2025, Vol. 46
, WU Ke-sheng , ZHAO Jian-hua , LI Wei-qi , CHEN Liang-zhi , YANG Xin-qiang
植被作为陆地生态系统的主体，是连接土壤和大气的重要纽带，在维持地球能量交换、水文循环以及生态平衡的全球变化中具有“显示器”的作用[1]. 植被覆盖度是单位面积内植被（包括叶、茎和枝）垂直投影面积所占的百分比，是衡量植被生长状况的重要指数[2]，在很大程度上反映了生态系统对气候变化和人类干扰的响应[3]. 西北干旱区作为我国重要的生态屏障，肩负着“两屏三带”、“北方治沙带”生态格局等重大生态工程使命，生态系统的稳定性易受外界干扰的破坏，植被覆盖度的动态变化探究及驱动机制的分析对区域生态环境质量和可持续发展战略具有重要意义.
遥感技术在生态环境监测中广泛应用，能够准确有效地反映植被的变化情况，西北干旱区幅员辽阔且地貌复杂，植被变化对区域的综合影响是当前的关键问题. 众多学者基于不同尺度的遥感数据对西北干旱区做了相关研究，于惠等 [4]对河西走廊采用3种植被覆盖数据进行时空分析，结果表明植被覆盖度总体呈增加趋势，闫志远等[5]对内蒙古植被覆盖度进行时空分析，发现整体上在西部植被覆盖较低，塞米热·吾斯曼等[6]分析了伊犁河三角洲植被覆盖变化情况，结果表明植被覆盖度逐年在缓慢增长，但这些研究对人为因素和自然因素的驱动力分析较为缺乏；揭示植被覆盖趋势变化的原因探究至关重要，张元梅等[7]对塔里木盆地、袁江龙等[8]对昆仑山和戴晓爱等[9]对甘肃植被覆盖时空演变分析，这些研究结果表明，人类活动是影响环塔里木盆地植被变化的关键，地形对昆仑山植被覆盖变化影响较大，降水对甘肃FVC变化的影响较大，不同的研究区内植被覆盖度整体上均向好的趋势发展，但上述研究驱动力分析较为单一，对驱动因素中双因子交互影响的分析欠缺，不能更精准地揭示其植被演变的原因；然而，不同研究者对石羊河流域[10]、新疆[11]和西北五省[12]植被覆盖度变化进行分析，这些研究表明，植被覆盖度整体上也在逐步改善，并揭示了其变化的原因，但研究者选择的遥感数据源空间分辨率低，无法更细致地表达地物变化情况；陈以恒等[13]对天山段、郝鑫怡等[14]对天山北坡经济带以及Zuo等[15]对祁连山进行植被覆盖情况时空分析，结果表明植被覆盖度均在逐步增加，空间差异性显著，并结合不同的影响因子进行驱动力分析，然而，空间视角只聚焦于某个流域和山脉等，并且上述研究对整个西北干旱区以及不同亚区内部的FVC时空变化和驱动机制定量化分析不足.
在诸多驱动因素探究中，多元线性回归分析方法[16，17]、偏相关分析[18]、皮尔逊相关性[19，20]、ADE归因分析[21]、随机森林模型[22，23]、PLUS[24]和通径分析[25]模型能够表达其驱动因素的关系；相比之下，地理探测器的交互作用能够更深入揭示其背后的空间分异性，尤其采用最优的离散化方法，可以避免主观干扰，对空间驱动数据更能表达地理现象. 西北干旱区作为中国生态系统中重要性和脆弱性的典型区域，Zhou等[26]、焦岩等[27]和张学渊等[28]对西北干旱区植被覆盖进行分析，较为全面地揭示了时空变化和驱动力，结果表明植被覆盖整体呈上升趋势，然而由于西北干旱区内部不同的海拔地形、地理单元和水热分区等，使得植被生长特性不同，从而导致影响机制因地理区域的不同而存在差异，植被呈现不同的地理空间分布格局. 因此探究西北干旱区内不同亚区的时空分布特征，从而制定合理的生态环境保护和治理策略，成为维护西北干旱区生态平衡和绿洲生态可持续发展的关键所在.
鉴于此，本文首先通过构建2000~2022年FVC数据，采用Sen's slope+Mann-Kendall方法进行不同区域时空演变分析；其次，探究西北干旱区FVC的稳定性和未来的演变趋势；最后，使用最优参数离散化的地理探测器方法对不同时间和区域的影响因素进行归因分析. 厘清西北干旱区内不同区域植被覆盖度的时空演变稳定性、未来持续性以及影响因素的探究，以期为生态环境保护战略和生态修复提供科学依据.
1 材料与方法 1.1 研究区概况中国西北干旱区位于亚欧大陆中部，包括新疆全境、甘肃河西走廊、内蒙古阿拉善高原及贺兰山以西；介于73°~107°E和35°~50°N之间，约占中国国土面积的1/4，以山地和荒漠为主，绿洲面积仅为9.7%，属于典型的大陆性干旱气候，是我国的荒漠大区，荒漠和戈壁面积占全国的80%. 地形复杂多样，深居内陆，远离海洋，气候干旱，降水稀少，蒸发强烈，植被稀疏，是生态环境异常脆弱的地区，也是最容易受全球变化影响的地区. 根据前人研究[29]和区域自然地理差异，将西北干旱区分为：阿尔泰山脉、准噶尔盆地、天山北麓、天山南麓、塔里木盆地、昆仑山脉、吐哈盆地、河西走廊及阿拉善高原共9个亚区（图 1）.
|
图 1 西北干旱区示意 Fig. 1 Schematic of the arid region of northwest China |
NDVI（normalized difference vegetation index）数据来源于国家青藏高原科学数据中心（https://doi.org/10.11888/Terre.tpdc.300328.）中国区域250米归一化植被指数数据集（2000-2022）产品[30]，空间分辨率为250 m，采用月最大值方式合成. DEM来源于GEE平台（https://earthengine.google.com/）的SRTM数据，其空间分辨率为90 m，气温和降水数据来源于GEE平台的TerraClimate数据，其空间分辨率为4 638.3 m（约0.04°）；人口密度来源于GEE平台的WorldPop数据，其空间分辨为100 m；夜间灯光数据来源于国家青藏高原科学数据中心（https://cstr.cn/18406.11.Socioeco.tpdc.271202.），空间分辨率为1 km；土地利用数据来源于GEE平台的MCD12Q1数据，其空间分辨率为500 m；将以上数据统一空间分辨率重采样为250 m，保持与NDVI数据空间分辨率一致，以便进一步空间分析.
