型植被指数和气象数据，利用最大值合成法、趋势分析和相关分析等方法，分析了NDVI和EVI 2种植被指数的时空变化特征及受气候因子的影响机制，结果表明黄河流域影响植被变化的主要驱动因子为降水，植被指数变化与气温滞后时间约为1个月，降雨滞后时间约为3个月。Liu等［17］采用二元像素模型、线性回归、Moran指数和变异系数等统计方法，对黄河流域植被覆盖率进行了时空分析，并采用赫斯特指数进一步分析区域内植被覆盖率的变化趋势，结果表明自2003—2020年间，黄河流域植被覆盖率（FVC）以每年0.19%的平均速度增长。Zhang等［18］以MODIS NDVI数据为基础，采用Sen+Mann-kendall、Hurst指数、相关分析和残差趋势等方法，分析黄河流域植被的时空演变和驱动机制，结果表明NDVI与降水和温度间的偏相关系数R分别为0.57和0.53，反映出降水对植被生长的影响大于温度。

由上述分析可知，已有研究在探讨NDVI与平均气温、降雨量、蒸发量、太阳辐射量等气象因子，对植被NDVI变化影响时大多采用的是相关性分析法。相关研究表明［1］，该方法难以实现有效剔除气象因子之间的相互影响，而已有的研究结果中单一气候因子对植被NDVI的独立影响方面的研究结果相对较少；与此同时，已有相关研究在开展不同土地利用类型区域内影响NDVI变化的主驱动因子，以及气候变化、人类活动对植被NDVI变化的相对贡献等方面的研究亦相对较少。基于以上实际情况，本研究采用Theil Sen斜率统计法、Mann-Kendall检验等相关方法，探讨了2004—2021年期间黄河上游龙羊峡至积石峡段流域植被的时空演化特征；其次，采用相关分析法和偏相关分析法，进一步探讨了不同土地利用类型和海拔高度区域内，影响区内植物NDVI变化的主驱动因子，气候变化以及区域人类活动对植被NDVI变化的相对贡献度。该研究结果可为黄河上游流域生态环境保护和生态安全提供理论依据；同时，对进一步开展黄河上游游域沿岸植被空间分布变化监测，保护流域区域生态安全具有实际意义。

1 材料与方法

1.1 研究区概况

本研究选取位于黄河上游龙羊峡至积石峡流域作为研究区，该流域位于青海东部，主要包括共和、贵南、贵德、尖扎、化隆和循化等6个地区，其地理坐标为100°E～103°30′E，35°40′N～36°10′N。研究区面积约为18 000 km2，区内平均海拔为3 132 m，研究区地理位置如图1所示。研究区位于黄河上游峡谷段，两侧河床比降大、落差集中、河道深窄、两岸陡峻、基岩裸露［21］。区内受高原大陆性气候、海拔等因素影响，表现出较明显的气候差异性，区内降雨主要集中在5—9月份，多年平均降雨量为577.88 mm，其中，流域西部丘陵平原区域年降水量为400～600 mm，而流域东部山地区域年降雨量为700～900 mm［21］；此外，区内植被分布受到地形、海拔与山地小气候等因素影响较显著，其主要植被中草本植物分别为冰草（Agropyron cristatum）、芨芨草（Achnatherum splendens）、短花针茅（Stipa breviflora）、西北针茅（Stipa krylovii）等；灌木包括霸王（Zygophyllum xanthoxylum）、水柏枝（Myricaria squamosa）、乌柳（Salix cheiloph）等；乔木种类为祁连圆柏（Juniperus chinensis Roxb.）、山杨（Populu davidiana）等［22］。

1.2 数据来源及研究方法

1.2.1 数据来源

1.2.1.1 NDVI数据

本研究使用的NDVI数据来自于MODIS MODI3Q1数据集，时间分辨率为16 d，空间分辨率为250 m×250 m，时间序列为2004年1月1日—2021年12月31日。由于区内冬季积雪时间较长，植被生长期主要集中在6—9月，其他月份的NDVI数据存在空值与低质量数据［10］；此外，为有效降低和消除云、大气、雪、太阳高度角对影像的影响，本研究结合Savitzky-Golay滤波和最大值合成法对NDVI数据进行重构［23］。

1.2.1.2 气象数据

本研究使用的气象数据来源于农业气象大数据系统，选取的气象数据包括2004—2021年间区内平均气温、降雨量、蒸发量、太阳辐射量等气象数据，即为区内25个气象站点的观测数据。其中，对气象数据采用克里金插值法与数据重采样，生成分辨率为250×250 m的气象栅格数据。

