太行山區(qū)NDVI時空變化及其對氣候因子的響應

余汛 王莉 景海濤 李新元 范晨雨

摘要：歸一化的植被指數（NDVI）的時空變化可以反映生態(tài)環(huán)境的演變，以MODND1M中國500 m NDVI數據和氣象數據為數據源，采用趨勢分析和相關分析方法，研究了太行山地區(qū)的NDVI、氣溫、降水量的時空變化特征及其相關性。研究結果表明：（1）16年來，太行山地區(qū)的平均NDVI呈增加趨勢，增長率為0.079/10年，其中NDVI增加區(qū)域占太行山地區(qū)的96.84%;（2）在空間尺度上，NDVI與降水量呈正相關性的像元數占像元總數的30.7%，NDVI與氣溫呈正相關的像元數占總像元數的26.8%;（3）在時間尺度上，NDVI與降水量的相關系數為0.43，NDVI與氣溫的相關系數為0.22;（4）研究區(qū)域降水量與氣溫對植被生長存在滯后效應。

關鍵詞：MODIS NDVI;響應;ArcGIS;太行山地區(qū);氣候因子;克里金插值;相關性;時空變化

中圖分類號：Q948.112;S127

文獻標志碼：A

文章編號：1002-1302（2020）16-0260-08

植被是地表物質循環(huán)與能量流動的主要載體[1]，與地質、地貌、水文、土壤、動物和微生物共同構成自然地理環(huán)境，且最能反映其他要素性質[2]。氣候對植被的空間分布、生產力、物候[3-5]等具有重要影響。因此，深入研究植被的動態(tài)變化及與氣候間的相關性，對揭示區(qū)域生態(tài)環(huán)境演變以及應對氣候變化具有重要的現實意義。

歸一化的植被指數（NDVI）能夠比較準確地反映植被代謝強度、植被綠化程度、光合作用強度、季節(jié)變化和年際變化特征，因此該指數可用于植被動態(tài)監(jiān)測、植被分類、作物長勢檢測、物候監(jiān)測等研究[6-7]。不少研究顯示，近年來全球植被呈變好的趨勢，尤其在北半球中高緯度地區(qū)變好趨勢顯著[8-12]。樸世龍等利用氣象衛(wèi)星NOAA-AVHRR（美國國家海洋和大氣管理局-甚高分辨率掃描輻射計）數據探討了植被活動對全球變化的響應方式，發(fā)現我國20世紀80、90年代NDVI有明顯的增加趨勢[10]。劉爽等利用中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）數據發(fā)現，2000—2010年中國植被綠度正在全面提高，荒漠化在減少[13]。

山地作為陸地生態(tài)系統(tǒng)中最為活躍的地理單元，是環(huán)境變化的驅動機和放大器，山地植被的變化對全球變化的響應更為敏感[14]。太行山脈作為京津和華北大平原的天然屏障，不僅能抵御西北寒潮的襲擊，還能接受東南暖濕氣流。近年來，由于太行山森林資源曾遭到嚴重破壞，水土流失嚴重，容易爆發(fā)山洪。相關部門為改善太行山的植被覆蓋率實施了太行山綠化等一系列的植被恢復計劃。目前，太行山地區(qū)植被變化的相關研究已有一部分成果，如李薇等關于太行山不同坡度NDVI變化趨勢差異分析研究等[15]。已有的研究結果沒有深入地分析太行山地區(qū)的植被覆蓋率變化信息及其對氣候因子的響應。目前，用于植被動態(tài)變化檢測的遙感數據源日益豐富，常用的NDVI數據源主要有NOAA-AVHRR、陸地衛(wèi)星（Landsat TM/ETM +）、SPOT、MODIS等，在植被動態(tài)檢測中各有千秋，其中MODIS數據具有較好的空間分辨率和時間分辨率，研究者可以從中獲取更詳盡的關于研究區(qū)域土地覆蓋和生態(tài)系統(tǒng)變化的信息[16]，因此，本試驗基于MODIS NDVI數據，結合氣溫、降水等數據，對太行山地區(qū)2000—2015年這16年來的植被覆蓋率的時空變化情況進行研究，并研究植被對氣候因子的響應機制。

