黄河主要流域植被动态及其驱动因素分析

引用本文

柯浩成, 王飞, 王茂林, 杨陈, 田孟涵. 黄河主要流域植被动态及其驱动因素分析[J]. 环境科学, 2026, 47(9): 6162-6176.

KE Hao-cheng, WANG Fei, WANG Mao-lin, YANG Chen, TIAN Meng-han. Analysis of Vegetation Dynamics Associated with Driving Factors in Major Basins of Yellow River[J]. Environmental Science, 2026, 47(9): 6162-6176.

黄河主要流域植被动态及其驱动因素分析

柯浩成¹, 王飞¹, 王茂林¹, 杨陈¹, 田孟涵^2,3

1. 兰州理工大学能源与动力工程学院，兰州 730050;
2. 中国水利水电科学研究院，北京 100038;
3. 水利部防洪抗旱减灾工程技术研究中心，北京 100038

收稿日期: 2025-06-11; 修订日期: 2025-10-15

基金项目: 甘肃省自然科学基金项目（25JRRA096）；甘肃省科技重大专项（26ZDFA006）；国家自然科学基金项目（4210070887）；2026年甘肃省重点人才项目（2026RCXM014）；2026年水资源节约保护与管理专项（甘水资源发[2026]67号）；甘肃省水利科学试验研究及推广计划项目（甘水建管发[2026]4号，甘水建管发[2025]24号）

作者简介: 柯浩成（1986~），男，博士，副教授，主要研究方向为生态修复与水土资源调控，E-mail：kehc@lut.edu.cn

摘要: 植被动态是生态环境变化的双重指示器，揭示区域尺度上植被动态的变化特征及其驱动机制，是理解陆地表层生态系统响应气候变化与人类活动的关键科学问题. 基于2000~2022年8个黄河主要流域归一化植被指数（NDVI）数据，分析植被动态时空变化特征，结合小波相干分析和Geodetector模型等方法，系统解析各环境影响因素对NDVI的驱动机制. 结果表明：①在时间尺度上，黄河主要流域NDVI变化均呈显著上升趋势（P < 0.05），空间变化率介于0.001 7~0.01 a^-1之间；在空间尺度上，NDVI呈自西北向东南递增的特征，植被以改善趋势为主，占比为71.08%，且各植被等级间的流动以向更高等级为主. ②综合多种突变检验方法，得出2011年和2017年为关键转折点，有序聚类法和滑动T检验法更适用于黄河流域NDVI和气象因素的突变检测. NDVI对降水和气温的响应具有不均匀性和滞后性，相比之下，降水对NDVI的影响要强于温度. ③驱动因素多以气候因素（年降水量和日照时数）为主导，土地利用类型与海拔在局部区域产生协同增强效应. NDVI与日照时数呈显著负相关（P < 0.05），与年降水量和土地利用类型呈显著正相关关系. 研究结果可为黄河主要流域生态环境保护政策的制定提供理论指导.

关键词: 归一化植被指数（NDVI） Geodetector模型时空演变驱动因素黄河主要流域（YRB）

Analysis of Vegetation Dynamics Associated with Driving Factors in Major Basins of Yellow River

KE Hao-cheng¹ , WANG Fei¹ , WANG Mao-lin¹ , YANG Chen¹ , TIAN Meng-han^2,3

1. College of Energy and Power Engineering, Lanzhou University of Technology, Lanzhou 730050, China;
2. China Institute of Water Resources and Hydropower Research, Beijing 100038, China;
3. Research Center of Flood and Drought Disaster Reduction, Ministry of Water Resources, Beijing 100038, China

Abstract: Vegetation dynamics serve as a dual indicator of climate and ecological changes. Quantifying the characteristics and drivers of vegetation dynamics at the regional scale is a key scientific issue for understanding how terrestrial ecosystems respond to climate change and human activities. Based on normalized difference vegetation index (NDVI) data from 2000 to 2022 across eight major basins of the Yellow River (YRB), this study quantified the spatiotemporal dynamics of vegetation and, by integrating wavelet coherence analysis with Geodetector, provided a mechanistic disentanglement of how individual environmental drivers govern NDVI variability. The results show that: ① Over time, there was a stalky upward tendency in its change across all regions from 2000 to 2022 (P < 0.05), and the spatial change rate was between 0.001 7-0.01 a^-1. It tended to increase from northwest to southeast at the spatial scale, with 71.08% of the total area showing significant improvement, mainly shifting to higher coverage levels. ② Integrating multiple change-point detection algorithms, we identified 2011 and 2017 as the two dominant breakpoints in the NDVI series. Ordinal clustering and the moving T-test proved the most robust for identifying abrupt shifts in both NDVI and meteorological variables in YRB. NDVI exhibited heterogeneous and lagged responses to precipitation and temperature, with precipitation exerting a markedly stronger control than temperature. ③ Climate factors (annual precipitation and sunshine duration) were primary drivers, while land-use types and elevation exerted localized synergistic effects. NDVI correlated negatively with sunshine duration (P < 0.05) but positively with precipitation and land-use intensity. These findings provide mechanistic insights for optimizing ecological conservation strategies in YRB.

Key words: normalized difference vegetation index (NDVI) Geodetector model spatial-temporal variation driving factors main basins of Yellow River (YRB)

全球正经历气候变暖与人为扰动的叠加效应，对生态系统产生了重大影响^[1]. 植被是生态系统的重要组成部分，它连接着土壤、大气和水圈的物质循环和能量流动，在维系区域生态系统平衡方面起着决定性作用^[2]. 植被动态变化能够很好地反映区域生态环境的变化，对准确监测和评估生态环境的质量和变化具有重要意义^[3]. 现有的植被指数中，归一化植被指数（normalized difference vegetation index，NDVI）能较好地反映植被整体生长状况，已被广泛用于监测植被覆盖的动态变化^[4].

基于遥感技术的植被动态变化特征和驱动机制是全球研究的重点方向^[5]. 研究过程中常采用模拟响应变量与解释变量间的关联，以阐释生态格局或过程在时空上的形成原理^[6]. 然而，线性关系不足以表达气候和下垫面因素对植被动态的复杂（非线性）过程^[7]. 鉴于此，王劲峰等^[8]开发的Geodetector从空间角度探索解释变量，克服了传统方法对线性关系的假设限制，能更准确地识别各种影响植被变化的复合效应. 目前，该模型在生态环境相关研究领域得到广泛应用. 例如，有研究发现，影响黄土高原地区NDVI变化的主要原因为降水和植被类型^[9]；植被类型和土壤类型是影响蒙古国NDVI变化的主导因素^[10]；气候变化是青藏高原西南部地区植被变化最重要的原因，而造成植被突变的主要原因是人类活动^[11]. Yang等^[12]探讨胡焕庸线两侧区域NDVI分异的驱动机制，结果表明，降水和高程是主导自然因素，建设用地扩展是主要人类活动因素.

黄河流域作为我国重要的生态屏障、粮食基地和能源基地，其生态环境变化对该地区的可持续发展至关重要^[13]. 受自然条件约束，流域内呈现明显的水土流失特性，2000年左右，我国实施的退耕还林草、坡改梯等工程措施，提高了植被覆盖和生产力^[14]. 在此背景下，气候变化和人类活动共同驱动下的黄河流域内植被动态时空分异特征受到了诸多学者的关注，已有研究基于NDVI，对该区域植被时空格局与环境因子之间的动态响应关系进行了系统表征与对比分析. 卢荡等^[15]发现2001~2020年间黄河流域干旱指数与植被指数总体上呈显著正相关，局部地区因人为干扰出现滞后响应. Tian等^[16]定量探讨气候变化和人为干扰对黄河流域植被绿化的贡献，发现超94%的植被变绿是气候变暖和人类活动共同造成的. 然而，在以往研究中，多集中在全流域尺度或局部区域的探讨，如黄河流域陕西段，针对水资源分区讨论环境因子对NDVI驱动的相关研究鲜有报道. 此外，当前研究多侧重于气象要素与NDVI之间的静态相关分析，仅能揭示植被覆盖与气候变量之间的基本联系，难以捕捉多尺度水文过程下的植被动态演化特征.

本研究聚焦于黄河流域水资源分区这一特定的地理单元，通过分区检验各环境因子的解释力，避免全域分析掩盖局部特征. 具体确定了3个主要目标：第一，使用2000~2022年NDVI数据研究黄河主要流域植被的时空格局和演化特征；第二，明确各分区NDVI与气象要素的多尺度相关性，检验植被响应是否存在时空滞后效应；第三，量化各环境因子对NDVI的驱动机制及主要环境因子对NDVI的响应关系. 分区研究能提高大流域研究结果的准确性，进一步为黄河流域生态环境保护与区域可持续发展提供科学依据.

