-
随着遥感技术的发展,植被覆盖研究成了分析生态环境、气候演变和水文过程等众多领域的基础[1]。归一化差值植被指数(NDVI)是反映植被覆盖的一个重要参数,具有较强的植被检测能力,正值表示有植被覆盖,且数值随覆盖度增大而增大,NDVI不仅能更好地检测植被的生长状况,并且能消除部分辐射误差[2-5]。像元二分模型是一种实用的遥感估算模型,是采用NDVI归一化植被指数定量估算植被覆盖度的模型,在植被覆盖度研究和生态研究及评价等方面应用广泛,许多学者基于 NDVI 数据和像元二分模型做了多方面研究[6-10],一般通过 NDVI、植被覆盖度与植被相关的指标分析植被覆盖变化和趋势。国内学者基于NDVI对毛乌素沙地、新疆、西藏高原等沙化广布区进行了分析研究 [11-14],基础数据主要为MODIS_NDVI 数据,该数据空间分辨率为250 m,适合大尺度、广区域的研究区。基于NDVI对川西北沙区的研究鲜有报道,重要原因之一是川西北沙区沙化土地分布分散,主要呈小块状,点状分布,MODIS_NDVI 数据精度难以满足对该区域沙化土地的分析需求。
若尔盖县是川西北沙化最严峻的地区,掌握若尔盖沙地动态变化趋势有利于该区域生态环境保护与恢复,为该区域防沙治沙提供理论依据与数据支持。本文以若尔盖县第五次沙化监测图斑区为研究区,以2013年、2015年、2017年3个年度10月初的 Landsat 8影像作为年际对比基础数据,主要原因是10月初植被已处于生长末期,更有利于提取低植被区沙化土地,减少将沙化土地植被过高判读的可能,加之研究区以草地植被为主,植被单一,季节间生长规律同步性好。通过Landsat 8影像中的近红外波段和红光波段数据提取空间分辨率为30 m的NDVI,再利用像元二分模型反演植被覆盖度,分析研究区植被变化特征,评估研究时段期间植被变化趋势,为若尔盖县沙化治理和生态环境建设对策制定提供科学依据,应用的技术方法可为川西北沙化监测、沙区植被动态变化对比和评估提供科技支撑。
-
(1)研究采用Landsat 8遥感影像进行NDVI提取。Landsat 8遥感影像来自“地理空间数据云”网站,分别是2013年10月、2015年10月、2017年10月的Landsat 8遥感影像各1景(见表1),空间分辨率为30 m(仅全色波段为15 m);(2)研究区范围数据来源若尔盖县第五次全国沙化监测数据。
表 1 Landsat 8影像主要信息表
Table 1. Main information table of Landsat 8 image
传感器
Sensor影像时间
Image time条带号
Strip number云量
Cloud amountLandsat-8
OLI_TIRS2013.10.11 131/37 0.07% 2015.10.1 131/37 0.03% 2017.10.6 131/37 0.23% -
数据总体处理流程为:(1)在ENVI5.3中主要完成NDVI和FC(植被覆盖度)提取,主要步骤分别为:①辐射定标;②大气校正;③NDVI计算;④FC(采用像元二分模型反演植被覆盖度)。(2)在Arcgis10.2中主要进行NDVI和FC的分级、植被变化的趋势分析、转移矩阵计算。主要步骤分别为:①通过无偏移天地图卫星影像将研究区矢量图层、NDVI栅格、FC栅格校正为大地2000投影坐标系;②按掩膜提取研究区的NDVI和FC栅格;③进行NDVI和FC的分级;④植被变化转移矩阵计算;⑤在研究区创建生成1000个随机点矢量数据,用来提取各年度NDVI和FC的栅格数据值,并导出。(3)在Spss24中对导出的研究区1000个矢量点导出数据进行数据类型分布探索的基础上,进行各年度间NDVI和FC差异分析,以及与沙化程度的相关分析。经Spss24数据探索,整体数据呈偏态分布,非正态分布(这是研究区域数据本身决定的,因为植被占绝大部分,而非植被的裸地等占比很小),因此选用Spss24 中“非参数检验”中“k个相关样本”进行差异分析。
主要研究方法如下:
(1)NDVI提取
NDVI 是遥感监测中反映植被在可见光、近红外波段与土壤背景之间光学差异的指标,是对地表植被活动的简单、有效和经验的度量[15]。计算公式为:
NDVI=(Rnir - Rr ) /(Rnir + Rr)
式中:Rnir为近红外波段反射率; Rr为红波段反射率。
在ENVI5.3中必须先对影像进行辐射定标和大气校正,再通过 “band math” 计算工具中输入公式或者使用软件中专门的NDVI工具进行求算。在Arcgis10.2中根据NDVI数据取值及分布特征并结合经验成果,将其重分类为4个等级,分别为:低(-1~0.2);较低(0.2~0.4);中等(0.4~0.5);较高(0.5~1)。
(2)反演植被盖度
植被覆盖度(vegetation fractional cover)简称FC,在众多遥感测量植被覆盖度的方法中,较为实用和普遍的方法是采用像元二分模型利用植被指数近似估算植被覆盖度,通过一系列的模型运算[16],可以得到:
FC = (NDVI − NDVI soil)/(NDVI veg − NDVI soil)
式中:NDVI soil为完全是裸土或无植被覆盖区域的 NDVI 值,NDVI veg代表完全被植被所覆盖像元的NDVI 值,即纯植被像元的 NDVI 值。
