延安地区植被覆盖度时空变化及驱动力

聂 桐, 董国涛, 蒋晓辉, 谷佳贺

(1.西北大学 城市与环境学院, 西安 710127; 2.黄河水利委员会 黄河水利科学研究院, 郑州450003; 3.黑河水资源与生态保护研究中心, 兰州 730030)

陆地生态系统能够响应气候变化，可以通过植被生态系统和气候之间的关系进行研究[1]。植被作为全球环境变化的“指示器”，是连接大气、土壤、水体的“自然纽带”，在促进水土保持、水循环和气候变化方面具有重要作用[2]。植被能够敏感反映气候变化和人类活动的影响，是影响生态系统服务的重要因素[3-4]。归一化植被指数(Normalized Difference Vegetation Index，NDVI)作为反映植被生长和时空变化研究的重要指标，与植被覆盖度、生物量以及光合作用等联系密切[5]，多数学者广泛利用NDVI进行全球或区域植被覆盖变化及驱动力研究。

许多学者通过研究各尺度植被覆盖时空变化[6-7]，发现气候变化和人类活动是影响植被覆盖变化的主要因素[8-9]。Lin等[10]研究发现在全球范围内，特别是非洲南部和东部、澳大利亚东部、亚洲东北部等地区植被覆盖受厄尔尼诺—南方涛动气候驱动影响；国内对典型区域植被驱动力的研究集中于黄土高原[11]、青藏高原[12]、西北干旱区等[13]生态脆弱区，研究表明植被覆盖变化与降水、气温之间存在极大的相关性。刘庆生[14]认为降水格局对干旱半干旱区域斑块状的植被格局特征具有重要影响。其他自然因素，如地形因子会对植被形成和植被覆盖产生影响，其中坡度、坡向能够影响区域植被湿度、日照辐射、温度等[15-16]。如今随着人类活动对自然环境的干预，对植被覆盖空间变化、植被生产力[17]的影响力也趋向增大。同时，生态环保政策的实施对于干旱荒漠区域的植被改善具有重要作用[18]。因此对于植被覆盖时空变化的研究，自然因素与人类活动因素进行耦合分析可以加强生态可持续性[19]，减少单一因子影响作用带来的局限性。

延安地区位于黄土高原丘陵沟壑区，气候干旱且生态脆弱，同时也是重点实施退耕还林还草工程地区[20-21]，受到自然因素和人类活动的双重影响，目前全球变暖带来的气候暖干化和极端气候的增加使得生态环境形势严峻[22-23]，因此分析延安市植被覆盖及驱动力研究具有现实意义。以往研究多采用相关性分析等方法[24]定性分析植被覆盖时空变化，而地理探测器模型[25]可以探测数值型和定性数据，能够有效探测干旱半干旱地区空间分异性[26-27]。本文通过此模型探测植被空间分异性，量化并计算分析各自然、人文因子对植被空间分布的影响力及适合植被生长的类型和范围，为促进延安市水土保持、植被恢复和生态修复提供科学依据。

1 研究区概况

延安市地处陕北黄土高原中部，处于北纬36°11′—37°09′，东经109°20′—110°03′。东西宽50 km，南北长96 km，面积3 556 km2。位于黄土高原丘陵沟壑区，北部属半干旱地区，南部属半湿润地区。地势西北高东南低，平均海拔1 200 m左右。延安是黄河上中游水土流失最严重的地区之一，截至2018年底，累计水土流失治理面积15 904.6 km2。1999年开始实施退耕还林工程，20 a间延安累计完成退耕还林面积7 183.3 km2，森林覆盖率由33.5%提高到52.5%，植被覆盖度由46%提高到81.3%，生态环境得到有效恢复。

2 研究方法和数据来源

2.1 数据来源及预处理

研究选择植被NDVI、坡向、坡度、土壤类型、降水、气温、土地利用类型等数据。其中NDVI选用MODIS数据(https:∥ladsweb.nascom.nasa.gov/)时间分辨率16 d、空间分辨率为250 m的MOD13Q1 NDVI，并采用最大值合成月数据。土壤类型数据和土地利用数据选自中国科学院资源环境科学数据中心(http:∥www.resdc.cn)，空间分辨率1 km。降水、气温数据来源于中国气象数据网(http:∥data.cma.cn)。坡向、坡度由根据90 m空间分辨率DEM数据计算获取。各因子数据通过ArcGIS进行投影变换、行政区掩膜、重采样等处理，最终像元大小保持一致，空间分辨率为250 m。坡度和土壤类型分别按照《土地利用现状调查技术规程》、《1∶100万中华人民共和国土壤图》进行重分类预处理，其他数据按照自然间断法进行重分类预处理。