1 材料与方法 1.1 研究区概况

黄河流域位于32°~42°N，96°~119°E之间，面积为7.95×10⁵ km²^[17]. 东南部为半湿润气候，中部为干旱和半干旱气候，西北部主要为干旱气候^[18]. 黄河干流总长5 464 km，水面落差4 480 m，发源于青藏高原，流经青藏高原、河套平原、黄土高原和黄淮海平原，最终在山东省汇入渤海^[19]. 区域内地貌差异较大，有高原、山地、盆地和平原等，年平均气温在-4~14℃之间，多年平均降水量在260~772 mm之间（1961~2019年），主要集中在7~9月^[20]. 本文将黄河流域划分为八大主要流域，如图 1所示，划分依据按照《全国水资源分区》技术规范，采用二级流域单元，其范围包括：龙门至三门峡区间（Ⅰ区）、兰州至河口镇区间（Ⅱ区）、龙羊峡以上区间（Ⅲ区）、河口镇至龙门区间（Ⅳ区）、龙羊峡至兰州（Ⅴ区）、内流区（Ⅵ区）、三门峡至花园口（Ⅶ区）和花园口以下（Ⅷ区）（图 1）^[21].

图 1 研究区地理位置示意 Fig. 1 Geographical location of the research zone

1.2 数据来源和预处理

本研究使用MODIS 16 d 250 m连续时间序列NDVI数据，时间序列为2000年2月至2022年12月，利用ArcGIS Pro 3.0.1软件将NDVI数据集重投影到WGS_1984坐标系，利用最大值合成法，合成年平均NDVI值，并根据等间隔分类方法将NDVI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）植被区这5个等级. 坡度和坡向数据运用ArcGIS Pro 3.0.1软件通过DEM数据计算得来，将其划分为5类. 对于反映人类活动的土地利用类型，采用最邻近法进行重采样至250 m分辨率，使其空间分辨率与NDVI数据一致，根据其利用方式归并为六大类型. 气候和人为影响因素等逐年TIFF数据分别采用最邻近法进行重采样至250 m分辨率，运用掩膜提取、投影转换和重分类等方法，将数据离散化划分为5类，并构建1 km×1 km的栅格单元体系，基于建立的采样点位体系，通过空间属性提取工具获取每个栅格单元对应的植被数值及驱动因子数值，构建了栅格属性数据库. 该数据库作为Geodetector模型的标准化输入数据，为后续深入开展黄河主要流域植被动态变化驱动力分析以及多因子交互作用研究提供了可靠的数据基础. 本研究所使用的数据见表 1.

表 1 数据信息 Table 1 Data information

1.3 研究方法 1.3.1 Sen+Mann-Kendall趋势

将Theil-Sen Median斜率分析估计与Mann-Kendall参数检验相结合，用于长时间序列数据趋势研究^[22].

β = M e d i a n (\frac{X_{j} - X_{i}}{j - i}), \forall j > i

(1)

式中，Median为中值函数；β为变化的趋势，时间序列{X_t}，t=1，2，…，n；X_i和X_j为第i和j年的X值；当β > 0，时间序列呈增加趋势，反之则呈下降趋势. Mann-Kendall检验作为Theil-Sen斜率估算的补充，用来检验变化趋势的显著性. 当统计检验量 $|Z|$ 大于1.64、1.96和2.58时，表示通过置信度为90%、95%和99%的显著性检验. 本文将NDVI变化类型划分为7个水平：极显著改善（β > 0， $|Z| \geq 2.58$ ）、显著改善（β > 0，1.96≤ $|Z|$ < 2.58）、轻微改善（β > 0，1.64≤ $|Z|$ < 1.96）、无显著变化（β=0）、轻微退化（β < 0，1.64≤ $|Z|$ < 1.96）、显著退化（β < 0，1.96≤ $|Z|$ < 2.58）和极显著退化（β < 0， $|Z|$ ≥2.58）.

1.3.2 突变点检验方法

为防止单一方法的局限性，本研究结合多种变点检测方法综合分析要素时间序列确定突变点，同时得出适用NDVI与气象要素时间序列突变检验的方法，通常统计值越高，代表突变显著性越高或引物与模板结合稳定性越强，故方法适宜性越高.

（1）Pettitt检验法是利用要素（y）秩序列（x）计算出统计量S_k，其绝对值最大对应时间点为可能的突变点^[23].

U_{t} = \sum_{i = 1}^{t} \sum_{j = t + 1}^{n} s g n (y_{i} - y_{j}) (i, j = 1, 2, \dots, n - 1)

(2)

K = m a x |U_{t}|

(3)

式中，U_t为第t点的统计量，y_i和y_j为时间序列值，n为序列长度，K为突变发生时间.

（2）有序聚类法推估突变点的实质是寻求最优分割点^[24].

（3）Man-Kendall法^[25]是通过计算统计量Z值，判断流域在时间序列中是否具有显著变化趋势，通过观察正序统计量UF和逆序统计量UB的交点，识别其突变点^[25].

（4）滑动T检验法通过对比两组数据的平均值差异是否显著来判断是否有突变发生^[26]，公式如下：

s = \sqrt[]{\frac{(n_{1} - 1) s_{1}^{2} + (n_{2} - 1) s_{2}^{2}}{n_{1} + n_{2} - 2}}

(4)

t = \sqrt[]{\frac{\bar{x_{2}} - \bar{x_{1}}}{s \sqrt[]{\frac{1}{n_{1}} + \frac{1}{n_{2}}}}}

(5)

式中，s为合并标准差，t为统计量， $\bar{x_{1}}$ 和 $\bar{x_{2}}$ 分别为前后子序列样本均值，n₁和n₂为子序列长度，s₁和s₂为样本标准差.

（5）累计距平法是计算各时间点相对多年平均数值的距平（R），将其累加（LP）绘制累计距平曲线^[27].

L P_{i} = \sum_{i = 1}^{n} (R_{i} - \bar{R})

(6)

式中，R_i为第i时刻的观测值， $\bar{R}$ 为全序列平均值，LP_i为前i个点的累计偏差总和.

（6）曼-惠特尼-皮特（MWP）检验法是基于时间序列的连续数据变化特征进行多变点检测的方法^[28].

K_{T} = \underset{1 \leq t \leq T}{m a x} |U_{t}|

(7)

P = 1 - e^{\frac{- 6 K_{T}^{2}}{T^{3} + T^{2}}}

(8)

式中，K_T为变异点可能发生的位置，T为时间序列，U_t为特征指标，t为假设最可能的显著变化点. P值越接近于1时，则变异愈明显.

1.3.3 小波相干分析

两个时间序列x和y在时频域上的连续小波变换分别为W_x（s，τ）和W_y（s，τ），通过交叉小波变换和标准化功率谱，定义小波相干系数^[29].

W_{x y} (s, τ) = W_{x} (s, τ) W_{y}^{*} (s, τ)

(9)

R^{2} (s, τ) = \frac{{|S [s^{- 1} W_{x y} (s, τ)]|}^{2}}{S [s^{- 1} {|W_{x} (s, τ)|}^{2}] \cdot S [s^{- 1} {|W_{y} (s, τ)|}^{2}]}

(10)

式中，R²（s，τ）为时频域上的相干性系数，范围为[0，1]，值越大表明两序列在尺度和时间上的相关性越强. W_y^*（s，τ）为W_y（s，τ）的复共轭，W_xy（s，τ）为交叉小波谱，s为尺度参数，τ为时间平移参数，S为平滑算子. 因在时频局部化与相位分析中具有较好的平衡性，故本文使用Morlet小波为小波基函数.

1.3.4 Geodetector模型

Geodetector模型可用于检测因变量Y的空间异质性并解释其驱动力^[8]. 计算公式如下：

q = 1 - \frac{1}{N σ^{2}} \sum_{h = 1}^{L_{X}} N_{h} σ_{h}^{2} = 1 - \frac{S S W}{S S T}

(11)

q_{X i ⋂ X j} = 1 - \frac{1}{N σ^{2}} \sum_{h = 1}^{L_{X i ⋂ X j}} N_{h} σ_{h}^{2}

(12)

F = \frac{N_{X i} (N_{X i} - 1) S S W_{X i}}{N_{X j} (N_{X i} - 1) S S W_{X j}}

(13)

S S W_{X i} = \sum_{h = 1}^{L i} N_{h} σ_{h}^{2}

(14)

S S W_{X j} = \sum_{h = 1}^{L_{i}} N_{h} σ_{h}^{2}

(15)

式中，h为Y和探测因子X的分层；N和N_h分别为全区域内或层h的单元数；σ²和σ_h²分别是全区Y值和层h的方差；SSW为层内方差之和；SST为全区总方差. L_i和L_j为分层数目； $S S W_{X_{i}}$ 和 $S S W_{X_{j}}$ 分别为X_i和X_j形成分层的层内方差之和； $N_{X_{i}}$ 和 $N_{X_{j}}$ 分别为X_i和X_j的样本数目. F为生态探测的统计量，q为探测因子对NDVI空间分异的解释力，值域为[0，1]. 若q（X_i∩X_j） > q（X_i）+ q（X_j）：非线性增强；若q（X_i∩X_j）=q（X_i）+q（X_j）：独立；若q（X_i∩X_j） < Min[q（X_i）+q（X_j）]：非线性减弱；其他情况为双因子增强；当i=j时为同一因子的交互作用，识别该因子是否存在阈值行为或空间异质性.

