2. 北京林业大学 林业生态工程教育部工程研究中心, 100083, 北京
-
项目名称
- "十三五"国家重点研发计划课题"水蚀风蚀交错区仿自然高效植被构建技术研究"(2016YFC050170502);深圳市铁汉生态环境股份有限公司项目"华北石质山地边坡植被构建技术研究"(THRD007)
-
第一作者简介
- 罗舒元(1993-), 女, 硕士研究生。主要研究方向:林业生态工程与遥感。E-mail:luoshuyuan0614@163.com
-
通信作者简介
- 朱清科(1956-), 男, 教授, 博士生导师。主要研究方向:林业生态工程与水土保持。E-mail:zhuqingke@sohu.com
-
文章历史
-
收稿日期:2019-03-20
修回日期:2019-07-04
2. 北京林业大学 林业生态工程教育部工程研究中心, 100083, 北京
2. Engineering Research Center of Forestry Ecological Engineering of the Ministry of Education, Beijing Forestry University, 100083, Beijing, China
自然生态系统中,植被在能量交换、水分循环及生物地球化学循环过程中起关键性作用[1-2]。植被覆盖状况的年际和季度变化可用于衡量某一地区生态系统环境的变化[3]。植被覆盖度(vegetation coverage)指植被地上部分(叶、茎、枝)在地面的垂直投影面积占总研究面积的比例[4-5], 它可以直观反映植被的茂密程度[6]。近年来,随着遥感技术逐渐成熟,国内外学者以遥感测量法分析为主辅以地面实测法检验,广泛研究了中大尺度地区植被覆盖度的时空分布规律及其与气候因子、地形因子及人为因素的响应机制[7-10]。相关研究表明归一化植被指数(normalized difference vegetation index,NDVI)与覆盖度具有良好的相关关系[7-13]。
由于气候变化、特殊的地形地貌以及人类对自然资源长时间的不合理利用,使黄土高原地区植被遭到大面积破坏,水土流失严重[14],社会经济发展缓慢且不平衡,是我国水土保持和生态脆弱区建设的重点区域[15-16]。近几十年来,先后启动实施了“三北”防护林体系建设、退耕还林等林业生态工程,极大促进了黄土高原水土保持林草植被建设,不少学者对此项工程给黄土高原地区植被覆盖度的变化进行了广泛研究[17-19],表明黄土高原地区生态环境得到了明显改善。但大多数研究着重于植被覆盖度的年际变化及其部分影响因素之间的关系,而针对居民点、道路、水系等人文社会因素对林业生态工程实施过程的影响机制方面鲜有报道;因此,针对黄土高原林草植被在空间上分布不均的问题,探索半干旱黄土区工程实施过程中林草植被的分布规律及其主要影响机制,可为该地区林业生态工程建设提供科学参考。
1 研究区概况吴起县(E 107°38′57~108°32′49″,N 36°33′33″~37°24′27″)地处陕西省延安市西北部,海拔1 233~1 809 m,总面积3 791.5 km2。全县地势以山川峁梁为主,属于典型的黄土高原丘陵沟壑区[20]。多年平均气温7.8 ℃。降雨在县内空间分布差异显著,全县多年平均降雨478.3 mm,集中在7—9月,多为暴雨,属于温带大陆性季风气候。研究区地处东部季风湿润区与内陆干旱区的过渡地带,植被类型表现为中温带森林灌丛草原植被向草原化森林灌丛草原植被过度的特征,植被组成以华北区系植物为主。通过1999年开始实施的退耕还林工程,全县林草覆盖面积明显增长,形成以落叶阔叶及灌木草丛为主的次生植被类型,林地包括有林地、疏林地、灌木林地,主要类型为落叶阔叶林、针阔混交林。
2 研究内容与方法 2.1 数据源及遥感数据预处理本研究选用1997、2005、2010和2016年共4期8景Landsat遥感影像图,L1T级数据(表 1)。8景影像均来自于美国地质勘探局(United States Geological Survey, 简称USGS);研究区1:1万地理信息数据库,来自吴起县林业局;气象数据来自于国家气象信息中心(http://data.cma.cn/);退耕还林工程相关数据来自吴起县统计年鉴及相关书籍[21]。
以2018年7月在吴起县实测控制点信息为基准,采用二次多项式法对各期遥感影像进行几何校正,校正误差控制在1个像元内。将所有影像统一设置为WGS84投影, UTM坐标系,在ENVI5.3软件中对影像做预处理工作,包括:辐射定标、几何精校正、FLAASH大气校正、影像的拼接与裁剪。
2.2 数据提取 2.2.1 归一化植被指数的提取归一化植被指数(INDVI)[19]是植被生长状态及植被覆盖度最佳指示因子,为近红外波段(INIR < 0.7 mm)与可见光红波段(0.4 mm < IR < 0.7 mm)数值之差与这2个波段数值之和的比值:
$ {I_{{\rm{NDVI}}}} = \left( {{I_{{\rm{NIR}}}} - {I_{\rm{R}}}} \right)/\left( {{I_{{\rm{NIR}}}} + {I_{\rm{R}}}} \right)。$ | (1) |
Landsat 5 TM影像:
$ {I_{{\rm{NDVI}}}} = \left( {{B_4} - {B_3}} \right)/\left( {{B_4} + {B_3}} \right)。$ | (2) |
Landsat 8 OLI影像:
$ {I_{{\rm{NDVI}}}} = \left( {{B_5} - {B_1}} \right)/\left( {{B_5} + {B_4}} \right)。$ | (3) |
式中B3、B4、B5为遥感影像中的第3、第4、第5波段。理论上INDVI的值介于(-1, 1)之间,且当某像元INDVI的值介于(0, 1)时,表明该像元涵盖植被生长信息,且INDVI值越大表明植被覆盖度越高。
2.2.2 植被覆盖度的提取依据归一化植被指数(INDVI)与植被覆盖度(C)之间具有较强的正相关关系[22],可通过像元二分模型来估算其植被覆盖度值, 为
$ C = \frac{{{I_{{\rm{NDVI}}}} - {I_{{\rm{NDVI, soil}}}}}}{{{I_{{\rm{NDVI, veg}}}} - {I_{{\rm{NDVI, soil}}}}}}。$ | (4) |
式中:INDVI为影像中某一像元的NDVI值;INDVI, soil为纯土壤覆盖像元的NDVI值;INDVI, veg为纯植被覆盖像元的NDVI值。INDVI, soil、INDVI, veg值可分别由像元的Imin、Imax代替。为防止噪声等的干扰,Imin、Imax的选取需设置一定的置信区间,本文为累计比例5%~95%(表 2)。
采用不同等级植被覆盖度面积的转出和转入速率[14],来表征其变化的具体内容及动态过程,同时结合状态指数[23],确定其变化趋势。公式如下:
$ {V_{i, {\rm{out}}}} = \frac{{{L_{i, {t_1}}} - {U_i}}}{{{L_{i, {t_1}}}\left( {{t_2} - {t_1}} \right)}} \times 100\% ; $ | (5) |
$ {V_{i, {\rm{in}}}} = \frac{{{L_{i, {t_2}}} - {U_i}}}{{{L_{i, {t_1}}}\left( {{t_2} - {t_1}} \right)}} \times 100\% ; $ | (6) |
$ {D_i} = \frac{{{V_{i, {\rm{out}}}} - {V_{i, {\rm{in}}}}}}{{{V_{i, {\rm{out}}}} + {V_{i, {\rm{in}}}}}}. $ | (7) |
式中:Vi, out为第i等级的植被覆盖度面积在统计年份t1至t2期间的转出速率;Vi, in为相应的转入速率;t1为统计年份初期;t2为统计年份末期;Li, t1为第i等级在t1时的面积,km2;Li, t2为t2时的面积,km2;Ui为统计年份内第i等级面积未变化量;Di为状态指数。
2.3.2 相关性分析采用偏相关分析法[24]探究植被覆盖度分别与降水、气温因子间净相关的程度强弱。
$ {r_{y{x_1}, {x_2}}} = \frac{{{r_{y{x_1}}} - {r_{y{x_2}}}{r_{{x_1}{x_2}}}}}{{\sqrt {\left( {1 - r_{y{x_2}}^2} \right)\left( {1 - r_{{x_1}{x_2}}^2} \right)} }}. $ | (8) |
式中:ryx1, x2为气温条件一定时植被覆盖度与降水因子的偏相关系数;y为植被覆盖度均值;x1为降水因子;x2为气温因子;ryx1、ryx2、rx1x2分别为植被覆盖度与降水、气温因子及降水与气温因子之间的偏相关系数,取值[-1, 1]。|r|>0.800 0,表明两变量之间相关性较强,|r| < 0.300,表明相关性较弱。
2.3.3 显著性检验在SPSS软件中,采用双侧t检验对植被覆盖度与气象因子间相关性做显著性检验[25]。
$ t = r\sqrt {\frac{{n - q - 2}}{{1 - {r^2}}}} . $ | (9) |
式中:t为检验统计量;r为偏相关系数;n为样本数;q为阶数。根据显著性检验结果将变化趋势分为6个等级[25]:极显著负相关(r<0,0 < P<0.01);显著负相关(r<0,0.01<P<0.05);极显著正相关(r>0,0 < P<0.01);显著正相关(r>0,0.01<P<0.05);无显著正相关(r>0,P>0.05);无显著负相关(r<0,P>0.05)。
