EN中文

干旱区研究 >

2024 , Vol. 41 >Issue 8: 1395 - 1404

DOI: https://doi.org/10.13866/j.azr.2024.08.13

植物生态

毛乌素沙地植被NDVI动态及对降水的多时空响应

  • 史天艺 ,
  • 张萌萌 ,
  • 蒲阳 ,
  • 刘硕元
展开
  • 南京信息工程大学地理科学学院，江苏 南京 210044
张萌萌. E-mail:

史天艺（2002-），女，硕士研究生，主要从事生态水文学研究. E-mail:

收稿日期: 2024-03-28

  修回日期: 2024-05-27

  网络出版日期: 2025-08-14

基金资助

国家重点研发计划项目(2023YFC3206801)

国家青年科学基金项目(42101103)

国家级大学生创新创业训练计划支持项目(202210300009Z)

收起

Changes in NDVI and its multiscale spatiotemporal responses to precipitation in the Mu Us Desert

  • SHI Tianyi ,
  • ZHANG Mengmeng ,
  • PU Yang ,
  • LIU Shuoyuan
Expand
  • School of Geographical Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu, China

Received date: 2024-03-28

  Revised date: 2024-05-27

  Online published: 2025-08-14

Fold

摘要

毛乌素沙地生态环境脆弱，理解沙地植被-降水关系对沙地生态有效恢复和“以水定绿”至关重要。本文基于多尺度降水和NDVI数据，研究了2000—2018年毛乌素沙地植被动态变化及其对降水时滞与累积效应的响应关系。结果表明：（1） 2000—2018年研究区沙地植被年均和季均NDVI总体均呈显著增加趋势（P<0.01），且增加趋势的空间分布差异性较大；夏季NDVI显著增加的区域达83.2%，年均NDVI显著增加的区域仅占34.15%；（2） 沙地植被NDVI的年际变化和月变化对降水的响应均无显著时间滞后，但存在显著时间累积效应；约38.58%的区域NDVI年变化对降水的累积响应时间为1 a和2 a，且集中分布在年均降水量较少的区域；（3） 生长季季节NDVI与累积月降水相关系数的时空分布差异明显。春季、夏季和秋季NDVI对降水的累积响应时间和占比分别为2~3个月（19.25%），4个月（73.58%），1个月（27.22%）或3个月（34.91%）。本研究揭示了毛乌素沙地植被对降水的响应并无显著时滞效应，而时间累积效应在研究区不同时空尺度上均表现出明显差异。研究结果为优化人工固沙植被的生态恢复方案以及实施“以水定绿”策略提供了有力的科学依据。

关键词： 植被NDVI; 降水; 时滞累积效应; 以水定绿; 毛乌素沙地

本文引用格式

史天艺 , 张萌萌 , 蒲阳 , 刘硕元 . 毛乌素沙地植被NDVI动态及对降水的多时空响应[J]. 干旱区研究, 2024 , 41(8) : 1395 -1404 . DOI: 10.13866/j.azr.2024.08.13

Abstract

The Mu Us Desert possesses a delicate ecological environment. It is therefore of utmost importance to understand the correlation between sand-fixing vegetation and precipitation to achieve effective ecological restoration and implement the concept of “water-oriented greening” in the desert. This study examined the fluctuation patterns in vegetation within the Mu Us Desert from 2000 to 2018, as well as its reaction to delayed and cumulative precipitation effects. Our findings revealed significant trends in the annual and seasonal average NDVI of the study area from 2000 to 2018 (P<0.01). However, the spatial distribution of these trends exhibited substantial variation. Notably, the region with a significant increase in summer NDVI accounted for 83.2% of the total area, whereas the region with a significant increase in annual NDVI accounted for only 34.15% of the total area. Moreover, the annual and monthly variations in vegetation NDVI showed no significant time lag in response to precipitation, but a significant cumulative effect was observed. Approximately 38.58% of the study region exhibited a cumulative response of NDVI to precipitation lasting between one and two years, which was mostly concentrated in areas with lower annual precipitation and negligible changes in annual NDVI. Finally, the spatial and temporal distribution of the correlation coefficient between seasonal NDVI and cumulative monthly precipitation exhibited pronounced differences. The response time and percentage of NDVI to precipitation varied across seasons, with a range of 2-3 months (19.25%) for spring, 4 months (73.58%) for summer, and either 1 month (27.22%) or 3 months (34.91%) for autumn. This study revealed the absence of significant temporal delays in the vegetation response to precipitation in the Mu Us Desert. Additionally, it revealed that the cumulative effects varied significantly across different spatiotemporal scales. Consequently, the findings of this study serve as a foundation for optimizing ecological restoration programs involving artificial vegetation, as well as implementing the “water-based greening” approach.

