因子回归和交互联合探索区域植被覆盖度的影响因素——以三江源地区为例

赵 丹,王祖伟,张国壮,徐永敏,孙立坚

因子回归和交互联合探索区域植被覆盖度的影响因素——以三江源地区为例

赵 丹1,2,王祖伟1*,张国壮2,3,徐永敏4,孙立坚2

(1.天津师范大学地理与环境科学学院,天津 300387；2.中国测绘科学研究院,北京 100830；3.长安大学地球科学与资源学院,陕西 西安 710054；4.国家测绘产品质量检验测试中心,北京 100830)

利用SPOT VEGETATION数据获取的归一化植被指数(NDVI),分析三江源地区植被覆盖度(FVC)的空间异质性,围绕自然和人类活动因素,基于因子回归与交互作用联合探索自然因素和人为因素对三江源地区植被覆盖的影响.结果表明:(1)三江源地区植被覆盖度整体呈现明显的空间异质性;(2)总体上FVC空间分布的影响因素表现为自然环境因素>人类活动因素;(3)降水是影响三江源地区FVC的主要驱动因子,解释力达0.777;(4)因子交互发现:驱动解释系统呈现双因子增强,说明从系统的角度来看不存在独立起作用的因子,年降水量与其他因子的交互作用最强;(5)降水梯度影响了三江源地区FVC空间异质性的解释程度.随着降水增加,因子解释力趋稳,在降水量较多的三江源东部地区,FVC趋向于更易受高程和气温的影响;(6)数据结果亦验证了因子独立的全局最优筛选仅仅是模拟因变量特征的最优函数,其解释效果与因变量的驱动解释不能完全等同.

植被覆盖度(FVC)；三江源；驱动因子；贝叶斯回归；地理探测器；影响因素

植被是地球陆地生态系统的基本组成部分,在土壤形成、能量交换和地球表面的生物地球化学循环中发挥着重要作用[1-3],遥感以重复周期短,覆盖范围广的优势已成为监测植被覆盖的主要技术手段[4],在遥感获取的多种植被指数中,归一化植被指数(NDVI)以其明确的物理意义和简洁的反演算法,被广泛应用于区域乃至全球植被变化的研究.

植被覆盖度(FVC)影响因素研究是生态学、地理学、动植物学等学科持续关注的热点.许多学者对影响FVC的因素进行了研究,认识到影响FVC的因素主要涉及自然和人为因素[5],影响因子包括气温、降水、土壤类型、植被类型等;研究还发现,由于环境差异和社会经济发展,FVC及其驱动因素在区域层面上有很大差异,因子对FVC的驱动解释具有空间异质性[6],如干旱半干旱地区的FVC特征以及驱动因子有别于湿润半湿润区[7].因此,为了实施生态养护和生态恢复措施,有必要在区域层面了解植被覆盖的分布特征和驱动因素.

多元统计法是分析和识别驱动因素的常用方法之一,其中回归模型计算量较小,模型简单,被广泛采用.张琪等[8]基于多元回归方法分析了1982～2012年中亚植被覆盖变化的气候驱动解释.Manuel等[9]基于线性、二次及三次回归方法分析了生态发育过程中生物多样性的驱动解释.因子筛选影响回归效果,常用的变量筛选方法有岭回归(Ridge Regression)[10]、LASSO回归[11]等,这些筛选方法均为局部最优筛选,全子集筛选法列举全部可能组合,并建立全局最优模型,以包含最少自由变量的模型解释因变量,降低共线性的影响.张智韬等[12]通过全子集筛选最优光谱组合,构建深度差异模型,反演了不同FVC下的土壤含盐量.回归模型虽然可以独立显示因子对地理现象的影响程度,但忽视了因子间的相互作用,这对于系统认识地理现象的归因是不够的.

相比因子回归分析,地理探测器考虑了因子间的相互作用,通过探测地理现象的空间分层,即空间异质性(SSH)来揭示其地理现象的驱动力,是解释植被变化复杂驱动因素的有效方法.祝聪等[13]利用地理探测器对岷江上游FVC的影响因子进行了探测,结果表明:岷江上游FVC主要受海拔、气温、土壤类型、降水4个因子的影响;裴志林等[14]利用地理探测器发现影响黄河上游FVC空间分布的因素中气候类环境因素>非气候类环境因素>人类活动因素,其中降水量与土壤类型和土地利用的交互作用起主导作用;Zhu等[15]利用地理探测器分析了黑河流域中游地区的NDVI时空变化,研究发现自然和人为因素是NDVI变化的重要驱动力.虽然地理探测器可以有效探测因子的交互作用对地理现象的影响,但无法确定独立因子的正负相关性,也缺少回归模型对因变量特征模拟的能力.目前综合协调因子回归与交互探索区域植被覆盖度的影响因素的认识不甚明了.

本研究以三江源地区植被覆盖度为研究对象,利用SPOT VEGETATION数据(2019)获取的归一化植被指数(NDVI),探索利用因子回归与交互作用联合的方法,研究三江源地区植被覆盖的自然和人类活动影响因素,以期为三江源生态环境评估和预测未来环境变化下的植被变化提供科学参考.