1.3.5 双变量空间自相关

双变量空间自相关分析用于揭示两变量空间依赖关系与分布模式^[30].

I = \frac{\sum_{p = 1}^{k} \sum_{q = 1}^{k} W_{p q} (x_{p} - \bar{x}) (y_{q} - \bar{y})}{(n - 1) σ_{p} σ_{q}}

(16)

I_{p} = \frac{n (x_{p} - \bar{x}) (y_{q} - \bar{y}) + \sum_{q = 1}^{k} W_{p q} (x_{p} - \bar{x}) (y_{q} - \bar{y})}{(n - 1) σ_{p} σ_{q}}

(17)

式中，I和I_p分别为双变量全局Moran's I指数和双变量局部Moran's I指数. W_pq为空间权重矩阵；x_p和x_q分别为p和q的属性值； $\bar{x}$ 和 $\bar{y}$ 为均值； $σ_{p}$ 和 $σ_{q}$ 为标准差.

2 结果与分析 2.1 NDVI时空分异特征 2.1.1 NDVI时空变化

图 2揭示了2000~2022年黄河主要流域NDVI年际变化特征趋势. 可以看出，黄河主要流域NDVI年均值均呈显著增加趋势（P < 0.05），并且除Ⅷ区（R²=0.22）和Ⅲ区（R²=0.44）以外，其余分区的线性拟合效果都比较好（R² > 0.6）. 从NDVI年际增长速率来看，Ⅳ区（0.01 a^-1） > Ⅰ区（0.007 2 a^-1） > Ⅱ区（0.006 3 a^-1） > Ⅵ区（0.005 1 a^-1） > Ⅴ区（0.003 7 a^-1） > Ⅶ区（0.003 2 a^-1） > Ⅲ区（0.002 3 a^-1） > Ⅷ区（0.001 7 a^-1）. 图 3展示了2000~2022年黄河主要流域NDVI的空间分布特征，直观反映了不同流域植被覆盖的显著差异. 从空间格局来看，NDVI的空间分布呈现由东南到西北递减的趋势特征[图 3（a）]，其中，NDVI高值区主要分布在Ⅶ、Ⅷ和Ⅰ区，低值区分布在Ⅵ和Ⅱ区. 在演化趋势中，流域内有71.08%的植被呈改善趋势[图 3（b）]，其中，54.97%的区域呈极显著改善趋势，主要分布在Ⅳ、Ⅰ、Ⅶ和Ⅵ区. NDVI呈显著改善趋势的区域次之，占比为10.76%，主要分布在Ⅴ、Ⅱ和Ⅲ区. 而NDVI退化区域仅占2.78%，这种下降趋势主要出现在城市快速扩张的地区，如Ⅷ和Ⅶ区. 整体看来，黄河主要流域大多数地区NDVI以改善为主，但部分区域的退化问题不容忽视，需因地制宜加强生态修复和管理.

红色阴影部分为95%置信区间图 2 2000~2022年黄河流域NDVI年际变化 Fig. 2 Temporal fluctuations in the long-term average NDVI across the YRB from 2000 to 2022

图 3 2000~2022年黄河流域NDVI空间分布情况与演化趋势 Fig. 3 Spatial distribution and temporal trends of NDVI in YRB from 2000 to 2022

2.1.2 NDVI转移特征

根据2000年和2022年NDVI空间分布的统计数据，计算NDVI转移矩阵，结果如图 4所示. 在研究期间，黄河主要流域大部分面积为未变化的中高植被区，主要分布在Ⅰ、Ⅲ、Ⅴ和Ⅷ区. 植被动态转移面积占比60.5%，其中，NDVI等级间的流动变化最多为中植被区→中高植被区，主要分布于Ⅰ、Ⅲ、Ⅳ、Ⅶ和Ⅷ区. 其次为中高植被区→高植被区，主要分布于Ⅲ、Ⅴ、Ⅶ和Ⅷ区. 而植被向更低等级转化的区域仅占2.96%，其中，转移比例最大的为Ⅳ区，占比为97%. 各研究区中Ⅵ区植被动态最为突出，高、中高和中植被区分别增加至原来的324、41和6倍. 总体而言，黄河主要流域低、中植被区覆盖面积趋于减少，中低、中高和高植被区覆盖面积趋于增长，植被动态转移特征整体上表现为向更高等级转移，生态环境向好发展. 这些差异化的转变模式不仅印证了各区域独特的自然环境特征，更凸显了不同区域人类活动强度与方式的差异性.

图 4 2000~2022年黄河流域NDVI转移特征 Fig. 4 Spatiotemporal transition characteristics of NDVI in YRB from 2000 to 2022

2.2 NDVI与气象要素的多尺度响应关系 2.2.1 NDVI突变检验

不同突变检验法的统计量计算及判断标准各异，使用时需结合区域和数据特点选择合适方法. 由表 2可知，除Ⅲ区部分检测方法未通过显著性检验外，其余分区的突变检验结果均达到显著水平（P < 0.01）. Ⅰ、Ⅱ和Ⅷ区于2011年出现显著突变，Ⅲ、Ⅴ和Ⅵ区均于2017年出现显著突变，Ⅶ区于2014年出现显著突变. 对于相同突变年份，以Ⅳ区为例，不同突变方法检验值排序为：有序聚类法（ $|T| = 5.604$ ）=滑动T检验法（ $|T| = 5.604$ ） > MWP检验法（ $|U| = 5.414$ ） > 累计距平法（ $|T| = 5.051$ ），故有序聚类法与滑动T检验法适宜Ⅳ区突变方法，同理得Ⅱ和Ⅴ区适宜突变方法为有序聚类法与滑动T检验法. Ⅲ、Ⅵ、Ⅶ和Ⅷ区适宜突变方法为有序聚类法，Ⅰ区适宜突变方法为曼-惠特尼-皮特MWP检验法. 总体上，黄河主要流域NDVI变化呈现显著区域差异，其突变特征与气候波动和人类活动密切相关.

表 2 不同突变检验方法所得NDVI突变年份^1） Table 2 Mutation years of NDVI obtained by different mutation testing methods

区域	Pettitt检验法 $\|T\|$	有序聚类法 $\|T\|$	Man⁃Kendall法 $\|U\|$	滑动T检验法 $\|T\|$	累计距平法 $\|T\|$	曼⁃惠特尼⁃皮特（MWP）检验法 $\|U\|$
Ⅰ区	2012年^*	2011年^*	2007年^*	2011年^*	2011年^*	2011年^*
Ⅰ区	$\|T\|$ =4.106	\|T\|=5.461	$\|U\|$ =5.625	$\|T\|$ =5.461	$\|T\|$ =4.675	$\|U\|$ =5.625
Ⅱ区	2012年^*	2011年^*	2011年^*	2011年^*	2011年^*	2011年^*
Ⅱ区	$\|T\|$ =3.772	\|T\|=5.936	$\|U\|$ =3.934	$\|T\|$ =5.936	$\|T\|$ =3.878	$\|U\|$ =3.935
Ⅲ区	2009年^*	2017年^*	2009年	2017年^*	2017年	2008年^*
Ⅲ区	$\|T\|$ =1.991	$\|T\|$ =7.205	$\|U\|$ =2.562	$\|T\|$ =5.325	$\|T\|$ =2.033	$\|U\|$ =2.562
Ⅳ区	2009年^*	2011年^*	2007年^*	2011年^*	2011年^*	2011年^*
Ⅳ区	$\|T\|$ =5.331	$\|T\|$ =5.604	$\|U\|$ =5.414	$\|T\|$ =5.604	$\|T\|$ =5.051	$\|U\|$ =5.414
Ⅴ区	2012年^*	2017年^*	2006年^*	2017年^*	2011年^*	2011年^*
Ⅴ区	$\|T\|$ =3.529	$\|T\|$ =6.150	$\|U\|$ =4.463	$\|T\|$ =6.150	$\|T\|$ =3.766	$\|U\|$ =4.463
Ⅵ区	2012年^*	2012年^*	2008年^*	2012年^*	2015年^*	2011年^*
Ⅵ区	$\|T\|$ =3.248	$\|T\|$ =6.549	$\|U\|$ =4.041	$\|T\|$ =4.661	$\|T\|$ =4.209	$\|U\|$ =4.041
Ⅶ区	2012年^*	2014年^*	2009年^*	2014年^*	2014年^*	2011年^*
Ⅶ区	$\|T\|$ =3.121	$\|T\|$ =4.898	$\|U\|$ =3.513	$\|T\|$ =3.882	$\|T\|$ =3.644	$\|U\|$ =3.513
Ⅷ区	2004年^*	2011年^*	2003年^*	2011年^*	2011年^*	2003年^*
Ⅷ区	$\|T\|$ =2.248	$\|T\|$ =4.358	$\|U\|$ =1.294	$\|T\|$ =2.831	$\|T\|$ =3.358	$\|U\|$ =1.294
1）*为 $\|T\|$ > t（0.01/2）或 $\|U\|$ > U（0.01/2），表示通过99%的显著性检验，t（0.01/2）=2.831，U（0.01/2）=2.576

