Analysis of spatio-temporal variation and driving forces of leaf area index in Hainan Island over the last 20 years based on MODIS data
-
摘要:
叶面积指数(LAI)是重要的植被结构参数之一, 在监测植被生长状态、评估生态系统健康以及制定环境保护政策等方面均具有重要价值。海南岛因其特殊的地理位置和气候条件, 拥有丰富的植被资源, 气候变化及人类活动对其影响不断加剧。因此, 深入研究海南岛LAI的时空变化对于理解该地区植被状况具有重要参考意义。本研究基于2002—2022年的MOD15A2 LAI产品数据集和气象数据, 利用Theil-Sen中值分析和Mann-Kendall趋势检验等方法, 分析了海南岛LAI的时空分布变化及其对气候因子的响应。结果表明: 1) 2002—2022年, 海南岛LAI整体呈增长趋势, 其中北部的增长趋势明显强于南部。这一现象与橡胶种植业的发展和南部地区旅游产业的兴起有关, 表明LAI的变化与人类活动紧密相连。此外, 海南岛的LAI分布呈现中部高、周边低的空间特征, 与该地区的地势特征相一致。2) 2002—2022年海南岛LAI的平均变异系数为0.136, 说明植被变化波动较小, 表明其能保持生态平衡和一致性。3)在气候暖干化的背景下, 温度上升对植被生长的促进作用存在饱和效应。海南岛北部地区的LAI与温度主要呈正相关, 而南部地区主要呈负相关, 降水的影响则与温度相反。以上结果表明, 海南岛LAI的空间差异和时空变化主要受气候条件、地形和人类活动等多种因素的协同作用。本研究为海南岛植被保护、生态修复和气候适应性管理提供了科学依据。
-
关键词:
- 植被 /
- 叶面积指数(LAI) /
- Theil-Sen中值分析 /
- Mann-Kendall检验 /
- 海南岛
Abstract:Leaf area index (LAI) is a critical indicator of vegetation structure, essential for monitoring vegetation growth, assessing ecosystem health, and guiding environmental protection strategies. Hainan Island, renowned for its unique geography and climate, experiences significant impacts from climate change and human activities, influencing its abundant vegetation resources. Therefore, understanding the spatio-temporal dynamics of LAI on Hainan Island is crucial. Using the MOD15A2 LAI product dataset and meteorological data from 2002 to 2022, we employed Theil-Sen median analysis and Mann-Kendall trend tests to analyze LAI trends and assess climatic influences. We found that: 1) From 2002 to 2022, LAI has generally increased across Hainan Island, with a more pronounced trend in the northern regions compared to the south. This trend correlates with the expansion of the rubber industry in the north and the development of tourism in the south, highlighting the significant impact of human activities on LAI. Additionally, LAI tends to be higher in central areas and lower in peripheral regions, consistent with spatial variation of topography. 2) The average coefficient of variation (CV) for LAI over the last 20 years was 0.136, indicating minimal fluctuations in vegetation dynamics and ecological stability of the island. 3) Under the background of a warming and drying climate, we observed a saturation effect in vegetation growth response to increasing temperatures: LAI in most northern regions positively correlates with increasing temperature, while most southern regions show a negative correlation. Precipitation exhibits opposite effects, influencing temperature gradients. These results underscore the complex interplay of climate, topography, and human activities as primary drivers of spatial and temporal variations in LAI on Hainan Island. This study provides a scientific foundation for enhancing vegetation protection, promoting ecological restoration, and implementing climate-resilient management strategies across the island.
-
Keywords:
- Vegetation /
- Leaf area index (LAI) /
- Theil-Sen median analysis /
- Mann-Kendall test /
- Hainan Island
-
气候变化和可持续发展是人类社会面临的两大挑战[1]。植被作为陆地生态系统的首要生产者和主要组成部分[2], 其生长受到多种因素的影响。当前, 气候变化对植被的适应性和稳定性产生了重要影响, 增加了植被生态系统的不确定性。这种不确定性进一步影响着碳水循环, 进而对气候模式和社会发展产生深远影响。海南岛作为我国最大的热带岛屿, 具有丰富的植被资源, 在气候调节和碳循环中发挥着至关重要的作用[3]。因此, 研究海南岛植被时空变化对于维护生态平衡和政策制定具有重要意义。
近年来, 许多研究利用遥感方法, 将各种植被指数作为全球、国家和区域尺度的指标, 以确定植被的变化。基于遥感影像的归一化植被指数(normalized difference vegetation index, NDVI)主要反映了植被的光谱反射特征, 被广泛应用于植被覆盖的定量研究[4]。陈甲豪等[5]基于GIMMS NDVI数据, 运用趋势分析法研究了1982—2015年海南岛NDVI的时空变化趋势, 并通过偏相关分析和主成分回归分析探讨了气候对植被变化的影响。然而, NDVI在高植被覆盖区存在饱和现象[6], 这严重影响了对地表植被真实情况的准确反映。相比之下, 叶面积指数(LAI)考虑了叶片的空间分布和层次结构, 其定义为单位土地面积上所有叶片的单面面积之和[7], 常用于描述植被冠层结构及功能, 是生态模拟、作物估产等模型的重要输入参数, 是深刻理解气候变化和生态系统碳储量的重要数据支撑[7-9]。