1 材料与方法

1.1 研究区概况

三江源地处青藏高原腹地、青海省南部,31°39′～36°12′N,89°45′～102°23′E,行政区域涉及玉树、海南、果洛、黄南4个自治州的16个县和格尔木市的唐古拉山镇,总面积36.6万km2,约占青海省总面积的50.4%(图1).该区域是长江、黄河、澜沧江三大水系的发源地,是我国和亚洲最重要河流的上游关键源区,每年向下游供水约500亿m3.地形以山地地貌为主,海拔1953～6824m.气候属典型的高原大陆性气候,年平均气温为-20～8℃,高海拔地区年均气温在0℃以下;年降水量145～961mm,绝大部分地区年降水量不超400mm,降水少且降水分布空间差异大,东部地区雨水较多,西部干燥多风,高寒缺氧;植被类型以草原、草甸和湿地类型为主,是我国和世界上影响力最大的生态调节区之一[16].

图1 三江源地区位置示意

1.2 数据源及处理

1.2.1 NDVI数据 以年最大NDVI()作为因变量,基于每年1～12个月份的月NDVI最大值,采用最大值合成法合成年度植被指数数据集[17],数据来源于SPOT VEGETATION中国科学院资源环境数据云平台(http://www.resdc.cn).

1.2.2 地形数据 STER GDEM V2数据来自于“地理空间数据云”(http://www.gscloud.cn/),经过拼接、格式转换、裁剪得到三江源地区30m分辨率DEM数据(高程记为变量1),利用ArcGIS10.2中的3D分析模块,从该数据中提取坡度和坡向信息(记为变量23),生成坡度图和坡向图.

1.2.3 气象数据 气象资料选择年降水量和年平均气温(记为变量4,5),数据来源于国家科技资源共享服务平台—国家地球系统科学数据中心(http://www.geodata.cn).

1.2.4 人类活动数据 选取人口密度、距村落距离、距道路距离(记为变量678.人口密度数据来源于WorldPop(https://www.worldpop.org/).农村居民点数据来源于百度LBS开放平台,通过Place API V2.0获取.道路数据来源于开放道路地图数据库OpenStreetMap(https://www.openstreetmap.org/).数据经处理后转为WGS84坐标系,通过ArcGIS进行空间连接并生成人口密度图、距村落距离图和距道路距离图.

1.2.5 辅助数据 包括水系数据和政区数据,均来源于国家基础地理信息中心(http://www.ngcc.cn/)的1:100万基础地理信息数据(距河流距离记为变量9).

1.3 研究方法

1.3.1 地理单元采样与重分类 (1)将研究区按照18km´18km,共创建883个格网单元,逐格网提取NDVI值和9个因子变量值;(2)地理探测器要求输入变量为类型量,需要对连续型数据进行离散化处理,采用自然断点分级法[18-20]对14、5、68、9分别划分为5类;(3)按照《中国土壤分类与代码》(GB/T 17296-2009)[21],对NDVI分级,将植被覆盖度分为5级:0～0.2(极低植被覆盖度)、0.2～0.4(低植被覆盖度)、0.4～0.6(中植被覆盖度)、0.6～0.8(高植被覆盖度)、0.8～1(极高植被覆盖度);(4)坡向按照平缓坡(-1°～0°),阴坡(0°～45°,315°～ 360°),半阴坡(45°～135°),阳坡(135°～225°),半阳坡(225°～315°)分为5个坡向带[22];(5)坡度按照(0～5°)、(5°～10°)、(10°～15°)、(15°～20°)、(20°～25°)、(25°～30°)、(30°～35°)、(35°～40°)、(40°～45°)、(>45°)划分坡度带[23].

1.3.2 FVC估算 利用像元二分模型通过归一化植被估算FVC0.公式如下:

式中: NDVI为像元归一化植被指数值,NDVIveg为完全被植被覆盖的像元NDVI值,NDVIsoil为完全无植被覆盖的像元NDVI值.选取累计频率1%和99%处的NDVI值作为NDVIveg和NDVIsoil.本研究利用年度最大合成的NDVI数据,通过公式(1)计算得到三江源地区的FVC[24-25].

1.3.3 贝叶斯线性回归模型 贝叶斯模型是在概率统计中用所观察到的现象对有关概率分布的先验概率进行修正,当样本大到接近总体数时,样本中事件发生的概率将接近于总体中事件发生的概率的方法[26],根据贝叶斯定理:

式中:(|)为看到数据之后的条件分布密度(即后验分布),()为参数的先验分布密度,(,)为和的联合分布(|)为给定参数时的密度函数,而()为的边缘分布密度[27].

式中:为权重系数,为残差.

1.3.4 全子集筛选 全子集筛选是基于不同自变量的所有可能的组合方式,对缩减后的变量组合进行最小二乘法拟合,在所有可能的模型中选择一个最优模型[28].主要计算步骤:①记为自变量数目(=1,2,3…),拟合1～个预测变量的模型,根据“调整后2最大”准则来选择个最优模型;②根据验证集调整后的决定系数(2)、均方根误差(MSE)从个模型中选择一个最佳自变量组合.本研究以调整2(2adj)为选择依据对全子集回归进行最优模型筛选.③依次计算个最优模型的决定系数2、均方根误差MSE、赤池信息准则IC、贝叶斯信息准则IC来综合评价全子集筛选的结果;2、MSE来综合评价NDVI()的拟合程度,2越接近1,表示FVC回归拟合程度越高,MSE通过预测值和实测值的偏差度来判断模型的准确性,其值越小表示预测值和实测值越接近,IC、IC是建立在熵的基础上,衡量统计模型拟合效果优劣标准,其值越小表示该模型能够以最少的变量数目最好的解释因变量[29].