受众多因素影响, NDVI soil并不是理论上的零值,通常在 −1~0.2 之间变化,NDVI veg也随植被类型以及时间和空间而所差异,因此NDVI soil和NDVI veg没有固定值[17]。实际应用中,在没有实测数据的情况下,可根据经验取一定置信度范围内的 NDVI max 和 NDVI min 作为和DVI veg和NDVI soil则有:
FC =(NDVI − NDVI min)/(NDVI max − NDVI min)
FC在ENVI5.3中可通过 “band math” 计算工具中输入公式进行求算,本研究通过多次测算和对比,将NDVI为−1~0之间的累计频率作为NDVI min,将累计频率为 90% 的 NDVI作为NDVI max。并将FC数据取值及分布特征并结合前人经验,将其重分类为4个等级:低(0~0.2);较低(0.2~0.4);中等(0.4~0.5);较高(0.5~1)
(3)转移矩阵分析
Arcgis10.2中将各期NDVI和FC栅格数据转化为矢量数据,再分别进行叠加相交分析后导出数据,并在EXCEL中通过数据透视表整理提取面积转移矩阵。
-
由图1和图2和表2可知,研究区NDVI和FC从2013年、2015年、2017年均呈显著增加(差异均达到极显著),NDVI中位数值从2013年的0.4775,增加到2015年0.5374,至2017年达0.5921;FC中位数值从2013年的0.5305,增加到2015年0.5971,至2017年达0.6578,说明研究区植被覆盖度明显增加。主要原因是2007年起若尔盖县逐步开始了持续沙化治理工程,包括:省级沙化治理试点工程以及后续的成果巩固工程、 2013年开始实施的国家川西藏区沙化治理工程、国家重点生态功能区转移支付资金项目等,工程中相关围栏封育、植灌种草、人工种草、生物沙障等措施成效显著[18-20]。同时,近年来若尔盖县持续开展畜牧业提档升级,推行畜种改良,以草定畜等,草地超载情况得到明显改善,2012年末全县牲畜存栏114.1万混合头[21],到2017年降低为95.96万混合头[22]。
表 2 研究区各年度NDVI和FC差异显著性系数(Bonferroni调整)
Table 2. Significant coefficient of NDVI and FC in each year in the study area (Bonferroni adjustment)
指标
Index年度
Year2013年 2015年 2017年 NDVI 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 FC 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 -
由表3、表4、表5可知,研究区分级后的NDVI从2013年、2015年、2017年均呈显著增加。其中:2013年至2015年,较高等级面积占比从7.26%提高到30.69%;中等级面积占比从75.97%降低到59.31%;较低等级面积占比从13.56%降低到7.32%;低等级面积占比从3.2%降低到2.67%。其具体转化方向主要是:中等级向较高等级转化,转化面积占自身面积31.9%;中等级向较高等级转化,转化面积占自身面积56.9%;低等级向较低等级转化,转化面积占自身面积30.2%。
表 3 研究区NDVI和FC分级差异显著性系数(Bonferroni调整)
Table 3. Significant coefficient of NDVI and FC classification grades in the study area (Bonferroni adjustment)
指标 Index 年度 Year 2013年 2015年 2017年 NDVI 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 FC 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 表 4 研究区2013—2015年NDVI动态变化矩阵
Table 4. Dynamic change matrix of NDVI in the study area from 2013 to 2015
NDVI等级 2015年 (面积/hm2) 2013年面
积合计2013年面
积比例较高 中等 较低 低 2013年 (面积/hm2) 较高 4616.01 1157.94 19.71 3.51 5797.17 7.26% 中等 19368.81 39895.29 1322.1 86.94 60673.14 75.98% 较低 509.67 6163.11 3734.91 421.47 10829.16 13.56% 低 11.7 145.89 770.94 1623.78 2552.31 3.20% 2015年面积合计 24506.19 47362.23 5847.66 2135.7 — — 2015年面积比例 30.69% 59.31% 7.32% 2.67% — — 表 5 研究区2015—2017年NDVI动态变化矩阵
Table 5. Dynamic change matrix of NDVI in the study area from 2015 to 2017
NDVI等级 2017年 (面积/hm2) 2015年研究
