高原气象

高原气象 >

2024 , Vol. 43 >Issue 1: 264 - 276

DOI: https://doi.org/10.7522/j.issn.1000-0534.2023.00052

论文

西南地区2000 -2020年植被覆盖度时空变化与影响因素分析

  • 刘雨亭 ,
  • 王磊 ,
  • 李谢辉 ,
  • 郭蕾
展开
  • 成都信息工程大学大气科学学院，高原大气与环境四川省重点实验室，四川 成都 610225

刘雨亭（1999 -）， 男， 重庆人， 硕士研究生， 主要从事资源环境遥感研究. E-mail：

收稿日期: 2023-02-08

  修回日期: 2023-06-11

  网络出版日期: 2023-06-11

基金资助

云南省科技厅重点研发计划项目(202203AC100006); 中国气象局干旱气象科学研究基金项目(IAM202201)

收起

Analysis on Spatio-Temporal Variability of Fractional Vegetation Cover and Influencing Factors from 2000 to 2020 in Southwestern China

  • Yuting LIU ,
  • Lei WANG ,
  • Xiehui LI ,
  • Lei GUO
Expand
  • Plateau Atmosphere and Environment Key Laboratory of Sichuan Province，School of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China

Received date: 2023-02-08

  Revised date: 2023-06-11

  Online published: 2023-06-11

Fold

摘要

西南地区是我国重要的生态安全屏障区， 也是生态脆弱和气候敏感区。本文基于MOD13A3的NDVI数据集， 利用像元二分模型首先计算了西南五省市区2000 -2020年西南整体和分省市区年、 生长季和四季的平均植被覆盖度FVC（Fractional Vegetation Cover）， 并对不同时间尺度的FVC进行了时空变化特征分析， 然后利用ERA5的气温、 GPCP卫星降水和DEM等资料， 对过去21年影响西南地区FVC变化的主要影响因素进行了讨论， 最后利用Hurst指数对FVC的未来变化趋势进行了预测。结果表明： （1）2000 -2020 年以来， 西南地区东部FVC整体呈增加趋势， 尤其在重庆和贵州增加最快， 西藏地区总体呈下降趋势。（2） 西南地区FVC在空间上总体呈现东高西低的特点， 2000 -2020年平均FVC为0.46， 在年际空间变化上FVC的上升区域占西南地区总面积的43.9%， 下降区域占53.5%。（3）降水对FVC起促进作用， 气温在不同地区则表现出不同的影响。（4）人类活动对FVC的影响很大， 对植被的促进、 抑制和无影响区域分别占栅格百分比的40.4%、 47.6%和12.0%。（5）高程和不同时间尺度的FVC都显著相关， 但都呈现出极显著的下降趋势； 不同时间尺度的FVC随坡度增加都显著增加， 但当坡度大于25°后FVC会逐渐减小； 坡向对西南地区FVC的影响相较于坡度、 高程和气候因子的影响并不显著。（6）未来西藏、 西南地区东部的四川、 云南和贵州交界处的FVC整体将呈增加趋势， 而四川西部和横断山脉的大部分地区将呈减少趋势。研究结果能为西南地区生态保护方案的制定提供数据支撑和科学指导。

关键词： 植被覆盖度; 气候因子; 地形因子; 人类活动; Hurst指数; 西南地区

本文引用格式

刘雨亭 , 王磊 , 李谢辉 , 郭蕾 . 西南地区2000 -2020年植被覆盖度时空变化与影响因素分析[J]. 高原气象, 2024 , 43(1) : 264 -276 . DOI: 10.7522/j.issn.1000-0534.2023.00052

Abstract

The southwestern China is a vital ecological safeguard and is characterized by ecological fragility and climate sensitivity.Based on the MOD13A3 NDVI dataset， this study used a pixel dichotomy model to calculate the average Fractional Vegetation Cover （FVC） from 2000 to 2020 annually， during growing seasons， and in each of the four seasons for the whole southwestern China and its provinces， a spatio-temporal variation analysis was then performed on FVC across different time scales.The study also discussed the primary factors influencing FVC changes over the past 21 years， using ERA5 temperature data， GPCP satellite precipitation data， and DEM data.Finally， the Hurst Index was used to predict future FVC trends.（1） The results indicate that from 2000 to 2020， the overall FVC in the eastern part of the southwestern China showed an increasing trend， particularly in Chongqing and Guizhou， while Tibet showed a general decline.（2） Spatially， the FVC generally showed a "higher in the east and lower in the west" trend， with areas where FVC increased accounting for 43.9% of the total area， and areas of decrease accounting for 53.5%.（3） Precipitation promotes FVC， while temperature has varied effects in different regions.（4） Human activity significantly impacts FVC， with promotion， suppression， and no effect zones accounting for 40.4%， 47.6%， and 12.0% of the grid percentage， respectively.（5） Elevation and FVC over different time scales are significantly correlated but both exhibit a pronounced declining trend.FVC increases significantly with slope， but decreases when the slope is greater than 25°.The effect of aspect on FVC in the southwestern China is less significant than that of slope， elevation， and climatic factors.（6） In the future， the FVC in Tibet and the eastern parts of Sichuan， Yunnan， and Guizhou in the southwestern China will increase， while most areas of western Sichuan and the Hengduan Mountains will exhibit a decreasing trend.The results can provide data support and scientific guidance for the formulation of ecological protection plans in the southwestern China.

Key words： fractional vegetation cover; climatic factors; topographical factors; human activities; Hurst index; Southwestern China

