偏最小二乘（PLS）回归方法在中国东部植被变化归因研究中的应用

引用本文

侯美亭, 胡伟, 乔海龙, 李伟光, 延晓冬. 偏最小二乘（PLS）回归方法在中国东部植被变化归因研究中的应用.自然资源学报, 2015,30(3): 409-422
HOU Mei-ting, HU Wei, QIAO Hai-long, LI Wei-guang, YAN Xiao-dong. Application of Partial Least Squares (PLS) Regression Method in Attribution of Vegetation Change in Eastern China.JOURNAL OF NATURAL RESOURCES,2015,30(3): 409-422 复制到剪切板

Permissions

《自然资源学报》编辑部所有

偏最小二乘（PLS）回归方法在中国东部植被变化归因研究中的应用

侯美亭¹, 胡伟², 乔海龙³, 李伟光⁴, 延晓冬^5,^*

1. 中国气象局气象干部培训学院,北京 100081,中国

2. Department of Soil Science, University of Saskatchewan, Saskatoon, SK S7N 5A8, Canada

3. 江苏沿海地区农业科学研究所,江苏盐城 224002,中国

4. 海南省气象科学研究所,海口 570203,中国

5. 北京师范大学,北京 100875,中国

*通信作者简介：延晓冬（1962- ）,男,陕西绥德人,研究员,主要从事生态气候学与地球系统模拟研究。E-mail:yxd@bnu.edu.cn

第一作者简介：侯美亭（1982- ）,男,河南清丰人,博士,主要从事环境遥感和全球变化研究。E-mail:hmt567@gmail.com

收稿日期:2014-03-04 网络出版日期:2015-03-23

基金:国家自然科学基金项目（41201044）; 山西省气象局重点课题（SXKYBQH20127410）; 国家公益性行业（气象）科研专项（GYHY201406020）; 干旱气象科学研究基金（IAM201212）

摘要

植被变化往往受到不同气候变量的综合作用,人类活动影响又使得植被对气候响应变得更为复杂,如何准确判别各种影响因素的相对重要性是植被变化归因研究中的一个关键点。研究基于偏最小二乘（PLS）回归方法,使用1982—2006年的归一化植被指数（NDVI）数据,分析了降水、气温、日照、相对湿度和风等气候变量对中国东部植被变化的相对影响,并选取了NDVI变化较为典型的区域,量化了农业活动对该地区植被变化的相对贡献。PLS回归方法兼具了主成分分析和多元回归的优点,克服了众多自变量之间存在强烈交互相关导致的多元共线性问题。研究结果表明：① 1982—2006年间,中国东部逐月NDVI的年际变化呈现出明显的南北差异。在12、1—5月,NDVI以显著上升为主,上升区域主要位于淮河以北。在6—10月,NDVI以显著下降为主,下降区域主要为淮河以南的部分区域,特别是6月江苏一带NDVI的大范围下降尤为明显。不过与NDVI发生显著变化的区域相比,更多区域的NDVI在各月并没有出现显著变化。② 在NDVI显著上升的站点,对NDVI变化最具解释意义的气候变量为气温,特别是冬末春初（2—3月）的升温对黄淮海区域NDVI的显著上升具有主导控制作用。而对于NDVI显著下降的站点,多数都不能从气候角度解释这些区域的NDVI变化。③ 江苏省NDVI在6月出现的大范围显著下降,与农业种植结构的调整,主要是棉花种植面积的减少以及油菜面积的增加具有显著关系。

关键词: 偏最小二乘回归; 植被变化; 中国东部

中图分类号:Q948.1 文献标志码:A 文章编号:1000-3037(2015)03-0409-14

Application of Partial Least Squares (PLS) Regression Method in Attribution of Vegetation Change in Eastern China

HOU Mei-ting¹, HU Wei², QIAO Hai-long³, LI Wei-guang⁴, YAN Xiao-dong⁵

1. China Meteorological Administration Training Centre, Beijing 100081, China

2. Department of Soil Science, University of Saskatchewan, Saskatoon, SK S7N 5A8, Canada

3. Institute of Agricultural Sciences in the Coastal Area in Jiangsu, Yancheng 224002, China

4. Hainan Institute of Meteorological Science, Haikou 570273, China

5. Beijing Normal University, Beijing 100875, China

Abstract

Vegetation change is generally caused by the combined effects of various climate variables, which is further complicated by the impacts of human activities. Assessing the importance of each explanatory variable is critical for the study of vegetation change attribution. The responses of vegetation to temperature and precipitation in eastern China have been widely explored in previous studies. However, less attention has been paid to the influence of other climate variables in vegetation change. In this study, we introduced a statistical method called partial least squares (PLS) to investigate the relative importance of different climate variables. The PLS regression, combining features of principal components analysis (PCA) and multiple regression, overcomes the multicollinearity problem which arises when two or more explanatory variables in a multiple regression model are highly correlated. Using GIMMS NDVI products and PLS method, we first investigated the relative effects of different climate variables (temperature, precipitation, sunrise, relative humidity, wind) on vegetation change in eastern China from the period 1982 to 2006. Then, the relative contribution of anthropogenic factors on the vegetation change was quantified in the region of Jiangsu Province where vegetation shows distinctive changes. The results indicated that: 1) there were distinct north -south differences among interannual variations of monthly NDVI in eastern China in the period of 1982-2006. A significant increase of NDVI was found in December through May in some areas north to the Huaihe River, while the drop of NDVI occurred in June through October in some areas south to the Huaihe River; 2) in the areas with significantly increased NDVI, the greatest contributor was temperature and it had the most significant effect on the increase of NDVI. In particular, the temperature rise could play a dominant role in driving the increase of NDVI in the Huang-Huai-Hai Plain in late winter and early spring (February-March). The decrease in NDVI, by contrast, might not be attributed to climate factors in many areas. However, it should be noted that there was no obvious change in NDVI trends in many parts of eastern China compared with the areas suffering significant NDVI change; 3) Jiangsu Province was mainly characterized by a significant decline of NDVI in June from 1982 to 2006. However, such large regional concentration of NDVI change was not observed in other months and regions. Statistical analysis showed that the agricultural structural adjustment played a key role in controlling the NDVI change in June in Jiangsu Province. The decline of NDVI in June was mainly attributed to the decrease in sown area of cotton across a large spatial extent.