1.3.5 Pearson相关性 使用Pearson相关性系数度量因子间的相关性,计算公式如下[30-31]:

式中:(x,y)取值范围[-1,1]:0表示两个变量间无相关性,正值和负值分别表示正相关和负相关,值越大表示相关性越强.

1.3.6 地理探测器 地理探测器(Geo-detector)是基于空间分异理论、结合GIS空间分析技术等提出用来探测空间分异性并且揭示其驱动因子的一种统计方法[32],本研究用以定量分析三江源地区植被NDVI()变量的空间分异性在多大程度上由因子集解释,原理如下:

式中:=1,…,为变量或因子的分类或分区(简称层);N和分别为分层和全局区域的单元数;2和2分别是分层和全区域的变量的方差.SSW和SST分别为层内方差之和和全区总方差.的值域为[0,1],数值越大说明变量的空间分异性越显著;如果分层是由自变量生成的,则值越大表示自变量对属性的解释力越强,反之则越弱.=1表示变量完全由因子决定,=0则说明因子与变量无关.

因子交互性判断:识别不同因子1,2…之间的交互作用,是否会增加或减弱对因变量的解释力.方法是两两判断,如分别计算因子1和2对变量的值:(1)和(2),并计算1、2相交部分的值(1∩2) ,对(1)、(2)和(1∩2)进行比较.

生态假设:用于比较两个因子1,2对的空间分布的影响是否具有显著的差异,用统计量表示:

∈[0,1]且服从非中心分布,值越大表示被探测到的因子对由描述的空间(或社会认知)异质性的解释力越大.

计算分别在ArcGIS 10.2(FVC空间异质性计算显示及制图)、R(全子集模型要素提取、贝叶斯线性回归)和地理探测器软件(Geo-Detector 2015)中完成.

2 结果和分析

2.1 研究区植被覆盖度空间异质性

三江源地区FVC呈现由东南向西北递减(图2)趋势,极低、低、中、高、极高FVC区域分别占该地区总面积的16.25%、23.26%、21.67%、27.92%、10.90%.高、极高值区主要分布三江源地区的东、中部地区,区域内分布着阿尼玛卿山和巴颜喀拉山等山系,降水较多,河流、湖泊较密集,形成大面积的湿地,植被以高寒草甸为主[30,33].低值区主要分布在三江源地区的西部,包括玛多县和曲麻莱县北部、治多县中西部、杂多县西部及唐古拉镇等区域,区域内分布有昆仑山和唐古拉山等山系,区域内气候寒旱,植被以零星分布的高寒草原为主[34].三江源地区由东南向西北高程逐渐升高,降水量逐渐减少,热量条件逐渐变差.

图2 研究区FVC空间分布

从空间表达上看,研究区低海拔地区的FVC较高(图2,图3a);三江源地区FVC与气温和降水在空间上存在着一定的对应关系,空间上气温(降水)较高的区域,同时也是FVC较高的主要区域(图2,图3d,图3e);由于独特的地理位置,三江源地区的人类活动空间异质性差异很大,西部地区人迹罕至,人类设施较少.畜牧业生产及人类活动主要集中在东部地区一些较大的居民点附近(图3f、图3g、图3i).人类在选择生活点的时候有针对性地选择了植被覆盖条件好的区域,这些区域通常河流水源充沛、气候等环境条件好.

图3 各影响因子的空间分布

2.2 贝叶斯线性回归分析

2.2.1 回归模型要素特征提取 变量间的高度相关性会造成模型估计失真或难以估计准确,需要对自变量进行多重共线性检验,计算方差膨胀因子(VIF),结果见表1,所有解释变量的VIF<10,同时解释变量的容忍度(1/VIF)>0.1,基本符合回归模型特征独立的假设[35].

表1 多重共线性检验

图4 全子集筛选最佳组合方式

2.2.2 全子集模型筛选最优自变量组合方式 将9个影响因子指标进行标准化处理,进行全子集模型筛选.对每个子集模型以2adj确定变量组合,共选出9个最优模型.每个组合对应的最优模型2、MSE、IC、IC见图4.随着模型自变量数量的增加,2逐渐增大,模型的拟合程度越来越好;当=6时,2达到最大,模型拟合效果最好,此时的回归模型表达式为:

上式显示,年降水量(4)、年平均气温(5)、人口密度(6)、距村落距离(7)、距道路距离(8)、距河流距离(9)对因变量的拟合效果最好,影响因子大小为年降水量(4)>距村落距离(7)>年平均气温(5)>距道路距离(8)>距河流距离(9)>人口密度(6).式中年降水量的系数远大于其他因子的值,说明在独立因子作用下,年降水量对FVC的影响作用尤为显著.