1 引言

当前， 全球气候变暖正日益影响着自然界的生态系统、 生态环境以及人类社会的可持续发展。植被作为陆地生态系统的重要组成部分， 在全球气候变化研究中可充当“指示器”的作用（孙红雨等， 1998）。作为能反映植被地表分布状况， 具有明显季节性变化特征的植被覆盖度， 则在不同地区的变化主要会受各种区域气候、 地形和人类活动因素的影响。由于卫星遥感数据具有成本低、 可靠性强、 可选产品类型多等优点， 能为多种植被指数分析提供重要的数据源， 因此遥感技术的发展为准确监测大范围区域的植被覆盖度提供了有利条件（Lin et al， 2020）。特别是EOS Terra卫星中的MODIS数据产品与SPOT、 AVHRR等数据产品相比， 具有空间分辨率高、 光谱范围广、 更新频率快、 数据时间尺度长等优点， 常被用于植被指数和植被覆盖度的变化分析（张志强等， 2021）。
国内外学者对植被覆盖度FVC（Fractional Vegetation Cover）的监测和变化分析已进行了不同程度的大量研究。如， Wu et al（2014）通过利用GIMMS NDVI数据， 估算了1982 -2011年的全球植被覆盖度， 结果表明全球的FVC具有明显的季节变化， 高纬度地区的FVC由于全球变暖正在显著增加； Anees et al（2022）利用MODIS-NDVI研究了巴基斯坦2003 -2013年的FVC， 结果发现该地区的南部和东部分别表现为中等（40%）和高等（70%）的植被覆盖度； Li et al（2022）采用趋势分析、 GEE（Google Earth Engine）遥感云计算平台和随机森林分类器等方法研究了中缅经济走廊CMEC（China-Myanmar Economic Corridor）地区2001 -2020年生长季的植被动态变化和影响因素， 并定量分析了该地区FVC的空间分布、 变化格局和驱动因素， 发现森林和草地的平均FVC减少了0.68%， 但集中在中南部地区的耕地对FVC增加的贡献率为50.4%， 人工作物的增加则抵消了对自然植被的减少； 王晓蕾等（2022）利用GEE平台反演了1999 -2019年黄河流域的FVC， 结果表明1999 - 2019年黄河流域的FVC有较好改善， 其中流域中部的植被改善最为明显， 而降水、 日照时间和相对湿度三个因子对黄河流域FVC的影响最强。
西南地区是我国重要的生态安全屏障区， 也是生态脆弱和气候敏感区。已有相关研究中， 郑朝菊等（2016）基于MODIS-NDVI数据通过估算西南地区2000 -2010年250 m分辨率年最大FVC， 对森林、 灌丛和草地的植被覆盖度变化进行了分析； 彭睿文等（2017）利用均值法、 变异系数和相关分析法， 从地形和植被类型角度分析了中国西南五省2009 -2015年林草地FVC变化及其与降水的关系， 结果表明林草地的FVC从0.87下降到0.78， 植被退化明显， 而降水对西南地区的植被的影响具有明显的空间差异性； 从地理学的角度， 丰博和董燕（2022）、 何清芸等（2021）分别利用MODIS-NDVI数据， 对所属西南地区的云南省和重庆市FVC的时空演变和驱动力进行了探究， 分别得出云南省2010 -2020年FVC呈现“单峰”分布特征， 且呈增加趋势， 重庆市2000 -2015年FVC呈现总体改善的结论。但目前的研究内容还较单一， 对西南所属行政范围和自然影响因素的分析还不全面。
IPCC第六次评估报告AR6揭示， 最近10年（2011 -2020年）全球平均地表温度比1850 -1900年高出1.09 ℃， 且最近40年中的每个10年全球地表平均温度都高于之前任何10年。随着全球气候变暖， 作为地形地貌复杂、 气候敏感且植被种类多样的西南五省市区， 其植被覆盖度在近年来的时空变化趋势和对气候变化的响应是怎样的？主要影响因素的影响程度是怎样的？未来又是怎样的发展趋势？这些问题都需要进行全面和综合的分析， 特别是针对高海拔的西藏地区。因此本文正是基于以上问题进行分析与讨论， 其结果能为当地政府科学掌握生态环境变化态势， 为西南地区生态修复等工作提供重要的技术与理论支持。

2 研究区概况和数据源

2.1　研究区概况

本文的西南地区主要包括四川、 贵州、 云南、 重庆、 西藏五个省市区（78°25′E -110°11′E， 21°8′N - 36°53′N）， 总面积为2.37×106 km2， 占全国总面积的24.6%。该区地形地貌复杂， 相对于海平面的高程为46~8569 m， 西高东低， 其中四川西部往西藏地区主要以高原为主， 四川东部和重庆地区主要以盆地、 山地丘陵为主； 气候类型多样， 东部多为亚热带季风气候， 西部以高原山地气候为主， 云南南部一部分则为热带季风气候。西南地区低海拔地区是中国植物种类最丰富的区域， 降水丰富， 是珠江、 长江的发源地和流经地， 其生态保护对于下游的生态安全具有重要作用（彭睿文等， 2017）。高原高海拔地区的植被覆盖状况和降水量普遍低于西南地区东部的低海拔区域。地理位置和高程分布如图1所示。文中涉及的地图是基于自然资源部标准地图服务网站下载的审图号为 GS（2019）1786号的中国地图制作， 底图无修改。
图1 西南地区地理位置和高程分布

Fig.1 Geographical location and elevation distribution in Southwestern China

2.2　数据来源和预处理

主要采用2000-2020年MOD13A3的NDVI数据集（http： //www.nasa.gov/）， 空间分辨率为1 km×1 km， 时间分辨率为1个月。对NDVI数据集主要进行如下预处理工作： ①使用投影转换工具MRT进行格式转换， 将HDF数据转换为TIF数据集， 提取出逐月的NDVI数据， 并转换地理坐标系为WGS1984； ②结合西南地区5省市区的SHP文件， 裁剪出每年逐月的NDVI。在影响因素分析中使用的降水数据主要来源于由卫星观测反演， 且具有精度高、 更新快和改进强的GPCP（Global Precipitation Climatology Project）卫星降水产品（Nogueira， 2020）， 其空间分辨率为0.25°×0.25°， 时间分辨率为1 天； 气温数据则采用ERA5再分析资料中的2 m气温， 空间分辨率为0.1°×0.1°； 高程和坡度数据主要来源于国家青藏高原数据中心（汤国安， 2019）。在分析时， 考虑到数据的一致性， 主要将气温和降水数据统一插值到0.1°×0.1°的空间分辨率上。

2.3　主要研究方法

2.3.1　植被覆盖度的计算

植被覆盖度FVC是衡量地表植被状况的一个最重要指标， 也是影响土壤侵蚀与水土流失的主要因子， FVC及其变化具有对区域生态系统环境变化的重要指示， 对水文、 生态和全球变化等都具有重要研究意义。FVC定义为植被在地面的垂直投影面积占统计区总面积的百分比， 可使用像元二分模型进行估算， 即每个像元由非植被覆盖地表和植被覆盖地表组成， 具体FVC的计算公式如下（李苗苗， 2003）：
F V C = N D V I - N D V I s o i l N D V I v e g - N D V I s o i l
式中： NDVI表示混合像元的NDVI， NDVIsoil 表示非植被端元的NDVI， NDVIveg 表示植被端元的NDVI。NDVIsoil 的像元大多为裸露地面， 理论上不会随时间而变化。
采用赵慧芳等（2022）提出的NDVIsoil 和NDVIveg 的估算方法， 选取NDVI像元累积频率5%和95%对应的值分别作为NDVIsoil 和NDVIveg 的端元， 并代入公式（1）计算出每个像元的FVC值， 由于NDVIsoil 值在0附近， 而计算出来的FVC值极少部分会出现小于零或大于1的情况， 因此将FVC<0赋值为0； FVC>1赋值为1。

2.3.2　 Sen斜率估计法

对FVC的变化趋势采用Sen斜率估计法（Theil-Sen Median）进行， 公式为（赵慧芳等， 2022）：
β = M e d i a n x j - x i j - i ,   ∀ j > i
式中： Xi 和Xj 分别表示第i个和第j个数据样点； Median为中值函数； 当β>0时表明FVC为增加趋势， 反之为下降趋势； 通过T检验来确定增长趋势是否显著。

