2000-2019年渭河流域植被覆蓋度時空演變特征及氣候響應

龐家泰, 段金亮, 張 瑞,2, 呂繼超

(1.西南交通大學 地球科學與環境工程學院測繪遙感信息系, 成都 611756; 2.西南交通大學 高速鐵路運營安全空間信息技術國家地方聯合工程實驗室, 成都 611756)

植被是陸地生態系統中必不可少的一部分，在氣溫調節，水土保持，物質循環中扮演著重要的角色[1-2]，對氣候變化及人類的生產活動具有高度的敏感性。植被覆蓋的時空演變是氣候變化、土地利用類型變化等影響因素綜合作用的結果[3-4]。自然因素和人類活動對地表植被覆蓋的影響都會直接反映到地表植被類型及其覆蓋度的變化上[5]。植被覆蓋度是反映區域生態系統及環境優劣的重要監測指標之一[6]，作為生態系統表述的重要數據基礎，以及區域生態環境在時間和空間上演變的重要指標，對水文、生態以及區域變化等研究領域都具有重要意義，植被覆蓋度在很大程度上反映了區域生態系統的安全性與穩定性[7]。

遙感作為當前針對多尺度，大范圍，時空連續性較強的對地觀測手段，能夠很好地表示地表覆蓋情況，是獲取地表植被指數的重要手段[8]。目前，利用遙感數據產品進行地表植被指數的反演已經成為研究的熱點領域。通過對遙感影像的解譯與判讀能夠很好地表達不同尺度上的區域植被指數，其中歸一化植被指數(NDVI)在當前的研究中使用的最為廣泛[9]，是監測地區和全球植被及生態環境的有效指標，同時也是反演地表植被覆蓋變化的最佳指示因子[9]。基于NDVI數據利用像元二分模型反演植被覆蓋度是常用的反演方法，通過構建時序植被覆蓋度影像能直觀準確的反映植被指數的時空變化特征。為區域的政策方針，發展規劃提供有效的參考與及時的反饋。植被覆蓋的時空演變特征及氣候因子的影響分析，是當前全球環境變化和氣候演變的研究熱點之一。分析其變化特征及未來發展趨勢能夠為生態環境、經濟發展及區域管理提供科學的數據支持[10]。

渭河流域自古以來就是人類生產、生活的主要集中區域。由于歷史上長期的濫墾亂伐，區域內植被遭到嚴重破壞，另外，流域大部分地區處于黃土高原范圍內，土質疏松，導致水土流失嚴重，造成流域生態相對脆弱[11]。據數據統計，每年黃河向下游地區輸沙量達16億t，其中，平均每年有3億t來自渭河流域[12]。因此，對渭河流域進行植被的時空動態演變的監測具有重要的研究意義。喬晨等[13]通過研究1980—2007年渭河流域關中段的植被動態變化分析，得出該區域NDVI和植被覆蓋度近30 a總體上呈增長趨勢，僅1990—2000年期間有所下降；傅志軍等[14]通過研究基于NDVI的渭河流域時空演變分析，得出2010—2015年渭河流域NDVI均值呈緩慢增加趨勢，植被覆蓋度總體呈現由西北向東南逐漸增加的趨勢；余東洋等[15]通過研究2000—2017年渭河流域植被動態變化遙感時序分析，得出渭河流域NDVI總體呈上升趨勢，但在空間上存在一定的差異性，同期氣溫和降水具有顯著的時空差異性；渭河流域的植被指數變換在一定程度上反映了整個流域生態系統的穩定性與發展趨勢。

為進一步研究渭河流域生態植被的時空演變特征及相關影響因子，并對未來發展趨勢進行預測。本文基于2000—2019年渭河流域MODIS-NDVI遙感產品數據進行逐像元植被覆蓋度反演，研究其時空演變特征，結合氣溫、降水等氣象數據進行相關性及偏相關性分析并進行M-K突變檢驗，基于Hurst指數及年際變化率進行未來發展趨勢分析，并就人類活動對渭河流域植被覆蓋的影響因子進行簡要分析。渭河作為黃河最大的支流，且作為黃河輸沙量的主要來源之一，渭河流域特殊的地理位置決定了其在生態環境保護中的特殊地位，因此定期對流域內植被變化情況進行監測是對區域內的生態環境重要保護舉措，對渭河流域及黃河中下游地區的生態安全及社會經濟可持續發展都具有重要的意義。

