EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 192 - 202

DOI: https://doi.org/10.6046/zrzyyg.2024011

Exploring the dynamic evolution of vegetation cover in Xichuan County, Henan Province by integrating multisource remote sensing data

  • GE Liling , 1 ,
  • WANG Lu , 2
Expand
  • 1. Henan Provincial National Land Space Survey and Planning Institute, Zhengzhou 450016, China
  • 2. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China

Received date: 2024-01-04

  Revised date: 2024-06-26

  Online published: 2026-06-03

Fold

Abstract

Xichuan County serves as a primary water source area for the middle route of the South-to-North Water Diversion Project. Investigating the spatiotemporal variations and driving mechanism of vegetation cover in Xichuan County is significant for the ecological restoration of the county and the environmental protection of the water source area for the middle route. Based on available Landsat and MODIS data, this study constructed long time-series fractional vegetation cover (FVC) data for Xichuan County from 2002 to 2022 using the spatiotemporal adaptive reflection fusion model (STARFM) and the dimidiate pixel model. In combination with regression and trend analyses, the geodetector model, and correlation analysis, this study explored the spatiotemporal variations and driving mechanism of vegetation cover in Xichuan County during the study period. The results indicate that the coefficient of determination (R2) between the STARFM-reconstructed and real annual-scale FVC reached 0.914, an improvement of 0.05 compared to 0.864 under conditions of data missing. Therefore, the STARFM can provide a reliable data basis for more accurately investigating the dynamic evolution of vegetation cover in Xichuan County. From 2002 to 2022, the vegetation cover in Xichuan County was ordinary, with an average FVC value of 0.516, characterized by higher vegetation cover in the northwest compared to the southeast. The vegetation cover in Xichuan County showed an overall improvement trend, with an improved area representing 76.02 %, primarily covering the northwestern and southeastern portions of Xichuan County. In contrast, the degraded area represented 23.98 %, primarily covering the areas surrounding the Danjiangkou reservoir, Danjiang River, and Xishui branch. The spatial heterogeneity of vegetation cover in Xichuan County was predominantly influenced by elevation and slope, followed by soil type and average temperature, with minimal impacts from soil texture and average rainfall. The improvement and degradation of vegetation cover in Xichuan County were principally caused by anthropogenic factors, with minimal influence from climate factors. The primary anthropogenic factor denotes the middle route of the South-to-North Water Diversion Project, which contributed significantly to vegetation growth rather than inhibitory effects.

Key words： Xichuan County; middle route of the South-to-North Water Diversion Project; spatiotemporal adaptive reflection fusion model (STARFM); fractional vegetation cover (FVC)

Cite this article

GE Liling , WANG Lu . Exploring the dynamic evolution of vegetation cover in Xichuan County, Henan Province by integrating multisource remote sensing data[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 192 -202 . DOI: 10.6046/zrzyyg.2024011

