基于GEE的黃土高原植被綠度線推移變化研究

謝佩君,宋小燕,孫文義 ,穆興民,高 鵬

基于GEE的黃土高原植被綠度線推移變化研究

謝佩君1,2,宋小燕3,孫文義1,4*,穆興民1,4,高 鵬1,4

(1.中國科學院水利部水土保持研究所,黃土高原土壤侵蝕與旱地農業國家重點實驗室,陜西 楊凌 712100；2.中國科學院大學,北京 100049；3.西北農林科技大學水利與建筑工程學院,陜西 楊凌 712100；4.西北農林科技大學,黃土高原土壤侵蝕與旱地農業國家重點實驗室,陜西 楊凌 712100)

基于Google Earth Engine(GEE)云平臺和Landsat系列遙感影像,以歸一化植被指數(NDVI)和增強型植被指數(EVI)及其植被綠度線作為指標,分析了1987～2020年黃土高原生長季植被綠度以及植被綠度線推移的時空演變特征.結果表明:1987～2020年黃土高原生長季NDVI和EVI年均增速分別為0.0042a-1(<0.01)和0.0023a-1(<0.01),2000年后的平均增速是2000年前的3～4倍;空間分布上,NDVI和EVI變化趨勢以顯著上升和極顯著上升為主,面積占比分別為78.78 %和69.21 %;1987～2020年黃土高原植被綠度線VGLNDVI和VGLEVI分別以5.52 和4.59km/a的速率向北推移;1987～2020年VGLNDVI和VGLEVI分別平均北移173.93和131.62km,北移量變化主要發生在2005～2010年,北移量最大區域分布在陜西榆林和延安地區、山西西北部、內蒙古中南部等黃土高原中北部區域,最大北移距離分別達到532.12和471.57km.

植被指數；植被綠度線；GEE；黃土高原

植被是陸地生態系統的重要組成部分,在全球氣候變化、碳氮循環、生態與水文過程中發揮重要的作用.植被對氣候變化敏感[1-2],氣候變化決定著植被動態及分布格局,植被對氣候的反饋效應體現在植被影響了陸氣間水分、能量、動量的交換以及CO2濃度等各種生物物理和生物化學過程[3].因此,在全球氣候變化的背景下,植被動態的長期監測對于了解區域生態系統結構和功能具有重要意義[4].

植被綠度指數能夠快速準確地監測長時間序列不同空間尺度的植被生長狀況的動態信息[5].目前,應用廣泛的植被指數有歸一化植被指數(NDVI)、增強型植被指數(EVI)、歸一化差異植被指數(NDWI)、植被指數差異比(DVI)、葉面積指數(LAI)等[6-8].其中,NDVI和EVI被廣泛應用于植被監測領域,已在全球范圍內得到了驗證和應用,具有較高的可靠性和穩定性[9].例如:Chen等[10]研究發現1982～ 2015年全球超過45%的地區的植被指數(NDVI)顯著增加.解晗等[11]研究發現2000～2018年黃河流域的NDVI和EVI呈波動增加趨勢.NDVI能夠較好地反映植被綠度變化,而EVI在減少背景和大氣作用以及飽和問題上優于NDVI.纓帽變換的亮度、綠度和濕度分量則更能區分不同植被類型.因此本文采用植被綠度指數NDVI和EVI,并結合纓帽變換確定的植被與非植被顯著變化的分界線(植被綠度線),揭示植被綠度的時空變化特征.盡管基于遙感植被指數監測植被動態變化已經成熟,但更高空間分辨率和更長時間序列的植被動態監測往往面臨數據龐大、處理時間長的困難.谷歌地球引擎平臺(GEE)為高效處理和分析遙感數據提供了有效途徑[12-14].

黃土高原是典型的干旱與半干旱地區,是全球氣候變化的敏感區,也是植被綠度變化的熱點地區[7,15].1999年實施退耕還林草工程以來,黃土高原植被狀況得到顯著改善,植被覆蓋度由1999年的43.69%增加到2021年的54.21%[3,16].已有研究[17-19]基于不同的NDVI遙感數據分析了退耕還林草實施前后植被綠度和植被覆蓋度的變化趨勢.這些研究對于宏觀掌握黃土高原植被綠度的時空變化及其影響因素具有重要意義,但其遙感產品較低的空間分辨率難以反映植被綠度的局域特征和植被綠度線的時空變化規律.本文圍繞“氣候變化和退耕還林草如何影響黃土高原植被綠度線的時空推移規律”問題,基于GEE遙感云平臺和Landsat系列遙感影像,在30m空間分辨率尺度上分析了1987～2020年黃土高原生長季植被綠度指數NDVI和EVI以及植被綠度線的時空變化特征,對于全面了解黃土高原植被動態變化和生態治理成效具有重要的科學意義.

