河北省植被覆盖变化及对生态建设工程的响应

1.北京大学城市与环境学院地表过程分析与模拟教育部重点实验室, 北京 100871; 2.中国地质大学(武汉) 公共管理学院, 武汉 430074; †通信作者, E-mail: jijunm@pku.edu.cn

摘要在分析河北省 2000—2015 年植被覆盖变化特征的基础上, 结合地形、气候和社会经济数据, 通过构建空间计量模型识别研究区植被变化的影响因素, 进而利用人工神经网络量化生态建设工程对植被变化的影响程度。结果表明, 河北省南部及东北部的植被指数比西北部高, 研究时段内大部分地区植被得到改善, NDVI 基本上不变、增加和降低区域的比例分别为 15.14%, 61.75%和 23.11%。2000 年植被 NDVI 分布的影响因素主要有海拔高度、人均 GDP 和人口密度, 起消极作用; 2015 年影响因素增加降水量和生态建设工程造林量, 起积极作用。生态建设工程对植被 NDVI 的影响绝大部分为正值, 且多为轻度改善, 显著改善地区分布在承德市和张家口市, 这些地区也是 NDVI 变化值和生态建设工程造林量(EPA)变化值的热点区域。生态建设工程对 NDVI 的影响为负值的情况主要出现在张家口市的西北部地区、秦皇岛和唐山市的东部地区以及南部的城市建成区。研究结果可为科学评价河北省生态建设工程绩效提供依据, 为区域生态环境保护和植被恢复提供支持。

关键词 NDVI; 生态建设工程; 人工神经网络; 空间计量模型; 河北省

作为陆地生态系统的重要组成部分, 植被是联结大气、土壤和生物各要素的纽带, 贯穿于生态系统的物质循环、能量流动和信息传递过程, 在水土保持、减缓温室气体浓度上升、地表辐射平衡、碳氮循环和维持生态系统稳定等方面发挥重要作用[1]。植被覆盖变化能够反映地表生态环境的演变和区域环境的总体状况, 是反映环境对自然要素和人类活动反馈的重要指示器, NDVI (normalized difference vegetation index, 归一化植被指数)和EVI (enhanc-ed vegetation index, 增强型植被指数)是应用最广泛的测度植被覆盖变化的指标[2]。

近年来, 对植被覆盖的研究多集中在植被覆盖变化的特征及规律[3]、归因分析[4]、空间尺度效应[5]、时间滞后效应[6]以及对影响因素的响应和反馈等方面。众多学者一致认为, 自然因素和人为因素共同作用促使植被覆盖状况发生变化[7–15]。具体而言, 自然因素主要包括气候因素(如气温、降水量、日照时长和湿度等)[7–9]、地形因素(如海拔高度和坡度等)[10–11]、地表植被覆盖类型和自然灾害(如极端气候、旱涝、水土流失、森林草场火灾和病虫害虫等)[12–14]。人为因素表现为人类生产生活和建设活动对地表的直接或间接改变, 包括社会经济因素以及生态建设工程等[15]。中国在生态建设工程上的努力和贡献尤为突出[16], 因此针对中国开展的生态建设工程对植被变化影响的研究, 受到越来越广泛的关注[17]。

张清雨等[18]和罗敏等[19]构建 NDVI 与气温和降水的线性回归模型, 通过计算 NDVI 模拟值和实测值的残差来表征人类活动对植被的影响, 人类活动对植被变化表现出来的促进作用被定性地归结于生态建设工程。Qu 等[20]也利用残差分析法区分气候和人为因素对植被变化的影响, 并探究生态恢复工程和人口迁移两种人为因素对植被变化的影响。唐见等[21]构建人工神经网络模型来量化气候变化和生态保护工程对植被变化的影响程度。Zhang 等[22]利用回归方法, 定量地区分几种生态政策对植被变化的影响。由于生态建设工程的实施方案、实施规模以及对区域的适应程度等不同, 目前对植被变化的影响并没有统一的结论。上述研究一致认为生态建设工程对植被恢复有促进作用, 孙庆龄等[23]则认为三江源生态保护与建设工程的实施对区域植被整体变化的影响有限。也有一些研究表明植树造林可能导致生态系统恶化[24]。从总体上看, 这些研究成果对认识生态建设工程对植被变化的影响有重要的科学价值, 但对影响程度的评估和度量还有待探索。量化生态建设工程对植被变化的影响程度, 是判断生态建设工程布局和适应性管理对策是否得当的决策依据[21]。

