考虑到极端气候和时滞及积累效应，气候变化和人类活动对中国北方植被变化的影响

分享一篇总环的文章：

[1] MA M, WANG Q, LIU R, et al. Effects of climate change and human activities on vegetation coverage change in northern china considering extreme climate and time-lag and -accumulation effects[J]. Science of The Total Environment, 2023, 860: 160527. DOI:10.1016/j.scitotenv.2022.160527.

摘要

量化气候变化（CC）和人类活动（HA）对植被变化的贡献，对于制定可持续的植被恢复计划至关重要。然而，极端气候的影响以及时间滞后和积累对植被的影响往往被忽视，从而低估了气候变化对植被变化的影响。本研究分析了2000-2019年中国北方地区植被覆盖率（FVC）的时空变化，以及包括极端指数在内的15个月度气候指数对FVC的时滞和累积效应。随后，提出了考虑极端气候、时滞和累积效应的修正残差分析法，并用于归纳由CC和HA造成的FVC变化。考虑到气候变量的多重共线性，采用了偏最小二乘法回归来构建气候指数和FVC之间的多元线性回归。结果表明。(1）2000年至2019年，中国北部所有植被区的FVC年增长率为0.0268/10a，明显增加。从空间上看，中国北部大部分植被区（81.6%）的FVC都在增加，其中54.6%的地区增幅明显；（2）除温度持续时间（DTR）外，气候指数对FVC变化没有明显的时滞效应，但有明显的时间累积效应。DTR对FVC的变化既有明显的时滞效应，也有累积效应。除潜在蒸散量和DTR外，气候指数对FVC的主要时间效应是0个月的滞后和1-2个月的累积；（3）在NC，CC和HA对FVC变化的贡献分别为0.0081/10a和0.0187/10a，分别占30.2％和69.8％。除青海省和内蒙古省外，在中国北部的大多数省份，HA在FVC的增长中占主导地位。

引言

植被对陆地生态系统至关重要，在水、物质和能量循环中发挥着重要作用（Deng等人，2019）。在过去的20年里，一些研究结果表明，受益于卫星遥感的监测，全球的植被覆盖率有所提高。中国占全球叶面积增加的25%（Chen等人，2019年）。植被的增加产生了一些后果，如增加蒸发量（Sun等，2022；Zhang等，2021c；Zhao等，2022），减少径流（Lian等，2020；Liu等，2019），以及改变区域反照率和表面温度（Deng等，2019；Jin等，2020）。植被变化是气候变化（CC）和人类活动（HA）的综合影响。一方面，全球变暖导致的温度上升和降水变化显著影响植被模式和变化（Qi等人，2019；Shi等人，2020）。另一方面，人为因素，包括生态恢复项目的实施（Jiang等，2020；Qiao等，2021）、土地管理措施（Chen等，2019；Song等，2018）、放牧（Batunacun等，2021）和城市化（Yang等，2021），也推动植被变化。量化CC和HA对植被动态的各自贡献，对于理解生态系统、大气和人类社会的相互作用以及建立合理的生态恢复战略至关重要。

降水和温度是影响植被动态的两个研究最多的气候因素，因为它们对生长、光合作用和呼吸作用至关重要（Li等人，2017；Liu等人，2021a；Liu等人，2022a；Qiao等人，2021；Su等人，2016）。此外，太阳辐射、风速和水汽压力不足也会显著影响植被变化（Jiang等人，2020；Li等人，2021c；Shi等人，2020；Yuan等人，2019；Zhao等人，2021）。潜在蒸发量（PET）是指有足够水分供应的最大蒸发量（Liu等人，2018a）。它反映了太阳辐射、风速和水汽压力不足的综合特性（Gui等人，2021；Han等人，2018；Tang和Tang，2021），并在一定程度上反映了干旱条件（Jiang等人，2021b；王等人，2022）。据报道，PET明显影响植被变化（Cao等人，2018；Shi等人，2021；Yao等人，2019）。最近的研究结果表明，极端气候变量对CC更加敏感，并与植被生长显著相关（Guo等人，2022；Shao等人，2021；Xu等人，2019）。然而，在这些研究中，大多数只分析了植被指数和极端气候指数之间的相关性，并根据大小和相关系数定性地确定极端气候对植被变化的影响（Islam等，2021；Luo等，2020；Pramanik等，2022；Xu等，2020）。在估计CC和HA对植被变化的相对贡献时，少数研究考虑了极端气候指数。

