大湄公河次区域植被覆盖时空变化特征及其与气象因子的关系

doi:10.12302/j.issn.1000-2006.202010020

大湄公河次区域植被覆盖时空变化特征及其与气象因子的关系

邱凤婷^,¹^,²^,³, 过志峰¹, 张宗科^,¹^,^*, 魏显虎¹, 李俊杰³, 吕争³

1.中国科学院空天信息创新研究院,中国科学院中国-斯里兰卡水技术研究与示范联合中心,北京100094

2.中国科学院大学电子电气与通信工程学院,北京 100049

3.中国四维测绘技术有限公司,北京 100094

Spatio-temporal change characteristics of vegetation coverage and its relationship with meteorological factors in the Greater Mekong Subregion

QIU Fengting^,¹^,²^,³, GUO Zhifeng¹, ZHANG Zongke^,¹^,^*, WEI Xianhu¹, LI Junjie³, LYU Zheng³

1. Aerospace Information Research Institute, Chinese Academy of Sciences, China-Sri Lanka Joint Center for Water Technology Research and Demonstration by the Chinese Academy of Sciences (CAS), Beijing 100094, China

2. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

3. China Siwei Surveying and Mapping Technology Co. Ltd., Beijing 100094,China

通讯作者: *张宗科(zhangzk@aircas.ac.cn),研究员。

第一作者: 邱凤婷(qiuft@aircas.ac.cn),助理工程师。

责任编辑: 李燕文

收稿日期: 2020-10-14 接受日期: 2021-01-24

Received: 2020-10-14 Accepted: 2021-01-24

摘要

【目的】分析大湄公河次区域植被覆盖的时空分布变化规律及其与气象因子之间的关系,为全球变暖环境下大湄公河次区域植被保护及生态环境修复提供理论依据。【方法】以大湄公河次区域为研究区,使用MOD13Q1-NDVI数据,借助Google Earth Engine(GEE)平台反演区域2005—2019年植被覆盖,采用线性回归分析、马尔科夫模型等分析区域植被覆盖的时空分布规律,并利用偏相关分析法探究植被覆盖与气象因子之间的关系。【结果】大湄公河次区域高植被覆盖的面积占总面积的61.9%,空间上呈现北低南高、东高西低的特点;2005—2016年,区域植被以改善为主,主要是中高植被向高植被类型转化;2016—2019年,区域植被发生明显退化,以高覆盖植被类型退化为主;15年来,呈改善趋势的面积占总面积12.7%,呈退化趋势的面积占总面积3.0%,基于Hurst指数分析发现,区域植被未来显著改善面积大于显著退化,南部地区未来会发生退化;年际变化趋势上,归一化植被指数(NDVI)与气温呈显著正相关,相关系数为0.61,与降水相关性较弱;空间上,区域植被NDVI变化受到气温和降水影响,北部与降水显著负相关,南部与气温显著负相关。【结论】大湄公河次区域植被覆盖整体较好,改善趋势大于退化趋势。综合来看,大湄公河次区域植被变化与气温和降水有一定关系,尤其是北部和南部。

