退耕还林草20年来榆林市植被覆盖度时空变化及影响因素分析

刘逸滨，刘宝元，成 城，张加琼，陆绍娟

(1.中国科学院水利部水土保持研究所，黄土高原土壤侵蚀与旱地农业国家重点室,陕西 杨凌 712100；2.中国科学院大学，北京 100049；3.西北农林科技大学水土保持研究所，黄土高原土壤侵蚀与旱地农业国家重点室,陕西 杨凌 712100；4.西北农林科技大学，陕西 杨凌 712100；5.云南大学国际河流与生态安全研究院，昆明 650091)

植被覆盖度(fractional vegetation coverage, FVC)指观测区内的植被垂直投影面积占观测区总面积的百分比，用以表征植物群落在地表覆盖的状况。同时，植被覆盖也是影响土壤侵蚀、维持生态环境良好发展的关键因素。目前国内外已有较多学者在不同地区开展了植被覆盖度的相关研究，主要包括植被覆盖度的提取与估算、区域植被覆盖度的监测与动态变化分析、植被覆盖度变化的驱动因素、植被覆盖度与生态环境、气候变化、水土保持间的关系等方面。对于植被覆盖度的获取，通常采用地表实测法和遥感测量法。由于植被覆盖度的空间分异性，地表实测法具有明显的尺度局限性，难以在大尺度范围展开测量，而遥感法则能高效地获得大尺度范围内精度较高的连续数据。遥感法包括基于植被指数的估算方法及基于数据挖掘技术的估算方法。其中，基于植被指数的估算方法相对于其他方法来说操作简单且效率较高，无条件限制，更具有普遍意义。程红芳等将包括经验模型法、像元模型法在内的几种基于植被指数的植被覆盖度遥感估算方法进行了比较表明，基于植被指数的像元分解模型法对实测数据没有依赖性，可广泛应用，是今后地面统计测量的发展方向。

植被覆盖度及其变化除可以直接反映某区域内生态环境的变化之外，还可对区域内的气候、水文、生态等方面起到指示作用。目前，针对植被覆盖度时空变化的研究方法主要包括：遥感影像法、一元线性回归趋势线法、Hurst指数法等方法，大多数研究基于以上方法对估算出的植被覆盖度在时间序列及空间分布的变化进行了分析。此外，由于植被覆盖度通常受自然、人类活动等多方面因素的影响，对各因素影响程度的定量分析可为生态环境治理提供有力依据。然而，前人对于植被覆盖度时空变化影响因素的研究主要运用多元线性回归分析、相关性分析等传统数学统计方法。以上方法未将各因素对植被覆盖度在时间尺度上年际变化的影响与空间尺度上分布变化的影响区分开，均假设植被覆盖度在时间和空间上与各影响因素之间存在显著的线性关系，然而在空间上此类严格的线性关系可能并不存在，需结合空间分异性原理解释空间分布变化的驱动力。地理探测器方法是近年来提出的一种揭示事物背后驱动力的新统计学方法，该方法不以线性假设为前提，也无需考虑变量之间的共线性，其核心思想是以空间分异性为理论基础，利用层内和层间的方差判断自变量对因变量的相对贡献以及变量之间的相互关系。目前已用于疾病因子评估、社会经济、生态环境、气象、土壤侵蚀等众多研究领域，该方法也已用于分析我国不同地区的植被覆盖度空间变化驱动力。

榆林市位于黄土高原中北部，是黄土高原生态环境最为脆弱的地区之一。由于气候条件恶劣，且土质较为疏松，在降雨频繁的夏季易发生水力侵蚀，在多风少雨的冬、春季则易发生风力侵蚀，土壤侵蚀与水土流失问题较为严重。自1999年起黄河中上游地区开始大规模实施退耕还林草为主的生态建设和保护工程，植被覆盖度逐渐增加，水土流失面积逐年减少，明显改善了黄土高原生态脆弱区生态环境。尽管已有学者研究了该地区植被覆盖度变化及其驱动因素，然而对于退耕还林草工程实施以来不同时期植被覆盖度分别在时间变化和空间分异上受到自然因素或人为因素的影响程度尚不清楚。本文在像元二分法模型计算榆林市2001—2020年植被覆盖度的基础上，利用一元线性回归法对退耕还林草工程期间榆林市植被覆盖度的时空变化趋势进行了分析，并基于偏相关分析法和地理探测器方法，分别建立因素体系，对榆林市植被覆盖度时间变化及空间分异的主导因素进行了探究。研究还着重对比分析了退耕还林草工程不同阶段植被覆盖度的变化及其影响因素的差异，其结果对榆林市退耕还林草工程的成效评价具有重要意义，也可为生态脆弱区域生态环境保护、资源可持续利用及相关决策提供科学依据。