时间效应是气候与植被相互作用中不可忽视的现象，包括时间滞后和积累（Ma等人，2022）。时间滞后效应之所以存在，是因为当CC超过植被的耐受力时，植被生长对气候变量的反应会出现延迟（Zhao等人，2020b）。这意味着植被生长在几个月前受到CC的影响更大。以前的一些研究已经分析了包括降水和温度在内的传统气候指数对植被变化的时滞效应（Ding等，2020；Zhao等，2020b；Zhe and Zhang，2021；Zuo等，2021）。此外，极端气候变量对植被的时滞效应也得到了证实（Islam等人，2021；Li等人，2018；Luo等人，2020；Pramanik等人，2022）。在分析CC引起的植被变化时，越来越多的研究考虑了时间滞后效应。Wu等人（2015）研究了世界各地植被对不同气候变量反应的时滞效应。他们发现，考虑时滞效应时，气候因素可以解释全球植被变化的64%，比忽略时滞效应时相对高出11%。Zhao等人，2020b考虑了时滞效应，用山脊回归模型构建了泾河和北洛河流域归一化差异植被指数（NDVI）和气候变量之间的线性关系。他们可以解释更多的CC对NDVI变化的影响。除了时滞效应外，一些研究还指出了CC对植被的时间积累效应。这意味着植被对一个月和之前几个月的累积气候影响更加敏感（Peng等人，2021；Wen等人，2019）。少数研究在计算CC对植被变化的影响时，考虑了时间积累效应。例如，Peng等人（2021）确定了中国西南三个喀斯特省的气候变量累积对叶面积指数（LAI）变化的影响，并量化了CC和HA对LAI变化的影响。近年来，CC的时滞和积累对植被的综合效应研究越来越多（Ma等，2022；张等，2021a；赵等，2020a）。在植被和气候变量的线性关系中也考虑了综合效应。Ding等人（2020）报告说，当考虑到时滞和积累及其综合效应时，CC对NDVI变化的总解释能力分别增加了17%、15%和19%。此外，考虑到综合时滞和积累效应，气候变量和植被之间的线性关系也被用于黄河和长江流域（Jiang等，2022）、祁连山（Ma等，2022）、丝绸之路经济带上的沙漠地区（Ma等，2021）和珠峰国家自然保护区（Zhang等，2021a）。都增强了气候变量对植被变化的解释能力。因此，忽视气候变量的时间效应将导致低估CC对植被变化的影响。在分析CC对植被变化的影响时，必须考虑时间滞后和积累效应。

在几种可用于归因于植被变化的方法中，剩余趋势分析是一个有效的工具，可以量化CC和HA对植被变化的贡献。在这种方法中，首先，构建植被指数和气候指数之间的线性关系。随后，通过减去CC的贡献来估计HA对植被变化的贡献（Evans和Geerken，2004）。然而，最初的残差分析只使用平均降水和温度作为影响气候因素（Chu等人，2019；Jiang等人，2017；Liu等人，2022a；Qi等人，2019；Qiao等人，2021；Wang等人，2018；Zheng等人，2019）。在一些研究中，考虑了更多的气候变量，包括潜在蒸散量和太阳辐射，但忽略了极端气候（Ge等人，2021；Liu等人，2018b；Shi等人，2021；Zhang等人，2021b）。此外，最初的残差分析没有考虑气候变量的时间滞后和累积对植被变化的综合影响。不考虑极端气候和时滞及积累效应可能导致低估CC对植被动态的影响。另一个被忽视的问题是气候变量之间的多重共线性，这将严重影响气候因子和植被指数的线性回归的准确性（Sun等，2016；Tong等，2019；Wang等，2021）。部分最小二乘法回归（PLS）是一种结合了主成分、典型相关和多元线性回归的回归方法，可以有效克服变量的多重共线性（Wold and Waterbeemd, 1995）。在一些研究中，PLS被用来建立植被物候指数和高级气候变量之间的相关性模型（Jiang等，2021a；Li等，2021a；Zhang等，2018a）。

研究区域是中国北方（NC），包括15个省。近年来，华北地区的气候，特别是极端气候发生了明显的变化，这可能造成了植被在时间和空间上的显著变化（Wang等，2021）。以前的研究结果证实了CC对中国北方某些地区植被动态的影响。例如，降水被确定为广泛影响中国北部农牧过渡区植被生长的主要气候因素（Jiang等，2020）。Shi等（2021）指出，2000-2016年，CC和HA对黄土高原NDVI变化的贡献率分别为28.11%和72.89%。黄土高原（Li等，2021b；Zhao等，2020a）、黄河流域（Jiang等，2022）和祁连山（Ma等，2022）都报道了气候因素对植被变化的时滞或累积效应。极端气候对内蒙古高原（Li等，2018）、中国北部农牧过渡区（Pramanik等，2022）和中国西北部（Cheng等，2021）的植被变化也有相当的影响。此外，在过去，由于过度的森林砍伐和土地利用造成的植被退化，导致了许多灾害，如水土流失、洪水和沙尘暴。因此，在过去的二十年里，中国北部开展了一系列的生态恢复项目（Li等人，2021a）。CC和HA的所有因素将导致中国北部植被的时间和空间模式的变化。

确定CC和HH在植被变化中的作用将为在中国北方建立一个合适的植被恢复计划提供科学依据。然而，在最近的研究中，在确定CC和HA对植被变化的贡献时，很少考虑极端气候以及时滞和积累效应对NC地区植被变化的影响，这可能导致低估了CC对植被的影响。在这项研究中，我们从NDVI数据中计算出植被覆盖率（FVC），以表示植被的动态变化。我们研究的主要目的是(1)研究FVC的时间和空间变化；(2)确定气候变量对FVC变化的时滞或累积效应，并考虑极端气候和时滞及累积效应，修改残差分析；以及(3)量化CC和HA对FVC变化的贡献。

研究区和数据

研究区

NC由中国北方的15个省（或直辖市和自治区）组成，包括北京（BJ）、天津（TJ）、河北（HB）、山西（SX）。内蒙古（NMG）、辽宁（LN）、吉林（JL）、黑龙江（HLJ）、山东（SD）、河南（HN）、陕西（SAX）、甘肃（GS）、青海（QH）、宁夏（NX）和新疆（XJ）。图1显示，北卡罗来纳州的东部是平原，西部是山地和高原。北极洲不同地区的气候各不相同。多年平均降水量为328毫米，范围为14至1983毫米。多年平均气温为7.0℃，范围为-4.3至18.3℃。多年最低气温为-30.3 °C，范围为-45.2至0.3。多年最高气温为38.9℃，范围为19.0至46.4℃。NC的面积为5.64×106平方公里。在这项研究中，以分辨率为5公里的网格为主要研究单位，NC被划分为225560个网格。

