植被是陆地生态系统的主要组成成分，在土壤圈、水圈和大气圈的物质循环和能量流动起到了纽带的作用。近年来对全球气候研究的不断深入，作为反映气候变化重要指示器之一，植被的长期变化特征和趋势在全球各地区得到了广泛关注（Julien et al., 2006；Kucharik et al., 2006；国志兴等，2010）。新疆地处我国西北干旱区，生态环境十分脆弱，准确掌握和分析本地区植被长期变化趋势并做出合理的预测，对制定合理的产业政策，保障农牧业生产、经济社会发展和可持续发展具有重要战略意义。

自本世纪以来，相关学者在利用多源、多尺度，多时间序列遥感数据分析新疆地区植被状况的变化过程和特点上取得了很多研究成果：杨光华等（2009）利用1998以来SPOT VGT归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）进行年际监测时得出新疆植被覆盖变化存在显著的空间差异，但自然植被NDVI明显退化，农业灌溉区和生态建设地区的植被覆盖明显提高；赵霞等（2011）利用1982~2006年NOAA (National Oceanic and Atmospheric Administration) / AVHRR (Advanced Very High Resolution Radiometer) NDVI时间序列数据，结合植被、地形和气候等资料，发现占新疆植被面积27%的地区生长季（4~10月），NDVI显著增加，近一半地区年增加速率大于0.003，而显著减少地区的面积仅占4%；王智等（2011）基于1982~2006年GIMMS（Global Inventory Modeling and Mapping Studies）NDVI数据对区域植被覆盖度平均值进行统计得出新疆植被覆盖总体呈显著上升趋势；周梦甜等（2015）分析了新疆各地带植被覆盖变化的时空分布特征，认为新疆各地带植被覆盖在1998~2012年间呈波动增加的趋势；许玉凤等(2015, 2016)利用拓展后的NDVI数据，在排除NDVI小于0.1的区域后，得出增加趋势的区域面积略小于有减小趋势的区域，新疆植被变化总体呈良好发展趋势；杜加强等（2015）从区域、像元两个空间尺度研究了新疆1982~2012年间植被生长的动态变化，发现从区域尺度，1982~2012年生长季植被NDVI呈极显著增加趋势，但从像元尺度上看，农业区NDVI增加趋势显著，显著减少区域范围快速扩张；刘洋等（2016）研究新疆NDVI格局及趋势时得出1982~2013年新疆植被覆盖改善的区域大于植被退化的区域。以上研究由于数据和分析方法的不同，结论也各有差异，例如杨光华等（2009）的“自然植被有明显退化”的研究结论要明显区别与其他，多数研究认为植被的变化趋势是趋向好的方向，但部分是基于排除了NDVI较低或覆盖度较低的区域范围，同时在方法上亦存在区别，如王智等（2011）采用的线性趋势判别，而刘洋等（2016）采用的MK（Mann-Kendall）趋势判别等。

值得注意的是，已有研究往往直接采用原始的长序列遥感数据，对数据自相关等问题的考虑不多，不同预处理方法下产生的结果差异还缺乏系统深入的分析，此外，多数研究主要关注年际趋势变化，对季节趋势变化的研究还比较薄弱，如杜家强等（2015）采用对每个季节内NDVI求算术平均值后进行相关变化趋势的分析和检验。基于此，本研究以最新GIMMS 3g（the third generation GIMMS NDVI）数据为基础，结合土地利用数据，从两个方面开展研究工作：（1）应用月平均、标准距平和预置白处理3种方法获取GIMMS 3g的6套处理后数据，通过CMK（Contextual Mann-Kendall）和MK趋势检验方法分析年际趋势变化特点，并对不同预处理方法进行对比分析，讨论各种预处理方法在信息提取上的差异；（2）利用季节趋势分析（Seasonal Trend Analysis，STA）方法获取振幅0、振幅1和相位1等3种季节表征因子，结合CMK和MK趋势检验方法分析植被季节变化特点和趋势。