1 研究區概況

渭河是黃河第一大支流，渭河流域位于東經103°30′—110°30′和北緯 33°30′—37°30′。由北洛河、涇河兩大支流和渭河主流構成，流域北部地處黃土高原，南部位于秦嶺山區北側，流域范圍涉及甘肅、寧夏、陜西三省(自治區)，總面積達134 766 km2。渭河流域在空間上可分為東西2個部分：西部地區為黃土丘陵溝壑區，東部地區為關中平原區，流域地勢西北高東南低，南北兩側山地呈階梯狀向渭河干流傾斜[13]。區域內水土流失嚴重，生態系統脆弱，氣候以半濕潤和半干旱氣候為主[16]。渭河流域位于干旱地區、大陸性季風氣候區和濕潤地區的中間過渡帶，春季溫暖少雨，夏季炎熱多雨且伴有伏旱天氣，秋季清涼濕潤，冬季氣候寒冷干旱且降雨稀少[17]。流域內植被覆蓋類型北部以草地為主，南部地區以荊條灌叢為主[18]，區域內主要土地利用類型以耕地、林地、草地等。

2 數據和方法

2.1 數據及預處理

遙感數據使用美國國家航空航天局(NASA)的2000—2019年MODIS13Q1數據產品(https:∥ladsweb.modaps.eosdis.nasa.gov)，空間分辨率為250 m×250 m，時間分辨率為16 d。由于渭河流域跨越h∶26 v∶5和h∶27 v∶5兩個瓦片范圍，因此選擇h∶26 v∶5和h∶27 v∶5為原始數據。MODIS-NDVI產品是已經經過水、云、重氣溶膠等數據處理，因此其數據產品具有一定的質量保障，由于MODIS-NDVI產品具有較高的空間分辨率，因此在區域植被覆蓋變化等研究領域中應用廣泛。在進行數據預處理時，首先利用MRT(MODIS Reprojection Tools)和bat批處理命令將原始MODIS-NDVI數據進行批量的格式轉換、重投影和影像拼接；其次，利用IDL程序進行批量研究區邊界裁剪得到研究區的原始MODIS-NDVI影像數據并進行異常值消除處理；然后，利用最大合成法得到年NDVI影像數據，并進一步利用像元二分法模型逐像元計算得到年植被覆蓋度影像數據；最后，對2000—2019年的植被覆蓋度影像數據進行時序數據合成，得到2000—2019年植被覆蓋度時序影像數據。

氣象數據來源于中國氣象數據網 (http:∥data.cma.cn)中國地面氣候資料日值數據集的1981—2019年渭河流域及其周邊區域37個氣象站點的逐日數據(包括日降水量、日平均氣溫等)

2.2 趨勢分析

在時序柵格影像數據的變化趨勢研究領域中，通過一元線性回歸分析能夠對每個柵格像元的演變趨勢進行模擬。該方法是在確定的時序影像數據范圍內，通過最小二乘的方法對年植被覆蓋度的時間變化曲線斜率進行擬合，用以綜合反演植被的時空變換特征[19-21]。本文采用一元線性回歸分析來進行2000—2019年時序植被覆蓋度數據的逐像元趨勢分析，用以反演植被的時空演變特征，計算公式如下[22]：

(1)

式中:θslope為變化趨勢;NDVIi為第i年的NDVI值;n為時序數據的總年數;當θslope>0時該像元呈現增加趨勢;當θslope≤0時該像元呈現下降趨勢。

2.3 Hurst指數

Hurst指數是用以描述時間序列是否具有長期依賴性的有效檢測方法，其基本原理基于重標極差(R/S)分析方法，最早由英國水文學家提出，用以描述水庫及水流量的相關分析，后被廣泛應用于各研究領域，基本概念為[24]：

一時間序列{φ(t)},t=1,2,…，n，對于任意正整數τ=1，定義均值序列：

(2)

累計離差：

(3)

極差：

(4)

標準差：

(5)

