基于NDVI和EVI不同植...格局驱动因子影响力比较分析_冯娴慧.pdf

第42卷 第4期2023年 7月华中农业大学学报Journal of Huazhong Agricultural UniversityVol.42 No.4July 2023，116124基于NDVI和EVI不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析冯娴慧1，2，曾芝琳3，景美兮1，高克昌4，肖毅强1，21.华南理工大学建筑学院，广州 510641；2.亚热带建筑与城市科学全国重点实验室，广州 510641；3.长江大学医学部，荆州 434023；4.华南理工大学旅游管理系，广州 510641摘要 为研究归一化植被指数（normalized difference vegetation index，NDVI）和增强植被指数（enhanced vegetation index，EVI）的表征差异是否会造成有关植被研究的结果差异，分别在采用20052020年MODIS-NDVI、MODIS-EVI 2种不同遥感植被指数表征粤港澳大湾区植被空间特征的基础上，以同时期17个自然因子和人为因子作为驱动因子，通过地理探测器模型方法，计算各驱动因子对基于NDVI和EVI的植被空间特征的影响力。结果显示，虽然粤港澳大湾区南亚热带-热带植被在NDVI和EVI的表征下，其结果存在差异，但在不同植被指数下，通过地理探测器模型方法计算各驱动因子影响力量化及排序结果基本一致，未受不同植被指数表征差异的影响。在驱动因子中，土地利用类型、高程均是最主要驱动因子，对植被空间分布影响力均超过50%。因子之间均表现出双因子增强作用。土地利用类型协同人口分布因子对NDVI表征下的植被空间分布影响力最强；高程协同人口分布因子对EVI表征下的植被空间分布影响力最强。研究结果表明，虽然NDVI、EVI在表征植被覆盖特征方面存在差异，但是基于不同植被指数计算的驱动因子定量分析结果趋于一致。关键词 归一化植被指数；增强植被指数；地理探测器；驱动因子；粤港澳大湾区中图分类号 Q948；X17 文献标识码 A 文章编号 1000-2421（2023）04-0116-09植被指数（vegetation index，VI）是通过遥感方法表征地表植被覆盖状况的指标，常用植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）和增强植被指数（enhanced vegetation index，EVI）。NDVI与EVI能够反映大尺度地表植被覆盖和生长状况，以其较高的时间和空间分辨率优势，在土地覆盖分类1-2、植被覆盖特征及驱动力研究3-4、作物长势和物候监测5、自然灾害监测6等领域得到广泛应用。其中，NDVI未排除土壤背景干扰的影响，对大气干扰校正有限，在高植被覆盖区易出现饱和现象等缺陷7。Liu等8引入背景调节参数和大气修正参数构建加强型EVI，在合成算法方面比NDVI有较大改进，减小了土壤背景和大气干扰对植被指数的影响，避免了高植被覆盖区饱和问题，能够更真实地反映热带植被空间差异性，更适合用于高植被覆盖区生长状况的监测研究9。王正兴等10比较了NDVI、EVI在不同生物气候带的表现，发现植被指数具有明显的地带性特征，由北向南 NDVI、EVI的相关性逐渐下降。在干旱沙漠区，NDVI、EVI趋近，全年基本保持稳定；在半干旱和半湿润草原区，NDVI、EVI存在显著线性相关关系。但是，在福建、台湾、海南等南亚热带和热带地区，NDVI、EVI表征程度的相关性由于NDVI饱和而减低。在粤港澳大湾区分别基于NDVI、EVI的植被覆盖空间特征研究表明，2种植被指数同样存在差异3，11-12。研究植被覆盖空间分布的驱动因子及影响力有助于理解区域植被空间特征的形成和制定区域生态保护策略。气候变化和人类活动通常被认为是主要的2类植被覆盖驱动因子，在分析并量化驱动因子的影响力方面，国内外已开展一定量的研究。川西高原13、华北平原14、内蒙古地区15NDVI时空变化与气温、降水等气候因子的响应已有研究；已证实岷江16、长江流域17NDVI与高程、坡度、坡向等自然因子的相关关系；黄河流域NDVI、EVI与气温、降水收稿日期：2022 11 29基金项目：国家自然科学基金项目（51978276）冯娴慧，E-mail：冯娴慧，曾芝琳，景美兮，等.基于NDVI和EVI不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析 J.