2.3.4 植被覆盖度等级划分为了更准确地描述植被覆盖度的分布,结合研究区实际情况,将植被覆盖度分为5个等级区[26],依次为:0~20%,低等级;>20%~40%,中低等级;>40%~60%,中度等级;>60%~80%,中高等级;>80%~100%,高等级。
2.3.5 林草植被分布位置因子选取在ArcGIS10.4中,以边长1 km的正方形格网在吴起县内提取矢量点,共3 789个有效点,结合2015和2016年高分遥感影像图逐点筛查得到林草地采样点2 134个,以值提取至点工具提取2 134个采样点的信息,包括2016年植被覆盖度值及分别与居民点、主要道路、主要水系的最近距离。其中主要道路包括主要省道、县乡道、主要街道、乡村路及机耕路;主要水系包括常年河、湖、水库、渠道。
3 结果与分析 3.1 植被覆盖度时空动态变化 3.1.1 植被覆盖度的空间分布特征从空间分布上看(图 1),1997—2016年吴起县植被覆盖度总体上呈上升趋势,由41.6%增至51.1%。其中中高及高等级植被覆盖度地区主要分布在东部和南部地区,而北部地区植被覆盖度几乎没有得到改善,西北部地区以低植被覆盖度为主。从时间变化上看(图 2),中高及高植被覆盖度地区面积比例呈明显上升趋势,而低及中低等级植被覆盖度地区面积比例呈显著下降趋势,中度等级植被覆盖度地区面积比例由1997年的23.30%上升至2005年28.47%后,基本保持不变,且比例最多(表 3)。由此可见,近20年植被恢复,吴起县植被覆盖度状况明显改善,其结构由1997年的中低>中度>低>中高>高转变为2016年的中度>中低>中高>高>低。
各等级植被覆盖度面积的转化量对其转移速率及状态指数有一定程度影响(表 4)。1997—2016年,中高及高等级的转入速率相对较高(>6.50),而低等级的转出速率最高(3.93)。由状态指数来看,中度、中高及高等级的均为负值,说明此3个等级的植被覆盖度面积呈增加趋势,且从绝对值来看,增幅依次为高>中高>中度,增加趋势最明显的为高等级;低(0.33)及中低等级(0.26)的状态指数介于0~1之间,表明此2个等级的植被覆盖度面积呈减少趋势,且低等级所占面积减少趋势更加明显。
为探究植被覆盖度与气候因子间的相关关系及可能存在的滞后性影响,以提取的植被覆盖度值年份为基准(1997、2005、2010、2016年),选取4个时间段的降水和气温数据,并对植被覆盖度与降水及气温因子进行相关分析(表 5)。
在当年时段中,植被覆盖度与第1季度降水总量间的偏相关性最强(r=0.965),与第2季度降水总量的相关性相对较弱(r=0.434),但影响效果未通过显著性检验;在前1、3、5年的3个时段内,植被覆盖度与秋冬季节的降水总量具有较强的正相关关系(r>0.650)且与第4季度降水总量的相关关系逐渐增强;在4个时段中,植被覆盖度与月平均降水量间的偏相关关系逐渐减弱且由正相关转变为负相关,表明月平均降水量对植被覆盖度的影响逐渐减小。
3.2.2 气温因子植被覆盖度与当年度各时段气温均值间的关系大多表现为明显的负相关而与前3、5年时间段的气温均值大多呈明显的正相关,表明植被覆盖度对气温因子的响应存在一定的滞后性。从4个时段上来看,植被覆盖度与月平均气温的偏相关关系由负转为正,且逐渐减小但总体相关性较强,而植被覆盖度与月平均降水量的偏相关关系由正转为负,且绝对值逐渐减小,表明月平均气温对植被覆盖度的影响大于月平均降水量,从而在更长时间序列中气温值对植被的影响要大于降水量对其的影响。
综上所述,第3、4季度的降水量与植被覆盖度大小相关性较强,而从长远来看,年整体的气温状况对植被覆盖度影响较大,且均存在一定程度的滞后性。在当年时段中,第1季度降水总量对植被覆盖度的影响大于第2季度降水总量的影响,而在前1、3、5年的3个时段内,植被覆盖度与秋冬季节的降水总量的相关关系逐渐加强。
3.3 植被覆盖度变化与社会经济因素的关系 3.3.1 退耕还林工程面积为探究退耕还林(草)面积与植被覆盖度的关系,对吴起县1998—2016年累计退耕还林面积进行统计,选取其中被国家确认合格的累计面积数据与植被覆盖度均值做散点图,并以多项式趋势线进行拟合,拟合精度均在0.9以上(图 3)。
吴起县经国家确认合格的退耕还林工程累计完成的面积总体呈上升趋势,先急后缓并逐渐达到稳定状态;植被覆盖度值也呈逐渐增加并趋于稳定的趋势,两者变化趋势相同。
3.3.2 林草植被分布位置为探究研究区植被覆盖度与其分布位置的关系,选取居民点、主要道路及水系3个典型因素与2016年植被覆盖度值进行分析(图 4)。