1 研究區(qū)與數據源

1.1 研究區(qū)概況

太行山脈位于山西省與華北平原之間，縱跨北京、河北、山西、河南4省（市），山脈北起北京市西山，向南延伸至河南與山西交界地區(qū)的王屋山，西接山西高原，東臨華北平原，呈東北—西南走向，綿延約400 km。它是我國地形第二階梯的東緣，也是黃土高原的東部界線，位于34°71′～40°34′N、110°60′～115°62′E，總面積12.7萬km2，平均海拔為1 500～2 000 m，最高峰為小五臺山，高3 099 m。

1.2 數據源與數據處理

本研究采用的NDVI數據來源于中國科學院計算機網絡信息中心國際科學數據鏡像網站（http：//www.gscloud.cn）氣象衛(wèi)星MODND1M中國500 m NDVI月合成產品，數據是由MODND1D計算得到，計算方法為取月內每天最大值。坐標系EPSG：（WGS84），空間分辨率500 m，時間分辨率為每個月，時間為2000—2015年。

本研究所使用的MODIS NDVI數據已經經過水、云、氣溶膠等處理，減弱了其他因素對數據的影響，再根據太行山地區(qū)的矢量邊界對NDVI圖像進行裁剪，得到研究區(qū)的影像數據。

研究區(qū)的邊界矢量圖來自中國科學院山地表生過程與生態(tài)調控重點實驗室[17]。

氣象數據為中國氣象數據共享網的（http：//www.nmic.cn/）太行山區(qū)內18個站點的2000—2015年日降水量及日平均氣溫數據，并對氣象數據進行異常值剔除等預處理。

1.3 趨勢分析法

基于像元尺度的趨勢分析法能模擬研究區(qū)中每個柵格單元的變化趨勢，從而反映植被NDVI變化的方向和速率[19]。計算公式為：

式中：Slop是NDVI像元線性回歸方程的斜率;i代表年數，取值范圍為1～16;n是時間跨度，在本研究中n的數值為16年。當Slop>0時，NDVI呈增加趨勢;當Slop=0時，NDVI基本穩(wěn)定，無明顯變化;當Slop<0時，NDVI呈減少趨勢。利用F檢驗顯著性分析，公式為：

式中：U=∑ni=1（yi-y）2，為誤差平方和;Q=∑ni=1（yi-y）2為回歸平方和;yi為第i年的植被覆蓋率觀測值;y為覆蓋率的16年來的平均值。將得到的結果劃為3個等級：極顯著相關（P<0.01）、顯著相關（0.010.05）。

1.4 克里金插值方法

克里金插值是基于內蘊假設，應用變異函數來研究在空間上隨機分布并且相關的變量的方法。其方法是根據待估測點周圍的若干已知信息，以變異函數作為工具，確定待估測點周圍已知點的參數對待估測點的加權值，然后對待估測點做出最優(yōu)的、無偏差的估測?？死锝鸩逯捣ú粌H能夠預測表面，還能對預測的確定性提供評判標準[18]。其公式為：

式中：Z（x0）代表未知樣點的值;Z（xi）代表未知樣點周圍的已知樣點的值;N表示已知樣點的數量;λi是第i個樣本點的權重。在地統(tǒng)計中，一共有6種克里金插值法，分別是普通克里金、簡單克里金、泛克里金、指示克里金、概率克里金、析取克里金法，其中普通克里金法是所有克里金插值方法中最基本、最重要、應用最廣的插值方法[18]。

1.5 相關性分析

相關分析是測量2個變量之間相關程度的有效方法。本研究先對氣溫、降水量數據進行插值分析，得到了與NDVI數據分辨率相同的柵格數據集，再利用ArcGIS進行空間分析，基于像元尺度的NDVI與降水量、氣溫間的相關分析的結果能說明NDVI與降水量、氣溫間的相關程度以及分析結果的空間分布情況，相關系數的計算公式如下：

式中：rxy為相關系數;xi與yi分別代表x和y在第i時期的值;x和y代表x和y的平均值;n為樣本容量。相關系數值為-1～1，正值代表變量間呈正相關關系，負值代表變量間呈負相關關系，相關系數的絕對值越接近于1，變量間相關性越強。