华中农业大学学报，2023，42（4）：116124.DOI：10.13300/ki.hnlkxb.2023.04.013等自然因子的相关关系已有研究18。人为因子方面，黄土高原19、青海省20人均GDP、土地利用、交通、人口等因子与NDVI时空变化存在线性关系。驱动因子之间具有交互作用，在基于宜宾市21、甘肃省22、内蒙古4等地区的 NDVI研究中均有双因子交互影响增强的研究结果，但出现双因子交互影响增强作用的驱动因子类型和影响程度存在差异。植被指数是开展植被覆盖驱动因子及影响力研究的基础要素。因此，若在不同的NDVI、EVI表征下，植被覆盖空间分布特征、主要驱动因子与影响力量化分析结果是否会因不同植被指数的表征差异而产生较大差异的问题，是地带性区域植被保护与发展应用基础研究的必要问题。在植被覆盖驱动因子的研究方法上，常用相关性分析等数理统计方法13-15。近年来，地理探测器等地学研究方法逐渐被应用4，9，23。地理探测器模型是一种探测空间分异性并揭示其背后驱动因子的统计学模型24，能够定量分析各驱动因子对因变量的影响力，影响力也可称为驱动力或解释力4，22，以q值来度量。由于使用统一的量化手段，各驱动因子的影响力可以被相互比较。地理探测器具有无线性假设、对多自变量共线性免疫等优势，被广泛应用于研究地理或人文要素空间变异现象的驱动因子影响力方面。当前，采用地理探测器模型的研究多使用单一植被指数，探讨基于NDVI、EVI分析自然和人为因子等综合驱动因子影响力的研究目前比较少见。据 粤港澳大湾区发展规划纲要（Outline Development Plan for the Guangdong-Hong Kong-Macao Greater Bay Area），截至 2021年末，粤港澳大湾区总人口约7 860万人，是我国开放程度最高、经济活力最强的区域之一，在国家发展大局中具有重要战略地位，经济总量超过10万亿人民币。在推进生态文明建设方面，大湾区实施重要生态系统保护和修复重大工程，具体包括加强珠三角周边山地和丘陵及森林植被系统保护、建设北部连绵山体森林生态屏障、保护沿海红树林、建设沿海植被生态带等，以期构建大湾区生态植被空间，保护生态环境系统，提升生态系统质量和稳定性。本研究选取粤港澳大湾区作为研究区域，基于20052020年NDVI、EVI均值，采用地理探测器模型，分析包括9个自然因子和8个人为因子在内总计17个自然与人为驱动因子在NDVI、EVI表征下的影响力，进行不同植被指数表征下驱动因子对植被分布影响力的研究。从不同植被指数，即不同应用基础要素的角度出发，进一步分析粤港澳大湾区植被覆盖空间分布的影响机制，旨在为加强粤港澳大湾区周边山地、丘陵及森林生态系统保护，提升生态系统质量和稳定性提供科学依据。1材料与方法1.1研究区概况粤港澳大湾区位于广东省中部（2126 N2428 N，11114 E11524 E），总面积5.6万km2，包括原珠三角9市（广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆）和香港、澳门2个特别行政区，属南亚热带和热带气候，年均气温2123，年均降水量1 3002 400 mm；其东、西、北部三面山地丘陵围绕，中部为平原，南部濒临南海。1.2数据来源与预处理本研究采用的NDVI、EVI数据来自美国国家航空航天局（National Aeronautics and Space Administration，NASA）发布的MOD13Q1产品，选取2005-2020年的15 a数据，该数据空间分辨率为250 m，时间分辨率为 16 d，每年有 23 幅影像。采用 MRT（MODIS reprojection tools）工具进行投影转换，投影坐标系选择Albers Equal Area，使用研究区矢量边界进行掩膜裁剪。运用最大值合成法（MVC），将每年的全部影像进行合成，得到大湾区逐年的年最大NDVI、EVI值，经计算得到 NDVI、EVI的 15 a均值分布图。影响植被的因素较为复杂，通常植被空间分布受2类因子的影响：自然因子和人为因子。自然因子又可分为气候类自然因子和非气候类自然因子，气候类自然因子中，选取多年平均气温（X1）、多年平均降水量（X2）、多年平均风速（X3）、多年平均相对湿度（X4）、多年平均日照时数（X5）共5个因子。非气候类自然因子中，选取高程（X6）、坡度（X7）、坡向（X8）、土壤类型（X9）共 4 个因子。