EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 6: 973 - 984

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.416

Dynamic Changes of Vegetation

Vegetation dynamics and their responses to climate change in the Yellow River Basin: Based on climatic wet and dry zoning scales

  • Ruifang WANG , 1 ,
  • Baoqi LYU , 2 ,
  • Wenjing ZHANG 1
Expand
  • 1. Henan College of Surveying and Mapping, Zhengzhou 450000, Henan, China
  • 2. Henan Institute of Surveying and Mapping, Zhengzhou 450000, Henan, China

Received date: 2024-07-10

  Revised date: 2024-11-27

  Online published: 2026-03-11

Fold

Abstract

The Yellow River Basin, as a significant ecological protection and economic development area in China, exploring the characteristics of vegetation changes in different dry and wet zones within the basin is crucial for adjusting ecological restoration to address potential threats brought by environmental changes. Based on the kernel normalized difference vegetation index (kNDVI) and key meteorological factors [precipitation (PRE) and temperature (TEM)] from 2000 to 2022, this study utilized multivariate statistical methods to analyze the spatiotemporal patterns of vegetation dynamics in different dry and wet zones within the basin. Additionally, the Geodetector model and constrained effect method were employed to analyze the driving factors of vegetation changes in the Yellow River Basin, and to identify the commonalities and differences in the responses of vegetation changes to meteorological factors in different dry and wet zones. The results show that: (1) The kNDVI values of vegetation in the Yellow River Basin are latitudinally distributed, with the humid zone having the highest average annual kNDVI (0.49). During 2000—2022, 84.58% of the basin showed an upward trend, with the most significant improvements in the arid zone (68.36%) and semi-arid zone (93.08%). (2) Precipitation generally has a stronger influence on vegetation than temperature in the Yellow River Basin, with partial correlation coefficients of 0.36 and 0.19 at the basin scale, respectively. This difference is particularly pronounced in the semi-arid zone, where the partial correlation coefficients of precipitation and temperature reach 0.43 and 0.22, respectively. (3) In terms of spatial heterogeneity, the q value of precipitation (0.5338) is greater than that of temperature (0.2283) at the basin scale. Moreover, the q value of precipitation is highest in the semi-arid zone (0.4519), while the q value of temperature is highest in the semi-humid zone (0.2491). The responses of vegetation dynamics to various meteorological factors in different dry and wet zones exhibit distinct constraint lines. The research findings can provide important references for adjusting and formulating ecological protection strategies in the basin and are of great significance for promoting high-quality development in the Yellow River Basin.

Key words： vegetation change; kernel normalized vegetation index (kNDVI); dry and wet zone; restraint effect; Yellow River Basin

Cite this article

Ruifang WANG , Baoqi LYU , Wenjing ZHANG . Vegetation dynamics and their responses to climate change in the Yellow River Basin: Based on climatic wet and dry zoning scales[J]. Arid Land Geography, 2025 , 48(6) : 973 -984 . DOI: 10.12118/j.issn.1000-6060.2024.416

植被在陆地生态系统中起着至关重要的作用，调节着陆地与大气之间的物质和能量交换，是生态环境变化的重要指标，对气候变化和人类活动的综合影响具有敏感性[1-2]。而黄河流域作为我国重点生态修复区域，其植被变化的检测和归因备受关注。而目前植被变化监测最常见的方法是运用遥感技术手段结合植被指数来表征地面植被动态和生长状况[3-4]。作为最常用的植被指数，归一化植被指数（Normalized difference vegetation index，NDVI）与叶片密度[5]、光合有效辐射[6]、植被生产力和累积生物量呈线性或近线性相关[7]，已被公认为是大尺度上评价植被状况的可靠指标[8-9]。然而其数据的准确性受到厚叶植物丰富度和对冠层背景亮度变化的敏感性的影响[10]。相比之下，Camps-Valls G等[11]提出了一种基于核方法原则的核归一化植被指数（Kernel normalized difference vegetation index，kNDVI），在实验中kNDVI通过引入核函数，可以更好地反映植被的初级生产力，这在于kNDVI能够捕捉到植被生物量积累的更多信息，与传统NDVI相比，与实际植被生产力的相关性更强；在传统NDVI中，当植被密度达到一定阈值时，NDVI值会达到饱和，无法准确反映更高密度植被的实际情况。kNDVI通过核函数的应用，有效地减少了这种饱和效应，使其能够在更高植被密度下仍然保持敏感性和准确性，以及减轻偏差和适应物质性循环，证明了其在评估植被动态方面的有效性。kNDVI在空间和时间尺度上提高了对噪声的鲁棒性和不稳定性，并已被证明是评估植被动态的有效方法[12]。
植被绿化在不同季节、不同区域以及不同土地覆盖类型间的时空异质性已经得到证实[13]。就对植被绿化的影响而言，将不同类型的干湿区与植被变化的关系分开是具有挑战性的。考虑到蒸发需求的增加和土壤水分可用性的减少，在许多地区，特别是热带地区，包括亚马逊地区、温带和北方欧亚地区以及刚果盆地，已经观察到变暖和水分胁迫（如干旱）对植被绿化的负面影响[14]。此外，干旱趋势的幅度随时间尺度的扩大而波动，植被生长对气象干旱的响应在多尺度和植被类别之间存在明显差异[15-16]。越来越多的证据表明，在过去的30~40 a间，北温带生态系统中植被对气温的响应已经减弱[17-18]。综上所述，植被绿化过程是一个复杂的动态过程，它不仅受到气候因素的影响，还受到不同环境条件的作用，为了更好地管理不同气候区的植被资源，探究不同干湿分区类型下气候与植被的关系是至关重要的。
因此，为了解决上述问题，本研究通过谷歌云（Google earth engine，GEE）平台获取了黄河流域2000—2022年23 a逐月的kNDVI数据，通过Zhang等[19]建立的气候区划系统对黄河流域进行了气候干湿区划分，并使用各种统计方法探究了各区域植被动态与气候因子的时空格局。采用地理探测器模型和约束效应方法分析了黄河流域植被变化的驱动因素，并对其时空特征进行了分析，确定了黄河流域植被的动态变化及其驱动因素。本研究旨在探讨这些区域植被动态的时空格局及其驱动因素，找出不同干湿区域内的共性和区域间的差异，并有针对性地分析黄河流域不同干旱区植被动态变化的原因。以期为学者和生态修复工作者研究黄河流域植被动态的长期变化提供科学数据和理论依据。

