EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 169 - 181

DOI: https://doi.org/10.6046/zrzyyg.2024372

Exploring the spatiotemporal differentiation and driving factors of vegetation dynamics in the Loess Plateau using the optimal parameter-based geographical detector model

  • SUN Yinsuo ,
  • FANG Xiao ,
  • ZHOU Dongmao ,
  • XUE Hongwen ,
  • SU Junwu
Expand
  • The Third Geological Exploration Institute of China metallurgical Geology Bureau, Taiyuan 030002, China

Received date: 2024-11-13

  Revised date: 2025-05-14

  Online published: 2026-06-03

Fold

Abstract

The Loess Plateau is recognized as a typical climate-sensitive and ecologically vulnerable region in China. Understanding the spatiotemporal characteristics and potential driving factors of vegetation dynamics in different dry/wet climate zones within the Loess Plateau holds critical significance for the conservation and management of regional ecosystems. Based on the kernel normalized difference vegetation indices (kNDVIs) of the Loess Plateau from 2000 to 2022, this study investigated the spatiotemporal patterns of vegetation dynamics in different dry/wet climate zones within the Loess Plateau using the coefficient of variation and trend analysis. Employing the optimal parameter-based geographical detector model, this study accurately and scientifically identified the driving factors and ranges of vegetation dynamics under the spatial scale and zoning effect, effectively addressing the challenge of spatial heterogeneity. The results indicate that the average kNDVI of the Loess Plateau presented a spatial distribution pattern characterized by low values in the northwest and high values in the southeast. In terms of vegetation dynamics, 91.57% of the Loess Plateau showed an upward trend, with the semi-arid climate zone accounting for the highest proportion (60.41%). Different driving factors in the Loess Plateau corresponded to varying optimal dispersion methods and optimal interval breakpoints. Under the optimal zoning effect, low temperature and high rainfall were identified as the primary conditions for vegetation growth. The different ranges and types of driving factors exerted different effects on the spatial distribution of vegetation dynamics. The optimal parameter-based geographical detector model demonstrates that rainfall and land use type constituted the principal driving factors of the Loess Plateau, accounting for 65.45% of the total explanatory power. The q value (0.69) of the interaction between the two driving factors was higher than the q values of interactions between other factors. This study provides a comprehensive insight into the response mechanisms of vegetation dynamics under natural and human factors, thereby guiding the sustainable development of regional ecosystems.

Key words： vegetation dynamics; kernel normalized vegetation index (kNDVI); dry-wet climate zones; geographic detector model with optimal parameters; Loess Plateau

Cite this article

SUN Yinsuo , FANG Xiao , ZHOU Dongmao , XUE Hongwen , SU Junwu . Exploring the spatiotemporal differentiation and driving factors of vegetation dynamics in the Loess Plateau using the optimal parameter-based geographical detector model[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 169 -181 . DOI: 10.6046/zrzyyg.2024372

0 引言

植被在陆地生态系统中起着关键作用,有助于调节陆地-气候系统中的物质和能量交换[1-2],通过其生物指示功能揭示陆地生态系统要素间相互作用机制,并基于多尺度动态变化的时空异质性特征,为维系生态系统稳定性和可持续发展路径提供关键科学依据[3-4]。黄土高原作为中国典型的气候敏感区和生态脆弱区,不仅是中国重点生态修复的区域,同时也是横跨不同气候带的高原[5]。
遥感影像具有信息量大、精度高、成本低、动态监测等特点,广泛应用于大尺度植被变化监测中[6-7]。目前,监测植被变化最常用的方法是利用遥感技术结合植被指数来表征地面植被的动态和生长状况[8-9]。归一化植被指数(normalized difference vegetation index, NDVI)是应用最广泛的植被指数,对该指数表征植被覆盖时空变化方面的研究在全球范围内取得了一定的研究进展[10-11]。然而,NDVI具有非线性和饱和绿色生物量的局限性,并且在处理大气噪声、土壤背景和饱和度方面也存在误差[12]。有学者试图利用其他波段的信息来弥补NDVI中存在的问题,但问题并没有得到很好地解决[13]。Camp-Valls等[14]提出了核归一化差分植被指数(kernel normalized difference vegetation index, kNDVI),这是基于机器学习原理的优势,将核方法理论应用于NDVI的提取和计算而提出的一种新的植被指数。通过引入校正因子,提高了该指数对植被变化的敏感性,研究表明,kNDVI比增强型植被指数(enhanced vegetation index, EVI)、NDVI等指数更适合监测植被和生物量的变化,特别是在植被覆盖度低或地形复杂的地区,kNDVI可以提供更准确的信息[15]。
目前,已有研究表明气候条件和植被变化之间存在紧密联系,植被变化受到自然和人为因素的双重影响[16-17]。胡蓉等[18]通过相关分析确定降水是影响西南地区植被覆盖的主要原因。然而,植被变化过程相当复杂,植被与驱动要素之间的联系并非线性不变[19]。此外,许多研究报告表明了海拔、土地利用类型、土壤类型和人均粮食占有量对植被覆盖变化具有较大的影响[20],但这些因素如何相互作用影响城市化地区的植被变化尚不清楚。因此,众多学者对此展开研究。王劲峰等[21]提出了地理探测器模型,该模型不需要线性假设,能够揭示植被与驱动因子之间的内在机制,经常用于研究植被的空间分层异质性。然而,植被的空间统计单位和驱动因素的离散方法会根据研究的规模和分区方式对结果产生显著影响,以往的研究往往依赖于空间数据的经验标度,使用Jenks Natural Breaks方法来划分解释变量,受人的主观性影响,精度不高[22]。最优参数地理探测器模型将解释变量划分为子区域,通过计算子区域间和子区域内的空间方差来评估解释变量的驱动力大小。该方法有效地解决了可变面积单元问题和驱动因子的分区效应,在探索植被变化的时空特征和潜在驱动因子方面非常有效[23]。
因此,本研究利用2000—2022年黄土高原的kNDVI作为植被变化表征量,评估黄土高原不同气候干湿分区下的植被动态变化; 利用最优参数地理探测器模型确定空间数据的分区效应和驱动因子的最优范围和类型,进而实现黄土高原植被动态对气候干湿分异响应的定量归因,揭示关键驱动因子的非线性作用阈值及空间分异规律,为干旱半干旱区生态恢复工程的精准施策提供分区优化理论框架。