Keyword: Partial Least Squares (PLS) Regression; vegetation change; eastern China

Show Figures

近几十年来, 气候变暖对全球许多区域的植被产生了不同程度的影响, 这已经得到了研究者的广泛关注^{[1, 2, 3]}。但是, 以往研究在分析植被对气候响应时, 通常仅考虑气温和降水两种因子对植被的影响^{[4, 5, 6]}, 而忽视了其他气候变量（如辐射、湿度）的作用。而且, 在人类活动剧烈的区域, 植被变化往往同时受到了气候和人为因素的双重影响, 如何准确判别植被变化各种可能影响因素的相对重要性, 以及分离并量化不同气候变量以及人类活动在植被变化中的相对贡献, 一直是此类研究中的一个难点^[7]。

若将植被作为因变量, 不同气候变量及其他因素作为自变量, 则可以通过回归等统计方法对植被变化进行归因分析。以往研究也大都是利用普通的回归与相关方法^{[1, 2, 3, 4, 5, 6]}分析植被变化的影响因素, 也有少数研究采用了经验正交函数分解（EOF）^[8]、主成分分析（PCA）^[9]、奇异值分解（SVD）^[10]等方法通过分析植被、气候变化的典型模态来寻找它们之间的相关关系。然而, 这些方法都存在一定的弊端, 例如, 不同气候变量之间往往存在显著的交互相关, 这种交互相关会导致基于普通回归方法得到的结果存在偏差, 而EOF、SVD方法更适用于处理格点数据, 并不适于寻找影响植被变化的除气候以外的其他原因（如人类活动）。与上述方法相比, 一种最初多应用于化学计量学领域的偏最小二乘（Partial Least Squares, PLS）回归方法兼具了主成分分析和多元回归的优点, 克服了众多自变量之间存在强烈交互相关导致的多元共线性问题^[11], 更适合于植被变化归因研究。在近年来有关植被对气候变化的响应研究中, 该方法已有所应用, 但相对较少^{[12, 13]}。

在人为活动尤为剧烈的中国东部, 除气候因素以外, 农业活动和城市建设是人类对植被产生影响的最重要的两种方式, 其中, 近些年来迅速的城市化进程已经对植被覆盖带来了明显的影响^[14]。而同城市建设用地扩张导致植被覆盖减少的直接变化相比, 农业活动对植被的影响更为复杂。例如, 大面积的灌溉农田通常不会受到水分胁迫或降水波动的影响^[15], 化肥投入与农田植被生长具有正相关关系^[16]。然而, 可能鉴于有关农业活动数据的可利用性较差, 目前依然少有研究关注如何准确量化农业活动对植被变化的贡献。

本研究利用基于遥感的归一化植被指数（NDVI）数据和来自气象站点的气候观测数据, 首先提取了1982— 2006年间中国东部逐月NDVI的变化特征; 然后利用PLS回归方法, 分析了降水、气温、日照、相对湿度和风速等不同气候变量在中国东部植被变化中的相对作用; 最后选取了NDVI在6月发生大范围集中下降的江苏省作为特别关注样区, 量化了农业活动对植被变化的相对贡献。

1 数据与方法

1.1 数据

1.1.1 植被数据

植被数据来自于GIMMS数据集^[17], GIMMS NDVI数据是目前最为常用的植被指数数据集之一, 时间覆盖长度为1982— 2006年, 空间分辨率为8 km。在提取NDVI时, 选取了以气象站点为中心的24 km× 24 km内的所有像元植被指数的平均值, 这是常用的评估局地植被变化的方法, 可以有效使用具有较低空间分辨率的GIMMS数据^[18]。

GIMMS数据源于NOAA系列的不同卫星, 其使用了同期的SPOT数据（SPOT与NOAA-14和NOAA-16有20个月的时间重叠）作为参照进行了不同卫星系列像元间的相互校准, 建立了不同时间序列数据的转换系数, 从而融合了NOAA 7-14和NOAA-16、NOAA 17的数据。使用SeaWiFS进行传感器相互校准的最新的GIMMS-NDVI3g版本数据已经有所应用^[19], 但目前GIMMS工作组并未将该版本公开发布。

1.1.2 气候数据

为尽可能清楚地理解不同气候变量在NDVI变化中的作用, 本研究特别使用了近30 a来土地利用类型未发生变化的气象站点的观测数据, 以去除土地利用变化对NDVI带来的直接影响。这也是考虑到土地利用变化在栅格上是一种二值型变量, 尽管有多种方法可以将其线性化处理, 但都存在一定局限^{[20, 21]}。因此, 在进行PLS分析时, 不宜将其与基于站点的气象观测数据放在一起来处理。

在分析近30 a来土地利用变化时, 本研究利用了1990和2005年中国1 km格网土地利用数据集^{[22, 23]}, 并使用20世纪70年代末植被数据图集^[24]作为参考, 通过叠加分析, 找出了土地利用未发生变化的区域^{[25, 26]}。然后, 以中国东部各气象站点为中心, 当各站点周边24 km× 24 km范围内主要土地利用类型未发生变化时, 认为其所对应的气象站点土地利用未发生变化, 选取这些站点为分析对象, 图1显示了这些站点的空间分布和土地利用类型。各站点气候数据由国家气象信息中心提供。在所使用的气候数据中, 部分站点的数据存在空值现象, 存在空值的站点将不参与分析。

	Figure Option View Download New Window
	图1 中国东部的范围和气象站点（黑色圆点表示）的空间分布注：右图上的1、2、3分别代表各站点所属的耕地、林地和草地等不同土地利用类型。Fig. 1 Extent of eastern China (left), and spatial distribution of the weather stations (indicated with black dots)

不同于以往此类研究大都仅考虑气温和降水两种因子, 本研究考虑了降水、气温、日照百分率、相对湿度和风速共5种气候变量对植被的可能影响。在这5种气候变量中, 气温和降水对植被变化的重要影响已经广受关注。但是, 日照（或辐射）为植物光合作用提供了能量来源, 其对植被的影响并不亚于气温和降水, 只是具有辐射观测的站点数量明显偏少, 难以获得足够的辐射数据, 这也许是研究较少考虑辐射影响的原因^[27]。鉴于日照百分率与辐射的相关关系^[28], 本研究使用日照百分率来反映辐射特征。而相对湿度作为一种重要的气象要素, 不仅与地表温度、水汽条件直接相关, 可一定程度上反映一个地区的干湿状况, 而且其与植被之间存在交互影响^[29]。Funk和Brown^[30]在构建NDVI预测模型时就将相对湿度作为了一个输入变量。因此, 在分析植被对气候的响应时, 不应忽视相对湿度的作用。有关风速与植被之间关系的研究并不多见, 已有研究证实了北半球植被增加对风速的影响^[31], 但风速对植被的驱动作用可能具有更强的局地性特征^{[32, 33]}, 故本研究也将风速作为一种影响因子考虑进来。

