南昌市NDVI时空演化特征及其气候驱动因子分析

Analysis of Spatiotemporal Evolution Characteristics of NDVI and Its Climate Driving Factors in Nanchang City

摘要

揭示南昌市植被覆盖的演化特征和确定影响其变化趋势的主要气候驱动因子，为其长期稳定、良性发展和积极应对后续的气候变化提供指导。采用2000—2020年南昌市的NDVI月度数据、气温、降水和气压等10个气象驱动因子，利用单样本K-S（Kolmogorov-Smirnov）检验、弗里德曼检验、肯德尔和谐系数检验法等非参数检验法和随机森林分析方法，对不同驱动因子的重要性进行研究。结果表明，1）在2000—2020年南昌市的NDVI呈波动下降趋势，该峰值出现在2000年，谷值则在2010年；2）城市整体植被覆盖呈现四周高中间低的空间分布规律，北部和西部地区的NDVI值相对较高且下降速率缓慢，中部的东湖区和青山湖区等NDVI值相对较低且有明显下降趋势；3）植被覆盖的极大平均值出现在每年8月，受温度的影响最显著，而风向的影响最不显著，降水的影响有一定的时滞性，植被覆盖变化应结合多要素的共同驱动作用来决定。

Abstract

To reveal the evolution characteristics of vegetation cover in Nanchang City and identify the main climate drivers affecting its change trends， in order to provide guidance for its long-term stable and benign development and active response to the subsequent climate change. In this paper， NDVI monthly data and ten meteorological driving factors such as temperature， precipitation and pressure of Nanchang City from 2000 to 2020 were used to study the importance of different drivers by using single sample K-S test， Friedmann test， Kendall harmony coefficient test and random forest analysis. The results showed that， 1） the NDVI of Nanchang City showed a fluctuating downward trend from 2000 to 2020， the peak appeared in 2000， while the trough occurred in 2010. 2） The overall vegetation cover of the city showed a spatial distribution pattern of high perimeter and low center， with the NDVI values in the north and the west being relatively high and decreasing at a slow rate， and the NDVI values of the central areas of the city such as the East Lake District and the Castle Peak Lake District being relatively low and with an obvious downward trend. 3） The great average value of the vegetation cover appeared in August each year， which was most significantly affected by temperature and least affected by wind direction， with a certain time lag influenced by precipitation， so the study of vegetation cover change should be determined by combining the driving effect of multiple elements.

Graphical abstract

关键词

归一化植被指数 / 非参数检验 / 随机森林 / 气候变化 / 驱动分析。

Key words

NDVI / nonparametric test / random forest / climate change / driving analysis

0 引言

植被指数是用来描述植被生长状况的指标^［1］，可以有效地分析地表植被状况，广泛应用于植被分类、时空变化、城市土地利用覆盖和地表干旱监测等方面。归一化植被指数（NDVI），是用来反映植被生长状态和趋势的重要参数，与遥感技术结合，近年来被广泛应用在分析城市植被状况的研究中^［2-3］。随着南昌市自然资源和规划局发布的《南昌市国土空间总体规划（2021—2035年）》公示稿及国家深入推进实施长江经济带重点湖区“4+1”工程政策的实施^［4］，对于南昌市植被覆盖情况的时空演化特征及其气候驱动因子的研究具有重要意义。

现有研究表明，植被覆盖与NDVI变化有很大的关联性^［5-7］，人类活动引起的气候变化对植被覆盖情况有所影响^［8-10］，其中，气象因子占很大的影响比例^［11］，且随着高程和坡度的增加，气候对植被的影响逐渐变大^［12］。

基于分析方法的不同，各因子的影响程度也有差异。龚新梅^［13］利用时间序列分析与回归分析的相互关系并结合NDVI的COV（Coverage，即覆盖度）斜率来监测沙漠界限外干旱半干旱区的植被变化情况；张金茜等^［14］采用景观格局指数、主成分分析和地理探测器的方法，定量分析了甘肃白龙江流域的景观破碎化及其驱动因子；王伟等^［15］采用趋势分析法和地理探测器模型进行分析，发现双因子交互作用有助于增强对NDVI空间分布以及时空变化的解释力；张乐勤^［16］采用偏最小二乘与通径分析方法，对生态效率驱动因子边际直接与间接效应进行考察；马森等^［17］运用泰尔-森估计（Theil-sen，Sen）趋势分析法分析NDVI时空变化，并结合相关分析及标准化信息流等方法研究塔里木地区气候变化对植被的影响。