若存在R/S∝τH，則說明時間序列{φ(t)},t=1,2,…，n存在Hurst現象，其中H值稱為Hurst指數，Hurst指數數值大小的代表意義如下：

(1) 0

(2)H=0.5，表明當前時間序列呈隨機變換，即過去對未來發展趨勢沒有影響。

(3) 0.5

(4)H=1，說明未來完全可以用現在來預測。時間序列是一條直線。

2.4 Manner-Kendal(M-K)-突變檢驗

Mann-Kendall檢驗方法，最初由Mann和Kendall提出，在降水、徑流、氣溫和水質等時間序列的趨勢變化研究中應用廣泛[25]。在Mann-Kendall檢驗中，假定Xn為一時間序列數據(X1,…,Xn)，其不同時間點的數據是相互獨立、隨機的樣本數據；假設Hi是雙邊檢驗，對于任意的k,j≤n，且k≠j,Xi和Xj的分布是不相同的，檢驗的統計量S計算如下[26]：

(6)

其中

(7)

S服從標準正態分布，方差Vαr(S)=n(n-1)(2n+5)/18。當n>10時，通過下式計算統計量Z值：

(8)

對于統計量Z，當Z值大于0表示當前時間序列呈增加趨勢；小于0時表示當前時間序列呈減少趨勢。統計量Z值的絕對值在大于等于1.28，1.64，2.32時，表示當前時間序列分別通過了置信度為90%，95%，99%的顯著性檢驗。

Mann-Kendall檢驗還可以進一步用于時間序列的突變節點檢測，其檢測統計量Z與前面所述有所差異，通過構造一秩序列：

(9)

其中：

(10)

定義統計變量：

(11)

(12)

對于統計序列UFk和UBk進行進一步分析時間序列的變化趨勢以及其突變的時間節點。若UFk值大于0，則表明序列呈現為增加趨勢；小于0則表示呈現減少趨勢；當它們達到設定閾值時，表示當前時間序列的具有顯著性的變化趨勢。如果UFk和UBk的序列統計曲線存在交點，并且交點位于設定閾值的范圍之內時，那么此時交點出現的時間節點就對應了時間序列的突變發生的時間點[27]。

3 結果與分析

3.1 渭河流域植被覆蓋度時空演變特征

3.1.1 時間尺度 基于MODIS-NDVI產品數據利用最大合成法得到的2000—2019年NDVI數據并反演年植被覆蓋度，進一步計算渭河流域整體年均植被覆蓋度。利用線性擬合方法對2000—2019年渭河流域年均植被覆蓋度進行線性擬合分析。結果表明：渭河流域整體植被覆蓋度呈現顯著性上升趨勢，年均增長速率為0.087/10 a，其中，在2000—2013年基本為單調遞增趨勢，在2013—2019年有一定的正負波動，但仍呈現增加趨勢(圖1)。

圖1 渭河流域年均植被覆蓋度變化

3.1.2 空間尺度 基于渭河流域2000—2019年植被覆蓋度時序影像數據，逐像元計算其植被覆蓋度均值、年際變化率、變異系數及置信度(圖2)，圖2A表明渭河流域陜北地區及西北寧夏甘肅地區植被覆蓋度整體較低，渭河流域南部秦嶺一帶及涇河、洛河一帶植被覆蓋度相對較高，流域整體在空間域上呈現為由東南向西北逐漸遞減的趨勢；圖2B表明渭河流域甘肅、寧夏及陜北地區植被覆蓋度年際變化率呈正向趨勢，在渭河干流中下游地區呈現負向變化趨勢；變異系數又稱“離散系數”，其定義為標準差與平均值之比；變異系數可以用來衡量各觀測值的變異程度。圖2C表明渭河流域植被覆蓋度變異系數整體呈西北高東南低的空間格局，在西安及流域西北會寧縣、環縣、固原縣、定邊縣等地區較為明顯；圖2D置信水平結果表明除渭河中下游地區等少數地區外置信水平整體較高，植被覆蓋度變換較為平穩；在置信度較低的地區植被覆蓋度波動較大，有明顯的差異性。

圖2 渭河流域2000-2019年植被覆蓋度均值、年際變化率、變異系數及置信度

對渭河流域植被覆蓋度按照自然間斷分級法進行分類顯示，按植被覆蓋度分為低、中低、中、中高、高植被覆蓋區，分類結果(圖3A)顯示渭河流域植被覆蓋度呈現由東南向西北漸進式的降低。

結合置信度與年際變化率進行變化顯著性分析(圖3B)，得到結論：2000—2019年渭河流域植被覆蓋度整體表現為顯著性增加，其中在渭河中下游城市密度較為集中地區植被覆蓋度有顯著性減少。

