基于BRT模型的黄河流域NDVI时空变化及其驱动力分析

Spatiotemporal dynamics of NDVI and their driving forces in the Yellow River basin based on a BRT model

摘要

黄河流域是我国重要的生态安全屏障，受气候变化、地理条件以及人类活动等多重因素的影响，依然面临植被退化、水土流失等严重的生态问题。为系统评估黄河流域植被覆盖的变化趋势及其驱动机制，基于Google Earth Engine（GEE）平台，利用MODIS13 Q1数据集获取2000—2020年黄河流域归一化植被指数（NDVI）；采用Theil-Sen趋势分析和Mann-Kendall突变检验方法，对流域内11个生态功能区的NDVI时空变化趋势进行分析，同时结合气象、地形和地貌因素，应用提升回归树模型，定量评估各因子对植被变化的驱动作用。结果表明：①2000—2020年，黄河流域NDVI整体呈上升趋势，空间分布表现为东南部较高、西北部较低的格局。NDVI波动范围为-0.12~0.61，均值为0.28。部分NDVI小于0的区域主要分布在过度放牧和干旱频发的地区，存在植被退化的风险。②11个生态功能区均出现1个或2个显著的突变点，且这些突变点均出现在2018年之前。全流域NDVI改善区域面积占比为85.22%，保持稳定区域面积占比为9.08%，退化区域面积占比为5.70%。③驱动力分析表明，气候因素对NDVI变化的影响最大，其中降水的贡献率高于气温，地形因素（如海拔、坡度、坡向）及人口密度的贡献率次之。

Abstract

The Yellow River basin serves as a critical ecological security barrier in China but remains threatened by vegetation degradation and soil erosion under the combined influences of climate change， geographical conditions， and human activities. To systematically assess trends in vegetation coverage and their driving forces， this study obtained the NDVI for 2000—2020 from the MOD13Q1 product on the Google Earth Engine （GEE） platform， analyzed spatiotemporal trends across 11 ecological functional zones using Theil-Sen slope estimation and the Mann-Kendall test for abrupt changes， and quantified the contributions of meteorological， topographic， geomorphological， and demographic factors with a Boosted Regression Tree （BRT） model. Results show that： ① NDVI exhibited an overall increasing trend from 2000 to 2020， with higher values in the southeast and lower values in the northwest. The annual median NDVI ranged from -0.12 to 0.61， with a basin-wide mean of 0.28. Areas with NDVI < 0 were concentrated in regions experiencing overgrazing and frequent drought， indicating a risk of vegetation degradation. ② Each ecological functional zone displayed one or two significant change points， all occurring before 2018. Across the basin， areas with improving NDVI accounted for 85.22%， stable areas for 9.08%， and degrading areas for 5.70%. ③ Climatic factors were the dominant drivers of NDVI change， with precipitation contributing more than temperature； topographic factors （elevation， slope， aspect） and population density ranked next. These findings provide essential data support and scientific evidence for ecological conservation and vegetation management in the Yellow River basin.

Graphical abstract

关键词

黄河流域 / 归一化植被指数（NDVI） / 提升回归树分析 / GEE云平台

Key words

Yellow River basin / normalized difference vegetation index （NDVI） / Boosted Regression Tree （BRT） analysis / Google Earth Engine

植被是陆地生态系统的主体，对环境因子变化敏感，其空间分布和生长变化状态是对相应地区各环境要素长期适应的结果^[1]，在生态系统研究中有指示性作用。植被指数可以直观地反映植被的生长状况，其中归一化植被指数（normalized difference vegetation index， NDVI）是研究植被覆盖度与生长状况的遥感因子，其变化趋势可以反映植被覆盖的变化程度，是衡量地表植被长势和评价区域生态系统健康程度的重要指标^[2]。

地球植被的趋势和变化一直是科学界关注的焦点^[3]。随着我国对生态环境的有效治理，黄河流域植被的变化趋势逐渐成为许多学者关注的重点。黄河流域是以人水关系为核心的复合生态系统^[4]，关系着我国重要的生态屏障。近年来，我国对黄河流域的生态保护治理取得了显著成效，但受到地理、气候、人为因素的影响，黄河流域仍存在生态系统逐渐退化、水土流失、环境污染等问题。因此，深入研究黄河流域NDVI的变化趋势及驱动力，对于提升黄河流域的生态保护建设，强化我国生态屏障有着重要意义。

