谷正楠， 张震， 胡克宏， 陆艺杰
(安徽理工大学空间信息与测绘工程学院， 淮南 232001)
植被作为陆地生态系统的主要组成部分，在维持区域生态系统稳定和调节气候等方面发挥重要作用[1]。植被生长状况受地形、气候变化和人类活动的强烈影响，植被覆盖变化会影响全球或区域生态环境[2]。了解区域植被时空变化，探索其对各影响因素的响应情况，可对区域生态环境保护提供理论支持。
遥感技术是实现长时间序列、大空间尺度植被监测的有效手段。归一化植被指数(normalized difference vegetation index，NDVI)能准确反映地表植被覆盖度，是评价植被生长状况最普遍的一个指标[3-4]，其年最大值可以有效反应植被年度生长的最佳状况[5]。近年来，中外学者利用NDVI对植被覆盖变化影响因素做了大量研究，认为地形[6]、气温、降水[7]和人类活动[8]是影响植被变化的重要因素，但不同区域植被变化对各影响因子的响应存在较大差异。岳辉等[9]研究发现，降水是影响陕西省NDVI变化的主要气象因子；
杨彩云等[10]研究表明，温度是影响川藏铁路沿线植被覆盖变化的主要气象因子；
Yuan等[11]研究发现，城市化引起的土地利用变化是长江三角洲地区植被覆盖度下降的主要驱动因素；
潘方杰等[12]研究表明，高程、坡度、坡向等地形因子均能在不同程度上影响国家重点生态功能区植被覆盖变化。以往研究大多采用简单相关分析研究植被覆盖变化与气候因子的关系[13-17]，少数研究定量分析人类活动对植被覆盖变化的影响[18-21]，而综合考虑地形、气候变化和人类活动对植被覆盖变化影响的研究较少。此外，植被覆盖变化的影响机制错综复杂，而传统的多元分析方法多关注自变量对因变量产生的直接影响，忽略间接影响，进而产生有偏的结果[22]。综上所述，量化各影响因素对植被覆盖变化的直接和间接影响，得到各影响因素对植被覆盖变化的总影响，对区域生态环境保护和决策治理具有重要意义。
安徽省地理位置特殊，皖南、皖中和皖北地形、气候等方面差异较大，是中国整个南北差异的缩影[23]，同时，安徽省是中国重要的粮食生产基地，植被覆盖变化与粮食产量密切相关。为此，以安徽省为研究区，基于Google Earth Engine (GEE) 获取MOD13Q1 NDVI数据，采用一元线性回归法分析NDVI的时空变化趋势，并结合结构方程模型，分区定量分析各影响因子对NDVI变化的直接、间接和总影响，以期为安徽省生态环境建设和可持续发展提供科学依据。
1.1 研究区概况
Ⅰ为皖北；
Ⅱ为皖中；
Ⅲ为皖南图1 研究区位置及高程Fig.1 The location and elevation of the study area
安徽省位于中国华东地区(29°41′N～34°38′N，114°54′E～119°37′E，图1)，地势由平原、丘陵、山地构成，呈现西南高、东北低的特点，地跨淮河、长江和新安江三大水系。年均温为15～18 ℃，年均降水量在800～1 800 mm，地处暖温带与亚热带过渡地区，淮河以北属暖温带半湿润季风气候，淮河以南为亚热带湿润季风气候，季风明显，四季分明，自然灾害时有发生。安徽省是中国重要的农产品生产基地，耕地是最主要的土地利用类型。此外，随着安徽省城镇化进程的加快，人类活动对NDVI变化的影响不容忽视。
1.2 数据来源与处理
1.2.1 NDVI数据
基于GEE平台在线访问全球2000—2018年MOD13Q1 NDVI数据(空间分辨率为250 m，重访周期为16 d)，共计434期，为去除云污染和大气辐射等影响，研究采用最大值合成法合成长时间序列的NDVI年最大值影像，最后以安徽省矢量边界裁剪并下载至本地。
1.2.2 地形数据
基于GEE平台，在线访问全球SRTM DEM 30 m分辨率数据，以安徽省矢量数据为边界下载至本地。在ArcGIS中生成高程和坡度两个常用的地形因子。
1.2.3 人类活动数据
2000—2018年连续时间序列的人口密度数据来自WorldPop(https://www.worldpop.org/)发布的世界人口密度地图，空间分辨率为1 km，该人口密度地图是目前精度最高，最可靠的长时间序列数据。
