高海东^,1,2, 吴曌²1.西安理工大学省部共建西北旱区生态水利国家重点实验室,西安 710048
2.西安理工大学土木建筑工程学院,西安 710048

Vegetation restoration and its effect on runoff and sediment processes in the Toudaoguai-Tongguan section of the Yellow River

GAO Haidong^,1,2, WU Zhao²1. State Key Laboratory of Eco-hydraulics in Northwest Arid Region, Xi'an University of Technology, Xi'an 710048, China
2. School of Civil Engineering and Architecture, Xi'an University of Technology, Xi'an 710048, China

收稿日期:2019-12-18修回日期:2020-12-22网络出版日期:2021-05-25

基金资助:

国家自然科学基金项目.41877077

Received:2019-12-18Revised:2020-12-22Online:2021-05-25

Fund supported:

National Natural Science Foundation of China.41877077

作者简介 About authors
高海东(1983-), 男, 内蒙古乌审旗人, 博士, 副教授, 中国地理学会会员(S110010718M), 研究方向为土壤侵蚀与水土保持。E-mail: hdgao@msn.cn




摘要
黄河头道拐—潼关区间是黄河泥沙的主要来源区,也是中国植被恢复最快的地区。植被的快速恢复对径流和输沙过程产生了深远影响。本文基于250 m分辨率的归一化植被指数数据（MOD13Q1 NDVI）,使用统计分析和趋势分析技术,分析了头道拐—潼关区间不同景观单元植被恢复特点、影响因素以及其对水沙过程的影响,并对头道拐—潼关区间植被未来发展趋势进行了预测。研究结果显示：头道拐—潼关区间82.87%区域的植被呈显著增加趋势（p < 0.05）,且植被恢复速度最快的区域为半湿润的黄土丘陵沟壑区,坡度和降水量在不同景观单元下对植被恢复的影响不同。随着降水量的增加,头道拐—潼关区间NDVI和年降水量的相关性降低。在植被恢复背景下,黄河中游主要河流径流的主要影响因素仍然是降水量,输沙量同时受到降水量和植被恢复的影响,含沙量与NDVI呈现出较强的负相关关系,而与降水量的相关性较弱。随着植被覆盖度的增加,流域土壤侵蚀量降低,河流输沙量也呈降低趋势,土壤侵蚀量对河流输沙量的贡献率变化于39%~88%之间。基于植被恢复潜力和恢复速度,本文预测头道拐—潼关区间2020年、2030年、2040年以及2050年的NDVI平均值将分别达到0.68、0.75、0.79以及0.80。
关键词： 植被恢复;趋势分析;黄河中游;水沙过程

Abstract
The Toudaoguai-Tongguan section is the main source area of sediments in the Yellow River and has the largest vegetation restoration rate in China. Subsequently, the rapid restoration of vegetation has had significant effects on the runoff and sediment transport processes. In this paper, the vegetation restoration characteristics, and the influencing factors and their effects on runoff and sediment processes in different landform units in the Toudaoguai-Tongguan section were analyzed based on the MOD13Q1 Normalized Difference Vegetation Index (NDVI) data using the statistical and trend analysis techniques. And then, the future vegetation development trend in this area was predicted. The results suggest that the vegetation exhibits a significant increasing trend (p < 0.05) in 82.87% of the study area, and the semi-humid loess hilly and gully zones have the largest vegetation restoration rate. Slope gradient and precipitation have different effects on the vegetation restoration in different landform units. With the increase of precipitation, the correlation between NDVI and annual precipitation in the Toudaoguai-Tongguan section is lessened. In the context of vegetation restoration, precipitation is still the major factor influencing the main river runoffs in the middle reaches of the Yellow River, whereas the sediment load is affected by both precipitation and NDVI, and the sediment concentration exhibits a relatively strong negative correlation with NDVI. With the increase of vegetation coverage, the amount of soil erosion in the watershed decreases, and the river sediment load exhibits a decreasing trend. The contribution rate of the amount of soil erosion to the sediment load varies between 39%-88%. Based on the vegetation restoration potential and vegetation restoration rate, it was predicted that the mean values of NDVI in the Toudaoguai-Tongguan section in 2020, 2030, 2040, and 2050 would be 0.68, 0.75, 0.79, and 0.80, respectively.
Keywords：vegetation restoration;trend analysis;middle reaches of the Yellow River;runoff and sediment process


PDF (3945KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
高海东, 吴曌. 黄河头道拐—潼关区间植被恢复及其对水沙过程影响. 地理学报[J], 2021, 76(5): 1206-1217 doi:10.11821/dlxb202105012
GAO Haidong, WU Zhao. Vegetation restoration and its effect on runoff and sediment processes in the Toudaoguai-Tongguan section of the Yellow River. Acta Geographica Sinice[J], 2021, 76(5): 1206-1217 doi:10.11821/dlxb202105012

1 引言

植被是连接大气、水体和土壤的纽带,维持着陆地生态系统的稳定性^[1]。植被对气候变化很敏感^[2],因此监测植被的时空变化及其对气候因子的响应,是全球变化研究的重要内容^[3]。在全球尺度上,气候变化与植被活动之间的关系得到了广泛关注^[4]。而在区域尺度上,植被活动的响应过程取决于气候条件与背景环境的空间异质性^[5,6]。最新研究表明,全球从2000—2017年新增的绿化面积中,约1/4来自中国,中国贡献比例居全球首位^[7]。