基于不同的研究区域，各气候驱动因子的重要性也有些差异。穆少杰等^［18］对内蒙古地区影响植被生长的因子研究发现，植被生长相比起单因子的影响更加依赖于水热组合的作用，且草原植被覆盖度对降水量的响应存在时滞效应；陈燕丽等^［19］分析得到喀斯特地区NDVI相关性较高的气候因子为日照和气温，且一些气候因子的响应存在明显的滞后性；陈甲豪等^［20］认为温度和太阳辐射作用显著主导海南岛的植被生长；周喆等^［21］结合GEE（Google Earth Engin）平台研究得到湿度对黄河上游地区的生态环境质量影响程度最显著；赵健赟等^［22］基于NDVI分析了青藏高原的植被覆盖率与气候影响因子之间的响应关系，研究发现该地区植被覆盖率改善的主要原因是气温升高、风速变低和降雨增加。

为了积极推动美丽中国建设实践，深入研究国内地区植被覆盖变化具有重要意义。可现有的大部分研究都是基于单一气候影响因子驱动分析大尺度的生态系统变化，或只利用几种数值分析方法来探究响应分析。因此本研究考虑多样气象因子，结合多种统计学分析方法，更准确地探究植被覆盖变化与气候影响因子的响应机制。为了解南昌市的NDVI季节性差异变化、空间分布规律及其变化速率和各气候影响因子的重要性分析，本研究利用2000—2020年南昌市NDVI的时间序列数据集和气象统计数据，分析南昌市植被覆盖变化及潜在发展趋势，为保障其生态可持续发展提供一定参考。

1 数据及方法

1.1 研究区概况

研究区位于江西省南昌市，地理坐标28°10'~29°11'N、115°27'~116°35'E，总面积7 195 km²。研究区属亚热带季风气候，气候湿润温和，日照长且雨水充足。年降雨量为1 600~1 700 mm，年降水天数为147~157 d，年平均下暴雨的天数为5~6 d，年平均相对湿度为78.5%。全境以平原为主，占35.8%，西北有分布丘陵，水网密布，湖泊众多，东南区域平坦。南昌现有林业用地总面积1.4×10⁵ hm²，森林面积1.2×10⁵ hm²，森林覆盖率为23%，城区绿化覆盖率达42.08%。2019年江西省的植被覆盖度为65.69%^［23］，处于中高覆盖度水平，如图1所示。

1.2 数据来源及分析

NDVI数据来源：资源环境科学数据注册与出版系统，中国月度植被指数（NDVI）空间分布数据集^［24］（https：//www.resdc.cn/DOI/doi.aspx？DOIid=50）。该数据集以连续时间序列的SPOT（Systeme Probatoired Observation de la Terre）/VEGETATION NDVI卫星遥感数据为基础，采用最大值合成方法生成的从1998年以来的月度植被指数数据集。

气温、降水、气压、风向、相对湿度和日照时数等气象数据来源于中国气象数据网（https：//data.cma.cn/）内江西省地面气象观测数据分析应用服务平台的中国地面气象观测历史数据集（月值）。

2 分析方法

2.1 非参数检验

非参数检验方法也称无分布检验，不要求数据符合正态分布，定量化程度不受少数异常值的影响，可以检测很大范围的数据，计算简单且干扰度小，因此该检验方法适用于非正态分布数据的趋势分析。本研究分别运用单样本K-S（Kolmogoro-Smirnov）检验、弗里德曼（Friedman）检验、肯德尔和谐系数检验、克鲁斯卡尔-沃利斯检验、M-K（Manner-Kendall）趋势检验的方法，对选取的10个气候影响因子的响应进行逐一分析。