国内外许多学者开展了植被变化及其驱动机制研究[10-14]。为了更深入地探究植被时空变化特征及其对气候因子的响应, 众多学者利用LAI数据进行分析。Sun等[15]将中国生态脆弱地区的LAI与气候因素相结合, 发现温度是主导气象因素。张佳华等[16]研究了全球植被LAI对温度和降水的响应。此外, 长时间序列LAI的变化能够揭示区域生态的演化过程, 在植被生长状态监测、农产品估产等方面具有高度应用价值。Zou等[17]对京津冀地区2001—2020年的植被时空格局进行了分析, 发现气温和降水与LAI呈正相关。Reygadas等[18]评估了2002—2017年间墨西哥中部LAI与地表温度(LST)在年内和季节内的关系。趋势分析是一种用于识别数据随时间或其他独立变量变化的统计方法, 能够较好地理解变量的演变规律。皇彦等[19]结合气象数据, 利用趋势分析等方法探讨了乌兰察布市LAI时空变化及与气温、降水、土壤湿度的关系, 发现乌兰察布市2000—2019年LAI整体呈上升趋势, 并与气温呈负相关, 与降水和土壤湿度呈正相关。Theil-Sen中值分析是一种高效、稳健的非参数统计方法, 它通过计算所有数据点组合之间可能的斜率, 并使用这些斜率的中位数来估计趋势, 在长时间序列数据的趋势分析中具有广泛应用。杨正兰等[20]使用Theil-Sen中值分析方法对2001—2018年横断山区植被LAI进行研究, 认为该地区整体LAI呈上升趋势, 且空间分布与地形因素相关。
海南是中国自然植被类型丰富的地区之一, 也是中国“双碳”计划实施的重要地区[21]。然而, 目前关于该地区LAI及其与气候因子相关性研究相对缺乏。因此, 本文基于MODIS (Moderate Resolution Imaging Spectroradiometer) LAI数据, 采用Theil-Sen中值分析、Mann-Kendall趋势检验和相关分析方法, 研究2002—2022年海南岛LAI的时空分布变化以及LAI与气候因子的关系, 从而了解海南岛植被资源现状、发展趋势, 为海南岛植被多样性保护、生态安全政策制定提供相应的科学依据。
1. 材料与方法
1.1 研究区概况
海南岛(18°10′~20°10′N, 108°37′~111°03′E, 图1)地处中国南端, 东、南、西三面环海, 北隔琼州海峡与广东省相望, 岛形椭圆, 全岛面积约 3.5万km2。海南岛位于热带季风区, 年平均气温22~26℃, 年均降水量大于1600 mm[22]。岛内雨量充沛但降水分布不均, 雨季(5—10月)和干季(11—4月)明显; 受海洋影响, 岛内年温差较小。年平均日照1750~2650 h, 光照充足且光合潜力高。海南岛地势中部高、四周低, 河流大都发源于中部山区, 成辐射状水系。岛内地势变化大, 地貌景观多样, 有山地、丘陵、平原等地形单元, 地形结构阶梯状明显[23]。复杂的地形和优越的水热资源使该岛植被丰富多样, 森林覆盖率在62%以上, 在气候调节、涵养水源等方面发挥着重要作用。
![]()
图 1 研究区域海南岛概况HK: 海口市; SY: 三亚市; DZ: 儋州市; WZS: 五指山市; WC: 文昌市; QH: 琼海市; WN: 万宁市; DF: 东方市; DA: 定安县; TC: 屯昌县; CM: 澄迈县; LG: 临高县; BS: 白沙黎族自治县; CJ: 昌江黎族自治县; LD: 乐东黎族自治县; LS: 陵水黎族自治县; BT: 保亭黎族苗族自治县; QZ: 琼中黎族苗族自治县。Figure 1. Overview of the study area of the Hainan IslandHK: Haikou City; SY: Sanya City; DZ: Danzhou City; WZS: Wuzhishan City; WC: Wenchang City; QH: Qionghai City; WN: Wanning City; DF: Dongfang City; DA: Ding’an County; TC: Tunchang County; CM: Chengmai County; LG: Lingao County; BS: Baisha Li Autonomous County; CJ: Changjiang Li Autonomous County; LD: Ledong Li Autonomous County; LS: Lingshui Li Autonomous County; BT: Baoting Li and Miao Autonomous County; QZ: Qiongzhong Li Autonomous County.1.2 数据来源
从美国国家航空航天局(NASA)网站 (https://ladsweb.modaps.eosdis.nasa.gov/) 获取 2002—2022 年的 MODIS LAI数据, 其空间分辨率为500 m, 时间分辨率为8 d, 该产品经过了辐射校正和大气校正等预处理。Zou等[24]的研究结果表明, MODIS LAI的时间质量相对稳定, 产品持续可用。为了确保数据的一致性和适用性, 采用MODIS重投影工具(MODIS Reprojection Tool, MRT)软件将数据进行重投影, 使用ENVI 5.3对研究区进行裁剪, 采用最大值合成(Maximum Value Composition, MVC)方法提取LAI的月最大值作为月值, 并将各月最大值的平均值作为LAI年值。气象数据(温度、降水)来自地球大数据科学工程数据共享服务系统(https://data.casearth.cn/), 空间分辨率为500 m。DEM高程数据下载自地理空间数据云网站(http://www.gscloud.cn/), 空间分辨率为 30 m。
1.3 研究方法
1.3.1 植被变化趋势分析方法
采用Theil-Sen中值分析结合Mann-Kendall (M-K)检验方法[25]对海南岛LAI长时间序列进行趋势识别。Theil-Sen中值分析是一种稳健的非参数统计的趋势计算方法。它通过计算所有点对(两两数据点)的斜率来估计趋势, 然后取这些斜率的中位数作为最终估计值[26]。该方法计算效率高, 对于测量误差和异常数据敏感性低, 因此在长时间序列数据的趋势分析中得到了广泛应用。其计算公式如下:
$$ S_{\mathrm{LAI}} = \mathrm{Median}\left(\frac{\mathrm{LAI}_j - \mathrm{LAI}_i}{j - i}\right) \quad \forall \;\; i < j $$ (1) 式中: SLAI为LAI的变化趋势,
$ {\mathrm{L}\mathrm{A}\mathrm{I}}_{j} $ 和$ {\mathrm{L}\mathrm{A}\mathrm{I}}_{i} $ 分别表示第j年和i年的叶面积指数。SLAI>0表示LAI呈增加趋势, SLAI=0表示LAI不变, SLAI<0表示LAI呈下降趋势。SLAI的绝对值越大, 表明趋势变化越明显。由于Theil-Sen中值分析缺乏对趋势分析的统计显著性检验, 采用M-K检验方法进行评估。M-K检验是一种非参数统计检验方法, 可用于长时间序列数据的趋势显著性检验。最初由Mann在1945年提出[27], 后由Kendall和Sneyers进一步完善。该方法功能强大, 不需要样本遵从一定的分布, 部分数据缺失不会对结果造成影响, 适用性强, 被广泛应用于长时间序列数据趋势显著性检验, 不仅能够检验时间序列的变化趋势, 还能检测时间序列是否发生突变, 在植被覆盖度、LAI、净初级生产力(NPP)等方面的应用尤为广泛。M-K检验公式如下:
$$ S={\sum }_{i=1}^{n-1}{\sum }_{j=i+1}^{n}\mathrm{s}\mathrm{g}\mathrm{n}(\mathrm{L}\mathrm{A}{\mathrm{I}}_{j}-\mathrm{L}\mathrm{A}{\mathrm{I}}_{i}) $$ (2) $$ \mathrm{s}\mathrm{g}\mathrm{n}\left(\mathrm{L}\mathrm{A}{\mathrm{I}}_{j}-\mathrm{L}\mathrm{A}{\mathrm{I}}_{i}\right)=\left\{\begin{array}{l} 1, \quad {\mathrm{LAI}}_{j} > {\mathrm{LAI}}_{i}\\ 0, \quad {\mathrm{LAI}}_{j}={\mathrm{LAI}}_{i}\\ -1, \quad {\mathrm{LAI}}_{j} < {\mathrm{LAI}}_{i}\end{array}\right. \forall \;\; i<j $$ (3) $$ \mathrm{V}\mathrm{a}\mathrm{r}\left(S\right)=\frac{n(n-1)(2n+5)}{18} $$ (4) 式中: S为检验的统计量, n为时间序列的长度,