1 研究区概况及数据源

1.1 研究区概况

黄土高原位于中国西北部(100°54'~114°33'E,33°43'~41°16'N),横跨中国7个省份,面积约64×104 km2。黄土高原地形起伏波动较大,海拔在89~5 083 m之间,高海拔地区主要位于甘肃省和青海省一带,低海拔则主要在河南省一带(图1(a))。黄土高原主要为温带大陆性气候,从西北到东南方向由干旱气候过渡为湿润季风气候。根据郑景云等[24]建立的气候区划系统,黄土高原可分为干旱、半干旱和半湿润3个不同的气候带。不同气候区的植被动态变化差异显著,造成明显的地带性格局(图1(b))。黄土高原内的主要植被类型为草地和林地,且草地主要分布在气候干旱与气候半干旱区,而林地则主要分布于气候半湿润区; 同时,由于气候半湿润区地形平坦,耕地也主要集中在该气候区域。
图1 黄土高原研究区概况

Fig.1 Overview of the Loess Plateau research area

1.2 数据源

在本研究中,基础数据kNDVI通过访问美国地球资源观测系统数据中心(https://ladsweb.modaps.eosdis.nasa.gov)获取了黄土高原2000—2022年植被生长季的MODIS—NDVI产品,数据序列号为MOD13Q1,分辨率为1 km。基于谷歌地球引擎(Google Earth Engine,GEE)平台计算得到黄土高原逐年的kNDVI数据。
驱动因子数据根据已有研究中包含的驱动因素,在考虑驱动因素代表性、科学性和可量化性的前提下,选取坡度、坡向、海拔、太阳辐射、年平均气温、年平均降水量作为自然因素,其中年平均气温由月平均气温计算所得,黄土高原2020年的年平均气温和年平均降雨量数据获取自国家青藏高原数据中心(https://data.tpdc.ac.cn/),空间分辨率为1 km。太阳辐射数据获取于地理遥感生态网(www.gisrs.cn)。数字高程模型(digital elevation model, DEM)数据来自地理空间数据云平台(http://www.gscloud.cn/),根据黄土高原研究区域的边界对DEM进行裁剪得到。同时,通过DEM提取获得坡向和坡度。社会经济因素中选取国内生产总值(gross domestic product, GDP)、人造夜间灯光、土地利用类型作为驱动因素。土地利用类型来源于国家地球系统科学数据中心(https://www.geodata.cn/); GDP和人造夜间灯光数据来自资源环境科学数据平台(https://www.resdc.cn/)。在进一步分析之前,对所有数据进行重采样确保所有数据分辨率一致,并定义为统一的投影坐标,其数据具体详细信息见表1。
表1 数据类型及来源

Tab.1 Data types and sources

数据介绍 英文名称与缩写 数据来源
30 m分辨率GDEMV2数据集 Slope(SLO) 地理空间数据云平台(http://www.gscloud.cn/)
Slope Aspect(SA)
Digital Elevation Model(DEM)
1 km分辨率逐月地表太阳辐射均值
数据集		 Solar Radiation(SR) 地理遥感生态网(www.gisrs.cn)
1 km分辨率月平均气温 Temperature(TEM) 国家青藏高原数据中心(https://data.tpdc.ac.cn/)
1 km分辨率年降水量 Precipitation(PRE)
1 km分辨率国内生产总值格网 Gross Domestic Product(GDP) 资源环境科学数据平台(https://www.resdc.cn/)
DMSP/OLS夜间灯光数据集 Nighttime Light(NTL)
30 m分辨率一级地类土地覆盖 Land Use(LU) 国家地球系统科学数据中心(https://www.geodata.cn/)

2 研究方法

本研究基于GEE计算kNDVI数据。通过Theil-Sen Median趋势分析和Mann-Kendall显著性检验结合来探究黄土高原2000—2022年植被动态变化(kNDVI)的整体趋势; 同时,并借助变异系数(coefficient of variation, CV)来检测黄土高原2000—2022年植被变化的波动情况。以上均由Matlab R2019b编程计算。最后,通过R Studio4.2编辑器基于最优参数地理探测器模型对黄土高原植被变化的驱动因子进行定量探测。

2.1 kNDVI计算

kNDVI是一种通过核函数(如径向基函数)或非线性变换(如双曲正切)对传统NDVI进行泛化的植被指数,由Camps-Valls等[14]于2021年提出,旨在解决NDVI在高植被覆盖区域的饱和问题,并增强对叶面积指数(leaf area index,LAI)、总初级生产力(gross primary production,GPP)和太阳诱导叶绿素荧光(sun/solar-induced chlorophyll fluorescence,SIF)的敏感性。其计算分为2种方法: 一是基于原始近红外(NIR)与红波段反射率,通过核函数计算非线性差异后生成指数; 二是直接对现有NDVI数据施加非线性变换。本研究kNDVI数据计算利用核函数计算法计算得到黄土高原逐年的kNDVI数据,基于核方法理论的kNDVI定义如下:
kNDVI= $\frac{k(n,n)-k(n,r)}{k(n,n)+k(n,r)}$,
式中: n为近红外波段Nir; r为红外波段Red; k为核函数,可定义为k(n,r)=${\mathrm{e}}^{[-{(n-r)}^{2}/(2{\sigma }^{2}\left)\right]}$,σ决定了n与r之间距离的度量[14]。因此,式(1)可进一步简化为:
kNDVI= $\frac{1-k(n,r)}{1+k(n,r)}$=tanh $\left[{\left(\frac{n-r}{2\sigma }\right)}^{2}\right]$=tanh(${\left[\frac{NDVI}{2\tau }\right]}^{2}$),
式中: σ为长度尺度参数,与所获取遥感图像的近红外光和红光反射率的平均值成线性比例; tanh为双曲正切函数; τ为植被敏感参数,当τ=0.5时在准确性和简单性之间具有很好的折衷[25],根据σ=τ(n+r),导数可得:

kNDVI=tanh(NDVI2) 。

在本研究中,使用简化算法式(3)计算黄土高原每期kNDVI,以反映植被变化过程。

2.2 Slope线性回归

Slope线性回归法是一种通过最小二乘法拟合数据点,计算线性回归直线斜率的方法,其斜率表示自变量每变化一个单位时因变量的平均变化率。本研究采用线性回归方法,逐像元计算黄土高原kNDVI趋势线变化斜率(slopekNDVI),计算公式如下:
slopekNDVI= $\frac{\mathrm{n}\times \stackrel{n}{\sum _{i=1}}\mathrm{i}\times kNDV{I}_{i}-\stackrel{n}{\sum _{i=1}}\mathrm{i}\times \stackrel{n}{\sum _{i=1}}kNDV{I}_{i}}{n\times \stackrel{n}{\sum _{i=1}}{i}^{2}-{\left(\stackrel{n}{\sum _{i=1}}i\right)}^{2}}$,
式中: slopekNDVI为n年kNDVI值的线性回归斜率; n为研究时序距离(n=23); 当slopekNDVI>0时,说明植被覆盖呈现增长趋势,反之说明呈现减少趋势[26]。

2.3 Sen + Mann-Kendall植被趋势分析

Theil-Sen Median趋势分析(Sen趋势分析)是一种稳健的非参数统计的趋势计算方法[27]。Sen趋势分析可规避时间序列数据缺失和数据分布形态的影响,并剔除异常值对时间序列的干扰,其计算公式如下:
βkNDVI=median $\left(\frac{kNDV{I}_{j}-kNDV{I}_{i}}{j-i}\right)$,∀i,
式中: median为中值函数; ∀i指时间序列里的任意值; kNDVIi和kNDVIj为kNDVI时间序列数据。βkNDVI为kNDVI趋势值,当βkNDVI> 0.000 5时,表示kNDVI呈上升趋势; βkNDVI < 0.000 5时,则表示kNDVI呈下降趋势。
在本研究中Mann-Kendall检验(MK检验)与Sen趋势分析结合使用分析黄土高原2000—2022年植被动态变化的整体趋势[28]。该方法是一种非常数统计检验方法,既不受缺失值和异常值的影响,也不需要样本数据服从一定的分布。其统计检验方法如下:
Z= $\left\{\begin{array}{ll}\frac{\mathrm{S}-1}{\sqrt[　]{Var\left(S\right)}}& (S>0)\\ 0& (S=0)\\ \frac{S-1}{\sqrt[　]{Var\left(S\right)}}& (S<0)\end{array}\right.$,
S= $\stackrel{n=1}{\sum _{j=1}}\stackrel{n}{\sum _{i=j+1}}$sign(kNDVIj-kNDVIi),
Var(S)= $\frac{n(n-1)(2n+5)}{18}$,
sign(θ)= $\left\{\begin{array}{ll}1& (\theta >0)\\ 0& (\theta =0)\\ -1& (\theta <0)\end{array}\right.$,
式中: kNDVIi和kNDVIj为kNDVI时间序列数据; sign为符号函数; S为检验统计量; Z为标准化后的检验统计量; n为数据个数。在给定显著水平α下,若|Z|>Z1-α/2,则表明存在显著的趋势变化。本研究中α=0.05,即判断在0.05显著水平下的kNDVI时间序列变化趋势下的显著性。

2.4 kNDVI波动性分析

CV是一种统计方法,用于量化数据集中值相对于平均值的离散度[29],其计算方法为标准差除以均值。在本研究中计算了2000—2022年黄土高原kNDVI在像素水平上的变异系数,以评估kNDVI变化的长期稳定性。计算公式如下:
CV= $\frac{\delta }{\gamma }$,
式中: δ为kNDVI标准差; γ为kNDVI算术平均值。CV值越低,对应的数据分布越集中,波动变化相对较小; 相反,CV值越高,表明数据分布越分散,kNDVI在年份之间的变化越大。

2.5 最优参数地理探测器模型

最优参数地理探测器模型是在原有地理探测器模型的基础上,通过选择最优的离散化算法和参数,对模型中的参数进行优化,以提高模型在实际应用中的准确性和解释力[30]。在本研究中,分级方法将选择自然断点分类、等间隔分类、几何间隔分类和分位数分类4种方法; 离散化算法的优劣直接影响着地理探测器评估结果的精度。因此,最优参数地理探测器模型通过评估某个自变量对某个因变量的重要程度,并以q值来判断它们对空间分异性的解释力,q值越大表示解释力越强。其次,本研究还通过双因子交互作用探测去评估2个因素的解释能力是增强、减弱还是相互独立。
在选择最优参数的基础上,对黄土高原在空间上调用模型中的单因子探测和双因子交互作用探测,其计算公式如下[31]:
q=1- $\frac{\stackrel{L}{\sum _{h=1}}{N}_{h}{\sigma }_{h}^{2}}{N{\sigma }^{2}}$=1- $\frac{SSW}{SST}$,
式中: q为因子解释力,q因子值在[0,1]范围内,值越大表示解释力越强; h为解释变量或解释变量的分层; Nh和N分别为层h和全区的单元数; σ2和σh分别为层h和全区Y的方差; SSW和SST分别为层内方差之和及全区总方差。