区面积合计2015年面
积比例较高 中等 较低 低 2015年 (面积/hm2) 较高 20512.17 3796.2 128.43 69.39 24506.19 30.69% 中等 16129.17 29805.57 1099.98 327.51 47362.23 59.31% 较低 249.39 2887.92 2123.91 586.44 5847.66 7.32% 低 18.99 137.16 595.35 1384.2 2135.7 2.67% 2017年研究区面积合计 36909.72 36626.85 3947.67 2367.54 — — 2017年面积比例 46.22% 45.87% 4.94% 2.96% — — 2015年至2017年,较高等级面积占比从30.69%提高到46.22%;中等级面积占比从59.31%降低到45.87%;较低等级面积占比从7.32%降低到4.94%;低等级面积占比从2.67%增加到2.96%。其具体转化方向主要是:中等级向较高等级转化,转化面积占自身面积34.05%;中等级向较高等级转化,转化面积占自身面积49.39%;低等级向较低等级转化,转化面积占自身面积27.88%。
由表3、表6、表7可知,研究区分级后的FC从2013年、2015年、2017年均呈显著增加。其中:2013年至2015年,较高等级面积占比从64.92%提高到82.14%;中等级面积占比从25.45%降低到10.71%;较低等级面积占比从6.88%降低到4.85%;低等级面积占比从2.74%降低到2.29%。其具体转化方向主要是:中等级向较高等级转化,转化面积占自身面积71.41%;中等级向较高等级转化,转化面积占自身面积30.08%;低等级向较低等级转化,转化面积占自身面积29.42%。
表 6 研究区2013—2015年FC动态变化矩阵
Table 6. Dynamic change matrix of FC in the study area from 2013 to 2015
FC等级 2015年(面积/hm2) 2013年研究
区面积合计2013年面
积比例较高 中等 较低 低 2013年 (面积/hm2) 较高 49760.1 1784.25 251.64 47.16 51843.15 64.92% 中等 14511.87 5014.71 737.55 59.04 20323.17 25.45% 较低 1247.13 1652.85 2242.8 352.35 5495.13 6.88% 低 71.46 103.95 644.31 1370.61 2190.33 2.74% 2015年研究区面积合计 65590.56 8555.76 3876.3 1829.16 — — 2015年面积比例 82.14% 10.71% 4.85% 2.29% — — 表 7 研究区2015—2017年FC动态变化矩阵
Table 7. Dynamic change matrix of FC in the study area from 2015 to 2017
NDVI等级 2017年(面积/hm2) 2015年研究
区面积合计2015年面
积比例较高 中等 较低 低 2015年 (面积/hm2) 较高 63715.77 1148.4 467.37 259.02 65590.56 82.14% 中等 6629.94 1121.49 603.45 200.88 8555.76 10.71% 较低 970.29 900.99 1542.33 462.69 3876.3 4.85% 低 79.65 76.32 517.86 1155.33 1829.16 2.29% 2017年研究区面积合计 71395.65 3247.2 3131.01 2077.92 — — 2017年面积比例 89.41% 4.07% 3.92% 2.60% — — 2015年至2017年,较高等级面积占比从82.14%提高到89.41%;中等级面积占比从10.71%降低到4.07%;较低等级面积占比从4.85%降低到3.92%;低等级面积占比从2.29%增加到2. 60%。其具体转化方向主要是:中等级向较高等级转化,转化面积占自身面积77.41%;中等级向较高等级和高等级转化,转化面积分别占自身面积23.24%和25.03%;低等级向较低等级转化,转化面积占自身面积28.31%。
-
将研究区NDVI 及FC等级与研究区2015年监测的沙化程度(轻度、中度、重度、极重度)进行相关分析,发现它们均呈显著正相关(见表8)。主要原因是沙化程度的划分主要依据之一就是植被覆盖度,而NDVI和FC均是反映植被生长情况的指标。另一方面也说明,本次NDVI 及FC重分类等级的划分基本符合研究区沙化植被覆盖度现状。由于全国沙化监测工作是每5年开展一次,时间跨度长,利用NDVI及其反演的植被覆盖度的方法理论上可在不同时段(如年际、月际),对研究区沙化植被动态变化进行分析评估,是一种非常灵活高效的方法。
表 8 研究区NDVI 及FC等级与沙化程度相关性
Table 8. Correlation between NDVI, FC grades and the desertification degree in the study area