随着遥感技术和云计算的不断发展，基于GEE（Google Earth Engine）遥感云平台对生态环境进行快速评价已成为研究热点，GEE遥感云平台极大地提高了运算效率，为大尺度长时间序列的植被分析提供了条件^[5-6]。国内外学者运用GEE遥感云平台，结合多种分析方法和深度学习模型在不同时空尺度上研究了黄河流域植被时空变化特征及驱动因素。孙高鹏等^[7]以集合经验模态分解、趋势分析和随机森林回归分析等方法，分析了黄河流域2001—2020年植被覆盖时空变化特征，并对其气候驱动因素进行探讨。田智慧等^[8]采用Theil-Sen斜率估算、Mann-Kendall（MK）检验、相关性分析和残差分析等方法研究了2000—2020年黄河流域植被时空演化驱动机制。姚瑞晨等^[9]利用一元线性回归模型，结合Sen趋势、MK及偏相关分析等方法研究了1982—2020年黄河流域（河南段）NDVI时空演变及其对气候因子的响应。

近年来，机器学习在生态遥感领域运用广泛。提升回归树（Boosted Regression Tree， BRT）是一种强大的机器学习技术，可以处理复杂的非线性关系，适应各种数据类型，并提供具有高精度的强大预测性能^[10]。BRT分析法善于计算复杂非线性因子贡献率与边际效应，在使用增强回归树时，当其他自变量取均值或不变的情况下，可计算某一自变量和因变量之间的相互关系，从而得出自变量对因变量变化的敏感性^[11]。利用BRT分析法结合传统分析法可以更好地研究黄河流域植被与其驱动因子的关系。Zhang等^[12]根据气象和卫星遥感数据，运用Pearson相关和BRT模型揭示了2000—2020年河西地区NDVI极端气候与植被动态之间的关系，进一步研究了NDVI响应极端气候的时间滞后效应。Xiao等^[13]利用趋势分析以及BRT、结构方程模型（Structural Equation Modeling， SEM）等建模技术，识别和量化了2000—2020年祁连山自然因素和人为因素对NDVI的贡献和非线性响应阈值。

根据黄河流域植被覆盖与驱动因子的研究成果，黄河流域生态环境及其植被时空变化整体呈现恢复状态。许多研究者基于线性关系的假设，结合相关分析和趋势分析等方法研究温度、降水和海拔等影响因子的驱动力。利用传统分析方法的研究常聚焦于线性影响因子，而缺乏对非线性影响因子驱动力的研究。此外，研究尺度和对象常聚焦于国家、西北地区、省级单位以及黄河流域的一个单一草地或森林生态系统，缺少基于小尺度局部和区域性的黄河流域生态系统的全面研究。

本研究基于2000—2020年MODIS NDVI数据，结合气象、地形等多源数据，采用趋势分析和增强回归树等方法，系统分析黄河流域植被覆盖时空变化特征及其驱动机制，以期为黄河流域生态保护与可持续发展提供科学依据，为制定区域植被恢复措施提供有效参考。

1 研究区域及方法

1.1 研究区域

黄河是中国第二长河流，地势西高东低，流域面积为79.5万km²，发源于青藏高原巴颜喀拉山脉，横跨我国西部、中部和东部，在山东省北部入渤海。位于高山山脉区的黄河上游地区，大多是高海拔的森林地带；中游为黄土高原和内蒙古高原，地势平缓，有林地和草地；下游为平原地貌，有地上悬河，耕地面积大^[14]。黄河流域气候特征鲜明，西北部为干旱气候，中部为半干旱气候，东南部为半湿润气候。本研究主要以黄河自然流经地区为主体，基于研究尺度和区域较大的问题，如图1所示，按照中国生态系统评估与生态安全数据库中的生态区规划对黄河流域进行生态区域细分。

1.2 数据来源

1.2.1 矢量边界数据

黄河流域矢量边界及全国省级行政区矢量边界数据均来自中国国家科学技术基础设施的国家地球系统科学数据中心。根据《中国生态系统评价与生态安全数据》（http：//www.ecosystem.csdb.cn//）中的生态功能区划分方案，基于3个生态大区及50个生态区，将黄河流域划分为11个生态功能区。

1.2.2 黄河流域NDVI数据

基于生态功能区，在GEE遥感云平台MODIS13 Q1（MODIS/006/MOD13 Q1）影像分区随机获得2000—2020年黄河流域NDVI数据，并利用GEE遥感云平台计算NDVI中值。空间分辨率为250 m，时间分辨率为16 d。