3 结果与分析

3.1 黄土高原植被动态时空变化特征

3.1.1 黄土高原植被动态的空间分布特征

图2(a)显示了黄土高原2000—2022年间kNDVI平均值空间分布特征。通过逐年的kNDVI平均值计算得到表征黄土高原2000—2022年总体植被覆盖情况。从图中可以看出,黄土高原kNDVI在0~0.67之间,平均值为0.26。黄土高原的kNDVI变化情况由西北向东南方向逐渐递增,高值主要集中在黄土高原的东南部的气候半湿润地区,低值则主要分布在黄土高原西北部的气候干旱与半干旱地区。从气候干湿分区角度分析,不同气候干湿地区植被覆盖具有明显的空间异质性; 其中,气候半湿润地区的kNDVI均值最高(0.42),气候半干旱地区次之(0.22),最后则是气候干旱区均值最低,仅为0.10。在黄土高原由于地区气候的差异导致了kNDVI差异,气候半湿润地区的植被生长条件优于干旱地区。
图2 2000—2022年黄土高原植被动态空间格局及kNDVI波动强度空间分布

Fig.2 Dynamic spatial pattern of vegetation and spatial distribution of kNDVI fluctuation intensity in the Loess Plateau during from 2000 to 2022

为了进一步探讨植被动态变化,本研究进一步计算了黄土高原2000—2022年kNDVI变化的波动性。采用自然断点法,基于像元尺度上把kNDVI变异系数分为5类,并进行了统计分析。如表2和图2(b)所示,在黄土高原,较弱波动区域的面积占比最大,占黄土高原总面积的36.78%,且主要分布在黄土高原的气候半干旱地区; 中等波动和弱波动区域相继次之,分别占黄土高原总面积的28.93%和25.98%,其中,中等波动主要分布在黄土高原的气候干旱与半干旱地区,而弱波动则主要集中分布于黄土高原的气候半湿润地区; 这主要由于气候湿润地区具有较好的植被生长条件,导致该地区的植被变化呈现出较稳定的生长状态。
表2 黄土高原kNDVI的变异系数

Tab.2 Coefficient of variation of kNDVI in the Loess Plateau

CVkNDVI 波动程度 面积百分比/%
CVkNDVI <0.18 弱波动性 25.98
0.18 ≤ CVkNDVI <0.34 较弱波动性 36.78
0.34 ≤ CVkNDVI <0.51 中等波动性 28.93
0.51 ≤ CVkNDVI <1.00 较强波动性 8.12
CVkNDVI ≥ 1.00 强波动性 0.19

3.1.2 黄土高原植被动态的时间变化特征

为了研究黄土高原kNDVI的时间变化特征,利用2000—2022年图像中kNDVI的年平均值像元代表相关年份植被的整体状况。如图3所示,折线图为2000—2022年黄土高原不同气候干湿区kNDVI的年际变化。黄土高原总区域的kNDVI值显示出以0.005 71/a的速率向上波动增长的趋势(图3(a))。2011年以后kNDVI值的变化幅度较大。最大值为2018年的0.32。在黄土高原的不同气候干湿分区上,由于气候半干旱区的生态修复力度较强,故该区域的kNDVI增长速率最大,为0.006 24/a(图3(c)); 反观气候干旱区,由于较差的植被生长环境,导致干旱区的kNDVI的增长速率最低,为0.002 54/a(图3(b)); 气候半湿润地区的kNDVI增长速率与黄土高原总区域的增长速率接近,为0.005 68/a(图3(d))。
图3 2000—2022年黄土高原不同气候干湿区kNDVI变化折线图

Fig.3 Change line chart of kNDVI in dry and wet regions with different climates in the Loess Plateau from 2000 to 2022

在空间尺度上,利用slopekNDVI斜率分析和p值显著性检验,分析了2000—2022年黄土高原kNDVI变化率的空间分布,得到黄土高原在像元尺度上kNDVI的变化速率。如图4(a)和图4(b)所示,黄土高原kNDVI年变化率在-0.031~0.032之间波动,其中,在黄土高原内通过0.01显著性检验并呈现正向增长率的区域主要位于气候半干旱区的东南部; 而呈现负向增长率的区域则主要集中在气候干旱区和气候半湿润地区的城镇聚集区域,由于在该部分区域,受到人类活动强度干扰,导致该区域的植被趋向非显著性的负增长斜率。
图4 2000—2022年黄土高原kNDVI年际变化率及显著性

Fig.4 kNDVI interannual change rate and significance in the Loess Plateau from 2000 to 2022

在本研究中,为了直观准确地评估黄土高原的植被动态变化的整体情况,利用Sen + Mann-Kendall植被趋势分析,将黄土高原2000—2022年的植被动态变化分为了5类,并计算获取了每一类的面积占比; 如图5所示,在黄土高原,呈显著上升的区域主要集中在气候半干旱区和气候半湿润地区的交界带,面积占比为79.01%; 无明显变化的区域主要位于气候干旱区与气候半干旱地区的交界带,占黄土高原总面积的4.71%。其中呈现显著下降的区域面积占比最少,为1.35%,且主要集中在高强度人类活动区域。从图6的黄土高原的不同气候干湿分区分析,对比其他气候分区,气候半干旱地区呈显著上升的面积占比最大,达到了总面积的53.22%; 气候半湿润地区显著上升面积次之,占比为20.52%。气候干旱区占比最少,为5.27%。然而,纵观气候干旱区、气候半干旱区和气候半湿润区,气候半湿润区中呈轻微下降和显著下降区域的面积占比最高,为1.38%和0.89%。
图5 2000—2022年黄土高原kNDVI年际变化趋势空间分布