数据

收集了1999年至2019年北大荒及周边地区824个站点记录的每日气象数据（图1），包括降水、最低、最高和平均气温、风速、相对湿度、大气压和日照时间。该数据集来自中国气象局国家气象信息中心（http://data.cma.cn）。少数缺失的数据通过使用同一时期最近的站点的数据和克里格法进行插值。

考虑到本研究中考虑的气候指数对植被的时滞和累积效应，选择了15个月度气候指数（表1），包括8个降水因子指数（PREF）、6个温度因子指数（TEMF）和潜在蒸散因子指数（PETF）。这15个指数包括平均气候指数（PRE、TEM和PET）和极端气候指数。PREF和TEMF的月度指数是使用每日降水、最低、最高和平均气温数据计算的。PET使用粮农组织推荐的Penman-Monteith方程计算（Allan等人，1998）。在这项研究中，采用克里格法进行插值，以获得分辨率为5公里的气候指数月度栅格数据。

• 表1：15个气候因子

由遥感图像得出的NDVI已被广泛应用于植被变化监测（Li等，2021d）。在本研究中，NDVI被用来计算反映植被动态的FVC。采用了SPOT卫星上的VEGETATION传感器得出的SPOT NDVI数据集，其记录时间为2000年至2019年。该数据集基于SPOT/VEGETATION PROBA-V 1 KM产品（http://www.vito-eodata.be），时间分辨率为10天，空间分辨率为1公里。SPOT NDVI数据集已经过校正，以消除卫星位移和传感器退化的影响（Cong等人，2012）。应用最大值合成法生成月度数据集（Li等，2021d），以尽量减少非植被影响。处理后的数据集从中国科学院资源与环境科学数据中心（RESDC; http://www.resdc.cn）下载。

2019年获得的分辨率为500米的MODIS（中分辨率成像光谱仪）土地覆盖数据（MCD12Q1）被用来识别植被网格。除荒地、城市土地、水体、永久湿地和永久冰雪外，其他土地覆盖类型均为植被土地覆盖类型。首先用ArcGIS软件确定每个网格中植被土地覆盖类型的比例。在本研究中，我们只研究了植被土地覆盖类型大于50%的网格的植被变化。植被网格的数量为149,215个，占北中国北部所有网格的66.2%。

方法

植被覆盖度计算

FVC是单位面积上地面植被垂直投影面积的百分比，表示植被植物的密度。它是反映地表植被群落生长趋势的重要指标，提供了描述区域生态系统和环境变化的重要原始数据（Jiang等人，2020；Wang等人，2020）。因此，FVC被选为代表植被变化的研究对象。使用像元二分法模型来计算FVC，具体如下。

$\mathit{FVC}=\frac{\mathit{NDVI}-\mathit{NDV}{I}_S}{\mathit{NDV}{I}_v-\mathit{NDV}{I}_S}$

其中，FVC是植被覆盖率值，NDVI是实际的归一化差异植被指数值，NDVIS和NDVIv分别代表裸土和纯植被的NDVI值。在计算FVC时，确定NDVIS和NDVIv的值是关键。通常使用基于整个图像上所有NDVI值的分布的置信度来确定阈值。在本研究中，NDVIS是累积频率为1%（0.05）的NDVI值，NDVIv是累积频率为99%（0.88）的NDVI值。

根据NDVI数据集，以1公里的分辨率计算不同时期每个网格的FVC值。采用双线性插值法，将计算出的FVC值重新取样到分辨率为5公里的设定网格中。

趋势分析方法

• 一元线性回归
• MK检验

气候变量对植被变化的时滞和累积效应

以PRE为例，滞后和累积的气候变量定义如下。

$PR{E}_{t(m,n)}=\frac{1}{n}\underset{i=0}{\overset{n}{\sum }}\mathit{PR}{E}_{t-m-i}$

其中，PREt(m,n)是第t个月的PRE，具有m个月的滞后性和n个月的累积性，计算为滞后月和滞后月之前的n个月的PRE的平均值；m是滞后月的数量；n是累积月的数量；PREt-m-i表示第t个月之前（m+i）的PRE。以前的研究结果表明，气候变量对植被的时滞和积累效应一般在0-3个月之间（Ding等人，2020）。因此，m和n都在0-3的范围内，它们的总和≤3。

在这项研究中，皮尔逊相关系数代表了FVC和气候变量之间的线性关系，用来分析气候变量对FVC的时滞和累积效应。计算了FVC和气候变量之间不同的滞后和累积月数组合的皮尔逊相关系数。具有最大绝对皮尔逊相关系数的m和n参数被确定为影响FVC的气候变量的滞后时间和积累时间。

改进的残差分析

残差分析是一种广泛使用的方法，可以将植被的变化分成由CC和HA引起的部分（Evans和Geerken，2004）。在最初的残差分析中，利用多元线性回归（MLR）构建同一时期的植被指标（我们研究中的FVC）和气候变量（一般为平均降水量和温度）之间的关系，以估计CC对植被的影响。人类活动对植被变化的影响是通过推导CC的影响来估计的。在本研究中，我们同时考虑了极端气候和时间滞后及积累效应，并以月为单位重建了FVC和气候指数之间的线性关系，具体如下。

$\begin{array}{c}\mathit{FVCc}=a·\mathit{PRE}+b·\mathit{TEM}+c·\mathit{PET}+d·\mathit{LR}+e·\mathit{MR}\\ +f·\mathit{HR}+g·\mathit{TR}+h·\mathit{RX}1\mathit{day}+i·\mathit{RX}5\mathit{day}+j·\mathit{SDII}\\ +k·\mathit{TXn}+l·\mathit{TXx}+m·\mathit{TNn}+n·\mathit{TNx}+o·\mathit{DTR}+\epsilon \end{array}$ $\mathit{FV}{C}_H=\mathit{FVC}-\mathit{FV}{C}_C$

