1982—2023年中国不同植被NDVI对气候响应的滞后性差异分析

Spatiotemporal patterns of lagged vegetation responses to climate variability across China from 1982 to 2023

摘要

基于1982—2023年时序NDVI年数据，运用趋势分析、偏相关分析与地理探测器等方法，揭示了不同植被时空变化特征及其对气候响应的滞后性差异。主要结论如下：1）1982年以来全国植被NDVI总体处于上升状态，尤其在2000年以后提升明显，表现出生态恢复成效逐步显现的特征；而20世纪末期部分区域出现短期下降，其中东北、华北等地区受自然退化与人类干预双重影响较为突出；2）NDVI对降水的响应普遍滞后1~3个月，对气温的响应则出现在1~2个月后，滞后效应在不同气候带与植被类型中表现出较强的异质性；3）西北和西南以气候变量（降水、积温）为主导；华东、中南、华北则更多受土地利用变化和人为活动影响；在部分地区，气温与降水的交互效应也对NDVI波动起到了协同作用。研究成果为未来生态环境管理和可持续发展提供了有力的支持和理论依据。

Abstract

Based on annual NDVI data from 1982 to 2023， the trend analysis， partial correlation analysis， and the geographical detector were employed to investigate the spatiotemporal dynamics of vegetation and to explore the lagged response characteristics of vegetation to climatic factors across different regions. The results indicated that： 1） Since 1982， the vegetation NDVI in China had generally exhibited an increasing trend， with a more pronounced rise after 2000， reflecting the gradual effectiveness of ecological restoration initiatives. However， a short-term decline occurred in some regions during the late 20th century， particularly in Northeast and North China， where the vegetation dynamics were influenced by both natural degradation and human disturbances； 2） NDVI responses to precipitation generally exhibited a lag of 1~3 months， while the responses to temperature typically occurred after 1~2 months. The lag effects showed the considerable heterogeneity among different climatic zones and vegetation types； 3） The dominant driving factors varied across regions. Climatic variables， particularly precipitation and accumulated temperature， played a leading role in Northwest and Southwest China， whereas land-use change and human activities exerted the stronger influences in East， Central-South， and North China. In some regions， the interaction between temperature and precipitation also produced synergistic effects on NDVI variability. These findings could provide an important scientific support for ecological management and sustainable development by improving the understanding of vegetation-climate interactions and their lagged response mechanisms.

Graphical abstract

关键词

植被NDVI / 时空特征 / 滞后响应 / 气候变化 / 中国

Key words

NDVI / spatiotemporal characteristics / lagged response / climate change / China

0 引言

全球气候变化日益加剧，植被作为生态系统的重要组成部分，受到气候变化的显著影响。植被的时空分布及其对气候变化的响应，不仅有助于深入理解生态系统的演变机制，还为预测未来的生态趋势提供了重要的科学依据^［1］。植被生长受多种自然和人为因素的共同作用，其中，温度、降水和光照等自然因素，以及土地利用、农业活动和城市化等人为因素，交织作用，决定了植被的生长周期和覆盖度^［2‑3］。因此，探究植被在不同气候条件下的时空变化特征，对于评价气候变化对生态系统的潜在影响至关重要。

随着全球变暖的不断加剧，我国植被格局也经历了显著变化^［4］。植被对气候变化的响应存在明显的区域差异，且各地植被对气候因子的敏感性和滞后性亦有所不同^［5］。因此，研究我国植被变化的时空模式及其对气候因子的滞后响应，具有重要的科学意义。归一化植被指数（NDVI）是广泛应用于植被动态监测的重要指标，能够有效揭示植被变化过程及其驱动因素^［1］。虽然已有研究表明气温和降水对植被变化的影响，但大多数研究的时间跨度较短，尚不足以全面评估长期气候变化对植被的深远影响^［6-7］。气候变化对植被的影响并非即时显现，往往存在明显的滞后效应^［8］。因此，深入研究植被对气候变化的滞后反应，有助于更准确地揭示生态系统对外部环境变化的适应与调节机制^［9］。

