植被作为陆地生态系统中与大气、土壤和水文等生态要素紧密联系的枢纽, 在水土保持、气候调节、碳氮循环等生态系统功能中发挥着不可或缺的作用^{[ 1— 2]}, 同时植被对生态环境的变化具有颇高敏感性^{[ 3]}。因此, 研究植被变化及其与自然环境、人类活动之间的关系, 可揭示生态环境演化情况及其响应机制, 为区域生态环境的治理与管理提供理论依据。

植被覆盖度(Fractional Vegetation Cover, FVC) 是指植被(包括叶、茎、枝) 在地面的垂直投影面积占统计区总面积的百分比^{[ 4]}，它是在归一化植被指数(Normalized Difference Vegetation Index, NDVI)基础上改进提出^{[ 5]}, 其可量化植被生态势态、茂密程度和生物量等, 被广泛应用于水文、生态、气候等领域^{[ 6— 8]}。目前, 关于中国不同区域植被覆盖度变化进行了诸多研究, 如中国北方地区^{[ 9]}、西南地区^{[ 10]}、秦岭地区^{[ 11]}、三峡库区^{[ 12]}以及长江流域^{[ 13]}等不同时空尺度的植被覆盖度变化特征研究, 对比可发现各地区具有明显的区域差异性, 并且均与气候因子存在相关性；部分研究还认为人类活动对植被生长有着积极、消极效应^{[ 10— 11]}。此外, 植被覆盖度亦与地形分异有关^{[ 13— 14]}。

黄土高原作为我国西北最为典型的生态环境脆弱区, 自1999年黄土高原实施退耕还林还草、植树造林等生态工程以来^{[ 15]}, 土地覆被与区域环境发生很大改变^{[ 16— 17]}, 其植被变化备受关注。张宝庆等^{[ 18]}、信忠保等^{[ 19]}认为1999年以后黄土高原植被显著增加；刘静等^{[ 20]}、Zhao等^{[ 21]}利用相关分析研究植被对气候变化的响应发现降水是主要驱动因子；刘旻霞等^{[ 22]}、Shi^{[ 23]}等采用残差分析以区分气候与人类活动对植被变化的贡献。上述研究仅探讨降水、气温与人类活动对黄土高原植被变化的影响, 未能系统地研究气候、地形、水文、土壤和人类活动的驱动机制以及内部因子的交互作用, 忽略了黄土高原地理环境的差异性与整体性。因此, 本文以MOD13A1数据为基础, 采用趋势分析、标准差和重心迁移模型, 分析黄土高原FVC时空演化特征, 结合地理探测器与相关分析, 综合探究黄土高原FVC与各地理因子之间的关系, 以全面分析植被覆盖度变化规律及原因, 为黄土高原未来分区生态环境建设和人地关系的协调发展提供决策参考。

1 研究区概况与数据来源 1.1 研究区概况

黄土高原位于中国内陆西北部, 黄河中游地区, 地跨100°54′ —114°33′E与33°43′ —41°16′N之间, 总面积约63万km², 辖7个省和自治区、334个县级行政区( 图 1)。黄土高原境内地势起伏大, 由西北向东南逐渐降低, 海拔高差超过5000m；地貌复杂, 其中包含平原、高原、盆地、山地、丘陵。黄土高原气候属大陆性季风气候, 年平均气温在3.6—14.3℃左右；降水偏少, 年降水量150—750mm；其土地覆被类型主要以草原、耕地为主, 是中国西北重要的旱作农业区^{[ 17]}。

1.2 数据来源及预处理

本研究使用的MODIS植被指数产品MOD13A1数据来源于美国国家航空航天局( https://search.earthdata.nasa.gov/search), 时间分辨率为16 d, 空间分辨率为500 m, 时间跨度为2001年1月—2019年12月。利用MRT(MODIS Reproject Tools)软件对该数据进行拼接、格式转换和重投影等, 并采用最大值合成法(Maximum Value Composite, MVC)进一步消除云、大气等因素干扰^{[ 24— 25]}, 得到逐月NDVI数据, 进而计算出2001—2019年逐年NDVI均值。

气象数据来源于中国气象数据网( http://data.cma.cn/), 选取2001—2019年黄土高原及其周边共103个气象站点的逐年平均气温和降水数据。剔除个别站点缺失或异常数据, 采用克里金法(Kriging)对气象数据进行空间插值^{[ 20]}, 并将其分辨率与NDVI数据保持一致。

