土地利用和土地覆盖变化是全球环境变化研究的核心内容之一(Liu et al., 2002)，而植被是土地覆盖的最主要部分，也是土地覆盖变化最直观的指标，因此，研究植被覆盖变化对于全球环境变化研究具有重要意义(韩秀珍等，2008)。植被覆盖度是指单位面积内植被地上部分在地面的垂直投影面积所占的百分比(赵汉青，2010；甘春英等，2011)。植被覆盖指数(fractional vegetation cover，FVC)是在归一化植被指数(normalized difference vegetation index，NDVI)的基础上改进提出的(Gutman et al., 1998； Zeng et al., 2000)，在一定程度上解决了NDVI对于覆盖度高的植被易于饱和、而对覆盖度低的植被难于区分的不足(王智等，2010)，能够很好地反映地表植被状况。

新疆属于干旱区，生态环境极其脆弱，对区域内植被覆盖变化极为敏感(潘晓玲等，2004)。干旱区的植被覆盖变化一直备受关注，师庆东(2004)、刘宪锋等(2012)对西北地区的植被覆盖变化进行分析，结果表明自1982年以来植被呈增加趋势，植被覆盖变化长时间内受气温和降水量的驱动，短期内受人类活动的作用比较明显 ；杨光华等(2009； 2010)、王智(2011)对新疆的植被覆盖变化进行讨论，结果发现新疆植被覆盖近30年来呈现明显的分阶段特征，整体上呈增加趋势，尤其是近10年来植被改善明显。类似的研究还有很多(李磊等，2013；贾艳红等，2007；武正丽等，2014)。但这些植被覆盖变化趋势的研究多采用变化斜率的一元回归，规避误差的能力较弱(蔡博峰等，2009)；而且对植被覆盖空间分布只是简单的独立分析，没有深入到周围格局对植被覆盖的影响等方面。因此，本文以1998—2012年1 km分辨率的SPOT/VGT NDVI遥感数据作为FVC数据源，采用非参数检验法Mann-Kendall检验和Sen’s Slope Estimator结合的方法对研究区植被变化趋势进行分析，并在GIS平台上研究新疆植被覆盖变化的空间自相关性，分析植被覆盖的时间变化特征、空间分布特征及变化趋势等，以期为改善区域生态环境提供参考。

新疆位于我国西北部，沙漠戈壁面积较大，土地沙质荒漠化、土壤盐渍化明显，使其生态环境极其脆弱(王美红等，2008；倪永明等，2006)，干旱、少雨、多大风等恶劣的自然条件，导致植被覆盖率极低。新疆植被以灌木、半灌木的荒漠植被带为主，在低山带有少量森林；在面积较大的沙漠、戈壁，植被群落类型单调，覆盖度低；人类活动集中的有灌溉水源的绿洲区，植被覆盖度较高，但波动也较大，多位于平原区；海拔较高的地区，植被覆盖变化不大。新疆植被覆盖变化具有明显的空间分异特征，为便于分析，本研究采用师庆东等(2003)建立的分区分海拔的分类规则，将研究区植被覆盖分为山地和平原(图 1)，使植被变化的区域特征更有针对性，同时也增强结果的可比性。

	图 1 新疆山地和平原分区 Fig. 1 The subarea map of mountain areas and plain in Xinjiang

遥感数据主要来自2方面： 1)由SPOT-4卫星获得的遥感影像，来源于http://free.vgt.vito.be，空间分辨率为1 km×1 km，时间分辨率为10天，时间尺度为1998—2012年，每旬一景影像。使用ArcGIS将下载下来的NDVI数据进行格式和投影转换，均使用投影坐标WGS1984；然后每旬NDVI最大值的进行影像合成，得到月NDVI数据；进而制作出1998—2012年间归一化植被指数(NDVI)数据集，采用像元二分法(陈云浩等，2001；穆少杰等，2012)计算得时间序列FVC值。2)数字高程模型(DEM)数据和USGS/GTOPO30数据(united states geological survey)。所用数据均满足分析要求。

Sen+Mann-Kendall趋势分析是Theil-Sen Median趋势分析与Mann-Kendall(MK)检验的结合，已成为长时间序列数据趋势判断的重要方法。与线性回归相比，其对数据误差的抵抗能力较强，而且能够减少异常值的影响，在一定程度上提高了检验结果的准确性(Hoaglin et al., 2000；王佃来等，2013)。

Theil-Sen Median计算公式为：

$ \beta = median\left[ {\left({{f_j} - {f_i}} \right)/\left({j - i} \right)} \right]，\forall j > i $

式中：f为FVC值，当β>0时，FVC在时间序列上呈增长趋势，反之呈退化趋势。

MK检验是一种非参数统计方法，由于其无需样本服从一定的分布，因此常被用以检验趋势的显著性。由于研究时间序列长度n=15，因此可用标准的正态分布统计量Z进行趋势检验(Hirsch et al., 1982)。