林草植被主要分布在距居民点500~2 500 m范围内,中度及以上等级林草地数量受与居民点距离影响较大。各等级植被覆盖林草地样点主要分布在距主要道路0~800 m范围内,出现频次呈下降趋势,中低、中高及高等级林草地样点出现频次及分布趋势近乎一致,中度等级林草地受距离影响最大。可知各等级植被覆盖林草地样点主要分布在距主要水系0~600 m范围内,中低及中等级林草地主要分布在距主要水系0~400 m的范围内,400 m以后趋势线迅速下降;中高及高等级林草地出现频数及分布趋势较一致,呈下降趋势。
综上,居民点、主要道路及水系对中等级植被覆盖度林草地分布位置的影响最大,表现为折线斜率变化较大;对中低、中高及高等级影响次之,斜率较为平缓;对低等级近乎没有影响,斜率近乎不变。
4 讨论“三北”防护林体系、退耕还林工程的推行对吴起县植被覆盖度的增加起到了重要作用,与相关探究黄土高原退耕还林工程效应学者的结论[1-2]相一致。
林业生态工程实施遵循了先易后难的建设顺序,本研究结果表明近20年来研究区植被覆盖度总体上呈上升趋势,且由东南向西北逐渐递减,植被覆盖度结构向中及中高度等级转变,这与孟晗等[27]、刘旻霞等[16]的研究结果相一致。研究区东部和南部地势较低,北洛河上游支流密布水分状况较好,加之人工造林养护使植被更易成活,因此植被恢复效果较好;西部及北部地区植被生长较差,该区大多为北洛河的水源发源地,山高坡陡,经雨水冲刷,植物种难以保留且人工栽植树苗成活率较低,植被恢复效果不明显甚至稍有退化。此外,运用面积转移速率及状态指数表征各等级植被覆盖度占地面积变化情况的研究较少,秦伟[14]在分析北洛河上游1986—2004年土地利用变化规律时用到此方法,鉴于原理相同,故用来分析研究区各等级植被覆盖度土地面积的转移情况。
气象因子方面,在长时间序列中气温对植被的影响大于降水量的影响,且两者对植被覆盖度的影响均存在一定程度的滞后性,与一些学者[27]的研究结果降水量对植被覆盖度的影响大于气温的影响不同,可能与研究的尺度及选取降水数据的时间长短及阶段划分不同有关。
5 结论1) 研究区近20年植被覆盖度在空间分布上中高及高等级植被覆盖度地区主要分布在东部和南部,而西北部地区以低等级为主,植被覆盖状况得到明显改善,由1997年低及中低等级为主转变为了2016年中及中高等级为主。年际变化上各植被覆盖度等级的土地面积相互转化频繁,其中低等级的土地面积以转出为主,中及中高等级的土地面积以转入为主,植被覆盖度结构趋于稳定。
2) 气象因子中第3、4季度的降水量与植被覆盖度大小相关性较强。从长远来看,年整体气温状况对植物的生长影响大于降水,且两者对植被覆盖度的影响均存在一定程度的滞后性。
3) 林草植被主要分布在距居民点500~2 500 m、主要道路0~800 m及主要水系0~400 m的范围内,且3个因子对中等级植被覆盖度林草地分布位置的影响最大,对中低、中高及高等级影响次之,对低等级近乎没有影响。
[1] |
肖强, 陶建平, 肖洋. 黄土高原近10年植被覆盖的动态变化及驱动力[J]. 生态学报, 2016, 36(23): 7594. XIAO Qiang, TAO Jianping, XIAO Yang. Dynamic vegetation cover change over the past 10 years on the Loess Plateau, China[J]. Acta Ecologica Sinica, 2016, 36(23): 7594. |
[2] |
张玉东, 谭红兵. 黄土高原典型干旱区退耕还林后植被覆盖变化研究[J]. 生态科学, 2017, 36(1): 139. ZHANG Yudong, TAN Hongbing. Study on changes of land cover in the typical arid region of the Loess Plateau after the grain for green project[J]. Ecological Science, 2017, 36(1): 139. |
[3] |
张东海, 任志远, 王晓峰, 等. 基于MODIS的陕西黄土高原植被覆盖度变化特征及其驱动分析[J]. 生态与农村环境学报, 2013, 29(1): 29. ZHANG Haidong, REN Zhiyuan, WANG Xiaofeng, et al. MODIS based analysis of dynamic variation of fractional vegetation coverage of the Loess Plateau of Shaanxi and its driving force[J]. Journal of Ecology and Rural Environment, 2013, 29(1): 29. DOI:10.3969/j.issn.1673-4831.2013.01.005 |