人为因子中，考虑到人类对于植被的影响主要与当地的人口、经济、土地利用和造林活动有关，故选取多年平均人口分布（X10）、多年平均国内生产总值（X11）、多年平均第一、二、三产业国内生产总值（X12、X13、X14）、多年平均人均国内生产总值（X15）、土地利用类型（X16）、累计造林面积（X17）共8个因子作为研究对象。第 4 期 冯娴慧 等：基于 NDVI 和 EVI 不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析等自然因子的相关关系已有研究18。人为因子方面，黄土高原19、青海省20人均GDP、土地利用、交通、人口等因子与NDVI时空变化存在线性关系。驱动因子之间具有交互作用，在基于宜宾市21、甘肃省22、内蒙古4等地区的 NDVI研究中均有双因子交互影响增强的研究结果，但出现双因子交互影响增强作用的驱动因子类型和影响程度存在差异。植被指数是开展植被覆盖驱动因子及影响力研究的基础要素。因此，若在不同的NDVI、EVI表征下，植被覆盖空间分布特征、主要驱动因子与影响力量化分析结果是否会因不同植被指数的表征差异而产生较大差异的问题，是地带性区域植被保护与发展应用基础研究的必要问题。在植被覆盖驱动因子的研究方法上，常用相关性分析等数理统计方法13-15。近年来，地理探测器等地学研究方法逐渐被应用4，9，23。地理探测器模型是一种探测空间分异性并揭示其背后驱动因子的统计学模型24，能够定量分析各驱动因子对因变量的影响力，影响力也可称为驱动力或解释力4，22，以q值来度量。由于使用统一的量化手段，各驱动因子的影响力可以被相互比较。地理探测器具有无线性假设、对多自变量共线性免疫等优势，被广泛应用于研究地理或人文要素空间变异现象的驱动因子影响力方面。当前，采用地理探测器模型的研究多使用单一植被指数，探讨基于NDVI、EVI分析自然和人为因子等综合驱动因子影响力的研究目前比较少见。据 粤港澳大湾区发展规划纲要（Outline Development Plan for the Guangdong-Hong Kong-Macao Greater Bay Area），截至 2021年末，粤港澳大湾区总人口约7 860万人，是我国开放程度最高、经济活力最强的区域之一，在国家发展大局中具有重要战略地位，经济总量超过10万亿人民币。在推进生态文明建设方面，大湾区实施重要生态系统保护和修复重大工程，具体包括加强珠三角周边山地和丘陵及森林植被系统保护、建设北部连绵山体森林生态屏障、保护沿海红树林、建设沿海植被生态带等，以期构建大湾区生态植被空间，保护生态环境系统，提升生态系统质量和稳定性。本研究选取粤港澳大湾区作为研究区域，基于20052020年NDVI、EVI均值，采用地理探测器模型，分析包括9个自然因子和8个人为因子在内总计17个自然与人为驱动因子在NDVI、EVI表征下的影响力，进行不同植被指数表征下驱动因子对植被分布影响力的研究。从不同植被指数，即不同应用基础要素的角度出发，进一步分析粤港澳大湾区植被覆盖空间分布的影响机制，旨在为加强粤港澳大湾区周边山地、丘陵及森林生态系统保护，提升生态系统质量和稳定性提供科学依据。1材料与方法1.1研究区概况粤港澳大湾区位于广东省中部（2126 N2428 N，11114 E11524 E），总面积5.6万km2，包括原珠三角9市（广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆）和香港、澳门2个特别行政区，属南亚热带和热带气候，年均气温2123，年均降水量1 3002 400 mm；其东、西、北部三面山地丘陵围绕，中部为平原，南部濒临南海。1.2数据来源与预处理本研究采用的NDVI、EVI数据来自美国国家航空航天局（National Aeronautics and Space Administration，NASA）发布的MOD13Q1产品，选取2005-2020年的15 a数据，该数据空间分辨率为250 m，时间分辨率为 16 d，每年有 23 幅影像。采用 MRT（MODIS reprojection tools）工具进行投影转换，投影坐标系选择Albers Equal Area，使用研究区矢量边界进行掩膜裁剪。运用最大值合成法（MVC），将每年的全部影像进行合成，得到大湾区逐年的年最大NDVI、EVI值，经计算得到 NDVI、EVI的 15 a均值分布图。