植被NDVI与气候因子之间的滞后效应已成为气候变化和生态学研究的重要内容^［10-11］。研究表明，气温和降水等气候因子对植被的影响通常存在滞后效应，植被NDVI的变化往往需要一段时间才能反映气候变化的影响。滞后效应受多种因素的影响，包括气候变化、季节变化、植被类型及区域环境等^［10］。例如，刘成林等^［12］研究了内蒙古草原的NDVI与降水的滞后关系，发现草原植被对降水的响应滞后时间为50~60 d。滑永春等^［5］研究了内蒙古荒漠草原的NDVI与气候因子之间的滞后关系，表明降水对植被生长的影响最大，且滞后约1个月。尽管已有研究揭示了NDVI与气候因子之间的滞后关系，但全国尺度的植被时空变化模式和不同植被类型对气候变化的响应滞后性仍不明确^{［13‑14］}。

本研究基于1982—2023年NDVI时序数据，结合气象数据、土地利用数据等，采用趋势分析、偏相关分析和地理探测器等方法，从全国及六大区域两个尺度展开，全面揭示植被NDVI的时空变化特征，分析气候因子与植被NDVI之间的滞后响应关系，并探究不同地区植被生长的主导影响因子。

1 数据源及方法

1.1 研究区概况

中国位于欧亚大陆东部、太平洋西岸，地跨低纬度至高纬度（约73°30′E—135°02′E，3°31′N—53°33′N），如图1所示。

受广阔空间尺度及显著经纬度梯度影响，我国水热配置复杂多样，气候环境具有显著空间异质性^［9］。在东亚季风系统控制下，降水总体呈由东南沿海向西北内陆递减的格局，气温由南向北逐渐降低，形成清晰的水热梯度。在此背景下，气候条件与复杂地形的耦合作用塑造了植被明显的水平地带性与垂直分异特征，为NDVI时空变化及其驱动机制研究提供了典型且具有代表性的自然背景。

1.2 数据源及预处理

本研究使用的植被归一化指数（NDVI）数据包括GIMMS NDVI和MODIS NDVI数据。GIMMS NDVI数据集由美国NASA陆地数据中心（Land Data Center）提供，涵盖了1982—2000年的时间段；MODIS NDVI数据则由国家地球系统科学数据中心（http：//auth.geodata.cn/）提供，时间跨度为2001—2023年。气象数据来源于中国气象数据网（http：//data.cma.cn/），涵盖约800个国内广泛分布的地面气象站点，提供了所需时间范围内的月平均降水量、年平均气温、年累积温度及年日照时数等气候参数。

为反映社会经济影响，本研究主要使用夜间灯光数据，数据通过Google Earth Engine平台（https：//earthengine.google.com）获取，空间分辨率为1 km，时间粒度为年。数据的地理坐标系统采用克拉索夫斯基投影坐标系。高程数据来自美国国家航空航天局（NASA）与美国地质调查局（USGS）联合提供的SRTM数据集，数据覆盖中国区域，空间分辨率为90 m，高程范围为－12~9 km。土地利用类型数据来源于资源科学数据中心（http：//www.resdc.cn），提供的土地利用数据集空间分辨率为30 m，投影坐标系为克拉索夫斯基投影坐标系。

1.3 研究方法

1.3.1 趋势分析法

趋势分析法是利用最小二乘法来计算分析中国1982—2023年NDVI的变化趋势。计算公式为：

{\theta }_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}}=\frac{n\times {\displaystyle \sum _{i=\mathrm{1}}^n}(i\times \mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i)-{\displaystyle \sum _{i=\mathrm{1}}^n}i{\displaystyle \sum _{i=\mathrm{1}}^n}\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i}{n\times {\displaystyle \sum _{i=\mathrm{1}}^n}{i}^{\mathrm{2}}-{\left({\displaystyle \sum _{i=\mathrm{1}}^n}i\right)}^{\mathrm{2}}}，(1)

式中：n为研究时序的总年数（n=42），\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i为第i年的NDVI， slope为斜率。

slope为正值时，表示n年内NDVI呈上升趋势，植被状况有所改善；slope为0，表示n年内NDVI基本没有变化；slope为负值时则表示n年内NDVI呈下降趋势，植被状况有所退化。

显著性检验则采用F检验，计算公式为：

F=U\times \frac{n-\mathrm{2}}{Q}，(2)

U={{\displaystyle \sum _{i=\mathrm{1}}^n}({\widehat{y}}_i-\overline{y})}^{\mathrm{2}}，(3)

Q={{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-{\widehat{y}}_l)}^{\mathrm{2}}，(4)