Key words： vegetation NDVI; precipitation; time lag and cumulative effects; water-based greening; Mu Us Desert

降水是影响干旱区植被生长的关键因子，其强度及分布格局的改变会直接影响干旱区植被的生长态势和格局演变方向[1-2]。研究干旱区植物-降水关系，量化植被生长对降水的响应已成为全球气候变化研究的热点问题，对理解“以水定绿”具有重要意义。
现有的植被-降水响应研究非常关注植被-降水关系沿气候梯度、地貌类型、植被类型等因素所呈现出的空间差异，认为植被对降水的响应机理复杂，在区域和时间尺度上均存在较大差异[3⇓⇓⇓⇓⇓-9]，且存在不同时间的滞后和累积效应[10-11]。时间滞后效应表现为植被生长明显受到某个月份之前的降水的影响，而时间累积效应则表现为植被生长受到过去几个月以及当前月份累积降水的显著影响，且降水的时滞和累积效应可能同时存在[12]，对干旱区植被生长产生重要影响[13]。但是已有的研究多是分别探讨时间滞后或时间累积效应，对时滞-累积综合效应的研究仍不足，这将限制对植被-降水相互作用机制的理解和关系的量化。因此，有必要开展不同区域、不同时间尺度上植被变化对降水响应的时滞与累积效应研究。
毛乌素沙地具有典型的干旱-半干旱灌丛斑块景观。1959年以来，我国启动了毛乌素沙地治理工作，促使该地生态环境明显改善[14-15]。近年来，已有大量研究揭示了毛乌素沙地近20 a来整体变绿的事实，并就其原因进行了探讨[16⇓-18]。研究多从宏观整体出发，关注NDVI与气温、降水和人类活动的关系，研究结果因研究区域、研究时段、影响因素选择等的不同而存在一定的差异，这进一步证明毛乌素沙地植被与气候的关系存在显著的空间差异和累积效应。然而，目前，就具体空间差异并未进行深入探讨，尤其是植被对降水响应的时滞与累积效应的时空差异仍缺乏系统研究，“以水定绿”缺乏坚实的理论基础，长期的植被恢复还可能对干旱区水资源的可持续利用带来挑战[19⇓-21]。这些问题的解决对实现毛乌素沙地生态可持续发展至关重要。
基于此，本文从年际和季节尺度两个方面，深入分析了2000—2018年毛乌素沙地植被NDVI的动态变化，探索其对年降水和月降水的不同时滞累积响应的时空分布特征，以期为深化理解降水-植被相互作用机制提供参考，同时为干旱半干旱地区的人工固沙植被恢复和生态建设提供科学依据。

1 研究区概况、数据与方法

1.1 研究区概况

毛乌素沙地是典型干旱、半干旱生态过渡区[22]，总面积约4.22×104 km2，覆盖陕西榆林北部，宁夏盐池县东北部和内蒙古鄂尔多斯南部[23]。沙地总体地势自西北向东南倾斜，地形以丘陵、梁地及河流谷地与滩地为主，各种类型相间分布[24]。沙地受大陆性季风气候控制，年均温为5.6~10.2 ℃，年均降水量为154~450 mm，主要集中在7—9月[25]。土壤养分含量较低，以风沙土分布最为广泛，其余土壤类型包括栗钙土、棕钙土、草甸土和盐碱土等[26]。毛乌素沙地植物种类较多，主要有油蒿（Artemisia ordosica）、沙米（Agriophyllum squarrosum）、虫实（Corispermum hyssopifolium）、沙柳（Salix psammophila）、柠条（Caragana korshinskii）、杨柴（Corethrodendron fruticosum var. mongolicum）等，优势灌丛植物包括油蒿-草本群落、杨柴-草本群落、柠条-草本群落等。本文选取了毛乌素沙地的内蒙古范围作为研究区（图1），该区域地表覆被主要以裸地和草地为主，受植树造林等人类活动的影响相对较少。
图1 研究区地理位置

Fig. 1 Location of the study area

1.2 数据收集与处理

数据包括年和月最大NDVI（以下简称NDVI）数据、月降水数据，研究时段为2000—2018年。年最大NDVI数据基于GEE平台计算获取（30 m），用于分析研究时段NDVI的年际动态变化。月最大NDVI数据集[27]（2000—2020年，250 m）用于分析研究时段春季（4—5月）、夏季（6—8月）、秋季（9—10月）NDVI的时空变化；月降水数据集[28]（1909—2020年，1 km）用于分析研究时段降水的月动态和年动态变化，年降水为各月降水的和；月NDVI和月降水数据均来自国家青藏高原数据中心（https://data.tpdc.ac.cn）。为保证年和月尺度上研究的一致性，相关分析中使用的年NDVI（30 m）和降水数据（1 km）均重采样成250 m。