2.3.3　显著性检验

对FVC变化趋势分析的显著性检验采用Mann-Kendall检验。首先假设H0序列中的数列为随机排列， 没有单调趋势， 即不显著， H1为有单调趋势， 即显著。数据按时间序列依次排列， 即Xi =（x 1， x 2， …， xn ）。检验统计量S的计算公式如下（王洁， 2019）：
S = ∑ i = 1 n - 1 ∑ i = 1 + 1 n s g n ( x j - x i )
式中： n和i分别为样本容量和1-n中的任意一个样本； X的第i个元素（Xi ）和X的第j个元素（Xj ）分别表示第i个和第j个数据样点； sgn（ ）为差值函数， 计算公式如下：
s g n ( x j - x i ) = - 1 x j - x i < 0 0 x j - x i = 0 + 1 x j - x i > 0
检验统计量Z值可用来进行趋势分析， 计算公式如下：
Z = S V a r ( S ) , S > 0 0 , S = 0 S + 1 V a r ( S ) , S < 0
其中Var（S）为检验统计量S的方差， 计算公式如下：
V a r ( s ) = 1 18 n ( n - 1 ) ( 2 n + 5 )
在给定显著性水平下， 在正态分布表中查临界值， 当检验统计量Z的绝对值>1.65、 1.96、 2.58时， 分别表示通过了置信度为90%、 95%和99%的显著性检验， 并可将变化趋势分为极显著增加和极显著降低（p<0.01）、 显著增加和显著降低（p<0.05）、 较显著增加和较显著降低（p<0.1）、 不显著增加和不显著降低（p>0.1）、 无变化（Z=0）共9个等级， p值表示在原假设成立的情况下， 观察到的样本均值与总体均值之间差异的概率。

2.3.4　偏相关分析法

在多变量情况下， 变量之间的相关程度很复杂， 所以不能采用简单的双变量相关分析， 需要剔除其他变量的影响。本文对FVC与地形因子的关系主要通过计算两个变量的相关系数进行， 而对气温、 降水与FVC的分析则采用了偏相关分析进行， 计算公式为（王洁， 2019）：
r = ( r i j - r i k r j k ) / [ ( 1 - r j k 2 ) ( 1 - r i k 2 ) ]
式中： r为以k为控制变量时， i与j的偏相关系数； i、 j、 k分别表示不同的气候因子， 本文的i、 j、 k分别表示平均气温、 降水量和高程。主要首先选取每个地区的相关气象数据代表这个区域的整体气候情况， 采用区域平均的方法计算FVC与气候因子的关系， 然后通过T检验来确定平均气温、 降水量和FVC有无显著性差异， FVC、 平均气温、 降水量的样本量均为每个季节21个。

2.3.5　多元线性回归残差分析

利用多元线性回归残差分析可以研究人类活动对植被变化的影响（金凯等， 2020）。即： 基于年平均FVC和插值后的气温和降水数据， 以FVC为因变量， 其余为自变量通过建立多元线性回归模型， 从而可计算出每个栅格的残差值FVCr 和预测值FVCp， 具体计算公式如下：
F V C p = b 1 × T + b 2 × P + b 0
F V C r = F V C - F V C p
式中： FVCp 和FVC分别表示FVC线性回归模型的预测值和实际值； T、 P分别表示年平均气温（单位： ℃）和降水量（单位： mm·d-1）； b 0、 b 1和b 2是回归系数， FVCr 表示残差。

2.3.6　 R/S 分析法（Hurst指数估计方法）

Hurst指数能够用于定量描述时间序列的长期依赖性， 并已被广泛应用于水文学、 经济学、 气候学等领域， 因此本文基于此方法对西南地区未来FVC的发展趋势进行预测。考虑一个时间序列｛ξ（t）｝， ξ（t）=B（t）-B（t-1）， B（t）为时刻t的观测值（t=1， 2， …）， 对于任意正整数τ， 定义均值序列（王洁， 2019）：
ζ t = 1 τ ∑ t = 1 τ ζ ( t )
用 X（t）表示累积离差：
X ( T , τ ) = ∑ 1 τ [ ξ ( T ) - ξ τ ]
式中： 1≤T≤τ， 极差R（τ）定义为：
R ( τ ) = m a x 1 ≤ t ≤ τ X ( t , τ ) - m i n 1 ≤ t ≤ τ X ( t , τ )
标准差S（τ）定义为：
S ( τ ) = 1 τ ∑ 1 τ ( ξ ( t ) - ξ τ ) 2
如果采用标准差除极差， 相当于将极差“标准化”， 消除量纲的影响， 于是得到极差与标准差的比值：
R ( τ ) / S ( τ ) = R / S
经过长期的理论分析和模拟试验研究， Hurst发现了如下经验标度关系：
R ( τ ) / S ( τ ) = π τ 2 H
式（13）中H称为Hurst指数， 位于［0， 1］之间， 当0<H<0.5时， 表示FVC与过去发展趋势不一致； 当0.5<H<1时， 表示FVC与过去发展趋势一致； 而当H=0.5时， 表示数据序列是随机游走的， 很难预测未来的发展趋势。

3 结果与讨论

3.1　不同时间尺度下西南地区植被覆盖度变化趋势

表1为2000 -2020年西南地区整体和五个省市区的年、 四季和生长季（5 -9月）多年平均FVC值， 以及能衡量FVC平均值离散程度的标准误差。从年平均FVC来看， 云南（0.78）>贵州（0.75）>重庆（0.74）>四川（0.66）>西南整体（0.46）>西藏（0.22）， 区域内差异较大。季节上， 西藏四季和生长季的平均FVC都最小， 属于低覆盖区域， 夏季最高也仅为0.27； 重庆和贵州的FVC较接近， 夏季最高分别为0.84和0.86， 冬季最低分别为0.60和0.61； 云南的FVC均大于0.70， FVC状况最好， 且不同时间尺度的变化较小； 四川的FVC夏季为0.80， 由于西部为川西高原， 与西藏邻接， 冬季的FVC较低， 生长季平均FVC高于西藏， 但低于重庆市、 贵州和云南省。西南地区整体和五个省市区的标准误差值均≤0.05， 表明样本均值的稳定性较好， 与真实总体均值的差异较小。
表1 西南地区2000 -2020年不同时间尺度的平均FVC和标准误差

Table 1 Average FVC and standard error at different time scales from 2000 to 2020 in Southwestern China

时间尺度 西南地区 四川 重庆 贵州 云南 西藏
年 0.46 0.66 0.74 0.75 0.78 0.22
春季 0.46 0.69 0.82 0.81 0.74 0.21
夏季 0.53 0.80 0.84 0.86 0.83 0.27
秋季 0.44 0.60 0.70 0.74 0.82 0.20
冬季 0.40 0.54 0.60 0.61 0.75 0.20
生长季 0.51 0.77 0.83 0.84 0.81 0.25
标准误差 0.04 0.05 0.05 0.05 0.04 0.05
表2为FVC随不同时间尺度的变化趋势结果。从表2中可以看出， 自2000年来西南地区整体的FVC以增加趋势为主。其中， 年际变化率上， 冬季［0.16·（100a）-1］>秋季［0.11·（100a）-1］>年［0.09·（100a）-1］>春季［0.07·（100a）-1］>生长季［0.03·（100a）-1］>夏季［0.02·（100a）-1］， 但夏季和生长季的变化趋势未通过p<0.05的显著性水平T检验。五个省市区中， 除西藏的FVC呈下降趋势外， 其余四个省市的FVC在年、 季节和生长季上均为增加趋势， 且重庆和贵州都通过了p<0.01的显著性水平T检验， 增加趋势显著， 重庆的多年拟合趋势线方程的测定系数R 2高达0.88， 拟好效果最好。四川在夏季， 云南在春季、 夏季和生长季， 西藏在夏季和秋季的拟合趋势线方程都未通过p<0.05的显著性水平T检验， 表明在这些季节的增加和降低趋势不显著。从行政区划的年际变化趋势可以看出， 重庆［0.54·（100a）-1］>贵州［0.47·（100a）-1］>四川［0.19·（100a）-1］>云南［0.16·（100a）-1］>西南整体［0.09·（100a）-1］>西藏［-0.06·（100a）-1］， 反映出重庆市2000 -2020年来的FVC增加趋势最显著。
表2 2000 -2020年西南地区FVC趋势线方程与显著性水平 T 检验