1.2 方法

使用PLS回归方法, 寻找了对植被变化具有重要解释意义的影响因子; 利用Mann-Kendall检验方法, 分析了典型样区NDVI及其解释因子的时间变化趋势。

1.2.1 PLS回归方法

PLS回归方法的具体计算步骤见文献^[11], 这里仅介绍由PLS方法得到的一个重要判别指标— — 变量投影重要性（Variable importance in the projection, VIP）值的计算方法。根据VIP值的大小, 可以确定在具有多重共线性的不同自变量中, 哪些是对因变量最具有解释意义的自变量。

对于用来解释因变量y_k的第j个自变量x_j, 其VIP值的计算公式如下^[34]：

$\begin{matrix} VI P_{j} = {\{p \overset{m}{\sum_{h = 1}} \sum^{} R^{2} (y_{k}, t_{h}) w_{hj}^{2} / \overset{m}{\sum_{h = 1}} \sum^{} R^{2} (y_{k}, t_{h})\}}^{\frac{1}{2}} \end{matrix}$ （1）

式中：p表示自变量个数, m表示从自变量中提取的成分个数, k表示第k个因变量（本研究只有一个因变量, k=1）, t_h表示自变量的第h个成分, $\begin{matrix} R^{2} (y_{k}, t_{h}) \end{matrix}$ 表示y_k与t_h之间的相关系数的平方, $\begin{matrix} w_{hj}^{2} \end{matrix}$ 表示自变量x_j对构造t_h成分的贡献权重。

一般认为, $\begin{matrix} VIP > 1 \end{matrix}$ 的自变量对于因变量具有显著的解释意义, $\begin{matrix} VIP \end{matrix}$ 值越大, 解释意义越显著; $\begin{matrix} 0.8 < VIP < 1 \end{matrix}$ 的自变量具有中等程度的解释意义; $\begin{matrix} VIP < 0.8 \end{matrix}$ 的自变量基本不具备解释意义^[35]。

1.2.2 Mann-Kendall检验

Mann-Kendall检验是一种基于秩的非参数检验方法, 用来评价序列的变化趋势, 无论变化趋势是线性或非线性, 皆可适用^[36]。Mann-Kendall检验不要求样本服从一定的分布, 也不受少数异常值的干扰。与参数检验方法相比, 这种非参数检验方法在处理偏态数据时表现优异^[37]。

对于具有n个样本量 $\begin{matrix} (x_{1}, x_{2}, \dots, x_{n}) \end{matrix}$ 的随机独立时间序列x, 定义统计量S为：

$\begin{matrix} S = \overset{n - 1}{\sum_{k = 1}} \overset{n}{\sum_{j = k + 1}} Sgn (x_{j} - x_{k}) \end{matrix}$ （2）

式中：x_j和x_k是数据序列x中连续的数据值, n是序列长度, Sgn定义为：

$\begin{matrix} Sgn (x_{j} - x_{k}) = \{\begin{matrix} 1 (x_{j} > x_{k}) \\ 0 (x_{j} = x_{k}) \\ - 1 (x_{j} < x_{k}) \end{matrix} \end{matrix}$ （3）

以不存在显著趋势为零假设, S的均值 $\begin{matrix} E (S) \end{matrix}$ 和方差 $\begin{matrix} V (S) \end{matrix}$ 为：

$\begin{matrix} E (S) = 0 \end{matrix}$ （4）

$\begin{matrix} V (S) = \frac{1}{18} \{n (n - 1) (2 n + 5) - \overset{n}{\sum_{i = 1}} t_{i} [(t_{i} - 1) (2 t_{i} + 5)]\} \end{matrix}$ （5）

Mann-Kendall检验的标准化统计量Z_MK定义为：

$\begin{matrix} Z_{MK} = \{\begin{matrix} \frac{S - 1}{\sqrt[]{V (S)}} \begin{matrix} \begin{matrix} (S > 0) \end{matrix} \end{matrix} \\ 0 \begin{matrix} \begin{matrix} \begin{matrix} \end{matrix} \end{matrix} & \begin{matrix} (S = 0) \end{matrix} \end{matrix} \\ \frac{S + 1}{\sqrt[]{V (S)}} \begin{matrix} \begin{matrix} (S < 0) \end{matrix} \end{matrix} \end{matrix} \end{matrix}$ （6）

当Z_MK为正时, 表示上升趋势; Z_MK为负时, 表示下降趋势。给定显著性水平α （α =0.05, Z_{1-α /2}=1.96; α =0.01, Z_{1-α /2}=2.576）, 若|Z_MK|> Z_{1-α /2}, 零假设将被拒绝, 表示存在显著趋势。

2 结果

2.1 植被的逐月变化趋势

图2显示了1982— 2006年间中国东部植被NDVI逐月变化趋势的空间分布格局。可以发现, 在12、1— 5月, NDVI显著上升的区域明显多于NDVI显著下降的区域, 且NDVI显著上升的区域主要位于淮河以北。在6— 10月, NDVI呈现显著下降的区域要多于NDVI显著上升的区域, 特别是在6— 8月的夏季时段, 这种状况最为明显, NDVI的下降主要发生在淮河以南。

	Figure Option View Download New Window
	图2 1982— 2006年间中国东部植被NDVI的逐月变化趋势注：NDVI发生显著变化（P< 0.05）的像元用彩色表示。Fig. 2 Monthly NDVI changes in eastern China from 1982 to 2006

NDVI从显著下降转变为显著上升的时间开始于11月, 尽管一年中11月NDVI出现显著变化的区域范围最小, 这种转变表现为：在11月, 大致位于淮河沿线的河南南部、安徽中部的一小片区域的NDVI开始出现上升趋势, 然后, 这种上升趋势逐渐向北发展, 尤其在2— 5月, NDVI上升趋势的逐月北移最为明显, 其中, 3月NDVI显著上升区域的分布范围最为广泛和集中, 主要位于黄淮平原。相比, 在6— 10月, NDVI的下降并没有太明显的空间发展规律, 且从分布上来看, 比较零散（6月除外）, 总体上, NDVI下降的最典型特征是6月江苏一带NDVI的突出集中下降。

