基于多源遥感融合下的准格尔旗植被变化研究

Study on Vegetation Changes in Jungar Banner Based on Multi-Source Remote Sensing Fusion

摘要: 本研究基于谷歌地球引擎(Google Earth Engine, GEE)云平台，使用GF-SG多源遥感融合方法得到高时空分辨率的两波段增强植被指数(EVI)，采用趋势检验、突变点分析、偏相关分析等方法，对2002~2022年准格尔旗的植被时空变化进行分析，探讨了植被覆盖的变化趋势及其影响因素。结果表明：(1) 2002~2022年，准格尔旗的平均EVI显著上升，EVI值于2016年产生突变，风沙区和平原区EVI值增幅显著；(2) 植被稳定性分析显示，大部分区域波动较小，生态环境持续改善；(3) 森林的EVI增长速度最快，草地EVI的增长最慢；(4) 不同坡向与海拔EVI值有明显差异，偏东坡EVI值高，偏西坡EVI值低，EVI值随海拔的上升而降低；(5) 气温、降水、蒸散对EVI正向影响明显，降水在季前1个月影响最为显著，气温则在季前3~5个月的中长期累积效应更为显著。研究结果为干旱半干旱地区植被变化及其驱动机制提供了重要参考。

Abstract: This study is based on the Google Earth Engine (GEE) cloud platform and uses the GF-SG multi-source remote sensing fusion method to obtain a two-band enhanced vegetation index (EVI) with high temporal and spatial resolution. Using methods such as trend analysis, change-point detection, and partial correlation analysis, this study examines the spatiotemporal changes in vegetation in Jungar Banner from 2002 to 2022, exploring the trends in vegetation coverage and their influencing factors. The results show that: (1) the average EVI of Jungar Banner increased significantly from 2002 to 2022, and the EVI value changed suddenly in 2016. The EVI values in the sandy and plain areas increased significantly; (2) the vegetation stability analysis showed that most areas have small fluctuations, and the ecological environment continues to improve; (3) The EVI of forests has the fastest growth rate, and the EVI of grasslands has the slowest growth rate; (4) There are obvious differences in EVI values at different slopes and altitudes, with higher EVI values on the eastern slopes , the EVI value is low on the west slope, and the EVI value decreases with increasing altitude; (5) Temperature, precipitation, and evapotranspiration have a significant positive impact on EVI, with precipitation having the most significant impact in the first month of the season, and temperature having the most significant impact in the first three months of the season. The medium- to long-term cumulative effect of 3~5 months is more significant. The research results provide an important reference for vegetation changes and their driving mechanisms in arid and semi-arid areas.

1. 引言

干旱半干旱区占据着全球陆地面积的41% [1]，降水稀缺、土壤贫瘠，既是生态脆弱区，又是区域生态对气候变化响应的敏感区[2]。植被是陆地生态系统的主体[3]，可以指示生态与气候间的交互关系，也能反映地区水热特征[4]，有重要的研究价值。在内蒙古锡林郭勒盟的研究表明植被覆盖度在空间变化上对气温较为敏感，在年际变化上对年均降水量较为敏感[5]；同时植被与气候之间存在着不对称的时间关系[6]，气候对植被生长具有时间滞后效应和累积效应，是气候–植被交互效应中的重要机制；Braswell等人的研究表明不同地区和植被类型对气候因子的延迟效应存在明显差异[7]；全球尺度下发现干旱区草地对当月气温和降水响应最为强烈，同时植被对气候的响应随空间格局的多样性和时滞效应而产生巨大变化[8]；在干旱区的研究表明，年降水量为100~400毫米的地区，植被对于降水的敏感性极强[9]；草地归一化植被指数与各气候要素之间存在明显的时间滞后效应，对2~4个月期间的降水异常反应最强烈，其中亚洲干旱区草地的归一化植被指数(NDVI)对降水和气温不存在滞后，对土壤含水量和太阳辐射的滞后时间主要为1个月[10]；降水对森林生态系统植被生长存在累积效应，农田生态系统植被生长对降水的响应最快，不考虑累积时，不同生态系统植被生长对当月或滞后1月的温度相关性最高[11]。

