基于MODIS数据的呼伦贝尔典型草原植被时空格局变化及其影响因素

Spatiotemporal variation of vegetation and its influencing factors in the Hulunbuir typical steppe based on MODIS data

摘要

作为中国北部地区的绿色生态屏障，呼伦贝尔草原生态环境的变化对区域乃至全国的生态平衡具有深远影响。基于长期MOD13Q1植被指数数据集及气象数据，构建具有动态适应性且对植被活跃季节敏感的植被覆盖指标gsNDVI。通过Theil-sen回归、Mann-Kendall方法结合Hurst指数，估算呼伦贝尔典型草原2000—2022年的植被变化趋势及未来发展趋势。同时，利用偏相关分析探究气候因素对植被变化的影响。结果表明：研究区多年平均gsNDVI值为0.39，空间分布上呈现东北高、西南低的特征；时间趋势上，gsNDVI均值总体呈缓慢增长趋势，但存在阶段性波动。大部分地区植被覆盖增加，但城市区域植被退化现象明显。偏相关分析的结果显示，降水是影响研究区植被覆盖变化的主要因素，草地对降水的响应最为敏感。同时，趋势分析和Hurst指数的耦合结果显示，呼伦贝尔未来将有部分地区植被趋势呈现反转，对该地区的生态环境保护带来一定挑战。

Abstract

As a green ecological barrier in northern China， changes in the ecological environment of Hulunbuir steppe have a profound impact on both the regional ecological balance and， to some extent， the broader ecological equilibrium of the entire country. Based on the long-term MOD13Q1 vegetation index dataset and meteorological data， this study developed a dynamically adaptable vegetation cover index， gsNDVI， which is sensitive to the active vegetation season. The vegetation change trend and future development of the Hulunbuir typical steppe from 2000 to 2022 were analyzed using the Theil-Sen regression， the Mann-Kendall method， and the Hurst exponent. Additionally， partial correlation analysis was employed to investigate the impact of climate factors on vegetation change. The results show that the multi-year average gsNDVI value for the study area is 0.39， with a spatial distribution characterized by higher values in the northeast and lower values in the southwest. Overall， the mean gsNDVI value exhibits a slow growth trend， though periodic fluctuations are observed. Vegetation coverage has increased in most areas， though noticeable degradation is evident in urban areas. The partial correlation analysis results indicate that precipitation is the primary factor influencing vegetation cover change in the study area， with grasslands being the most sensitive to changes in precipitation. Furthermore， based on the combined results of trend analysis and the Hurst exponent， the vegetation trend in certain areas of Hulunbuir is expected to reverse in the future， which may pose significant challenges to ecological and environmental protection in the region.

Graphical abstract

关键词

植被变化 / MODIS / 气候因素 / 未来趋势 / 偏相关分析 / 趋势分析 / Hurst指数 / 呼伦贝尔

Key words

vegetation change / MODIS / climate factors / future trends / partial correlation analysis / trend analysis / Hurst exponent / Hulunbuir

草原生态系统不仅是陆地生态系统的重要组成部分，也是全球物质循环和能量交换的重要节点，发挥着防护、碳循环、气候调节等不可替代的生态作用^［1］。然而，随着全球气候变暖趋势的加剧，极端天气事件频发，气候变化对草原生态系统的影响逐渐显现^［2］。研究表明，草原生态系统对气候变化具有高度敏感性，全球范围内的草原退化现象日益严重，导致草地生产力下降，生态系统退化^［3-4］。因此，及时、准确地监测草原生态系统的变化对保护和恢复其生态功能至关重要。

遥感技术的进步和发展使得植被变化可被长期、动态地监测^［5-6］，遥感手段测量得到的植被指数是评价植被生物量和生长状况的重要工具^［7］。归一化植被指数（normalized difference vegetation index，NDVI）因其对地表植被变化的敏感性和计算简便性被广泛应用于植被研究^［8］。过去的几十年，国内外学者以NDVI为植被评价指标对草原的生态变化开展了多种研究，例如秦格霞等^［9］分析1982—2015年北方草地NDVI 时空变化，得出大部分地区植被有所增加的结论；陈以恒等^［10］根据2001—2020年的MODIS NDVI影像对天山新疆段草地植被覆盖度进行时空动态分析，证明了该地区草原植被覆盖度总体变化稳定；黄菲等^［11］利用NDVI反演新疆叶城县天然草地退化状况，发现中高海拔山区的草地退化程度严重；Liu等^［12］基于NDVI数据估算草地地上生物量，预测将有25%的草原将会持续退化。