式中：U为回归平方和，Q为残差平方和，y_i为第i年的NDVI，{\widehat{y}}_i为NDVI的回归值，\overline{y}为NDVI均值，n为年数。

1.3.2 相关性分析

相关性分析主要反映了植被NDVI和气候因素的相关程度^［15］。为了评估植被NDVI与气候因子之间的相关性及其显著性，本研究采用逐像元的Pearson相关系数进行计算。在此基础上，引用偏相关系数单独分析两个要素之间的关系^［7］。

在研究偏相关系数的同时，使用t统计量进行显著性检验^［16］。显著性检验公式如下：

t=\frac{r}{\sqrt[]{\mathrm{1}-r^{\mathrm{2}}}}\sqrt[]{n-m-\mathrm{1}}，(5)

式中：r表示偏相关系数，n为样本数目，m为变量数目。

1.3.3 地理探测器

地理探测器是一种用于识别地理现象空间异质性及其驱动因素的方法，能够有效揭示影响因子与空间分布之间的关系^［17］。其模型为：

q=\mathrm{1}-\frac{\mathrm{S}\mathrm{S}\mathrm{W}}{\mathrm{S}\mathrm{S}\mathrm{T}}，(6)

\mathrm{S}\mathrm{S}\mathrm{W}={\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}，(7)

\mathrm{S}\mathrm{S}\mathrm{T}=N{\sigma }^{\mathrm{2}}，(8)

式中：h=1，…，L为变量Y或因子X的分类；N_h和N分别为层h和全区内单元数；{\sigma }_h^{\mathrm{2}}是层h的Y值的方差；{\sigma }^{\mathrm{2}}是全区的Y值的方差；SSW为层内方差之和；SST是全区总方差。

2 结果与分析

2.1 不同分区植被NDVI时序变化

如图2（a）所示，东北地区NDVI呈缓慢增长趋势（+0.064 4，约9.5%）。时间序列可分为3个阶段：1982—1995年相对稳定（0.68~0.72）；1996—2003年出现短暂下降（最低值0.674 4）；2004年后持续上升，尤其2010年后增长速率明显提高。该区域NDVI变化具有一定阶段性波动，但整体趋势稳定，表明在气候改善与生态工程（如退耕还林）共同作用下，植被恢复过程具有持续性。

如图2（b）所示，华北地区NDVI整体呈弱上升趋势，但年际波动较大。1982—1994年缓慢上升至阶段性高值（0.468），随后至2000年前后明显下降（最低0.396 1），2000年后逐步恢复，并在2010年后趋于稳定（约0.45）。

如图2（c）所示，华东地区NDVI表现出显著持续增长（+0.130 1），为六大区域中增幅最大的区域之一。1982—2000年缓慢增长，2003年后进入加速提升阶段，2010年后稳定在较高水平（0.70以上）。

如图2（d）所示，西北地区NDVI虽整体水平最低，但增长幅度相对较高（+0.033 4，约14%）。2000年前NDVI波动剧烈且无明显趋势，2000年后逐步转为稳定增长，并在2015年后达到阶段性高值（0.266 8）。

如图2（e）所示，西南地区NDVI总体呈持续上升趋势。1997年前波动较大，2000年后进入快速增长阶段，尤其2003—2010年期间呈现明显增强趋势，之后维持高值并缓慢提升。

如图2（f）所示，中南地区NDVI水平最高，且增长显著。1997年前波动明显，1998年后进入快速增长阶段，2002年NDVI突破0.7，2016年后虽存在一定波动，但整体维持高位，并于2021年达到峰值（0.763 2）。

2.2 中国不同植被NDVI与气温、降水的滞后性分析

植被对气候因子的响应通常具有时间滞后性。本研究分析了不同滞后期（0~3个月）NDVI与降水的相关性，揭示了植被对降水响应的时滞特征。

结果表明（图3），滞后1~3个月的降水与NDVI相关性最高（r=0.578，P<0.01），其次为滞后1~2个月（r=0.562，P<0.01），两者差异较小，表明植被对短期降水变化较为敏感，但其响应通常在1~3个月内逐步显现。从空间分布看，高相关区主要集中于西北内陆、东南沿海及北纬30°附近区域，而滞后期较短（1~2个月）的高相关区则主要分布于东部季风区、西北北部及青藏高原东缘。