植被最大生长幅度(植被峰值)表示植被在生长过程中利用光能进行最大光合作用的能力，对生态系统具有重要作用[12]。与气候变化密切相关的植被峰值变化，是研究全球变化对地球生态影响的重要因素[13]，是决定年生产力的最主要部分，有着极高的研究价值[14]。研究表明中国东北地区植被最大生长幅度整体上呈现出波动上升的趋势[15]，同时植被最大生长幅度对自然植被生产力长期变化的影响显著[16]；安等人基于MODIS影像的研究显示植被峰值时间的变化趋势不明显，但与其对应时间的NDVI峰值呈显著增加趋势[17]。现有的对于植被最大生长幅度研究鲜有采用基于高时空分辨率的多源遥感融合影像，尤其是在复杂地形情况和中小尺度下，甚少讨论不同植被、地形因素导致的植被生长和类型差异，因此本研究对于干旱半干旱区植被的植被峰值及其对不同季前长度的气候因子的响应的研究具有重要意义。

2. 研究区概况

准格尔旗(图1)位于黄河流域内蒙古段中上游地区，鄂尔多斯高原的最东端，地处我国北部的干旱及半干旱地带。该区域是典型的中温带大陆性半干旱气候，四季分明、日照充足；区域内干旱少雨，年平均降水量为418.6毫米，多集中在7~9月，降水量自东南向西北递减；地貌以丘陵沟壑为主，占总面积的74%，是我国一处具有重要生态屏障意义的荒漠草原区；同时也是改革开放30周年内蒙古总结推出的十个典型旗县市区之一[18]。准格尔旗1999年开始实行第一轮退耕还林还草，是我国最早进行退耕还林还草的地区之一，2015年开始第二轮退耕还林还草并持续至今。王等人以内蒙古准格尔旗为研究区，根据地形土壤特征划分立地类型，将准格尔旗划分为沿黄河的平原区、以沙地为主的风沙区、东部的黄土丘陵区、和西南部的砒砂岩区[19]。通过深入研究准格尔旗植被变化，可以更好地了解气候变化背景下以及2000~2022年准格尔旗实施退耕还林还草政策以来，该地区的生态环境恢复情况，并为未来的气候变化适应和生态保护提供参考。

Figure 1. Elevation and ecological zoning map of the study area

图1. 研究区高程、生态区划图

3. 数据与研究方法

3.1. 数据来源

3.1.1. EVI数据

本文使用两波段增强植被指数(Two-band Enhanced Vegetation Index, EVI2)，EVI2使用红波段(red)和近红外波段(nir)，解决了EVI蓝波段误差较大的问题[20]，是对传统增强植被指数的简化和优化版本，二者有较强的一致性，EVI2以下简称EVI。

$\text{EVI2}=2.4\times \frac{nir-red}{nir+red+1}$ (1)

本文使用了陈等人使用的GF-SG方法[21]，将Landsat8与MODIS系列数据进行融合计算，该方法对于单峰的植被区具有较好的拟合效果。本文在GF-SG的基础上使用Landsat5、Landsat7、Landsat8、Landsat9和MODIS的数据来重建植被EVI数据。

由于Landsat7出现的条带问题，因此只在2002年和2012年使用部分Landsat7的数据，尽可能减少了传感器故障造成的不利影响，具体Landsat影像的使用数量如表1。MODIS影像则使用MODIS数据中的MOD09Q1数据分辨率为8天250 m。

Table 1. Number of landsat images used

表1. Landsat影像的使用数量

年份	卫星名称	影像数量	年份	卫星名称	影像数量	年份	卫星名称	影像数量
2002	Landsat7	82	2009	Landsat5	81	2016	Landsat8	86
2003	Landsat5	66	2010	Landsat5	75	2017	Landsat8	90
2004	Landsat5	77	2011	Landsat5	53	2018	Landsat8	86
2005	Landsat5	71	2012	Landsat5、7	68	2019	Landsat8	83
2006	Landsat5	72	2013	Landsat7、8	62	2020	Landsat8	85
2007	Landsat5	58	2014	Landsat8	80	2021	Landsat8、9	83
2008	Landsat5	55	2015	Landsat8	80	2022		167

