李晶晶, 閆慶武, 胡苗苗

(中國礦業(yè)大學環(huán)境與測繪學院, 江蘇 徐州 221116)

植被可在全球氣候變化研究中充當“指示器”[1],其覆蓋變化能準確反映區(qū)域性生態(tài)環(huán)境狀況,因此植被的退化和恢復問題日益受到國內外學術界的廣泛關注[2]。歸一化植被指數(shù)(normalized differential vegetation index,NDVI)是植被長勢及其覆蓋程度的最佳指示因子[3-5],并與地表植被覆蓋率呈正比;對于同一種植被,NDVI值越大,表明地表植被覆蓋率越大,植被長勢越好。目前已有采用遙感技術研究不同類型區(qū)域植被動態(tài)變化的報道[6-8],已有學者針對干旱半干旱地區(qū)展開相關研究,如我國的三江源區(qū)域[9-10]和青藏高原地區(qū)[11]等。已有研究主要采用傳統(tǒng)的統(tǒng)計回歸及相關性分析方法探索植被變化及其與影響因子之間的相關性,進而研究這一相關性在不同區(qū)域、不同植被類型中的差異。但是,地理環(huán)境具有空間異質性,前人研究表明即使在相似的覆被條件或植被類型中,這種相關性在空間上也具有非平穩(wěn)性[12-13]。地理加權回歸模型(geographically weighted regression,GWR)為局部模型,在不同地理空間位置上的估計參數(shù)不同,是一種非常有效揭示空間非平穩(wěn)性和空間依賴的方法[14]。因此,采用GWR探究影響植被變化的地理因子及其空間分布的異質性,對于揭示植被變化的機制與機理,指導不同區(qū)域因地制宜的生態(tài)恢復與重建具有重要的指導意義。

寧陜蒙接壤地區(qū)的寧夏寧東能源化工基地、內蒙古鄂爾多斯市和陜西榆林市在地理上構成了一個三角地帶[15],統(tǒng)稱能源“金三角”地區(qū)。該區(qū)域地理位置優(yōu)越,是國家特大級能源基地和全國煤炭外輸基地,2013年該地煤炭外運量占煤炭總產量的80%,在我國能源發(fā)展中發(fā)揮舉足輕重的作用。隨著“一帶一路”倡議的提出,中國與歐盟、中亞地區(qū)能源合作的展開,能源“金三角”地區(qū)將成為重要的能源通道。目前,國內學者對于能源“金三角”地區(qū)的研究較多,主要涉及發(fā)展戰(zhàn)略、空氣質量、水資源保護和植被動態(tài)監(jiān)測等方面[15-18]。但是關于定量研究該地區(qū)植被變化特征及其驅動因素的報道較少,特別是應用GWR分析不同地理位置上不同因子對植被變化影響的研究更少。在能源基地建設過程中，生態(tài)環(huán)境保護尤為重要,能源“金三角”地區(qū)位于相對封閉的干旱半干旱內陸,生態(tài)系統(tǒng)狀態(tài)及其變化對于中國西部地區(qū)環(huán)境有重要影響。據(jù)此,以能源“金三角”地區(qū)作為研究區(qū)域,基于MODIS-NDVI數(shù)據(jù),對2005—2015年的植被動態(tài)變化趨勢、空間分布等進行分析,基于GWR模型對植被動態(tài)變化的影響因素進行研究,以期為該地區(qū)能源戰(zhàn)略規(guī)劃和生態(tài)環(huán)境保護提供科學依據(jù),從而有助于實現(xiàn)產業(yè)與生態(tài)的同步發(fā)展。

1 研究區(qū)概況

能源“金三角”地區(qū)位于36°24′～ 40°51′ N,104°17′～111°27′ E之間(圖1)，地處國家中、西部過渡地區(qū)的鄂爾多斯盆地,地廣人稀,總面積13.35萬km2,人口約553.8萬人。

圖1 研究區(qū)概況

該區(qū)屬于內陸半干旱氣候區(qū),多年平均降水量在400 mm以下,年平均蒸發(fā)量在2 000 mm以上;水資源貧乏,植被覆蓋率低,水土流失嚴重;西部沙丘沙地廣布,東部溝壑梁峁發(fā)育,是我國典型的生態(tài)環(huán)境脆弱區(qū)。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源與處理

