渭河流域植被覆盖时空变化及驱动力分析

Spatiotemporal dynamics of vegetation cover in the Wei River basin and its driving forces

摘要

渭河是黄河最大支流，了解渭河流域植被覆盖时空变化及驱动机制对黄河生态保护与泥沙防控至关重要。基于空间分析、地理探测器等方法，研究渭河流域归一化植被指数（NDVI）时空变化特征及主控因素。结果表明：①2001—2020年，全流域NDVI由0.59升至0.73，85.46%面积的NDVI逐渐增加，区域变异性呈中等，空间异质性显著；②流域70.80%面积的NDVI呈显著增加趋势，关中平原地区局部退化，流域NDVI面积的85.27%未来可能持续增加；③NDVI随着降水量的增加而上升，随着日照时间的增加而下降，在气温和干燥指数区间内则呈现峰值波动的情况；④NDVI的主要驱动因子是降水，其次为土地利用类型、干燥度和日照时间；⑤气象因素对NDVI的驱动力逐渐下降，土地利用对其的驱动力逐渐上升。

Abstract

The Wei River is the largest tributary of the Yellow River. Understanding the spatiotemporal dynamics of vegetation cover and their driving mechanisms within the Wei River basin is critical for ecological conservation and sediment control in the Yellow River. Using spatial analysis and the GeoDetector， this study quantified the spatiotemporal patterns of the normalized difference vegetation index （NDVI） and identified dominant drivers across the basin. The results indicate that： ① From 2001 to 2020， the basin-wide mean NDVI increased from 0.59 to 0.73； 85.46% of pixels exhibited increasing trends. Regional variability was moderate， and spatial heterogeneity was pronounced. ② NDVI showed a significant upward trend over 70.80% of the basin， with localized degradation in the Guanzhong Plain； 85.27% of the area is expected to continue increasing in the future. ③ NDVI increased with precipitation and decreased with longer sunshine duration， and displayed unimodal responses to temperature and the aridity index. ④ Precipitation was the primary driver of NDVI， followed by land-use type， aridity， and sunshine duration. ⑤ The explanatory power of meteorological factors for NDVI decreased ober time， whereas the influence of land use gradually increases. These findings provide a scientific basis for ecological protection and vegetation restoration strategies in the basin.

Graphical abstract

关键词

渭河流域 / 归一化植被指数 / 驱动力 / 地理探测器

Key words

Wei River basin / NDVI / driving force / GeoDetector

植被作为连接土壤、大气与水分的关键生态“桥梁”，对维持陆地生态系统的平衡起着至关重要的作用，它通过协调水、能源以及生物圈循环，促进生态平衡、气候变化和水环境稳定^[1-2]。植被生长趋势以及覆盖状况的变化，与区域生态系统的稳定程度紧密相关，同时也是衡量生态系统演变以及植被对生态系统变化响应过程的重要指标^[3]。因此，植被变化研究现已成为全球和区域生态变化研究的核心方向。

归一化植被指数（NDVI）凭借其应用广泛性^[4]，成为植被监测与分析的关键指标^[5-6]。目前，已有大量研究报道了流域NDVI时空变化特征^[7]及影响因素^[8-9]。气候、地形和土地利用类型^[10]是影响流域植被变化的重要驱动因素^[11-12]。Wang等^[13]发现秦岭地区NDVI与降水和气温具有正相关关系，且与降水的正相关性较弱，与温度的正相关性较强。梁植等^[14]分析了黄河水源涵养区NDVI时空变化特征及其驱动因子，发现NDVI由人类活动和气候变化共同作用，部分区域的人类活动会导致植被出现衰退。封建民等^[15]发现泾河地区的气温、降水与NDVI总体均呈正相关关系，导致泾河地区NDVI变化的主要原因是土地利用类型的内部变化。蒋冲等^[16]研究了退耕还草背景下渭河流域的植被覆盖时空变化，发现研究区植被覆盖整体改善，不同坡度等级坡地的NDVI呈现明显增长趋势。

在众多研究流域植被覆盖驱动力的方法中，线性回归法、偏相关分析^[17]、皮尔逊相关性分析^[18]、Budyko假设法^[19]、结构方程模型^[20]等方法均能体现时间尺度下植被覆盖受气象及下垫面因素影响的分异情况，相比之下，地理探测器则更能量化空间分异的解释力，探测不同影响因素之间的交互作用^[21]。李晓燕等^[22]发现，地表温度与海拔及气温的交互因子是影响祁连山南坡近20年NDVI空间分异的主要因素。聂桐等^[23]对延安地区植被覆盖度时空变化及驱动力进行分析，得出气候因素对NDVI的驱动力最大，自然、人文因子对NDVI的交互作用均为增强效应的结论。佘宇晨等^[24]发现，驱动湖南省近20年来NDVI变化的因子分别为地貌、气温和土地利用类型，人口密度和GDP等社会因素的影响也不断增强。

