2026, Vol. 47
2. 水利部水土保持监测中心，北京 100053
, WANG Jia-yuan1 , SHI Ming-chang1
, LUO Zhi-dong2 , ZHAO Ze-kun1 , ZHANG Chu-rui1 , WU An-qi1
2. Monitoring Centre of Soil and Water Conservation, Ministry of Water Resources, Beijing 100053, China
植被作为陆地生态系统的重要组成部分之一，其覆盖度（fraction of vegetation cover，FVC）不仅是量化植被生长状态的关键指标[1]，更是直接映射植被固碳释氧、截留降水、防风固沙等生态服务质量的诊断性参数[2]. 全球视角下，FVC变化呈现区域差异性，部分区域植被覆盖度明显增加，而另一些区域则因气候干旱或人类活动影响而呈下降趋势[3]，以中国为例，自20世纪80年代以来，中国陆续实施了“三北”和长江等重点防护林体系建设、天然林资源保护和退耕还林等重大生态工程，植被覆盖度明显提升，为全球生态治理提供了范本[4]. 但在陆地-气候系统相互影响加剧变暖的背景下，受气候变化与人类活动的双重胁迫，温度和降水格局改变及极端气候事件正重塑植被分布边界[5]. 因此，探究FVC演变规律并识别关键驱动因素对提升生态系统韧性，应对极端气候挑战具有重要意义[6].
国内外学者基于各类分析方法对植被覆盖度时空分布规律和驱动因素进行了大量探索：Miao等[7]基于FVC数据，探讨了全球植被动态变化和空间分布模式；Anees等[8]分析了巴基斯坦2003~2013年植被动态变化和影响机制；Liu等[9]运用集成经验模态（ensemble empirical mode decomposition，EEMD）模型分析了中国西南地区植被动态与气候变化的时空异质性，强调了多时间尺度下气候因子对FVC的驱动作用；庞娇等[10]利用残差分析方法探究太行山-燕山地区植被覆盖度的时空变化特征，厘清了气候因子和人类活动对FVC的驱动机制. 然而，中国幅员辽阔，地形和气候等自然因子对FVC空间分异的影响在不同尺度表现出明显的差异性和规律性，现阶段研究多局限于短时间尺度，单一流域或城市群尺度，缺乏全国多气候带系统性比较；另一方面，上述研究方法普遍存在指标复杂、空间异质性解释力不足等局限，相较而言，地理探测器（Geodetector）能直接量化因子耦合效应，被广泛应用在生态环境领域，并展现出强大的解释力和适应性：Zang等[11]基于地理探测器探讨了中国黄河流域20 a来FVC变化；Qin等[12]使用地理探测器探讨了气候、水文和生物因素在中亚植被变化种的驱动机制；Zhao等[13]基于最优参数地理探测器模型对川南城市群FVC变化进行定量分析；周美林等[14]结合地理探测器分析了青海湖流域植被覆盖度时空变化特征，探讨了空间粒度对驱动因素及其相对贡献的影响. 均有效弥补了FVC驱动因素识别方法的科学性和准确性.
鉴于此，本研究利用1982~2022年长时间序列的归一化植被指数（normalized difference vegetation index，NDVI）数据，通过像元二分模型计算中国FVC，系统研究不同气候区FVC的多尺度时空演变特征，结合Theil-Sen-Mann-Kendall检验、Hurst指数、CV检验和地理探测器等方法，定量解析FVC空间分异的主导驱动因素及其耦合作用. 本研究旨在为区域差异化的生态恢复策略制定提供理论支撑，同时为应对气候变化和人类活动双重压力下的植被可持续管理提供科学依据.
1 材料与方法 1.1 研究区概况研究区地理范围：73°40′~135°05′E，3°51′~53°33′N，覆盖中国全域（图 1）. 中国地处欧亚大陆东缘，东临太平洋，国土面积约9.6×106 km2，具有明显的海陆梯度特征，地形格局呈现三级阶梯式分布：第一阶梯以青藏高原为主体（平均海拔 > 4 000 m）；第二阶梯涵盖云贵高原、黄土高原和内蒙古高原（海拔1 000~2 000 m）；第三阶梯主要由东部平原和低山丘陵构成（海拔 < 500 m），山地、高原和丘陵占国土总面积的67%. 复杂的地形结构通过动力抬升和雨影效应塑造了多样的气候类型[15]，气候特征呈现典型的季风气候主导格局，夏季受东南季风控制高温多雨，冬季受西北干冷气团影响寒冷少雨；年均温空间分异明显，遵循纬度地带性规律，随纬度增加而递减；年降水量自东南沿海向西北内陆呈指数递减，形成湿润-干旱过渡的经向梯度[16]. 为解析气候对植被覆盖度的调控作用，本研究参照《第三次气候变化国家评估报告》的区划方案[17]，将研究区划分为四大气候区：Ⅰ区（温带大陆性气候区）、Ⅱ区（温带季风气候区）、Ⅲ区（高寒青藏高原气候区）和Ⅳ区（亚热带季风气候区）. 其中，Ⅱ区东北部和Ⅳ区分布着以常绿阔叶林和针叶林为主的森林生态系统；Ⅰ区和Ⅲ区则以草原和高寒草甸为主；耕地资源集中分布在Ⅱ区东部平原，水热条件良好. 这种气候-地形-植被的协同分异为研究FVC的驱动机制提供了天然实验场.
|
该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图边界无修改，下同 图 1 研究区概况 Fig. 1 Study area |
植被覆盖度（FVC）数据基于美国国家航空航天局（NASA）发布的AVHRR GIMMS-3G+产品，通过像元二分模型计算生成，空间分辨率为0.083 3°，时间分辨率为15 d，时间跨度为1982~2022年[18]；气候数据来源于Terraclimate全球气候研究数据集，包括：降水（PRE）、气温（TMP）、风速（VS）、饱和水汽压差（VPD）、土壤湿度（SOIL）和向下短波辐射（SRAD），空间分辨率为4 km，时间跨度为1982~2022年[19]；土地利用来源于武汉大学土地利用（China Land Cover Dataset，CLCD）数据集，空间分辨率为30 m，时间跨度为1982~2022年[20]；地形数据基于航天飞机雷达地形测绘任务（SRTM）获取的SRTM DEM数据集，空间分辨率为90 m[21]；气候带分区数据来源于中国科学院资源环境科学与数据中心[17]；所有栅格数据在ArcGIS 10.8.1平台中进行统一预处理，包括研究区投影统一为China Albers Equal Area Conic，除土地利用数据，其余数据空间分辨率均重采样至1 km.