黄河以高含沙量闻名于世,潼关站1951—1979年的多年平均输沙量为13.19 亿t。1980—1999年的多年平均输沙量为7.16 亿t。2000—2017年的多年平均输沙量为2.02 亿t。黄河头道拐—潼关区间地表主要由黄土覆盖,土质疏松,加之暴雨集中,土壤侵蚀非常严重,黄河泥沙的90%来自该区域。自2000年以来,随着大规模生态建设工程的推进,黄河输沙量锐减。植被恢复对水沙过程产生显著影响^[8],有研究表明,2000年以来黄河输沙量降低的主要贡献因素是该地区的植被持续改善^[9,10,11]。

黄河中游地区地貌类型复杂多样,降水量南北差异大^[12],人类活动影响强烈,这一地区还是退耕还林的主体区域,植被恢复特征及影响因素复杂^[13]。对于复杂地貌交错带和高强度人类活动地区,植被恢复差异及其影响因素,植被恢复对水沙过程影响,植被未来发展趋势,目前研究还较少。本文以黄河头道拐—潼关区间为研究对象,以250 m分辨率的中分辨率成像光谱仪的归一化植被指数（MODIS NDVI）为主要数据源,结合水沙数据和高密度的降水量站点数据,探索如下2个方面的问题：① 头道拐—潼关区间植被变化过程及未来发展趋势。② 植被变化对水沙过程的影响。研究成果以期为黄河中游地区植被建设提供参考。

2 材料与方法

2.1 研究区概况

研究区范围为黄河头道拐水文站和潼关水文站控制区间,地处104°00′E~113°30′E,33°30′N~40°30′N,总面积为29.62 万km²。该区域属大陆性季风气候,多年平均气温9~12 ℃,研究区年降水量变化于300~800 mm之间。根据郑景云等^[14]的中国气候区划方案,整个研究区地跨半干旱区和半湿润区2个气候分区。研究区从西北到东南植被类型依次为典型草原、森林草原以及森林,面积占比分别为33%、45%以及22%。

根据地貌和土壤侵蚀特征,研究区分为5个景观单元,分别为黄土丘陵沟壑区、土石山区、黄土高塬沟壑区、平原区以及风沙区。黄土丘陵沟壑区面积为11.68 万km²,地表物质主要为黄土,沟壑密度2~7.6 km/km²,坡度大于15°的面积比例达45%,土地利用类型主要是草地和耕地（坡耕地和梯田）,土壤侵蚀严重。土石山区面积为7.07 万km²,土层薄,植被覆盖度较高,土壤侵蚀较轻。黄土高塬沟壑区面积4.30 万km²,地表物质以黄土为主,分为塬面和沟壑2个典型地貌,塬面广阔平坦,平均坡度小于5°,沟壑深切,平均坡度达30°。平原区面积为4.24 万km²,土地利用以耕地为主,经济发达。风沙区面积为2.33 万km²,降水量小,植被覆盖度低,以风力侵蚀为主（图1）。风沙区均位于半干旱区,平原区绝大部分位于半湿润区。在后续分析中,本文将土石山区、黄土丘陵沟壑区以及黄土高塬沟壑区又分别分为半干旱区和半湿润区2个子区进行统计和论述。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区景观单元划分以及水文站、雨量站布局

Fig. 1Delimiting of landform units and distribution of hydrological/rain-gauge stations in the study area

2.2 数据来源与处理

归一化植被指数（NDVI）为MOD13Q1 NDVI数据,来自美国地质调查局（https://ladsweb.modaps.eosdis.nasa.gov/）。该数据最大程度地减少了冠层背景变化影响,并在高植被覆盖情况下保持敏感。MODIS NDVI根据经过大气校正的双向表面反射率计算得出,该反射率已针对水、云以及气溶胶进行了校正。数据的时间序列为2000—2018年,时间分辨率为16 d,空间分辨率为250 m。采用最大值合成法获得年NDVI值^[15]。

地貌数据为《中国1∶100万数字地貌》,来源于国家科技基础条件平台—国家地球系统科学数据中心（http://www.geodata.cn）,解译比例尺为1∶10万,遥感定性判读准确率大于95%以上,遥感定位判读误差不超过2个像元,最小图斑面积为1.5 km²。本文通过地图综合,依据地貌特征,将研究区分为5个景观单元（图1）。

数字高程数据（DEM）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）,空间分辨率为30 m。基于“先进星载热发射和反辐射计（ASTER）”数据计算生成,本文使用的版本是ASTER GDEM V2版,垂直精度的平均误差由第一版的-3.69 m提升至-0.20 m。

2000年和2015年土地利用来自中国1∶10万土地利用数据库,空间分辨率为30 m,分类精度为94%^[16]。

逐日降水量数据来自中国气象数据网（http://data.cma.cn）,共收集了56个站点的数据,用于计算降雨侵蚀力。年降水量、年径流量以及年输沙量数据来自中华人民共和国水文年鉴。年径流量和年输沙量数据的时间序列为2001—2015年,共收集了20个站点的径流泥沙数据。收集了研究区1137个雨量站的年降水量数据（图1）,用于分析NDVI和年降水量之间的关系。

