图1 研究区空间范围、植被与气象站点分布
Fig. 1 Spatial extent, distribution of vegetation and meteorological observatories of the study area
摘要 利用 690 个气象观测站数据和 1982―2014 年 GIMMS NDVI 3g 数据, 运用趋势分析、小波偏互相关分析、偏相关分析和滞后分析方法, 探究华北及周边地区 33 年来生长季(5―10 月) NDVI 的变化规律及其与气候的关系, 得到如下结论。1)33 年来, 研究区植被生长季活动整体上显著增强, 生长季 NDVI 由 20 世纪 80年代的平均 0.44升至 2010 年以来的 0.49; 生长季 NDVI 在研究区中部区域快速增长, 而在西北部荒漠地区下降。2)研究区生长季 NDVI 的上升得益于温度升高和降水增加, 其中降水的影响更大; 研究区 NDVI 与气温在大部分地区正相关; 除研究区东南部地区外, NDVI 与降水有很强的正相关关系。3)在 15 天的时间分辨率尺度下, 研究区大部分地区生长季内 NDVI 对温度的响应无明显滞后, 或存在 1 期(15d)滞后, 对降水的响应存在 1~2 期(15~30d)滞后, 因此从总体上看, 华北及周边地区植被生长对温度的响应比对降水的影响更迅速。
关键词 时空格局; 气候因子; NDVI; 小波分析; 时滞; 华北地区
植被是陆地生态系统的主体, 对气候变化尤为敏感, 在全球变化中起到“指示器”的作用[1]。因此, 研究植被的变化情况及其与气候要素之间的关系对反映生态系统脆弱程度和探讨生态系统对全球变化的响应有重要意义[2]。归一化植被指数(normal-ized difference vegetation index, NDVI)可以在很大程度上体现地表植被的覆盖状况, 广泛地应用于不同时空尺度的植被生长监测中, 用于探讨植被与气候因子之间的关系[3–4]。气候变化导致地球局部地区植被覆盖发生显著变化[5], 气候要素中的气温和降水对植被的影响最直接[6]。植被年内生长对气候的响应存在滞后效应[7], 不同环境条件下, 植被对温度和降水响应的时滞性有很大的差异[8–9]。
华北及周边地区植被脆弱, 气候变化导致该区域的生态系统极度不稳定10–11]。在此背景下, 评估和掌握该地区植被生长动态及其对气候因子的响应规律, 对维护地区生态安全十分重要。利用多种NDVI 产品对华北及周边地区植被变化及其与气候因子相关性的研究表明, 气温和降水均对该地区植被的生长产生影响, 且这种影响存在一定的滞后[6,12]。但是, 对于哪个气候要素的影响更显著以及滞后时长, 不同学者的结论不尽相同。此外, 现有研究中普遍存在以下不足: 1)在探究 NDVI 年际变化的驱动因子时, 多采用简单线性模型来拟合NDVI 与气候因子之间的关系。然而, 在周期性气候事件的影响下, NDVI 也可能具有多时间尺度的变化特征, 变化规律极其复杂[13–14], 传统的简单线性分析方法会削弱植被与气候之间的共变关系。2)在探究植被年内生长对气候的响应时, 普遍以月为单位[15], 时间分辨率较低。华北及周边地区气候变化较为快速, 较长的时间间隔会导致在探究植被对气候因子响应时屏蔽掉细节信息, 同时导致夸大或缩小滞后效应, 不利于滞后时长的确定。3)多基于GIMMS NDVI (1982—2006年)、SPOT-VGT NDVI(1998—至今)或MODIS NDVI (2000—至今)等数据, 研究时间序列较短。尽管有学者综合运用不同的NDVI 数据集来延长时间序列, 但不同传感器的性能差异也会影响 NDVI 数据的连续性。
本研究选用 1982—2014 年的第三代 GIMMS NDVI 3g 数据, 运用趋势分析、小波偏互相关分析、偏相关分析和滞后分析方法, 研究 33 年来华北及周边地区植被生长季 NDVI 的时空变化、气候对研究区植被年际变化的驱动作用以及植被年内生长对气候要素的响应等问题, 旨在为华北及周边地区生态环境的修复和改善提供科学依据。
研究区位于 103°21′—122°42′E, 31°23′—43°22′N之间, 包括北京、河北、山东、山西、河南、宁夏回族自治区和天津等省(市、自治区)的全部以及甘肃省、陕西省和内蒙古自治区的部分区域(图 1)。总面积约为 84 万 km2, 海拔范围为 0~3058m。华北及周边地区受季风气候影响明显, 夏季高温多雨, 冬季寒冷干燥, 年均气温约为 7°C, 降水集中在 7－8 月[16]。受气候影响, 植被生长季集中在 5—10 月[17]。土地覆盖情况如图 1 [18]所示。
GIMMS NDVI 3g 由戈达德航天中心(NASA’s Goddard Space Flight Center)发布, 时间分辨率为15 天, 空间分辨率为 0.083° (https://ecocast.arc.nasa. gov/data/pub/gimms/3g.v1)。该数据集消除了大气水汽、火山爆发、太阳高度角和传感器灵敏度变化等因素的影响, 是研究长时间序列植被生长动态的可靠数据之一[19]。本文对原始 GIMMS NDVI 数据进行格式转换、掩模和裁剪等预处理, 得到研究区域 1982—2014 年生长季逐节(15 天, 下同) NDVI 数据, 并采用最大值合成法(maximum value composite, MVC)获得月度 NDVI 值。