1.3 研究方法 1.3.1 FVC稳定性分析变异系数（coefficient of variation，CV）是一种用于评估长时间序列数据波动状态的统计指标，能够有效反映区域内环境变化的稳定性和相对分散性[22]. 本研究逐像元计算中国1982~2022年植被覆盖度（FVC）的变异系数，以量化FVC在长时间序列上的稳定性特征.
| (1) |
式中，CV表示FVC的变异系数，σ表示FVC的标准差，x表示FVC的平均值；CV值越高，表明数据离散度越高，FVC年际变化越大；CV值越低，意味着数据离散程度越低，年际变化越稳定. 其中变异系数以0.10、0.15、0.20和0.30为间隔划分为高、中高、中、中低和低这5个稳定性等级[23].
1.3.2 FVC持续性分析Hurst指数是一种基于长时序非函数周期的R/S分析（rescaled range analysis，RS）方法，能够有效描述时间序列的持续性或反持续性特征[24]. 本研究利用Hurst指数对中国植被覆盖度（FVC）的演变趋势进行定量表征，以揭示其未来变化的潜在规律. 具体而言，Hurst指数通过计算时间序列的重标极差与标准差的比值，量化FVC变化的长期依赖性和趋势特征：
| (2) |
式中，H表示Hurst指数；R表示子序列的极差（最大值与最小值之差）；S表示子序列的标准差；n表示子序列的长度. 当H为0.5时，表明FVC变化呈随机性；当0.5 < H < 1时，表明FVC变化具有持续性，即未来趋势与过去一致；当0 < H < 0.5时，表明FVC变化具有反持续性，即未来趋势可能与过去相反[24].
1.3.3 FVC变化趋势分析本研究中，采用Theil-Sen趋势估算方法计算中国FVC变化趋势，采用Mann-Kendall明显性检验判断其趋势的明显性. 二者结合，可以有效减少异常值对模型的影响，常用于长时间序列数据的趋势分析. Theil-Sen趋势分析法是一种非参数统计趋势分析方法：
| (3) |
式中，Slope 表示判断FVC变化趋势的斜率，Slope 正表示FVC呈增加趋势，Slope 负表示FVC呈减少趋势；
Mann-Kendall明显性检验同属非参数统计方法，当明显性水平为α时，若正态分布统计量
地理探测器（Geodetector）是一种基于空间分异理论的统计方法，能够从定量和定性两个维度全面解析地理现象的自变量与因变量之间的空间异质性，从而揭示其背后的驱动机制[27]. 该方法通过分异及因子探测、交互作用探测、风险区探测和生态探测4类模型，系统评估各驱动因子对研究对象的独立贡献及其耦合效应. 相较于传统的相关性分析方法，地理探测器能够更好地处理多因子耦合问题，尤其适用于揭示复杂环境背景下空间分异的驱动机制，因而在自然和社会科学领域得到广泛应用[28].
本研究基于地理探测器方法，结合研究区的环境特征，选取PRE、TMP、VS、SOIL、VPD、SRAD和DEM等7个关键变量，系统分析其对植被覆盖度的空间分异的驱动作用. 其中，分异及因子探测器用于量化各因子对FVC空间分异的独立解释力，识别主导驱动因子；交互探测器则用于揭示多因子间的耦合或拮抗效应，解析FVC空间分异的复杂驱动机制.
（1）分异及因子探测器
| (4) |
式中，h表示层数；L表示总层数；
（2）交互探测器 交互探测器可以反映不同驱动因素对FVC的耦合作用，以及交耦合用的解释力和类型，因子间的耦合作用分为非线性增强、双因子增强、非线性减弱、单因子减弱和独立这5类（表 1）[29].
|
表 1 交互探测器判断依据 Table 1 Interaction detectors criteria |
2 结果与分析 2.1 中国不同气候区域FVC的时空变化规律
基于1982~2022年中国FVC空间分布计算结果，将FVC划分为低（0~0.2）、中低（0.2~0.4）、中（0.4~0.6）、中高（0.6~0.8）和高（0.8~1.0）这5个等级. 由图 2可知，中国FVC总体呈现“西北低、东南高，中部空间分异”的特征，多年平均FVC值为0.317 7. 其中，Ⅰ区主要以干旱、半干旱和亚湿润干旱区为主，FVC值总体较低，中植被覆盖区域主要集中在大兴安岭东缘和呼伦贝尔沙地附近；Ⅱ区FVC值呈现波动变化，空间分异明显；Ⅲ区FVC值从西部和西北部向东部和东南部沿海拔呈阶梯状递增，植被覆盖度相对较低，以荒漠、草原或高寒植被为主；秦岭-淮河以南Ⅳ区植被生长状况最佳，总体呈现中和中高植被覆盖为主的分布特征，局部存在不同植被覆盖等级的波动变化.
|
图 2 1982~2022年中国典型气候区域平均FVC Fig. 2 Average FVC in typical climate regions of China from 1982 to 2022 |
对1982~2022年中国典型气候区域FVC的年际变化趋势进行线性回归分析（图 3），结果显示：1982~2022年中国年均FVC值保持在0.30~0.34之间，平均值为0.317 7，整体以0.03%·a-1的增速波动上升，其中1998~2004年出现下降趋势，平均FVC值在2004年降至0.301 7后逐渐恢复. 具体来看，Ⅱ区和Ⅳ区在充沛水热条件与深厚肥沃的土壤协同作用下，形成了优越的生态基底，植被覆盖度较好，FVC平均值分别为0.414 9和0.657 4，年均值分别保持在0.38~0.44和0.62~0.71之间，整体均呈上升趋势，Ⅱ区增速最快（约0.06%·a-1），FVC最低值（0.386 2）出现在2010年，Ⅳ区增速次之（约0.05%·a-1），FVC最低值（0.633 2）出现在2004年；受副热带高压下沉气流和远离水汽源的限制，Ⅰ区FVC最低值（0.093 9）出现在2006年；由于冰川退缩导致的土壤水分减少，Ⅲ区FVC最低值（0.137 7）出现在2008年.