对统计量Z采用双边检验，在给定显著性水平α下，当|Z|>Z_1-α/2时，趋势显著；反之不显著。本文中α取0.05，Z_1-α/2=1.96。Theil-Sen Median与MK检验的结果一致，MK检验是Theil-Sen Median检验程度的细化。即当β>0且|Z|>1.96时，序列呈显著上升趋势，当β>0且|Z|≤ 1.96时，序列呈上升但不显著趋势；同理当β<0且|Z|>1.96时，序列呈显著下降趋势，当β<0且|Z|≤1.96|时，序列呈下降但不显著趋势(贺冉冉等，2012)。

空间自相关是指空间中某空间单元与其周围单元间就某种特征值在空间上的相关性，自相关分析是进行空间回归的准备(邱炳文等，2007；陈彦光，2009；高凯等，2010)。可通过Moran’s I系数衡量FVC变化特征的空间自相关度，来评价研究区内植被覆盖变化空间分布特征及其对邻域的影响程度。Moran’s I统计量一般可分为全域型和区域型2种(张凌云等，2014)。全局空间自相关指标Moran’s I值介于-1~1之间，大于0为正相关，小于0为负相关。绝对值越大表示空间分布的相关性越明显，即空间上有聚集分布的现象；反之，相关性不明显，呈随机分布。

基于Moran’s I分析植被覆盖空间分布格局时，需要对其进行显著性检验(赵小风等，2009； 霍霄妮等，2009)，检验公式如下：

$ Z\left(I \right)= \frac{{I - E\left(I \right)}}{{\sqrt {Var\left(I \right)} }} $

Moran’s I的零假设是完全空间随机性，或者是要素本身的完全空间随机性，或者是与这些要素关联值的完全空间随机性。Z(I)值可以判断出是否拒绝零假设，如果Z(I)值在 -1.96和+1.96之间，则不能拒绝零假设，即表现为随机空间过程。

局域Moran’s I用来检验独立观测值空间聚集情况及空间非稳定性。正值的局域Moran’s I表示相似观测值的聚集，负值表示不同观测值的聚集(Anselin，1995)。局域Moran’s I可以有效地反映植被覆盖的局部变化特征，弥补全局自相关分析的不足。本文通过GIS的空间展示功能，显示它们的具体地理分布。

同ArcGIS中的分区统计功能，将山地和平原FVC分别提取出来，并对全疆及山地和平原年均FVC值进行简单的趋势分析(图 2)。1998—2012年15年间新疆植被整体呈下降趋势，全疆FVC在0.20～0.25范围内变化，且略有下降，2009年之后下降明显。山地和平原地区同样呈下降趋势，2009年之后山地下降趋势较平原地区明显。从线性回归的斜率来看，山地为0.003 7，平原为0.003 2，说明近15年来新疆地区山地的植被覆盖下降速度大于平原。新疆植被覆盖在 20世纪 90年代有所下降与西北地区的研究结论(马明国等，2003)相似。由于气候和人类活动的双重影响，新疆山地和平原植被覆盖均出现不同程度的下降趋势(杨光华等，2009)。

	图 2 1998—2012年新疆年均FVC值变化 Fig. 2 The variation chart of mean FVC in Xinjiang from 1998 to 2012

Sen+Mann-Kendall趋势分析可以有效反映1998—2012年新疆FVC变化趋势的空间分布特点。由于不存在β严格为0的区域，根据实际情况，将β介于-0.005~0.005之间的情况视为FVC值基本不变的区域，从表 1可以看出，改善区域占25%，退化区域占28%，接近50%的区域变化不大。植被改善区域主要分布在天山北坡一带、塔里木河流域以及塔克拉玛干沙漠以南地区，退化区域主要沿着改善区域的周围，伊犁地区退化程度比较严重(图 3)。对比图 1和图 3，可以看出植被退化区域主要分布在山地和平原的交错带，这一地带环境比较脆弱，人类活动的干扰使其退化程度更为明显。

表 1 FVC趋势分析统计 Tab.1 The FVC trend analysis

表 1 FVC趋势分析统计 Tab.1 The FVC trend analysis FVC变化趋势 FVC changing trend 程度Degree 面积百分比Area percent (%) β＜-0.005，Z≤-1.96 严重退化Serious degradation 8 β＜-0.005，-1.96＜Z＜1.96 轻微退化Slight degradation 20 -0.005≤β≤0.005，-1.96＜Z＜1.96 基本不变Basically unchanged 47 β＞0.005，-1.96＜Z＜1.96 轻微改善Slight improved 14 β＞0.005，Z≥1.96 明显改善Substantial improved 11

	图 3 1998—2012年新疆年均FVC变化趋势 Fig. 3 The change trend of mean annual FVC in Xinjiang from 1998 to 2012