Fig.5 Spatial pattern of kNDVI interannual change trend in the Loess Plateau from 2000 to 2022

图6 2000—2022年黄土高原不同分区植被动态变化面积占比

Fig.6 The proportion of dynamic vegetation changes in different zones of the Loess Plateau from 2000 to 2022

3.2 基于最优参数地理探测器模型的黄土高原分区效应优化及驱动因子的最优范围探究

3.2.1 黄土高原分区效应优化探究

在探究空间异质性上,为了提高地理探测器模型解释空间分异性时的准确性和效率。参考前人的研究,本研究将q因子解释变量的分类水平设置为5~10类。结果如图7所示,在黄土高原地区,PRE、TEM、DEM和SLO的最优离散参数组合为10个间隔的自然断点断裂; GDP的最优离散参数组合为10个间隔的分位数断裂; SA和NTL的最优离散参数组合为10个间隔的几何间隔断裂; SR为9个间隔的自然断点断裂; LU的最优离散参数组合为7个间隔的几何间隔断裂。因此,对于不同的解释变量,离散方法的组合和断裂次数可能会有显著差异。
图7 基于最优参数地理探测器模型解释变量的离散划分效应

Fig.7 Discrete partition effects of the explained variables based on the geographic detector model with optimal parameters

3.2.2 黄土高原驱动因子的最优范围探究

为了检测各驱动因子不同区域属性值对植被生长的影响,如图8所示,计算了有利于植被生长的驱动因子的类型或范围。图中红色和蓝色柱状图分别表示在特定驱动力范围内植被动态变化的均值显著高于或低于整体均值的情况,红色柱状图表示显著高于整体均值,蓝色柱状图表示显著低于整体均值,而灰色柱状图则表示在该驱动力范围内植被动态变化的均值与整体均值无显著差异。结果表明在不同分类区间驱动因子对植被动态变化的影响有显著差异,植被变化在土地利用类型中的耕地和林地上是最明显的。在坡度37.7°~69.7°,海拔2 840~3 470 m,植被长势最好,覆盖度较高。说明,在黄土高原高海拔、坡度陡的地区有利于植被生长。而低海拔地区一般是人类活动密集的地区,由于城镇建设和农业生产活动,对生态环境干扰和破坏大,植被覆盖率低。当黄土高原地区TEM和SR均较低时,PRE是影响植被生长的主要气象因子,PRE在733~1 060 mm时植被动态变化均值显著高于整体均值,而在241~316 mm时显著低于整体均值; 表明随着PRE的增加,植被生长迅速,植被覆盖增高。GDP、NTL等社会经济因素对植被动态变化的影响是直接的,GDP和NTL对植被的影响具有高度的一致性,均表现为在低GDP值和低NTL密度下是最有利植被生长,在高值下均对植被生长具有抑制性。人类活动在一定程度上对植被变化具有强干扰性。
图8 黄土高原植被动态变化在驱动力范围内的空间分布

Fig.8 Spatial distribution of dynamic vegetation change in the Loess Plateau within the driving force range

3.3 基于最优参数地理探测器模型的黄土高原植被动态变化空间分异的驱动因素识别

3.3.1 黄土高原植被动态变化空间分异的因素检测分析

利用最优参数地理探测器模型中的因子检测模块来定量表示各种自然因子和人为因子对黄土高原植被动态变化的影响,根据因子检测结果对植被动态变化驱动因子的重要性进行分析,用q值来衡量。如图9所示,按照各因子解释能力的降序排列为: SA(0.002 6)<GDP(0.011 1)<NTL(0.020 1)<DEM(0.053 1)<SR(0.096 2)<TEM(0.148 4)<SLO(0.186 2)<LU(0.459 8)<PRE(0.521 4)。其中,年均降雨量和土地利用类型是黄土高原地区植被动态变化的主要驱动因子,解释力均在全部驱动因子总解释力的30%以上。而SA、NTL和GDP对黄土高原地区植被生长的影响最小,解释力均小于1.34%。在黄土高原地区,植被动态变化受环境、社会因素的共同影响。
图9 基于最优参数地理探测器模型植被变化影响的单因子检测

Fig.9 Single factor detection of vegetation change effect based on optimal parameter geographic detector model

3.3.2 黄土高原植被动态变化空间分异因子的交互检测分析

大多数因子相互作用的q值大于单个因子的q值,任意2个驱动因子相互作用的类型为非线性增强和相互增强,不存在独立关系。如图10所示,土地利用类型与TEM、PRE、SR、DEM、SLO、NTL等因子之间的交互作用是双因子增强的; 其中,土地利用类型与PRE的交互作用最强,解释力q值为0.69。PRE与TEM、SR和SLO也为双因子增强,与DEM、SA、GDP和NTL因之间的交互作用是非线性增强; 其中,PRE与DEM的非线性增强时交互作用最强,为0.64。而土地利用类型与SA和GDP的交互作用是呈现单因子非线性减弱,交互作用q值分别为0.45和0.46。综上所述,9个驱动因子之间的交互作用大于单一因子的作用,多因素相互作用不是独立的,而是相互增强和非线性增强显著相关。
图10 基于最优参数地理探测器模型植被变化影响的交互作用检测

Fig.10 Interaction detection of vegetation change effects based on the optimal parameter geographic detector model