Table 2 Temporal change trend of FVC from 2000 to 2020 in Southwestern China

区域 时间尺度 趋势线方程 显著性水平T检验
西南地区 春季 Y=0.0007x-0.88（R²=0.24） *
夏季 Y=0.0002x+0.21（R²=0.05） 未通过
秋季 Y=0.0011x-1.87（R²=0.33） **
冬季 Y=0.0016x-2.75（R²=0.56） **
生长季 Y=0.0003x-0.06（R²=0.08） 未通过
年 Y=0.0009x-1.32（R²=0.49） **
四川 春季 Y=0.0018x-3.03（R²=0.44） **
夏季 Y=0.0002x+0.49（R²=0.01） 未通过
秋季 Y=0.0027x-4.9（R²=0.66） **
冬季 Y=0.0028x-5.00（R²=0.47） **
生长季 Y=0.0008x-0.82（R²=0.27） *
年 Y=0.0019x-3.10（R²=0.66） **
重庆 春季 Y=0.0046x-8.44（R²=0.83） **
夏季 Y=0.0025x-4.23（R²=0.37） **
秋季 Y=0.0063x-11.89（R²=0.80） **
冬季 Y=0.008x-15.57（R²=0.79） **
生长季 Y=0.0031x-5.44（R²=0.59） **
年 Y=0.0054x-10.04（R²=0.88） **
贵州 春季 Y=0.0043x-7.93（R²=0.57） **
夏季 Y=0.0022x-3.63（R²=0.45） **
秋季 Y=0.0058x-10.90（R²=0.78） **
冬季 Y=0.0066x-12.66（R²=0.37） **
生长季 Y=0.0029x-4.89（R²=0.54） **
年 Y=0.0047x-8.78（R²=0.74） **
云南 春季 Y=0.0009x-1.09（R²=0.09） 未通过
夏季 Y=0.0004x-0.04（R²=0.04） 未通过
秋季 Y=0.0023x-3.72（R²=0.72） **
冬季 Y=0.0029x-5.00（R²=0.68） **
生长季 Y=0.0006x-0.49（R²=0.12） 未通过
年 Y=0.0016x-2.47（R²=0.57） **
西藏 春季 Y=-0.0007x+1.52（R²=0.21） *
夏季 Y=-0.0004x+1.01（R²=0.12） 未通过
秋季 Y=-0.0008x+1.81（R²=0.09） 未通过
冬季 Y=-0.0006x+1.36（R²=0.34） **
生长季 Y=-0.0006x+1.42（R²=0.15） *
年 Y=-0.0006x+1.36（R²=0.34） **

Y为FVC值， x为时间序列， R 2为测定系数； *和**分别表示通过了0.05和0.01的显著性水平T检验

3.2　植被覆盖度空间变化趋势

3.2.1　空间分布特点

从2000 -2020年不同时间尺度FVC的空间分布（图2）中可以看出， 西南地区的FVC总体呈现东高西低的特点。其中西部高原的FVC很低， 东部较高。西藏东南部由于海拔基本位于4000 m以下， 且纬度较低， 降水量较充沛， FVC在不同时间尺度均较高。四川省的西部位于西藏高原东部， 而东部为四川盆地， FVC也呈现出东高西低的空间分布特点。在不同时间尺度的空间分布上， 年平均FVC值（0.46）接近春季（0.46）和秋季（0.44）， 生长季（0.51）的FVC略低于夏季（0.53）。由于春季植被进入复苏期， 西南地区东部整体的FVC较冬季有所改善， 但川西高原和云南中部的FVC相比夏季较差［图2（b）］； 进入夏季后， 云南中部、 川西地区和西藏东部的植被生长较显著［图2（c）］； 而秋季时， 除了四川盆地和四川西部FVC出现大范围下降外， 云南和贵州也出现了下降［图2（e）］； 冬季时， 除了藏东南地区和云南南部的FVC几乎无下降外， 其余地区均出现了大范围显著下降［图2（f）］。横断山脉地区由于海拔多在4000~5000 m， 且山谷与山顶的落差可达2000 m， 地势陡峭， 不利于多种植被的生长， 在任何时间尺度上的FVC都较低。
图2 2000 -2020年西南地区不同时间尺度植被覆盖度FVC空间分布（单位： %）

Fig.2 Spatial distribution of FVC at different time scales from 2000 to 2020 in Southwestern China.Unit：%

3.2.2　空间变化趋势分析

从西南地区2000 -2020年FVC不同时间尺度空间变化趋势（图3）可以看出， 2000 -2020年间年际空间变化中， 西藏中西部地区的FVC退化情况非常显著， 西藏东南部地区变化趋势不显著。西南地区东部， 四川盆地、 重庆、 贵州和云南东部的植被改善情况较好， 横断山脉地区总体则呈下降趋势。不同季节上， 生长季的空间变化趋势介于夏季和秋季之间［图3（d）］， 其中西藏高原中部的植被退化最显著； 春季FVC的上升区域也主要集中在四川盆地、 重庆、 贵州和云南东部， 西藏西北部和东南部有略微上升趋势， FVC的下降区域主要分布在横断山脉和高原地区［图3（b）］； 夏季FVC变化趋势和春季差别不大， 但川西地区的植被退化和西藏北部的植被改善情况相比于春季更为显著［图3（c）］； 秋季西藏地区的FVC变化趋势不显著， 东部地区改善情况较夏季更好［图3（e）］； 冬季西藏地区整体退化比较显著， 藏东南地区变化趋势不显著， 而横断山脉的FVC退化趋势较显著［图3（f）］。
图3 2000 -2020年西南地区不同时间尺度FVC空间变化趋势

Fig.3 Spatial change trend of FVC at different time scales from 2000 to 2020 in Southwestern China

表3为不同时间尺度FVC空间变化趋势的面积占比统计。从表3中可以看出， 在年际空间变化上， 极显著、 显著和较显著上升区域占西南地区总面积的25.3%， 主要分布在重庆、 贵州、 四川东南部、 云南东部和西藏东南部和北部地区； 极显著、 显著和较显著下降区域占西南地区总面积的25.8%， 主要分布在西藏、 云南北部和四川西部。西藏的年际FVC空间变化趋势整体呈下降趋势， 只在藏东南和藏北地区存在一定的上升趋势； 在夏季和生长季， 藏北地区的FVC改善情况较好， 但不显著变化的区域占比最高； 秋季， 无变化和不显著下降区域占比为77.4%， 主要集中在青藏高原和横断山脉， 表明高原秋季自2000年来FVC变化较小； 冬季， 高原地区和云南北部出现了退化， 无变化的区域主要集中在横断山脉， 冬季年际无变化区域所占总面积只有2.7%， 主要也集中在横断山脉地区。
表3 2000 -2020年不同时间尺度FVC空间变化趋势面积占比

Table 3 Area proportion of spatial variation trend of FVC at different time scales from 2000 to 2020