本研究使用美国宇航局地球交换网（NASA Earth Exchange，NEX）提供1982~2013年共计32年的GIMMS 3g数据，该数据是基于GIMMS框架上发展的最新AVHRR长时间序列植被指数数据，该数据全球镶嵌数据空间分辨率为8 km，时间分辨率为15 d。根据该数据说明文档，在Matlab和ENVI进行NDVI原始数据的提取、研究区裁剪和格式转化，最终获得新疆地区GIMMS 3g的数据集（图 1）。同时对新疆典型地物的NDVI的时间剖面进行提取（图 2），获得荒漠植被，山区草地和山区落叶林的NDVI的时间变化曲线，可以发现，荒漠植被、山区草地和山区落叶林具有明显的季节变化特征，但荒漠植被缺乏稳定性波动较大。

图 1

Fig. 1

图 1 新疆NDVI空间分布 Fig. 1 Spatial pattern of NDVI (Normalized Difference Vegetation Index) in Xinjiang

图 2

Fig. 2

图 2 新疆典型地物NDVI时间剖面：（a）荒漠植被；（b）山区草地；（c）山区落叶林地 Fig. 2 NDVI temporal profile of typical land class in Xinjiang: (a) Desert vegetation; (b) mountain grass; (c) mountain deciduous forest

土地利用覆盖数据（Land Use and Land Cover，LULC）采用2010年中国土地利用现状遥感监测数据，数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn [2016-07-05]），该数据土地利用类型包括6个一级类型以及25个二级类型，空间分辨率为1 km，数据格式为格点数据（图 3）。本研究中只使用了一级类进行相应分析，并进行研究区裁剪。林地、草地、水域、建设用地、未利用地和耕地的面积比例为2.35%、29.09%、3.16%、0.32%、60.72%和4.37%。

图 3

Fig. 3

图 3 2010年新疆土地利用类型图 Fig. 3 LUCC (Land Use and Land Cover) map of Xinjiang in 2010

月平均处理能够降低时间序列的自相关误差，本研究将GIMMS 3g 15 d数据进行逐月合成，合成方法为每月内2期进行算术平均值计算，获得新的月平均数据。

标准距平能降低自相关误差带来的影响，较之距平能在消除离差的影响下在距平幅度上提供更多有效信息，同时对数据分布没有特定要求。计算公式如下：

其中，x为对应时间点的数据值，μ为长期算术平均值，σ为标准方差。以本研究中月平均数据而言，x为象元在某年1月的NDVI值，μ即为32年的每个1月组成数据序列的算术平均值，σ为该点32年的每个1月组成数据序列的标准方差。

时间序列的自相关现象能够改变MK检验的检测能力，当样本数量大于50且序列具有明显变化趋势时自相关的影响可以考虑被忽略，否则在应用趋势分析方法前需对考虑序列进行预置白处理（Yue and Wang, 2002）。本研究中序列样本数量为32，采用趋势保留预置白（Trend Preserving Prewhitening，TPP）方法消除残差（Wang and Swail, 2001）。

研究中对图 4中共6种处理数据进行MK和CMK趋势检验获得植被趋势变化的空间分布情况。CMK趋势分析（Neeti and Eastman, 2011）与MK趋势分析相似（Sen，1968），主要区别是CMK基于地理学第一定律的基础上考虑了空间自相关的影响，对象元进行趋势检验时，采用该象元为中心的3×3范围内算术平均值作为代表值进行计算，这种方法能够去除空间中的噪声点产生的伪趋势，并对3×3范围内具有趋势一致性置信度具有放大作用，在空间数据的趋势检验中得到广泛应用。本研究对Z统计量进行显著性计算，并按照极显著增加（P<0.01，P为显著性水平）、显著增加（P<0.05）、不显著、显著减少（P<0.05）和极显著减少（P<0.01）分为5类进行空间统计。