生长季的气温和降水数据来自研究区 690 个气象观测站的数据(图 1, http://data.cma.cn)。本文采用克里金(Kriging)方法, 对气象站点数据进行插值处理, 得到空间分辨率为 1/12°的栅格数据[20]。华北及周边地区地形起伏较大, 在插值过程中, 对温度数据采用经验气温垂直递减率进行校正[21], 校正所用的地形数据来自 SRTM (http://srtm.csi.cgiar. org/)。
本研究中全部地理数据的处理均采用 ArcGIS 10.6软件完成。
1.3.1 趋势分析
本文基于 1982—2014 年的 GIMMS NDVI 3g 数据, 采用一元线性回归方法计算 33 年来每个像元的NDVI 年际变化趋势。回归斜率 r>0 表示 NDVI 呈增加趋势, r<0 则表示 NDVI 呈减少趋势。结合回归系数的显著性水平(p 值), 将研究区 NDVI 年际变化情况划分为 6 个类型: 极显著降低(p<0.01, r<0)、显著降低(0.01<p<0.05, r<0)、不显著降低(p>0.05, r< 0)、不显著增加(p>0.05, r>0)、显著增加(0.01<p< 0.05, r>0)和极显著增加(p<0.01, r>0)[3]。
图1 研究区空间范围、植被与气象站点分布
Fig. 1 Spatial extent, distribution of vegetation and meteorological observatories of the study area
1.3.2 小波偏互相关分析
小波互相关分析方法能定量地描述两个非平稳序列在某个特定时间尺度上的相关关系, 是基于小波变换系数进行复杂时间序列驱动因子判定和评估的理想工具[22]。在小波互相关分析的基础上, 小波偏互相关分析方法进一步考虑变量间的交互作用, 反映自变量对因变量真实且独立的影响。该方法在加强不同尺度时间序列特征的同时, 还可以更准确地, 定量地描述两个非平稳序列之间的共变关系[23]。为了更准确地探究 NDVI 年际变化的驱动因子, 本研究将小波偏互相关分析方法用于探究研究区气候对 NDVI 年际变化的影响, 计算公式为
(1)其中, 
表示序列 x 和 y 在时间尺度为 a 时的小波互相关系数; 
表示时间尺度为 a 时, 固
定 z 变量, 变量 x 与 y 间的小波偏互相关系数。将各时间尺度的系数按权重相加(式(2)~(3)), 得到某一像元处两个时间序列的小波偏互相关系数值。
(2)
(3)
在实际应用中, 为满足小波计算的基本要求, 首先对 1982―2014 年生长季平均 NDVI、平均温度和年降水序列向外适当地扩增, 保证小波系数不会在序列两端出现奇异值[24]。使用适宜地球物理过程的复 Morlet 小波, 对生长季平均 NDVI、温度和降水序列进行小波分解[25]。统计分析在 MATLAB R2017b 中实现。
1.3.3 偏相关与滞后分析
本文采用偏相关分析与滞后分析相结合的方法, 探究温度和降水对 NDVI 年内变化的影响以及植被年内生长对温度和降水响应的滞后效应, 时间步长为 15 天。在不考虑因子交互作用的情况下, 温度(T)或降水(P)与 NDVI(Y)间的相关性由式(4)度量:
(4)其中, n 取0~6, 表示 0~6 期 (0~90天) 的滞后时长; i和 j 分别代表年份和节数(5－10 月对应当年的第 9~ 20 节), 
表示滞后时间为 2 期(30天)时温度与NDVI间的相关系数。
为排除因子间交互作用对生长季 NDVI 变化的影响, 基于考虑滞后效应得到的相关系数, 可以得到如下偏相关系数公式[26]:
(5)其中, n 同样取 0~6; 
表示当滞后 2 期且降水固定时, 温度对 NDVI 的偏相关系数; 
和
均可以通过式(4)直接计算, 
则为 33 年 4~9 月的温度
与降水序列
间的普通相关系数。
得到各因子逐像元 0~6 期滞后的偏相关系数后, 取各像元系数的最大值, 将其对应的滞后时间作为 NDVI 对该因子的真实响应滞后时间[27]。
从区域尺度看, 1982—2014 年华北及周边地区生长季多年平均 NDVI 为 0.46。33 年来, NDVI 呈显著上升趋势(R2=0.68, p<0.01), 从 20 世纪 80 年代的平均 0.44 增至 2010 年以来的 0.49, 年平均增长量为0.0014 (图 2)。
1982—2014 年华北及周边地区生长季 NDVI 在超过 85%的区域有所增加, 其中, 极显著增加(p< 0.01)的区域占 42.2%, 显著增加(0.01≤p<0.05)的区域占 11.6%, 广泛分布于研究区中部, 仅在研究区西北部的荒漠区域和东南部的河南省境内出现一定程度的下降(图 3)。
图2 1982—2014 年华北及周边地区生长季NDVI 变化趋势
Fig. 2 Inter-annual trend of growing season NDVI in North China and the adjacent areas from 1982 to 2014