其中，PRE-DTR为调整后的气候变量序列以及第3.3节确定的相应滞后月和累积月；a-o为回归系数；ε为截距；FVC为FVC实际值；FVCC为气候因素预测值，即CC对植被覆盖的影响；FVCH为FVC实际值与预测值之差，即残差，代表HA对FVC的影响。例如，通过将a-PRE表示为FVCPRE，FVC也可以表示为如下。

$\mathit{FVC}=\begin{array}{l}\mathit{FV}{C}_H+\mathit{FV}{C}_{\mathit{PRE}}+\mathit{FV}{C}_{\mathit{TEM}}+\mathit{FV}{C}_{\mathit{PET}}+\mathit{FV}{C}_{\mathit{LR}}+\mathit{FV}{C}_{\mathit{MR}}\\ +\mathit{FV}{C}_{\mathit{HR}}+\mathit{FV}{C}_{\mathit{TR}}+\mathit{FV}{C}_{\mathit{RX}1\mathit{day}}+\mathit{FV}{C}_{\mathit{RX}5\mathit{day}}+\mathit{FV}{C}_{\mathit{SDII}}\\ +\mathit{FV}{C}_{\mathit{TXn}}+\mathit{FV}{C}_{\mathit{TXx}}+\mathit{FV}{C}_{\mathit{TNn}}+\mathit{FV}{C}_{\mathit{TNx}}+\mathit{FV}{C}_{\mathit{DTR}}+\epsilon \end{array}$

将公式（6）中的FVC和FVCH-FVCDTR的月度系列汇总为年度系列，以确定年度FVC和气候指数之间的线性关系。公式（6）中两边的线性斜率计算如下。

$slope\left(\mathit{FVC}\right)\approx \begin{array}{l}\mathit{\text{slope}}\left(FV{C}_H\right)+\mathit{\text{slope}}\left(FV{C}_{PRE}\right)+\mathit{\text{slope}}\left(FV{C}_{TEM}\right)\\ +\mathit{\text{slope}}\left(FV{C}_{PET}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{LR}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{MR}}\right)\\ +\mathit{slope}\left(\mathit{FV}{C}_{\mathit{HR}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{TR}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{RX}1\mathit{day}}\right)\\ +\mathit{slope}\left(\mathit{FV}{C}_{\mathit{RX}5\mathit{day}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{SDII}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{TXn}}\right)\\ +\mathit{slope}\left(\mathit{FV}{C}_{\mathit{TXx}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{TNn}}\right)+\mathit{slope}\left(\mathit{FV}{C}_{\mathit{TNx}}\right)\\ +\mathit{slope}\left(\mathit{FV}{C}_{\mathit{DTR}}\right)\end{array}$

其中slope（FVC）-slope（FVCDTR）代表FVC-FVCDTR的线性斜率。如补充图S1所示，公式（7）的两边几乎相等。

鉴于PREF和TEMF的各种气候指数包含重复信息，估计平均和极端气候指数对FVC变化的单独贡献是不合理的。此外，PET包含比温度更多的气候信息，如日照辐射、风速和相对湿度。在这项研究中，我们将CC对FVC变化的贡献分为三类，即PREF、TEMF和PETF的贡献。FVC的变化可以表示如下。

$C_{\mathit{FVC}}=C_{\mathit{CC}}+C_{\mathit{HA}}=C_{\mathit{PREF}}+C_{\mathit{TEMF}}+C_{\mathit{PETF}}+C_{\mathit{HA}}$

其中CFVC是FVC的线性斜率，代表FVC的变化；CPREF是PREF对FVC变化的贡献，表示为FVCPRE、FVCLR、FVCMR、FVCHR、FVCTR、FVCRX1day、FVCRX5day和FVCSDII的线性斜率之和。CTEMF是TEMF对FVC变化的贡献，表示为FVCTEM、FVCTXn、FVCTXx、FVTNn、FVCTNx和FVCDTR的线性斜率之和。CPETF代表PETF对FVC变化的贡献，用FVCPET的线性斜率表示；CCC是CC对FVC变化的贡献，是CPREF、CTEMF和CPETF之和；CHA代表人类活动对FVC变化的贡献，用FVCH的线性斜率表示。CC和HA对FVC变化的相对贡献率的计算如表2所示（Liu等，2022a；Shi等，2021；Sun等，2015）。

CFVC	CCC	CHA	Relative contribution rate (%)
			CC	HA
>0	>0	>0	$\frac{C_{\mathit{CC}}}{C_{\mathit{FVC}}}\times 100$	$\frac{C_{\mathit{HA}}}{C_{\mathit{FVC}}}\times 100$
	>0	<0	100	0
	<0	>0	0	100
<0	<0	<0	$\frac{C_{\mathit{CC}}}{C_{\mathit{FVC}}}\times 100$	$\frac{C_{\mathit{HA}}}{C_{\mathit{FVC}}}\times 100$
	>0	<0	0	100
	<0	>0	100	0

偏最小二乘回归Partial least squares regression（PLS）

在过去，最小二乘回归被用来构建FVC和气候变量之间的线性关系。然而，许多研究结果表明，极端气候指数存在明显的线性交叉关系，表明在使用MLR构建不同气候变量和FVC之间的线性关系时存在多重共线性（Sun等人，2016；Tong等人，2019；Wang等人，2021）。多重共线性将导致不正确的回归，导致FVC变化的归因不准确。