图 4

Fig. 4

图 4 研究流程图 Fig. 4 Flow chart for this study

研究采用了Eastman et al.(2009, 2013)提出的一套新的STA（Seasonal Trend Analysis）季节趋势分析方法，该方法对原时间序列进行谐波回归，提取年和半年谐波信号，进而提取振幅0、振幅1、相位1、振幅2、相位2等5个参数，对季节性变化进行描述。其中：振幅0代表年平均NDVI，振幅1代表年NDVI的最大值与最小值之差，相位1表示每年NDVI所拟合的正弦波开始点位，对1月而言NDVI正弦波接近最低点，约270°，相位1增加或减少代表季节提前或推迟。振幅2和相位2对应于半年循环且难以解读（Eastman et al., 2013）。研究中对提取的振幅0、振幅1和相位1进行MK和CMK趋势分析。

趋势分析：图 5为经过不同预处理后获得的6套时间序列数据的MK和CMK趋势检验分类图。图内按照趋势检验统计值Z划分为5种类型，分别代表NDVI变化趋势的极显著减少、显著减少、不显著、显著增加和极显著增加。可以发现，6种时间序列数据的MK和CMK趋势在总体空间分布上是一致的，其中：极显著减少区域主要集中在北疆准噶尔盆地、南疆塔里木盆地的荒漠区域、以及巴里坤和伊吾县北部。显著减少区域在研究区域呈现出零星分布，显著增加和极显著增加区域则主要集中在新疆三大山区范围和绿洲区域。

图 5

Fig. 5

图 5 不同预处理数据MK（第一行、第三行）和CMK（第二行、第四行）长期趋势变化空间分布与对比：（a、b）原始数据；（c、d）月平均数据；（e、f）标准距平数据；（g、h）月平均标准距平数据；（i、j）标准距平趋势保留预置白数据；（k、l）月平均标准距平趋势保留预置白数据 Fig. 5 Comparison and distributions of long-term changes detected from six preprocessed data with (a, c, e, g, i, k) MK (Mann-Kendall) test and (b, d, f, h, j, l) CMK (Contextual Mann-Kendall) test: (a, b) Original data; (c, d) monthly average data; (e, f) standard deviation data; (g, h) monthly average and standard deviation data; (i, j) standard deviation and trend-preserving prewhiting data; (k, l) monthly average, standard deviation, and trend-preserving prewhiting data

差异性对比：（1）MK与CMK检验的差异性十分明显，从图 5可以明显看出，CMK检验后的结果与相应的MK检验结果在空间分布上对不同种显著性变化的分布是一致的，但是CMK滤除了MK结果中的斑杂点，同时对MK中显著性一致分布较为集中的区域具有明显的加强和放大作用。（2）不同预处理数据存在明显差异：在6种不同前期预处理数据的趋势分析表现上看，原始GIMMS 3g数据和月平均数据中不显著区域的比例明显要大，而标准距平处理后数据和月平均标准距平处理后数据具有显著性趋势的区域有显著增加，标准距平趋势保留预置白数据和月平均标准距平趋势保留预置白数据的趋势分析结果中，显著性区域则略少于标准距平数据，但仍高于原始和月合成数据。

空间分布特征：为了进一步分析不同预处理数据在MK和CMK趋势检验方法分布特点和差异，将图 5中12类结果进行统计，获得不同处理数据趋势变化类型的比例分布（图 6），12类结果分别为原始数据MK、CMK趋势变化（简称原始MK、原始CMK）、原始标准距平数据MK、CMK趋势变化（简称原始标准距平MK、CMK）、标准距平趋势保留预置白数据MK、CMK趋势变化（简称原始预置白MK、CMK）、月平均数据MK、CMK趋势变化（简称月平均MK、月平均CMK）、月平均标准距平数据MK、CMK趋势变化（简称月标准距平MK、CMK）、月平均标准距平趋势保留预置白数据MK、CMK趋势变化（简称月预置白MK、CMK）。可以发现，12种趋势分析结果中植被指数发生极显著减少的区域面积比例范围达到41%~59%范围，而不显著区域则为20%~48%，极显著增加面积比例为3%~15%，显著增加和显著减少面积很小。

图 6

Fig. 6

图 6 不同预处理数据长期趋势变化类型比例分布 Fig. 6 Proportions of long-term changes detected from the preprocessed data

