第一作者简介:邓晨晖(1984- ),女,陕西蒲城人,博士,主要从事秦岭植被与气候变化研究。E-mail: chenhuisnow@126.com
论文基于MODIS- NDVI数据、DEM及气象数据,辅以趋势分析、多元回归残差法、偏最小二乘回归法,反演了秦岭地区2000—2015年植被覆盖度及分析了其“格局—过程—趋势”的变化特征,探究了其对气候变化与人类活动的双重响应机制。结果表明:1)秦岭地区近16 a来植被覆盖度呈显著上升趋势,增速为2.77%/10 a,呈“中间高、周边低,西部高、东部低,南坡高、北坡低”的空间格局,植被覆盖度随海拔的升高在2 200 m左右达到最大,700~3 200 m达0.7以上,1 300~2 700 m达0.9以上,3 400 m以上为0.5以下的低值区;2)秦岭地区的植被覆盖与气候因子的响应关系存在明显的空间差异,对气温的响应总体上没有明显的时滞效应,而与降水的响应存在以滞后1个月为主的时滞效应;3)人类活动对秦岭地区植被变化的作用日趋增强,且以正向作用为主,主要分布在东部地区,而负向作用则分布于中部和西部地区;4)秦岭地区植被变化是气候变化和人类活动共同作用的结果,影响因子对植被覆盖变化的解释能力依次为人类活动>降水>气温>潜在蒸散量。
The Qinling Mountains, a key ecological zone of terrestrial ecosystem, has experienced a significant change of vegetation coverage in recent years. Based on MODIS- NDVI data, DEM data and meteorological data such as temperature, precipitation, sunshine, humidity and wind speed, this paper calculated the Fractional Vegetation Coverage ( FVC) in Qinling Mountains, analyzed the background characteristics of the “pattern-process-trend” change, and explored the dual response mechanism of the vegetation coverage to climate change and human activities with trend analysis method, multiple regression method-residual method and PLS regression method. The results of the study showed that: First, the FVC in Qinling Mountains showed a significant increase trend at a growth rate of 2.77%/10 a during 2000-2015, with a very significant upward trend in the southern slope at a growth rate of 3.8%/10 a and a non-significant downward trend in the northern slope. In the space, FVC showed the pattern that is “high in the middle, low in the surroundings; high in the west, low in the east; high in the south-slope, low in the north-slope”. Second, the level of FVC in Qinling Mountains varied greatly, and the order of each FVC grade in area was Ⅴ, Ⅳ, Ⅲ, Ⅱ and Ⅰ, the area of Ⅰ and Ⅴ showing significant upward trend while the area of others showing decline trend. Third, the change of FVC at different altitudes was significantly different. There was a significant upward trend under 1 500 m and obvious downward trend at 2 600 m, while there was no obvious change at 1 500-2 600 m. With the increase of altitude, the FVC reached a maximum at 2 200 m. The FVC at 700-3 200 m was more than 0.7 and at 1 300-2 700 m was more than 0.9, and values below 0.5 mainly appeared in high altitude area above 3 400 m. Forth, there were significant spatial differences in the response of vegetation coverage to climatic factors. The response of vegetation coverage to precipitation had time lag, with a lag of one month, while the response to temperature did not have time lag. Fifth, the role of human activities was increasing rapidly, with the growth rate of 2.10%/10 a. The positive effect of human activities on FVC mainly distributed in the eastern region, and the negative effect of human activities mainly distributed in the central and western regions. Finally, the FVC changes were the results of both climate change and human activities, and the impact factors from strong to weak are human activity, precipitation, temperature and potential evapotranspiration.