渭河作为黄河的最大支流，泥沙含量大，土质疏松，生态环境相对脆弱^[25]。20世纪以前，渭河流域是人类生产与生活高度集中的区域，因无序过度的林木砍伐行为，导致该流域内植被生态遭受严重创伤。植被的大量损毁引发了极为严重的水土流失现象，最终导致渭河流域生态环境严重失衡，给区域生态环境修复带来了极大的压力^[26]。20世纪初，渭河流域启动退耕还林（草）、建设淤地坝、建设水库等生态工程项目，流域植被生长情况、河流水环境状况开始得到改善，径流量和输沙量显著减少^[27]，生态环境修复效果显著^[28]。因此，研究渭河流域植被覆盖的时空动态变化情况，并量化多重因素对NDVI影响潜力的贡献具有重要意义。本文采用空间分析、地理探测器等方法，研究渭河流域2001—2020年NDVI的时空变化特征，辨析影响植被覆盖空间变化的主要驱动因素，以期为渭河流域生态环境修复和可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况

渭河发源于甘肃省渭源县鸟鼠山，是黄河最大支流。渭河干流全长约为818 km，流域总面积约为13.49万km²，流域范围包括甘肃中部、东南部等地和陕西中部地区（图1）。流域年降水量在400~900 mm之间，地势西高东低，气候类型属温带大陆性气候^[29]。地形主要分为西部黄土丘陵沟壑区和东部关中平原区。渭河主要流经黄土高原，泥沙含量大，左岸地区水土流失严重，从而导致流域地区植被覆盖情况受到不良影响。植被类型主要以草地、灌木、森林和农地作物为主。

1.2 数据来源

中分辨率成像光谱仪（MODIS）时间序列数据用于生成本研究中的NDVI数据。本研究使用的NDVI数据来自NASA地球科学数据（https：//earthdata.nasa.gov），时序为2001—2020年，空间分辨率为1 km，时间分辨率为30 d。采用最大值复合方法获得年NDVI最大值。

数字高程模型（DEM）数据集由中国科学院计算机网络信息中心地理空间数据云站点（http：//www.gscloud.cn）提供，空间分辨率为30 m×30 m。利用ArcGIS中的拼接和裁剪功能获取研究区DEM并提取坡度和坡向。土地利用数据下载自科研数据存储库（https：//zenodo.org），空间分辨率为30 m×30 m，时间分辨率为1 a。

降水数据、气温数据、干燥度数据和日照时间数据均来自国家地球系统科学数据中心（https：//www.geodata.cn），时序为2001—2020年，空间分辨率为1 km，时间分辨率为30 d。利用像元统计功能获得各气象数据年平均值。

1.3 研究方法

1.3.1 趋势分析

采用线性回归法计算NDVI在研究时段内的变化率（θ），依据公式E=θ（n—1）得到NDVI的总体变化幅度E，式中n为研究期的年数。若E>0，表明NDVI增加，且数值愈大，增幅愈显著；E<0，则表明NDVI减少，且绝对值愈大，降幅愈显著；E=0，意味着NDVI保持稳定。利用变异系数（C_v）衡量NDVI的波动剧烈程度。

Hurst指数（H）在水文、气候与生态等研究中常被用于衡量时间序列的长期记忆强度，据此分析长序列数据未来的演变方向。若0<H<0.5，序列呈现抗持久性；H=0.5，序列呈现随机特征；0.5<H<1，序列呈现持久性，且H越接近1，持久性越强。

Theil-Sen Median方法也被称为Sen斜率估计，是一种非参数统计的趋势计算方法。该方法具有计算效率高、对于测量误差和离群数据不敏感的优点，适用于分析长序列数据的变化特征。其计算公式为：

\beta =\mathrm{M}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{x_j-x_i}{j-i}\right),\forall j>i。（1）

式中：Median代表取中值；β为植被变化趋势；i、j为时间序列；x_i、x_j 分别为i、j时刻的NDVI值。若β>0，表明NDVI增长，反之则为下降。

Mann-Kendall（MK）检验是一种非参数方法，可在序列含季节性波动时判别其长期演变特征，已被广泛用于水文领域。本文采用Sen+MK方法，同时采用双边检验方法分析研究时段内流域NDVI时空变化。

