黑龙江省植被生态质量空间分异的驱动力分析

Analysis of Driving Forces for Spatial Differentiation of Vegetation Ecological Quality in Heilongjiang Province

摘要

植被生态质量是表征陆地植被景观的一个基本要素，其变化对全球和区域生态系统的能量流动和物质循环具有深刻的影响。为此，以黑龙江省为研究区域，基于Landsat系列数据、气象数据和土地利用类型数据分别估算植被覆盖度（fractional vegetation cover，FVC）和净初级生产力（net primary productivity，NPP），从而构建植被生态质量指数（vegetation ecological quality index，VEQI），分析2000—2020年植被生态质量指数的时间变化特征，运用最优参数地理探测器探究地形因子、土壤因子、气象因子和人为活动因子对植被生态质量指数空间分异的驱动机制。结果表明，2000—2020年，黑龙江省年均植被生态质量指数呈显著上升趋势（年均增长0.56）；4个因子均能够有效解释植被生态质量指数的空间分异。其中，土壤容重、生长季月均温度、土壤酸碱度和高程是黑龙江省植被生态质量指数空间分异的主要影响因子，人口密度和坡向的协同作用对植被生态质量指数的空间分异有着强烈的非线性影响。

Abstract

Vegetation ecological quality is a fundamental element characterizing terrestrial vegetation landscapes， and its changes exert a profound impact on the energy flow and material cycle of global and regional ecosystems. This study takes Heilongjiang Province as the research area and estimates the fractional vegetation cover （FVC） and net primary productivity （NPP） based on Landsat series data， meteorological data， and land use data. Subsequently， a vegetation ecological quality index （VEQI） is constructed to analyze the temporal variation characteristics of VEQI from 2000 to 2020. Furthermore， the optimal parameter-based geographical detector model is employed to explore the driving mechanisms of the spatial differentiation of VEQI in relation to topographic， soil， climatic， and anthropogenic factors. The results show that from 2000 to 2020， the annual average vegetation ecological quality index in Heilongjiang Province showed a significant upward trend （with an annual increase of 0.56）； all four categories of factors can effectively explain the spatial differentiation of the vegetation ecological quality index. Soil bulk density， monthly average temperature in the growing season， soil acidity and elevation are the main influencing factors for the spatial differentiation of the vegetation ecological quality index in Heilongjiang Province. The synergistic effect of population density and slope aspect had a strong non-linear impact on the spatial differentiation of vegetation ecological quality index.

Graphical abstract

关键词

植被生态质量指数 / 植被覆盖度 / 净初级生产力 / 驱动因素 / 最优参数地理探测器

Key words

Vegetation ecological quality index / fractional vegetation cover / net primary productivity / driving factor / optimal parameters-based geographical detector

0 引言

植被生态质量是维护陆地生态系统稳定的基石^［1］，气候的变化和人类活动强度的提升，导致植被生态质量受到冲击，植被生长状态波动较大^［2］。目前，归一化植被指数（normalized difference vegetation index，NDVI）^［3］、植被覆盖度（fractional vegetation cover，FVC）^［4］和净初级生产力（net primary productivity，NPP）^［5］等指标可有效地反映植被健康状况与生产力的特定特征。然而，单一指标简化了植被质量评估过程，导致具有复杂性的植被生态系统评价结果可能存在偏差^［6］。因此，将植被覆盖度和净初级生产力有效地结合^［7］，构建植被生态质量指数（vegetation ecological quality index，VEQI）^［7-9］是一个值得探讨的问题。

黑龙江省是中国北方重要的林业地区，自然资源丰富且森林覆盖率高，是中国北方乃至东北亚地区关键的自然生态屏障，地形、气候条件、土壤类型及人类活动强度存在明显空间分异，这使得其植被生态质量在不同区域呈现出显著差异^［10］。已有研究表明，植被生态质量空间分异是人为活动、地形和气象等诸多因子共同作用的结果^［8，11］。近年来，对植被生态质量指数空间分异的驱动力的研究，多以偏相关性分析^［12］、Pearson相关系数^［12］、残差趋势分析^［13］和地理探测器模型^［14］等方法，针对上述多因子存在非线性交互的复杂机制，地理探测器能够较好地分析单个因子和因子交互的驱动作用^［15］，但其空间数据离散化方法与尺度效应常导致解释偏差^［16］，最优参数地理探测器通过对空间数据离散化方法的最佳组合、空间层次划分的数量和空间尺度参数的研究来确定最佳参数^［17］，能较好解决以上问题^［18］。

以往对黑龙江省植被生态质量的研究多以短时间序列和低空间分辨率（如500 m和1 000 m）数据为基础^［19］，针对高空间分辨率（30 m）、长时间序列（20 a及以上）的植被生态质量指数的研究较为匮乏。本研究基于30 m Landsat系列数据、气象数据和土地利用类型等数据估算并验证植被覆盖度和净初级生产力，并基于二者构建植被生态质量指数^［7-8］，分析2000—2020年植被生态质量指数的时间变化特征，并运用最优参数地理探测器模型探究地形因子、土壤因子、气象因子与人为活动因子对植被生态质量指数空间分异的驱动机制。

