删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

生态保护工程和气候变化对长江源区植被变化的影响量化

本站小编 Free考研考试/2021-12-29

唐见¹^,²^,, 曹慧群¹^,², 陈进²^,

1. 长江科学院流域水环境研究所,武汉 430010

2. 流域水资源与生态环境科学湖北省重点实验室,武汉 430010

Effects of ecological conservation projects and climate variations on vegetation changes in the source region of the Yangtze River

TANGJian¹^,²^,, CAOHuiqun¹^,², CHENJin²^,

1. Basin Water Environmental Research Department, Changjiang River Scientific Research Institute, Wuhan 430010, China

2. Key Lab of Basin Water Resource and Eco-environmental Science in Hubei Province, Wuhan 430010, China

通讯作者:通讯作者：陈进(1959-), 男, 湖北武汉人, 教授级高级工程师, 博士生导师, 主要从事流域水资源研究。E-mail: chenjincrsri@163.com
收稿日期:2017-08-17
修回日期:2018-11-28
网络出版日期:--
版权声明:《地理学报》编辑部本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:

国家自然科学基金项目(51609008)

湖北省自然科学基金项目(2016CFA092)

中央级公益性科研院所基本科研业务费项目(CKSF2015015/SH)

作者简介:
-->作者简介：唐见(1985-), 男, 安徽巢湖人, 博士, 主要从事流域水文过程变化及其生态效应研究。E-mail: tang0815@yeah.net

展开

摘要
分析长江源区生态保护工程和气候变化对植被变化的影响程度,对于长江源区生态工程的生态效益评估,以及区域植被适应性生态管理政策的制定具有重要意义。因此,本文基于1982-2015年的归一化植被指数数据（Normalized Difference Vegetation Index, NDVI）和气象数据,分析长江源区植被NDVI的时空变化规律,构建预测植被NDVI对气候因子响应的人工神经网络模型,在此基础上,在年和季节尺度上量化气候变化和生态保护工程对长江源区植被变化的影响程度。结果表明：① 在长江源区气候条件变化和生态保护工程影响下,长江源区植被退化得到遏制,植被生长呈好转趋势;② 海拔相对较低的通天河附近植被NDVI增加幅度较大,高海拔的沱沱河和当曲流域的植被NDVI增加幅度相对较小;③ 长江源区植被NDVI对气候因子响应存在1~2月的滞后性。构建的人工神经网络模型的拟合优度参数人工神经网模型具有较高的预测精度,可以用来模拟植被NDVI对气候因子的响应;④ 年尺度的植被NDVI增加受到生态保护工程的影响程度（58.5%）大于气候变化的影响程度（41.5%）。生长季生态保护工程对NDVI的影响程度（63.3%）大于气候变化对NDVI的影响程度（36.7%）,而非生长季气候变化是影响长江源区植被生长的关键要素（52.8%）。研究结果有助于为长江源区植被生态系统恢复、管理和利用战略的科学制定提供决策依据。

关键词：植被;气候变化;生态保护工程;归一化植被指数;人工神经网络;长江源区
Abstract
Quantitative research on the effects of ecological conservation projects and climate variations on vegetation changes is vital to the ecological benefit evaluation of ecological conservation projects, and has important implications for sustainable ecological rehabilitation management strategies in the source region of the Yangtze River. Based on the normalized difference vegetation index (NDVI) data and meteorological data during 1982-2015, this paper examines the temporal and spatial variations of NDVI; constructs back propagation artificial neural network (BPANN) model to simulate the responses of NDVI to climate factors; and quantifies the effects of ecological conservation projects and climate variations on vegetation changes at the annual and seasonal scales in the source region of the Yangtze River. The results indicate that: (1) Because of the effects of ecological conservation projects and climate variations, vegetation degradation curbed in the source region of the Yangtze River. (2) NDVI increased greatly near the Tongtian River located at relatively low altitudes. Minor increases in NDVI were observed near the Tuotuo and Dangqu rivers located at relatively high altitudes. (3) A time lag (about 1-2 months) existed between NDVI and major climate factors in the source region of the Yangtze River. The goodness of fit of the BPANN model shows that the simulation accuracy is relatively high. The model can be used to simulate the responses of NDVI to climate variations. (4) Ecological conservation projects exerted a slightly greater impact on NDVI changes than they did on climate variations at the yearly time scale (58.5% and 41.5%, respectively). During growing season, ecological conservation projects also exerted a slightly greater impact on NDVI changes than they did on climate variations (63.3% and 36.7%, respectively). During non-growth season, climate variations are the key factor affecting vegetation growth in the source region of the Yangtze River (52.8%). The research results provide a basis for scientific decision-making about the vegetation ecosystem rehabilitation, management and utilization strategies in the source region of the Yangtze River.