差异性对比：各类预处理数据的趋势分析结果也存在明显差异。月标准距平CMK与原始标准距平MK趋势分析结果获得了最多的不显著变化区域，月平均MK和CMK以及原始数据MK和CMK的趋势分析结果则获得了最少的不显著变化区域；显著增加和显著减少2种类型面积在整个5种显著性变化类型中比例较少，12类结果在此表现出的差异性较小；在极显著减少和极显著增加2种变化类型上，12种与处理数据趋势分析结果有较大差异：极显著减少比例最大的依次为月标准距平CMK、原始标准距平MK和CMK趋势分析结果，最小的依次为月平均MK和原始MK及月平均CMK趋势分析结果；极显著增加比例最大的为原始标准距平、月标准距平MK和CMK趋势分析结果，最小的为原始MK和CMK以及月平均MK和CMK趋势分析结果。这种结果表明在本研究中，不同预处理数据的分析结果在极显著减少、不显著和极显著增加三种类型的表现有较大差异，将会对结果产生重要影响。月平均作用会使得显著性区域面积比例降低，标准距平能够最大程度的获取研究区内显著性区域，而在标准距平基础上进行趋势保留预置白处理，则反而降低了显著性区域的提取比例。

为进一步分析各种显著类型的空间分布特点，将12种趋势分析结果与新疆2010年土地利用覆盖数据进行叠加分析，获得4类显著变化类型在土地利用覆盖类型上的分布情况（图 7）。极显著减少类型主要集中在未利用地[75%, 85%]和草地[13%, 19%]，显著减少类型也以未利用地[43%, 60%]和草地[31%, 41%]为主，显著增加和极显著增加区域依次为未利用地（[34%, 45%]、[38%, 47%]）、草地（[36%, 50%]、[29%, 42%]）和耕地([7%, 12%]、[11%, 17%])。考虑到各种土地利用类型在总体面积比例上存在的差异，将变化面积与土地利用类型面积的比值作为变化幅度看，极显著与显著增加的类型中极显著增加和显著增加的占本土地利用类型面积的比例从高到低依次为耕地，草地和未利用地，说明虽然耕地面积比例较小，但由于变化的类型内比例较高，其植被状况发生显著增加的趋势和强度要更加明显。

图 7

Fig. 7

图 7 各类长期趋势变化类型的土地利用类型比例分布：（a）极显著减少；（b）显著减少；（c）极显著增加；（d）显著增加 Fig. 7 Proportions of LULC for different types with long-term trend changes: (a) Significantly decreased; (b) significantly decrease; (c) significantly increased; (d) significant increase

振幅0、振幅1和相位1序列的趋势检验结果（图 8，表 1）表明，研究区范围内振幅0的趋势分布以极显著减少为主，其分布特点和面积比例与2.1中各类预处理数据的年际分布基本一致，这说明Eastmen et al.（2013）提出的季节趋势分析方法中的振幅0，其作为反映年均NDVI的代表性指标也适合于进行年际植被状况的分析。振幅1的趋势分析表明，研究区内阿勒泰山区、天山山区区域，北疆与塔里木盆地北缘及叶尔羌河流域的绿洲区域均呈现出显著和极显著增加的趋势，而塔里木盆地南缘以和田—策勒—于田—民丰—且末一线绿洲区域则极显著减少，同时昆仑山山区和阿尔金山部分区域也表现出及显著减少的趋势，而振幅1具有增加趋势的面积比例要明显大于具有减少趋势的面积比例。相位1的趋势分析结果表现为：在天山北坡西段，克拉玛依，库尔勒—阿克苏—喀什一线等绿洲区域呈现显著减少趋势，其分布趋向集中，在阜康、木垒、和田等表现出极显著增加趋势，但分布较为分散，从比例上看，相位1具有增加趋势的面积与减少趋势的面积差异很小。从MK和CMK对比上看，CMK同样起到了“滤波的作用”，舍弃了一些零散分布的点，而对具有一致变化趋势区域范围起到了强化和放大作用。