$ {\mathrm{L}\mathrm{A}\mathrm{I}}_{j} $ 和$ {\mathrm{L}\mathrm{A}\mathrm{I}}_{i} $ 分别表示第j年和i年的叶面积指数, sgn是符号函数, Var(S)为方差。在n≥10的情况下, 统计量S的分布近似为标准正态分布, 趋势检验采用检验统计量Z。本研究的时间序列长度为21 (2002—2022年), 对检验统计量进行标准化后, 计算公式如下:
$$Z = \left\{ \begin{array}{ll} \dfrac{S-1}{\sqrt{\mathrm{Var}(S)}}, & S > 0 \\ \qquad 0, & S = 0 \\ \dfrac{S+1}{\sqrt{\mathrm{Var}(S)}}, & S < 0 \end{array} \right. $$ (5) 在不同的显著性水平下, 对检验统计量Z的阈值进行设定, 用于判断趋势是否具有显著性。其中, 当|Z|大于1.65、1.96和2.58时, 表示趋势分别通过了置信度为90%、95%和99%的显著性检验[28]。
1.3.2 变异系数
变异系数是衡量数据系列中数据点围绕均值分散程度的统计量, 常用于反映数据的相对变化程度[29]。为了衡量LAI的波动大小, 引入变异系数(CV), 计算公式如下:
$$ \mathrm{C}\mathrm{V}=\frac{\sigma }{\mu } $$ (6) 式中:
$ \mu $ 为海南岛LAI平均值,$ \sigma $ 为样本标准差。$ \mathrm{C}\mathrm{V} $ 值越大表示LAI波动越大, 相反则表示LAI波动较小。1.3.3 相关性分析
两组变量的相关关系可以通过相关系数表达, 皮尔逊相关系数是其中最为常见的一种。本研究使用皮尔逊相关系数(r)分析LAI与同期平均气温、降水之间的相关性。计算公式为:
$$ r=\frac{{\displaystyle\sum }_{i=1}^{n}({X}_{i}-\overline{X})({Y}_{i}-\overline{Y})}{\sqrt{{\displaystyle\sum }_{i=1}^{n}({X}_{i}-\overline{X}{)}^{2}{\displaystyle\sum }_{i=1}^{n}({Y}_{i}-\overline{Y}{)}^{2}}} $$ (7) 式中:
$ {X}_{i}\mathrm{和}{Y}_{i} $ 分别为第i年的气温或降水数据和相应的LAI值;$ \overline{X}\mathrm{和}\overline{Y} $ 分别为多年气温或降水的平均值和LAI的平均值; r的取值范围为[−1, 1], 绝对值越大表示关联越强, 反之表示关联越弱。如果r为正值, 则表示两个变量之间存在正相关关系, 即当一个变量增加时, 另一个变量也会增加; 反之则为负相关关系。2. 结果与分析
2.1 海南岛LAI时空分布特征
2002—2022 年海南岛LAI呈由中部向四周递减的空间分布格局(图2), LAI介于0.20~6.73, 平均值为3.33。低值区主要分布在研究区东北部, 集中于海口—文昌—临高一带(图2和图3), 与该区域平原面积较广, 城市分布密集, 人类活动频繁有关。高值区主要分布在研究区中部和南部, 集中在五指山—白沙—琼中—保亭一带(图2和图3), 该区域多为山地和丘陵, 中部地区热带森林分布广泛, 南部地区种植业较为发达。
![]()
图 2 2002—2022年海南岛植被叶面积指数(LAI)均值空间分布图Figure 2. Spatial distribution of mean leaf area index (LAI) values in Hainan Island from 2002 to 2022![]()
图 3 2002—2022年海南岛不同地区植被叶面积指数(LAI)变化符号说明见图1。Figure 3. Variation of leaf area index (LAI) of different regions in Hainan Island from 2002 to 2022Details of the code can be seen in Figure 1.海南岛地形差异大, 地势中部高, 四周低, 结构阶梯状明显。研究发现海南岛地势分布与LAI具有高度相关性。LAI低值区多集中在300 m以下的低海拔区域, 高值区多集中在600 m以上海拔区域。为了进一步分析LAI与海拔的关系, 将研究区高程进行间隔分级, 结果表明(图4a): 500 m以下高程区间LAI值随海拔升高呈快速上升趋势, 500~1600 m高程区间LAI值随海拔升高呈缓慢下降趋势, 1600 m以上高程区间LAI变化趋于稳定。随高程升高, LAI值变化呈“升高—降低—稳定”的特征, 该现象可能与研究区植被垂直带谱有关。
![]()
图 4 海南岛植被叶面积指数(LAI)随高程变化(a)和随坡向变化(b)Figure 4. Variations of vegetation leaf area index (LAI) with elevation (a) and aspect (b) in Hainan Island坡向作为地形的一个基本属性, 影响着光照角度和持续时间, 进而影响地表温度和微气候条件, 对植物生长有重要影响。LAI随坡向变化(图4b)显示: 北面坡向的LAI值最高, 而西面坡向的LAI值相对较低。海南岛位于热带北缘, 光热资源充足。北坡的LAI值最高可能是由于北坡接收到的直射日光较少, 水分蒸发速率较慢, 湿度更高, 从而支持了更密集的植被生长。相反, 南坡存在更强烈的蒸发压力, 从而降低了LAI。此外, 海南岛属热带季风气候区, 夏季主要受东南季风影响, 冬季则受西北季风影响。东南侧作为夏季风的迎风坡, 降水相对较多, 对植被生长起到促进作用, 从而导致东坡的LAI值高于西坡。
从时间维度, LAI年际间波动上升, 增长速率为0.03∙a−1 (图5)。进一步分析, LAI 最小值出现在2005年, 为2.80, 通过查阅和分析海南省水务厅发布的历年海南省水资源公报发现: 2005年海南岛LAI的低值可归因于连续两年的极端天气事件, 2004年的严重干旱和2005年的连续热带风暴及冬春连旱[30]严重影响了植被生长, 尤其是农作物, 从而显著降低了海南岛的LAI值。LAI最大值出现在2019年, 为3.65。海南岛LAI值在年内具有明显的季节性变化特征: 2—6月LAI值迅速升高, 6—9月上升速度减缓, 9月达到峰值, 随后呈下降趋势, 直至次年1月降至最低点。总体而言, 多年月均LAI值表现出植被生长过程中的周期性变化, 与现实一致。
![]()
图 5 2002—2022年海南岛植被叶面积指数(LAI)的年际(a)和多年月平均(b)变化图Figure 5. Inter-annual (a) and monthly average (b) variations of leaf area index (LAI) in Hainan Island from 2002 to 20222.2 海南岛LAI的空间变化趋势