1 研究區與研究方法

1.1 研究區概況

黃土高原(33°43′～41°16′N、100°54′～114°33′E,圖1)位于黃河上中游地區,總面積約64萬km2.氣候類型屬溫帶大陸性季風氣候,年均降水量從西北至東南由200mm增加到750mm,夏季降水占全年降雨量的70%以上[20-21];年均氣溫變化范圍為4.3～ 14.3°C,變化率為0.04～0.06°C/a[22].黃土高原植被類型呈地帶性分布,由西北向東南依次為荒漠、荒漠草原、草原、森林草原和森林[15].強降雨、陡峭的地形、疏松的黃土、較低植被覆蓋造成了黃土高原地區嚴重的水土流失[23].

梯田、淤地壩和植被恢復工程是控制黃土高原水土流失的有效手段.特別是1999年黃土高原退耕還林還草工程實施后,植被綠度顯著增加,2000～ 2015年黃土高原21%以上區域的NDVI由低值向高值轉化[24-25].

圖1 黃土高原地理位置

1.2 數據來源

1.2.1 Landsat TM5/7/8 Landsat 5/7/8系列影像數據來源于Google Earth Engine云計算平臺(GEE, https://code.earthengine.google.com/),該平臺提供了Landsat地表反射率影像集(Landsat SR)和大氣頂層反射率影像集(Landsat TOA),空間分辨率30m,時間分辨率16d.其中,Landsat TOA影像集進行了Level 1級的地形校正和輻射定標校正;Landsat SR影像集通過Level 2級LEDAPS算法和LaSRC算法進行了大氣、幾何精校正等處理.本研究選取了黃土高原1987～2020年Landsat 5/7/8SR影像集,用于植被綠度指數(NDVI,EVI)的計算分析,Landsat 5/7/8TOA影像集用于纓帽變換,界定植被與非植被顯著變化的植被綠度指數閾值.

1.2.2 土地利用數據 土地利用數據為2000、2010、2020年30m全球地表覆蓋數據GlobeLand 30,來自國家基礎地理信息中心(http://www. globallandcover.com/), GlobeLand30數據包括10個一級類型:耕地、林地、草地、灌木地、濕地、水體、苔原、人造地表、裸地、冰川和永久積雪.

1.3 研究方法

1.3.1 植被綠度指數 NDVI是通過比較植被對紅外輻射和可見光的反射率計算而來,取值范圍為-1～+1之間,數值越高表示植被綠度越高.EVI是對NDVI的改進,引入藍色波段的反射率可以更好地補償大氣散射和地物表面反射對植被信號的影響,某些情況下可以提供更準確的植被綠度信息[26].選取1987～2020年生長季期間(4～10月)Landsat5/7/ 8SR影像集,基于FMASK算法得到的QA波段,按位操作對像素值進行篩選,通過掩膜進行去云、云陰影、雪等像素,從而達到去云目的.基于GEE云計算平臺,對去云處理后的影像計算NDVI和EVI計算公式如下:

式中:NIR、RED和BLUE分別指Landsat5/7/8影像的近紅外波段、紅色波段和藍色波段反射率.通過中值合成算法(median)最終獲得1987～2020年黃土高原生長季的逐年NDVI和EVI值.

1.3.2 植被綠度趨勢分析 采用Theil-Sen median趨勢分析和Mann-Kendall 顯著性檢驗來分析黃土高原植被綠度的變化趨勢.Theil-Sen median斜率估計用于計算趨勢值,是一種穩健的非參數統計的趨勢計算方法,能夠規避測量值和離散數據引起的誤差[27].計算公式如下:

式中:表示NDVI或者EVI的年際變化趨勢;x、x分別表示第年NDVI或EVI的生長季年均值;為時間序列長度;當>0時,表示植被綠度呈增加趨勢;反之,則為降低趨勢.

Mann-Kendall檢驗是一種不要求數據服從正態分布的非參數檢驗方法,已廣泛應用于時間序列的趨勢分析[28-29].檢驗統計量由式(4)計算:

式中: sgn為符號函數,sgn(x-x)由式(5)計算:

的方差由式(6)計算:

最后,采用檢測統計量在置信水平=0.05上判斷NDVI或EVI變化趨勢的顯著性.

當｜｜>1.96時,表示序列在置信水平=0.05上存在顯著水平.

1.3.3 植被綠度線及推移量計算 植被綠度是描述植被地上綠色生物量和植被綠色程度的植被功能指數[27].NDVI主要受到葉綠素含量的影響,因此對植被的綠度變化和生長狀態變化敏感.通過NDVI可以評估植被的健康狀況、生長強度以及植被覆蓋度等信息.EVI不僅對葉綠素敏感,還對冠層結構變化、葉面積指數(LAI)、植物外貌等因素敏感,使得EVI能夠更好地反映植被的生物物理特征和冠層結構的變化[30].在植被動態變化的研究中,NDVI和EVI通常是相輔相成的,可以提供更準確和全面的植被信息,它們可以用來監測植被的季節性變化、長期趨勢以及異常事件[26].植被綠度線定義為植被區和非植被區顯著變化的一條分界線[31].通常將NDVI￡0.05劃分為純裸土,進行植被覆蓋度計算[32]. NDVI=0.1也可作為植被與非植被區的劃分閾值[33-34].Montandon等[35]根據AVHRR和MODIS NDVI數據集,結合土壤空間分布數據,發現裸土NDVI (NDVIsoil)的閾值為0.2～0.21,遠高于以往研究閾值.大量研究表明,植被與非植被的NDVI閾值介于0～0.2(表1).