夜间灯光数据被广泛应用于评价社会经济指标，但目前由美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)发布的基于DMSP-OLS(defense meteorological satellite program operational linescan system, 1992—2013)和NPP-VIIRS(suomi national polar-orbiting partnership-visible infrared imaging radiometer suite,2012至今)两种传感器的夜间灯光数据集不匹配，无法进行长时间序列的比较分析，基于此，本研究采用的2000—2018年夜间灯光数据来自基于交叉传感器校准的全球类似NPP-VIIRS夜间灯光数据的扩展时间序列(2000—2018年), 该数据集空间分辨率为500 m，具有与复合NPP-VIIRS夜间灯光数据相似的良好的空间格局和时间一致性[24]。
研究采用的2000年和2018年的土地利用数据来自中国科学院资源与环境科学数据中心(http://www.resdc.cn)提供的安徽省土地利用数据集，该数据集包含耕地、林地、草地、水域、居民地、未利用土地等6个一级类和25个二级类，空间分辨率为1 km。
1.2.4 气候数据
2000—2018年的气象数据(年均温和年降水量)来自中国气象数据网(http://data.cma.cn/)的中国地面气温月值0.5°×0.5°格点数据集(V2.0)和中国地面降水月值0.5°×0.5°格点数据集(V2.0)，该数据集利用ANUSPLIN软件的薄盘样条法进行空间插值，且经过交叉验证、误差分析，质量状况良好。
1.2.5 数据处理
在ArcGIS中将所有数据投影至WGS_1984_UTM_Zone_50N坐标系统，并基于最近邻法重采样至与NDVI相同空间分辨率(250 m)，以保证数据可用性。研究通过去除水体部分，取3 km×3 km格网的中心点，去除缺失值，共提取采样点14 789个，其中皖北4 591个，皖中5 575个，皖南4 623个。
对于高程和坡度，直接提取每个采样点的值。对于土地利用变化，将2000—2018年安徽省土地利用类型发生变化的像元记为0，未发生变化的像元记为1，提取每个采样点的值。对于人口密度变化、夜间灯光变化、年均温变化、年降水量变化和NDVI变化，利用2000—2018年连续时间序列，基于GEE云平台采用一元线性回归法计算每个像元的变化趋势，提取每个采样点的斜率。所有采样点的提取均在ArcGIS中完成，最终生成属性表，利用AMOS 21构建结构方程模型，定量分析各影响因素与NDVI变化之间的关系。
2.1 一元线性回归分析
一元线性回归分析可以反映区域植被覆盖变化的空间分布特征并模拟出其变化趋势[25]，用slope表示每个像元的年际变化趋势，其计算公式为
(1)
式(1)中:slope为NDVI变化的斜率；
fci为像元第i年的NDVI值；
n为观测时段的年数。
当slope>0时，表示在研究时段内NDVI呈增加趋势，反之则呈减少趋势。
采用F检验法对NDVI变化趋势进行显著性检验，根据一元线性回归和显著性检验结果，将研究区的NDVI变化趋势分为6个等级：极显著改善(slope>0，P≤0.01)、显著改善(slope>0，0.01 结构方程模型(structural equation model，SEM)是一种基于协方差矩阵的多变量统计方法，是包含因子分析、路径分析等统计方法的多元分析方程[26]，不仅可以同时处理多个因变量[27-28]，而且能对模型整体进行适配度检验，从而更加清楚地理解影响植被覆盖变化的潜在机制。其中，自变量和因变量既可以是连续的，也可以是离散的[26]。该方法最先被广泛应用于心理学[29-30]、社会学[31]、行为科学[32]和经济学[33]等领域，近年来，此方法也被应用于植被遥感领域[34-36]。 NDVI变化的影响因素可概括为地形、气温变化、降水变化和人类活动变化，其中，将地形和人类活动变化定义为两个潜在变量(不能被直接测量的变量)，高程和坡度作为地形的观测变量(可以直接测量的变量)，人口密度变化、土地利用变化和夜间灯光变化作为人类活动变化的观测变量，并将年均温变化和年降水量变化作为独立变量(观测变量)加入模型，构建了NDVI变化驱动机制的概念模型(图2)。 