2.2 气候对植被变化的解释意义

为了分析气候对植被变化的影响, 首先, 将图2中植被出现显著变化的区域进行了分区。这种分区基于以下考虑：本研究使用的气候资料来自观测站点, 而提取气候资料时, 如果直接将上升或下降区域看成一个整体进行站点平均, 那么可能会掩盖不同站点之间的差异, 因此, 通过分区将NDVI上升或下降区域划分成不同子区域进行研究, 将更符合实际。分区时, 主要考虑了NDVI显著变化区域所对应的不同气象站点的NDVI及与气候变量的相关性（同一变量在不同站点呈现显著相关时, 这些站点将被划为一个子区）、土地利用状况（土地利用类型一致）等因素。图2显示了分区结果, 上升区域用I、II、III等表示, 下降区域用A、B、C等表示, 进行下一步的PLS分析时, 这些子区将被看作一个整体进行对待。另外, 对于图2中出示的大多数月份NDVI都呈现出或多或少的下降趋势的珠江三角洲一带, 并没有将其包括在PLS分析中, 这主要考虑到近30 a来珠江三角洲的城市化进程的影响。而且, 图1中所示的近30 a土地利用没有发生变化的气象站点在珠江三角洲一带并无分布。

然后, 将各个子区中的气象站点数据及相应的NDVI分别进行平均, 利用PLS方法分析了不同气候变量对各月、各子区域植被变化的影响。PLS分析发现, 各月累计近2/3的子区域的NDVI变化不能归因于气候因素（表1）, 即所考虑的几种主要气候变量对这些子区域NDVI的变化缺乏显著影响, 这包括了在6月份江苏一带NDVI大范围连片下降的区域, 气候因素也没有解释意义。

表1 气候对NDVI变化具有或缺乏显著影响的相应月份和子区域汇总 Table 1 Summary of months and corresponding sub-regions with or without significant climate effects on NDVI change

对于气候对植被变化具有显著解释意义的相应月份的子区域, 图3 显示了其所对应的各气候变量的VIP值。由图3可以看出：对于冬末春初NDVI出现显著上升的大部分区域, 最有解释意义的气候变量是气温, 另外, 日照百分率对2— 3月某些子区域的NDVI上升也有较显著的解释意义, 其他气候变量的解释意义明显较弱或没有解释意义; 而对于夏季NDVI显著下降、秋季NDVI显著上升的区域, 各子区域、各月之间最有解释意义的气候变量差异较大, 缺乏明显规律。

	Figure Option View Download New Window
	图3 气候对植被变化具有显著影响的相应月份和子区域的各气候变量的VIP值Fig. 3 The VIP values of different climate variables in corresponding months and sub-regions with significant climate effects on NDVI change

图4显示了气候对NDVI变化具有显著影响区域的相应各月的PLS拟合参数, 其中, R²X(cum)表示所拟合的PLS模型对自变量的信息利用率, R²Y(cum)表示PLS模型对因变量的解释能力, Q²(cum)为交叉有效性, 表示PLS模型对新数据的预测准确性, 较大的Q²(cum)（大于0.5）表示模型预测准确度较高, 而当Q²(cum)< 0.05时, 表示模型没有显著意义。

	Figure Option View Download New Window
	图4 气候对NDVI变化具有显著影响区域的相应各月的PLS拟合参数Fig. 4 The PLS parameters in corresponding months and sub-regions with significant climate effects on NDVI change

由图4可以发现, 就拟合情况来看, 冬末春初（2— 3月）气候对NDVI变化的解释意义最为显著。图2已显示, 在冬季和春季, NDVI发生显著上升的区域主要是黄淮海平原, 该区域为小麦主产区, 分布有大面积的冬小麦, 冬末春初的2— 3月正是冬小麦返青的关键期, 与12— 1月的小麦休眠越冬期、返青后的4— 5月的快速生长成熟期相比, 气温在返青期的主导作用尤为明显。统计显示, 黄淮海区域这些NDVI显著上升的气象站点2— 3月的气温增幅也大于1月和4月, 这说明冬末春初的升温对这些站点NDVI的显著上升具有主导控制作用。PLS的拟合参数也显示, 在2— 3月, 特别是3月, R²X(cum)、R²Y(cum)、Q²(cum)的值明显都较高, 进一步表明以气温为主导的气候因素在该段时间内对NDVI的显著变化具有较为明显的贡献。

在夏季和秋季, 伴随着NDVI发生显著变化区域空间分布的无规律性以及范围的明显缩小, 不同气候因素在各子区域的解释意义也变得没有规律。如在NDVI变化的子区域分布较多且较分散的8月, 气候对NDVI下降具有显著影响的两个子区（8-B和8-E）, 图1显示这两个区域的植被类型皆为林地, 图3显示对这两个子区NDVI变化最具显著影响的气候变量皆为日照百分率, 气象数据显示, 日照近30 a在这两个子区域确实出现了下降, 且和NDVI具有显著相关（图略）。而在与8-B相距不远的同属湘西的8-C区域, 气候对NDVI变化却无显著影响, 分析显示, 该区域的日照下降幅度甚至大于8-B区域, 但日照和NDVI的确不存在相关（图略）。另外, 就算在日照对植被皆有显著影响的8-B和8-E区域, 二者的R²Y(cum)差异也比较明显（图略）, 这都暗示了气候因素对NDVI下降的影响具有更强的局地性。而且, 同春季相比, 夏、秋季的R²X(cum)、R²Y(cum)、Q²(cum)的值相对更低, 说明气候因素在这两个季节对植被变化的解释意义要弱于春季, NDVI变化受到了更多其他因素的影响。

2.3 农业活动对植被的影响

从图2及上一小节的分析结果来看, 总体上, 气候对中国东部NDVI的影响主要体现在冬末春初气温对黄淮海平原的主导影响上, 尽管如此, 这段时间也只有3月的三个子区域（3-I、3-II、3-VII）的气候对NDVI的解释能力超过50%。这表明, 在人类活动尤为活跃的中国东部, 人为因素对植被变化的影响非常强烈, 并且很大程度上超过了气候因素带来的影响。其中, 农业活动和城市化进程可能是对植被产生影响的最重要的两种人为因素。

同城市扩张导致土地利用/土地覆盖变化对植被带来的影响相比, 农业活动的影响更为复杂。这里选取1982— 2006年间植被变化尤为典型的一个例子, 即发生在6月的江苏省植被NDVI的大范围显著下降（图5）, 来分析农业活动对植被的影响。与其他区域、其他月份的植被变化相比, 江苏省6月NDVI的下降尤为突然, 空间分布也特别集中。而上一节的分析结果显示, 气候因素对该区域NDVI的下降没有显著解释意义, 考虑到该区域主要为平原区, 农业活动强烈, 因此, 该月NDVI的下降可能受到了农业活动的明显影响。