从区域尺度看, 1982—2014 年华北及周边地区生长季 NDVI 与温度(r=0.40)和降水(r=0.50)均显著正相关, 植被年际变化受降水的影响更大。
研究区生长季 NDVI 与温度主要呈现正相关关系(图 4(a)), 其中强正相关(r>0.6)区域的面积占研究区的 37.4%, 主要分布于河南南部、河北北部和西北部的荒漠地带, 表明这些区域的植被长势在一定程度上受到温度的制约, 温度的上升有助于植被变绿; 低正相关(0.3<r≤0.6)和弱正相关(0<r≤0.3)的面积占比分别为 31.5%和 18.2%, 广泛地分布于研究区的大部分区域。NDVI 与气温的负相关关系非常少见, 且相关程度不高, 仅占研究区面积的12.8%。
1982—2014 年期间, 生长季 NDVI 与降水在超过研究区面积一半(53.3%)的区域呈现强正相关关系(r>0.6), 但空间分异明显, 在太行山以西的陕西、山西、河北北部以及内蒙古的部分地区, NDVI 与降水表现出较强的正相关关系。在太行山以东的河南以及山东部分地区, NDVI 与降水呈现较强的负相关关系(图 4(b)), 原因可能是该区域主要为农田, 人工灌溉提供了充足的水分。
本文比较 0~90 天 滞后期情况下, NDVI 与气候因子的偏相关系数(图 5(a)~(g)和图 6(a)~(g)), 将最大值作为 NDVI 对气候变化的最大响应强度(称为最大偏相关系数, 见图 5(h)和 6(h)), 此时的滞后期即为生长季 NDVI 对气候要素响应的滞后时长(图5(i)和6(i))。
生长季内 NDVI 与温度的最大偏相关系数呈现西北高于东南的情况, 高值集中在太行山以西海拔较高的区域(图 5(h))。在 15 天分辨率尺度下, NDVI对气温变化的响应存在滞后的区域占研究区总面积的 49.6% (图 5(i)), 其中 45.4%的区域滞后 1 期, 集中分布在北部; 在中部地区, 即陕甘交界处, NDVI对气温变化响应的滞后最长达到一个月。此外, 在超过研究区面积一半的东南部区域和西北部的荒漠区域, NDVI 响应气温变化的时滞效应不明显。
图3 华北及周边地区生长季 NDVI 年际变化空间分布及显著性
Fig. 3 Spatial distribution of inter-annual variation and the significance of growing season NDVI in North China and the adjacent areas
图4 温度及降水对1982—2014年华北及周边地区生长季NDVI年际变化的驱动效应
Fig. 4 Driving effects of temperature and precipitation on inter-annual variation of growing season NDVI in North China and the adjacent areas from 1982 to 2014
随着滞后期的延长, NDVI 与降水的偏相关系数先上升后下降(图 6 (a)~(g)), 表明在华北及周边地区植被年内生长对降水变化的响应存在延迟。大部分区域生长季内 NDVI 与降水的最大偏相关系数显著为正, 但在太行山脉和秦岭山脉一带以及西北部荒漠地区, NDVI 与降水之间无显著相关性(图6(h))。在 15 天分辨率尺度下, 85.5%的区域生长季内 NDVI 对降水的响应存在滞后, 其中 64.3%的区域滞后 1 期(15天)。生长季内 NDVI 对降水响应的滞后时间在西北部荒漠地区以及太行山和秦岭地区的部分林地区域最长, 达到两个月以上(图 6(i))。
本文的研究结果表明, 1982—2014 年华北及周边地区生长季 NDVI 整体上显著增长, 年平均增长量为 0.0014。从 NDVI 对温度和降水的年际响应情况看, 33 年来研究区生长季 NDVI 与温度和降水整体上正相关, 同时在大部分地区表现出与降水更强的相关性。华北及周边地区处于半干旱–半湿润地区, 降水增加可以在一定程度上缓解水分对植被生长的限制, 同时充足的水分可以提高土壤酶和微生物的活性, 促进植物对养分的吸收, 有利于植被生长[28]。温度的升高除可能使冰雪提前融化、增加春季的土壤水分外, 还可能导致植被生长季的提前和延长[29]。1982—2014 年华北及周边地区气候变化的实际情况表明, 除研究区东南部和北部局部区域外, 其他区域降水均呈现增加趋势(图 7(a))同时温度整体上升(图 7(b))。由此可以看出, 33 年来研究区大部分地区生长季植被活动的增强得益于温度的升高和降水的增加, 其中降水增加的主导作用更明显。这一结论支持刘斌等[12]的研究结论。
图5 华北及周边地区生长季内 NDVI 与 0~6 期(0~90 天)滞后时长的温度的偏相关系数、NDVI 与温度的最大偏相关系数以及对应的滞后期
Fig. 5 Partial correlation coefficient between growing season NDVI and temperature of 0–6 periods (0–90 days) in North China and the adjacent areas, the maximum partial correlation coefficient and corresponding lag time between NDVI and temperature