2.1.1NDVI數(shù)據(jù)獲取與處理

NDVI數(shù)據(jù)來源于美國國家航空航天局(NASA)的MOD13Q1 NDVI數(shù)據(jù)產品,空間分辨率250 m,時間分辨率16 d,時間跨度為2005—2015年,考慮能源“金三角”地區(qū)植被物候特征,下載每年植被生長旺盛期(7—9月)影像共176景。首先利用MRT(MODIS reprojection tools)完成圖像的空間拼接;然后,為了消除異常值的影響,利用ENVI 4.8軟件采用最大合成法(maximum value composites,MVC)[19]生成年NDVI數(shù)據(jù)。年最大NDVI能夠有效反映區(qū)域植被的覆蓋狀況,將研究區(qū)域各像元年最大NDVI的平均值作為當年的NDVI。2013年NDVI均值達最大值,因此,以2013年作為植被變化節(jié)點,用2個時段NDVI的差值來表征研究區(qū)植被變化情況,2005—2012年為植被增長階段,2013—2015年為植被減少階段。

2.1.2影響因素指標獲取與處理

利用ArcGIS軟件的空間統(tǒng)計工具探測NDVI變量的空間相關性。NDVI指數(shù)時空格局受自然因素和社會經濟因素相互影響,根據(jù)文獻[20-22],綜合考慮自然環(huán)境與社會經濟等因子的基礎上,兼顧數(shù)據(jù)的可獲取性,結合研究區(qū)域特點,并滿足空間化、定量化等要求,最終選取高程、坡度、土壤黏粒含量、多年平均氣溫、多年平均降水、距煤礦區(qū)距離及距道路距離共7個影響因素。其中,DEM數(shù)據(jù)來自于中國科學院資源環(huán)境科學數(shù)據(jù)中心中國海拔高度DEM(SRTM 90 m)空間分布數(shù)據(jù),并據(jù)此生成高程和坡度數(shù)據(jù);土壤數(shù)據(jù)下載自中國科學院資源環(huán)境科學數(shù)據(jù)中心;氣象數(shù)據(jù)采用中國氣象科學數(shù)據(jù)共享服務網提供的中國地面氣候資料月值數(shù)據(jù)集的月平均溫度和月降水量資料,利用ArcGIS軟件對氣象數(shù)據(jù)進行Kriging空間插值;道路數(shù)據(jù)通過數(shù)字化《中華人民共和國分省系列地圖》得到〔GS(2010)1541號,中國地圖出版社〕。各影響因子統(tǒng)一為5 km×5 km規(guī)則網格,氣象、土壤數(shù)據(jù)與DEM等柵格數(shù)據(jù)通過ArcGIS軟件空間分析模塊中的區(qū)域分析方法將其單元統(tǒng)一;距離因子通過 ArcGIS軟件中的鄰域分析統(tǒng)計網格平均值;采用離差標準化方法對上述數(shù)據(jù)進行標準化處理。

2.1.3多重共線性檢驗

回歸分析時,變量間相關性程度高、信息重疊,容易產生多重共線性問題,從而影響回歸模型的正確估計。方差膨脹因子(VIF)等檢驗方法可判斷多重共線性,剔除冗余變量。研究利用EVIEWS軟件中VIF指標對影響因子進行多重共線性進行檢驗,排除潛在多重共線性問題。一般認為,VIF≥10,存在強共線性;5≤VIF<10,存在中度共線性;2≤VIF<5,存在輕度共線性[23]。

2.2 研究方法

2.2.1NDVI趨勢分析

文章采用一元線性回歸方程的斜率來模擬研究區(qū)NDVI的變化趨勢,即對隨時間變化的NDVI進行回歸分析，生成年平均NDVI數(shù)據(jù),該圖像中的每個像元都有11 a的相應時間序列數(shù)值,對這些數(shù)值進行回歸分析,來揭示每個柵格NDVI在11 a時空序列中的演變趨勢,并得到NDVI演化趨勢圖。計算公式為