1 数据与方法

1.1 研究区概况

黄河流域位于中国西北部（95°53′~119°05′E，32°10′~41°50′N），横跨全国9个省区，全长5646 km，面积79.5×104 km2。西起巴颜喀拉山流入渤海，北起阴山一直延伸到秦岭，地形自西向东逐渐下降（图1a）。西部是河流流域的源头，由一系列平均海拔超过4000 m的高山组成，海拔在1300~2200 m之间。中部为黄土高原，地形主要为黄土覆盖的高原和丘陵，土壤流失严重。下游为黄淮海平原，地形平坦。黄河流域存在典型的干旱区、半干旱区、半湿润和湿润区气候（图1b），而植被呈现显著的空间分异特征。上游河源区以高寒植被为主，包括高寒草甸、高寒草原及沼泽、水生植被；中游黄土高原地区以草地与灌丛、森林草原混合为典型（图1b）；下游冲积平原则以栽培植被为主，局部保留针阔混交林。
图1 黄河流域研究区概况

Fig. 1 Overview of the Yellow River Basin research area

1.2 数据来源

1.2.1 kNDVI数据

kNDVI是一种基于核（机器学习）函数的植被指数，是对NDVI的一种改进，旨在解决传统NDVI在尺度转换和非线性问题上存在的困难。通过引入核技术，kNDVI能够在不同尺度和具有非线性变化的情况下提供更稳健和准确的植被信息[11]。在本研究中，通过使用美国地球资源观测系统数据中心（https://ladsweb.modaps.eosdis.nasa.gov）的MODIS-NDVI产品，数据序号为MOD13Q1，分辨率为1000 m，涵盖2000—2022年的时间。基于Camps-Valls G等提出的公式（1）~（3）利用NDVI在GEE中计算得到kNDVI。进一步计算获得逐月kNDVI数据。
k N D V I = t a n h N I R - R e   d 2 σ 2 = t a n h N D V I 2 τ 2
式中：tanh为双曲正切函数；NIR为近红外光谱反射率；Red为红外光谱反射率； τ为比例参数； σ为长度尺度参数，与所获取遥感图像的近红外光和红光反射率的平均值成线性比例。当 τ = 0.5时在保证准确性的同时又具有简单性[12]，根据 σ = τ N I R + R e   d，导数可得：
d k N D V I d N D V I = 1 2 τ 2 1 - k N D V I 2 N D V I
式中： d k N D V I为对kNDVI求微分； d N D V I为对NDVI求微分。
k N D V I = t a n h N D V I 2
本研究利用2000—2022年的NDVI数据计算得到23 a的kNDVI数据，并分析了kNDVI的时空变化分布。

1.2.2 驱动因子数据

黄河流域2000—2022年年平均气温和年均降水量的气象数据集由资源环境数据云平台（http://www.resdc.cn/）提供；地形数据来自航天飞机雷达地形任务的数字高程模型，空间分辨率为90 m；土地利用数据来源于“国家地球系统科学数据中心”，其时间跨度为2000—2022年，将中国的土地利用分为9大主要类型：耕地、森林、草地、灌木、水体、冰/雪、贫瘠土地、建设用地、湿地[20]。在进一步分析之前，对所有数据进行重采样以与kNDVI分辨率保持一致，以确保一致性。本研究使用的数据集详细描述见表1。
表1 驱动因子数据来源

Tab. 1 Data sources of driving factors

数据集 数据类型 分辨率/m 年份 数据来源
降水量 栅格 1000 2000—2022 资源环境数据云平台（https://www.resdc.cn/）
气温 栅格 1000 2000—2022 资源环境数据云平台（https://www.resdc.cn/）
高程 栅格 90 2019—2021 地理空间数据云（https://www.gscloud.cn/）
土地利用类型 栅格 30 2000—2022 国家地球系统科学数据中心（https://www.geodata.cn/）

1.3 变化趋势分析

为了探究kNDVI的趋势，本研究采用线性回归方法，逐像元对黄河流域23 a植被变化进行趋势分析，计算公式如式（4）：
S l o p e = n × ∑ i = 1 n i × k N D V I i - ∑ i = 1 n i × ∑ i = 1 n k N D V I i n × ∑ i = 1 n i 2 - ∑ i = 1 n i 2
式中： S l o p e为线性回归方程的斜率； n为2000—2022年的跨度数量，本研究中 n = 23；i为第i个数据点的索引值； k N D V I i为第i个数据点的kNDVI值；当Slope>0时，表示植被变化呈现出增长绿化的趋势，反之说明呈现减少下降的趋势[21]。