PLS是一种结合了主成分、典型相关和多元线性回归的回归算法（Wold and Waterbeemd, 1995）。为了克服多重共线性，我们在研究中使用PLS来构建FVC和气候变量之间的线性关系。首先，主成分的数量是PLS的一个关键参数，以克服自变量的多重共线性，防止过度拟合，并获得正确的回归结果。我们用不同的主成分在FVC和气候变量之间运行PLS模型，并计算20倍交叉验证的均方根误差（RMSE）。具有最小RMSE值的主成分被确定为合适。然后，我们利用PLS和确定的主成分确定了公式（4）中的参数（a-o和ε）。最后，用三个评分指标（包括决定系数R2、RMSE和平均绝对误差MAE）的20倍交叉验证来评估线性回归的性能（Mehdizadeh，2018）。本研究中的所有PLS都是在python的机器学习库（scikit-learn）中进行的。

在PLS中使用变量重要性（VIP）值来衡量每个自变量对因变量的重要性或解释能力。在应用PLS并获得多元线性回归方程的参数后，用python计算VIP值。详细的计算方法已在Chong和Jun（2005）中报告。VIP≥0.8的气候变量被认为在PLS模型中是重要的，或者对FVC的变化有显著的解释能力。

结果

FVC变化和趋势

2000年至2019年，中国北方的多年平均年FVC显示了一个空间模式；它从东南到西北减少，范围为0.01-0.80（图2a）。最高的FVC值出现在中国北方南部（陕西省南部），而最低的FVC值出现在中国北方西部。我们对中国北方的所有植被网格进行了线性斜率计算和M-K趋势检验，以研究FVC年的空间变化。如图2b所示，年FVC的线性变化率为-0.26～0.27/10a，主要为-0.04/10a～0.1/10a。大约81.6%的中国北方植被区的FVC具有正的线性斜率。就FVC趋势的重要性而言，FVC趋势明显增加、不明显增加、不明显减少和明显减少的植被区比例分别为54.6%、27.0%、14.9%和3.5%，表明中国北方的植被恢复（图2c）。在整个地区，年FVC明显增加，为0.0268/10a。低FVC等级比例的下降被高FVC等级比例的增加所抵消（图2d）。总的来说，中国北方已变得比以前更绿。

还确定了省和月尺度的FVC变化和趋势。如图2e所示，各省的FVC年线性变化率在0.010/10a到0.064/10a之间；FVC明显增加、非明显增加、非明显减少和明显减少的地区比例分别为36%到89%、6%到41%、3%到30%和1%到11%。SX和SAX省的FVC显示出最明显的增加趋势，其线性变化率为0.064/10a和0.062/10a。FVC明显上升趋势的地区比例为89.4%和88.8%。QH省和XJ省的FVC上升趋势最不明显，其线性斜率分别为0.010/10a和0.016/10a。FVC下降趋势的地区比例分别为29.8 %和37.1 %。图2f显示，整个地区的月度FVC增加。7月份的FVC表现出最明显的增长，其线性比率为0.0572/10a。在85.2％的地区，FVC增加，57.3％的地区显示FVC明显增加。11月和12月的FVC显示出最不明显的增加，其线性比率分别为0.0023/10a和0.0025/10a。在47.6％和49.0％的地区，分别观察到FVC的显著下降。

气候指数对FVC变化的时滞和累积效应

图3描述了影响中国北方计算的FVC的气候变量的滞后和累积月份的空间模式。图4显示了不同滞后月和累积月组合的区域比例。PREF的气候指数（包括PRE、LR、MR、HR、TR、RX1日、RX5日和SDII）显示了0.022±0.256、0.032±0.271、0.014±0.183、0.017±0.223、0.037±0.299、0.017±0.222、0.022±0.252和0.013±0。199个月（平均±标准差）滞后和1.289±0.508，1.495±0.610，1.295±0.538，1.461±0.553，1.547±0.612，1.216±0.459，1.255±0.487，和1.229±0.472月累积，分别。PREF的8个指数的滞后和累积月份的主要组合是TLA0-1（0个月的滞后和1个月的累积）和TLA0-2，占67.3%和30.0%（PRE），49.8%和42.9%（LR），65.1％和30.5％（MR），51.5％和45.6％（HR），40.9％和51.9％（TR），75.5％和22.4％（RX1天），71.5％和26.1％（RX5天），以及75.4％和22.2％（SDII），分别占总植被网格。总体而言，PREF的时间积累效应是显著的，而时间滞后效应是不显著的。然而，PREF的时滞和积累效应在不同的气候变量和空间上是不同的（图3a-h）。

TEMF的气候指数（包括TEM、TXn、TXx、TNn、TNx和DTR）有0.020±0.240、0.020±0.244、0.019±0.229、0.038±0.283、0.021±0.246和1.400±1.408个月的滞后期和1.287±0.647、1.177±0.589、1.699±0.759、1.085±0.587、1.282±0.634和0.961±1.009个月的积累期。TEM、TXn、TNn和TNx的滞后和积累月数的主要组合是TLA0-0、TLA0-1和TLA0-2，分别占7.7 %、56.9 %和32.4 %（TEM）；8.3 %、65.3 %和24.6 %（TXn）；10.8 %、65.7 %和20.8 %（TNn）；以及6.7 %、59.4 %和30.6 %（TNx），分别占全部植被网格的比例（图3i-j和l-m）。TXx的主要滞后月和积累月组合为TLA0-0、TLA0-1、TLA0-2和TLA0-3，分别占总植被网格的4.2 %、33.7 %、48.0 %和13.4 %（图 3k）。DTR的滞后月和积累月的主要组合是TLA0-1、TLA0-2、TLA0-3、TLA2-1和TLA3-0，分别占总网格的15.8 %、18.4 %、9.2 %、9.9 %和39.1 %（图3n）。因此，除DTR外，TEMF对FVC的时间积累效应是显著的，而时间滞后效应是不显著的。