1.3 研究方法 1.3.1 像元二分模型FVC反演采用基于归一化植被指数像元二分模型，根据IGBP20分类标准划分的不同土地利用类型确定纯植被像元值和纯裸土像元值，分别赋予不同
| (1) |
式中，
变异系数（coefficient of variation，CV）用来比较平均数计算中不同样本数据的波动程度，表达标准差和平均值之间的离散程度. 使用变异系数分析2000~2022年FVC的波动及整体植被的变化. 其公式为：
| (2) |
式中，CV为变异系数；
采用Sen's slope+Mann-Kendall方法进行西北干旱区FVC趋势分析，其中Sen's slope是通过线性回归分析计算时间序列数据的趋势，Mann-Kendall属于非参数检验方法，不需要样本遵从一定的分布，受异常值干扰小，更适合长时间序列变量，两者结合可以更全面地分析植被变化趋势，既考虑了时间序列数据的线性变化，又考虑了非线性变化. 若两者均上升或下降，表明该时间序列呈现上升或下降趋势[34]. 其公式为：
| (3) |
式中，ƒ为FVC时间序列值，
Mann-Kendall（MK）检验中，在给定显著性水平下，当
|
表 1 Mann-Kendall（MK）趋势检验等级划分 Table 1 Ranking of Mann-Kendall (MK) trend tests |
1.3.4 未来预测
重标极差分析法（rescaled range analysis，R/S），是定量描述可以反映出时间序列的可持续性，该方法通过Hurst指数（H，预测值）来表征西北干旱区FVC未来的变化趋势，其取值0~1之间：若H=0.5，表明时间序列是随机性的，即未来变化趋势与过去无关. 若0.5 < H < 1：表示时间序列是连续的，西北干旱区FVC未来变化趋势与当前的趋势一致，H越接近于1，其持续性越强. 若0 < H < 0.5：则表示时间序列是反连续的，西北干旱区FVC未来的趋势与现在相反，H越接近于0，反持续性越强[36].
1.3.5 地理探测器地理探测器是针对空间异质性和量化驱动因素影响的空间统计方法，传统的地理探测器模型对连续的影响因子进行离散化时存在一定的主观干扰，本研究采用最优参数地理探测器（OPGD）方法，运用R语言“GD”包中的相等间隔法、自然间断点法、分位数分类法、几何间隔法和标准差法这5种方法，地理探测器模型根据数据形式找到每一个连续变量对应的最优离散化方法，同时还对每一个变量的分类数量加以寻优，从中找到最优结果对应的类别数量[37]. 在西北干旱区整个区域的众多影响因子中，经过多次寻优过程可得，在2020年中，当降水使用自然断点法分为8级、气温使用相等间隔法分为6级、DEM采用自然断点法分为9级、LUCC采用分位数分类法分为5级、夜间灯光采用标准差法分为10级以及人口因素采用分位数分类法分为8级时，以上因子的q达到最大值并趋于稳定，与此类似，在各亚区内不同时间q值具有差异性. 地理探测器包含因子探测、交互式探测、风险探测和生态探测这4个模式，本文中主要使用因子探测和交互探测，因子探测用于因子y与x对属性y的空间分异性的解释力，其公式为：
| (4) |
式中，q为某指标的空间异质性；
交互探测主要分析评价指标之间相互作用的强度，用来判断
23 a间，西北干旱区FVC空间分布差异明显，呈条带状分布规律，如图 2（a）所示，植被低覆盖的区域面积占比最大，为76%，研究区内植被覆盖度处于较低水平，低植被覆盖区主要分布于塔里木盆地、吐哈盆地、准噶尔盆地和阿拉善高原等区域；相反，高植被覆盖区仅有7%的面积，主要分布在阿尔泰山脉、天山北麓和天山南麓等，在整个西北干旱区中，高植被分布在海拔较高的山系中较多，另外，在山前冲积扇形成的绿洲区域FVC也出现较高的趋势.整体上，西北干旱区FVC在空间呈现“北部大于南部，西北高于东南，山区高于盆地”的空间格局.
|
图 2 西北干旱区FVC多年均值与时空变化 Fig. 2 Annual mean and temporal and spatial variations of FVC in the arid region of northwest China |
23 a间，西北干旱区FVC呈现波动上升趋势，如图 2（b）所示，从2000年0.17上升到2022年的0.21，增长幅度为23.92%，FVC多年均值为0.19. 西北干旱区亚区FVC多年均值由大到小依次为：天山北麓（0.60）、阿尔泰山脉（0.51）、天山南麓（0.33）、准噶尔盆地（0.23）、河西走廊（0.15）、昆仑山脉（0.11）、阿拉善高原（0.10）、塔里木盆地（0.09）和吐哈盆地（0.08），其中天山北麓的FVC最高，为0.60，其次为阿尔泰山脉，为0.51，而吐哈盆地FVC仅为0.08，该地属于极端干旱区，绿洲面积较小，植被稀疏，生态环境极为脆弱；在九大区域中，FVC增幅大小水平依次为：塔里木盆地（56%）、昆仑山脉（49%）、阿拉善高原（45%）、准噶尔盆地（38%）、吐哈盆地（35%）、河西走廊（31%）、天山南麓（10%）、阿尔泰山脉（6%）和天山北麓（4%），其中，塔里木盆地增幅最大，为56.31%，天山北麓最小，为3.64%，表明FVC较高的山区多年间增幅较小且处于稳定状态，而在FVC较为脆弱的区域增幅持续上升，如塔里木盆地、昆仑山脉和阿拉善高原生态环境改善较为明显.
