黄河源植被覆盖度变化及空间分布自然驱动力分析

高思琦 ，董国涛, ，蒋晓辉，聂桐 ，郭欣伟，党素珍，李心宇，李昊洋

1. 西北大学城市与环境学院，陕西 西安 710127；2. 黄河水利委员会黄河水利科学研究院，河南 郑州 450003；3. 黑河水资源与生态保护研究中心，甘肃 兰州 730030

植被可以将土壤、大气、水分和人类社会紧密联系起来，具有调节地表碳循环和气候系统的作用（Piao et al.，2011）。归一化植被指数（NDVI）作为一种能够有效反映地表植被生长变化情况的遥感指标（金凯等，2020），已经广泛应用于区域植被覆盖变化及空间分布的监测（穆少杰等，2012；袁丽华等，2013；杨彩云等，2021）。植被NDVI的驱动机制是目前研究的热点，气候和人类活动因素对植被的影响是主要研究内容（Liu et al.，2015；Jiang et al.，2017）。黄土高原（刘静等，2020）、青藏高原（韩炳宏等，2019）、榆林地区（栾金凯等，2018）等区域影响植被NDVI的主要是气候因素。秦岭-淮河南北植被主要受生态建设驱动（李双双等，2021）。除此之外，地形、土壤等其他自然条件也是影响植被覆盖的重要因子（孙红雨等，1998）。覃金兰等（2020）通过空间叠加分析研究了西北干旱区植被覆盖度的地形分异特征；张英洁等（2017）发现土壤肥力是影响长白山苔原带植被NDVI的重要因子。自然因子对植被NDVI空间分布的影响具有空间异质性（高江波等，2019）及交互作用（彭文甫等，2019），因此关于区域植被的驱动机制需要进一步研究多因子的协同作用。

黄河源区海拔高，生态环境脆弱，作为整个黄河流域的水源涵养区，黄河源区生态环境保护对黄河流域的可持续发展具有重要作用（郭泽呈等，2020），因此，研究黄河源区植被覆盖变化及空间分布的自然驱动机制具有重要意义。目前大多数关于黄河源区植被的研究（吴喜芳等，2015；张晓龙等，2019）是运用相关分析等定性研究方法，没有考虑到因子对植被影响的空间异质性，并且黄河源区自然条件复杂（潘竟虎等，2005），现有研究大多只分析了气候因子对植被的影响，缺乏对地形地貌等其他自然因子影响力的研究。王劲峰等（2017）提出的地理探测器是一种可以定量探测地理现象空间分异性及其驱动力的方法，同时能够探测变量之间的交互作用，目前已有学者有效运用该模型对中亚（王伟等，2019）、内蒙古（陈宽等，2021）、祁连山国家公园（张华等，2021）、黄土高原（张翀等，2021）、延安（聂桐等，2021）等不同尺度的干旱半干旱地区植被NDVI驱动机制进行了研究。本文运用趋势分析法分析 2000—2018年黄河源区植被NDVI时空变化特征，运用地理探测器研究黄河源区植被的空间分异性，基于8种自然因子数据定量探究植被NDVI空间分布的驱动机制，以期为黄河源区生态保护提供科学依据。

1 研究区概况

如图1所示，黄河源区位于青藏高原东北部，地跨四川、甘肃和青海3个省，地理坐标为31.5—36.5°N，95.5—103.5°E，流域面积为 13.4×104km²，地势西高东低，平均海拔4473 m（钱程等，2012）。黄河源区地处干旱—半干旱的过渡地带，气候为高原大陆性气候（康悦等，2011），年均温在 0 ℃左右，全年降水主要集中在6—9月（韩思淇等，2019），气温和降水量大致由东南向西北递减，区域内植被以高寒植被类型为主。黄河源区属于高海拔地区，对于气候变化非常敏感，生态环境十分脆弱（于伯华等，2011）。