影响植被的因素较为复杂，通常植被空间分布受2类因子的影响：自然因子和人为因子。自然因子又可分为气候类自然因子和非气候类自然因子，气候类自然因子中，选取多年平均气温（X1）、多年平均降水量（X2）、多年平均风速（X3）、多年平均相对湿度（X4）、多年平均日照时数（X5）共5个因子。非气候类自然因子中，选取高程（X6）、坡度（X7）、坡向（X8）、土壤类型（X9）共 4 个因子。人为因子中，考虑到人类对于植被的影响主要与当地的人口、经济、土地利用和造林活动有关，故选取多年平均人口分布（X10）、多年平均国内生产总值（X11）、多年平均第一、二、三产业国内生产总值（X12、X13、X14）、多年平均人均国内生产总值（X15）、土地利用类型（X16）、累计造林面积（X17）共8个因子作为研究对象。117第 42 卷 华 中 农 业 大 学 学 报气温、降水量、风速、相对湿度、日照时数等气候类自然因子数据来源于中国科学院资源环境科学数据中心所提供的96个国家级地面气象观测站日值数据，时间跨度为20052020年。采用线性内插法对各站点数据进行填补缺失值处理，并合成为站点年值数据。使用薄板样条法和克里金法（Kriging）对气象数据进行插值。气温、降水受高程影响较大，采用薄板样条法，以高程为协变量对气温、降水进行插值；而对其他气象数据，则使用克里金法进行插值，输出插值结果分辨率皆为250 m。高程数据来源于中国科学院计算机网络信息中心地理空间数据云平台所提供的GDEMV3数据，分辨率为30 m，按自然间断点法分为5类。坡度、坡向数据都是在ArcGIS软件中基于GDEMV3高程数据计算得出，分辨率为30 m，坡度按自然间断点法分为5类，坡向等分为9类。土壤类型数据来源于中国科学院资源环境科学数据中心提供的 1 100万中华人民共和国土壤图数字化栅格图，分辨率为1 km，按照土壤发生分类系统的土类重分类为18类。人口分布数据来源于 WorldPop 平台（https：/www.worldpop.org/）所发布的20052020年的人口空间化栅格数据，分辨率为100 m，每个像元的数值代表该像元的分布人数。土地利用类型数据来源于中国科学院空天信息创新研究院所提供的全球30 m地表覆盖精细分类产品（GLC_FCS30），该数据更新周期为 5 a，选取 2005、2010、2015、2020 年的数据。GDP数据来源于中国科学院资源环境科学数据中心的中国GDP空间分布公里网格数据集，该数据集反映了GDP数据在全国范围内的详细空间分布状况，栅格数据类型的每个栅格代表该网格范围（1 km2）内的 GDP总产值，选用取 2005、2010、2015、2019年的数据。造林数据来源于20052020年的 中国林业统计年鉴 中的分县造林完成情况和香港环境保护署及澳门政府统计暨普查局所提供的环境统计数据。将历年造林的面积单位统一为hm2，并分别统计至2005、2010、2015和2020年的累计造林面积。将以上数据在 ArcGIS 中对各年数据实现空间栅格化，经投影变换、研究区边界掩膜、重采样等处理后分别与NDVI、EVI数据投影、分辨率一致。1.3地理探测器模型本研究主要使用地理探测器中的因子探测和交互作用探测2种功能。因子探测主要用于量化自变量X（驱动因子）对因变量Y（植被指数）空间分异的影响力大小，其原理如下：q=1（h=1LNhh2）/N2（1）式（1）中：q值值域为 0，1，表示某因子X解释了100q%的Y，q值越大表示自变量X对Y的影响力越强，反之则越弱。h=1，L为自变量X的分类或分区；Nh和N分别为类h和全区的单元数；2h和2分别是类h和全区的Y值的方差。交互作用探测主要用于识别不同X因子间的交互作用，即评估因子X1和X2共同作用时是否会增加或减弱对因变量Y的影响力，2个因子间的关系如表1所示。1.4驱动因子探测方法分别以20052020年粤港澳大湾区NDVI、EVI的多年均值作为因变量Y1、Y2，以同时期的平均气温、平均降水量、平均风速等17个指标作为自变量因子 X1、X2、X17，分析各因子对研究区 NDVI、EVI多年均值空间分布的影响。