Keywords：vegetation;ecological conservation projects;climate variation;normalized difference vegetation index;artificial neural network;the source region of the Yangtze River

-->0
PDF (2495KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
唐见, 曹慧群, 陈进. 生态保护工程和气候变化对长江源区植被变化的影响量化[J]. 地理学报, 2019, 74(1): 76-86 https://doi.org/10.11821/dlxb201901006
TANG Jian, CAO Huiqun, CHEN Jin. Effects of ecological conservation projects and climate variations on vegetation changes in the source region of the Yangtze River[J]. Acta Geographica Sinica, 2019, 74(1): 76-86 https://doi.org/10.11821/dlxb201901006

1 引言

植被是连结土壤、水分与环境的自然纽带,在陆地碳平衡和气候系统调节中发挥了重要作用。变化环境下的植被生态系统演变规律、驱动机制和预测调控研究,是全球变化研究中核心内容之一^[1,2]。监测植被的动态变化,评估人类活动和气候变化对植被变化的影响程度,对确定合理的生态工程布局和适应性管理对策具有重要的实用价值,已成为变化环境下植被生态系统可持续管理研究领域的前沿和热点^[3,4,5]。
长江源区地处青藏高原腹地,独特的气候及地理环境下孕育的高寒植被生态系统,具有水源涵养与调节、生物多样性保护和流域生态安全保障等重要的生态功能,在中国乃至东亚地区的生态安全及生态系统稳定中起着屏障作用^[6]。近年来,受气候变化和人类活动的影响,源区的生态环境状况日趋恶化,植被生态系统退化问题日益突出,对区域和整个长江流域的水资源条件、生态安全及社会经济的可持续发展构成了严重威胁^[7,8]。长江源区植被生态系统变化,不仅引起国内外****的广泛关注,而且也受到中国政府的高度重视。2005年,中国规划投资75亿元,启动了退牧还草、退耕还林和生态恶化土地治理等22个生态保护工程项目^[9]。分析生态工程实施前后长江源区植被动态变化情况,评估和度量生态保护工程的效果,可为评价三江源生态工程的生态效益,及指导该区进一步的生态建设及工程布局提供科学依据。
由于长江源区植被生态系统的特殊性和重要性,植被动态变化规律及归因分析,受到越来越广泛的关注。现阶段,长江源区植被研究主要集中于探讨植被变化过程及其与影响因子的相互关系。陈婷等统计分析了1982-2003年长江源地区时间和空间上植被覆盖变化规律,并分析了植被覆盖变化的地形地貌因素与人为因素影响^[10]。姚玉璧等探究了长江源区1959-2008年的植被净初级生产力的变化及其与气温、相对湿度、降水量、风速和日照时数等气候要素的相互关系^[11]。刘璐璐等分析了长江源区1997-2012年植被覆盖度时空变化特征,认为长江源区植被状态的好转受益于气候的湿润化及生态工程的共同影响^[12]。这些研究成果对于认识长江源区植被生态环境的变化规律具有重要的科学价值,但是,关于评估和度量生态保护工程和气候变化对长江源区植被影响程度的研究很少^{[6, 13]}。量化生态保护工程和气候变化对植被变化的影响程度,是判断生态工程布局和适应性管理对策是否得当的决策依据。
因此,本文基于1982-2015年的植被指数数据和气象数据,分析长江源区植被的时空变化规律,构建预测植被NDVI对气候因子响应的人工神经网络模型,在此基础上,在年和季节尺度上量化生态保护工程和气候变化对长江源区植被变化的影响程度。