2.3 研究方法

曼—肯德尔（Mann Kendall, M-K）趋势分析法^[17]被用来计算NDVI的变化趋势。使用公式（1）计算Mann Kendall相关系数（S）：

（1）S=∑i=1n-1∑j=i+1nsign(xi-xj)
（2）sign(xi-xj)=1ifxi-xj<00ifxi-xj=0-1ifxi-xj>0
式中：n为时间序列数据的长度;x_i和x_j分别为i时刻和j时刻的观测值。

使用公式（3）和公式（4）计算Mann Kendall显著性指标（Z和p）：

（3）Z=S-1Var(S)forS>00forS=0S+1Var(S)forS<0
（4）p=21-?(Z)
（5）Φ(Z)=2π∫0Ze-t2dt
Z统计量遵循标准正态分布,在没有趋势的零假设下,其均值和单位方差为零。Z值为正表示上升趋势,Z值为负表示下降趋势。

使用Theil Sen斜率值（Theil Sen Slope）度量植被恢复速度^[18],计算公式为：

（6）TS_Slope=MedianXj-Xitj-ti
式中：X_i和X_j分别为t_i时刻和t_j时刻的观测值。

使用修正通用土壤流失方程（Revised Universal Soil Loss Equation, RUSLE）计算土壤侵蚀模数,方程的表达式为：

（7）A=R×K×S×L×C×P
式中：A是年平均土壤流失量（t/(hm² a)）;R是降雨侵蚀力因子（MJ mm/(hm² h a)）,采用章文波等^[19]提出基于日降雨量的方法进行计算;K是土壤可蚀性因子（t hm² h/(hm² MJ mm)）,首先利用1979—1994年全国第二次土壤普查的成果数据进行计算,再利用径流小区观测数据修正计算结果,将修订结果利用反距离权重插值法插值生成中国土壤可蚀性因子栅格数据^[20];S是坡度因子,L是坡长因子,S、L因子的计算使用Zhang等^[21]开发的软件完成,先对原始DEM进行填洼处理,再依次计算坡度和各栅格坡长,定义径流源点、终点和沉积部位,最后计算累积坡长和S、L值;P是水土保持措施因子,分析植被影响时,P值取为1;C是作物覆盖—管理因子,当植被覆盖度<5%时,取值为1,当植被覆盖度≥ 5%时,对于草地使用公式（8）计算,林地使用公式（9）计算^[22]：

（8）Cgrass=e-0.0418(V-5)
（9）Cforest=e-0.0085(V-5)1.5
式中：C_grass为草地作物覆盖—管理因子;C_forest为林地作物覆盖—管理因子;V为植被覆盖度（%）,由NDVI计算而来。

Mann Kendall趋势分析、Theil Sen斜率值计算以及土壤侵蚀模数计算在TerrSet和ArcGIS Pro等地理信息系统软件支持下完成。相关系数、偏相关系数以及方差分析（ANOVA）在SPSS 22.0中完成。

3 结果与分析

3.1 不同景观单元NDVI变化趋势

统计头道拐—潼关区间2000—2018年各景观单元的NDVI值,发现各个景观单元的年NDVI值均呈增加趋势。在土石山区、黄土丘陵沟壑区以及黄土高塬沟壑区,半湿润的NDVI值均明显高于半干旱,显示出降水量对这一地区植被的强烈影响。平原区的NDVI值也较高,但NDVI值从2000年的0.59增加至2018年的0.66,显示出平原区植被覆盖度较为稳定。风沙区NDVI最低,但是NDVI从2000年的0.27跃升至2018年的0.47,表明这一地区沙地（主要是毛乌素沙地）生态环境改善明显。（图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图2不同景观单元NDVI变化

Fig. 2Changes in NDVI of different landform units



整个研究区Theil Sen斜率值为0.0086/a,其中82.87%的区域NDVI呈显著增加趋势（p < 0.05）（图3）。根据各景观单元统计,植被恢复速度最快的区域为黄土丘陵沟壑区,而植被变化最小的区域是平原区,Theil Sen斜率值为0.0021/a（表1）。植被恢复最快的地区为黄土丘陵沟壑区,高于土石山区,主要原因是这一区域原来有大量的坡耕地,随着退耕还林（草）工程的实施,植被恢复速度加快,而土石山区本来的植被条件较好,植被恢复的潜力较低,故其恢复速度低于黄土丘陵沟壑区。在黄土丘陵沟壑区,半湿润区的恢复速度高于半干旱区,说明植被恢复速度也受降水量影响。

图3

新窗口打开|下载原图ZIP|生成PPT
图3研究区Theil Sen斜率值计算结果

Fig. 3Calculation results of Theil Sen slope in the study area



Tab. 1
表1
表1研究区Theil Sen斜率值变化面积统计
Tab. 1Statistical area of Theil Sen slope change in the study area