植被生长对气候要素的响应表现出一定程度的滞后效应。本研究结果表明, 在 15 天分辨率尺度下, 大部分地区生长季内 NDVI 对温度的响应无明显滞后或存在 1 期滞后, 对降水的响应存在 1~2 期滞后, 即研究区植被在年内生长过程中对温度的响应比降水更迅速。原因可能是温度和降水对植被生长的作用方式有所差异: 温度作为影响植物生理生态过程重要的环境因子之一, 其变化会直接作用于植物的光合与呼吸等生理过程[30], 从而影响植被生长, 造成植被对温度变化敏感。降水主要是通过影响土壤水分状况来影响植被生长[31], 由于土壤可以为植被生长提供较为连续的水分供应, 使得降水变化对植被生长的影响得到一定程度的缓解[32], 表现为植被生长对降水变化响应的滞后时间相对较长。Piao 等[33]的研究得到相似的结果。
图6 华北及周边地区生长季内 NDVI 与 0~6 期 (0~90 天) 滞后时长的降水的偏相关系数、NDVI与降水的最大偏相关系数以及对应的滞后期
Fig. 6 Partial correlation coefficient between growing season NDVI and precipitation of 0–6 periods (0–90 days) lag time in North China and the adjacent areas, the maximum partial correlation coefficient and corresponding lag time between NDVI and precipitation
不同地区、不同类型的植被对气候的敏感性是不同的[34], 由此造成华北及周边地区 NDVI 对气候响应的空间差异。例如, 本研究结果显示, 在草地集中分布的区域, NDVI 对降水的变化较为敏感, 而林地集中分布地区表现为对水分变化的敏感性较低。我们认为, 这种差异性是由植被所在区域的环境条件和植被本身的生理活动特征共同导致的。崔林丽等[9]的研究表明, 在地表降水较多的地区, 植被生长对降水的响应滞后时间长于较为干旱的区域。土壤类型和植被根系分布特征等也会对时滞的长短造成影响[3]。此外, 不同类型的植被对气候的响应也存在差异。例如, 多年生的灌丛或森林能通过相对低的生长量来抵抗环境变化的压力; 然而, 一年生植物在水分较为充足时具有较大的净生长量, 但这种增长时间较短暂[35]。
图7 1982—2014年华北及周边地区降水和温度年际变化空间分布
Fig. 7 Spatial distribution of inter-annual trend of precipitation and temperature in North China and the adjacent areas between 1982 and 2014
本研究基于 1982—2014 年华北及周边地区植被生长季 NDVI 及气候数据, 综合运用趋势分析、小波偏互相关分析、偏相关分析和滞后分析方法, 研究该地区植被时空变化及其与气候的关系, 得到如下结论。
1)33 年来, 华北及周边地区生长季 NDVI由 20 世纪 80 年代的平均 0.44 升至 2010 年以来的0.49; 大部分地区 NDVI 呈现上升趋势, 仅在西北荒漠区域和河南省境内局部地区出现下降。
2)华北及周边地区 NDVI 的上升得益于温度升高和降水增加, 其中降水的主导作用更明显。
3)在 15 天分辨率尺度下, 大部分地区生长季内 NDVI 对温度的响应无明显滞后或存在 1 期滞后, 对降水的响应存在 1~2 期滞后; 总体上看, 华北及周边地区植被对温度的响应比降水更迅速。
本文的研究结果可以为区域植被恢复和生态系统管理提供科学依据, 但是, 本研究存在以下不足之处: 1)以月份作为生长季界定的标准, 可能忽略了不同物种和植被间生长物候的差异; 2)虽然本研究已将滞后效应的时间分辨率缩短至 15 天, 但难以捕捉 15 天以内的时滞, 时间精度有待进一步提升; 3)除温度和降水外, 植被生长同样受到人类活动的影响, 本文没有对其进行系统的定量评估。上述遗留问题需要在以后的研究中加以改善。
参考文献
[1] 马明国, 王建, 王雪梅. 基于遥感的植被年际变化及其与气候关系研究进展. 遥感学报, 2006, 10(3): 421–431
[2] 包刚, 包玉海, 覃志豪, 等. 近 10 年蒙古高原植被覆盖变化及其对气候的季节响应. 地理科学, 2013, 33(5): 613–621
[3] 尤南山, 蒙吉军, 孙慕天. 2000—2015 年黑河流域中上游 NDVI 时空变化及其与气候的关系. 北京大学学报(自然科学版), 2019, 55(1): 171–181
[4] Zhao Xia, Zhou Daojing, Fang Jingyun. Satellite-based studies on large-scale vegetation changes in China. Journal of Integrative Plant Biology, 2012, 54(10): 713–728