0 引言

植被作为区域的重要生态保护屏障,对区域的生态安全和可持续发展起着不可替代的作用,植被的分布状况和变化趋势时刻反映着气候和人类活动对生态环境的影响[1]。河南省淅川县因淅水纵贯境内形成百里冲积平川而得名,位于其南部的丹江口水库是南水北调中线工程的主要水源地[2-3],属于南水北调中线工程的重要水源区,探究其生态系统的健康状况和演变趋势,对淅川县的环境保护和可持续发展具有重要意义。因此,探究淅川县植被的时空变化特征及其驱动机制,可以为淅川县的生态修复和南水北调中线工程水源区的环境保护提供重要的决策依据。
遥感数据因具有成本低、可靠性强和时间连续性的特点,被研究者们广泛应用于长时序的植被研究中,其能够为多种植被指数的提取和反演提供稳定的数据源[4-5]。例如植被覆盖度是直观反映地表植被状况的重要指标,植被覆盖度的提取方法可分为经验模型法和植被指数转换法2种[6]。归一化差值植被指数(normalized difference vegetation index,NDVI)是植被指数转换法中普适性较好且应用较广泛的一种[7-9],而像元二分模型是以NDVI为遥感信息量开发的一种经验模型方法[10],且被大多数研究者应用于植被覆盖研究中,该方法削弱了大气、土壤背景和植被类型的影响,普适性较好[11],能够弥补NDVI对高植被覆盖和低植被覆盖研究效果欠佳的缺点。例如晋成名等[12]、赵冬林等[13]和刘雨亭等[14]均利用像元二分模型分别对陕北地区、金沙江干热河谷和西南地区的植被覆盖度进行了反演,并完成了后续的时空演变研究,取得了较好的效果。因此,本研究使用像元二分模型对淅川县的植被进行植被覆盖度反演。
植被受到季节的显著影响,在我国大部分地区,植被生长季主要集中在4—10月间,每个月的植被覆盖度都有显著差异,如果仅选择一年中的某一个月进行研究,可能无法全面反映植被覆盖度的实际情况。因此,对研究区域的植被生长季或旺盛季进行深入研究是有必要的。这种研究需要依赖长时间序列和区域性的遥感数据支持,其中,Landsat系列卫星影像数据以其长时序和中高分辨率的特点,成为首选数据源,但云层遮挡和数据缺失等问题可能导致时间序列不连续[15]。相比之下,虽然MODIS系列卫星影像数据的分辨率较低,但其数据质量相对较好,且能满足长时间序列的需求,对于小尺度区域的植被覆盖变化研究,由于其分辨率限制,可能不够精确[16]。因此,为了精确研究小尺度区域植被覆盖度的动态演变,结合2种数据源的优势是必要的。时空融合模型为此提供了可能性,通过这一模型,利用已知时刻的高分辨率影像、低分辨率影像以及预测时刻的低分辨率影像,融合出预测时刻的高质量影像[17-18]。目前,常用的典型时空融合模型包括:时空自适应反射率融合模型(spatio-temporal adaptive reflectance fusion model,STARFM)[19]、增强的时空自适应反射率融合模型(enhanced STARFM,ESTARFM)[20]和灵活的时空数据融合模型(flexible spatio-temporal data fusion model,FSDAF)等[21]。并且众多学者已经将其成功应用于植被覆盖及其他指数的研究中。例如,张玉琢等[22]利用STARFM模型融合得到2000—2016年桑科草原高时空分辨率的植被指数数据集,并结合实测数据构建生物量遥感反演模型,取得了较好的效果。Wang等[23]利用5种时空融合方法对年尺度NDVI进行重建研究,发现经过时空融合方法重建后的年尺度NDVI精度均高于月份缺失的年尺度NDVI精度。
综上所述,为更加准确地探究河南省淅川县植被覆盖的空间分布和生长变化情况及驱动机制,本研究首先以现有的Landsat和MODIS数据为基础,利用STARFM模型,构建了2002—2022年淅川县的高质量影像;然后结合像元二分模型反演方法,构建2002—2022年淅川县植被生长旺季的长时序植被覆盖度(fractional vegetation cover,FVC)数据,并结合回归趋势分析方法,探究21 a间淅川县植被覆盖度时空变化特征;最终,利用地理探测器模型探究淅川县植被空间分异性的驱动机制,将回归趋势分析方法和相关性分析方法相结合,探究淅川县植被生长变化的驱动机制,从而为淅川县生态环境的修复和可持续发展提供决策依据。

1 研究区概况及数据源

1.1 研究区概况

河南省淅川县位于豫、鄂、陕三省交界处,因淅水纵贯境内形成百里冲积平川而得名,地理坐标处于32°55'~33°23'N,110°58'~111°53'E之间,总面积为2 817.7 km2,地势呈现“西北高,东南低”的特征,高程在100~1 050 m之间,地理位置如图1所示。其属于亚热带季风性湿润气候,四季分明,气候温和,雨量充沛,该县的年平均气温约为15 ℃,年降水量约800 mm。淅川县有丰富的水资源、森林资源、矿产资源和旅游资源等。该县的水资源主要来自丹江口水库,森林覆盖率较高,达到49.7%,为当地的生态环境做出了重要贡献。此外,位于淅川县南部的丹江口水库是南水北调中线工程的主要水源地,且位于研究区中部的丹江是汉江在秦岭南坡的最大支流。因此,淅川县为南水北调中线工程的重要水源区,研究淅川县的植被变化对保护环境、调节气候、管理水资源、促进生态经济发展具有重要意义,可为可持续发展提供科学依据和决策支持。
图1 研究区地理位置

Fig.1 Geographic location of the study area

1.2 数据获取及预处理

本研究以2002—2022年生长季(4—10月份)为研究区间,每隔2 a为一个研究对象,共11个时期,开展淅川县的植被长时序研究。使用到的数据包括用于融合的高空间分辨率数据和低空间分辨率数据以及用于驱动机制探究的驱动因子数据。
用于融合的高空间分辨率数据为Landsat4—5 TM,7 ETM+和8—9 OLI数据集,其空间分辨率为30 m,卫星回访周期为16 d,但可用的数据集的时间分辨率远小于16 d,数据获取于美国地质勘探局网站(https://earthexplorer.usgs.gov/),表1为使用的Landsat数据波段的详细介绍。使用的数据产品为Landsat 2级数字产品,即经过辐射校正后的数字产品,最终使用ENVI软件对其进行裁剪。
表1 使用的Landsat数据的波段详细介绍