本文通过该方法得到了2002~2022年共21年的EVI指数，分辨率为8天30 m，共966期EVI数据。通过检验如图2，Landsat EVI与合成的GF-SG EVI在该地区拟合度R²约为0.91，说明此方法在该地区的融合结果可靠。

Figure 2. Scatter plot of Landsat EVI and GF-SG EVI fitting

图2. Landsat EVI与GF-SG EVI拟合散点图

3.1.2. 环境数据

本文使用GEE平台MOD16A2数据的蒸散(ET)数据最终合成月数据；ERA5-Land月数据集的气温(TEM)、露点温度(DT)与降水数据(PRE)。以上数据均使用ArcGIS进行重采样、掩膜提取等处理，统一了空间分辨率和坐标系。

3.1.3. 高程数据

高程数据利用地理空间数据云的ASTER GDEM (https://www.gscloud.cn/)高程数据，该产品空间分辨率为30 m。使用ArcGIS软件进行掩膜提取、投影栅格等处理，利用ArcGIS的表面分析功能，提取研究区的坡向和高程。

3.2. 研究方法

3.2.1. GF-SG多源遥感融合方法

GF-SG基于GEE平台实现，其方法具体如下：对Landsat影像进行处理矫正和去云，生成无云Landsat，并计算EVI指数；对MODIS计算EVI指数，并对其进行空间内插和时间内插；使用SG滤波器来降低合成时间序列中的残余噪声，尽可能减少MODIS EVI时间序列中的云污染，之后重采样为8天30 m的EVI序列；对MODIS EVI进行形状无监督分类和交叉比较，得到修正后的MODIS EVI；经过拟合，合成Landsat-MODIS时间序列的EVI；最后使用加权SG滤波器滤波，得到最终的高质量Landsat-MODIS的8天30 m分辨率的EVI时间序列，流程如图3。

Figure 3. GF-SG method flow chart

图3. GF-SG方法流程图

3.2.2. 变异系数

Table 2. Coefficient of variation classification

表2. 变异系数等级划分

CV值范围	波动程度
0 < CV ≤0.21	低波动
0.21 < CV ≤0.27	中低波动
0.27 < CV ≤ 0.37	中等波动
0.37 < CV ≤ 0.52	中高波动
0.52 < CV ≤ 1.87	高波动

为衡量研究区内的植被EVI的稳定情况[22]，本文采用表征概率分布离散程度归一化量度的变异系数进行计算，公式如下：

$\text{CV}=\frac{\sqrt{\frac{1}{n-1}{\displaystyle {\sum }_{i=1}^n{\left({\text{EVI}}_i-\overline{\text{EVI}}\right)}^2}}}{\overline{\text{EVI}}}$ (2)

其中CV为变异系数，n为监测年数，本文监测年数为21年，i为时间序列，本文中为1至21：${\text{EVI}}_i$ 为第i年该像元EVI值，$\overline{\text{EVI}}$为21年内该像元最大值的平均值。按照自然间断点法将研究区内的变异系数划分为5个等级[23]，如表2。

3.2.3. 偏相关分析

基于以下方程，采用偏相关分析研究植被物候对降水(PRE)、温度(TEM)、蒸散(ET)和露点温度(DT)的响应关系，探讨植被物候与植被水分利用效率的影响机制。计算公式如下：

$R_{12,34\cdot \cdot \cdot p}=\frac{r_{12,34.\cdot \cdot \cdot \left(p-1\right)}-r_{1p,34\cdot \cdot \cdot \left(p-1\right)}{r}_{2p,34\cdot \cdot \cdot \left(p-1\right)}}{\sqrt{\left(1-r_{1p,34\cdot \cdot \cdot \left(p-1\right)}^2\right)\left(1-r_{2p,34\cdot \cdot \cdot \left(p-1\right)}^2\right)}}$ (3)