2.3 地理探测器结果分析

2.3.1 植被覆盖分布的主导影响因子 如图5所示,各因子对FVC空间分布的解释力值排序为:年降水量(4)>距村落距离(7)>高程(1)>年平均气温(5)>距道路距离(8)>坡度(2)>距河流距离(9)>坡向(3).表明降水量是影响三江源地区FVC空间分布的主要驱动因子,解释力达到0.777;距村落距离(7)则是人类活动中对FVC的解释力最大的因子,解释力为0.620,所有因子中仅次于降水;高程(1)是第三重要的因素,解释力为0.517;解释力在0.5和0.3之间的因子依次为年平均气温(5)、距道路距离(8)、坡度(2);坡向(3)、人口密度(6)、距河流距离(9)的解释力均小于0.2,尤其是坡向(3)和人口密度(6) 的解释力很微弱.这一结果与三江源地区地理环境和历史沿革密切相关:三江源地区的植被主要是能适应寒旱气候的高山草原和高山草甸[36],形成和分布深受印度洋季风气候效应的影响,对降水较为敏感,由于三江源地区人口稀少,草原畜牧业传统逐水草而居的生产生活方式则将居民点与水草丰美联系到了一起.

2.3.2 因子的差异性 生态探测检测了因子间是否存在显著差异(图6),结果显示除了坡向(3)和人口密度(6)之间无显著性差异,其余因子间都存在显著性差异(<0.05).高程(1)和年平均气温(5)的Pearson系数绝对值最大(-0.83),呈负相关,说明三江源地区地面气温变化深受高程的影响,气温对FVC空间分布的影响实质上是高程的间接作用[14].

2.3.3 因子的交互作用 任意两种因子交互效果都表现为双因子增强(图7),说明从系统的角度来看不存在独立起作用的因子.年降水量与其他因子的交互作用最强,年降水量∩年平均气温 ((45)= 0.872)和高程∩年降水量((14)=0.864)的交互驱动解释最强,结合图4,年降水量(4)和年平均气温(5)是自变量个数为2时的最优组合,这就共同说明了年降水量(4)和年平均气温(5)是三江源地区FVC的最显著驱动组合.

图5 因子探测结果

图6 生态探测与Pearson 相关性系数

显著性水平*<0.05

同时发现:年降水量∩距村落距离((4∩7)= 0.827)为交互探测的第三重要值.图7亦显示人类活动因素的驱动作用并不明显,说明当前三江源地区的人类活动对FVC空间分布影响依然较弱.

2.3.4 因子对系统解释稳定性的影响 在自然驱动因素中,年降水量对FVC的影响最大,这与以往的研究结果一致[37-38].如图8所示,高程(1)对降水量较少(Level1)区域的FVC影响较大,这些地区主要分布在三江源地区的西部,高程较高,降水不足以满足植被生长,植被稀少,青藏高原的冰川积雪融水成为这些地区植被的主要水分来源,冰川分布受海拔影响,同时该区域主要植被类型为高山草甸和高寒草原,生态系统结构相对简单化,功能脆弱化[39],抗干扰能力较差;少量分布在居民点附近的植被点(牧民逐水而居的主动选择)夸大了人为因素对FVC的解释,此时的驱动解释系统不稳定,极易受变量扰动的影响.随着降水梯度的增加,FVC驱动解释系统趋于稳定,因子解释力的波动降低.

图7 交互探测结果

图8 FVC影响因子随年降水量梯度变化的q值

也就是说,考虑到FVC的空间异质性,对连片FVC较低地区进行因子探测其结果是不稳定的.随着降水持续增加,值趋稳,降水的增加使得FVC的系统解释性越来越稳定,在降水量较多的东部地区,FVC驱动解释系统的其稳性较高.当降水量最大时(Level5),高程(1)、坡度(2)和年平均气温(5)成为主要因子,也就是说在降水足以满足植被生长的状态下,FVC趋向于更易受高程、坡度和气温的影响,温度对植被的影响被水分条件所限制,当温度过低时,植被的生理活动受到抑制,此时适当升高温度可以促进光合作用,同时距河流的距离(9)的值逐渐减小,说明此时降水足以为植被生长提供充足水分,减弱了河流和人为影响的作用.

3 讨论

国内外学者借助不同的方法对FVC变化及驱动因子分析进行了研究,如残差分析法[40]、相关分析法[41]等,残差分析法不能对影响因子进行量化,相关分析法虽然能量化数值,但对于空间异质性的反映不足,而且分析多集中在独立因子个体上.本文综合协调因子回归与因子交互联合探索FVC空间异质性的驱动解释,此方法未有人研究开展.在因子回归分析中,利用贝叶斯线性回归模型并经全子集筛选提取、拟合研究区FVC空间分布,贝叶斯线性回归相对于多元线性回归可以有效减少模型的过拟合程度.全子集筛选法以包含最少自由变量的模型解释因变量的拟合效果.回归模型本质上是以独立自变量因子模拟因变量的特征,虽然可以显示因子对地理现象的影响程度,但未考虑因子间的相互作用,这对于系统认识地理现象的归因是不够的.相比于因子回归,地理探测器考虑了因子间的相互作用,通过探测地理现象的空间分层来揭示其地理现象的驱动力,是研究复杂驱动因素的有效方法,但是地理探测器缺少回归模型对因变量特征模拟的能力.