PET的滞后期为0.162±0.383个月，累积期为2.096±0.850个月。PET的滞后月和积累月的最主要组合是TLA0-2和TLA0-3，分别占NC的植被面积的37.8%和35.9%（图3o）。总的来说，PET对FVC表现出不明显的时滞效应，但比PREF和TEMF有更明显的时间积累效应。

PLS模型中气候指数对FVC的重要性

为了估计气候因素对FVC的影响，使用公式（4）构建了15个月度气候指数和月度FVC之间的线性关系。由于气候变量的多重共线性，PLS被用来确定线性关系。在PLS中，通过使用20倍交叉验证方法和对RMSE的评分来确定每个网格中主成分的最佳数量。如表3所示，每个省的平均主成分数<10，表明与15个气候指数有关的信息重复。

在PLS之后，VIP值被估计为衡量每个气候指数对FVC的重要性，如图5所示。除了TR的平均VIP值低于0.8外，其他PREF的平均VIP值都高于0.8。在PRE、LR、MR、RX1日、RX5日和SDII中，VIP≥0.8的区域比例超过50%（分别为63.8%、55.7%、65.1%、13.5%、78.4%、68.0%和79.6%）。HR和TR的比例<20 %，表明它们对FVC最不重要。除DTR外，TEMF的所有指数对FVC都表现出明显的重要性。五个温度指数（TEM、TXn、TXx、TNn和TNx）的平均VIP值均超过0.8，在NC的大多数地区，五个指数的VIP值均超过0.8。然而，DTR对FVC的重要性并不明显，大多数地区（>90%）的VIP<0.8。此外，PET对FVC的重要性也很明显，大多数地区（>90 %）的VIP≥0.8。总的来说，除了HR、TR和DTR，所有的气候指数对FVC的变化都有显著的重要性；PETF和TEMF的指数，除了DTR，在PLS模型中比PREF的指数对FVC变化有更显著的解释能力。

气候变化和人类活动对FVC变化的贡献

如图6所示，考虑到时间滞后和累积效应以及极端气候，我们使用修正的残差分析法估计了2000年至2019年中国北方的每个网格中CC（包括PREF、TEMF和PETF）和HA对FVC的贡献。在空间上，PREF对中国北方大部分地区（87.4%的地区）的FVC变化有积极贡献，特别是在青海到黑龙江省的带状区域（图6a）。PREF对中国北方地区FVC变化的总贡献为0.0087/10a。TEMF对FVC变化的正贡献主要分布在中国北方的南部，占中国北方面积的42.9％。相反，主要在青海省和中国北方的东北部观察到显著的负贡献（图6b）。在中国北方，TEMF对FVC变化的贡献为-0.0011/10a。在中国北方，PETF对FVC变化的贡献在61.8%的地区是正值，在中国北方38.2%的地区是负值。负贡献主要分布在中国北方的东北部（图6c）。PETF对FVC变化的总贡献为0.0005/10a。气候变化的总贡献，即所有气候因素的贡献之和，在中国北方80.3%的地区为正数，在大多数地区超过0.009/10a（图6d）。CC对中国北方地区FVC变化的贡献是0.0081/10a，占FVC总变化的30.2%。如图6e所示，在中国北方的73.5%的地区，HA对FVC变化的贡献是正的，在其他地区是负的。在52.3%的地区，HA的贡献超过0.013/10a，在36.1%的地区超过0.025/10a，这些地区主要分布在中国北方的南部和东北部。HA的负贡献主要出现在中国北方的西南部（青海）、西北部（新疆）和北部（内蒙古）。HA对中国北方地区FVC变化的总贡献为0.0187/10a，占FVC变化的69.8%。

计算了CC和HA对FVC变化的相对贡献率，如图7所示。CC对FVC的总贡献率在26.2%的地区占主导地位（即相对贡献率超过50%），主要分布在西南部、西北部和北部地区（图7a）。HA对FVC变化的贡献率在73.8%的中国北方地区占主导地位，特别是在中国北方的南部和东北部（图7b）。

如图8所示，我们还统计了各因素在省范围内对FVC变化的贡献量和相对贡献率。PREF对FVC变化的贡献从0.0007/10a到0.0137/10a，在所有省份都是正的。在HLJ省观察到PREF的最高贡献，在SD省观察到最低贡献。TEMF的贡献范围为-0.0089/10a到0.0049/10a，在NC的西南、北部和东北部省份（QH、GS、LN、JL、HLJ、HB、NMG、BJ和TJ省）是负的。在SD省观察到最高的正贡献，而在LN省观察到最大的负贡献。PETF的贡献率在-0.0112/10a到0.0063/10a之间，在大多数省份是正的，在少数省份是负的。在GS省和HLJ省分别观察到最高和最低的贡献。除LN省外，CC对FVC变化的总贡献在所有省份都是正数，范围为-0.0007/10a至0.0157/10a。在SX省观察到CC的最高贡献，而在LN省则观察到唯一的负贡献。在所有省份，HA对FVC变化的贡献也是正的，范围从0.0010/10a到0.0498/10a。除NMG、QH和XJ外，大多数省份的贡献量超过0.01/10a。特别是在南方省份（GS、NX、SAX、SX、HN、BJ、LN和SD），HA对FVC变化的贡献很大，超过0.025/10a。图8b显示，HA在大多数省份的FVC变化中占主导地位。特别是在北卡罗来纳州的南部和东北部省份，HA对FVC的贡献是显著的，并且≥70％。只有在QH和NMG，CC主导FVC的变化，其贡献率分别为90.5%和53.6%。总的来说，HA是驱动NC植被区FVC从2000年到2019年增长的主导因素。