变化趋势 面积占比/%
春 夏 秋 冬 年 生长季
无变化 6.79 6.89 9.93 8.62 2.69 4.62
极显著上升 12.24 8.87 17.68 15.47 18.90 11.14
显著上升 4.80 5.59 4.81 5.32 4.24 4.99
较显著上升 2.52 3.00 2.03 2.54 2.12 2.58
不显著上升 22.29 26.84 14.84 18.70 18.61 23.72
极显著下降 2.62 4.25 1.83 5.19 9.68 4.81
显著下降 6.23 5.95 3.82 7.98 10.66 7.54
较显著下降 5.30 4.11 5.42 5.25 5.41 5.00
不显著下降 37.21 34.51 39.64 30.92 27.70 35.62

3.3　影响因素分析

引起植被覆盖度变化的影响因素众多， 可分为自然和人类活动两大因素， 其中自然因素涉及气候因子和地理环境等（赵丹等， 2022）。西南地区地形地貌和气候类型复杂多样， 近年来受人类活动影响较大， 这里本文对引起FVC时空变化紧密相关的气候因子、 地形和人类活动因素进行了分析和讨论。

3.3.1　气候因子

（1） 平均气温。表4为西南地区FVC与不同时间尺度在去除降水和高程影响后， 与平均气温的偏相关分析结果。其中， 重庆和贵州FVC的年际变化与平均气温呈显著正相关（p<0.05）， 表明年平均气温对重庆和贵州的植被生长起促进作用， 其余各时间尺度中， 除了贵州春季的FVC与平均气温通过了0.05的显著性水平T检验外， 其余FVC变化与平均气温的相关性都不显著； 四川省不同时间尺度FVC与平均气温均呈正相关， 但只有年际和春季分别通过了0.01和0.05的显著性水平T检验， 表明在这两个时间尺度的平均气温对四川省的植被生长有显著的促进作用； 云南省在春季和冬季时， FVC与气温呈明显负相关， 但未通过显著性水平T检验， 在夏季和秋季时， FVC与气温呈正相关， 虽然夏秋两季与气温的相关系数接近， 但只有秋季通过了0.05的显著性水平T检验， 夏季和秋季平均气温相差较小， 植被能得到较好的恢复； 西藏地区由于海拔高、 降水少， 土壤难以保住水分， 而气温过高会导致水分蒸发， 影响植被生长（刘坤等， 2022）， 除了冬季呈微弱的正相关外， 西藏其他各时间尺度的FVC与平均气温均呈负相关， 其中春秋两季分别通过了0.01和0.05的显著性水平T检验， 说明西藏地区气温升高并不能使植被得到恢复。
表4 西南地区不同时间尺度FVC与平均气温的偏相关系数

Table 4 Partial correlation coefficient between FVC and average temperature at different time scales in Southwestern China

季节 重庆 四川 贵州 云南 西藏
年 0.49* 0.65** 0.60** 0.32 -0.30
春季 0.30 0.45* 0.46* -0.40 -0.67**
夏季 -0.06 0.30 0.05 0.44 -0.13
秋季 -0.09 0.30 -0.14 0.46* -0.55*
冬季 0.18 0.43 0.24 -0.45 0.18
生长季 -0.02 0.36 0.17 0.16 -0.23

*和**分别表示通过了0.05和0.01的显著性水平T检验

（2） 降水。从西南地区FVC与不同时间尺度在去除平均气温和高程影响后， 与降水量的偏相关分析结果（表5）。可以看出， 降水对植被生长起着至关重要的作用。重庆和四川所有时间尺度的FVC变化与降水量均呈正相关， 其中重庆市的年际和四川省的秋季FVC与降水量的相关性分别通过了0.05和0.01的显著性水平T检验； 贵州省只有春季和冬季未通过显著性水平T检验（p>0.05）， 年际、 夏季、 秋季和生长季的FVC与降水量均呈显著相关， 表明降水对贵州省植被生长起重要的促进作用； 云南省不同时间尺度FVC与降水量的相关性不显著， 其中， 春季、 夏季和生长季的降水量与FVC呈负相关的原因可能是这段时期的降水量过于充沛， 显著高于其他省市区， 过高的降水反而会抑制植被生长； 西藏地区所有时间尺度的FVC变化与降水量均呈正相关， 其中春季的偏相关系数达到0.56（p<0.01）， 表明降水对西藏植被的恢复起了正反馈作用。
表5 西南地区不同时间尺度FVC与降水的偏相关系数

Table 5 Partial correlation coefficient between FVC and precipitation at different time scales in Southwestern China

季节 重庆 四川 贵州 云南 西藏
年 0.54* 0.42 0.51* 0.28 0.29
春季 0.38 0.30 -0.12 -0.17 0.56**
夏季 0.40 0.20 0.62** -0.21 0.30
秋季 0.27 0.62** 0.48* 0.32 0.42
冬季 0.20 0.30 0.19 0.42 0.20
生长季 0.44 0.23 0.51* -0.07 0.39

*和**分别表示通过了0.05和0.01的显著性水平T检验

综上所述， 降水是影响FVC的重要因素之一， 总体上， 降水对FVC起促进作用。平均气温对青藏高原FVC变化的影响更显著， 且影响范围更为广阔（缪利等， 2023）。四川和云南， FVC受温度的影响大于降水， 而重庆和贵州FVC受降水的影响大于温度。

3.3.2　 FVC年际变化与气候因子的多元线性回归分析

影响植被变化的气候因子众多， 其中气温和降水是对植被生长最重要的因素（Fang et al， 2004）。为了了解气温和降水对西南地区FVC的影响程度有多大， 本文对FVC和气候因子（平均气温和降水）的年际变化进行多元线性回归分析（表6）。可知， 重庆、 四川、 贵州、 云南、 西藏FVC年际变化的38.6%、 52.9%、 52.6%、 13.9%、 18.3%可受平均气温和降水量的变化所影响。其中， 云南平均气温、 降水量与FVC的相关系数为0.23、 017， 西藏分别为0.21和0.20， 回归方程拟合程度较差， 西藏平均气温与FVC呈负相关， 表明云南和西藏平均气温与降水的共同作用对FVC的年际变化影响较小。
表6 2000 -2020年西南地区年FVC与气候因子的多元线性回归

Table 6 Multivariate linear regression between annual FVC and climate factors from 2000 to 2020 in Southwestern China

区域 回归方程 R 2
重庆 FVC=0.05P+0.043T-0.095 0.386
四川 FVC=0.017P+0.02T+0.472 0.529
贵州 FVC=0.027P+0.053T-0.12 0.526
云南 FVC=0.012P+0.011T+0.584 0.139
西藏 FVC=0.013P-0.003T+0.191 0.183

P、 T分别为日平均降水量和年平均气温， R 2为测定系数

已有研究表明， 青藏高原植被生长受热力作用（太阳辐射、 温度变化）的限制较多， 由于全球变暖的影响， 青藏高原未来植被会呈增长趋势， 水分条件可能超过温度等热力因素成为影响植被生长最重要的气候因子（鲍艳等， 2023a）。同时， 植被状况的改善有利于水土保持， 对土壤增湿能起到促进作用（张一然等， 2022）， 土壤表层储水量、 不同层级的储水量、 辐射、 积温等在未来也可能是影响青藏高原植被生长的重要因素（鲍艳等， 2023b）， 有待后续进一步的深入分析。

