基于地理探测器的太行山NDVI时空变化及其驱动力分析

王 炜，刘海新，高叶鹏，文韶鑫

(河北工程大学 矿业与测绘工程学院，河北 邯郸 056038)

植被是环境生态系统的重要组成部分，在保持土壤、调节气候和维持生态环境稳定方面发挥着十分重要的作用[1]。归一化植被指数(NDVI)能够对植被生长状态进行检测，是表征区域地表植被覆盖的最佳指示因子[2]。随着环境的变化和人类社会的发展，人们对于生态环境的保护越来越重视，NDVI的分布状况和影响因素也越来越受到人们的关注[3-8]。

太行山区主要分布在半湿润和半干旱区域，气候类型主要为暖温带半湿润大陆性季风气候。其位于我国华北平原和黄土高原的过渡地区，保护着京津冀和华北平原地区，但同时也是生态敏感区，自然生态环境容易受到自然和人为因素的干扰，又是我国水土流失情况较为严重的地区之一[9-11]。

目前，已有大量文献基于NDVI数据对植被的动态变化进行相关研究，以NDVI代表研究区植被状况得到了广泛的应用[12-15]。例如，代子俊等[16]利用GIMMS NDVI 3g.V1数据分析了青海省34 a生长季节植被的NDVI时空变化特征，结果表明，近34 a青海省的NDVI呈增长趋势，且大部分区域的植被呈改善趋势。张亮等[17]利用GIMMS NDVI数据探讨了长江流域地区的植被覆盖变化特征，以及植被对气候和人类活动干扰的响应机制，发现长江流域69.77%区域植被覆盖度呈上升趋势。

关于太行山区以往的植被覆盖状况研究中，研究时期大多是从2000年开始，且对影响因素的探究多为气象因素，即气温和降水为主，辅以高程、坡度等地形影响因素[10,11,18,19]。因此本文基于1982～2015年的GIMMS NDVI数据，探讨了太行山区34 a的植被变化特征，并使用地理探测器工具，定量分析了多种影响因素对研究区NDVI影响力的大小。

1 研究区概况

太行山区位于34.57°～40.78°N，110.23°～116.58° E之间，位于山西省与华北平原之间，总体呈东北-西南走势，山脉绵延400余km。它处于中国地形第二阶梯的东部，地形整体呈现北面高南面低特征，海拔大部分在1200 m以上。研究区内由于高程和地理位置的变化，导致植被生长和分布情况也呈现出一定的差异，其中农田或建设用地多分布在较为平坦的地区，而地形陡峭地段多为林地或草地[11]，东西部的植被类型也有较大的差异，东部主要是以落叶阔叶林为主，而西侧则主要是森林草原[20]。

2 研究数据与方法

2.1 数据来源及预处理

研究数据包括NDVI、气温、降水、高程、地貌、土壤类型、植被类型、GDP和人口。NDVI数据来源于来自于NASA官网(https://ecocast.arc.nasa.gov/data/pub/gimms/3g.v1/)，温度和降水数据下载于国家气象数据中心(http://data.cma.cn/)，其余数据均来源于资源环境云平台(http://www.resdc.cn)。NDVI数据的时间跨度为1982年的1月至2015年的12月，空间分辨率为8 km×8 km，时间分辨率为15 d[21]。温度和降水量数据是由中国地面气候资料月值数据集通过插值得到的，其余数据为处理好的栅格数据集。

从高程数据中提取坡度和坡向数据后，对影响因素数据进行裁剪和重采样等预处理，使其与NDVI数据具有相同的投影坐标并保持像元大小一致。根据曹峰等[22]的研究，对数值量数据气温、降水、DEM、坡度、GDP、人口和NDVI进行分类处理，而类型量数据坡度、土壤类型、植被类型和地貌数据采用直接整理的方式。之后在ArcGIS软件中，按照8 km×8 km的格网，生成2066个各网点。

2.2 研究方法

2.2.1 最大值合成法 最大值合成法可以进一步消除大气、云、太阳高度角等对遥感影像的影响，在国内外被广泛应用[10,23]。因此本文采用该方法，以15 d的NDVI数据为基础，获取研究区的月NDVI数据。其计算公式如下。

NDVIm=Max[NDVIa,NDVIb]

(1)

式(1)中，m表示月份，取值范围1～12；NDVIm表示m月的NDVI值，NDVIa、NDVIb分别表示了m月上半旬和下半旬的NDVI值。

2.2.2 趋势分析 基于1982～2015年的NDVI数据，通过一元线性回归分析，获得NDVI的变化趋势，计算公式如下。

(2)

式(2)中：θslope表示变化斜率，当θslope>0时，表示NDVI呈上升趋势；当θslope<0，表示NDVI呈下降趋势。i为年序号，NDVIi表示第i年的NDVI值。