呼伦贝尔草原作为全球气候变化的敏感地区之一，其植被覆盖的变化在一定程度上反映了草原退化的进程，并会对该区域的生态安全与社会经济发展产生深远影响^［13］。许多学者对该地区的植被状况及其与气候变化的关系进行了深入研究。张宏斌等^［14］发现1986—2001年草原景观急剧减少，叶佳琦等^［15］在对比之后，得出草原比森林和湿地对气候变化尤其是降水的敏感性更大的结论；李晶等^［16］发现1998—2018年呼伦贝尔市植被覆盖先减少后增长并呈现“西减东增”的空间变化格局。

以往草地植被变化研究多局限于全年或固定生长季NDVI数据，未全面考虑冬季雨雪及生长季长度变化对植被表征的潜在干扰，且缺乏小区域尺度的趋势验证，限制了对植被变化特征的深入理解及其驱动因素的探究。针对此，本研究选取2000—2022年MODIS NDVI数据，创新性地构建了动态适应性生长季归一化植被指数（growing season normalized difference vegetation index，gsNDVI），基于该指数分析呼伦贝尔典型草原植被的时空变化特征及未来发展趋势。同时，在代表性植被变化区域进行验证，以增强结果的可靠性。此外，深入探讨植被变化与气候因素的复杂关系，旨在为草原生态的区域化建设策略提供科学依据，促进草原生态的可持续发展。

1 研究区和数据

1.1 研究区

呼伦贝尔草原是位于我国内蒙古自治区东部保存最完整的天然草场，是中国4大草原之首。地形地势上，呼伦贝尔草原呈现由南向北、从东到西缓慢过渡下降的态势，中部地势稍矮且较为平缓，俗称呼伦贝尔陷高平原^［17］，整体平均海拔约650 m。如图1所示，研究区位于草原西侧（47°28'N~49°59'N， 115°34'E~120°16'E），是典型的温带大陆性气候，属于半干旱区，年均温和年均降水量分别在-1.5 ℃和250~350 mm左右^［18］，光照充足，雨热同季。土壤类型以黑土、暗棕壤、黑钙土为主，有机质含量丰富，土壤肥沃。

1.2 数据来源及预处理

遥感数据主要来源于NASA地球观测系统的MOD13Q1数据产品，其时空分辨率分别为16 d和250 m，影像数据行列号h25v04，时间范围为2000—2022年。该数据经过了辐射定标和大气矫正，质量可靠。对数据进行NDVI波段提取、格式转换、重投影以及重采样，并根据典型草原范围裁剪得到呼伦贝尔研究区的栅格图像序列。

气候资料（气温、降水）来源于国家地球系统科学数据中心，采集自1901—2022年中国1 km分辨率逐月平均气温数据集以及1901—2022年中国1 km分辨率逐月降水量数据集^［19］。为匹配MODIS数据，对数据集进行了预处理，得到和NDVI数据像元大小相同、投影一致的气象栅格数据。

辅助数据包含Landsat遥感图像、净初级生产力（net primary productivity， NPP）数据以及土地利用数据（China land cover dataset， CLCD）^［20］。Landsat数据空间分辨率达30 m，用于验证研究区内代表性变化区域的动态演变情况。NPP数据来自中国科学院资源环境科学与数据中心（https：//www.resdc.cn/），用于评价植被覆盖指标的有效性。CLCD数据由武汉大学杨杰教授团队开发，用于表征土地覆盖特征。

2 研究方法

如图2所示，本研究首先基于NDVI数据提取生长季植被覆盖指标，利用Theil-Sen和Mann-Kendall方法计算2000—2022年各像元变化趋势。随后，通过与Landsat数据的对比分析，验证植被变化趋势的准确性。在此基础上，结合Hurst指数对植被的未来发展趋势进行预测。最后，利用偏相关分析法探究植被变化同气候因素之间的关系，并进一步分析不同类型植被对降水变化的响应特征。

2.1 植被覆盖指标的提取

呼伦贝尔草原冬季积雪会影响植被状况表征，故本研究聚焦其生长季 NDVI。传统经验统计法常以4—10月^［21］或 5—9月^［22］等固定时段为生长季，但呼伦贝尔草原气候状况复杂，植被生长受多种因素交互影响^［15］，固定时段难以精准反映真实生长季情况。因此，本研究采用动态阈值法^［23-24］，逐像元提取植被物候信息确定生长季长度，阈值设为20%，即NDVI达最大值20%为生长季始，降至20%为终，以此筛选生长季内NDVI有效值。图3（a）展示了研究区某区域不同年份下动态阈值法与经验法生长季时长的对比，另选2001与2013年数据展示动态阈值法选择生长季的过程，分别如图3（b）和3（c）所示。