1.3 研究方法

采用Sen斜率方法[29]估计降水和植被NDVI的变化趋势，并使用MK方法[30]检验显著性；使用Pearson相关分析法[31]探讨植被与降水的关系。相关程度分类如下：∣r∣≥0.8为高度相关；0.5≤∣r∣<0.8为中度相关；0.3≤∣r∣<0.5为低度相关；∣r∣<0.3为极弱相关或不相关。
利用时滞累积相关系数 R *来表征NDVI对降水变化的时滞累积效应，在0.05置信水平上检验显著性后，对年尺度和季节尺度分别进行一元线性回归分析，计算公式如下：
R * = m a x R 0 ;   R l a g , 1 , ⋯ , R l a g , m ;   R a c u , 1 , ⋯ , R a c u , m
V e g = a × P R E m + b
式中： R 0表示NDVI与当年（月）降水量的相关系数； R l a g , 1 , R l a g , m分别表示植被与前推1 a（月）、前推m年（月）降水量的相关系数。 R a c u , 1 , R a c u , m分别表示植被与前推1 a（月）、前推m年（月）累积降水量的相关系数。若 R * = R a c u , m，则说明植被对累积降水的响应时间是（m+1）年（月）。若 R * = R l a g , m，则说明植被对降水的响应滞后m年（月）。 V e g表示某尺度的NDVI；a和b为回归系数； P R E m为前推m年（月）的降水量或累积降水量。
基于现有的时滞累积效应研究[32]，结合本研究区的实际情况，年尺度上，m取0、1和2，即当年降水量，前推1 a、前推2 a降水量，前推1 a、前推2 a累积降水量共5个年降水变量；月尺度上，m取0、1、2和3，即当月降水量，前推1月、前推2月、前推3月降水量，前推1月、前推2月、前推3月累积降水量共7个月降水变量。本文结合时滞相关系数 R *和回归分析拟合系数R2来确定时滞和累积的最佳时间效应。

2 结果与分析

2.1 沙地植被时空变化特征

对2000—2018年研究区年均NDVI的时空变化特征分析表明，研究区年均NDVI总体呈上升趋势（0.0062 a-1，P<0.05），但不同季节上升趋势存在一定差异（图2e）。夏季NDVI呈显著大幅增长（0.0044 a-1，P<0.05），春季和秋季NDVI呈极显著增加（P<0.01），增长率分别为0.0029 a-1和0.0043 a-1，秋季NDVI增幅大于春季。
图2 2000—2018年毛乌素沙地植被年和季节NDVI的时空变化

Fig. 2 Spatiotemporal variation of annual and seasonal NDVI in Mu Us Desert during 2000-2018

此外，年均NDVI和季节NDVI变化率的空间分布差异明显（图2a~图2d）。年均、春季、夏季、秋季NDVI无显著变化的区域分别占65.85%、16.80%、45.67%、40.71%，显著变化的区域分别占34.15%、83.20%、54.33%、59.29%，其中显著降低的区域占比均低于3%。按照显著降低（slope<0，P<0.05）、低强度增加（0<slope≤0.004，P<0.05）、中强度增加（0.004<slope<0.006，P<0.05）、高强度增加（slope≥0.006，P<0.05）的标准对NDVI显著变化的区域进行分级，不同变化类型的面积占比如图2f所示。春季NDVI变化以低强度增加为主，占比60.88%；夏季和秋季NDVI高强度增加的比例更大，分别占23.81%和21.56%。除春季外，年均、夏季和秋季NDVI显著变化区域的空间分布格局大致相似，高强度增加的区域主要位于研究区东部乌审旗、伊金霍洛旗、东胜市和达拉特旗。总体上，2000—2018年毛乌素沙地整体呈现变绿趋势，春季呈现低强度、大面积的显著变绿，夏季和秋季则以小区域的高强度变绿为主。