表 2 不同突变检验方法所得NDVI突变年份^1） Table 2 Mutation years of NDVI obtained by different mutation testing methods

2.2.2 气象要素突变检验

综合多种变点检测方法得出TMP和PRE时间序列的突变点，结论相互验证. 由表 3可知，Ⅶ和Ⅷ区及部分其他区域PRE、TMP未通过99%显著性突变检验，表明其时间序列中不存在统计显著的突变点，需结合其他方法补充验证其长期影响. Ⅲ和Ⅴ区TMP于2014年出现显著突变，Ⅵ区TMP于2012年出现显著突变，Ⅰ区PRE于2010年出现显著突变，Ⅱ和Ⅳ区PRE于2011年出现显著突变，Ⅲ和Ⅴ区PRE于2016年出现显著突变，有序聚类法与滑动T检验法更适用于大部分区域气象要素的突变检测.

表 3 不同突变检验方法所得气象要素突变年份^1） Table 3 Mutation years of meteorological elements obtained by different mutation testing methods

区域	指标	Pettitt检验法 $\|T\|$	有序聚类法 $\|T\|$	Man⁃Kendall法 $\|U\|$	滑动T检验法 $\|T\|$	累计距平法 $\|T\|$	曼⁃惠特尼⁃皮特（MWP）检验法\|U\|
Ⅰ区	TMP	2016年	2014年	2000年	2012年	2014年	2015年
	TMP	$\|T\|$ =1.580	$\|T\|$ =2.075	$\|U\|$ =1.400	$\|T\|$ =1.802	$\|T\|$ =2.075	$\|U\|$ =1.400
	PRE	2010年	2018年	2010年^*	2010年	2010年	2010年^*
	PRE	$\|T\|$ =1.225	$\|T\|$ =1.893	$\|U\|$ =2.562	$\|T\|$ =1.876	$\|T\|$ =1.225	$\|U\|$ =2.582
Ⅱ区	TMP	2013年	2012年^*	2000年	2012年^*	2012年^*	2012年
	TMP	$\|T\|$ =2.435	$\|T\|$ =2.978	$\|U\|$ =2.087	$\|T\|$ =2.978	$\|T\|$ =2.949	$\|U\|$ =2.087
	PRE	2012年	2011年	2000年	2011年	2011年	2011年^*
	PRE	$\|T\|$ =1.764	$\|T\|$ =2.363	$\|U\|$ =1.875	$\|T\|$ =2.363	$\|T\|$ =1.582	$\|U\|$ =2.577
Ⅲ区	TMP	2015年	2014年	2000年	2014年^*	2014年	2014年
	TMP	$\|T\|$ =1.868	$\|T\|$ =2.554	$\|U\|$ =2.403	$\|T\|$ =2.854	$\|T\|$ =2.557	$\|U\|$ =2.4033
	PRE	2017年	2002年	2002年	2016年^*	2016年	2016年
	PRE	$\|T\|$ =1.097	$\|T\|$ =2.559	$\|U\|$ =1.822	$\|T\|$ =2.861	$\|T\|$ =1.972	$\|U\|$ =1.882
Ⅳ区	TMP	2015年	2013年	2000年	2012年	2013年	2014年
	TMP	$\|T\|$ =2.154	$\|T\|$ =2.515	$\|U\|$ =2.033	$\|T\|$ =2.409	$\|T\|$ =2.515	$\|U\|$ =2.033
	PRE	2011年	2011年^*	2000年	2006年	2011年	2010年
	PRE	$\|T\|$ =1.428	$\|T\|$ =2.978	$\|U\|$ =2.192	$\|T\|$ =2.009	$\|T\|$ =1.428	$\|U\|$ =2.192
Ⅴ区	TMP	2015年	2014年^*	2014年	2012年	2014年^*	2014年
	TMP	$\|T\|$ =1.963	$\|T\|$ =2.966	$\|U\|$ =2.351	$\|T\|$ =2.770	$\|T\|$ =2.740	$\|U\|$ =2.351
	PRE	2017年	2016年^*	2002年	2016年^*	2016年	2016年
	PRE	$\|T\|$ =1.408	$\|T\|$ =3.149	$\|U\|$ =2.245	$\|T\|$ =3.149	$\|T\|$ =2.596	$\|U\|$ =2.245
Ⅵ区	TMP	2013年	2012年^*	2000年	2012年^*	2012年	2012年
	TMP	$\|T\|$ =2.029	$\|T\|$ =2.970	$\|U\|$ =1.664	$\|T\|$ =2.970	$\|T\|$ =2.256	$\|U\|$ =1.664
	PRE	2012年	2000年	2004年	2011年	2011年	2011年
	PRE	$\|T\|$ =1.328	$\|T\|$ =2.319	$\|U\|$ =1.031	$\|T\|$ =1.853	$\|T\|$ =1.167	$\|U\|$ =1.031
Ⅶ区	TMP	2016年	2015年	2000年	2015年	2015年	2015年
	TMP	$\|T\|$ =1.844	$\|T\|$ =2.354	$\|U\|$ =1.769	$\|T\|$ =2.354	$\|T\|$ =2.167	$\|U\|$ =1.769
	PRE	2003年	2002年	2002年	2002年	2002年	2002年
	PRE	$\|T\|$ =1.112	$\|T\|$ =2.449	$\|U\|$ =1.502	$\|T\|$ =2.449	$\|T\|$ =1.223	$\|U\|$ =1.502
Ⅷ区	TMP	2015年^*	2015年^*	2014年^*	2014年^*	2014年^*	2014年^*
	TMP	$\|T\|$ =4.180	$\|T\|$ =4.783	$\|U\|$ =2.984	$\|T\|$ =4.754	$\|T\|$ =4.783	$\|U\|$ =2.984
	PRE	2016年	2002年	2002年	2002年	2002年	2015年
	PRE	$\|T\|$ =1.511	$\|T\|$ =2.275	$\|U\|$ =1.607	$\|T\|$ =2.275	$\|T\|$ =1.700	$\|U\|$ =1.607
1）*为 $\|T\|$ > t（0.01/2）或 $\|U\|$ > U（0.01/2），表示通过99%的显著性检验，t（0.01/2）=2.831，U（0.01/2）=2.576

表 3 不同突变检验方法所得气象要素突变年份^1） Table 3 Mutation years of meteorological elements obtained by different mutation testing methods

2.2.3 NDVI与气象要素的相干性

图 5的小波相干谱展示了黄河主要流域PRE和TMP对NDVI变化的影响及二者的遥相关关系. Ⅰ区的NDVI-PRE存在5~8 a的共振周期，但大部分区域未在小波影响锥曲线内，影响并不明显；NDVI-TMP存在4 a与8 a左右的不显著周期变化. Ⅱ区NDVI-PRE存在2~3、4~6与8 a左右的不显著周期变化，而在2011~2014年在1 a周期上通过95%的置信区间的显著性检验，呈现稳健的相位关系，NDVI较PRE滞后30°左右（约1个月），反映出植被生长对适应降水变化的时间较长；NDVI-TMP存在2~5 a的共振周期，虽通过95%置信度检验，但未在锥曲线内，影响与相关性不明显. Ⅲ区NDVI-PRE和NDVI-TMP分别存在2~4 a和4 a左右的不显著周期变化. Ⅳ区NDVI-PRE在2 a和4 a左右呈现显著周期变化，对于2 a周期，NDVI滞后PRE约30°（约2个月），对于4 a周期，降水滞后NDVI约30°（约4个月），这反映了不同时间尺度上存在不同的驱动机制；NDVI-TMP存在1~3 a的不显著周期变化. Ⅴ区NDVI-PRE在2~4 a左右的不显著周期变化，而NDVI-TMP未出现显著周期变化. Ⅵ区NDVI-PRE存在1~3 a的不显著周期变化；NDVI-TMP在3~5 a左右有较好的正相关变化，且NDVI较PRE滞后30°左右（约3~5个月），这可能与土壤水再分配有关. Ⅶ区NDVI-PRE在3~6 a左右存在不显著周期变化；NDVI-TMP存在1~2 a和4~5 a的不显著周期变化. Ⅷ区NDVI-PRE存在1 a和4~6 a左右的共振周期，虽通过置信度的检验，但未在影响锥曲线内，影响并不明显；NDVI-TMP存在1~2 a和8 a左右的不显著周期变化. 整体来看，黄河主要流域气候要素与NDVI的相干性在不同时间尺度上存在差异，PRE对NDVI变化的联系要强于TMP，仅Ⅱ区和Ⅳ区的NDVI-PRE与Ⅵ区的NDVI-TMP呈现出具有统计学意义的近似正相关关系，其余分区的大部分频段上相干性较弱.