基于M-K趋势检验的Z值结果, 在α=0.05的显著性水平下, 对海南岛的LAI趋势进行分类: S>0, |Z|≥1.96, 显著改善; S>0, |Z|<1.96, 不显著改善; S=0, 无变化; S<0, |Z|<1.96, 不显著退化; S<0, |Z|≥1.96, 显著退化[31]。结果显示(图6): 2002—2022 年间海南岛LAI整体呈增长趋势, 北部的增长高于南部。其中, 显著改善趋势面积占研究区总面积的59.06%, 集中分布在研究区北部的白沙—儋州—临高—澄迈一带, 说明该地区植被处于增长状态。儋州、白沙等地天然橡胶产胶潜力较高[32], 在生态保护以及橡胶树产业扶持的大背景下[33], 种植业迅速发展使LAI增长速度加快。不显著改善区域面积占研究区总面积的27.65%, 地区分布较广, 整个海南岛均有涉及。中部如五指山市、屯昌县、琼中黎族苗族自治县等地区增长速度相对较慢, 由于该区域热带雨林分布较广[34], 植被覆盖基数较大, LAI增加的主要原因是草地转化为林地。显著退化区域面积占研究区总面积的2.31%, 集中分布于海口北部和三亚南部, 与当地房地产建设、旅游资源开发等人类活动密切相关[35], 城镇化建设导致林地和农田减少, 进而显著削弱该区域的LAI[36]。不显著退化区域面积占比约为8.25%, 主要分布在研究区南部和中部。以上研究表明海南岛植被整体变化趋势呈上升状态。
![]()
图 6 2002—2022年海南岛植被叶面积指数(LAI)变化趋势分布Figure 6. Distribution of leaf area index (LAI) trends in Hainan Island from 2002 to 20222.3 海南岛LAI稳定性的空间格局
通过逐像元计算变异系数(CV)对2002—2022年海南岛LAI空间格局进行分析(图7)。借鉴王雅鑫等[37]的研究并结合海南岛实际情况, 将变异系数分为7个等级以定量评估海南岛LAI空间变化的稳定性。结果表明: 海南岛大部分地区LAI的CV介于0.1~0.3之间(占98.09%), 其中, 0.10~0.15区间的面积占比最大, 达26.14%。小部分区域CV>0.3, 表明2002—2022年这些区域植被处于不断波动状态。2002—2022年间, 整个研究区的平均CV为0.136, 这表明该地区LAI值变异性较低, 波动相对较小。
![]()
图 7 2002—2022年海南岛植被叶面积指数(LAI)变异系数空间分布图Figure 7. Spatial distribution of coefficient of variation of leaf area index (LAI) in Hainan Island from 2002 to 2022从空间分布角度来看(图7), LAI的CV呈北高南低的特征, 具有明显空间异质性。CV<0.20的区域面积占比达82.03%, 表明海南岛绝大部分地区LAI波动较小。可能与该区热带雨林广布相关, 由于该地区具有较为一致的环境条件, 如稳定的高温和丰富的降水, 有利于植被持续稳定生长而不会产生过大波动。此外, 热带雨林广布区的生物多样性高、生态系统稳定性强也有助于减少LAI的变异性, 表明即便面临自然或轻微人为干扰, 热带雨林仍能保持其内在的生态平衡和一致性。CV≥0.20的区域集中在儋州—临高—澄迈一带以及文昌北部和东部沿海, 表明该区域LAI的年际波动大, 植被不稳定, 可能与该区域人类活动频繁相关。
2.4 海南岛植被LAI对气候因子的响应
2.4.1 植被LAI对气温的响应分析
植被对环境变化十分敏感, 由于不同地区水热条件和植被类型存在差异, 植被变化及其对气候因子的响应也呈明显异质性[38]。2002—2022年海南岛气温呈波动上升趋势(图8a), 年均气温为22.45~24.03℃, 多年平均气温为23.47℃, 热量充足, 雨季、干季气温具有一定差异(图8b)。气温与海拔存在较高相关性, 气温随海拔升高逐渐递减, 整体呈中间低, 四周高的分布趋势, 其中西北部为高温多发区(图8c)。
![]()
图 8 海南岛2002—2022年平均气温(a)、不同季节平均气温(b)变化及多年平均气温的空间分布(c)Figure 8. Variations of annual mean temperature (a), seasonal mean temperature (b) and spatial distribution of multi-year mean temperature (c) in Hainan Island from 2002 to 2022海南岛LAI与气温相关性分析结果表明(图9), LAI与气温主要呈正相关。LAI与气温的相关性存在明显的南北空间分布差异, 受气温空间分布影响, 气温对LAI的促进作用呈北方强于南方的空间格局。在海南岛北部地区, LAI对温度的响应较为强烈, 呈正相关区域主要分布于白沙黎族自治县—儋州东南部—澄迈西南部—琼中黎族苗族自治县—屯昌县—琼海市一带, 面积占比为76.96%, 温度升高导致植物生长季延长, 从而导致LAI增加。然而, 在海南岛南部大部分区域(占研究区总面积23.04%), LAI与温度的相关系数为负值, 主要分布在乐东黎族自治县—三亚市—保亭黎族苗族自治县—陵水黎族自治县一带。高温常伴随蒸发量增加, 土壤水分减少, 进而引起水分胁迫, 可能抑制植被生长, 导致LAI值下降。海南岛东北部和西部沿海温度与LAI的相关系数绝对值较大。考虑到海南岛东北部人类活动影响显著, 人类活动导致的城镇化和土地利用改变使得植被覆盖减少, 从而降低LAI值。此外, 海南岛降水呈由东到西递减的空间格局(图10), 西部地区降水量不足以抵消高温引起的蒸发增加, 加剧了水分胁迫, 从而进一步降低LAI。因此, 海南岛东北部和西部沿海温度与LAI呈较强的负相关性, 主要是人类活动导致的植被覆盖度减少和降水不足造成的水分胁迫共同作用的结果。
![]()
图 9 海南岛植被叶面积指数(LAI)与多年平均气温的相关系数空间分布图Figure 9. Spatial distribution of correlation coefficients between vegetation leaf area index (LAI) and multi-year mean temperature of Hainan Island2.4.2 植被LAI对降水的响应分析
研究区降水量为1301.63~2275.25 mm, 多年平均降水量为1877.03 mm。其中, 2004—2009年降水呈波动上升趋势, 随后年降水呈波动下降趋势(图10a); 降水分布的时间和空间差距较大, 降水空间分布呈东多西少的特征(图10b), 由于热带风暴或台风的影响, 70%~90%的降水发生在雨季(5—10月) (图10a)。
![]()
图 10 海南岛2002—2022年降水时间变化(a)及空间分布(b)Figure 10. Time variations (a) and spatial distribution (b) of precipitation in Hainan Island from 2002 to 2022海南岛LAI与降水相关性分析结果表明, LAI与降水主要呈负相关。如图11所示, 海南岛LAI与降水相关系数整体偏小, 植被对降水的响应弱于温度, 这与其他学者研究结果基本一致[5]。呈负相关区域主要分布于白沙—琼中—五指山—屯昌一带以及儋州市东南部, 占研究区总面积的77.09%。这是因为海南岛位于热带季风气候区, 全年降雨量充沛。从宏观角度来看, 降水对植被的影响力减弱, 甚至在部分地区出现过饱和现象, 降水成为限制中部林地植被增长的主要因素。海南岛降水呈现自东向西递减趋势, 西南部沿海地区如乐东黎族自治县、东方市、昌江黎族自治县等地区(占研究区总面积22.91%)的降水量较少(图10), 降水增多将促进植被生长, 因此该区域LAI与降水呈正相关(图11)。
![]()
图 11 海南岛植被叶面积指数(LAI)与降水的相关系数空间分布Figure 11. Spatial distribution of correlation coefficients between vegetation leaf area index (LAI) and precipitation of Hainan Island3. 讨论
本研究采用2002—2022年的LAI长时间序列数据探讨了海南岛植被时空变化及其对气候因子的响应, 研究数据时间跨度较大且样本数量丰富。结果表明, 2002—2022年海南岛绝大部分地区(占研究区总面积的86.71%)植被呈增加趋势, 说明该地区植被覆盖度增加, 生态环境得到改善。此外, 温度是海南岛LAI增长的主要气候驱动力, 这一发现与当前全球气候变暖导致北半球大部分地区植被发生显著“绿化”的主流观点一致[39]。