	Figure Option View Download New Window
	图5 1982— 2006年间6月NDVI的变化趋势Fig. 5 Change of NDVI in June in eastern China from 1982 to 2006

江苏省的主要土地利用类型为农田。实地调查发现, 江苏省当前的作物种植结构主要以水稻与小麦或油菜的轮作为主, 6月初一般为小麦的收获季节, 油菜的收获一般在5月底, 水稻的播种在6月中后期。调查获取的另一个重要信息是, 大概在20世纪90年代中期, 江苏省进行了大规模的农业种植结构调整, 棉花面积大幅减少, 而棉花蕾期通常在6月左右。因此, 6月NDVI的显著下降可能与上述这些作物的收获、播种或者种植面积变化有关。为此, 本研究统计了1982— 2006年间江苏省平均6月NDVI与历年主要农作物种植面积的相关关系（表2）。

表2 1982— 2006年间江苏省6月NDVI与主要农作物播种面积的相关系数 Table 2 Correlation coefficients between NDVI in June and sown areas of major crops in Jiangsu Province during the period 1982-2006

由表2可以发现, 6月NDVI与不同作物的种植面积都有显著的相关关系, 而不同作物的种植面积之间也存在显著的相关。鉴于各变量之间强烈的交互相关, 继续使用PLS-VIP方法来判断这些农作物的面积变化是否对NDVI具有显著解释意义。图6显示了不同农作物面积的VIP值, 可以发现, 对NDVI变化具有显著解释意义的农作物为棉花和油菜, PLS拟合结果[R²X(cum)=0.772, R²Y(cum)=0.564, Q²(cum)=0.525]也显示使用这几种作物面积作为自变量时, 对NDVI的变化具有很高的解释能力。

	Figure Option View Download New Window
	图6 不同农作物面积的VIP值Fig .6 The VIP values of the sown areas of different crops

图7显示了1982— 2006年6月份NDVI以及棉花、油菜历年种植面积的变化趋势, 可以看出, 与20世纪80年代、90年代前期相比, 3种变量在90年代中后期及以后的时段里发生了明显的变化：NDVI与棉花面积有所下降、油菜面积有所增加。Mann-Kendall检验的结果（图8）表明, 在1982— 2006年间, 6月NDVI的下降趋势大致开始于1995年, 棉花种植面积的下降也开始于1995年, 油菜种植面积的上升开始于1994年。3种变量的变化基本同步, 而且大致从1999年以来, 3种变量的变化趋势皆超过了0.05显著性水平。由此可进一步证实, 90年代中期的农业种植结构调整是影响全省6月份NDVI变化的主要因子。

	Figure Option View Download New Window
	图7 6月NDVI及棉花和油菜种植面积的年际变化Fig. 7 Time series of NDVI in June and sown areas of cotton and cole during the period 1982-2006

	Figure Option View Download New Window
	图8 6月NDVI及历年棉花和油菜种植面积的Mann-Kendall趋势变化Fig. 8 Mann-Kendall trends for NDVI in June and sown areas of cotton and cole during the period 1982-2006

根据江苏省农作物的生长发育规律, 在6月, 棉花的生长一般已进入蕾期, 同其他作物（如在6月播种的水稻、或6月初收获的小麦）相比, 蕾期棉花的NDVI显然较大。结合PLS-VIP方法以及Mann-Kendall检验的结果, 可判定棉花面积的减少是6月NDVI下降的主要原因。而且, 油菜的收获一般在5月底, 油菜面积的增加将会导致6月初农田里处于生长期的植被减少, 这也是6月NDVI减少的一部分原因。

3 结论与讨论

3.1 结论

（1）1982— 2006年间, 中国东部部分区域NDVI的逐月变化呈现出显著的上升或下降趋势, 并存在明显的时空分异特征。在12、1— 5月, NDVI以显著上升为主, 上升区域主要位于淮河以北。在6— 10月, NDVI以显著下降为主, 下降区域主要发生在淮河以南, 其中, 6月江苏一带NDVI的集中连片下降明显异于其他月份的NDVI下降特征。总体上, 同夏秋季节NDVI发生显著下降的区域相比, 冬春季节NDVI发生显著上升的区域在空间分布和时间演变上更具规律性。

（2）在NDVI显著上升的站点, 对NDVI变化最具解释意义的气候变量为气温, 特别是冬末春初（2— 3月）的升温对黄淮海区域NDVI的显著上升具有主导控制作用, 这个时段也正是冬小麦返青期。而对于NDVI发生显著下降的站点, 多数都不能从气候角度解释这些区域的NDVI下降, 在气候对NDVI下降具有显著影响的少数站点, 不同气候变量的解释意义在不同月份随这些站点在空间分布上的差异呈现出强烈的多变性。

（3）对于1982— 2006年间中国东部较为典型的一个NDVI变化特征, 即江苏省NDVI在6月份出现的大范围显著下降, 本研究发现其与农业种植结构的调整具有显著关系, 棉花种植面积的减少以及油菜面积的增加是该区域6月NDVI显著下降的主要原因。

3.2 讨论与展望

根据本研究获取的结论可以发现, 利用PLS回归方法能够很好地寻找出对植被变化具有显著解释意义的变量, 这些变量各自的重要性也能区分开来, 并且也量化了所选取的自变量对植被变化究竟具有多大的贡献。这表明, PLS回归方法对于植被变化归因研究的确是一种有效的工具, 值得推广。需特别注意的是, 在夏、秋季, 相对湿度、风速等变量的VIP值在一些子区域普遍偏高, 这些变量更可能受到植被反馈的影响, 毕竟, 植被与气候存在复杂的交互作用, 二者之间有时可能互为因果, 在PLS的基础上, 引入其他方法（如格兰杰因果检验）可能将更有意义, 这也是本研究下一步的工作。

从1982— 2006年间中国东部NDVI变化的空间分布来看, 与NDVI发生显著变化的区域相比, 更多区域的NDVI在各月并没有出现显著变化, 也就是说, 在中国东部普遍变暖的大背景下^[38], 尽管部分区域的植被响应于气候变暖, NDVI出现了显著上升, 但更多区域的植被并没有发生明显变化, 其原因需要进一步的研究。