1 研究区与方法

1.1 研究区域概况

黑龙江省位于中国东北部，地势整体呈现“西北高、东南略低，西南、东北低平”的特征，属温带和亚寒带大陆性季风气候，年均气温为-2~3 ℃，年均降水量为250~700 mm，气候地域性差异显著，为植被提供了多样的生长环境。黑龙江省地带性植被为寒温带针叶林、温带针阔叶混交林及温带草原，其中寒温带针叶林以大兴安岭北部山地的兴安落叶松林为代表，温带针阔叶混交林以小兴安岭和完达山地的红松阔叶混交林为代表^［20］。基于全国第九次森林清查数据^［21］，黑龙江省森林面积1 990.46万hm²，森林覆盖率43.78%，其植被生态系统在维护区域生态安全中发挥着不可替代的作用^［10］。

1.2 数据来源及预处理

1.2.1 遥感数据及预处理

本研究基于Google Earth Engine（GEE）平台，获取2000—2020年生长季（5—9月）空间分辨率30 m、时间分辨率16 d的Landsat系列数据，共选用9 517景。本研究对Landsat预处理主要包括：1）利用C语言实现的掩膜函数算法（C Function of Mask）生成的质量评估波段，对影像中云、云影等被污染的像元进行掩膜剔除；2）通过传感器数据协调函数^［22］与气候学填充法^［23］对缺失影像进行填充（即从过去5 a同期数据中筛选清晰像元，采用中值合成方法对筛选像元进行合成）；3）运用时间序列谐波分析法^［24］处理，得到2000—2020年逐年的生长季归一化植被指数产品。

1.2.2 精度验证数据

为验证估算植被覆盖度的准确性，采用多源协同定量遥感植被覆盖度产品（MuSyQ_FVC）进行验证，该数据基于高分一号宽幅相机影像，针对森林与非森林2类植被类型，分别采用孔隙率法与归一化植被指数像元二分法生产，时间范围为2018—2020年，空间分辨率16 m^［25］。

为验证估算植被净初级生产力的准确性，基于2010年大兴安岭（503块）以及2005年和2010年小兴安岭（465块）森林资源清查固定样地，样地因子包括树种组成、林分平均直径（D_{\mathrm{q}}，cm）和林分平均年龄（A，a）等，中心点坐标由手持GPS获取，精度在5 m内。利用赵颖慧等^［26］基于样地野外调查数据和异速生长模型估算样地生物量，并计算样地植被净初级生产力用于验证2005年和2010年相应地区的植被净初级生产力。

1.2.3 驱动因子数据

植被生态质量指数受气象因子和人为活动等因子的共同影响^［8］。参照已有研究并结合黑龙江省实际情况，选取12个植被生态质量指数空间分异的驱动因子，具体包括3个地形因子（高程、坡度和坡向）、4个土壤因子（土壤水分、土壤容重、土壤酸碱度和土壤有机碳质量分数）、3个气象因子（生长季月均温度、生长季月均降水、生长季月均太阳辐射）和2个人为活动因子（人口密度与夜间灯光）。

1）气象因子。黑龙江省及周边区域2000—2020年日平均气温、日降水量数据来源于美国国家海洋和大气管理局（National oceanic and atmospheric administration，NOAA）；日照时数数据源自中国气象数据网（https：//data.cma.cn/）。采用空间插值方法^［27］，生成生长季（5—9月）月均气温、月均降水量及月均太阳辐射量数据，空间分辨率为30 m。

2）地形因子。采用美国国家航空航天局（NASA）（https：//earth-data.nasa.gov/）发布的全球数字高程模型（DEM）数据及衍生坡度、坡向数据，空间分辨率为30 m。

3）土壤因子。土壤容重、土壤酸碱度和土壤有机碳质量分数数据来源于OpenLandMap（https：//openlandmap.org/），空间分辨率为250 m。土壤水分数据源自国家青藏高原科学数据中心（https：//data.tpdc.ac.cn/）的全球1 km分辨率地表土壤水分数据集（2000—2020年）^［28］。

4）人为活动因子。Landscan全球人口密度空间分布数据（https：//landscan.ornl.gov/），空间分辨率为1 km。夜间灯光遥感数据来源于国家青藏高原科学数据中心（https：//www.tpdc.ac.cn/）的中国长时间序列逐年人造夜间灯光数据集（1984—2020年）^［29］。

1.2.4 土地利用类型数据

土地利用类型数据源自Zenodo平台（https：//doi.org/10.5281/zenodo.8239305）发布的 GLC_FCS30全球土地覆盖数据^［30］，将2000—2020年土地利用类型数据重分类为12类，包括农田、草地、阔叶林、常绿针叶林、落叶针叶林、针阔混交林、灌木林、其他（稀疏植被、地衣和苔藓等）、湿地、不透水表面、裸地和水体，后续分析结果均掩膜剔除不透水表面、裸地和水体像元。