3.3.3　 FVC年际变化与人类活动的多元线性回归残差分析

当前， 人类活动对植被的影响不容忽视， 表7为利用公式（8）~（9）通过构建多元线性回归模型计算的人类活动对植被覆盖度的影响结果， 主要根据残差变化趋势将影响划分为轻微促进、 中度促进、 明显促进、 基本无影响和明显抑制、 中度抑制、 轻微抑制7个等级。其中趋势率为正表示人类活动可促进植被增加， 反之则有抑制作用（金凯等， 2020）。
表7 人类活动对FVC的影响划分

Table 7 Classification of the impact of human activities on FVC

FVC变化趋势率/（×10-3·a-1） 影响程度
［-0.2， 0.2］ 基本无影响
≥2 明显促进
［1， 2］ 中度促进
［0.2， 1］ 轻微促进
［-0.2， -1］ 轻微抑制
［1， -2］ 轻度抑制
≤ -2 明显抑制
图4为对应的2000 -2020年残差空间分布图。从图4可以看出， 人类活动对FVC的影响很大， 对植被的促进、 抑制和无影响区域分别占栅格百分比的40.4%、 47.6%和12.0%。西南地区东部以及西藏东南部的植被由于退耕还林等政策的落实而明显恢复， 整体植被得到较大改善。但是， 城市化进程导致城市地区的植被出现下降， 显著抑制了植被覆盖度。例如， 四川的成都市、 理县、 汶川县、 茂县， 贵州的贵阳市和黔东南苗族侗族自治州， 重庆市主城区以及昆明市、 丽江等地的植被均出现了不同程度的减少。人类活动对植被覆盖有抑制的区域主要分布在西藏西南部和东部地区。
图4 2000 -2020年西南地区残差空间分布

Fig.4 Residual spatial distribution map of Southwest China from 2000 to 2020

可见， 虽然温度和降水量对西藏和云南地区的植被覆盖度总体影响较小， 但人类活动在很大程度上影响了该地区植被覆盖度的变化。在西藏和云南地区， 人类活动对植被覆盖的影响主要体现在退耕还林政策的实施、 城市化进程的速率、 土地利用变化、 生态环境保护措施等方面。

3.3.4　地形因子对植被覆盖度的影响

（1） 高程。根据西南地区的地貌特征， 将高程值按<500 m、 500~1000 m、 1000~2000 m、 2000~3000 m、 3000~4000 m、 4000~5000 m、 >5000 m分为7个等级， 并作FVC随高程的变化图［图5（a）］。从［图5（a）］可以看出， 高程低于500 m地区的FVC均值比500~1000 m地区的FVC均值要小； 高程高于5000 m的地区， 全年FVC均值不超过0.16， 且变化趋势小， 夏季（0.15）和生长季（0.14）略高于其他季节。从时间尺度上看， 春季、 夏季和生长季FVC的最高值出现在高程为500~1000 m的范围内。在秋季， FVC的最高值出现在高程为1000~3000 m的范围内。在冬季， FVC的最高值出现在高程为2000~3000 m的范围内。而从全年来看， FVC的最高值出现在高程为500~3000 m的范围内。所有时间尺度的FVC最低值均出现在高程大于5000 m的区域。表8中高程和不同时间尺度的FVC都显著相关， 反映出高程对植被生长起着至关重要的作用， 但所有时间尺度的FVC随高程的增加都呈现出极显著的下降趋势。究其原因认为， 由于西南地区地形复杂， 随着高程的升高， 山区和丘陵地带的地形变得更加崎岖不平， 这使得土壤水土保持变得更加困难， 同时气温也会逐渐降低， 从而导致这些地区的植被覆盖度会随着高程的升高而逐渐降低（熊巧利等， 2019）。
图5 FVC随高程（a）和坡度（b）的变化

Fig.5 FVC variation with DEM（a） and slope（b）

表8 不同时间尺度FVC分别与高程和坡度的相关系数

Table 8 Correlation coefficient of FVC with elevation and slope at different time scales

时间尺度 年 春季 夏季 秋季 冬季 生长季
高程 **-0.89 **-0.92 **-0.89 **-0.85 **-0.84 **-0.89
坡度 **0.78 **0.77 **0.75 **0.82 **0.80 **0.78

*和**分别表示通过了0.05和0.01的显著性水平T检验

（2） 坡度。根据西南地区地形特点和中国坡度的划分标准， 将西南地区地表坡度分为<2°、 2°~6°、 6°~15°、 15°~25°、 >25°共5个等级（代仁丽， 2022）。利用ArcGIS软件进行属性提取， 可以获得各个坡度范围的植被覆盖度， 从而通过计算均值可得到［图5（b）］。结合表8可以看出， 所有时间尺度的FVC随坡度增加都显著增加（p<0.01）， 在坡度为0°~2°的地区各时间尺度的平均FVC都最小， 最大值都出现在15°~25°， FVC会先随着坡度的增加而增加， 但当坡度大于25°后FVC会逐渐减小， 此结果与熊巧利等（2019）的研究相一致， 认为当坡度增大时， 水在垂直坡面方向的压力会显著减小， 这意味着水分更难进入土壤， 因此， 增加坡度会阻碍水分的渗入（汤巧英等， 2017）。
（3） 坡向。坡向为栅格高程值改变量所变化的具体方向， 不同坡向所受到的太阳辐射量与土壤水分等存在着差异（李晶等， 2021）。根据不同方向， 本文将坡向划分为平坦地面、 北坡（0°~22.5°和337.5°~360°）、 东北坡（22.5°~67.5°）、 东坡（67.5°~112.5°）、 东南坡（112.5°~157.5°）、 南坡（157.5°~202.5°）、 西南坡（202.5°~247.5°）、 西坡（247.5°~292.5°）、 西北坡（292.5°~337.5°）9个等级。从不同时间尺度FVC随坡向的变化（图6）可以看出， 平坦表面的FVC接近于0， 覆盖率最低。通过对西南地区不同坡向的平均FVC进行方差分析发现， 在同一时间尺度下， FVC与坡向之间不存在显著相关关系（p>0.1）， 表明坡向对西南地区FVC的影响比起坡度、 高程和气候因子的影响并不显著。
图6 不同时间尺度FVC随坡向的变化

Fig.6 FVC change with aspect at different time scales

3.4　未来发展趋势

图7是通过计算Hurst指数对西南地区FVC进行的未来变化趋势预测。由于MODIS数据中部分区域无NDVI值， 所以反演出的FVC会出现缺失值， 从而导致Hurst指数出现图7中一些无值的白色区域， 但对总体未来发展趋势的影响不大。可以看出， 西南地区FVC的Hurst指数平均值为0.45， 主要呈东高西低的分布特征， H>0.5的区域占比27.9%， H<0.5的区域占比72.1%， 表明未来西南地区FVC年际变化与2000 -2020年的FVC年际变化整体不一致。H>0.5的区域主要集中在西南地区东部和西藏的西南部分地区； H<0.5的区域主要分布在西藏大部分地区、 四川西部和横断山脉地区。即， 未来西藏地区、 西南地区东部的四川、 云南和贵州的交界处的FVC整体将呈增加趋势， 而四川西部、 横断山脉和重庆的大部分地区将呈减少趋势。
图7 西南地区FVC的Hurst指数空间分布