[4] |
邵霜霜, 师庆东. 基于FVC的新疆植被覆盖度时空变化[J]. 林业科学, 2015, 51(10): 35. SHAO Shuangshuang, SHI Qingdong. Spatial and temporal change of vegetation cover in Xinjiang based on FVC[J]. Scientia Silvae Sinicae, 2015, 51(10): 35. |
[5] |
何宝忠, 丁建丽, 张喆, 等. 新疆植被覆盖度趋势演变实验性分析[J]. 地理学报, 2016, 71(11): 1948. HE Zhongbao, DING Jianli, ZHANG Zhe, et al. Experimental analysis of spatial and temporal dynamics of fractional vegetation cover in Xinjiang[J]. Acta Geographica Sinica, 2016, 71(11): 1948. |
[6] |
李丽丽, 王大为, 韩涛. 2000-2015年石羊河流域植被覆盖度及其对气候变化的响应[J]. 中国沙漠, 2018, 38(5): 1108. LI Lili, WANG Dawei, HAN Tao. Spatial-temporal dynamics of vegetation coverage and responding to climate change in Shiyang river basin during 2000-2015[J]. Journal of Desert Research, 2018, 38(5): 1108. |
[7] |
TONG Siqin, ZHANG Jiquan, HA Si, et al. Dynamics of fractional vegetation coverage and its relationship with climate and human activities in Inner Mongolia, China[J]. Remote Sensing, 2016, 8(9): 1. |
[8] |
LIU Xiaoyang, ZHOU Wei, BAI Zhongke. Vegetation coverage change and stability in large open-pit coal mine dumps in China during 1990-2015[J]. Ecological Engineering, 2016(95): 447. |
[9] |
GU Zhijia, DUAN Xingwu, SHI Yandong, et al. Spatiotemporal variation in vegetation coverage and its response to climatic factors in the Red river basin, China[J]. Ecological Indicators, 2018(93): 54. |
[10] |
CARACCIOLO D, ISTANBULLUOGLU E, NOTO L V, et al. Mechanisms of shrub encroachment into northern Chihuahuan desert grasslands and impacts of climate change investigated using a cellular automata model[J]. Advances in Water Resources, 2016, 91(5): 46. |
[11] |
张圣微, 张睿, 刘廷玺, 等. 锡林郭勒草原植被覆盖度时空动态与影响因素分析[J]. 农业机械学报, 2017, 48(3): 253. ZHANG Shengwei, ZHANG Rui, LIU Tingxi, et al. Dynamics of fractional vegetation cover and its influence factors in Xilingol Steppe[J]. Transactions of the CSAM, 2017, 48(3): 253. |
[12] |