在京津冀地区协同发展的背景下, 快速的城市化和工业化过程导致河北省生态环境日益恶化。内环京津地区的特殊地理位置, 决定河北省的生态建设不仅要维持本省的生态安全, 也是京津地区的生态屏障, 因此河北省先后被纳入多个重点生态建设工程。现阶段, 河北省植被研究集中于探讨植被变化过程[25–26]及其与气候因子的关系[27–28], 针对河北省生态建设工程对植被变化的定量研究仍是空白。因此, 本文在分析河北省植被覆盖变化特征及影响因素的基础上, 揭示生态建设工程对植被变化的影响, 构建人工神经网络模型来量化影响程度, 并绘制空间分布图, 旨在为科学地评价生态建设工程绩效提供依据, 也为河北省生态环境保护和植被恢复工作提供支持。

1 研究区概况

河北省横跨华北和东北两大地区, 地理坐标范围为 113°27′—119°50′E, 36°05′—42°40′N, 总面积为 18.88 万 km2。地势西北高、东南低, 地貌复杂多样, 类型齐全, 有坝上高原、燕山和太行山山地以及河北平原三大地貌单元, 分别占全省总面积的8.5%, 48.1%和 43.4%。河北省属温带大陆性季风气候, 大部分地区四季分明, 年平均气温为 11.8ºC, 年均降水量为 503.4 mm, 年日照时数为 2487.2 小时, 年无霜期为 81～204 天。2017 年, 全省总人口7519.52 万, 人口城镇化率为 39.89％。全省生产总值为 35964.0 亿元, 第一、二、三产业结构为 9.8:48.4:41.8。2002 年以来, 生态建设工程在河北省全面展开, 包括三北防护林体系工程(三北防护林工程、太行山绿化工程和沿海防护林工程)、退耕还林工程和京津风沙源治理工程等。截至 2015 年, 河北省各重大生态建设工程累计造林 4.42 万 km2, 占全省总面积的 23.40%。

2 数据与研究方法

2.1 数据采集与预处理

本文采用的行政区划数据来源于国家基础地理信息中心全国 1:100 万基础地理信息数据库, 地形数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)。植被覆盖数据来自中国年度植被指数(NDVI)空间分布数据集[29],空间分辨率为 1km×1km。气象数据来源于中国科学院资源环境科学数据中心资源环境数据云平台(http://www.resdc.cn)。社会经济数据(包括各县的GDP 和人口等)来自《河北省社会经济年鉴》(2001和 2016 年)。生态建设工程相关统计数据为 2000—2015 年河北省各县重大生态建设工程的造林面积, 来自河北省林业和草原局网站。

在 ArcGIS 10.2 平台上, 将所有数据转换成空间数据, 采用世界大地测量系统 1984 (WGS-84)椭球体为参考坐标基准, 投影坐标系的投影模式以及中央子午线分别设置为通用横轴墨卡托(UTM)和108°E。

2.2 研究方法

2.2.1 NDVI变化分级

基于像元求取 2000—2015 年 NDVI 的差值 P, 获得研究区 NDVI 变化的空间分布。

采用自然断点分级法将 P 划分为 7 种类型[30]。其中, −1≤P≤−0.20 为显著降低, −0.20<P≤−0.10 为中度降低, −0.10<P<0 为略微降低, 0≤P≤0.05 为基本上不变, 0.05<P≤0.10 为略微增加, 0.10<P≤0.20 为中度增加, 0.20<P≤1 为显著增加。