将上述所有栅格数据重采样至空间分辨率为30 m，统一投影为Albers投影。

1.3 研究方法

1.3.1 植被净初级生产力

本研究使用朱文泉等^［31］提出改进的CASA（Carnegie-Ames-Stanford Approach）模型估算净初级生产力（net primary productivity，NPP，式中记为N_PP），采用遥感数据作为输入数据，结合环境变量和植被生理参数，利用有效光合辐射和光能利用率的乘积表示NPP，公式为

N_{\mathrm{P}\mathrm{P}}(x,t)=A_{\mathrm{P}\mathrm{A}\mathrm{R}}(x,t)\times \epsilon (x,t)。（1）

式中：N_{\mathrm{P}\mathrm{P}}(x,t)为植被在x处t月份的有机物累计总量，\mathrm{g}\mathrm{C}/({\mathrm{m}}^{\mathrm{2}}\bullet \mathrm{m}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{h})；A_{\mathrm{P}\mathrm{A}\mathrm{R}}(x,t)为在像元x处t月份所吸收的有效光合辐射，\mathrm{M}\mathrm{J}/({\mathrm{m}}^{\mathrm{2}}\bullet \mathrm{m}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{h})；\epsilon (x,t)为植被在x处t月份的实际光能利用率。

1.3.2 植被覆盖度

本研究采用像元二分模型^［10］计算黑龙江省植被覆盖度F_vc，公式为

F_{\mathrm{v}\mathrm{c}}=\frac{N_{\mathrm{D}\mathrm{V}\mathrm{I}}-N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}}{N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{v}\mathrm{e}\mathrm{g}}}-N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}}。（2）

式中：N_{\mathrm{D}\mathrm{V}\mathrm{I}}为像元归一化植被指数值；N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{v}\mathrm{e}\mathrm{g}}}和N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}分别为纯植被和裸土像元的归一化植被指数值。

为在一定程度上消除遥感图像噪声所带来的误差^［32］，选取累积频率为1%和99%的N_{\mathrm{D}\mathrm{V}\mathrm{I}}为N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}和N_{\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{v}\mathrm{e}\mathrm{g}}}。

1.3.3 植被生态质量指数

植被净初级生产力和植被覆盖度是反映区域植被生长状况的2个重要指标，本研究采用基于植被净初级生产力和植被覆盖度所构建的植被生态质量指数作为评价指标，反映研究区植被生态状况^［8］，具体计算方法为

V_{\mathrm{E}\mathrm{Q}{\mathrm{I}}_i}=\mathrm{100}\times \left[f_{\mathrm{1}}\bullet F_{V{C}_i}+f_{\mathrm{2}}\bullet \left(\frac{N_{\mathrm{p}{\mathrm{p}}_{\mathrm{i}}}}{N_{\mathrm{p}{\mathrm{p}}_{\mathrm{m}\mathrm{a}\mathrm{x}}}}\right)\right]。（3）

式中：V_{\mathrm{E}\mathrm{Q}{\mathrm{I}}_i}为第i年植被生态质量指数；f_{\mathrm{1}}为植被覆盖度的权重系数；F_{\mathrm{V}{\mathrm{C}}_i}为第i年生长季植被覆盖度的平均状况^［33］；f_{\mathrm{2}}为植被NPP的权重系数；N_{\mathrm{p}{\mathrm{p}}_{\mathrm{i}}}为第i年植被净初级生产力；N_{\mathrm{p}{\mathrm{p}}_{\mathrm{m}\mathrm{a}\mathrm{x}}}为研究时段内最大的植被净初级生产力^［19］。此处，f_{\mathrm{1}}和f_{\mathrm{2}}各取0.5^［7］。

1.3.4 精度评价指标

分别采用2018—2020年MuSyQ_FVC产品和基于2010年大兴安岭（503块）以及2005年和2010年小兴安岭（465块）森林资源清查固定样地计算得到植被净初级生产力数据，对估算的植被覆盖度和净初级生产力进行验证计算，采用决定系数（R² ）、均方根误差（RMSE）、相对均方根误差（rRMSE）和平均绝对误差（MAE）^［34］作为精度验证指标。

1.3.5 最优参数地理探测器

参数优化包括变量离散化、参数优化和空间尺度优化^［35］。根据研究区域范围并结合相关研究^［36-37］，对每个驱动因子进行自然间断点、相等间隔、几何间隔、分位数及标准差5种离散方法进行离散化，分类数目设置为3~10类。空间尺度优化是为减少因尺度不同造成的计算结果差异^［38］，在1、5、10、15、20 km尺度下进行预试验发现，在5~15 km尺度下能较好地表征景观格局特征，并通过进一步试验，即比较5~15 km不同空间尺度下的所有驱动因素对植被生态质量指数空间分异的解释力程度（q）第90%分位数，当分位数达到最高值时，确定为最优空间尺度^［35］。