地形数据采用SRTM90 m的DEM数据, 并从中提取坡度与坡向；土壤数据采用《1 ∶ 100万中华人民共和国土壤图》数字产品；2000和2018年土地利用数据采用中国土地利用现状遥感监测数据库。以上数据均来源于中国科学院资源环境科学数据中心( http://www.resdc.cn/), 并重采样为500m分辨率。

水系、交通数据来源于全国地理信息资源目录服务系统( https://www.webmap.cn/), 采用线密度法生成水系、交通密度栅格数据。县域社会经济数据来源于黄土高原各省统计年鉴, 并结合县级行政区面积计算各县GDP密度和人口密度。

2 研究方法 2.1 像元二分模型

为降低无植被区域的影响, 采用像元二分模型计算植被覆盖度, 公式如下^{[ 7]}：

(1)

式中：FVC为植被覆盖度；NDVI为归一化植被指数；NDVI_soil和NDVI_veg分别为无植被覆盖和完全被植被覆盖地表的NDVI值。结合研究区植被覆盖现状, 分别选取累计频率为5%和95%的NDVI值作为NDVI_soil和NDVI_veg。

2.2 趋势分析

为定量反映研究区内植被覆盖度的时空变化, 采用一元线性回归逐像元计算FVC的年际变化趋势, 公式如下^{[ 20, 25]}：

(2)

式中：θ_slope为回归斜率；n为监测的总年份(n=19)；i为时间变量(i=1—19)；FVC_i为第i年FVC值。当θ_slope>0, 表示FVC在研究时间段内呈增加趋势；反之, 则呈下降趋势。采用F检验法对其进行显著性检验, 根据检验结果分为5类：极显著增加(θ_slope>0, P < 0.01)>、显著增加(θ_slope>0, 0.01 < P < 0.05)、保持稳定(P>0.05)、显著退化(θ_slope < 0, 0.01 < P < 0.05)、极显著退化(θ_slope < 0, P < 0.01)。

2.3 标准差分析

标准差是衡量一组地理数据与平均值离散程度的方法, 可以反映其稳定或波动程度, 公式如下^{[ 25— 26]}：

(3)

式中：SD为研究时间段内FVC的标准差；FVC为研究时间段内FVC的多年均值。SD越大, 表示FVC变化越不稳定；反之, 则越稳定。

2.4 重心迁移模型

重心迁移模型可反映研究区内植被在时空变化中的空间聚集和迁移特征, 公式如下^{[ 27]}：

(4)

式中：X, Y分别为FVC分布重心的经纬度坐标；P_i为第i个像元的FVC值；X_i、Y_i分别为第i个像元中心的经纬度坐标。

2.5 地理探测器

地理探测器是探究空间分异性以及揭示其背后驱动力的一种统计学方法, 主要包括因子探测、交互探测、风险探测和生态探测。而本研究仅选用地理探测器的因子探测和交互探测来解析研究区内影响植被的地理因子, 公式如下^{[ 28]}：

(5)

式中：q为地理因子X的解释力；L为因变量FVC或地理因子X的分类或分区；h为分区变量(h=1, ⋯, L)；N_h和σ_h²分别为子区域h的样本数和方差；N和σ²分别为研究区整体的单元数和方差。q取值范围为[0, 1], 其值越大表示地理因子X对FVC空间分异的影响越强。

交互探测用于识别两个地理因子之间的交互作用, 是否会增强或减弱对因变量FVC的影响, 或两因子的作用是相互独立的。评估方法：首先分别计算两因子X₁和X₂的q值：q(X₁)和q(X₂)；再计算两因子交互的q值：q(X₁∩X₂)；最后比较q(X₁)、q(X₂)和q(X₁∩X₂)。交互探测结果分为5类：非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强。

2.6 相关分析

为研究地理因子对植被的影响, 逐像元计算FVC与地理因子之间的相关系数, 公式如下^{[ 20]}：

(6)

式中：r_xy为两个变量之间的相关系数；x_i为第i年FVC均值, y_i为第i年年降水或年均气温；x和y分别为研究时间段内x和y多年均值。r_xy取值范围为[-1, 1]。若r_xy>0, 表示两个变量呈正相关；若r_xy < 0, 表示两个变量呈负相关；其绝对值越大, 相关性越强, 反之, 则越弱。采用t检验法对相关系数进行显著性检验。