图1 黄河源区示意图Figure 1 Sketch map of the source area of the Yellow River

2 研究方法

2.1 数据来源及预处理

研究数据包括黄河源植被NDVI、高程、地形、气候、土壤类型、地貌类型、植被类型等。2000—2018年植被NDVI数据采用时间分辨率为16 d和空间分辨率为 1 km的 MODIS NDVI数据（https://ladsweb. nascom.nasa.gov/），并进行最大值合成，本研究中年NDVI为区域年平均NDVI。按照等间距法（彭文甫等，2016）将植被NDVI值划分为低（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）5个植被覆盖度等级，以分析 2000—2018年黄河源植被覆盖度变化；年均温和年降水量数据采用黄河源区内及周边24个气象站点2000—2018年的实测逐日气象数据，采用反距离权重插值方法进行空间插值；黄河源区的土壤类型、植被类型和地貌类型数据，来源于中国科学院资源环境科学数据中心（http://www.resdc.cn/）；数字高程模型（DEM）数据来源于中国科学院地理空间数据云（http://www.gscloud.cn/），使用GDEMV2 30 m的分辨率数字高程数据，高程、坡度、坡向由DEM数据计算获取。以上数据均按照黄河源区矢量边界掩膜提取，通过重采样处理，与1 km的NDVI数据像元大小保持一致。

本研究根据黄河源区的特点，如表1所示，选取坡度、坡向、高程等通过改变局部气候要素影响植被生长的地形因子，年均温、年降水量等影响水热条件的气候因子和土壤类型、植被类型、地貌类型等影响植被生长的环境因子，共8个自然因子，分析黄河源区植被NDVI空间分布的驱动力。地理探测器的自变量必须为类型量，因此要将自然因子进行分类。如图2所示，本文运用自然断点法将高程、年均温、年降水量等划分9级，该方法可以避免人为引入的干扰，最大限度地提高类之间的差异（Chen et al.，2013），被广泛应用于地理检测器的数据分类（Nie et al.，2021；刘彦随等，2017）。将坡向按照坡面朝向划分为9级，坡度根据《土地利用现状调查技术规程》划分7级，土壤类型根据“土壤发生分类”系统的土纲划分为10类，植被类型根据《1∶1000000中国植被图集》的植被大类划分为9类，地貌类型根据《中华人民共和国地貌图集(1∶100万)》划分为6类。在全区范围内生成5 km×5 km格网，共5331个中心点作采样点，提取空间上对应的X和Y属性值，代入地理探测器模型。

图2 自然因子分类图Figure 2 Classification of natural factors

表1 自然因子Table 1 Natural factors

2.2 趋势分析

一元线性回归趋势法是基于像元分析变量变化趋势的方法（陈燕丽等，2011）。按自然间断点法将植被变化趋势分为7类：显著减少、中度减少、轻微减少、基本不变、轻微增加、中度增加和显著增加。趋势斜率公式（刘宪锋等，2015）为：

式中：

n——研究累计年数（n=19）；

i——从1到n，代表年份序号；

Vi——第i年的植被NDVI值；

θslope——趋势线斜率。若θslope＞0，表明植被覆盖呈上升趋势；若θslope＜0，表明植被覆盖呈下降趋势；若θslope=0，说明植被覆盖无明显变化。

2.3 地理探测器模型

地理探测器可以探测空间分异性及其驱动因素，包括4个探测器（王劲峰等，2017），在分析地理要素格局演变和地域空间分异等方面应用非常广泛（刘彦随等，2017）。本文运用地理探测器探测2000、2005、2010、2015和2018年5期自然因子对NDVI空间分布的影响。

2.3.1 因子探测

探测植被NDVI的空间分异性。此处，用q值表示自然因子解释了100×q%的植被NDVI，值域为[0, 1]，q值越大表示自然因子对植被NDVI的影响力越大，反之则越小。q值计算公式如下：