2.2 研究方法

2.2.1 NDVI最大值合成和等级划分

(1) 植被合成方法。最大值合成(MVC)[28]法能够有效避免大气、云、太阳高度角等带来的影响，本文将月合成数据取最大像元值重新生成，合成2000年、2005年、2010年、2015年和2018年NDVI数据。(2) 等级划分。将5期NDVI数据根据NDVI大小按照等间距[29]划分方法划分为5类，使其更好的反映植被覆盖变化，分别是低等级(0～0.2)、中低等级(0.2～0.4)、中等级(0.4～0.6)、中高等级(0.6～0.8)、高等级(0.8～1)。

2.2.2 影响因子分级 通过ArcGIS软件渔网工具生成间隔5 km的点阵，最终形成1 464个采样点。采用自然间断点法[30]将坡向、坡度、土壤类型、降水、气温、土地利用类型分别划分为9类、5类、9类、9类、9类、5类。将类型量数据与NDVI值提取到采样点后输入到地理探测器中进行计算。

2.2.3 趋势分析 采用一元线性回归分析法研究NDVI的变化趋势，综合分析植被在研究时段的时空格局变化[31]。其计算公式为：

式中:Slope为NDVI回归方程的斜率;n为监测时间段年跨度,本文研究年跨度为2000—2018年,n取值19;NDVIi表示第i年的NDVI值。当Slope>0表示区域植被覆盖呈现增加趋势,随时间变化NDVI升高; Slope≤0,表示随时间变化NDVI呈现下降趋势。

2.2.4 地理探测器模型 地理探测器的本质是探测空间分异性，由因子探测、生态探测、交互作用探测和风险因子探测4部分构成，是一种既可以用于数值型变量也可以用于定性数据的统计学方法[25]。

(1) 因子探测：通过因子探测可以计算出各自然、人文因子(表1)对植被NDVI空间分布的影响力即q值，q值越大，说明对植被NDVI的影响力越大。表达式如下：

表1 自然、人文因子指标

(2) 生态探测：生态探测用于比较各自然、人文因子之间对植被NDVI空间分布是否有显著差异，如比较是否因子X1比X2对植被NDVI空间分布更有影响力。用F统计量表示：

式中:NX1及NX2分别表示两个自然因子的样本数量;SSWX1和SSWX2分别表示由两个自然因子形成分层的层内方差之和;L1和L2分别表示变量X1和X2分层数目。

(3) 交互作用探测：用于表示不同影响因子之间的交互作用。通过比较单一因子q值、双因子之和q值以及双因子交互作用后的q值，判断两因子在交互作用后增大还是减弱了对植被NDVI空间分布的影响，或是处于独立作用，即主要比较q(X)，q(X1)+q(X2)和q(X1∩X2)之间的关系。

(4) 风险因子探测：通过计算某一影响因子在子区域的NDVI均值，进行统计显著性检验，NDVI均值越大的影响因子子区域适合植被的生长，可以用于判断各影响因子的适宜范围或类型。检验表达式为：

3 结果与分析

3.1 植被NDVI时空变化

2000—2018年延安市平均植被覆盖呈现增加趋势，增速为0.089/10 a(图1)。前期植被覆盖2000—2012年增加趋势较快，增速为0.138/10 a，后期植被覆盖2012—2018年增速明显减缓，增速为0.013/10 a，其中2012—2015年呈下降趋势。自延安市实施退耕还林以来，植被一直呈增长趋势，后期增速减缓可能与植被自然演替过程[32]有关，自然因素起主导作用。

图1 2000-2018年年延安市NDVI年际变化趋势

2000—2018年，延安市植被覆盖向中高、高等级转变明显。由表2可知，中高和高植被覆盖面积呈现增加趋势，2018年占研究区面积比例达到97.04%，中等级植被覆盖面积先增加后减少趋势，向中等级和高植被覆盖转变，低等级和中低等级植被覆盖面积呈现减少趋势。2000—2018年，低、中低和中等级植被覆盖面积减少，分别占研究区面积比例减少0.02%，27.54%，31.31%，其中中等级植被覆盖面积显著减少，高植被覆盖面积显著上升趋势，研究区面积比例增加31.29%。中低植被覆盖在2000—2005年阶段面积减少最为明显，中高植被覆盖在2005—2010年增加最为明显。

表2 延安2000-2018年植被覆盖面积

2000—2018年植被覆盖空间分布差异显著(图2)。2000年延安市中高及高等级植被覆盖主要集中于南部，低、中低和中等级植被覆盖集中于延安北部。2018年研究区植被恢复明显，北部区域即吴起县、志丹县、安塞县、子长县、延川县和延长县植被覆盖向中高等级转变明显，南部区域黄陵县和黄龙县植被覆盖一直处于较高等级。低、中低植被覆盖2018年主要集中于研究区中心位置，位于延安市宝塔区，受城市建设和不透水面增加的影响。