U形曲线为小波边界效应的影响锥，红线为95%置信区间的边界，箭头方向表示相位关系和相关性图 5 黄河流域NDVI与气象因素小波相干谱图 Fig. 5 Cross-wavelet coherence plot of NDVI and meteorological factors in YRB

2.3 黄河主要流域NDVI驱动机制分析 2.3.1 单因子影响力探测

基于Geodetector模型的因子检测模块，黄河主要流域驱动因子的空间解释力差异显著（0.01≤q≤0.75）（图 6）. 除POPD外，其余因子均通过显著性检验（P < 0.05），影响NDVI空间变化的主导因子在不同分区间存在显著差异. 在Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ区，气候是影响NDVI空间变化的关键因素. 其中，Ⅲ区的主导影响因子为SSD（q=0.458），而PRE则主导其余4个分区植被动态变化. Ⅶ区主要受LFT和气候的综合影响，其中LFT影响最为突出，q值为0.462. Ⅵ和Ⅷ区NDVI的空间变化主要受DEM和人类活动的综合影响. 其中，Ⅵ区受DEM影响最大，q值为0.75，Ⅷ区受LUCC影响最大，q值为0.19.

图 6 黄河流域各因子对NDVI空间分异的解释力 Fig. 6 Explanatory capacity of each factor to the spatial heterogeneity of NDVI

2.3.2 不同因子间相互作用影响力探测

交互探测和生态探测表明，不同驱动因子间的相互作用存在显著的空间异质性，且各驱动因子间的相互作用增强了对NDVI的解释力（图 7）. 除POPD外，所有因子探测结果均通过显著性检验（P < 0.05）. 在Ⅰ（0.5≤q≤0.58）、Ⅱ（0.27≤q≤0.49）、Ⅳ（0.56≤q≤0.62）和Ⅴ区（0.5≤q≤0.65）均表现为PRE与其他因子交互作用对植被动态影响最大；Ⅲ区交互探测的主导因素为气候因子，其中PRE∩TMP的交互作用为最大（q=0.63）；Ⅴ区大部分交互因子对NDVI无显著影响，但Ⅵ区大部分交互因子有显著差异，SSD较为突出；Ⅵ区中DEM∩ASP（q=0.78）、DEM∩TMP（q=0.76）的交互作用最大. Ⅶ和Ⅷ区LUCC与其他气候因子交互作用较为突出. 在Ⅰ和Ⅳ区，DEM和TMP与其他气候因子间作用较为突出；Ⅱ区VEG和LUCC与其他因素均有显著差异，但与PRE和ST没有显著差异，且这二者之间的交互作用无显著差异. 整体来看，NDVI受气候因素、地表因素和人类活动的共同影响，不同因子间存在协同增强效应，且PRE与其他气候因子间作用较为突出.

Y表示两个影响因子对NDVI空间分布存在显著性差异，N则表示不显著，置信水平为95%；*为非线性增强，**为双因子增强；1. DEM，2. TMP，3. PRE，4. EVP，5. RHU，6. SSD，7. LFT，8. ST，9. SLP，10. ASP，11.VEG，12. LUCC，13. POPD 图 7 黄河流域不同因子相互作用探测结果 Fig. 7 Detection results of the interactions of each factor in the YRB

2.3.3 NDVI与主导因子的空间相关性

根据Geodetector结果，选取黄河主要流域各分区对NDVI影响最大且出现频率最多的前3个因子（PRE、SSD和LUCC）作为主导影响因子，利用GeoDa软件建立空间权重矩阵，以像元为单位探究各主导因素与NDVI之间的空间关联特征，取P值0.05、0.01和0.001作为显著性水平数值，通过与LISA聚类图进行空间叠加处理，得到流域LISA显著性聚类图（图 8）. 结果表明各变量之间的相关性均存在显著差异，流域内大部分面积为不显著性地区. NDVI与SSD之间的相关性大部分为负相关（高-低、低-高），主要集中在Ⅰ、Ⅳ、Ⅶ和Ⅲ区[图 8（a）]，聚类图与散点图相符，Moran's I指数散点图集中于第二、四象限，其中，不显著负相关占比为最大（73.8%），弱显著负相关次之，占比为5.9%. NDVI与PRE呈强正相关关系（高-高、低-低），主要集中在Ⅲ、Ⅰ和Ⅷ区[图 8（b）]，表明降水与NDVI有较好的相关性，且随降水增多（减少）而增多（减少）. 聚类图与散点图相符，Moran's I指数散点图集中于第一、三象限，其中，不显著正相关占比最大，为70.9%，弱显著正相关占比10.9%. NDVI与LUCC呈正相关关系（高-高、低-低），主要集中在Ⅵ、Ⅷ、Ⅶ和Ⅲ区[图 8（c）]，聚类图与散点图相符，Moran's I指数散点图集中于第一、三象限，其中不显著正相关占比最大，为73.7%，弱显著正相关占比为6.3%.

图 8 黄河流域NDVI与主导环境因子间的LISA显著性聚类 Fig. 8 Significant LISA cluster depicting the spatial association between NDVI and dominant environmental drivers in YRB

3 讨论 3.1 NDVI变化原因

黄河流域NDVI值总体呈上升趋势，空间异质性明显，其主要原因有两个方面：一方面，可能是由于全球气候变暖促进了植被的自然生长和恢复. 有研究发现良好的水热环境为植被生长提供了有利条件，特别是在气温和降水增多的地区，土壤微生物活性增强，加速土壤有机质的分解，使植被的生长期延长^[31]. 这种水热驱动的生态过程在黄河流域表现得尤为显著，2000~2022年研究区内气候要素向更温暖和更潮湿条件过渡（TMP上升速率为0.026 ℃·a^-1，PRE增速0.032 mm·a^-1），植被响应明显（NDVI增速0.03 a^-1）. 高植被区主要集中在Ⅰ、Ⅶ和Ⅷ区，整体呈由南向北递减的趋势，这可能与气候要素的空间分布不均及地形等因素有较大关系. 气候分布沿海拔梯度呈现出明显的变化特征，与低海拔区形成显著对比，高海拔地区的人类活动较少，受气候变化的影响更大，植被变化更多地归因于气候变化而非人类活动，Ⅲ和Ⅴ区的因子探测结果证明了这一点. 另一方面，可能与21世纪初国家实施的一系列生态工程有关，如陡坡改梯田、天然林保护等措施. 长期监测表明，生态修复工程的实施有效提升了多个地区的植被覆盖度，导致NDVI有所增加^[32]. 目前，流域内NDVI增长较快的地区集中分布在Ⅳ和Ⅱ区，其增速分别高出全域均值的93.9%与72.4%，可能因为这些地区与黄土高原退耕还林及防护林体系空间布局高度吻合[图 9（a）]. 退耕还林等生态工程主要是通过转变土地利用的方式来改善生态环境质量，最直接表现形式是耕地减少而草地增加^[33]，流域内土地利用转移占比为34.2%，草地和林地面积转移明显，分别占总转移面积的39.4%和14.8%，其中以“耕地→草地”转移为主，占总转移面积的10.3%[图 9（b）]. 气候变化可导致陆地生态系统结构和功能发生显著改变，而区域土地利用格局变化会改变土地覆盖类型，这两者共同对NDVI产生重大影响.