2 研究区概况

长江源区面积15.84×10⁴ km²,占三江源地区面积的52.8%,地处青藏高原腹地。对区域的水源涵养与调节、生物多样性保护、流域生态安全保障等生态功能的维持具有重要作用（图1）。长江源区植被分布错综复杂,在垂直分布自下而上依次排列着河谷草原、山地森林、高寒草甸和高山流石坡稀疏植被^[10]。长江源区植被生长期主要位于5-9月^[14]。由于特殊地形的影响,长江源区交通不便,人类活动对长江源区的植被生态系统干扰较小。2005年开始实施的生态保护和恢复行动,是长江源区植被生态系统发生变化的主要人类干扰因子。在长江源区生态保护工程和气候条件变化的驱动作用下,国内外众多研究表明,三江源区植被生态环境已逐渐好转^[15]。因此,开展生态保护工程和气候变化对植被变化作用的量化研究,可以进一步为该地区制定科学的植被生态系统恢复、管理和利用战略提供科学决策依据。

显示原图|下载原图ZIP|生成PPT
图1研究区地理位置图
-->Fig. 1Geological sketch map of the study area
-->

3 数据获取及处理

研究数据主要包括DEM数据、植被指数数据和气象数据。
DEM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（http://www.gscloud.cn）,本文选用的是SRTM 90 m分辨率的DEM产品空间。利用ArcSWAT 2012对DEM数据进行填挖预处理、水流流向生成、提取河网、生成长江源区控制流域的边界。
归一化植被指数（NDVI）是目前评估植被动态变化使用最广泛的植被指数^[16]。本文NDVI数据使用的是EOS/MODIS NDVI 产品（MOD13）,该产品的空间分辨率为500 m,时间分辨率为16 d。基于长江源区边界,通过网站https://ladsweb.modaps.eosdis.nasa.gov/search/下载获取长江源区16 d的NDVI数据。通过最大值合成法（Maximum Value Composites, MVC）,进一步合成长江源区月尺度植被指数数据集。为了减小长江源区地表非植被和稀疏植被的干扰,本文进一步利用ArcGIS 10.2软件Map algebra工具,剔除NDVI值小于0.1的栅格单元^[17]。NDVI数据的时间跨度为1982-2015年。
长江源区自然条件差,气象和水文观测站点稀疏,为了确保研究数据的准确性,本研究选取青藏高原30个国家级气象站点的月尺度气象数据（图1）,通过克里金插值法,对青藏高原的气象站点的气象数据进行插补,形成青藏高原气象要素空间数据集,再用长江源区的边界裁剪青藏高原气象要素空间数据集,形成研究所需要的精度更高的气象数据。考虑植被指数对气候因子响应的时滞性,气象数据的时间跨度为1981-2015年。30个站点气象数据通过中国气象科学数据共享服务网获得（http://cdc.cma.gov.cn/）。对于气象资料有缺测的站点,利用没有缺测时段的气象数据,与临近资料齐全站点的气象数据建立线性回归关系,然后利用建立的一元线性回归方程推求气象资料缺测时段的数据。
本文借鉴前人提出的潜在蒸散发的改进遥感估算方法^[18],计算长江源区的蒸发量,该方法数据要求少,估算精度高。计算公式为：

ET = R_{n} (0.144 + 0.650 NDVI + 0.009 T_{a} - 0.0163 T_{v})

（1）
式中：R_n为地面净辐射,MJ/（m²·d）;NDVI月均归一化植被指数;