1.4 偏相关性分析

偏相关分析观察的是2个变量在不考虑其他因素影响的情况下相互关联的程度。当研究包含众多因素的模型或系统中2个因素之间的相互关系程度时，在保持其他因素影响不变的情况下，分析结果用偏相关系数表示[22]，计算公式如式（5）所示:
r x y · z = r x y - r x z r y z 1 - r x z 2 1 - r y z 2
式中： r x y · z为变量 x、 y的偏相关系数，变量 z不变； r x y为变量 x、 y的相关系数； r x z为变量 x、 z的相关系数； r y z为变量 y、 z的相关系数。

1.5 地理探测器模型

地理探测器模型是一种检测空间差异并揭示潜在驱动力的统计方法[23-24]。本研究采用因子探测器定量分析了黄河流域降水量和气温在不同气候干湿分区对kNDVI变化的驱动力。具体计算公式如式（6）：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2
式中： q为对kNDVI变化的解释力，取值范围为0~1，值越大说明解释力越强； h为变量分类或划分，h=1, 2, 3, …, L； N h和 N分别为 h层和整个区域的数量； σ h 2和 σ 2分别为 h层和该区域 Y值的方差。
相互作用检测器可以识别不同极端气候指数之间的相互作用效应。通过计算和比较 Y的2个因素 X 1和 X 2的单独解释能力和联合解释能力 q X 1、 q X 2和q( X 1∩ X 2)来进行评价。

1.6 约束效应

约束线提取方法为探索两变量之间的相互关系和影响机制提供了新的思路[25]。约束线的提取过程包括如下步骤：首先，将约束因子的取值范围等分为若干个区间，在x轴上生成相应的列数；然后，为了减少异常值的影响，选择每列的95%分位数作为边界点；最后，根据散点图的形状和拟合优度值（R2）确定约束线类型。本研究以kNDVI、降水量和气温两两之间作为坐标的横轴和纵轴，组成二维坐标系统，拿一个变量（X）去响应另一个耦合变量（Y）。同时，采用分位数划分的方法绘制了两两之间的约束线。

2 结果与分析

2.1 植被动态与气象变量的时空格局分析

2.1.1 kNDVI与气象因子的年内时间变化特征

在黄河流域的不同干湿区中，不同类型干湿带全年kNDVI值表现出显著的峰值波动变化趋势；湿润区和半湿润区kNDVI全年均呈高波动性曲线变化，kNDVI值达到最高，分别为0.53和0.45（图2a）。干旱区和半干旱区全年的kNDVI值波动性相较于湿润区与半湿润区显著变低，峰值分别为0.09和0.22（图2a）。这种差异的主要原因是干旱和半干旱区降水量较少，水分供应不足影响了植被的生长和繁茂[26]。而湿润与半湿润区降水量充足，为植被生长提供了良好的水分条件[27]，使得植被在生长季节能够达到更高的kNDVI值。年内降水量表现出明显的季节性，集中在6—9月，占全年降水量的70%以上。在半湿润地区，降水量表现为单峰型，最高降水集中在8—9月，降水量为149.62 mm（图2b）；湿润区、半干旱区和干旱区的年内降水量趋势呈现出一致性，都呈现出波动增长趋势，且最高值均出现在9月附近，分别为138.11 mm、98.68 mm、44.74 mm（图2b）。黄河流域不同类型干湿带的气温趋势基本一致，均呈单峰型曲线变化；半湿润区、半干旱区和干旱区的气温相近，显著高于湿润区气温，在7月达到气温峰值，最高气温依次为干旱区22.78 ℃、半湿润区19.53 ℃、半干旱区18.33 ℃、湿润区9.15 ℃（图2c）。
图2 黄河流域不同气候干湿区kNDVI和气象因子的月变化

注：kNDVI为核归一化植被指数。下同。

Fig. 2 Monthly variations of kNDVI and meteorological factors in dry and wet zones of different climates in the Yellow River Basin

2.1.2 kNDVI与气象因子的空间分布格局

2000—2022年黄河流域长期年平均kNDVI和气象因子呈现出显著的空间异质性。黄河流域植被的kNDVI值呈纬向分布，由西北向东南逐渐增大。湿润区kNDVI值最高为0.49，半湿润区次之为0.40，半干旱区和干旱区相对较低分别为0.21、0.09（图3a）。黄河流域年平均降水量呈现西北递减、东南增多的规律分布。由西北向东南方向，降水量逐渐增多；不同干湿区下年均降水量从大到小排序为：湿润区（698.39 mm）>半湿润区（617.51 mm）>半干旱区（435.37 mm）>干旱区（205.35 mm）（图3b）。而年均气温走向则是从正西方向往正东方向呈阶梯式递增。其中东部的半湿润区年均气温最高，为11.93 ℃，西部的半湿润区年均气温最低，为-3.18 ℃，干旱区、半干旱区和湿润区的年均气温介于两者之间，依次为8.35 ℃、5.82 ℃、1.25 ℃（图3c）。
图3 黄河流域生长季kNDVI与年均气象因子的空间分布

Fig. 3 Spatial distributions of kNDVI and annual mean meteorological factors during growing season in the Yellow River Basin