1.2.3 气象、地形地貌与人口数据

本研究的气象、地形及人文驱动因子数据均来自GEE遥感云平台。气候数据采用年降水量和年均气温，以表征区域水热条件的时空变化。地形数据基于USGS/SRTMGL1_003提取数字高程模型（DEM），并通过ee.Terrain模块计算坡度和坡向。人文驱动因子选用WorldPop的1 km网格人口密度数据，以更精确地反映人类活动的空间分布强度。土地覆盖数据补充自国家基础地理信息中心（https：//ngcc.cn/）。上述因子的选择基于其与研究对象的相关性及数据的可获取性，同时参考了类似研究的驱动因子体系^[15]。

1.3 研究方法

基于生态功能区划分方案，在黄河流域11个生态功能区内，选取2000—2020年每年的黄河流域NDVI中值代表当年的植被覆盖情况，最终得到黄河流域NDVI时间序列的影像集，同时获取黄河流域的海拔、年总降水量、年均温度、坡度、坡向和人口等数据集。采用一元线性回归结合Mann-Kendall（MK）检验、BRT分析等方法分析黄河流域植被NDVI空间分布格局、时空变化趋势及影响因子的驱动力。本研究将所有数据的空间分辨率统一为1 000 m。

1.3.1 归一化植被指数（NDVI）的计算

通过GEE平台进行黄河流域NDVI中值计算，公式如下：

NDVI=（NIR-R）/（NIR+R）。（1）

式中：NIR为近红外波段发射率；R为红光波段反射率。

1.3.2 MK突变检验

利用MK突变检验确定2000—2020年11个功能区域NDVI中值的突变点出现的时间。其计算公式如下：

\left\{\begin{array}{l}{S}_k={\displaystyle \sum _{i=\mathrm{1}}^k}{\displaystyle \sum _{j=\mathrm{1}}^{i-\mathrm{1}}}{\alpha }_{ij},(k=\mathrm{2,3},\mathrm{4},\cdots ,n), \\ {\alpha }_{\mathrm{i}\mathrm{j}}=\left\{\begin{array}{cc}\mathrm{1}& x_i>x_j\\ \mathrm{0}& x_i\le x_j\end{array}\right.,\mathrm{1}\le j\le i\mathrm{。}\end{array}\right.（2）

以假设时间序列随机独立为前提，定义统计量为：

\left\{\begin{array}{l}E\left(S_k\right)=k(k-\mathrm{1})/\mathrm{4},\\ \mathrm{v}\mathrm{a}\mathrm{r}\left(S_k\right)=k(k-\mathrm{1})(\mathrm{2}k+\mathrm{5})/\mathrm{72},\end{array}\right.（3）

\left\{\begin{array}{c}\mathrm{U}{\mathrm{B}}_k=-\mathrm{U}{\mathrm{F}}_{k^{\text{'}}}\\ k^{\text{'}}=n+\mathrm{1}-k\end{array}\right.,\left(k=\mathrm{1,2},\mathrm{3},\cdots ,n\right)\mathrm{。}（4）

式中：在原假设（序列相互独立）下，E（S_k ）与var（S_k ）可按公式（3）、（4）计算。进而构造前向统计量UF _k，可由下式计算得出：

\mathrm{U}{\mathrm{F}}_k=S_k-E\left(S_k\right)/\sqrt[]{\mathrm{v}\mathrm{a}\mathrm{r}\left(S_k\right)},(k=\mathrm{1,2},\mathrm{3},\cdots ,n)。

（5）

根据正态分布表，如果UF _k >U_α，表明序列中存在明显的趋势变化。根据所得结果，分别绘制UF和UB曲线。在置信区间内，2条线的交点是突变点。在显著性水平α=0.05时，UF和UB的临界值为±1.96。如果UF _k >0，序列显示出上升趋势；如果UF _k <0，则显示出下降趋势^[16]。

1.3.3 趋势分析

Theil-Sen斜率分析是一种广泛使用的非参数统计趋势计算方法。该方法通过计算时间序列的中值可以较好地避免数据中异常值对分析结果的干扰，适用于长时间序列数据的变化趋势分析^[17-19]，其计算公式如下：

T_{\mathrm{s}}=\mathrm{M}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{x_j-x_i}{j-i}\right),\forall j>i。（6）

式中：j和i是以年为单位的序列（2000≤i<j≤2020），x_j 和x_i 分别表示j和i年的黄河流域NDVI年均值。T_s>0时，表明黄河流域NDVI在2000—2020年呈现上升趋势，反之则为降低趋势，而T_s=0时，表明黄河流域NDVI在2000—2020年内基本保持不变。