本研究给定显著性水平α=0.05，将NDVI演变状况定义为5级，即显著增加（β>0，并通过信度95%检验）；轻度增加（β>0，未通过信度95%检验）；保持稳定（β=0）；轻度减少（β<0，未通过信度95%检验）；显著减少（β<0，并通过信度95%检验）^[30]。

1.3.2 地理探测器

地理探测器是探测空间分异性，揭示其背后影响力的统计学方法^[31]，用于探测各驱动因子X对因变量Y空间分异性的解释力度^[32]。该模型包括4种类型：因子探测器、交互探测器、风险探测器和生态探测器。本研究使用地理探测器的因子探测和交互探测功能，量化各影响因素对研究区植被覆盖变化影响的贡献。

1）因子探测器。用于测定驱动因素X对NDVI变化的影响程度，以q作为量化指标，具体公式如下：

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

\mathrm{S}\mathrm{S}\mathrm{W}={\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}},\mathrm{S}\mathrm{S}\mathrm{T}=N{\sigma }^{\mathrm{2}}。（3）

式中：h=1、2、…、L，L为因变量Y或因子X的分类或分区；N和N_h 分别是全区和层h的单元数；σ_h² 和σ² 分别是层h和全区的Y值方差；SSW和SST分别为层内方差之和与区域总方差；q用于衡量指标对NDVI的影响程度，范围为[0，1]，值越大表示驱动因素对NDVI的影响力越强。

2）交互探测器。交互作用探测的核心功能在于判别评价指标间的交互关系，即探究评价指标X₁ 与X₂ 的协同效应对NDVI影响力的改变情况，包括影响力增强、减弱，或二者产生相互独立的影响。第一步分别计算2个指标各自对NDVI的q值；第二步计算2个指标交互后的q值；最后对q值、q（X₁ ∩X₂ ）以及q值之和开展对比分析。依据这三者间呈现的不同关系，可将交互作用归为5类，如表1所示。表1中q为驱动因子对植被的影响力，X₁、X₂分别表示任意2个驱动因子。

气象因素对植被的作用具有大范围性和长时序性，其中降水、气温、干燥度和日照时间直接左右植被的水分与能量供给，对植被的生长和发育有重要的影响。地形因素通过再分配水热与土壤厚度而塑造植被格局，其中海拔制约温度与降水再分布，坡度控制径流速度与持水能力，坡向改变辐射收支与干湿平衡，三者均对维持植被覆盖稳定性有重要作用^[33]。土地利用情况能够表征人类活动对地物的影响程度^[34]，它通过改变地表覆被类型直接决定植被生境结构与资源供给，其影响强度已在全球范围内被证实显著。因此，本文选取8个因素：降水（X₁）、气温（X₂）、干燥度（X₃）、日照时间（X₄）、土地利用类型（X₅）、海拔（X₆）、坡度（X₇）、坡向（X₈）对渭河流域NDVI进行驱动因子探测，分析影响渭河流域NDVI变化的驱动力和各因子之间的交互作用。

2 结果与分析

2.1 渭河流域NDVI时空变化

2001—2020年，渭河流域的多年平均NDVI波动增长，由0.59增加至0.73，变化速率为0.007 a^-1，在空间上呈西北低、东南高的分布格局。NDVI的平均变化率在-0.03~0.03之间，85.46%面积的NDVI逐渐增加，增加速率较快的地区主要在西北部的黄土高原区。14.5%面积的地区处于负增长状态，分布在关中平原地区。NDVI的C_v最大值为0.33，C_v在0~0.1之间的面积占比为94.78%，整体属于弱变异，年际变化稳定。E在-53.16%~48.01%之间，平均值为10.17%（图2）。

渭河流域内，70.8%面积的NDVI显著增加，14.5%面积的NDVI减少，其中显著减少的面积占比为5.8%，主要分布在中部平原地区（图3a）。Hurst指数在0.25~0.50和0.50~0.75之间的面积占比分别为66.4%和32.4%，表现出较弱的抗持续性和持续性（图3b）。变化方向一致的地区中，有76.68%的面积NDVI保持增加状态，23.32%的面积NDVI保持减少状态。变化方向相反的地区中，有89.90%的面积NDVI保持增加状态，10.10%的面积NDVI保持减少状态。流域NDVI面积的85.27%未来可能持续增加。除关中平原外，大部分地区NDVI保持上升，植被绿化效果显著（图3b）。