1.2.1.3 土地利用数据

本研究使用的土地利用数据为2021年研究区内的土地利用数据，源于中国土地覆盖数据集（CLCD），空间分辨率为30 m×30 m，土地利用类型包括区内林地、草地、耕地、裸地、灌木地。

1.3 研究方法

1.3.1 Theil-Sen Median趋势分析与Mann-Kendall检验 Theil-Sen Median趋势分析法为一种非参数估计方法，常用于分析植被NDVI在长时间序列中的变化趋势，该方法与其他趋势分析法相比较，具有不易受离群值干扰等优点［21-23］。Mann-Kendall检验（简称MK检验）作为一种非参数统计检验方法，该方法多用于判断趋势的显著性［24-25］。

结合MK检验值和Theil-Sen Median趋势值β，并参考曹永强等（2022）［17］的NDVI趋势分类，将NDVI时间序列变化趋势水平标准定义为5级：明显改善（β≥0.000 5，｜Z｜≥2.58），轻微改善（β≥0.000 5，1.96≤｜Z｜＜2.58），基本稳定（｜β｜＜0.000 5，｜Z｜＜1.96），轻微退化（β＜-0.000 5，1.96≤｜Z｜＜2.58），严重退化（β＜-0.000 5，｜Z｜≥2.58）［26］。

1.3.2 Hurst指数 Hurst指数是定量描述时间序列长期依赖性的有效方法，其反映了NDVI未来变化趋势，在植被变化研究中得到广泛应用［27］。Hurst指数的估算方法较多，本研究采用常用的R/S分析法，其计算公式如下所示［28］：

均值序列" NDVIτ-=1τ∑τ1NDVIττ=1，2，…，n（1）

累计离差" Xτ=∑τt=1NDVIt-NDVIτ-1≤t≤τ（2）

极差 Rτ=max1≤i≤τXτ-min1≤i≤τXττ=1，2，…，n（3）

标准差

Sτ= 1τ∑τt=1NDVIt-NDVIτ2τ=1，2，…，n（4）

对于比值R（τ）/S（τ）R/S，若满足R/S∝τH时，其中H即为Hurst指数，可根据log（R/S）n=a+H×log（n），利用最小二乘法拟合得到。H取值可分为3种形式，即0.5＜Hlt;1时，表明NDVI的时间序列具有较强的持续性，且H愈接近1其持续性愈强；H=0.5时，表明NDVI的时间序列为随机序列；0lt;Hlt;0.5，表明具有反持续性，H越接近0其反持续性愈强［29］。

1.3.3 NDVI与气象因子相关性分析 本研究通过使用相关性分析法分析与偏相关性分析法，反映出NDVI与各气象因子之间的相关度和偏相关度［30］。其中，偏相关性分析法的计算公式为［31］：

Rxy，z=Rxy-RxzRyz 1-R2xz1-R2yz（5）

式中，Rxy，z为将z影响剔除后x与y之间的一阶偏相关系数；Rxy，Rxz，Ryz分别为x与y的相关系数，x与z的相关系数，y与z的相关系数。

式为剔除z，w影响后，x与y二阶偏相关系数的计算公式［12］：

Rxy，zw=Rxy，z-Rxw，zRyw，z 1-R2xw，z1-R2yw，z（6）

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为将z影响剔除后x与y之间的一阶偏相关系数；Rxw，z为将z影响剔除后x与y之间的一阶偏相关系数；Ryw，z为将z影响剔除后x与y之间的偏相关系数。

式为剔除z，w影响后，x与y三阶偏相关系数的计算公式［12］：

Rxy，zwr=Rxy，zw-Rxr，zwRyr，zw 1-R2xr，zw1-R2yr，zw（7）

（7）式中，Rxy，zwr为将z，w，r影响剔除后x与y之间的三阶偏相关系数；Rxy，zw为Rxy，zw为将z和w影响剔除后x与y之间的二阶偏相关系数；Rxr，zw为Rxr，zw为将z和w影响剔除后x与r之间的二阶偏相关系数；Ryr，zw为Ryr，zw为将z和w影响剔除后y与r之间的二阶偏相关系数［12］。

最后，根据三阶偏相关系数计算公式，如式（7）所示，计算出将z，w，r影响剔除后x与y之间的三阶偏相关系数后，采用T检验法检验其显著性，并根据三阶偏相关性系数将NDVI与各气象因子之间的相关度划分为7类：显著强负相关（-1lt;Rlt;-0.7，Plt;0.05），显著负相关（-0.7lt;Rlt;-0.4，Plt;0.05），显著弱负相关（-0.4lt;Rlt;0，Plt;0.05），显著强正相关（0.7lt;Rlt;1，Plt;0.05），显著正相关（0.4lt;Rlt;0.7，Plt;0.05），显著弱正相关（0lt;Rlt;0.4，Plt;0.05），不显著（Pgt;0.05）［32-33］。