2 結果與分析

2.1 太行山地區(qū)植被NDVI時空變化分析

基于研究區(qū)2000—2015年各年年均NDVI數據和趨勢斜率法，得到太行山區(qū)年均NDVI變化程度分布圖，結果如圖2所示，把研究區(qū)的NDVI變化情況劃分為中度退化、輕度退化、基本不變、輕度改善、中度改善、明顯改善6個等級。從表1可以看出，太行山地區(qū)植被退化地區(qū)的面積占總面積的0.163%，改善的面積占總面積的96.84%。

基于ArcGIS提取的各年年均NDVI值做一元線性回歸分析，由圖3可知，16年來太行山地區(qū)植被的NDVI值波動比較劇烈，NDVI值都在大于0.40，最高值（0.57）出現在2014年，最低值（0.41）出現在2005年，平均值為0.499。對研究區(qū)16年間的年均植被NDVI值進行線性趨勢分析，得到該區(qū)域年均植被NDVI值的變化趨勢方程，可以看出2000—2015年研究區(qū)NDVI呈微弱增長趨勢，增長率為0.079/10年（P=0.000 078 6<0.01），通過顯著性檢驗，這表明16年太行山地區(qū)的植被覆蓋呈增長趨勢。

基于ArcGIS提取各季季均NDVI值做一元線性回歸分析，結果如圖4所示，添加趨勢線得到回歸方程，并在SPSS中對16年來各季季均植被NDVI的變化趨勢做顯著性檢驗，從表2中可以看出，太行山地區(qū)植被覆蓋變化特征具有明顯的季節(jié)差異，夏季的植被生長狀態(tài)最好，秋季的植被生長狀態(tài)次之，冬季的植被生長狀態(tài)最差，這符合植被生長的自然規(guī)律。從圖4可以看出，16年來的太行山區(qū)域的植被都表現為不同程度的增長趨勢，其中冬季（0.095/10年）>夏季（0.086/10年）>春季（0.068/10年）>秋季（0.014/10年），每個季節(jié)的增加速率都通過了顯著性檢驗，表明太行山地區(qū)每個季節(jié)的植被生長率都有改善的趨勢。

2.2 研究區(qū)氣溫和降水的變化特征

在ArcGIS圖層屬性中統(tǒng)計太行山地區(qū)2000—2015年各年的平均氣溫數據，繪制年際溫度變化趨勢，結果如圖5所示，添加趨勢線得到年均氣溫的變化趨勢方程，然后在SPSS中進行顯著性檢驗，研究區(qū)的年均氣溫的變化趨勢為0.325 ℃/10年（P=0.304），沒有通過0.05水平顯著性檢驗，說明16年來太行山地區(qū)氣溫升高趨勢不顯著，最高氣溫出現在2014年，為11.34 ℃，最低氣溫出現在2012年，為9.34 ℃。

在ArcGIS圖層屬性中統(tǒng)計2000—2015年各年的季均氣溫數據，繪制出太行山16年來各季季均氣溫的年際變化趨勢，結果如圖6所示，將四季氣溫的變化趨勢方程添加進去，并進行顯著性檢驗，其中僅夏季氣溫（P=0.041<0.05）通過顯著性檢驗，說明夏季氣溫上升趨勢明顯，而春季、秋季、冬季的氣溫上升趨勢不明顯。春季最高氣溫出現在2010年，為17.02 ℃，最低氣溫出現在2011年，為10.66 ℃;夏季最高氣溫出現在2010年，為 22.96 ℃，最低值出現在2004年，為20.94 ℃;秋季的最高氣溫出現在2006年，為11.26 ℃，最低氣溫出現在2000年，為9.11 ℃;冬季的最高氣溫出現在2007年，為 -2.15 ℃，最低氣溫出現在2005年，為-6.09 ℃。整的來看，16年來太行山地區(qū)四季氣溫均有變暖趨勢。

在ArcGIS圖層屬性中統(tǒng)計太行山地區(qū)2000—2015年各年年均降水量數據，繪制年際變化趨勢，添加線性趨勢線得到降水量的變化趨勢方程，并進行顯著性檢驗（圖7）。太行山地區(qū)年均降水量的變化趨勢為16.16 mm/10年（P>0.05），說明16年來太行山地區(qū)降水量無明顯增加趨勢。