2.2 不同影响因素下NDVI的差异

2.2.1 气象因素

图4显示了不同气象区间下的多年平均NDVI差异统计。随着降水量的增加，多年平均NDVI逐渐上升，在降水量为750~800 mm时达到最大值0.89。降水量为550~700 mm时，多年平均NDVI为0.65，面积占比最大，为72.56%。降水量>700 mm的多年平均NDVI为0.87，总面积占比为10.73%。而降水量在450~500 mm时E最大，面积占比为5.05%。

在不同温度区间下，多年平均NDVI稳定在0.55~0.75之间，9~10 ℃时达到最大值0.75。E呈现先增后减的趋势，最高值出现在6~7 ℃，面积占比为16.9%；最低值出现在大于12 ℃，面积占比为30.24%。

随着日照时间的增加，多年平均NDVI逐渐由0.88下降至0.48。E随着平均日照时间的增加而增大，2 200~2 400 h时多年平均NDVI为0.55，面积占比达到最大值24.46%；>2 400 h时E达到最大值20.41%，面积占比为2.23%。

随着干燥度的增大，多年平均NDVI在干燥度为1.0~1.2时达到最大值0.88，在干燥度为1.8~2.0时为最小值0.58。E在干燥度为1.4~1.6时达到最大值9.0%，面积占比为23.02%。

2.2.2 土地利用类型

渭河流域的土地利用类型共有7类，分别为农地、森林、灌木、草地、水域、荒地、建筑用地。2001—2020年土地利用转移矩阵如表2所示。渭河流域农地、草地的分布面积较广。2001—2020年，农地、灌木的面积占比逐渐下降，其余用地类型的占比逐步上升。农地面积占比由55.49%下降至48.48%，森林的面积净增长速度最快。农地面积减少了7 023 km²，森林、建筑用地和草地的面积增加，增加面积分别为2 205、1 669、4 510 km²。就土地利用类型变化来看，面积为63.51%的农地变成草地，23.29%的农地变成建筑用地，12.47%的农地变成森林。草地面积增加的98.89%来源于农地面积；森林增加的面积中，58.19%来源于草地，39.73%来源于农地。

渭河流域草地、森林和灌木的多年平均NDVI均在0.8以上，变异系数均小于0.1，说明植被覆盖稳定性较好。农地的变化幅度最大，为10.45%。6种用地类型的多年平均NDVI均随着时间推移而波动上升，变化幅度大小依次为农地、灌木、荒地、森林、草地、建筑用地，C_v随着时间波动下降，稳定性逐渐增强（表3）。

2.2.3 地形因素

不同海拔区间下的多年平均NDVI变化情况如表4所示。随着海拔的升高，多年平均NDVI在0.59~0.75之间波动，在1 100~1 400 m范围内达到最大值0.75。E呈现先增后降的趋势，1 700~2 000 m时最大，为18.08%，NDVI的平均变化速率也最大，为0.010 5 a^-1。

表5显示了不同坡度、坡向区间下多年平均NDVI的差异。同一坡向下，随着坡度的增大，NDVI均值逐渐增加，最大值保持在0.86~0.87之间。E和变化速率呈现先上升后下降的趋势。2°~5°时E和NDVI的变化速率最大，植被长势较好。

同一坡度下，各个坡向的多年平均NDVI差异不大。平地<2°时E值为负，NDVI出现了负增长的情况。当坡度为［2，5）°时，南坡、北坡、平地的E值分别为14.94%、14.55%和15.35%，［2，5）°的土地在南坡、北坡、平地面积的占比分别为46.79%、46.27%和14.51%，南坡植被增幅大于14%的面积最大。当坡度>15°时，南坡、北坡、平地的E值与其他坡度段相比均为最小，植被生长保持稳定。