Fig.7 Spatial distribution of Hurst index on FVC in Southwestern China

4 结论

基于2000 -2020年MOD13A3的NDVI数据集， 利用像元二分模型法通过计算2000 -2020年西南地区不同时间尺度的平均FVC值， 首先对FVC的时空变化趋势进行了分析， 然后利用ERA5气温、 GPCP降水、 DEM等数据， 对影响FVC的主要影响因素进行了讨论， 最后利用Hurst指数预测了西南地区未来FVC的变化趋势， 得到以下主要结论：
（1） 2000 -2020年， 西南地区东部的FVC（分数植被覆盖）整体呈上升趋势， 特别是重庆和贵州增长最快， 而西藏地区则呈现下降趋势。
（2） 降水和气温是影响植被生长的关键因素。总的来说， 降水对FVC产生了积极影响， 而气温的影响则在不同地区有所不同。青藏高原的FVC变化受到平均气温的影响较大。
（3） 人类活动对FVC产生了重大影响。退耕还林等政策导致了西南地区东部和西藏东南部植被的显著恢复， 但城市化进程也导致了城市地区植被的减少。
（4） 地形因素， 如高程和坡度， 对植被生长起到了关键的作用。FVC随高程的增加呈显著下降趋势， 而随坡度的增加则呈显著增加趋势， 当坡度超过25°时， FVC将开始减少。
（5） 未来， 西南地区FVC的变化趋势将呈现东部增加、 部分西部地区减少的趋势。