3 结果与分析 3.1 植被FVC年际变化特征

根据黄土高原2001—2019年各年份FVC均值得到研究区多年年际变化趋势( 图 2)。结果表明, 黄土高原近19年来植被FVC平均增速为0.0095/a, 整体上呈现出稳定上升趋势(R²=0.9473), 且波动幅度较小(SD=0.0536)。其中, FVC均值由2001年最低值0.2891增长至2019年0.4915, 2018年达到峰值0.4943, 19年间增幅为70.01%。

3.2 植被FVC空间分布特征

黄土高原2001—2019年FVC多年均值空间分布整体呈现出由东南向西北逐渐递减的分布格局( 图 3)。研究区内高值区(FVC>0.55)占总面积的29.36%, 其主要分布在山西吕梁山脉一带及其东侧、六盘山和秦岭以及陕北高原南部等地, 其中极高值区(FVC>0.75)的分布与山脉走向和区域海拔的高低较为一致, 这些区域多以森林、草地和耕地为主；而极低值区(FVC < 0.15)面积占比为21.25%, 主要集中于内蒙古毛乌素沙地和库布齐沙漠、宁夏中部和陇中高原以北等地, 其中宁夏平原和河套平原为农业灌溉区, FVC均值高于周围的沙漠。

研究区FVC变化趋势介于(-0.0503—0.0507)/a之间, 呈增加趋势的区域面积占比为94.35%。结合FVC变化趋势显著性检验可知, 呈极显著、显著增加的区域面积占比为84.37%；而呈极显著、显著退化的区域面积占比仅占1.01%, 零散分布于关中盆地与汾河谷地以及各省城市周围, 整体上黄土高原大面积植被得到显著改善。结合FVC标准差可知, SD值介于0—0.3081之间, 其中, 高植被覆盖度区域与低植被覆盖度区域的SD值更小, 其变化更为稳定, 这类地区以山脉林地和沙漠为主, 前者因植物群落经历长期物种竞争演化成稳定的生态系统, 其生产力处于顶端地位, 增长空间较小^{[ 29]}；后者因地理环境长期不适于植被生长发育, 甚至存活, 其植被活动近乎没有。而波动较大的区域集中于陕北至吕梁山西侧一带, 这一带植被覆盖度处于中等偏低水平, 植被恢复潜力较大, 陕西北部生态工程建设使植被恢复可受到积极影响。

3.3 植被FVC重心迁移

依据《黄土高原地区综合治理规划大纲(2010—2030年)》, 黄土高原从地貌上可分为盆地河谷区、丘陵沟壑区、高原沟壑区与平原农灌和高原沙漠区, 并以5年为时间间隔, 分别计算各区域FVC重心变化轨迹( 图 4)。其中, 平原农灌和高原沙漠区重心向西南迁移, 迁移距离为53.96km；高原沟壑区重心呈折线型向西北迁移, 迁移距离为29.09km；盆地河谷区与丘陵沟壑区重心分别向东北和西北推进, 迁移距离分别为26.88km、38.47km。而黄土高原各年FVC重心位于研究区中部陕北一带, 19年以来存在北移趋势, 迁移距离为55.1km。总体而言, 毛乌素沙地、陇中高原和陕北至吕梁山一带植被恢复可对各区域FVC重心产生拉力效应。

3.4 地理因子对植被FVC的贡献

本文从气候、地形、水文、土壤和人类活动五个层面出发, 选取降水、气温、高程、坡度、坡向、水系密度、土壤类型、GDP密度、人口密度、交通密度和土地利用类型11个地理因子, 利用自然断点法对其分类, 并引入地理探测器模型计算各地理因子对植被FVC的解释力( 表 1)。

因子探测结果表明, 黄土高原地理因子对FVC的解释排序从大到小依次为：降水0.666 >土壤类型0.343 >气温0.338 >土地利用类型0.315 >坡度0.207 >人口密度0.176 >高程0.07 >GDP密度0.047 >水系密度0.035 >坡向0.001 =交通密度(0.001)。其中, 降水、土壤类型、气温、土地利用类型和坡度对FVC的解释力大于0.2, 为主要驱动因子；人口密度、高程的解释力大于0.05, 为次要驱动因子；其余地理因子解释力相对微弱, 且坡向与交通密度未通过0.05显著性水平检验。

根据交互作用探测结果, 选取主要与次要驱动因子之间的探测结果( 表 2), 可以发现, 高程∩降水、高程∩气温、坡度∩高程与土地利用类型∩高程表现为非线性增强；其余因子的交互结果表现为双因子增强。降水与各因子交互作用的解释力均大于其余因子之间的交互组合, 侧面反映了降水是主控因子。高程、人口密度与各因子交互作用的解释力相比于两者单因子有明显提高, 这表明高程与人口密度是间接作用于FVC。总体而言, 主次驱动因子对黄土高原FVC空间分布的影响较为显著, 且因子之间交互作用存在协同增强现象。