植被是地球系统中的活跃成员, 亦是生境变化的敏感因子, 陆地生态系统的任何变化必然在植被类型、数量或质量方面有所响应, 被认为是监测生态环境变化的综合指示器[1]。植被覆盖度又称植被覆盖指数(Fractional Vegetation Cover, FVC), 是在归一化植被指数(NDVI)基础上改进提出的[2, 3], 指在单位面积内植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比, 反映了植被的茂密程度及植物进行光合作用面积的大小[4], 在一定程度上解决了NDVI对于覆盖度高的植被易于饱和、而对覆盖度低的植被难于区分的不足[5], 能更好地反映区域地表植被动态变化状况。在全球气候变化对生态系统的影响研究中, 常将FVC作为反映区域地表植被群落生长态势的重要指数, 评价区域生态系统健康程度的基础数据, 及指示区域生态系统环境变化的重要指标[6]。
随着全球气候变化, 陆地生态系统发生了显著变化[7, 8], 植被对气候变化的响应无疑成为各国学者关注的焦点和核心问题[9, 10, 11, 12, 13]。秦岭作为我国南北气候的分界线, 其生境敏感而脆弱, 近年来就其植被与气候变化的响应研究备受关注[14, 15, 16]。IPCC第5次报告更加确信, 人类活动在气候变暖中发挥着主导作用[17]。随着人类活动影响信号的增强, 植被覆盖变化深刻地记录了人类活动的烙印, 是气候变化和人类活动共同作用的结果[18]。然而, 以往研究主要基于NDVI数据分析植被对气候变化的响应, 通常考虑气温和降水两个影响因子[19, 20, 21], 而忽视了如辐射、湿度、风速等其他相关气候变量的作用; 对人类活动的影响关注也较少, 且以定性描述分析为主[22, 23, 24], 从而造成植被覆盖变化与其影响因素的脱节。
在气候变化与人类活动双重影响下, 认清秦岭地区植被覆盖的变化特征, 分离量化不同气候变量和人类活动因素在影响植被变化中的相对贡献显得尤为重要与必要。本文基于遥感和气象数据, 反演近16 a来秦岭地区的植被覆盖度, 分析其时空变化特征, 量化了人类活动影响因子, 定量评估气温、降水、潜在蒸散量、人类活动等因子对植被覆盖变化影响的相对重要性, 探讨气候变化和人类活动对植被覆盖变化的影响机制, 旨在寻找对植被变化具有显著解释意义的因子, 以期为秦岭生态环境保护及应对气候变化提供科学的依据。
本文以狭义的秦岭为研究区(图1), 105° 30′ ~110° 05′ E, 32° 40′ ~34° 35′ N, 位于陕西南部, 渭河以南, 汉江以北, 东西以陕西省省界为界。总面积约6.19万km2, 约占陕西省面积的30%, 海拔195~3 771 m。秦岭南北气候差异明显, 北干南湿, 北坡为暖温带半湿润气候, 广布暖温带落叶阔叶林; 南坡为北亚热带湿润气候, 分布着北亚热带常绿阔叶-落叶阔叶混交林。
本文使用的MOD13Q1 NDVI数据, 来源于NASA的MODIS数据产品, 空间分辨率为250 m× 250 m, 时间分辨率为16 d。为排除1 a内非生长期的影响, 故选取2000— 2015年植被生长最旺盛时期5— 10月数据探讨生长期的植被覆盖情况。首先, 使用MRT进行格式和投影转换; 然后采用MVC合成月NDVI数据。由于年最大NDVI能够去除云、大气和太阳高度角产生的影响, 有效反映区域植被覆盖状况[23, 24], 故采用年最大NDVI影像进行FVC时空变化分析。DEM数据的空间分辨率为25 m× 25 m。
气象数据为秦岭地区2000— 2015年32个气象台站2— 10月的数据, 包括平均气温、降水量、相对湿度、日照百分率及风速, 来源于陕西省气象局。为保证山地气象要素空间插值结果的准确性, 插值过程均考虑高程因素的影响, 气温插值采用普通克里格法, 其他要素采用协同克里格法, 投影方式和空间分辨率与FVC时间序列数据一致。
2.2.1 植被覆盖度反演
像元二分模型是计算FVC的常用方法, 假设每个像元的NDVI值由植被和土壤两部分构成, 其公式如下[27, 28]:
式中:NDVI为混合像元的植被指数值; NDVIs为纯土壤像元的最小值, 理论上接近于0; NDVIv为纯植被像元的最大值, 理论上接近于1。分别采用0.5%置信度截取NDVI的上下阈值, 将NDVI值最大的0.5%区域作平均值, 得到NDVIv, 将值最小的0.5%区域作平均值, 得到NDVIs。
2.2.2 趋势分析
一元线性回归趋势分析法, 是采用最小二乘法逐像元拟合年均FVC的斜率, 能够模拟每个栅格的变化趋势, 综合反映区域植被的时空格局演变[29], 其公式如下:
式中:n为时间序列(a); FVCi为第i年的FVC值。当slope> 0或slope< 0时, 表明FVC呈增加或下降趋势。采用t检验确定变化趋势的显著性, 并将结果划分为极显著(P≤ 0.01)、显著(0.01< P≤ 0.05)、弱显著(0.05< P≤ 0.1)和不显著(P> 0.1)变化4个等级。
2.2.3 潜在蒸散量计算
Penman-Monteith模型是国际粮农组织FAO推荐的计算潜在蒸散量方法, 其全面考虑了影响的大气因素和植物因素, 把能量平衡、空气动力学参数和表面参数结合在一起, 能够反映气候要素的综合影响, 在干旱区和湿润区的估值精度均较高[30], 其公式如下:
式中:ET0为参考作物蒸散量(mm/d); Rn为净辐射量 [MJ/(m2· d)]; G为土壤热通量 [MJ/(m2· d)]; γ 为湿度计常数(kPa/℃); T为地表2 m高处的日平均气温(K); U2为2 m高处的风速(m/s); es为饱和水汽压(kPa); ea为实际水汽压(kPa); Δ 为饱和水汽压斜率(kPa/℃)。
2.2.4 多元回归残差分析
该方法是由Evans和Geerken等提出[31, 32]。通过对每个栅格像元的植被覆盖度与相关气候指标做回归分析, 得到FVC的预测值, 将其视为气候因素对FVC的影响, 然后利用遥感观测的FVC真实值减去预测值, 从而得到人类活动的影响, 以此剥离开气候变化和人类活动对植被覆盖变化的影响[33], 其公式如下:
ε > 0, 人类活动产生负作用; ε ≈ 1, 人类活动影响较弱; ε < 0, 人类活动产生正作用。并通过F检验对残差序列变化趋势的显著性进行分析。
2.2.5 偏最小二乘回归法(PLS)
PLS法兼具主成分分析和多元回归的优点, 克服了众多自变量间存在强烈交互相关导致的多元共线性问题[34], 建模步骤见文献[35]。该方法得到一个重要判别指标— — 变量投影重要性(VIP)值, 其计算公式如下[36]:
式中:p为自变量个数; m为提取的成分个数; k为因变量(k=1); th为自变量的第h个成分; R2(yk, th)为yk与th之间相关系数的平方;
图2为2000— 2015年秦岭地区年均FVC变化趋势及Mann-Kendall(MK)突变检验。由图2(a)知, 16 a来, 秦岭地区的植被覆盖度呈显著上升趋势, 增速为2.77%/10 a(P< 0.01)。说明近16 a来秦岭地区的植被覆盖情况总体在不断改善。MK检验结果显示 [图2(b)], 16 a来年均FVC突变发生于2005年, 且是升高的突变。表明1999年实施的退耕还林工程在2000年初见成效, 2005年之后成效趋稳且越来越明显。
图3为2000— 2015年秦岭地区FVC空间分布及南北坡变化趋势。由图3(a)知, 16 a来, 秦岭地区植被覆盖整体较好, FVC大于0.7的区域占全区的87.93%, 且呈增长趋势; FVC存在着明显的空间差异, 整体呈“ 中间高、周边低, 西部高、东部低, 南坡高、北坡低” 的分布格局。中部与西部植被覆盖密集, 东部相对稀疏且呈手指状分布, 这一分布特征与该区地形相一致。可见, 山区植被覆盖度较好, 平缓区的覆盖度相对较差, 也说明人类活动(如城镇化)是导致秦岭地区植被覆盖变差的重要原因。由图3(b)知, 北坡的FVC呈下降趋势, 降速为1.0%/10 a; 而南坡呈上升趋势, 增速达3.8%/10 a(P< 0.01)。秦岭地区整体的FVC均值为0.84, 北坡为0.75, 南坡达0.87。可知, 南坡的植被覆盖优于北坡, 且呈极显著的上升趋势; 而北坡则呈不显著的下降趋势。这再次印证了人类活动对秦岭地区FVC变化的重要影响, 尤其是对北坡的影响更为深刻。