2.2 植被动态与气象因子的时空变化特征

2.2.1 kNDVI与气象因子的年际时间变化特征

利用2000—2022年影像中kNDVI、降水量和气温像元的均值，得到黄河流域2000—2022年各年具有代表性的kNDVI、降水量和气温值，作为黄河流域植被状况和气候变化的综合指标。在多年植被变化的过程中，kNDVI值变化趋势明显。2000—2022年kNDVI呈平稳上升趋势，从0.20上升到0.32。年增长速率为0.004·a-1，表明植被绿化显著（图4a）。反之，年均降水量和年均气温则呈现出显著的波动性，变化差异大。年均降水量和年均气温的增长速率分别为3.341 mm·a-1（图4b）和0.024 ℃·a-1（图4c）。
图4 2000—2022年黄河流域kNDVI和气象因子的年际变化

Fig. 4 Interannual variations of kNDVI and meteorological factors in the Yellow River Basin from 2000 to 2022

考虑到黄河流域不同类型干湿区下植被动态变化与气象因子的变化可能会存在差异，本研究还探究了黄河流域不同干湿分区下各时期植被动态和气象因子的变化趋势（图5）。在黄河流域的干旱区、半干旱区和半湿润区，kNDVI均以低波动性平缓上升，其增长速率分别为0.0023·a-1、0.0055·a-1、0.0041·a-1；而湿润区的kNDVI则呈现出差异较大的上下波动趋势，增长速率相对较低，为0.0007·a-1。在2000—2022年，不同类型干湿区的年际降水量均呈现较大的差异性，均以平缓的趋势缓慢增加，干旱区、半干旱区、半湿润区、湿润区的增长速率依次为1.8565 mm·a-1、3.0710 mm·a-1、3.7315 mm·a-1、5.6063 mm·a-1。反观黄河流域不同干湿区的年均气温均表现出大幅度的波动趋势，且干湿区的变化趋势特征相似；其中干旱区和半干旱区增长趋势特征高度一致，增长速率为0.0226 ℃·a-1和0.0210 ℃·a-1。
图5 2000—2022年黄河流域不同气候干湿区kNDVI和气象因子的年际变化

Fig. 5 Interannual variations of kNDVI and meteorological factors in dry and wet zones of different climates in the Yellow River Basin from 2000 to 2022

2.2.2 kNDVI与气象因子动态变化的空间分布特征

为了进一步探讨气象因子和kNDVI的变化趋势在空间上的分布，本研究进一步计算了黄河流域植被和气象因子的Slope斜率，来分析其在空间上的分布特征。kNDVI的Slope斜率高值主要集中在黄河流域的半干旱区域，均值为0.0055·a-1。半湿润区、干旱区、湿润区的Slope斜率值依次降低，分别为0.0030·a-1、0.0022·a-1、0.0007·a-1（图6a）。黄河流域的降水斜率呈现显著的空间异质性。年总降水量以3.2771 mm·a-1的速率增加，并按干湿分区分布的空间特征（图6b）。年均气温变化斜率在黄河流域的不同气候干湿区变化差别相对较小，在空间分布上，变化速率分布则在东西方向上具有明显的差异特征（图6c）。总体上，黄河流域2000—2022年kNDVI变化斜率、降水量斜率与气温斜率的空间分布和变化具有明显的干湿区域特征。
图6 2000—2022年黄河流域kNDVI和气象因子变化趋势的空间分布

Fig. 6 Spatial distributions of kNDVI and meteorological factor trends in the Yellow River Basin from 2000 to 2022

在本研究中，采用Theil-Sen趋势分析和Mann-Kendall检验相结合评估黄河流域植被变化格局和空间分布特征[28]，将该地区的植被变化分为了5种不同的类型，分别为显著上升、轻微上升、无变化、轻微下降和显著下降（表2）。从2000—2022年黄河流域kNDVI年际变化总趋势可以看出，黄河流域整个区域的植被变化明显，65.36%的区域植被变化趋势以显著上升为主，且主要分布在半干旱和半湿润区（图7a）；轻微上升类型的变化趋势次之（19.22%）；显著下降类型的面积占比最小，为1.87%，主要分布在半湿润地区的西安市、三门峡市、郑州市等人口密度大，活动剧烈的城市。
表2 植被变化分类

Tab. 2 Classification of vegetation change

SkNDVI Zs值 kNDVI趋势 面积占比/%
≥0.0005 ≥1.96 显著上升 65.36
≥0.0005 -1.96~1.96 轻微上升 19.22
-0.0005~0.0005 -1.96~1.96 无变化 8.80
≤-0.0005 -1.96~1.96 轻微下降 4.75
≤-0.0005 ≤-1.96 显著下降 1.87

注： SkNDVI为kNDVI的Theil-Sen斜率估计值；Zs为2000—2022年kNDVI的Mann-Kendall（M-K）趋势检验值。

图7 2000—2022年黄河流域kNDVI变化趋势

Fig. 7 Variation trends of kNDVI in the Yellow River Basin from 2000 to 2022

从不同类型干湿分区来看，不同干湿区植被的变化类型存在较大差异。其中显著上升类型占比面积最大的是在半干旱区，其次是半湿润区，分别占各自区域的77.86%和57.18%（图7c~d），这主要得益于在2000—2022年，中国高度重视生态文明建设，实施了包括退耕还林还草、防沙治沙、水土保持等一系列生态保护和修复工程。这些措施在半干旱和半湿润地区尤为显著，因为这些地区的生态环境相对脆弱，更容易受到人类活动的影响[29]。生态修复工程的实施，有效地促进了这些地区植被的恢复和增加。而呈现轻微上升趋势的植被变化类型占比最大的主要出现在湿润区，占湿润区面积的40.84%（图7e）。在干旱区除显著上升类型（48.55%）占比最大外，其次则主要是无变化区域，占比达28.67%，在4个类型干湿区位于首位（图7b）。造成这种现象的主要原因则是干旱区本身的气候条件限制了植被的生长。再加上由于长期的干旱和人类活动影响，干旱区的生态环境较为脆弱，植被恢复的自然条件和速度相对较差，植被绿化效果不如半干旱区和半湿润区明显[30]。