1.3.4 多元回归残差分析 采用多元回归残差分析方法研究人类活动和气候变化对植被NDVI变化的影响及相对贡献度。该方法主要包括以下3个步骤［3］：①基于年尺度下的NDVI以及插值后的平均气温，降雨量、蒸发量和太阳辐射量的时间序列数据，以NDVI作为因变量，平均气温、降雨量、蒸发量和太阳辐射量为自变量，建立多元线性回归模型，并计算模型中的各项参数；②基于平均气温、降雨量、蒸发量和太阳辐射量等数据以及多元线性回归模型的各项参数，计算得到NDVI的预测值（NDVICC），同时计算NDVI实际观测值与NDVICC之间的差值，即NDVI残差（NDVIHA），用来分别表示气候因素和人类活动对植被NDVI的影响；③通过一元线性回归方法对区内18年的历年残差值进行时空特征变化分析，并计算其贡献度。具体计算公式如下［7］：

NDVICC=a×W+b×S+c×Z+d×T+e（8）

NDVIHA=NDVI－NDVICC（9）

NDVIQG = Shop（NDVICC）Shop（NDVIHA）（10）

NDVIRG = Shop（NDVIHA）Shop（NDVICC）（11）

上述式中，NDVICC和NDVI分别指基于多元回归模型的NDVI预测值和基于遥感影像的NDVI实际观测值（无量纲）；a，b，c，d和e为模型参数；W，S，Z和T分别指平均气温、降水量、蒸发量和太阳辐射量，单位分别为℃，mm，mm和MJ·m-2；NDVIHA为NDVI的残差；Shop（NDVICC），Shop（NDVIHA）分别指基于一元回归分析的NDVI预测值的趋势率以及NDVI残差的趋势率，分别用于表示受气候变化和人类活动影响下NDVI变化趋势；NDVIQG，NDVIRG分别指气候因素和人类活动对植被NDVI变化的贡献度。

2 结果与分析

2.1 年际气候变化趋势

如图2所示为龙羊峡至积石峡流域2004—2021年间的气候因子变化趋势特征。由图2a可知，2004—2021年间区内的年平均气温呈现波动上升变化趋势，其值在2.98℃～4.25℃之间呈波动变化。由该图2b可知，2004—2021年间区内年降雨量变化波动较为明显，其中主要以2015年与2018年为时间节点，分别为3个不同的变化阶段，即2004—2015年间为基本不变阶段，下降幅度为1.29%；2015—2018年间为急剧上升阶段，上升幅度为28.37%；2018—2021年间为急剧下降阶段，下降幅度为22.64%。综上所述，区内2004—2021年间的气温与降雨均处于缓慢上升变化趋势，且整体处于高温多雨的气候条件下，同时区内2004—2021年间年平均气温波动幅度相对不大，而年降雨量变化波动则较为明显。

如图2c所示为区内2004—2021年间年蒸发量的变化趋势，表现出该年间年蒸发量变化趋势与年降雨量变化趋势基本相同，均呈波动上升变化趋势。如图2 d所示为区内2004—2021年间年太阳辐射量变化趋势，表现出呈波动下降变化趋势，下降幅度为2.14%。综上所述，区内2004—2021年间年平均气温、年蒸发量、年太阳辐射量的波动幅度均较小，而年降雨量变化幅度较大。

2.2 NDVI年际空间变化

如图3所示为研究区2004—2021年间平均NDVI年际变化趋势图。由该图可知，区内2004—2021年间NDVI呈现波动增加的变化趋势，其变化范围为0.49～0.59，年际变化速率为0.006·a-1，增幅为10.27%。如图4所示为区内多年平均NDVI空间分布特征，由该图可知，区内NDVI的空间分布表现为位于区内流域下游循化、化隆、尖扎等地区其NDVI相对较高，该值为0.21～0.91；而位于区内流域上游的共和、贵南、贵德等地区的NDVI则相对较低，其值为0.10～0.80。

区内2004—2021年间的NDVI时空变化趋势如图5所示。由该图可知，18年间区内存在1 424.53 km2区域的植被覆盖度基本保持不变，占总面积的7.41%，主要分布在植被NDVI值较高区域，该区域多为森林和农田。此外，区间严重退化、轻微退化区域面积分别为317.86 km2，1 782.10 km2，且两者面积之和仅占总面积的10.92%；轻微改善区域面积为8 655.84 km2，占总面积的45.04%，NDVI明显改善区域面积约为9 084.84 km2，占总面积的36.62%。进一步分析得到，区内NDVI轻微改善与明显改善区域主要分布在植被覆盖度相对较低区域，表现为这些区域的NDVI值通常小于0.4，即多为植被分布稀少的草地和荒地。综上可知，区内2004—2021年间植被年际变化趋势表现出总体呈逐渐增加状态，其中2021年植被覆盖度与2004年相比较，大部分区域均有显著性提高。