1 数据与方法

1.1 研究区概况

榆林市(107°28′E—111°15′E，36°57′N—39°34′ N)地处毛乌素沙漠和黄土高原的交界处，位于陕西省最北部(图1)，总土地面积为43 578 km，占陕西省土地总面积的21.2%。境内地形呈西北高东南低的态势，北部为风沙草滩区，东南部为黄土高原丘陵沟壑区，西南部为梁状低山丘陵区。榆林市气候属于暖温带和温带半干旱大陆性季风气候，年平均气温约10 ℃，年平均降水量400 mm左右，年内分布极不均匀，主要集中在7，8月。主要土壤类型为风砂土、绵砂土、黄绵土等。疏松的土质导致该地区在降雨频繁的夏季容易发生土壤水力侵蚀，而在多风少雨的冬、春季极易发生风力侵蚀。

图1 榆林市概况

1.2 数据来源与预处理

本文共收集与研究密切相关的6种基础数据。包括用于计算植被覆盖度的NDVI数据，用于提取高度、坡度等地形数据的DEM数据，用于分析植被覆盖度影响因素的气象站点实测数据、土壤质地数据、土地利用数据及累积退耕还林草面积数据(表1)。

表1 基础数据信息及预处理

1.3 植被覆盖度计算

基于植被指数采用像元二分模型计算植被覆盖度。该方法的原理是通过假设每个NDVI像元由纯植被和纯裸土两部分组成，每个像元中有植被覆盖的面积占比即为该像元的植被覆盖度(公式(1))。选用2001—2020年植被生长季(4—9月)的NDVI影像，采用最大值合成法(maximum value composite, MVC)消除云层、大气等外界因素对遥感数据的干扰后，得到各年NDVI值。

(1)

式中：FVC为植被覆盖度；NDVI为混合像元的植被指数值；NDVI为纯植被土壤像元的植被指数值；NDVI为纯裸土土壤像元的植被指数值。

根据MODIS影像数据上NDVI的灰度分布，计算NDVI累积频率分布曲线，选取累积频率0.5%和99.5%处的NDVI值分别表示纯裸土NDVI和纯植被NDVI。

(2)

式中：FVC为植被覆盖度；NDVI为NDVI最小值；NDVI为NDVI最大值。

1.4 植被覆盖度变化趋势分析

采用一元线性回归方法反映榆林市年植被覆盖度随时间的变化趋势及其在空间(像元尺度)上的差异。将植被覆盖度及时间序列进行回归分析，利用计算得到一元线性回归系数来表示变化趋势，>0表示植被覆盖度呈增加趋势；<0表示植被覆盖度呈减少趋势。

(3)

式中：为年均植被覆盖度与时间序列回归系数，即拟合趋势斜率；为年份序列；FVC为第年的植被覆盖度。利用检验对变化趋势进行显著性检验，当值通过<0.05的显著检验，认为增加(降低)趋势显著，当值通过<0.01的显著检验，则认为其增加(降低)趋势极显著。将结果分为不显著降低(<0，>0.05)、显著降低(<0，<0.05)、极显著降低(<0，<0.01)、不显著增加(>0，>0.05)、显著增加(>0，<0.05)、极显著增加(>0，<0.01)6类。

1.5 植被覆盖度影响因素分析

1.5.1 植被覆盖度时间变化的因素分析 采用偏相关分析法对影响植被覆盖度年际变化的因素进行分析，偏相关系数指在对其他变量的影响进行控制的条件下，衡量多个变量中某2个变量之间的线性相关程度的指标，并利用值检验其显著性，计算公式为：

(4)

式中：·为剔除的影响之后，与之间的偏相关程度的度量；、、分别是、、两两之间的相关系数。选取各年4—7月累积降雨量、平均气温、平均相对湿度作为自然因素，累积退耕还林草面积(包括退耕面积和荒山造林面积)代表人为因素(图2)，利用偏相关分析榆林市植被覆盖度年际变化的主导因素。

1.5.2 植被覆盖度空间分异性分析 采用地理探测器方法的因子探测器和交互探测器分析植被覆盖度空间分异性的影响因素及因子间的交互效应。其中，因子探测器可用于探测属性(因变量)的空间分异性，以及因素(自变量)对属性空间分异的解释力，其计算方法为：