3.1 FVC的因子独立解释

从因子独立的角度看,三江源地区FVC空间分布的影响因素中自然环境因素>人类活动因素,其中主要受年降水量、年平均气温、距村落距离、距道路距离4个因子的影响. 年降水量对三江源地区FVC的影响作用尤为显著,这与以往的研究结果一致[42];就拟合过程来看(式15),距村落距离负向显著,年降水量、年平均气温、距道路距离正向显著.年降水量的线性关系明显较其他因子显性.结合图3,说明在该地区降水的影响较其他因素作用更普遍.而年平均气温、距村落距离和距道路距离等的影响则具有区域异质性.

3.2 FVC的因子交互解释

从因子交互的角度看:年降水量与其他因子的交互作用最强,年降水量∩年平均气温和高程∩年降水量的交互驱动解释最强,说明气温和降水是决定三江源地区植被生长状况的最主要因子.FVC与气温和降水呈正相关,降水增多、温度增暖使得FVC向着相对较好的生态状况发展,这与文献0关于三江源地区植被变化的研究结果一致;交互探测还发现:两种因子交互效果都表现为双因子增强,因子的交互作用对FVC的解释力远大于独立因子的解释力,说明从系统的角度来看不存在绝对独立作用的因子,FVC变化是多要素综合作用的结果,自然和人为影响因子与FVC变化之间存在复杂的互馈效应.提醒有必要从系统的角度研究FVC的深层次驱动.

3.3 FVC驱动解释系统的稳定性

在自然驱动因素中,降水对FVC的影响最大,这与已有研究结论一致,即水分是植被生长的关键限制因素,植被比其他自然因素对降水更敏感[37].本研究还发现降水梯度影响了三江源地区FVC的空间异质性的解释程度.在降水稀少的西部,植被稀少,少量分布在居民点附近的植被点(牧民逐水而居的主动选择)夸大了人为因素对FVC的解释,此时的解释系统是不稳定的,极易受变量扰动的影响.随着降水梯度的增加(对应FVC的提升),FVC驱动解释系统趋于稳定,因子的解释值波动趋窄.也就是说,考虑到FVC的空间异质性,对连片FVC较低地区进行因子探测其结果有可能是不稳定的.随着降水持续增加,因子解释力值趋稳,降水的增加使得FVC的系统解释性越来越稳定,在降水量较多的东部地区,FVC驱动解释系统的稳定性较高.当降水量最大时(Level5),高程、气温逐渐成为主要影响因子,也就是说在降水足以满足植被生长的状态下,三江源地区FVC趋向于更易受高程和气温的影响,这在以往三江源地区FVC研究中未见描述.

3.4 本研究的局限性

FVC变化受气候、地形、人类活动等多重因素的共同影响,作用机制复杂[44-45].长时序的FVC监测对于研究植被生态环境作用机理更为有利,限于数据资料,本研究选取在一个时间年上进行分析,属于单年份截面分析.拟在后续研究中补充数据,探讨影响因子在长时序FVC监测中的解释变迁,以更全面的揭示区域FVC的深层次受影响机制.

4 结论

4.1 从独立因子回归的角度看,三江源地区FVC空间分布的影响因素中自然环境因素>人类活动因素.年降水量为主导并叠加年平均气温、人口密度、距村落距离、距道路距离、距河流距离的因子回归模型对因变量(NDVI)的拟合效果最好.

4.2 因子探测发现:三江源地区FVC空间分布的影响因素中,年降水量>距村落距离>高程>年平均气温>距道路距离>坡度>距河流距离>坡向,说明降水是三江源FVC空间分布的主导驱动因子(=0.777),这一点与因子回归的结果一致.

4.3 全局最优筛选出的6个因子权重排序与因子探测中这些因子的值排序并非一致,表明全局最优筛选回归模型仅仅是模拟因变量特征的最优函数,与FVC的驱动解释不能完全等同.

4.4 因子交互发现:两种因子交互效果都表现为双因子增强,说明从系统的角度来看不存在独立起作用的因子.年降水量∩年平均气温和高程∩年降水量的交互驱动解释最强.

4.5 降水梯度深刻影响了三江源地区FVC空间异质性驱动解释的稳定性.降水的增加使得FVC的驱动解释结果更稳定.在降水足以满足植被生长的三江源东部地区,FVC更易受高程和气温的影响;在降水稀少的三江源西部地区进行探测,其结果是不稳定的.

[1] Sidi A M,Wu Y P,Kumar A,et al. Spatiotemporal analysis of vegetation cover changes around surface water based on NDVI: a case study in Korama basin,Southern Zinder,Niger [J]. Applied Water Science,2020,11(1).

[2] Liu H,Zheng L,Yin S. Multi-perspective analysis of vegetation cover changes and driving factors of long time series based on climate and terrain data in Hanjiang River Basin China [J]. Arabian Journal of Geosciences,2018,11(17):509.

[3] Ning T,Liu W,Lin W,et al. NDVI variation and its responses to climate change on the Northern Loess Plateau of China from 1998 to 2012 [J]. Advances in Meteorology,2015.

[4] Fensholt R,Langanke T,Rasmussen K,et al. Greenness in semi-arid areas across the globe 1981-2007—an Earth Observing Satellite based analysis of trends and drivers. Remote Sensing of Environment,2012,121.

[5] Li H T,Xie M M,WANG H H,et al. Spatial heterogeneity of vegetation response to mining activities in resource regions of Northwestern China [J]. Remote Sensing,2020,12(9):3247.