(1)

式(1)中,變量i為年份序號,取值為1～11;INDV，i為第i年的NDVI值;n為研究時段的年份數(shù)，a;s為2005—2015年NDVI的線性回歸斜率。若s>0,說明此像元NDVI呈增加趨勢,反之則減少。為了解變化趨勢的顯著性,對變化趨勢進行F檢驗。結合s值和F檢驗結果,將NDVI年際變化趨勢分為5個等級[24]:顯著減少(s<0,P≤0.01);不顯著減少(s<0, 0.010.05);不顯著增加(s>0, 0.010,P≤0.01)。

2.2.2GWR模型

GWR模型是對傳統(tǒng)回歸的拓展,其權為觀測值所在的地理空間位置與回歸點的地理空間位置之間的距離函數(shù),模型表達式為

(2)

式(2)中,yi為樣本i的NDVI變化擬合值;(ui,vi)為第i個樣本空間單元的地理中心坐標;β0(ui,vi)為第i個樣本的常數(shù)項估計值;βj(ui,vi)為第i個樣本的第j個回歸參數(shù),是關于地理位置的函數(shù);xij為第j個自變量在樣本i的值;εi為服從均值為0的獨立正態(tài)分布的誤差。

由于GWR模型在診斷方面效果較弱,因此在進行地理加權回歸分析之前需要先進行普通最小二乘法(ordinary least squares，OLS)線性回歸以確保模型的準確性[25]。普通最小二乘法為全局性線性回歸模型,即在各區(qū)域用全部自變量估計因變量的值,基本原則是最優(yōu)擬合直線,使各點到直線距離的平方和最小,回歸方程表達式為

(3)

式(3)中,yi為因變量,是自變量xij(j=1, 2,…,k)的一個線性組合,即NDVI變化的擬合值;β0為常數(shù)項;βj為第j個自變量的回歸系數(shù);i為觀測值個數(shù);εi為符合正態(tài)分布的隨機誤差項。

研究采用Gauss函數(shù),利用GWR 4.0工具實現(xiàn)建模,根據(jù)赤池信息量準則(akaike information criterion,AIC，CAI)、AIC值最小原則確定最優(yōu)帶寬。將研究區(qū)域劃分為5 km×5 km的柵格,將2005—2012年7—9月平均NDVI差值與2013—2015年7—9月平均NDVI差值作為GWR模型的因變量,7個影響因素作為自變量。將每個柵格回歸系數(shù)絕對值最大值所對應的影響因素作為網格植被變化的主要影響因素,進而分析主導因素的空間異質性。

2.2.3模型評價

為比較OLS模型和GWR模型擬合效果,選用赤池信息量準則檢驗對比模型顯著性,表達式為

(4)

此外,模型中殘差平方和(residual sum of squares)為評價回歸模型的擬合效果指標,殘差平方和越小,擬合優(yōu)度越高。利用Moran′sI對GWR模型誤差項進行空間自相關分析,Moran′sI值接近0表示模型的殘差隨機分布,擬合效果較好;反之,模型擬合效果較差。

3 結果與分析

3.1 NDVI時空變化分析

3.1.1NDVI時間變化特征

由圖2可見，11 a間研究區(qū)和煤礦區(qū)NDVI均值雖有波動,但整體呈現(xiàn)不斷增加趨勢,增長率分別為0.083·(10 a)-1和0.090·(10 a)-1(P<0.05),表明植被處于改善狀態(tài)。11 a間,年均NDVI變化經歷了2006—2007和2011—2012年2次較大波動,增長率分別達0.320·(10 a)-1和0.335·(10 a)-1。從煤礦區(qū)內外來看,研究區(qū)域各年NDVI均值高于煤礦區(qū)內NDVI均值,說明煤炭開采對植被造成一定不良影響。研究區(qū)域NDVI均值波動幅度在0.337～0.458間;煤礦區(qū)內NDVI均值波動幅度在0.242～0.383間;NDVI數(shù)值相對較低,波動范圍較小。2006與2007年煤炭產量平穩(wěn),煤礦區(qū)內植被長勢良好;2008—2012年煤炭產量直線上升,研究區(qū)與煤礦區(qū)植被覆蓋基本穩(wěn)定。值得注意的是,2011—2012年煤炭繼續(xù)增產的同時,研究區(qū)與煤礦區(qū)NDVI增加,到2013年達最大值0.458;2013—2015年煤炭產量穩(wěn)定,植被覆蓋卻急劇下降,說明植被生長不僅受資源開發(fā)影響,仍有其他影響因素需要進一步探索。據(jù)此可以把研究區(qū)植被變化劃分為振蕩上升期(2005—2012年)和下降期(2013—2015年)2個階段,來研究植被變化的主導因素。