景观单元	气候带	Theil Sen斜率值	趋势	占比(%)
黄土丘陵沟壑区	半干旱	0.0115	降低	0.06
			增加	90.72
			不显著	9.22
	半湿润	0.0124	降低	0.13
			增加	95.55
			不显著	4.32
土石山区	半干旱	0.0078	降低	0.06
			增加	85.72
			不显著	14.22
	半湿润	0.0056	降低	0.19
			增加	89.28
			不显著	10.53
黄土高塬沟壑区	半干旱	0.0085	降低	0.20
			增加	74.52
			不显著	25.28
	半湿润	0.0088	降低	2.20
			增加	73.62
			不显著	24.18
平原区		0.0021	降低	13.93
			增加	34.37
			不显著	51.70
风沙区		0.0086	降低	0.22
			增加	88.29
			不显著	11.49
头道拐—潼关区间		0.0086	降低	1.66
			增加	82.87
			不显著	15.47

新窗口打开|下载CSV

3.2 不同坡度和降水下植被恢复差异

风沙区和平原区坡度平缓,本节主要分析黄土丘陵沟壑区、黄土高塬沟壑区和土石山区不同坡度下植被恢复差异。根据方差分析,黄土丘陵沟壑区缓坡（0~15°）和陡坡（> 15°）之间植被恢复速度没有显著差异。而黄土高塬沟壑区缓坡和陡坡植被恢复速度存在显著差异（p < 0.05）,陡坡的植被恢复速度高于缓坡。土石山区缓坡和陡坡之间植被恢复也存在显著差异（p < 0.05）,但是缓坡恢复速度高于陡坡（表2）。

Tab. 2
表2
表2不同坡度下植被恢复速度统计
Tab. 2Statistics of vegetation restoration rate under different slope gradients

景观单元	坡度(°)	占比(%)	Theil Sen斜率值
黄土丘陵沟壑区	0~15	55	0.0119
	> 15	45	0.0120
黄土高塬沟壑区	0~15	74	0.0080
	>15	26	0.0108
土石山区	0~15	40	0.0070
	> 15	60	0.0055

新窗口打开|下载CSV

从不同降水量的植被恢复情况来看,黄土丘陵沟壑区和黄土高塬沟壑区随着降水量的增加,植被恢复速度呈现先增加后减少的趋势,在500~550 mm降水量区间内,两个地貌区的植被恢复速度最快。土石山区植被恢复速度随着降水量的增加而降低,即在土石山区,半干旱区的植被恢复速度高于半湿润区（图4）。

图4

新窗口打开|下载原图ZIP|生成PPT
图4不同降水量带植被恢复速度

Fig. 4Vegetation restoration rates under different precipitation

3.3 NDVI与年降水量关系

受复杂地形以及高强度人类活动影响,头道拐—潼关区间植被对降水量的响应变得复杂。以往研究由于缺乏高密度的降水量资料,影响了降水量与NDVI间的相关分析,本文共收集了1137个雨量站的逐年降水量资料,计算年NDVI和年降水量Pearson相关系数。取绝对值后,Pearson相关系数在0~0.1之间为无相关性,0.1~0.3之间为弱相关,0.3~0.5为中等相关,0.5~1.0为强相关。

总体来看,在研究区北部,降水量和NDVI呈现正相关,而在南部呈现负相关。在降水量< 500 mm的地区,降水量和NDVI呈强相关的站点占该区全部站点的比例超过了65%;到500~550 mm,强相关站点的比例降至42%;550~600 mm的比例降至30%;降水量大于600 mm地区,呈强相关站点的比例为16%。随着降水量的增加,头道拐—潼关区间NDVI和降水量的相关性降低。

在不同的景观单元,年降水量和NDVI的相关关系也存在差异。在黄土丘陵沟壑区和风沙区,年降水量和NDVI呈强相关的比例分别为51%和50%,黄土高塬沟壑区强相关的比例为39%,土石山区和平原区比例分别为28%和21%（图5）。

图5

新窗口打开|下载原图ZIP|生成PPT
图5NDVI与年降水量Pearson相关系数

Fig. 5Pearson correlation coefficient between NDVI and annual precipitation in the study area

3.4 土地利用变化对NDVI的影响

根据2000年和2015年土地利用,本文分析了研究区16年来土地利用转移情况,并分区统计不同土地利用转移状态下的Theil Sen斜率值（表3）。本文发现研究区土地利用较为稳定,土地利用发生转移的比例较低,土地利用转移对植被恢复的贡献有限。植被恢复主要来自草地和耕地本身的植被覆盖度提升。

Tab. 3
表3
表32000—2015年研究区土地利用转移及Theil Sen斜率值变化
Tab. 3Land use transfer and Theil Sen slope change in the study area from 2000 to 2015

景观单元	土地利用变化	占比(%)	Theil Sen斜率值
风沙区	草地→草地	46.10	0.0086
	沙地→沙地	26.81	0.0086
	耕地→耕地	9.51	0.0092
平原区	耕地→耕地	67.99	0.0024
	建筑用地→建筑用地	10.54	0.0011
	耕地→建筑用地	6.81	-0.0031
黄土高塬沟壑区	耕地→耕地	54.96	0.0081
	草地→草地	24.36	0.0109
土石山区	林地→林地	47.68	0.0046
	草地→草地	23.57	0.0081
	耕地→耕地	12.90	0.0091
	草地→林地	9.38	0.0042
黄土丘陵沟壑区	草地→草地	40.69	0.0121
	耕地→耕地	36.22	0.0123
	林地→林地	7.83	0.0103
	耕地→草地	5.38	0.0135