在此基础上，利用梯形积分法计算植被覆盖指标gsNDVI，其计算公式如下

\mathrm{g}\mathrm{s}\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}=\frac{\mathrm{1}}{T}{\displaystyle \sum _{i=\mathrm{1}}^{n-\mathrm{1}}}\frac{\left(\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i+\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{i+\mathrm{1}}\right)}{\mathrm{2}}\times \left(t_{i+\mathrm{1}}-t_i\right).（1）

其中，T为整个生长季的时长；n为该时期内数据的个数；\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i和\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{i+\mathrm{1}}分别为相邻2个时间点的NDVI值；t_{i+\mathrm{1}}-t_i为相邻2个时间点之间的时间间隔，在本研究中为16 d。

NPP是单位面积和时间内植被通过光合作用从大气中净吸收的总碳量，被认为是衡量生态系统生产力的一个重要指标^［25］。通常情况下，植被覆盖度较高的区域，其NPP值也较高^［26］。因此，参照Gustau^［27］的方法，利用2001—2022年的NPP数据计算并比较了研究范围内所有像素的gsNDVI、最大合成法（maximum value composite， MVC）NDVI^［28］、经验法生长季NDVI与NPP的相关性，结果如图4所示。相较于其他指数，gsNDVI与NPP的相关性更好，这表明gsNDVI能够更准确地反映植被的生长状况和生产力变化。因此，本文后续的分析都将基于gsNDVI开展。

2.2 时空变化与未来趋势分析

采用Theil-Sen回归分析和Mann-Kendall 统计检验相结合的方法分析长期植被序列，以反映时间序列中每个像素的趋势。Theil-Sen回归分析计算效率高，对测量误差和离散数据不敏感^［29-31］。它是根据成对时间步长i和j的观测值x_i和x_j的中位数计算得出的，公式如下

\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}=\mathrm{M}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{x_j-x_i}{j-i}\right),i,j=\mathrm{1,2},\cdots ,N.（2）

对于gsNDVI变化，若\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{0}，则表示植被有改善的倾向，反之则反映植被有退化的倾向。

在此基础上，使用Mann-Kendall统计方法检验趋势显著性，该方法对数据序列分布无要求，通常用于检验长时间序列趋势的显著性^［32-34］。公式如下

Z_s=\left\{\begin{array}{cc}\frac{S-\mathrm{1}}{\sqrt[]{\mathrm{V}\mathrm{A}\mathrm{R}\left(S\right)}},& S\mathrm{0},\\ \mathrm{0},& S=\mathrm{0},\\ \frac{S+\mathrm{1}}{\sqrt[]{\mathrm{V}\mathrm{A}\mathrm{R}\left(S\right)}},& S\mathrm{0}.\end{array}\right.（3）

其中，

S={\displaystyle \sum _{j=\mathrm{1}}^{n-\mathrm{1}}}{\displaystyle \sum _{i=j+\mathrm{1}}^n}\mathrm{s}\mathrm{g}\mathrm{n}\left(x_j-x_i\right),（4）

\mathrm{V}\mathrm{A}\mathrm{R}\left(S\right)=\frac{\mathrm{1}}{\mathrm{18}}\left[n(n-\mathrm{1})(\mathrm{2}n+\mathrm{5})-{\displaystyle \sum _{i=\mathrm{1}}^n}{t}_i(t_i-\mathrm{1})(\mathrm{2}{t}_i+\mathrm{5})\right],（5）

其中，

\mathrm{s}\mathrm{g}\mathrm{n}\left(x_j-x_i\right)=\left\{\begin{array}{cc}\mathrm{1},& \left(x_j-x_i\right)\mathrm{0},\\ \mathrm{0},& \left(x_j-x_i\right)=\mathrm{0},\\ -\mathrm{1},& \left(x_j-x_i\right)\mathrm{0}.\end{array}\right.（6）

其中，S是检验统计量；Z_s是标准化后的检验统计量^［35］；sgn是符号函数；\mathrm{V}\mathrm{A}\mathrm{R}\left(S\right)是方差；n值用来表示时间序列的长度。在给定的显著性水平\alpha下，若\left|Z_s\right|Z_{\mathrm{1}-\alpha /\mathrm{2}}，则表明所研究的时间序列在\alpha水平上变化突出。在本研究中，当Z_s的绝对值大于1.65、1.96、2.58时，分别表示通过了90%、95%、99%的显著性检验。