R_{12,34∙∙∙p}表示在控制变量34∙∙∙p后，变量1与变量2之间的相关性。式中变量1代表植被峰值EVI，变量2至5分别代表PRE、TEM、ET、DT，即总要素个数p为5，当R_12,345大于0时，表示EVI与降水之间存在正相关关系。具体步骤为首先以像元尺度计算多年植被峰值期的平均儒略日所在的月份；其次根据该月份进行季前长度的率定，季前长度本文中选择六个月；然后按月依次向前累积自变量，与峰值EVI进行偏相关分析，得到EVI值与环境因变量之间六个不同季前长度(月为步长)时的相关系数；选择相关系数绝对值最大时的季前气候因子的时间，最终确定为该像元的最佳季前长度。例如某一像元的EVI值与气温因子在累积一个月到累积前六个月的对应的6个相关系数中，累积三个月时偏相关系数的绝对值最大，则将季前三个月确定为最佳季前长度。

3.2.4. Theil-Sen Median趋势分析和Mann-Kendall检验

检测和估算时间序列数据中的趋势变化，常采用Mann-Kendall趋势测试和Sen’s Slope估计。相较于线性趋势分析，Theil-Sen Median分析可有效避免异常值的干扰，从而提高检验结果的准确度。

$\beta =\text{Median}\left(\frac{x_j-x_i}{j-i}\right),{\forall }_j>i$ (3)

式中：$\text{Median}\left(\right)$ 为中位数函数，$x_i$ 、$x_j$ 表示对应像元第i、j年植被覆盖度值；i、j为对应的年份。

对2000~2022年植被EVI进行Mann-Kendall趋势检验，本研究给定显著性水平为0.1，则临界值$Z_{1-\raisebox{1ex}{$\alpha $}\!\left/ \!\raisebox{-1ex}{$2$}\right.}=\pm 1.645$ 。当$\left|Z\right|\le 1.645$ 时，变化趋势不显著；当$\left|Z\right|>1.645$ 时，变化趋势显著，$\left|Z\right|>Z_{1-\raisebox{1ex}{$\alpha $}\!\left/ \!\raisebox{-1ex}{$2$}\right.}=1.645、1.96、2.58$ 表示分别通过90%、95%、99%的显著性水平检验。

3.2.5. 突变点检测

利用Mann-Kendall显著性检验进行突变点检验其方法如下：

$S_k={\displaystyle {\sum }_{i=1}^k{\displaystyle {\sum }_{j=1}^{i-1}{r}_{ij}\left(k=2,3,\cdot \cdot \cdot ,n\right)}}$ (5)

$U{F}_k=\frac{S_k-E\left(S_k\right)}{\sqrt{Var\left(S_k\right)}}$ (6)

$E\left(S_k\right)=\frac{n\left(n+1\right)}{4}$ (7)

$Var\left(S_k\right)=\frac{n\left(n-1\right)\left(2n+5\right)}{72}$ (8)

式中：$r_i=\{\begin{array}{l}1,x_i-x_j＞0\\ 0,x_i-x_j\le 0\end{array}$ ，表示S_k第i时的数值大于第j时数值的累计数；E (S_k)为均值，Var (S_k)为方差。

UF_k (UF)为服从正态分布，是按照时间序列计算出来的统计量序列，选取0.05水平检验对应的正负1.96作为临界值，并采用同样方法计算反序UB_k (UB)。如果UF和UB两条曲线出现交点，且交点在临界线之间，那么交点对应的时刻便是突变开始的时间，超过临界值的范围确定为出现突变的时间区域。

3.2.6. 一元六次多项式拟合

一元六次多项式方法由Piao等[24]提出，通过对逐年逐像元的46个EVI值进行一元六次多项式拟合，并计算逐日EVI值，将最大EVI值出现的儒略日定义为植被生长季峰值时间(POS)，具体公式如下，对应的最大值定义为该年峰值EVI：

$y=a_1{t}^6+a_2{t}^5+a_3{t}^4+a_4{t}^3+a_5{t}^2+a_{6}t+a_7$ (9)