本研究采用纓帽變換方法計算黃土高原生長季期間(4～10月)的亮度分量(高亮區為裸土巖石)、綠度分量(地表植被)和濕度分量(土壤水分),并結合土地利用類型,進行植被與非植被的劃分,從而確定黃土高原植被綠度線閾值.基于Landsat 8TOA數據進行纓帽變換,將其轉換為與物理場景特征相關聯的一組新波段亮度、綠度和濕度(圖2a, b, c),反映裸土巖石、植被覆蓋和水分信息[44-46],從而識別植被與非植被區.結合黃土高原土地利用類型(圖2d),將裸地、人造地表、水體及冰川及永久積雪等土地利用類型劃分為非植被區,統計表明該區域NDVI均值的范圍為0～0.2.研究發現,植被與非植被顯著變化的分界線(植被綠度線),與黃土高原生長季(4～10月)的NDVI=0.2等值線高度吻合.因此,本研究選取NDVI=0.2為黃土高原的植被綠度線閾值(VGLNDVI),并參考該線對黃土高原多年EVI均值進行分界,確定EVI = 0.13等值線為植被綠度線(VGLEVI).

表1 NDVI裸地閾值研究

圖2 黃土高原亮度、綠度及濕度分布圖、土地利用類型圖和植被與非植被區分布

黃土高原植被綠度線具有向北推移(即沿緯度方向變化)的明顯特征,由于植被綠度線推移的空間差異性,本研究依據每1.5°將研究區分為10條經度帶,分析每條經度帶植被綠度線向北推移的變化量,將每條經度帶植被綠度線的最大推移量作為該區域植被綠度線的推移距離(MVGLNDVI、MVGLEVI).整個研究區的推移量為每條經度帶植被綠度線推移量的平均值.

對于每條經度帶:

式中: MVGLNDVI/EVI表示VGLNDVI或者VGLEVI的最大推移量(MVGLNDVI、MVGLEVI);表示年份(1987—2020年);±表示方向,向北推移取+,向南推移取-.

對于整個研究區:

式中:(MVGLNDVI/EVI)whole表示整個區域VGLNDVI或者VGLEVI的推移量;表示經度帶.式(9)表示整個研究區推移量為研究區所有經度帶VGLNDVI或者VGLEVI推移量的均值.

2 結果與分析

2.1 黃土高原植被綠度的時空變化

2.1.1 植被綠度指數的年際變化特征 黃土高原1987～2020年NDVI和EVI的年際變化趨勢如圖3所示.1987～2020年黃土高原植被綠度指數NDVI和EVI呈顯著上升趨勢,NDVI和EVI年均增速分別為0.0042a-1(<0.01)和0.0023a-1(<0.01),相關系數分別為2=0.77和2=0.73.約以退耕還林草前后為界,2001～2020年NDVI的平均增速為0.0066a-1,是1987～2000年的3.5倍;EVI的年際變化趨勢與NDVI基本一致,2001～2020年EVI的平均增速為0.0036a-1,是1987～2000年的4倍.

圖3 1987～2020年黃土高原年均NDVI和EVI的年際變化趨勢、標準化后NDVI和EVI的變化趨勢

2.1.2 植被綠度的空間分布特征 1987～2020年黃土高原植被綠度空間分布整體呈現由東南向西北逐漸遞減的趨勢(圖4).1987～2020年黃土高原多年平均NDVI30.2的主要分布在黃土高原中部、南部和東部區域,面積約為46.95萬km2,占黃土高原總面積的74.99%.植被綠度高值區NDVI30.6主要分布在陜西子午嶺和黃龍山林區、山西土石山區、黃土高原南部秦嶺山脈一帶,面積約為16.45萬km2,占黃土高原總面積的26.27%.黃土高原1987～2020年多年平均EVI的空間分布特征與NDVI基本一致,其中植被區EVI30.13的面積約為46.17萬km2,占黃土高原總面積的74.09%.2000年后黃土高原植被綠度呈顯著增加趨勢,具體表現為NDVI和EVI低值區(紅色區域)面積大幅度減少,中高值區(綠色區域)面積大幅度增加,其分布向西北方向擴張.黃土高原NDVI30.2的植被區面積占比從1987～2000年的48.97%增加至2001～2020年的74.99%;EVI30.13的面積占比從1987～2000年的51.34%增加到2001～2020年的74.09%.