2.3 植被动态变化与气象因子的偏相关性

气温和降水量的相互作用对植被动态变化产生了重要影响。为了确定植被动态变化与气象因子之间的关系，基于像元尺度对气温和降水量kNDVI进行了偏相关性分析。2000—2022年黄河流域kNDVI与气温和降水量的偏相关系数分别为0.19、0.36（图8）。显然kNDVI随降水和气温都具有一定的正相关关系，相对于气温，降水量对植被的变化起主导作用。kNDVI与降水量的偏相关性程度在不同类型的干湿分区差异较大，降水量与kNDVI的高偏相关性主要位于干旱区和半干旱区，分别为0.40和0.43；半湿润区和湿润区的偏相关性次之，分别为0.24和0.22（图8a）。黄河流域不同类型干湿区的气温与kNDVI的偏相关性在区域上不存在较大的差异性，各区域的偏相关系数值依次为干旱区（0.12）、半干旱区（0.22）、半湿润区（0.17）、湿润区（0.15）（图8b）。
图8 2000—2022年黄河流域气象因子与kNDVI的偏相关系数空间分布

Fig. 8 Spatial distributions of partial correlation coefficients between meteorological factors and kNDVI in the Yellow River Basin from 2000 to 2022

2.4 植被动态对其气象因子变化的响应

2.4.1 植被动态变化的驱动因素分析

在分析地理现象的空间分层异质性方面，本研究采用地理探测器模型探测并量化气象因子对kNDVI的影响程度，通过计算解释力（q值）明确降水量和气温对kNDVI的贡献大小，揭示气温和降水量气象因子对kNDVI的交互作用（表3）。基于整个黄河流域，降水量和气温对kNDVI的q值分别为0.5338和0.2283，降水量在空间分层异质性上解释力最强，这与图8的偏相关性分析结果一致；而在气温和降水量的交互影响下，q值达到了0.6057，超过了单个气象因子的作用力，这也说明kNDVI的变化是气象因子一起作用的结果。在黄河流域的不同类型干湿区域上，q值在不同干湿区表现出了不同的作用强度，其中降水量在半干旱区的q值最大（0.4519），在干旱区最小（0.0063）。而气温则在半湿润区的q值最大（0.2491），在干旱区最小（0.0624），与降水量一致。由于半干旱区的植被生长和覆盖受到水文周期的影响，气温和降水共同决定了植被的生长周期和生长期的长度[31]，故在半干旱区，气温和降水量交互作用下的q值最大（0.5285）。
表3 黄河流域不同干湿区下气象因子作用强度q值

Tab. 3 q values of meteorological factors in dry and wet zones of different climates in the Yellow River Basin

气象因子 黄河流域 干旱区 半干旱区 半湿润区 湿润区
降水量 0.5338 0.0063 0.4519 0.0798 0.0831
气温 0.2283 0.0624 0.1507 0.2491 0.1105
气温与降水量交互影响 0.6057 0.1472 0.5285 0.3220 0.1904

2.4.2 植被动态对气象因子的约束效应

在复杂的生态系统中，植被动态变化往往受到多种因素的影响，导致数据点呈分散的云状分布。而约束线有助于消除多个因素对响应变量的影响，在使限制因素影响最小化的同时获得响应变量的最大值。因此，本研究基于黄河流域不同类型干湿分区尺度下进一步探索气象因子对植被动态变化之间的驱动机制。以各气象因子作为坐标的横轴，以代表植被生长状态的kNDVI作为坐标的纵轴，组成二维坐标系统，采用分位数划分的方法绘制了kNDVI与各驱动因子之间的约束线。
在不同干旱分区，各气象因子对植被动态变化的响应呈现出不同特征的约束线（图9）。在整个黄河流域内，kNDVI随气温和降水量变化的约束线呈驼峰状，即当约束线达到一定阈值后，降水量和气温对kNDVI的约束作用开始增强。在干旱区，降水量对kNDVI的约束线呈多峰波动型，这主要是由于在干旱区，降水量不稳定，存在不确定性的降水情况，导致植被动态变化不稳定。气温对kNDVI的约束线呈现阶梯型，表明植被在7~8 ℃的环境内，变化较快，但当气温超过这个阈值范围后，气温对植被生长作用的促进功能将逐渐减小并趋于平缓。在半干旱区和半湿润区，气温和降水量对kNDVI的约束效应一致，均呈现单驼峰型；即在降水量和气温的阈值内，降水量和气温对植被生长具有促进作用，超过阈值则抑制。湿润区与整个黄河流域的约束线保持一致，均是先促进、后趋于抑制和协同。
图9 黄河流域不同气候干湿区下kNDVI与气象因子之间的约束效应

Fig. 9 Constraint effect between kNDVI and meteorological factors in dry and wet zones of different climates in the Yellow River Basin