式中：

q——自然因子对 NDVI的解释力；研究区划分为h=1, 2…,L个区域；

Nh和N——层h和全区域单元数；

和σ2——层h和区域的Y值方差。

2.3.2 交互作用探测

自然界中因子不是独立存在的，因子间存在相互作用，交互探测可以探测不同自然因子间的交互作用。评估方法如表2。

表2 交互作用类型Table 2 Types of interaction

2.3.3 风险区探测

区域间的属性值显著差异性可用于判断植被覆盖好的区域以及植被 NDVI对自然驱动因子适宜的范围或类型。用t统计量来检验：

式中：

——子区域h内的属性均值；

——子区域h内的样本数量；

Var——方差。零假设H0：，如果在置信水平α下拒绝H0，则认为两个子区域间的属性均值存在着明显的差异。

2.3.4 生态探测

可判断哪种自然因子对植被NDVI空间分布具有更重要的影响力。以F统计量来衡量：

式中：δX1

NX1及NX2——两个因子X1和X2的样本量；

δX1和δX2——由X1和X2形成的分层的层内方差之和；

L1和L2——变量X1和X2分层数目。其中零假设H0：δX1=δX2，如果在α的显著性水平上拒绝H0，表明两因子X1和X2对属性Y的空间分布影响存在着显著差异。

3 结果与分析

3.1 黄河源降水、气温变化特征

由图3可知，黄河源2000—2018年平均气温为1.466 ℃，平均降水量为527.718 mm，插值得出的数据与韩思淇等（2019）的研究结果大致相同。年均温呈上升趋势，由 2000年的 0.580 ℃上升至2018年的1.780 ℃，气温增加速率为0.503 ℃/10 a，这与管晓祥等（2021）研究得出的气温增率大致相同。年降水量也呈上升趋势，由2000年的434.447 mm上升至2018年的676.456 mm，降水增加速率为67.422 mm/10 a，这与张成凤等（2019）研究得出的降水增率大致相同。经过归一化后，气温上升速率大于降水上升速率。

图3 2000—2018年年降水量、年均温变化趋势Figure 3 Change trend of precipitation and temperature during 2000-2018

3.2 黄河源植被NDVI时空变化

如图4所示，黄河源区NDVI西北低，中部和东南部高，这与黄河源的海拔及气候条件的空间分布基本一致。2000年和 2018年黄河源区内大部分面积的NDVI大于0.6，说明黄河源区植被覆盖较好。

图4 2000年和2018年NDVIFigure 4 NDVI in 2000 and 2018

表3显示，2000年和2018年高、中高植被覆盖区分别占黄河源区面积的63.71%、73.89%，低、中低总共分别占15.13%、8.84%，反映了黄河源区植被覆盖情况转好。2018年与2000年相比，除高植被覆盖区面积增大外，其他NDVI等级区域面积均减小，其中，中低植被覆盖区面积减少最多，减幅为5.37%，高植被覆盖区面积增幅达13.77%。

表3 2000—2018年NDVI动态变化Table 3 Dynamic changes of NDVI during 2000-2018

图5显示，2000—2018年黄河源区NDVI变化趋势均值为0.013/10 a，NDVI值在2008年最小，2018年达到最大，整体呈波动上升趋势。显著性检验（魏凤英，2007）显示|Z|=0.287＜Z0.05=0.328，所以NDVI变化趋势不显著。

图5 2000—2018年NDVI变化趋势Figure 5 Change trend of NDVI during 2000-2018

从表4和图6可知，2000—2018年黄河源区植被增加面积占比最大的区域主要在北部，面积为6.50×104km2，占比为 48.66%；植被减少区域主要集中在中部和东南部，占比为19.86%；植被基本不变的区域不同程度地分布在全区域。

表4 2000—2018年NDVI变化趋势Table 4 Change trend of NDVI during 2000-2018

图6 2000—2018年NDVI变化趋势分布Figure 6 Distribution of NDVI change trend in 2000-2018

3.3 自然因子影响力分析

因子探测器反映了 2018年各自然因子对黄河源区NDVI影响的大小。各自然因子的q值如表5所示，各自然因子对黄河源区NDVI影响程度的排序为年降水量＞高程＞年均温＞植被类型＞土壤类型＞坡度＞地貌类型＞坡向。年降水量的q值最大，解释力达到了 60%，因此，年降水量是影响黄河源区NDVI空间分布的主要自然因子；其次为高程，解释力在30%以上，对NDVI的分布也有较大影响；年均温和植被类型解释力均在20%以上；土壤类型解释力超过10%；坡度、地貌类型和坡向的单个因素解释力很小。

表5 自然因子的q值Table 5 q values of natural factors

3.4 自然因子交互作用及影响力差异分析

表6中交互作用探测结果显示，所有自然因子交互作用都呈现相互增强和非线性增强关系，其中高程与坡度、坡向的交互作用及地貌类型与坡向、高程、土壤类型、年均温的交互作用呈现非线性增强关系，其余自然因子的交互作用均呈现相互增强关系。年降水量因子与其他因子交互作用的q值普遍偏高，其中年降水量与高程交互作用的q值最大（0.682），其次为年降水量与植被类型交互作用（0.673）。