2.1.3 植被綠度的空間變化特征 1987～2020年黃土高原年均NDVI和EVI的空間變化趨勢及顯著性檢驗結果如圖5.1987～2020年黃土高原NDVI和EVI的變化速率分別介于-0.0243～0.0290a-1和-0.0202～0.0178a-1之間.植被綠度指數NDVI和EVI呈增加趨勢的區域面積相等,約為57.73萬km2,占黃土高原總面積的92.20%.Mann-Kendall顯著性檢驗結果表明,NDVI變化趨勢呈顯著上升和極顯著上升趨勢的面積分別占黃土高原總面積的10.10%、68.68%;EVI變化趨勢呈顯著上升和極顯著上升趨勢的面積分別占黃土高原總面積的12.29%、56.91%.EVI的變化趨勢在空間格局上與NDVI相似.與退耕還林草前(1987～2000年)相比,2001～2020年黃土高原NDVI和EVI呈增加趨勢的區域面積大幅度增加,分別增加了29.65%和31.53%,退耕還林草后黃土高原植被綠度得到明顯提升.

圖4 不同時間段黃土高原多年平均NDVI、EVI的空間分布

圖5 不同時間段黃土高原NDVI和EVI的變化趨勢和顯著性變化

2.2 黃土高原植被綠度線動態變化

2.2.1 植被綠度線推移量的年際變化速率 1987～2020年黃土高原植被綠度線向北推移的年際變化如圖6所示.整個黃土高原植被綠度線VGLNDVI和VGLEVI向北推移的平均速率分別為5.52km/a和4.59km/a.植被綠度線推移變化主要發生在2000年以后,尤其是2005～2010年.2000～2020年VGLNDVI推移速率顯著高于平均水平,為9.54km/a;2000～2020年VGLEVI推移速率為8.03km/a.

圖6 1987～2020年黃土高原植被綠度線推移量的年際變化

圖7 1987～2020年黃土高原NDVI、EVI和植被綠度線VGL的空間分布

2.2.2 植被綠度線的空間變化特征 黃土高原1987～2020年5a一期的植被指數NDVI、EVI和植被綠度線VGLNDVI和VGLEVI的空間分布格局如圖7～8所示.黃土高原植被綠度線整體表現為向西北方向推移的分布特征,尤其是向北推移幅度較大.植被綠度線向北推移時,黃土高原綠色植被區向北擴張明顯,植被綠度增加.1987～2020年黃土高原植被綠度線VGLNDVI北移特征以2000年為節點,表現出顯著的空間差異性,尤其是2005～2010年北移幅度最大.在空間格局上,這一變化主要集中在黃土高原中部區域,即陜西省北部榆林和延安一帶. 1995年VGLNDVI最靠南,植被綠度NDVI>0.2的面積僅為黃土高原的44.35%;2000～2015年整個黃土高原植被綠度線VGLNDVI都在北移;至2015年,植被綠度NDVI>0.2的面積占比達到74.06%; 2015～2020年植被綠度變化趨于平穩,VGLNDVI推移變化不明顯,至2020年NDVI>0.2的面積占比達到74.99%,與2015年接近.1987～2020年黃土高原VGLEVI推移變化與VGLNDVI基本一致,但VGLEVI的空間分布特征與VGLNDVI有些許偏差,2020年黃土高原中部區域VGLEVI相較于VGLNDVI北移距離較大.

1987～2020年黃土高原植被綠度線VGLNDVI和VGLEVI主要在胡煥庸線(400mm等雨量線)附近變化(圖8a～b),其中,1987～2000年植被綠度線主要在胡煥庸線右側變化,而2000年后植被綠度線變化轉移到胡煥庸線左側.

1987～2020年整個黃土高原VGLNDVI和VGLEVI分別平均向北推移173.93和131.62km.1987～2000年VGLNDVI和VGLEVI推移變化量較小,分別平均向北推移1.78和-5.14km;2000～2020年VGLNDVI和VGLEVI整體向北推移,推移距離分別為172.15和136.76km.

圖8 1987～2020年黃土高原植被綠度線的空間分布

( a )和( b )分別為1987、1990、1995、2000、2005、2010、2015和2020年VGLNDVI和VGLEVI的空間分布;( c )和( d )分別為各時期10條經度帶VGLNDVI和VGLEVI的推移距離,虛線是黃土高原所有經度帶的平均推移距離

植被綠度線各經度帶(1.5°間隔)的最大推移量變化差異較大(圖8c～d),VGLNDVI和VGLEVI北移量最大區域介于109.5°E～111°E之間(即陜西北部、山西西部、內蒙古中南部),北移距離分別為532.12和471.57km.2000～2020年植被狀況得到明顯改善,植被綠度線向北推移量最大.