MK检验是一种应用广泛的趋势检验方法，不需要数据服从正态分布，可验证Theil-Sen斜率估计结果的显著性^[20]。其计算公式如下：

T_{\mathrm{s}}={\displaystyle \sum _{k=\mathrm{1}}^{n-\mathrm{1}}}{\displaystyle \sum _{j=k+\mathrm{1}}^n}\mathrm{s}\mathrm{g}\mathrm{n}\left(x_j-x_k\right)，（7）

，（8）

。（9）

式中：T_s表示MK检验的统计量；x_j 和x_k 分别表示j和k年相应的测量值，n表示数据系列的长度。MK检验的显著性水平阈值分别为±1.96与±2.58。当Z_MK的值在1.96~2.58之间时，表明黄河流域NDVI的增长趋势通过0.05显著性检验。

1.3.4 BRT分析

BRT模型是结合梯度提升和随机森林模型的算法，具有高稳定性、高预测精度和结果直观的特点，基于BRT模型可以得到各变量的相对贡献率和边际效应，从而进一步分析自变量对因变量的影响^[21]。BRT的工作原理是将系列决策树拟合到数据上，每个决策树都经过训练，使前一棵树的拟合误差最小化。迭代过程继续进行，直到达到所需的精度。采用BRT对计算得到的E_a建立模型，将目标E_a与计算得到的E_a进行比较并进行模型拟合。决定系数（R²）和均方根误差（RMSE）作为预测效果的指标^[22]。

为系统识别影响黄河流域NDVI变化的主导因素并研究其与NDVI的相互关系，本研究在RStudio平台中运用Tidyverse、Caret、Gbm及Ggplot 2等软件包进行模型训练与可视化分析。基于GEE平台，进行重采样，将数据分辨率统一至1 000 m。提取2000—2020年间每隔2年的黄河流域NDVI与各影响因子数据，每个指标各提取725个样本，共计提取5 075个样本，进行驱动力分析。剔除缺失值与异常值，每个指标各保留710个有效样本，共计4 970个有效样本。其中70%的数据用于模型训练，30%的数据用于模型验证。参考前人研究及预试验参数调整并通过多次交叉验证，确定最优学习速率为0.005，最优决策树的数量为5 150棵。量化模型精度的R²和RMSE的计算公式分别为：

R^{\mathrm{2}}=\mathrm{1}-\frac{{{\displaystyle \sum _{i=\mathrm{1}}^n}\left(E_{{\mathrm{a}}_i}-{\widehat{E}}_{{\mathrm{a}}_i}\right)}^{\mathrm{2}}}{{{\displaystyle \sum _{i=\mathrm{1}}^n}\left(E_{{\mathrm{a}}_i}-{\overline{E}}_{\mathrm{a}}\right)}^{\mathrm{2}}}，（10）

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}(E_{{\mathrm{a}}_i}-{\widehat{E}}_{{\mathrm{a}}_i}{)}^{\mathrm{2}}}。（11）

式中：E_{{\mathrm{a}}_i}、{\widehat{E}}_{{\mathrm{a}}_i}和{\overline{E}}_{\mathrm{a}}分别为样本的实测值、预测值和平均值；n为数据点的个数；R²和RMSE用于量化模型精度。在本研究中，测试集的R²和RMSE分别为0.78和0.06，表明模型拟合效果良好。

2 结果与分析

2.1 黄河流域植被时空变化特征

2.1.1 黄河流域植被空间分布特征

2000—2020年间黄河流域NDVI中值空间分布特征如图2所示，黄河流域植被覆盖整体于南部、东部和西部大部分地区呈现较高的态势，于北部和西部小部分地区呈现较低的态势。黄河流域多年NDVI均值为0.28，波动范围为-0.12~0.61。黄河流域内的主要生态区多年NDVI均值具有显著性差异，植被覆盖呈现明显空间分异：秦岭山地落叶与常绿阔叶林区最高（0.53），汾渭盆地农业生态区次之（0.50）；太行山山地落叶阔叶林区（0.41）、山东丘陵（0.39）、华北平原（0.39）及黄土高原（0.31）属中等水平；而内蒙古高原中部草原化荒漠（0.11）、荒漠草原（0.14）、典型草原（0.17）及祁连山（0.20）、黄河源区—甘南高寒草甸草原区（0.25）等高寒、荒漠生态区植被最稀疏，突显农业区植被覆盖普遍高于自然生态区，水热条件与人类活动共同影响植被分布格局。采用自然断点法将NDVI分为7类，21年间NDVI均值及其各分类比例结果如图2所示。自黄河流域上游至黄河流域下游，NDVI逐渐升高，充分反映了黄河流域整体是从干旱半干旱向湿润农业区过渡的特征。黄河流域NDVI小于0.12，被归类为低植被覆盖区，主要分布在内蒙古高原中部及陇中荒漠区、黄土高原农业与草原生态区、汾渭盆地与华北平原农业区，其中包含库布齐沙漠、乌兰布和沙漠、毛乌素沙漠、黄土高原、青海湖沙地及祁连山戈壁等一些植被生长脆弱的地区。