2.2 降水时空变化特征

2000—2018年，研究区多年平均降水在空间上呈现由东南到西北递减的分布特征，但其年降水和月降水的时空变化趋势差异明显（图3）。时间上来看，年均降水量呈非显著性增加的趋势（3.12 mm·a-1，P>0.05），年均降水增加的区域主要分布在研究区的东部和南部。夏季降水变化趋势的空间分布与年均降水类似。春季降水在研究区东北部的达拉特旗和东胜市呈不显著下降趋势，在西南部则呈不显著上升趋势。秋季降水的空间变化趋势与春季相反，在研究区西南部的鄂托克前旗呈下降趋势，在达拉特旗和东胜市呈上升趋势。这表明研究时段内，毛乌素沙地整体降水呈增加的趋势（P>0.05），且春季和秋季降水时空分布变异性较大。
图3 毛乌素沙地降水特征

Fig. 3 Precipitation characteristics in Mu Us Desert

2.3 沙地植被对降水的响应

2.3.1 年际尺度植被NDVI与降水的相关性

基于2000—2018年毛乌素沙地年NDVI数据，本研究计算了年均NDVI与不同时间滞后降水量和累积降水量的Pearson相关系数。结果表明（表1），年均NDVI与前推1 a降水量和前推2 a降水量无显著相关，说明研究时段内年均NDVI对年均降水的响应无时间滞后性；年均NDVI与当年降水量、前推1 a累积降水量、前推2 a累积降水量均显著相关（P<0.05），表明降水对年均NDVI的影响具有累积效应。对年均NDVI与累积降水量进行回归分析（图4a~图4c），结果表明研究区年均NDVI对前推1 a累积降水量的响应更明显（R2最大），降水每增加1 mm，NDVI增加0.004。
表1 年均NDVI与年降水的相关系数

Tab. 1 Correlation coefficient between annual NDVI and annual precipitation

降水指标 前推2 a降水 前推1 a降水 当年降水 前推1 a累积降水 前推2 a累积降水
年均NDVI 0.052 0.172 0.580* 0.582* 0.497*

注：*表示显著相关（P<0.05）；**表示极显著相关（P<0.01）。下同。

图4 年NDVI与累积降水量的关系

Fig. 4 Relationship between annual NDVI and accumulated precipitation

对年均NDVI与累积年降水的相关系数进行逐像元分析。结果表明（图4d~图4f），NDVI与当年降水量、前推1 a累积降水量、前推2 a累积降水量显著相关的区域分别占27.97%、28.89%和7.68%，且显著相关的区域空间分布差异较大。NDVI与当年降水量、前推1 a累积降水量显著相关的区域空间分布大致相似，主要位于研究区西部，分别占年均NDVI无显著变化区域的35.09%和33.09%。NDVI与前推2 a累积降水量显著相关的区域分布相对零散，仅占年均NDVI无显著变化区域的9.23%。

2.3.2 季节尺度植被NDVI与降水的相关性

通过相关分析计算2000—2018年月NDVI与不同时间滞后和累积月降水的相关系数，结果表明（表2），毛乌素沙地生长季大多数月份NDVI与当月降水、前推1月、2月和3月降水均呈不显著的弱相关，仅7月NDVI与当月降水、8月NDVI与前推1月降水、9月NDVI与前推2月降水、10月NDVI与前推3月降水呈极显著相关。说明生长季前期植被NDVI对月降水的响应无显著时滞性，只有7月降水可显著影响8月、9月、10月植被NDVI。
表2 生长季各月NDVI与月降水的相关系数

Tab. 2 Correlation coefficient between monthly NDVI and precipitation in growing season

降水指标 春季 夏季 秋季
4月 5月 6月 7月 8月 9月 10月
前推3月降水 -0.22 0.074 0.359 0.215 0.236 0.159 0.599**
前推2月降水 0.189 0.078 0.273 0.438 0.299 0.759** 0.221
前推1月降水 0.026 0.261 0.36 0.433 0.803** 0.284 0.014
当月降水 0.362 0.039 0.401 0.651** 0.180 -0.022 0.299
前推1月累积降水 0.323 0.166 0.469* 0.736** 0.628** 0.194 0.153
前推2月累积降水 0.334 0.174 0.500* 0.787** 0.731** 0.564* 0.256
前推3月累积降水 0.285 0.177 0.526* 0.777** 0.770** 0.612** 0.517*
累积效应方面（表2），4月、5月NDVI与累积降水均呈现不显著的低度相关；6月、7月、8月NDVI与累积月降水均呈显著正相关；9月NDVI与前推2月、前推3月累积降水分别呈显著和极显著正相关，10月NDVI则只与前推3月累积降水呈显著正相关。说明月降水对植被NDVI的影响具有显著的累积效应，且各月NDVI与累积降水的相关性会随着累积时间的增加而呈增强趋势。
对春季、夏季、秋季整体NDVI与降水的相关系数进行计算，结果表明（图5a），春季和秋季NDVI与前推2月累积降水相关性最强（春季P>0.05，秋季P<0.05），夏季NDVI与前推3月累积降水相关性最强（P<0.01）。分别对相关性最强的变量进行回归分析（图5b~图5d），结果表明，夏季NDVI对前推3个月累积降水的响应最显著，累积降水每增加1 mm，NDVI增加7×10-6。
图5 季节NDVI与月降水相关系数及回归分析