图11是基于最优参数的地理探测器模型中各驱动因子对植被变化影响的交互作用类型结果。从图中可以看出,不同驱动因子之间的交互作用主要表现为非线性增强、双因子增强和单因子非线性减弱3种类型。其中PRE与DEM,SA,GDP,NTL; TEM与SR,DEM,SA,GDP等,以及其他因子之间的交互作用为非线性增强。这表明这些因子之间的非线性增强作用对植被变化有显著影响,即当这些因子共同作用时,对植被变化的影响会显著增强,且这种增强作用是非线性的。双因子增强主要出现在LU与PRE,TEM,DEM,SR,SLO,NTL之间的交互作用中,以及PRE与TEM,SR,SLO之间的交互作用中。即这些因子之间的双因子增强作用对植被变化也有显著影响,即当这些因子共同作用时,对植被变化的影响会显著增强,且这种增强作用是基于2个因子的共同作用。而单因子非线性减弱主要在LU与GDP,SA之间的交互作用中,对植被变化的影响是非线性减弱。此外, PRE与LU因子的交互作用强度为0.69,表明其对植被变化有较强的交互影响。整体来看,各驱动因子之间的交互作用对植被变化的影响复杂多样。
图11 基于最优参数地理探测器模型植被变化影响的作用类型

Fig.11 The type of effect of vegetation change influence based on the optimal parameter geographic detector

4 讨论

植被动态变化及其与气候变化的相关性是全球气候变化研究的一个重要焦点[32]。温度和降雨量等气象因子与植被的生长密切相关[33]。本文研究结果表明,2000—2022年期间,黄土高原中大面积区域(91.57%)的植被呈现出上升的趋势,而韩磊等[34]的研究也表明黄土高原显著改善区域面积占比约为93.6%,这与本文的研究结果相符合,且这些特殊地区主要位于干旱和半干旱地区。目前,有学者认为,中国大陆植被覆盖度与降水、温度具有显著的相关性,且与温度的相关性更为明显[35]。也有研究表明,黄土高原的陕北地区植被变化受气温影响显著,温度对植被生长的影响大于降水[36]。然而,高温会导致蒸发增加,土壤水分减少,影响植被变化。这一现象同样适用于太阳辐射,因为太阳辐射的增强也会扩大区域蒸发并加剧水分亏缺。而在干旱区内,水资源已成为植被生长的重要限制因素[37],降水是植被生长所需供水的基本来源。植被对降水的响应具有滞后效应[38],姚楠等[39]的研究也证实了在黄土高原内,降水是影响植被变化的主要因素,且存在3个月的滞后时间。因此在本文中,基于最优参数地理探测器模型揭示的降水对植被盖度具有更显著影响是合理的,这突出了降雨量在促进水分有限地区植被生长方面的关键作用。在这些地区中,降雨量是土壤水分的主要补给来源,并通过影响土壤含水量来影响植被生长[40]。此外,值得注意的是,尽管数据显示高降雨量对植被生长具有强促进性,但降雨量的持续增高并不一定意味着植被生长的持续加速。简而言之,气候对植被的影响程度是有一定限制的[41],一旦超过这个极限,植被和气候之间的关系可能会变得不利。

5 结论

本研究使用MODIS系列遥感数据,采用GEE平台和编程语言提取kNDVI值,基于趋势分析和稳定性评估方法,探讨了黄土高原2000—2022年的植被动态时空变化。并基于最优参数地理探测器模型,深入探究了驱动因子最优驱动范围和分区效应,量化了各驱动因子对kNDVI变化的影响及其相互作用。其主要结论如下:
1)黄土高原植被的kNDVI均值与波动性具有一致性,均呈现西北向东南方向过渡的空间分布格局。由于气候对植被具有显著的影响效应,植被动态变化是在气候干湿分区的地理空间分布上表现出明显的异质性。且在黄土高原整个区域植被动态变化的趋势上,气候半干旱区植被绿化(显著上升&轻微上升)效果最好,占黄土高原总绿化面积的60.41%。
2)根据最优参数地理探测器模型探测结果,在黄土高原区域,针对不同的驱动变量有不同的最优离散方式和最佳间隔区间,且对于不同的解释变量,离散方法的组合和断裂次数具有显著的差异。其次,在黄土高原内,低温高降雨量是最有利于植被生长的外界条件,高海拔地区的植被覆盖较好,低海拔地区人类活动强烈,很大程度上对植被动态变化具有强干扰性。这说明不同范围的驱动因素对植被覆盖度的空间分布具有不同的影响作用。
3)通过因子检测,在黄土高原,PRE、LU是影响植被变化的主要因子,对kNDVI的解释能力分别为0.521 4和0.459 8。此外,多个影响因子之间的相互作用是以双因素增强和非线性增强为主,且不存在独立关系。任意2个影响因子之间的交互作用增强了它们对kNDVI变化的影响,其中土地利用类型与降雨量之间的交互作用最强。
在未来研究中,可进一步结合多源遥感数据与机器学习方法,进一步探究黄土高原植被动态的多因子非线性交互机制及关键驱动阈值,重点量化气候变化情景(如极端干旱)与人类活动(如生态工程、城镇化)的差异化影响; 同时,并基于地理分异规律优化分区治理策略(如半干旱区自然恢复与低海拔区人工调控结合),推动生态恢复与区域可持续发展的协同。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张瑞, 李琴, 勇心意, 等. 末次冰盛期以来东北地区古植被定量重建及其气候响应[J]. 第四纪研究, 2024, 44(3):805-822.

Zhang R, Li Q, Yong X Y, et al. Quantitative reconstruction of pa-leovegetation history in Northeast China and its response to climate change since the Last Glacial Maximum[J]. Quaternary Sciences, 2024, 44(3):805-822.

[2]
Higgins S I, Conradi T, Muhoko E. Shifts in vegetation activity of terrestrial ecosystems attributable to climate trends[J]. Nature Geo-science, 2023, 16(2):147-153.

[3]
董文洁, 毛曦, 路文娟, 等. 黄河流域气候因子与NDVI相关性的长时序空间异质性研究[J]. 测绘科学, 2024, 49(2):134-142.

Dong W J, Mao X, Lu W J, et al. Long-term spatial heterogeneity of correlation between climatic factors and NDVI in the Yellow River Basin[J]. Science of Surveying and Mapping, 2024, 49(2):134-142.