指标 研究区沙化程度 2013年 2015年 2017年 NDVI等级 0.299** 0.296** 0.245** FC等级 0.319** 0.348** 0.295** 注:采用皮尔逊相关系数(Pearson),** 表示极显著(α=0.01)。
Note: Pearson correlation coefficient was used, and ** indicates extremely significant correlation (α=0.01).
Analysis of NDVI Vegetation Cover Change Characteristics in Desertification Monitoring Areas of Zoige County Based on Landsat 8
More Information-
摘要: 以若尔盖县第五次沙化监测图斑区为研究区,采用2013年、2015年、2017年3个年度10月初的 Landsat 8影像提取NDVI,通过像元二分模型反演植被覆盖度(FC),再将NDVI和FC进行分级后,进行各级别的面积转移矩阵分析,同时也与沙化程度进行相关性分析。研究表明:(1)NDVI和FC从2013年、2015年、2017年都呈显著增加趋势,NDVI中位数值从2013年的0.4775,增加到2015年0.5374,至2017年达0.5921;FC中位数值从2013年的0.5305,增加到2015年0.5971,至2017年达0.6578。(2)NDVI和FC各级别的面积转移矩阵中,具体转化方向一致,主要是向高植被方向转化,表现为:中等级向较高等级转化;较低等级向中等级转化;低等级向较低等级转化。(3)NDVI 及FC等级与研究区2015年监测的沙化程度均呈显著正相关,说明本次NDVI 及植被覆盖度重分类等级的划分基本符合研究区沙化植被覆盖度现状,研究方法及结果可为沙化监测提供数据和技术支撑。Abstract: In this paper, the fifth desertification monitoring area in Zoige county was selected as the research area, and the NDVI was extracted from Landsat 8 images in early October of 2013, 2015 and 2017. The vegetation coverage (FC) was inversed by the dimidiate pixel model. After classifying the NDVI and FC, the area transfer matrix of each level was analyzed, and the correlation analysis between NDVI , FC and the desertification degree was also analyzed. The results showed that: (1) The NDVI and FC showed a significant increasing trend from 2013, 2015 and 2017, with the median value of NDVI increasing from 0.4775 in 2013 to 0.5374 in 2015 and reaching 0.5921 in 2017; the median value of FC increased from 0.5305 in 2013 to 0.5971 in 2015 and reached 0.6578 in 2017. (2) In the area transfer matrix of NDVI and FC levels, the specific transformation direction was the same, mainly to the direction of higher vegetation, which was shown as: the medium level to the higher level; the lower grade to the medium grade; the low level to the lower level. (3) The NDVI and FC levels were significantly positively correlated with the desertification degree monitored in 2015, indicating that the classification of NDVI and vegetation coverage reclassification grades was basically in line with the current situation of desertification vegetation coverage in the study area. The research methods and results could provide data and technical support for desertification monitoring.