2.1.2 黄河流域植被时间变化特征

为更好地研究黄河流域NDVI时间变化特征，运用2000—2020年间黄河流域NDVI年中值表示相关年份的植被分布。时间变化趋势如图3所示，箱线图和折线图分别展示了2000—2020年间黄河流域NDVI的年度分布以及黄河流域NDVI的年际变化。结果显示，NDVI以0.035 a^-1的速率呈现波动增长的趋势，NDVI年中值波动范围为0.214~0.280。其中，最低值出现在2004年，为0.214，最高值出现在2020年，为0.280，21年间黄河流域NDVI的总值增加了0.066。

2.1.3 黄河流域NDVI突变检验

由于黄河流域NDVI在21年间的时间变化波动较大，为更好地研究黄河流域NDVI的空间变化特征，采用Theil-Sen斜率分析和MK突变检验，基于RStudio平台对2000—2020年黄河流域NDVI变化的空间分布进行分析。如图4所示，通过MK突变检验发现，生态功能区共出现13个突变点，主要发生于2005年、2006年、2010年、2011年、2012年、2013年、2014年和2018年。其中，Ⅰ-12生态功能区与Ⅲ-4生态功能区各出现2个突变点，其余生态功能区均出现1个突变点。2005年发生突变的生态功能区为Ⅰ-12；2006年发生突变的生态功能区为Ⅲ-4；2010年发生突变的生态功能区为Ⅰ-8、Ⅰ-12和Ⅲ-4；2011年发生突变的生态功能区为Ⅰ-10；2012年发生突变的生态功能区为Ⅰ-11、Ⅰ-15和Ⅱ-1；2013年发生突变的生态功能区为Ⅰ-13；2014年发生突变的生态功能区为Ⅱ-2和Ⅱ-3；2018年发生突变的生态功能区为Ⅲ-1。结合MK突变检验工作原理，即显著性水平α=0.05，临界值为±1.96，UF代表的正向序列变化超过1.96时，可反映出黄河流域NDVI具有显著增长趋势。结果表明，多数生态区的UF曲线后期超过显著性临界值（1.96），黄河流域NDVI整体上呈现显著增加的趋势。

2.1.4 黄河流域NDVI空间变化特征

为更好地研究2000—2020年黄河流域NDVI的变化趋势，基于GEE云平台，对黄河流域NDVI的每个像素进行Theil-Sen斜率分析和MK显著性检验。通过Theil-Sen斜率分析评估黄河流域NDVI在21年间的变化趋势，且通过MK显著性检验评估黄河流域NDVI变化趋势在0.05置信水平下的显著性。由于T_s为0的像素严格不存在，参考其他国内外研究者的分类方法^[23-24]，结合实际的T_s条件建立以下几种分类。其中，T_s≥0.000 5时，被归类为黄河流域NDVI上升区域；T_s位于（-0.000 5，0.000 5）之间时，被归类为黄河流域NDVI稳定区域；T_s≤-0.000 5时，被归类为黄河流域NDVI降低区域。在MK显著性检验中，若Z_MK≥1.96或Z_MK≤-1.96时，认为黄河流域NDVI变化显著；若-1.96<Z_MK<1.96，则认为黄河流域NDVI变化不显著。结合Theil-Sen斜率分析和MK显著性检验，在像素尺度上获得了2000—2020年黄河流域NDVI的年际变化趋势。如表1所示，基于Arcgis，分析结果被重新分为5类，且计算了各分类的面积占比。结果表明，黄河流域植被覆盖率提高的面积占85.22%，植被覆盖率稳定的面积占9.08%，植被覆盖率下降的面积占5.70%。