式中，a₁到a₆为拟合参数，是由最小二乘回归计算得来的；t为儒略日，y为儒略日t的EVI值。同时，该方法有助于平滑太阳高度角、云、大气等因素影响的异常EVI值。

3.2.7. 多元回归残差分析

在干旱半干旱区，植被的生长状况主要取决于自然因素的变化和人类活动的影响[25]，但人类活动的影响往往难以量化；基于此，本文以气温和降水为基准建立多元回归模型，利用残差分析量化人类活动对植被EVI变化的贡献[26]。具体方法为将气温、降水作为自变量，EVI为因变量，利用多元线性回归模型求解方程，计算EVI预测值(Y_CC)，用来表征气候因素对植被EVI值的影响；然后使用实际EVI值(Y_obs)与EVI预测值(Y_CC)之间的差值，用来表征人类活动对植被EVI值的影响。具体公式如下：

$Y_{CC}=a_1{x}_1+a_2{x}_2+b$ (10)

$Y_{HA}=Y_{obs}-Y_{CC}$ (11)

其中x₁、x₂分别代表气温和降水，a₁、a₂为各自的回归系数，b为方程截距，Y_HA为残差。具体划分类型如表3。

Table 3. Determination criteria for driving factors of different vegetation changes

表3. 不同植被变化的驱动因素判定标准

Sen (Yobs)	划分标准	Sen (YCC)	Sen (YHA)	Sen (Yobs)	划分标准	Sen (YCC)	Sen (YHA)
Sen (Yobs) > 0	CC & HA (+)	>0	>0	Sen (Yobs) < 0	CC & HA (−)	<0	<0
Sen (Yobs) > 0	CC (+)	>0	<0	Sen (Yobs) < 0	CC (−)	<0	>0
Sen (Yobs) > 0	HA (+)	<0	>0	Sen (Yobs) < 0	HA (−)	>0	<0

注：CC和HA分别表示驱动因素为气候变化和人类活动。

4. 结果和分析

4.1. EVI时间变化特征

准格尔旗多年EVI变化如图4所示，2002~2022年，准格尔旗的多年平均EVI值约为0.22，呈显著上升趋势。2011年EVI值为最低(0.16)，2020年则达到峰值(0.29)，整体以约0.056/10 a的速率增长(p < 0.05)。

Figure 4. EVI changes in the study area from 2002 to 2022

图4. 2002~2022年研究区内EVI变化

利用Mann-Kendall显著性检验进行突变点检验，如图5，结果如下：UF值反映了数据的逐年趋势变化，在2002~2011年UF值大多处于负值和接近零的范围，表明EVI的变化趋势并不显著；而从2011年开始，UF值逐步上升，特别是在2017年以后，UF值急剧增长，直到2022年达到了较高水平为3.32。这一变化趋势表明，2016年以后EVI变化相对稳定，总体处于较好的水平；准格尔旗第二轮退耕还林还草开始以来，该地区逐步到达“生态拐点”，植被健康改善效果明显。

Figure 5. Analysis of EVI mutation points in the study area from 2002 to 2022

图5. 2002~2022年研究区EVI突变点分析图

4.2. EVI2空间分布特征及其变化趋势

EVI空间分布及其变化趋势如图6，研究区内的EVI值总体的空间分布趋势为中东部黄土丘陵区较中西部砒砂岩地区EVI值高，主要分布草地；北部沿黄河平原区较高；中北部的风沙区EVI值较低。

不同生态区EVI的平均值存在差异，结果表明平原区的EVI值最高(0.28)，主要为农田分布，由于其靠近黄河，灌溉便利，且受人为管理的植被生长较好，植被覆盖良好；风沙区的EVI值最低(0.21)，反映出该区域生态压力较大，受风蚀和沙化影响严重，植被覆盖较少。砒砂岩区(0.22)和黄土丘陵区(0.23)的EVI值介于两者之间，显示出中等程度的植被覆盖。

Figure 6. a. Distribution of the maximum EVI value in the study area for many years; b. Spatial distribution of vegetation change trends in the study area from 2002 to 2022