2.3 NDVI变化驱动因素分析

本研究通过对比8个驱动因子的贡献率分析各因子的相对重要性，表6为地理探测器的探测结果。结果显示：①渭河流域不同研究时段NDVI的空间异质性受气象因子、地形因子和土地利用类型的共同驱动作用，降水、气温、干燥度、日照时间、土地利用类型、海拔、坡度（X₁~X₇）对NDVI的影响程度均表现为显著（P<0.1），坡向（X₈）表现为不显著。②影响渭河流域多年NDVI的8个因子的驱动力从大到小依次为降水、土地利用类型、干燥度、日照时间、坡度、气温、海拔、坡向。降水的q最大，为0.484 1；坡向的q最小，为0.000 7，除坡向外，海拔的解释力最小，为0.143 8。气象因素的解释力普遍较大，q在0.140 0~0.500 0之间；地形因子的解释力普遍较小，q不超过0.200 0；土地利用类型的解释力也较大，q为0.444 1。可见，气象因素和土地利用类型是影响渭河流域多年NDVI空间分异的主要驱动因素。气象因素中，降水和干燥度对流域NDVI的驱动程度较大。③对比2001年、2010年、2020年的驱动因子探测结果，2001—2020年降水、日照时间驱动因子的贡献率逐渐下降，土地利用类型和坡度的贡献率逐渐上升，气温、干燥度、海拔的贡献率保持稳定，而坡向的影响一直表现为不显著。④渭河流域NDVI的E值的空间异质性受8个因子（X₁~X₈）的影响程度均表现为显著（P<0.1），8个因子的解释力从大到小依次为海拔、气温、降水、日照时间、坡度、土地利用类型、干燥度、坡向，最大和最小q值分别为0.412 6和0.006 1。

对渭河流域多年平均NDVI的气象因子、地形因子和土地利用类型因子进行交互探测，结果如图5所示。植被覆盖驱动因子的交互类型为双因子增强和非线性增强关系，说明任意2个驱动因子在交互作用下增强解释力，因此渭河流域植被覆盖变化是由多种因素共同驱动的。降水和温度、土地利用类型和海拔的交互作用对植被覆盖的驱动作用较强，q均大于0.6。交互探测因子的q值在0.5以上的基本为气象因子的交互组合。土地利用类型交互因子的q值也较大。气温和坡向的交互作用对植被覆盖的驱动作用最弱，q为0.152 9。交互因子的q值均大于单个因子的q值，说明对于渭河流域的植被覆盖变化而言，双因子的共同驱动作用大于单个因子的驱动作用。

对渭河流域2001年、2010年、2020年多年平均NDVI和E的影响因子进行交互探测（图6），驱动因子的交互类型均为双因子增强和非线性增强，交互因子的q值均大于单个因子的q值。2001—2020年，降水（X₁）和日照时间（X₄）与其他因子的交互探测的q值逐渐下降，但带有降水的交互因子探测结果与其他因子的交互探测结果相比仍有较高的解释力。土地利用类型（X₅）的交互探测结果逐渐升高，其他交互因子的结果保持稳定。E的交互因子探测结果中，海拔（X₆）与其他因子交互探测的解释力最高，q大于0.47，海拔与降水的交互作用最强，q为0.556。干燥度与坡向的交互作用最弱，q为0.038。

3 讨论

3.1 NDVI变化趋势

植被覆盖的变化情况受气候因素和人类活动的影响。2001—2020年，渭河流域多年平均NDVI呈现波动增长且有明显的空间异质性，变化速率为0.007 a^—1。东北部小面积丘陵区和西北部黄土高原区NDVI显著增加。研究表明，黄土高原近20年以来NDVI呈显著增加趋势，平均变化速率为0.005 7 a^—1，空间异质性明显，这与研究区西北部的NDVI变化趋势一致^[35]。农地面积显著减少，森林、建筑用地和草地的面积显著增加。在减少的农地面积中，63.51%的农地变成了草地，12.47%的农地变成了森林，这使西北部黄土高原和南部秦岭山区的NDVI显著增大，23.29%的农地变成了建筑用地，这使中部关中平原的NDVI显著降低（表3）。黄土高原在渭河左岸以北，渭河流域东北、西北部均有黄土丘陵区分布，2000年以来，黄土高原区采取了大面积范围的地表水土保持和生态系统恢复措施，这对渭河流域的植被覆盖恢复产生了明显的积极影响。值得注意的是，在2014—2016年，渭河流域植被覆盖出现了2次明显的下降，这可能与2014年黄河流域降水量减少，发生了罕见性的全流域干旱有关^[36]。