圖2 2005—2015年NDVI值變化

3.1.2NDVI空間分布特征

利用ArcGIS軟件將研究區(qū)2005—2015年最大化合成的NDVI影像進行逐像元平均,得到研究區(qū)11 a平均NDVI空間分布圖(圖3),并按照自然分段法分5級顯示。能源“金三角”地區(qū)NDVI東高西低,呈現(xiàn)由東南向西北逐漸遞減的空間分布特征。NDVI最小的區(qū)域主要分布在鄂爾多斯市杭錦旗和烏審旗,為沙漠與沙地覆被類型,占總面積的17.21%;植被覆蓋較好的區(qū)域主要分布在榆林市南部黃土高原丘陵溝壑區(qū),多為森林草原覆蓋,NDVI值為0.45～0.58,占總面積的34.49%;NDVI值大于0.58的區(qū)域僅占3.86%。

圖3 2005—2015年多年平均NDVI空間分布Fig.3 Spatial distribution of average NDVI during the period from 2005 to 2015

2005—2015年能源“金三角”地區(qū)NDVI年際變化趨勢的顯著性分析(圖4)表明,顯著減少、不顯著減少、穩(wěn)定、不顯著增加和顯著增加的面積分別占研究區(qū)總面積的0.27%、0.40%、72.23%、13.43%和13.68%。NDVI變化呈增加趨勢的區(qū)域(27.11%)遠大于減少區(qū)域(0.64%),呈穩(wěn)定趨勢面積比例高達72.23%,表明11 a來研究區(qū)NDVI整體呈現(xiàn)穩(wěn)中增加的趨勢。

圖4 2005—2015年NDVI變化趨勢顯著性空間分布

從顯著性空間分布來看,NDVI減少(顯著和不顯著)區(qū)域在研究區(qū)內零星分布,增加(顯著和不顯著)區(qū)域主要分布在杭錦旗北部,榆林市東部神木縣、榆陽區(qū)、橫山縣、佳縣、米脂縣、吳堡縣、清澗縣等,以及寧東的靈武市和紅寺堡開發(fā)區(qū)。杭錦旗北部為黃河生態(tài)旅游區(qū),植被增加顯著;榆林市植被生長較好的原因可能是陜西中北部退耕還林和防風固沙政策實施較早[26],政策的推行有利于植被恢復與生長。而未發(fā)生顯著變化的區(qū)域植被覆蓋相對較少,庫布奇沙漠、毛烏素沙地等自身環(huán)境相對不利于植被生長,生態(tài)工程效果還沒有得到很好的體現(xiàn),是未來工作的重點和難點。

3.2 NDVI變化的驅動因素分析

3.2.1OLS模型及結果

以NDVI增長值作為因變量,與自變量高程、坡度、土壤黏粒含量、多年平均氣溫、多年平均降水、距煤礦區(qū)距離及距道路距離7個影響因素進行OLS回歸,結果如表1所示,各因素VIF值都不超過2,表明自變量中僅存輕度共線性,但2013—2015年距煤礦區(qū)距離因素未通過10%水平下的顯著性檢驗,因而將其余6個因素納入OLS模型。

比較模型中自變量的標準化系數(shù)可以發(fā)現(xiàn),2005—2012年對植被增加影響程度最大的是氣溫,其次是土壤黏粒含量與坡度(表1)。OLS模型結果表示,其他條件不變的情況下,氣溫每增加1個標準化單位,NDVI增加0.060個單位;土壤黏粒含量每增加1個標準化單位,NDVI增加0.003個單位;2013—2015年,對植被增加影響程度最大的是坡度,坡度每增加1個標準化單位,NDVI下降0.023個單位。OLS模型總體上說明地形氣候等自然要素對NDVI增長值的影響程度大于人類社會要素。