海南岛地处热带地区, 台风、暴雨、干旱等气象灾害频发, 严重影响植被生长。2005年的台风“达维”、2011年的台风“纳沙”和“海马”、2014年的台风“威马逊”均从海南岛及周边登陆。其中, 2005年的台风“达维”造成海南岛18个市(县)全部受灾, 农作物受灾面积7700 km2, 绝收面积1550 km2; 2014年超强台风“威马逊”造成海南岛、广东省、广西壮族自治区的59个市(县)、742.3万人、4690 km2农作物受灾[40]。从图5也可以看出, 2005年、2014年海南岛LAI大幅下降, 一方面是由于台风可直接破坏树木, 造成当年海南岛LAI明显降低; 另一方面台风灾害的滞后效应使受灾农作物和植被LAI恢复缓慢[41]。
人类活动引起的土地利用变化对植被有深远影响[42]。土地利用变化(包括农业扩张、城市化、林地开发和转换为其他用途)会导致植被类型、结构和区域配置的改变。人类活动引起的土地利用变化, 如城市化导致的建筑用地增加及农业扩张引起的经济作物种植面积增加, 将直接影响植被覆盖程度和类型, 进而导致LAI的变化。通过分析发现(图6), 2002—2022年间海口北部和三亚南部植被存在显著退化趋势, 通过进一步分析显著退化地区的土地利用变化(图12)发现: 草地和耕地转化为建筑用地可能是导致该区域LAI大幅降低的原因, 表明人类活动可能是影响LAI的重要驱动因素之一。未来需深入分析和量化人类活动对LAI的影响。
![]()
图 12 2002—2022年显著退化区土地利用/覆盖变化和弦图Figure 12. Chord diagram of land use/cover change in significant degradation region from 2002 to 2022当前存在众多LAI产品, 其优缺点各有不同。MODIS LAI产品主要基于三维辐射传输模型和查找表法得到LAI, 其反演结果受到输入地表反射率和植被类型数据的显著影响。虽然本研究使用的MODIS LAI数据已经过消除水汽和云层影响等处理, 且采用最大值合成法进一步消除异常值影响, 数据可靠性提高, 但不可否认的是MODIS LAI在其他区域可能存在一定的局限性。近年来, 一些研究通过利用MODIS数据生成了分辨率较高的产品, 旨在进一步提升LAI的可靠性。在未来的研究中, 使用或生产出精度更高的LAI产品, 有望进一步提高分析结果的准确性。
4. 结论
基于MODIS LAI数据、气象数据结合Theil-Sen中值分析和Mann-Kendall趋势检验方法对海南岛2002—2022年LAI时空分布变化及气候因子对LAI的影响进行分析, 得到以下结论:
1) 2002—2022年海南岛年均LAI总体呈明显上升趋势, 增长速率为0.03·a−1; LAI值较高, 多年均值为3.33。LAI在年际变化中具有明显的季节性趋势, 9月为LAI高峰值, 次年1月为低谷值。LAI值与海拔和坡向密切相关, 表现出随海拔升高先增加后减少最后稳定的趋势; 坡向对LAI值也有显著影响, 北面坡向的LAI值最高, 而西面坡向的LAI值相对较低, 这可能与不同坡向光照、水分蒸发量和降水量不同有关。进一步分析时空变化发现, 海南岛LAI北部增长趋势高于南部。其中, 呈显著改善趋势的地区集中分布在研究区北部的白沙—儋州—临高—澄迈一带(占总研究面积的59.06%); 不显著改善区域面积分布较广, 整个研究区内均有涉及(占研究区总面积的27.65%)。显著退化区域集中分布于海口北部、三亚南部等区域; 不显著退化区域主要分布在研究区南部和中部。
2)海南岛LAI变异系数(CV)呈现明显的空间异质性。海南岛LAI多年平均CV为0.136, 大部分区域LAI的CV值介于0.1~0.3。低变异区(CV<0.2)面积占比为82.03%, 表明海南大部分地区植被变化波动较小, 这主要得益于热带雨林的稳定环境条件, 如恒定高温和充沛降水, 促进植被稳定生长而不会产生过大波动。儋州、临高、澄迈等地的部分地区为高变异区域(CV≥0.2), 植被年际波动显著, 反映出植被的不稳定性, 这可能与人类活动有关。
3)相较于降水, 温度与LAI相关性更强。在研究区中部和北部的大部分地区, LAI与气温呈正相关, 这与温度上升使得作物生长季延长相关。在研究区南部的大部分地区, LAI与气温呈负相关, 可能是因为高温加剧了水分胁迫, 从而抑制植被生长。在研究区中部和北部, LAI与降水呈现负相关, 该区降水充足, 降水对LAI的促进作用存在饱和效应。在研究区西南部沿海区, 降水与LAI多呈正相关, 是由于该地区属于半干旱区, 降水量增多促进植被生长。
综上所述, 本研究的结论与同行研究成果总体一致[5], 即海南岛LAI整体呈增加趋势, 气候变化和人类活动是影响LAI变化的重要因素。本研究的时间跨度更长, 数据更新, 综合考虑了气候变化和人类活动两个方面的驱动因素, 有助于加深对海南岛植被动态变化规律的理解, 为区域生态保护和可持续发展提供科学依据。
-
![]()
图 1 研究区域海南岛概况
HK: 海口市; SY: 三亚市; DZ: 儋州市; WZS: 五指山市; WC: 文昌市; QH: 琼海市; WN: 万宁市; DF: 东方市; DA: 定安县; TC: 屯昌县; CM: 澄迈县; LG: 临高县; BS: 白沙黎族自治县; CJ: 昌江黎族自治县; LD: 乐东黎族自治县; LS: 陵水黎族自治县; BT: 保亭黎族苗族自治县; QZ: 琼中黎族苗族自治县。
Figure 1. Overview of the study area of the Hainan Island
HK: Haikou City; SY: Sanya City; DZ: Danzhou City; WZS: Wuzhishan City; WC: Wenchang City; QH: Qionghai City; WN: Wanning City; DF: Dongfang City; DA: Ding’an County; TC: Tunchang County; CM: Chengmai County; LG: Lingao County; BS: Baisha Li Autonomous County; CJ: Changjiang Li Autonomous County; LD: Ledong Li Autonomous County; LS: Lingshui Li Autonomous County; BT: Baoting Li and Miao Autonomous County; QZ: Qiongzhong Li Autonomous County.
![]()
图 2 2002—2022年海南岛植被叶面积指数(LAI)均值空间分布图
Figure 2. Spatial distribution of mean leaf area index (LAI) values in Hainan Island from 2002 to 2022
![]()
图 3 2002—2022年海南岛不同地区植被叶面积指数(LAI)变化
符号说明见图1。
Figure 3. Variation of leaf area index (LAI) of different regions in Hainan Island from 2002 to 2022
Details of the code can be seen in Figure 1.
![]()
图 4 海南岛植被叶面积指数(LAI)随高程变化(a)和随坡向变化(b)
Figure 4. Variations of vegetation leaf area index (LAI) with elevation (a) and aspect (b) in Hainan Island
![]()
图 5 2002—2022年海南岛植被叶面积指数(LAI)的年际(a)和多年月平均(b)变化图
Figure 5. Inter-annual (a) and monthly average (b) variations of leaf area index (LAI) in Hainan Island from 2002 to 2022
![]()
图 6 2002—2022年海南岛植被叶面积指数(LAI)变化趋势分布
Figure 6. Distribution of leaf area index (LAI) trends in Hainan Island from 2002 to 2022
![]()
图 7 2002—2022年海南岛植被叶面积指数(LAI)变异系数空间分布图