Fig. 5 Correlation coefficient and regression analysis of seasonal NDVI and monthly precipitation

逐像元计算季节整体NDVI与累积月降水的相关系数，结果表明（图6），生长季NDVI与月降水显著负相关的区域非常少，占比低于0.01%。相比之下，夏季NDVI与当月降水、前推1月、前推2月和前推3月累积降水呈显著正相关的区域占比最大，分别为49.99%、58.49%、59.03%和59.10%。秋季NDVI与当月降水、前推1月、前推2月和前推3月累积降水呈显著正相关的区域占比次之，分别为36.45%、36.95%、43.96%、23.51%。春季NDVI与当月降水、前推1月、前推2月和前推3月累积降水呈显著正相关的区域占比最小，分别为5.22%、11.86%、12.69%、11.12%。这些结果清晰地揭示了毛乌素沙地不同季节植被对降水响应的时空差异。
图6 2000—2018年季节NDVI与累积降水的相关系数空间分布

Fig. 6 Spatial distribution of correlation coefficients between NDVI and accumulated precipitation in different seasons during 2000-2018

2.3.3 沙地植被对降水响应的累积时间分析

综上所述，年和季节NDVI与累积降水量的关系更显著。基于前述NDVI与累积降水量的逐象元相关分析结果，选取每个像元的时滞累积相关系数R*（即最大相关系数）来确定植被对降水响应的累积时间，结果如图7所示。年均NDVI对年降水响应的累积时间主要为1 a（即当年降水）和2 a（前推1 a累积降水），分别占18.24%和20.34%，主要分布在研究区西部的鄂托克旗、鄂托克前旗和东胜市（图7a），说明该区域植被对累积年降水的响应更显著。
图7 NDVI对降水响应累积时间的空间分布

Fig. 7 Spatial distribution of accumulation time of NDVI response to precipitation

季节NDVI对月降水响应累积时间的空间分布则呈现出不同的特征。春季NDVI对月降水响应累积时间多为2个月和3个月，占比分别为9.18%和10.07%，主要分布在鄂托克前旗和乌审旗南部，在鄂托克旗西北部也有块状分布（图7b）；夏季NDVI对月降水响应累积时间主要为4个月，占比73.58%，在全区域广泛分布（图7c）；秋季NDVI对月降水响应累积时间空间分布差异明显，累积时间为1个月、2个月、3个月和4个月的区域占比分别为27.22%、10.63%、34.91%和7.73%（图7d）。