1.太行山地生态功能保护区，2.黑河流域生态功能保护区，3.黄河三角洲湿地生态功能保护区，4.长江源生态功能保护区，5.黄河源生态功能保护区，6.若尔盖⁃玛曲生态功能保护区，7.岷山⁃邛崃山生态功能保护区，8.秦岭山地生态功能保护区，9.南水北调中线工程水源区生态功能保护区，10.毛乌素沙地生态功能保护区，11.黄土高原生态功能保护区图 9 黄河流域生态功能保护区、土地利用转移及NDVI稳定性检验 Fig. 9 Ecological function conservation areas, land-use transition and NDVI stability testing in YRB

为解析区域间的植被动态分异特征，本研究在量化NDVI整体趋势及其驱动因子的基础上，进一步引入变异系数（coefficient of variation，CV）表征植被稳定性，CV越大，表明NDVI年际波动越剧烈^[34]. 黄河流域NDVI变异系数介于0~0.75之间，高波动区域（CV > 0.5）集中分布在Ⅰ、Ⅱ、Ⅳ和Ⅵ区[图 9（c）]，这可能与区域生态环境和功能保护区的建设密切相关. 例如，Ⅳ和Ⅵ区高波动像元分布于毛乌素沙地生态功能保护区，在生态恢复工程实施后出现NDVI等级由“低→中低”的快速跃迁，植被覆盖显著提升. 然而，半干旱地区植被与水资源之间的相互作用紧密，植被快速恢复过程同时引发了新的生态水文效应：随着NDVI的增加，植被叶面积指数增加，植物蒸腾耗水量显著上升^[35]；而沙草地的蒸腾耗水大且土壤持水力低，植被恢复初期根系发育不完善，水分利用效率波动大^[36]，从而导致NDVI波动加剧，这一变化反映了人工植被恢复对沙草地植被系统的强烈扰动⁃再平衡过程. 正如Gao等^[37]指出黄河流域中游沙区植被恢复后蒸散发显著增加，对植被水分供给产生不利影响，但随着植被群落演替与根系结构的优化，系统将逐步适应新的水文循环模式，未来植被的不稳定性有望趋于降低.

3.2 NDVI对环境因子的响应

黄河流域内地形复杂，降水量相对较少且季节分配不均衡，加之人类活动干扰，使得植被动态响应机制具有显著的区域特性. 因此，对水资源分区植被动态过程及其驱动机制进行深入研究至关重要. 区域的植被动态过程，即植被通过光合-蒸腾作用响应气候波动与人类活动的非线性演化过程，包含PRE、SSD、径流和土地利用类型改变等多个环节. PRE和SSD通过水分补给和胁迫直接影响植被的可利用水分^[38]，而径流和土地利用则通过侧向水再分配和改变下垫面条件来间接调控植被生长过程^[39]. 本研究发现PRE和LUCC与NDVI呈正相关，而与SSD呈负相关，这与博斯腾湖流域^[40]、罗马尼亚森林^[41]和西南地区^[42]等地区研究结论一致. 小波相干分析发现NDVI与PRE的相干性强于TMP，且NDVI对两个气象因素均表现出稳定的相位滞后，这与刘芃凯等^[43]在海河流域及Liu等^[44]对全国植被的研究结果相似. 区域植被演替处于动态变化过程，人类活动和气候变化都可能会打破该系统的动态平衡，进而破坏、恢复或演化到新的平衡状态. 这些动态转变在突变检验中表征为关键转折点，其本质是气候系统重组、生态工程实施或极端干旱/暴雨事件触发的水文状态跃迁，而小波相干性通过相位滞后与共振周期调整，定量揭示了植被-水文系统向新平衡态演化的适应过程^[45]. 例如，Ⅱ区PRE在2011年突变触发的水文状态跃迁，驱动NDVI同步发生转折，相干谱图进一步揭示该系统通过调整1 a的水分利用效率向新平衡态演化，这种短周期滞后机制可能与该地区分布的大量林草地密切相关，由于林草地的林冠层结构特征对PRE截流效果较强，导致植被可利用水分补给存在延迟^[46]. 对于Ⅵ区NDVI与TMP的响应存在约30°相位滞后，这可能与内流区独特的下垫面热力调节过程密切相关，高温通过增加表面蒸发和植物蒸腾作用降低土壤水分含量，这会引发干旱胁迫^[47]，进而抑制植被的关键生理过程，如光合作用，这也是导致Ⅵ区在2012年NDVI相继发生突变的部分原因.

不同区域的地理环境、气候条件和人类活动等因素都可能影响到植被动态变化，这些过程共同塑造了黄河流域NDVI“东南高，西北低”的格局. 在高寒地区，如Ⅲ区，SSD对NDVI的解释力比PRE更显著，表明气候因素是该地区植被生长的主要限制因素. 这可能是由于气候因子对植被的影响主要是在表层土中通过改变土壤理化性质来间接影响土壤功能，而高寒草甸和草原的根系深度较短且土壤持水力低^[48]，且高寒地区人口稀少，人类活动有限且强度较低，故气候变化导致的NDVI变化大于人类活动. 而Ⅶ和Ⅷ区是人类活动广泛且密集的地区，这些地区NDVI变化主要受人类活动影响为主. 本研究发现NDVI退化及不稳定区域主要集中于城市群附近[图 3（b）]，其敏感性源于人类活动强度的空间分异，如过度开垦、放牧以及不透水地面增加^[49]. 以Ⅷ区为例，Geodetector结果表明，该区植被变化主要归因于人类活动，其中建设用地的扩张率高达84.2%. 鉴于此，城市规划需通过优化绿色基础设施配置、合理规划建筑形式和高度等措施提升植被覆盖，并优先推进多尺度生态廊道建设，以防止土地利用变化对植被的负面影响，扭转土地利用范围扩大与全球绿色基础设施优化趋势逆向发展的局面. 另外，各分区Geodetector的交互探测作用显示，除不同因子间存在协同增强效应外，同一因子的自交互作用亦能显著提升解释力，如Ⅰ区q（PRE∩PRE）=0.019 > q（PRE）=0.01，这表明PRE对植被的影响存在临界阈值或空间异质性，即PRE具有非线性特征^[50]. 由于本研究聚焦多因子协同作用的宏观格局，对降水非线性机制的具体形式尚未深入解析，如阈值量化等，这一问题将作为后续研究的方向.

3.3 区域生态协同的治理建议

本研究分析了2000~2022年黄河主要流域植被动态演变特征及驱动机制，针对自然和人类活动对生态系统的多重影响，本文提出了黄河流域水资源分区管理对策. Ⅰ、Ⅶ和Ⅷ区是NDVI高值区，且降水量相对较多，城镇化高，人口集中，易产生工业用水浪费. 需优化土地利用规划，合理布局城市与农业用地，严格管控沿黄城市带的无序扩张，避免在植被覆盖度高、生态功能关键区域进行大规模开发. Ⅲ和Ⅴ区亦是NDVI高值区，也是重要的水源涵养区，应强化监测与评估，构建长期生态系统监测网络，定期评估区域植被动态及驱动因素，量化驱动因子影响权重，建立植被变化预警机制. Ⅱ、Ⅳ和Ⅵ区为NDVI低值区，应该优化水资源配置体系，延续退耕还林政策，推进梯田建设与节水灌溉技术应用，平衡农业-生态用水需求. 通过湿地修复缓解蒸散发过程的负向效应，提升水资源利用效率. 这些措施可精准应对地形与人类活动因子的叠加影响，通过分区施策优化生态保护工程布局，实现生态保护与发展经济社会的良性互动.

在区域尺度上解析植被动态变化面临诸多挑战. 首先，长序列和高时空分辨率的遥感和气象数据是开展研究的前提，遥感数据受卫星几何视场角、大气中的霾和云等因素影响需进行校正和滤波处理，但处理过程中易有误差导致结果存在一定差异. 其次，植被-气候-人类活动的耦合机制具有高度非线性. 气候在宏观尺度上主导水热平衡，人类活动则通过改变冠层结构、土壤水分再分配与地表能量收支，在区域尺度上引发异质反馈. 本研究未探讨气候和人类活动对植被动态变化的贡献率及其边际效应，因此，后续的研究中可以在数据获取、模型改进、人类活动影响评估、长期监测和预测等方面进行深入完善，使分析更加深入.

4 结论

（1）2000~2022年黄河主要流域NDVI呈显著上升趋势（P < 0.05），其中，Ⅳ区增长速率最高，为0.01 a^-1；Ⅷ区最小，增长速率仅为0.001 7 a^-1. 空间上呈自西北向东南递增的趋势，植被动态转移特征以转向更高等级为主，且显著改善的面积远大于显著退化的面积，改善面积占比为71.08%，主要集中分布在Ⅳ、Ⅰ、Ⅶ和Ⅵ区.

（2）综合多种突变检验方法，有序聚类法与滑动T检验法更适用于NDVI与气象要素的突变检测，且二者突变节点基本相符. Ⅳ区PRE较NDVI在2 a左右存在约30°的相位滞后，而在4 a周期PRE滞后NDVI约30°；Ⅱ区NDVI与PRE的响应在1 a左右存在30°相位滞后，Ⅵ区NDVI与TMP在3~5 a左右存在约30°相位滞后，其余分区相干性较弱，但从整体来看PRE对NDVI变化的影响要强于TMP.