讨论

改进的残差分析有效性

基于气候变量和植被之间的线性关系的残差分析被广泛用于分离CC和HA对植被的各自贡献，因为其结构简单且易于使用。然而，一些问题在以前的研究中还没有得到解决。首先，在估计CC对植被变化的影响时，一般考虑平均降水和温度，而在构建气候与植被的线性关系时，往往忽略了极端气候变量。其次，气候变量对植被的时滞和累积效应，特别是极端气候变量的时滞和累积效应，很少被研究。最后，最小二乘法回归经常被用来确定植被指数和气候变量之间的线性关系，忽略了气候变量的多重共线性。在本研究中，计算了每个网格中气候变量的方差膨胀因子（VIF）值，以检验多重共线性的显著性（Jiang等，2021a），并以省为单位进行统计，如补充表S1所示。除DTR外，气候指数中存在不可忽略的多重共线性。因此，最小二乘法回归会导致一个不正确的结果。

在这项研究中，我们提出了一个考虑到极端气候和时间滞后及积累效应的修正残差分析，以量化CC和HA对FVC变化的贡献。使用PLS来消除气候变量的多重共线性。为了评估修改后的残差分析的有效性，我们使用20倍交叉验证和三种评分指标（R2、MAE和RMSE）评估了PLS模型在四种情况下的表现。这四种情况包括A（同时考虑极端气候和时间效应）、B（考虑时间效应但忽略极端气候）、C（考虑极端气候但忽略时间效应）和D（同时忽略极端气候和时间效应）。在本研究中，情景A被用来估计CC和HA对FVC变化的贡献。如图9所示，根据PLS模型的性能，四种情景可按升序排列如下。这表明在确定FVC和气候指数之间的线性关系时，考虑极端气候和时间效应的有效性。三个评分指数（R2、MAE和RMSE）的空间分布见补充图S2。

气候变化和人类活动对FVC变化的影响

首先分析了气候变量对FVC变化的时间效应。时间滞后效应的存在是因为植被的光合作用和呼吸作用的适应机制使植物能够在一段时间内适应CC（Ma等人，2022；Zhao等人，2020b）。在时间积累效应方面，土壤水分（而不是降水）对植被生长有直接影响，土壤可以长期储存和保持水分，直到满足植被生长（Liu等人，2022b；Luo等人，2021）。此外，植被必须积累足够的热量和能量来满足自我生长（Wen等人，2019；Xu等人，2021）。在本研究中，对月度FVC和各气候变量之间进行了不同的时滞和-积累月数组合的线性分析，并根据最佳线性关系确定时间效应。结果表明，大多数气候变量对FVC的时间累积效应是显著的，但时滞效应是不显著的。对于PREF和TEMF的大多数指数来说，主要的滞后和积累月份组合是0个月的滞后和1个月的积累以及0个月的滞后和2个月的积累（图3）。这一结果与平均降水和温度对植被变化的时间影响的研究结果一致。在中国的黄河和长江流域，气候变量的时间积累效应对植被生长的解释力比时滞效应更强（Jiang等，2022）。在新疆地区，降水、温度和太阳辐射对NDVI的1-2个月的时间积累而无时滞效应占主导地位（Ma等人，2021）。在中国北方，降水、温度和太阳辐射在生长季节有更明显的时间积累效应（丁建华等，2020）。此外，我们还统计了不同植被类型对FVC变化的不同气候指数的滞后和积累月份，见补充表S2。总的来说，根据FVC对气候因素的滞后月数，农田>稀树草原，草地>森林；根据FVC对气候因素的积累月数，草地<农田<森林<稀树草原。

基于修正的残差分析，我们计算了CC（包括PREF、TEMF和PETF）和HA对FVC变化的贡献（图6）。PREF促进了中国北部大多数植被区的FVC增加，因为降水是相对干燥的中国北部植被生长的主要限制因素（Ge等人，2021）。2000年后，中国北部的降水增加与PREF对FVC增加的积极贡献是一致的。以前的研究也指出了降水对植被变化的积极贡献。1999年后，中国西北地区NDVI的增加与降水的增加和VPD的减少相一致（Zhao等人，2021）。在新疆，从2002年到2019年，降水促进了植被的生长（Zhang等人，2020a）。降水是导致蒙古和黄土高原等干旱和半干旱地区植被增加的主要气候因素（Ge等人，2021）。TEMF对中国北部更多地区的FVC变化有负面影响。温度升高会促进植被生长，但极端气候的增强可能会抑制植被生长。一些研究结果表明，植被和极端气候变量之间存在负相关，温度对植被变化有负面影响（Ge等人，2021；Luo等人，2020；Meng等人，2020；Pramanik等人，2022）。此外，从2000年到2019年，中国北部所有地区的温度都没有上升。PET反映了气候信息，如有利于植被增加的太阳辐射和限制植被生长的干旱（Jiang等人，2022；Qin等人，2022；Zhang等人，2021b；Zhao等人，2021）。因此，PETF对FVC变化的影响是复杂的。在QH省和NMG省，CC只主导了FVC的变化。在这些地区，主要的土地覆盖是草原，气候干燥，生态环境脆弱，很少受到人类的干扰。因此，植被比HA更容易受到CC的影响。