从植被类型来看，栽培植被对降水的响应滞后期较短，在1~2个月内相关性最强，反映其对水分变化的快速响应能力；而针叶林与阔叶林等天然植被对降水的响应更多依赖于水分累积过程，对滞后1~3个月降水表现出更高相关性，滞后效应更为显著。

相较于降水，气温作为控制植被光合作用与生理活动的关键因子，其影响同样存在滞后性，但响应模式存在明显差异。NDVI与气温的最高相关性出现在滞后1~2个月（r=0.698，P<0.01），而滞后3个月相关性显著降低（r=0.189，P>0.05）。从植被类型看，沼泽、草甸和草原对气温变化最为敏感，在滞后1~2个月时相关性最高（r分别为0.776、0.769和0.764，P<0.01），表明草本类植被对温度变化响应迅速且强烈。

2.3 中国植被NDVI与典型气候因子的偏相关分析

基于1982—2023年NDVI及气候数据，采用三阶偏相关分析方法，定量评估在控制其他气候变量条件下，降水、气温及积温对植被NDVI的独立影响，并结合t检验对相关性显著性进行检验（图4）。

如图4（a1）所示，NDVI与降水的三阶偏相关系数整体较高，范围为－0.90~0.94。其中，约53.76%的区域呈正相关，主要分布于甘肃东南部、宁夏、华北北部及内蒙古中东部，以及西南地区东部。约46.24%的区域表现为负相关，主要集中于新疆东北部、甘肃北部、内蒙古西部、青海西北部及东南沿海局部地区。

如图4（a2）所示，极显著正相关区域面积占比为12.66%，主要分布于华北、东北西北部及西北与华北过渡带；显著正相关区域占比为9.48%。显著负相关与极显著负相关区域占比分别为3.68%和2.18%，主要集中于新疆及内蒙古西部。

如图4（b1）所示，NDVI与气温的偏相关系数变化范围为－0.98~0.93，空间差异显著。其中，68.81%的区域呈正相关，主要分布于东北地区、黄河流域以南及青藏高原东南部。31.19%的区域呈负相关，主要集中于西北地区及华北西北部。

如图4（b2）所示，极显著正相关区域占比为15.49%，主要分布于东北、青藏高原东南及云南南部；显著正相关区域占比为8.11%。显著负相关与极显著负相关区域占比分别为3.19%和2.98%，主要集中于新疆及内蒙古西部。

如图4（c1）所示，NDVI与积温的偏相关系数范围为－0.97~0.92，正相关区域面积占比为47.16%，主要分布于新疆西部、甘肃—青海交界区以及华北平原。负相关区域面积占比为49.19%，主要集中于西南地区（贵州、云南）及西北部分区域（新疆、内蒙古东北部）。

如图4（c2）所示，极显著正相关区域面积占比为1.76%，主要分布于新疆西北部、甘肃与青海交界区、山东中东部及陕西南部等地；而极显著负相关区域主要位于西藏东南部、贵州及四川北部。

2.4 不同历史时期植被NDVI变化主导因子分析

如图5（a）所示，东北地区以自然因子协同增强为主。1990年日照与气温的交互q值达0.62，显著高于单因子（0.44与0.11）；2023年土地利用与降水、气温的交互q值均超过0.60，且坡度与海拔交互q值提升至0.36（单因子为0.19与0.31）。

如图5（b）所示，华北地区呈现由气候主导向降水驱动转变的格局。1990年气温与降水交互q值高达0.89，气温与日照q值为0.87；2023年降水与土地利用、地形因子的交互q值均超过0.80。

如图5（c）所示，华东地区交互作用显著增强且人类活动主导性突出。1990年各因子交互解释力整体较低；至2023年，土地利用与坡度（0.61）及海拔（0.62）的交互解释力显著增强。

如图5（d）所示，西北地区以气候约束与人类调控并存为特征。1990年降水与气温交互q值为0.75，为主导组合；2023年土地利用与降水（0.85）及日照（0.80）的交互仍保持较高解释力。

如图5（e）所示，西南地区以地形-气候耦合为主导。1990年海拔与日照（0.87）及降水（0.87）的交互作用最强，且气候因子间交互作用亦较高；2023年土地利用与降水的交互达0.89，为最高值，同时海拔与降水（0.89）及日照（0.88）仍保持主导地位。