3 讨论

本研究结果表明，毛乌素沙地植被在过去20 a的演变过程中，年均和季均NDVI整体呈现显著增加趋势，揭示了毛乌素沙地整体变绿的事实[16⇓-18]，且毛乌素沙地的变绿与降水高度相关。近59 a来，我国西北部经历了显著的暖湿化过程[33]，过去30多年气候和人类活动共同解释了毛乌素沙地整体变绿的现象，其中气候对毛乌素沙地植被NDVI变化的相对贡献率是41.9%，退耕还林还草等人类活动的贡献率是58.1%[17]。但是人类活动对毛乌素沙地植被的强烈影响主要集中在局部地区，如毛乌素沙地东部的神木县、榆阳县、横山县、靖边县、乌审旗，在区域尺度上仍是气候变化对植被的影响更加明显[34]，且降水是影响毛乌素沙地植被NDVI年际变化（1980—2020年）的主要因素[18]。本文的研究结果也表明，研究区整体年NDVI与年降水量呈显著正相关（图4a~图4c）。
关于植被对降水的响应，前人的研究通常认为存在时滞累积效应，且时滞累积效应与植被类型、人类活动、气候等因素有关[11]。但本文的研究表明，年均NDVI对年降水的响应没有显著滞后效应（表1），但存在明显的累积效应。在年均降水量较少的区域（鄂托克旗和鄂托克前旗），植被NDVI在2000—2018年虽没有显著的变化趋势（图2a），但其对年降水的响应显著且快速，响应累积时间为1 a或2 a（图7a）。这可能与该区域一年或二年生草本植物广泛分布有关[35]。一年或二年生草本植物对年降水的依赖强，对年降水变化的响应更快速[36]。因此，当该区域年降水量没有显著变化趋势时，该区域的植被NDVI年际变化趋势也不显著。在年均降水量较多的区域（乌审旗，伊金霍洛旗和东胜市），年降水对植被NDVI的累积效应并不显著（图4和图7a），这与该区域植被NDVI更多的受到人类活动（生态恢复工程等）影响有关。根据林业部门的统计数据，毛乌素沙地东部（位于陕西榆林市的神木、横山、靖边、榆阳，鄂尔多斯的乌审旗）的平均造林面积均超过西部（鄂托克旗和鄂托克前旗），东部各县区造林活动对年均NDVI变化的贡献率超过60%[17]。
季节尺度上，本文的研究表明，月降水对季节NDVI的影响整体依然没有显著的时滞性，但降水累积效应显著。由于研究区冬春季降水量少，且毛乌素沙地植被物候开始的时间更多受到气温影响[22,37]，因此，春季NDVI对累积降水的响应整体并不显著（图5a，图5b）。而在空间分布上，仅在春季降水增加趋势更明显的研究区南部（图3c），植被NDVI对月累积降水的响应才相对显著（图7b），且累积响应时间约为2~3个月。已有研究表明，我国西北部年均降水量在150~500 mm的地区，植被的夏季和秋季NDVI与累积降水的相关性非常显著[7]，这与本文的研究结果一致（图6）。此外，广泛分布于该区域的灌丛植被对降水的变化非常敏感，秋季灌丛的生长状况主要受到夏季降水的控制[10]。本文的研究结果同样发现，毛乌素沙地的夏季降水量对植被NDVI的影响出现了一定的滞后性，比如7月降水量显著影响8—10月的NDVI。可能的原因是在亚洲季风环流的影响下，灌丛植物群落的可用水量主要由夏季降水量决定。从图7d中显示的秋季植被对降水响应的最佳累积时间的分布中可以看出，随着年均降水量从东部到西部的不断降低，累积响应时间从1个月逐渐延长为4个月，这也表明了夏季降水量更高的区域可以更有效地缓解秋季植被所受到的水分胁迫，进而植被对降水累积效应的响应时间更短。

4 结论

通过分析年际和季节尺度上毛乌素沙地植被和降水关系的时空变化特征，本文探讨了毛乌素沙地植被对降水时滞累积响应的时空差异性。主要结论如下：
（1） 2000—2018年毛乌素沙地整体变绿，局部地区变绿趋势不显著。夏季NDVI显著增加的区域（83.2%）超过年均NDVI显著增加的区域（34.15%）。
（2） 研究区植被NDVI的年、月变化对降水的响应均无显著时间滞后，但有显著时间累积效应。
（3） 季节NDVI与累积月降水相关性的时空分布差异明显。春季、夏季和秋季NDVI的累积响应时间和占比分别为2~3个月（19.25%），4个月（73.58%），1个月（27.22%）或3个月（34.91%）。
本研究深入剖析了毛乌素沙地植被对降水的累积响应在不同时空尺度上的差异。未来可基于此研究结果，进行暖湿化背景下毛乌素沙地植被变化的模拟和预测，进而为毛乌素沙地生态可持续恢复提供理论参考及决策依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Li C, Fu B, Wang S, et al. Climate-driven ecological thresholds in China’s drylands modulated by grazing[J]. Nature Sustainability, 2023, 6: 1363-1372.

[2]
O Sungmin, Park S K. Global ecosystem responses to flash droughts are modulated by background climate and vegetation conditions[J]. Communications Earth & Environment, 2024, 5(1): 1-7.

[3]
Yang L, Wylie B K, Tieszen L L, et al. An analysis of relationships among climate forcing and time-integrated NDVI of grasslands over the U.S. Northern and Central Great Plains[J]. Remote Sensing of Environment, 1998, 65: 25-37.

[4]
Ren H, Wen Z, Liu Y, et al. Vegetation response to changes in climate across different climate zones in China[J]. Ecological Indicators, 2023, 155: 110932.

[5]
Jiang L, Jiapaer G, Bao A, et al. Vegetation dynamics and responses to climate change and human activities in Central Asia[J]. Science of the Total Environment, 2017, 599-600: 967-980.

[6]
Sun G, 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.

[7]
吴万民, 刘涛, 陈鑫. 西北干旱半干旱区NDVI季节性变化及其影响因素[J]. 干旱区研究, 2023, 40(12): 1969-1981.