[5] 方精云, 朴世龙, 贺金生, 等. 近 20 年来中国植被活动在增强. 中国科学(C 辑: 生命科学), 2003, 33(6): 554–565
[6] 孙艳玲, 郭鹏. 1982—2006 年华北植被覆盖变化及其与气候变化的关系. 生态环境学报, 2012, 21(1): 7–12
[7] 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. 地理学报, 2011, 66(1): 47–58
[8] 杨元合, 朴世龙. 青藏高原草地植被覆盖变化及其与气候因子的关系. 植物生态学报, 2006, 30(1): 1–8
[9] 崔林丽, 史军. 中国华东及其周边地区 NDVI 对气温和降水的月际响应特征. 自然资源学报, 2011, 26(12): 2121–2130
[10] 赵东升, 吴绍洪. 气候变化情景下中国自然生态系统脆弱性研究. 地理学报, 2013, 68(5): 602–610
[11] 赵嘉阳. 中国 1960—2013 年气候变化时空特征、突变及未来趋势分析[D]. 福州: 福建农林大学, 2017
[12] 刘斌, 孙艳玲, 王永财, 等. 基于 SPOT/NDVI 华北地区植被变化动态监测与评价. 干旱区资源与环境, 2013, 27(9): 98–103
[13] 谢宝妮. 黄土高原近 30 年植被覆盖变化及其对气候变化的响应[D]. 咸阳: 西北农林科技大学, 2016
[14] 王晓利. 中国沿海极端气候变化及其对 NDVI 的影响特征研究[D]. 烟台: 中国科学院烟台海岸带研究所, 2017
[15] 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. 干旱区地理, 2009, 32(4): 512–518
[16] 冯敏, 孙艳玲, 刘斌, 等. 华北地区植被 NDVI 与不同气候指标的相关分析. 水土保持通报, 2014, 34 (1): 246–251
[17] Yang Xian, Tang Zhiyao, Ji Chengjun, et al. Scaling of nitrogen and phosphorus across plant organs in shrubland biomes across northern China. Scientific Reports, 2014, 4: 05448
[18] 欧阳志云, 王桥. 中国生态环境演变与评估. 北京: 科学出版社, 2017
[19] Wang Junbang, Dong Jingwei, Liu Jiyuan, et al. Comparison of gross primary productivity derived from GIMMS NDVI3g, GIMMS, and MODIS in Southeast Asia. Remote Sensing, 2014, 6(3): 2108–2133
[20] 朴世龙, 方精云, 郭庆华. 利用 CASA 模型估算我国植被净第一性生产力. 植物生态学报, 2001, 25(5): 603–608
[21] 廖顺宝, 李泽辉, 游松财. 气温数据栅格化的方法及其比较. 资源科学, 2003, 25(6): 83–88
[22] 桑燕芳, 王栋, 吴吉春, 等. 水文时间序列小波互相关分析方法. 水力学报, 2010, 41(11): 1272–1279
[23] 冯禹昊, 朱江玲. 基于 Morlet 小波的辽河径流量变化及其成因分析. 水土保持研究, 2019, 26(2): 208–215
[24] 杨辉, 宋正山. 华北地区水资源多时间尺度分析. 高原气象, 1999, 18(4): 496–508
[25] 费佩燕, 刘曙光. 几种常见小波的应用性能分析// 中国电子学会第七届学术年会论文集. 西安, 2001: 496–508
[26] 陶澍. 应用数理统计方法. 北京: 中国环境科学出版社, 1994
[27] 陶澍, 梁涛, 徐尚平, 等. 伊春河河水溶解态有机碳含量和输出通量的时空变化. 地理学报, 1997, 64(3): 254–261
[28] 樊利华, 周星梅, 吴淑兰, 等. 干旱胁迫对植物根际环境影响的研究进展. 应用与环境生物学报, 2019, 25(5): 1244–1251
[29] Yu Fangfang, Price K P, Ellis J, et al. Response of seasonal vegetation development to climatic variations in eastern central Asia. Remote Sensing of Environ-ment, 2003, 87(1): 42–54
[30] 李洪军, 吴玉环, 张志祥, 等. 温度变化对木本植物光合生理生态的影响. 贵州农业科学, 2009, 37 (9): 39–45
[31] Esteban G J, Sala O E, José M P. Patterns and controls of primary production in the patagonian steppe: a remote sensing approach. Ecology, 2002, 83(2): 307–319