T_{a}

为月均气温;T_v为月气温变化,以月最高气温和最低气温的差值表示。

4 研究方法

4.1 长江源区植被NDVI时空变化

Mann-Kendall方法广泛应用于对时间序列数据的变化趋势分析^[19,20],本文也采用Mann-Kendall方法来分析长江源区年和季节尺度植被NDVI的变化趋势。
Mann-Kendall方法能够计算时间序列Kendall等级相关系数,时间序列的统计量S的计算公式为：

S = \overset{n - 1}{\sum_{k = 1}} \overset{n}{\sum_{j = k + 1}} sgn (x_{j} - x_{k})

（2）

sgn (x_{j} - x_{k}) \{\begin{array}{l} 1 ? ? ? ? ? ? ? x_{j} > x_{k} ? ? ? ? ? ? ? ? ? ? \\ 0 ? ? ? ? ? ? ? ? ? ? ? ? x_{j} = x_{k} ? ? ? ? ? ? ? \\ - 1 ? ? ? ? ? ? ? ? x_{j} < x_{k} \end{array}

（3）
式中：x_j和x_k分别代表时间段j和k的时间序列数据的值（j > k）;n是时间序列的长度。
如果时间序列数据相互独立且符合正态分布,统计量S的方差计算公式为：

Var (S) = \frac{n (n - 1) (2 n + 5)}{18}

（4）
如果时间序列数据中包括相同值,统计量S的方差通过下面公式计算获得：

Var (S) = \frac{n (n - 1) (2 n + 5) - \overset{j}{\sum_{i = 1}} t_{i} (t_{i} - 1) (2 t_{i} + 5)}{18}

（5）
式中：t_i是第j组中相同数值数目;j是有相同值的组数。
利用统计量S和Var(S)来计算统计量Z,公式为：

Z = \{\begin{array}{l} (S - 1) / \sqrt[]{n (n - 1) (2 n + 5) / 18} S > 0 \\ 0 S = 0 \\ (S + 1) / \sqrt[]{n (n - 1) (2 n + 5) / 18} S < 0 \end{array}

（6）
Z值用来计算时间序列数据变化趋势的显著性,通过比较Z的绝对值和在显著性水平α下的Z_1-_α_/2的大小来判断变化趋势是否显著,如果Z的绝对值大于Z_1-_α_/2,变化趋势不显著,反之,变化趋势显著。Z为正值表示上升趋势,为负值表示下降趋势。

4.2 长江源区植被NDVI对气候响应的数值模拟

植被生长需要一定的温度、水分和光照条件,同时,考虑植被生长对气候因子的滞后效应^[21,22],分别计算植被NDVI与当月、前1个月、前2个月和前3个月的气温、降水量、蒸散发量、相对湿度和日照时数的相关系数。选取相关系数较大的气候因子,作为输入节点模拟预测长江源区植被NDVI对气候因子响应。
BP人工神经网络（Back-propagation Neural Network, BPNN）可以用来模拟输入输出数据间复杂关系,探索数据中存在模式的一种非常有效的方法,能够应用于气象因子和植被指数之间复杂关系的模拟^[23,24]。本文也将采用BPNN来模拟长江源区植被NDVI对气候变化的响应。
在利用BPNN模拟长江源区植被NDVI对气候变化的响应前,所有输入输出数据需要通过数据标准化处理,将所有数据调整到0~1范围内,数据标准化公式为：

\overset{?}{x} = \frac{x - x_{\min}}{x_{\max} - x_{\min}}

（7）
本文采用判定系数（R²）和Nash-Sutcliffe效率系数（NSC）来判别BPNN模型的精度。R²能够反映实测数据和BPNN模型数据间的线性关系,NSC能够反映BPNN模型的拟合优度。BPNN模型的模拟期和验证期分别为1982-1996年和1997-2004年。R²和NSC的计算公式为：

R^{2} = \frac{{[\sum (O {}_{i}- O_{mean}) (S_{i} - S_{mean})]}^{2}}{\sum (O_{i} - O_{mean})^{2} \sum (S_{i} - S_{mean})^{2}}