在ArcGIS圖層屬性中統(tǒng)計太行山地區(qū)2000—2015年各年的季均降水量，繪制太行山區(qū)的16年間的各季季均降水量的年際變化趨勢，添加各季的線性趨勢線得到各級的降水量變化趨勢方程，并在SPSS中進行顯著性檢驗（圖8）。太行山地區(qū)16年來的4個季節(jié)的降水量呈現不同程度的上升或下降趨勢，春季、秋季的降水量呈上升趨勢，變化趨勢為春季（11.543 mm/10年）>秋季（11.185 mm/10年），夏季和冬季的降水量呈微弱下降趨勢，變化趨勢分別為冬季（-3.8 mm/10年）>夏季（-0.319/10年），其中夏季（P=-0.003<0.05）降水變化趨勢通過顯著性檢驗，說明夏季降水量減少趨勢明顯。

2.3 研究區(qū)NDVI變化對氣溫和降水量變化的響應

因為MODIS-NDVI數據是從2000年開始記錄的，所以把年平均氣溫、年累積降水量數據集中的2000—2015年數據提取出來。在ArcGIS中分別進行NDVI與降水量、氣溫的空間相關性分析，并在SPSS軟件分別做NDVI與氣溫、降水量的時間相關性分析?；谔猩降貐^(qū)2000—2015年年均NDVI、氣溫、降水量的柵格數據，在ArcGIS中借助柵格計算器工具，分別得到NDVI與氣溫、降水量的相關系數空間分布圖，再利用t檢驗對相關系數進行顯著性檢驗，分別得到NDVI與氣溫、降水量的t檢驗空間分布圖。

從圖9可以看出，16年來太行山區(qū)絕大部分區(qū)域的植被NDVI與氣溫的相關性較弱，只有1.09%的區(qū)域通過了0.01水平顯著性檢驗，4.27%的區(qū)域通過了0.05水平顯著性檢驗。呈顯著負相關及極顯著負相關的區(qū)域分布在襄垣、長治、太古境內，說明這些區(qū)域的植被與氣溫呈負相關關系，呈顯著、極顯著正相關區(qū)域分布在懷來境內，說明該地區(qū)的植被與氣溫呈正相關。整體來看，相關系數為正的區(qū)域所占比例為26.8%，主要分布在懷來、蔚縣、鹽湖境內;相關系數為負的區(qū)域所占比例為73.2%，主要分布在侯馬東北方向至靈丘境內、以及延慶境內。

從圖10可以看出，只有3.84%的區(qū)域通過了0.05水平顯著性檢驗，0.94%的區(qū)域通過了0.01水平的顯著性檢驗。呈極顯著、顯著正相關的區(qū)域集中分布在太谷、安陽境內，說明這些區(qū)域植被與降水量呈較好的正相關關系;呈顯著、極顯著負相關的區(qū)域主要分布在懷來境內。相關系數自西南向東北逐漸遞減，相關系數為正的區(qū)域主要分布在太行山地區(qū)的西南部，所占比例為30.7%，相關系數為負的區(qū)域主要分布在太行山區(qū)的東北部，所占比例為69.3%。

將太行山地區(qū)2000—2015年年均植被NDVI分別和同時期的年均氣溫、年降水量在Excel中做雙軸折線圖分析，從圖11可以看出，太行山地區(qū)植被NDVI的變化與年均氣溫的變化并不完全一致，2000—2001、2004—2005年這幾年間的植被NDVI隨氣溫的升高而表現出下降的趨勢;2007—2008、2009—2011年期間植被NDVI隨著氣溫的降低表現出上升的趨勢，這表明太行山地區(qū)的年均氣溫過高或過低都會抑制植被的生長，整體來看，16年來太行山地區(qū)的年均NDVI與年均氣溫呈正相關關系，相關系數為0.217。

從圖11可以看出，太行山地區(qū)年均NDVI值和年均降水量在大多年份的變化趨勢表現一致。2006—2007、2009—2010年期間，隨著降水量的增加，植被的NDVI反而減少;其他年份植被NDVI的變化與降水量變化呈正相關性，即植被NDVI隨著降水量的增加而增加。整體看來，16年來太行山地區(qū)年均NDVI與降水量呈正相關性，相關系數為0.43。