图2 植被NDVI空间格局

由图3可知，研究区植被指数整体呈现增加趋势，其中95.52%区域属于增加区域。呈减少趋势区域不足研究区1%，零星分布于延安市宝塔区、洛川县，中心城区由于城市化发展，大量土地利用类型由草地、耕地转变为建设用地，NDVI呈现显著减少趋势。城市发展占用大量农田和生态用地，减少植被覆盖面积。基本不变区域比重占研究区3.66%，分布于富县、黄陵县和黄龙县区域。明显增加区域占研究区比重49.29%，说明退耕还林还草措施取得重大进展，主要位于延安市北部和东部，与已有研究结果大体一致[33]。

图3 2000-2018年延安地区植被NDVI空间变化格局

3.2 因子影响力探测分析

根据因子探测器，揭示各因子对植被NDVI空间分布的影响大小，结果由表3所示。各自然、人文因子对植被NDVI的影响大小排序为：降水(0.178)>气温(0.162)>土地利用类型(0.134)>土壤类型(0.118)>坡度(0.012)>坡向(0.006)。从各因子q值来看，降水、气温是主要影响因子，q值达到15%以上，这说明气候要素对植被NDVI的影响相对较大。土地利用类型和土壤类型因子对NDVI的解释力达到10%以上，属于次要影响因子。坡向和坡度对NDVI的解释力没有超过10%，表明这2类因子对植被NDVI的没有直接影响，影响力相对较小。

表3 自然、人文因子q值

3.3 因子生态探测分析

生态探测器用于表明不同影响因子对影响植被NDVI空间分布是否存在显著行差异。两种因子之间，有显著性差异标记为“Y”，无显著性差异标记为“N”。统计检验表明(表4)，降水与气温、土地利用类型对NDVI空间分布影响无显著性差异，与其他因子对NDVI空间分布影响存在显著性差异；坡度与坡向因子对植被NDVI空间分布无显著性差异，与其他因子存在显著性差异。进一步表明，降水因子对植被NDVI的影响最大，气温对植被NDVI影响较大，同时受其他因子影响。坡度和坡向因子对植被NDVI空间分布存在间接影响。综合各因子发现，自然因子对植被NDVI空间分布影响要比人文因子影响更大。

表4 生态探测结果

3.4 因子交互作用探测分析

交互探测器结果表示，双因子交互作用对植被NDVI空间分布的影响力大于单因子作用，因子交互作用呈现非线性增强或双因子协同增强作用，不存在独立关系(表5)。其中，坡度、坡向与其他因子之间交互作用为非线性增强关系；如X6∩X4(0.292)>X6∩X5(0.291)>X6∩X3(0.220)>X6∩X1(0.180)>X6∩X2(0.157)，土地利用类型因子与坡向、坡度和气温之间呈现非线性增强效应，说明土地利用类型因子显著增强了这3类因子对植被的影响。降水与气温、土地利用类型因子叠加增强了降水对植被NDVI空间分布的影响，即存在显著双因子增强关系，进一步证明了降水因子的主导作用，如X6∩X4(0.292)>X5∩X4(0.210)。总之，自然环境与人类活动因素共同作用下对植被NDVI空间分布影响更大，双因子之间交互作用不是简单地叠加关系，而是相互增强或非线性增强关系。

表5 交互因子探测

3.5 风险因子探测分析

根据风险因子探测器，计算分析各因子对植被NDVI空间分布变化的适应类型或适应范围，本文选择对植被NDVI解释力超过15%的自然、人文因子分析，即降水、气温2类因子。

3.5.1 降水 气候变化是影响植被覆盖和动态变化的重要影响因素。将降水划分为9类，分别用A1—A9表示，由表6所示，NDVI均值随降水量增加呈现波动增加趋势。统计检验表明，A8区NDVI均值达到最大值0.836，A8区与A7区无显著差异，与其他区存在显著性差异。这说明A8区最适合植被生长，A8区547～554 mm范围最适合植被生长。在黄土高原干旱区，水资源成为限制植被生长的重要因子[34]，降水是植被生长所需水分补给的基本来源，植被对降水的响应存在滞后效应，因此降水对植被覆盖的影响力较大。降水量的大小与分布影响土壤水分的变化，可能间接改变土壤与植被之间的耦合作用[35]。降水与气温的交互效应增强了降水对植被的影响，延安南部半湿润地区受降水影响程度低于北部半干旱地区，降水相对充沛地区为植被生长提供了良好的水分条件。

表6 降水因素每2个分区的植被NDVI均值及其统计显著性(置信水平95%)