|
图 3 1982~2022年中国典型气候区域平均FVC的年际变化 Fig. 3 Inter-annual variation of average FVC in typical climate regions from 1982 to 2022 |
为进一步分析中国各气候区FVC的时空变化，绘制了中国1982~2022年逐年FVC空间分布情况（图 4），并统计了各区域不同等级FVC面积占比（图 5）. 结果表明：中国总体植被覆盖度低、中低和中区域均呈下降趋势，减少比率分别为0.52%、1.12%和3.79%；中高植被覆盖等级区域呈上升趋势，总面积增加0.95%；高植被覆盖等级区域面积明显上升，总面积增加4.49%. 不同气候区：Ⅰ区低植被覆盖区域向中低、中和中高植被覆盖区域转移，低植被覆盖区域面积占比下降2.72%，中低、中和中高植被覆盖区域面积占比分别上升2.31%、0.36%和0.06%，生态工程的实施有效改善了荒漠-草原过渡带植被，但受限于水分条件，植被覆盖向高等级转化的幅度相对有限；Ⅱ区低和中低植被覆盖区域向中和中高植被覆盖区域转移，低和中低植被覆盖区域面积占比分别下降1.55%和7.25%，中和中高植被覆盖区域面积占比分别上升3.23%和5.56%，得益于区域气候暖湿化和退耕还林过程，促进了植被恢复；Ⅲ区低和中高被覆盖区域面积占比略有上升，分别为0.72%和0.05%，中低和中植被覆盖区域面积占比下降，分别为1.49%和0.9%；受益于极其优越的水分-养分供给系统，Ⅳ区植被表现出最剧烈的等级跃升现象，中和中高植被覆盖区域向高植被覆盖区域大范围转移，中植被覆盖面积占比明显下降（16.83%），高植被覆盖区域面积占比上升18.9%.
|
图 4 1982~2022年中国典型气候区域FVC的年际变化的空间分布 Fig. 4 Spatial distribution of interannual variation of FVC in typical climate regions of China from 1982 to 2022 |
|
（a）全国，（b）Ⅰ区，（c）Ⅱ区，（d）Ⅲ区，（e）Ⅳ区 图 5 1982~2022年中国不同等级FVC面积比例 Fig. 5 Proportion of area at different grades of FVC in China from 1982 to 2022 |
本研究计算了1982~2022年中国FVC的变异系数，绘制了稳定性空间分布格局（图 6和图 7）. 结果显示：中国FVC的平均变异系数为0.061 2，表明近40 a来FVC总体保持较高稳定性. 空间分布上，CV值整体呈现“东南低、西北高”的格局，与FVC空间分布高度一致，表明高植被覆盖区通常具有更高的稳定性. 具体而言，高和中高稳定性区域集中分布在Ⅱ区东部和Ⅳ区南部，占研究区总面积的75.028 0%，以上区域植被生长良好、覆盖度高，自然环境条件稳定；低和中低稳定性区域主要分布在Ⅰ区北部、Ⅱ区西部和Ⅲ区南部，占研究区总面积的9.844 1%，以上区域多为沙漠、沙地等脆弱生态系统，植被覆盖率低且环境恶劣；中等稳定性区域则主要分布于高低波动区之间的过渡带，占研究区总面积的15.127 9%.
|
图 6 1982~2022年中国典型气候区域FVC的变化趋势的空间分布 Fig. 6 Spatial distribution of the trends of FVC in typical climate regions of China from 1982 to 2022 |
|
图 7 1982~2022年中国典型气候区域FVC的变化趋势的空间分布区域占比 Fig. 7 Spatial distribution in proportion of the trends of FVC in typical climate regions of China from 1982 to 2022 |
为全面评估植被覆盖度（FVC）未来变化趋势的持续性，本研究逐像元计算了中国FVC的Hurst指数，并结合通过明显性检验的Sen趋势分析结果，系统解析了植被覆盖未来变化方向与过去变化趋势的关系（图 8、图 9和表 2）. 结果显示：中国植被覆盖未来整体呈现良性发展趋势，但各气候区表现出显著的空间异质性特征. Ⅰ区持续改善区域占比12.21%，基本不变区域高达52.79%，反映干旱半干旱区植被恢复受水分限制明显；Ⅱ区持续改善区域占比22.98%，与退耕还林工程实施区高度吻合；持续退化区域在Ⅲ区占比最高，约为17.74%，主要分布在多年冻土退化区；Ⅳ区反持续性改善现象最突出，约为60.61%，可能与人工纯林生态系统脆弱性有关. 全国尺度上，中国植被覆盖未来整体呈现良性发展趋势，良性方向区域占比达51.32%. 其中，持续改善区域占17.79%，表明以上区域植被覆盖将持续提升；过去退化但未来转为改善趋势的区域占33.24%，反映生态工程的潜在成效. 然而，持续退化区域仍占8.88%，主要分布在生态脆弱区；过去改善但未来可能退化的区域占比高达33.24%，提示部分区域植被恢复的可持续性面临挑战.