2.2 FVC变化趋势稳定性及其未来持续性分析通过Sen+MK趋势方法检验FVC时空变化，如图 3（a）所示，整体上，西北干旱区FVC呈显著上升趋势. 极显著上升面积最大，为25%，主要分布在阿拉善高原、昆仑山脉、河西走廊、吐哈盆地和天山南麓，其中，在阿拉善高原，极显著上升占比最大，为36.8%，极显著下降占比最小，为0.1%；在昆仑山脉，极显著上升占比最大，为35.8%，微显著下降占比最小，为0.1%；在河西走廊，极显著上升占比最大，为30.7%，微显著下降占比最小，为0.6%；在吐哈盆地，极显著上升占比最大，为28.8%，微显著下降占比最小，为0.5%；在天山南麓，极显著上升占比最大，为26.1%，极显著下降占比最小，为0.6%. 而在阿勒泰山脉，不显著上升占比最大，为38.9%，极显著下降占比最小，为1.3%；在准噶尔盆地，不显著上升占比最大，为32.1%，极显著下降占比最小，为0.4%. 在天山北麓，无变化占比最大，为31.5%，微显著下降占比最小，为1.3%；在塔里木盆地，无变化占比最大，为32.2%，微显著下降占比最小，为0.4%；在不同的区域中，准噶尔盆地和阿勒泰山脉不显著上升面积最大，而在塔里木盆地和天山北麓无变化面积最大. 总体来看，西北干旱区FVC上升面积占比67%，而下降趋势面积占比11%，另外有22%的面积呈现无变化趋势，主要分布在塔里木盆地中心与边界的缓冲地带.
|
（a）~（d）分别表示西北干旱区Sen+MK趋势空间分布、CV空间分布、H指数空间分布和其对应的面积占比统计 图 3 西北干旱区Sen+MK趋势、CV和Hurst指数空间分布 Fig. 3 Spatial distribution of Sen+MK trend, CV, and H index in the arid region of northwest China |
根据已有的分级原则，将西北干旱区的FVC变异系数分为5级[图 3（b）]，分别为高波动率（0.8~1）、相对高波动率（0.6~0.8）、中波动率（0.4~0.6）、相对低波动率（0.2~0.4）和低波动率（0~0.2）. 高波动率主要分布在塔里木盆地及昆仑山脉北部，FVC变异性较大，而波动最低的区域主要分布在阿勒泰山脉、阿拉善高原西部、天山北麓和天山南麓西部、准噶尔盆地中部，表明该区域FVC变化较为稳定. 整体上，低波动率的区域占比最高[图 3（d）]，相对低波动率的区域占比为24%，而只有1%的面积处于高波动率区域. 西北干旱区FVC波动普遍较低，整体处于稳定状态，其稳定面积占比为66.7%.
进一步揭示FVC未来的持续变化情况[图 3（c）]，西北干旱区H指数平均值为0.58，整体上呈现正向持续发展，其中81%的区域H指数大于0.5，而18%区域FVC呈现反向变化趋势. 结合图 3（a），昆仑山脉、塔里木盆地北部、天山南麓西部、准噶尔盆地东部和河西走廊西南部的FVC未来将会持续显著上升；在准噶尔盆地北部、塔里木盆地中部及东部、河西走廊北部、阿尔泰山脉西部、天山北麓西部等区域，FVC在未来与现在呈反向发展趋势.
2.3 FVC变化驱动因素探究根据西北干旱区自然特征和人为发展因素，选取地形、气温和降水为自然因素，夜间灯光、土地利用和人口为人为因素，分段对2001年、2005年、2010年、2015年和2020年这5个年份进行影响因素分析，其中2020年驱动因素数据分别为DEM、气温、降水、夜间灯光、土地利用和人口（图 4），将采用地理探测器模型进行不同因素和不同区域探究.
|
图 4 2020年西北干旱区FVC影响因素空间分布 Fig. 4 Spatial distribution of FVC influencing factors in the arid region of northwest China in 2020 |
基于地理探测器模型进行因子探测分析，从5个年份的6个因素对FVC影响程度q值可得（图 5），对于吐哈盆地而言[图 5（a）]，DEM的q值最高，而LUCC的q值最小，对于其他区域[图5（b）~5（i）]，其LUCC的q最高，而夜间灯光的q值最小. 在不同的亚区中，塔里木盆地[图 5（e）]的各因子q值波动幅度最为稳定，波幅为0.09，说明各驱动因素对FVC的影响程度在不同年份大小一致，其中LUCC的q值最大，DEM的q值最小；而在准噶尔盆地[图 5（b）]和昆仑山脉[图 5（f）]中的夜间灯光中以及阿拉善高原[图 5（h）]中的PRE在不同的年份中波动较大；而阿拉善高原影响FVC的降水因素的q值同样呈现增加的趋势，在2020年降水因素已经超过其他因素成为主要驱动力. 对于整个西北干旱区来说[图 5（j）]，LUCC的q值整体高于其他因子，尤其在2015年为最高，其q值为0.73，表明LUCC的空间异质性最明显，其次为2010年的POP因子，其q值为0.28，夜间灯光因子的q值最小，尤其在2001年，其q值为0.02；多年各因子的q均值解释力排序依次为：LUCC > POP > PRE > TMP > DEM > PANDA.