3.2.2GWR模型及結果

應用GWR模型分析的前提條件是變量間的空間相關性確實存在,因此,在建模和分析之前使用Moran′sI值對NDVI變量的空間相關性進行預檢驗。利用ArcGIS軟件的空間統(tǒng)計工具開展計算,結果顯示研究區(qū)域2005—2012與2013—2015年Moran′sI值分別為0.825和0.851,揭示該區(qū)域NDVI具有較強的集聚模式特征。

在2個時段中,GWR模型具有最大R2、最小AIC 和殘差平方和,表明基于GWR模型的NDVI變化驅動因素的擬合效果優(yōu)于OLS模型。如表2所示,對比2個模型的擬合效果,GWR 模型回歸的擬合優(yōu)度達0.74和0.77,調整的擬合優(yōu)度為0.72和0.76,而OLS模型回歸的擬合優(yōu)度僅為0.23和0.29。這意味著GWR模型解釋了NDVI變化的74%和77%,OLS模型最多只能解釋NDVI變化的29%。GWR模型可在局部水平上對NDVI變化量進行解釋,其解釋程度較OLS模型提高46百分點以上。

表1OLS模型參數(shù)估計與檢驗結果

Table1ParameterestimationandtestresultsintheOLSmodel

時段因素參數(shù)估計值標準誤差t值P值方差膨脹因子VIF 2005—2012年常數(shù)項-0.405 000 0000.018-22.1430.000高程-0.000 014 1000.000-3.7020.0001.126坡度0.002 000 0000.0012.1470.0321.482土壤黏粒含量0.003 000 0000.00016.7650.0001.108多年平均氣溫0.060 000 0000.00231.4530.0001.290多年平均降水-0.000 119 0000.000-9.1390.0001.642距煤礦區(qū)距離-0.000 000 1190.000-5.3790.0001.480距道路距離0.000 000 4900.0007.5500.0001.085 2013—2015年常數(shù)項0.251 000 0000.01320.0280.000高程-0.000 072 2000.000-20.8660.0001.099坡度-0.023 000 0000.001-29.1760.0001.222土壤黏粒含量-0.002 000 0000.000-16.0780.0001.084多年平均氣溫-0.021 000 0000.001-15.2930.0001.894多年平均降水0.000 015 3000.00012.0730.0001.876距道路距離0.000 000 1380.0002.3060.0211.092

表2OLS模型與GWR模型的擬合效果比較

Table2IndicesforcomparingOLSandGWR

時段模型帶寬殘差平方和AIC值擬合優(yōu)度R2調整擬合優(yōu)度R2 2005—2012年GWR300.006.51-25 637.420.740.72OLS19.28-19 238.910.230.23 2013—2015年GWR298.995.11-27 273.980.770.76OLS15.96-20 463.580.290.29

對所有網格的標準化殘差進行空間自相關性檢查,得到空間自相關系數(shù)分別為0.003和0.006,Z值統(tǒng)計量分別為0.649和1.083,說明地理加權回歸預測值標準差在空間上隨機分布,模型整體模擬效果較好。因此,利用GWR模型對能源“金三角”地區(qū)植被變化的影響因素進行回歸分析合理可行。

與OLS模型是一個全局或平均意義的估計值不同，GWR模型的計算結果中,每個格網都有特定的回歸系數(shù)。統(tǒng)計各影響因素的回歸系數(shù),得到平均值、最小值、最大值、中位值和正負影響所占比例(表3)。統(tǒng)計結果表明,各影響因子對格網內的NDVI變化既存在正向影響又存在負向影響,2005—2012年,正值比例和負值比例最高的分別是坡度(73.21%)和距礦區(qū)距離(64.12%);2013—2015年正值比例和負值比例最高的分別是多年平均氣溫(57.81%)和坡度(79.82%)。為進一步驗證各影響因素回歸系數(shù)是否具有空間非平穩(wěn)性,對回歸系數(shù)進行空間自相關性分析,得到表3中各因素回歸系數(shù)的莫蘭指數(shù)與Z統(tǒng)計量,說明在1%顯著水平下,各項系數(shù)具有顯著的正向空間自相關。因此,GWR模型可以較詳細地分析不同影響因素在不同地理位置上對植被變化的定量影響。