[ Wu Wanmin, Liu Tao, Chen Xin. Seasonal changes of NDVI in the arid and semi-arid regions of Northwest China and its influencing factors[J]. Arid Zone Research, 2023, 40(12): 1969-1981. ]

[8]
裴志林, 曹晓娟, 王冬, 等. 内蒙古植被覆盖时空变化特征及其对人类活动的响应[J]. 干旱区研究, 2024, 41(4): 629-638.

[ Pei Zhilin, Cao Xiaojuan, Wang Dong, et al. Spatiotemporal variation in vegetation coverage in Inner Mongolia and its response to human activities[J]. Arid Zone Research, 2024, 41(4): 629-638. ]

[9]
赵东颖, 蒙仲举, 孟芮冰, 等. 乌兰布和沙漠风沙入黄段植被覆盖动态变化特征及驱动力[J]. 干旱区研究, 2024, 41(4): 639-649.

[ Zhao Dongying, Meng Zhongju, Meng Ruibing, et al. Dynamic change characteristics and driving forces of vegetation cover in the Ulan Buhe Desert along the Yellow River[J]. Arid Zone Research, 2024, 41(4): 639-649. ]

[10]
Chen Z, Wang W, Fu J. Vegetation response to precipitation anomalies under different climatic and biogeographical conditions in China[J]. Scientific Reports, 2020, 10: 830.

DOI PMID

[11]
Zhao J, Huang S, Huang Q, et al. Time-lagged response of vegetation dynamics to climatic and teleconnection factors[J]. Catena, 2020, 189: 104474.

[12]
Guo L, Cheng J, Luedeling E, et al. Critical climate periods for grassland productivity on China’s Loess Plateau[J]. Agricultural and Forest Meteorology, 2017, 233: 101-109.

[13]
Wei X, He W, Zhou Y, et al. Global assessment of lagged and cumulative effects of drought on grassland gross primary production[J]. Ecological Indicators, 2022, 136: 108646.

[14]
Wang X, Cheng H, Li H, et al. Key driving forces of desertification in the Mu Us Desert, China[J]. Scientific Reports, 2017, 7(1): 3933.

[15]
刘如龙, 赵媛媛, 陈国清, 等. 内蒙古黄河流域1990—2020年生境质量评估[J]. 干旱区研究, 2024, 41(4): 674-683.

[ Liu Rulong, Zhao Yuanyuan, Chen Guoqing, et al. Assessment of habitat quality in the Yellow River Basin in Inner Mongolia from 1990 to 2020[J]. Arid Zone Research, 2024, 41(4): 674-683. ]

[16]
Xiu L, Yan C, Li X, et al. Monitoring the response of vegetation dynamics to ecological engineering in the Mu Us Sandy Land of China from 1982 to 2014[J]. Environmental Monitoring and Assessment, 2018, 190: 543.

DOI PMID

[17]
Sun Z, Mao Z, Yang L, et al. Impacts of climate change and afforestation on vegetation dynamic in the Mu Us Desert, China[J]. Ecological Indicators, 2021, 129: 108020.

[18]
Gao W, Zheng C, Liu X, et al. NDVI-based vegetation dynamics and their responses to climate change and human activities from 1982 to 2020: A case study in the Mu Us Sandy Land, China[J]. Ecological Indicators, 2022, 137: 108745.

[19]
Feng X, Li J, Cheng W, et al. Evaluation of AMSRE retrieval by detecting soil moisture decrease following massive dryland re-vegetation in the Loess Plateau, China[J]. Remote Sensing of Environment, 2017, 196: 253-264.

[20]
Wang X, Wang B, Xu X, et al. Spatial and temporal variations in surface soil moisture and vegetation cover in the Loess Plateau from 2000 to 2015[J]. Ecological Indicators, 2018, 95: 320-330.

[21]
Zhang M, Wu X. The rebound effects of recent vegetation restoration projects in Mu Us Sandy Land of China[J]. Ecological Indicators, 2020, 113: 106228.

[22]
杨梅焕, 靳小燕, 王涛. 毛乌素沙地植被物候变化及其对气候变化的响应[J]. 水土保持通报, 2022, 42(2): 242-249.

[ Yang Meihuan, Jin Xiaoyan, Wang Tao. Vegetation phenology change of Mu Us Sandy Land and its response to climate change[J]. Bulletin of Soil and Water Conservation, 2022, 42(2): 242-249. ]

[23]
雷雅凯. 毛乌素沙地油蒿种群格局研究[D]. 北京: 中国林业科学研究院, 2012.