3.5 植被FVC的地理因子解析

为进一步解析黄土高原地理因子与植被FVC的相关性, 本文选取上述主要与次要驱动因子, 采用相关分析与分区统计探究FVC随各因子属性变化的分布特征。

3.5.1 植被FVC与气候因子的相关性

黄土高原FVC与降水、气温的相关系数均以正相关为主( 图 5)。FVC与降水相关系数介于-0.7756—0.9310之间, 正、负相关区域分别位于黄土高原西北、东南部。正相关区域占90.16%, 其中通过0.05显著性水平检验的区域占39.07%, 主要位于青海至宁夏南部一带、内蒙古至山西北部一带；负相关区域占9.84%, 显著负相关区域仅占0.0014%。FVC与气温相关系数介于-0.9767—0.9266之间, 正、负相关区域分别占61.59%、38.41%, 其中显著正、负相关区域分别占15.4%、7.93%, 两者均零散分布于研究区各地。

3.5.2 植被FVC的地形因子解析

以100m高程和2°坡度为间隔, 分区统计FVC均值和变化趋势( 图 6), 可以发现, 随海拔上升, FVC均值呈现“先剧烈波动后缓慢上升, 再下降”的特征；FVC变化趋势呈现“先波动上升后下降”的特征。低海拔区(< 1000m)的FVC均值接近峰值, 其增速达到最大0.0114/a, 且波动幅度大；中海拔区(1000—2000m)两者相对稳定, FVC增速处于高值区间；高海拔区(>2000m)的FVC均值达到峰值0.6206后转为急速降低, 其增速逐渐变缓。

就坡度而言, 随坡度增加, FVC均值稳定上升；其变化趋势呈现出“先急剧上升后下降, 再上升”的特征。在0—12°时, FVC均值处于低值区间, 其增速提升至峰值0.0121/a；在0—48°时, FVC增速缓慢下降；当坡度>48°时, FVC均值升至最大值0.7591, 其增速回升。

3.5.3 植被FVC的土壤因子解析

由各土壤类型的FVC均值与变化趋势可知( 图 6), 淋溶土的FVC均值最高为0.6859, 高山土、初育土次之。初育土的FVC变化趋势最大, 其增速为0.0112/a；钙层土、淋溶土次之。干旱土和漠土的FVC均值明显最低, 但其增速偏高；增速最为缓慢的是高山土和人为土两种类型。

3.5.4 植被FVC的人类活动因子解析

由各级人口密度的FVC均值与变化趋势可知( 图 6), 人口密度高、较高、极高的区域所对应的FVC均值较大, 其中较高区的最高值为0.5849；人口密度较低、极低区域的FVC均值处于较低水平, 但FVC变化趋势较大, 其中, 较低区的增速最大为0.0113/a。

由黄土高原土地利用类型变化情况可知( 表 3), 2000—2018年黄土高原森林、水体、建设用地面积显著增加, 而耕地、草地、未利用地则明显减少, 土地利用转移主要以耕地、草地的转移为主。其中, 耕地转为草地面积最大, 为20929km²；森林主要转入方式为草地、耕地转向森林, 其转入面积分别为6124.5km²、4311.5 km²；未利用地主要转出方式为草地, 转出面积为5367.5 km²。总之, 退耕还林还草面积达到25240.5 km², 未利用地绿化面积达到7330 km², 城市扩张面积为14561.25 km²。

土地利用转移下的植被FVC变化趋势总量可反映土地覆被对植被FVC的影响( 表 4)。结果表明：2018年耕地、森林、草地FVC增速总量远大于水体、建设用地、未利用地。其中, 退耕还林还草下的增速总量高达1352.84/a；未利用地绿化下的增速总量为216.1/a；城市扩张下的增速总量为216.75/a。