图 8

Fig. 8

图 8 （a、b）振幅0、（c、d）振幅1、（e、f）相位1三组分季节趋势分析：（a、c、e）MK趋势检验；（b、d、f）CMK趋势检验 Fig. 8 (a, b) Amplitude 0, (c, d) amplitude 1, and (e, f) phase 1 for seasonal trend analysis: (a, c, e) MK test; (b, d, f) CMK test

表 1 (Table 1)

表 1 季节趋势变化三组分分类统计表 Table 1 Statistics of three components for seasonal trend analysis 面积比例 季节趋势分析 极显著减少 显著减少 不显著 显著增加 极显著增加 振幅0 MK 41.41% 5.96% 37.79% 5.02% 9.82% 振幅0 CMK 43.46% 5.24% 37.56% 5.41% 8.33% 振幅1 MK 7.43% 6.77% 55.64% 8.66% 21.51% 振幅1 CMK 8.14% 6.72% 49.83% 7.79% 27.53% 相位1 MK 6.02% 4.20% 79.04% 6.62% 4.12% 相位1 CMK 6.84% 3.67% 80.42% 5.98% 3.08%

表 1 季节趋势变化三组分分类统计表 Table 1 Statistics of three components for seasonal trend analysis

由于振幅1和相位1是主要反映年度循环的指标，我们将二者的MK趋势检验结果与LUCC数据进行叠加进行统计（表 2）。从振幅1变化类型的面积比例看，极显著减少和显著减少的区域主要是未利用地和草地，极显著增加的区域主要是草地和未利用地，还有14.46%为耕地和5.97%为林地；显著增加的区域也以未利用地和草地为主，但与极显著减少和显著减少不同，二者的比例接近；从对应的土地利用类型的比例上看，未利用地的67.24%均未发生显著变化，而耕地的81.24%和6.64%分别表现了极显著和显著增加，草地也有35.58%发生了极显著增加。

表 2 (Table 2)

表 2 振幅1和相位1趋势变化类型的土地利用空间分布情况 Table 2 Spatial distributions for amplitude 1 and phase 1 trend change types combined with LUCC data 面积比例 变化类型 林地 草地 水域 建设用地 未利用地 耕地 振幅1 极显著减少 0.63%|2.98% 27.14%|7.05% 3.39%|4.75% 0.00%|3.13% 68.54%|8.43% 0.29%|0.69% 显著减少 0.53%|1.28% 17.43%|4.19% 3.11%|7.28% 0.06%|3.13% 78.70%|8.68% 0.18%|0.23% 不显著 0.69%|28.51% 17.67%|40.36% 2.75%|58.54% 0.09%|18.75% 78.39%|67.24% 0.41%|11.21% 显著增加 3.54%|11.91% 44.59%|12.82% 3.74%|11.08% 0.25%|6.25% 46.05%|6.57% 1.82%|6.64% 极显著增加 5.97%|55.32% 48.80%|35.58% 3.71%|18.35% 0.89%|68.75% 26.17%|9.07% 14.46%|81.24% 相位1 极显著减少 3.67%|9.36% 28.70%|5.95% 2.82%|5.38% 1.51%|28.13% 33.94%|3.36% 29.36%|40.5% 显著减少 2.53%|4.68% 21.67%|3.13% 3.00%|4.11% 0.94%|12.5% 58.44%|4.05% 13.41%|12.81% 不显著 2.07%|69.36% 27.86%|75.7% 3.05|76.27 0.17%|43.75% 64.62%|84.12% 2.24%|40.5% 显著增加 3.04%|8.51% 41.69%|9.49% 4.05%|8.54% 0.42%|9.38% 49.08%|5.35% 1.73%|2.52% 极显著增加 4.60%|8.09% 40.71%|5.78% 4.69%|6.01% 0.38%|6.25% 45.98%|3.11% 3.64%|3.43% 注：“|”前数值为占该行变化类型的面积比例，“|”后为占该列土地利用类型面积的比例。

表 2 振幅1和相位1趋势变化类型的土地利用空间分布情况 Table 2 Spatial distributions for amplitude 1 and phase 1 trend change types combined with LUCC data