关键词： 大湄公河次区域(GMS); 植被覆盖; 时空变化; 气温; 降水

Abstract

【Objective】The aim of this reseach is to analyze the temporal and spatial distribution of vegetation coverage in the Greater Mekong Subregion (GMS), and the relationship between vegetation coverage and meteorological factors, so as to provide a theoretical basis for vegetation protection and ecological environment restoration in GMS under the background of global warming environment.【Method】Taking the GMS as the study area, based on MOD13Q1-NDVI data and Google Earth Engine (GEE) platform, the linear regression analysis and Markov model were employed to analyze the spatio-temporal change of its vegetation coverage from 2005 to 2019, and the partial correlation analysis was used to analyze the relationship between vegetation coverage and meteorological factors. 【Result】The 61.9% of the GMS was a high vegetation type, showing the characteristics of low in the north and high in the south, high in the east and low in the west. From 2005 to 2016, the vegetation was improved and mainly the medium-high vegetation transformed to the high vegetation. From 2016 to 2019, the vegetation degraded significantly, and mainly the high vegetation transformed to the low vegetation. In the past 15 years, 12.7% of the area in GMS showed an improvement trend, and 3.0% showed a degradation trend. Based on the overlay analysis of the trend change and Hurst index, the area of significant improvement on vegetation will be greater than a significant degradation in the future, and the vegetation coverage in the south of GMS will be degraded in the future. In terms of an interannual variation trend, normalized vegetation index (NDVI) was significantly positively correlated with temperature, with a correlation coefficient of 0.61, and weakly correlated with precipitation. Spatially, the change of NDVI was affected obviously by temperature and precipitation, and the north was significantly negatively correlated with precipitation, and the south was significantly negatively correlated with temperature.【Conclusion】The vegetation coverage in GMS is good in the whole, and the improvement trend is greater than the degradation. Generally speaking, the vegetation change in GMS is related to temperature and precipitation, especially in the north and south.

Keywords： Greater Mekong Subregion(GMS); vegetation coverage; spatial and temporal change; temperature; precipitation

PDF (7853KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

邱凤婷, 过志峰, 张宗科, 等. 大湄公河次区域植被覆盖时空变化特征及其与气象因子的关系[J]. 南京林业大学学报(自然科学版), 2022, 46(2): 187-195 DOI:10.12302/j.issn.1000-2006.202010020

QIU Fengting, GUO Zhifeng, ZHANG Zongke, et al. Spatio-temporal change characteristics of vegetation coverage and its relationship with meteorological factors in the Greater Mekong Subregion[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2022, 46(2): 187-195 DOI:10.12302/j.issn.1000-2006.202010020

开放科学(资源服务)标识码(OSID):

植被在土壤保持、气候调节以及维持生态平衡等方面起着非常重要的作用^[1],是生态环境质量评价的重要指标^[2⇓-4]。大湄公河次区域(Greater Mekong Subregion,简称GMS)是我国周边外交的战略支点,同时也是“一带一路”的重要基础和建设方向。大湄公河次区域处于东南亚、南亚和中国大西南的结合部,蕴藏着丰富的水资源、生物资源和矿产资源,但随着全球气候变暖、水资源项目开发和人口增长,该区域生态环境遭受严重破坏,进而引发社会和经济问题。2020年6月,湄公河委员会(MRC)批准了《十年流域发展战略》,强调改善流域植被生态问题以促进流域生态、社会和经济的可持续发展。

自20世纪七八十年代起,遥感技术被应用于地表植被覆盖变化的监测^[5⇓⇓-8]。近年来,基于不同的遥感数据,国内外学者对全球各个地区的地表植被覆盖时空变化监测进行了大量研究。Weiss等^[9]基于AVHRR-NDVI时序数据分析了沙特阿拉伯牧场归一化植被指数(NDVI)的变化情况;Wang等^[10]基于1982—2006年AVHRR-NDVI数据,分析北美洲植被覆盖年际变化趋势;武正丽等^[11]利用MODIS NDVI数据研究了祁连山13 a植被覆盖的变化。AVHRR和MODIS由于较高的时间分辨率,在研究年尺度植被时空变化上具有较大的优势。在研究植被覆盖变化原因方面,孙睿等^[12]利用AVHRR数据分析了植被空间分布,并研究了地表植被覆盖与降水和温度的关系;郭永强等^[13]基于Google Earth Engine(GEE)平台分析我国黄土高原地区植被覆盖变化规律,并从气候因子、人类活动等方面探讨了植被覆盖变化的原因。但相关研究中很少涉及大湄公河次区域,且在利用长时序数据对该区域进行植被覆盖变化监测方面鲜有报道。

GEE是由谷歌推出的地理信息数据处理以及可视化的综合平台,该平台不仅免费向用户提供海量的遥感影像等地理数据,还提供强大的运算能力对数据进行处理^[14]。用户可通过在线编程的方式获取和处理共享数据,避免了传统方式的影像下载、预处理等繁杂的过程,这在大尺度、长时序的植被覆盖变化分析研究中具有重要应用^[15]。