|
（a）~（j）分别表示吐哈盆地、准噶尔盆地、天山南麓、天山北麓、塔里木盆地、昆仑山脉、河西走廊、阿拉善高原、阿尔泰山脉和西北干旱区；LUCC：土地利用，PANDA：夜间灯光，POP：人口，TMP：气温，PRE：降水，下同 图 5 西北干旱区FVC时空变化地理探测器q值 Fig. 5 The q-values of FVC driving factors in the arid region of northwest China |
从不同区域来看，如图 6所示，对于吐哈盆地而言[图6（a1）~6（a5）]，2001~2020年间，气温与人口、气温与地形、以及降水与气温因素的共同作用下对吐哈盆地FVC影响程度最大，q均值为0.82，而夜间灯光与土地利用、土地利用与地形的共同作用下对吐哈盆地FVC的影响程度最小，q均值为0.13；对准噶尔盆地来说[图6（b1）~6（b5）]，2001~2020年间，降水与土地利用、土地利用与地形、地形与人口和夜间灯光与土地利用因素的共同作用下对准噶尔盆地FVC影响程度最大，q均值为0.76，而夜间灯光与人口、夜间灯光与地形、气温与夜间灯光和气温与降水的共同作用下对准噶尔盆地FVC的影响程度最小，q均值为0.29；对天山南麓来说[图6（c1）~6（c5）]，2001~2020年间，土地利用与地形、土地利用与人口因素的共同作用下对天山南麓FVC影响程度最大，q均值为0.72，而夜间灯光与人口的共同作用下对天山南麓FVC的影响程度最小，q均值为0.14；对天山北麓来说[图6（d1）~6（d5）]，2001~2020年间，降水与地形、气温与土地利用、土地利用与地形和土地利用与人口因素的共同作用下对天山北麓FVC影响程度最大，q均值为0.79，而夜间灯光与人口、降水与夜间灯光的共同作用下对天山北麓FVC的影响程度最小，q均值为0.29；对塔里木盆地来说[图6（e1）~6（e5）]，2001~2020年间，降水与土地利用、人口与土地利用和气温与土地利用的共同作用下对塔里木盆地FVC影响程度最大，q均值为0.92，而灯光与地形、气温与夜间灯光和夜间灯光与人口的共同作用下对塔里木盆地FVC的影响程度最小，q均值为0.16；对昆仑山脉来说[图6（f1）~6（f5）]，2001~2020年间，地形与土地利用的共同作用下对昆仑山脉FVC影响程度最大，q均值为0.57，而气温与地形的共同作用下对昆仑山脉FVC的影响程度最小，q均值为0.21；对河西走廊来说[图6（g1）~6（g5）]，2001~2020年间，地形与土地利用、土地利用和气温、土地利用与降水和土地利用与夜间灯光的共同作用下对河西走廊FVC影响程度最大，q均值为0.85，而地形与夜间灯光、气温与地形和气温与夜间灯光的共同作用下对河西走廊FVC的影响程度最小，q均值为0.40；对阿拉善高原来说[图6（h1）~6（h5）]，2001~2020年间，地形与土地利用、土地利用与人口和土地利用与气温的共同作用下对阿拉善高原FVC影响程度最大，q均值为0.77，而气温与地形和地形与夜间灯光的共同作用下对阿拉善高原FVC的影响程度最小，q均值为0.10；对阿尔泰山脉来说[图6（i1）~6（i5）]，2001~2020年间，土地利用与气温、降水与地形和地形与土地利用的共同作用下对阿尔泰山脉FVC影响程度最大，q均值为0.84，而人口与夜间灯光的共同作用下对阿尔泰山脉FVC的影响程度最小，q均值为0.19.对于整个西北干旱区来说[图6（j1）~6（j5）]，2001~2020年间，地形与土地利用和气温与土地利用因素的共同作用下对西北干旱区FVC影响程度最大，q均值为0.76，而地形与夜间灯光和人口与夜间灯光的共同作用下对西北干旱区FVC的影响程度最小，q均值为0.25.整体上，对于整个西北干旱区来说，地形与土地利用因素的共同作用下对西北干旱区FVC影响程度最大，而地形与夜间灯光的共同作用下对西北干旱区FVC的影响程度最小
|
（a）~（j）分别表示：吐哈盆地、准噶尔盆地、天山南麓、天山北麓、塔里木盆地、昆仑山脉、河西走廊、阿拉善高原、阿尔泰山脉和西北干旱区，1~5分别表示为：2001年、2005年、2010年、2015年和2020年 图 6 西北干旱区FVC时空变化驱动因素 Fig. 6 Drivers of spatial and temporal changes in FVC in the arid region of northwest China |
本研究基于时空变化、年际变化趋势、稳定程度、未来演变趋势和驱动因素特征等方法对西北干旱区FVC逐像元进行较为全面的分析. 结果表明，西北干旱区植被覆盖度整体呈显著增加趋势，2000~2022年间增速为23%，与MODIS数据集[13]和Landsat[27]数据集相比，文中所用的FVC数据[38]能够准确分析西北干旱区的植被时空变化情况，本研究结果与以往研究者[13，15]针对不同区域的探究吻合. 不同区域的FVC整体上显著改善，但有局部区域出现不同程度的退化. 其中，河西走廊呈西北低东南高、由东向西递减的空间分布特征，在2001年FVC最小，为0.11，2019年达到最大值，为0.18，呈稳步上升趋势，而在酒泉北部和阿拉善西部植被稀少，荒漠化较为严重，FVC呈下降趋势，由于气候干旱和不合理的人类活动使得植被退化[39]. 阿拉善高原呈现“东南-西北高，东北-西南低”的趋势，在巴丹吉林沙漠的南部，逐渐呈下降趋势，整体上FVC呈上升趋势. 新疆整体上FVC处于上升趋势，呈现“北疆优于南疆，山区优于平原”的空间格局，即阿尔泰山脉、准噶尔盆地、天山南麓和天山北麓整体上大于塔里木盆地、昆仑山脉和吐哈盆地；而天山北麓增幅最小，为3.64%，由于伊犁河流域位于天山北麓，根据以往研究对伊犁河流域的研究，FVC显著性检验呈下降趋势[40]，这主要是由于当地农田和城市的扩大，同时草地面积的退化，造成了该地的FVC较少. FVC较高的草地和森林等类型中，多年间增幅小且较为稳定，而在FVC较为脆弱的裸地增幅持续较大，在一定程度上表明裸地的绿化程度逐步增加. 由于南北疆海拔地形、地理单元和水热分区等，使得植被生长特性不同，从而导致植被呈现不同的地理空间分布格局[13]，北疆气候湿润，降水较为充足，使得植被覆盖高，而植被绿化[41]和蒸散发[42]的增加，是西北干旱区暖湿化的具体表现，灌溉耕地面积的增加[43]和农田管理技术提升[44]也直接影响着植被生态的变化.