(5)

(6)

式(6)中SSW和SST分别为层内方差之和(within sum of squares)和全区总方差(total sum of squares)。SSW与SST之比越小，植被覆盖度的空间分异性越显著。

交互探测器用以识别不同影响因素(自变量)之间的交互作用。在本研究中，用交互探测器评估影响因素1和2之间的共同作用对植被覆盖度空间分异的解释力。依据交互作用结果的差异，一般可将交互作用分为非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强5种，交互效果依次递增。

依据前人的研究成果，本文选取与植被覆盖度相关性较密切的气象因素(年平均降雨量、年平均气温、年平均相对湿度)、地理因素(坡度、高程、土壤质地)和人为因素(土地利用类型)3类7个因素作为自变量()(图2)，年均植被覆盖度作为因变量()，利用地理探测器对榆林市植被覆盖度空间分异的主导因素进行分析。对上述数据结合实际情况，依据地理探测器的要求，参照王劲峰等提出的数据离散化方法，将输入的自变量()数据转换为“类”(分级)数据，即土地利用方式数据和土壤质地数据按照原始类别进行分类；降雨量数据按照15 mm间隔分成6类；坡度按照<10°，10°～20°，20°～30°，30°～40°，40°～50°，>50°分为6类；其余变量均按自然断点法分为9类。利用ArcGIS 10.2软件在榆林市区划范围内建立1.5 km×1.5 km的渔网方格，最终共划分19 153个研究单元，并在每个研究单元中心设置样本点，将植被覆盖度及各影响因子分类值赋予于创建的样本点位，导入到地理探测器中运行，计算各因子对于植被覆盖度空间分异的解释力值。

图2 植被覆盖度年际变化和空间分异影响因素

2 结果与分析

2.1 退耕还林草背景下植被覆盖度的时空变化特征

2.1.1 植被覆盖度的时间变化特征 通过趋势分析及检验对2001—2020年榆林市植被覆盖度随时间变化趋势的分析发现，2001—2020年榆林市及各县区植被覆盖度均呈极显著增加趋势(=0.011，<0.01)(图3a、表2)。利用分段线性回归(PLR)误差方差最小(<0.05)时间节点的检验发现，研究区域的植被覆盖度以2011年为节点，划分为2001—2010年和2011—2020年两阶段时方差最小，进而将退耕还林草工程实施过程划分为建设期(2001—2010年)和巩固期(2011—2020年)2个阶段。结果表明，在建设期，榆林市整体植被覆盖度极显著增加(=0.013，<0.01)，各县(区)中除定边县、横山区外，其余县(区)植被覆盖度均呈显著上升趋势(<0.05)。在巩固期，榆林市整体植被覆盖度增加趋势不显著(=0.005，>0.05)，各县(区)中府谷市、神木市、榆阳区呈不显著增加趋势，清涧县、子洲县呈显著下降趋势(<0.05)，其余县(区)植被覆盖度变化均呈不显著下降趋势(图3b～3m、表2)。

表2 各县(区)年平均植被覆盖时间变化趋势斜率及显著性检验

图3 榆林市及各县(区)年平均植被覆盖度年际变化趋势

2.1.2 植被覆盖度空间分布及趋势特征 榆林市植被覆盖度空间分布呈由东向西递减的格局(图4)，东西差异较大。低值区主要分布于榆阳区、神木市、横山区、靖边县、定边县。高值区主要分布于东南部黄土高原丘陵沟壑区，这与该区域是退耕还林草的重点建设区域密切相关。

图4 2001-2020年榆林市平均年植被覆盖度空间分布

2001—2020年榆林市植被覆盖度在空间上以增加趋势为主(图5c)，呈增加趋势的面积占全区面积的84.5%，其中呈显著和极显著增加的区域分别占总面积的47.3%和10.5%，主要分布于府谷县、神木市及东南部黄土高原丘陵沟壑区域(佳县、米脂县、绥德县、吴堡县、清涧县、子洲县)；呈降低趋势的区域占总面积的15.4%，其中显著降低和极显著降低面积分别占比1.3%和1.0%，主要分布在榆阳区、定边县、靖边县、神木县西部及城镇化发展速度较快的区域(图5f)。植被覆盖度在建设期和巩固期均以不显著增加为主，分别占总面积的47.9%和43.8%(图5a，图5b)。在建设期，呈显著和极显著增加面积共占34.2%，主要分布于神木县、府谷县和吴堡县，显著和极显著降低面积仅占0.9%，离散分布于城乡建设区(图5d)；在巩固期，呈显著和极显著增加面积占14.1%，主要分布于府谷县；呈不显著降低面积占比较大(35.8%)，主要分布于榆林市中部和东南部(图5e)。