2.2.2 综合回归方法

采用综合回归方法, 估计 NDVI 与影响因素在2000 年和 2015 年两个时间点的依赖关系, 具体包括普通最小二乘模型(Ordinary Least Squares, OLS)、空间滞后模型(Spatial Lag Model, SLM)、空间误差模型(Spatial Error Model, SEM)和空间自回归移动平均模型(Spatial Autoregressive Moving Average, SARMA)。不同的模型侧重不同的方面: OLS 不考虑空间结构的影响, 用于检验 NDVI 和影响因素的关联, 然后假设空间自相关或空间依赖性存在, 用空间回归模型(SLM, SEM 和 SARMA)估计 NDVI 与影响因素的关系[31]; SLM 假设空间自相关发生在因变量中, 考虑地理单位之间因变量的空间扩散现象(溢出效应), 强调邻域效应, 考虑空间结构对因变量的影响; SEM 假设空间依赖作用存在于随机干扰项之中, 度量相邻地理单元因变量的误差冲击对研究区观察值的影响程度, 侧重于变量之间的被忽视和不可观测的空间相互依赖性; SARMA 综合考虑空间自相关和空间依赖性。

本研究的因变量包括 2000 年和 2015 年的 NDVI, 自变量为相应时期的海拔高度、降水量、气温、人均 GDP、人口密度和生态建设工程造林量。所有的变量汇总在 ESRI®ArcGIS10.3 软件中, 共有 170个区县级行政单位作为样本。OLS, SLM, SEM 和SARMA 模型均采用GeoDa 095i软件构建。

热点分析用于识别具有统计显著性的高值(热点)和低值(冷点)的空间聚类。热点分析工具对数据集中的每一个要素执行 Getis-Ord Gi* 统计, 计算得到 z 得分和 p 值, 从而确定高值或低值要素在空间发生聚类的位置, 只有具有高值且被同样具有高值的要素包围的要素才会成为具有显著统计意义的热点。本研究使用热点分析来识别 NDVI 变化值和生态工程造林量变化值的热点和冷点, 并识别两个变量的冷、热点重叠区域, 揭示生态建设工程造林量与区域植被指数在空间上的联系。

2.2.4人工神经网络

BP 人工神经网络(Back-propagation Neural Net-work, BPNN)可以用来模拟输入、输出数据间的复杂关系, 能够应用于植被指数与影响因子之间复杂关系的模拟[32–33]。

2000 年河北省生态建设工程尚未全面开展, 这一阶段的植被受到地形、气候和社会经济要素的影响, 本研究将该阶段界定为基准期。2015 年大规模实施生态建设工程, 在 2000 年的基础上, 植被还受到生态建设工程的影响, 将该阶段界定为改变期。

以河北省 170 个区县行政单元为样本, 构建两个神经网络模型: 1)利用基准期的植被 NDVI 和地形、气候以及社会经济数据来训练 BPNN 模型中的参数, 得到网络 1, 同时得到基准期的模拟值, 将改变期的地形、气候及社会经济数据输入训练好的网络 1, 得到改变期的模拟值; 2)利用改变期的植被NDVI 和地形、气候、社会经济以及生态建设数据训练新的 BPNN 模型, 得到网络 2 及改变期在网络2 中的模拟值。通过比较两个阶段的模拟值和实测值来量化生态建设工程对植被 NDVI 的影响程度, 计算公式如下:

式中, ΔNDVIt 表示两个阶段的 NDVI 实测值差值, 代表受所有因素影响的 NDVI 的总变化量; NDVIrc和 NDVIrr 分别表示改变期和基准期的 NDVI 实测值; ΔNDVI1 表示地形、气候和社会经济要素对NDVI 的影响值; NDVIsc1 和 NDVIsr 分别表示改变期和基准期植被在网络 1 中的 NDVI 模拟值; ΔNDVI2表示地形、气候、社会经济要素和生态建设工程对 NDVI 的影响值; NDVIsc2 表示改变期植被在网络 2 中的 NDVI 模拟值; ΔNDVIe 表示生态建设工程对 NDVI 的影响值; η 表示生态建设工程对植被NDVI 变化的贡献比例; ω 表示生态建设工程对基准期植被 NDVI 的影响比例。