本研究以大湄公河次区域为研究区,借助GEE平台,采用MOD13Q1数据的植被覆盖产品,利用线性回归分析、马尔科夫矩阵和Hurst指数法等方法分析该区域2005—2019年植被覆盖时空变化特征及未来变化趋势,并基于TRMM(tropical rainfall measuring mission)降水数据和GLDAS(global land data assimilation aystem)气温数据,使用偏相关分析法分析其植被覆盖与气象因子的关系。

1 材料与方法

1.1 研究区概况

大湄公河次区域是指湄公河流域的6个国家和地区,包括我国云南省和广西壮族自治区、缅甸、老挝、泰国、柬埔寨、越南,是连接我国与东南亚、南亚的陆路桥梁。区域面积约257万㎞²,总人口约3.2亿人。气候类型多样,其中中国云南、广西两省区涵盖北热带、南亚热带、中亚热带、北亚热带、南温带、中温带和高原气候区7个类型;中南部的南亚地区则以亚热带、热带季风气候为主,平均温度较高,在缅甸、柬埔寨等地平均气温20 ℃以上^[16]。降水量空间分布不同,大部分地区在5—10月为雨季,11月至次年4月中旬为旱季。

1.2 数据源及处理

1.2.1 MOD13Q1-NDVI数据

MOD13Q1-NDVI产品经过水、云、重气溶胶等处理,数据质量较高,因而被广泛应用于植被覆盖变化研究^[17]。使用的MOD13Q1-NDVI数据空间分辨率250 m,时间分辨率16 d,时间尺度为2005年1月1日—2019年12月31日。在GEE平台上通过JavaScrip API在线访问全球范围内2005—2019年MOD13Q1影像的NDVI数据;采用最大值合成法^[18]对每年的NDVI数据进行融合,并基于大湄公河次区域矢量边界图裁剪出研究区内每年的NDVI最大值影像,NDVI最大值影像可以反映当年植被长势最好时期的地表植被覆盖状况;最后形成2005—2019年NDVI值数据集。

1.2.2 TRMM降水数据

使用的降水数据为TRMM(tropical rainfall measuring mission)卫星第7版3级产品(3B43 Version 7)的月降水资料,空间分辨率为0.25°× 0.25°,时间尺度上为月合成数据,已有大量研究表明:TRMM数据与地面观测数据具有较高的一致性,精度较高,适用于地区降水测算^[19]。在GEE平台上访问2005—2019年TRMM数据的precipitation波段逐年合成年降水量之和,然后进行研究区裁剪形成大湄公河次区域降水量数据集;在偏相关分析前,分别对区域植被NDVI时序数据集和降水量数据集重采样至1 km×1 km的空间分辨率,使之相匹配。

1.2.3 气温数据

使用的气温数据来自GLDAS(global land data assimilation system)2.1版本气温数据,空间分辨率为0.25°×0.25°,时间尺度为3 h^[20]。在GEE平台上提取2005—2019年GLDAS2.1气温数据,采用平均值合成法将3 h气温数据逐年合成年尺度数据,构建研究区气温时空数据集;对数据进行重采样至1 km×1 km的空间分辨率,与植被NDVI数据集相匹配。

1.3 研究方法

1.3.1 一元线性回归趋势分析

一元线性回归可以消除植被异常值的影响,真实反映该区域的植被变化趋势^[21]。本研究利用一元线性回归方程对大湄公河次区域2005—2019年植被覆盖开展逐像元的趋势分析,计算公式如下:

(1)

S_{(x_{0}, y_{0})}

\frac{n \overset{n}{\sum_{a = 1}} a \cdot N_{a} - (\overset{n}{\sum_{a = 1}} a) (\overset{n}{\sum_{a = 1} N_{a}})}{n \overset{n}{\sum_{a = 1} a^{2}} - {(\overset{n}{\sum_{a = 1} a})}^{2}}