3.2 西北干旱区FVC驱动力分析在地理探测器驱动因素分析中，基于因子探测中，不同的亚区呈现不同的影响趋势，在准噶尔盆地和昆仑山脉的夜间灯光的q值波动幅度较大，说明准噶尔盆地和昆仑山脉随着时间的推移，影响FVC的夜间灯光因素增长速度加快，能够间接表达出该地区城市化水平在提高，人口活动加大，准噶尔盆地的降水因子波动也较大，但随着时间变化q值呈现逐渐下降的趋势，而夜间灯光的影响力在上升，尽管出现这种明显的波动，但LUCC因子一直为主导解释力且比较稳定；阿拉善高原的降水因素波动较大，q值也呈现逐年增加趋势，随着西北暖湿化，在阿拉善高原FVC的影响因子降水的q值增加较为明显.在整个区域的各亚区中LUCC因子均为主导因子，唯独在吐哈盆地中，LUCC因子q值最小，表明空间异质性最弱，由于吐哈盆地近20多年FVC均值最小，其中87.2%的面积为裸地，植被覆盖率极低，影响FVC的因素主要为DEM，其次为气温.基于交互探测，在吐哈盆地中，气温和人口的相互影响力最大，土地利用和地形最小；对于准噶尔盆地，土地利用和降水的相互驱动力最大，夜间灯光和气温最小；在天山南麓中，土地利用和地形最大，而人口和夜间灯光驱动力影响程度最小；在天山北麓中，降水与地形的相互影响最大，人口和夜间灯光影响程度最小；在塔里木盆地，人口与土地利用最大，夜间灯光与地形最小；在昆仑山脉，地形与土地利用最大，气温与地形最小；在河西走廊，土地利用和夜间灯光最大，地形和气温最小；在阿拉善高原，人口和土地利用最大，地形和气温最小；在阿尔泰山脉中，土地利用与气温最大，人口和夜间灯光最小.选用土地利用、降水、地形、气温、人口和夜间灯光为FVC时空变化的影响因子进行分析，结果表明，在整个西北干旱区中，地形与土地利用的相互驱动作用最大，而地形与夜间灯光相互影响力最小，结果与以往研究一致[27，28]，土地利用变化成为主导因素，凸显了人类活动的重要性，西北干旱区人类居住区基本位于9.7%面积的绿洲中，因而在整个研究区中地形和夜间灯光的相互作用的影响程度最小.土地利用类型和地形对植被覆盖度具有明显的差异性，山脉众多是西北干旱区最大的地理特征，天山山脉、昆仑山脉、阿尔泰山脉和祁连山脉等各大山脉体系庞大、错综复杂，形成了不同的自然地貌，因而成为植被覆盖的重要影响因素，尤其在高大山体中的冰雪、水体和裸露的碎石等地表类型上不存在植被覆盖，在裸地上植被覆盖度极小，而植被覆盖度最大的区域主要处于森林、草地和农田等地表类型中[13]，因而FVC的增减同时取决于土地利用类型的变化.影响因子的选择对FVC的具体驱动力探究至关重要，本研究采取自然因素和人为因素相结合，来揭示西北干旱区FVC变化驱动力，若将影响因素的气候因素进行更为详细的挖掘[21]，同时考虑蒸散发[20]以及土壤类型[27，45]将得到更全面的数据支撑.
3.3 西北干旱区FVC未来变化趋势选取了Hurst指数对FVC未来时空发展情况进行预测，准确预判未来的演变趋势，在昆仑山脉、塔里木盆地北部、天山南麓西部、准噶尔盆地东部和河西走廊西南部等区域中，FVC未来将会持续显著上升，植被情况不断改善；而FVC在未来与现在呈反向发展趋势的区域，主要位于在准噶尔盆地北部、塔里木盆地中部及东部、河西走廊北部，阿尔泰山脉西部、天山北麓西部等，以上区域在2000~2022年间基本呈现无变化或下降的趋势，对应的预测值H < 0.5，说明未来以上区域FVC将出现逐渐增长的迹象. 概而言之，在西北干旱区，无论当前FVC呈上升的区域，或者当前呈下降的区域，FVC在未来均有不断改善的趋势. 预测方法的选择对植被和生态具有重要的警示和预告作用，在以后研究可以考虑结合使用未来土地利用模拟（FLUS）对FVC的趋势预测[22，46]，同时，加入气象干旱指数因素，因为气象干旱也会造成植被的显著变化[47]，这样将更加全面地预判分析FVC未来的变化情况.
4 结论（1）2000~2022年，西北干旱区亚区FVC整体呈上升趋势，增长幅度为23.92%. FVC大小依次为：天山北麓 > 阿尔泰山脉 > 天山南麓 > 准噶尔盆地 > 河西走廊 > 昆仑山脉 > 阿拉善高原 > 塔里木盆地 > 吐哈盆地；在九大区域中，FVC增幅大小依次为：塔里木盆地 > 昆仑山脉 > 阿拉善高原 > 准噶尔盆地 > 吐哈盆地 > 河西走廊 > 西北干旱区 > 天山南麓 > 阿尔泰山脉 > 天山北麓，其中，塔里木盆地的增幅最大，为56.31%，天山北麓最小，为3.64%，西北干旱区内部各区域之间具有显著的地域差异.