（8）

NSC = 1 - \frac{\sum {(O_{i} - S_{i})}^{2}}{\sum (O_{i} - O_{mean})^{2}}

（9）
式中：O_i和S_i分别代表第i个月的实测和模拟植被NDVI值;O_mean和S_mean分别代表实测和模拟植被NDVI的月均值。

4.3 生态保护工程和气候变化对植被NDVI影响程度的量化

由于特殊地形的影响,长江源区人类活动的干扰较小,在本文中,生态保护工程实施前的1982-2004年的植被只受到气候变化的影响,该阶段界定为基准期。生态保护工程实施后,2006-2015年的植被受到气候变化和生态保护工程的双重影响,该阶段界定为改变期。
利用基准期的植被NDVI和气候数据来率定BPNN模型中的参数,将改变期的气候数据输入率定后的BPNN模型,模拟改变期的植被NDVI。生态保护工程对植被NDVI影响程度的量化,可以通过比较两个阶段的植被NDVI实测值和模拟值获得。两个阶段的植被NDVI实测值差值,代表受到气候变化和生态保护工程双重影响下的植被NDVI变化量（ΔNDVI_tot）。两个阶段的植被NDVI模拟值差值,代表气候变化影响下总的植被NDVI变化量（ΔNDVI_cc）。ΔNDVI_tot和ΔNDVI_cc的差值即为生态保护工程影响下的植被NDVI变化量（ΔNDVI_ep）。基于此,量化生态保护工程和气候变化对植被NDVI变化的影响程度,计算公式如下：

Δ NDV I_{tot} = NDV I_{oc} - NDV I_{or} = Δ NDV I_{cc} + Δ NDV I_{ep}

（10）

Δ NDV I_{cc} = NDV I_{sc} - NDV I_{sr}

（11）

η_{cc} = \frac{Δ NDV I_{cc}}{Δ NDV {I_{t}}_{ot}} \times 100 %

（12）

η_{ep} = \frac{Δ NDV I_{ep}}{Δ NDV I_{tot}} \times 100 % = 1 - η_{cc}

（13）
式中：NDVI_oc和NDVI_or分别代表改变期和基准期的植被NDVI实测值;NDVI_sc和NDVI_sr分别代表改变期和基准期的植被NDVI模拟值;

η_{cc}

和

η_{ep}

分别代表的是气候变化和生态保护工程对植被NDVI影响的相对贡献率。

显示原图|下载原图ZIP|生成PPT
图21982-2015年长江源区植被NDVI变化趋势分析
-->Fig. 2Trend test results for the NDVI during 1982-2015 in the source region of Yangtze River
-->

5 结果与讨论

5.1 长江源区植被NDVI时空变化

长江源区年和季节尺度的NDVI变化趋势分析结果显示（图2）：1982-2015年间,在年和季节尺度上,长江源区NDVI总体上呈现上升趋势,在95%置信水平上统计显著。生长季长江源区植被NDVI的增加幅度较大,回归直线斜率为0.014,大于年和非生长季长江源区植被NDVI的回归直线斜率。
生态保护工程实施后,长江源区生长季、非生长季和年尺度植被NDVI分别增加了0.03、0.007和0.016（表1）。生长季植被NDVI增加幅度较大,达到了10.4%。在长江源区生态保护工程和气候条件改变的影响下,长江源区植被退化得到遏制,植被生长呈好转趋势,这一研究结论已经得到广泛共识^[4],但关于生态保护工程和气候变化对植被的影响程度还存在争论^[13]。
Tab. 1
表1
表1生态保护工程实施前后植被NDVI及其改变量
Tab. 1NDVI and its changes during reference and changed periods in the source region of Yangtze River

时段	NDVI		变化量
时段	工程前(1982-2004年)	工程后(2006-2015年)	变化量
生长季	0.288	0.318	0.03
非生长季	0.149	0.156	0.007
年	0.207	0.223	0.016