Hurst 指数是一种用于定量评估长时间序列数据的依赖性和持久性的指标，能够衡量过去数据对未来变化的影响，从而帮助判断未来的趋势^［36-37］。结合gsNDVI的变化趋势和Hurst指数，可以预测未来植被的变化趋势。据Hurst等^［38］的研究，Hurst指数（H）的取值在0~1，并可分为3种情况：当H0.5时，表明未来gsNDVI时间序列趋势不变，且值越大，持续性越强；当H=0.5时，gsNDVI时间序列为随机序列，不具有可持续性，说明未来的时间序列变化与研究期间的变化无关；当H0.5时，gsNDVI时间序列为反可持续性，代表与未来gsNDVI时间序列趋势相反，值越小，反持续性越强。

2.3 植被变化与气候变化的联系

由于在多变量相关性分析中，仅对单一气候因子与gsNDVI的相关性进行分析，无法排除其他因素对呼伦贝尔草原植被覆盖变化的影响，因此研究采用了偏相关分析方法^［28］，逐像元分析呼伦贝尔研究区gsNDVI、气温以及降水的因果关系。相关系数的计算表达式如下

r_{xy,z}=\frac{r_{xy}-r_{xz}{r}_{yz}}{\sqrt[]{\left(\mathrm{1}-r_{xz}^{\mathrm{2}}\right)\left(\mathrm{1}-r_{yz}^{\mathrm{2}}\right)}},（7）

其中，

r_{xy}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}\left[\left(x_i-\overline{x}\right)\left(y_i-\overline{y}\right)\right]}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(x_i-\overline{x}\right)}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-\overline{y}\right)}^{\mathrm{2}}}}.（8）

其中，r_{xy}是变量x和y之间的相关系数；r_{xy,z}是变量x和y之间的偏相关系数，并且去除了变量z的影响。通过以上方法，可分别得到排除降水量的影响后gsNDVI与气温之间的偏相关关系以及排除温度影响后gsNDVI与降水量之间的偏相关关系。

3 结果与讨论

3.1 植被覆盖的空间分布特征

统计呼伦贝尔研究区在2000—2022年逐年gsNDVI，得到23年平均gsNDVI的空间分布特征如图5，研究区整体gsNDVI波动范围为0~0.74，均值为0.39。参考马晓倩等^［39］的研究方法，根据gsNDVI的变化将植被覆盖度划分为4个等级：0~0.30为低植被覆盖，0.30~0.40为较低植被覆盖，0.40~0.50为中等植被覆盖，以及0.50~0.74为较高植被覆盖。并对各类别进行分类统计分析。

结果表明，研究区整体呈现东北部较高、西南部较低的植被覆盖分布格局。其中，较低植被覆盖占比最大，为43.6%，广泛分布于新巴尔虎右旗与新巴尔虎左旗中部区域；中等植被覆盖占比 33.16%，主要分布在陈巴尔虎旗南部以及新巴尔虎左旗东部，另有少量分布于新巴尔虎右旗西北部；低植被覆盖与较高植被覆盖占比较小，低植被覆盖占比12.16%，分布于新巴尔虎右旗西南部；而较高植被覆盖占比11.08%，主要分布在鄂温克旗与陈巴尔虎旗中部。

3.2 植被覆盖的时间变化特征

统计呼伦贝尔研究区23年逐年gsNDVI均值，生成gsNDVI的时间变化特征图，如图6所示。其中，箱线图6（a）显示gsNDVI在不同年份的分布特征，折线图6（b）进一步展示研究区gsNDVI的年度变化趋势。由图可知，呼伦贝尔地区在2000—2022年的植被覆盖呈现出以下趋势：gsNDVI年变化率为0.002 6，整体呈波动上升态势。各年份gsNDVI值的变化范围稳定，但均值波动较大，特别是2012—2018年，波动较为明显。2000—2022年，gsNDVI最高值出现在2013年（0.46），最低值出现在2001年（0.32）。总体上，草原植被覆盖呈现增长趋势。

3.3 植被覆盖的空间变化特征

根据Theil-Sen斜率分析和MK检验的结果，分析得到2000—2022年呼伦贝尔地区各像元gsNDVI变化的空间分布趋势。依据实际情况，按Slope值将像元分为3类，Slope值小于-0.000 5的像元被归类为植被退化区；大于0.000 5的像元为植被增长区；介于两者之间的像元被视为植被稳定区。在此基础上，结合MK显著性检验得到的标准化检验统计量Zs，将结果细分为9类，并计算各类的面积比例，见表1。总体而言，植被覆盖改善面积占90.58%，植被覆盖稳定面积占5.10%，植被退化面积覆盖率占4.32%。

研究区gsNDVI变化的空间分布趋势如图7（a）所示。结合表1及图7（a），可以看出，植被覆盖显著改善和极显著改善的地区主要分布在新巴尔虎右旗西侧、新巴尔虎左旗的南侧和北侧以及海拉尔区和鄂温克旗毗邻处等地区。植被稳定的地区主要分布在新巴尔虎右旗西北部及呼伦湖南部、新巴尔虎左旗中部以及陈巴尔虎旗北部等地区。少部分地区存在植被退化，零星分布在海拉尔中心区、鄂温克自治旗西北部、新巴尔虎右旗北部以及满洲里市部分地区。