1）单样本K-S检验是一种使用抽样数据来估计总体是否遵循某特定理论分布的拟合优度的非参数检验方法，适用于分析连续随机变量的分布形态。

2）Friedman检验，是一种利用秩实现对多个总体分布是否存在显著差异的非参数检验方法^［25］，其假设来自多个总体分布的配对样本没有显著差异。

3）肯德尔和谐系数是一种可以计算多个变量相关程度的数值^［26］。通过求得肯德尔和谐系数，可以客观地选出更好的评分作品和判断评估方法次序的一致性。

4）克鲁斯卡尔-沃利斯检验亦称“K-W检验”，是用以检验2个以上样本是否来自同一个概率分布的一种非参数方法^［27］，要求参与检验的样本必须是不相关或独立。

5）M-K趋势检验法是一种常用的统计学检验方法，用于预测降水、温度和气压等气象要素的长时序变化趋势^［28］。目前，M-K检验在时间序列趋势分析中广泛应用^［29］，该方法不受个别异常值的扰动和样本必须遵循某一分布的限制，较好地适用于非正态分布的气象数据和水文数据的分析。M-K趋势检验的优点是可以处理非正态分布的数据，而且不需要对数据进行任何假设。

2.2 随机森林分析

随机森林（Random Forest，RF）算法是一种基于分类与回归（classification and regression tree，CART）决策树的集成学习算法，广泛应用于回归分类问题。在CART决策树的基础上，利用随机有放回随机无放回的提取特征来训练形成新样本集，并生成多个CART决定树作为随机森林的模型^［30］。随机森林算法作为一种组合分类器，其算法简单、易于实现、泛化能力强，在分类、回归问题上表现优异。

随机森林算法的工作流程如图2所示。1）确定随机森林的训练参数。例如，输入特征的子集S，特征属性的集合F，决策树的数量n，随机特征的数量m；2）从训练样本S随机有放回地选取n个子样本集合，再随机抽取每个子样本的特征来训练决策树；3）综合并输出决策树的结果。

3 结果与分析

3.1 NDVI时空演变趋势

从空间维度分析NDVI年均值的变化趋势，南昌市的大部分区域NDVI值较高（0.5~0.9），但总体来看处于下降的趋势。说明南昌市的总体覆盖状况良好，但植被状况在一定程度上正在逐步变差。由图3可知，NDVI均值的极小值基本分布在东湖区、西湖区、青山湖区、青云谱区、进贤县西北部和新建区的东北部。

利用2000—2020年的NDVI年均值数据，以时间维度分析，得到NDVI的年度变化趋势。由图4可知，NDVI总体呈波动下降趋势，总体均值为0.463，峰值出现在2000年，为0.520；谷值则在2010年，为0.414。NDVI总体呈下降趋势，其中在2005、2009、2018年骤然下降；而在2010和2016年这2个时间点却出现了小范围的增长。

分析2000—2020年1—12月的NDVI均值分别与对应月份的气温、降水和气压等因子的变化，由图5可知，NDVI的极大值出现在8月，这与温度和日照时数等因子的变化较一致；降水量在第二季度普遍较高，同时NDVI也是呈现很大的上升趋势；由月均气压与NDVI的变化来看，气压与NDVI呈负相关：气压越高则NDVI数值越小，反之则越大。

3.2 分析检验结果

3.2.1 数据分布情况的检验

将数据进行归一化和标准化后进行正态性检验，筛选后续的数据分析方法。由单样本K-S检验得（表1），除月均相对湿度和月日照时数符合正态分布外，其余气象因子都属于其他分布即非正态分布。因此对于此研究区的数据应采用非参数检验的方法进行下一步的分析。

3.2.2 非参数检验

首先采用Friedman检验和肯德尔和谐系数检验方法来验证数据的显著性和一致性；然后利用克鲁斯卡尔-沃利斯检验，对数据按照季节差异来分析，寻求各因子的重要性差异；最后通过M-K方法做NDVI的趋势分析，寻求数据的突变点并做分析。基于不同的数据分析方法来综合判断且互相对比结果，研究气象因子对植被状况的驱动影响及各因子的重要性分析。

基于SPSS平台进行Friedman检验和肯德尔和谐系数检验，2种方法的P均小于0.05，并得出肯德尔系数为0.185，说明各因子的影响程度有所差异。由气候驱动因子秩平均值可得，月均气温对于NDVI的影响最显著，月降水量对于NDVI的变化具有不显著影响，如图6所示。