3 討論

3.1 黃土高原植被的綠度時空推移

近34a來黃土高原植被狀況得到明顯改善,表現為植被綠度指數NDVI和EVI顯著增加,這與Kou等[47]、Sun等[21]和解晗等[11]的研究結果一致.Kong等[48]結合GIMMS和 MODIS NDVI數據分析了1982～2013年黃土高原NDVI時空特征,認為年、季NDVI均大幅增加,特別是黃土高原中部地區.張含玉等[49]采用SPOT VGT NDVI數據分析了1999～2013年黃土高原NDVI時空分布特征,結果表明NDVI整體呈增加趨勢,黃土高原南部地區NDVI增幅較高,西北部NDVI增幅較低.本研究通過兩個綠度指標(NDVI、EVI)分析黃土高原的植被綠度和植被綠度線的時空變化.NDVI容易受到土壤背景值的影響,而EVI在計算過程中引入大氣和土壤背景校正,能夠更好的消除大氣和土壤影響[29].因此,在理論上監測植被變化時,EVI比NDVI可以更精確地反映植被綠度動態變化.本研究表明,基于NDVI和EVI兩個綠度指數得到的植被綠度時間變化趨勢和空間變化特征基本一致.NDVI和EVI都呈顯著上升趨勢,增速分別是0.0042和0.0023a-1;空間分布上,NDVI和EVI呈增加趨勢的區域面積均占黃土高原總面積的92.20%.因此,NDVI和EVI在黃土高原植被綠度變化監測時都具有很好的表現能力.本研究表明,1987～2020年黃土高原植被綠度線VGLNDVI和VGLEVI表現出向北推移的特征, VGLNDVI和VGLEVI分別北移173.93 和131.62km,尤其是黃土高原中部榆林和延安一帶植被綠度線北移幅度最大.

3.2 氣候變化和人類活動對植被綠度的影響

氣候變化和人類活動對黃土高原植被的時空演變有著重要影響[21],黃土高原2000～2020年降雨量較1960～1999年平均增加了35mm,溫度上升了1.3℃,氣候的增暖變濕對促進黃土高原植被的恢復重建具有重要意義(圖9).本研究表明,2000年后黃土高原植被綠度顯著增加,平均增速是2000年前的3～4倍;2000年后植被綠度線持續向北推移,北移距離最大可達532.12km.在干旱與半干旱的黃土高原,降雨量是影響植被生長的控制性因素,降雨量的增加會促進植被的生長,加之退耕還林草生態工程的實施,黃土高原植被得到顯著改善,植被綠度顯著增加[50].溫度升高促進了黃土高原植被生長期的延長,是影響黃土高原植被綠度另一重要因素.Sun等[21]研究表明黃土高原植被生長期延長近16d,表現為春季提前、秋季延后.Na等[30]在蒙古干旱半干旱過渡區的研究表明,植被綠度線變化主要受生長季降水量和溫度的影響.Wang等[51]研究表明植被綠度與高程相關,2400m以下地區受降水的影響較大,而在2400m以上的地區受溫度影響較大.Piao等[7]和程昌武[52]認為氣候因素是植被變化的主要因素,而kong等[48]則認為人類活動對植被改善的貢獻率越來越突出.楊燦等[17]研究表明黃土高原在退耕還林草工程實施后NDVI明顯增加.1999年退耕還林草工程的實施,使得黃土高原植被狀況得到顯著改善,這與本研究2000年后黃土高原植被綠度顯著增加和植被綠度線向北推移結論一致.

本研究表明,2000～2015年整個黃土高原植被綠度線都在北移;至2015年,植被綠度NDVI＞0.2的面積占比達到74.06%;2015～2020年植被綠度變化趨于平穩,VGLNDVI推移變化不明顯.其原因可能是黃土高原植被狀況進入穩定時期,植被恢復接近黃土高原植被承載能力的上限,植被綠度處于緩慢增加或植被生長受到限制.已有研究表明,黃土高原大規模退耕還林草導致植被蒸騰耗水大幅增加,土壤干旱加劇[53],這將對未來黃土高原植被綠度線推移變化產生重要影響.未來氣候變化對黃土高原植被綠度線推移及其影響需今后進一步研究.

圖9 黃土高原近60年降水和溫度的變化趨勢

4 結論

4.1 1987～2020年黃土高原年均NDVI和EVI呈顯著上升趨勢.尤其是2001～2020年期間,植被綠度增速較1987～2000年期間增加了3～4倍,這與2000年退耕還林草政策的實施后,黃土高原植被恢復得到顯著改善相關.

4.2 1987～2020年黃土高原植被綠度線呈向北推移趨勢,VGLNDVI和VGLEVI分別平均北移173.93和131.62km,其中北移速率最快的區域為黃土高原中部地區(109.5°～111°E,即陜西北部、山西西部、內蒙古中南部).這一變化與黃土高原氣候增暖變濕、退耕還林草等人類活動相關,具體驅動機制還需進一步研究.

[1] Wu X P, Zhang R Z, Bento V A, et al. The effect of drought on vegetation gross primary productivity under different vegetation types across China from 2001 to 2020 [J]. Remote Sensing, 2022,14(18): 4658.

[2] Zhang R, Qi J, Leng S, et al. Long-term vegetation phenology changes and responses to preseason temperature and precipitation in Northern China [J]. Remote Sensing, 2022,14(6):1396.

[3] 袁和第.黃土丘陵溝壑區典型小流域水土流失治理技術模式研究 [D]. 北京:北京林業大學, 2020.

Yuan H D. The research on model of soil erosion comprehensive control in typical small watershed in Hilly and Gully Loess Region [D]. Beijing: Beijing Forestry University, 2022.

[4] Peters G P, Andrew R M, Boden T, et al. The challenge to keep global warming below 2°C [J]. Nature Climate Change, 2013,3(1):4-6.