圖3 渭河流域植被覆蓋等級及變化顯著性

3.1.3 未來趨勢分析 針對2000—2019年渭河流域植被覆蓋度時序數據逐像元計算Hurst指數(圖4A)，得到渭河流域Hurst指數最大值為0.991 5，最小值為0.102 4，平均值為0.478 8，小于0.5的像元數所占比例為55%，大于0.5的像元數所占比例為45%。結果表明渭河流域未來植被覆蓋度趨勢既存在反向特征也存在同向特征。進一步結合2000—2019年植被覆蓋度的年際變化率按照以下標準進行未來發展趨勢分析：

Hurst指數大于0.5，年際變化率大于0時，未來趨勢為改善到持續改善；Hurst指數大于0.5，年紀變化率小于0時，未來趨勢為退化到持續退化；Hurst指數小于0.5，年際變化率大于0，未來趨勢為改善到退化；Hurst指數小于0.5，年際變化率小于0，未來趨勢為退化到改善；分析結果(圖4B)表明：渭河流域整體植被覆蓋度未來變化趨勢為改善，沿渭河中下游城市較為密集及其他城市地區植被覆蓋度未來變化趨勢為持續退化趨勢。

圖4 渭河流域Hurst指數以及未來變化趨勢

3.2 渭河流域植被覆蓋度影響因子分析

結合渭河流域及其周邊區域1981—2019年共37個氣象站點的氣象數據，使用M-K突變檢測法及偏相關分析法對氣溫降水數據進行突變檢測以及流域降水、氣溫與植被覆蓋度之間的相關性進行分析。首先根據逐日氣象數據計算年降水量與年平均溫度，利用ArcGIS 10.3軟件對每年氣象數據的年降水量及年均溫度進行克里金插值得到渭河流域及其周邊區域的年降水量及年均溫度柵格數據，經過掩膜處理后得到渭河流域逐像元的年降水量和年均溫度。

3.2.1 降水、氣溫趨勢分析 基于1981—2019年渭河流域內17個氣象站點的氣象數據，就降水、氣溫兩個方面進行渭河流域氣候因子發展趨勢分析。以年為單位，分別統計各站點年降雨量及年均氣溫，然后求其均值得到渭河流域整體的年均降水量(圖5A)及年均溫度(圖5B)，結果表明，渭河流域近40 a來降雨量呈不顯著增加趨勢，而氣溫呈現顯著增加趨勢，上升速率為0.42℃/10 a。

利用渭河流域內17個氣象站點近40 a逐日氣象數據，通過Python 3.7進行編程統計各氣象站點年降水量與年均溫度，在MATLAB中編寫腳本分別對渭河流域各氣象站點的年降水量和年均溫度進行Manner-Kendall(M-K)突變檢驗，根據計算結果的UFk,UBk時間變化曲線圖及統計量Z值確定各氣象站點年降水量和年均溫度的突變時間節點及變化顯著性水平。首先，對渭河流域內各站點年降水量和年均氣溫進行均值求解得到渭河流域整體的年均降水量和年均溫度，對渭河流域整體降水和氣溫進行M-K突變檢驗，得到：在降水(圖5C)方面，渭河流域整體降水存在一定的波動，其Z值計算結果為0.99表明流域整體降水呈不顯著增加，其中在2016年流域整體降水的趨勢發生突變；在氣溫(圖5D)方面，其Z值計算結果為4.69表明流域整體氣溫呈顯著性增加，其中渭河流域整體氣溫趨勢于1996年發生突變。

圖5 年均降水量、年均溫度、降水M-K突變檢測、氣溫M-K突變檢測

進一步分別對渭河流域內各氣象站點降水和氣溫進行M-K突變檢測，確定各氣象站點降水、氣溫的突變時間及變化顯著性水平。結果表明：各站點降水和氣溫的M-K檢驗結果與流域整體M-K檢驗結果基本一致，在降水方面，近40 a渭河流域降水總體呈現增加趨勢，各氣象站點的降水量突變時間節點集中在2012—2018年，其中在空間上渭河流域東南地區耀縣、華山、商州站點降水量變化水平呈不顯著性減少，渭河流域北部地區定邊、環縣站點降水量變化水平呈顯著性增加，其余地區均表現為不顯著性增加；在氣溫方面，渭河流域氣溫變化水平整體表現為顯著性增加，其突變時間均發生在1996年左右。