注：只统计面积比例大于5%的土地利用转移类型。

新窗口打开|下载CSV

3.5 NDVI与水文因子相关性分析

人类活动的增强是2000年以来黄河输沙量锐减的主要原因^[23,24,25]。流域径流和输沙过程对植被恢复和降水量之间存在着复杂的响应关系^[10-11,26]。理论上植被恢复可以增加水的滞蓄量并且减少土壤侵蚀^[27,28]。本文选择位于头道拐—潼关区间的20个一级支流,使用偏相关分析,分析降水量变化和植被恢复对流域水沙过程的影响。结果表明,对于多数流域来讲,降水量仍然是径流的主要影响因素,且呈正相关关系,和NDVI呈负相关。输沙量同时受到降水量和植被的影响,和NDVI呈负相关,和降水量呈正相关。而对于含沙量来讲,和NDVI呈现出较强的负相关关系,而与降水量的相关性较弱（表4）。根据相关分析,本文发现,植被对输沙量的影响高于对径流量的影响。

Tab. 4
表4
表4水文因子与植被和降水量的偏相关系数
Tab. 4Partial correlation coefficients between hydrological factors and NDVI and precipitation

流域/站点	水文因子	NDVI	年降水量	流域/站点	水文因子	NDVI	年降水量
皇甫川/ 皇甫	径流量	-0.35	0.73**	清涧河/ 延川	径流量	-0.30	0.35
	输沙量	-0.55*	0.62*		输沙量	-0.31	0.07
	含沙量	-0.68**	-0.02		含沙量	-0.48	0.12
县川河/ 旧县	径流量	-0.41	0.36	昕水河/ 大宁	径流量	-0.13	0.77**
	输沙量	-0.33	0.24		输沙量	-0.82**	0.50
	含沙量	-0.39	0.16		含沙量	-0.86**	0.05
孤山川/ 高石崖	径流量	-0.58*	0.86**	延河/ 甘谷驿	径流量	-0.29	0.73**
	输沙量	-0.80**	0.66**		输沙量	-0.46	0.27
	含沙量	-0.88**	0.36		含沙量	-0.54*	0.07
朱家川/ 桥头	径流量	-0.30	0.63*	仕望川/ 大村	径流量	0.65*	0.81**
	输沙量	-0.43	0.53*		输沙量	0.19	0.26
	含沙量	-0.36	0.25		含沙量	-0.06	0.15
窟野河/ 温家川	径流量	-0.15	0.72**	洛河/ 刘家河	径流量	-0.60*	0.90**
	输沙量	-0.90**	0.80**		输沙量	-0.52*	0.85**
	含沙量	-0.88**	0.61*		含沙量	-0.40	0.75**
秃尾河/ 高家川	径流量	-0.56*	0.34	葫芦河/ 张村驿	径流量	0.70*	0.56*
	输沙量	-0.53*	0.17		输沙量	0.64*	0.84**
	含沙量	-0.51*	0.15		含沙量	-0.39	0.48
汾河/ 静乐	径流量	0.86**	0.12	马莲河/ 雨落坪	径流量	-0.42	0.75**
	输沙量	-0.73**	0.60*		输沙量	-0.59*	0.67**
	含沙量	-0.77**	0.51		含沙量	-0.43	0.27
佳芦河/ 申家湾	径流量	-0.06	0.74**	泾河/ 杨家坪	径流量	-0.09	0.59*
	输沙量	-0.50*	0.79**		输沙量	-0.72**	0.62*
	含沙量	-0.72**	0.79**		含沙量	-0.61*	0.18
湫水河/ 林家坪	径流量	-0.11	0.54*	渭河/ 秦安	径流量	0.50**	0.91**
	输沙量	-0.20	0.27		输沙量	-0.76**	0.73**
	含沙量	-0.33	0.23		含沙量	-0.68**	0.06
大理河/ 绥德	径流量	-0.44	0.68**	渭河/ 武山	径流量	0.66**	0.92**
	输沙量	-0.59*	0.61*		输沙量	-0.25	0.45
	含沙量	-0.62*	0.56*		含沙量	-0.50	0.07

注：^**表示在0.01水平上显著相关;^*表示在0.05水平上显著相关;计算水文要素和NDVI的偏相关系数时,降水量为控制变量,计算水文要素和降水量的偏相关系数时NDVI为控制变量。

新窗口打开|下载CSV

4 讨论

4.1 植被恢复对河流输沙量影响

大量研究表明,植被恢复是2000年以来黄河输沙量降低的主要影响因素^{[9-11, 29-30]}。植被恢复可以显著降低土壤侵蚀,进而影响河流输沙量。根据公式（7）,本文计算了黄河中游7条典型支流2000—2018年的土壤侵蚀量,与输沙量进行回归（图6）。除了北洛河、无定河以及窟野河相关系数高于0.50外,其余河流的相关系数均较低,显示除了土壤侵蚀模数,河流输沙量的变化还存在着其他的影响因素。另外,植被恢复对重力侵蚀也有影响,进而影响到河流输沙量。主要表现在：随着植被恢复,根系更为发育,根系越发达则抑制重力侵蚀的能力越强。但另一方面,植被恢复过程中,随着土壤理化性质改善和根系生长挤压、穿插土壤的影响,土壤入渗性能增强,降雨时土壤水分增加速度加快,导致土壤内摩擦力减少,增大发生崩塌和滑坡的风险^[31]。但是,在流域尺度上,重力侵蚀如何影响河流输沙量,目前的研究还较少。有室内研究表明,大暴雨下植被恢复会增加滑坡体积,但是会降低崩塌和泥流的体积^[32]。