为验证趋势分析结果的合理性，提高研究结论的可信度，并揭示影响植被覆盖变化的潜在因素，本研究选取3个具有代表性的区域进行详细分析，分别为图7中所示的海拉尔城市区（图7（b））、扎赉诺尔矿区（图7（c））和新巴尔虎右旗西侧区域（图7（d））。通过对比10 a间隔的30 m空间分辨率Landsat影像，进一步验证植被覆盖变化的情况。对比结果如图8所示，图中每1行对应1个区域，其中，前3幅影像为标注日期下的Landsat RGB影像，第4幅影像则是该区域空间变化趋势的放大图，用于更清晰地呈现区域变化特征细节。

由图8（a）~8（d）可见，2000—2020年，海拉尔城区城市中心建筑面积逐渐扩大，城市周围土地绿化程度逐渐增强，与空间变化趋势分析结果一致。由此表明，城市扩张过程中呈现出一种双重趋势：一方面，城市中心的生态环境正在退化；另一方面，城市周边地区的植被覆盖却在不断增加。这种现象反映了城市发展对生态环境的复杂影响。

图8（e）~8（h）显示，扎赉诺尔矿区的整体绿化面积增加，植被状况呈现出向好的趋势。特别是在西北侧的灵泉露天矿区（红框区域），2010—2022年生态恢复效果显著优于前10年。这一变化主要归因于灵泉露天矿区自2012年起实施的大规模生态修复措施，依据既定规划开展了绿化复垦工作^［40］。本研究结果进一步验证了生态修复措施的有效性。与此相一致，邹兰兰等^［41］的研究也得出了类似的结论。

图8（i）~8（l）显示，2000—2022年，新右旗西侧区域植被覆盖稳定向好。这一显著变化得益于当地牧民积极响应政府退牧还草、草畜平衡号召，采取少养精养的放牧模式。在此过程中，不仅实现了经济效益的提升，更促进了草原生态环境的改善^［42］。这一变化趋势与李梦茹等^［43］的研究结果相契合，验证了相关政策的积极效应与牧民实践的有效性。

3.4 植被变化对气候的响应

为评估气候变化对草原植被覆盖的影响，首先分析2000—2022年研究区域的气温和降水量变化。考虑到草原生态系统的生长季特征，选取每年3—11月的平均气温和全年平均降水量作为表征每年气温和降水的指标。时间序列分析结果（图9）显示，研究区域的降水量和气温均呈波动性上升趋势，其中降水以约3.12 mm/a的速度增加，气温以0.024 ℃/a的速度增加。这表明，研究区域的气候条件在过去几十年间发生了显著变化。

2000—2022年，研究区gsNDVI和气候因素之间的偏相关系数以及相关性分布如图10所示。gsNDVI与降水量之间的偏相关系数（图10（a））介于-0.78~0.89，均值为0.55。正相关像素（97.36%）明显多于负相关像素（2.64%）（图10（c）），其中显著正相关的像素占77.22%，广泛分布于各区旗内，显著负相关和负相关像素主要集中在新巴尔虎左旗北部、满洲里市边缘、陈巴尔虎旗中部等小区域。相比降水量，gsNDVI与气温相关性较弱，平均偏相关系数为0.20（图10（b）），并表现出明显的空间异质性。大部分地区相关性不显著（图10（d）），87.28%的像素呈正相关（9.35%显著），12.72%的像素呈负相关（0.12%显著）。气温对gsNDVI的影响主要集中在新巴尔虎左旗北部和中部。

总体而言，呼伦贝尔地区植被对气候因子中的降水量响应较强，对温度的响应不明显。研究区涵盖草地、森林和农地等主要地表类型，依据CLCD土地利用数据集对研究区进行分类，分别分析这3种地表类型在不同时间范围内对降水的响应（见表2）。结果表明，草地对降水的响应最为强烈，所有时间段内的平均相关系数均超过0.5，表明草地植被对降水量具有较高依赖性。农地与降水量的相关性呈现适度增强，表明降水量对农业生产力的影响日益显著。这可能是由于农业实践、土地管理或气候变化等因素在这一时期内的变化所致。相对而言，森林区域与降水量的相关性维持在较低水平，表明森林植被对降水变化的敏感性较低。这可能是由于森林通常具有深层根系和稳定的小气候，这些因素减缓了降水变化的影响。