[5] Xu B, Qi B, Ji K, et al. Emerging hot spot analysis and the spatial–temporal trends of NDVI in the Jing River Basin of China [J]. Environmental Earth Sciences, 2022,81:1-15.

[6] Zhang Y L, Song C H, Band L E, et al. Reanalysis of global terrestrial vegetation trends from MODIS products: Browning or greening? [J]. Remote Sensing of Environment, 2017,191:145-155.

[7] Piao S L, Yin G D, Tan J G, et al. Detection and attribution of vegetation greening trend in China over the last 30years [J]. Global Change Biology, 2015,21(4):1601-1609.

[8] 張寶慶,吳普特,趙西寧.近30a黃土高原植被覆蓋時空演變監測與分析 [J]. 農業工程學報, 2011,27(4):287-293,400.

Zhang B Q,, Wu P T, Zhao X N. Detecting and analysis of spatial and temporal variation of vegetation cover in the Loess Plateau during 1982～2009 [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011,27(4):287-293.

[9] Tang L L, Chen X L, Cai X B, et al. Disentangling the roles of land-use-related drivers on vegetation greenness across China [J]. Environmental Research Letters, 2021,16(12):124033.

[10] Chen C, He B, Yuan W P, et al. Increasing interannual variability of global vegetation greenness [J]. Environmental Research Letters, 2019,14(12):124005.

[11] 解 晗,同小娟,李 俊,等.2000～2018年黃河流域生長季植被指數變化及其對氣候因子的響應 [J]. 生態學報, 2022,42(11):4536-4549.

Xie H, Tong X J, Li J, et al. Changes of NDVI and EVI and their responses to climatic variables in the Yellow River Basin during the growing season of 2000～2018 [J]. Acta Ecologica Sinica, 2022,42(11): 4536-4549.

[12] 郭永強,王乃江,褚曉升,等.基于Google Earth Engine分析黃土高原植被覆蓋變化及原因 [J]. 中國環境科學, 2019,39(11):4804-4811.

Guo Y Q, Wang N J, Chu X S, et al. Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine [J]. China Environmental Science, 2019,39(11):4804-4811.

[13] Kumar L, Mutanga O, Google Earth Engine applications since inception: Usage, trends, and potential [J]. Remote Sensing, 2018,10 (10):1509.

[14] 王曉蕾,石守海.基于GEE的黃河流域植被時空變化及其地形效應研究 [J]. 地球信息科學學報, 2022,24(6):1087-1098.

Wang X L, Shi S H. Spatio-temporal changes of vegetation in the Yellow River Basin and related effect of landform based on GEE [J]. Journal of Geo-information Science, 2022,24(6):1087-1098.

[15] Fu B J, Wang S, Liu Y, et al. Hydrogeomorphic ecosystem responses to natural and anthropogenic changes in the Loess Plateau of China. [J]. Annual Review of Earth and Planetary Sciences, 2017,45(1):223- 243.

[16] 趙安周,田新樂.基于GEE平臺的1986—2021年黃土高原植被覆蓋度時空演變及影響因素 [J]. 生態環境學報, 2022,31(11):2124-2133.

Zhao A Z, Tian X L. Spatiotemporal evolution and influencing factors of vegetation coverage in the Loess Plateau from 1986 to 2021 based on GEE platform [J]. Ecology and Environmental Sciences, 2022,31 (11):2124-2133.

[17] 楊 燦,魏天興,李亦然,等.黃土高原水蝕風蝕交錯區退耕還林工程前后NDVI時空變化特征 [J]. 北京林業大學學報, 2021,43(6): 83-91. Yang C, Wei T X, Li Y R, et al. Spatiotemporal variations of NDVI before and after implementation of Grain for Green Project in wind-water erosion crisscross region of the Loess Plateau [J]. Journal of Beijing Forestry University, 2021,43(6):83-91.

[18] 王 一,郝利娜,許 強,等.2001～2019年黃土高原植被覆蓋度時空演化特征及地理因子解析 [J]. 生態學報, 2023,43(6):1-11.

Wang Y, He L N, Xu Q, et al. Spatio-temporal variations of vegetation coverage and its geographical factors analysis on the Loess Plateau from 2001 to 2019 [J]. Acta Ecologica Sinica, 2023,43(6):1-11.

[19] Chen Y P, Wang K B, Lin Y S, et al. Balancing green and grain trade [J]. Nature Geoscience, 2015,8(10):739-741.

[20] Li Z, Zheng F L, Liu W Z, et al. Spatial distribution and temporal trends of extreme temperature and precipitation events on the Loess Plateau of China during 1961～2007 [J]. Quaternary International, 2010, 226(1):92-100.

[21] Sun W Y, Song X Y, Mu X M, et al. Spatiotemporal vegetation cover variations associated with climate change and ecological restoration in the Loess Plateau [J]. Agricultural and Forest Meteorology, 2015,209: 87-99.

[22] Sun Q H, Miao C Y, Duan Q Y, et al. Temperature and precipitation changes over the Loess Plateau between 1961 and 2011, based on high-density gauge observations [J]. Global and Planetary Change, 2015,132:1-10.

