2000—2018年中国植...厚度时空动态特征及驱动因素_刘悦.pdf

地 理 学 报ACTA GEOGRAPHICA SINICA第78卷 第3期2023年3月Vol.78,No.3March,202320002018年中国植被光学厚度时空动态特征及驱动因素刘 悦1，刘欢欢1，陈 印1，刚成诚2,3（1.西北农林科技大学草业与草原学院，杨凌 712100；2.西北农林科技大学水土保持研究所，杨凌 712100；3.中国科学院水利部水土保持研究所，杨凌 712100）摘要：与传统光学遥感指标相比，微波遥感指标植被光学厚度（VOD）具有对云和大气敏感性低和不易饱和的优势，可用于监测植被总含水量和生物量的变化。本文基于不同频率的VOD数据集（VODCA C-VOD、X-VOD、Ku-VOD和AMSRU X-VOD），利用趋势分析和残差分析等方法研究了20002018年中国不同地区以及不同植被类型VOD的时空动态变化，并在全国及区域尺度上定量评估了气候变化和人类活动的相对贡献。结果表明：中国植被VOD呈极显著增加趋势，AMSRU X-VOD增加速率最快（0.062/10a），尤其是华东地区，而VODCA C-VOD增加速率最低（0.013/10a），其中西南地区增速最高；不同植被类型中，草丛的增速最快，其次为针叶林和灌丛。降水和辐射的增加促进了华北和西北地区VOD的增加，气温的贡献主要分布在华南和沿海地区，辐射对表征植被冠层的Ku-VOD和X-VOD的贡献较高。不同数据集均表明人类活动是植被 VOD 增加的主要因素，VODCA C-VOD、Ku-VOD、X-VOD 和AMSRU X-VOD的人类活动贡献率分别为171%、48%、43%和30%，在黄土高原、西南地区和东北平原尤为突出。本文研究结果为生态工程成效评价提供新的数据支持，并为未来生态系统管理和碳增汇提供科学依据。关键词：植被光学厚度（VOD）；时空动态；气候变化；人类活动DOI:10.11821/dlxb2023030141 引言陆地生态系统是地球表层重要的组成部分，也是人类生存和发展的重要场所1。近年来全球增温趋势不断加剧，气候变暖通过改变陆地水、氮、磷循环间接调控碳循环和陆地大气系统之间的反馈作用2。植被是地表能量、水和碳平衡的一个关键因素，受到气候变化和人类活动的强烈影响3。气候因子是影响所有陆地生态系统植被分布、物候和生产力的重要因素4。人为因素，如城市化、土地利用/覆盖变化和管理措施，也是植被动态的重要驱动因素5。量化气候变化和人类活动对植被动态的相对影响，对于制定未来气候变化对生态系统造成挑战的应对策略至关重要。卫星技术的发展实现了对植被动态进行大规模和连续的监测，在全球长期植被动态研究中，归一化植被指数（Normalized Difference Vegetation Index,NDVI）是使用最为广收稿日期：2022-05-09;修订日期：2023-02-08基金项目：国家自然科学基金项目(31602004);陕西省自然科学基金项目(2021JQ-171)Foundation:National NaturalScience Foundation of China,No.31602004;Natural Science Foundation of Shaanxi Province of China,No.2021JQ-171作者简介：刘悦(1998-),女,陕西延安人,硕士生,研究方向为植被恢复重建。E-mail:liu_通讯作者：刚成诚(1986-),男,辽宁灯塔人,博士,副研究员,研究方向为生态系统遥感与植被修复。E-mail:729-745页地 理 学 报78卷泛的光学植被指数，它基于红色和近红外反射比，提供了地球表面叶绿素丰度的度量6。NDVI常被用来当作植被生产力的近似指标。然而，生物量与植物结构和植被物种组成密切相关，植被“绿度”只能解释植物生物量变化的小部分7-8。有学者研究发现全球45.6%的植被面积在植被绿度、覆盖度和生产力方面存在不一致的趋势9。Ding等9基于NDVI和增强植被指数（Enhanced Vegetation Index,EVI）发现植被在变绿，而基于植被初级生产力（Gross/Net Primary Production,GPP/NPP）的研究发现生产力没有明显提高，特别在常绿阔叶林。Cui等10基于NPP的结果发现南美洲北部地区显著下降，而基于EVI、NDVI和叶面积指数（Leaf Area Index,LAI）指标均未发现。此外，以往的研究表明在估计全球绿化时，NDVI指标估计的绿化面积高于其他植被指标11-12。基于传统光学遥感观测的植被动态监测通常局限于绿色冠层，且易受到云和气溶胶等大气因素影响，在评估茂密的植被冠层时易饱和13-14。植被光学厚度（Vegetation Optical Depth,VOD）作为被动微波遥感反演陆地上植被生物量中木本组分和叶组分含水量的指标，与传统光学遥感指标有着不同的特征15。VOD与地上生物量的总植被含水量成正比，包括叶状和木质成分，因此，对光合和非光合地上生物量都敏感16。此外，由于微波波长特性，对大气、云和光照条件的影响不敏感，尤其是在低频率（L、C和X波段）下17。与NDVI或EVI等表征植被绿色冠层的指标相比，VOD能够透射树冠，感知冠层以下植被组分，不同的层次和深度取决于观测频率的穿透能力，频率越低穿透能力越强18-19。不同VOD指数已用于监视物候20、干旱21、木本/森林覆盖22、植物水力学23以及碳储量动态24-26。然而，目前中国仅对内蒙古27、南方喀斯特24-25和北方地区28的植被VOD动态变化进行了研究，对全国尺度VOD的研究仍十分缺乏。因此，开展全国植被VOD动态变化，并定量化、空间化分析气候变化和人类活动对VOD变化的影响，对于植被管理和生态环境保护具有重要意义。自1998年以来，中国先后实施了三北防护林工程、退耕还林还草等全国范围的生态恢复工程，生态系统结构和功能发生了明显变化。目前，针对生态工程的环境效应已开展了广泛的研究，主要基于NDVI3、EVI29-30或者初级生产力31-32。然而，由于光学遥感植被指标自身的限制，导致基于不同指标的研究结果存在一定的偏差。鉴于此，本文基于不同频率的植被 VOD 数据，即 AMSRU X-VOD、VODCA C-VOD、X-VOD 和 Ku-VOD，分析了20002018年间全国、不同区域及不同植被类型VOD的时空动态变化特征，并利用残差分析法，定量化、空间化区分了气候变化和人类活动的相对贡献，以期为科学评估气候和人为因素对中国植被变化的影响提供数据支持，并为未来生态工程合理调整及生态系统管理提供科学依据。2 数据与方法2.1 数据来源2.1.1 植被类型数据植被类型数据来源于国家青藏高原科学数据中心（http:/）。侯学煜主编的1 100万中国植被图是现存植被空间分布在地图上的具体表达，此图集于2001年科学出版社正式出版，也是迄今为止以全国为对象的最详细、精确的植被图，数据收集时间为20112012年33。本文针对8种自然植被类型，即高山植被、阔叶林、针叶林、针阔混合林、灌丛、草甸、草原和草丛，进行分析（图1）。2.1.2 气象数据本文使用了20002018年期间的气象数据，包括月平均温度、月降水量。这些数据来源于国家科技基础条件平台国家地球系统科学数据中心黄土高原分中7303期刘 悦 等：20002018年中国植被光学厚度时空动态特征及驱动因素心（http:/）。该数据是基于CRU发布全球0.5气候数据以及WorldClim发布的全球高分辨率气候数据，通过Delta空间降尺度方案在中国地区降尺度生成，并经过了496个独立气象观测点数据的验证。太阳辐射数据来源于国家生态科学数据20002018年中国1 km每8 d陆地表面净辐射数据集，该数据来自GLOPEM-CEVSA模型模拟结果，根据模型的辐射模块得到地表净辐射34。本文将气象数据分别合成为年平均温度、年总降水量和年平均辐射。2.1.3 VOD数据VOD是一个无量纲参数，与地上生物量中植被水分含量成正比，不受云覆盖或太阳光角度的影响。因此，它补充了现有植被绿度和叶面积的长期光学遥感指标16。VOD能够透射树冠，感知冠层以下植被组分，不同的层次和深度取决于观测频率的穿透能力，频率越低穿透能力越强18。较高的频率对叶片和树枝最敏感（如X和Ku波段），而较低的频率对树干的敏感性增加（L、C波段），频率低于10 GHz的微波卫星观测不受云层覆盖的影响18，因此不同的VOD指数可反映不同的植被特征。本文选取的数据集如下：VOD Climate Archive（VODCA）数据由维也纳工业大学提供19（https:/doi.org/10.5281/zenodo.2575599）。VODCA是一种空间分辨率为0.25的全球每日VOD产品，其基于多个传感器（SSM/I、TMI、AMSR-E、WINDSAT和AMSR2）的VOD检索结果的融合，使用AMSR-E作为缩放参考，通过累积分布函数匹配进行共同校准，创建了C波段（6.9 GHz、2002.62018.12）、X 波段（10.7 GHz、1997.122018.12）和 Ku 波段（19 GHz、1987.72017.7）的长期 VOD 数据集。这些数据集均使用 LPRM（LandParameter Retrieval Model）算法计算而成，该方法使用辐射转移模型，通过非线性迭代优化程序同时求解地表土壤水分和植被光学深度，去除了亮度温度依赖性35。根据数据的完整性，本文选取20032018年VODCA C-VOD、X-VOD和20002016年VODCAKu-VOD数据集，将日值数据合成年均VOD值。注：基于自然资源部标准地图服务网站审图号为GS(2016)1569号标准地图制作，底图边界无修改。图1中国不同植被类型的空间分布Fig.1 Spatial pattern of vegetation types in China731地 理 学 报78卷AMSRU（Advanced Microwave Scanning Radiometer for EOS/2（AMSR-E/2）X-VOD由蒙大拿大学根据LPDR（Land parameter data record）算法设计，在美国国家冰雪数据中心（NSIDC）网站获取（https:/nsidc.org/data/）。NSIDC提供长期（2002年6月至今）的25 km分辨率VOD和其他气候参数全球数据36。LPDR算法基于（-）辐射传递方程，通过反演地表水微波发射率斜率指数获得的，LPDR算法为促进VOD检索过程，假设干燥土壤的反射率恒定，因此其VOD包含了土壤粗糙度效应36。本文选取20032018年X-VOD数据集，合成年均VOD值。2.2 研究方法2.2.1 Theil-Sen Median法又称Sen斜率估计，这是一种稳健的非参数统计估计的趋势计算方法，该方法计算效率高效，对小的异常值和缺失的噪声值不敏感，常被用于长时间序列数据的趋势分析中29,37。=median|xj-xij-i,ji（1）式中：i和j为时间序列数据；大于0表示时间序列呈现上升趋势，小于0表示时间序列呈现下降趋势38。本文使用Sen斜率来估计VOD和气候因子（辐射、降水和气温）的空间变化趋势。2.2.2 Mann-Kendall（MK）法一种非参数方法（不要求服从任何分布），具有较强规律性和稳定性，可以较准确地得到研究目标在一定时间尺度内的变化趋势37。MK的统计计算如下：S=i=1n-1j=i+1nsgn()xj-xi（2）sgn()xj-xi=|1,xj-xi00,xj-xi=0-1,xj-xii）；n是时间序列的长度；S是MK检验统计量，在显著性水平0.05下进行统计性检验，Z绝对值大于1.96显著，Z绝对值小于等于1.96不显著39-40。2.2.3 偏相关分析植被动态主要受降水、温度和太阳辐射等气候因子的影响29,31。因此，