由图5可知，2000—2021年间黄河流域大部分地区植被覆盖呈现显著增加趋势，但仍有部分地区植被覆盖呈现显著降低趋势。在黄河流域，植被覆盖度变化呈现显著的空间分异格局。植被覆盖度显著上升的区域主要分布于黄土高原农业与草原生态区（Ⅰ-12）、汾渭盆地农业生态区（Ⅰ-11）以及秦岭山地落叶与常绿阔叶林生态区（Ⅰ-15），涵盖山西省西部、陕西省中北部、甘肃省东部、宁夏回族自治区南部、河南省中西部等地区。植被覆盖度趋于稳定的区域主要位于华北平原农业生态区（Ⅰ-13）和太行山山地落叶阔叶林生态区（Ⅰ-10），空间范围包括山东省西部、河南省中东部以及山西省中南部。相比之下，植被覆盖度显著下降的区域主要分布在内蒙古高原中部荒漠草原生态区（Ⅱ-3）和黄河源区—甘南高寒草甸草原生态区（Ⅲ-4），具体涉及内蒙古自治区中部（如乌兰察布市、锡林郭勒盟西部）、青海省东南部（黄河源区）以及甘肃省甘南藏族自治州。

2.2 驱动力因素分析

为了研究黄河流域NDVI与各驱动因子的关系，基于RStudio平台，进行BRT模型训练。如图6所示，BRT模型的测试集R²为0.78，RMSE为0.06，说明模型性能良好，预测值与实测值吻合度较高。基于此，得到温度、降水、海拔等自变量对黄河流域NDVI的相对贡献率。如图7所示，降水是最主要的驱动因子，其对黄河流域NDVI的相对贡献率达到38.9%，其次分别是温度（16%）、坡向（14.3%）、海拔（11.5%）、坡度（10.5%）和人口（8.9%）。

图8反映了各主要驱动因子与黄河流域NDVI的相互作用关系，可以看出，黄河流域NDVI随着降水增加呈上升趋势；随着温度变化呈现波动式上升；随着地形因子（海拔、坡度及坡向）变化呈现非线性趋势，黄河流域NDVI受人类活动影响较弱。值得注意的是，植被覆盖度高的地区主要集中在中海拔（1 000~2 000 m）、中等降水（350~600 mm）、温度5~10 ℃、平缓坡度（1~5级）、低人口密度的地区。植被覆盖度低的地区主要集中在极端降水（<300 mm或>600 mm）、高温（>10 ℃）或极寒（<0 ℃）、陡峭坡度（>6级）、高人口密度（>100 人·km^-²）的地区。

3 讨论

3.1 黄河流域NDVI的时空变化

本文对2000—2020年黄河流域NDVI时空变化进行了分析。部分区域出现NDVI小于0的现象，主要源于以下3种情况：①水体区域（黄河主干道及附属水体）近红外波段吸收强烈导致NDVI为负值；②像元混合效应，即像元中同时包含植被和水体时的光谱混合结果；③极端干旱区的干燥裸地（如库布齐沙漠）因红光与近红外波段反射率相近（NIR≈R）而使NDVI接近0或略负。时空变化分析结果表明，黄河流域植被覆盖度整体呈现东南高、西北低的空间分布格局^[23-24]，黄河流域NDVI整体呈现上升趋势，增速为0.035 a^-1，这与前人的研究结果^[25-28]相符。黄河流域高植被覆盖区域主要分布在黄土高原农业与草原生态区、汾渭盆地农业生态区和秦岭山地落叶与常绿阔叶林生态区。这部分区域气候类型多为温带季风气候，降水较多，利于植被生长^[29]，植被覆盖情况较好。黄河流域低植被覆盖区域主要分布在内蒙古高原中部—陇中荒漠草原生态区、黄土高原农业与草原生态区、汾渭盆地农业生态区，这可能源于植被主要生长在沙漠、沙地、戈壁、黄土高原等不利于植被生长的环境条件下。结果表明，黄河流域植被大部分地区呈现显著改善和持续改善的趋势，这源于我国实施的退耕还林还草和三北防护林工程^[30]，而黄河流域处于退耕还林和三北防护林工程的重点实施区域，这种趋势反向证明了在一系列生态环境治理政策的推动下，黄河流域生态环境得到了有效治理和改善，向着更好的趋势发展。