[6] Du Z Q,Zhang X Y,Xu X M,et al. Quantify influences of physiographic factors on temperate dryland vegetation,Northwest China,Scientific Reports,2017,7(1):40092.

[7] 李茂林,闫庆武,仲晓雅,等.干旱半干旱地区植被覆盖度变化及主导因素分析:以锡林郭勒为例[J]. 生态与农村环境学报,2021,37(12): 1548-1558.

Li M L,Yan Q W,Zhong X Y,et al. Analysis on evolution and dominant factors of factional vegetation coverage in arid and semi-arid regions: A case of Xilingol [J]. Journal of Ecology and Rural Environment,2021,37(12):1548-1558.

[8] 张 琪,袁秀亮,陈 曦,等.1982～2012年中亚植被变化及其对气候变化的响应[J]. 植物生态学报,2016,40(1):13-23.

Zhang Q,Yuan X L,Cheng X,et al. Vegetation change and its response to climate change in Central Asia from 1982 to 2012 [J]. Chinese Journal of Plant Ecology,2016,40(1):13-23.

[9] Manuel D B,Richard D B,Peter M V,et al. Changes in belowground biodiversity during ecosystem development [J]. Proceedings of the National Academy of Sciences of the United States of America,2019,116(14):6891-6896.

[10] 焦 伟,陈亚宁,李 稚,等.基于多种回归分析方法的西北干旱区植被NPP遥感反演研究[J]. 资源科学,2017,39(3):545-556.

Jiao W,Chen Y N,Li Z,et al. Inversion of net primary productivity in the arid region of Northwest China based on various regressions [J]. Resources Science,2017,39(3):545-556.

[11] 冯 磊,杨 东,黄悦悦.2000～2017年川渝地区植被NDVI特征及其对极端气候的响应[J]. 生态学杂志,2020,39(7):2316-2326.

Feng L,Yang D,Huang Y Y. Vegetation NDVI characteristics and response to extreme climate in Sichuan and Chongqing from 2000 to 2017 [J]. Chinese Journal of Ecology,2020,39(7):2316-2326.

[12] 张智韬,韩 佳,王新涛,等.基于全子集-分位数回归的土壤含盐量反演研究[J]. 农业机械学报,2019,50(10):142-152.

Zhang Z T,Han J,Wang X T,et al. Soil salinity inversion based on best subsets-quantile regression model [J]. Transactions of The Chinese Society of Agricultural Machinery,2019,50(10):142-152.

[13] 祝 聪,彭文甫,张丽芳,等.2006～2016年岷江上游植被覆盖度时空变化及驱动力[J]. 生态学报,2019,39(5):1583-1594.

Zhu C,Peng W F,Zhang L F,et al. Study of temporal and spatial variation and driving force of fractional vegetation cover in upper reaches of Minjiang River from 2006 to 2016 [J]. Acta Ecologica Sinica,2019,39(5):1583-1594.

[14] 裴志林,杨勤科,王春梅,等.黄河上游植被覆盖度空间分布特征及其影响因素[J]. 干旱区研究,2019,36(3):546-555.

Pei Z L,Yang Q K,Wang C M,et al. Spatial distribution of vegetation coverage and its affectingfactors in the upper reaches of the Yellow River [J]. Arid Zone Research,2019,36(3):546-555.

[15] Zhu L,Meng J,Zhu L. Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin [J]. Ecological Indicators,2020,117(2):106545.

[16] 赵新全,周华坤.三江源区生态环境退化、恢复治理及其可持续发展[J]. 中国科学院院刊,2005,(6):471-476.

Zhao X Q,Zhou H K. Eco-environmental degradation,vegetation regeneration and sustainable development in the headwaters of Three Rivers on Tibetan Plateau [J]. Bulletin of Chinese Academy of Sciences,2005,(6):471-476.

[17] 徐新良.中国年度植被指数(NDVI)空间分布数据集.中国科学院资源环境科学数据中心数据注册与出版系统(http://www.resdc.cn/ DOI),2018.DOI:10.12078/2018060601)

[18] Chen W,Zhao H,Li J,et al. Land use transitions and the associated impacts on ecosystem services in the Middle Reaches of the Yangtze River Economic Belt in China based on the geo-informatic Tupu method [J]. Science of the Total Environment,2020,701(Jan.20): 134690.1-134690.13.

[19] 刘宪锋,潘耀忠,朱秀芳,等.2000～2014年秦巴山区植被覆盖时空变化特征及其归因[J]. 地理学报,2015,70(5):705-716.

Liu X F,Pan Y Z,Zhu X F,et al. Spatiotemporal variation of vegetation coverage in Qinling-Daba Mountains in relation to environmental factors [J]. Journal of Geographical Sciences,2016,26(1):45-58.

[20] 刘彦随,李进涛.中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报,2017,72(1):161-173.

Liu Y S,Li J T. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China [J]. Journal of Geographical Sciences,2017,72(1):161-173.

[21] GB/T 17296-2009 中国土壤分类与代码[S].

GB/T 17296-2009 Classification and codes for Chinese soil [S].

[22] 靖亭亭,胡海棠,邱春霞,等.东北黑土漫岗区春耕期土壤水分空间变异及地形影响[J]. 水土保持研究,2022,29(1):58-65.