3 讨论

本文对2000—2022年黄河流域不同类型干湿分区kNDVI的空间分布、年际变化及其对气象因子的响应进行综合分析。与以往的研究相比，本文的重点在于分析黄河流域不同类型干湿区的植被动态变化，评估干湿分区kNDVI变化的差异性；以及探究在干湿分下，kNDVI与气象因子之间的响应关系。目前，许多研究发现气候的变化直接决定了植被生长的生理活动[32]。但植被发展的主要气象驱动因子因地区而异[33]。在本研究中，黄河流域kNDVI以0.0044·a-1的速率增加。此外，我们发现各气象因子及其对植被的响应存在显著的空间异质性。基于不同类型干湿分区，气候变化对植被活动有积极贡献的区域主要集中在半干旱区和半湿润区。这主要由于气温对植被生长有促进作用。同时，降水量的增加满足了植被光合作用所需的水分，有利于植被恢复。在地处干旱半干旱区的黄河流域，降水量的增加可以促进土壤有机质分解，改善养分和水分，进而促进植被活动[34]。综上所述，植被动态是各气象因子协同效应的反映。
已有研究表明，干旱半干旱地区植被生长受热力作用（太阳辐射、气温变化）的限制较多[35]，由于全球变暖的影响，黄河流域植被会呈增长趋势，水分条件是超过气温等热力因素成为影响植被生长最重要的气象因子[36]；这也与本研究中植被动态与降水量变化的偏相关性大于与气温的偏相关性保持一致。同时在水分限制方面，半干旱区的气候特点是水分稀缺，植被生长受限于水分供应[37]。降水量是植被生长的关键因素，直接影响到植被的类型、生长状况和分布。因此，降水量变化会直接影响植被动态变化。而在气温效应上，气温对植被的生长和代谢过程有直接影响。在半干旱区，适宜的气温可以促进植物的生长，提高植被覆盖。气温过高或过低都可能限制植被的生长，降低植被覆盖度[38]。半干旱区的植被通常对水分和气温有一定的适应性，但这种适应性有一定的范围。超出植被适应范围的环境变化会显著影响植被的生长和覆盖[39]。

4 结论

（1） 黄河流域植被的kNDVI呈纬向分布，由西北向东南逐渐增大；表明随着从干旱区向湿润区的过渡，植被的密度和生长状况在改善。且黄河流域的植被状况在不同干湿区域有显著差异，干旱区的植被指数最低（0.09），随着气候湿润度的增加，半干旱区（0.21）、半湿润区（0.40）和湿润区（0.49）的植被指数逐渐增大。2000—2022年黄河流域大部分区域（84.58%）的植被呈上升趋势。
（2） 在黄河流域内，相对于气温（0.19），降水量与kNDVI的偏相关系数均值较大（0.36），说明降水量是影响黄河流域植被变化的主导环境因素。在干湿分区中，气温与降水量对半干旱地区植被变化的影响较大，而在干旱区域内，降水是植被变化的关键因素。
（3） 根据q值，在黄河流域内，降水量是影响植被生长的主要因素，其影响力超过气温，并且降水量与气温的交互作用对植被生长的解释力更强。特别是在半干旱区，降水量对植被生长的影响最为显著，而在半湿润区，气温对植被生长的影响则相对较大。这表明在不同的气候区域，降水量和气温对植被生长的作用程度不同，对于植被管理和生态保护策略的制定具有重要指导意义。
（4） 在黄河流域尺度内，kNDVI与气温、降水量的关系呈现出驼峰状约束线，表明在一定阈值后，降水量和气温对植被生长的约束作用会增强。在干湿分区尺度上，不同气候区域对植被动态变化的气象因子约束线形态各异，干旱区的约束线波动和阶梯特征明显，而其他区域则多表现为驼峰型，说明植被生长初期受气象因子促进，但过阈值后则会受到抑制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
马小红, 林菲, 原黎明, 等. 2000—2020年汾河流域植被覆盖度变化及其对生态工程的响应[J]. 中国沙漠, 2023, 43(3): 86-95.

DOI

[Ma Xiaohong, Lin Fei, Yuan Liming, et al. Vegetation coverage change and its response to ecological protection project in Fenhe River Basin[J]. Journal of Desert Research, 2023, 43(3): 86-95. ]

DOI

[2]
罗敏, 孟凡浩, 王云倩, 等. 气候变化下中国植被GPP与土壤水的互馈关系[J]. 地理学报, 2024, 79(1): 218-239.

DOI

[Luo Min, Meng Fanhao, Wang Yunqian, et al. Mutual feedback relationship between vegetation GPP and soil moisture in China under climate change[J]. Acta Geographica Sinica, 2024, 79(1): 218-239. ]

DOI

[3]
吴伶, 刘湘南, 刘美玲, 等. 融合遥感时间序列时空谱信息的森林扰动检测与归因研究进展[J]. 遥感学报, 2024, 28(3): 558-575.

[Wu Ling, Liu Xiangnan, Liu Meiling, et al. Review of the detection and attribution of multi-type forest disturbances using an ensemble of spatio-temporal-spectral information from remote sensing images[J]. National Remote Sensing Bulletin, 2024, 28(3): 558-575. ]

[4]
Zeng Y, Hao D, Huete A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature Reviews Earth & Environment, 2022, 3(7): 477-493.

[5]
Tan C W, Zhang P P, Zhou X X, et al. Quantitative monitoring of leaf area index in wheat of different plant types by integrating NDVI and Beer-Lambert law[J]. Scientific Reports, 2020, 10(1): 929, doi: 10.1038/s41598-020-57750-z.