在 ArcGIS 10.2中表1双因子交互作用的类型Table 1Types of interaction between two factors判据 Basis of judgementq(X1X2)Min(q(X1),q(X2)Min(q(X1),q(X2)q(X1X2)Max(q(X1),q(X2)q(X1X2)=q(X1)+q(X2)q(X1X2)q(X1)+q(X2)交互作用Interaction非线性减弱 Nonlinear weakening单因子非线性减弱 Single nonlinear enhancement双因子增强 Double enhancement独立 Independence非线性增强 Nonlinear enhancement注：q（X1）和q（X2）分别为因变量X1和X2的q值；q（X1X2）指q（X1）和q（X2）两者交互；Min（q（X1），q（X2）指在q（X1）和q（X2）中取最小值；Max（q（X1），q（X2）指在q（X1）和q（X2）中取最大值；q（X1）+q（X2）指q（X1）和q（X2）两者之和。Note：q（X1）and q（X2）refer to the q-values of dependent variables X1 and X2；q（X1X2）refers to the interaction of q（X1）and q（X2）；Min（q（X1），q（X2）refers to the minimum value in q（X1）and q（X2）；Max（q（X1），q（X2）refers to the maximum value in q（X1）and q（X2）；q（X1）+q（X2）refers to the sum of both q（X1）and q（X2）.118第 4 期 冯娴慧 等：基于 NDVI 和 EVI 不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析对 研 究 区 进 行 规 则 网 格 划 分，设 置 网 格 大 小为 2 km2 km，以每个网格的中心点作为采样点，共计生成采样点13 852个（图 1），图1和图2底图来源于国家地理信息公共服务平台“天地图”的标准地图服务系统（http：/ 号。通过采样点分别将 NDVI、EVI与驱动因子数据进行关联，并使用地理探测器模型中的因子探测模块进行运算。2结果与分析2.1粤港澳大湾区NDVI、EVI植被指数空间分布特征将NDVI、EVI多年均值按等间距法划分为5个等级：（低植被覆盖区）、（中低植被覆盖区）、（中等植被覆盖区）、（中高植被覆盖区）、（高植被覆盖区）。NDVI、EVI 各植被覆盖度等级的面积及占比如表2所示，由表2可知，粤港澳大湾区不同植被指数在表征植被覆盖状况上，NDVI、EVI在同一植被覆盖等级的分布面积计算上存在差异。基于NDVI 的 低 植 被 覆 盖 区（NDVI0.2）面 积 占 比1.11%；中 低 植 被 覆 盖 区（0.2NDVI0.4）占 比4.37%；中等（0.4NDVI0.6）、中高（0.6NDVI0.8）、高（NDVI0.8）植被覆盖区分别占比14.04%、25.94%和 54.54%，NDVI 均值为 0.747。基于 EVI的低植被覆盖区（EVI0.2）面积占比 3.92%；中低植 被 覆 盖 区（0.2EVI0.4）占 比 17.97%；中 等（0.4EVI0.6）、中高（0.6EVI0.8）、高（EVI0.8）植被覆盖区分别占比 37.43%、40.66%、0.02%，EVI均值为0.52，比NDVI低0.227。从空间分布来看，NDVI、EVI具有明显趋同的空间分异性和集聚性（图 2），呈现出外高中低的分布特点。高植被覆盖区域、中高植被覆盖区域主要分布在肇庆、江门、广州北部、惠州、香港等多山丘陵地带，与这些地区丰富的自然本底条件或较完善的绿地系统建设情况相吻合；低植被覆盖区域主要分布在东莞、深圳西部、广州南部、佛山和中山北部等平原地带，这些地区是城市建设密集区，表明城市化进程影响植被覆盖区域与覆盖程度。图 1 采样点分布图Fig.1 Distribution map of sample points表2NDVI与EVI 均值等级分布统计Table 2Statistics of NDVI and EVI mean value class distribution植被覆盖等级Class of vegetation coverNDVI面积/km2Scale613.502 425.507 784.3814 388.8830 251.56面积占比/%Area proportion1.114.3714.0425.9454.54EVI面积/km2Scale2 174.189 966.8520 760.1122 551.5911.09面积占比/%Area proportion3.9217.9737.4340.660.02：低植被覆盖区 Low vegetation coverage；：中低植被覆盖区 Medium-to-low vegetation coverage；：中等植被覆盖区 Medium vegetation coverage；：中高植被覆盖区 Medium-to-high vegetation coverage；：高植被覆盖区 High vegetation coverage.