为了定量描述区内NDVI时间序列长期依赖性，本研究结合2004—2021年间NDVI年际变化趋势与Hurst指数，对区内NDVI的未来变化趋势进行预测，如图6所示为区内NDVI变化趋势预测结果。由该图可知，区内龙羊峡至积石峡段流域的Hurst指数值域为0.13～0.98，其中，区内Hurst指数小于0.5的面积占比为62.57%，这表明整个区域NDVI表现出较弱的反持续性，故区内的NDVI反映出具有较强波动性，该结果与如图3所示的区内NDVI年际变化趋势表现出基本相一致性。通过对图6进一步分析得到，龙羊峡沿岸与贵德、贵南等部分地区植被表现出持续改善变化趋势，占总面积的26.84%；基本不变区域面积占7.41%，主要分布在区内北部共和、尖扎、贵德等地区，该区域植被覆盖度相对较高，且受当地居民生产活动影响较大，故其NDVI变化相对不显著；持续退化和由增转减区域面积分别占3.18%和54.82%，该区域主要集中在贵南中部、循化、化隆等地区，该地区气候较干燥且水源涵养低，植被生长易受气候变化影响。综上所述，近年来区内植被受极端气候影响NDVI年际变化波动较为明显，从而表明区内植被生长易受气候变化影响。

2.3 NDVI与气候因素间的相关性分析

为分析区内平均气温、降雨量、蒸发量、太阳辐射量与NDVI之间的相关性，本研究采用分别计算平均气温、降雨量、蒸发量、太阳辐射量与NDVI间的相关性系数RW，RS，RZ，RT进行评价。如图7a所示为区内平均气温与NDVI间的相关性系数空间分布特征，由该图可知，区内NDVI与平均气温间呈正相关关系，其中正相关区域面积占总面积的96.72%，其中显著强正相关、显著正相关、显著弱正相关区域面积分别占总面积的12.86%，35.60%，12.36%。该部分区域主要分布在贵德南部、贵南南部等以及共和北部、尖扎北部等海拔相对较高地区，其NDVI值相对较高，取值为0.4～0.8；其次，区内蒸发量、太阳辐射量与NDVI间呈正相关关系，且正相关区域面积分别占总面积的98.96%，72.73%。

如图7b所示，区内NDVI与降雨量间呈正相关关系，其中正相关区域占总面积的92.64%，由显著性检验结果可知，区内NDVI与降雨量间正相关性显著（Rgt;0，Plt;0.05）区域面积占总面积的57.70%，其中显著强正相关、显著正相关、显著弱正相关区域面积分别占总面积的0.02%，36.85%，20.83%；且该区域大多分布在一些海拔与植被覆盖度相对较低的地区，例如贵南、贵德等地区，该区域内植被大多为草本与灌木植物，植被覆盖度相对较低。如图7c和图7 d所示，区内蒸发量、太阳辐射量与NDVI间呈正相关关系，且显著正相关区域主要分布在贵德南部、贵南南部等海拔较高与植被覆盖度较高地区。蒸发量、太阳辐射量与NDVI间的相关性系数（RZ，RT）的显著正相关区域面积占比分别为89.78%，36.19%，其中RT呈显著弱负相关、显著负相关区域面积占比分别为1.17%，0.04%。该区域主要分布在一些海拔与植被覆盖度相对较低地区，例如循化、化隆等地区

2.4 NDVI与气候之间的偏相关性分析

如图8所示为区内气象因子与NDVI之间的偏相关性系数空间分布特征，由该图可知，区内平均气温、蒸发量与NDVI间的偏相关性呈正相关。如图8a和图8c所示，区内平均气温、蒸发量与NDVI间显著强正相关区域面积占比的分别为1.26%，2.08%，显著正相关区域面积占比分别为25.07%，49.05%，显著弱正相关区域面积占比分别为13.94%，14.72%。通过进一步分析得到，降雨量与NDVI间的正相关区域面积占比为32.29%，主要集中在海拔较低与植被覆盖度较低区域，包括流域内贵南、贵德等地区。如图8b所示，海拔较高与植被覆盖度较高区域平均温度、蒸发量、太阳辐射量与NDVI间的偏相关性呈正相关关系，且海拔相对较低与植被覆盖度较低区域内平均温度、蒸发量、太阳辐射量与NDVI间的偏相关性多不显著，且小部分区域呈现显著负相关。温度升高对海拔相对较低与植被覆盖度较低区域植被生长相对不利，其原因在于海拔相对较低与植被覆盖度较低区域气候较为干旱，温度过高会导致植被叶片蒸腾作用加快，导致蒸腾与蒸发作用增加，使得土壤水分减少，其结果则会抑制植被生长和光合作用［33］。本研究结果与秦格霞等［33］得出的温度对海拔较高地区植被生长是有利的，但在较为干旱地区（例如黄土高原西南部、准噶尔盆地和塔里木盆地等），温度升高对植被生长则是不利的研究结果表现出相一致性。