3 结果与分析

3.1 河北省2000—2015年植被变化时空特征

河北省植被状况区域差异明显, 南部及东北部的植被指数比西北部高。植被指数低值区集中在西北部高原地区、沿海地区以及建设活动较多的城市中心。从城市中心往外, 植被指数升高, 主要因为距离城市中心越远, 建设活动减少, 对植被生长的负向影响越小, 因此植被状况越好(图 1)。2000— 2015 年, 研究区大部分地区的植被指数有所增加, 但西北部高原地区以及建设活动较多的地区植被指数下降。11 个地级市均有分布, 尤其是高原地区的张家口市、沿海的唐山市、秦皇岛市、沧州市、靠近京津地区的廊坊市以及石家庄市, 承德市是植被指数下降最少的地级市。

从表 1 可以看出, 2000—2015 年 NDVI 基本上不变的区域为 28420km2(占 15.14%), 增加的区域为 144314km2 (占 61.75%), 降低的区域为 43369km2 (占 23.11%)。其中, NDVI 中度增加的区域面积最大, 为 64633km2, 占研究区总面积的 34.44%, 超过增加区域的一半。NDVI 显著增加的区域集中在张家口市和承德市。在植被指数降低的区域中, NDVI略微降低的区域面积最大, 为 25791km2, 占研究区总面积的 13.74%, 超过降低区域的一半。NDVI 中度降低和显著降低区域的面积较小, 主要分布在南部经济发展和城市化速度较快的区县, 多为建设用地占用生产用地和生态用地导致。可以看出, 河北省植被 NDVI 变化与区域植被本底、自然地理环境以及资源开发活动密切相关。

3.2 河北省植被分布的影响因素

基于上述结果并参考文献[7,11,15], 确定回归模型的假设因子(表 2)。考虑数据的可获取性, 以区县行政单元作为分析尺度。其中, 生态建设工程造林量为以 2000 年生态建设工程造林量为基础, 逐年累加的累计造林量。为消除变量单位的影响, 对所有数据采用极大值法进行标准化处理。

如表 3 所示, 首先, 运行 OLS, 根据方差膨胀因子(Variance Inflation Factor, VIF)值判断共线性, 删除气温自变量, 确定回归模型的自变量为海拔高度、降水量、人均 GDP、人口密度和生态建设工程造林量。在OLS 结果中, 2000 和 2015 年的 Moran’s I指数分别为 0.4631 和 0.5292, 指数残差检验结果均通过 0.01%的显著性检验, 表现出显著的空间自相关关系, 不满足独立分布的假设, 空间依赖性的诊断表明, 模型残差中存在统计显著的空间滞后项和空间误差项。其次, 在 SLM 和 SEM 模型中, 空间滞后项和空间误差项都在 0.01%水平上显著正相关。2000 和 2015 年 Breusch-Pagan 检验的统计值均通过 0.1%水平的显著性检验, 表明自变量指标数据不存在异方差。第三, 模型拟合度量结果表明, 3 种空间回归模型的 R2 明显大于 OLS, 说明空间回归模型可以解释更多的研究区植被指数变化, 并且 SEM和 SARMA 模型的 Log likelihood 值在 4个模型中最大, AIC 和 SC 值在 4 个模型中最小, 因此 SEM 和SARMA 模型更适用。

从表 3 可以看出, 在 2000 年 OLS 和 SLM 模型中, 海拔高度与植被指数均显著负相关, 海拔较低的平原地区更适合植被恢复, 尤其是人工植被的恢复。降水量仅在 SEM 模型中与植被指数显著正相关, 在另外 3 个模型中均不显著, 其相关性不稳定的原因可解释为植被状况对气候的响应在时间上存在滞后性, 在空间上存在尺度依存性, 并且降水量数据为经过 DEM 校正得到的插值数据, 与DEM 数据的共线性可能导致回归结果有误差。人均 GDP和人口密度在所有模型中与植被指数均负相关, 反映出经济发展水平和人口压力对植被状况有显著的负向作用, 也说明随着社会经济的发展, 人类对生产生活空间的需求不断增加, 挤压生态空间, 高强度的城镇建设活动对生态环境产生的压力尤其凸显。生态建设工程造林量在 4 个模型中对区域植被均未表现出显著相关性, 这与河北省 2002 年以后才启动退耕还林工程和京津风沙源治理工程有直接关系。