[4]
Liu H Y, Zhang M Y, Lin Z S, et al. Spatial heterogeneity of the relationship between vegetation dynamics and climate change and their driving forces at multiple time scales in Southwest China[J]. Agricultural and Forest Meteorology, 2018,256:10-21.

[5]
冶兆霞, 张洪波, 杨志芳, 等. 陕北黄土高原气象要素对植被覆盖的空间分异影响及风险探测[J]. 生态学报, 2024, 44(6):2379-2395.

Ye Z X, Zhang H B, Yang Z F, et al. Spatial differentiation effects and risk detection of meteorological elements to vegetation cover on the Loess Plateau of northern Shaanxi[J]. Acta Ecologica Sinica, 2024, 44(6):2379-2395.

[6]
协子昂, 张超, 冯绍元, 等. 植被物候遥感监测研究进展[J]. 遥感技术与应用, 2023, 38(1):1-14.

DOI

Xie Z A, Zhang C, Feng S Y, et al. Reviews of methods for vegetation phenology monitoring from remote sensing data[J]. Remote Sensing Technology and Application, 2023, 38(1):1-14.

[7]
Li Y S, Ma J Y, Zhang Y J. Image retrieval from remote sensing big data:A survey[J]. Information Fusion, 2021,67:94-115.

[8]
陈树新, 刘炳杰, 王海熠, 等. 结合可见光植被指数和分水岭算法的单木树冠信息提取[J]. 遥感技术与应用, 2024, 39(1):34-44.

DOI

Chen S X, Liu B J, Wang H Y, et al. Extraction of individual tree crown based on UAV tilt photogrammetry[J]. Remote Sensing Technology and Application, 2024, 39(1):34-44.

[9]
宗慧琳, 张晓伦, 袁希平, 等. 利用GEE进行1990—2022年小江流域生态环境质量时空格局与演变趋势分析[J]. 环境科学, 2024, 45(7):4122-4136.

Zong H L, Zhang X L, Yuan X P, et al. Xiaojiang river basin ecological environmental quality spatiotemporal pattern and evolutio-nary trend analysis using GEE from 1990 to 2022[J]. Environmental Science, 2024, 45(7):4122-4136.

[10]
刘一, 郑南山, 丁锐, 等. 基于机器学习的多频多星GNSS-IR模式NDVI反演研究[J]. 中国矿业大学学报, 2023, 52(5):1014-1021.

Liu Y, Zheng N S, Ding R, et al. NDVI inversion of multi-frequency and multi-satellite GNSS-IR model based on machine learning[J]. Journal of China University of Mining and Technology, 2023, 52(5):1014-1021.

[11]
Jin H Y, Chen X H, Wang Y M, et al. Spatio-temporal distribution of NDVI and its influencing factors in China[J]. Journal of Hydrology, 2021,603:127129.

[12]
Carlson T N, Ripley D A. On the relation between NDVI,fractional vegetation cover,and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3):241-252.

DOI

[13]
Aklilu T A, Gessesse A B. Evaluation of the saturation property of vegetation indices derived from sentinel-2 in mixed crop-forest ecosystem[J]. Spatial Information Research, 2021, 29(1):109-121.

DOI

[14]
Camps-Valls G, Campos-Taberner M, Moreno-Martínez Á, et al. A unified vegetation index for quantifying the terrestrial biosphere[J]. Science Advances, 2021, 7(9):eabc7447.

[15]
Wang X, Biederman J A, Knowles J F, et al. Satellite solar-induced chlorophyll fluorescence and near-infrared reflectance capture complementary aspects of dryland vegetation productivity dynamics[J]. Remote Sensing of Environment, 2022,270:112858.

[16]
刘明蕊, 刘世婷, 马春燕, 等. 草地植物和土壤对温度和降水变化的响应研究进展[J]. 生态学杂志, 2024, 43(12):3787-3796.

Liu M R, Liu S T, Ma C Y, et al. Research progress of the responses of grassland plants and soilto the variation of temperature and precipitation[J]. Chinese Journal of Ecology, 2024, 43(12):3787-3796.

[17]
Yang S K, Liu J, Wang C H, et al. Vegetation dynamics influenced by climate change and human activities in the Hanjiang River Basin,Central China[J]. Ecological Indicators, 2022,145:109586.

[18]
胡蓉, 董灵波. 黑龙江流域植被覆盖度时空动态及其对气候变化的响应[J]. 应用生态学报, 2024, 35(6):1518-1524.

DOI

Hu R, Dong L B. Temporal and spatial variations of vegetation co-verage in Heilongjiang Basin and its responses to climate change[J]. Chinese Journal of Applied Ecology, 2024, 35(6):1518-1524.

[19]
Li Q R, Gao X, Li J, et al. Nonlinear time effects of vegetation response to climate change:Evidence from Qilian Mountain National Park in China[J]. Science of the Total Environment, 2024,933:173149.

[20]
牛剑龙, 陈国坤, 黄义忠, 等. 近20 a云南文山州植被覆盖动态变化及其驱动因素[J]. 中国水土保持科学(中英文), 2022, 20(4):118-125.

Niu J L, Chen G K, Huang Y Z, et al. Dynamic change of vegetation cover and its driving factors in Wenshan of Yunnan over the past 20 years[J]. Science of Soil and Water Conservation, 2022, 20(4):118-125.

[21]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

Wang J F, Xu C D. Geodetector:Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134.

[22]
Zhao X Y, Tan S C, Li Y P, et al. Quantitative analysis of fractional vegetation cover in southern Sichuan urban agglomeration using optimal parameter geographic detector model,China[J]. Ecological Indicators, 2024,158:111529.