椭圆为潜在变量;矩形为观测变量图2 2000—2018年安徽省NDVI变化影响因素的概念模型Fig.2 Conceptual model of driving factors of NDVI change in Anhui Province from 2000 to 2018 为确定最佳拟合模型，选取比较拟合指数(comparative fit index, CFI)、拟合优度指数(goodness of fit index, GFI)、近似误差均方根(root mean square error of approximation, RMSEA)和标准化的均方根误差(standardized residual mean root, SRMR)4个指标来评价模型拟合效果。一般认为CFI(>0.90或0.95)和GFI(>0.90或0.95)越接近1，RMSEA(<0.08)和SRMR(< 0.05)越接近0时模型拟合效果越好。模型的构建、评价和修正均在AMOS 21软件中进行。 模型拟合成功后，每条路径上都会有相应的标准化回归系数，直接影响即该变量直接指向NDVI变化的路径系数，间接影响即从该变量指向NDVI变化的路径系数的乘积，总影响即直接影响和间接影响的总和。 图3 NDVI时间变化趋势Fig.3 Temporal variation trends of NDVI 2000—2018年安徽省年均NDVI为0.75～0.83，随时间变化呈现波动增加趋势，线性趋势为0.02/(10 a)(P<0.01)(图3)。NDVI最高值出现在2015年，最大振幅为 0.029。值得注意的是，NDVI在2003—2005年和2013—2015年出现两个快速增长阶段，主要是因为生态工程的实施，其中，第一个快速增长阶段主要为退耕还林工程的实施，2002年，国家正式启动退耕还林工程后，至2009年安徽省共有17个市参与退耕还林工程，且在2000—2005年实施效果最为显著[37]； 0 2000—2018年，安徽省大部分地区为中高和高植被覆盖度，主要土地利用类型为耕地和林地，NDVI大于0.6的区域分别占2000年和2018年的96.32%[图4(a)]和95.25%[图4(b)]，表明安徽省植被覆盖状况良好。高植被覆盖度区域主要分布在海拔较高的丘陵和山区地带(皖南山区等)，主要是因为该地区森林覆盖率较高，且水热条件适宜植被生长，中低植被覆盖度和低植被覆盖度区域主要分布在城市中心地区。值得注意的是，2000—2018年，中高植被覆盖度区域由65.39%下降到37.84%，高植被覆盖度区域由30.93%上升到57.42%，中高植被覆盖度向高植被覆盖度转化是该地区的主要转移方向，生态工程的驱动(退耕还林等)、耕地的集约利用及农作物产量提高可能是发生该现象的主要原因[38]。 2000—2018年，安徽省植被改善面积远大于退化面积，分别占研究区面积的81.43%和18.57%(表1)。植被显著退化(包括极显著退化和显著退化)区域占14.06%，主要分布在皖江马鞍山、铜陵、芜湖，以及皖中合肥(图5)，主要是由于这些城市经济发展较快，城市化进程加快。植被显著改善(包括极显著改善和显著改善)区域占75.1%，主要分布在皖南黄山、宣城、池州，皖中滁州、六安、安庆北部及皖北淮南，其中池州、黄山、宣城、六安市南部和安庆北部，土地利用类型以林地为主，而六安市北部、淮南和滁州则以耕地为主，作物产量较高是NDVI增加的主要原因。 表1 2000—2018年NDVI变化趋势面积统计Table 1 Area statistics on the spatial variation trend of NDVI from 2000 to 2018 图5 2000—2018年NDVI空间变化趋势Fig.5 Spatial variation trend of NDVI from 2000 to 2018 模型拟合结果表明(表2)，构建的结构方程模型与数据匹配度较高，模型拟合结果较为理想。