將太行山地區(qū)的年均植被NDVI與年均降水量和年均氣溫變化趨勢進行對比，得出太行山地區(qū)植被NDVI的變化是降水量和氣溫變化共同作用的結果。

為了揭示太行山地區(qū)各個季節(jié)植被的NDVI值與氣候變化的關系，在SPSS中將2000—2015年各年的季平均植被NDVI分別與同時段各年季平均氣溫、季均降水量做相關性分析。因為氣溫、降水量變化對植被的生長會存在一定的滯后效應，所以還要對各季季均植被NDVI和其對應的前1季的季均降水量、季均氣溫做相關性分析（表3）。其中，春季、夏季的季均植被NDVI與氣溫呈負相關關系，且夏季負相關性較高，相關系數為-0.201，說明夏季氣溫變高，會影響植被的生長。秋季、冬季的季均植被NDVI與氣溫呈正相關關系，表明秋季、冬季氣溫變高，會促進植被的生長。4個季節(jié)的季均植被NDVI與前一季的氣溫均呈正相關關系，但是都沒通過顯著性檢驗，說明氣溫與植被NDVI無顯著相關性。由結果可得，春夏秋冬四季的氣溫高，會促進下一季的植被生長。

將太行山地區(qū)2000—2015年各年季均植被NDVI與同季、前1季的季均降水量在SPSS中做相關性分析并進行顯著性檢驗，發(fā)現春、夏、秋3個季節(jié)的季均植被NDVI與降水量呈正相關關系。其中，春季降水與植被NDVI值的相關性最大，為0.443，表明春季降水量會促進植被的生長;夏季與秋季的季均植被NDVI與季均降水量相關性雖然相對較小，但也能說明夏季與秋季的季均降水量能促進植被生長;冬季的季均植被NDVI與降水量呈現負相關性，表明冬季較多的降水會抑制植被的生長。春季季均植被NDVI與冬季降水量呈負相關性，表明冬季降水量會抑制春季植被的生長，夏季的季均植被NDVI與春季的降水量呈正相關性，且通過了0.05水平顯著性檢驗，表明降水量增加會促進夏季的植被生長。秋季和冬季的季均植被NDVI與前1季的降水量呈正相關關系，其中秋季的季均植被NDVI與夏季降水量呈弱正相關性，表明夏季和秋季的較多的降水量會促進后一季的植被生長。綜上所述，太行山地區(qū)的降水量和氣溫對植被生長存在滯后效應。

3 結論與討論

本試驗基于太行山地區(qū)2000—2015年的MODIS NDVI數據，結合氣溫、降水量數據，對該地區(qū)2000—2015年16年間的植被覆蓋率時空變化進行研究，并對影響其變化的氣候與植被覆蓋情況進行相關性分析，得到如下結論：

（1）2000—2015年研究區(qū)NDVI呈微弱增長趨勢，增長率為0.079/10年，植被增加的區(qū)域占總區(qū)域的96.84%，植被減少及基本不變的區(qū)域為3.16%，表明16年太行山地區(qū)的植被覆蓋呈增長趨勢。

（2）總的來看，16年來太行山地區(qū)的年均NDVI與年均氣溫呈正相關關系，相關系數為0.217。太行山地區(qū)年均NDVI與降水量呈正相關性，相關系數為0.43。將太行山地區(qū)的年均植被NDVI與年均降水量、年均氣溫變化趨勢進行對比，可知太行山地區(qū)植被NDVI是降水量和氣溫變化共同作用的結果。

（3）通過相關性分析發(fā)現，夏季、春季的季均植被NDVI值與氣溫呈負相關關系，表明夏季、春季氣溫較高，會影響植被的生長。秋季和冬季的季均植被NDVI與氣溫呈正相關關系，表明秋季、冬季氣溫較高會促進植被的生長。春季、夏季與秋季的季均植被NDVI與季均降水量呈正相關關系，表明春季、夏季與秋季的季均降水能促進植被生長;冬季季均植被NDVI與季均降水量呈負相關關系，表明冬季的季均降水量抑制植被的生長。

（4）4個季節(jié)的季均植被NDVI與前1季的氣溫均呈正相關關系，表明春夏秋冬四季的氣溫較高，會促進下一季的植被生長。冬季的季均降水量與春季的季均NDVI呈負相關關系，表明冬季過高的降水量會抑制春季的植被生長，夏季、秋季、冬季的季均植被NDVI與前1季的降水量呈正相關關系，其中秋季的季均植被NDVI與夏季降水量呈弱正相關關系。表明春季、夏季、秋季較多的降水會促進后一季的植被生長。