在分析人类活动的作用时, 根据NDVI变化的典型特征, 本研究特别选取了6月NDVI出现显著下降的江苏省作为重点关注区, 而对于其他月份、其他区域, 并没有分析人为因素的影响。这一方面考虑到江苏省植被变化的代表性, 另一方面归结于人类活动数据的可利用性依然有限。另外, PLS回归结果显示, 本研究选取的各种自变量, 对因变量即植被变化的解释程度都不够高, 即便在农业活动对6月NDVI下降具有显著解释意义的江苏省, 其解释能力也没有超过60%, 而气候因素对植被变化的解释能力更低。这表明在人类活动剧烈的中国东部, 植被变化不可避免地受到了人为因素的强烈影响, 这种影响可能在东部的大部分区域已远远超过了气候对植被带来的影响。在以后此类研究中, 需要纳入更多的影响植被变化的因素, 特别是人为因素。

致谢：本研究在调查江苏省农田植被期间,得到了江苏省海门市科技局黄玮博士的大力帮助,特此感谢！

参考文献

View Option

[1]	Piao S L, Fang J Y, Ji W, et al. Variation in a satellite-based vegetation index in relation to climate in China[J]. Journal of Vegetation Science, 2004, 15: 219-226. [本文引用:2] [JCR: 2.818]
[2]	张戈丽, 徐兴良, 周才平, 等. 近30 年来呼伦贝尔地区草地植被变化对气候变化的响应[J]. 地理学报, 2011, 66(1): 47-58. [ZHANG Ge-li, XU Xing-liang, ZHOU Cai-ping, et al. Responses of vegetation changes to climatic variations in Hulun Buir grassland in past 30 years. Acta Geographica Sinica, 2011, 66(1): 47-58. ] [本文引用:2] [CJCR: 2.937]
[3]	陈怀亮, 徐祥德, 杜子璇, 等. 黄淮海地区植被活动对气候变化的响应特征[J]. 应用气象学报, 2009, 20(5): 513-520. [CHEN Huai-liang, XU Xiang-de, DU Zi-xuan, et al. Vegetation activity responses to climate change in the Huang-Huai-Hai area based on GIMMS NDVI dataset. Journal of Applied Meteorological Science, 2009, 20(5): 513-520. ] [本文引用:2] [CJCR: 1.379]
[4]	Piao S L, Fang J Y, Zhou L M, et al. Interannual variations of monthly and seasonal normalized difference vegetation index (NDVI) in China from 1982 to 1999[J]. Journal of Geophysical Research, 2003, 108(D14), 4401, doi: DOI:10.1029/2002JD002848. [本文引用:2]
[5]	Wu X, Liu H, Ren J, et al. Water-dominated vegetation activity across biomes in mid-latitudinal eastern China[J]. Geophysical Research Letters, 2009, 36, L04402, doi: DOI:10.1029/2008GL036940. [本文引用:2] [JCR: 3.982]
[6]	徐浩杰, 杨太保. 柴达木盆地植被生长时空变化特征及其对气候要素的响应[J]. 自然资源学报, 2014, 29(3): 398-409. [XU Hao-jie, YANG Tai-bao. Spatial-temporal variations of vegetation activities and its responses to climatic factors in the Qaidam Basin. Journal of Natural Resources, 2014, 29(3): 398-409. ] [本文引用:2] [CJCR: 2.407]
[7]	Seaquist J W, Hickler T, Eklundh L, et al. Disentangling the effects of climate and people on Sahel vegetation dynamics[J]. Biogeosciences, 2009, 6: 469-477. [本文引用:1] [JCR: 3.754]
[8]	Wang H, Liu D, Lin H, et al. NDVI and vegetation phenology dynamics under the influence of sunshine duration on the Tibetan Plateau[J]. International Journal of Climatology, 2014, doi: DOI:10.1002/joc.4013. [本文引用:1] [JCR: 2.886]
[9]	Gurgel H C, Ferreira N J. Annual and interannual variability of NDVI in Brazil and its connections with climate[J]. International Journal of Remote Sensing, 2003, 24: 3595-3609. [本文引用:1]
[10]	Park H-S, Sohn B J. Recent trends in changes of vegetation over East Asia coupled with temperature and rainfall variations[J]. Journal of Geophysical Research, 2010, 115, D14101, doi: DOI:10.1029/2009JD012752. [本文引用:1]
[11]	王惠文. 偏最小二乘回归方法及其应用 [M]. 北京: 国防工业出版社, 1999. [WANG Hui-wen. Partial Least Squares Regression Method and Application. Beijing: National Defense Industry Press, 1999. ] [本文引用:2]
[12]	Prasad V K, Badarinath K V, Eaturu A. Effects of precipitation, temperature and topographic parameters on evergreen vegetation greenery in the Western Ghats, India[J]. International Journal of Climatology, 2008, 28: 1807-1819. [本文引用:1] [JCR: 2.886]
[13]	Yu H Y, Luedeling E, Xu J C. Winter and spring warming result in delayed spring phenology on the Tibetan Plateau[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107: 22151-22156. [本文引用:1] [JCR: 9.737]
[14]	Fang J Y, Piao S L, Field C, et al. Increasing net primary production in China from 1982 to 1999[J]. Frontiers in Ecology and the Environment, 2003, 1: 293-297. [本文引用:1] [JCR: 7.615]
[15]	Li B, Tao S, Dawson R W. Relations between AVHRR NDVI and eco-climatic parameters in China[J]. International Journal of Remote Sensing, 2002, 23: 989-999. [本文引用:1]
[16]	孙丹峰, 王雅, 李红, 等. 基于MODISNDVI 年序列的区域化肥投入空间化方法[J]. 农业工程学报, 2010, 26(6): 175-180. [SUN Dan-feng, WANG Ya, LI Hong, et al. Spatializing regional fertilizer input based on MODIS NDVI time series. Transactions of the CSAE, 2010, 26(6): 175-180. ] [本文引用:1] [CJCR: 1.299]
[17]	Tucker C J, Pinzon J E, Brown M E, et al. An extended AVHRR 8-km NDVI data set compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing, 2005, 26: 4485-4498. [本文引用:1]
[18]	Brown M E, Pinzon J E, Didan K, et al. Evaluation of the consistency of long-term NDVI time series derived from AVHRR, SPOT-Vegetation, SeaWiFS, MODIS and Land SAT ETM+ sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44: 1787-1793. [本文引用:1] [JCR: 3.467]