。

式中:(x₀,y₀)为像元坐标, $S_{(x_{0}, y_{0})}$ 为该像元植被NDVI的变化率;N_a为该像元第a年的NDVI值;n为数据观测时段的年数(n=15); $S_{(x_{0}, y_{0})}$ >0时,表明时间序列下,该像元NDVI值呈增加趋势,即植被有改善的趋势,且 $S_{(x_{0}, y_{0})}$ 值越大,改善的趋势越明显;反之,植被呈退化趋势。

采用F检验法对变化趋势进行检验,根据回归分析结果,参考已有研究方法^[13]将植被变化趋势划分为3个等级:显著改善地区( $S_{(x_{0}, y_{0})}$ >0,P<0.05),显著退化地区( $S_{(x_{0}, y_{0})}$ <0,P<0.05),无显著变化地区(P>0.05)。

1.3.2 马尔科夫模型构建

空间转移矩阵是分析同一地区不同时相土地类型之间的转换的重要方法^[22]。本研究采用马尔科夫模型转移矩阵,定量反映研究时间前后大湄公河次区域不同等级的植被覆盖之间的变化情况,计算公式如下:

(2)

V_{i j} = [\begin{array}{l} V_{11} & V_{12} & \dots & V_{1 m} \\ V_{21} & V_{22} & \dots & V_{2 m} \\ ︙ & ︙ & ︙ & ︙ \\ V_{m 1} & V_{m 2} & \dots & V_{m m} \end{array}] 。

式中:V_ij表示研究区内第i等级的植被覆盖度和第j等级的植被覆盖度之间转化的面积(采用面积百分比代替);m为植被覆盖度等级;i和j的取值为1,2……m。

1.3.3 Hurst指数估算

Hurst指数是定量描述序列程度依赖性的方法,可以判断序列未来变化是否具有持续性,在生态、气象和经济等领域应用广泛^[23]。本研究基于重标极差法(R/S)逐像元估算区域NDVI的Hurst指数。将Hurst指数值(H)分为3类:0<H<0.5,表明植被覆盖时间序列的变化趋势为持续反向性,即未来变化趋势与过去相反,H越接近于0,反向性越强;H=0.5,表明植被覆盖在时间序列上随机分布;0.5<H<1,表明植被覆盖时间序列变化为持续正向性,即未来变化趋势与过去相同,且H越接近于1,正向性越强。

1.3.4 偏相关分析

偏相关分析可以反映多个变量间的相关程度^[24]。将大湄公河次区域的植被覆盖NDVI值分别与气温和降水数据进行偏相关分析。计算公式如下:

(3)

r_{x y_{1}, y_{2}} = \frac{r_{x y_{1}} - r_{x y_{2}} r_{y_{1} y_{2}}}{\sqrt{1 - r_{x y_{2}^{2}}} \sqrt{1 - r_{y_{1} y_{2}^{2}}}} 。

式中:变量x表示年NDVI值,y₁表示年均气温值,y₂表示年降水值, $r_{x y_{2}, y_{1}}$ 表示表示年NDVI与降水之间的偏相关系数, $r_{x y_{1}}$ 表示年NDVI值x与年均气温值y₁的相关系数, $r_{x y_{2}}$ 表示年NDVI值x与年降水y₂的相关系数, $r_{y_{1} y_{2}}$ 表示年均气温y₁与年降水量y₂的相关系数。在本研究中假定区域年降水量与气温没有明显的相关性,即 $r_{y_{1} y_{2}}$ 为0。 $r_{x y_{1}, y_{2}}$ 取值范围是[-1,1],当 $r_{x y_{1}, y_{2}}$ >0,则表示呈正相关,反之,则负相关,且 $r_{x y_{1}, y_{2}}$ 越接近于-1或1,偏相关性越高。同理,计算年NDVI与气温之间的偏相关系数 $r_{x y_{2}, y_{1}}$ 。

使用t检验法对 $r_{x y_{1}, y_{2}}$ 值进行统计检验,N为影像波段数,自由度为N-2,在显著水平α下,如果| $r_{x y_{1}, y_{2}}$ |大于临界值r,则认为自变量x与因变量y之间显著相关,反之不显著;临界值r通过计算自由度并查找相关系数显著性检验表得到。本研究中N为15,则自由度为13,在α=0.05显著下,临界值r=0.514,因此若相关系数绝对值大于0.514,则为显著相关,反之,其相关性不明显。