（3）气候因子是影响黄河主要流域NDVI空间分异的主要驱动因素，如PRE、SSD和LUCC. 任何两种变量间的交互作用较单因子作用都有明显提升，其中PRE与其他因子的交互作用对NDVI的影响较为突出. 相关性分析结果表明NDVI与SSD呈强负相关关系，与PRE和LUCC呈正相关关系.

参考文献

[1]	Wu M H, Liu Y H, Xu Z C, et al. Spatio-temporal dynamics of China's ecological civilization progress after implementing national conservation strategy[J]. Journal of Cleaner Production, 2021, 285. DOI:10.1016/j.jclepro.2020.124886
[2]	何祖鑫, 耿广坡, 郑若琳. 退耕还林还草背景下黄河流域陕西段植被覆盖度变化特征及驱动力分析[J]. 环境科学, 2025, 46(12): 7819-7830. He Z X, Geng G P, Zheng R L. Variation characteristics and its driving forces of fractional vegetation cover in the Shaanxi section of the Yellow River Basin under the background of the grain for green program[J]. Environmental Science, 2025, 46(12): 7819-7830. DOI:10.13227/j.hjkx.202409154
[3]	Peng W F, Kuang T T, Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan, western China[J]. Journal of Cleaner Production, 2019, 233: 353-367. DOI:10.1016/j.jclepro.2019.05.355
[4]	马晓倩, 钟瑞森, 吴彬, 等. 塔里木河干流植被NDVI时空动态变化及影响因素探测[J]. 环境科学, 2025, 46(9): 5813-5824. Ma X Q, Zhong R S, Wu B, et al. Spatiotemporal dynamics of NDVI in the Tarim River mainstream and its influencing factors[J]. Environmental Science, 2025, 46(9): 5813-5824. DOI:10.13227/j.hjkx.202409115
[5]	Xu Y, Dai Q Y, Zou B, et al. Tracing climatic and human disturbance in diverse vegetation zones in China: over 20 years of NDVI observations[J]. Ecological Indicators, 2023, 156. DOI:10.1016/j.ecolind.2023.111170
[6]	赖金林, 齐实, 廖瑞恩, 等. 2000—2019年西南高山峡谷区植被变化对气候变化和人类活动的响应[J]. 农业工程学报, 2023, 39(14): 155-163. Lai J L, Qi S, Liao R E, et al. Vegetation change responses to climate change and human activities in southwest alpine canyon areas of China from 2000 to 2019[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(14): 155-163.
[7]	陈宽, 杨晨晨, 白力嘎, 等. 基于地理探测器的内蒙古自然和人为因素对植被NDVI变化的影响[J]. 生态学报, 2021, 41(12): 4963-4975. Chen K, Yang C C, Bai L G, et al. Effects of natural and human factors on vegetation normalized difference vegetation index based on geographical detectors in Inner Mongolia[J]. Acta Ecologica Sinica, 2021, 41(12): 4963-4975.
[8]	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. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[9]	Wu D H, Zhao X, Liang S L, et al. Time‐lag effects of global vegetation responses to climate change[J]. Global Change Biology, 2015, 21(9): 3520-3531. DOI:10.1111/gcb.12945
[10]	Meng X Y, Gao X, Li S Y, et al. Spatial and temporal characteristics of vegetation NDVI changes and the driving forces in Mongolia during 1982-2015[J]. Remote Sensing, 2020, 12(4). DOI:10.3390/rs12040603
[11]	Liu Q H, Liu L S, Zhang Y L, et al. Identification of impact factors for differentiated patterns of NDVI change in the headwater source region of Brahmaputra and Indus, southwestern Tibetan Plateau[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107604
[12]	Yang J, Yan D M, Yu Z L, et al. NDVI variations of different terrestrial ecosystems and their response to major driving factors on two side regions of the Hu-Line[J]. Ecological Indicators, 2024, 159. DOI:10.1016/j.ecolind.2024.111667
[13]	黎云云, 畅建霞, 樊晶晶, 等. 气候和土地利用变化下黄河流域农业干旱时空演变及驱动机制[J]. 农业工程学报, 2021, 37(19): 84-93. Li Y Y, Chang J X, Fan J J, et al. Agricultural drought evolution characteristics and driving mechanisms in the Yellow River Basin under climate and land use changes[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(19): 84-93.
[14]	张谱, 易媛媛, 徐晋涛. 我国退耕还林还草工程实施后林草用地变化的时空特征[J]. 北京大学学报(自然科学版), 2024, 60(6): 1107-1122. Zhang P, Yi Y Y, Xu J T. Spatial and temporal characteristics of forest and grassland land use changes after the implementation of grain for green program in China[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2024, 60(6): 1107-1122.
[15]	卢荡, 魏伟, 王继平, 等. 重要生态功能区干旱时空演变特征及对关键资源的影响: 以黄河流域为例[J]. 环境科学, 2024, 45(6): 3352-3362. Lu D, Wei W, Wang J P, et al. Spatio-temporal evolution of drought and its impact on key resources in the important ecological functional area: a case study in the Yellow River Basin[J]. Environmental Science, 2024, 45(6): 3352-3362. DOI:10.13227/j.hjkx.202306195
[16]	Tian F, Liu L Z, Yang J H, et al. Vegetation greening in more than 94% of the Yellow River Basin (YRB) region in China during the 21st century caused jointly by warming and anthropogenic activities[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107479
[17]	王晓蕾, 石守海, 陈江朝霞. 黄河流域植被覆盖度变化及驱动因素[J]. 中国环境科学, 2022, 42(11): 5358-5368. Wang X L, Shi S H, Chen J Z X. Change and driving factors of vegetation coverage in the Yellow River Basin[J]. China Environmental Science, 2022, 42(11): 5358-5368.
[18]	王奕淇, 孙学莹. 黄河流域生态系统服务权衡协同关系及其时空异质性[J]. 环境科学, 2025, 46(2): 972-989. Wang Y Q, Sun X Y. Trade-off and synergy of ecosystem services in the Yellow River Basin and their spatiotemporal heterogeneity[J]. Environmental Science, 2025, 46(2): 972-989. DOI:10.13227/j.hjkx.202402126
[19]	刘晶晶, 宋冰洁, 苏峥, 等. 顾及生态系统服务的黄河流域国土空间利用效率评估与影响因素[J]. 农业工程学报, 2025, 41(5): 268-279. Liu J J, Song B J, Su Z, et al. Evaluation and influencing factors of territorial space utilization efficiency considering ecosystem services in the Yellow River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(5): 268-279.
[20]	刘金花, 郑永兴, 李威, 等. 基于生态退化风险的国土空间生态修复区域优先序划定——以黄河流域山东段为例[J]. 中国环境科学, 2025, 45(3): 1587-1600. Liu J H, Zheng Y X, Li W, et al. Regional prioritization of territorial spatial ecological restoration based on ecological degradation risk: a case study of the Shandong section of the Yellow River Basin[J]. China Environmental Science, 2025, 45(3): 1587-1600.
[21]	杨肖丽, 朱敏讷, 罗定, 等. 黄河流域气象干旱及其恢复动态分析[J]. 水资源保护, 2025, 41(3): 127-133. Yang X L, Zhu M N, Luo D, et al. Dynamic analysis of meteorological drought and its recovery in the Yellow River Basin[J]. Water Resources Protection, 2025, 41(3): 127-133.
[22]	王敏丽, 张慧聪, 董丽瑶, 等. 太行山-燕山地区植被覆盖时空异质性及其驱动力[J]. 中国环境科学, 2025, 45(5): 2792-2805. Wang M L, Zhang H C, Dong L Y, et al. Spatio-temporal heterogeneity of vegetation cover and its driving forces in the Taihangshan-Yanshan Region[J]. China Environmental Science, 2025, 45(5): 2792-2805.
[23]	康利刚, 辛存林, 杨羽帆, 等. 甘肃省生态环境质量遥感评价及其驱动因子定量识别[J]. 环境科学, 2025, 46(6): 3730-3746. Kang L G, Xin C L, Yang Y F, et al. Remote sensing evaluation of ecological environment quality in Gansu province and quantitative identification of its driving factors[J]. Environmental Science, 2025, 46(6): 3730-3746. DOI:10.13227/j.hjkx.202406186
[24]	张伟, 王璇, 孙慧超, 等. 基于多重精度降雨数据的北京市极端降雨事件研究[J]. 水资源保护, 2025, 41(2): 123-132, 157. Zhang W, Wang X, Sun H C, et al. Research on extreme precipitation events in Beijing based on multi-resolution rainfall data[J]. Water Resources Protection, 2025, 41(2): 123-132, 157.