通过进一步分析区内太阳辐射量与NDVI间的偏相关性可知，如图8 d所示，区内太阳辐射量与NDVI间的偏相关性整体呈负相关，表现在显著负相关、显著弱负相关区域面积占比分别为17.00%，15.79%，且多集中在海拔相对较低与植被覆盖度较低区域。由此可见，区内平均气温、降雨量、蒸发量、太阳辐射量等气象因子对不同区域内植被生长影响程度存在较大差异，表现在海拔较高与植被覆盖度较高区域NDVI与平均气温、蒸发量、太阳辐射量等气象因子之间的偏相关性均呈显著正相关关系；而海拔相对较低与植被覆盖度较低区域，区内植被在缺水情况下，温度升高和太阳辐射增加会一定程度导致土壤水分快速流失，从而对植物生长产生不利影响，使得区内NDVI与平均温度、蒸发量、太阳辐射量等气象因子之间的偏相关性不显著，甚至呈负相关。本研究结果与解晗等［16］的研究结果表现出相一致性，即后者研究结果表明太阳辐射过强则可能会造成植被蒸腾作用增加，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。

2.5 不同土地利用类型区域影响NDVI变化的主驱动因子分析

如表1所示，区内主要的土地利用类型为草地占总面积的81.43%，其次为耕地与荒地分别占总面积的5.968 6%，5.772 7%，建筑用地的面积占比最低不足0.005 7%。在18年时间研究区内森林、草地覆盖面积均呈现出呈增加的变化趋势，其增幅分别0.997 2%，19.554 0%；相应地，区内耕地面积则呈减少的变化趋势，减少幅度分别为5.836 1%。为了进一步探讨区内不同土地利用类型区域内影响NDVI变化的主驱动因子，本研究基于ArcGIS软件中的地理探测器模块，分别计算了耕地、森林、灌木、草地等不同土地利用类型区域其平均气温、降雨量、蒸发量、太阳辐射量等气象因子的驱动力。如图9所示，区内平均气温、降雨量、蒸发量、太阳辐射量等4种气象因子的驱动力中，其中的降雨量、太阳辐射量驱动力相对较低，其取值分别为0.019 4～0.197 7，0.028 3～0.077 5；相应地，耕地、森林、灌木区域内平均气温、降雨量、蒸发量、太阳辐射量4种气象因子中最大驱动因子均为平均气温，其值分别为0.216 5，0.321 5，0.326 5，由此可知，区内耕地、森林、灌木等区域内NDVI变化受气温影响相对较大。另外，区内耕地区域因受到当地居民生产生活等活动影响，耕地区域内降雨量驱动力与森林、灌木、草地等区域内相比表现出相对较小，其值为0.082 3。此外，区内草地区域其平均气温、降雨量、蒸发量、太阳辐射量等4种气象因子中蒸发量的驱动力为最大值，且降雨量驱动力大于平均气温的驱动力；由此可知，草地区域内影响NDVI变化的主驱动因子为蒸发量和降雨量，其值分别为0.121 0，0.077 5。

综上所述，区内耕地、森林、灌木、草地等4种不同土地利用类型区域内影响NDVI变化的主驱动因子存在显著差异，主要表现在耕地、森林、灌木区域内平均气温驱动力相对较大，其值分别为0.216 5，0.321 5，0.326 5；降雨量的驱动力相对较小，其值分别为0.028 3，0.033 5，0.040 1。草地区域内降雨量与蒸发量的驱动力相对较大，其值分别为0.121 0，0.077 5；平均气温的驱动力则相对较小，其值为0.022 8。由此可见，草地区域内影响植被生长主要因素则为蒸发量与降雨量，其主要原因在于区内气候干旱，草地植被受到干旱胁迫影响较大，而区内干旱主要受降雨和蒸发的影响，因此草地植被的主驱动因子为蒸发量与降雨量［34］。耕地、森林、灌木等植被覆盖度较高区域，影响植被生长主要因素为气温［35］。耕地、林地的植被根系相对较为发达，可通过吸收土壤深层水分供给生长，受降雨量条件的限制较低［35］。此外，耕地除自然降雨外，还可通过人工灌溉补充水分，故受降雨量条件影响程度也相对较低［35］。