（2）2000~2022年，整体上西北干旱区FVC呈现显著上升趋势，其面积占比67%，主要分布在阿拉善高原、昆仑山脉和河西走廊等区域；FVC变异系数较为稳定，其面积占比为66.7%，主要分布在阿勒泰山脉、阿拉善高原西部、天山北麓和天山南麓西部、准噶尔盆地中部；H指数表明，有81%的面积H指数大于0.5，主要分布在昆仑山脉、塔里木盆地北部、天山南麓西部、准噶尔盆地东部和河西走廊西南部等地区，表明FVC未来整体上呈现正向持续发展.
（3）在驱动力分析中，除了吐哈盆地的DEM因素的解释力最高，LUCC因素的解释力最小之外，其他亚区的LUCC因素的解释力最高，而夜间灯光的解释力最小；在交互探测中，地形与土地利用以及气温与土地利用因素的共同作用下对西北干旱区FVC影响程度最大，q均值为0.76，而地形与夜间灯光和人口与夜间灯光的共同作用下对西北干旱区FVC的影响程度最小，q均值为0.25，另外在不同的亚区和不同年份呈现不同的影响程度.
| [1] | Afuye G A, Kalumba A M, Busayo E T, et al. A bibliometric review of vegetation response to climate change[J]. Environmental Science and Pollution Research, 2022, 29(13): 18578-18590. DOI:10.1007/s11356-021-16319-7 |
| [2] | Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107. DOI:10.1016/0034-4257(95)00186-7 |
| [3] | Zhang Y H, Ye A Z. Quantitatively distinguishing the impact of climate change and human activities on vegetation in mainland China with the improved residual method[J]. GIScience & Remote Sensing, 2021, 58(2): 235-260. |
| [4] |
于惠, 吴玉锋, 金毅, 等. 河西干旱区植被覆盖度时空格局分析[J]. 草业科学, 2019, 36(3): 623-631. Yu H, Wu Y F, Jin Y, et al. Analysis of the spatio-temporal patterns of vegetation fractional coverage in the Hexi arid area[J]. Pratacultural Science, 2019, 36(3): 623-631. |
| [5] |
闫志远, 张圣微, 王怡璇. 基于GEE的1982-2021年内蒙古地区植被覆盖度时空动态及气候响应特征[J]. 农业工程学报, 2023, 39(15): 94-102. Yan Z Y, Zhang S W, Wang Y X. Spatiotemporal dynamics of fractional vegetation cover and climate response in Inner Mongolia during 1982-2021 based on GEE[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(15): 94-102. |
| [6] |
塞米热•吾斯曼, 杨涵, 钟瑞森, 等. 伊犁河三角洲植被覆盖度时空变化特征及影响因素[J/OL]. 水生态学杂志, 2024: 1-11. https://doi.org/10.15928/j.1674-3075.202312150382, 2024-12-03. Saimire·W, Yang H, Zhong R S. Characterization of spatial and temporal changes and influencing factors in vegetation cover in the Ili River delta[J/OL]. Journal of Hydroecology, 2024: 1-11. https://doi.org/10.15928/j.1674-3075.202312150382, 2024-12-03. |
| [7] |
张元梅, 孙桂丽, 鲁艳, 等. 气候变化和人类活动对环塔里木盆地植被覆盖度的影响[J]. 东北林业大学学报, 2024, 52(5): 75-81. Zhang Y M, Sun G L, Lu Y, et al. Effects of climate change and human activities on vegetation coverage in Ring Tarim Basin[J]. Journal of Northeast Forestry University, 2024, 52(5): 75-81. |
| [8] |
袁江龙, 赵宏慧, 刘晓煌, 等. 2000-2020年昆仑山植被覆盖度时空变化驱动力分析及生态评价[J]. 中国地质, 2024, 51(6): 1822-1838. Yuan J L, Zhao H H, Liu X H, et al. Driving force analysis and ecological assessment of spatiotemporal changes in vegetation cover in the Kunlun Mountains from 2000 to 2020[J]. Geology in China, 2024, 51(6): 1822-1838. |
| [9] |
戴晓爱, 马佳欣, 唐艺菱, 等. 甘肃省植被时空动态变化及其归因分析[J]. 生态环境学报, 2024, 33(8): 1163-1173. Dai X A, Ma J X, Tang Y L, et al. Spatio-temporal dynamics and attribution analysis of vegetation in Gansu province[J]. Ecology and Environmental Sciences, 2024, 33(8): 1163-1173. |
| [10] |
方春爽, 朱睿, 卢睿, 等. 基于GEE的石羊河流域植被覆盖变化特征及其影响因素分析[J]. 遥感技术与应用, 2023, 38(5): 1167-1179. Fang C S, Zhu R, Lu R, et al. Analysis of vegetation cover change characteristics and influencing factors in the Shiyang River basin based on GEE[J]. Remote Sensing Technology and Application, 2023, 38(5): 1167-1179. |
| [11] |
吴瀚, 白洁, 李均力, 等. 新疆地区植被覆盖度时空变化及其影响因素分析[J]. 植物生态学报, 2024, 48(1): 41-55. Wu H, Bai J, Li J L, et al. Study of spatio-temporal variation in fractional vegetation cover and its influencing factors in Xinjiang, China[J]. Chinese Journal of Plant Ecology, 2024, 48(1): 41-55. |
| [12] |
姜凯升, 刘宇, 刘英, 等. 西北地区植被覆盖度与气候因子响应关系探究[J]. 测绘科学, 2023, 48(6): 172-180. Jiang K S, Liu Y, Liu Y, et al. Research on the relationship between vegetation coverage and climate factor response in Northwest China[J]. Science of Surveying and Mapping, 2023, 48(6): 172-180. |
| [13] |
陈以恒, 玉素甫江·如素力, 阿卜杜热合曼·吾斯曼. 2001-2020年天山新疆段草地植被覆盖度时空变化及驱动因素分析[J]. 植物生态学报, 2024, 48(5): 561-576. Chen Y H, Rusuli Y, Wusiman A. Analysis of spatial and temporal variation in grassland vegetation cover in Xinjiang section of Tianshan Mountains and the driving factors from 2001 to 2020[J]. Chinese Journal of Plant Ecology, 2024, 48(5): 561-576. |
| [14] |
郝鑫怡, 张喆, 郑浩, 等. 天山北坡经济带植被覆盖度动态变化研究[J]. 中国环境科学, 2024, 44(2): 1020-1031. Hao X Y, Zhang Z, Zheng H, et al. Dynamic change of vegetation cover in the economic zone of the northern slopes of Tianshan Mountains[J]. China Environmental Science, 2024, 44(2): 1020-1031. |