[6]
韩万强, 靳瑰丽, 岳永寰, 等. 伊犁绢蒿荒漠草地3种主要植物光谱及植被指数改进[J]. 新疆农业科学, 2020, 57(5): 950-957.

DOI

[Han Wanqiang, Jin Guili, Yue Yonghuan, et al. Spectral characteristics and modified vegetation index of three main plants of Seriphidium transiliense desert grassland[J]. Xinjiang Agricultural Sciences, 2020, 57(5): 950-957. ]

DOI

[7]
Gao Q, Zhu W, Schwartz M W, et al. Climatic change controls productivity variation in global grasslands[J]. Scientific Reports, 2016, 6(1): 26958, doi: 10.1038/srep26958.

[8]
康尧, 郭恩亮, 王永芳, 等. 温度植被干旱指数在蒙古高原干旱监测中的应用[J]. 应用生态学报, 2021, 32(7): 2534-2544.

DOI

[Kang Yao, Guo Enliang, Wang Yongfang, et al. Application of temperature vegetation dryness index for drought monitoring in Mongolian Plateau[J]. Chinese Journal of Applied Ecology, 2021, 32(7): 2534-2544. ]

DOI

[9]
Li H, Cao Y, Xiao J, et al. A daily gap-free normalized difference vegetation index dataset from 1981 to 2023 in China[J]. Scientific Data, 2024, 11(1): 527, doi: 10.1038/s41597-024-03364-3.

[10]
Jin H, Chen X, Wang Y, et al. Spatio-temporal distribution of NDVI and its influencing factors in China[J]. Journal of Hydrology, 2021, 603: 127129, doi: 10.1016/j.jhydrol.2021.127129.

[11]
Camps-Valls G, Campos-Taberner M, Moreno-Martínez Á, et al. A unified vegetation index for quantifying the terrestrial biosphere[J]. Science Advances, 2021, 7(9): 7447, doi: 10.1126/sciadv.abc7447.

[12]
Wang Q, Moreno-Martínez Á, Muñoz-Marí J, et al. Estimation of vegetation traits with kernel NDVI[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 195: 408-417.

[13]
李志杰, 黄贵超, 马訾懿, 等. 基于土地利用变化的城市生境质量时空分异格局及影响因素[J]. 中国城市林业, 2024, 22(2): 135-143.

[Li Zhijie, Huang Guichao, Ma Ziyi, et al. Spatial and temporal variation patterns of urban habitat quality and its influencing factors based on land use change[J]. Journal of Chinese Urban Forestry, 2024, 22(2): 135-143. ]

[14]
宋进喜, 齐贵增, 佘敦先, 等. 中国植被生产力对干湿变化的响应[J]. 地理学报, 2023, 78(7): 1764-1778.

DOI

[Song Jinxi, Qi Guizeng, She Dunxian, et al. Response of vegetation productivity to wet and dry changes in China[J]. Acta Geographica Sinica, 2023, 78(7): 1764-1778. ]

DOI

[15]
孙善磊, 孙杰, 李洪利, 等. 典型干湿区植被与气候因子的相互响应关系研究[J]. 安徽农业科学, 2010, 38(9): 4713-4716.

[Sun Shanlei, Sun Jie, Li Hongli, et al. Interactions between vegetation and climatic factors in typical arid and humid regions[J]. Journal of Anhui Agriculture Science, 2010, 38(9): 4713-4716. ]

[16]
韩云环, 马柱国, 李明星, 等. 中国不同干湿区植被变化及其与气候因子的关系[J]. 大气科学, 2023, 47(6): 1680-1692.

[Han Yunhuan, Ma Zhuguo, Li Mingxing, et al. Vegetation changes and their relationship with climate factors in different dry/wet areas over China[J]. Chinese Journal of Atmospheric Sciences, 2023, 47(6): 1680-1692. ]

[17]
田茜, 杨芳, 王召欢, 等. 陆地生态系统土壤CO2排放对模拟增温的响应特征及影响因素[J]. 生态学报, 2024, 44(5): 1928-1939.

[Tian Qian, Yang Fang, Wang Zhaohuan, et al. Response of soil CO2emission in terrestrial ecosystems to the simulated warming and its influencing factors[J]. Acta Ecologica Sinica, 2024, 44(5): 1928-1939. ]

[18]
He B, Chen A, Jiang W, et al. The response of vegetation growth to shifts in trend of temperature in China[J]. Journal of Geographical Sciences, 2017, 27(7): 801-816.

DOI

[19]
Zhang J Y, Yin Y H, Li B Y. A new scheme for climate regionalization in China[J]. Acta Geographica Sinica, 2010, 65(1): 3-12.

DOI

[20]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925.

DOI

[21]
傅楷翔, 贾国栋, 余新晓, 等. 基于改进遥感生态指数的吐鲁番-哈密地区生态环境质量评价及驱动机制分析[J]. 生态学报, 2024, 44(9): 3911-3923.

[Fu Kaixiang, Jia Guodong, Yu Xinxiao, et al. Evaluation of ecological environment quality and analysis of driving mechanism in Tulufan-Hami region based on improved remote sensing ecological indices[J]. Acta Ecologica Sinica, 2024, 44(9): 3911-3923. ]

[22]
刘泽, 陈建平. 北京植被时空变化与气候因子相关性[J]. 地质通报, 2021, 40(12): 2159-2166.