[23]
汪宙峰, 郑博, 贺相綦, 等. 基于参数最优地理探测器的西藏冰湖时空变化与影响因素研究[J]. 冰川冻土, 2023, 45(6):1950-1960.

DOI

Wang Z F, Zheng B, He X Q, et al. Spatial-temporal variations and influencing factors of glacial lakes in Tibet based on Optimal Parameters-Based Geographical Detector[J]. Journal of Glaciology and Geocryology, 2023, 45(6):1950-1960.

[24]
郑景云, 尹云鹤, 李炳元. 中国气候区划新方案[J]. 地理学报, 2010, 65(1):3-12.

Zheng J Y, Yin Y H, Li B Y. A new scheme for climate regionalization in China[J]. Acta Geographica Sinica, 2010, 65(1):3-12.

DOI

[25]
Wang Q, Moreno-Martínez Á, Muñoz-Marínez J, et al. Estimation of vegetation traits with kernel NDVI[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023,195:408-417.

[26]
黄对, 彭安帮, 刘九夫, 等. 淮河中上游植被变化及其对气象因素的多时空尺度响应[J]. 水土保持研究, 2023, 30(3):268-278.

Huang D, Peng A B, Liu J F, et al. Multi temporal and spatial scale responses of vegetation dynamics to climate factors[J]. Research of Soil and Water Conservation, 2023, 30(3):268-278.

[27]
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.

[28]
袁丽华, 蒋卫国, 申文明, 等. 2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24):7798-7806.

Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24):7798-7806.

[29]
沈爱红, 佘洁, 石云, 等. 2001—2020年贺兰山东麓荒漠草原植被覆盖度演变[J]. 中国沙漠, 2024, 44(3):308-320.

DOI

Shen A H, She J, Shi Y, et al. Changes in vegetation coverage of desert grasslands in the eastern foothills of Helan Mountains in 2001-2020[J]. Journal of Desert Research, 2024, 44(3):308-320.

DOI

[30]
Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geo-graphical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis:Cases with different types of spatial data[J]. GIScience and Remote Sensing, 2020, 57(5):593-610.

DOI

[31]
Wang J F, Hu Y. Environmental health risk detection with GeogDetector[J]. Environmental Modelling and Software, 2012,33:114-115.

[32]
Zhang W, Wang L C, Xiang F F, et al. Vegetation dynamics and the relations with climate change at multiple time scales in the Yangtze River and Yellow River Basin,China[J]. Ecological Indicators, 2020,110:105892.

[33]
马扶林, 刘小伟, 朵莹, 等. 日尺度下水热因子变化对青藏高原高寒草原生产力的影响特征[J]. 生态学报, 2023, 43(9):3719-3728.

Ma F L, Liu X W, Duo Y, et al. Effects of daily variation of hydro-thermal factors on alpine grassland productivity on the Qinghai-Tibet Plateau[J]. Acta Ecologica Sinica, 2023, 43(9):3719-3728.

[34]
韩磊, 曹鑫鑫, 朱会利, 等. 基于特征分区的陕北黄土高原植被覆盖变化及其驱动因素[J]. 生态学报, 2023, 43(20):8564-8577.

Han L, Cao X X, Zhu H L, et al. Change of vegetation coverage and driving factor in the North Shaanxi Loess Plateau based on characteristic zoning[J]. Acta Ecologica Sinica, 2023, 43(20):8564-8577.

[35]
贺军奇, 魏燕, 高万德, 等. 毛乌素沙地东南缘植被NDVI时空变化及其对气候因子的响应[J]. 干旱区地理, 2022, 45(5):1523-1533.

DOI

He J Q, Wei Y, Gao W D, et al. Temporal and spatial variation of vegetation NDVI and its response to climatic factors in the sout-heastern margin of Mu Us Sandy Land[J]. Arid Land Geography, 2022, 45(5):1523-1533.

[36]
王雄, 张翀, 李强. 黄土高原植被覆盖与水热时空通径分析[J]. 生态学报, 2023, 43(2):719-730.

Wang X, Zhang C, Li Q. Path analysis between vegetation coverage and climate factors in the Loess Plateau[J]. Acta Ecologica Sinica, 2023, 43(2):719-730.

[37]
Jiao W, Wang L, Smith W K, et al. Observed increasing water constraint on vegetation growth over the last three decades[J]. Nature Communications, 2021, 12(1):3777.

DOI PMID

[38]
李卓忆, 杨庆, 马柱国, 等. 中国北方干旱半干旱区植被对气候变化和人类活动的响应[J]. 大气科学, 2024, 48(3):859-874.

Li Z Y, Yang Q, Ma Z G, et al. Responses of vegetation to climate change and human activities in the arid and semiarid regions of northern China[J]. Chinese Journal of Atmospheric Sciences, 2024, 48(3):859-874.

[39]
姚楠, 董国涛, 薛华柱. 基于Google Earth Engine的黄土高原植被覆盖度时空变化特征分析[J]. 水土保持研究, 2024, 31(1):260-268.

Yao N, Dong G T, Xue H Z. Analysis on the characteristics of the spatiotemporal change in vegetation coverage on the Loess Plateau using the Google Earth Engine[J]. Research of Soil and Water Conservation, 2024, 31(1):260-268.

[40]
图纳热, 红梅, 叶贺, 等. 降水变化和氮沉降对荒漠草原土壤丛枝菌根真菌群落结构的影响[J]. 土壤, 2023, 55(6):1251-1260.

Tu N R, Hong M, Ye H, et al. Effects of precipitation change and nitrogen deposition on soil arbuscular mycorrhizal fungi(AMF) community structure in desert steppe[J]. Soils, 2023, 55(6):1251-1260.

[41]
Ren H Y, Wen Z M, Liu Y Y, et al. Vegetation response to changes in climate across different climate zones in China[J]. Ecological Indicators, 2023,155:110932.

Options
Outlines

/

〈 〉