2.6 不同驱动因素对植被NDVI变化的相对贡献

由图10a表明，区内气候变化对龙羊峡至积石峡段流域内，植被NDVI变化的贡献率为正的区域面积约占总面积78.74%；其中，气候变化的贡献率为10%～30%和80%～100%的区域面积相对较大，约占总面积的60.58%；贡献率大于80%的区域面积约占19.09%，主要集中分布在流域西南部贵南、共和等地区。此外，气候变化对流域内植被NDVI变化的贡献率为负的区域面积约占21.26%，主要集中分布在贵南、贵德以及尖扎等地区。

人类活动对流域内植被NDVI变化的贡献率为正的区域面积约占79%，如图10b所示。其中，人类活动的贡献率为40%～100%的区域面积相对较大，其面积占比均超过70%；贡献率超过80%的区域主要集中分布在循化、化隆、贵德、贵南以及贵南南部等地区。此外，区内人类活动对流域内植被NDVI变化的贡献率为负的区域面积约占21.25%，其主要集中分布在贵南、贵德以及尖扎等地区。

由此可见，循化、化隆、贵德、尖扎等地区的人类活动，对植被NDVI变化的贡献总体上比气候变化的贡献更为显著，其主要原因在于该区域属于地区经济发展相对较为快速、人口密度较大地区，且其农业生产水平相对较高、农业用地面积相对较大。区内贵南、共和等地区其气候变化对植被NDVI变化的贡献总体上较人类活动的贡献更为显著，其主要是由于该区域属于人口分布密度相对较小地区，区内植被NDVI变化受人类活动影响程度相对较小。

3 讨论

区内2004—2021年间植被总体呈增加趋势，NDVI增加区域占总面积的81.66%，其中轻微改善区域面积为8 655.84 km2，占总面积的45.04%，NDVI明显改善区域面积约为9 084.84 km2，占总面积的36.62%。该研究表明，龙羊峡至积石峡段流域植被整体改善情况良好，该结果与赵倩倩等［36］利用2001—2020年MODIS植被指数数据集及同期气象数据数，所得到的黄河流域NDVI整体呈上升趋势的结论相类似。此外，该结果亦进一步表明，1998年国家实施森林保护工程和2000年实施退耕还林工程［37-39］，以及防沙治沙［40］等生态修复工程，其结果使得流域内植被分布状况得到显著改善。

通过对区内气象因子与NDVI之间的相关性分析可知，NDVI与平均气温、降雨量之间均呈正相关关系，该结果表明降水、气温因子的增加会促进植被生长；与此同时，由太阳辐射量与NDVI之间的偏相关分析结果得到，区内海拔相对较低与植被覆盖度较低区域内NDVI与太阳辐射量之间呈负相关关系，该结果表明该区域内太阳辐射量提高会一定程度上抑制海拔较低与植被覆盖度较低区域内植被生长，该结论与孙高鹏等［41］通过相关性分析和随机森林回归分析等方法，探讨黄河流域内植被生长的气候驱动因素所得到的结果基本一致。

此外，通过对比分析区内平均气温、降雨量与NDVI间的相关系数空间分布特征可知，平均气温与NDVI间呈正相关区域面积占比为94.56%，且主要分布于海拔相对较高与植被覆盖度较高区域，而降雨量与NDVI间呈正相关区域面积占比为32.29%，主要分布于海拔相对较低与植被覆盖度较低区域。该结果表明对于较为干旱地区而言，温度因子对海拔和植被覆盖度较高区域植被生长是有利的，但对于海拔较低与植被覆盖度较低区域，温度升高会一定程度上抑制植被的生长［42-43］。该结果主要归因于温度过高会导致植被叶片蒸腾作用加快，使得土壤水分减少，其结果会抑制植被生长［44］，该结论与秦格霞等［33］对我国北方不同海拔区域内草地对气候变化的响应的研究结论基本相一致。

尽管已有研究中基于遥感方法对植被NDVI变化趋势、影响因子等方面的研究相对较多，其中对植被NDVI变化趋势方面的研究已较为成熟，无论采用一元线性回归分析法还是Theil-Sen Median趋势分析法，均能够较好地分析NDVI在长时间序列中的变化趋势［33］；然而，有关植物生长的影响因子方面所开展的研究还有待于进一步深入，主要原因在于植被与气候变化之间相互影响、相互作用关系较为复杂，表现在不同时段、不同区域间气候影响存在较大差异性［45］。因此，课题组后续研究中将进一步开展龙羊峡至积石峡段流域，有关植物生长影响因子及其耦合作用机理方面的探讨。