Tab.1 Detailed description of the used bands of Landsat data

波段类型 Landsat4—5 TM Landsat7 ETM+ Landsat8—9 OLI
波段 波长/μm 波段 波长/μm 波段 波长/μm
近红外
(NIR)		 B4 0.76~0.90 B4 0.76~0.96 B5 0.85~0.88
红波段
(Red)		 B3 0.63~0.69 B3 0.62~0.69 B4 0.64~0.67
用于融合的低空间分辨率数据为MOD13Q1数据和类似MODIS数据。MOD13Q1数据的空间分辨率为250 m,时间分辨率为16 d,获取于美国国家航空航天局(https://search.earthdata.nasa.gov/),表2为使用的MOD13Q1数据介绍。首先使用MRT数据工具对其进行重投影,获得与Landsat数据相同投影坐标系的MODIS数据,然后使用ENVI软件对其进行裁剪和重采样,使其与Landsat数据具有相同的行列号。用于验证实验的是类似MODIS数据,通过相应日期的Landsat数据下采样获得,空间分辨率数据为240 m。
表2 使用的MOD13Q1数据

Tab.2 Detailed description of MOD13Q1 data

波段 波长/μm
B2 0.84~0.87
B1 0.62~0.67
驱动因子数据包括高程、坡度、坡向、土壤类型、土壤质地、气温和降雨量数据。高程、坡度、坡向数据的空间分辨率为30 m,高程获取于美国国家航空航天局(https://search.earthdata.nasa.gov/),坡度和坡向数据通过高程计算获得;土壤类型和土壤质地获取于中国科学院资源环境科学数据中心(https://www.resdc.cn);降雨量和气温数据获取于国家气象科学数据中心(http: //data.cma.cn),选择的是年尺度平均值数据。土壤类型、土壤质地、气温和降雨数据的空间分辨率为1 km。利用ENVI软件对这些数据进行重采样,达到与Landsat数据相同的行列号,并进行掩模处理。
表3和表4分别为研究区2002—2022年4—10月份可用的Landsat数据集(云量<5%)以及用于融合的MODIS数据集的详细日期,可见,研究区可用的Landsat影像覆盖率仅为46.75%。
表3 Landsat影像数据集信息

Tab.3 Landsat image dataset information

月份 2002年 2004年 2006年 2008年 2010年 2012年 2014年 2016年 2018年 2020年 2022年
4 04/02 — 04/29 04/26 04/16 — — 04/16 04/06 — —
5 05/04 05/17 05/23 05/12 05/02 — 05/29 — — — 05/03
6 06/13 — 06/16 06/05 — — — 06/27 08/14 06/30 06/28
7 07/07 07/04 — — — 09/04 07/08 07/29 — — —
8 08/16 — — — — — — — — 08/09 —
9 09/01 09/22 — 08/09 — — — 09/23 — 09/18 —
10 10/27 10/08 10/14 — — — — — — — 10/18
表4 MODIS影像数据集信息

Tab.4 MODIS image dataset information

月份 2002年 2004年 2006年 2008年 2010年 2012年 2014年 2016年 2018年 2020年 2022年
4 — 04/06 — — — 04/06 04/07 — — 04/06 04/07
5 — — — — — 05/08 — 05/08 05/09 05/08 —
6 — 06/09 — — 06/10 06/09 06/10 — — — —
7 — — 07/12 07/11 07/12 — — — 07/12 07/11 07/12
8 — 08/12 08/13 08/12 08/13 08/12 08/12 08/12 08/13 — 08/13
9 — — 09/14 — 09/14 09/14 09/14 — 09/14 — 09/14
10 — — — 10/15 10/16 10/15 10/16 10/15 10/16 10/15 —

2 研究方法

2.1 STARFM时空融合方法

STARFM由Gao等[19]在2006年提出,是目前为止应用最为广泛的权重融合模型之一,该方法的原理是考虑同一时间同一区域内像元的空间和光谱相似性。它利用预测日期前或后的一对高低分辨率影像以及预测日期当天的一幅低分辨率影像,计算相应像元之间的权重和转换系数,从而模拟出预测日期的高时空分辨率数据。计算公式为:
L ( x w / 2 , y w / 2 , t 0 ) = ∑ i = 1 w ∑ j = 1 w ∑ k = 1 n W i j k [ M ( x i , y j , t 0 ) + L ( x i , y j , t k ) - M ( x i , y j , t k ) ]
式中:w为相似像元搜索的窗口大小,本研究的w=25; ( x w / 2 , y w / 2 )为搜索窗口中心像元的位置; t 0为预测时刻; t k 为已知时刻; M ( x i , y j , t k / t 0 )为低分辨率的像元反射率; L ( x i , y j , t k / t 0 )为高分辨率的像元反射率; W i j k为权重参数,计算公式为:
W i j k = 1 C i j k / ∑ i = 1 w ∑ j = 1 w ∑ k = 1 w 1 C i j k
式中, C i j k由光谱距离(S i j k)、时间距离(D i j k)、空间距离(T i j k)3项来确定,计算公式为:
C i j k = S i j k × T i j k × D i j k。
同一时间下Landsat与MODIS反射率的差率越小,其对应位置的权重越大,计算公式为:
S i j k = | L ( x i , y j , t k ) - M ( x i , y j , t k ) |。
给定时刻 t k与预测时刻 t 0之间MODIS数据反射率的差异越小,对应位置权重越大,计算公式为:
T i j k = | L ( x i , y i , t k ) - M ( x i , y j , t 0 ) |。
距离搜索窗口中心像元越近的像元所占的权重越大,在计算过程中,计算的是某像元与中心像元的欧式距离,在模型中一般需要转换为相对距离,将量纲去掉,计算公式为:
D i j k = 1 + ( x w / 2 - x i ) 2 + ( y w / 2 - y i ) 2 / A
式中A为一个距离常数,用以表示空间距离相对于光谱和时间距离的差异,可以自己指定,具体情况具体分析。