图 2 粤港澳大湾区NDVI（A）与EVI（B）的15 a均值空间分布Fig.2 Spatial distribution of 15-year mean values of NDVI（A）and EVI（B）in the Guangdong-Hong Kong-Macao Greater Bay Area119第 42 卷 华 中 农 业 大 学 学 报2.2单驱动因子探测结果使用地理探测器模型中的因子探测模块分别对NDVI、EVI植被覆盖驱动因子影响力进行探测，影响力排序结果如图3所示。总体来看，无论NDVI或EVI，通过探测器计算的驱动因子影响力排序及量化结果基本一致。基于NDVI，土地利用类型（X16）与高程（X6）2个驱动因子对植被覆盖空间分布的影响力在 50%以上，其中土地利用类型（X16）因子的影响力超过 60%；影响力 40%50%的有相对湿度（X4）、气温（X1）、人口分布（X10）共3个因子。基于EVI，影响力 50%以上有 3 个因子，分别为高程（X6）、土地利用类型（X16）与相对湿度（X4）。总体来看，基于EVI计算的影响力前5的驱动因子与基于NDVI的计算结果相同，仅影响力程度有细微差别。如基于EVI计算的人口分布（X10）影响力39.8%，稍低于基于 NDVI计算的 41.8%。影响力位居前 5的因子中，土地利用类型、高程是研究区NDVI和EVI表征下植被覆盖最主要的驱动因子，对分布的影响力均超过 50%，其中土地利用类型对 NDVI空间分布的影响力最大，达 62.5%；对于 EVI，土地利用类型的影响力为 52.52%。年均相对湿度、年均气温、年均人口分布是次要驱动因子，影响力基本超过40%。在17个驱动因子中，坡向、第一产业GDP对NDVI、EVI 表征的植被覆盖的影响力均低于15%，表明坡向和第一产业GDP对植被影响相对较小。对基于NDVI、EVI的驱动因子探测结果进行差值分析，土地利用类型（X16）NDVI的q值与EVI的q值间差值最大。推测归因于NDVI、EVI对土壤背景干扰敏感度的识别差异，因为EVI减小了土壤背景对结果的影响，故q值稍低。分别对NDVI、EVI的单驱动因子影响力分析结果进行多项式拟合（图4），结果表明，2种植被指数的单驱动因子探测拟合曲线结果基本拟合。2.3双驱动因子的交互作用使用地理探测器模型中的因子交互探测模块进行 NDVI、EVI空间分布驱动因子间交互作用的分析。交互作用探测结果如图5所示。结果表明，大部分因子间的交互作用表现为双因子增强。其中，年均人口分布土地利用类型（X10X16）对研究区基于NDVI的植被空间分布影响力最强（q值0.733 7）；年均人口分布高程（X10X6）对研究区基于EVI的植被空间分布影响力最强（q值为 0.687 6）。基于 2种植被指数，高程（X6）、年均人口分布（X10）、土地利用类型（X16）与其他因子的交互作用影响力均较高且表现为双因子增强，进一步验证了高程、土地利用类型在粤港澳大湾区植被覆盖空间分布驱动因子中占据主导地位。所有 q 值均通过显著性检验，且 P0.01.All q-values passed the significance test and all P0.01.X1：多年平均气温 Average annual air temperature；X2：多年平均降水量Average annual precipitation；X3：多年平均风速Average annual wind speed；X4：多年平均相对湿度Average annual relative humidity；X5：多年平均日照时数Average annual sunshine hours；X6：高程Elevation；X7：坡度Slope；X8：坡向Aspect；X9：土壤类型 Agrotype；X10：多年平均人口分布 Average annual