3.5.2 气温 温度变化对植被生长具有重要影响作用，植被对温度的响应具有敏感性，气温高低对植被具有限制性。将气温指标为9类，分别用B1—B9表示(表7)。统计检验表明，B9区植被NDVI均值达到最大值0.819，与B1，B2，B3，B4，B5，B6和B7存在显著差异，与B8区无显著差异，气温在10.49～10.64℃范围适合植被生长。研究表明，陕北地区气候暖干化趋势明显，温度升高刺激植被的生长。但过高的温度加剧土壤和植物水分蒸发，不利于植被生长。气温与降水、土壤类型的叠加交互作用增强了气温对植被的影响，也可表明气温增强了其他自然因子对植被的影响。在半干旱区，降水比气温对植被影响力更大，而温度的季节性变化对植被的生长也有影响，研究区水热条件协同发展会更有利于植被生长。

表7 气温因素每2个分区的植被NDVI均值及其统计显著性(置信水平95%)

3.5.3 因子适宜性范围或类型 根据风险探测结果，综合表示自然、人文因子的适应范围或类型(表8)。土壤在支持和调节植物生长所需的水分和养分供应中起着重要作用[36]。本文将土壤类型划分为9类，其中褐土土壤类型最适合植被生长，NDVI均值达到最大0.875。在半干旱地区，土壤水分是提供植被生长所需水分的补给来源之一，土壤类型不同能够为植被生长所提供的养分和水分不同，因此成为限制植被生长的重要因子。土壤类型与降水交互作用显著增强土壤对植被的影响，二者皆为植被生长提供基本水分条件。土壤类型同时受地貌影响，褐土分布在黄土丘陵区，质地适中，适合植被生长。

表8 自然、人文因子适应范围或类型

坡向、坡度对植被直接影响较小，但与其他自然因子的交互作用显著增强了坡向、坡度对植被的影响。地形因子影响植被的形成，北坡相对南坡接收太阳辐射少，蒸发量少，土壤水分相对较高，更适合植被的生长。坡度3区6°～15°适合植被生长，NDVI均值0.780。在这一范围，人类活动对植被生长干预减小，且坡度又不是很大，立地条件适合植被生长。土地利用类型林地NDVI均值达到0.825，植被覆盖最好。人类活动以土地利用方式转变对植被影响最为直接，通过退耕还林、植树造林、森林抚育等措施增加植被覆盖。比如，植被覆盖度较小的延安北部黄土丘陵区，由于退耕还林工程的大力实施，土地利用方式由耕地、未利用土地向林地和草地转变，植被覆盖增加明显，延安子午岭、黄龙山一带较原来植被覆盖度略微有些下降[37]。

降水和气温因子与延安市植被相关性大[38]，随着降水量增加和气温升高，NDVI均值呈现波动增长。降水为植被提供基本水分条件，同时半干旱区温度对植被生长存在限制性，二者水热条件达到平衡时最适合植被生长。褐土主要分布在黄土丘陵区，NDVI均值最大在研究区内最适合植被生长。坡向、坡度两类地形因子分别在北坡和6°～ 15°适合植被生长，NDVI均值达到最大值。地形因子虽在本文中没有直接影响植被空间分布，但与其他因子的交互效应显著增强了对植被的影响。人类活动与自然发展相适应将能推动植被恢复，促进生态修复。随着城镇化加快，城镇人口增多，人口压力促使生态更加脆弱[39]，但由于人类活动因素存在难以量化的问题，因此可以继续深入研究，将自然因素与人类活动因素整合研究，发现自然因素和人类活动因素的协同作用对植被恢复和生态修复具有重要意义，也是未来生态恢复的一大热点。

4 结 论

(1) 2000—2018年延安市平均植被覆盖呈现增加趋势，增速为0.89/10 a，延安市植被覆盖面积在2000—2018年，由低、中低、中等级向中高和高等级转变显著，植被指数整体呈现增加趋势，其中95.52%区域属于增加区域。

(2) 降水和气温是影响植被NDVI空间分布的主要因素，土地利用类型和土壤类型是次级因素，坡度和坡向q值低于10%，影响力小。

(3) 生态探测表明降水和气温因子与其他因子共同作用存在显著性差异，进一步表明这3类因子对植被NDVI空间分布影响力大。各因子之间交互作用对植被NDVI空间分布存在双因子增强和非线性增强效应，并非简单的相互叠加作用，不存在独立关系。

(4) 根据风险因子探测分析各因子促进植被生长的各因子的适宜范围或类型。降水量为547～554 mm范围，气温为10.49～10.64℃，褐土土壤类型，北坡以及坡度为6°～15°，林地土地利用类型，植被覆盖最好，适合植被生长。