图6. a. 研究区多年最大EVI值分布图；b. 2002~2022年研究区植被变化趋势的空间分布

以p = 0.01、0.05、0.1显著性水平和Sen斜率是否大于0将植被变化划分为极显著降低、显著降低、微显著降低、不显著降低、无变化、不显著增加、微显著增加、显著增加和极著增加9类。结果显示，2002年到2022年研究区EVI主要呈显著增长趋势，极显著增加(68.56%)、显著增加(12.53%)和微显著增加(3.92%)合计占85.01%，说明大部分区域植被覆盖度和健康状况明显提升。相较之下，植被减少区占4.41%，无变化区为0.84%，总体表明植被退化较少且大部分区域出现积极转变。

不同生态区植被变化趋势，如表4。结果显示，在四大生态区中显著增长趋势均占比最高。其中，风沙区极显著增加比例最高(85.43%)，显著高于平原区(70.66%)、黄土丘陵区(65.19%)和砒砂岩区(61.86%)。各区显著、微显著增加类比例也较高。相比之下，各区降低类像元比例较低，平原区为6.42%、风沙区1.66%、砒砂岩区4.87%、黄土丘陵区5.54%；无变化类所占比例则更有限。

Table 4. Vegetation change trends in different ecological zones

表4. 不同生态区植被变化趋势

生态区	极显著降低	显著降低	微显著降低	不显著降低	无变化	不显著增加	微显著增加	显著增加	极显著增加
平原区	1.02%	0.86%	0.50%	4.04%	4.24%	8.61%	2.50%	7.37%	70.66%
风沙区	0.20%	0.20%	0.11%	1.15%	0.87%	4.22%	1.63%	5.96%	85.43%
砒砂岩区	0.58%	0.58%	0.34%	3.37%	0.26%	12.28%	5.07%	15.48%	61.86%
黄土丘陵区	1.21%	0.71%	0.39%	3.23%	1.04%	10.00%	4.12%	14.22%	65.19%

4.3. 不同地形下EVI时空变化特征

不同地形下EVI时空变化特征有所不同，不同坡向EVI值与不同海拔EVI值的变化趋势如图7。由于平原区与风沙区的地表起伏较小，坡向差异不显著，因此只对砒砂岩区和黄土丘陵区的坡向进行分析。2002年至2022年，不同坡向类别的EVI值总体呈现出波动上升的趋势，偏东的三个坡向EVI值普遍较高(东北0.226、东0.227、东南0.225)，而偏西坡的EVI值较低(西南0.216、西0.217、西北0.219)。

海拔上来看，EVI值随着海拔的上升而下降。低海拔地区分布农田，水热条件较好，人为干预有助于植被生长；中高海拔地区主要分布草地，植被较为稀疏。退耕还林还草以来，1000~1200 m高度范围的植被EVI值增长最快，约为0.06/10 a，风沙区主要分布于此，因而存在大量裸地，是治沙还林还草生态工程的主要区域，制度趋使该地区生态明显改善；变化最小的是海拔小于1000 m的部分，主要分布在沿黄河的平原区农田，属于较为核心的农业区，因此影响较小。

Figure 7. EVI values at different slope aspects and EVI change trends at different altitudes

图7. 不同坡向EVI值及不同海拔下的EVI变化趋势

4.4. 准格尔旗土地利用变化及不同土地利用类型的EVI时空变化特征

不同土地利用类型的EVI有着明显差异，如图8。其中，农田的多年平均EVI值最高(0.32)，林地次之(0.27)，草地最低(0.21)。从变化趋势来看，森林的EVI增长速度最快，达到0.16/10 a；农田增长速度为0.0704/10 a；草地增长速度最慢，整体较为稳定。2016年之前农田的EVI值明显高于森林，2016年开始森林与农田的EVI值相对接近。总体来看，这一时期内，各类土地的植被健康状况普遍改善，尤其是2012年以后，反映出生态环境的持续提升与可持续土地利用的积极发展。

Figure 8. EVI change trends of different landuse types

图8. 不同土地利用类型的EVI变化趋势

4.5. 植被稳定性分析

准格尔旗植被稳定情况如图9，其中准格尔旗植被低波动占比24.1%，中低波动占约47%，中等波动占21.4%，中高波动占约6%，高波动地区占约1.6%。波动性较大的地区主要出现在准格尔旗北部平原地区与西南部以及东部部分工矿区地区。