[23] Zhang X P, Zhang L, Zhao J, et al. Responses of streamflow to changes in climate and land use/cover in the Loess Plateau, China [J]. Water Resources Research, 2008,44(7):W00A07.

[24] Lü Y, Fu B J, Feng X M, et al. A policy-driven large scale ecological restoration: quantifying ecosystem services changes in the Loess Plateau of China [J]. PloS One, 2012,7(2):e31782.

[25] Li J J, Peng S Z, Li Z. Detecting and attributing vegetation changes on China’s Loess Plateau [J]. Agricultural and Forest Meteorology, 2017, 247:260-270.

[26] Huete A, Didan K, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices [J]. Remote Sensing of Environment, 2002,83(1/2):195-213.

[27] Yue Y, Liu H F, Mu X X, et al. Spatial and temporal characteristics of drought and its correlation with climate indices in Northeast China [J]. PLoS One, 2021,16(11):e0259774.

[28] An S, Zhu X L, Shen M G, et al. Mismatch in elevational shifts between satellite observed vegetation greenness and temperature isolines during 2000～2016 on the Tibetan Plateau [J]. Global Change Biology, 2018,24(11):5411-5425.

[29] Tabari H, Marofi S, Aeini A, et al. Trend analysis of reference evapotranspiration in the western half of Iran [J]. Agricultural and Forest Meteorology, 2011,151(2):128-136.

[30] Glenn E P, Huete A R, Nagler P L, et al. Relationship between remotely-sensed vegetation indices, canopy attributes and plant physiological processes: What vegetation indices can and cannot tell us about the landscape [J]. Sensors , 2008,8(4):2136-2160.

[31] Na R, Na L, Du H, et al. Vegetation greenness variations and response to climate change in the arid and semi-arid transition zone of the Mongo-Lian Plateau during 1982～2015 [J]. Remote Sensing, 2021,13: 4066.

[32] Zeng X B, Dickinson R E, Walker A, et al. Derivation and evaluation of global 1-km fractional vegetation cover data for land modeling [J]. Journal of Applied Meteorology, 2000,39(6):826-839.

[33] Fang J Y, Piao S L, He J S, et al. Increasing terrestrial vegetation activity in China, 1982～1999 [J]. Science in China Series C: Life Sciences, 2004,47:229-240.

[34] Zhou L M, Tucker C J, Kaufmann R K, et al. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999 [J]. Journal of Geophysical Research: Atmospheres, 2001,106(D17):20069-20083.

[35] Montandon L M, Small E E, The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI [J]. Remote Sensing of Environment, 2008,112(4):1835-1845.

[36] Li X B, Chen Y H, Shi P J, et al. Detecting vegetation fractional coverage of typical steppe in northern China based on multi-scale remotely sensed data [J]. ACTA BOTANICA SINICA-CHINESE EDITION-, 2003,45(10):1146-1156.

[37] Jeong S J, Ho C H, Brown M E, et al. Browning in desert boundaries in Asia in recent decades [J]. Journal of Geophysical Research: Atmospheres, 2011,116(D2):D02103.

[38] Li X S, Zhang J, Derivation of the green vegetation fraction of the whole China from 2000 to 2010 from MODIS data [J]. Earth Interactions, 2016,20(8):1-16.

[39] Wei X D, Wang S N, Wang Y K, Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 [J]. Geological Journal, 2018,53:427-434.

[40] Carlson T N, Ripley D A, On the relation between NDVI, fractional vegetation cover, and leaf area index [J]. Remote sensing of Environment, 1997,62(3):241-252.

[41] Song W Y, Mu X M, Ruan G Y, et al. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method [J]. International Journal of Applied Earth Observation and Geoinformation, 2017,58:168-176.

[42] Hashim H, Latif Z A, Adnan N A, Urban vegetation classification with NDVI threshold value method with very high resolution (VHR) Pleiades imagery [J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019,42:237-240.

[43] Aryal J, Sitaula C, Aryal S, NDVI threshold-based urban green space mapping from Sentinel-2A at the local governmental area (LGA) level of victoria, Australia [J]. Land, 2022,11(3):351.

[44] Crist E P, Cicone R C, A physically-based transformation of Thematic Mapper data---The TM Tasseled Cap [J]. IEEE Transactions on Geoscience and Remote Sensing, 1984,(3):256-263.

[45] Sharaf El Din E, A novel approach for surface water quality modelling based on Landsat-8tasselled cap transformation [J]. International Journal of Remote Sensing, 2020,41(18):7186-7201.

[46] Han T, Wulder M A, White J C, et al. An efficient protocol to process Landsat images for change detection with tasselled cap transformation [J]. IEEE Geoscience and Remote Sensing Letters, 2007,4(1):147- 151.

[47] Kou P L, Xu Q, Jin Z, et al. Complex anthropogenic interaction on vegetation greening in the Chinese Loess Plateau [J]. Science of The Total Environment, 2021,778:146065.