[32] 徐兴奎, 林朝晖, 薛峰, 等. 气象因子与地表植被生长相关性分析. 生态学报, 2003, 23(2): 3–12
[33] Piao Shilong, Nan Huijuan, Huntingford C, et al. Evi-dence for a weakening relationship between interan-nual temperature variability and northern vegetation activity. Nature Communications, 2014, 5: no. 5018
[34] Tan Zhiqiang, Tao Hui, Jiang Jiahu, et al. Influences of climate extremes on NDVI (Normalized Difference Vegetation Index) in the Poyang Lake Basin, China. Wetlands, 2015, 141(4): 1033–1042
[35] Gibson A C. Structure-function relations of warm desert plants. Berlin: Springer, 1996
Change of NDVI during Growing Season and Its Relationship with Climate in North China and the Adjacent Areas from 1982 to 2014
Abstract Using data from 690 meteorological observatories and GIMMS NDVI 3g data from 1982 to 2014, trend analysis, wavelet partial cross-correlation analysis, partial correlation analysis and lag analysis were used to explore the change rule of NDVI during the growing season (May to October) and its relationship with climate in North China and the adjacent areas in the past 33 years. The results showed that the average growing season NDVI increased from 0.44 in the 1980s to 0.49 in the 2010s. NDVI in the growing season increased rapidly in the central part of the research area, but decreased in the northwest desert area. The increase of NDVI in the growing season of the research area was benefited from the increase of temperature and precipitation, and the influence of precipitation was greater. NDVI of the research area was positively correlated with the temperature in most areas. Except for the southeastern part of the study area, NDVI and precipitation had strong positive correlation. At 15-day resolution, the response of NDVI to temperature in the growing season in most areas did not have obvious lag or was lagged in one period (15 days), and the response to precipitation was lagged about 1–2 periods (15–30 days). Therefore, in general, vegetation growth in North China and the adjacent areas responded more rapidly to temperature than precipitation.
Key words temporal and spatial pattern; climatic factors; NDVI; wavelet analysis; time lag; Northern China
doi: 10.13209/j.0479-8023.2020.108
收稿日期: 2019–03–14;
修回日期: 2020–12–21
国家自然科学基金(U1910207)资助