图6

新窗口打开|下载原图ZIP|生成PPT
图6黄河中游典型支流土壤侵蚀量与输沙量关系

Fig. 6Relationship between amount of soil erosion and sediment load in typical tributaries of the middle reaches of the Yellow River



为了控制水土流失,研究区还有大量的工程措施,典型措施有淤地坝工程,河流输沙量变化除了和流域土壤侵蚀量直接相关外,还受到沟道工程拦沙影响。以河流输沙量为因变量,以土壤侵蚀量和淤地坝数量为自变量,根据单变量线性方程,计算了土壤侵蚀量和淤地坝数量对河流输沙量变化的贡献（表5）,土壤侵蚀量对河流输沙量的贡献率变化于39%~88%之间,贡献率最高的为北洛河。淤地坝贡献率变化于12%~61%,最高为窟野河。

Tab. 5
表5
表5土壤侵蚀模数和淤地坝建设对河流输沙量影响
Tab. 5Influence of soil erosion modulus and check dam construction on river sediment load

因素	窟野河	无定河	延河	汾河	北洛河	泾河	渭河
土壤侵蚀模数	0.39	0.71	0.51	0.71	0.88	0.47	0.69
淤地坝数量	-0.61	-0.29	-0.49	-0.29	-0.12	-0.53	-0.31

新窗口打开|下载CSV

4.2 未来头道拐—潼关区间植被恢复情况

根据2000—2018年植被恢复速度,本文对头道拐—潼关区间未来植被变化趋势进行预测。预测需要先确定每个像元的NDVI上限值,即植被恢复潜力值,当植被恢复达到该上限值后,NDVI不再增加。植被恢复潜力参考文献[33]进行确定：将5个景观单元（风沙区,平原区,黄土高塬沟壑区,土石山区,黄土丘陵沟壑区）、2个坡度分级（缓坡0~15°、陡坡> 15°）以及9个降水量分区（< 350 mm、350~400 mm、400~450 mm、450~500 mm、500~550 mm、550~600 mm、600~650 mm、650~700 mm、> 700 mm）叠加形成90个单元,统计每个单元的95%分位的NDVI值,作为该单元的NDVI上限值。

使用2000—2018年NDVI的Theil Sen斜率值分析未来植被变化情况发现,2000年和2010年研究区的NDVI值分别为0.50和0.61,根据预测结果,到2020年头道拐—潼关区间NDVI值将达到0.68,2030年达到0.75,2040年达到0.79,2050年达到0.80（图7）。

图7

新窗口打开|下载原图ZIP|生成PPT
图7头道拐—潼关区间未来NDVI预测

Fig. 7Prediction of future NDVI in the Toudaoguai-Tongguan section of the Yellow River



NDVI的变化趋势结合公式（8）和公式（9）发现,2016—2018年研究区作物覆盖—管理因子（C）平均为0.0887,2020年降为0.0825,2030年降为0.0608,2040年降为0.0515,2050年降为0.0472。因此,在降水量条件不变的情况下随着植被的恢复,头道拐—潼关区间坡面侵蚀量在2020年、2030年、2040年以及2050年分别可降低7%、31%、42%以及47%。

5 结论

头道拐—潼关区间是黄河泥沙主要来源区,由于退耕还林以及封禁等大规模生态措施的实施,这一地区成为中国植被恢复最快的区域。快速的植被恢复使黄河的输沙量锐减。本文表明,头道拐—潼关区间82.87%的地区NDVI呈显著增加趋势（p < 0.05）。随着降水量的增加,NDVI和降水量的相关性降低。头道拐—潼关区间土地利用转移对植被恢复的贡献有限,植被恢复主要来自草地和耕地自身植被覆盖度提升。在植被恢复背景下,降水量仍然是径流的主要影响因素,输沙量同时受到降水量和植被的影响。随着植被覆盖度的增加,流域土壤侵蚀量降低,河流输沙量也呈降低趋势,土壤侵蚀量对河流输沙量的贡献率变化于39%~88%之间。本文预测了头道拐—潼关区间未来30年的植被恢复情况,随着植被覆盖度的增加,未来该地区坡面土壤侵蚀模数会进一步降低。

致谢：

感谢刘宝元老师课题组提供了研究区土壤侵蚀性K值计算成果;感谢西北大学杨勤科老师和庞国伟老师对本文提出的修改意见;感谢审稿专家的宝贵意见。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Fu B J, Wang S, Liu Y, et al. Hydrogeomorphic ecosystem responses to natural and anthropogenic changes in the Loess Plateau of China
Annual Review of Earth and Planetary Sciences, 2017,45(1):223-243.
DOI:10.1146/annurev-earth-063016-020552URL [本文引用: 1]