3.2 NDVI变化驱动因素

植被对气象变化的响应过程表现为显著变化主要与植被类型和气象特征的多样性密切相关。气温、降水、光照以及干燥度是主要影响植被生长的气象因素。在黄河流域，降水、日照时间及相对湿度3个驱动因子对黄河流域植被覆盖的影响力最强，且各驱动因子的影响存在交互作用，以双因子增强或者非线性增强为主，双因子交互作用增强了单因子的影响^[37]。在本研究中，渭河流域多年平均NDVI驱动因素探测结果表明，影响力较强的前三个气象因素分别是降水、干燥度和日照时间，交互类型为双因子增强和非线性增强，且双因子的共同驱动作用大于单个因子。这与先前的研究结果一致，说明渭河作为黄河的最大支流，在影响植被覆盖的气象因素方面具有一致性。在我国，不同植被类型的NDVI变化特征及其与气象因素的关系在不同时间和空间尺度上表现出明显的区域差异^[38-39]，近80%的区域植被覆盖对降水的响应强烈，降水越多的地区，NDVI越高^[40]。在渭河流域，NDVI随着降水量的增加而逐渐增加，当年降水量大于700 mm时，NDVI达到0.8以上。降水是影响相对湿度的重要因素，对于匮水地区，降水越多，相对湿度越大，越有利于植被的生长。同时降水也通过增加土壤含水量促进植物对水分的吸收，激发植物生理活动^[41]，促进植被生长。渭河流域属于半干旱区、半湿润区的交错区域，降水是影响渭河流域植被覆盖空间分异的首要驱动因素^[42]。

研究表明，近10年来，黄河流域植被生长受到人为干预的程度逐渐增加，其中人类活动贡献率大于80%的区域主要分布在流域中游的黄土高原部分地区以及渭河流域的平原^[43]。这与本文渭河流域气象驱动因子贡献率逐渐下降，而土地利用类型贡献率逐渐上升的结论一致。在渭河流域的西部黄土高原区和东部平原及小范围丘陵区，人为活动改变了土地利用方式，而土地利用类型的改变则显著影响了当地的NDVI。地形要素会从多个维度对植被的生长环境产生作用。海拔、坡向和坡度等因素能够改变植被对太阳辐射的接收情况，同时也在很大程度上决定了土壤含水量与养分状况^[44-45]。在各类地形要素中，海拔、坡度和坡向是影响植被生长的关键因素，它们并非直接发挥作用，而是通过改变植被的物种构成以及植物的多样性，进而对植被覆盖状况产生影响^[46]。已有研究表明，海拔作为一项重要的环境梯度指标，主要通过调节局部地区的气温和降水，间接对植被生长产生影响^[47]。不同海拔分区内的水热条件不同，导致分布的植被类型不同，不同植被类型的生长速率和周期不同，从而导致不同海拔分区内NDVI的变化速率存在差异。草本植物根系较浅，对降水波动响应迅速，木本植物具有较高的耐旱特性，在干旱条件下表现稳定。因此在干旱和半干旱地区，草本植物的生长速率总体大于木本植物，而木本植物中，灌木的NDVI变化速率总体大于乔木^[48]。农田和荒漠的NDVI变化速率也较大。在本研究中，E的空间分布受海拔因素的驱动力最强，这证明NDVI的变化速率受海拔的影响最大。随着海拔的升高，E先增后降，在1 700~2 000 m时最大，该海拔范围大面积分布在西北部的黄土高原区，具有明显的垂直分异特征，主要的植被类型为灌丛、草原、草甸和荒漠，NDVI的变化速率较大。

3.3 局限性与不确定性

本研究采用地理探测器量化影响渭河流域NDVI的主要因素的贡献度。该方法通过探测各个变量对NDVI空间分异性的影响，进而解释其单独或交互作用对植被覆盖的定量驱动。然而，这种方法存在一定的局限性。首先，地理探测器实现驱动因子研究存在分级依赖，即需要将连续变量离散化，而不同的离散化方法可能导致q值波动，从而影响结果稳定性。其次，利用地理探测器揭示变量关系存在一定局限性，即模型仅给出两两交互强度，无法定量三重因素及以上的协同效应。尽管研究方法存在不足，但是本研究仍从一个新的视角揭示了渭河流域植被变化的关键驱动机制，其结论可为研究区的生态保护与修复实践提供科学理论支撑。

4 结论

2001—2020年，渭河流域的多年平均NDVI整体波动增加，NDVI呈上升趋势的面积占总面积的85.46%，空间异质性较强，植被绿化成果显著。70.80%的NDVI显著增加，除关中平原地区大部分地区NDVI均保持增加状态，植被覆盖有持续改善的潜力。气象因素对NDVI的驱动力逐渐下降，土地利用的驱动力逐渐上升。对NDVI空间异质性贡献度最强的因子是降水，其次为土地利用类型、干燥度和日照时间，多种驱动因素都存在交互作用，共同影响NDVI变化。据此，渭河流域应以“降水-土地”耦合关系为切入口，即优先将滩坡垦殖转向湿地与林草，促进纯耕地向草灌结合混交耕地、坡耕地向梯田的转变，以土地覆被的变化缓解干燥度与日照带来的水分胁迫；同时通过生态流量调度与岸线缓冲带建设，增强区域水文过程的稳定性，使降水输入高效滞留于植被可利用层。由此，多重驱动因素协同的正反馈可共同促进渭河流域NDVI的增长，从而实现气候条件限制下流域植被持续恢复。

参考文献

[1] Mo K L， Cong Z T， Lei H M. Optimal vegetation cover in the Horqin Sands， China[J]. Ecohydrology，2016，9（4）：700-711.