[19]	Bhatt U S, Walker D A, Raynolds M K, et al. Circumpolar Arctic tundra vegetation change is linked to sea ice decline[J]. Earth Interactions, 2010, 14(8): 1-20. [本文引用:1] [JCR: 1.709]
[20]	邓祥征, 林英志, 战金艳, 等. 基于栅格数据的土地利用格局解释模型及应用[J]. 地理科学进展, 2009, 28(6): 912-918. [DENG Xiang-zheng, LIN Ying-zhi, ZHAN Jin-yan, et al. Robust estimation of the raster-based explanatory model for land use pattern. Progress in Geography, 2009, 28(6): 912-918. ] [本文引用:1] [CJCR: 1.959]
[21]	邓祥征, 林英志, 战金艳, 等. 基于栅格面积成分数据的土地利用格局解释模型稳健估计[J]. 地理科学进展, 2010, 29(2): 179-185. [DENG Xiang-zheng, LIN Ying-zhi, ZHAN Jin-yan, et al. Robust estimation for the determinant model of land use pattern based on the area percentage dataset of land uses. Progress in Geography, 2010, 29(2): 179-185. ] [本文引用:1] [CJCR: 1.959]
[22]	Liu J, Tian H, Liu M, et al. China’s changing land scape during the 1990s: Large-scale land transformations estimated with satellite data[J]. Geophysical Research Letters, 2005, 32, L02405, doi: DOI:10.1029/2004GL021649. [本文引用:1] [JCR: 3.982]
[23]	Liu J, Liu M, Tian H, et al. Spatial and temporal patterns of China's cropland during 1990-2000: An analysis based on Land sat TM data[J]. Remote Sensing of Environment, 2005, 98: 442-456. [本文引用:1] [JCR: 5.103]
[24]	侯学煜. 中国人民共和国植被图 [M]. 北京: 地图出版社, 1979. [HOU Xue-yu. The Vegetation Map of the People's Repubilic of China. Beijing: Sino Maps Press, 1979. ] [本文引用:1]
[25]	侯美亭. 气候变化和人类活动对中国东部植被的影响 [D]. 北京: 中国科学院研究生院, 2011. [HOU Mei-ting. The Impact of Climate Change and Human Activities on Vegetation in Eastern China. Beijing: Graduate University of Chinese Academy of Sciences, 2011 ] [本文引用:1]
[26]	侯美亭, 延晓冬. 中国东部植被物候变化及其对气候的响应[J]. 气象科技进展, 2012, 2(4): 39-47. [HOU Mei-ting, YAN Xiao-dong. Detecting vegetation phenological changes in response to climate in eastern China. Advances in Meteorological Science and Technology, 2012, 2(4): 39-47. ] [本文引用:1]
[27]	侯美亭, 赵海燕, 王筝, 等. 基于卫星遥感的植被NDVI 对气候变化响应的研究进展[J]. 气候与环境研究, 2013, 18(3): 353-364. [HOU Mei-ting, ZHAO Hai-yan, WANG Zheng, et al. Vegetation responses to climate change by using the satellite-derived normalized difference vegetation index: A review. Climatic and Environmental Research, 2013, 18(3): 353-364. ] [本文引用:1] [CJCR: 1.166]
[28]	杨羡敏, 曾燕, 邱新法, 等. 1960~2000年黄河流域太阳总辐射气候变化规律研究[J]. 应用气象学报, 2005, 16(2): 243-248. [YANG Xian-min, ZENG Yan, QIU Xin-fa, et al. The climatic change of global solar radiation over the Yellow River basin during 1960-2000. Journal of Applied Meteorological Science, 2005, 16(2): 243-248. ] [本文引用:1] [CJCR: 1.379]
[29]	Lin S P, Moore N J, Messina J P, et al. Evaluation of MODIS surrogates for meteorological humidity data in east Africa[J]. International Journal of Remote Sensing, 2013, 34: 4669-4679. [本文引用:1]
[30]	Funk C C, Brown M E. Intra-seasonal NDVI change projections in semi-arid Africa[J]. Remote Sensing of Environment, 2006, 101: 249-256. [本文引用:1] [JCR: 5.103]
[31]	Vautard R, Cattiaux J, Yiou P, et al. Northern Hemisphere atmospheric stilling partly attributed to an increase in surface roughness[J]. Nature Geoscience, 2010, 3: 756-761. [本文引用:1] [JCR: 12.367]
[32]	孙艳玲, 延晓冬, 谢德体. 基于因子分析方法的中国植被NDVI与气候关系研究[J]. 山地学报, 2007, 25(1): 54-63. [SUN Yan-ling, YAN Xiao-dong, XIE De-ti. Study on the relationship between vegetation and climate in China using factor analysis. Journal of Mountain Science, 2007, 25(1): 54-63. ] [本文引用:1] [CJCR: 0.736]
[33]	赵玉萍, 张宪洲, 王景升, 等. 1982年至2003年藏北高原草地生态系统NDVI与气候因子的相关分析[J]. 资源科学, 2009, 31(11): 1988-1998. [ZHAO Yu-ping, ZHANG Xian-zhou, WANG Jing-sheng, et al. Correlation analysis between NDVI and climatic factors of grassland ecosystems in the northern Tibetan Plateau from 1982 to 2003. Resources Science, 2009, 31(11): 1988-1998. ] [本文引用:1] [CJCR: 2.123]
[34]	Pérez-Enciso M, Tenenhaus M. Prediction of clinical outcome with microarray data: A partial least squares discriminant analysis (PLS-DA) approach[J]. Human Genetics, 2003, 112: 581-592. [本文引用:1] [JCR: 4.633]
[35]	Johnson R A, Wichern D W. Applied Multivariate Statistical Analysis[M]. New Jersey: Prentice Hall, 2002. [本文引用:1]
[36]	Maidment D. Hand book of Hydrology[M]. New York: McGraw-Hill, 1993. [本文引用:1]
[37]	Onoz B, Bayazit M. The power of statistical tests for trend detection[J]. Turkish Journal of Engineering and Environmental Sciences, 2003, 27: 247-251. [本文引用:1]
[38]	任国玉, 郭军, 徐铭志, 等. 近50年中国地面气候变化基本特征[J]. 气象学报, 2005, 63(6): 942-956. [REN Guo-yu, GUO Jun, XU Ming-zhi, et al. Climate changes of China’s mainland over the past half century. Acta Meteorologica Sinica, 2005, 63(6): 942-956. ] [本文引用:1] [CJCR: 2.116]

2004

2.818

0.0

... 近几十年来,气候变暖对全球许多区域的植被产生了不同程度的影响,这已经得到了研究者的广泛关注^[1,2,3] ...