[ Lei Yakai. Spatial Pattern of Artemisia Ordosica Population in Mu Us Sand Land, in Inner Mongolia[D]. Beijing: Chinese Academy of Forestry, 2012. ]

[24]
牛振国, 李保国, 张凤荣, 等. 参考作物蒸散量的分布式模型[J]. 水科学进展, 2002, 13(3): 303-307.

[ Niu Zhenguo, Li Baoguo, Zhang Fengrong, et al. A distributed model of reference evapotranspiration based on the DEM[J]. Advances in Water Science, 2002, 13(3): 303-307. ]

[25]
朱娅坤, 秦树高, 张宇清, 等. 毛乌素沙地植被物候动态及其对气象因子变化的响应[J]. 北京林业大学学报, 2018, 40(9): 98-106.

[ Zhu Yakun, Qin Shugao, Zhang Yuqing, et al. Vegetation phenology dynamic and its responses to meteorological factor changes in the Mu Us Desert of northern China[J]. Journal of Beijing Forestry University, 2018, 40(9): 98-106. ]

[26]
杨梅焕, 李扬, 王涛, 等. 毛乌素沙地植被水分利用效率时空变化特征及其对水热条件的响应[J]. 测绘通报, 2023(7): 44-50, 79.

DOI

[ Yang Meihuan, Li Yang, Wang Tao, et al. Spatial and temporal change of water use efficiency and its response to air temperature and precipitation in the Mu Us Sandy Land[J]. Bulletin of Surveying and Mapping, 2023(7): 44-50, 79. ]

DOI

[27]
高吉喜, 史园莉, 张宏伟, 等. 中国区域250米归一化植被指数数据集(2000—2022)[DB/OL]. 国家青藏高原数据中心, 2023.

[ Gao Jixi, Shi Yuanli, Zhang Hongwei, et al. China regional 250 m normalized difference vegetation index data set (2000-2022)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center, 2023. ]

[28]
彭守璋. 中国1 km分辨率逐月降水量数据集(1901-2022)[DB/OL]. 国家青藏高原数据中心, 2020.

[ Peng Shouzhang. 1-km monthly precipitation dataset for China (1901-2022)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center, 2020. ]

[29]
Sen P K. Estimates of the regression coefficient based on Kendall’s tau[J]. Journal of the American Statistical Association, 1968, 63: 1379-1389.

[30]
Hamed K H, Rao A R. A modified Mann-Kendall trend test for autocorrelated data[J]. Journal of Hydrology, 1998, 204(1-4): 182-196.

[31]
Pearson K. Notes on the history of correlation[J]. Biometrika, 1920, 13(1): 25-45.

[32]
Wu D, Zhao X, Liang S, et al. Time-lag effects of global vegetation responses to climate change[J]. Global Change Biology, 2015, 21: 3520-3531.

DOI PMID

[33]
赵东升, 高璇, 吴绍洪, 等. 基于自然分区的1960—2018年中国气候变化特征[J]. 地球科学进展, 2020, 35(7): 750-760.

[ Zhao Dongsheng, Gao Xuan, Wu Shaohong, et al. Trend of climate variation in China from 1960 to 2018 based on natural regionalization[J]. Advances in Earth Science, 2020, 35(7): 750-760. ]

[34]
Miao L, Moore J C, Zeng F, et al. Footprint of research in desertification management in China[J]. Land Degradation & Development, 2015, 26(5): 450-457.

[35]
许冬梅, 刘彩凤, 谢应忠, 等. 毛乌素沙地南缘生态过渡带植被物种多样性的研究[J]. 干旱区资源与环境, 2010, 24(3): 153-157.

[ Xu Dongmei, Liu Caifeng, Xie Yingzhong, et al. Studies on species diversity in southern ecotone of Mu Us Sandy Land[J]. Journal of Arid Land Resources and Environment, 2010, 24(3): 153-157. ]

[36]
Propastin P A, Kappas M, Muratova N R. Inter-annual changes in vegetation activities and their relationship to temperature and precipitation in Central Asia from 1982 to 2003[J]. Journal of Environmental Informatics, 2008, 12: 75-87.

[37]
王祎宸, 贺洁, 何亮, 等. 黄河流域2001—2020年植被物候及其对气候变化的响应[J]. 生态学报, 2024, 44(2): 844-857.

[ Wang Yichen, He Jie, He Liang, et al. Vegetation phenology and its response to climate change in the Yellow River Basin from 2001 to 2020[J]. Acta Ecologica Sinica, 2024, 44(2): 844-857. ]

Options
文章导航

/

〈 〉