（5）太行山地區(qū)的降水量和氣溫對植被生長存在滯后效應。植被覆蓋變化是人為因素和自然因素共同作用的結果。本研究主要結合氣溫、降水量探討太行山地區(qū)植被變化趨勢以及驅動因素。本研究對影響植被變化的自然因素，只從氣溫和降水量2個方面進行研究，對濕度、下行短波輻、坡度等其他的自然因素沒有研究，而且沒有考慮人為因素對植被覆蓋變化的影響。因此，在后續(xù)植被變化的研究中，對其驅動因素的選取上應該不斷完善。

參考文獻：

[1]趙 杰，杜自強，張 紅，等. 中國季節(jié)性晝夜增溫的不對稱性及其對植被活動的影響[J]. 生態(tài)學報，2018，38（11）：3909-3919.

[2]楊 菊，熊康寧，肖時珍. 赤水丹霞地貌區(qū)植被覆蓋度時空變化分析[J]. 人民長江，2018，49（18）：38-44.

[3]於 琍，李克讓，陶 波，等. 植被地理分布對氣候變化的適應性研究[J]. 地理科學進展，2010，29（11）：1326-1332.

[4]張景華，李英年. 青海氣候變化趨勢及對植被生產力影響的研究[J]. 干旱區(qū)資源與環(huán)境，2008，22（2）：97-102.

[5]候 靜，杜靈通，劉 可，等. 1982—2012年北半球荒漠草原過渡帶植被物候特征及其與氣候因子的關系[J]. 氣候變化研究進展，2017，13（5）：473-482.

[6]Xiao X M，Boles S，Liu J Y，et al. Characterization of forest types in Northeastern China，using multi-temporal SPOT-4 VEGETATION sensor data[J]. Remote Sensing of Environment，2002，82（2）：335-348.

[7]趙賽帥. 基于環(huán)境衛(wèi)星NDVI時間序列的鹽沼植被分類與提取[D]. 南京：南京大學，2015.

[8]Myneni R B，Tucker C J，Asrar G，et al. Interannual variations in satellite-sensed vegetation index data from 1981 to 1991[J]. Journal of Geophysical Research Atmospheres，1998，103（D6）：6145-6160.

[9]Nemani R R，Keeling C D，Hashimoto H，et al.Climate-driven increases in global terrestrial net primary production from 1982 to 1999[J]. Science，2003，300（5625）：1560-1563.

[10]樸世龍，方精云. 1982—1999年我國陸地植被活動對氣候變化響應的季節(jié)差異[J]. 地理學報，2003，58（1）：119-125.

[11]樸世龍，方精云. 最近18年來中國植被覆蓋的動態(tài)變化[J]. 第四紀研究，2001，21（4）：294-302.

[12]方精云，樸世龍，賀金生，等. 近20年來中國植被活動在增強[J]. 中國科學（C輯），2003，33（6）：554-565，578-579.

[13]劉 爽，宮 鵬. 2000—2010年中國地表植被綠度變化[J]. 科學通報，2012，57（16）：1423-1434.

[14]常 純，王心源，楊瑞霞，等. 基于DEM-NDVI的高山植被帶定量刻劃[J]. 地理研究，2015，34（11）：2113-2123.

[15]李 薇，談明洪. 太行山區(qū)不同坡度NDVI變化趨勢差異分析[J]. 中國生態(tài)農業(yè)學報，2017，25（4）：509-519.

[16]李曉光. 基于MODIS-NDVI的內蒙古植被覆蓋變化及其驅動因子分析[D]. 呼和浩特：內蒙古大學，2014.

[17]劉憲鋒，任志遠，林志慧，等. 2000—2011年三江源區(qū)植被覆蓋時空變化特征[J]. 地理學報，2013，68（7）：897-908.

[18]牟乃夏，劉文寶，王海銀，等. ArcGIS 10地理信息系統(tǒng)教程——從初學到精通[M]. 北京：測繪出版社，2012（12）：43-43.

[19]王麗霞，余東洋. 渭河流域NDVI與氣候因子時空變化及相關性研究[J]. 水土保持研究，2019，26（2）：249-254.