![]() | 图3 2000— 2015年秦岭地区FVC空间分布及变化趋势Fig. 3 Spatial distribution and trend of FVCin Qinling Mountains during 2000-2015 |
图4为2000— 2015年秦岭地区FVC空间变化趋势及显著性。由图4(a)知, 低值区主要在秦岭北麓的周至、户县、长安、蓝田及陕南的汉中、安康等地; 而高值区主要分布在东部地区。t检验结果显示 [图4(b)], 秦岭地区植被覆盖整体以上升趋势为主, 呈上升趋势的面积达64.72%, 其中极显著上升的区域为13.20%, 显著上升的区域为10.97%, 弱显著上升的区域为6.37%, 及不显著上升的区域为27.26%; 而35.28%的面积为下降趋势, 其中极显著下降的区域为1.95%, 显著下降的区域为3.17%, 弱显著下降的区域为2.90%, 及不显著下降的区域为27.26%。植被恢复区主要分布在东部地区, 其原因可能是这些地区原有植被覆盖较低, 后因退耕还林工程的实施, 使得植被覆盖度显著提升; 而植被退化区主要分布在北坡的长安、户县、蓝田及南坡的勉县、汉中、城固、洋县等地, 其原因是这些地区城市扩张导致植被遭受破坏。
根据《土壤侵蚀分类分级标准》(SL190— 2007), 将植被覆盖度分为:低(FVC≤ 0.1)、较低(0.1< FVC≤ 0.3)、中度(0.3< FVC≤ 0.5)、较高(0.5< FVC≤ 0.7)、高(FVC> 0.7)5级, 分别标记为Ⅰ 、Ⅱ 、Ⅲ 、Ⅳ 和Ⅴ 级, 并统计各等级面积。图5为2000— 2015年秦岭地区FVC等级结构空间分布。由图5知, FVC各等级面积依次为Ⅰ 级< Ⅱ 级< Ⅲ 级< Ⅳ 级< Ⅴ 级, 可见, 良好植被区所占面积较大, 研究区植被覆盖整体情况较好。FVC等级结构面积的变化趋势差异较大, 经统计, Ⅰ 级(FVC≤ 0.1)呈显著上升趋势, Ⅱ 级(0.1< FVC≤ 0.3)呈不显著下降趋势, Ⅲ 级(0.3< FVC≤ 0.5)呈显著下降趋势, Ⅳ 级(0.5< FVC≤ 0.7)呈极显著下降趋势, Ⅴ 级(FVC> 0.7)呈极显著上升趋势。即FVC≤ 0.1和FVC> 0.7呈显著上升趋势, 而0.1< FVC≤ 0.7呈不同程度的下降趋势。
《陕西秦岭生态环境保护纲要》中依据生态系统基本特征及海拔高度将秦岭划分为3个生态功能区:1)2 600 m以上的中高山针叶林灌丛草甸生物多样性区; 2)1 500~ 2 600 m之间的中山针阔叶混交林水源涵养与生物多样性区; 3)1 500 m以下的低山丘陵水源涵养与水土保持区。据此将秦岭地区划分为< 1 500、1 500~2 600、> 2 600 m等3个海拔梯度。图6为2000— 2015年秦岭不同海拔梯度FVC空间分布及变化趋势。由图6可知, FVC随海拔变化差异明显, 据统计, 1 500 m以下的区域FVC> 0.7占75%, 且呈显著上升趋势, 这主要是受人类活动的正效应(如植树造林); 1 500~2 600 m的区域FVC> 0.7占99%, 其变化不明显, 植被覆盖相对稳定; 2 600 m以上的区域FVC> 0.7占78%, 则呈极显著的下降趋势, 这可能与气候变化密切相关, 随着气候暖化, 高海拔区的植物因不能适应生境变化而大量死亡, 如巴山冷杉(Abies fargesii)。同时, 随着海拔的升高, 秦岭地区的植被覆盖逐渐升高, 并在2 200 m左右达到最大, 其中700~3 200 m区域的FVC达0.7以上, 1 300~2 700 m区域的FVC达0.9以上, 而FVC< 0.5的低值区主要分布在3 400 m以上的高海拔区。
不同于以往研究, 除考虑了气温和降水外, 本研究还考虑了被看作是气候系统中连接水热循环纽带[38]的蒸散发对植被的可能影响。图7为2000— 2015年年均FVC与同期平均气温、降水量、潜在蒸散量3个单一气候因子间的相关性。由图7知, 年尺度上, FVC与各因子的响应关系均存在明显的空间差异, 与气温呈正相关的区域主要分布于西部地区, 占总面积的45.37%; 与降水呈正相关的区域主要分布于东部地区, 占总面积的63.53%; 与潜在蒸散量呈正相关的区域分布于在中西部地区部分区域, 占总面积的38.34%。可见, 年均FVC与气温和降水的相关性具有相反的空间分布特征, 而与能够反映各气候要素综合影响的潜在蒸散量间的相关性在空间上表现不明显。表明各气候因子间存在着耦合的相互影响作用, 植被生长主要受水热组合共同作用的影响。