4 结论

2004—2021年间区内植被总体呈逐渐增加状态，NDVI增加区域占总面积的81.66%；龙羊峡至积石峡段流域NDVI与平均气温、降雨量、蒸发量、太阳辐射量间均呈现正相关关系，正相关区域面积占比在72.73%～98.91%之间，且NDVI与平均气温、蒸发量、太阳辐射量等3种因子间相关性显著区域主要分布在区内海拔相对较高，NDVI与降雨量间的相关性显著区域则主要分布在区内海拔相对较低地区；耕地、森林、灌木等区域内植被变化的主驱动力是平均气温，其值分别为0.216 5，0.321 5，0.326 5；草地区域内植被变化的主驱动力是降雨量与蒸发量，其值分别为0.121 0，0.077 5；此外，气候变化贡献率大于80%的区域主要集中分布在贵南、共和等地区，人类活动贡献率超过80%的区域则主要集中分布在循化、化隆等地区。

参考文献

［1］ PIAO S L，FANG J Y，LIU H Y，et al. NDVI-indicated decline in desertification in China in the past two decades［J］. Geophysical Research letters，2005，32（6）：347-354

［2］ 徐冠华，葛全胜，宫鹏，等. 全球变化和人类可持续发展：挑战与对策［J］. 科学通报，2013，58（21）：2100-2106

［3］ 张乐艺，李霞，冯京辉，等. 2000—2018年黄河流域NDVI时空变化及其对气候和人类活动的双重响应［J］. 水土保持通报，2021，41（5）：276-286

［4］ PANG G J，WANG X J，CHEN D L，et al. Evaluation of a climate simulation over the Yellow River Basin based on a regional climate model （REMO） within the CORDEX［J］. Atmospheric Research，2021，254（4）：105522

［5］ WANG X J，CHEN D L，PANG G J，et al. Historical and future cli mates over the upper and middle reaches of the Yellow River Basin simulated by a regional climate model in CORDEX［J］. Climate Dynamics，2021，56（1）：1-23

［6］ 朴世龙，方精云. 1982—1999年我国陆地植被活动对气候变化响应的季节差异［J］. 地理学报，2003（1）：119-125

［7］ 刘佩霞，王军邦，孙晓芳，等.三江源区高寒草地植被生长的气候适宜性研究［J］. 草地学报，2023，31（10）：3145-3156

［8］ 赵金彩，潘涛.基于多时间尺度的黄河流域制备NPP时空特征及其对气候变化的响应［J］.水土保持研究，2024，31（4）：214-222

［9］ 任晋媛，佟斯琴，包玉海，等. 内蒙古地区极端气候变化及其对植被净初级生产力的影响［J］. 生态学杂志，2021，40（8）：2410-2420

［10］刘慧丽，陈浩，董廷旭，等. 川渝地区NDVI动态特征及其对气候变化的响应［J］. 生态学报，2023，43（16）：6743-6757

［11］赵倩倩. 气候变化背景下黄河流域植被变化成因及未来预估［D］. 银川：宁夏大学，2022：10-21

［12］黄豪奔，徐海量，林涛，等. 2001—2020年新疆阿勒泰地区归一化植被指数时空变化特征及其对气候变化的响应［J］. 生态学报，2022，42（7）：2798-2809

［13］陈春波，李刚勇，彭建. 1981—2018年新疆草地归一化植被指数时空特征及其对气候变化的响应［J］. 生态学报，2023，43（4）：1537-1552

［14］苏日罕，郭恩亮，王永芳，等. 1982—2020年内蒙古地区极端气候变化及其对植被的影响［J］. 生态学报，2023，43（1）：419-431

［15］XIAO X，WANG Q Z，GUAN Q Y，et al. Quantifying the nonlinear response of vegetation greening to driving factors in Longnan of China based on machine learning algorithm［J］. Ecological Indicators，2023（151）：110277

［16］解晗，同小娟，李俊，等. 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［J］. 生态学报，2022，42（11）：4536-4549

［17］LIU C X，ZHANG X D，WANG T，et al. Detection of vegetation coverage changes in the Yellow River Basin from 2003 to 2020［J］. Ecological Indicators，2022（138）：1-14

［18］ZHANG F，HU X S，ZHANG J，et al. Change in alpine grassland NPP in eesponse to climate variation and human activities in the yellow river source zone from 2000 to 2020［J］. Sustainability，2022，14（14）：2-15

［19］MAO J F，SHI X Y，THORNTON P E，et al. Global latitudinal-asymmetric vegetation growth trends and their driving mechanisms：1982—2009 ［J］. Remote Sensing，2013，5（3）：1484-1497