|
图 8 1982~2022年中国典型气候区域FVC的Hurst指数与未来变化势的空间分布 Fig. 8 Spatial distribution of Hurst index and future trends of FVC in typical climate regions of China from 1982 to 2022 |
|
图 9 1982~2022年中国典型气候区域FVC的Hurst指数与未来变化趋势的空间分布 Fig. 9 Spatial distribution in proportion of Hurst index and future trends of FVC in typical climate regions of China from 1982 to 2022 |
|
|
表 2 1982~2022年中国不同气候区域未来趋势占比/% Table 2 Proportion of future trends in different climate regions in China from 1982 to 2022/% |
2.4 中国不同气候区域FVC驱动力分析 2.4.1 中国1982~2022年际气候变化
基于1982~2022年中国年平均PRE、TMP、VS、VPD、SOIL和SRAD的变化趋势分析（图 10），本研究发现：1998~2004年间中国FVC明显退化与同期PRE锐减（662.34 mm降至566.11 mm）和SOIL下降直接相关，导致2004年FVC降至最低值（0.301 7）. 值得注意的是，FVC对SOIL的响应存在滞后效应，FVC增加往往在SOIL提升后逐步显现. TMP和SRAD的变化与FVC呈现动态一致性，1982~2022年间两者均值分别为7.03℃和176.05 W·m-2，均呈小幅上升，高温和高辐射条件通常对应较低植被覆盖度，而低温低辐射条件则有利于植被生长. VS变化对FVC的影响呈现非线性特征，40 a平均风速为2.676 1 m·s-1，整体以0.002 m·（s·a）-1的速率下降，这可能是由于强风通过机械损伤和土壤侵蚀抑了制植被发育.
|
阴影部分为置信带 图 10 1982~2022年中国典型气候区域FVC的驱动因子变化 Fig. 10 Changes in drivers of FVC in typical climate regions of China from 1982 to 2022 |
地形条件对植被生长的影响明显（图 11），随着海拔升高，水汽凝结作用增强，降水增加，同时稀薄的空气导致太阳辐射增强，共同影响植被分布格局. 在0~3 000 m海拔范围内，植被覆盖度以中高及以上为主，未来呈改善和稳定趋势的区域占比超过60%；当海拔超过3 000 m后，植被覆盖度明显下降，中高及以上覆盖度区域占比随海拔升高而大幅减小，未来变化趋势以退化为主. 但值得注意的是，高海拔生态系统具有潜在恢复能力，过去退化但未来改善的区域占比超过35%；海拔超过5 000 m的区域基本无植被覆盖，退化趋势明显.
|
（a）FVC分布，（b）FVC未来趋势分布 图 11 不同海拔下FVC变化 Fig. 11 Changes in FVC at different altitudes |
为探究1982~2022年中国不同气候区驱动因子FVC空间分布的影响，本研究采用地理探测模型，评估了PRE、SOIL、TMP、SRAD、VS、VPD和DEM这7个驱动因子的影响能力，并基于逐5 a的q值排序结果进行分析（图 12）. 结果表明，中国FVC空间分异受多环境因子综合影响，各因子的平均影响力从高低分别为：PRE（0.769 2）、SOIL（0.558 1）、TMP（0.436 4）、SRAD（0.277 9）、VS（0.266 7）、VPD（0.259 8）和DEM（0.242 9）. 1982~2022年间，PRE、SOIL和VPD始终维持较高影响力，其中SOIL和VPD在1987~2007年出现短暂下降后恢复；SRAD的影响呈现明显波动，1982~1992年从0.374 3降至0.193 4，1992~2022年先升后降，1997年达峰值（0.349 0）；VPD整体呈波动上升趋势，1992年达最低值（0.186 5）；VS和DEM的影响相对稳定且较低.
|
图 12 1982~2022年中国不同气候区域FVC驱动因子探测结果 Fig. 12 Detection results of FVC drivers in different climate regions of China from 1982 to 2022 |
因子探测器只反映单个驱动因子的影响力，但植被生长发育是由多种驱动因素决定的，以上因素共同影响植被覆盖度的空间变异性，研究基于交互检测器生成长时间尺度植被覆盖度与驱动因子间耦合作用的热力图（图 13和图 14），对比发现：6种驱动因素耦合作用的影响力相较于单因子均明显上升，多驱动因素的耦合影响普遍高于单驱动因素的影响. 1982~2022年间，PRE与TMP、SOIL和VS等6种驱动因子的联合影响最为突出，其中，PRE-DEM的组合影响最大（q=0.864），SOIL和其他6种驱动因子的联合影响次之（q最小值> 0.6），DEM与SRAD和VS两个因子的联合影响较低（q最小值< 0.5）. 空间分异特征表明不同气候区驱动因子耦合作用存在明显差异，在Ⅰ区和Ⅲ区，PRE与其他因子的耦合影响占主导地位（q最小值> 0.6）；而在Ⅱ和Ⅳ区，其影响力明显下降（q最大值< 0.35），尤其在Ⅳ区，DEM和SOIL与其他因子的联合影响更为突出. 值得注意的是，TMP-SRAD（0.610 6）和TMP-SOIL（0.712 2）的联合影响在气候Ⅲ区明显增强；PRE-TMP的联合影响在Ⅰ区、Ⅱ区和Ⅲ区均占主导地位，但在Ⅳ区其影响力明显降低（0.167 3）.
|
蓝色表示q值高，因子解释力强；橙色表示q值低，因子解释力弱 图 13 1982~2022年中国不同气候区域平均FVC交互探测结果 Fig. 13 Interactive detection results of average FVC in different climate regions in China from 1982 to 2022 |
|
蓝色表示q值较高，对应因子解释力强；橙色表示q值较低，对应因子解释力弱 图 14 1982~2022年中国典型气候区域FVC交互探测结果 Fig. 14 FVC interaction detection results for typical climate regions in China from 1982 to 2022 |
土地利用类型作为陆地生态系统的直接人为驱动因素，对FVC的变动具有明显影响，为深入探究土地覆盖变化对FVC的具体作用机制，本研究绘制了土地覆盖转移弦图（图 15）. 总体而言，1982~2022年间，中国森林和灌木林地面积增加了7 866.446 5 km2，植被总覆盖率呈上升趋势；相比之下，荒地面积减少了31 955.686 2 km2，草地和荒地之间转换频繁，其中草地转变为荒地的面积为135 919.325 7 km2，荒地转变为草地的面积为132 291.148 5 km2；水域和湿地面积增加了856.617 7 km2，这一趋势反映了中国在生态建设和经济发展方面取得的进步.