3.2.3植被變化的主導因素空間格局分析

提取每個格網對植被生長影響最大的因素(圖5),分析造成NDVI變化差異的原因,發(fā)現(xiàn)影響植被變化的主導因素隨著空間地理位置不同而變化,且各個影響因子與植被變化既有正相關又有負相關。研究表明,多年平均氣溫與降水是研究區(qū)大部分地區(qū)的主導因素,在2個時段分別占總面積的86.29%和88.68%;但在空間分布上有所差異,2005—2012年研究區(qū)北部主要受多年平均氣溫影響,中部與南部主要受多年平均降水影響;2013—2015年研究區(qū)西部受多年平均氣溫影響,東部依然主要受多年平均降水影響。分析認為,能源“金三角”地處黃土高原地區(qū),該地區(qū)十分缺水,土壤保水性較差,侵蝕嚴重,土壤含水量低且主要分布在深層土壤[27],植被生長所需水分主要來自降水;因此,降水給該地植被帶來較明顯的直接影響。研究區(qū)降水量由東南向西北逐漸減少,西部多沙丘沙地,東部溝壑梁峁發(fā)育,丘陵溝壑區(qū)域內部由于環(huán)境小氣候的影響,植被變化的影響因素以降水量為主[28]。研究區(qū)日照充足,西北部年輻射總量較大,光熱資源豐富，有利于植被生長[29],但毛烏素沙地氣溫升高使蒸散增加，導致植被發(fā)生干旱脅迫。在平原與丘陵地貌相間、地形較復雜的地區(qū)，地形因素在2013—2015年較2005—2012年表現(xiàn)出更顯著的影響。2個時段中土壤黏粒含量沒有表現(xiàn)出對植被變化的主導作用,已有研究顯示,地形因子對土壤含水量、顆粒狀況等有重要影響[30],因此,地形因素與土壤因素同時存在時,地形因素成為影響植被變化的較主要因素。研究中采用的交通因素是密切影響區(qū)域經濟發(fā)展情況、勞動力與資本流通情況的鐵路、省道、國道及高速公路等道路,該因素的主導作用僅占研究區(qū)總面積的1%。

2005—2012年能源“金三角”地區(qū)能源開發(fā)量快速增加,煤炭產量逐年增長,煤礦區(qū)因素在神東礦區(qū)、榆橫礦區(qū)、榆神礦區(qū)、靈武礦區(qū)、馬家灘、積家井等礦區(qū)均表現(xiàn)出對植被變化的主導作用;2013—2015年,該地區(qū)實施煤炭資源整合,煤炭產量穩(wěn)定,對植被變化影響不顯著。由此,影響研究區(qū)植被變化的主導因素在時空上存在較顯著的差異性。

表3GWR模型回歸系數(shù)統(tǒng)計

Table3StatisticsofregressioncoefficientsintheGWRmodel

時段因素 平均值最小值最大值中位值正值比例/%負值比例/%Moran′s I值Z值 2005—2012年常數(shù)項0.16-1.302.680.1178.0121.99高程0.00-0.120.140.0051.1348.870.98110.70坡度0.01-0.050.130.0173.2126.790.97110.26土壤黏粒含量0.00-0.040.040.0045.9654.040.97109.72多年平均氣溫-0.01-0.941.610.0153.7046.300.96108.56多年平均降水-0.02-0.521.02-0.0341.7058.300.96108.55距煤礦區(qū)距離-0.02-0.290.37-0.0235.8864.120.97109.46 距道路距離0.00-0.050.040.0056.8343.170.97108.77 2013—2015年常數(shù)項-0.02-0.821.10-0.0243.4856.52高程-0.02-0.130.11-0.0130.8069.200.98110.96坡度-0.01-0.080.05-0.0120.1879.820.98110.40土壤黏粒含量0.00-0.050.070.0031.0968.910.97108.97多年平均氣溫0.05-0.841.020.0257.8142.190.99111.15多年平均降水-0.03-1.791.26-0.0146.3853.620.98110.28距道路距離0.00-0.060.050.0047.2652.740.98110.77