通过因子探测器分析单因素对植被生态质量指数空间分异的解释力程度^［37］。

计算公式为

q=\mathrm{1}-\frac{{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}}=\mathrm{1}-\frac{S_{\mathrm{S}\mathrm{W}}}{S_{\mathrm{S}\mathrm{T}}}。（4）

式中：q为各影响因子对植被生态质量指数的解释力；h为各影响因子的分层；L为驱动因子或因变量的分类；N_h和N分别为第h层和整个区域的单位数；{\sigma }_h^{\mathrm{2}}和{\sigma }^{\mathrm{2}}为第h层和整个区域的方差；S_{\mathrm{S}\mathrm{W}}和S_{\mathrm{S}\mathrm{T}}分别为层内方差之和与整个区域总方差^［37］。

通过交互探测器识别2个因素（X₁、X₂）共同作用对植被生态质量指数空间分异的解释力程度，交互作用类型共分为5类^［39］，见表1。

2 结果与分析

2.1 估算结果的精度验证

为验证估算植被覆盖度的准确性，采用2018—2020年MusyQ_FVC产品进行验证，在黑龙江省分别随机选取1 200个样点，提取每个样点MusyQ_FVC值与估算的植被覆盖度值进行回归拟合。由图1可知，基于像元二分模型估算的植被覆盖度与MusyQ_FVC的决定系数（R^{\mathrm{2}}）为0.609~0.633，平均绝对误差（MAE，式中记为M_AE）为0.062~0.066，均方根误差（RMSE，式中记为R_MSE）为0.077~0.081，相对均方根误差（rRMSE，式中记为r_RMSE）为10.75%~10.94%，表明基于像元二分模型估算的植被覆盖度具有准确性和可靠性，可应用于植被生态质量指数的估算研究。

由图2可知，基于CASA模型估算的植被净初级生产力与野外调查数据计算的植被净初级生产力的R^{\mathrm{2}}为0.602~0.647，MAE为78.26~92.76 \mathrm{g}\mathrm{C}/{\mathrm{m}}^{\mathrm{2}}，RMSE为95.628~110.761 \mathrm{g}\mathrm{C}/{\mathrm{m}}^{\mathrm{2}}，rRMSE为21.53%~26.95%，表明基于CASA模型估算的植被净初级生产力具有较高的准确性和可靠性，可应用于植被生态质量指数的估算研究。

2.2 植被生态质量指数的时间变化特征

2.2.1 植被生态质量指数的年均值变化特征

由图3可知，研究期内植被生态质量指数呈波动式上升趋势，年平均变化率为0.56。其中，2020年植被生态质量指数达到研究期内最高值，这一现象主要与当年生长季月均日照时数较高密切相关，充足的日照可以提升植被光合作用效率，增强植被固碳能力，而植被固碳能力的提升推动植被生态质量指数升高，最终使得2020年植被生态质量指数显著高于其他年份。

2.2.2 不同土地利用类型的植被生态质量指数年均值变化特征

为进一步探讨植被生态质量指数的时间变化特征，将阔叶林、常绿针叶林、落叶针叶林和针阔混交林重分类为森林，其他土地利用类型保持不变，计算并比较不同植被类型对应的植被生态质量指数年均值的平均值，由图4可知，2000—2020年，不同土地利用类型的植被生态质量指数年均值存在显著差异，由高到低依次为森林（82.4）、灌木林（64.3）、农田（64.3）、草地（63.5）、湿地（56.9）、其他（49.4），其中，森林的植被生态质量指数多年均值显著高于其他类型，表明其植被生态质量水平最优；而其他类型的植被生态质量指数多年均值最低，反映出该土地利用类型的植被生态质量水平相对较差。

2.3 最优参数地理探测器

2.3.1 参数最优

本研究设置5、6、7、8、9、10、11、12、13、14、15 km共11种尺度梯度，通过比较所有驱动因子q的90%分位数，由图5可知，q在空间网格为10 km时达到最大值0.63，超过10 km后，q有所下降。因此，选择10 km网格作为最优参数地理探测器的最佳空间分析尺度。

在10 km的尺度下，对驱动因子进行离散化参数优化，不同离散化方法的最佳参数组合和断点数对驱动因子解释力差异较大，如图6所示。以高程为例，当离散数设置为9时，分位数法的解释力明显优于其他分类方法。坡度是基于7个间断点的分位数法，土壤水分和土壤容重的最优参数组合分别为基于10和9个间断点的自然间断法，土壤有机碳质量分数的最优参数组合为基于10个间断点的几何间隔法，土壤酸碱度、生长季月均温度和生长季月均太阳辐射的最优参数组合均选择了基于10个间断点的分位数法，生长季月均降水量和人口密度的最优参数组合分别为基于9个间断点的标准差法和基于10个间断点的分位数法，夜间灯光的最优参数组合为基于8个间断点的几何间隔法。

