遥感数据为GIMMS、MODIS NDVI数据。GIMMS(global inventory modelling and mapping studies)数据由美国国家航天航空局(NASA)在2003年11月推出, 是最新的全球植被指数变化数据^{[20, 21, 22]}。数据从国家自然科学基金委员会“ 中国西部环境与生态科学数据中心” 网站下载。数据格式为tif格式, 投影为ALBERS, 时间分辨率15 d, 空间分辨率8 km× 8 km。

MODIS数据(2000-2014年)MOD13Q1 V005 L3, 该数据集是从Land Processes DAAC数据中心下载, 为MODIS/Terra卫星归一化植被指数(NDVI)16 d合成产品数据, 数据格式为HDF-EOS, 空间分辨率为250 m× 250 m, 已经过大气辐射纠正、几何纠正处理。数据覆盖范围为h24v05、h25v05、h25v06、h26v05和h26v06共5个, 拼接后对那曲地区影像进行裁剪。

其他数据有1981-2014年那曲地区7个气象站年平均气温和年降水总量数据, 以及由那曲地区统计局提供的统计年鉴数据, 选取的主要统计指标:1990-2014年那曲地区年牧业生产总值、年末牲畜存栏数、牲畜出栏率3个指标。数据处理 MODIS数据利用MRT(MODIS reprojection tool)做拼接和投影转换。GIMMS数据利用ENVI做DN值转换。利用ENVI扩展包小熊工具箱, 做月、年最大化合成(MVC), 消减云像元覆盖的影响, 去除因植物物候变化带来的植被反射光谱差异, 进一步降低大气和太阳高度角等因素的干扰和影响。

2.2.1 归一化植被指数NDVI数据的分析 月或年NDVI最大合成化公式:

MMNDVI_i=MAX(NDVI_ij); (1)

AMNDVI_o=MAX(MMNDVI_i)。 (2)

式中:MMNDVI_i为第i月的NDVI值, MAX(NDVI_ij)为第i月对应第j旬的NDVI值, 反映每个像元位置上植被在该月内最好天气状况下的状态。AMNDVI_i为第i年的NDVI值; MAX(MMNDVI_i)为第i月对应的年最大NDVI值, 代表的是该年内每个像元上最旺盛时期的NDVI值。那曲地区像元的平均值计算在ArcGIS空间统计分析工具完成。

NDVI年际变化趋势计算公式^[23]:

θ _slope= n×∑i=1ni×NDVIi-(∑i=1ni)(∑i=1nNDVIi)n×∑i=1ni2-(∑i=1ni)2。 (3)

式中:θ _slope为趋势斜率, n为监测时长(以年为单位n=34), NDVI_i为第i年的年最大NDVI, 将草地生长变化趋势分为以下5个等级:显著退化(θ _slope< -0.006), 轻微退化(-0.006< θ _slope< -0.002), 稳定(-0.002< θ _slope< 0.002), 轻微改善(0.002< θ _slope< 0.006), 显著改善(θ _slope> 0.006)。

2.2.2 气象及社会统计数据的分析 气象和社会统计数据的分析主要在Microsoft Excel和R2.11.1软件中完成, 包括对数据的统计整理、缺失数据剔除、相关系数计算、检验、数据分布规律以及数据回归分析及检验。

2.2.3 主成分分析法 多要素的因子成分分析能够在不同损失或极少损失原有讯息的前提下, 将本来个数较多且相互关联的要素用线性组合的方式转变为新的个数较少, 且相互独立或不相关的综合指标, 产生一种“ 降维” 的作用。这些综合指标又都是原指标的线性函数^[24], 便于计算研究。

在草地变化影响因素中, 考虑气候和人为的众多因子, 但这些因子间彼此不相关, 直接分析不易做出明确的判断。用多指标的主成分分析, 构造一些彼此独立或不相关的综合草地影响指标进行研究。主要包括解释综合指标的实际意义、作综合指标与其他指标的相关和回归分析、根据综合指标进行聚类与判断等。

GIMMS和MODIS两种NDVI数据采用的传感器类型不同, 因此需要对两种数据的一致性进行检验。由于两组数据间2000-2006年数据在时间上是重合的, 因此, 首先需要对数据在时空尺度进行一致性处理, 即GIMMS、MODIS数据时空尺度的统一, 时间尺度上将GIMMS的15 d、MODIS的16 d数据做年最大合成化(式2), 得到年最大NDVI数据; 空间尺度上将MODIS的16 d数据重采样为8 km× 8 km空间分辨率, 使二者在时空分辨率上均一致, 便于之后的回归分析。