Figure 7. Spatial distribution of coefficient of variation of leaf area index (LAI) in Hainan Island from 2002 to 2022
![]()
图 8 海南岛2002—2022年平均气温(a)、不同季节平均气温(b)变化及多年平均气温的空间分布(c)
Figure 8. Variations of annual mean temperature (a), seasonal mean temperature (b) and spatial distribution of multi-year mean temperature (c) in Hainan Island from 2002 to 2022
![]()
图 9 海南岛植被叶面积指数(LAI)与多年平均气温的相关系数空间分布图
Figure 9. Spatial distribution of correlation coefficients between vegetation leaf area index (LAI) and multi-year mean temperature of Hainan Island
![]()
图 10 海南岛2002—2022年降水时间变化(a)及空间分布(b)
Figure 10. Time variations (a) and spatial distribution (b) of precipitation in Hainan Island from 2002 to 2022
![]()
图 11 海南岛植被叶面积指数(LAI)与降水的相关系数空间分布
Figure 11. Spatial distribution of correlation coefficients between vegetation leaf area index (LAI) and precipitation of Hainan Island
-
[1] GE Q S, ZHENG J Y, MAN Z M, et al. Key points on temperature change of the past 2000 years in China[J]. Progress in Natural Science, 2004, 14(8): 730−737 doi: 10.1080/10020070412331344241
[2] LÜ L Y, ZHAO Y, CHU L, et al. Grassland coverage change and its humanity effect factors quantitative assessment in Zhejiang Province, China, 1980–2018[J]. Scientific Reports, 2022, 12: 18288 doi: 10.1038/s41598-022-23210-z
[3] 钱凤魁, 王祥国, 顾汉龙, 等. 东北三省农业碳排放时空分异特征及其关键驱动因素[J]. 中国生态农业学报(中英文), 2024, 32(1): 30−40 doi: 10.12357/cjea.20230225 QIAN F K, WANG X G, GU H L, et al. Spatio-temporal differentiation characteristics and key driving factors of agricultural carbon emissions in three northeastern provinces[J]. Chinese Journal of Eco-Agriculture, 2024, 32(1): 30−40 doi: 10.12357/cjea.20230225
[4] 金凯, 王飞, 韩剑桥, 等. 1982—2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961−974 doi: 10.11821/dlxb202005006 JIN K, WANG F, HAN J Q, et al. Effects of climate change and human activities on vegetation NDVI changes in China from 1982 to 2015[J]. Acta Geographica Sinica, 2020, 75(5): 961−974 doi: 10.11821/dlxb202005006
[5] 陈甲豪, 胡中民, 吴凯. 1982—2015年海南岛NDVI时空变化及气候驱动力分析[J]. 遥感技术与应用, 2023, 38(5): 1071−1080 CHEN J H, HU Z M, WU K. Spatial-temporal changes of NDVI and its climatic driving forces in Hainan Island from 1982 to 2015[J]. Remote Sensing Technology and Application, 2023, 38(5): 1071−1080
[6] AMBIKA A K, WARDLOW B, MISHRA V. Remotely sensed high resolution irrigated area mapping in India for 2000 to 2015[J]. Scientific Data, 2016, 3: 160118 doi: 10.1038/sdata.2016.118
[7] FANG H L, BARET F, PLUMMER S, et al. An overview of global leaf area index (LAI): Methods, products, validation, and applications[J]. Reviews of Geophysics, 2019, 57(3): 739−799 doi: 10.1029/2018RG000608
[8] CHEN J M, RICH P M, GOWER S T, et al. Leaf area index of boreal forests: Theory, techniques, and measurements[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D24): 29429−29443 doi: 10.1029/97JD01107
[9] MYNENI R B, HOFFMAN S, KNYAZIKHIN Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data[J]. Remote Sensing of Environment, 2002, 83(1/2): 214−231
[10] FENSHAM R J, FAIRFAX R J, ARCHER S R. Rainfall, land use and woody vegetation cover change in semi-arid Australian savanna[J]. Journal of Ecology, 2005, 93(3): 596−606 doi: 10.1111/j.1365-2745.2005.00998.x
[11] MOTTL O, FLANTUA S G A, BHATTA K P, et al. Global acceleration in rates of vegetation change over the past 18, 000 years[J]. Science, 2021, 372(6544): 860−864 doi: 10.1126/science.abg1685
[12] WANG X H, PIAO S L, CIAIS P, et al. Spring temperature change and its implication in the change of vegetation growth in North America from 1982 to 2006[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(4): 1240−1245