生态探测反映各因子对植被NDVI的影响大小是否有显著差异，可用于进一步验证主导因子。表6生态探测结果显示，年降水量对黄河源区 NDVI的影响与其他因子对NDVI的影响均有明显差异，进一步说明了年降水量的解释力比其他自然因子强；坡向、坡度和地貌类型三者之间对NDVI无显著差异，与其他因子交互有显著差异。

表6 自然因子交互作用及生态探测Table 6 Interaction and ecological detection of natural factors

3.5 自然因子适宜性分析

表7给出了植被生长对自然因子的适宜类型或范围。“Y”表示两类型区域间有显著差异，“N”表示无显著差异，植被NDVI值越大，该自然因子的类型和范围对植被生长越有利。

表7 植被对自然因子的适宜范围或类型Table 7 Suitable range or type of vegetation for natural factors

3.5.1 年降水量

由q值可以看出NDVI与年降水量有显著的关系。风险探测显示随着年降水量增加，植被覆盖度有上升趋势，NDVI在899—996 mm降水量范围内达到最高值，与758—824 mm、824—899 mm降水量范围内的植被NDVI均值之间无明显差异，与其他降水量范围有明显差异，因此，在899—996 mm年降水量范围内，植被覆盖最好。

3.5.2 高程

黄河源区地处高海拔地区，高程对黄河源区NDVI有很大的影响。随高程升高，植被NDVI在3578—3787 m范围内达到最高值，与其他高程范围内植被NDVI之间均存在显著性差异。因此，在3578—3787 m的高程范围内，植被覆盖最好。

3.5.3 年均温

随年均温的升高，植被NDVI均值先降低后升高，且在 3.45—4.48 ℃范围内达到最高值，并与4.48—7.77 ℃范围内的植被NDVI无显著差异，与其他温度范围内的植被NDVI均值之间均有显著性差异，因此，年均温在3.45—4.48 ℃范围时，黄河源NDVI值最高，植被覆盖最好。

3.5.4 其他自然因子影响力

从q值来看，植被类型、土壤类型、地貌类型、坡度及坡向等因子对黄河源植被NDVI空间分布的影响较小，但这些因子分别与年降水量、高程、年均温等的交互作用增强了其对植被NDVI的影响。

植被NDVI因植被类型而异。高寒沼泽的植被NDVI值最高，与阔叶林的NDVI均值没有明显的差异，与其他植被类型区植被NDVI均值之间有显著性差异，因此，高寒沼泽的植被覆盖最好。NDVI随土壤类型的不同而不同。半水成土的NDVI值最高，且与其他土壤类型的植被NDVI均值之间有显著性差异，因此，半水成土的植被覆盖最好。随地貌类型的变化，植被NDVI均值先增加后减少，在中起伏山地达到最高值，与其他地貌类型中的植被NDVI均值之间有显著性差异，因此，中起伏山地的植被覆盖最好。随着坡度的增加，NDVI均值先升高后降低，在25°—35°达到最高值，与15°—25°和45°—78°坡度范围内的植被NDVI均值没有明显差异，与其他坡度范围内的NDVI有明显差异。随坡向的不同，植被NDVI均值波动变化，在292.5°—337.5°（西北坡）达到最大值，并与西南坡的植被NDVI有明显差异，与其他坡向的无明显差异，因此，黄河源区西北坡的植被覆盖最好。

4 讨论

4.1 植被NDVI动态变化

黄河源整体植被覆盖度较高，以中高、高植被覆盖度为主，是三江源植被覆盖最好的区域。2000—2018年黄河源植被NDVI呈上升趋势，这与覃巧婷等（2021）的研究结果一致，并且与三江源（饶品增等，2021）及整个青藏高原（韩炳宏等，2019）植被变化趋势一致。2000—2018年黄河源区NDVI空间上发生明显变化。生态工程的有效实施使北部地区NDVI增加；湖泊不断扩张（段水强等，2015）使扎陵湖、鄂陵湖NDVI显著减少；局部地区植被的减少与过度放牧有关（王俊奇等，2021）。受全球气候变化以及人类活动的影响，黄河源曾出现草地退化等生态问题，2005年国家开始实施三江源生态保护工程，整个三江源地区NDVI增加，生态环境得到改善，生态保护工程取得一定成效。因此，黄河源植被覆盖度增加是气候暖湿化和生态保护工程共同作用的结果（韩思淇等，2019）。