基于克鲁斯卡尔-沃利斯检验对各气温因子进行季度分析，利用秩和比（Rank-sum ratio，RSR）指标进行评价，其值越大说明评价对象越优^［31］。由表2可知，第一季度影响NDVI变化最大的是与降水相关的要素，如降水量和相对湿度，第二季度影响最显著的因子集中在温度要素上，风向要素在第三季度的效果最显著，而气压则在第四季度对NDVI变化的影响最显著。同时综合分析NDVI的增长速率由大到小依次为夏季、秋季、春季、冬季。

趋势分析是将真实值和历史不同时期的数据进行比较，以确定变化趋势的分析方法。本研究选用在气象、水文学中广泛使用的M-K检验^［32］。在进行M-K检验前，需计算无向趋势统计量（Undirected Trend Statistic，UF）和反向趋势统计量（Backward Trend Statistic，UB）。由图7可知，突变点开始的时间为2014年末接近2015年间，但UF总体仍在置信区间内变动，曲线交点在临界线（2条显著性检验线之间，置信区间内）以内，超出临界线的范围表明为出现突变的时间区域，即在2000—2020年，呈现不显著的上升趋势。

3.2.3 随机森林

对研究的十个气候驱动因子建立随机森林模型。经过多次训练得出，当决策树数目为400，最小叶子数为3时，得到的结果精度最高。此时的训练集数据的R²为0.818 9，测试集数据的R²为0.766 0，不存在过拟合现象。通过对比得出，训练集和测试集预测结果的误差较小，训练的模型准确性较高，如图8所示。基于此模型去分析气候驱动因子对NDVI的响应，如图9所示，月均气温对于NDVI的影响最显著，且秩平均值最高的前4个因子都与温度有关，再次证实温度对于NDVI的影响最显著。

4 讨论

4.1 土地利用类型与植被覆盖变化的关系

通过对2000—2020年南昌市的植被变化情况的调查分析，得出南昌市的植被总体覆盖状况良好，但情况正在逐步变差。从1998年开始，南昌市以维护区域生态安全为目的，实施了“平垸行洪、退田还湖”等工程，增加了一定的水域面积。近年来，随着经济发展和城市化进程，由《南昌市土地利用总体规划（2006—2020年）》可知，在东湖区和西湖区等地的耕地面积减幅较大，建设用地的增幅明显。根据2015年第四批征地为集体土地29.528 6 hm²，其中，农用地8.788 5 hm²（含耕地3.767 9 hm²）、建设用地7.840 8 hm²、未利用地12.899 3 hm²。随着南昌市的社会经济发展，城市化水平越来越高，导致对于建设用地的需求增加，必然会造成植被的减少、新增的城市建设用地占用耕地较多，未利用土地比例较小也会造成城市的后备土地资源不足^［33］。由此可见，土地利用类型的改变会对植被覆盖起重要影响，这与相关研究成果^［34］一致。

4.2 气候影响因子与植被覆盖变化的关系

通过分析NDVI与各气候驱动因子的趋势可得，NDVI并未与某些因子的变化完全同步，由此证明植被覆盖的变化必然是多要素驱动的结果。研究发现，不同季节对于NDVI的响应速率也不同，由大到小依次表现为夏季、秋季、春季、冬季。同时，同一种气象因子在不同的季节，对植被覆盖的变化也有不同，后续在一年四季研究植被覆盖变化时可以侧重于研究不同的气象因子。综合对秩平均值的分析，发现与温度有关的4个气象要素对NDVI的变化影响最显著，均为正相关，说明随着气温的升高，确实有利于植被的生长；同时，降水也与植被覆盖变化呈正相关，但表现出一定的时滞性。由以上相关性分析可得，对NDVI的影响最显著的月份出现在8月，此时正是炎热多雨季节，也验证了气温和降水对植被覆盖变化的重要性，这与目前的大多数研究也基本一致^［35-36］。但先前的研究并未考虑气流的运动对NDVI的影响^［37］，本研究发现，气压与NDVI的变化呈负相关，月最多风向和月最多风向频率对NDVI的影响最不显著。