陈学兄, 张小军, 陈永贵, 等. 陕西省1998~2008年植被覆盖度的时空变化研究[J]. 武汉大学学报(信息科学版), 2013, 38(6): 674. CHEN Xuexiong, ZHANG Xiaojun, CHEN Yonggui, et al. Spatiotemporal change of vegetation coverage in Shaanxi province from 1998 to 2008[J]. Geomatics and Information Science of Wuhan University, 2013, 38(6): 674. |
[13] |
刘琳, 姚波. 基于NDVI象元二分法的植被覆盖变化监测[J]. 农业工程学报, 2010, 26(S1): 230. LIU Lin, YAO Bo. Monitoring vegetation-cover changes based on NDVI dimidiate pixel model[J]. Transactions of the CSAE, 2010, 26(S1): 230. |
[14] |
秦伟.北洛河上游土壤侵蚀特征及其对植被重建的响应[D].北京: 北京林业大学, 2009: 1. QIN Wei. Characteristics of soil erosion and its response to re-vegetation in the upper reaches of Beiluohe river[D]. Beijing: Beijing Forestry University, 2009: 1. http://cdmd.cnki.com.cn/Article/CDMD-10022-2009134602.htm |
[15] |
ZHANG X P, ZHANG L, ZHAO J, et al. Responses of streamflow to changes in climate and land use/cover in the Loess Plateau, China[J]. Water Resources Research, 2008, 44(7): 1. |
[16] |
刘旻霞, 赵瑞东, 邵鹏, 等. 近15 a黄土高原植被覆盖时空变化及驱动力分析[J]. 干旱区地理, 2018, 41(1): 99. LIU Minxia, ZHAO Ruidong, SHAO Peng, et al. Temporal and spatial variation of vegetation coverage and its driving forces in the Loess Plateau from 2001 to 2015[J]. Arid Land Geography, 2018, 41(1): 99. |
[17] |
孙艳萍, 张晓萍, 刘建祥, 等. 黄土高原水蚀风蚀交错带植被覆盖度动态变化[J]. 干旱区研究, 2013, 30(6): 1036. SUN Yanping, ZHANG Xiaoping, LIU Jianxiang, et al. Dynamic change of vegetation coverage in water-wind erosion ecotone in the Loess Plateau[J]. Arid Zone Research, 2013, 30(6): 1036. |
[18] |
李粉玲, 常庆瑞, 申健, 等. 黄土高原沟壑区生态环境状况遥感动态监测:以陕西省富县为例[J]. 应用生态学报, 2015, 26(12): 3811. LI Fenling, CHANG Qingrui, SHEN Jian, et al. Dynamic monitoring of ecological environment in loess hilly and gully region of Loess Plateau based on remote sensing:A case study on Fuxian county in Shaanxi province, northwest China[J]. Chinese Journal of Applied Ecology, 2015, 26(12): 3811. |
[19] |
张珍珍, 熊康宁, 黄登红. 近30年来梵净山植被覆盖时空变化及影响因素分析[J]. 水土保持研究, 2018, 25(2): 183. ZHANG Zhenzhen, XIONG Kangning, HUANG Denghong. Analysis on the spatiotemporal change and influence factors of vegetation cover in Fanjingshan mountain over the last 30 years[J]. Research of Soil and Water Conservation, 2018, 25(2): 183. |