2.2 FVC估算方法

本研究利用像元二分模型对植被覆盖度进行估算,像元二分模型是以NDVI为遥感信息量计算植被覆盖度的一种方法,其弥补了NDVI对高植被覆盖和低植被覆盖研究效果欠佳的缺点[24-25]。计算公式为:
N D V I = ( B N I R - B R ) / ( B N I R + B R )
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为归一化差值植被指数; B N I R为近红外波段的反射率; B R为红波段的反射率。FVC为植被覆盖度,取值范围[0,1]; N D V I s o i l为无植被覆盖的像元的NDVI值; N D V I v e g为全植被覆盖的像元的NDVI值。这2个参数一般通过实测数据的 F V C m a x 和 F V C m i n 经 过反算获得[26],考虑本次实验没有实测数据和参数的不稳定性,取0.05为置信度,以NDVI累积频率95.00%和5.00%分别确定2个参数。并将FVC划分为5级:<0.30(极低植被覆盖区域)、[0.30,0.45)(低植被覆盖区域)、[0.45,0.60)(中等植被覆盖区域)、[0.60,0.75](高植被覆盖区域)、>0.75(极高覆盖区域)。

2.3 回归趋势分析

本研究利用一元线性回归拟合方法[27]对2002—2022年淅川县FVC的变化趋势进行计算。基本原理是通过一元线性回归的斜率表示FVC的演变趋势,斜率为正表示FVC呈现改善趋势,斜率为负表示FVC呈现退化趋势。计算公式为:
S l o p e = n ∑ i = 1 n ( F V C i ) - ∑ i = 1 n i ∑ i = 1 n F V C i n ∑ i = 1 n i 2 - ( ∑ i = 1 n i ) 2
式中:Slope为斜率;n为研究期数,取值为11; F V C i为第i期单个像元的平均FVC。为对变化趋势的显著程度进行检验,本研究使用F检验对其进行显著性检验,计算公式为:
F = U × n - 2 Q
U = ∑ i = 1 n ( y i ︿ - y - ) 2
Q = ∑ i = 1 n ( y i - y ︿ ) 2
式中:n=11;U为误差平方和;Q为回归平方和; y i ︿为第i期平均FVC的回归值; y -为8期平均FVC。按照Slope和P值的大小对FVC变化趋势进行分级,划分为:[Slope>0,0.01≤p<0.05](显著改善)、[Slope>0,p≥0.05](不显著改善)、[Slope<0,p≥0.05](不显著退化)、[Slope<0,0.01≤p<0.05](显著退化)。

2.4 地理探测器模型

地理探测器模型旨在揭示空间分异性驱动力的一种新兴统计学方法[28],其包括因子探测、交互作用探测、风险区探测和生态探测,本研究只选择因子探测探究淅川县植被空间分布的影响因素。因子探测用于探测属性Y的空间分异性及本研究选取的驱动因子X对FVC变化Y的影响程度,用q值度量,表达式为:
q = 1 - S S W S S T = 1 - ∑ h = 1 L N h σ h 2 N σ 2
S S W = ∑ h = 1 L N h σ h 2 , S S T = N σ 2
式中:q为驱动因子对空间分异性的影响程度;L为变量Y或因子X的分层,即分类或分区;Nh和N分别为层h和全区的单元数; σ h 2和σ2分别为层h和全区的Y值的方差;SSW和SST分别为层内方差之和和全区总方差。q的值域为[0,1],q值越大表示自变量X对属性Y的解释能越强,反之则越弱,q值表示X解释了100×q%的Y。

2.5 相关性分析

为探究气象因素对淅川县植被生长变化的影响,本研究利用皮尔逊复相关性分析方法[6]探究气候变化对植被生长变化的影响,皮尔逊的基本相关性计算公式为:
R x y = ∑ i = 1 n [ ( x i - x - ) ( y i - y - ) ] ∑ i = 1 n ( x i - x - ) 2 ∑ i = 1 n ( y i - y - ) 2
偏相关性分析的计算公式为:
R x y , z = R x y - R x z R y z ( 1 - R x y 2 ) ( 1 - R y z 2 )
复相关性分析的计算公式为:
R x , y z = 1 - ( 1 - R x z 2 ) ( 1 - R x y , z 2 )
式中: R x y为2个变量之间的基本相关系数;n=11; x -和 y -分别为2个变量11 a的平均值; x i和 y i为2个变量第i年的值; R x y , z为变量z固定后x与y之间的偏相关系数; R x , y z为变量x与变量y和z的复相关性系数。为验证相关性系数是否具有统计意义,本研究对相关性系数进行显著性检验,p<0.05表示通过了显著性检验,0.05≤p≤1表示未通过显著性检验。