2015 年的回归结果与 2000 年有两处差异: 1) 降水量在 4 个模型中都与植被指数显著正相关, 与以往研究[27–28]得到的结果相同, 反映出在正常水平内年降水量越多, 越能满足植被生长对水分的需求, 对植被生长有促进作用; 2)生态建设工程造林量在 OLS 和 SLM 模型中与植被指数显著正相关, 反映出生态建设工程对区域植被生长产生明显的正向影响。生态建设工程造林量在 2000 年与 2015 年模型中显示截然不同的回归结果, 主要有两个方面的原因: 一方面, 2015 年重点生态建设工程累计造林面积达 4.42 万 km2, 增加幅度较大, 因此生态建设工程对植被恢复的影响不容忽视; 另一方面, 生态建设工程实施 15 年产生绩效, 给予早期的人工植被足够的生长时间, 植被生长更为茂盛, NDVI 的增加幅度更大。

3.3 植被变化对生态建设工程的响应

图 2 显示, 2000—2015 年生态建设工程造林量与NDVI 变化值之间存在正相关关系。由于还有其他因素影响植被指数的变化, 所以回归模型的拟合优度较小。

热点分析结果(图 3)显示, 从 2000 年到 2015 年, 河北省 NDVI 变化和生态建设工程造林量变化的热点地区以及两者的重合区域均集中在北部的承德市和张家口市, 说明这些地区造林量增加面积显著, 植被覆盖情况改善明显。承德市和张家口市的林地分布较为集中, 密度较大, 植被覆盖基础较好, 同时社会经济发展的压力小于南部地区, 对土地资源利用的需求较小, 对生态空间的挤占较小, 因此生态建设工程的实施效果比较理想, 对植被覆盖情况改善效果显著。NDVI 变化的冷点分布在京津周围的廊坊市、沧州市北部、唐山市沿海地区以及研究区南部的邯郸市和邢台市(图 3(a)), 表明这些地区植被覆盖情况没有得到改善, 甚至发生退化。生态建设工程造林量变化的冷点集中在南部地区, 包括石家庄市、保定市、廊坊市、沧州市、衡水市、邢台市和邯郸市(图 3(b)), 表明这些地区的造林量增加较少。两者的冷点重合区域主要位于沧州、廊坊、保定、邢台和邯郸等地级市的部分区县(图3(c)), 这些地区生态建设工程的实施规模较小且力度不大, 同时南部地区的社会经济发展给植被生长带来压力, 因此生态建设工程未能实现预期的植被覆盖改善效果。

BP 人工神经网络模拟结果(图 4 和 5)显示, 在170 个区县中, 生态建设工程对植被 NDVI 大多数为正向影响, 其中影响值为 0~0.1 的区县最多, 多分布于河北省南部。影响值>0.1 的区县主要分布于承德市和张家口市, 也是造林量变化的热点区域。有 36 个区县的影响值是负数, 多分布于张家口市的西北部、秦皇岛和唐山市的东部以及廊坊、保定、沧州、石家庄、邢台和邯郸市的城市建成区。生态建设工程对植被 NDVI 的影响占基准期NDVI 的比例大多数在 0~0.1 之间, 对 NDVI 变化值的贡献比例则分布较广, 从−100 到 100, 其中样本最多的是1~5, 其次是 0.1~0.5 和 0.5~1。说明河北省大部分地区的生态建设工程对植被 NDVI 的变化起显著的积极作用。EPA 对 NDVI 变化值的贡献比例分布与 EPA 对 NDVI 的影响值的分布在绝大部分地区较为一致, 即影响值较大的地区贡献比例较大, 影响值较小的地方贡献比例较小。但是, 也存在一些完全相反的地区, 甚至正、负值也相反。如廊坊市和沧州市靠近京津地区的区县, EPA 对 NDVI 的影响显示正值, 而 EPA 对 NDVI 变化值的贡献比例显示负值, 说明这些地区的 NDVI 在研究时段内减小, 这一现象与 NDVI 变化热点分析的冷点聚集分布现象相一致。