图5 2001-2020年榆林市植被覆盖度变化趋势及显著性检验

2.2 退耕还林草背景下植被覆盖度影响因素分析

2.2.1 植被覆盖度年际变化的主导因素 通过植被覆盖度与各因子在时间序列上的偏相关分析及显著性检验分析的不同阶段植被覆盖度年际变化的主导因素结果显示，不同阶段影响植被覆盖度年际变化的主导因素不同。2001—2020年，榆林市植被覆盖度年际变化与累积退耕还林草面积动态变化的关系表现为极显著相关(=0.86，<0.01)，与降雨量的动态变化表现为显著相关(=0.59，<0.05)，而与气温和相对湿度间的相关关系较弱，即人为因素导致的林地面积增多以及降雨量的动态变化是20年来植被覆盖度年际变化的主要原因。在建设期，植被覆盖度年际变化仅与累积退耕还林草面积动态变化表现为显著相关(=0.71，<0.05)，与其余因子均表现为不显著相关；在巩固期，植被覆盖度的年际变化与降雨量的动态变化趋势较为一致，表现为极显著相关(=0.85，<0.01)，而与其他因素间的关系则较弱(图6，表3)。

表3 植被覆盖度与影响因素的偏相关分析

图6 不同阶段植被覆盖度与影响因子的动态变化关系

2.2.2 植被覆盖度空间分异的主导因素 通过因子探测器对不同阶段植被覆盖度空间分异影响因素的发现，虽然各因子均显著影响植被覆盖度的空间变异(<0.05)，但不同阶段各因子对于植被覆盖度空间分异的解释力有所差异(图7)。退耕还林草的20年间，土壤质地对植被覆盖度空间分异的解释力最强(=0.253)，土壤是植物生长的基础条件，土壤质地对植被覆盖度的分布起到决定性作用。气象因素中，降雨量(=0.241)占主导地位，其对植被覆盖度空间分异的影响力远高于温度和相对湿度，这与干旱半干旱地区植被对水分十分敏感，进而影响植被生长相关。而表征人为因素的土地利用方式(=0.228)对植被覆盖度空间分异的解释力仅次于降雨量和土壤质地。可见，以人为因素改变土地利用方式的退耕还林工程对榆林市植被覆盖度的改善也起到关键作用。在退耕还林草的建设期，人为作用将部分耕地转变为林地、草地，植被覆盖度显著增大，土地利用方式(=0.231)对于此阶段植被覆盖度空间分异的解释力最强，土壤质地(=0.214)次之，降雨量(=0.138)位于第3。在巩固期，植被覆盖度整体得到明显提高且趋于稳定，但由于降雨地域分配不均，导致依赖水分生长的草地、林地层内植被覆盖度方差变大，因此土地利用方式对于植被覆盖度空间分异的解释力较建设期下降(=0.203)，土壤质地(=0.254)在此阶段成为主导因素。

图7 不同阶段植被覆盖度因子探测器结果

2.2.3 植被覆盖度空间分异影响因素的交互作用分析 交互探测器结果表明，因素对植被覆盖度的影响存在明显的交互效应。因子两两交互后对植被覆盖度的影响均为增强，表现为双因子增强和非线性增强，其中非线性增强效果大于双因子增强。不同阶段植被覆盖度的主导交互作用存在差异(表4)：2001—2020年，各因子两两交互后均表现为双因子增强，即两两因子的交互作用均大于单因子对植被覆盖度的影响力，说明各因素对于植被覆盖度的影响不是相互独立的，而是协同发生的。在建设期，降雨量与温度(=0.262)、坡度(=0.246)的两两交互作用表现为非线性增强，其余因子两两交互均表现为双因子增强，温度和坡度单因子对于植被覆盖度的影响较小，但与降雨量结合后解释力值大于二者相加，说明温度因子和坡度因子对植被覆盖度空间分布的影响与其他因子相互作用后才能体现出来。在巩固期，降雨量与土壤质地(=0.446)、降雨量与土地利用方式(=0.387)的交互作用表现为非线性增强，其余因子两两交互表现为双因子增强。即降雨量与土壤质地和土地利用方式的交互作用对于巩固期植被覆盖空间分布的影响更强。