[2] Peng W F， Kuang T T， Tao S. Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan， western China[J]. Journal of Cleaner Production， 2019， 233： 353-367.

[3] Tang Z X， Zhou Z X， Wang D， et al. Impact of vegetation restoration on ecosystem services in the Loess plateau， a case study in the Jinghe Watershed， China[J]. Ecological Indicators，2022，142：109183.

[4] 张学艺，戴小笠，张玉兰，等.用EOS/MODIS-NDVI监测枣树生长状况的分析[J].宁夏大学学报（自然科学版），2012，33（2）：201-204.

[5] 赵虹，颉耀文.结合植被指数与纹理区分天然绿洲与人工绿洲：以甘肃省酒泉市金塔绿洲为例[J].宁夏大学学报（自然科学版），2013，34（1）：88-92.

[6] 庞家泰，段金亮，张瑞，等.2000—2019年渭河流域植被覆盖度时空演变特征及气候响应[J].水土保持研究，2021，28（5）：230-237.

[7] 张宏伟，别强，石莹，等.黄河流域上游植被覆盖变化特征及其影响因素[J].干旱区研究，2024，41（8）：1385-1394.

[8] Cao X J， Gao Q Z， Hasbagan G， et al. Influence of climatic factors on variation in the Normalised difference vegetation index in Mongolian Plateau grasslands[J]. The Rangeland Journal，2018，40（2）：91.

[9] 刘雨亭，王磊，李谢辉，等.西南地区2000—2020年植被覆盖度时空变化与影响因素分析[J].高原气象，2024，43（1）：264-276.

[10] Wang J， Wang K L， Zhang M Y， et al. Impacts of climate change and human activities on vegetation cover in hilly southern China[J]. Ecological Engineering，2015，81：451-461.

[11] 刘宇，傅伯杰.黄土高原植被覆盖度变化的地形分异及土地利用/覆被变化的影响[J].干旱区地理，2013，36（6）：1097-1102.

[12] Tuo M Y， Xu G C， Zhang T G， et al. Contribution of climatic factors and human activities to vegetation changes in arid grassland[J]. Sustainability，2024，16（2）：794.

[13] Wang B， Xu G C， Li P， et al. Vegetation dynamics and their relationships with climatic factors in the Qinling Mountains of China[J]. Ecological Indicators，2020，108：105719.

[14] 梁植，孙若辰，段青云.黄河水源涵养区植被NDVI时空变化特征及其驱动因子[J].地理科学进展，2023，42（9）：1717-1732.

[15] 封建民，郭玲霞，刘宇峰，等.2000—2021年泾河流域植被NDVI变化及影响因素[J].水土保持研究，2025，32（1）：249-256.

[16] 蒋冲，王飞，穆兴民，等.退耕还林（草）背景下渭河流域植被覆盖时空变化分析[J].农业现代化研究，2012，33（4）：470-474.

[17] 闫丰，李晨阳，王靖，等.京津冀生态屏障区植被NPP时空演变驱动力定量解析[J].环境科学，2025，46（1）：327-339.

[18] 李羽莹，刘桂民，吴晓东，等.2000—2021年北半球多年冻土区NDVI变化趋势及其影响因素[J].地球科学与环境学报，2024，46（3）：321-333.

[19] 李秀，郎琪，雷坤，等.基于Budyko假设的永定河流域上游不同支流径流变化归因分析[J].水资源与水工程学报，2021，32（6）：94-101.

[20] 余志巍，刘强，张宇阳，等.内蒙古不同草地NDVI变化及其驱动要素[J].生态学报，2024，44（22）：10068-10082.

[21] 孙斌，王燕，郭晔，等.2000—2020年锡林郭勒草原植被覆盖时空动态变化及影响因素分析[J].中国草地学报，2024，46（11）：11-22.

[22] 李晓燕，曹广超，陈宗颜，等.2001—2022年祁连山南坡植被NDVI时空动态及未来持续性[J].水土保持研究，2025，32（3）：196-205.