3 结果分析

3.1 精度验证及长时序FVC数据构建

长时序FVC数据构建之前,为验证STARFM方法对长时序FVC数据构建的有效性,本研究以2002年4—10月份的Landsat数据和类似MODIS数据为验证实验数据,将4,7和10月份的数据作为已知时刻数据,将5,6,8和9月份的数据作为假设缺失数据,即需要STARFM方法获得的数据,展开STARFM方法对年尺度FVC数据构建的有效性验证实验。图2(a)为年尺度FVC真实数据,图2(b)为数据缺失条件下的年尺度FVC数据,图2(c)为通过STARFM方法弥补缺失数据后的年尺度FVC数据。从色彩的分布上看,经过STARFM方法重建后的年尺度FVC更加接近于真实的年尺度FVC。除此以外,选取了研究区内部的8 000个随机点,对STARFM方法的有效性进行验证。图3(a)为数据缺失条件下的年尺度FVC与真实的年尺度FVC的散点图,图3(b)为STARFM方法重建后的年尺度FVC与真实的年尺度FVC的散点图。可以看出,数据缺失条件下的年尺度FVC的R2为0.864,存在较多的离散误差;经过STARFM方法重建后的年尺度FVC更加接近真实的年尺度FVC,相关性更高,R2为0.914,且散点均分布在1∶1线周围,不存在较大的离散误差。因此,可以认为STARFM方法对年尺度的FVC数据重建具有较好的效果,可以为更加准确地获取植被覆盖信息提供数据支撑。
图2 STARFM方法的有效性验证实验

Fig.2 Experiments to validate the effectiveness of the STARFM method

图3 STARFM方法的有效性验证实验的散点图

Fig.3 Scatter plots of validation experiments of the validity of the STARFM method

结合上述对STARFM方法的有效性的验证实验,证明了STARFM方法对长时序FVC数据构建的有效性。因此,本研究基于STARFM方法对表3中缺失的Landsat数据进行融合,共获得缺失的41幅研究区的Landsat融合影像,并结合已有的36幅Landsat真实影像,基于像元二分模型对其进行FVC反演,共获得77幅月尺度FVC数据(保证2002—2022年4—10月份中的每个月份均有一幅FVC影像数据),最终对每年的月尺度FVC数据进行平均值合成,获得11幅年尺度FVC数据(图4)。
图4 2002—2022年淅川县长时序FVC数据集

Fig.4 Long time series FVC dataset in Xichuan County from 2002 to 2022

3.2 植被年际时空变化特征

以2002年—2022年每隔2 a为一个时期,共11个时期的年尺度FVC数据为基础,利用平均值合成法对其进行平均值计算,得到2002—2022年淅川县的植被空间分布图,如图5所示,并绘制平均FVC的年际变化曲线图,如图6所示。最终,利用变化趋势分析方法,得到淅川县的植被变化趋势的空间分布特征图,如图7所示。
图5 2002—2022年间淅川县植被空间分布

Fig.5 Spatial distribution of vegetation in Xichuan County from 2002 to 2022

图6 2002—2022年间淅川县FVC年际变化曲线

Fig.6 Inter-annual variation curve of FVC in Xichuan County from 2002 to 2022

图7 2002—2022年间淅川县FVC变化趋势

Fig.7 Trends of FVC in Xichuan County from 2002 to 2022

从植被空间分布的角度上看(图5),淅川县的植被覆盖呈现“西北高,东南低”的分布特征,其中极高和高植被覆盖区域的面积占比分别为24.31%和12.43%,均分布在淅川县西北部的低山区域和丹江口水库的西北方向,这些区域的植被类型主要为混交林和落叶阔叶林,因此植被覆盖极高;中等植被覆盖区域的面积占比为19.29%,主要分布在淅川县西北部的低山区域和中部的丘陵区域,植被类型均是以草地为主;低植被覆盖区域的面积占比为24.78%,主要分布在淅川县东南部的平原区域以及淅水和丹江的周围区域,主要是因为平原区域的植被类型主要为栽培植被,水域附近的区域受人为干扰较大,造成植被覆盖较低;极低植被覆盖区域的面积占比为19.19%,主要是丹江口水库、淅水以及丹江水域,均属于无植被覆盖区域。从植被的年际生长变化的角度上看(图6和图7),2002—2022年间淅川县平均FVC达到0.516,2002—2008年淅川县植被呈现退化趋势,FVC的下降率达到-0.014 9/a,2008—2022年淅川县植被呈现改善趋势,FVC增长率达到0.009 8/a。但淅川县植被整体呈现明显的改善趋势,因为植被改善的区域面积总占比为76.03%,植被退化区域的面积总占比为18.09%,未变化区域的面积占比为5.88%。其中,显著改善和不显著改善区域的面积占比分别为32.45%和43.58%,主要分布在淅川县的西北部和东南部,这与政府实施的水源区生态保护政策有着较大的联系,使该区域植被呈现改善趋势。显著退化和不显著退化区域的面积占比分别为1.46%和16.63%,主要分布在丹江口水库、丹江和淅水水域的附近区域,水域范围的扩张使得植被被水淹没,直接导致该区域的植被呈现退化趋势。未变化区域主要为丹江口水库的永久水体。