![]() | 图7 2000— 2015年秦岭地区年FVC与气候因子的相关性Fig. 7 Spatial correlations between annual FVC and climate factors in Qinling Mountains during 2000-2015 |
为进一步探讨FVC对水热组合的响应及时滞效应, 以FVC与气温、降水不同月份多年均值为基础, 计算了2000— 2015年月均FVC与当月(5— 10月)、前1月(4— 9月)、前2月(3— 8月)气温、降水间的偏相关系数, 见图8。可知, 月尺度上, FVC与当月气温呈正相关的区域占总面积的79.15%, 与前1月气温呈正相关的区域占总面积的58.32%, 与前2月气温的相关性更小; 而与当月降水呈正相关的区域占总面积的26.01%; 与前1月降水呈正相关的区域占总面积的35.23%; 与前2月降水呈正相关的区域占总面积的29.65%。总体而言, 气温和降水在月尺度上的相关性均明显高于年际水平, 且气温的显著性高于降水。这是因为气温和降水在年内各月变化明显, 不同月份的FVC对水热条件变化的敏感性不同, 水热条件的季节变化对植被生长的影响较大; 且该区气候雨热同期, 降雨量大的季节气温也较高, 同时蒸散发也强烈, 一定程度上影响了植被生长, 因此出现植被生长与降水负相关区域面积大而主要受温度控制的现象。空间上, 月均FVC与水热要素的相关性差异明显, 与气温的相关性表现为高海拔区强于低海拔区, 主要由于高海拔区森林覆盖率较高, 对气温变化较敏感; 而与降水的相关性表现为低海拔区强于高海拔区, 主要由于低海拔区人为因素干扰严重, 多为草地或农田, 受水分影响较大。从显著性看, 气温是当月正相关达到显著性的面积最大, 降水则是前1个月的面积最大, 说明秦岭地区植被对气温的响应总体上没有明显的滞后性, 而对降水的响应存在时滞效应, 以滞后1个月为主。
除气候因素外, 人类活动也是影响植被覆盖变化的重要驱动因素, 其影响主要体现在:一方面表现为对植被覆盖增加的促进作用(生态工程等), 另一方面为对植被覆盖减少的破坏作用(采矿、城市扩张等)。
基于相关性分析结果, 本文选取当年前1月的降水、同期气温、潜在蒸散量3个气候因子, 建立基于像元尺度的三元一次线性回归方程对FVC进行预测, 得到只有气候作用的FVC时间序列, 从而获得残差值, 即为人类活动对FVC的影响。图9为2000— 2015年秦岭地区FVC残差变化趋势及空间分布。由图9(a)可知, 16 a来, 秦岭地区的残差值呈显著上升趋势, 增速为2.10%/10 a(P< 0.01), 2005之前为负值, 之后转为正值。说明秦岭地区人类活动对植被的影响在不断加强, 2005年后以促进作用为主导。由图9(b)可知, FVC残差变化趋势为正的区域占总面积的67.63%, 主要分布于东部地区, 因为国家或区域性政策的实施, 生态工程效果明显, 这些地区植被恢复良好, 人类活动对植被的影响起促进作用; 而FVC残差变化趋势为负的区域占32.37%, 主要分布于中部和西部地区, 这些地区多为城镇, 人口密集, 城市扩张导致植被覆盖度下降, 人类活动在这些地区对植被的影响起破坏作用。
表1为FVC(因变量)与气温、降水、潜在蒸散量、人类活动4个影响因子(自变量)间的相关系数矩阵。由表1可知, 各变量间存在不同程度的强相关性, 满足使用PLS法建模的前提条件, 以此得到气候变化和人类活动对FVC变化双重影响的PLS分析结果, 见图10。
![]() | 表1 影响因素的相关系数矩阵 Table 1 Correlation coefficient matrix of influencing factors |