如图5（f）所示，中南地区表现为由地形主导向多因子协同增强转变的格局。1990年整体交互作用较弱，灯光与气候因子的交互q值均低于0.25，而坡度与海拔、气温的交互q值相对较高（0.31和0.38）。2023年多因子交互显著增强，灯光与土地利用的交互提升至0.62。

3 讨论

基于长时间序列NDVI数据，揭示了我国植被变化的时空格局及其对气候因子的滞后响应特征。结果表明，1982—2023年我国植被整体呈显著上升趋势，且2000年后增速明显加快^［18］。然而，与部分研究中强调持续稳定增长不同^［19］，本研究发现20世纪末东北、华北等区域存在阶段性下降，这可能与区域性干旱波动及人类活动扰动叠加有关，这一现象在高宇等^［16］关于华北干旱变化的研究中亦有所体现。

在气候响应方面，NDVI对降水的响应主要滞后1~3个月，对气温的响应则集中于1~2个月，表明植被对降水具有更明显的滞后效应。然而，相较于部分研究中滞后时间更长或更短的结果^{［20‑21］}，本研究中滞后期集中且差异较小，这可能与研究尺度、时间序列长度及分析方法（如偏相关阶数设置）不同有关。

在驱动机制方面，我国植被变化呈现显著的区域分异特征。西北及部分西南地区以降水为主导因子，即水分是限制植被生长的关键因素。而在华东、中南及华北地区，土地利用变化及人类活动的影响更为突出。但相较于部分研究中气温主导作用更为显著的结论^［22］，本研究中气温影响相对分散，这可能与研究采用三阶偏相关方法、剔除了其他气候因子的干扰有关。

此外，多因子交互分析表明，各因子组合的解释力普遍高于单因子，且随时间呈增强趋势，这一结果进一步印证了植被变化的多因子耦合驱动机制，与王劲峰等^［17］提出的地理探测器“交互增强效应”理论一致。相较于仅考虑单一气候因子的研究^{［23‑24］}，本研究从交互作用角度更全面地揭示了植被变化的驱动机制。

需要指出的是，本研究结果与已有研究之间存在一定差异，这主要源于研究时段划分、方法选择及数据处理方式不同。不同趋势分析方法（如slope与Theil-Sen）及不同偏相关阶数可能导致结果存在差异。此外，NDVI数据本身存在饱和效应及传感器差异问题，也可能对结果产生一定影响^{［25‑26］}。

总体而言，通过引入滞后响应与多因子交互分析，本研究进一步表明我国植被变化并非单一因子驱动，而是气候变化与人类活动共同作用的结果，并呈现出明显的区域差异性。这种“气候主导—人类活动增强—多因子耦合”的演变特征，为深入理解我国植被动态变化机制提供了更加系统的认识。

4 结论

综合利用趋势分析与滞后响应方法等，系统揭示了1982—2023年中国植被NDVI的时空演变特征及其与气候因子的关系。主要结论如下：

1）我国植被NDVI整体呈显著增长趋势，且2000年以后增速明显加快。从空间分布来看，东北、华北南部、华东南部、中南及西南东南部地区植被提升最为显著，而西北干旱区及西南部分高原区则呈现局部下降趋势。

2）NDVI对气候因子存在显著滞后响应特征，其中对降水的响应主要集中在前1~3个月，对气温的响应集中在前1~2个月。

3）植被变化的主导驱动因子在不同区域存在显著差异：积温与NDVI的相关性整体最强，在东北和西南地区尤为突出；降水主要影响西北干旱区及南方湿润区，而气温影响相对分散。在解释力方面，华北与华东地区以气温为主导因子，而西北和西南地区则以降水为主导因子。

参考文献

[1] 李榕，朱睿，方春爽，等. 黄河水源涵养区NDVI变化驱动因素及多情景预测［J］. 生态学杂志，2026，45（2）：372-382.

[2] 陈珍，蔡朝朝，马楠，等. 2001—2023年新疆NDVI时空格局与驱动力分析［J］. 干旱区研究，2025，42（5）：922-932.

[3] 王嘉琪，胡健，曹永强，等. 若尔盖高原高寒泥炭湿地水碳过程研究进展［J］. 水土保持学报，2025，39（4）：12-21.

[4] 杨吉存，郭兵. 分区视角下中国植被NPP时空演变及自然-人作用响应机制［J］. 信阳师范大学学报（自然科学版），2025，38（3）：265-272.