3.3 植被空间分布的驱动机制

植被的空间分布受多重因素的影响,为深刻了解淅川县植被空间分布的驱动机制,本研究将平均气温、平均降雨量、土壤类型、土壤质地、高程和坡度6个自然驱动因子,分别作为自变量X1,X2,X3,X4,X5和X6,以2002—2022年21 a间平均FVC的空间分布作为因变量Y。利用地理探测器模型对淅川县2002—2022年植被的空间分布进行风险因子分析。结果如表5所示,可以看出,2002—2022年淅川县植被空间分异性的驱动因子解释能力q值从小到大的顺序为:土壤质地X4(0.152)<平均降雨量X2(0.175)<平均气温X1(0.234)<土壤类型X3(0.259)<坡度X6(0.302)<高程X5(0.359);其中,高程和坡度对植被空间分异性的影响程度最强,土壤类型和平均气温较强,平均降雨量和土壤质地最小。因此可以看出,淅川县植被空间分异性受地形因子的影响程度较大,相比之下,气象因子和土壤类型对其影响程度均较小。
表5 淅川县植被空间分异性的风险因子探测结果

Tab.5 Risk factor detection results of spatial variability of vegetation in Xichuan County

驱动因子 X1 X2 X3 X4 X5 X6
q值 0.234 0.175 0.259 0.152 0.359 0.302

3.4 植被生长变化的驱动机制

整体上看,2002—2022年间淅川县植被呈现着明显的改善趋势,其变化受多重因素的影响,例如气候因素中的气温和降雨,以及人为因素中的政策因素。为探究淅川县植被的变化的驱动机制,本研究将回归趋势分析方法和相关性分析方法相结合,共同判断植被生长变化的驱动因素,判断标准如表6所示,主要分为未变化区域、人为造成的退化区域、人为造成的改善区域、人为和气候造成的退化区域和人为和气候造成的改善区域5种情况,判断结果如图8所示。可以看出,未变化的区域占比为66.09%,33.91%的区域呈现明显的变化,其中,人为造成的改善区域面积占比为28.14%,主要分布在淅川县的中北部,人为和气候共同造成的改善区域面积占比为4.3%,主要分布在淅川县的东南部、丹江的北部和淅水的西部区域,人为造成的退化区域面积占比为1.42%,主要分布在丹江水域边界附近和丹江口水库的水域边界附近,人为和气候共同造成的退化区域面积占比为0.05%,几乎不存在。总体而言,淅川县植被改善的主要原因是人为因素,这与南水北调中线工程的实施有着较大的联系,这也间接导致了淅川县境内水域附近的植被出现退化。
表6 淅川县植被生长变化的驱动因素判断标准

Tab.6 Criteria for determining the drivers of vegetation growth change in Xiechuan County

变化趋势的
显著性		 变化趋势的
正负		 复相关性的
显著性		 驱动因素的判断结果
P≥0.05 — — 未变化区域
P<0.05 Slope≥0 P≥0.05 人为造成的退化
P≥0.05 人为造成的改善
Slope<0 P<0.05 人为和气候造成的退化
P<0.05 人为和气候造成的改善
图8 淅川县植被生长变化的驱动因素判断结果