2 结果与分析

2.1 大湄公河次区域植被覆盖时间变化特征

采用一元线性回归法,选取2005—2019年年均NDVI值得出区域植被NDVI值年际变化特征,如图1所示。2005—2019年大湄公河次区域年均NDVI值为0.79~0.82,植被覆盖较好,年均NDVI值最低的是2007年(0.795),最高的是2016年(0.818)。年均NDVI值整体呈缓慢增长趋势(P<0.05),增速为每年增长0.001 3(R²=0.673 2),从2005年的0.799增加到2019年的0.806。但在2009—2010年、2011—2012年和2016之后出现下降趋势,尤其是2016年以后,年均NDVI以每年0.004 4(P<0.05)下降。综上,大湄公河次区域植被覆盖整体呈轻微改善,但在2016—2019年出现下降趋势。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 2005—2019 年大湄公河次区域年均NDVI值的年际变化

Fig.1 Inter-annual variation of annual NDVI change in the GMS from 2005 to 2019

2.2 大湄公河次区域植被覆盖空间变化特征

2.2.1 植被覆盖空间分布特征

利用大湄公河次区域2005—2019年年均NDVI值,计算出区域15年来平均NDVI值空间分布,参考已有研究方法^[15]并结合流域植被覆盖状况,将NDVI等间距划分为5个等级:NDVI值<0.2为裸地,0.2≤NDVI值<0.4为低覆盖,0.4≤NDVI值<0.6为中覆盖,0.6≤NDVI值<0.8为中高覆盖,0.8≤NDVI值<1.0为高覆盖。经统计:高植被覆盖的面积占比最大,达到61.9%,主要分布在中部和东南地区,位于缅甸、老挝、越南和柬埔寨境内,属于印度-马来热带雨林区;其次是中高覆盖区域,占比33.1%,主要分布在中部和西南部,以分布在泰国为主;裸地、低覆盖和中覆盖地区所占比例很少,均低于5%,总和不到10%,主要分布在北部及我国西南地区。总体来看,该大湄公河次区域植被覆盖较好,空间上呈现由北到南、由西到东递减分布。

2.2.2 植被覆盖空间转移方向分析

研究基于马尔科夫模型构建不同时段植被覆盖等级空间转移矩阵,并根据NDVI的年际变化,将时间划分为2005—2016年、2016—2019年2个时段,计算转移矩阵结果如表1。

表1 2005—2019年大湄公河次区域植被覆盖等级转移矩阵

Table 1 The transfer matrix of vegetation coverage in the GMS from 2005 to 2019

年份 years	初始类型 initial type	转换占比/% conversion proportion					合计/% total
年份 years	初始类型 initial type	裸地	低	中	中高	高	合计/% total
2005— 2016	裸地	0.64	0.21	—	—	—	0.85
	低	0.15	0.68	0.31	0.08	—	1.22
	中	—	0.30	1.51	1.76	0.19	3.75
	中高	—	0.05	1.00	19.34	13.34	33.73
	高	—	—	0.09	5.39	54.97	60.45
	合计	0.79	1.24	2.91	26.7	68.50	100.00
2016— 2019	裸地	0.61	0.17	—	—	—	0.79
	低	0.13	0.77	0.31	—	—	1.21
	中	—	0.23	1.85	0.80	0.05	2.93
	中高	—	—	1.30	20.70	4.53	26.54
	高	—	—	0.11	10.84	57.58	68.53
	合计	0.74	1.17	3.57	32.34	62.17	100.00