2.3.2 单因子探测

由图7可知，各因子均有显著驱动作用（P<0.001），土壤容重对黑龙江省植被生态质量指数空间分异的解释力最强（q=\mathrm{0.64}），土壤容重、生长季月均温度、土壤酸碱度和高程是黑龙江省植被生态质量指数空间分异的主要影响因素，q依次为0.64、0.63、0.61和0.60，人口密度和夜间灯光对植被生态质量指数的空间分异解释力分别为0.45和0.41，坡向对植被生态质量指数的空间分异解释力较弱（q=\mathrm{0.02}）。

2.3.3 交互探测

由图8可知，土壤酸碱度和高程的交互作用q最高（q=\mathrm{0.77}），各因子间的共同作用显著增强了对植被生态质量指数空间分异的解释力，且所有交互作用类型均表现为双因子增强或非线性增强，未出现减弱或独立情况，表明植被生态质量指数的空间分异并非由单一因子所主导，而是受到多种因子共同影响。人口密度和坡向的协同作用对植被生态质量指数的空间分异有着强烈的非线性影响。

3 讨论

3.1 黑龙江省植被生态质量指数的时间变化特征

2000—2020年黑龙江省植被生态质量指数呈明显波动上升趋势（年均增长0.56），表明植被状况整体得到显著改善，该结论与已有针对本区域开展相关研究后得出的“植被生态状况改善”结论基本一致^{［10， 40］}，进一步验证了该区域植被生态修复与保护工作的有效性。

3.2 黑龙江省植被生态质量指数空间分异的驱动机制

黑龙江省植被生态质量指数空间分异受地形因子、土壤因子、气象因子和人为活动因子的共同影响。从具体驱动因子来看，高程、生长季月均温度、土壤酸碱度和土壤容重是植被生态质量指数空间分异的主要影响因子（q\ge \mathrm{0.6}），这与已有研究^［8，14］结果基本一致。

从单一因子独立作用来看，土壤容重对植被生态质量指数空间分异的解释力最强，土壤容重是衡量土壤结构、肥力水平与退化程度的核心指标，土壤容重的大小直接决定土壤入渗吸水性、持水保水性、透气性及溶质迁移效率，同时影响土壤抗侵蚀能力^［41-42］，而这些土壤理化与抗干扰特性的差异，又进一步作用于植被根系穿透阻力、水分有效性及养分供给效率，最终成为调控植被生态质量指数空间分异的关键影响因子^［8］。黑龙江省是我国寒温带植被分布核心区，植被生长与“温度阈值”存在强依赖性，生长季月均温度不仅影响植被物候期（如萌芽、展叶、落叶时间）的长短，还通过调控光合作用效率影响植被有机物质的积累^［43］，进而影响植被生态质量。土壤酸碱度是影响土壤肥力的一个重要指标，其不仅影响土壤微生物活性，而且影响土壤理化性质以及植被对土壤有效养分的吸收和利用^［44］。高程通过调控局部区域水热通量及一系列生物过程，对植被生长发挥重要作用，最终加剧植被空间分异特征^［45］。此外，人类活动对植被生态质量指数的影响具有双向性，一方面，退耕还林、植树造林等生态修复工程可显著改善区域植被覆盖状况，提升植被连通性与生物量，进而间接促进植被生态质量指数提升，体现出人类积极干扰活动的正向调节作用；另一方面，过度开垦、矿产开采等不合理人类活动会破坏植被生境，导致植被退化，植被生态质量指数下降。

值得注意的是，各驱动因子间的交互作用对植被生态质量指数空间分异的解释力显著高于单一因子。其中，土壤酸碱度与高程的交互作用q最高（q=\mathrm{0.77}）。这表明，在影响黑龙江省植被生态质量指数的各驱动因子的交互组合中，该交互作用对植被生态质量的解释力最强，是调控区域植被生态状况的关键耦合因子。这是因为土壤酸碱度会影响土壤中养分的有效性和微生物活性，而高程通过改变水热条件间接影响植被生长环境，二者的交互作用实质是土壤养分供给能力与水热条件的协同调控过程，对植被生长起关键性作用。从交互作用类型来看，所有交互作用类型均表现为双因子增强或非线性增强，表明黑龙江省植被生态质量指数的空间异质性是多种因子共同作用的结果，且因子间的协同效应进一步强化了对植被生态质量指数空间分异性的解释能力。

4 结论

本研究基于植被生态质量指数，分析了黑龙江省植被生态质量时间变化特征和空间分异的驱动机制，研究结论包括以下2个方面。

1）2000—2020年黑龙江省年均植被生态质量指数呈显著波动上升趋势（年均增长率为0.56），表明2000—2020年黑龙江省植被生态质量整体向好发展。

2）黑龙江省植被生态质量指数的空间异质性是多种因子共同作用的结果，受地形因子、土壤因子、气象因子和人为活动因子的共同作用，其中，土壤容重、生长季月均温度、土壤酸碱度和高程是其主要影响因子（q\ge \mathrm{0.6}）。土壤酸碱度和高程的交互作用q最高（q=\mathrm{0.77}），是调控黑龙江省植被生态质量指数空间分异的关键耦合因子，人口密度和坡向的协同作用对其有着强烈的非线性影响。

参考文献

[1] 方贺，张育慧，何月，等.浙江省植被生态质量时空变化及其驱动因素分析［J］.自然资源遥感，2023，35（2）：245-254.