表4 交互探测器结果

3 讨 论

退耕还林草工程作为世界十大林业生态工程之一为黄土高原生态恢复及水土流失治理做出了巨大贡献。以榆林市为代表的黄土高原生态脆弱区植被覆盖变化更敏感，利于揭示退耕还林草工程对生态环境恢复的影响。本文基于Modis数据对2001—2020年植被覆盖度时空变化的分析显示，在时间尺度上，榆林市植被覆盖度呈显著上升趋势，年际变化主导因素为累积退耕还林草面积占比和降水量的动态变化。退耕还林草工程的大力实施是植被覆盖度增加的主要驱动力。榆林市地处干旱半干旱区，年平均降水量约400 mm，水分条件也是制约该地区植物生产力重要的影响因素之一，植物生长对水分极为敏感，因此植被覆盖度与降水量随时间的变化趋势较为一致。这与前人研究影响黄土高原植被生长的气象因素的研究结果一致。在空间尺度上，榆林市植被覆盖度呈增加趋势的区域主要分布于东部，植被覆盖度呈减少趋势的植被主要分布于北部西侧和西部北侧。利用地理探测器方法进行空间异质性分析得出，2001—2020年榆林市植被覆盖度的空间分异与土壤质地、降水量、土地利用方式密切相关。其中，土壤质地是决定植被覆盖度空间分布的关键性因素。榆林市土壤质地在东部及南部的分布主要以壤土为主，而北部西侧及西部绝大部分位于毛乌素沙地境内(图8)，主要分布为砂粒含量>85%的砂土。2种土壤在养分含量、持水性、土壤机械组成和团聚体含量等方面均存在明显差异。因此，尽管退耕还林草20年来此区域植被覆盖水平有一定改善，但该区域的植被覆盖水平整体仍较低。此外，由于降雨对于半干旱地区植被生长极其有利，因此降雨量的空间分异很大程度上也决定了植被覆盖度的空间分异(图9)。退耕还林草工程的实施使得榆林市土地利用结构由原来的耕地及未利用地转化为林地及草地，减少坡耕地的水土流失现象，同时实现了植被覆盖度的显著增加。因此在今后开展植被恢复实践中应充分考虑植被分布的空间异质性和主要影响因素之间的交互作用，不同生态地理区域需要进行因地适宜的植被恢复建设。例如，在植被覆盖较差的区域应制定合理的水土保持措施，减少人为干扰，在考虑土壤条件、水热条件的情况下，按照宜草则草、宜灌则灌的原则进行植被恢复建设；在植被覆盖度相对较好的区域，则应在保证现有植物正常繁衍的前提下增加植物种类和生物多样性。

图8 榆林市土壤质地空间分布

图9 榆林市平均年降水量空间分布

基于PLR误差方差最小判断时间节点划分的退耕还林草工程不同阶段与李世东提出的阶段划分结果一致。巩固期和建设期的植被覆盖度变化趋势及其影响因素分析显示，不同时期植被覆盖度变化的影响因素及因子交互作用均不同：在建设期，时间尺度上植被覆盖度的年际变化与气象因素的相关性较弱，而与累积退耕还林草面积变化的关系显著相关；空间尺度上土地利用方式也在建设期是影响植被覆盖空间分异的主要因素，表明建设期退耕还林草工程改变土地利用结构对增加林草地面积贡献巨大(图10)。对比建设期和巩固期主导因素的差异，明显可见建设期人为因素对于植被覆盖度的影响也更为显著，这与建设期强度较高的人力和物力投入极大的削弱了气象因素的相对影响力直接相关。在巩固期，退耕还林草的主要任务为林地管护及小面积退耕，尽管植被覆盖度的增加速率没有建设期大，但植被覆盖水平有了明显提高，此时植被覆盖水平已稳定向好，植被生长需要良好的水热环境以及养分维持，因此在巩固期，降水量的动态变化主要决定了植被覆盖度的年际变化，而土壤质地则主要决定了植被覆盖度的空间分异规律。因子交互作用方面，在建设期，降水量与坡度和温度的交互作用表现为非线性增强。首先，由于退耕还林草工程主要集中于榆林市东部的丘陵沟壑区，重点在于>25°坡耕地的退耕，加上降水量在东部分布较多，因此退耕还林草工程实施后，导致以榆林市东部为代表性的区域植被覆盖度增加显著，故降水量和坡度的交互作用对于植被覆盖度的空间分异的影响明显强于单因子。