|
图 15 1982~2022年中国不同气候区域土地覆盖转移弦图 Fig. 15 Land cover transfer chord plot for different climatic regions in China from 1982 to 2022 |
从空间分布来看，不同气候区的土地利用变化特征差异明显：Ⅰ区草地和荒地之间的转换频繁，裸地转变为草地的面积为46 803.467 7 km2，草地退化为裸地的面积为1 613.26 km2，耕地和草地转变为裸地的面积分别为18 654.963 3 km2和65 049.069 6 km2；Ⅱ区耕地转换频繁，耕地转变为林地和草地的面积分别为39 839.417 1 km2和42 846.788 7 km2，建设用地转变为耕地的面积为73 164.107 7 km2；气候Ⅲ区植被退化明显，草地退化为荒地的面积为69 395.376 6 km2，林地退化为草地的面积为14 994.804 6 km2；Ⅳ区林地、耕地和草地之间的转换频繁，林地转变为耕地和草地的面积分别为120 813.122 7 km2和23 998.014 km2，同时，耕地恢复为林地的面积接近109 006.442 1 km2，建设用地转变为林地的面积为57 849.631 2 km2. 整体上，在耕地、林地和草地等土地利用类型的影响下，FVC从低覆盖向中低覆盖，从中覆盖向中高和高覆盖水平演变.
3 讨论 3.1 中国不同气候区域FVC的时空分布格局及驱动因素1982~2022中国年均植被覆盖度（FVC）整体呈现波动上升的趋势，尽管在1998~2004年间出现了短暂的下降，但随后逐步恢复，该现象主要归因于降水与温度变化以及极端气候事件对中国植被动态的复杂影响：20世纪末，长江和黄河等大型流域频繁的洪水事件，以及四川盆地和华中地区等地遭遇严重干旱，导致部分地区土壤侵蚀加剧，植被生长受限，进入21世纪以来，SOIL的重要性上升，伴随着水热条件改善和生态工程建设，整体植被状况逐步恢复，以上发现强调了环境因素对植被分布格局的重要影响[28]. 在4个研究区域中，Ⅰ区和Ⅲ区的FVC水平整体较低，进一步强调了降雨对植被影响的主导作用，其重要性系数在各区域中均超过0.6. 新生代以来，青藏高原的强烈隆升不仅阻断了印度洋水汽的北向输送，还强化了西伯利亚高压系统，加剧了亚洲内陆的干旱化进程[30]；此外，强烈的太阳辐射（Ⅰ区，SRAD，q=0.18；Ⅲ区，SRAD，q=0.44）导致蒸散量普遍高于降水量，造成严重的水分亏缺；第四纪风成沉积过程塑造了广泛的黄土和沙漠地貌，形成了贫瘠的基质条件，加之过度垦殖、超载放牧和矿业资源开发，以上活动破坏了土壤有机质、生态系统和地表植被的连续性，使得该区域植被覆盖度维持在较低水平，形成了以荒漠、草原和稀疏植被为主的景观格局[31]. 尽管Ⅰ区和Ⅲ区的植被覆盖度长期受到气候格局和城市化进程的限制，但未来趋势显示，这两个区域的植被状况有望改善，该趋势主要归功于雅鲁藏布江流域沿线和大兴安岭生态屏障带近年来实施的生态工程，有效提升了区域植被恢复潜力和生态系统稳定性. 值得注意的是，长时间尺度下，1998~2004年间的FVC退化与同期降水减少和土壤湿度下降同步发生，表明极端气候事件可能突破生态系统的恢复阈值，这一现象在Ⅰ区（草地向裸地转换面积达1 613.26 km2）和Ⅲ区（草地向荒地转换69 395.38 km2）表现尤为突出，表明了干旱半干旱区生态系统的不稳定性：尽管生态工程一定程度上逆转了土地退化，但过度放牧和气候变化仍导致局部区域呈现“退化-恢复”的循环规律[32].
Ⅳ区的FVC水平最优，本研究结果显示，SOIL（q=0.19）、DEM（q=0.17）和PRE（q=0.12）的影响力在所有驱动因子中最高，这可能归因于亚热带季风气候带来的充沛降水和温暖湿润的环境，以及肥沃的土壤条件[33]. 该区域是长江、珠江等主要河流的发源地和流经区域，受东亚季风系统的影响，中国南部的降水主要依赖于太平洋和印度洋的水汽输送[29]，地形效应进一步增强了这一过程[34]，特别是在山地地区，地形抬升作用明显增加了局部降水，使得该区域南部年降水量明显高于北部内陆地区；此外，广泛分布的红壤、黄壤等土壤类型具有较高的养分含量和保水能力，为植被生长提供了良好的基质条件[35]，这种气候、地形、土壤相互作用的综合效应，形成了从整体较高且从东南向西北区域逐级递减的FVC空间分布格局. 与Ⅰ和Ⅲ区不同的是，尽管Ⅳ区凭借其优越的自然条件保持着优秀的FVC水平，但该区域未来植被发育趋势正面临严峻挑战，图 15表明，现阶段气候Ⅳ区林地和草地转移至非生态用地面积已超过84 000 km2，这一现象在大型河流沿线更加明显，这可能与河岸带微气候水分循环结构较为脆弱以及人类活动强度有关. 具体而言，虽然过去几十年中植被覆盖度整体呈现改善态势，但城市扩张和人类活动等因素正在对生态系统造成不可逆转的影响，凸显了在发展与生态保护之间寻求平衡的紧迫性[36].
此外，本研究还发现，人类活动对FVC的影响存在一定的时间滞后效应：土壤湿度升高后植被覆盖度的延迟响应（约2~3 a），说明生态工程需要持续的水分条件支持才能实现稳定增益[37]，这一现象在Ⅳ区最为明显，植被恢复滞后周期较北方干旱和半干旱区缩短明显. 这种滞后效应表明未来生态工程规划应结合区域水热特征因地制宜，即在湿润区可侧重快速植被重建，而在干旱区则应优先改善土壤水分条件[38].