[25]	张曦泽, 杨丽虎, 宋献方. 黄河上游近60年水沙变化特征及其影响因素[J]. 湖泊科学, 2024, 36(2): 602-619. Zhang X Z, Yang L H, Song X F. Runoff and sediment load changes in the upper Yellow River and their influencing factors in recent 60 years[J]. Journal of Lake Sciences, 2024, 36(2): 602-619.
[26]	孟钰, 徐文静, 管新建, 等. 淮河上游径流变化多元影响因子敏感性及贡献率分析[J]. 应用基础与工程科学学报, 2024, 32(3): 801-812. Meng Y, Xu W J, Guan X J, et al. Sensitivity and contribution rate analysis of multiple factors affecting runoff change in the upper Huaihe River[J]. Journal of Basic Science and Engineering, 2024, 32(3): 801-812.
[27]	李想, 张雪芹, 徐晓明. 近40年来贝加尔湖区气候变化及其对湖泊水位的影响[J]. 湖泊科学, 2022, 34(1): 219-231. Li X, Zhang X Q, Xu X M. Climate change and its effects on the water level of Lake Baikal region since the 1980s[J]. Journal of Lake Sciences, 2022, 34(1): 219-231.
[28]	Kiely G, Albertson J D, Parlange M B. Recent trends in diurnal variation of precipitation at Valentia on the west coast of Ireland[J]. Journal of Hydrology, 1998, 207(3-4): 270-279. DOI:10.1016/S0022-1694(98)00143-7
[29]	Nalley D, Adamowski J, Biswas A, et al. A multiscale and multivariate analysis of precipitation and streamflow variability in relation to ENSO, NAO and PDO[J]. Journal of Hydrology, 2019, 574: 288-307. DOI:10.1016/j.jhydrol.2019.04.024
[30]	雷茜, 胡忠文, 王敬哲, 等. 1985—2015年中国不同生态系统NDVI时空变化及其对气候因子的响应[J]. 生态学报, 2023, 43(15): 6378-6391. Lei Q, Hu Z W, Wang J Z, et al. Spatiotemporal dynamics of NDVI in China from 1985 to 2015: ecosystem variation, regional differences, and response to climatic factors[J]. Acta Ecologica Sinica, 2023, 43(15): 6378-6391.
[31]	Gao S, Liang E Y, Liu R S, et al. An earlier start of the thermal growing season enhances tree growth in cold humid areas but not in dry areas[J]. Nature Ecology & Evolution, 2022, 6(4): 397-404.
[32]	Ge L B, Mei X M, Ping J H, et al. Identification of suitable vegetation restoration areas and carrying capacity thresholds on the Loess Plateau[J]. Journal of Environmental Management, 2025, 373. DOI:10.1016/j.jenvman.2024.123660
[33]	Wang J J, Zhang Z Y, Li J, et al. Disentangling the effects of the Grain for Green project on ecosystem carbon sequestration on the Loess Plateau[J]. Catena, 263. DOI:10.1016/j.catena.2025.109668
[34]	Milich L, Weiss E. GAC NDVI interannual coefficient of variation (CoV) images: ground truth sampling of the Sahel along North-South transects[J]. International Journal of Remote Sensing, 2000, 21(2): 235-260. DOI:10.1080/014311600210812
[35]	Luan J K, Ma N. Responses of seasonal hydrological processes to vegetation change in the Yellow River basin[J]. Journal of Hydrology, 2025, 660. DOI:10.1016/j.jhydrol.2025.133449
[36]	Zhang B Q, Tian L, Yang Y T, et al. Revegetation does not decrease water yield in the Loess Plateau of China[J]. Geophysical Research Letters, 2022, 49(9). DOI:10.1029/2022GL098025
[37]	Gao S Q, Lv Y H, Jiang X H. Increased precipitation and vegetation cover synergistically enhanced the availability and effectiveness of water resources in a dryland region[J]. Journal of Hydrology, 2025, 654. DOI:10.1016/j.jhydrol.2025.132812
[38]	Guo Y C, Zhang Z H, Dai F C. Freeze-thaw landslide susceptibility assessment and its future development on the seasonally frozen ground of the Qinghai-Tibet Plateau under warming-humidifying climate[J]. Cold Regions Science and Technology, 2024, 227. DOI:10.1016/j.coldregions.2024.104293
[39]	Bennour A, Jia L, Menenti M, et al. Assessing impacts of climate variability and land use/land cover change on the water balance components in the Sahel using earth observations and hydrological modelling[J]. Journal of Hydrology: Regional Studies, 2023, 47. DOI:10.1016/j.ejrh.2023.101370
[40]	郭梦京, 韩绍舜, 袁博, 等. 基于NDVI指数的博斯腾湖流域植被覆盖时空动态变化及驱动因素分析[J]. 环境科学, 2026, 47(3): 1767-1779. Guo M J, Han S S, Yuan B, et al. Analysis of temporal and spatial dynamic changes in vegetation coverage and driving factors in the Bosten Lake Basin based on the NDVI index[J]. Environmental Science, 2026, 47(3): 1767-1779. DOI:10.13227/j.hjkx.202501203
[41]	Prăvălie R, Sîrodoev I, Nita I A, et al. NDVI-based ecological dynamics of forest vegetation and its relationship to climate change in Romania during 1987-2018[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108629
[42]	徐勇, 黄雯婷, 窦世卿, 等. 2000~2020年西南地区植被NDVI对气候变化和人类活动响应特征[J]. 环境科学, 2022, 43(6): 3230-3240. Xu Y, Huang W T, Dou S Q, et al. Responding mechanism of vegetation cover to climate change and human activities in southwest China from 2000 to 2020[J]. Environmental Science, 2022, 43(6): 3230-3240. DOI:10.13227/j.hjkx.202108107
[43]	刘芃凯, 饶良懿, 李思源. 海河流域植被时空演化及其对气候变化和人类活动的响应[J]. 环境科学, 2026, 47(3): 1774-1753. Liu P K, Rao L Y, Li S Y. Spatio-temporal evolution of vegetation and its response to climate change and human activities in Haihe River Basin[J]. Environmental Science, 2026, 47(3): 1774-1753. DOI:10.13227/j.hjkx.202406289
[44]	Liu M, Zhai H L, Zhang X C, et al. Time-lag and accumulation responses of vegetation growth to average and extreme precipitation and temperature events in China between 2001 and 2020[J]. Science of the Total Environment, 2024, 945. DOI:10.1016/j.scitotenv.2024.174084
[45]	贾路, 于坤霞, 李占斌, 等. 秦岭山区潜在蒸散发时空变化及典型流域径流归因分析[J]. 农业工程学报, 2024, 40(24): 59-71. Jia L, Yu K X, Li Z B, et al. Spatiotemporal variation of potential evapotranspiration in the Qinling Mountain Areas and attribution analysis of typical watershed runoff[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(24): 59-71.
[46]	郭倩. 全球气候变化背景下土地利用和流域水生态系统响应研究[D]. 兰州: 兰州大学, 2022. 48-63. Guo Q. The responses of land use and watershed water-related ecosystem under global climate change[D]. Lanzhou: Lanzhou University, 2022. 48-63.
[47]	Zhao A Z, Zhang A B, Liu X F, et al. Spatiotemporal changes of normalized difference vegetation index (NDVI) and response to climate extremes and ecological restoration in the Loess Plateau, China[J]. Theoretical and Applied Climatology, 2018, 132(1-2): 555-567. DOI:10.1007/s00704-017-2107-8
[48]	李柏键, 申聪聪, 刘四义, 等. 三江源地区高寒草地土壤功能的水平分异特征及其沿发生层的垂直变化[J]. 环境科学, 2023, 44(3): 1562-1571. Li B J, Shen C C, Liu S Y, et al. Horizontal variation characteristics of alpine grassland soil function and vertical changes along soil genetic horizons in the Three-River Headwaters Region[J]. Environmental Science, 2023, 44(3): 1562-1571. DOI:10.13227/j.hjkx.202204032
[49]	Tuoku L, Wu Z J, Men B H. Impacts of climate factors and human activities on NDVI change in China[J]. Ecological Informatics, 2024, 81. DOI:10.1016/j.ecoinf.2024.102555
[50]	赵祖伦, 蒋啸, 苏印, 等. 基于kNDVI和OPGD的贵阳市近33 a植被变化及影响因素分析[J]. 环境科学, 2025, 46(9): 5839-5849. Zhao Z L, Jiang X, Su Y, et al. Analysis of vegetation changes and influencing factors in Guiyang city over the past 33 years based on the kNDVI and OPGD model[J]. Environmental Science, 2025, 46(9): 5839-5849. DOI:10.13227/j.hjkx.202408129


环境科学 2026, Vol. 47 Issue (9): 6162-6176	PDF