新窗口打开
从空间分布上看,生态保护工程实施后,长江源区植被NDVI增加具有明显的区域差异。海拔相对较低的通天河附近植被NDVI增加幅度较大,高海拔的沱沱河和当曲流域的植被NDVI增加幅度相对较小（图1,图3）,通天河附近水热条件较好,植被生长具有稳定的地下水源^[10],土壤水分含量相对较高^[25],有利于生态保护工程的实施,植被恢复速度较快。沱沱河和当曲等源头地区的自然条件较差,土壤水分含量相对较低,不利于生态建设工程实施,植被恢复速度较为缓慢。

显示原图|下载原图ZIP|生成PPT
图3生态保护工程实施前后长江源区植被NDVI差值空间分布
-->Fig. 3Differences in spatial distribution of NDVI during the reference and changed periods in the source region of Yangtze River
-->

5.2 长江源区植被NDVI对气候响应的数值模拟

长江源区植被NDVI和前0~3月气候因子的相关系数如表2所示,植被NDVI与气温关系密切,与前0~2月的气温相关系数都大于0.5,与前1月的气温相关性最大,与前2月的气温相关性次之,表现出明显滞后性。植被NDVI对降水量的响应也有滞后性,与前1月的降水量相关性最大,与前2月的气温相关性次之。前1~2月蒸散发与植被NDVI相关性较大,植被NDVI与前1月的蒸散发量相关性最大。相对湿度也是影响长江源区植被NDVI的关键气候因子,植被NDVI对相对湿度的响应也有滞后性,与前1月的相对湿度相关性最大,与前2月的相对湿度相关性次之。日照时数对植被NDVI的影响较小。总的来看,长江源区属于典型的高原干冷大陆型气候特点^[26],植被生长对水热条件的敏感程度差异很小,长江源区植被生长对气候因子响应基本都存在1~2月的滞后性。
为了构建精确的植被NDVI对气候响应的数值模拟模型,选取与植被NDVI相关性较高的前1~2月的月均气温、降水量、蒸散发量、相对湿度和日照时数共10个参数（表2）,作为输入变量,构建预测植被NDVI对气候因子响应的BPNN模型。
Tab. 2
表2
表2长江源区NDVI与气候因子的相关系数
Tab. 2Correlation coefficients between NDVI and climate factors in the source region of Yangtze River

气象要素	相关系数
气象要素	当月月均NDV1	后1月的月均NDVI	后2月的月均NDVI	后3月的月均NDVI
月均气温	0.711	0.863	0.817	0.478
月均降水量	0.803	0.886	0.853	0.649
月均蒸散发量	0.701	0.864	0.859	0.773
月均相对湿度	0.556	0.635	0.608	0.449
月均日照时数	0.142	0.257	0.329	0.306

新窗口打开
利用R²和NSC来评价BPNN模型模拟结果的拟合优度,基准期植被NDVI的模拟和验证的结果如图4所示,模拟期的R²和NSC值分别为0.921和0.917,在验证期,R²和NSC值分别为0.905和0.902。前人研究认为如果一个数学模型的模拟结果的NSC值大于0.50,就可以认为这是一个合适的模拟方法^[27]。BPNN模型的拟合优度参数表明,BPNN模型可以用来模拟植被NDVI对气候因子的响应。利用基准期气象水文数据对BPNN模型进行模拟验证后,保持模型参数不变,输入生态保护过程实施后的气象数据,模拟这一阶段的植被NDVI值,模拟结果如图5所示。虽然BP人工神经网络模型对高（低）流量阶段的流量模拟存在一些偏差（图5）,大量的研究结果表明,水文模拟方法即使是基于物理过程的分布式水文模型,也会对高（低）流量的模拟存在缺陷^[28,29],模拟气候对植被产生的影响时,BPNN模型方法是一种可以选择的简洁有效的方法^[23,24]。

显示原图|下载原图ZIP|生成PPT
图4基准期1982-2004年BP人工神经网络模型模拟和验证结果
-->Fig. 4Results of calibration and validation of the BPANN model for the reference period
-->