4 讨论与结论 4.1 讨论

黄土高原2001—2019年FVC整体呈增加趋势, 这与刘旻霞^{[ 22]}、孙锐^{[ 30]}等研究结论一致。具体而言, 宁夏和河套平原农灌区所处温带干旱区, 因黄河灌溉之利及人类生产方式, 发展为小麦、水稻等农作物的种植基地, 其植被覆盖度与周围沙漠有较大差异；库布齐沙漠和毛乌素沙地大规模实施生物固沙和三北防护等工程, 部分地区沙地和荒漠向耕地、草地和森林转变, 植被覆盖度明显好转致使农灌和沙漠区植被重心南下迁移^{[ 31— 32]}。陕北高原植被覆盖度增速最快, 其中榆林、延安等地为退耕还林还草、植树造林生态工程重点区^{[ 33]}；李婷^{[ 34]}亦发现陕北地区及山西交界一带植被恢复最为显著, 这佐证了黄土高原植被覆盖度重心北移迹象。陕北高原南部以及吕梁山、六盘山与秦岭山区海拔较高、地势陡峭, 土壤为肥力极高的淋溶土, 因此高郁闭度的森林均在此处发育。关中盆地及省会城市等地, 因人口聚集与城市急剧扩张, 建设用地大量占用耕地、草地, 人为导致植被减少^{[ 35]}。

本研究发现降水呈显著正相关区域集中于黄土高原干旱少雨的西北区, 该区域大面积草本植物所需水分主要来源于降水^{[ 30]}, 因此对降水响应敏感；山西吕梁山及其东南部因降水丰沛, 气温作用不易被水分条件所限制^{[ 20]}, 因此与气温相关性较强；毛乌素沙地东部草地亦对气温敏感, 这是因为草本植物所需水分较之乔木灌木少, 当地又实施沙地治理工程, 有人为灌溉水维持^{[ 36]}。黄土高原植被存在明显的地形、土壤、人口密度以及土地利用分异特征, 中高海拔山脉地区土地利用与土壤分别以森林与淋溶土为主, 少有人类活动；中低海拔平原地区分别以建设用地、耕地与初育土、人为土居多, 且大型城市均在此处发展, 人类活动致使山区与盆地、平原的植被覆盖度状态与增速差异明显。人类活动特征可通过土地利用变化体现^{[ 37]}, 截止2018年, 转为森林、草地面积为41640km², FVC增速总量为1978.62 a^-1, 这表明退耕还林还草、植树造林、沙漠治理等政策实施有效促进黄土高原植被覆盖度增加。

综上所述, 黄土高原植被覆盖度受多种地理因子影响, 同时, 各因子之间亦在相互作用。地形起伏可引起气温、降水的变化, 局部环境的水热条件可影响土壤性质演化, 进而对植被产生作用^{[ 38]}。而人类会根据自然环境选择合适的生产生活方式改变土地覆被, 其中地表自然覆被的改变可再次引起土壤性质变化, 如坡地退耕还林还草可增强对雨水的截留和土壤持水能力, 减缓水土流失^{[ 39]}, 使之有效转化为植物可利用水, 促进植物生长。植被大规模恢复后又造成陆地与大气间的交互作用强度发生改变, 对区域气候和局地降水过程产生反馈效应^{[ 40]}, 最终作用于植被再恢复^{[ 30]}。在这循环累积的过程中, 人类活动可左右植被变化的发展方向。

本研究仅用19年数据探究黄土高原植被覆盖度变化, 且未考虑湿度、光照、土壤水分等对植被生长的影响。此外, 通过人口密度与土地利用变化等指标量化人类活动特征较为粗糙。因此, 未来研究可结合多种自然因素, 进一步细化人类行为对植被产生的效应, 以此探究长时间序列植被变化及其响应。

4.2 结论

本文以MOD13A1数据为基础, 对黄土高原近19年植被FVC时空演化特征进行探究, 并解析地理因子对植被覆盖度的影响。结论如下：

(1) 2001—2019年黄土高原植被覆盖度恢复状况较好, FVC平均增速为0.0095/a, 呈东南高西北低分布, 极显著、显著增加的区域面积占比为84.37%；研究区各年FVC重心位于陕北一带, 19年向北推进55.1km, 以上说明黄土高原退耕还林、自然林保护等工程促使当地植被恢复成效显著。

(2) 各地理因子对黄土高原FVC的解释力存在显著差异, 降水、土壤类型、气温、土地利用类型和坡度是FVC空间分布的主要驱动因子, 其因子解释力均大于0.2, 且各因子之间交互作用的解释力高于单因子。

(3) 黄土高原FVC与各地理因子存在相关性。其中, 降水、气温与FVC相关系数均以正相关为主；FVC均值与变化趋势存在地形、土壤、人口密度、土地利用分异特征；土地利用转移可体现人类活动特征, 其退耕还林还草、未利用地绿化等积极效应促使区域植被得到显著改善, 城市扩张等消极效应则抑制植被增长。