不少研究同时指出，近些年来，随着城市化的影响，城市气象灾害年代际变化特征越来越明显。城市暴雨有周期性振荡，近10 a来年暴雨和雷暴天数呈现下降趋势，但城市短时强降水频数增加且暴雨的强度增大^［38］；近55 a南昌市年平均霾日数呈增加的趋势，且春夏季霾日少、秋冬季霾日多^［39］；江西省近几年臭氧污染日益严重，伴随着日照时间变长，气温极值升高和降水的异常减少等导致秋季近地面臭氧浓度异常升高^［40］。这些事例都可以说明气候影响因子的变化在监测城市的生态发展中的重要性，且随着全球变暖，极端天气的事件时有发生，未来的气候变化会更复杂，各气象因子的协同驱动作用也会更明显，此问题仍需继续研究。

4.3 人类活动与植被覆盖变化的关系

统计可知，NDVI总体变化趋势为下降，分析植被覆盖时空变化，其中在2005、2009和2018年出现大规模下降。下降速率最快的时间点也是江西省发布政策的重要节点。江西省委、省政府在2018年印发了《关于全面推进全域旅游发展的意见》，把发展旅游业作为深化发展旅游强省建设、全方位提升江西旅游行业整体发展水平和服务质量的重要抓手。在大规模的不合理开发利用绿地资源的情况下，城市植被覆盖率越来越低。值得注意的是，由趋势分析显示2015年为植被覆盖变化的突变点。这一年不仅大规模征地近30 hm²、大规模进行楼市开发且开通了南昌市首条地铁线路^［41］。随着社会的发展，未来的城市化进程更要仔细考虑对于生态环境的影响，避免由于人类活动造成的大规模植被破坏。

5 结论

本研究基于2000—2020年南昌市NDVI数据，采用一系列非参数检验法和随机森林算法分析植被变化趋势和各因子的响应规律，得出以下结论。

1）2000—2020年南昌市的总体植被覆盖情况良好，但呈现波动下降趋势，总体均值为0.463。根据季节的不同，对NDVI的响应程度也有不同，表现为在夏季时的影响最为显著。

2）植被覆盖情况呈现中间低四周高的空间分布规律，北部和西部地区的NDVI值相对较高且下降速率缓慢，中部的东湖区和青山湖区等NDVI值相对较低且有明显下降趋势。

3）南昌市植被覆盖变化的极大平均值出现在每年8月，这与温度、日照时数和降雨的变化较一致，且受温度的影响最显著，受风向的影响最不显著，而降水的影响呈现一定的时滞性。但并未完全同步，因此考虑到是多要素的共同驱动。

本研究在研究NDVI与气候因子的响应分析时，未明确划分不同植被类型来进行研究，下一步将进行基于多种气象因子对区域内不同植被类型的响应研究。

参考文献

[1] 王莉雯，卫亚星，牛铮.基于遥感的青海省植被覆盖时空变化定量分析［J］.环境科学，2008，29（6）：1754-1760.

[2] WANG L W， WEI Y X， NIU Z.Analysis of vegetation spatial and temporal variations in Qinghai Province based on remote sensing［J］.Environmental Science，2008，29（6）：1754-1760.

[3] WANG J， RICH P M， PRICE K P.Temporal responses of NDVI to precipitation and temperature in the central Great Plains，USA［J］.International Journal of Remote Sensing，2003，24（11）：2345-2364.

[4] 杨晏立，何政伟，管磊，基于RS与GIS技术的泸定县植被空间分布分析［J］.测绘工程，2010，19（5）：49-52，56.

[5] YANG Y L， HE Z W， GUAN L，et al.Spatial distribution differentiation of vegetation in Luding County based on RS and GIS［J］.Engineering of Surveying and Mapping，2010，19（5）：49-52，56.

[6] 南昌市自然资源局，中国城市规划设计研究院.南昌市国土空间总体规划（2021—2035年）［R］.南昌：南昌市自然资源局，2021.

[7] Nanchang Natural Resources Bureau，China Academy of Urban Planning and Design.Nanchang City territorial spatial master plan （2021—2035）［R］.Nanchang：Nanchang Natural Resources Bureau，2021.

[8] 王正兴，刘闯， HUETE A.植被指数研究进展：从AVHRR-NDVI到MODIS-EVI［J］.生态学报，2003，23（5）：979-987.

[9] WANG Z X， LIU C， HUETE A.From AVHRR-NDVI to MODIS-EVI：Advances in vegetation index research［J］.Acta Ecologica Sinica，2003，23（5）：979-987.

[10] HUETE A， DIDAN K， MIURA T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，2002，83（1-2）：195-213.