| [15] | Zuo Y F, Li Y H, He K N, et al. Temporal and spatial variation characteristics of vegetation coverage and quantitative analysis of its potential driving forces in the Qilian Mountains, China, 2000-2020[J]. Ecological Indicators, 2022, 143. DOI:10.1016/j.ecolind.2022.109429 |
| [16] |
姜永涛, 王丽美, 高松峰, 等. 2000~2022年南水北调中线工程水源区植被覆盖度变化及其归因[J]. 环境科学, 2025, 46(6): 3009-3020. Jiang Y T, Wang L M, Gao S F, et al. Dynamics and attribution of vegetation coverage in the water-source area of the central south-to-north water diversion from 2000 to 2022[J]. Environmental Science, 2025, 46(6): 3009-3020. |
| [17] |
杨晓玲, 丁文魁, 周华, 等. 石羊河流域归一化植被指数变化及其驱动因子分析[J]. 干旱区地理, 2024, 47(10): 1735-1744. Yang X L, Ding W K, Zhou H, et al. Normalized difference vegetation index change and its driving factors in Shiyang River Basin[J]. Arid Land Geography, 2024, 47(10): 1735-1744. |
| [18] |
庞娇, 郭欣雨, 李晨阳, 等. 京津冀生态屏障区植被覆盖时空演变驱动力定量解析[J]. 环境科学, 2025, 46(7): 4370-4381. Pang J, Guo X Y, Li C Y, et al. Quantitative analysis of the drivers of spatial and temporal evolution of vegetation cover in the Beijing-Tianjin-Hebei ecological barrier area[J]. Environmental Science, 2025, 46(7): 4370-4381. |
| [19] |
赵胜楠, 王宇, 乔旭宁, 等. 1987-2021年淮河流域FVC时空变化与驱动因素分析[J]. 农业机械学报, 2023, 54(4): 180-190. Zhao S N, Wang Y, Qiao X N, et al. Spatiotemporal Variation and Driving Factors for FVC in Huaihe River Basin from 1987 to 2021[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(4): 180-190. |
| [20] |
白晓, 黄千翔, 田丹, 等. 黄土高原草原区草地退化时空演变及其驱动因素分析[J]. 环境科学, 2025, 46(4): 2363-2372. Bai X, Huang Q X, Tian D, et al. Spatiotemporal evolution patterns of grassland degradation and Its driving factors on the Loess Plateau[J]. Environmental Science, 2025, 46(4): 2363-2372. |
| [21] |
杨鹏辉, 田佳, 张楠, 等. 1990-2022年黄河流域植被时空变化特征及未来趋势预测[J]. 生态学报, 2024, 44(19): 8542-8553. Yang P H, Tian J, Zhang N, et al. Characteristics of spatio-temporal changes and future trends forecast of vegetation cover in the Yellow River Basin from 1990 to 2022[J]. Acta Ecologica Sinica, 2024, 44(19): 8542-8553. |
| [22] | Yuan X G, Liu S R, Feng W, et al. Feature importance ranking of random forest-based end-to-end learning algorithm[J]. Remote Sensing, 2023, 15(21). DOI:10.3390/rs15215203 |
| [23] | Bi X, Yao Y, Wang Z C, et al. Improving monitoring Karst rocky desertification using high-frequency Landsat observations: a generalized framework and its application to a typical karst region in southeast China[J]. CATENA, 2024, 241. DOI:10.1016/j.catena.2024.108045 |
| [24] |
邢贞相, 喻熠, 李凤昱, 等. 建三江主要作物需水量变化趋势与关键影响因子识别[J]. 农业机械学报, 2022, 53(7): 308-315, 346. Xing Z X, Yu Y, Li F Y, et al. Change trend and key influencing factors identification of main crops water demand in Jiansanjiang[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(7): 308-315, 346. |
| [25] |
解铭威, 周慧荻, 陈耸, 等. 2000-2020年山西省吕梁市土地利用时空变化及其驱动因素[J]. 水土保持通报, 2024, 44(3): 296-306. Xie M W, Zhou H D, Chen S, et al. Spatiotemporal evolution of land use and its driving forces in Lüliang City of Shanxi Province[J]. Bulletin of Soil and Water Conservation, 2024, 44(3): 296-306. |
| [26] | Zhou Q L, Chen W, Wang H T, et al. Spatiotemporal evolution and driving factors analysis of fractional vegetation coverage in the arid region of Northwest China[J]. Science of the Total Environment, 2024, 954. DOI:10.1016/j.scitotenv.2024.176271 |
| [27] |
焦岩, 闫峰, 卢琦, 等. 西北干旱区绿洲时空变化及驱动力[J]. 应用生态学报, 2024, 35(8): 2206-2216. Jiao Y, Yan F, Lu Q, et al. Spatiotemporal variation and driving factors of oases in the arid region of Northwest China[J]. Chinese Journal of Applied Ecology, 2024, 35(8): 2206-2216. |
| [28] |
张学渊, 魏伟, 周亮, 等. 西北干旱区生态脆弱性时空演变分析[J]. 生态学报, 2021, 41(12): 4707-4719. Zhang X Y, Wei W, Zhou L, et al. Analysis on spatio-temporal evolution of ecological vulnerability in arid areas of Northwest China[J]. Acta Ecologica Sinica, 2021, 41(12): 4707-4719. |
| [29] |
姚俊强, 杨青, 刘志辉, 等. 中国西北干旱区降水时空分布特征[J]. 生态学报, 2015, 35(17): 5846-5855. Yan J Q, Yang Q, Liu Z H, et al. Spatio-temporal change of precipitation in arid region of the Northwest China[J]. Acta Ecologica Sinica, 2015, 35(17): 5846-5855. |
| [30] |