上述研究表明，不同土地覆盖类型对降水量敏感性存在显著差异。在研究周期的前2个10年以及整个研究期间，草地对降水变化的响应最为强烈，其次是农地，而森林的敏感性最低。这些发现可以为该区域的土地管理策略和气候适应政策提供参考，特别是在气候变化日益加剧的背景下。

3.5 呼伦贝尔研究区未来的发展趋势

基于逐年的gsNDVI数据，逐像元计算研究区gsNDVI的Hurst指数，结果如图11（a）所示。2000—2022年研究区gsNDVI的Hurst指数值分布在0~1，平均值为0.59。H值小于0.5代表反持续性，即变化趋势相反，该区域占比28.50%；H值大于0.5的代表正持续性，即变化趋势大致相同，该区域占比71.50%。

将Hurst指数与趋势分析结果进行叠加，并在邹洪坤分类方法^［44］的基础上，进行分类统计，得到研究区植被覆盖变化可持续性趋势图，如图11（b）所示。由图可知，研究区内大部分地区呈现持续性改善，总占比为64.03%，其中强持续性改善和弱持续性改善的比例分别为30.67%和33.36%。仅有3.42%的地区呈现持续性退化，主要集中在海拉尔区、满洲里市附近以及鄂温克旗的西北部，反映了城市的扩张对植被覆盖可能会产生持续性影响。反持续性改善区域占比26.66%，主要分布在新巴尔虎右旗北部、陈巴尔虎旗中北部及鄂温克旗零星区域。这些地区有较大可能性改善趋势转为退化趋势，短期内趋势波动较频繁，值得重点关注。基本不变和反持续性退化的区域占比分别是5.13%和0.76%，二者主要分布在河流和湿地周围。

4 结论

首先，本文基于2000—2022年MODIS NDVI数据，确定新的植被覆盖指标gsNDVI，该指标具备动态适应能力和较强的生长季响应性，可有效削弱非生长季因素的干扰，提升对植被生长关键事件的敏感度。

其次，基于gsNDVI分析呼伦贝尔研究区植被空间分布格局及时空变化特征，并结合气候数据研究植被覆盖变化的驱动因素及其影响方式，得出以下结论：

1）2000—2022年，呼伦贝尔研究区的平均gsNDVI呈现东北部较高、西南部较低的空间分布特征。

2）2000—2022年，研究区gsNDVI均值在波动中缓慢增长。总体均值分布在0.32~0.46，2012—2018年波动较为显著。

3）呼伦贝尔研究区大部分地区的植被覆盖呈增加趋势，主要与生态保护政策的实施密切相关；少数区域植被覆盖减少，如海拉尔中心城区，主要与城市的扩张有关。

4）气候因素中，降水对gsNDVI的影响更为显著。其中，占研究区主要地表类型的草地对降水的敏感性最高，而森林对降水变化的响应最小。

最终，经可持续性分析发现，呼伦贝尔研究区大部分地区有持续性改善趋势，伴随少部分地区由改善转变为退化。这预示着未来该区域生态环境状况将呈现显著的区域差异，对生态保护和治理提出了更高的要求。

参考文献

[1] Guo D， Song X N， Hu R H， et al. Grassland type-dependent spatiotemporal characteristics of productivity in Inner Mongolia and its response to climate factors［J］. Science of the Total Environment， 2021， 775： 145644. DOI：10.1016/j.scitotenv.2021.145644 .

[2] Bhuyan M， Singh B， Vid S， et al. Analysing the spatio-temporal patterns of vegetation dynamics and their responses to climatic parameters in Meghalaya from 2001 to 2020［J］. Environmental Monitoring and Assessment， 2022， 195（1）： 94. DOI：10.1007/s10661-022-10685-6 .

[3] 刘慧文， 刘欢， 胡鹏， 等. 基于可解释机器学习的青藏高原草地物候变化多因素影响分析［J］. 环境科学， 2024， 45（6）： 3375-3388. DOI：10.13227/j.hjkx.202306185 .

[4] 赵鹏， 陈桃， 王茜， 等. 气候变化和人类活动对新疆草地生态系统NPP影响的定量分析［J］. 中国科学院大学学报， 2020， 37（1）： 51-62. DOI：10.7523/j.issn.2095-6134.2020.01.007 .

[5] 冯莉莉， 何贞铭， 刘学锋， 等. 基于MODIS-NDVI数据的吉林省植被覆盖度及其时空动态变化［J］. 中国科学院大学学报， 2014， 31（4）： 492-499， 536. DOI：10.7523/j.issn.2095-6134.2014.04.008 .

[6] 张佳华， 胡小夏， 刘学锋， 等. 基于MODIS数据提取华北典型区冬小麦种植面积［J］. 中国科学院大学学报， 2013， 30（5）： 637-643. DOI：10.7523/j.issn.2095-6134.2013.05.010 .