[11] 汤宇磊，吴杨杨，蒋兴征，面向自然资源信息提取的多源异构数据融合技术——以汉江流域NDVI数据为例［J］.中国地质调查，2021，8（2）：74-82.

[12] TANG Y L， WU Y Y， JIANG X Z，et al.Multi-source heterogeneous data fusion technology for natural resource information extraction：A case study of NDVI data in Hanjiang Basin［J］.Geological Survey of China，2021，8（2）：74-82.

[13] YANG Z， SHEN Y Y， JIANG H，et al.Assessment of the environmental changes in arid and semiarid mining areas using long time series Landsat images［J］.Environmental Science and Pollution Research，2021，28（37）：521447-52156.

[14] ZHANG J X， YANG T， DENG M J，et al.Spatio-temporal variations and its driving factors of NDVI in Northwest China during 2000—2021［J］.Environmental Science and Pollution Research，2023，30（56）：118782-118800.

[15] 杨城，邢艳秋，马超.青藏铁路沿线NDVI的人类活动和气候变化响应［J］.测绘科学，2022，47（4）：137-145.

[16] YANG C， XING Y Q， MA C.The response of NDVI along the Qinghai-Tibet railway to human activities and climate change［J］.Science of Surveying and Mapping，2022，47（4）：137-145.

[17] 刘智源，李继红.2000—2020年黑龙江省植被时空变化对气候因子响应［J］.森林工程，2024，40（1）：85-97.

[18] LIU Z Y， LI J H.Responses of temporal and spatial changes of vegetation to climate factors in Heilongjiang Province from 2000 to 2020［J］.Forest Engineering，2024，40（1）：85-97.

[19] ZHANG Y R， HE Y， LI Y L，et al.Spatio-temporal variation and driving forces of NDVI from 1982 to 2015 in the Qinba Mountains，China［J］.Environmental Science and Pollution Research，2022，29（34）：52277-52288.

[20] 龚新梅.新疆土地荒漠化时空变化特征及驱动因子分析［D］.乌鲁木齐：新疆大学，2007.

[21] GONG X M.Characterization of spatial and temporal changes of land desertification in Xinjiang and analysis of driving factors［D］.Urumqi：Xinjiang University，2007.

[22] 张金茜，巩杰，柳冬青.地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析［J］.地理科学，2018，38（8）：1370-1378.

[23] ZHANG J X， GONG J， LIU D Q.Dynamics and driving factors of landscape fragmentation based on GeoDetector in the Bailongjiang watershed of Gansu Province［J］.Scientia Geographica Sinica，2018，38（8）：1370-1378.

[24] 王伟，阿里木·赛买提，吉力力·阿不都外力.基于地理探测器模型的中亚NDVI时空变化特征及其驱动因子分析［J］.国土资源遥感，2019，31（4）：32-40.

[25] WANG W， AlIMU S， JILI A.Geo-detector based spatio-temporal variation characteristics and driving factors analysis of NDVI in Central Asia［J］.Remote Sensing for Natural Resources，2019，31（4）：32-40.

[26] 张乐勤.基于边际分析方法的生态效率驱动因子识别与趋势预测［J］.四川师范大学学报（自然科学版），2019，42（4）：560-568.

[27] ZHANG L Q.Identification and tendency prediction of eco-efficiency driving factor based on marginal analysis［J］.Journal of Sichuan Normal University（Natural Science），2019，42（4）：560-568.

[28] 马森，张代青，张惠，塔里木河流域NDVI时空变化特征及其影响因素分析［J］.高原山地气象研究，2023，43（4）：76-83.

[29] MA S， ZHANG D Q， ZHANG H，et al.Spatiotemporal variation characteristics and influencing factors analysis of NDVI in Tarim River Basin［J］.Plateau and Mountain Meteorology Research，2023，43（4）：76-83.

[30] 穆少杰，李建龙，陈奕兆，2001-2010年内蒙古植被覆盖度时空变化特征［J］.地理学报，2012，67（9）：1255-1268.

[31] MU S J， LI J L， CHEN Y Z，et al.Spatial differences of variations of vegetation coverage in inner Mongolia during 2001-2010［J］.Acta Geographica Sinica，2012，67（9）：1255-1268.