[Liu Ze, Chen Jianping. Correlation between temporal-spatial changes of vegetation and climate factors in Beijing[J]. Geological Bulletin of China, 2021, 40(12): 2159-2166. ]

[23]
吴大放, 马佩芳, 李龙, 等. 基于地理探测器的区域土地利用转型时空演变及因子探测——以珠海市为例[J]. 华南师范大学学报(自然科学版), 2023, 55(4): 50-61.

[Wu Dafang, Ma Peifang, Li Long, et al. Spatiotemporal variation and factor detection of land use transition based on geodetector: A case study of Zhuhai[J]. Journal of South China Normal University (Natural Science Edition), 2023, 55(4): 50-61. ]

[24]
Zhang Z, Song Y, Wu P. Robust geographical detector[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 109: 102782, doi: 10.1016/j.jag.2022.102782.

[25]
An Q, Yuan X, Zhang X, et al. Spatio-temporal interaction and constraint effects between ecosystem services and human activity intensity in Shaanxi Province, China[J]. Ecological Indicators, 2024, 160: 111937, doi: 10.1016/j.ecolind.2024.111937.

[26]
薛联青, 肖颖, 刘远洪, 等. 黄河流域植被水分利用效率对干旱的时空累积响应[J]. 水资源保护, 2023, 39(4): 32-41.

[Xue Lianqing, Xiao Ying, Liu Yuanhong, et al. Spatiotemporal accumulation response of vegetation water use efficiency to drought in the Yellow River Basin[J]. Water Resources Protection, 2023, 39(4): 32-41. ]

[27]
Bai X, Fan Z, Yue T. Dynamic pattern-effect relationships between precipitation and vegetation in the semi-arid and semi-humid area of China[J]. Catena, 2023, 232: 107425, doi: 10.1016/j.catena.2023.107425.

[28]
郭富印, 刘晓煌, 张文博, 等. 2000—2040年黄河流域(河南段)生境质量时空格局演变及驱动力分析[J]. 现代地质, 2024, 38(3): 599-611.

[Guo Fuyin, Liu Xiaohuang, Zhang Wenbo, et al. Evolution of the spatial and temporal patterns of habitat qualiy and analysis of the driving forces in Yellow River Basin (Henan section) from 2000 to 2040[J]. Geoscience, 2024, 38(3): 599-611. ]

[29]
Li C, Fu B, Wang S, et al. Drivers and impacts of changes in China’s drylands[J]. Nature Reviews Earth & Environment, 2021, 2(12): 858-873.

[30]
Liu L, Gou X, Wang X, et al. Relationship between extreme climate and vegetation in arid and semi-arid mountains in China: A case study of the Qilian Mountains[J]. Agricultural and Forest Meteorology, 2024, 348: 109938, doi: 10.1016/j.agrformet.2024.109938.

[31]
姜凯升, 刘宇, 刘英, 等. 西北地区植被覆盖度与气候因子响应关系探究[J]. 测绘科学, 2023, 48(6): 172-180.

[Jiang Kaisheng, Liu Yu, Liu Ying, et al. Research on the relationship between vegetation coverage and climate factor response in northwest China[J]. Science of Surveying and Mapping, 2023, 48(6): 172-180. ]

[32]
Sun G Q, Li L, Li J, et al. Impacts of climate change on vegetation pattern: Mathematical modeling and data analysis[J]. Physics of Life Reviews, 2022, 43: 239-270.

[33]
王春雅, 王金牛, 崔霞, 等. 藏东南三江并流核心区植被时空动态变化及其气候驱动力分析[J]. 地理研究, 2021, 40(11): 3191-3207.

DOI

[Wang Chunya, Wang Jinniu, Cui Xia, et al. Spatio-temporal change in vegetation patterns and its climatic drivers in the core region of Three Parallel Rivers in southeast Tibet[J]. Geographical Research, 2021, 40(11): 3191-3207. ]

[34]
Wang K, Zhou J, Tan M L, et al. Impacts of vegetation restoration on soil erosion in the Yellow River Basin, China[J]. Catena, 2024, 234: 107547, doi: 10.1016/j.catena.2023.107547.

[35]
Zhu Y, Zhang Y, Zhang Z, et al. Converted vegetation type regulates the vegetation greening effects on land surface albedo in arid regions of China[J]. Agricultural and Forest Meteorology, 2022, 324: 109119, doi: 10.1016/j.agrformet.2022.109119.

[36]
Yin Y, Deng H, Ma D. Complex effects of moisture conditions and temperature enhanced vegetation growth in the arid/humid transition zone in northern China[J]. Science of the Total Environment, 2022, 805: 150152, doi: 10.1016/j.scitotenv.2021.150152.

[37]
薛联青, 王文壮, 刘远洪, 等. 黄河流域植被总初级生产力对持续性干旱水分亏缺的响应[J]. 水资源保护, 2024, 40(3): 44-51.

[Xue Lianqing, Wang Wenzhuang, Liu Yuanhong, et al. Response of gross primary productivity of vegetation to persistent drought-induced water deficit in the Yellow River Basin[J]. Water Resources Protection, 2024, 40(3): 44-51. ]

[38]
Bita C, Gerats T. Plant tolerance to high temperature in a changing environment: Scientific fundamentals and production of heat stress-tolerant crops[J]. Frontiers in Plant Science, 2013, 4: 273, doi: 10.3389/fpls.2013.00273.

PMID

[39]
Xu H J, Wang X P, Zhao C Y. Drought sensitivity of vegetation photosynthesis along the aridity gradient in northern China[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102418, doi: 10.1016/j.jag.2021.102418.

Options
Outlines

/

〈 〉