[7] 李舒婷， 周艺， 王世新， 等. 2001—2015年内蒙古NDVI时空变化及其对降水和气温的响应［J］. 中国科学院大学学报， 2019， 36（1）： 48-55. DOI：10.7523/j.issn.2095-6134.2019.01.008 .

[8] 田庆久， 闵祥军. 植被指数研究进展［J］. 地球科学进展， 1998， 13（4）： 327-333. DOI：10.3321/j.issn：1001-8166.1998.04.002 .

[9] 秦格霞， 芦倩， 孟治元， 等. 1982—2015年中国北方草地NDVI时空动态及其对气候变化的响应［J］. 水土保持研究， 2021， 28（1）： 101-108， 117. DOI：10.13869/j.cnki.rswc.2021.01.013 .

[10] 陈以恒， 玉素甫江·如素力， 阿卜杜热合曼·吾斯曼. 2001—2020年天山新疆段草地植被覆盖度时空变化及驱动因素分析［J］. 植物生态学报， 2024， 48（5）： 561-576. DOI：10.17521/cjpe.2023.0155 .

[11] 黄菲， 彭建， 李刚勇， 等. 利用NDVI产草量模型浅探新疆叶城县天然草地退化状况［J］. 草食家畜， 2021（1）： 51-57. DOI：10.16863/j.cnki.1003-6377.2021.01.009 .

[12] Liu S L， Cheng F Y， Dong S K， et al. Spatiotemporal dynamics of grassland aboveground biomass on the Qinghai-Tibet Plateau based on validated MODIS NDVI［J］. Scientific Reports， 2017， 7： 4182. DOI：10.1038/s41598-017-04038-4 .

[13] 莫宇， 鲍雅静， 李政海， 等. 呼伦贝尔草原退化对植被碳库的影响［J］. 内蒙古大学学报（自然科学版）， 2023， 54（1）： 61-68. DOI：10.13484/j.nmgdxxbzk.20230108 .

[14] 张宏斌， 杨桂霞， 黄青， 等. 呼伦贝尔草甸草原景观格局时空演变分析：以海拉尔及周边地区为例［J］. 草业学报， 2009， 18（1）： 134-143. DOI：10.3321/j.issn：1004-5759.2009.01.020 .

[15] 叶佳琦， 李政海， 乌云其其格， 等. 呼伦贝尔草原、湿地和森林植被对气候变化的响应［J］. 中国草地学报， 2018， 40（6）： 26-32. DOI：10.16742/j.zgcdxb.2018-06-04 .

[16] 李晶， 刘乾龙， 刘鹏宇. 1998—2018年呼伦贝尔市植被覆盖度时空变化及驱动力分析［J］. 生态学报， 2022， 42（1）： 220-235. DOI：10.5846/stxb202003270710 .

[17] 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. DOI：10.11821/xb201101005 .

[18] 范凯凯， 李淑贞， 陈金强， 等. 呼伦贝尔草原土壤呼吸作用空间异质性分析［J］. 草地学报， 2022， 30（1）： 205-211. DOI：10.11733/j.issn.1007-0435.2022.01.025 .

[19] Peng S Z， Ding Y X， Liu W Z， et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017［J］. Earth System Science Data， 2019， 11（4）： 1931-1946. DOI：10.5194/essd-11-1931-2019 .

[20] Yang J， Huang X. 30 m annual land cover and its dynamics in China from 1990 to 2019 ［J］. Earth System Science Data Discussions， 2021， 2021： 1-29. DOI：10.5194/ESSD-2021-7 .

[21] 郭岚瑄， 王贺封， 沈石凯， 等. 京津冀地区kNDVI时空变化及对气候因子的响应［J］. 西南农业学报， 2024， 37（8）： 1837-1849. DOI：10.16213/j.cnki.scjas.2024.8.020 .

[22] 余梦晨， 李迎， 李月芬. 2005—2018年浙江省植被生长季NDVI时空变化及其对气候因子的响应［J］. 湖北农业科学， 2022， 61（21）： 32-38， 56. DOI：10.14088/j.cnki.issn0439-8114.2022.21.006 .

[23] 王雅婷， 朱长明， 张涛， 等. 2002—2020年秦岭—黄淮平原交界带植被物候特征遥感监测分析［J］. 自然资源遥感， 2022， 34（4）： 225-234.

[24] Jonsson P， Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（8）： 1824-1832. DOI：10.1109/TGRS.2002.802519 .

[25] Liu C Y， Dong X F， Liu Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu， China［J］. Catena， 2015， 125： 190-199. DOI：10.1016/j.catena.2014.10.027 .