[48] Kong D X, Miao C Y, Borthwick A G, et al. Spatiotemporal variations in vegetation cover on the Loess Plateau, China, between 1982and 2013: possible causes and potential impacts [J]. Environmental Science and Pollution Research, 2018,25(14):13633-1344.

[49] 張含玉,方怒放,史志華.黃土高原植被覆蓋時空變化及其對氣候因子的響應[J]. 生態學報, 2016,36(13):3960-3968.

Zhang H Y, Fang N F, Shi Z H. Spatio-temporal patterns for the NDVI and its responses to climatic factors in the Loess Plateau [J]. Acta Ecologica Sinica, 2016,36(13):3960-3968.

[50] Xin Z B, Xu J X, Zheng W. Spatiotemporal variations of vegetation cover on the Chinese Loess Plateau (1981～2006): Impacts of climate changes and human activities [J]. Science in China Series D: Earth Sciences, 2008,51(1):67-78.

[51] Wang Y, Peng D L, Shen M G, et al. Contrasting effects of temperature and precipitation on vegetation greenness along elevation gradients of the Tibetan Plateau [J]. Remote Sensing, 2020,12:2751.

[52] 程昌武.黃河流域1982～2015年植被變化及其影響因素分析 [D]. 西安:長安大學, 2020.

Cheng C H. Yellow River Basin during 1982 to 2015 Vegetation dynamics and its influential factors in the [D]. Xi￠an: Chang'an University, 2020.

[53] 朱玉英,張華敏,丁明軍,等.青藏高原植被綠度變化及其對干濕變化的響應 [J]. 植物生態學報, 2023,47(1):51-64.

Zhu Y Y, Zhang H M, Ding M J, et al. Changes of vegetation greenness and its response to drought-wet variation on the Qingzang Plateau [J]. Chinese Journal of Plant Ecology, 2023,47(1):51-64.

Research on the shift change of vegetation greenness line in the Loess Plateau based on GEE.

XIE Pei-jun1,2, SONG Xiao-yan3, SUN Wen-yi1,4*, MU Xing-min1,4, GAO Peng1,4

(1.Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100, China；2.University of Chinese Academy of Sciences, Beijing 100049, China；3.College of Water Resources and Architectural Engineering, Northwest A & F University, Yangling 712100, China；4.State Key Laboratory of Soil Erosion and Dryland Farming on the Loess Plateau, Northwest A & F University, Yangling 712100, China)., 2023,43(12)：6518～6529

The temporal and spatial evolution patterns of the vegetation greenness index and its spatial distribution in the Loess Plateau hold significant scientific importance in gaining comprehensive insights into the dynamic changes of vegetation and assessing the effectiveness of ecological restoration. Although previous studies have explored the factors influencing spatiotemporal variations in vegetation greenness, the limited spatial resolution of remote sensing products poses challenges in capturing fine-scale characteristics and dynamic shifts in vegetation greenness lines. In the study, the Google Earth Engine (GEE) cloud platform, combined with a series of Landsat remote sensing images, is used to calculate the Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), along with their Vegetation Greenness Lines, as indicators to characterize the spatiotemporal evolution of vegetation greenness during the growing season on the Loess Plateau from 1987 to 2020. The results show that the annual average growth rates of NDVI and EVI in the Loess Plateau were 0.0042a-1(<0.01) and 0.0023a-1(<0.01) from 1987 to 2020, respectively. Notable, the average growth rates after the year 2000 were approximately three to four times higher than those observed before 2000. In terms of spatial distribution, the trends in NDVI and EVI predominantly exhibited significant and highly significant increases, with respective area percentages of 78.78% and 69.21%. Over the period from 1987 to 2020, the vegetation greenness lines VGLNDVIand VGLEVIexhibited a northward movement in the Loess Plateau at rates of 5.52 and 4.59 km/year, respectively. Over the same period, the average northward movements for VGLNDVIand VGLEVIwere 173.93km and 131.62km, respectively. The most significant northward shift was primarily observed between 2005 and 2010, with the largest movement of the VGLNDVIand VGLEVIoccurring in the Yulin and Yan'an areas of Shaanxi Province, northwest Shanxi Province, and central and southern Inner Mongolia, reaching maximum distances of 532.12km and 471.57km, respectively.

vegetation index；vegetation greenness line；GEE；Loess Plateau

X87

A

1000-6923(2023)12-6518-12

謝佩君,宋小燕,孫文義,等.基于GEE的黃土高原植被綠度線推移變化研究 [J]. 中國環境科學, 2023,43(12):6518-6529.

Xie P J, Song X Y, Sun W Y, et al. Research on the shift change of vegetation greenness line in the Loess Plateau based on GEE [J]. China Environmental Science, 2023,43(12):6518-6529.

2023-04-28

國家自然科學基金項目(42177328,42330506);中國科學院“西部青年學者”(XAB2022YW02);中央高校基本科研業務費專項資金資助(2023HHZX001)

* 責任作者, 研究員, sunwy@ms.iswc.ac.cn

謝佩君(1999-),女,江西贛州人,中國科學院大學碩士研究生,主要研究方向為水文遙感.xiepeijun21@mails.ucas.ac.cn.