[13] OVERPECK J T, RIND D, GOLDBERG R. Climate-induced changes in forest disturbance and vegetation[J]. Nature, 1990, 343: 51−53 doi: 10.1038/343051a0
[14] GE W Y, DENG L Q, WANG F, et al. Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016[J]. Science of the Total Environment, 2021, 773: 145648 doi: 10.1016/j.scitotenv.2021.145648
[15] SUN K H, ZENG X D, LI F. Study on the dominant climatic driver affecting the changes of LAI of ecological fragile zones in China[J]. Journal of Natural Resources, 2021, 36(7): 1873 doi: 10.31497/zrzyxb.20210717
[16] 张佳华, 符淙斌, 延晓冬, 等. 全球植被叶面积指数对温度和降水的响应研究[J]. 地球物理学报, 2002, 45(5): 631–637, 754–755 ZHANG J H, FU C B, YAN X D, et al. Global respondence analysis of LAI versus surface air temperature and precipitation variations[J]. Chinese Journal of Geophysics, 2002, 45(5): 631–637, 754–755
[17] ZOU Y, CHEN W, LI S L, et al. Spatio-temporal changes in vegetation in the last two decades (2001–2020) in the Beijing-Tianjin-Hebei Region[J]. Remote Sensing, 2022, 14(16): 3958 doi: 10.3390/rs14163958
[18] REYGADAS Y, JENSEN J L R, MOISEN G G, et al. Assessing the relationship between vegetation greenness and surface temperature through Granger causality and Impulse-Response coefficients: A case study in Mexico[J]. International Journal of Remote Sensing, 2020, 41(10): 3761−3783 doi: 10.1080/01431161.2019.1711241
[19] 皇彦, 宋海清, 孙小龙, 等. 乌兰察布市植被叶面积指数时空变化及对气候因子的响应[J]. 水土保持通报, 2022, 42(2): 338−346 HUANG Y, SONG H Q, SUN X L, et al. Spatiotemporal variation of leaf area index and its response to climatic factors in Ulanqab City[J]. Bulletin of Soil and Water Conservation, 2022, 42(2): 338−346
[20] 杨正兰, 张廷斌, 易桂花, 等. 气候变化背景下横断山区植被叶面积指数时空变化特征分析[J]. 长江流域资源与环境, 2021, 30(11): 2670−2681 YANG Z L, ZHANG T B, YI G H, et al. Spatio-temporal variation of vegetation LAI in Hengduan Mountains under the background of climate change[J]. Resources and Environment in the Yangtze Basin, 2021, 30(11): 2670−2681
[21] 李姝晓, 童昀, 何彪. 多情景下海南省旅游业的碳达峰与碳中和预测[J]. 经济地理, 2023, 43(6): 230−240 LI S X, TONG Y, HE B. Prediction of tourism carbon peak and carbon neutrality based on multiple scenarios: A case study of Hainan Province[J]. Economic Geography, 2023, 43(6): 230−240
[22] 罗红霞, 戴声佩, 李茂芬, 等. 海南岛植被覆盖变化驱动因子及相对作用评价[J]. 国土资源遥感, 2020, 32(1): 154−161 LUO H X, DAI S P, LI M F, et al. Relative roles of climate changes and human activities in vegetation variables in Hainan Island[J]. Remote Sensing for Land & Resources, 2020, 32(1): 154−161
[23] 宋晨阳, 张建杰, 刘玲, 等. 海南岛农业绿色发展指标时空变化特征[J]. 中国生态农业学报(中英文), 2020, 28(8): 1156−1167 SONG C Y, ZHANG J J, LIU L, et al. Spatial and temporal characteristics of agricultural green development indicators in Hainan Island[J]. Chinese Journal of Eco-Agriculture, 2020, 28(8): 1156−1167
[24] ZOU D X, YAN K, PU J B, et al. Revisit the performance of MODIS and VIIRS leaf area index products from the perspective of time-series stability[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 8958−8973 doi: 10.1109/JSTARS.2022.3214224
[25] JIANG W G, YUAN L H, WANG W J, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51: 117−126 doi: 10.1016/j.ecolind.2014.07.031
[26] AKRITAS M G, MURPHY S A, LAVALLEY M P. The Theil-Sen estimator with doubly censored data and applications to astronomy[J]. Journal of the American Statistical Association, 1995, 90(429): 170−177 doi: 10.1080/01621459.1995.10476499
[27] MANN H B. Nonparametric tests against trend[J]. Econometrica, 1945, 13(3): 245 doi: 10.2307/1907187
[28] CASELLA G, BERGER R. Statistical Inference[M]. Boca Raton: Chapman and Hall/CRC, 2024