Figure 9. Distribution map of vegetation stability in the study area

图9. 研究区植被稳定性分布图

不同生态区的植被稳定性情况如表5。不同生态区植被稳定性差异明显，黄土丘陵区和砒砂岩区的植被稳定性相对较高，低波动、中低波动和占比分别达到80%和72%；平原区农田分布较广，人为活动对植被影响较大，因此平原区中高波动(15.03%)和高波动(8.43%)占比较高；风沙区则以中低波动(43.83%)和中等波动(29.83%)为主，中高波动主要分布在风沙区北部与平原区交界处，受人类活动和退耕还林还草政策的影响，因此波动也相对较大。

Table 5. Table of vegetation stability in different ecological zones

表5. 不同生态区的植被稳定性表

区域	低波动	中低波动	中等波动	中高波动	高波动
平原区	27.03%	26.22%	23.27%	15.03%	8.43%
风沙区	18.31%	43.83%	29.83%	6.57%	1.46%
砒砂岩区	23.50%	49.29%	20.44%	5.76%	1.00%
黄土丘陵区	30.05%	50.11%	14.67%	3.97%	1.17%

4.6. 气候因子对EVI的影响

温度、降水、露点温度和蒸散对EVI的偏相关分析结果(p < 0.05)如图10所示。其中，78.44%的像元与气温显著相关，49.78%的像元与降水显著相关，28.59%的像元与露点温度显著相关，66.06%的像元与蒸散显著相关。露点温度对EVI的显著影响主要集中在北部平原区和风沙区。在显著相关的像元中，气温与EVI的相关关系以正相关为主，占98.14%，平均相关系数约为0.63；降水与EVI呈现明显的正相关，占94.9%，平均相关系数为0.53；露点温度与EVI主要呈负相关，显著负相关像元占92.44%，平均相关系数为负0.51，主要分布在平原区和风沙区；蒸散与EVI主要呈正相关，显著正相关像元占97.12%，平均相关系数为0.61。

Figure 10. Distribution diagram of partial correlation coefficients of EVI on pre-season temperature, precipitation, dew point temperature and evapotranspiration

图10. EVI对季前温度、降水、露点温度和蒸散偏相关分系数分布图

Table 6. Table of pre-season length area ratios corresponding to the maximum correlation coefficients between different environmental factors and EVI

表6. 不同环境因子与EVI的最大相关系数对应的季前长度面积占比表

气候因子	1个月	2个月	3个月	4个月	5个月	6个月
TEM	4.64%	2.18%	20.74%	35.88%	32.15%	4.41%
PRE	44.59%	12.60%	3.86%	7.22%	18.55%	13.18%
DT	20.12%	7.28%	6.80%	10.14%	35.98%	19.68%
ET	24.14%	10.08%	40.17%	14.85%	6.98%	3.78%

不同气候因子对EVI的最佳季前长度存在显著差异，如表6。降水(PRE)在季前1个月对EVI影响最大的地区面积占比为44.59%；其次是季前5个月和6个月，分别占18.55%和13.18%；表明降水对植被指数的影响主要集中在最近一个月，同时存在一定的滞后效应。气温(TEM)在季前4个月和5个月对EVI影响最大的地区面积分别为35.88%和32.15%；其次是季前3个月，占20.74%；这说明气温对植被生长具有中长期的累积效应。蒸散(ET)在季前3个月对EVI影响最大的地区面积占比为40.17%；其次是季前1个月，占24.14%；显示蒸散在中期和近期均对植被健康和水分状况有显著作用。露点温度(DT)在季前5个月对EVI影响最大的地区面积占比为35.98%；随后是季前1个月和6个月，分别占20.12%和19.68%。不同气候因子在不同季前滞后时间对EVI的影响具有明显的空间分布特征，降水主要受近期一个月的影响，气温在中长期发挥重要作用，蒸散在近期和中期均有显著影响，露点温度的主要最佳季前长度集中在五六月份。