新窗口打开| 下载CSV

可以发现:在2005—2016年,高植被覆盖占比明显增加,增加至占区域总面积68.50%,其中转入面积占13.53%,主要由中高植被覆类型转入。中高植被覆盖占比明显下降,主要转出到高植被覆盖,可见中高植被覆盖得到了较好改善。中覆盖、低覆盖和裸地发生轻微变化(面积转化<1%)。总体而言,植被覆盖保持不变的区域占77.14%,有所改善区域约占15.89%,退化区域占6.97%。其转化趋势呈明显正向演进,主要发生在“中高植被覆盖—高植被覆盖”这一方向。在2016—2019年,高植被覆盖占比严重下降,下降至区域的62.17%,区域10.84%退化为中高植被覆盖。中高植被覆盖占比明显增加,增加了5.80%,主要由高植被覆盖退化。中植被、低覆盖和裸地依然没有明显变化。总体而言,植被覆盖保持不变的区域约占81.52%,有所改善区域占5.87%,退化区域占12.61%。其转化趋势呈明显退化,趋势为“高植被覆盖—中高植被覆盖”。

综上可知,2005—2016年,中植被覆盖大量转化为高覆盖植被,区域生态环境整体呈改善趋势;2016—2019年,高植被覆盖占比严重下降,转化为低级植被,区域环境恶化。15年来,大湄公河次区域植被覆盖整体趋势为先改善后退化,目前生态环境面临较大挑战。

2.3 大湄公河次区域植被覆盖变化趋势

为进一步从空间上分析2005—2019年大湄公河次区域NDVI变化趋势,运用一元线性回归方程,逐像元计算出NDVI值变化率( $S_{(x_{0}, y_{0})}$ )并进行显著性检验。15年来植被基本不变(无显著变化)面积占84.3%,改善和退化面积分别占12.7%和3.0%,改善面积明显大于退化面积(图2)。在空间上,15年来植被覆盖呈退化趋势主要分布在南部,位于老挝、越南和柬埔寨境内,该地区植被尤其是高植被覆盖不断向下级植被退化(如图3红框所示);植被覆盖发生改善的区域主要分布在中部、西部和南部一些地区,位于泰国和柬埔寨境内。其中,中西部地区植被虽然15年来总体呈显著改善趋势,通过进一步研究发现其植被2005年、2016和2019年表现出先改善后退化变化特征(如图3黑框所示)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2005—2019年大湄公河次区域NDVI变化趋势

底图审图号:GS(2020)4395。下同。

Fig.2 Change trends of NDVI in the GMS from 2005 to 2019

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2005、2016和2019年大湄公河次区域年植被覆盖空间分布

Fig.3 Spatial distributions of average vegetation coverage in the GMS in 2005,2016 and 2019

基于Hurst指数分析发现,大湄公河次区域植被覆盖整体呈正向持续变化(Hurst值>0.5)的区域占总面积的78.9%,反向持续变化(0<Hurst值<0.5)面积占21.0%。将Hurst指数与2005—2019年植被变化趋势结合,对区域植被覆盖未来趋势进行预测,如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 大湄公河次区域植被NDVI未来变化趋势空间分布图

Fig.4 Spatial distributions of future changes trends of vegetation NDVI in GMS

研究区未来植被覆盖以基本稳定(植被无显著性变化且Hurst值趋近0.5)为主,占区域面积的84.3%;未来植被可能改善(植被显著改善且Hurst值>0.5,植被显著退化且Hurst值<0.5),占区域面积11.1%;未来植被可能退化(植被显著改善且Hurst值<0.5,植被显著退化且Hurst值>0.5)占4.5%。由此可见,未来改善区域面积大于退化面积,其中,未来将发生改善的地区主要分布在中西部,未来植被将发生退化的地区分布在区域南部;未来基本稳定状态的区域主要来自中部高植被覆盖区。

2.4 植被覆盖变化与气象因子的相关性

气温影响植被的蒸腾作用,降水是土壤水分的主要来源,两者都会对研究区内的植被覆盖变化产生影响。因此,基于GLDAS气温数据和TRMM 3B43降水数据对大湄公河次区域2005—2019年的气温和降水进行分析,并对包括植被覆盖NDVI数据进行重采样统一至1 km×1 km空间尺度下,再进行偏相关分析。

时间维度上:大湄公河次区域2005—2019年年均气温整体呈波动上升趋势,与植被年均NDVI显著正相关,相关系数为0.61(P<0.05);年降水量呈波动下降趋势,与植被年均NDVI呈负相关,相关系数为-0.075(图5)。由此可知,整体上大湄公河次区域的植被覆盖受到降水和气温的共同影响,气温与植被NDVI关系更显著。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2005—2019年大湄公河次区域年归一化植被指数(NDVI)与年均气温和年降水量变化趋势对比