2.2.3 地理探测器 地理探测器是一种对数据要求低、运算速度较快且精确度高的空间分析模型，被广泛应用于探测环境污染、植被覆盖变化、土地利用等方面[24]。地理探测器主要由因子探测、风险区探测、交互作用探测和生态探测4个部分组成。因子探测器是可以探测影响因子对因变量空间分布的解释力大小[25]。用q值度量，表达式为：

(3)

式(3)中，h=1，2，…，L为变量Y或因子X的分层，即分类或分区；Nh和N分别为层h和全区的单元数；σh和σ分别是层h和全区的Y值的方差。q的取值范围为0～1，如果因变量Y是由自变量X影响的，则q值越大表示自变量X对因变量Y的解释力越强，反之则越弱。

利用交互探测器来探测影响因子Xi，即气温、降水量、高程、坡度、坡向、地貌、土壤类型、植被类型、GDP和人口在影响NDVI空间分布上是否有交互作用，并且可以探测出不同影响因素之间的交互作用，即评估影响因子X1和X2共同影响NDVI时是增加或者是减弱对NDVI的影响程度，将作用类型分为5类[25]，具体见表1。

表1 影响因子交互作用的判断依据

生态探测，用于探测2个影响因子对NDVI空间分布的影响是否存在显著性差异。而风险探测器，探测因子对NDVI变化是否具有风险性，指示因子在不同等级范围内对NDVI时空变化的影响[26]。

3 结果与分析

3.1 太行山植被覆盖空间分布状况

基于1982～2015年月值NDVI数据提取每年最大NDVI值，得到年NDVI数据，由此获得年NDVI变化拟合曲线和年均NDVI空间分布图。由图1可知，近34 a来，研究区NDVI呈波动上升趋势，变化率为0.00143/a。其中1982～1990年间的年际变化趋势最为明显，其增长幅度达到了0.0048/a，远大于整体的变化趋势；之后到1993年，NDVI出现明显的下降趋势；1991～2007年间NDVI值的变化具有明显的波动性，整体呈上升趋势，其增长幅度为0.0011/a；2008～2015年期间，研究区的NDVI值呈波动下降的趋势，变化幅度为-0.0013/a。34 a间的年均NDVI最低是1984年的0.3726，最高为2008年的0.4448。

图1 研究区34 a年均NDVI的变化趋势

从空间分布上来看(图2a)，整个研究区南部的植被覆盖状况比北部好，结合土地利用数据和高程数据可知，NDVI较低的区域大多是耕地、城乡、工矿和居民用地、高海拔地区，其中耕地主要集中在研究区边缘以及山西省的长治市和晋中市境内，且两市由于特殊的盆地地貌，都较为适合农作物的生长；而高海拔地区主要分布在西北的五台山和小五台山地区，该地区由于地脉较多，且受到高海拔地区气候较为恶劣的影响，植被覆盖状况相对较差。NDVI值较高的区域，其土地类型多为草地和林地，具有较高的植被覆盖度。

由图2b可知，研究区NDVI改善区域远大于退化区域，其中增加趋势所占的比例达到93.01%，且极显著增加的比例高达72.43%，而显著和极显著减少区域所占的比例为1.83%，零星地分布在河南省的安阳市、河北省的邯郸市和鹿泉市以及山西省的平遥县。

图2 研究区34 a年均NDVI空间分布(a)和34 a年均NDVI变化趋势空间分布(b)

3.2 植被覆盖空间分布的主导影响因子

以研究区多年的平均NDVI作为因变量Y，气温、降水、DEM、坡度、坡向、地貌、土壤类型、植被类型、GDP和人口10个重分类后的数据为影响因子X，使用地理探测器模型对这些影响因素进行分析，统计了各个影响因子的q值(图3)。同时，也对影响因子做生态探测来探讨不同影响因子之间对NDVI空间分布影响是否存在显著性差异，结果见表2。由图3可以得出，各影响因子对应的q值按照大小排序为：气温>坡向>土壤类型>降水量>地貌>植被类型>DEM>坡度>人口>GDP。依据q值大小来看，气温、坡向、土壤类型、降水量是影响研究区NDVI的主要因素，解释力均在10%以上；地貌、植被类型、DEM、坡度为次要影响因素，其解释力在1%～10%之间；GDP和人口对研究区NDVI的解释力大小均低于1%，说明太行山区NDVI受GDP和人口的直接影响较小。

图3 1982～2015年NDVI分布影响解释力指标

总体来看，太行山区NDVI的空间分布是由人为因素和自然因素共同作用的，其中，气温、坡向、降水量和地貌对NDVI的影响较大，而人为影响因素GDP和人口的影响程度较小。

表2为生态探测的结果，从表2可以看出，降水、DEM、土壤类型、坡度、坡向、人口与其他因子之间无显著差异；地貌与气温之间存在显著性差异，与其他因子之间没有显著性差异；植被类型与气温之间也存在显著性差异，与其他因子之间没有显著性差异。