Fig.8 Judgment results of drivers of vegetation growth changes in Xichuan County

4 结论

本研究以现有的Landsat和MODIS数据为基础,基于STARFM方法和像元二分模型,构建了2002—2022年4—10月份的长时序FVC数据,同时,结合回归趋势分析、地理探测器模型和相关性分析方法,深入探究了淅川县FVC时空变化的特征和驱动机制,得到以下结论:
1)STARFM方法对年尺度FVC的重建有着非常显著的影响,数据缺失条件下的年尺度FVC与真实的年尺度FVC的R2为0.864,然而经过STARFM方法重建后的年尺度FVC与真实的年尺度FVC的R2达到0.914,提升了0.05。因此,相比于一般情况下的数据缺失,经过STARFM方法重建后的年尺度FVC数据更加接近真实的年尺度FVC数据,这将能更准确地反映淅川县的植被覆盖信息,为更加精确地分析淅川县植被动态演变特征及其驱动机制提供数据基础,有利于长时序监测淅川县的植被动态变化,为淅川县和南水北调中线工程的生态修复和可持续发展提供科学依据。
2)从淅川县植被时空变化特征的角度上看,2002—2022年间淅川县植被覆盖情况一般,平均FVC达到0.516,空间分布差异较大,主要呈现“西北高,东南低”的分布特征。虽然2002—2008年呈现退化趋势,FVC下降率为-0.014 9/a,2008—2022年呈现改善趋势,FVC增长率为0.009 8/a,但2002—2022年间淅川县植被整体呈现改善趋势,改善区域的面积总占比为76.03%,主要分布在淅川县的西北部和东南部,退化区域的面积总占比为18.09%,主要分布在丹江口水库、丹江和淅水水域的附近区域。
3)从淅川县植被空间分异性和生长变化的驱动机制的角度看,淅川县植被空间分异性的主导因素为高程和坡度,次要因素为土壤类型和平均气温,土壤质地和平均降雨量影响最小。淅川县的植被变化受气候因素的影响较小,呈现改善和退化的区域主要是人为因素造成的,例如丹江以北淅水以西区域的植被呈现改善趋势,这与南水北调中线工程对水源区的生态保护政策有着较大的关系,但这也间接导致了淅川县境内的水域边界附近的区域出现直接退化,但总体而言,人为因素对淅川县植被起着较大的促进作用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
吴昌广, 周志翔, 肖文发, 等. 基于MODIS NDVI的三峡库区植被覆盖度动态监测[J]. 林业科学, 2012, 48(1):22-28.

Wu C G, Zhou Z X, Xiao W F, et al. Dynamic monitoring of vegetation coverage in Three Gorges Reservoir Area based on MODIS NDVI[J]. Scientia Silvae Sinicae, 2012, 48(1):22-28.

[2]
李佳, 廉振强, 窦明, 等. 丹江库区水质时空分布特征及影响因素[J]. 南水北调与水利科技(中英文), 2023, 21(1):181-189.

Li J, Lian Z Q, Dou M, et al. Spatio-temporal distribution characteristics of water quality and influencing factors in Danjiang Reservoir Area[J]. South-to-North Water Transfers and Water Science & Technology, 2023, 21(1):181-189.

[3]
肖玉娜, 程靖华, 莫晓聪, 等. 丹江口水库浮游植物群落时空变化及其与环境因子的关系[J]. 湖泊科学, 2023, 35(3):821-832.

Xiao Y N, Cheng J H, Mo X C, et al. Spatio-temporal variation of phytoplankton community and its relationship with environmental factors in Danjiangkou Reservoir[J]. Journal of Lake Sciences, 2023, 35(3):821-832.

[4]
崔囤月, 王世东, 张学军. 1991—2021年雄安新区土地利用与植被覆盖变化遥感研究[J]. 自然资源遥感, 2023, 35(4):214-225.doi:10.6046/zrzyyg.2022311.

Cui D Y, Wang S D, Zhang X J. A remote sensing-based study on change in land use and vegetation cover in Xiong’an New Area from 1991 to 2021[J]. Remote Sensing for Natural Resources, 2023, 35(4):214-225.doi:10.6046/zrzyyg.2022311.

[5]
Chu H, Venevsky S, Wu C, et al. NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River Basin from 1982 to 2015[J]. Science of the Total Environment, 2019,650:2051-2062.

[6]
Guo Y, Zhang X, Wang Q, et al. Temporal changes in vegetation around a shale gas development area in a subtropical Karst Region in southwestern China[J]. Science of the Total Environment, 2020,701:134769.

[7]
钟安亚, 鲍铖, 胡春明. 生态修复视角下德兴市矿区NDVI时空动态变化监测研究[J]. 环境工程, 2024, 42(5):122-130.

Zhong A Y, Bao C, Hu C M. Spatiotemporal dynamic change monitoring of NDVI in mining areas of Dexing from the perspective of ecological restoration[J]. Environmental Engineering, 2024, 42(5):122-130.

[8]
Huo H, Sun C. Spatiotemporal variation and influencing factors of vegetation dynamics based on Geodetector:A case study of the northwestern Yunnan Plateau,China[J]. Ecological Indicators, 2021,130:108005.

[9]
缪丽娟, 张宇阳, 揣小伟, 等. 亚洲旱区草地NDVI对气候变化的响应及滞后效应[J]. 植物生态学报, 2023, 47(10):1375-1385.

DOI

Miao L J, Zhang Y Y, Chuai X W, et al. Effects of climatic factors and their time-lag on grassland NDVI in Asian drylands[J]. Chinese Journal of Plant Ecology, 2023, 47(10):1375-1385.

[10]
王思, 张路路, 林伟彪, 等. 基于MODIS-归一化植被指数的广东省植被覆盖与土地利用变化研究[J]. 生态学报, 2022, 42(6):2149-2163.

Wang S, Zhang L L, Lin W B, et al. Study on vegetation coverage and land-use change of Guangdong Province based on MODIS-NDVI[J]. Acta Ecologica Sinica, 2022, 42(6):2149-2163.

[11]
彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9):1758-1776.

DOI

Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan Pro-vince[J]. Acta Geographica Sinica, 2019, 74(9):1758-1776.

[12]
晋成名, 杨兴旺, 景海涛. 基于RS的陕北地区植被覆盖度变化及驱动力研究[J]. 自然资源遥感, 2021, 33(4):258-264.doi:10.6046/zrzyyg.2021019.

Jin C M, Yang X W, Jing H T. A RS-based study on changes in fractional vegetation cover in North Shaanxi and their driving factors[J]. Remote Sensing for Natural Resources, 2021, 33(4):258-264.doi:10.6046/zrzyyg.2021019.

[13]
赵冬林, 朱仕荣. 2010—2021年金沙江干热河谷植被覆盖度时空变化及其影响因素[J]. 生态学杂志, 2024, 43(8):2373-2381.

Zhao D L, Zhu S R. Spatiotemporal variation of vegetation coverage and its influencing factors in the dry-hot valley of Jinsha River during 2010—2021[J]. Chinese Journal of Ecology, 2024, 43(8):2373-2381.

[14]
刘雨亭, 王磊, 李谢辉, 等. 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

Liu Y T, Wang L, Li X H, et al. Analysis on spatio-temporal variability of fractional vegetation cover and influencing factors from 2000 to 2020 in southwestern China[J]. Plateau Meteorology, 2024, 43(1):264-276.

DOI

[15]
Jiang W, Yuan L, Wang W, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015,51:117-126.

[16]
Zhai H, Huang F, Qi H. Generating high resolution LAI based on a modified FSDAF model[J]. Remote Sensing, 2020, 12(1):150.

[17]
Xie D, Zhang J, Sun P, et al. Remote sensing data fusion by combining STARFM and downscaling mixed pixel algorithm[J]. National Remote Sensing Bulletin, 2016, 20(1):62-72.

[18]
Song H, Liu Q, Wang G, et al. Spatiotemporal satellite image fusion using deep convolutional neural networks[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3):821-829.

[19]
Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8):2207-2218.

[20]
Zhu X, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11):2610-2623.

[21]
Zhu X, Helmer E H, Gao F, et al. A flexible spatiotemporal method for fusing satellite images with different resolutions[J]. Remote Sensing of Environment, 2016,172:165-177.

[22]
张玉琢, 杨志贵, 于红妍, 等. 基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例[J]. 草业学报, 2022, 31(6):23-34.

DOI

Zhang Y Z, Yang Z G, Yu H Y, et al. Estimating grassland above ground biomass based on the STARFM algorithm and remote sensing data:A case study in the Sangke grassland in Xiahe County,Gansu Province[J]. Acta Prataculturae Sinica, 2022, 31(6):23-34.

DOI

[23]
Wang S, Cui D, Wang L, et al. Applying deep-learning enhanced fusion methods for improved NDVI reconstruction and long-term vegetation cover study:A case of the Danjiang River Basin[J]. Ecological Indicators, 2023,155:111088.

[24]
李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4):153-159.

Li M M, Wu B F, Yan C Z, et al. Estimation of vegetation fraction in the upper basin of Miyun Reservoir by remote sensing[J]. Resources Science, 2004, 26(4):153-159.

[25]
卡米兰·阿布力克, 杨涵. 乌鲁木齐河流域植被覆盖度变化及驱动力研究[J]. 灌溉排水学报, 2024, 43(2):96-105.

Kamilan A, Yang H. Change in vegetation coverage in Urumqi River Basin and the underlying determinants[J]. Journal of Irrigation and Drainage, 2024, 43(2):96-105.

[26]
郭发苗, 彭道黎, 王荫, 等. 基于多尺度2001—2020年河北省植被覆盖度的时空变化及归因分析[J]. 甘肃农业大学学报, 2025, 60(2):179-190,201.

Guo F M, Peng D L, Wang Y, et al. Analysis of spatio-temporal changes and attribution of vegetation cover in Hebei Province from 2001 to 2020 based on multi-scale analysis[J]. Journal of Gansu Agricultural University, 2025, 60(2):179-190,201.

[27]
王超, 侯鹏, 刘晓曼, 等. 中国重要生态系统保护和修复工程区域植被覆盖时空变化研究[J]. 生态学报, 2023, 43(21):8903-8916.

Wang C, Hou P, Liu X M, et al. Spatiotemporal changes in vegetation cover of the national key ecosystem protection and restoration project areas,China[J]. Acta Ecologica Sinica, 2023, 43(21):8903-8916.

[28]
Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region,China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127.

Options
Outlines

/

〈 〉