5. 讨论

本文基于多源遥感融合影像，研究了准格尔旗退耕还林还草政策实施期间的植被动态。结果显示，退耕还林还草开展以来，准格尔旗植被出现了显著增长，与安[27]等人在陕北的研究结果高度一致，退耕还林还草的政策有效改善了植被的健康状况，优化土地利用结构；尤其是在2014年第二轮退耕还林还草工程以来，植被生长状况出现明显好转，且长期处于较好的水平。

土地利用转移矩阵可以体现土地利用情况的变化，用来表征生态工程实施成效[28]。在退耕还林工程的背景下，2002~2022年准格尔旗植被恢复效果显著，土地利用类型变化明显(图11)。分4个阶段地来分析准格尔旗的土地利用变化，2002~2007年期间，农田面积从1265.94 km²减少至1218.65 km²；2007~2012年，农田进一步减少至970.95 km²；2012~2017年期间，农田继续减少至867.94 km²，草地面积持续增加。2017年以来，农田面积有所回升，达到1085.91 km²，主要由草地转出；同时建设用地继续显著扩展，草地略有减少，裸地进一步减少，林地有所增加。在这一阶段，草地面积减少但并未出现植被覆盖大幅下滑的情况，而裸地的面积依旧持续减少，说明这一阶段的生态保护政策成效开始由量变到质变。

Figure 11. Land use change map of the study area from 2002 to 2022

图11. 2002年至2022年研究区土地利用变化图

自然与人为因素均对植被变化产生影响，本文以气温和降水作为自然因素，植被EVI作为因变量，采用多元回归残差方法来分析不同因素的贡献程度，其残差归因为人类活动。自然因素的平均贡献率约为23.47%，人为因素平均贡献约为65.72%。研究区植被变化的驱动因素分布，如图12。其中气候和人类活动对植被EVI值均为正向驱动，其面积占准格尔旗总面积的91.78%，主要为草地、耕地以及裸地类型受人为与自然的双重正向驱动。受益于人类活动和自然条件的双重正向影响，实现了研究区植被的快速增长，促进了生态环境的改善与经济的协调发展。结合不同土地利用类型面积的变化来看，退耕还林还草政策优化了土地利用结构，改善了地区生态环境，有效维持了地区植被的稳定。

Figure 12. Distribution map of driving factors of vegetation change in the study area

图12. 研究区植被变化的驱动因素分布图

6. 结论

本研究对2002年至2022年准格尔旗退耕还林还草时期的植被动态变化特征及其影响因素进行了分析，结果如下：(1) 研究区EVI值在21年间显著提高，从2002年的平均0.22上升至2022年的约0.29，且整体以约0.056/10 a的速率增长(p < 0.05)，植被呈现改善趋势；2011年后EVI快速攀升，第二轮退耕还林还草期间，植被覆盖明显提升，出现了“生态拐点”。(2) 在空间格局上，EVI值在北部沿黄河的平原区较高，风沙区和砒砂岩区相对较低，四大生态区均呈显著增长趋势；其中，风沙区增长最为突出，极显著增加比例达85.43%。(3) 不同坡向下EVI值波动上升，偏东坡的EVI值较高，而偏西坡植被覆盖相对较差；海拔方面，低海拔地区EVI值较高且增长相对稳定，1000 m到1200 m海拔区多数处于风沙区，EVI增幅更显著。(4) 土地利用类型变化中，农田EVI值最高、森林增长速率最快、草地相对稳定。2002年至2017年，草地与森林增加明显；在2017年以后，农田面积出现小幅上升，逐渐达到稳定，体现出退耕还林还草政策进入新的阶段。(5) 植被稳定性分析显示研究区内低至中低波动区占比超过70%，多集中在黄土丘陵区和砒砂岩区；而平原区和风沙区以及局部矿区区域中高波动占比较高，受人类活动及政策影响波动稍大。(6) 偏相关分析表明气温、降水和蒸散对植被生长具有显著正面影响，露点温度则对部分区域呈负面作用；降水在季前1个月影响最为显著，气温则在季前3~5个月的中长期累积效应更为突出。(7) 多元回归残差分析结果表明，超过九成区域受到自然因素与人类活动的双重正向驱动，仅少数地区存在负向影响，自然与人类活动共同推动了该区域生态环境的持续改善。