[2] FANG H， ZHANG Y H， HE Y，et al.Spatio-temporal variations of vegetation ecological quality in Zhejiang Province and their driving factors［J］.Remote Sensing for Natural Resources，2023，35（2）：245-254.

[3] DING Y J， ZHANG L F， HE Y，et al.Spatiotemporal evolution of agricultural drought and its attribution under different climate zones and vegetation types in the Yellow River Basin of China［J］.Science of The Total Environment，2024，914：169687.

[4] WANG S D， CUI D Y， WANG L，et al.Applying deep-learning enhanced fusion methods for improved NDVI reconstruction and long-term vegetation cover study：A case of the Danjiang River Basin［J］.Ecological Indicators，2023，155：111088.

[5] NAEEM S， CAO C X， WAQAR M M，et al.Vegetation role in controlling the ecoenvironmental conditions for sustainable urban environments：A comparison of Beijing and Islamabad［J］.Journal of Applied Remote Sensing，2018，12（1）：016013.

[6] 包志意，范文义.基于BEPS模型的塞罕坝植被净初级生产力时空变化分析研究［J］.森林工程，2024，40（1）：74-84.

[7] BAO Z Y， FAN W Y.Analysis of spatial and temporal variation of vegetation net primary productivity in Saihanba based on BEPS model［J］.Forest Engineering，2024，40（1）：74-84.

[8] XIONG Y， XU W H， LU N，et al.Assessment of spatial–temporal changes of ecological environment quality based on RSEI and GEE：A case study in Erhai Lake Basin，Yunnan province，China［J］.Ecological Indicators，2021，125：107518.

[9] 钱拴，延昊，吴门新，等.植被综合生态质量时空变化动态监测评价模型［J］.生态学报，2020，40（18）：6573-6583.

[10] QIAN S， YAN H， WU M X，et al.Dynamic monitoring and evaluation model for spatio-temporal change of comprehensive ecological quality of vegetation［J］.Acta Ecologica Sinica，2020，40（18）：6573-6583.

[11] WANG Z T， SONG Y Z， ZHANG Z H，et al.Identifying determinants of spatiotemporal disparities in ecological quality of Mongolian Plateau［J］.Remote Sensing，2024，16（18）：3385.

[12] CHEN Y B， CAI H， ZHANG L，et al.Coupling dynamics of vegetation ecology and meteorological drought in karst mountain areas：A case study of Guizhou，China［J］.Journal of Mountain Science，2025，22（4）：1359-1375.

[13] 赵楠，赵颖慧，邹海凤，等.1990—2020年黑龙江省植被覆盖度的时空变化趋势及驱动力［J］.应用生态学报，2023，34（5）：1320-1330.

[14] ZHAO N， ZHAO Y H， ZOU H F，et al.Spatial and temporal trends and drivers of fractional vegetation cover in Heilongjiang Province，China during 1990—2020［J］.Chinese Journal of Applied Ecology，2023，34（5）：1320-1330.

[15] CAI J， WEI X J， ZHANG F Q，et al.Analysis of driving factors for vegetation ecological quality based on Bayesian network［J］.Forests，2024，15（7）：1263.

[16] 任丽雯，王兴涛，蒋友严.河西内陆河流域植被生态质量时空变化及其驱动因素［J］.生态学杂志，2025，44（8）：2726-2735.

[17] REN L W， WANG X T， JIANG Y Y.Temporal and spatial variations of vegetation ecological quality and its driving factors in the inland river basins of Hexi［J］.Chinese Journal of Ecology，2025，44（8）：2726-2735.

[18] 王丽芝，杨鑫，郝利娜.成渝经济区植被生态质量演变特征及驱动力分析［J］.物探化探计算技术，2023，45（5）：670-680.

[19] WANG L Z， YANG X， HAO L N.Evolution characteristics and driving forces of vegetation ecological quality in the Chengdu-Chongqing economic zone［J］.Computing Techniques for Geophysical and Geochemical Exploration，2023，45（5）：670-680.

[20] 方佳倩，范瑜越，方贺，等.金华市近20年植被生态质量变化特征及空间分异驱动力分析［J］.水利水电技术（中英文），2025，56（6）：51-63.

[21] FANG J Q， FAN Y Y， FANG H，et al.Analysis of characteristics of vegetation ecological quality changes in recent 20 years and driving forces of spatial variability in Jinhua City［J］.Water Resources and Hydropower Engineering，2025，56（6）：51-63.

[22] 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.

[23] WANG J F， XU C D.Geodetector：Principle and prospective［J］.Acta Geographica Sinica，2017，72（1）：116-134.