圖5 2005—2015年植被變化主導因素的區(qū)域差異分布Fig.5 Regional differences of dominant factors on vegetation dynamics

4 結論與建議

基于MODIS傳感器的MOD13Q1數(shù)據(jù)集探討了能源“金三角”地區(qū)2005—2015年間NDVI的時空變化特征,定量化分析了影響NDVI變化的主要驅動因素及其空間非平穩(wěn)性。研究表明:

(1)時間上,2005—2015年研究區(qū)平均NDVI整體呈現(xiàn)波動增加趨勢,增長率為0.083·(10 a)-1(P<0.05);煤礦區(qū)植被生長水平低于全區(qū)生長水平,NDVI增長率為0.090·(10 a)-1(P<0.05)。空間上,NDVI呈現(xiàn)由東南向西北遞減的分布格局;趨勢上,NDVI變化呈增加趨勢的區(qū)域(27.11%)遠大于減少區(qū)域(0.64%),顯著增加區(qū)域主要分布在榆林市東部。

(2)NDVI及其影響因子屬于地理空間數(shù)據(jù),具有空間自相關性和空間非平穩(wěn)等特征,采用GWR模型對能源“金三角”地區(qū)植被變化的影響因素進行回歸分析合理可行,且提高了46百分點以上的可靠性。以空間同質性為前提假設的全局模型OLS不能很好地解釋NDVI與影響因素的空間非平穩(wěn)性,OLS模型雖有一定的解釋能力,但由于沒有考慮到空間自相關的影響，仍不能全面地解釋NDVI與影響因素的空間分布。與2005—2012年相比,2013—2015年全區(qū)NDVI顯著減少,且具有更強的空間聚集性(Moran′sI值為0.851),但變化程度存在區(qū)域差異。

(3)2005—2015年能源“金三角”地區(qū)植被變化整體受氣候等自然因素的影響較大,影響植被變化的主要因素在時間與空間上具有差異性。2005—2012年研究區(qū)北部的主要影響因素為多年平均氣溫,中部與南部的主要影響因素為多年平均降水;2013—2015年研究區(qū)西部受多年平均氣溫影響,東部主要受多年平均降水影響。

人類活動對植被變化具有雙重作用。一方面,煤礦區(qū)生態(tài)環(huán)境的重建、退耕還林還草、土地荒漠化防治、禁牧、種草種樹的力度對植被的長勢起到促進作用;道路景觀與綠化帶的建設也對植被保護起到促進作用。另一方面,能源“金三角”地區(qū)屬于典型的環(huán)境脆弱區(qū),某些不可逆的活動使得煤礦采空區(qū)植被依然出現(xiàn)退化現(xiàn)象;經濟發(fā)展伴隨的道路工程、道路網絡對植被格局呈干擾作用。然而,由于不同地理位置自然條件、開發(fā)建設程度、保育成效等方面的差異,植被對其響應也具有空間差異性。

將地理加權回歸模型應用于植被變化與影響因素研究,判定了不同空間位置模型的擬合度,得出各影響因子隨空間位置變化的權重;與傳統(tǒng)的植被覆蓋等研究相比,更能整體、直觀地揭示該地區(qū)內植被的空間特征?；谝陨辖Y論,不同區(qū)域影響植被變化的主導因素存在差異,建議:(1)可采用分區(qū)治理的方式,綜合考慮植被變化主導因素的區(qū)域差異,針對不同情況制定差異化植被恢復與保護方案;(2)將資源開發(fā)與環(huán)境優(yōu)化相結合,構建有利于生產發(fā)展和生態(tài)保護相協(xié)調的體制機制。在下一步工作中,該地區(qū)的開發(fā)應協(xié)調好與脆弱的生態(tài)環(huán)境之間的關系,保障能源資源可持續(xù)利用與區(qū)域經濟社會環(huán)境長期平穩(wěn)健康發(fā)展。