从相位1的变化类型面积比例可以发现，发生极显著减少和显著减少的区域主要集中在未利用地、草地和耕地，显著增加的区域主要是未利用地和草地。从对应土地利用类型的比例上看，6个一级类中除耕地外其余5个类型不显著比例均高于64%，而耕地中有超过50%的区域呈显著和极显著减少趋势。综合图 6和表 1、表 2结果，可以判定，新疆范围内反映植被年内变化幅度的振幅1呈现出增加的趋势，且主要分布新疆阿勒泰山和天山山区，以及北疆和塔里木盆地南缘，其中研究区耕地的87.88%均表现出振幅1增加的趋势。而反映植被开始期的相位1总体变化趋势不明显，但是耕地的53.31%均表现出显著减少的趋势。

总体判断：在3种预处理方法干预下，生产6套预处理数据，采用MK和CMK两种趋势分析方法对新疆过去32年来的植被状况进行趋势判断和对比分析，结果显示研究区范围内植被状况总体呈现出植被状况趋于减少的区域面积大于植被状况趋于增加的面积，植被状况减少的区域主要集中在南北疆荒漠区域的未利用地和草地，增加的区域则主要集中在山区草地、未利用地和耕地区域。其中，植被极显著减少的面积比例达到41%~59%，极显著增加面积比例为3%~15%，不显著区域则为20%~48%，显著增加和显著减少面积很小。本研究关于新疆植被状况趋势的总体判断与许玉凤等(2015, 2016)和刘洋等（2016）等已有的研究结论存在差异，特别是在显著减少所占的面积比例，其原因是由于在处理过程中对沙漠及其他稀疏植被区域排除与否的选择和趋势判断方法选择的不同，在本研究中，作者未将塔里木盆地大范围稀疏植被或无植被区域排除在外主要是基于如下考虑：通过对这些区域的NDVI像元尺度的逐点检查发现即使在塔里木盆地腹地NDVI仍有明显的年际波动趋势，而这种年际波动和所体现出的32年来的显著减小趋势是否是植被状况的减弱仍然值得进一步研究。

方法对比：月平均、标准距平和趋势保留预置白3种预处理方法相对于原始数据，在植被状况整体趋势变化方向判断上没有影响，但是对趋势变化的显著性分析上存在明显的影响，按照显著信息的提取能力排序，标准距平＞趋势保留预置白＞原始数据＞月平均。这说明，标准距平能从空间上最大限度提取可能存在的显著变化区域，尽管本研究还无法确定采用何种预处理方法是最准确，但通过多种预处理手段，分析不同预处理数据所产生的趋势范围的变化区间能更加综合判读和掌握植被动态变化的有效手段。采用更多的遥感数据和预处理方法，结合不确定性分析，有助于更准确发掘植被状况的变化趋势和特征。本研究中还对MK和CMK两种不同趋势分析方法进行了对比，CMK能够明显过滤具有显著趋势的零星分布的点，同时凸显并放大具有显著性趋于一致的集中区域，因此CMK对解读具有显著性变化的区域更加有利，然而考虑到研究所采用的是8 km分辨率数据，CMK可能会滤除本身确实存在的显著性变化的单个象元（例如新疆小型孤立绿洲的存在），因此在对MK和CMK进行选择时，应当先对研究区的景观分布特征进行分析。

季节趋势分析方法能够有效提取研究区内植被年内循环的特征和趋势。新疆植被年内波动幅度有明显增加的趋势，主要分布在塔里木盆地南缘以北的山区、未利用地和耕地，其中87.88%的耕地均表现出植被年内波动幅度显著增加的趋势；同时，植被波动开始期整体变化不大，但有53.31%的耕地表现出植被年内循环开始期显著推迟，这一结果与我们以往新疆区域的植被物候变化检测结果基本一致（马勇刚等，2014）。这也意味着在田间管理和种类变更等人类活动和气候变化的共同作用下，新疆耕地区域的农作物状况发生了显著变化。