[5] 滑永春，高润宏，敖敦. 内蒙古荒漠草原植被对气候响应的滞后性研究［J］. 西北林学院学报，2021，36（4）：1-10.

[6] 张成丽，马嘉玉，廉高敏，等. 黄河中下游地区和海河流域AQI与NDVI时空格局及相关分析［J］. 河南理工大学学报（自然科学版），2025，44（4）：142-150，169.

[7] 王逸男，孔祥兵，赵春敬，等. 2000—2020年黄土高原植被覆盖度时空格局变化分析［J］. 水土保持学报，2022，36（3）：130-137.

[8] 万洪秀，覃志豪，徐永明. 基于MODIS数据的博斯腾湖流域植被变化及其与气候因子的关系［J］. 湖泊科学，2018，30（5）：1429-1437.

[9] 刘宁，彭守璋，陈云明. 气候因子对青藏高原植被生长的时间效应［J］. 植物生态学报，2022，46（1）：18-26.

[10] 陈月庆，周诗恬，朱明，等. 河南省植被覆盖变化与驱动因子的相关性分析［J］. 信阳师范学院学报（自然科学版），2021，34（3）：401-407.

[11] 刘畅，马超. 运城市盐湖区31年植被与水体指标变化及驱动力分析［J］. 河南理工大学学报（自然科学版），2021，40（5）：80-89，180.

[12] 刘成林，樊任华，武建军，等. 锡林郭勒草原植被生长对降水响应的滞后性研究［J］. 干旱区地理，2009，32（4）：512-518.

[13] 毕馨予，刘晓静，马东来，等. 辽宁省植被NDVI对气候因子的滞后响应研究［J］. 中国农业资源与区划，2021，42（10）：233-244.

[14] 袁杰，曹广超，杨登兴，等. 祁连山黑河源区植被NDVI时空变化特征及影响因素分析［J］. 生态科学，2021，40（5）：172-182.

[15] Uchijima Z， Seino H. Agroclimatic evaluation of net primary productivity of natural vegetations［J］. Journal of Agricultural Meteorology，1985，40（4）：343-352.

[16] 高宇，张丽媛，杨文通. 华北地区干旱时空变化及其对植被NDVI的影响［J］. 中国农业气象，2024，45（4）：374-389.

[17] 王劲峰，徐成东. 地理探测器：原理与展望［J］. 地理学报，2017，72（1）：116-134.

[18] 刘坤，袁新，肖寒予，等. 2000—2019年西藏草地植被覆盖度对气温和降水变化的响应［J］. 中国资源综合利用，2022，40（5）：95-99，103.

[19] 刘宪锋，朱秀芳，潘耀忠，等. 1982—2012年中国植被覆盖时空变化特征［J］. 生态学报，2015，35（16）：5331-5342.

[20] 刘芙梅，吴成永，陈克龙. 青海湖流域植被覆盖时空变化特征及驱动力分析［J］. 草原与草坪，2024，44（1）：1-12.

[21] 许翔驰.中国植被NDVI时空变化特征及影响因素分析［D］.哈尔滨：哈尔滨师范大学，2019：3-4.

[22] 王亚晴. 山东省植被覆盖时空演化及其对气候变化和人类活动的响应［D］. 泰安：山东农业大学，2023：4-5.

[23] 具琳静，欧阳勋志，潘萍，等. 2000—2019年赣南森林净初级生产力时空变化及其与气候因子的关系［J］. 东北林业大学学报，2022，50（12）：37-44.

[24] 张远东，张笑鹤，刘世荣. 西南地区不同植被类型归一化植被指数与气候因子的相关分析［J］. 应用生态学报，2011，22（2）：323-330.

[25] 张红峰，王怡恩，顾治家，等. 基于MODIS的大别山区NPP及NDVI时空动态及相关性研究［J］. 信阳师范学院学报（自然科学版），2023，36（3）：362-366.

[26] 葛利玲，焦轶恒，张旭飞，等. 基于气候变化和人为因素的黄土高原植被覆盖变化特征及归因［J］. 河南理工大学学报（自然科学版），2025，44（6）：137-146.

基金资助

国家自然科学基金项目(42471329)

山东省黄河三角洲生态环境重点实验室开放基金项目(2025KFJJ06)

山东省自然科学基金项目(ZR2025MS398)