将图 3与新疆1998—2012年平均FVC空间分布(图 4)进行对比发现，植被覆盖度极低地区基本不变，这些地区通常是戈壁和荒漠，人类活动干扰较小，主要受气候等自然因素的作用，不易发生剧烈波动；退化区域主要是低覆盖度周围，在南疆尤其明显；北疆及伊犁地区由于人类活动干扰强度较大，伊犁河谷地区植被退化明显，而且是中高覆盖度地区退化显著；北疆天山北坡一带的中高覆盖度和低覆盖度区域均出现明显的改善现象，这与人类活动有着密切的联系；南疆改善区域主要分布在原有中高覆盖度地区。

	图 4 1998—2012年新疆平均FVC空间分布 Fig. 4 Spatial distribution of mean FVC in Xinjiang from 1998 to 2012

以多年FVC平均值为基础，进行空间自相关分析。

从全局来看，新疆植被覆盖变化特征表现出极强的空间正相关(图 5)，达到P=0.05的显著水平，说明新疆植被覆盖变化具有明显规律的地域性分布，整体性较强，无明显破碎化。而且随着距离的增加自相关性明显减弱，当距离大于3 km后，Moran’I系数下降趋势不明显，即空间自相关影响不大。全局相关性虽然揭示了FVC的整体离散和聚集情况，但难以反映区域的实际情况，还需要进行局部相关性分析。

	图 5 新疆植被覆盖变化的全局空间自相关 Fig. 5 The spatial autocorrelation of vegetation change in Xinjiang

指数计算及显著性检验(杨振山等，2009)结果表明，新疆植被覆盖空间分布的局部空间自相关性均表现为“高-高聚集”或“低-低聚集”(这里“高-高聚集”是指高覆盖度区域与高覆盖度区域聚集的现象，“低-低聚集”指低覆盖度区域与低覆盖度区域聚集的现象)，伊犁及北疆少部分地区以“高-高聚集”为主，南疆地区则以“低-低聚集”为主，低高和高低聚集的区域很少(图 6)。与山地平原分区图相比可以发现，“高-高聚集”地区主要分布在北疆的山地和伊犁河谷山地，这些地区的植被覆盖度本就较高，在一定程度上也可以说明植被覆盖度越低，植被越易退化，植被覆盖度越高，植被越易改善。这进一步验证了Sen+Mann-Kendall趋势分析的结果。

	图 6 新疆多年FVC平均值的LISA Fig. 6 The LISA cluster diagram of average FVC in Xinjiang

1)从时间变化上看，1998—2012年新疆FVC在0.23左右变化。植被覆盖整体上呈下降趋势，但不明显，山地较平原地区变化大。

2)从FVC变化趋势来看，1998—2012年全疆47%区域的植被覆盖基本维持不变，改善区域占25%，退化区域占28%；其中明显改善区域和严重退化区域所占比例均为10%左右。改善区域主要分布于北疆以及塔克拉玛干沙漠以南地区。从山地和平原角度来看，改善区域主要位于南疆山地区域和天山北坡一带的平原地区；退化区域主要位于山地和平原的交错地带。从植被盖度角度来看，改善区域主要分布在原有中高覆盖度植被区域以及人类活动干扰较大的部分地区，天山北坡及若羌县东南部；退化区域主要分布在原有低覆盖度地区以及伊犁地区。

3)从植被覆盖的空间自相关性来看，新疆植被分布整体上呈显著的空间正相关，当距离大于3 km后，空间自相关影响不大。局部空间相关性分析表明，新疆植被覆盖有显著的“高-高聚集”与“低-低聚集”特点，改善区域主要分布在呈“高-高聚集”特点的地区，退化区域主要分布在呈“低-低聚集”特点的地区。

本文基于长时间序列的NDVI数据计算出FVC，在此基础上利用Sen+Mann-Kendall趋势分析和Morans’I指数对新疆FVC进行自相关分析，研究结果有效地反映了新疆植被的时空变化情况。以往对新疆植被覆盖变化的研究，多是运用回归斜率方法(张亚玲等，2014)，或是对植被覆盖度进行分析评价(李磊，2013)，没有根据其空间的聚集特点来讨论植被覆盖的动态变化情况。本研究所用趋势分析方法较以往的回归斜率方法更能反映植被的变化程度及趋势；同时对植被的空间聚集特点进行分析，可为改善区域生态环境、加强生态建设提供参考。但是研究中依然存在着局限性： 1)本文只是单纯地针对植被覆盖进行研究，并没有考虑其变化的影响因素，气候因子以及人类活动对植被覆盖带来的影响不可忽视，尤其是在干旱区，今后需要进一步分析植被覆盖变化的驱动因素； 2)新疆地域较大，全疆尺度的研究可能会带来一定的误差，掩盖了小尺度的一些变化特征，有必要对特殊地区进行小尺度的典型分析； 3)本文所用数据是在1 km空间分辨率的基础上进行处理分析的，若采用更高分辨率的数据，结果应该会更准确。