图10 2000年、2010年、2020年榆林市土地利用方式空间分布

其次，水热条件对于植被的生理生态过程以及物质能量的积累与分配也会产生巨大影响，因此在退耕还林草植被大量生长的建设期，降水量与温度的交互作用对于植被覆盖度空间分异的影响也较大。在巩固期，降水量与土壤质地和土地利用方式的交互作用表现为非线性增强。此阶段植被覆盖格局已较为稳定，由于榆林市降雨主要集中于7，8月，且以暴雨形式为主，故在植被覆盖较为稀疏地域或无植被覆盖的土地，土壤质地较差，极易发生土壤水力侵蚀，水土流失现象加剧；然而对于植被分布较好的林地或草地，其土壤团聚体含量较高，在利于水土保持的同时促进植被的生长。

本文基于地理探测器方法对榆林市植被覆盖度空间分异的驱动力进行探究，将量化难度较大的类型变量(土壤质地、土地利用方式)纳入因素分析中，并考虑因素间的交互作用。因此该方法可准确量化多因素影响的植被覆盖度，从而为生态恢复措施的精准实施提供科学依据。具体而言，若降水量与土壤质地和坡度之间存在较强的交互作用，则当降水量为关键因素时，选择土壤质地和地貌类型良好的区域对于植被恢复至关重要。此外本研究虽采用地理探测器方法分析了气象因素、地理因素、人为因素对植被覆盖度的影响，但尚未系统的考虑所有影响因子，如人口密度、地方经济发展等社会经济类指标。若今后的研究中能制定出一套综合的评判指标体系，则能对该区域或类似区域的植被恢复实践起到更准确、全面的指示作用。

退耕还林草工程的实施极大地改善了以榆林市为代表的黄土高原生态脆弱区的生态环境状况，植被覆盖水平在工程实施的20年来明显提升，呈现出土壤侵蚀强度降低，生态服务价值升高的趋势，取得明显的水土保持效益。即合理的植被恢复建设是水土流失治理的有效措施，也是改善生态环境的必要手段。此外，在植被恢复建设中也应注意因地适宜，对于>25°的耕地应严格推进退耕还林草的实施，对于<25°的耕地应着重改善土壤质量，提高保水保肥性能，进而提升耕地利用效率。尽管退耕还林草20年来榆林市植被覆盖度整体呈上升趋势，但研究发现，榆林市退耕还林草巩固期较建设期植被覆盖度呈降低趋势的面积增多，这可能与干旱的气候和大面积的森林种植相关，因为前人研究认为，黄土高原的退耕还林草工程、三北防护林等大规模植被恢复工程造成区域耗水量、蒸散量增大，进而影响区域水文平衡。因此，后期对于植被的管护和巩固需加强前期实施方案合理的论证，如节水抗旱树种的选择、造林密度的调整、水资源承载能力的估算等，以保证植被恢复的可持续，尤其是对于黄土高原生态脆弱区的植被恢复策略需要深入探究。

4 结 论

(1)2001—2020年榆林市植被覆盖度随时间变化明显，整体呈显著增加趋势(S=0.011，<0.01)。建设期榆林市整体植被覆盖度显著增加(=0.013，<0.01)，而巩固期增加趋势不显著(=0.005，>0.05)。

(2)2001—2020年榆林市植被覆盖度空间分布表现为呈由东向西递减的格局，高值区主要分布于东南部黄土高原丘陵沟壑区，这与该区域是退耕还林草的重点建设区域密切相关。榆林市各县(区)植被覆盖度整体以增长趋势为主，呈增加趋势的面积共占比为84.5%，主要分布于榆林市东部，呈降低趋势的区域占总面积的15.4%，主要分布在榆阳区、定边县、靖边县、神木市西部及城镇化发展速度较快的区域。建设期呈增加趋势面积占比(82.1%)明显多于巩固期(58.0%)。

(3)2001—2020年累积退耕还林草面积和降水量的动态变化对植被覆盖度年际变化影响较大。在建设期，累积退耕还林草面积的动态变化为影响植被覆盖度年际变化的主要因素，而在巩固期降水量的动态变化则与植被覆盖度年际变化关系较为一致。

(4)2001—2020年影响植被覆盖度空间分异的主要因素为土壤质地和降水量。在建设期土地利用方式和土壤质地主要解释了植被覆盖度空间分异，在巩固期仅为土壤质地；其次，两两因素的交互作用对于植被覆盖度的影响均存在明显的增强型交互作用。