[29] YAN K, PU J B, PARK T, et al. Performance stability of the MODIS and VIIRS LAI algorithms inferred from analysis of long time series of products[J]. Remote Sensing of Environment, 2021, 260: 112438 doi: 10.1016/j.rse.2021.112438
[30] 戴声佩, 罗红霞, 胡盈盈, 等. 基于GLC30数据的近20年海南岛土地利用动态变化研究[J]. 农业工程, 2021, 11(9): 61−69 DAI S P, LUO H X, HU Y Y, et al. Dynamic land use change of Hainan Island in recent 20 years based on GLC30 data[J]. Agricultural Engineering, 2021, 11(9): 61−69
[31] GADEDJISSO-TOSSOU A, ADJEGAN K, KABLAN A K M. Rainfall and temperature trend analysis by Mann-Kendall test and significance for rainfed cereal yields in northern Togo[J]. Sci, 2021, 3(1): 17 doi: 10.3390/sci2040074
[32] 张明洁, 张京红, 黄海静, 等. 海南天然橡胶长势及产胶潜力遥感监测系统研发[J]. 中国农业资源与区划, 2021, 42(6): 233−239 ZHANG M J, ZHANG J H, HUANG H J, et al. Remote sensing monitoring system development of growth potential and potential productivity of natural rubber in Hainan[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2021, 42(6): 233−239
[33] 王树东, 欧阳志云, 张翠萍, 等. 海南岛主要森林类型时空动态及关键驱动因子[J]. 生态学报, 2012, 32(23): 7364−7374 doi: 10.5846/stxb201112231964 WANG S D, OUYANG Z Y, ZHANG C P, et al. The dynamics of spatial and temporal changes to forested land and key factors driving change on Hainan Island[J]. Acta Ecologica Sinica, 2012, 32(23): 7364−7374 doi: 10.5846/stxb201112231964
[34] 杨小波, 陈宗铸, 李东海. 海南植被分类体系与植被分布图[J]. 中国科学: 生命科学, 2021, 51(3): 321−333 doi: 10.1360/SSV-2020-0286 YANG X B, CHEN Z Z, LI D H. Classification and distribution of vegetation in Hainan, China[J]. Scientia Sinica (Vitae), 2021, 51(3): 321−333 doi: 10.1360/SSV-2020-0286
[35] 王恒, 张丽, 毕森, 等. 海南城市发展进程遥感监测分析与模拟[J]. 应用科学学报, 2018, 36(5): 798−807 WANG H, ZHANG L, BI S, et al. Remote sensing monitoring and simulation of city development for Hainan Province[J]. Journal of Applied Sciences, 2018, 36(5): 798−807
[36] 王介勇, 刘彦随. 三亚市土地利用/覆被变化及其驱动机制研究[J]. 自然资源学报, 2009, 24(8): 1458−1466 WANG J Y, LIU Y S. Land use and land cover change and its driving forces in Sanya[J]. Journal of Natural Resources, 2009, 24(8): 1458−1466
[37] 王雅鑫, 巴雅尔, 孙亚丽, 等. 基于叶面积指数的荒漠草原动态监测[J]. 内蒙古师范大学学报(自然科学汉文版), 2019, 48(4): 314−322 WANG Y X, BA Y E, SUN Y L, et al. Dynamic monitoring of desert steppe by leaf area index[J]. Journal of Inner Mongolia Normal University (Natural Science Edition), 2019, 48(4): 314−322
[38] 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[J]. 生态学报, 2003, 23(2): 221−230 XU X K, LIN Z H, XUE F, et al. Correlation analysis between meteorological factors and the ratio of vegetation cover[J]. Acta Ecologica Sinica, 2003, 23(2): 221−230
[39] ZHU Z C, PIAO S L, MYNENI R B, et al. Greening of the Earth and its drivers[J]. Nature Climate Change, 2016, 6: 791−795 doi: 10.1038/nclimate3004
[40] 戴声佩, 罗红霞, 郑倩, 等. 基于MODIS LAI产品的海南岛橡胶林叶面积指数时空变化特征及其影响因素分析[J]. 中国农业信息, 2021, 33(2): 1−12 DAI S P, LUO H X, ZHENG Q, et al. Spatio-temporal changes and its driving factors of leaf area index of rubber plantations in Hainan Island based on MODIS LAI data[J]. China Agricultural Informatics, 2021, 33(2): 1−12
[41] 陈帮乾, 云挺, 安锋, 等. 基于Landsat和Sentinel-2时间序列影像的海南西部橡胶林龙卷风灾情评估[J]. 遥感学报, 2021, 25(3): 816−829 doi: 10.11834/jrs.20210184 CHEN B Q, YUN T, AN F, et al. Assessment of tornado disaster in rubber plantation in western Hainan using Landsat and Sentinel-2 time series images[J]. National Remote Sensing Bulletin, 2021, 25(3): 816−829 doi: 10.11834/jrs.20210184
[42] 马云飞, 何全军, 张月维, 等. 气候因子和人类活动对松辽流域植被叶面积指数动态的影响[J]. 生态学报, 2024, 44(5): 2043−2056 MA Y F, HE Q J, ZHANG Y W, et al. Influences of climate factors and human activities on vegetation leaf area index dynamics in the Songliao River Basin[J]. Acta Ecologica Sinica, 2024, 44(5): 2043−2056
下载:
计量
- 文章访问数: 219
- HTML全文浏览量: 56
- PDF下载量: 46