population density；X11：多年平均 GDP Average annual GDP；X12：多年平均第一产业GDP Average annual GDP of primary industry；X13：多年平均第二产业GDP Average annual GDP of secondary industry；X14：多年平均第三产业 GDP Average annual GDP of tertiary industry；X15：多年平均人均 GDP Average annual GDP per capita；X16：土地利用类型Land use types；X17：累计造林面积Cumulative afforestation area.下同 The same as below.图3 单驱动因子对NDVI（A）和EVI（B）影响力探测结果Fig.3 Single driving factor detection results of influence on NDVI（A）and EVI（B）120第 4 期 冯娴慧 等：基于 NDVI 和 EVI 不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析无论采用NDVI或EVI任一种指数，非线性增强作用均为第一产业GDP（X12）与其他因子的相互关系；坡向与年均人口分布（X8X10）也均呈现出非线性增强作用。单因子非线性减弱均出现在GDP与第三产业GDP（X11X14）的交互作用中。3讨论本研究基于 20052020 年的 MODIS-NDVI、MODIS-EVI数据，计算粤港澳大湾区NDVI、EVI的15 a均值空间分布，分析2种植被指数表征下粤港澳大湾区的植被覆盖空间分布特征，采用地理探测器模型定量分析 17 个驱动因子对粤港澳大湾区 NDVI、EVI空间分布的影响力。研究发现：在表征大湾区植被覆盖特征方面，NDVI、EVI具有差异，总体而言EVI低于NDVI。在空间分布上，大湾区NDVI和EVI的多年均值分布具有明显趋同的空间分异性和集聚性。使用地理探测器模型中的因子探测模块分别对NDVI、EVI的驱动因子进行探测，基于2个植被指数的驱动因子影响力排序以及量化结果趋于一致。土地利用类型、高程是研究区NDVI、EVI表征下植被覆盖空间分异的最主要驱动因子，对NDVI和EVI 分布的影响力均超过 50%。气候类自然因子中，年均相对湿度、年均气温对NDVI、EVI的空间分布均表现出显著影响力。非气候类自然因子中，高程对 NDVI、EVI 的空间分布表现出较显著的影响力。人为因子中，土地利用类型和人口分布对NDVI、EVI的空间分布表现出较显著的影响力。双因子交互大部分为增强作用。其中，土地利用类型与年均人口分布的共同作用对研究区NDVI的空间分布影响力最强，高程与年均人口分布的共同作用对研究区EVI的空间分布影响力最强，且高程、土地利用类型、年均人口分布与其他因子的交互作用对图5 NDVI（A）和EVI（B）双因子交互作用探测结果Fig.5 The double-factor interaction detection results of NDVI（A）and EVI（B）图4 单驱动因子对NDVI和EVI影响力的区别Fig.4 Comparison of NDVI and EVI influence by single driving factor121第 42 卷 华 中 农 业 大 学 学 报NDVI、EVI空间分布的影响力均占据主导地位。根据研究结果，从NDVI、EVI多年均值来看，无论在何种植被指数表征下，粤港澳大湾区的整体植被覆盖状况良好，但是植被等级的识别存在一定的差异。粤港澳大湾区雨量充沛、光热充足，自然植被生长旺盛、四季常绿，在相同的空间分辨率下，NDVI中高植被覆盖区域的占比高于EVI，中等和中高植被覆盖区域EVI的占比较高。因此，在南亚热带-热带植被的表征上，相较于NDVI，基于EVI识别的整体植被覆盖等级偏低。前人的研究对这一结果有一定的佐证，由于2种植被指数识别不同土地利用类型背景干扰的敏感度差异、NDVI在高植被区易出现饱和现象有关8-9。同时，有研究表明，NDVI、EVI具有明显的地带性特征，尤其在南亚热带-热带区域植被识别上，饱和现象导致NDVI偏高，对高植被覆盖的识别易出现模糊性。从驱动因子的影响力分析来看，NDVI指数对土地利用类型更为敏感，EVI指数对高程更为敏感，高程是土地是否可以开发利用的重要基础条件，由此推测，EVI指数或许能更清晰地反映大湾区植被分布状况。