利用线性回归模型, 对重合年份的数据作相关性分析(图2), 发现两组数据呈极显著线性正相关关系(P< 0.001), 相关系数均大于0.8, 选择其中R²最大的年(2004年)进行线性拟合, 得到拟合方程y=0.637 63x+0.037 43, 其中y表示GIMMS NDVI值为因变量, x表示MODIS NDVI为自变量(样本数为n=91, R²=0.76), 利用该公式对2007-2014年MODIS数据进行插补处理, 得到近34年那曲地区植被变化趋势的数据源。

图2

Fig. 2

	Figure Option ViewDownloadNew Window
	图2 2000-2006年的 MODIS NDVI与GIMMS NDVI数据的相关性Fig. 2 Trend of change in vegetation NDVI of Nagqu for 2000-2006

1981-2014年那曲地区植被NDVI年际变化呈波动变化趋势(图3), 1981年达到最大值, 为0.254 2, 1985年降到最小值, 为0.210 6, 34年平均值为0.232 5, 标准差只有0.010 6, 说明近34年来植被整体上变化不大, 变化率为0.15%。重建后的NDVI数据表明, 那曲地区植被具有较显著的年代际变化趋势, 近34年那曲地区植被年代际变化整体上呈上升趋势, 可以将变化时段分为1981-1985年(变化率为-1.81%)、1986-1989年(变化率为1.63%)、1990-1997年(变化率为0.06%)、1998-2001年(变化率为1.31%)、2002-2007年(变化率为-0.75%)、2008-2014年(变化率为0.36%)6个阶段。其中第1阶段植被NDVI呈减小状态、第2阶段呈增大趋势、第3阶段在1995年出现一次峰值、1998年出现了一次低值。进入21世纪以来, 那曲地区的植被经过两次大的变化, 开始3年即2000-2002年植被有恢复的迹象, 并在2002年达到最大值, 在2003年以后植被遭遇了连续5年的退化时段, 持续到2009年, 之后有所缓解, 从2010年至今植被生长和状态显示较好的改善趋势。

图3

Fig. 3

	Figure Option ViewDownloadNew Window
	图3 1981-2014年那曲地区植被NDVI变化趋势Fig. 3 Vegetation NDVI change trend of Nagqu during 1981-2014

对那曲地区11个县NDVI值统计分析可知, 那曲地区NDVI在空间上存在以下特点:从海拔上看, NDVI值随海拔高度呈低海拔到高海拔逐渐减小的特点。NDVI值空间上表现出自西向东递增、自南向北递减的分布特征(图4); 西北部的尼玛县、申扎县、班戈县、安多县和双湖县, 平均海拔大约4 700 m, 该区域内NDVI值均小于0.3, 这些地区植被类型以高寒草甸草原、高寒草原和高寒荒漠为主, 其中也有部分无植被、植被稀少或荒漠区。而位于东南部的那曲、聂荣、比如、嘉黎、巴青和索县6个县, 平均海拔为4 281 m, 其NDVI值均大于0.5, 该区域内的植被类型以高寒草甸为主。

图4

Fig. 4

	Figure Option ViewDownloadNew Window
	图4 那曲地区近34年平均植被NDVI空间分布图Fig. 4 Estimated spatial distribution of vegetation NDVI in Nagqu for nearly 34 years

1981-2014年那曲地区植被发生着波动性变化(图5), 其中处于显著、轻微退化区域的植被位于东部和东南部区域, 主要包括班戈县和申扎县近一半区域, 那曲县、聂荣县大部, 以及巴青、索县、比如和嘉黎各县部分区域; 中西部和北部的植被变化幅度较小, 大部分处于稳定状态, 部分区域也出现了改善的情况, 主要为尼玛、申扎和安多县。就全地区来说, 处于稳定的面积所占比重最大, 占全地区面积的57.82%; 其次是轻微改善区, 占全区面积的32.84%; 轻微退化面积占14.06%; 显著退化和改善区所占面积比重约在7%。

图5

Fig. 5

	Figure Option ViewDownloadNew Window
	图5 1981-2014年那曲地区植被变化趋势图Fig. 5 Trend of change in vegetation in Nagqu in 1981-2014