Jing T T,Hu H T,Qiu C X,et al.Spatial variability and lts controlling topographic factors of soil moisture during spring plowing season in black soil hilly region ofNortheast China [J]. Research of Soil and Water Conservation,2022,29(1):58-65.

[23] 周璐红,王盼婷,曹瑞超.2000～2020年延安市土壤侵蚀驱动因素分析及生态安全评价[J]. 生态与农村环境学报,2022,38(4):511-520.

Zhou L H,Wang P T,Cao R C. Soil erosion driving factors and ecological security evaluation for Yan’an City from 2000 to 2020 [J]. Ecology and Environment Sciences,2022,38(4):511-520.

[24] Yang S W,Dong B,Liu L,et al. Research on vegetation coverage change in Sheng Jin Lake Wetland of Anhui Province [J]. Wetlands,2015,35(4):677-682.

[25] 李 晶,刘乾龙,刘鹏宇.1998～2018年呼伦贝尔市植被覆盖度时空变化及驱动力分析[J]. 生态学报,2022,42(1):220-235.

Li J,Liu Q L,Liu P Y. Spatio-temporal changes and driving forces of fraction of vegetation coverage in Hulunbuir (1998～2018) [J]. Acta Ecologica Sinica,2022,42(1):220-235.

[26] 陈 强.高级计量经济学及Stata应用[M]. 北京:高等教育出版社,2010.

Chen Q. Advanced Econometrics and Stata application [M]. Beijing: Higher Education Press,2010.

[27] 秦 鑫.一种蒙特卡罗贝叶斯分类的改进方法[D]. 武汉:华中师范大学,2004.

Qin X. An improved method of Monte CarloBayesian classification [D]. Wuhan: Central China Normal University,2004.

[28] Mona C B,Jacob W,Johannes K,et al. Increasing local biodiversity in urban environments: Community development in semi- natural species-rich forb vegetation [J]. Landscape and Urban Planning,2019,184:23-31.

[29] Hang S,Lamneithem,Dabral Parmendra P. Multivariate frequency analysis of meteorological drought using copula [J]. Water Resources Management,2018,32(5):1741–1758.

[30] 程东亚,李旭东.喀斯特地区植被覆盖度变化及地形与人口效应研究[J]. 地球信息科学学报,2019,21(8):1227-1239.

Cheng D Y,Li X D. Vegetation coverage change in a karst area and effects of terrain and population [J]. Journal of Geo-information Science,2019,21(8):1227-1239.

[31] 肖 强,陶建平,肖 洋.黄土高原近10年植被覆盖的动态变化及驱动力[J]. 生态学报,2016,36(23):7594-7602.

Xiao Q,Tao J P,Xiao Y. Dynamic vegetation cover change over the past 10years on the Loess Plateau,China [J].Acta Ecologica Sinica,2016,36(23):7594-7602.

[32] 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.

[33] 尚占环,董全民,施建军,等.青藏高原“黑土滩”退化草地及其生态恢复近10年研究进展——兼论三江源生态恢复问题[J]. 草地学报,2018,26(1):1-21.

Shang Z H,Dong Q M,Shi J J,et al,Research progress in recent ten years of ecological restoration for 'Black Soil Land' degraded grassland on Tibetan Plateau-concurrently discuss of ecological restoration in Sangjiangyuan Region [J]. Acta Agrestia Sinica,2018,26(1):1-21.

[34] 黄 玫,季劲钧,彭莉莉.青藏高原1981～2000年植被净初级生产力对气候变化的响应[J]. 气候与环境研究,2008,13(5):608-616.

Huang M,Ji J J,Peng L L. The response of vegetation net primary productivity to climate change during 1981—2000 in the Tibetan Plateau [J]. Climatic and Environmental Research.,2008,13(5):608-616.

[35] 杨 梅,肖 静,蔡 辉.多元分析中的多重共线性及其处理方法[J]. 中国卫生统计,2012,29(4):620-624.

Yang M,Xiao J,Cai H. Multicollinearity in multivariate analysis and its treatment methods [J].Chinese Journal of Health Statistics,Aug 2012,Vol.29,No.4.

[36] 张 颖,章超斌,王钊齐,等.三江源1982～2012年草地植被覆盖度动态及其对气候变化的响应[J]. 草业科学,2017,34(10):1977-1990.

Zhang Y,Zhang C B,Wang Z Q,et al. Spatiotemporal dynamics of grassland coverage in response to climate change from1982 to 2012 in the Three Rivers Source Region,China [J]. Pratacultural Science,2017,34(10):1977-1990.

[37] 刘 婵,刘 冰,赵文智,等.黑河流域植被水分利用效率时空分异及其对降水和气温的响应[J]. 生态学报,2020,40(3):888-899.

Liu C,Liu B,Zhao W Z,et al. Temporal and spatial variability of water use efficiency of vegetation and its response to precipitation and temperature in Heihe River Basin [J]. Acta Ecologica Sinica,2020,40(3):888-899.

[38] 李 翔,王 忠,赵景学,等.念青唐古拉山南坡高寒草甸生产力对温度和降水变化的敏感性及其海拔分异[J]. 生态学报,2017,37(17):5591-5601.

Li X,Wang Z,Zhao J X,et al. Altitudinal variations in the sensitivity of alpine meadow productivity to temperature and precipitation changes along the southern slope of Nyainqentanglha Mountains [J]. Acta Ecologica Sinica,2017,37(17):5591-5601.