-
Key words:
- Zoige county;
- Desertification;
- Landsat 8;
- NDVI;
- Vegetation cover change
-
表 1 Landsat 8影像主要信息表
Tab. 1 Main information table of Landsat 8 image
传感器
Sensor影像时间
Image time条带号
Strip number云量
Cloud amountLandsat-8
OLI_TIRS2013.10.11 131/37 0.07% 2015.10.1 131/37 0.03% 2017.10.6 131/37 0.23% 表 2 研究区各年度NDVI和FC差异显著性系数(Bonferroni调整)
Tab. 2 Significant coefficient of NDVI and FC in each year in the study area (Bonferroni adjustment)
指标
Index年度
Year2013年 2015年 2017年 NDVI 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 FC 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 表 3 研究区NDVI和FC分级差异显著性系数(Bonferroni调整)
Tab. 3 Significant coefficient of NDVI and FC classification grades in the study area (Bonferroni adjustment)
指标 Index 年度 Year 2013年 2015年 2017年 NDVI 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 FC 2013年 1 2015年 0.000** 1 2017年 0.000** 0.000** 1 表 4 研究区2013—2015年NDVI动态变化矩阵
Tab. 4 Dynamic change matrix of NDVI in the study area from 2013 to 2015
NDVI等级 2015年 (面积/hm2) 2013年面
积合计2013年面
积比例较高 中等 较低 低 2013年 (面积/hm2) 较高 4616.01 1157.94 19.71 3.51 5797.17 7.26% 中等 19368.81 39895.29 1322.1 86.94 60673.14 75.98% 较低 509.67 6163.11 3734.91 421.47 10829.16 13.56% 低 11.7 145.89 770.94 1623.78 2552.31 3.20% 2015年面积合计 24506.19 47362.23 5847.66 2135.7 — — 2015年面积比例 30.69% 59.31% 7.32% 2.67% — — 表 5 研究区2015—2017年NDVI动态变化矩阵
Tab. 5 Dynamic change matrix of NDVI in the study area from 2015 to 2017
NDVI等级 2017年 (面积/hm2) 2015年研究
区面积合计2015年面
积比例较高 中等 较低 低 2015年 (面积/hm2) 较高 20512.17 3796.2 128.43 69.39 24506.19 30.69% 中等 16129.17 29805.57 1099.98 327.51 47362.23 59.31% 较低 249.39 2887.92 2123.91 586.44 5847.66 7.32% 低 18.99 137.16 595.35 1384.2 2135.7 2.67% 2017年研究区面积合计 36909.72 36626.85 3947.67 2367.54 — — 2017年面积比例 46.22% 45.87% 4.94% 2.96% — — 表 6 研究区2013—2015年FC动态变化矩阵
Tab. 6 Dynamic change matrix of FC in the study area from 2013 to 2015
FC等级 2015年(面积/hm2) 2013年研究
区面积合计2013年面
积比例较高 中等 较低 低 2013年 (面积/hm2) 较高 49760.1 1784.25 251.64 47.16 51843.15 64.92% 中等 14511.87 5014.71 737.55 59.04 20323.17 25.45% 较低 1247.13 1652.85 2242.8 352.35 5495.13 6.88% 低 71.46 103.95 644.31 1370.61 2190.33 2.74% 2015年研究区面积合计 65590.56 8555.76 3876.3 1829.16 — — 2015年面积比例 82.14% 10.71% 4.85% 2.29% — — 表 7 研究区2015—2017年FC动态变化矩阵
Tab. 7 Dynamic change matrix of FC in the study area from 2015 to 2017
NDVI等级 2017年(面积/hm2) 2015年研究
区面积合计2015年面
积比例较高 中等 较低 低 2015年 (面积/hm2) 较高 63715.77 1148.4 467.37 259.02 65590.56 82.14% 中等 6629.94 1121.49 603.45 200.88 8555.76 10.71% 较低 970.29 900.99 1542.33 462.69 3876.3 4.85% 低 79.65 76.32 517.86 1155.33 1829.16 2.29% 2017年研究区面积合计 71395.65 3247.2 3131.01 2077.92 — — 2017年面积比例 89.41% 4.07% 3.92% 2.60% — — 表 8 研究区NDVI 及FC等级与沙化程度相关性