高吉喜, 史园莉, 张宏伟, 等. 中国区域250米植被覆盖度数据集(2000-2022)[DB/OL]. 国家青藏高原数据中心, 2023, https://doi.org/10.11888/Terre.tpdc.300330. Gao J X, Shi Y L, Zhang H W, et al. China regional 250m fractional vegetation cover data set (2000-2022)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center, 2023, https://doi.org/10.11888/Terre.tpdc.300330. |
| [31] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on Remote Sensing[J]. Chinese Journal of Plant Ecology, 2007, 31(3): 413-424. |
| [32] | 吴炳方, 曾源, 赵旦. 中国生态参数遥感监测方法及其变化格局[M]. 北京: 科学出版社, 2019. |
| [33] | 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. DOI:10.1016/j.ecolind.2023.111529 |
| [34] | Hill M J, Guerschman J P. Global trends in vegetation fractional cover: hotspots for change in bare soil and non-photosynthetic vegetation[J]. Agriculture, 2022, 324. DOI:10.1016/j.agee.2021.107719 |
| [35] |
廖洪圣, 卫伟, 陈乐, 等. 典型黄土丘陵沟壑区生境质量时空变化及驱动力: 以祖厉河流域为例[J]. 环境科学, 2024, 45(9): 5361-5371. Liao H S, Wei W, Chen L, et al. Spatial and temporal changes in habitat quality and driving forces in typical loess hill and gully areas: a case study of the Zuli River Basin[J]. Environmental Science, 2024, 45(9): 5361-5371. |
| [36] |
何旭刚, 买买提·沙吾提, 夏梓洋, 等. 1960-2020年新疆主要作物需水量时空特征分析[J]. 作物学报, 2023, 49(12): 3352-3363. He X G, Mamat S, Xia Z Y, et al. Spatio-temporal characteristics of water requirement of main crops in Xinjiang from 1960 to 2020[J]. Acta Agronomica Sinica, 2023, 49(12): 3352-3363. |
| [37] |
佘洁, 佘璐, 沈爱红, 等. 宁夏沿黄城市带植被覆盖度时空变化及驱动力分析[J]. 环境科学, 2024, 45(11): 6458-6476. She J, She L, Shen A H, et al. Spatiotemporal changes and driving force analysis of vegetation cover in the urban belt along the Yellow River in Ningxia[J]. Environmental Science, 2024, 45(11): 6458-6476. |
| [38] |
易文莹, 王海洋, 董明明, 等. 山东省不同水土保持区划NDVI变化及影响因素[J]. 环境科学, 2024, 45(9): 5329-5340. Yi W Y, Wang H Y, Dong M M, et al. NDVI Changes and Influencing Factors of Different Soil and Water Conservation Zones in Shandong Province[J]. Environmental Science, 2024, 45(9): 5329-5340. |
| [39] | Gan L, Halik Ü, Shi L, et al. Multi-scenario dynamic prediction of ecological risk assessment in an arid area of northwest China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110727 |
| [40] |
陈发虎, 谢亭亭, 杨钰杰, 等. 我国西北干旱区"暖湿化"问题及其未来趋势讨论[J]. 中国科学: 地球科学, 2023, 66(6): 1246-1262. Chen F H, Xie T T, Yang Y J, et al. Discussion of the "warming and wetting" trend and its future variation in the drylands of Northwest China under global warming[J]. Science China Earth Sciences, 2023, 66(6): 1241-1257. |
| [41] |
李雅倩, 杨建华, 夏皓斌, 等. 2000-2022年伊犁河流域植被时空变化特征[J]. 干旱区地理, 2024, 47(5): 741-752. Li Y Q, Yang J H, Xia H B, et al. Spatiotemporal variations of vegetation in the Ili River Basin from 2000 to 2022[J]. Arid Land Geography, 2024, 47(5): 741-752. |
| [42] | Zhu Y X, Zheng Z T, Zhao G, et al. Evapotranspiration increase is more sensitive to vegetation greening than to vegetation type conversion in arid and semi-arid regions of China[J]. Global and Planetary Change, 2025, 244. DOI:10.1016/j.gloplacha.2024.104634 |
| [43] | Lu X Y, Zhang L, Davies W J, et al. Irrigation expansion has kept pace with the CO2 fertilization effect on vegetation growth in a typical arid region[J]. Environmental Sciences Europe, 2024, 36(1). DOI:10.1186/s12302-024-00852-6 |
| [44] | Bai J, Li J L, Bao A M, et al. Spatial-temporal variations of ecological vulnerability in the Tarim River Basin, Northwest China[J]. Journal of Arid Land, 2021, 13(8): 814-834. DOI:10.1007/s40333-021-0079-0 |
| [45] | Dong H, Liu Y H, Cui J, et al. Spatial and temporal variations of vegetation cover and its influencing factors in Shandong Province based on GEE[J]. Environmental Monitoring and Assessment, 2023, 195(9). DOI:10.1007/s10661-023-11650-7 |
| [46] | Zhang W B, Ma L B, Li H B, et al. Trends in the future evolution of rural settlements in oasis-desert areas under water use simulation scenarios: take the Hexi Corridor region of China as an example[J]. Landscape and Urban Planning, 2024, 248. DOI:10.1016/j.landurbplan.2024.105110 |
| [47] | Cao S P, He Y, Zhang L F, et al. Spatiotemporal dynamics of vegetation net ecosystem productivity and Its response to drought in northwest China[J]. GIScience & Remote Sensing, 2023, 60(1). DOI:10.1080/15481603.2023.2194597 |