3.5.1 自然气候因素 近34年来, 那曲地区年平均气温呈现显著上升趋势(R²=0.48), 年平均增温率为14.3%, 34年年平均气温为0.42 ℃, 34年内最高气温出现在2009年, 达到1.62 ℃, 该年也是西藏高原出现大范围严重干旱的一年, 最低气温在1997年, 达到34年内最低的-1.47 ℃, 藏北地区出现了持续的强降雪天气, 引起了严重雪灾; 分析发现, 近34年来, 那曲地区年降水量呈增加趋势(R²=0.12), 但不显著(P> 0.05), 年降水量增长率为0.24%(图6), 34年年降水量平均值为504.31 mm, 在2008年达到最大值, 为637.77 mm, 最小值则是1994年的362.36 mm。总体上, 近34年来那曲地区年平均气温显著升高, 年降水量呈不显著增加趋势, 气候暖湿化趋势显著, 有利于高原植被的生长发育。

图6

Fig. 6

	Figure Option ViewDownloadNew Window
	图6 1981-2014年那曲地区年均气温和年降水量Fig. 6 Annual average temperature and annual precipition of the forbidden areas for 1981-2014

3.5.2 人为因素 1990-2014年那曲地区年末牲畜存栏数呈波动性变化(图7)。其中以1990-1995年存栏数较大, 平均值为724.52万头(只、匹); 1996-2000年牲畜存栏数发生了较大的调整, 整体有所下降, 平均值为674.06万头(只、匹); 2001-2008年牲畜数量又显著增加, 平均值达到748.05万头(只、匹); 到2009年以后牲畜数量得到了很好的控制, 其变化呈逐年减少趋势, 并在2014年达到了最小值521.69万头(只、匹)。6年平均牲畜存栏数只有598.59万头(只、匹), 多年来首次降到600万头(只、匹)以下。另外, 近34年禁牧区植被的NDVI呈较显著的改善趋势(P< 0.005), 比那曲地区植被NDVI值高12.7%, 说明禁牧措施的实施, 使植被改善较显著。与2010年比较, 那曲地区在生态补奖政策实施以后, 较好地完成了减畜任务, 至2013年完成了4.48%的减畜任务, 为草原植被的恢复做出了相应的贡献。

图7

Fig. 7

	Figure Option ViewDownloadNew Window
	图7 1981-2014年那曲地区年末牲畜存栏数及与禁牧区植被NDVI数据的比较Fig. 7 Livestock stocks at end of the year and change in NDVI of forbidden areas and Naqu for 1981-2014

影响植被变化的因素有自然和社会经济因素。在自然因素中, 土壤和冻土层深度等要素变化缓慢, 在短期内对植被变化作用不明显; 而气温、降水量的年际波动性较大, 与植被变化密切相关; 在社会因子中, 政策、制度、观念等对植被变化作用明显, 但实施和执行过程中存在许多不确定的人为因素, 且数据时间序列较短, 不利于统计分析。根据以上分析, 初步确定5个影响因素, 即两个气候因素(气温和降水量)和3个社会统计因素(牲畜年末存栏数、地区牧业产值、牲畜出栏率)作为主成分分析的变量因子。

利用主成分分析, 计算相关系数矩阵后, 选特征值大于1的成分, 作为引起植被发生变化的主要驱动因子, 本研究选出了3个主成分。其中, 第一主成分解释了植被变化指标59%的方差, 第二、三主成分分别解释了19%、14%的方差, 三者共解释了91%的方差, 第一主成分是一般性衡量因子, 第二主成分与累积降水量正相关性最大, 第三主成分与年平均气温正相关性最大(表1)。

表1

Table 1

表1(Table 1)

表1 植被影响指标主成分分析 Table 1 Principal component analysis of vegetation index 指标 Parameter 主成分Principal component 1 2 3 累积降水量Cumulative precipitation 0.47 0.78 -0.39 年平均气温Average annual temperature 0.75 0.06 0.54 牲畜存栏数Livestock inventories -0.62 0.56 0.48 牧业产值Animal husbandry 0.93 0.00 0.06 牲畜出栏率Slaughtering rate of livestock 0.96 -0.07 0.03 特征值Eigenvalue 2.95 0.93 0.68 贡献率Contribution rate 0.59 0.19 0.14 累积贡献率Accumulated contribution rate 0.59 0.78 0.91

表1 植被影响指标主成分分析 Table 1 Principal component analysis of vegetation index

累积降水量、牲畜存栏数、牲畜出栏率3个因子分别解释了98%、93%和92%的方差, 牧业产值也解释了87%的方差, 年平均气温只解释了86%的方差, 有14%不能解释(表2)。因此, 3个主成分对年平均气温解释的方差最少。根据成分公因子方差的大小, 得出各因子对植被变化的影响程度大小排序:累积降水量> 牲畜存栏数> 牲畜出栏率> 牧业产值> 年平均气温。