[2] Smith T M, Shugart H H, Bonan G B, et al. Modeling the potential response of vegetation to global climate change
Advances in Ecological Research, 1992,22:93-116.
[本文引用: 1]

[3] Beerling D J. Long-term responses of boreal vegetation to global change: An experimental and modelling investigation
Global Change Biology, 1999,5(1):55-74.
DOI:10.1046/j.1365-2486.1998.00209.xURL [本文引用: 1]

[4] Gonsamo A, Chen J M. Circumpolar vegetation dynamics product for global change study
Remote Sensing of Environment, 2016,182:13-26.
DOI:10.1016/j.rse.2016.04.022URL [本文引用: 1]

[5] Zeppel M J B, Wilks J V, Lewis J D. Impacts of extreme precipitation and seasonal changes in precipitation on plants
Biogeosciences, 2014,11(11):3083-3093.
DOI:10.5194/bg-11-3083-2014URL [本文引用: 1]

[6] Seddon A, Macias-Fauria M, Long P, et al. Sensitivity of global terrestrial ecosystems to climate variability
Nature, 2016,531(7593):229-232.
DOI:10.1038/nature16986URL [本文引用: 1]

[7] Chen C, Park T, Wang X H, et al. China and India lead in greening of the world through land-use management
Nature Sustainability, 2019,2:122-129.
DOI:10.1038/s41893-019-0220-7PMID:30778399 [本文引用: 1]
Satellite data show increasing leaf area of vegetation due to direct (human land-use management) and indirect factors (climate change, CO fertilization, nitrogen deposition, recovery from natural disturbances, etc.). Among these, climate change and CO fertilization effect seem to be the dominant drivers. However, recent satellite data (2000-2017) reveal a greening pattern that is strikingly prominent in China and India, and overlapping with croplands world-wide. China alone accounts for 25% of the global net increase in leaf area with only 6.6% of global vegetated area. The greening in China is from forests (42%) and croplands (32%), but in India is mostly from croplands (82%) with minor contribution from forests (4.4%). China is engineering ambitious programs to conserve and expand forests with the goal of mitigating land degradation, air pollution and climate change. Food production in China and India has increased by over 35% since 2000 mostly due to increasing harvested area through multiple cropping facilitated by fertilizer use and surface/ground-water irrigation. Our results indicate that the direct factor is a key driver of the "Greening Earth", accounting for over a third, and likely more, of the observed net increase in green leaf area. They highlight the need for realistic representation of human land-use practices in Earth system models.

[8] Murray S J, Foster P N, Prentice I C . Future global water resources with respect to climate change and water withdrawals as estimated by a dynamic global vegetation model
Journal of Hydrology, 2012,448/449:14-29.
DOI:10.1016/j.jhydrol.2012.02.044URL [本文引用: 1]

[9] Xin Z B, Yu X X. Impact of vegetation restoration on hydrological processes in the middle reaches of the Yellow River, China
Forestry Studies in China, 2009,11(4):209-218.
DOI:10.1007/s11632-009-0037-yURL [本文引用: 2]

[10] Ouyang W, Hao F H, Skidmore A K, et al. Soil erosion and sediment yield and their relationships with vegetation cover in upper stream of the Yellow River
Science of the Total Environment, 2010,409(2):396-403.
DOI:10.1016/j.scitotenv.2010.10.020URL [本文引用: 2]

[11] Wang S, Fu B J, Piao S L, et al. Reduced sediment transport in the Yellow River due to anthropogenic changes
Nature Geoscience, 2016,9(1):38-41.
DOI:10.1038/ngeo2602URL [本文引用: 3]

[12] Hao Z X, Zheng J Y, Ge Q S. Precipitation cycles in the middle and lower reaches of the Yellow River (1736-2000)
Journal of Geographical Sciences, 2008,18(1):17-25.
DOI:10.1007/s11442-008-0017-5URL [本文引用: 1]

[13] Wang Jianbang, Zhao Jun, Li Chuanhua, et al. The spatial-temporal patterns of the impact of human activities on vegetation coverage in China from 2001 to 2015
Acta Geographica Sinica, 2019,74(3):504-519.
[本文引用: 1]

[ 王建邦, 赵军, 李传华, 等. 2001—2015年中国植被覆盖人为影响的时空格局
地理学报, 2019,74(3):504-519.]
[本文引用: 1]

[14] Zheng Jingyun, Yin Yunhe, Li Bingyuan. A new scheme for climate regionalization in China
Acta Geographica Sinica, 2010,65(1):3-12.
[本文引用: 1]

[ 郑景云, 尹云鹤, 李炳元. 中国气候区划新方案
地理学报, 2010,65(1):3-12.]
[本文引用: 1]

[15] Didan K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m SIN Grid V006 [Dataset]
NASA EOSDIS LP DAAC. 2015. DOI: http://www.geog.com.cn/article/2021/0375-5444/10.5067/MODIS/MOD13Q1.006.
URL [本文引用: 1]

[16] Liu J Y, Kuang W H, Zhang Z X, et al. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s
Journal of Geographical Sciences, 2014,24(2):195-210.
DOI:10.1007/s11442-014-1082-6URL [本文引用: 1]