安徽省全域及皖北、皖中和皖南NDVI变化影响因素的结构方程模型表明(图6、表3)，人类活动变化对NDVI变化的负向影响最大，影响系数分别为-0.47、-0.61、-0.52和-0.53，其中夜间灯光变化能够较好地衡量人类活动变化(图6)，表明人类活动对NDVI变化产生的负向影响主要是因为城市扩张； 表2 结构方程模型拟合结果的适配度检验Table 2 Measures of structural equation model fitting results 地形对安徽省NDVI变化的总影响为0.10(表3)，其中包括地形对安徽省NDVI变化的直接影响(0.06)、通过影响人类活动变化对NDVI变化的间接影响(0.07)，以及通过影响年降水量变化对NDVI变化产生的间接影响(-0.03)[图6(a)]，总体上，高程和坡度都会对NDVI变化产生正向影响。此外，地形对安徽省NDVI变化的影响存在空间异质性，皖北地区，地形基本不会对NDVI变化产生影响[表3、图6(b)]，皖中地区受地形影响较小，总影响为0.06[表3、图6(c)]，然而，皖南地区受地形影响较大，总影响为0.21[表3、图6(d)]，主要是因为皖北大部分为平原，地势平坦，皖中只有六安南部和安庆北部存在小区域地势较高，而皖南存在较多山区，地形复杂。 绿色线表示正向影响； 总体上，安徽省NDVI变化受年降水量变化的负向影响较小，影响系数为-0.05[表3、图6(a)]，但分区域来看，皖北和皖中地区NDVI变化受年降水量变化的影响较大，影响系数分别为0.19和-0.20[表3、图6(b)、图6(c)]，而皖南地区NDVI变化受年降水量变化影响不显著，影响系数为0.03[表3、图6(d)]。 表3 地形、人类活动变化、年均温变化和年降水量变化对 安徽省NDVI变化的总影响Table 3 Total effects of topography, human activities, annual average temperature and annual precipitation on NDVI changes in Anhui Province 年均温变化几乎不影响安徽省NDVI变化，对皖北、皖中和皖南NDVI变化的总影响分别为0.02、0.04和0.02[表3、图6(a)～图6(d)]，其中，皖北和皖南地区NDVI变化受年均温变化影响不显著。值得注意的是，皖北和皖南地区年均温变化和年降水量变化存在显著的交互作用，作用系数分别为-0.24和0.23。 利用长时序NDVI数据分析植被时空变化趋势及驱动因素，对安徽省的生态保护具有重要意义。结果表明， 2000—2018年安徽省NDVI整体呈现增加趋势(0.02/10 a)，这与徐光来等[16]、何彬方等[39]的研究结果是一致的。不同地表类型的植被覆盖度是不同的，从高到低排序为：林地>草地>耕地>城镇[40]，其中皖南山区和皖中大别山区以林地为主，皖北平原以耕地为主，NDVI较高，而城市中心地区NDVI较低。 气温、降水是影响NDVI变化的重要气候因子。研究表明，安徽省年均温变化和年降水量变化对NDVI变化产生微弱的负影响，其中皖北和皖中NDVI变化受年均温和年降水量变化的影响强于皖南。邓伟等[41]研究表明，皖北和皖中为高密度农田植被覆盖区，农田更易受气候变化的影响。年际变化上，安徽省气温呈现皖中气温高于皖北平原和皖南山区的格局[42]，气温升高，会带来显著的积温效应，使植被生长力增强[43]，这与本研究皖中年均温变化对NDVI变化产生微弱的正向影响，而皖北和皖南年均温变化对NDVI变化影响不显著的结论相一致。 随着中国经济的快速发展，人类活动对NDVI变化的影响不容忽视。量化结果表明，人类活动是NDVI变化的主要影响因素，其中夜间灯光变化能较好地衡量人类活动变化，对NDVI变化产生较强的负向影响，其次，人口密度也会对NDVI变化产生弱负影响，而土地利用变化会对NDVI变化产生弱正影响，说明人类活动既会对NDVI变化产生积极影响，也会产生消极影响。王芳等[44]研究表明，城市化是安徽省NPP减少的主要驱动因素，城镇用地增加主要来源于侵占耕地，导致NDVI减少； 相关研究表明，地形(高程、坡度)也会影响NDVI变化[12]，但以往研究仅关注地形对NDVI变化的直接影响[12,40]。本研究结果表明，安徽省地形不仅会直接影响NDVI变化，也会通过影响年降水量变化和人类活动变化间接影响NDVI变化。一方面，安徽省不同海拔高度植被类型有明显差异，海拔高度在200 m以下，植被类型以耕地为主，随着海拔高度的增加，植被类型以林地、树草地等NDVI值较高的植被类型为主[40]，因此直接导致NDVI增加； 基于GEE平台，采用一元线性回归趋势法分析安徽省NDVI变化线性趋势，结合F检验方法判断NDVI变化趋势的显著性，并运用SEM模型定量分析地形(高程和坡度)、气候变化和人类活动变化对安徽省NDVI变化的影响，得出以下主要结论。 (1)时间上，2000—2018年安徽省NDVI呈现波动增加趋势，线性趋势为0.02/10a。 (2)空间上，2000—2018年安徽省大部分地区为中高和高植被覆盖度，呈现南北高，中间低的分布格局，且NDVI大于0.6(中高和高植被覆盖度)的区域分别占2000年和2018年的96.32% 和95.25%，表明安徽省植被覆盖状况良好。安徽省植被空间变化趋势以改善为主，改善区域占研究区面积的81.43%，主要分布在皖南黄山、宣城、池州，皖北滁州、六安、淮南及安庆市北部，植被退化区域占18.57%，主要分布在马鞍山、铜陵、芜湖及合肥。 (3)结构方程模型表明，人类活动变化是NDVI变化的主要影响因素，主要表现为城镇用地扩张对NDVI变化产生的负影响，然而，退耕还林等生态工程的实施使林地面积增加，也对NDVI变化产生积极影响。因此，应注意提高城市绿化，继续加强生态工程建设，最大程度地发挥人在生态环境改善上的积极性。其次，由于皖南山区地形复杂，NDVI变化受地形影响较大，而皖北多为平原， NDVI变化基本不受地形影响。从气候变化对NDVI变化的影响来看，年均温和年降水量变化对NDVI变化的影响均较小，但空间上表现出皖北和皖中地区NDVI变化受气候变化影响强于皖南地区的特征。 然而，植被对气候变化的影响存在时滞效应，不同地理环境、不同植被类型对气候变化的时滞效应存在一定差异，时滞间隔没有统一的选取标准。在未来的研究中，可以在现有分区基础上进一步探讨植被对气候变化的响应。2.2 结构方程模型
3.1 NDVI时间变化特征
第二个快速增长阶段主要为2012年安徽省启动的“千万亩森林增长工程”，在很大程度上推动了丘陵、山地和平原农田防护林建设。
0.4
0.83.2 NDVI空间分布特征
3.3 NDVI空间变化趋势
3.4 NDVI变化的影响因素分析
人口密度变化也会对NDVI变化产生负向影响，主要表现为城镇化进程的加快，使大量农村人口涌入城市，导致城镇用地增加，耕地和林地面积减少；
土地利用变化对NDVI变化产生正向影响，主要得益于退耕还林、千万亩森林增长工程等生态工程的实施。
红色线表示负向影响；
实线表示路径显著(P<0.05)；
虚线表示路径不显著(P<0.05)；
线宽表示影响大小图6 NDVI变化影响因素的结构方程模型Fig.6 Structural equation model of driving factors of NDVI change
Yuan等[11]对长江三角洲地区的研究也有同样的结果。而Qu等[45]研究发现，生态恢复工程引起的土地利用变化是长江流域植被状况改善的主要驱动因素，安徽省在治理工程实施后，林地的面积显著增加，2000—2018年，造林面积从757 km2增加到1 384.93 km2，森林覆盖率从27.95% 上升到28.65%，城市绿化面积从328.52 km2增长到1 218.02 km2[46]，说明生态工程引起的土地利用变化促进了安徽省NDVI的增加，如退耕还林工程、“千万亩森林增长工程”、太行山绿化工程、黄河中游防护林体系建设工程和长江中上游防护林体系建设工程等。
另一方面，海拔高度增加，降水充沛，有利于植被生长。此外，复杂地形(如高海拔地区)也会抑制人类活动(城市扩张等)，从而对NDVI变化产生积极影响。
——以安徽省铜陵市为例世界有色金属(2022年14期)2022-10-21植被覆盖度和降雨侵蚀力变化对小流域泥沙连通性的影响农业工程学报(2022年12期)2022-09-09张 勤书画世界(2022年7期)2022-09-06偃师区不同坡度带植被覆盖度分布研究湖北农业科学(2022年5期)2022-04-02皖北地区老年女性健康管理状况调查报告健康之家(2021年19期)2021-05-23汉字也逗趣意林·少年版(2020年5期)2020-04-14气候变化与人类活动对植被覆盖的影响西安科技大学学报（社会科学版）(2020年1期)2020-04-01《皖南印象》连云港文学(2020年6期)2020-03-17新媒介环境下信息技术课所面临的新问题及新途径电脑知识与技术(2016年28期)2016-12-21