3.2 中国不同气候区域FVC驱动因素的耦合效应1998~2022年间，中国FVC的时空演变特征呈现明显的异质性，其动态变化本质上是多尺度驱动因子非线性耦合的结果，各驱动因子间层级耦合共同塑造了FVC的分布格局. 其中PRE和SOIL与其他因子间的耦合效应是植被生长的首要驱动因子，直接调控植物的光合作用和蒸腾过程，最终主导植被覆盖度的空间分异和动态变化.
从空间尺度上来看，中国南部（Ⅳ区）PRE和SOIL的耦合作用明显，这主要得益于该区域充沛的降水和良好的土壤持水能力，亚热带季风气候带来的丰沛降水与深厚土壤相结合，形成了稳定的水分供应系统，支持了茂密的常绿阔叶林和混交林的发育[39]；土壤和地形因素是影响植被空间分布的主要因素，有机质含量高、水侵蚀较弱的淋溶土壤更有利于植被生长发育[40]，相比之下，北方干旱-半干旱区（Ⅰ区和Ⅱ区东北部）对VPD表现出高度敏感性，这反映了在干旱气候背景下，大气干旱化通过增加蒸散需求加剧了植被的水分胁迫，导致植被覆盖度与VPD呈明显负相关；在Ⅲ区，TMP-SRAD的影响相对增强，高海拔地区存在明显的热量限制，低温环境和强烈的太阳辐射决定了植被的分布上限和生产力，形成了独特的高寒草甸和灌丛生态系统[41]；Ⅱ区域SOIL与其他因子的耦合作用明显高于其他区域，黄土高原地区和华北土石山区植被表现出独特的响应模式，一方面严重的水土流失导致表层土壤退化，使得土壤水分成为植被生长的关键性限制因子[42]. 另一方面，该区域蒸散和降水的综合影响保持了相对平衡的水分状态，有助于形成相对稳定的FVC生态系统状态[43]：高蒸散率可能会加速水分流失，但相对较高的降水量有效弥补了这种损失，维持植被的持续生长；值得注意的是，VS-DEM的耦合影响在4个子区域存在差异，这反映了地形和风场对FVC的调控作用具有空间尺度依赖性[44]. 以上区域差异表明，尽管水分可利用性在整体上是中国植被覆盖度的首要限制因子，但其具体表现形式和相对重要性随区域环境特征而变化，需要因地制宜地制定生态恢复策略[45]. 此外，DEM与气候因子的耦合作用同样是影响FVC分布格局的重要因子，较高的气温和辐射条件通过改变植被光合-呼吸平衡，改善了中低海拔区植被覆盖状况；而高海拔区因冻土退化和水分再分配改变，植被覆盖度下降明显[46]. 这种海拔梯度效应对人类活动因素也具有一定的调控作用：在低海拔区，人类活动（如生态工程）的正向效应能够被水热条件放大；而在高海拔区，人为干预可能因自然限制因子的主导作用而失效[47].
总体而言，中国FVC的演变是自然过程与人类活动非线性耦合的结果，要实现植被覆盖的可持续提升，需建立“气候-地形-人类活动”三位一体的调控框架：在干旱区通过节水灌溉和载畜量控制缓解水分胁迫；在湿润区加强土壤养分循环管理以维持高生产力；在高海拔区则需严格限制人类干扰以保护脆弱的冻土-植被系统. 未来研究应着重量化不同情景下驱动因子的耦合效应，为区域差异化的生态管理策略提供科学依据.
4 结论（1）1982~2022中国年均FVC空间上呈现“东南高、西北低”的分布格局，多年平均FVC值为0.317 7，整体呈现波动上升的趋势，以0.03%·a-1的增速提高，其中Ⅱ区贡献最大，增速为0.06%·a-1，主要表现为中低植被覆盖面积向中高植被覆盖转移；
（2）1982~2022年中国FVC总体保持较高稳定性，平均CV值为0.061 2，高植被覆盖区通常具有更高的稳定性. Hurst指数显示中国植被覆盖未来整体呈现良性发展趋势，良性方向区域占比达51.03%. 但持续退化区域仍占8.88%，生态脆弱区植被恢复的可持续性仍面临挑战；
（3）构建中国FVC空间分布格局的驱动单因子主要为降雨量、土壤湿度和气温，重要性分别为0.769 2、0.558 1和0.436 4，1998~2004年间中国持续干旱事件主导了该时期FVC的明显下降，尽管生态工程一定程度上逆转了土地退化，极端气候周期仍会突破生态系统的恢复阈值；
（4）中国FVC的演变是自然过程与人类活动非线性耦合的结果，降雨量和土壤湿度与其他因子间的耦合效应是中国植被生长的首要驱动因子，不同气候区驱动因子耦合作用存在明显差异，其中，在Ⅰ区和Ⅲ区，降雨量与其他因子的耦合影响占主导地位，q最小值> 0.6；在Ⅳ区，海拔和土壤湿度与其他因子的耦合作用影响更为突出. 另一方面，Ⅱ区耕地向林地和草地转化82 686.21 km2，该区作为“三北”防护林和京津冀风沙源等生态工程主导区证明人为干预能够明显提升植被覆盖；而Ⅲ区草地退化为荒地面积达69 395.38 km2，在大型河流沿线尤其是雅鲁藏布江流域等生态脆弱区，人类活动对区域微气候水分循环结构的干扰进一步限制了生态恢复.