[24] 奎国娴，史常青，杨建英，等.内蒙古草原区植被覆盖度时空演变及其驱动力［J］.应用生态学报，2023，34（10）：2713-2722.

[25] KUI G X， SHI C Q， YANG J Y，et al.Spatial-temporal variations of vegetation coverage and its driving force in Inner Mongolia grassland，China［J］.Chinese Journal of Applied Ecology，2023，34（10）：2713-2722.

[26] WANG G J， PENG W F， ZHANG L D，et al.Quantifying the impacts of natural and human factors on changes in NPP using an optimal parameters-based geographical detector［J］.Ecological Indicators，2023，155：111018.

[27] ZHAO X Y， TAN S C， LI Y P，et al.Quantitative analysis of fractional vegetation cover in southern Sichuan urban agglomeration using optimal parameter geographic detector model，China［J］.Ecological Indicators，2024，158：111529.

[28] 吴霞，潘雪，公衍铎，等.2001—2021年黑龙江省森林植被生态质量变化分析［J］.环境监测管理与技术，2024，36（1）：43-48.

[29] WU X， PAN X， GONG Y D，et al.Analysis of variations in forest vegetation ecological quality in Heilongjiang from 2001 to 2021［J］.The Administration and Technique of Environmental Monitoring，2024，36（1）：43-48.

[30] 乔亚军，徐网谷，刘坤，等.基于多尺度地理加权回归模型的黑龙江省植被NPP时空演变研究［J］.生态学报，2025，45（10）：4878-4888.

[31] QIAO Y J， XU W G， LIU K，et al.Spatio-temporal evolution of vegetation NPP in Heilongjiang Province based on the multi-scale geographically weighted regression model［J］.Acta Ecologica Sinica，2025，45（10）：4878-4888.

[32] 考青云，李家欣，欧兴浪，等.黑龙江省森林植被碳储量时间变化及其影响因素的探究［J］.中国林业经济，2022（4）：73-79.

[33] KAO Q Y， LI J X， OU X L，et al.Temporal change of forest vegetation carbon storage and its influencing factors in Heilongjiang Province［J］.China Forestry Economics，2022（4）：73-79.

[34] ROY D P， KOVALSKYY V， ZHANG H K，et al.Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity［J］.Remote Sensing of Environment，2016，185：57-70.

[35] YANG F W， HE P F， DING H Y，et al.A monthly high-resolution net primary productivity dataset （30 m） of Qinghai Plateau from 1987 to 2021［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：8262-8273.

[36] 杨访问.高时空分辨率植被生产力遥感估算研究：以青海省为例［D］.南京：南京信息工程大学，2024.

[37] YANG F W.Research on high temporal and spatial resolution remote sensing estimation of vegetation productivity：A case study of Qinghai Province［D］.Nanjing：Nanjing University of Information Science and Technology，2024.

[38] 赵静，李静，张召星，等.MuSyQ高分16米空间分辨率10天合成的植被覆盖度产品（2018—2020年中国01版）［J］.中国科学数据，2022，7（1）：227-236.

[39] ZHAO J， LI J， ZHANG Z X，et al.A dataset of 16 m/10-day fractional vegetation cover of MuSyQ GF-series （2018—2020，China，Version 01）［J］.China Scientific Data，2022，7（1）：227-236.

[40] 赵颖慧，李思琪，甄贞，等.黑龙江省黑河地区森林地上生物量和NPP估测及时空格局［J］.应用生态学报，2016，27（10）：3070-3080.

[41] ZHAO Y H， LI S Q， ZHEN Z，et al.Estimation and spatial-temporal pattern of forest aboveground biomass and NPP in Heihe Region，Heilongjiang Province，China［J］.Chinese Journal of Applied Ecology，2016，27（10）：3070-3080.

[42] QIU Y， ZHAO X S， FAN D Q，et al.Monitoring net primary productivity of vegetation and analyzing its drivers in support of SDG indicator 15.3.1：A case study of Northeast China［J］.Remote Sensing，2024，16（13）：2455.

[43] ZHENG C L， JIA L， ZHAO T J.A 21-year dataset （2000-2020） of gap-free global daily surface soil moisture at 1 km grid resolution［J］.Scientific Data，2023，10：139.

[44] ZHANG L X， REN Z H， CHEN B，et al.A prolonged artificial nighttime-light dataset of China （1984-2020）［J］.Scientific Data，2024，11（1）：414.

[45] ZHANG X， ZHAO T T， XU H，et al.GLC_FCS30D：The first global 30m land-cover dynamics monitoring product with a fine classification system for the period from 1985 to 2022 generated using dense-time-series Landsat imagery and the continuous change-detection method［J］.Earth System Science Data，2024，16（3）：1353-1381.

[46] 朱文泉，潘耀忠，何浩，等.中国典型植被最大光利用率模拟［J］.科学通报，2006，51（6）：700-706.