4.2 植被NDVI的驱动机制

因子探测器结果显示，气候因子对NDVI空间分布影响显著，符合刘启兴等（2019）的研究结果。年降水量q值最大，因此是影响黄河源区NDVI最主要的因子，这与史丹丹等（2018）的研究结论一致。黄河源西北地区海拔高，降水少，温度低，不利于植被生长，植被覆盖度低；中部属于半干旱气候，植被覆盖度增加；东南部属于湿润气候，降水和气温增加，植被生长状况好。气候变暖使植被生长期延长，同时天然和人工降雨也增多，有利于植被生长。徐浩杰等（2012）认为未来黄河源区气候逐渐趋于暖湿化，会造成植被NDVI变化；但也有研究表明气温上升趋势大于降水，会使黄河源区逐渐暖干化（刘宪锋等，2013），而温度过高、水分不足会抑制植被生长。孙艳玲等（2010）表明，在干旱半干旱地区通常是降水驱动植被变化。通过比较各因子q值年际变化发现，在2000、2005、2010、2015和2018年自然因子对黄河源植被空间分布影响力大小排序均相同，年降水量始终为黄河源植被空间分布的主要影响因子。

水热条件决定植被覆盖的总体趋势，而地形、土壤、地貌等改变局部植被分布格局（孙红雨等，1998）。黄河源位于高海拔地区，不同的高程上气温降水不同。研究认为在3400—4200 m高程范围内水热组合条件最好，NDVI值较高（姜欣彤等，2020）。本研究发现在高程为3578—3787 m的范围内，植被覆盖最好；3787 m以上时，高程越高，NDVI越低。相关研究认为海拔越高，气温对NDVI的影响越大（马守存等，2018）。由于海拔越高，温度越低，所以黄河源区的植被生长受到限制。沼泽具有生态蓄水、气候调节等重要功能（白军红等，2004），沼泽植被对水文循环、生态发展等有重要作用。黄河源的沼泽植被和半水成土主要分布在东南部，水热条件充足，所以植被生长较好。平原、台地以及其他坡度较小的区域相对较平坦，人类活动较强，植被覆盖度不高。适中的坡度范围（25°—35°）以及中起伏山地较适宜黄河源植被生长。坡向是重要的地形因子，不同的坡向太阳光线等条件不同，植被生长所需要的水热条件也不同，导致生长在不同坡向上的植被有所差异（周爱霞等，2004）：偏南的阳坡光照强烈，土壤水分易被蒸发且受人类干扰大，偏北的阴坡虽光照条件不如阳坡，但土壤水分较适宜植被生长。

4.3 不足与展望

本研究是首次使用地理探测器来量化自然因素对黄河源NDVI空间分布的影响，与传统方法相比，地理探测器可以定量研究因子的影响力以及因子间的相互作用。然而，有些研究也证明黄河源植被受人类活动影响（张镱锂等，2006）。本研究只分析了自然因子的影响，缺乏对人为因子影响力的研究，因此，未来要进一步研究土地利用变化及生态工程等对黄河源NDVI的影响。

5 结论

本研究基于2000—2018年黄河源MODIS植被NDVI数据和同时期8种自然因子数据，运用一元线性回归法分析黄河源NDVI时空变化特征，运用地理探测器分析影响植被覆盖度空间分布的自然驱动因子，并确定适宜植被生长的因子范围或类型，研究主要得到以下结论：

（1）黄河源区NDVI分布特点为东南高西北低，多年变化趋势为北部增加，中部减少；黄河源整体植被覆盖度较高，2000—2018年NDVI均值总体上呈不显著的增加趋势，增长速率为0.013/10 a，高植被覆盖区面积增加，中低、中植被覆盖区面积减少，黄河源区整体植被覆盖度增加。

（2）2000—2018年各自然因子对植被NDVI影响程度的排序为年降水量＞高程＞年均温＞植被类型＞土壤类型＞坡度＞地貌类型＞坡向。其中，年降水量解释力在60%以上，成为影响黄河源区NDVI空间分布的最主要自然因子；其次是高程、年均温和植被类型，解释力均在20%以上，也很好地解释了植被NDVI的空间分布；其他自然因子影响力较小。

（3）自然因子对植被NDVI影响存在交互作用，呈现相互增强和非线性增强关系，交互作用使地貌类型、坡度及坡向等影响较小的单因子增强了对植被NDVI的影响。