4 讨论

本研究得出的河北省植被覆盖变化特征与以往研究结果[25–26]一致, 东北部地区植被状况较好, 2000—2015 年省域内大部分地区植被状况得到改善, 植被指数低值区集中在西北部高原、渤海湾以及城市建成区。气候因素是影响植被变化的重要因素, 本文回归分析结果显示河北省植被变化与降水量正相关, 与以往研究结论[27–28]一致。气温对河北省植被变化的影响则有所差异, 晏利斌等[27]发现植被变化与气温正相关, 孟丹等[28]发现植被变化与气温负相关, 本文在数据检验阶段由于 VIF 值过高将气温剔除。气温因素出现如此截然不同的结果归因于两个方面: 一是研究时段的不同导致气温的影响存在差异; 二是气温数据来源的不同以及对年均温和生长季均温的选择导致分析结果有所差异。因此, 气温与河北省植被变化的相关性有待进一步探讨。与气温相比, 降水量对河北省植被变化的影响更大, 更稳定。

中国为改善生态环境颁布一系列政策, 并实施大批生态工程。学者们针对这些政策和工程的实施效果进行大量研究, 但多数研究将自然因素之外的影响笼统地归纳为人类活动的影响[34], 定性地将人类活动产生的积极影响归结于区域生态政策和工程的实施。实际上, 人类活动包括社会经济建设和生态环境建设两大方面, 前者以资源开发、经济增长、满足生产和生活为目标, 对植被变化的影响多为负面; 后者诸如城市绿化、生态工程等, 以改善环境、保护生态为目标, 对植被变化的影响多为正面。因此, 笼统地探讨人类活动的影响, 无法区分二者, 难以正确评估生态政策和工程的效果。为解决这一问题, 本文将人类活动定量为人均 GDP、人口密度和生态建设工程造林量, 清晰、全面地量化人类活动对植被生长的影响。结果表明, 河北省社会经济建设确实对植被生长总体上起到抑制作用, 而生态建设工程对植被生长起促进作用, 与孟丹等[28]对京津冀地区植被变化的研究结果相互验证。此外, 本文还量化各区县生态建设工程对植被变化的影响程度, 由于不同地区生态建设工程实施规模和当地对工程的适宜程度不同, 加之不同植被恢复措施和不同林种类型的生态效益不同, 导致生态建设工程的效果因地而异, 因此对植被变化的影响表现出不同的结果。

本研究存在不足之处。采用 2000 和 2015年截面数据分析河北省 2000—2015 年植被变化时空特征, 容易忽略这两个年度数据无法发现的年际变化与年内变化规律。未来工作应深入分析 NDVI 时间序列的变化特征, 并考虑影响的滞后效应, 与截面数据分析结果进行比较, 得出更稳定、更可靠的结论。另外, 尽管本研究全面地考虑了研究区内实施的所有生态建设工程, 但不够细化, 采用的数据是河北省所有生态工程造林量的总和, 而不同生态建设工程的实施规模和人造植被类型等都有区别, 导致对植被变化的影响有所差异。因此, 应进一步分析各个重大生态建设工程对植被变化的影响, 评估不同生态建设工程的效果。

[1] Piao S, Wang X, Ciais P, et al. Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006. Global Change Biology, 2011, 17(10): 3228–3239