[39] 赵鸿怡,熊万友,岳海涛,等.退化梯度上滇西北高寒草甸植物地上形态及生物量变化特征[J]. 生态学报,2020,40(16):5698-5707.

Zhao H Y,Xiong W Y,Yue H T,et al. Changes of aboveground morphological traits and biomass of alpine meadows along a degradation gradient in Northwestern Yunnan Province [J]. Acta Ecologica Sinica,2020,40(16):5698-5707.

[40] 彭凯锋,蒋卫国,侯 鹏,等.三江源国家公园植被时空变化及其影响因子[J]. 生态学杂志,2020,39(10):3388-3396.

Peng K F,Jiang W G,Hou P,et al. Spatiotemporal variation of vegetation coverage and its affecting factors in the Three-river-source National Park [J]. Chinese Journal of Ecology,2020,39(10):3388-3396.

[41] 刘宪锋,任志远,林志慧,等.2000～2011年三江源区植被覆盖时空变化特征[J]. 地理学报,2013,68(7):897-908.

Liu X F,Ren Z Y,Lin Z H,et al. The spatial-temporal changes of vegetation coverage in the 'Three-River Headwater Region in recent 12years [J]. Journal of Geographical Sciences,2013,68(7):897-908.

[42] 刘正佳,邵全琴.三江源地区植被覆盖度变化及其与气候因子的关系[J]. 水土保持研究,2014,21(6):334-339.

Liu Z J,Shao Q Q. Vegetation coverage change and its response to climate change in 'Three-River headwaters region [J]. Research of Soil and Water Conservation,2014,21(6):334-339.

[43] 魏红燕.回归分析中多重共线性的诊断与处理[J]. 周口师范学院学报,2019,36(2):11-15.

Wei H Y. Diagnosis and treatment of multicollinearity in regression analysis [J]. Journal of Zhoukou Normal University,2019,36(2):11-15.

[44] 李辉霞,刘国华,傅伯杰.基于NDVI的三江源地区植被生长对气候变化和人类活动的响应研究[J]. 生态学报,2011,31(19):5495-5504.

Li H X,Lin G H,Fu B J. Response of vegetation to climate change and human activity based on NDVI in the Three-River Headwaters region [J]. Acta Ecologica Sinica,2011,31(19):5495-5504.

[45] 覃巧婷,陈建军,杨艳萍,等.黄河源植被时空变化及其对地形和气候的响应[J]. 中国环境科学,2021,41(8):3832-3841.

Qin Q T,Chen J J,Yang Y P,et al. Spatiotemporal variations of vegetation and its response to topography and climate in the source region of the Yellow River [J]. China Environmental Science,2021,41 (8):3832-3841.

致谢：感谢孟伟庆教授对文章英文写作的指导与修改.

Identifying factors affecting regional fractional vegetation cover based on a combination of factor regression and interaction—A case study on the Three-River Headwaters Region.

ZHAO Dan1,2,WANG Zu-wei1*,ZHANG Guo-zhuang2,3,XU Yong-min4,SUN li-jian2

(1.School of Geography and Environment Science,Tianjin Normal University,Tianjin 300387,China；2.Chinese Academy of Surveying and Mapping,Beijing 100830,China；3.School of Earth Science and Resources,Chang'an University,Xi’an 710054,China；4.National Quality Inspection and Testing Center for Surveying and Mapping Products,Beijing 100830,China).,2022,42(8)：3903～3912

The spatial heterogeneity of FVC in the Three-River Headwaters region was analyzed using the normalized vegetation index (NDVI) obtained from SPOT VEGETATION,and the impacts of natural and anthropogenic factors on FVC were evaluated with a combination of factor regression and interaction. The results show that: (1)There is a clear spatial heterogeneity in FVC across the Three-River Headwaters region; (2)The natural environmental factors have more impact on FVC spatial distribution than anthropogenic factors;(3)The natural environmental factors have greater impact on FVC spatial distribution than do anthropogenic factors,of which annual precipitation can explain 0.777 of the total variance despite its strongest interaction with other factors; (4) Factors interaction found that the driving explanation system shows a two-factor enhancement,indicating that there is no independent factor from the perspective of the system,and the interaction between annual precipitation and other factors is the strongest; (5)The precipitation gradient affects the degree of explanation of the spatial heterogeneity of FVC in the Three-River Headwaters Region. With an increase in precipitation,the explanatory power of the factors tends to stabilize,and the FVC tends to be more influenced by elevation and temperature in the eastern part of the Three-River Headwaters area where precipitation is higher; (6) The data results also confirm that factor-independent global optimal screening is only an optimal function that simulates the characteristics of the dependent variable,and its explanatory effect is not fully equivalent to the driven explanation of the dependent variable.

fractional vegetation cover (FVC)；three-River Headwaters Region；driving factors；Bayesian regression；geo-detector；influencing factors

X321

A

1000-6923(2022)08-3903-10

2022-02-06

中央级公益性科研院所基本科研业务费项目(AR2123);自然资源部测绘科学与地球空间信息技术重点实验室基金项目(2020-3-2)

* 责任作者,教授,zuweiwang@126.com

赵 丹(1997-),女,陕西西安人,天津师范大学硕士研究生,研究方向为环境变化与生态修复研究.