3.2.2 氣象數據偏相關分析 基于渭河流域及其周邊區域共37個氣象站點數據，在各站點年降水量和年均溫度的基礎上，利用ArcGIS在空間上對2000—2019年各氣象站點的年降水量和年均氣溫進行整個區域的克里金插值，在進行克里金插值時輸出結果像元大小設定與植被覆蓋度柵格圖像像元大小一致，得到渭河流域及周邊區域的降水、氣溫柵格數據，最后利用矢量文件掩膜得到渭河流域年降水、年均氣溫逐像元的年柵格數據。

進一步結合渭河流域植被覆蓋度時序影像數據對植被覆蓋度與降水、氣溫進行相關分析及偏相關分析[28-29]。結果顯示，渭河流域植被覆蓋度與溫度、降水的相關系數與偏相關系數均存在區域正負波動，植被覆蓋度與溫度的相關系數最大值為0.85，最小值為-0.82，區域整體相關系數平均值為0.08，由圖分析可知，氣溫植被被覆蓋度的相關性在空間存在很大的差異，在渭河流域干流中下游、關中及陜北地區表現為大范圍的負相關性，而在流域其他地區則呈現出大范圍的正相關性；控制溫度分析植被覆蓋度與溫度的偏相關性，偏相關系數最大值為0.86，最小值為-0.83，區域整體偏相關系數平均值為0.07，且在空間域上與單獨的相關性分析差異較小，結果表明溫度與植被覆蓋度的相關性受降水的影響很小；植被覆蓋度與降水的相關系數最大值為0.92，最小值為-0.81，區域整體平均值為0.30，在空間上呈現出東南負相關西北正相關的地域分布；控制氣溫，分析植被覆蓋度與降水的偏相關性，偏相關系數最大值為0.93，最小值為-0.79，區域整體均值為0.31，其結果與單獨分析降水與植被覆蓋度的相關性差異較小，結果表明渭河流域降水與植被覆蓋度的相關性受溫度影響較小；由結果得出：2000—2019年渭河流域植被覆蓋度與氣溫整體呈現正相關性，在陜西地區存在正負波動的情況，且在控制降水的情況下植被覆蓋度與氣溫的相關性與偏相關性差異較小；與降水的相關性在空間域上呈現出在陜西中南部呈現負相關，而在渭河流域其他區域整體呈現正相關性，且在控制溫度的情況下植被覆蓋度與降水的相關性和偏相關性也差異較小，總體而言，渭河流域植被覆蓋度與氣溫、降水的相關性與偏相關性均呈正相關性，其中與降水的相關性及偏相關性稍強于氣溫(圖6)。

圖6 渭河流域降水和氣溫偏相關性

5 結 論

(1) 2000—2019年渭河流域整體植被覆蓋度呈上升趨勢，上升速率為0.095/10 a，其中渭河流域陜北地區及西北寧夏甘肅地區植被覆蓋度整體相對較低，渭河流域南部秦嶺一帶及涇河、洛河一帶植被覆蓋度相對較高，渭河沿線城市地區植被覆蓋呈現顯著性降低，有明顯的差異性。

(2) 近40 a來，渭河流域氣溫呈顯著性上升趨勢，上升速率為0.42℃/10 a，降水呈現弱增加趨勢，但降水變化的隨機性較大。渭河流域植被覆蓋度與氣溫和降水整體均呈現為正相關性，在陜北等局部地區呈現負相關性；與降水的相關性在空間上表現為由東南向西北遞增的空間分布，在陜西中南部地區呈現負相關性，陜北、寧夏及甘肅地區呈現為較強的正相關性。渭河流域植被覆蓋度與氣溫和降水的偏相關系數相較于相關系數差異并不明顯。

(3) 渭河流域植被覆蓋度與氣溫、降水的相關性存在明顯的空間地域特征，且氣溫、降水之間對被覆蓋度的影響都較為獨立，關聯性并不明顯。

(4) 渭河流域植被覆蓋的未來變化趨勢表現為：流域整體呈現進一步改善趨勢，其中沿渭河中下游城市密集地區植被覆蓋未來變化趨勢呈現為持續退化趨勢。