3.2 黄河流域NDVI驱动力因素分析

国内外学者研究表明，植被覆盖的主要驱动因素是人类活动、温度以及降水^[31]。许多研究发现，气候变化直接决定了植被生长的生理活动^[32]。而植被的影响因子分布具有显著的空间异质性，空间异质性和不同的影响因素导致它们对NDVI的贡献存在显著差异^[33-35]。众多学者的研究聚焦于黄河流域NDVI的异质性，缺乏对黄河流域NDVI驱动力因素贡献率的研究。本研究运用BRT模型对黄河流域NDVI驱动力因素贡献率进行分析，结果表明，降水和温度是最主要的驱动力因素，对黄河流域NDVI的影响起着至关重要的作用，这与田云等^[36]、杨鹏辉等^[37]、王成龙等^[38]的研究结果相符。其次分别是坡向、海拔、坡度和人口。受气候驱动的生态功能区有内蒙古高原中东部典型草原生态区、黄土高原农业与草原生态区和黄河源区—甘南高寒草甸草原生态区。受地形地貌驱动的生态功能区有太行山山地落叶阔叶林生态区、祁连山森林与高寒草原生态区。受气象因素主导的区域应实施退耕还林还草工程，推广节水灌溉技术（如滴灌、喷灌），修建梯田和淤地坝，拦截降水并增强土壤蓄水能力，建设防风固沙林带。受地形地貌因素主导的区域应实施农林复合系统，加强水土保持工程，结合不同地形地貌进一步加强治理措施。

4 结论

1）黄河流域NDVI在2000—2020年整体呈现上升趋势，呈现东南部高、西北部低的空间分布格局。NDVI中值影像的平均值为0.28，NDVI中值在-0.12~0.61之间波动。

2）生态功能区域11个生态功能区均出现突变点。其中，2个生态功能区各出现2个突变点，其余生态功能区均出现1个突变点，突变年份主要集中在2010—2014年。黄河流域NDVI在2000—2020年整体呈现改善趋势，NDVI呈现改善趋势的面积占比为85.22%，表现为保持不变的面积占比为9.08%，表现为退化的面积占比为5.70%。

3）驱动力分析表明，气候因子对黄河流域NDVI的驱动力较强，其中降水的驱动力强于气温。海拔、坡度、坡向和人口是黄河流域NDVI的次要影响因素。

参考文献

[1] 潘冬荣，韩天虎，闫浩文.基于光谱数据的祁连山不同生态区植被覆盖时空变化特征[J].光谱学与光谱分析，2022，42（4）：1192-1198.

[2] 杨晓玲，丁文魁，周华，等.石羊河流域归一化植被指数变化及其驱动因子分析[J].干旱区地理，2024，47（10）：1735-1744.

[3] Tong X W， Brandt M， Yue Y M， et al. Increased vegetation growth and carbon stock in China Karst via ecological engineering[J]. Nature Sustainability， 2018， 1： 44-50.

[4] 苗长虹，夏成，金凤君，等.黄河流域生态保护和高质量发展战略实施成效与推进策略[J].自然资源学报，2025，40（3）：569-583.

[5] 孙睿，刘昌明，朱启疆.黄河流域植被覆盖度动态变化与降水的关系[J].地理学报，2001，56（6）：667-672.

[6] 闫凯，陈慧敏，付东杰，等.遥感云计算平台相关文献计量可视化分析[J].遥感学报，2022，26（2）：310-323.

[7] 孙高鹏，刘宪锋，王小红，等.2001—2020年黄河流域植被覆盖变化及其影响因素[J].中国沙漠，2021，41（4）：205-212.

[8] 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.

[9] 姚瑞晨，郝仕龙，李秀萍，等.1982—2020年黄河流域（河南段）NDVI动态演变化及其与气候化响应研究[J].现代地质，2024，38（3）：612-623.

[10] Li S， Liang W， Fu B， et al. Vegetation changes in recent large-scale ecological restoration projects and subsequent impact on water resources in China's Loess Plateau[J]. Science of the Total Environment， 2016，569：1032-1039.

[11] 郁雅茜，余泽龙，崔思静，等.基于增强回归树的地表温度变化敏感性与下垫面改变关系研究：以长三角生态绿色一体化发展示范区为例[J].环境生态学，2023，5（10）：37-46.

[12] Zhang J， Guan Q， Zhang Z， et al. Characteristics of spatial and temporal dynamics of vegetation and its response to climate extremes in ecologically fragile and climate change sensitive areas：A case study of Hexi region[J]. Catena， 2024， 239： 107910.

[13] Xiao X， Guan Q， Zhang Z， et al. Investigating the underlying drivers of vegetation dynamics in cold-arid mountainous[J]. Catena，2024，237：107831.

[14] 吴天.黄河流域九省区土地利用碳排放及预测研究[D].郑州：河南农业大学，2022.