| [1] |
史娜娜, 韩煜, 王琦, 等. 北京市植被覆盖度时空变化特征及其对城市化的响应[J]. 环境科学, 2024, 45(9): 5318-5328. Shi N N, Han Y, Wang Q, et al. Spatial and temporal characteristics of fractional vegetation cover and its response to urbanization in Beijing[J]. Environmental Science, 2024, 45(9): 5318-5328. DOI:10.13227/j.hjkx.202308265 |
| [2] |
时凯, 闫丰, 王宗超, 等. 基于最优参数地理探测器的京津冀植被覆盖演化多元驱动力解析[J]. 环境科学, 2025, 46(4): 2337-2351. Shi K, Yan F, Wang Z C, et al. Analysis of multiple drivers of fractional vegetation cover evolution in Beijing, Tianjin, and Hebei based on the optimal parameters geographical detector[J]. Environmental Science, 2025, 46(4): 2337-2351. DOI:10.13227/j.hjkx.202403036 |
| [3] | Tong X W, Brandt M, Yue Y M, et al. Increased vegetation growth and carbon stock in China karst via ecological engineering[J]. Nature Sustainability, 2018, 1(1): 44-50. DOI:10.1038/s41893-017-0004-x |
| [4] | Zuo L J, Zhang Z X, Carlson K M, et al. Progress towards sustainable intensification in China challenged by land-use change[J]. Nature Sustainability, 2018, 1(6): 304-313. DOI:10.1038/s41893-018-0076-2 |
| [5] | Piao S, Wang X H, Park T, et al. Characteristics, drivers and feedbacks of global greening[J]. Nature Reviews Earth & Environment, 2020, 1(1): 14-27. |
| [6] |
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. DOI:10.13227/j.hjkx.202311059 |
| [7] | Miao Z G, Chen J, Wang C L, et al. Global dynamics of grassland FVC and LST and spatial distribution of their correlation (2001-2022)[J]. Plants, 2025, 14(3). DOI:10.3390/plants14030439 |
| [8] | Anees S A, Zhang X L, Shakeel M, et al. Estimation of fractional vegetation cover dynamics based on satellite remote sensing in Pakistan: a comprehensive study on the FVC and its drivers[J]. Journal of King Saud University-Science, 2022, 34(3). DOI:10.1016/j.jksus.2022.101848 |
| [9] | 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, 256-257. DOI:10.1016/j.agrformet.2018.02.015 |
| [10] |
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. |
| [11] | Zang Y G, Yu B W, Wu C S, et al. Spatiotemporal evolution of growing-season vegetation coverage and its natural-human drivers in the Yellow River Basin, China[J]. Land Degradation & Development, 2023, 34(18): 5849-5862. |
| [12] | Qin S F, Ding J L, Ge X Y, et al. Spatio-temporal changes in water use efficiency and its driving factors in Central Asia (2001-2021)[J]. Remote Sensing, 2023, 15(3). DOI:10.3390/rs15030767 |
| [13] | 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 |
| [14] |
周美林, 刘家宏, 刘希胜, 等. 青海湖流域植被动态变化驱动力及空间粒度效应[J]. 中国环境科学, 2024, 44(3): 1497-1506. Zhou M L, Liu J H, Liu X S, et al. Analysis of driving forces and spatial scale effects on vegetation dynamics in the Qinghai Lake Basin[J]. China Environmental Science, 2024, 44(3): 1497-1506. |
| [15] | Deng L J, Fu Y, Li X X, et al. Weakening Indian monsoon favors vegetation growth in humid but not in semi-arid ecosystems[J]. Agricultural and Forest Meteorology, 2024, 346. DOI:10.1016/j.agrformet.2024.109886 |
| [16] | Guo B B, Zhang J, Meng X Y, et al. Long-term spatio-temporal precipitation variations in China with precipitation surface interpolated by ANUSPLIN[J]. Scientific Reports, 2020, 10(1): 81. DOI:10.1038/s41598-019-57078-3 |
| [17] | The Third National Assessment Report on Climate Change Editorial Committee. Third National Assessment Report on Climate Change[M]. Beijing: Science Press, 2015. |
| [18] | Pinzon J E, Pak E W, Tucker C J, et al. Global vegetation greenness (NDVI) from AVHRR GIMMS-3G+, 1981-2022[DS/OL]. https://doi.org/10.3334/ORNLDAAC/2187, 2025-10-31. |
| [19] | Abatzoglou J T, Dobrowski S Z, Parks S A, et al. TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015[J]. Scientific Data, 2018, 5(1). DOI:10.1038/sdata.2017.191 |
| [20] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [21] | 吴立宗. 中国地区SRTM DEM数据集[DB/OL]. 国家冰川冻土沙漠科学数据中心, https://www.doi.org/10.12072/ncdc.nieer.db2954.2023, 2021. |
| [22] | Zhang D J, Ge W Y, Zhang Y. Evaluating the vegetation restoration sustainability of ecological projects: a case study of Wuqi County in China[J]. Journal of Cleaner Production, 2020, 264. DOI:10.1016/j.jclepro.2020.121751 |
| [23] |
李元春, 侯蒙京, 葛静, 等. 甘南和川西北地区草地植被NDVI变化及其驱动因素研究[J]. 草地学报, 2020, 28(6): 1690-1701. Li Y C, Hou M J, Ge J, et al. NDVI changes and driving factors of grassland vegetation in Gannan prefecture and northwest Sichuan Region[J]. Acta Agrestia Sinica, 2020, 28(6): 1690-1701. |
| [24] |
马楠, 白涛, 蔡朝朝. 2000-2021年新疆植被覆盖度变化及驱动力[J]. 水土保持研究, 2024, 31(1): 385-394. Ma N, Bai T, Cai Z Z. Vegetation cover change and its response to climate and surface factors in Xinjiang based on different vegetation types[J]. Research of Soil and Water Conservation, 2024, 31(1): 385-394. |
| [25] | Tao S, Peng W F, Xiang J Y. Spatiotemporal variations and driving mechanisms of vegetation coverage in the Wumeng Mountainous Area, China[J]. Ecological Informatics, 2022, 70. DOI:10.1016/j.ecoinf.2022.101737 |
| [26] |
刘智源, 李继红. 2000—2020年黑龙江省植被时空变化对气候因子响应[J]. 森林工程, 2024, 40(1): 85-97. Liu Z Y, Li J H. Responses of temporal and spatial changes of vegetation to climate factors in Heilongjiang Province from 2000 to 2020[J]. Forest Engineering, 2024, 40(1): 85-97. |