参考文献

null
Anees S A， Zhang X L， Shakeel M， 2022.Estimation of fractional vegetation cover dynamics based on satellite remote sensing in Pakistan： a comprehensive study on the FVC and its drivers［J］.Journal of King Saud University-Science， 34（3）： 101848.DOI： 101848.10.1016/j.jksus.2022.101848 .
null
Fang J Y， Piao S L， He J S， 2004.Increasing terrestrial vegetation activity in China， 1982-1999［J］.Science in China（Life Sciences）， 47（3）： 229-240.DOI： 10.1360/03yc0068 .
null
IPCC， 2021.Climate change 2021 the physical science basis［M/OL］.［2021-08-01］.
null
Lin G A， X W B， Ba J C， et al， 2020.Remote sensing algorithms for estimation of fractional vegetation cover using pure vegetation index values： A review［J］.ISPRS Journal of Photogrammetry and Remote Sensing， 159： 364-377.DOI： 10.1016/j.isprsjprs. 2019.11.018 .
null
Li J， Wang J L， Zhang J， 2022.Growing--season vegetation coverage patterns and driving factors in the China-Myanmar Economic Corridor based on Google Earth Engine and geographic detector［J］.Ecological Indicators， 136： 108620.DOI： 10.1016/J.ECOLIND.2022.108620 .
null
Nogueira M， 2020.Inter-comparison of ERA-5， ERA-interim and GPCP rainfall over the last 40 years： process-based analysis of systematic and random differences［J］.Journal of Hydrology， 583： 124632.DOI： 10.1016/j.jhydrol.2020.124632 .
null
Wu D H， Wu H， Zhao X， et al， 2014.Evaluation of spatiotemporal variations of global fractional vegetation cover based on GIMMS NDVI data from 1982 to 2011［J］.Remote Sensing， 6（5）： 4217-4239.DOI： 10.3390/rs6054217 .
null
鲍艳， 魏宇晨， 南素兰， 等 ， 2023a.全球2 ℃温升背景下青藏高原植被对气候变化的响应［J］.高原气象， 42（1）： 49-59.DOI： 10.7522/j.issn.1000-0534.2022.00074.Bao Y ， WeiY C， NanS L， et al， 2023a.Vegetation over the Qinghai-Xizang Plateau in response to climate change with a 2 ℃ global warming［J］.Plateau Meteorology， 42（1）： 49-59.DOI： 10.7522/j.issn.1000-0534.2022.00074 .
null
鲍艳， 王玉琦， 南素兰， 等 ， 2023b.青藏高原植被对未来气候变暖的反馈［J］.高原气象， 42（3）： 553-563.DOI： 10.7522/j.issn.1000-0534.2021.00109.Bao Y ， WangY Q， NanS L， et al， 2023b.Response of vegetation over the Qinghai-Xizang Plateau to projected warming climate［J］.Plateau Meteorology， 42（3）： 553-563.DOI： 10.7522/j.issn.1000-0534.2021.00109 .
null
代仁丽， 2022.气候因子与不同下垫面对西南地区植被NDVI变化的影响研究［D］.贵阳： 贵州师范大学.Dai R L， 2022.Study on the influence of climate factors and different substrates on the change of NDVI of vegetation in southwest China［D］.Guiyang： Guizhou Normal University.
null
丰博， 董燕， 2022.2010-2020年云南省植被覆盖度时空变化及其地形效应［J］.浙江林业科技， 42（3）： 23-32.DOI： 10.3969/j.issn.1001-3776.2022.03.004.Feng B ，
null
Dong Y， 2022.Spatial-temporal changes of vegetation coverage and topographic effect in Yunnan Province from 2010 to 2020［J］.Journal of Zhejiang Forestry Science and Technology， 42（3）： 23-32.DOI： 10.3969/j.issn.1001-3776.2022.03.004 .
null
何清芸， 牟凤云， 李秋彦， 等， 2021.重庆植被覆盖度时空演变及驱动力地理学探究［J］.科学技术与工程， 21（28）： 11955-11962.DOI： 10.3969/j.issn.1671-1815.2021.28.008.He Q Y ，
null
Mu F Y， Li Q Y， et al， 2021.Geography study on spatiotemporal evolution of fractional vegetation coverage and the driving forces in Chongqing［J］.Science Technology and Engineering， 21（28）： 11955-11962.
null
金凯， 王飞， 韩剑桥， 等， 2020.1982-2015年中国气候变化和人类活动对植被NDVI变化的影响［J］.地理学报， 75（5）： 961-974.
null
Jin K， Wang F， Han J Q， et al， 2020.Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015［J］.Acta Geographica Sinica， 75（5）： 961-974.
null
李晶， 闫星光， 闫萧萧， 等， 2021.基于GEE云平台的黄河流域植被覆盖度时空变化特征［J］.煤炭学报， 46（5）： 1439-1450.DOI： 10.13225/j.cnki.jccs.ST21.0331.Li J ，
null
Yan X G， Yan X X， et al， 2021.Temporal and spatial variation characteristic of vegetation coverage in the Yellow River Basin based on GEE cloud platform［J］.Journal of China Coal Society， 46（5）： 1439-1450.DOI： 10.13225/j.cnki.jccs.ST21.0331 .
null
李苗苗， 2003.植被覆盖度的遥感估算方法研究［D］.北京： 中国科学院研究生院（遥感应用研究所）.Li M M， 2003.The method of vegetation fraction estimation by remote sensing［D］.Beijing： Graduate School of Chinese Academy of Sciences
null
Institute of Remote Sensing Applications， Chinese Academy of Sciences.
null
刘坤， 袁新， 肖寒予， 等， 2022.2000-2019年西藏草地植被覆盖度对气温和降水变化的响应［J］.中国资源综合利用， 40（5）： 95-99+103.DOI： 10.3969/j.issn.1008-9500.2022.05.028.Liu K ，
null
Yuan X， Xiao H Y， et al， 2022.Responses of grassland fractional vegetation coverage to temperature and precipitation changes in Tibet from 2000 to 2019［J］.China Resources Comprehensive Utilization， 40（5）： 95-99+103.DOI： 10.3969/j.issn. 1008-9500.2022.05.028 .
null
缪利， 陆晴， 刘根林， 等， 2023.1999-2019年青藏高原不同植被类型NDVI时空演变特征及其对气候因子的响应［J］.水土保持研究， 30（1）： 97-105.DOI： 10.13869/j.cnki.rswc.2023.01.027.Miao L ，
null
Lu Q， Liu G L， et al， 2023.Spatiotemporal evolution characteristics of NDVI of different vegetation types and its response to climate factors on the Qinghai-Tibet Plateau from 1999 to 2019［J］.Research of Soil and Water Conservation， 30（1）： 97-105.DOI： 10.13869/j.cnki.rswc.2023.01.027 .
null
彭睿文， 罗娅， 余军林， 等， 2017.中国西南地区2009-2015年植被覆盖度变化及其与降雨的关系［J］.贵州师范大学学报（自然科学版）， 35（5）： 15-23.DOI： 10.16614/j.cnki.issn1004-5570.2017.05.003.Peng R W ，
null
Luo Y， Yu J L， et al， 2017.Vegetation cover change and its relationship with Rainfall in Southwest of China during 2009-2015［J］.Journal of Guizhou Normal University （Natural Sciences）， 35（5）： 15-23.DOI： 10.16614/j.cnki.issn1004-5570.2017.05.003 .
null
孙红雨， 王长耀， 牛铮， 等， 1998.中国地表植被覆盖变化及其与气候因子关系-基于NOAA时间序列数据分析［J］.遥感学报， 2（3）： 204-210.
null
Sun H Y， Wang C Y， Niu Z， et al， 1998.Analysis of the vegetation cover change and the relationship between NDVI and environmental factors by using NOAA time series data［J］.National Remote Sensing Bulletin， 2（3）： 204-210.
null
汤国安， 2019.中国数字高程图（1 km）［DS］.北京： 国家青藏高原科学数据中心.［2022.06-12.］.https： //www.tpdc.ac.cn/zh-hans/data/12e91073-0181-44bf-8308-c50e5bd9a734/.Tang G A， 2019.Digital elevation map of China （1 km） ［DS］.Beijing： National Tibetan Plateau Scientific Data Center.［2022.06-12.］.
null
汤巧英， 戚德辉， 宋立旺， 等， 2017.基于GIS和RS的延河流域植被覆盖度与地形因子的相关性研究［J］.水土保持研究， 24（4）： 198-203.DOI： 10.13869/j.cnki.rswc.2017.04.033.Tang Q Y ，
null
Qi D H， Song L W， et al， 2017.Correlation of vegetation coverage and topographic factors in Yanhe River Basin based on GIS and RS［J］.Research of Soil and Water Conservation， 24（4）： 198-203.DOI： 10.13869/j.cnki.rswc.2017.04.033 .
null
王晓蕾， 石守海， 陈江朝霞， 2022.黄河流域植被覆盖度变化及驱动因素研究［J］.中国环境科学， 2022， 42（11）： 5358-5368.DOI： 10.19674/j.cnki.issn1000-6923.20220712.002.Wang X L ，
null
Shi S H， Chen J Z X， 2022.Change and driving factors of vegetation coverage in the Yellow River Basin［J］.China Environmental Science， 2022， 42（11）： 5358-5368.DOI： 10.19674/j.cnki.issn1000-6923.20220712.002 .
null
王洁， 2019.面向作物长势监测的Hurst指数算法改进及其应用［D］.南京： 南京信息工程大学.Wang J， 2019.Improvement and application of Hurst Index Algorithms for crop growth monitoring［D］.Nanjing： Nanjing University of Information Science & Technology.
null
熊巧利， 何云玲， 李同艳， 等， 2019.西南地区生长季植被覆盖时空变化特征及其对气候与地形因子的响应［J］.水土保持研究， 26（6）： 259-266.DOI： 10.13869/j.cnki.rswc.2019.06.034.Xiong Q L ，
null
He Y L， Li T Y， et al， 2019.Spatiotemporal patterns of vegetation coverage and response to climatic and topographic factors in growth season in southwest China［J］.Research of Soil and Water Conservation， 26（6）： 259-266.DOI： 10. 13869/j.cnki.rswc.2019.06.034 .
null
张一然， 文小航， 罗斯琼， 等， 2022.近20 年若尔盖湿地植被覆盖变化与气候因子关系研究［J］.高原气象， 41（2）： 317-327.DOI： 10.7522/j.issn.1000-0534.2021.00076.Zhang Y R ，
null
Wen X H， Luo S Q， et al， 2022.Study on the relationship between vegetation cover change and climate factors in Zoige Wetland in recent 20 years［J］.Plateau Meteorology， 41（2）： 317-327.DOI： 10.7522/ j.issn.1000- 0534.2021.00076 .
null
张志强， 刘欢， 左其亭， 等， 2021.2000-2019年黄河流域植被覆盖度时空变化［J］.资源科学， 43（4）： 849-858.DOI： 10.18402/resci.2021.04.18.Zhang Z Q ，
null
Liu H， Zuo Q T， et al， 2021.Spatiotemporal change of fractional vegetation cover in the Yellow River Basin during 2000-2019［J］.Resources Science， 43（4）： 849-858.DOI： 10.18402/resci.2021.04.18 .
null
郑朝菊， 曾源， 赵玉金， 等， 2016.20世纪90年代以来中国西南地区土地覆被变化［J］.生态学报， 36（23）： 7858-7869.DOI： 10.5846/stxb201511102277.Zheng Z J ，
null
Zeng Y， Zhao Y J， et al， 2016.Analysis of land cover changes in southwestern China since the 1990s［J］.Acta Ecologica Sinica， 36（23）： 7858-7869.DOI： 10.5846/stxb201511102277 .
null
赵慧芳， 曹晓云， 2022.三江源国家公园植被覆盖度时空变化及其气候驱动因素［J］.高原气象， 41（2）： 328-337.DOI： 10.7522/j.issn.1000-0534.2021.00091.Zhao H F ，
null
Cao X Y， 2022.Vegetation cover changes and its climate driving in Three-River-Source National Park［J］.Plateau Meteorology， 41（2）： 328-337.DOI： 10.7522/j.issn.1000-0534.2021.00091 .
null
赵丹， 王祖伟， 张国壮， 等， 2022.因子回归和交互联合探索区域植被覆盖度的影响因素—以三江源地区为例［J］.中国环境科学， 42（8）： 3903-3912.DOI： 10.19674/j.cnki.issn1000-6923.20220329.011.Zhao D ，
null
Wang Z W， Zhang G Z， et al， 2022.Identifying factors affecting regional fractional vegetation cover based on a combination of factor regression and interaction—A case study on the Three-River Headwaters Region［J］.China Environmental Science， 42（8）： 3903-3912.DOI： 10.19674/j.cnki.issn1000-6923.20220329.011 .
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn