西南地区不同植被类型归一化植被指数与气候因子的相关分析

基于中国西南地区1982—2006年的归一化植被指数(NDVI)遥感数据集和气象数据,运用GIS技术对年均气温、年降水量和干旱指数进行插值,分析了西南地区不同植被类型(沼泽、灌丛、草丛、草原、草甸、针叶林、阔叶林、高山植被、栽培植被)NDVI的年际变化及其与气候因子的相关性.结果表明:研究期间,西南地区NDVI、年均气温、年降水量总体呈上升趋势,其中,年均气温的上升趋势达极显著水平,干旱指数则呈下降趋势;在9种植被类型中,沼泽和草丛NDVI呈下降趋势,且草丛的下降趋势达显著水平,其他7种植被类型的NDVI均呈上升趋势,且针叶林、草甸和高山植被的NDVI上升趋势达显著水平,灌丛NDVI呈极显著上升趋势.9种植被类型所在地区的年均气温均显著上升;年降水量的变化均不显著;沼泽、草丛和栽培植被所在地区的干旱指数呈上升趋势,草甸和高山植被所在地区的干旱指数显著下降,其他4种植被类型所在地区的干旱指数呈不明显的下降趋势.研究区灌丛和针叶林NDVI与年均气温呈显著正相关,灌丛和草甸NDVI与干旱指数呈显著负相关.在保持其他2个气候因子不变的情况下,针叶林、阔叶林、高山植被NDVI与年均气温的相关性最大,草丛NDVI与年降水...     

天津地区归一化植被指数时间动态及其与气候因子的关系

利用1982—2003年8 km×8 km的NASA/GIMMS半月合成的归一化植被指数(NDVI)和气候数据,研究了天津年平均及逐月NDVI变化趋势以及降水和气温对其影响。结果表明：1982—2003年,年平均NDVI呈现波动性的微弱降低趋势;生长季中,不同月份的年际变化存在明显差异;春季和秋季NDVI呈增加趋势,其中10月达到显著性水平（P<0.05）,而夏季NDVI是降低的,6月下降达到极显著水平（P<0.01）;逐月NDVI与同期月平均气温及月降水量的回归分析表明,NDVI与温度和降水均有很好的非线性正相关关系（P<0.001）,证实温度和降水对NDVI的影响有很强的季节性;降水和气温对生长季不同月份的植被NDVI影响明显不同,同时呈现一定的滞后性。     

中国生态功能保护区归一化植被指数动态及气候因子驱动

为揭示生态功能保护区归一化植被指数(NDVI)与气候因子相关性, 为今后该区域植被动态监测提供有用的信息, 该研究基于2000-2015年MODIS NDVI数据和逐月格点降水与气温数据, 采用生态功能保护区和像元两种空间尺度, 应用线性倾向分析、偏相关分析、复相关分析等方法研究了46个生态功能保护区NDVI变化及其与气候因子的关系, 在此基础上基于相关系数显著性水平对生态功能保护区NDVI动态进行了气候因子驱动分区。主要结果: (1)生态功能保护区NDVI总体呈增加趋势, 其增率加权平均值为0.045·a^-1。像元分析表明, NDVI显著增加的区域主要分布在中部和东北部。(2)生态功能保护区NDVI与降水的偏相关系数在-0.30-0.72之间, 在32个分区呈正相关关系。NDVI与气温的偏相关性在-0.36-0.92之间, 在39个分区呈正相关关系。像元分析表明, 50.6%的像元NDVI与降水呈显著正偏相关关系, 主要分布在东北及西北地区。64.6%的像元NDVI与气温呈显著正偏相关关系, 主要分布在东北及青藏高原北缘地区。(3)气温-降水强驱动型是主要驱动类型, 占总面积的38.7%; 气温驱动型为次要驱动类型, 占27.3%; 非气候因子驱动型占17.6%。以上结果表明, 生态功能保护区NDVI与气温、降水气候因子改变具有显著相关性, 气候因子驱动的地区共占82.4%。研究气候变暖背景下生态功能保护区NDVI变化及其对气候因子的响应, 对于认识该区植被动态变化规律具有重要作用。     

1981-2018年新疆草地归一化植被指数时空特征及其对气候变化的响应

在新疆开展长时间序列的草地监测,分析草地生长的时空变化特征,有利于草地环境压力分析和草地生态健康预测。以NOAA-AVHRR NDVI为数据源,采用最大值合成、一元回归分析与相关性分析,分别在年际尺度和多个空间尺度(全疆、南北疆与各地区及其11种草地类型)上探讨了1981—2018年新疆草地归一化植被指数(NDVI)时空特征及其对气温、降水的响应。结果表明：(1)1981—2018年,新疆草地NDVI多年均值0.326,变化范围0.259—0.386,具有轻微年际波动特征;(2)北疆、南疆草地NDVI均表现为轻微增加趋势;全疆占草地总面积41%的区域NDVI呈显著增加趋势,9%为显著减少区域,北疆草地NDVI显著增加的面积是南疆的1.7倍;(3)由于垂直地带性及区域差异,新疆草地NDVI由山区向盆地的荒漠降低;北疆草地NDVI是南疆1.4倍,总体上北疆各地区草地NDVI高于南疆各地区;(4)草地类型植被NDVI对降水的显著响应高于气温,其中温性荒漠类、温性荒漠草原类与温性草原类草地NDVI对降水变化的响应明显高于其余草地类型,降水对草地NDVI的影响更为显著,表明降水引起的地表水分变化...     

区域地表水体、归一化植被指数与热环境多样性格局的关联分析

以河南省省会郑州市为研究区域,在2 km×2 km网格尺度下将多样性理论与方法应用于区域地表水体、归一化植被指数(NDVI)和地表温度(LST)分布的离散性评价,将NDVI和LST各分为4个等级,计算了其空间分布多样性指数,并探索了它们之间的内在联系.结果表明:将多样性理论与研究方法应用于区域热环境的空间分布离散性评价具有可操作性和实际研究意义;地表水体分布与最低温区分布具有较高的区位重叠性,高的植被覆盖度往往伴随低的地表温度;1988-2009年,郑州市地表水体分布离散性呈明显降低趋势;地表水体分布离散性与区域内各温度区分布离散性存在紧密联系;NDVI分级分布离散性与各温度区分布离散性之间关系复杂,需引入其他环境影响因素参与评价.     

青藏高原植被覆盖时空变化及其对气候因子的响应

研究青藏高原植被覆盖时空分布特征对加深气候变化的认识及生态环境保护具有重要的生态价值和现实意义。利用2000—2016年MODIS NDVI 1km/月分辨率数据以及气象观测数据,采用最大合成法、趋势性分析以及相关分析方法,探讨了不同时间尺度青藏高原地区NDVI的分布特征及其与降水、气温的关系。结果表明:(1)青藏高原东南部植被状况明显好于西北部,植被覆盖的分布格局与区域水热条件的时空分布保持了较好的一致性;近17年来青藏高原植被覆盖改善的地区要比退化的地区面积大,严重退化的区域主要位于青藏高原西南部;青藏高原NDVI值在2000—2016年呈幅度较小的增加趋势。(2)除夏季降水量外,研究时段内其他季节降水量均呈增加趋势;气温均呈增加趋势,尤其以春季增加最为显著,整体上青藏高原气候呈现"暖湿化"趋势。总体上年降水量与年最大合成NDVI呈较好的正相关;年平均气温与年最大合成NDVI在高原东南部呈正相关,西南部呈负相关。降水量和热量条件均是高原植被生长的影响因素,降水与植被覆盖的影响较气温密切。     

基于植被指数的北京军都山荆条灌丛生物量反演研究

基于环境卫星数据提取10种植被指数,辅以资源三号卫星数据提取的高精度数字高程模型(DEM)等数据,结合实地野外采样数据,以北京军都山为试验区采用最小二乘回归模型拟合植被指数与荆条灌丛冠层生物量的定量关系,并利用拟合结果对研究区灌从冠层生物量进行了反演估算,生成研究区荆条及其伴生灌丛生物量空间分布图。结果表明,文中所建立的多元线性回归模型在研究区具有较好的反演精度和预测能力。其模型显著性为显著(α0.01),相关系数为0.856,标准误差为58.5g/m~2;预测标准误差为98.1 g/m~2,决定系数为0.865。通过对研究区荆条灌丛的冠层生物量进行遥感估算,提出了一种利用遥感技术监测灌木群落生物量的新思路。     

中国不同植被类型归一化植被指数对气候变化和人类活动的响应

不同植被类型对外界干扰和环境变化的敏感性不同。为厘清中国不同类型植被的动态变化特征及其对外界环境变化的响应,综合利用趋势分析、残差分析和情景模拟方法,在明确2000-2015年间我国不同植被类型归一化植被指数(NDVI)时空变化基础上,对气候变化和人类活动两大驱动要素在不同植被类型NDVI变化中的相对贡献进行了定量评估和归因。研究结果表明:(1)2000-2015年,我国植被NDVI整体呈增加趋势,且其空间占比高达84.1%。其中,森林植被的改善状况最佳,显著增加的面积占到了森林总面积的82.4%;而荒漠植被的改善状况相对较差,仅有22.3%的区域呈显著增加趋势。(2)人类活动在我国植被变化中占主导地位。植被改善区和植被退化区人类活动的相对贡献分别为76.4%和60.0%,且人类活动对植被的影响更多与管理方式而非土地利用类型转变有关。(3)不同类型植被对气候变化和人类活动的响应差异显著。对于植被改善区,除沼泽外,人类活动对各类型植被NDVI变化的贡献率均在70%以上,尤其是对农作物的贡献率最高,达到80.7%;对于植被退化区,人类活动影响较大的植被类型为沼泽和农作物,表明2000-2015年间我国沼泽受到了更强烈人类活动的负面影响。研究有助于增强对不同植被类型对全球变化响应机制的理解,并为促进生态建设和植被恢复工作的有效实施提供科学参考。     

湖北省地区植被覆盖变化及其对气候因子的响应

归一化植被指数(NDVI)作为一个重要的遥感参数,能够准确地反映植被覆盖程度和植被生长状况、生物物理化学性质及生态系统参数的变化,其时序数据也已成为基于生物气候特征开展大区域植被和土地覆盖分类的基本手段。基于2001—2012年MODIS-NDVI数据,利用趋势分析法以及线性相关分析等方法对湖北省植被年际变化趋势、月变化趋势进行详细分析;并且研究该区植被覆盖时空变化及其与气温和降水的关系。结果表明近12年来,研究区大部分区域植被覆盖度良好,其中鄂西北及鄂南地区NDVI值较高为0.82,鄂中东部城市NDVI值较低为0.13;2001—2012年间年均NDVI整体呈增加趋势,增速1%/10a;植被覆盖度基本不变区域占研究区总面积的92.8%,大致符合我国中部地区植被覆盖变化趋势;分析NDVI与气候因子的相关关系可知,降水量对湖北植被NDVI年变化起有重要影响;逐月NDVI与月平均气温及月降水量的回归分析表明,降水和气温对生长季不同月份的植被NDVI影响明显不同,同时呈现一定的滞后性。     

黄土高原植被覆盖时空变化及其对气候因子的响应

为研究黄土高原地区退耕还林(草)后,植被覆盖变化及其对水热条件的响应,利用1999—2013年SPOT VGT NDVI 1km/10d分辨率数据,采用最大合成法、一元线性回归法和偏相关分析法,系统分析了黄土高原地区NDVI(归一化植被指数)的时空分布及变化趋势,及其与气候因子的关系。结果表明:黄土高原1999—2013年年最大NDVI的平均值为0.31,NDVI较高的区域位于黄土高原南部,而西北部植被覆盖度较低;自1999年开始,黄土高原地区NDVI呈极显著(P0.01)增加趋势,年最大NDVI的变化斜率为0.0099;不同季节(春、夏、秋、冬)和生长季的植被状况均呈现良性发展趋势;1998—2013年间,黄土高原地区气候呈现不显著的"冷湿化"特征;NDVI年际(及生长季和季节)变化与降雨和温度的相关性不显著,而在月时间尺度上,呈显著的相关性,并且月NDVI与当月降雨量的相关性要强于与当月温度的相关性;植被生长对温度的响应存在一个月的滞后期,而对降雨的响应无滞后效应。     

Characteristics of normalized difference vegetation index of biological soil crust during the succession process of artificial sand-fixing vegetation in the Tengger Desert,Northern China

Aims Biological soil crust (hereafter crust) affects normalized difference vegetation index (NDVI) values in arid desert ecosystems. This study aimed to demonstrate the feasibility of combining crust NDVI values with meteorological data to distinguish the crust successional stage at the regional scale. Meanwhile, the characteristics of crust NDVI could provide the basis for the error analysis of NDVI-based surface ecological parameters estimation in desert ecosystems. We also suggested the optimum periods for crust observation based on the multi-temporal remote sensing images.Methods NDVI values of five types of dominant crusts, three typical sand-fixing shrubs and bare sand were collected by spectrometer in the field. Crusts and shrubs were randomly selected in revegetated areas established in 1956, 1964, and 1973 at Shapotou, which is on the southeastern edge of the Tengger Desert. We used the space-for-time method to study the characteristics of crust NDVI values and their responses to precipitation and temperature during the succession process of artificial sand-fixing vegetation. Additionally, we evaluated the contribution of crust NDVI values to the whole ecosystem NDVI values by comparing the NDVI values of crusts, shrubs and bare sand.Important findings 1) With succession process of the artificial sand-fixing vegetation, the crust NDVI values significantly increased. Among different crust types, we found the following order of NDVI values: Didymodon vinealis crust > Bryum argenteum crust > mixed crust > lichen crust > algae crust. 2) Crust NDVI values were significantly affected by precipitation, temperature and their interaction, and the influences showed significant seasonal differences. Furthermore, we found significantly linear correlations between crust NDVI value and precipitation, and between crust NDVI value and the shallow soil moisture content covered by crust. A significantly negative linear correlation between daily mean temperature and crust NDVI value, and a significantly exponential correlation between the surface temperature of crust and its NDVI value. With the succession process of artificial sand-fixing vegetation, the response of crust NDVI value to precipitation and temperature became more sensitive. In addition, the response of crust NDVI value to temperature was more sensitive in spring than in summer, while that to precipitation was less sensitive in spring than in summer. 3) Moss crust NDVI value was significantly higher than that of shrubs and bare sand after the rainfall event in spring, while shrubs NDVI value was significantly higher than that of crust after the rainfall event in summer. Considering the coverage weights of different ground features in sand-fixing areas, crust NDVI values contributed 90.01% and 82.53% in spring and summer, respectively, to the regional NDVI values, which were higher than those of shrubs (9.99% and 17.47% in spring and in summer, respectively). Additionally, with the succession process of artificial sand-fixing vegetation, crust NDVI values contributed more, while shrubs contributed less to regional NDVI values.     

2001—2020年川西北高原归一化植被指数演变特征及其对极端气候的响应

川西北高原是典型的生态气候敏感区,其植被状况与气候变化密切相关。本研究基于2001—2020年MODIS-NDVI数据集和气象数据,采用最大值合成、地理探测器模型、线性趋势分析、相关分析等方法,研究川西北高原生长季归一化植被指数(NDVI)的变化趋势及其对气候因子的响应机制。结果表明: 研究期间,川西北高原植被覆盖度整体状况良好,86.8%的区域植被稳定,12.6%的区域NDVI呈弱持续性上升趋势,0.6%的区域NDVI呈下降趋势,全区生态环境呈稳中向好的发展趋势。研究区植被覆盖度空间差异大,总体呈由西南向东北上升的趋势,并有显著的立体变化。海拔1350 m以下,NDVI随海拔升高而上升;海拔1350～3650 m,NDVI无显著变化;海拔3650～5900 m,NDVI随海拔升高而下降,在4750～5900 m快速下降;海拔5900 m以上,几乎无植被。川西北高原的NDVI受多种自然因子交互作用影响,热量因子(月最高气温极大值、月最低气温极小值、植物生长期、年均温、生长期均温)是主导气候因子,除月最高气温极大值外,其余温度因子对NDVI均以正贡献为主。NDVI对气温指数的响应高于降水指数。在气候变暖背景下,极端气温暖指数对川西北高原植被生长尤其是高海拔地区植被生长及改善以促进作用为主。     

锡林郭勒植被NDVI时空变化及其驱动力定量分析

定量评价归一化植被指数(NDVI)变化特征及其驱动机制, 对了解区域生态变化特征, 促进区域生态与社会经济的可持续发展具有重要作用。该文利用MODIS-NDVI数据, 采用趋势分析法探讨了锡林郭勒2000-2015年生长季植被NDVI时空格局; 然后, 将各驱动因子的空间影响面积与植被显著增加/减少区域进行空间叠加分析, 二者比例即为贡献率大小。结果表明: 研究区植被NDVI整体缓慢增加, 呈现“东北高西南低”的分布格局。NDVI显著增加面积大约是显著减少面积的2倍, 且在气候和人类活动的双重作用下, 植被NDVI表现出显著的空间异质性。在NDVI显著增加区域, 气候影响比例为47.79%, 且降水和气温影响比例相当; 禁牧及草畜平衡政策是最主要的人为影响因素, 占比69.55%。在NDVI显著减少区域, 气候因素占比52.55%, 且以降水影响为主; 人类活动占比24.73%。在NDVI显著增加区域, 人类活动的影响大于气候因素, 且二者耦合作用较突出。     

中国东部南北样带主要植被类型归一化植被指数对气候变化的响应及不同时间尺度的差异性

植被的动态变化及其与环境的关系已成为全球变化研究的热点问题。陆地样带是进行全球变化驱动因素梯度分析的有效途径。该研究依托中国东部南北样带(NSTEC), 对南北样带不同时间尺度的气候因子和植被活动变化特征进行了分析, 并重点阐述了具有代表性的12种植被类型对气候因子的响应方式。研究结果表明: 南北样带植被的归一化植被指数(NDVI)的变化同时受控于气温和降水, 但是在不同的空间和时间尺度上植被NDVI的响应方式各异。在年时间尺度上, 只有温带落叶灌丛(TDS)的NDVI受气温控制; 而温带禾草草原(TGS)和亚热带和热带针叶林(STCF)的NDVI同时受气温和降水调控。其他植被类型的年NDVI与年平均气温和年总降水量没有直接显著的联系, 而受年内气温变化和降水分配状况的影响更大。在月时间尺度上, NDVI与气温的关系在不同类型植被之间存在很大差异。一般而言, 植被NDVI与前4个月内的气温关系最为密切, 并且从1月份到4月份气温的滞后时长在缩短。其中, 温带针叶林(TCF)、温带落叶阔叶林(TDBF)、TDS、STCF和亚热带热带草丛(STG)等植被类型, 5-8月的NDVI与气温普遍呈负相关关系。草原和灌丛植被类型当月NDVI与当月降水量主要以正相关为主, 而森林类型当月NDVI与当月降水量主要以负相关为主。     

黑河中游荒漠生态系统归一化植被指数对降水的响应

降水是荒漠生态系统主要的水分来源, 是植被结构和功能变化的根本驱动力。该研究以黑河中游砾质荒漠(砾漠)和沙质荒漠(沙漠)为研究对象, 基于2000-2012年中分辨率成像光谱仪(MODIS)获取的归一化植被指数(NDVI)数据以及日降水数据, 运用多元线性回归法, 分析了砾漠和沙漠植被生长季(5-9月)、生长季早期(5-6月)和晚期(7-9月)累积NDVI (NDVI_INT, INT表示某时间段的累积值)对冷季降水(P_c, 前一年9月至当年2月累积降水)、暖季降水(P_w, 当年3月至8月累积降水)、前一年生长季NDVI_INT (NDVI_INT-pys)以及干湿气候期(干旱期: 2001-2003; 湿润期: 2004-2007年)的响应。研究结果表明: (1)砾漠植被生长季NDVI_INT年际变化的影响因素排序为NDVI_INT-pys > P_c > P_w, 沙漠植被NDVI_INT则为P_w > NDVI_INT-pys; 砾漠生长季NDVI_INT早期NDVI_INT年际变化的影响因素排序为NDVI_INT-pys > P_c, 晚期则为NDVI_INT-pys > P_c = P_w; 而沙漠生长季早期NDVI_INT年际变化的影响因素为NDVI_INT-pys, 晚期是P_w。(2)在干湿气候期内, 降水量并非是影响荒漠NDVI_INT变化的关键因子。干湿气候期交替时, 砾漠NDVI_INT较沙漠增加明显; 湿润期内, 湿润期持续的长短是影响两种生境植被NDVI_INT的关键因子, 以沙漠较为明显。黑河中游砾漠和沙漠植被生产力对冷暖季降水及干湿气候期响应具有明显的差异, 但总体显示出荒漠植被生产力对降水响应具有滞后性特征。以上结论可为揭示荒漠植被生产力对降水的响应机理提供参考。     

Changes in normalized difference vegetation index of deserts and dunes with precipitation in the middle Heihe River Basin

AimsPrecipitation is the major water source for desert ecosystems, with its temporal dynamics significantly driving the changes of ecosystem structure and function in desert regions. The objectives of this study are to evaluate the changes in normalized difference vegetation index (NDVI) with seasonal precipitation and different climate years in two cover types (desert and dune).MethodsBased on the daily rainfall dataset of 2000-2012 in the middle Heihe River Basin in Northwest China and the NDVI extracted from the moderate resolution imaging spectroradiometer (MODIS) images, we performed linear regression analysis to examine the correlation of NDVI_INT (accumulated NDVI) with precipitation in two cover types (desert and dune). Two measures of the precipitation are P_c (cool-season precipitation from last September to late February) and P_w (warm-season precipitation in between March and August), while NDVI was characterized with NDVI_INT-pys (previous-year during the different climate years (dry: 2001-2003, wet: 2004-2007)) and the different periods of a growing season (i.e. whole growing season from May through September, early growing season in between May and June, and late growing season in between July and September).Important findings We found that: (1) the determinants of growing season NDVI_INT and their order were NDVI_INT-pys > P_c > P_w for the deserts, while the order was P_w > NDVI_INT-pys for the dunes. The determinants and their order of NDVI_INT in early growing season were NDVI_INT-pys > P_c for the desert, while they were NDVI_INT-pys > P_c = P_w for the late growing season. However, for the dunes, NDVI_INT of the early and late growing season appeared determined by NDVI_INT-pys and P_w, respectively. (2) During the dry and wet periods, precipitation was not a significant factor influencing NDVI_INT for the desert and dune. However, significant increases in NDVI_INTwere observed at dune under wet condition. With the wet years continued, the length of the wet years become an important determinant of NDVI_INT at both cove types, particularly at dune. In addition, it appeared that different changes in NDVI with precipitation existed between the two cover types, but with very similar effects of time-lag. These findings provide useful references for further understanding the mechanisms of NDVI changes with precipitation.     

Precise vegetation restoration in arid regions based on potential natural vegetation and potential normalized difference vegetation index

Precise vegetation restoration is critical in drylands, as some inappropriate restoration attempts have even increased water scarcity and degradation in afforestation areas. Potential natural vegetation (PNV) is widely used to provide a reference for the appropriate location and vegetation type of restoration programs while the appropriate restored areas remain unknown. Therefore, we proposed a PNV–potential normalized difference vegetation index (PNDVI) coupling framework based on multiple machine learning (ML) algorithms for precise dryland vegetation restoration. Taking the lower Tarim River Basin (LTRB) with a total area of 1,182 km² as a case study, its present suitable restoration locations, area, and appropriate planting species were quantitatively estimated. The results showed that the model developed by incorporating PNDVI into PNV with easily measurable and available data such as temperature and soil properties can accurately identify dryland restoration patterns. In LTRB, the potentially suitable habitats of trees and grass are closer to the riverbank, while shrubby habitats are further away from the course, covering 1.88, 2.96, and 25.12 km², respectively. There is still enormous land potential for further expansion of the current trees and grass in the LTRB, with 2.56 and 1.54% of existing land supposed to be trees and grass, respectively. This study's novel aspect is combining PNV and PNDVI to quantify and estimate precise restoration patterns through multiple ML algorithms. The model developed here can be used to evaluate the suitable reforestation locations, area, and vegetation types in drylands and to provide a basis for precise vegetation restoration.