![]() | 图10 气候变化和人类活动对秦岭地区FVC变化的PLS分析Fig. 10 PLS analysis on the relations of climate change and human activities with FVC variation in Qinling Mountains |
图10(a)显示, 影响因子对FVC变化的解释能力依次是人类活动(1.299)> 降水(1.106)> 气温(0.867)> 潜在蒸散量(0.580), 人类活动是最具解释意义的变量, 其解释能力远大于气候变量, 说明近年来人类活动对植被覆盖变化的影响较气候作用更为显著; 就气候变量而言, 秦岭地区植被生长受降水的影响要强于气温。由图10(b)可知, 气温和潜在蒸散量对FVC起负向作用, 其他因子则起正向作用, 尤其是人类活动的正向作用最强, 说明近年来植被覆盖增加是人类活动作用的结果, 人类对FVC的促进作用日趋增强。由图10(c)各因子回归系数得到回归方程:y=46.302-0.238x1+0.359x2-0.044x3+0.693x4, 式中:x1、x2、x3、x4依次表示气温、降水、潜在蒸散量、人类活动。图10(d)显示, 观测值与拟合值曲线较为一致, 拟合结果
1)秦岭地区2000— 2015年植被覆盖度呈显著上升趋势, 增速为2.77%/10 a, 南坡呈极显著的上升趋势, 增速达3.8%/10 a, 而北坡呈不显著的下降趋势, 平均下降1.0%/10 a; 空间上呈“ 中间高、周边低, 西部高、东部低, 南坡高、北坡低” 的分布格局。
2)秦岭地区不同海拔高度的植被覆盖度变化差异显著。1 500 m以下呈显著的上升趋势, 1 500~2 600 m变化不明显, 2 600 m以上则呈极显著的下降趋势。随着海拔的升高, 植被覆盖度在2 200 m左右达到最大, 700~3 200 m达0.7以上, 1 300~2 700 m达0.9以上, 而0.5以下的低值区主要分布在3 400 m以上的高海拔地区。植被覆盖度的等级结构变化差异较大, 各等级面积依次为Ⅰ 级< Ⅱ 级< Ⅲ 级< Ⅳ 级< Ⅴ 级, 其中Ⅰ 和Ⅴ 级呈显著上升趋势, 而Ⅱ 、Ⅲ 和Ⅳ 级则呈不同程度的下降趋势。
3)植被覆盖度与气候因子的响应关系存在明显的空间差异。总体上, 植被覆盖度对气温的响应没有明显的滞后性, 而与降水的响应存在时滞效应, 以滞后1个月为主。
4)人类活动对植被覆盖的影响日趋增强, 增速为2.10%/10 a, 且以正向作用为主。其对植被影响起促进作用的区域占总面积的67.63%, 主要分布在东部地区; 而起破坏作用的区域占32.37%, 主要分布于中部地区和西部地区。
5)植被覆盖变化是气候变化和人类活动共同作用的结果, 人类活动对植被变化具有较气候作用更为显著的贡献。影响因子对植被覆盖变化的解释能力依次为人类活动> 降水> 气温> 潜在蒸散量。
植被覆盖变化是气候变化和人类活动叠加作用的结果, 究竟是气候变化的作用强, 还是人类活动的作用强?在秦岭这一生态敏感脆弱区认识二者之间的作用与贡献尤为重要。
学者们较多地关注秦岭植被与气候变化的关系, 有学者认为植被对温度的敏感性高于降水[14, 39], 亦有人认为植被生长受降水的影响强于气温[15], 本研究表明, 气候对秦岭植被的影响降水强于气温, 而月尺度上则表现出气温强于降水, 水热组合的共同作用是影响区域植被的重要因素。
由于人类活动因素存在难以定量化的问题, 故对植被受人为影响的研究相对较少, 本研究量化了人类活动对植被覆盖度的影响, 但文中仅将人类活动因素视为一个影响因子进行分析。事实上, 人为因素也是一个多因子的统一体, 其有正效应与负效应之分, 且二者均包含多方面的影响因子, 如进入21世纪, 国家实施的天保工程及退耕还林工程等有效地改善了区域生态环境, 但在生态恢复的同时, 城市规模也在快速扩张, 保护与破坏同在。因此, 进行实地调查, 细化人类活动因子, 验证训练样本, 分析结果的精度与可靠性, 进一步量化人为因素对秦岭地区植被覆盖变化中的相对贡献还有待深入研究。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|
[39] |
|