[15] Yang Y， Wang S， Bai X， et al. Factors affecting long-term trends in global NDVI[J]. Forests，2019，10（5）：372.

[16] 丁妍妍.宁夏中南部流域关键水文要素和植被覆盖对气候变化的响应[D].银川：宁夏大学，2022.

[17] 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.

[18] 乐荣武，张娜，王晶杰，等.2000—2019年内蒙古草地地上生物量的时空变化特征[J].中国科学院大学学报，2022，39（1）：21-33.

[19] 张亚楠，宋小宁，冷佩，等.近20年黄河流域夏季土壤水分时空变化特征及驱动因素分析[J].中国科学院大学学报（中英文），2024，41（4）：477-489.

[20] 崔云鹏，邢丽珠.基于MODIS的枣庄市NDVI时空变化特征及驱动因子分析[J].安徽农业科学，2025，53（3）：187-192.

[21] Ali I， Seyfeli R C， Tahir M H， et al. Pyrolytic conversion of waste hemp： Kinetics， product characterization， and boosted regression tree modeling[J]. Journal of Analytical and Applied Pyrolysis，2023， 175：106165.

[22] Castro Sardiña L， Irisarri G， Texeira M. Climate factors rather than human activities controlled NDVI trends across wet meadow areas in the Andes Centrales of Argentina[J]. Journal of Arid Environments，2023，214：104983.

[23] Jiang W G， Yuan L H， Wang W J， et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological. Indicators，2015，51：117-126.

[24] Wang J， Fan Y， Yang Y， et al. Spatial-temporal evolution characteristics and driving force analysis of NDVI in the Minjiang River basin， China， from 2001 to 2020[J]. Water，2022，14（18）：2923.

[25] 闫奕飞，白强，孙虎，等.黄河流域植被变化和产水服务的时空特征分析[J].水土保持学报，2024，38（1）：130-1390.

[26] Ren Y， Liu J， Liu S， et al. Effects of climate change on vegetation growth in the Yellow River basin from 2000 to 2019[J]. Remote Sensing， 2022，14（3）：687.

[27] 王成龙，王秀艳，李佳霖，等.1981—2019年黄河流域植被时空演变格局及影响因子分析[J].测绘科学，2023，48（10）：136-146.

[28] 李雪银，张志强，孙爱芝.1982—2021年黄河流域植被覆盖时空演变及影响因素研究[J].地球环境学报，2022，13（4）：428-436.

[29] 周锡饮，师华定，王秀茹.气候变化和人类活动对蒙古高原植被覆盖变化的影响[J].干旱区研究，2014，31（4）：604-610.

[30] Li S， Liang W， Fu B J， et al. Vegetation changes in recent large-scale ecological restoration projects and subsequent impact on water resources in China’s Loess Plateau[J]. Science of the Total Environment，2016，569：1032-1039.

[31] Liu Q， Yang Z， Han F， et al. NDVI-based vegetation dynamics and their response to recent climate change： A case study in the Tianshan Mountains， China[J]. Environmental Earth Sciences，2016，75（16）：1189.

[32] Zeppel M J B， Wilks J V， Lewis J D. Impacts of extreme precipitation and seasonal changes in precipitation on plants[J]. Biogeosciences，2014，11（11）：3083-3093.

[33] Feng X J， Tian J， Wang Y X， et al. Spatio-temporal variation and climatic driving factors of vegetation coverage in the Yellow River basin from 2001 to 2020 based on kNDVI[J]. Forests，2023，14（3）：620.

[34] Wu J M， Hou Y J， Cui Z. Coupled InVEST–MGWR modeling to analyze the impacts of changing landscape patterns on habitat quality in the Fen River basin[J]. Scientific Reports，2024，14（1）：13084.

[35] Zhang S N， Ye L P， Huang C Q， et al. Evolution of vegetation dynamics and its response to climate in ecologically fragile regions from 1982 to 2020： A case study of the Three Gorges Reservoir area[J]. Catena，2022，219：106601.

[36] 田云，刘俊艳，白爽，等.近20年黄河流域甘肃段植被覆盖度变化与驱动因素分析[J].农业机械学报，2024，55（7）：365-372.

[37] 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.

[38] 王成龙，王秀艳，李佳霖，等.1981—2019年黄河流域植被时空演变格局及影响因子分析[J].测绘科学，2023，48（10）：136-146.

基金资助

宁夏自然科学基金项目(2024AAC03089)

宁夏重点研发计划项目(2023BEG02039)

大学生创新创业项目(G202310749034)