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

[3] 梁四海, 陈江, 金晓媚, 等. 近 21 年青藏高原植被覆盖变化规律. 地球科学进展, 2007, 22(1): 33–40

[4] 栾金凯, 刘登峰, 黄强, 等. 近 17 年陕西榆林植被指数的时空变化及影响因素. 生态学报, 2018, 38 (8): 2780–2790

[5] 高江波, 吴绍洪, 蔡运龙. 区域植被覆盖的多尺度空间变异性——以贵州喀斯特高原为例. 地理研究, 2013, 32(12): 2179–2188

[6] 王青霞, 吕世华, 鲍艳, 等. 青藏高原不同时间尺度植被变化特征及其与气候因子的关系分析. 高原气象, 2014, 33(2): 301–312

[7] 郭晶, 关华德, 章新平. 1982～2010 年洞庭湖流域植被指数的变化及其与气候因子的相关分析. 长江流域资源与环境, 2015, 24(8): 1305–1314

[8] Georganos S, Abdi A M, Tenenbaum D E, et al. Examining the NDVI-rainfall relationship in the semi-arid Sahel using geographically weighted regression. Journal of Arid Environments, 2017, 146: 64–74

[9] 田义超, 梁铭忠. 北部湾沿海地区植被覆盖对气温和降水的旬响应特征. 自然资源学报, 2016, 31(3): 488–502

[10] Zoungrana B J, Conrad C, Thiel M, et al. MODIS NDVI trends and fractional land cover change for improved assessments of vegetation degradation in Burkina Faso, West Africa. Journal of Arid Environ-ments, 2018, 153: 66–75

[11] 朱林富, 谢世友, 杨华, 等. 基于 MODIS EVI 的重庆植被覆盖变化的地形效应. 自然资源学报, 2017, 32(12): 2023–2033

[12] Gillespie T W, Ostermann-Kelm S, Dong C, et al. Monitoring changes of NDVI in protected areas of southern California. Ecological Indicators, 2018, 88: 485–494

[13] 江姗珊, 张增信, 王玮琳, 等. 江苏省植被动态演变规律及其与极端气候事件的关系. 南京林业大学学报(自然科学版), 2016, 40(5): 74–80

[14] Li Chunlan, Wang Jun, Hu Richa, et al. Relationship between vegetation change and extreme climate indices on the Inner Mongolia Plateau, China, from 1982 to 2013. Ecological Indicators, 2018, 89: 101–109

[15] Li Ting, Lü Yihe, Fu Bojie, et al. Gauging policy-driven large-scale vegetation restoration programmes under a changing environment: their effectiveness and socio-economic relationships. Science of the Total Environment, 2017, 607/608: 911–919

[16] Chen C, Park T, Wang X, et al. China and India lead in greening of the world through land-use manage-ment. Nature Sustainability, 2019, 2: 122–129

[17] Li Shuai, Liang Wei, Fu Bojie, et al. Vegetation changes in recent large-scale ecological restoration projects and subsequent impact on water resources in China’s Loess Plateau. Science of the Total Environ-ment, 2016, 569/570: 1032–1039

[18] 张清雨, 赵东升, 吴绍洪, 等. 基于生态分区的内蒙古地区植被覆盖变化及其影响因素研究. 地理科学, 2013, 33(5): 594–601

[19] 罗敏, 古丽·加帕尔, 郭浩, 等. 2000—2013 年塔里木河流域生长季 NDVI 时空变化特征及其影响因素分析. 自然资源学报, 2017, 32(1): 50–63

[20] Qu Sai, Wang Lunche, Lin Aiwen, et al. What drives the vegetation restoration in Yangtze River basin, China: climate change or anthropogenic factors? Eco-logical Indicators, 2018, 90: 438–450

[21] 唐见, 曹慧群, 陈进. 生态保护工程和气候变化对长江源区植被变化的影响量化. 地理学报, 2019, 74(1): 76–86

[22] Zhang Daojun, Jia Qiqi, Xu Xin, et al. Contribution of ecological policies to vegetation restoration: a case study from Wuqi County in Shaanxi Province, China. Land Use Policy, 2018, 73: 400–411

[23] 孙庆龄, 李宝林, 许丽丽, 等. 2000－2013 年三江源植被 NDVI 变化趋势及影响因素分析. 地球信息科学学报, 2016, 18(12): 1707–1716