［20］PIAO S L，TAN J G，CHEN A P，et al. Leaf onset in the northern hemisphere triggered by daytime temperature［J］. Nature Communications，2015，6（1）：6911

［21］赵瑞欣，周保，李滨. 黄河上游龙羊峡至积石峡段巨型滑坡OSL测年［J］. 地质通报，2013，32（12）：1943-1951

［22］王占林，朱春云，杨占武，等. 黄河上游贵德—民和段两岸植被分布特征［J］. 青海农林科技，2006（1）：17-18

［23］李加顺，刘丽. 2000—2020年云南省植被时空变化及影响因素分析［J］. 草地学报，2023，31（11）：3503-3513

［24］曹永强，周姝含，杨雪婷. 近20年辽宁省植被动态特征及其对气候变化的响应［J］. 生态学报，2022，42（14）：5966-5979

［25］陈龙飞，张万昌，高会然. 三江源地区1980—2019年积雪时空动态特征及其对气候变化的响应［J］. 冰川冻土，2022，44（1）：133-146

［26］孙梦鑫，张岳，辛宇，等. 川西高原近20a植被物候变化及其对气候变化的响应［J］. 生态环境学报，2022，31（7）：1326-1339

［27］岳奕帆，陈国鹏，王立，等.基于GEE平台的舟曲县1998—2019年植被覆盖变化分析［J］. 草地学报，2022，30（6）：1534-1542

［28］刘恒，汤弟伟，孙毅，等. 武陵山区植被生长季NDVI时空变化及其对气候变化的响应［J］. 水土保持研究，2021，28（5）：245-253

［29］余东洋. 渭河流域植被动态变化遥感时序分析及生态安全评价［D］. 西安：长安大学，2019：10-30

［30］罗赵慧，朱璐平，张晓君，等. 粤港澳大湾区植被CUE变化及与气候变化的关系［J］. 中国环境科学，2021，41（12）：5793-5805

［31］吴林霖，王思远，马元旭，等. 中亚地区植被对气候变化的响应机制初探［J］. 遥感学报，2022，26（11）：2248-2267

［32］耿庆玲，陈晓青，赫晓慧，等. 中国不同植被类型归一化植被指数对气候变化和人类活动的响应［J］. 生态学报，2022，42（9）：3557-3568

［33］秦格霞，芦倩，孟治元，等. 1982—2015年中国北方草地NDVI时空动态及其对气候变化的响应［J］. 水土保持研究，2021，28（1）：101-108

［34］张永永，税伟，孙晓瑞，等.云南省植被水分利用效率时空变化及影响因素［J］. 生态学报，2022，42（6）：2405-2417

［35］孟新月，葛静，侯蒙京，等.基于机器学习的青藏高原天然草地盖度时空变化特征研究［J］.草地学报，2022，30（10）：2652-2662

［36］赵倩倩，李建华，张桂琴，等. 气候变化背景下黄河流域植被变化及其成因［J］. 气候与环境研究，2022，27（01）：157-169

［37］WOHLFART C，MACK B，LIU G H，et al. Multi-faceted land cover and land use change analyses in the Yellow River Basin based on dense Landsat time series：Exemplary analysis in mining，agriculture，forest，and urban areas［J］.Applied Geography，2017（85）：73-88

［38］周剑芬，管东生. 森林土地利用变化及其对碳循环的影响［J］. 生态环境，2004，13（4）：674-676

［39］CHEN Y Z，CHEN L Y，CHENG Y，et al. Afforestation promotes the enhancement of forest LAI and NPP in China［J］. Forest Ecology and Management，2020，462：117990

［40］常屹冉，张弛，魏嘉诚，等.气候变化和人类活动对内蒙古植被净初级生产力的影响［J］. 草地学报，2023，31（11）：3444-3452

［41］孙高鹏，刘宪锋，王小红，等. 2001—2020年黄河流域植被覆盖变化及其影响因素［J］. 中国沙漠，2021，41（4）：205-212

［42］张浔浔，段阳海，吴淑莹，等.通天河流域植被动态监测及其对气候因子的响应［J］. 草地学报，2023，31（2）：479-488

［43］刘长雨，谢保鹏，杨洁，等.青藏高原不同退化梯度下植被蒸散发的时空格局研究［J］.草地学报，2023，31（1）：252-262

［44］赵安周，刘宪锋，朱秀芳，等. 2000—2014年黄土高原植被覆盖时空变化特征及其归因［J］. 中国环境科学，2016，36（5）：1568-1578

［45］刘佳，朱求安，王乐，等. 基于多源数据的近40年黄河上游地区草地变化特征［J］. 草业科学，2023，40（2）：405-418

（责任编辑 刘婷婷）