人类活动包括许多方面，如城市扩张、人口迁移、农业管理、过度放牧和生态项目的实施。在中国北方的大多数植被区，人类活动对FVC变化的贡献是正的，但在内蒙古和青海省的大多数地区是负的。内蒙古和青海省的主要土地覆盖是草地，表明过度放牧对植被生长的负面影响（Batunacun等人，2021）。CC在FVC变化中占主导地位的地区比HA少，在大多数省份和整个中国北方地区，HA对FVC变化的总贡献率高于CC。图7、图8显示，HA对FVC变化的显著主导贡献主要体现在中国北方的南部和东北部省份，尤其是甘肃、宁夏、陕西、陕西、河南和山东，其FVC增加最为明显（图2 b和e）。北方的黄土高原和海河流域山区也是许多生态工程实施的地区，包括粮改饲计划、三北防护林工程和水土保持国家重点工程（Li等，2021a）。在以前的许多研究中，黄土高原和海河流域山区的植被恢复以人为因素为主（Jiang等人，2021a；Kou等人，2021；Wang等人，2020；Zheng等人，2019）。在中国东北地区，人类活动也主导了植被恢复，特别是通过实施生态恢复项目（Xue等人，2022）。在以农田覆盖为主的平原地区，特别是在河南和山东，HA对FVC的增加有明显的积极作用。农田管理、灌溉以及农田中农药和化肥的使用可以防止栽培植被的生长受到气候波动的影响。一些研究结果也表明，农场活动对植被动态有明显影响（Chen等，2019；Song等，2018）。

根据这项研究的结果，HA对NC的FVC增加的贡献率为69.8%，这意味着HA大大改善了生态环境。植被的增加增强了环境的几种生态功能，包括气候调节、水源保护、碳固定和氧气释放。它防止了水的流失和土壤侵蚀，加速了生态水文过程。在自然条件下，气候、水文和植被将达到平衡状态，植被可以适应CC（Cong等人，2017；Fang等人，2022；Mo等人，2016）。然而，HA诱导的植被恢复一般是即时的，而且超出了自然限制（Shi等人，2021）。一些学者认为，目前的造林计划不符合当地的环境条件，包括气候、土壤、水文和景观，并引入了不适当的植被种类，过度强调种植乔木和灌木，这可能导致环境退化的加剧（Cao等，2011）。大量研究结果表明，过度的植被恢复将导致径流减少和土壤干燥（Bai等，2020；Li等，2020；Liang等，2022；Xu等，2014；Zhang等，2018b）。在中国的黄土高原，植被恢复正在接近可持续水资源的极限（Feng等人，2016）。因此，与当地气候条件相协调的植被恢复的可持续方案和适当的人类干预对NC的生态系统重建至关重要，以保持水产量而不破坏生态稳定性（Su等人，2020）。

限制和不确定性

请注意，这项研究有局限性和不确定性。首先，数据来源可能导致不确定性。目前有几个NDVI数据集，包括SPOT NDVI、MODIS NDVI、GIMMS NDVI3g NDVI等（Decuyper等人，2020；Li等人，2021d）。这些NDVI产品在传感器、光谱响应函数、校正和数据处理方法、合成时间以及空间和时间分辨率方面有所不同。此外，遥感数据集受到云雾污染的影响，尽管在本研究中应用了最大值合成法来减少影响（Cong等人，2012）。遥感数据的不确定性可能会影响本研究的准确性（Li等人，2022；Shen等人，2022）。

其次，气候观测数据可能受到人类活动的影响，从而将人类活动对FVC变化的影响归结为气候因素。例如，沼泽地损失和城市热岛效应导致气候变暖（Li等人，2022；Shen等人，2020），城市化将导致极端降水的变化（Zhang等人，2020b；Zhao等人，2019）。

第三，我们采用气象站的观测数据来反映CC。由于数据在空间上的分散性，我们采用克里金法将气候变量内插到空间网格中。克里格法是一种地理统计空间插值法，在以前的研究中分析CC对植被变化的影响时，已经被广泛使用（Ge等人，2021；Li等人，2021b；Liu等人，2021b；Su等人，2016；Wu等人，2019）。然而，不同的插值方法可能会产生不同的结果，特别是在气象站少的地区，这导致了不确定性。

最后，考虑到时间滞后和-积累，我们在月度范围内构建了FVC和气候变量之间的线性关系，这与之前的研究一致（Ding等人，2020；Jiang等人，2022；Ma等人，2021；Peng等人，2021；Zhang等人，2021a；Zhao等人，2020a；Zhao等人，2020b）。然而，线性关系可能涉及季节性变化，导致不确定性。在构建月度植被指数和气候变量之间的关系时，消除季节性变化的有效方法还有待确定。

结论

本研究分析了2000-2019年中国北方植被区FVC的时空变化和15个气候指数（包括极端气候指数）对FVC变化的时间影响。考虑到极端气候和时间滞后及积累效应，采用修正的残差分析法确定了CC和HA对FVC变化的贡献。鉴于气候变量的多重共线性，PLS模型被用来确定FVC和15个气候指数（包括极端气候）之间的线性关系。在整个地区，每年的FVC以0.0268/10a的线性速率显著增加。除DTR外，其他气候指数对FVC的变化表现出不明显的时滞效应，但有明显的时间累积效应。CC和HA对中国北方地区FVC变化的贡献为0.01000/10a和0.0168/10a，分别占30.2％和69.8％。HA主导了中国北方的FVC变化。

基于对时间效应和极端气候的考虑以及修改后的残差分析，可以避免低估CC对植被的影响，提高CC和HA对植被变化的估计精度。此外，本研究的结果，例如，HA在中国北方的FVC变化中占主导地位，可以指导中国北方的可持续植被恢复计划的设计。