| [27] |
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. |
| [28] | Wang S M, Liu Q H, Huang C. Vegetation change and its response to climate extremes in the arid region of Northwest China[J]. Remote Sensing, 2021, 13(7). DOI:10.3390/rs13071230 |
| [29] |
李霞, 张乐艺, 吴晨. 基于GEE和地理探测器的河南省不同流域植被变化及影响因素[J]. 应用生态学报, 2024, 35(7): 1887-1896. Li X, Zhang L Y, Wu C. Vegetation changes and influencing factors in different watersheds of Henan Province based on GEE and geographic detectors[J]. Chinese Journal of Applied Ecology, 2024, 35(7): 1887-1896. |
| [30] | Miao Y F, Herrmann M, Wu F L, et al. What controlled Mid-Late Miocene long-term aridification in central Asia? ⁃Global cooling or Tibetan Plateau uplift: a review[J]. Earth-Science Reviews, 2012, 112(3-4): 155-172. DOI:10.1016/j.earscirev.2012.02.003 |
| [31] |
籍健勋, 童新, 段利民, 等. 内蒙古河套灌区所在流域植被NPP时空动态特征及其驱动力分析[J]. 环境科学, 2025, 46(7): 4392-4402. Ji J X, Tong X, Duan L M, et al. Spatio-temporal dynamic characteristics and driving factors of vegetation NPP in Hetao Irrigation District of Inner Mongolia[J]. Environmental Science, 2025, 46(7): 4392-4402. DOI:10.13227/j.hjkx.202405296 |
| [32] | Yang K, Sun W Z, Luo Y, et al. Impact of urban expansion on vegetation: the case of China (2000⁃2018)[J]. Journal of Environmental Management, 2021, 291. DOI:10.1016/j.jenvman.2021.112598 |
| [33] | Chen Y, Zhang T B, Zhu X, et al. Quantitatively analyzing the driving factors of vegetation change in China: climate change and human activities[J]. Ecological Informatics, 2024, 82. DOI:10.1016/j.ecoinf.2024.102667 |
| [34] | Ding Y H, Chan J C L. The East Asian summer monsoon: an overview[J]. Meteorology and Atmospheric Physics, 2005, 89(1-4): 117-142. DOI:10.1007/s00703-005-0125-z |
| [35] |
曾兴兰, 陈田田. 西南地区植被动态变化的驱动力解析[J]. 中国环境科学, 2023, 43(12): 6561-6570. Zeng X L, Chen T T. Analysis of the driving forces of vegetation dynamic changes in southwest China[J]. China Environmental Science, 2023, 43(12): 6561-6570. |
| [36] | Li D L, Wu S Y, Liang Z, et al. The impacts of urbanization and climate change on urban vegetation dynamics in China[J]. Urban Forestry & Urban Greening, 2020, 54. DOI:10.1016/j.ufug.2020.126764 |
| [37] | Zhao J, Huang S Z, Huang Q, et al. Time-lagged response of vegetation dynamics to climatic and teleconnection factors[J]. CATENA, 2020, 189. DOI:10.1016/j.catena.2020.104474 |
| [38] | Liu X X, Zhao W W, Yao Y, et al. The rising human footprint in the Tibetan Plateau threatens the effectiveness of ecological restoration on vegetation growth[J]. Journal of Environmental Management, 2024, 351. DOI:10.1016/j.jenvman.2023.119963 |
| [39] |
徐勇, 黄海艳, 戴强玉, 等. 西南地区陆地植被生态系统NPP时空演变及驱动力分析[J]. 环境科学, 2023, 44(5): 2704-2714. Xu Y, Huang H Y, Dai Q Y, et al. Spatial-temporal variation in net primary productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China[J]. Environmental Science, 2023, 44(5): 2704-2714. DOI:10.13227/j.hjkx.202207068 |
| [40] |
陈兴辉, 张圣微, 赵星宇, 等. 不同气候条件对内蒙古草原植被-土壤协调关系的影响[J]. 环境科学, 2025, 46(5): 3033-3041. Chen X H, Zhang S W, Zhao X Y, et al. Effects of different climatic conditions on vegetation-soil coordination relationship in inner mongolian grasslands[J]. Environmental Science, 2025, 46(5): 3033-3041. DOI:10.13227/j.hjkx.202405025 |
| [41] | Hua L, Ran R, Xie M J, et al. China's poverty alleviation policy promoted ecological-economic collaborative development: evidence from poverty-stricken counties on the Qinghai-Tibet Plateau[J]. International Journal of Sustainable Development & World Ecology, 2023, 30(4): 402-419. |
| [42] | Ren Z G, Tian Z H, Wei H T, et al. Spatiotemporal evolution and driving mechanisms of vegetation in the Yellow River Basin, China during 2000⁃2020[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108832 |
| [43] | Pascolini-Campbell M, Reager J T, Chandanpurkar H A, et al. RETRACTED ARTICLE: a 10 per cent increase in global land evapotranspiration from 2003 to 2019[J]. Nature, 2021, 593(7860): 543-547. DOI:10.1038/s41586-021-03503-5 |
| [44] | Chen Z F, Wang W G, Fu J Y. Vegetation response to precipitation anomalies under different climatic and biogeographical conditions in China[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-57910-1 |
| [45] |
王晶晶, 朱烨, 刘懿, 等. 2000—2022年中国植被恢复力时空特征及演变趋势[J]. 农业工程学报, 2025, 41(3): 136-143. Wang J J, Zhu Y, Liu Y, et al. Spatiotemporal characteristics and variation tendency of vegetation resilience over China during 2000-2022[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(3): 136-143. |
| [46] | Zhou Y K, Zhang X Y, Yu H, et al. Land use-driven changes in ecosystem service values and simulation of future scenarios: a case study of the Qinghai-Tibet Plateau[J]. Sustainability, 2021, 13(7). DOI:10.3390/su13074079 |
| [47] |
王春雅, 王金牛, 崔霞, 等. 藏东南三江并流核心区植被时空动态变化及其气候驱动力分析[J]. 地理研究, 2021, 40(11): 3191-3207. Wang C Y, Wang J N, Cui X, et al. Spatio-temporal change in vegetation patterns and its climatic drivers in the core region of Three Parallel Rivers in southeast Tibet[J]. Geographical Research, 2021, 40(11): 3191-3207. |