[20] |
李登科. 陕北吴起县退耕还林(草)成效的遥感监测分析[J]. 中国沙漠, 2009, 29(1): 125. LI Dengke. Remote sensing analysis on effect of tillage reverting to woodland or grassland in Wuqi, Shaanxi province[J]. Journal of Desert Research, 2009, 29(1): 125. |
[21] |
姚顺波, 李烨, 刘广全. 吴起县退耕还林政策效果评估[M]. 北京: 中国商务出版社, 2012: 18. YAO Shunbo, LI Ye, LIU Guangquan. Evaluation on the policy effect of returning farmland to forests in Wuqi county[M]. Beijing: China Commerce and Trade Press, 2012: 18. |
[22] |
李彤, 师学义. 黄土山丘区植被覆盖变化分析[J]. 水土保持研究, 2018, 25(5): 143. LI Tong, SHI Xueyi. Analysis of change in vegetation cover in loess hilly region[J]. Research of Soil and Water Conservation, 2018, 25(5): 143. |
[23] |
仙巍, 邵怀勇, 周万村. 嘉陵江中下游地区近30年土地利用与覆被变化过程研究[J]. 地理科学进展, 2005, 24(2): 114. XIAN Wei, SHAO Huaiyong, ZHOU Wancun. Process of land use/land cover change in the area of middle and lower reach of Jialingjiang river[J]. Progress in Geography, 2005, 24(2): 114. DOI:10.3969/j.issn.1007-6301.2005.02.013 |
[24] |
郑杰, 冯文兰, 牛晓俊, 等. 四川省植被变化及其与气象因子的相关性分析[J]. 水土保持通报, 2016, 36(2): 99. ZHENG Jie, FENG Wenlan, NIU Xiaojun, et al. Vegetation change and its correlation with meteorological factors in Sichuan province[J]. Bulletin of Soil and Water Conservation, 2016, 36(2): 99. |
[25] |
薛薇. SPSS统计分析方法及应用(第2版)[M]. 北京: 电子工业出版社, 2008: 243. XUE Wei. SPSS statistical analysis method and application (2nd edition)[M]. Beijing: Electronic Industries Press, 2008: 243. |
[26] |
陈妮, 李谭宝, 张晓萍, 等. 北洛河流域植被覆盖度时空变化的遥感动态分析[J]. 水土保持通报, 2013, 33(3): 206. CHEN Ni, LI Tanbao, ZHANG Xiaoping, et al. Spatiotemporal variations of vegetation coverage in Beiluo river watershed based on remote sensing data analysis[J]. Bulletin of Soil and Water Conservation, 2013, 33(3): 206. |
[27] |
孟晗, 黄远程, 史晓亮. 黄土高原地区2001-2015年植被覆盖变化及气候影响因子[J]. 西北林学院学报, 2019, 34(1): 211. MENG Han, HUANG Yuancheng, SHI Xiaoliang. Vegetation coverage change and climate impact factors in the Loess Plateau from 2001 to 2015[J]. Journal of Northwest Forestry University, 2019, 34(1): 211. DOI:10.3969/j.issn.1001-7461.2019.01.32 |