Fig.5 Comparison of the trend of annual NDVI and annual average temperature and precipitation changes in the GMS from 2005 to 2019

空间上,将气温和降水以一定间距进行划分,发现区域的降水和气温与植被覆盖在空间分布上具有高度一致性,如高植被覆盖区,气温为10~28 ℃,降水在800 mm以上;中高植被覆盖区,气温在28 ℃以上,降水为800~2 000 mm;中低覆盖区,气温在10 ℃以下,降水在800 mm以下(图6)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2005—2019年大湄公河次区域植被、气温、降水空间分布

Fig.6 Spatial distributions of vegetation, temperature and precipitation in GMS from 2005 to 2019

研究进而从像元尺度上,通过计算每个像元的年NDVI与气温和降水的偏相关系数及显著性,分析植被覆盖与气温和降水的相关性(图7)。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2005—2019年大湄公河次区域NDVI和气温、降水的偏相关空间分布

Fig.7 Spatial distribution of partial correlation coefficients between NDVI and temperature and precipitation in GMS from 2005 to 2019

空间上,气温与植被覆盖呈正相关的区域占总面积42.06%,呈负相关的区域占总面积的57.94%。其中,显著正相关的面积占5.4%,主要分布在区域的中部和西部,植被以中高覆盖等级为主,自2005—2016年以来,植被向高植被等级不断改善,可能与气温波动性上升有关;呈显著负相关的面积占13.0%,主要分布在中部零星地区、南部及东南部,2005—2019年,随着气温波动性上升,南部植被持续退化(图7A)。空间上,降水与植被覆盖呈正相关的区域占总面积54.13%,与植被覆盖呈负相关的区域占总面积45.87%。其中,呈显著正相关仅占7.2%,主要分布在区域北部,我国大西南地区,平均降水量低于400 mm/a,植被分级以低覆盖和裸地为主,15年来该地区植被发生轻微退化可能与地区年降水量的波动性下降有关;显著负相关的面积占4.9%,主要分布在中部零星地区(图7B)。此外,虽然大部分区域植被NDVI与气温和降水无显著相关性, 但在变化趋势上三者之间存在一定的相关性。植被生长变化是诸多影响因素的综合结果,这影响了统计分析显著性。

3 结论

1)2005—2019年大湄公河次区域整体植被覆盖较好,高植被覆盖的面积占总面积的61.9%,主要分布在中部、东部和南部;在年际变化上,区域植被覆盖整体呈波动性增加,每年增长0.001 3。通过转移矩阵分析,2005—2016年,区域整体改善,以中高植被类型向高植被类型转化为主;2016—2019年,区域整体退化,其中区域南部和东部2005—2019持续退化。

2)在空间分布上,植被状况显著改善面积大于退化面积;将2005—2019年植被变化趋势与Hurst指数结合,分析可知区域未来显著改善的面积依然大于退化面积;其中,区域南部在15年来处于显著退化趋势,未来仍发生退化,尤其以高植被覆盖向下转化为主,在未来区域发展中需要加以环境保护治理。

3)区域植被覆盖受到气温和降水的影响,在空间分布上具有较高的一致性。北部地区植被与降水呈显著正相关,随着降水量波动性下降而退化;南部地区植被与气温呈显著负相关,随着气温波动性上升而显著退化。此外,结合植被类型^[25],区域北部以裸地和干旱草地为主,其植被生长受降水的影响较大,随其波动性下降而退化;中部植被以乔木和灌木为主,受气温影响较为明显;南部和东部以阔叶落叶为主,在年降水量颇丰情况下,更受气温影响。

4)基于GEE平台,相比传统的绘图软件,GEE平台提供海量的免费遥感数据和强大的数据计算及分析能力,可大幅度地提高研究效率。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

孙红雨, 王长耀, 牛铮, 等.

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, 1998(3):204-210,T001.