显示原图|下载原图ZIP|生成PPT
图5长江源区2006-2015年的月尺度植被NDVI实测值和模拟值
-->Fig. 5Observed and simulated monthly NDVI during 2006-2015 in the source region of Yangtze River
-->

5.3 生态保护工程和气候变化对长江源区植被NDVI影响程度量化

基于公式（10）~（13）,比较生态保护工程实施前后的植被NDVI实测和模拟值,能够定量评价生态保护工程对植被NDVI增加的影响程度,结果如图6所示。在年尺度上,生态保护工程和气候变化对植被NDVI增加影响的相对贡献率分别为58.5%和41.5%。长江源区年尺度的植被NDVI增加受到生态保护工程的影响程度大于气候变化的影响程度。在生长季,生态保护工程和气候变化对NDVI增加影响的相对贡献率分别为63.3%和36.7%,生态保护工程是影响长江源区植被生长的主要要素。在非生长季,气候变化是影响长江源区植被生长的关键要素,NDVI增加受到生态保护工程的影响程度（47.2%）略小于气候变化的影响程度（52.8%）。

显示原图|下载原图ZIP|生成PPT
图6生态保护工程和气候变化对长江源区植被NDVI增加影响的相对贡献率
-->Fig. 6Relative contributions of ecological conservation projects and climate variations to the NDVI increases in the source region of Yangtze River
-->

研究结果表明生态保护工程是长江源区植被好转的关键影响因子,工程实施取得初步成效。尽管生态工程建设与管理有利于长江源区植被生态系统的恢复,但有些不合理的建设活动也会对植被覆盖度增加产生不利的影响。野外调查证明,源区部分生态保护工程实施过程中修建的道路和居住点,会对源区的植被覆盖产生不利影响。此外,生态保护工程实施后,长江源区野生动物物种的种群数量迅速增加,野生动物的迁徙及啃食对植被覆盖的影响愈来愈大,可能导致长江源区植被覆盖度增加速率减缓甚至有所下降^[6]。因此,在后期的生态工程实施过程中,要科学规划,以小流域为单元,开展综合生态治理措施,使退化的植被生态系统得以恢复。

6 结论

本文分析长江源区生态保护工程实施前后植被的时空变化特征,构建预测NDVI对气候因子响应的BP人工神经网络模型,在此基础上,在年和季节尺度上量化生态保护工程和气候变化对长江源区植被变化的影响程度。主要的研究结论包括：
（1）1982-2015年间,在年和季节尺度上,长江源区NDVI总体上呈现上升趋势;在长江源区生态保护工程和气候条件改变的影响下,长江源区植被退化得到遏制,植被生长呈好转趋势。
（2）生态保护工程实施后,长江源区生长季、非生长季和年尺度植被NDVI分别增加了10.4%、4.7%和7.7%。海拔相对较低的通天河附近植被NDVI增加幅度较大,高海拔的沱沱河和当曲流域的植被NDVI增加幅度相对较小。
（3）长江源区植被生长对气候因子响应存在1~2月的滞后性。构建的BP人工神经网络模型的拟合优度参数表明模型精度满足要求,可以用来模拟NDVI对气候因子的响应,从而量化生态保护工程对NDVI的影响程度。
（4）在年尺度上,生态保护工程和气候变化对NDVI增加影响的相对贡献率分别为58.5%和41.5%。长江源区年尺度的NDVI增加受到生态保护工程的影响程度大于气候变化的影响程度。生长季生态保护工程对NDVI的影响程度（63.3%）大于气候变化对NDVI的影响程度（36.7%）,而非生长季气候变化（52.8%）是影响长江源区植被生长的关键要素。
The authors have declared that no competing interests exist.

生态保护工程和气候变化对长江源区植被变化的影响量化

本站小编 Free考研考试/2021-12-29

Effects of ecological conservation projects and climate variations on vegetation changes in the source region of the Yangtze River

1 引言

2 研究区概况

3 数据获取及处理