[32] 陈燕丽，罗永明，莫伟华，MODIS NDVI与MODIS EVI对气候因子响应差异［J］.自然资源学报，2014，29（10）：1802-1812.

[33] CHENG Y L， LUO Y M， MO W H，et al.Differences between MODIS NDVI and MODIS EVI in response to climatic factors［J］.Journal of Natural Resources，2014，29（10）：1802-1812.

[34] 陈甲豪，胡中民，吴凯.1982~2015年海南岛NDVI时空变化及气候驱动力分析［J］.遥感技术与应用，2023，38（5）：1071-1080.

[35] CHENG J H， HU Z M， WU K.Spatiotemporal variations of NDVI and the analysis of its climate driving factors in Hainan Island During 1982-2015［J］.Remote Sensing Technology and Application，2023，38（5）：1071-1080.

[36] 周喆，胡夏嵩，刘昌义，基于GEE的黄河上游生态环境质量动态监测与评价：以龙羊峡至积石峡段为例［J］.生态学杂志，2023，42（10）：2545-2554.

[37] ZHOU Z， HU X S， LIU C Y，et al.Dynamic monitoring and evaluation of eco-environmental quality in the upper reaches of the Yellow River based on GEE：A case study of the section from Longyang Gorge to Jishi Gorge［J］.Chinese Journal of Ecology，2023，42（10）：2545-2554.

[38] 赵健赟，丁圆圆，杜梅，基于遥感植被指数的青海高原植被覆盖对气候变化的响应关系分析［J］.中国水土保持，2022（3）：41–44.

[39] ZHAO J Y， DING Y Y， DU M，et al.Response of vegetation cover to climate change in Qinghai Plateau based on remote sensing vegetation index［J］.Soil and Water Conservation in China，2022（3）：41–44.

[40] 廖凯涛，宋月君，谢颂华，基于Google Earth Engine的江西省植被覆盖度时空变化特征分析［J］.中国水土保持，2022（10）：64-67，9.

[41] LIAO K T， SONG Y J， XIE S H，et al.Spatial and temporal variation characteristics of vegetation coverage in Jiangxi Province based on Google Earth Engine［J］.Soil and Water Conservation in China，2022（10）：64-67，9.

[42] 徐新良.中国月度植被指数（NDVI）空间分布数据集［DB］//资源环境科学数据平台.北京：中国科学院地理科学与资源研究所，2018.DOI：10.12078/2018060602 .

[43] XU X L.China monthly vegetation index（NDVI） spatial distribution dataset［DB］//Resource Environmental Science Data Platform.Beijing：Institute of Geographic Sciences and Resources，Chinese Academy of Sciences，2018.DOI：10.12078/2018060602 .

[44] 王炯滔，金明，李有明，基于Friedman检验的非参数协作频谱感知方法［J］.电子与信息学报，2014，36（1）：61-66.

[45] WANG J T， JIN M， LI Y M，et al.Nonparametric cooperative spectrum sensing algorithm based on Friedman test［J］，Journal of Electronics and Information Technology，2014，36（1）：61-66.

[46] 马亚龙，张伟，朱敏洁，评估方法的效度分析［J］.系统工程与电子技术，2007（6）：907-908，925.

[47] MA Y L， ZHANG W， ZHU M J，et al.Analysis of evaluation methods' efficiency［J］.Systems Engineering and Electronics，2007（6）：907-908，925.

[48] 刘洋，曹云东，刘树鑫.基于改进Kruskal-Wallis检验的低压开关电器状态表征参数选择［J/OL］.高电压技术，2024（1）：1-11.

[49] LIU Y， CAO Y D， LIU S X.Selection of state characterization parameters for a low-voltage switching device based on improved Kruskal-wallis test［J/OL］.High Voltage Engineering，2024（1）：1-11.

[50] HAMED K H.Trend detection in hydrologic data：The Mann-Kendall trend test under the scaling hypothesis［J］.Journal of Hydrology，2008，349（3/4）：350-363.

[51] 张建成.基于多变量M-K检验的大凌河流域降水趋势分析［J］.黑龙江水利科技，2020，48（1）：29-33.

[52] ZHANG J C.Analysis of precipitation tendency in Daling river basin based on various M-K check［J］.Heilongjiang Hydraulic Science and Technology，2020，48（1）：29-33.