[23] 聂桐，董国涛，蒋晓辉，等.延安地区植被覆盖度时空变化及驱动力[J].水土保持研究，2021，28（5）：340-346.

[24] 佘宇晨，张云峰，陈楚琳.湖南省2000—2020年NDVI时空动态变化及其驱动力分析[J].中南林业科技大学学报，2025，45（4）：108-118.

[25] Duo A， Zhao W J， Qu X Y， et al. Spatio-temporal variation of vegetation coverage and its response to climate change in North China plain in the last 33 years[J]. International Journal of Applied Earth Observation and Geoinformation，2016，53：103-117.

[26] 秦超.基于NDVI数据的宝鸡市和西安市植被覆盖情况对比分析[J].农业科学研究，2020，41（1）：23-27.

[27] 黄晨璐，杨勤科.渭河与泾河流域水沙变化规律及其差异性分析[J].干旱区地理，2021，44（2）：327-336.

[28] 张林齐，任立良，江善虎，等.1982—2015年渭河流域植被变化特征及气候因素影响[J].水文，2018，38（2）：66-72.

[29] 何毅，王飞，穆兴民，等.渭河流域降水和气温的时空特征分析[J].水土保持通报，2012，32（4）：102-105.

[30] 王佃来，刘文萍，黄心渊.基于Sen+Mann-Kendall的北京植被变化趋势分析[J].计算机工程与应用，2013，49（5）：13-17.

[31] 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.

[32] 马永桃，任孝宗，胡慧芳，等.基于地理探测器的浑善达克沙地植被变化定量归因[J].中国沙漠，2021，41（4）：195-204.

[33] 常学礼，吕世海，冯朝阳，等.地形对草甸草原植被生产力分布格局的影响[J].生态学报，2015，35（10）：3339-3348.

[34] 贾强，闫军，张永庭.基于遥感技术的盐池县草场植被覆盖度变化监测[J].农业科学研究，2013，34（1）：46-49.

[35] Zhang Y C， Jiang X H， Lei Y X， et al. The contributions of natural and anthropogenic factors to NDVI variations on the Loess Plateau in China during 2000-2020[J]. Ecological Indicators，2022，143：109342.

[36] 杨鹏辉，田佳，张楠，等.1990—2022年黄河流域植被时空变化特征及未来趋势预测[J].生态学报，2024，44（19）：8542-8553.

[37] 王晓蕾，石守海，陈江朝霞.黄河流域植被覆盖度变化及驱动因素[J].中国环境科学，2022，42（11）：5358-5368.

[38] Liu B L， Li P， Li Z B， et al. Estimation of the potential for soil and water conservation measures in a typical basin of the Loess Plateau， China[J]. Water，2024，16（19）：2868.

[39] Wu D H， Zhao X， Liang S L， et al. Time-lag effects of global vegetation responses to climate change[J]. Global Change Biology，2015，21（9）：3520-3531.

[40] 李秀花，师庆东，常顺利，等.1981—2001年中国西北干旱区NDVI变化分析[J].干旱区地理，2008，31（6）：940-945.

[41] 巫晨煜，许帆帆，魏士博，等.渭河流域地表植被覆盖对气候变化的响应研究[J].生态环境学报，2023，32（5）：835-844.

[42] 逯金鑫，周荣磊，刘洋洋，等.黄土高原植被覆被时空动态及其影响因素[J].水土保持研究，2023，30（2）：211-219.

[43] 田智慧，任祖光，魏海涛.2000—2020年黄河流域植被时空演化驱动机制[J].环境科学，2022，43（2）：743-751.

[44] 赵婷，白红英，邓晨晖，等.2000—2016年秦岭山地植被覆盖变化地形分异效应[J].生态学报，2019，39（12）：4499-4509.

[45] 陈浩，权倍平，李占斌，等.北洛河上游流域植被覆盖度时空变化及其地形分异特征[J].水土保持研究，2024，31（2）：219-227.

[46] 申丽娜，景悦，孙艳玲，等.海河流域植被覆盖度变化的图谱特征及其地形梯度差异分析[J].天津师范大学学报（自然科学版），2017，37（6）：43-49.

[47] 张起鹏，路红娥，赵頔琛，等.甘南黄河上游植被覆盖度时空变化与地形因子的关系[J].干旱区研究，2025，42（3）：523-533.

[48] 潘金金，任宗萍，胥世斌，等.宁夏不同植被类型NDVI变化特征及其对气候的响应[J].地球科学与环境学报，2023，45（4）：819-832.

基金资助

国家自然科学基金项目(42377344)