[47] ZHU W Q， PAN Y Z， HE H，et al.Simulation of maximum light use efficiency in typical Chinese vegetation［J］.Chinese Science Bulletin，2006，51（6）：700-706.

[48] LI J， WANG J L， ZHANG J，et al.Growing-season vegetation coverage patterns and driving factors in the China-Myanmar Economic Corridor based on Google Earth Engine and geographic detector［J］.Ecological Indicators，2022，136：108620.

[49] 汲玉河，周广胜，王树东，等.2000—2019年秦岭地区植被生态质量演变特征及驱动力分析［J］.植物生态学报，2021，45（6）：617-625.

[50] JI Y H， ZHOU G S， WANG S D，et al.Evolution characteristics and its driving forces analysis of vegetation ecological quality in Qinling Mountains region from 2000 to 2019［J］.Chinese Journal of Plant Ecology，2021，45（6）：617-625.

[51] 唐亮，何明珠，许华，等.基于无人机低空遥感的荒漠植被覆盖度与归一化植被指数验证及其对水热梯度的响应［J］.应用生态学报，2020，31（1）：35-44.

[52] TANG L， HE M Z， XU H，et al.Validation of vegetation coverage and NDVI based on UAV remote sensing method and its response to hydrothermal gradient［J］.Chinese Journal of Applied Ecology，2020，31（1）：35-44.

[53] 冶兆霞，张洪波，杨志芳，等.陕北黄土高原气象要素对植被覆盖的空间分异影响及风险探测［J］.生态学报，2024，44（6）：2379-2395.

[54] YE Z X， ZHANG H B， YANG Z F，et al.Spatial differentiation effects and risk detection of meteorological elements to vegetation cover on the Loess Plateau of northern Shaanxi［J］.Acta Ecologica Sinica，2024，44（6）：2379-2395.

[55] 杨馗，信桂新，蒋好雨，等.基于最佳尺度的景观生态风险时空变化研究：以重庆市江津区为例［J］.生态与农村环境学报，2021，37（5）：576-586.

[56] YANG K， XIN G X， JIANG H Y，et al.Study on spatiotemporal changes of landscape ecological risk based on the optimal spatial scale：A case study of Jiangjin district，Chongqing City［J］.Journal of Ecology and Rural Environment，2021，37（5）：576-586.

[57] 周连，韩霁昌，贾夏，等.黄土高原植被光合动态的时空演变及驱动机制—基于参数最优地理探测器模型［J］.中国环境科学，2025：1-16.

[58] ZHOU L， HAN J C， JIA X，et al.Spatiotemporal evolution and driving mechanisms of vegetation photosynthesis dynamics in the Loess Plateau based on optimal parameter-based geographical detector［J］.China Environmental Science，2025：1-16.

[59] 薛冬冬，佘光辉，温小荣，等.基于地统计分析的南京钟山风景区景观格局尺度效应分析［J］.西南林业大学学报，2012，32（1）：30-35，111.

[60] XUE D D， SHE G H， WEN X R，et al.Scale effect of landscape pattern of Nanjing Zhongshan scenic spot based on statistic analysis［J］.Journal of Southwest Forestry University，2012，32（1）：30-35，111.

[61] 李琛，吴映梅，高彬嫔，等.高原湖泊乡村聚落空间分异及驱动力探测——以环洱海地区为例［J］.经济地理，2022，42（4）：220-229.

[62] LI C， WU Y M， GAO B P，et al.Spatial differentiation and driving factors of rural settlement in plateau lake：A case study of the area around the Erhai［J］.Economic Geography，2022，42（4）：220-229.

[63] XI Z L， CHEN G Z， XING Y Q，et al.Spatial and temporal variation of vegetation NPP and analysis of influencing factors in Heilongjiang Province，China［J］.Ecological Indicators，2023，154：110798.

[64] KONG J X， ZHUANG J Q， PENG J B，et al.Failure mechanism and movement process of three loess landslides due to freeze-thaw cycle in the Fangtai village，Yongjing County，Chinese Loess Plateau［J］.Engineering Geology，2023，315：107030.

[65] YANG Q Y， LUO W Q， JIANG Z C，et al.Improve the prediction of soil bulk density by cokriging with predicted soil water content as auxiliary variable［J］.Journal of Soils and Sediments，2016，16（1）：77-84.

[66] 缐子仪.中国人工林和天然林物候事件对气候变化的响应［D］.南京：南京信息工程大学，2024.

[67] XIAN Z Y.The response of phenological events in China's planted and natural forests to climate change［D］.Nanjing：Nanjing University of Information Science and Technology，2024.

[68] JAKOBSEN S T.Leaching of nutrients from pots with and without applied compost［J］.Resources，Conservation and Recycling，1996，17（1）：1-11.

[69] TRUJILLO E， MOLOTCH N P， GOULDEN M L，et al.Elevation-dependent influence of snow accumulation on forest greening［J］.Nature Geoscience，2012，5（10）：705-709.

基金资助

国家重点研发计划课题项目(2023YFF1304003)