[24] Zhang J, Niu J, Bao T, et al. Human induced dryland degradation in Ordos Plateau, China, revealed by mul-tilevel statistical modeling of normalized difference vegetation index and rainfall time-series. Journal of Arid Land, 2014, 6(2): 219–229

[25] 李卓, 孙然好, 张继超, 等. 京津冀城市群地区植被覆盖动态变化时空分析. 生态学报, 2017, 37(22): 7418–7426

[26] 尹海魁, 赵文廷, 李超, 等. 基于生态分区的河北省植被覆盖时空变化特征研究. 土壤通报, 2016, 47(1): 29–35

[27] 晏利斌, 刘晓东. 1982—2006 年京津冀地区植被时空变化及其与降水和地面气温的联系. 生态环境学报, 2011, 20(2): 226–232

[28] 孟丹, 李小娟, 宫辉力, 等. 京津冀地区 NDVI 变化及气候因子驱动分析. 地球信息科学学报, 2015, 17(8): 1001–1007

[29] 焦珂伟, 高江波, 吴绍洪, 等. 植被活动对气候变化的响应过程研究进展. 生态学报, 2018, 38(6): 2229–2238

[30] 郑亚云. 榆林 NDVI 时空变化及驱动因子研究[D]. 西安: 长安大学, 2015

[31] Chi G, Ho H C. Population stress: a spatiotemporal analysis of population change and land development at the county level in the contiguous United States, 2001–2011. Land Use Policy, 2018, 70: 128–137

[32] Stepchenko A, Chizhov J. NDVI short-term forecas-ting using recurrent neural networks // Environment. Technology. Resources: Proceedings of the 10th Inter-national Scientific and Practical Conference. Rezekne, 2015: 180–185

[33] Huang Shengzhi, Ming Bo, Huang Qiang, et al. A case study on a combination NDVI forecasting model based on the entropy weight method. Water Resources Management, 2017, 31(11): 3667–3681

[34] Wang Fangtian, An Pingli, Huang Can, et al. Is afforestation-induced land use change the main contributor to vegetation dynamics in the semiarid region of North China?. Ecological Indicators, 2018, 88: 282–291

Change of Vegetation and Contribution of Ecological Construction Projects in Hebei Province

1. Key Laboratory of Earth Surface Processes of Ministry of Education, College of Urban and Environmental Sciences, Peking University, Beijing 100871; 2. School of Public Administration, China University of Geosciences, Wuhan 430074; †Corresponding author, E-mail: jijunm@pku.edu.cn

Abstract This study analyzed the characteristics of vegetation change, and built spatial econometric models to identify the affecting factors of vegetation change in Hebei Province with topographic, meteorological, and socio-economic data. On this basis, the hotspot analysis and artificial neural network were used to further quantify the specific impact extent of the ecological projects on vegetation change. The results showed that vegetation index in the southern and northeastern regions of Hebei Province was higher than that in the northwestern areas. Vegetation improved in most areas during the study period and the area proportion of NDVI sustained regions, increased regions and decreased regions is 15.14%, 61.75% and 23.11%, respectively. The main influencing factors of NDVI were elevation, per capita GDP and population density in 2000, which had a negative effect on vegetation in Hebei Province, while NDVI in 2015 was also affected by the additional factors, precipitation and ecological construction program, which had a positive effect. The impacts of ecological construction projects on NDVI were positive in most areas, and most of them were slightly improved. The areas with significant improvement were distributed in Chengde City and Zhangjiakou City, which were also hot spots of NDVI change and EPA (Ecological Project Area) change. The negative impact of ecological construction project on NDVI mainly occurred in the northwest of Zhangjiakou City, the east of Qinhuangdao and Tangshan, and the urban built-up area in the south of Hebei Province. The research results provide a basis for the scientific evaluation of the performance of national ecological construction projects and support for ecological protection and vegetation restoration of Hebei Province.

Key words change of vegetation; ecological construction project; artificial neural network; spatial econometric model; Hebei Province