[26] Hu X Q， Feng H H， Tang Y Y， et al. Detection of the contribution of vegetation change to global net primary productivity： a satellite perspective［J］. Remote Sensing， 2024， 16（24）： 4692. DOI：10.3390/rs16244692 .

[27] Camps-Valls G， Campos-Taberner M， Moreno-Martínez Á， et al. A unified vegetation index for quantifying the terrestrial biosphere［J］. Science Advances， 2021， 7（9）： eabc7447. DOI：10.1126/sciadv.abc7447 .

[28] Liu X F， Zhang J S， Zhu X F， et al. Spatiotemporal changes in vegetation coverage and its driving factors in the Three-River Headwaters Region during 2000–2011［J］. Journal of Geographical Sciences， 2014， 24（2）： 288-302. DOI：10.1007/s11442-014-1088-0 .

[29] Ma Y R， Guan Q Y， Sun Y F， et al. Three-dimensional dynamic characteristics of vegetation and its response to climatic factors in the Qilian Mountains［J］. Catena， 2022， 08： 105694. DOI：10.1016/j.catena.2021.105694 .

[30] Liu Y， Li L H， Chen X， et al. Temporal-spatial variations and influencing factors of vegetation cover in Xinjiang from 1982 to 2013 based on GIMMS-NDVI₃g［J］. Global and Planetary Change， 2018， 169： 145-155. DOI：10.1016/j.gloplacha.2018.06.005 .

[31] Sen P K. Estimates of the regression coefficient based on Kendall’s tau［J］. Journal of the American Statistical Association， 1968， 63（324）： 1379-1389. DOI：10.1080/01621459.1968.10480934 .

[32] Ren Z G， Tian Z H， Wei H T， et al. Spatiotemporal evolution and driving mechanisms of vegetation in the Yellow River Basin， China during 2000-2020［J］. Ecological Indicators， 2022， 138： 108832. DOI：10.1016/j.ecolind.2022.108832 .

[33] Kendall M G. A new measure of rank correlation［J］. Biometrika， 1938， 30（1/2）： 81-93. DOI：10.2307/2332226 .

[34] Mann H B. Nonparametric tests against trend［J］. Econometrica， 1945， 13（3）： 245-259. DOI：10.2307/1907187 .

[35] Chen S Y， Ji L Y， Li K X， et al. The spatio-temporal variation of vegetation and its driving factors during the recent 20 years in Beijing［J］. Remote Sensing， 2024， 16（5）： 851. DOI：10.3390/rs16050851 .

[36] 宗慧琳， 张晓伦， 袁希平， 等. 利用GEE进行1990—2022年小江流域生态环境质量时空格局与演变趋势分析［J］. 环境科学， 2024， 45（7）： 4122-4136. DOI：10.13227/j.hjkx.202308061 .

[37] 奥勇， 汪雅， 王晓峰， 等. 近二十年郑州市生态环境质量时空变化及驱动因素分析［J］. 自然资源遥感，2025， 37（1）： 102-112. DOI：10.6046/zrzyyg.2023203 .

[38] Hurst H E. Long-term storage capacity of reservoirs［J］. Transactions of the American Society of Civil Engineers， 1951， 116（1）： 770-799. DOI：10.1061/taceat.0006518 .

[39] 马晓倩， 钟瑞森， 吴彬， 等. 塔里木河干流植被NDVI时空动态变化及影响因素探测［J］. 环境科学， 2025，46（9）：5813-5824. DOI：10.13227/j.hjkx.202409115 .

[40] 孟庆俊， 冯启言， 张淇翔， 等. 高寒地区露天煤矿生态修复区生物多样性评估［J］. 能源环境保护， 2018， 32（3）： 44-49. DOI：10.3969/j.issn.1006-8759.2018.03.013 .

[41] 邹兰兰， 冯启言， 郝明， 等. 灵泉露天矿生态修复效果及驱动因素分析［J］. 中国矿业， 2024， 33（3）： 43-50. DOI：10.12075/j.issn.1004-4051.20230100 .

[42] 胡娇娇，宇广.新右旗3397户牧民获草原生态保护补助奖［N］.呼伦贝尔日报，2022-11-07（003）. DOI：10.28351/n.cnki.nhlbe.2022.001771 .

[43] 李梦茹， 邓泽坤， 杜佳梦. 新巴尔虎右旗植被覆盖变化研究［J］. 草原与草业， 2021， 33（1）： 29-34. DOI：10.3969/j.issn.2095-5952.2021.01.006 .

[44] 邹洪坤. 湖北省植被覆盖度动态变化及其对气候变化的响应［D］. 武汉： 武汉大学， 2018.

基金资助

国家重点研发计划(2023YFF1303802)