[17] Hensel D, Frans L. Regional Kendall test for trend
Environmental Science and Technology, 2006,40(13):4066-4073.
DOI:10.1021/es051650bURL [本文引用: 1]

[18] Sen P K. Estimates of regression coefficient based on Kendall's tau. Journal of the
American Statistical Association. 1968,63(324):1379-1389.
DOI:10.1080/01621459.1968.10480934URL [本文引用: 1]

[19] Zhang Wenbo, Xie Yun, Liu Baoyuan. Rainfall erosivity estimation using daily rainfall amounts
Scientia Geographica Sinica, 2002,22(6):705-711.
[本文引用: 1]

[ 章文波, 谢云, 刘宝元. 利用日雨量计算降雨侵蚀力的方法研究
地理科学, 2002,22(6):705-711.]
[本文引用: 1]

[20] Liu Baoyuan, Liang Yin, Cao Longxi, et al. Grid data on soil erodibility in China
National Earth System Science Data Center,National Science & Technology Infrastructure of China, 2018.
[本文引用: 1]

[ 刘宝元, 梁音, 曹龙熹, 等. 中国土壤可蚀性因子K栅格数据集
国家科技基础条件平台: 国家地球系统科学数据中心, 2018.]
[本文引用: 1]

[21] Zhang H M, Yang Q K, Li R, et al. Extension of a GIS procedure for calculating the RUSLE equation LS factor
Computers & Geosciences, 2013,52:177-188.
DOI:10.1016/j.cageo.2012.09.027URL [本文引用: 1]

[22] Jiang Zhongshan, Wang Zhiqiang, Liu Zhi. Quantitative study on spatial variation of soil erosion in a small watershed in the loess hilly region
Journal of Soil and Water Conservation, 1996,1:1-9.
[本文引用: 1]

[ 江忠善, 王志强, 刘志. 黄土丘陵区小流域土壤侵蚀空间变化定量研究
土壤侵蚀与水土保持学报, 1996,1:1-9.]
[本文引用: 1]

[23] Miao C Y, Ni J R, Borthwick A G L, et al. A preliminary estimate of human and natural contributions to the changes in water discharge and sediment load in the Yellow River
Global and Planetary Change, 2011,76(3/4):196-205.
DOI:10.1016/j.gloplacha.2011.01.008URL [本文引用: 1]

[24] Wang S, Fu B J, Liang W, et al. Driving forces of changes in the water and sediment relationship in the Yellow River
Science of the Total Environment, 2017,576:453-461.
DOI:10.1016/j.scitotenv.2016.10.124URL [本文引用: 1]

[25] Wei Y H, Jiao J Y, Zhao G J, et al. Spatial-temporal variation and periodic change in streamflow and suspended sediment discharge along the mainstream of the Yellow River during 1950-2013
Catena, 2016,140:105-115.
DOI:10.1016/j.catena.2016.01.016URL [本文引用: 1]

[26] Xu G C, Zhang J X, Li P, et al. Vegetation restoration projects and their influence on runoff and sediment in China
Ecological Indicators, 2018,95(1):233-241.
DOI:10.1016/j.ecolind.2018.07.047URL [本文引用: 1]

[27] Sun G, Zhou G Y, Zhang Z Q, et al. Potential water yield reduction due to forestation across China
Journal of Hydrology, 2006,328(3/4):548-558.
DOI:10.1016/j.jhydrol.2005.12.013URL [本文引用: 1]

[28] Chen L D, Wang J P, Wei W, et al. Effects of landscape restoration on soil water storage and water use in the Loess Plateau region, China
Forest Ecology and Management, 2010,259(7):1291-1298.
DOI:10.1016/j.foreco.2009.10.025URL [本文引用: 1]

[29] Gao G Y, Zhang J J, Liu Y, et al. Spatio-temporal patterns of the effects of precipitation variability and land use/cover changes on long-term changes in sediment yield in the Loess Plateau, China
Hydrology and Earth System Sciences, 2017,21(9):4363-4378.
DOI:10.5194/hess-21-4363-2017URL [本文引用: 1]

[30] Zhang J J, Gao G Y, Fu B J, et al. Formulating an elasticity approach to quantify the effects of climate variability and ecological restoration on sediment discharge change in the Loess Plateau, China
Water Resources Research, 2019,55(11):9604-9622.
DOI:10.1029/2019WR025840URL [本文引用: 1]

[31] Zhang G H, Tang K M, Ren Z P, et al. Impact of grass root mass density on soil detachment capacity by concentrated flow on steep slopes
American Society of Agricultural and Biological Engineer, 2013,56(3):927-934.
[本文引用: 1]

[32] Gao H, Xu X Z, Zhang H W, et al. How effective is vegetation in reducing gravity erosion on loess gully sidewall under intense rainfalls?
Land Degradation & Development, 2020: 31(17):2605-2619.
DOI:10.1002/ldr.v31.17URL [本文引用: 1]

[33] Gao Haidong, Pang Guowei, Li Zhanbin, et al. Evaluating the potential of vegetation restoration in the Loess Plateau
Acta Geographica Sinica, 2017,72(5):863-874.
[本文引用: 1]

[ 高海东, 庞国伟, 李占斌, 等. 黄土高原植被恢复潜力研究
地理学报, 2017,72(5):863-874.]
[本文引用: 1]