表2 1982～2015年NDVI分布影响解释力的生态探测

3.3 影响因子的交互作用

交互探测和生态探测的结果可知(表3)，任意2个影响因子的交互的作用都大于单个影响因子，即影响NDVI的分布状况不是由单一因子所造成的，而是由不同影响因子之间相互作用共同作用的。其中气温与坡向的交互作用的q值最高，为0.3281。此外，气温与降水(0.3251)、气温与地貌(0.3119)交互作用也都达到了30%以上，表明气温、坡度、降水除了单个影响力较高之外，交互作用之后对研究区NDVI的影响程度更高，而地貌在与气温交互作用之后，影响力有所上升，表明合适的气温与地貌更有利于促进植被的生长。整体上，GDP和人口与各个因子的交互作用的q值都比单个的q值要高，解释了人为影响因子在与其他因子相结合之后对研究区NDVI的影响力有所增大。

表3 影响NDVI分布的驱动因子之间的交互作用

交互作用的探测结果表明：各个影响因子之间都存在着增强的作用，其中坡向和土壤类型，土壤类型和植被类型、地貌、降水、气温，植被类型和地貌，地貌和坡度都呈双因子增强，其他2个影响因子之间都呈现非线性增强的作用。结果表明，研究区NDVI的分布不是由单一的影响因素所造成的，并且任意2个影响因子的交互作用也并不是这2个因子之间影响力的简单相加。

4 讨论

本研究利用NDVI数据，探讨了太行山地区植被覆盖的空间分布状况，并且利用地理探测器工具定量分析了NDVI分布的主要影响因素和不同影响因素之间的交互作用。结果表明，太行山区多年来NDVI整体呈波动上升的趋势，研究区植被覆盖状况趋于改善，在空间分布上，南部的植被覆盖状况比北部好；低海拔、耕地和城市工矿用地区域的植被覆盖较低，而草地、林地区域的植被覆盖状况较好。

在研究区中，气温、坡向、土壤类型和降水是影响NDVI分布的主要驱动因素，其次是地貌、植被类型、DEM和坡度，人口和GDP的影响最小。温度和降水量能够对植被的生长产生直接影响，温度适宜和降水量充足会对植被的生长有一定的促进作用。坡向对于植被的影响也主要通过温度来表现，阳坡光照较为充足，气温较高，湿度较低；对比之下，阴坡的光照较弱，温度较低，含水量高。植物的生长也在一定程度上受土壤类型的影响，风险区探测的结果表明，研究区内淋溶土和半淋溶土是较为适宜植物生长的土壤类型，而针阔混交林、落叶阔叶林、常绿阔叶-落叶阔叶混交林等的草本植物则是主要分布在淋溶土分布区中，因此植被类型也在一定程度上是由土壤类型所决定的，这些植被对研究区的植被状况有一定的改善作用。DEM也与气温有一定的关系，随着海拔的升高，气温会逐渐降低。由此可以得出，研究区NDVI分布的影响并不是由单一因素所决定的，各个因素之间互相联系，共同影响了研究区NDVI的空间分布。

研究中人口和GDP对NDVI空间分布的影响相对较低，在与其他影响因子相结合之后，影响力会增强，人类活动会受地形、气候等因素的影响，例如海拔较低，降水量充沛，土地利用类型多为人类活动居住用地，该区域人口较为密集，人类活动比较集中；而在海拔较高的中部和西北部，土地利用类型多为林地和草地，人口数量也较少，经济发展也较为落后。而从2002年开始实施的退耕还林政策和生态环境保护工作的持续推进，也会在一定程度上改善研究区的植被覆盖状况。人类活动对植被的影响有正有负[27]，城镇的发展和人类的活动会对植被造成负面影响，而退耕还林等生态环境保护工作的推进又在一定程度上改善了植被状况。本文所选取的GDP和人口2个人为因素，仅探讨出其对NDVI影响力的大小，而对其具体造成的影响类型没有具体体现。

本文对研究区NDVI空间分布的影响因素进行了探究，选取了多种影响因子来分析其对NDVI空间分布的影响作用。研究区NDVI整体呈现改善的趋势，但是还有局部地区呈现退化的趋势，对影响因子的选择较少，在接下来的研究中可以选取更多的影响因子，来进一步探讨研究区NDVI变化的驱动因素，并且可以探讨影响因子的一个动态变化过程，对研究区NDVI的变化驱动力的分析进行探究。

5 结论

(1)34 a来，太行山区的年均NDVI呈现波动上升，植被覆盖状况整体呈现改善的趋势，在空间分布上，南部植被覆盖状况较北部好，整个研究区植被覆盖呈现出南高北低、中部交叉分布的特征。

(2)气温是太行山区NDVI分布的最主要影响因素，其次为坡向、土壤类型和植被。GDP和人口2个人为因素对NDVI的影响程度较低。

(3)不同影响因子交互作用对NDVI的影响都呈现增强的作用，表明NDVI的分布不是由单一因子所决定的，而是由多种影响因子共同作用。其中气温和坡向，气温与降水，气温与地貌的交互作用对NDVI的影响程度较大，表明气候因素还是影响研究区NDVI空间分布最主要的因素。