Tab. 8 Correlation between NDVI, FC grades and the desertification degree in the study area
指标 研究区沙化程度 2013年 2015年 2017年 NDVI等级 0.299** 0.296** 0.245** FC等级 0.319** 0.348** 0.295** 注:采用皮尔逊相关系数(Pearson),** 表示极显著(α=0.01)。
Note: Pearson correlation coefficient was used, and ** indicates extremely significant correlation (α=0.01). -
[1] 赵健赟,彭军还. 基于MODIS NDVI 的青海高原植被覆盖时空变化特征分析[J]. 干旱区资源与环境,2016,30(4):67−73. [2] 张含玉, 方怒放, 史志华. 黄土高原植被覆盖时空变化及其对气候因子的响应[J]. 生态学报, 2016, 36(13): 3 960~3 968. [3] 陈燕丽,龙步菊,潘学标,等. 基于 MODIS NDVI 和气候信息的草原植被变化监测[J]. 应用气象学报,2010,21(2):229−236. doi: 10.3969/j.issn.1001-7313.2010.02.013 [4] 高海东,庞国伟,李占斌,等. 黄土高原植被恢复潜力研究[J]. 地理学报,2017,72(5):863−874. doi: 10.11821/dlxb201705008 [5] 袁沫汐, 邹玲, 林爱文, 等. 湖北省地区植被覆盖变化及其对气候因子的响应[J]. 生态学报, 2016, 36(17): 5 315~5 323. [6] 李苗苗,吴炳方,颜长珍,等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学,2004(4):153−159. doi: 10.3321/j.issn:1007-7588.2004.04.022 [7] 黎良财,邓利,曹颖,等. 基于NDVI像元二分模型的矿区植被覆盖动态监测[J]. 中南林业科技大学学报,2012,32(6):18−23. [8] 陈云浩,李晓兵,史培军等. 北京海淀区植被覆盖的遥感动态研究[J]. 植物生态学报,2001,25(5):588−593. doi: 10.3321/j.issn:1005-264X.2001.05.013 [9] 甘春英,王兮之,李保生等. 连江流域近 18 年来植被覆盖度变化分析[J]. 地理科学,2011,31(8):1019−1024. [10] 蔡朝朝,安沙舟,蒲智等. 基于TM NDVI的库尔勒市域植被覆盖动态变化[J]. 草业科学,2015,32(7):1069−1078. doi: 10.11829/j.issn.1001-0629.2014-0500 [11] 杨梅焕,张美晨. 毛乌素沙地东南缘 NDVI 植被变化特征分析[J]. 地理空间信息,2020,18(5):105−108. doi: 10.3969/j.issn.1672-4623.2020.05.026 [12] 朱芳莹,鹿化煜,弋双文等. 基于NDVI 指数的浑善达克沙地植被时空变化规律分析[J]. 中国水土保持SWCC,2017(3):31−33. [13] 杨梅焕,张美晨. 基于MODIS NDVI的科尔沁沙地荒漠化动态监测[J]. 国土资源遥感,2009(2):14−18. [14] 曹旭娟,干珠扎布,梁艳,等. 基于NDVI的藏北地区草地退化时空分布特征分析[J]. 草业科学,2016,25(3):1−8. [15] 任志明,李永树,蔡国林. 一种利用NDVI 辅助提取植被信息的改进方法[J]. 测绘通报,2010(7):40−43. [16] 郭瑞霞,尚夏明,李煜. 基于 MODIS_NDVI 的甘肃省会宁县植被覆盖度变化监测[J]. 甘肃科技,2019(1):42−45. doi: 10.3969/j.issn.1000-0952.2019.01.016 [17] 吴昌广,周志翔,肖文发,等. 基于 MODIS NDVI 的三峡库区植被覆盖度动态监测[J]. 林业科学,2012,48(01):22−28. [18] 刘朔,尤蓉凯,朱子政. 川西北高原沙化治理示范工程成效调查研究—以若尔盖县、理塘县为例[J]. 四川林业科技,2016(6):63−66. [19] 邓东周,鄢武先,武碧先. 川西北防沙治沙试点示范工程成果巩固必要性分析[J]. 四川林业科技,2015(1):69−72. doi: 10.3969/j.issn.1003-5508.2015.01.017 [20] 鄢武先,邓东周,余凌帆,等. 川西北地区沙化土地治理有关技术问题探讨——以川西北防沙治沙试点示范工程为例[J]. 四川林业科技,2015(3):62−68. doi: 10.3969/j.issn.1003-5508.2015.03.013 [21] 戴旭宏. 推进若尔盖草原湿地国家级生态特区建设战略研究[J]. 农村经济,2013(11):65−68. [22] 若尔盖县人民政府办公室. 若尔盖县2017年度国民经济和社会发展统计公报. [R/OL]. (2018-04-18) [2021-04-20]. http://www.ruoergai.gov.cn/regxrmzf/c100053/201804/2ca928d454d242a3afba5a5bd967e477.shtml.