... 以往研究也大都是利用普通的回归与相关方法^{[1,2,3,4,5,6]}分析植被变化的影响因素,也有少数研究采用了经验正交函数分解（EOF）^[8]、主成分分析（PCA）^[9]、奇异值分解（SVD）^[10]等方法通过分析植被、气候变化的典型模态来寻找它们之间的相关关系 ...

2011

0.0

2.937

... 近几十年来,气候变暖对全球许多区域的植被产生了不同程度的影响,这已经得到了研究者的广泛关注^[1,2,3] ...

2009

0.0

1.379

... 近几十年来,气候变暖对全球许多区域的植被产生了不同程度的影响,这已经得到了研究者的广泛关注^[1,2,3] ...

2003

0.0

... 但是,以往研究在分析植被对气候响应时,通常仅考虑气温和降水两种因子对植被的影响^[4,5,6],而忽视了其他气候变量（如辐射、湿度）的作用 ...

2009

3.982

0.0

... 但是,以往研究在分析植被对气候响应时,通常仅考虑气温和降水两种因子对植被的影响^[4,5,6],而忽视了其他气候变量（如辐射、湿度）的作用 ...

2014

0.0

2.407

... 但是,以往研究在分析植被对气候响应时,通常仅考虑气温和降水两种因子对植被的影响^[4,5,6],而忽视了其他气候变量（如辐射、湿度）的作用 ...

2009

3.754

0.0

... 而且,在人类活动剧烈的区域,植被变化往往同时受到了气候和人为因素的双重影响,如何准确判别植被变化各种可能影响因素的相对重要性,以及分离并量化不同气候变量以及人类活动在植被变化中的相对贡献,一直是此类研究中的一个难点^[7] ...

2014

2.886

0.0

2003

0.0

2010

0.0

1999

0.0

... 与上述方法相比,一种最初多应用于化学计量学领域的偏最小二乘（Partial Least Squares,PLS）回归方法兼具了主成分分析和多元回归的优点,克服了众多自变量之间存在强烈交互相关导致的多元共线性问题^[11],更适合于植被变化归因研究 ...

... PLS回归方法的具体计算步骤见文献^[11],这里仅介绍由PLS方法得到的一个重要判别指标#cod#x02014 ...

2008

2.886

0.0

... 在近年来有关植被对气候变化的响应研究中,该方法已有所应用,但相对较少^[12,13] ...

2010

9.737

0.0

... 在近年来有关植被对气候变化的响应研究中,该方法已有所应用,但相对较少^[12,13] ...

2003

7.615

0.0

... 在人为活动尤为剧烈的中国东部,除气候因素以外,农业活动和城市建设是人类对植被产生影响的最重要的两种方式,其中,近些年来迅速的城市化进程已经对植被覆盖带来了明显的影响^[14] ...

2002

0.0

... 例如,大面积的灌溉农田通常不会受到水分胁迫或降水波动的影响^[15],化肥投入与农田植被生长具有正相关关系^[16] ...

2010

0.0

1.299

... 例如,大面积的灌溉农田通常不会受到水分胁迫或降水波动的影响^[15],化肥投入与农田植被生长具有正相关关系^[16] ...

2005

0.0

... 植被数据来自于GIMMS数据集^[17],GIMMS NDVI数据是目前最为常用的植被指数数据集之一,时间覆盖长度为1982#cod#x02014 ...

2006

3.467

0.0

... 24 km内的所有像元植被指数的平均值,这是常用的评估局地植被变化的方法,可以有效使用具有较低空间分辨率的GIMMS数据^[18] ...

2010

1.709

0.0

... 使用SeaWiFS进行传感器相互校准的最新的GIMMS-NDVI3g版本数据已经有所应用^[19],但目前GIMMS工作组并未将该版本公开发布 ...

2009

0.0

1.959

... 这也是考虑到土地利用变化在栅格上是一种二值型变量,尽管有多种方法可以将其线性化处理,但都存在一定局限^[20,21] ...

2010

0.0

1.959

... 这也是考虑到土地利用变化在栅格上是一种二值型变量,尽管有多种方法可以将其线性化处理,但都存在一定局限^[20,21] ...

2005

3.982

0.0

... 在分析近30 a来土地利用变化时,本研究利用了1990和2005年中国1 km格网土地利用数据集^[22,23],并使用20世纪70年代末植被数据图集^[24]作为参考,通过叠加分析,找出了土地利用未发生变化的区域^[25,26] ...

2005

5.103

0.0

1979

0.0

2011

0.0

2012

0.0

2013

0.0

1.166

... 但是,日照（或辐射）为植物光合作用提供了能量来源,其对植被的影响并不亚于气温和降水,只是具有辐射观测的站点数量明显偏少,难以获得足够的辐射数据,这也许是研究较少考虑辐射影响的原因^[27] ...

2005

0.0

1.379

... 鉴于日照百分率与辐射的相关关系^[28],本研究使用日照百分率来反映辐射特征 ...

2013

0.0

... 而相对湿度作为一种重要的气象要素,不仅与地表温度、水汽条件直接相关,可一定程度上反映一个地区的干湿状况,而且其与植被之间存在交互影响^[29] ...

2006

5.103

0.0

... Funk和Brown^[30]在构建NDVI预测模型时就将相对湿度作为了一个输入变量 ...

2010

12.367

0.0

... 有关风速与植被之间关系的研究并不多见,已有研究证实了北半球植被增加对风速的影响^[31],但风速对植被的驱动作用可能具有更强的局地性特征^[32,33],故本研究也将风速作为一种影响因子考虑进来 ...

2007

0.0

0.736

2009

0.0

2.123

2003

4.633

0.0

... 对于用来解释因变量y_k的第j个自变量x_j,其VIP值的计算公式如下^[34]： ...

2002

0.0

... 8的自变量基本不具备解释意义^[35] ...

1993

0.0

... Mann-Kendall检验是一种基于秩的非参数检验方法,用来评价序列的变化趋势,无论变化趋势是线性或非线性,皆可适用^[36] ...

2003

0.0

... 与参数检验方法相比,这种非参数检验方法在处理偏态数据时表现优异^[37] ...

2005

0.0

2.116

... 2006年间中国东部NDVI变化的空间分布来看,与NDVI发生显著变化的区域相比,更多区域的NDVI在各月并没有出现显著变化,也就是说,在中国东部普遍变暖的大背景下^[38],尽管部分区域的植被响应于气候变暖,NDVI出现了显著上升,但更多区域的植被并没有发生明显变化,其原因需要进一步的研究 ...