表2

Table 2

表2(Table 2)

表2 各成分的公因子方差 Table 2 Each component communality 指标 Parameter 成分公因子方差 Composition factor variance 成分的唯一性 Component uniqueness 累计降水量Cumulative precipitation 0.98 0.019 年平均气温Average annual temperature 0.86 0.139 牲畜存栏数Livestock inventories 0.93 0.066 牧业产值Animal husbandry 0.87 0.128 牲畜出栏率Rate of domestic animals for sale 0.92 0.080

表2 各成分的公因子方差 Table 2 Each component communality

为了使结果更具解释性, 进行主成分旋转(表3), 发现第一主成分主要由年平均气温来解释, 可以认为是温度因子或热力因子; 第二主成分主要由累计降水量来解释, 可以称为水分因子; 第三主成分主要由牲畜存栏数来解释, 可以称为畜牧因子; 从以上各主成分公式显示, 3个主成分变量的特征向量绝对值都较大, 且彼此间有较大差距, 表明各因素虽作用方向有所差异, 对牧草生长都具有相似同等功效, 因此, 植被的生长优略是由各因子综合作用的结果, 3个主成分彼此仍然不相关, 对变量的解释性不变。另外3个主成分旋转后的累计方差解释性没有发生变化(91%), 各主成分对方差的解释度有变化(第一主成分42%, 第二主成分由22%, 第三主成分27%)。

表3

Table 3

表3(Table 3)

表3 方差极大旋转的主成分分析 Table 3 Varimax rotation of principal component analysis 指标 Parameter 主成分Principal component 1 2 3 累积降水量Cumulative precipitation 0.16 0.98 0.02 年平均气温Average annual temperature 0.93 0.04 0.01 牲畜存栏数Livestock inventories -0.17 0.01 -0.95 牧业产值Animal husbandry 0.77 0.29 0.44 牲畜出栏率Rate of domestic animals for sale 0.77 0.26 0.51 特征值Eigenvalue 2.09 1.11 1.37 贡献率Contribution rate 0.42 0.22 0.27 累积贡献率Accumulated contribution rate 0.42 0.61 0.91

表3 方差极大旋转的主成分分析 Table 3 Varimax rotation of principal component analysis

利用以下公式得到主成分得分:

PC₁=-0.195x₁+0.689x₂+0.292x₃+0.299x₄+0.276x₅; (1)

PC₂=1.005x₁-0.244x₂+0.07x₃+0.067x₄+0.032x₅; (2)

PC₃=0.058x₁- 0.401x₂-0.905x₃+0.111x₄+0.186x₅。 (3)

由于前3个主成分的累计贡献率已经达到91%, 所以取前3个主成分来降维。其中x₁至x₅分别代表了累计降水量、年平均气温、牲畜存栏数、牧业产值和牲畜出栏率。PC₁的系数中年平均温度(x₂)的系数大于0.6, 它反映了植被变化的热力驱动力因子; PC₂的系数中累计降水量(x₁)的系数大于1, 反映了植被变化的水分驱动因子; PC₃中的年末牲畜存栏数系数绝对值大于0.9, 反映的是植被变化的畜牧驱动因子(表4)。

表4

Table 4

表4(Table 4)

表4 主成分得分系数 Table 4 Principal component score coefficient 指标 Parameter 主成分得分系数Principal component score coefficientt 1 2 3 累积降水量Cumulative precipitation -0.195 1.005 -0.058 年平均气温Average annual temperature 0.689 -0.244 -0.401 牲畜存栏数Livestock inventories 0.292 0.070 -0.905 牧业产值Animal husbandry 0.299 0.067 0.111 牲畜出栏率Rate of domestic animals for sale 0.276 0.032 0.186

表4 主成分得分系数 Table 4 Principal component score coefficient

分析可见, 3个成分与NDVI的相关性较好(图8), 主成分与NDVI的相关性显著大于单个影响因子, R²均大于0.78, 表明由主成分分析法获取的3个新变量, 较好地代表了影响植被变化各要素的特征, 对分析数据起到很好的降维作用, 而且保证了各影响因子间的独立性, 得到影响草地变化的主要驱动力为热力、水分和畜牧3个因子。

图8

Fig. 8

	Figure Option ViewDownloadNew Window
	图8 NDVI与主成分因子的散点图Fig. 8 Scatter diagrams of NDVI and the principal component factors