[53] BREIMAN L.Random forests［J］.Machine Learning，2001，45（1）：5-32.

[54] 鞠艳，杨星，王轶虹，里下河地区极端降水时空变化及未来趋势分析［J］.水文，2023，43（4）：104-110，121.

[55] JU Y， YANG X， WANG Y H，et al.Spatiotemporal characteristics of extreme precipitation and its future trend analysis in the Lixia River Plain［J］.Journal of China Hydrology，2023，43（4）：104-110，121.

[56] 刘小婧.基于MK检验和小波分析方法的渭河1956—2016年径流量变化研究［J］.陕西水利，2023（9）：32-34.

[57] LIU X J.Study on the variation of runoff of Weihe River from 1956 to 2016 based on MK test and wavelet analysis［J］.Shaanxi Water Conservancy，2023（9）：32-34.

[58] 黄永诚.2000—2010年毛乌素沙地植被覆盖度和土地利用变化研究［D］.兰州：兰州交通大学，2014.

[59] HUANG Y C.Research on vegetation cover and land use change in Maowusu sandland from 2000 to 2010［D］.Lanzhou：Lanzhou Jiaotong University，2014.

[60] JIANG L G， LIU Y， WU S，et al.Analyzing ecological environment change and associated driving factors in China based on NDVI time series data［J］.Ecological Indicators，2021，129：107933.

[61] 单文龙，何立恒，骆思莹.北方农牧交错带2000—2013年NDVI时空变化特征［J］.森林工程，2015，31（4）：33-37.

[62] SHAN W L， HE L H， LUO S Y.Spatial-temporal variation of NDVI from 2000 to 2013 in farming-pastoral ecotone of northern China［J］.Forest Engineering，2015，31（4）：33-37.

[63] 吴万民，刘涛，陈鑫.西北干旱半干旱区NDVI季节性变化及其影响因素［J/OL］.干旱区研究，2023（12）：1969-1981.

[64] WU W M， LIU T， CHEN X.Seasonal changes of NDVI in the arid and semi-arid regions of Northwest China and its influencing factors［J/OL］.Arid Zone Research，2023（12）：1969-1981.

[65] 陆晴，刘根林，缪利，2000—2018年江西省NDVI时空演变特征及其与气候因子关系分析［J］.东华理工大学学报（自然科学版），2021，44（4）：370-376.

[66] LU Q， LIU G L， MIAO L，et al.Analysis of the characteristics of spatiotemporal evolution of NDVI and its relationship with climate factors in Jiangxi Province from 2000 to 2018［J］.Journal of East China University of Technology（Natural Science），2021，44（4）：370-376.

[67] 汪如良，吴凡，刘志萍，南昌市近60年城市气象灾害变化特征分析［J］.气象与减灾研究，2014，37（2）：44-49.

[68] WANG R L， WU F， LIU Z P，et al.Variation characteristics of urban meteorological disasters over the past 60 Years in Nanchang［J］.Meteorology and Disaster Reduction Research，2014，37（2）：44-49.

[69] 陈翔翔，胡磊，彭王敏子，1960—2014年南昌市霾天气气象要素及主要大气污染物变化特征［J］.气象与环境学报，2016，32（5）：114-121.

[70] CHEN X X， HU L， PENG W M Z，et al.Characteristics of meteorological parameters and main atmospheric pollutants of haze events in Nanchang from 1960 to 2014［J］.Journal of Meteorology and Environment，2016，32（5）：114-121.

[71] 钱悦，许彬，夏玲君，2016—2019年江西省臭氧污染特征与气象因子影响分析［J］.环境科学，2021，42（5）：2190-2201.

[72] QIAN Y， XU B， XIA L J，et al.Characteristics of ozone pollution and relationships with meteorological factors in Jiangxi Province［J］.Environmental Science，2021，42（5）：2190-2201.

[73] 汲红旗，周超云，蔡绪斌，植被敏感区超大断面地铁暗挖车站施工技术研究［J］.水利与建筑工程学报，2021，19（3）：201-207.

[74] JI H Q， ZHOU C Y， CAI X B，et al.Construction technology of subway underground excavation station in vegetation sensitive area［J］.Journal of Water Resources and Architectural Engineering，2021，19（3）：201-207.

基金资助

国家自然科学联合重点项目(U23A202579)