研究结果表明，无论采用何种指数，其影响力分析结果趋同。虽然NDVI、EVI 2个植被指数在表征植被覆盖特征方面存在差异，但基于地理探测器的各驱动因子影响力量化结果差异较小，2种植被指数的单驱动因子影响力排序结果相似。人为因子中的土地利用类型、自然因子中的高程分别是最主要的驱动因子。人类活动主要通过改变土地利用类型来影响植被，高程对土地开发利用有关键性影响，由此可推断，人类的土地开发活动是影响粤港澳大湾区近15 a植被覆盖空间分布的主要因素，人为因子的影响力较为显著。赵桔超等12的研究证实，与气候因子相比，粤港澳大湾区夜间灯光与NDVI的相关性最为显著。据 粤港澳大湾区发展规划纲要，粤港澳大湾区具备建成国际一流湾区和世界级城市群的基础条件。因此，预测未来湾区植被覆盖变化的主要驱动因素仍将是人类活动。在自然因子方面，前人研究表明，降水是影响黄河上游、内蒙古等干旱和半干旱地区植被空间分布的主要因素4，23，但是粤港澳大湾区地处南亚热带-热带区域，NDVI、EVI与年均降水量之间的相关性很弱11，25。本研究通过地理探测器分析表明，气温对高温多雨的南亚热带-热带地区植被分布影响力较高，而降水影响力较低。由此推断，某一气候因子影响力的程度，主要取决于研究区域所处的生物气候带。同时，前人研究也已佐证，气温是影响粤港澳大湾区植被覆盖的主要因子11-12，25。本研究是基于多年均值进行研究，而对各驱动因子在时间序列上的动态变化影响力方面，还有待于进一步研究。参考文献 References 1王志慧，李世明，刘良云，等.基于MODIS NDVI时间序列的土地覆盖分层分类方法研究 J.遥感技术与应用，2013，28（5）：910-919.WANG Z H，LI S M，LIU L Y，et al.Hierarchical land cover classification based on MODIS NDVI time-series J.Remote sensing technology and application，2013，28（5）：910-919（in Chinese with English abstract）.2涂婧林，侯东瑞，陈弋冉，等.国土空间生态修复关键区域系统识别与修复：以武汉市蔡甸区为例 J.华中农业大学学报，2022，41（3）：47-55.TU J L，HOU D R，CHEN Y R，et al.Systematic identification and restoration of key areas for ecological restoration of territorial space：a case study of Caidian District，Wuhan CityJ.Journal of Huazhong Agricultural University，2022，41（3）：47-55（in Chinese with English abstract）.3冯娴慧，曾芝琳，张德顺.基于MODIS NDVI数据的粤港澳大湾区植被覆盖时空演变 J.中国城市林业，2022，20（1）：1-6，28.FENG X H，ZENG Z L，ZHANG D S.Temporal-spatial evolution of vegetation coverage in Guangdong-HongKong-Macao Greater Bay Area based on MODIS NDVI dataJ.Journal of Chinese urban forestry，2022，20（1）：1-6，28（in Chinese with English abstract）.4张思源，聂莹，张海燕，等.基于地理探测器的内蒙古植被NDVI时空变化与驱动力分析 J.草地学报，2020，28（5）：1460-1472.ZHANG S Y，NIE Y，ZHANG H Y，et al.Spatiotemporal variation of vegetation NDVI and its driving forces in inner Mongolia based on geodetector J.Acta agrestia sinica，2020，28（5）：1460-1472（in Chinese with English abstract）.5ZH