基于地理探測器的區(qū)域植被覆蓋度的定量影響
——以京津風沙源區(qū)為例

孟 琪,武志濤*,杜自強,張 紅 (.山西大學黃土高原研究所,山西 太原 030006；.山西大學環(huán)境與資源學院,山西太原 030006)

植被覆蓋度(FVC)的時空變化及驅動機制,對區(qū)域的生態(tài)環(huán)境評價具有重要意義[1-2].隨著遙感技術的成熟,高時間分辨率和高空間分辨率的影像數據獲取技術不斷完善,遙感測量在大范圍FVC 的研究中得到廣泛應用[2].許多學者常使用歸一化植被指數(NDVI)來估算FVC,并建立了許多利用NDVI 估算FVC 的模型,其中像元二分模型應用最為廣泛[3].而MODIS NDVI 數據可實現21 世紀以來長時間不間斷的監(jiān)測,具有時序性強、光譜分辨率豐富、獲取便捷的特點,對從事時間序列地表植被變化監(jiān)測研究具有重要意義.目前國內外學者利用 MODIS NDVI 數據基于像元二分模型在縣級尺度[4]、區(qū)域尺度[5]以及整個中國區(qū)域尺度開展了FVC 時空變化相關研究.

在前人的研究過程中,主要利用相關系數法[6-7]、變異系數法[8]等來分析自然因素和人類活動對FVC 變化的影響.前人研究所采用的方法主觀性較強,僅僅從數量上描述了影響因子對FVC 變化的作用程度,并未定量分析影響因子對FVC 空間分異的影響,且對于影響因素之間的協同作用研究較少[9].地理探測器是一種探測空間分異并揭示其潛在影響因子的一種方法,它通過探測地理現象的空間分層異質性來揭示其背后的驅動力[10].地理探測器最早被應用于疾病風險與地理環(huán)境要素的相關性研究.近年來,有學者將其用于探究人為因素和自然因素對植被覆蓋變化的影響.目前,該方面的研究主要分為兩類,一方面是識別主要影響因子,如裴志林等[11]運用地理探測器模型分析發(fā)現降水量是影響黃河上游FVC 空間分布的主要因素;另一方面是研究驅動因素之間的耦合作用,如吳思佳等[12]通過地理探測器模型研究發(fā)現人為因素與自然因素的共同作用對植被覆蓋變化的影響力較強.

京津風沙源區(qū)是中國政府為改善和優(yōu)化京津及其周邊地區(qū)生態(tài)環(huán)境狀況、減輕風沙災害而劃分的生態(tài)工程治理區(qū)[13].此外,該研究區(qū)氣候變化顯著,加之大規(guī)模的人類活動,成為研究氣候變化和人類活動共同作用對植被變化的影響典型試驗區(qū).前人對京津風沙源區(qū)植被變化的研究主要以NDVI 數據為主,關于FVC 及其驅動力的定量研究還較少[14].眾多研究表明水分和溫度是兩大最主要的影響植被生長的氣候因子,尤其是在干旱、半干旱區(qū)[15],同時考慮到地形對植被生長起到間接作用[16],加之人類活動對當地植被的影響,因此選取氣象數據(日降水量≥0.1mm 時數、平均相對濕度、平均2min 風速)、地形數據(高程、坡度、坡向)以及人類活動數據(年末大牲畜頭數、年末人口總數、糧食作物播種面積、GDP)來反映對FVC的影響.本文基于MODIS 250m NDVI 數據,運用像元二分法模型估算京津風沙源區(qū)FVC 及其時空分異特征.同時基于地理探測器模型,定量揭示各個驅動因子對FVC 空間分布的影響,并確定每個因子對促進植被生長的最適宜特征,為適應、減緩驅動因子對植被變化的影響、恢復植被與生態(tài)環(huán)境提供科學依據.

1 研究數據與方法

1.1 研究區(qū)概況

本文選取京津風沙源治理工程區(qū)為研究區(qū)(圖1), 該 區(qū) 范 圍 為 109°30’E～119°20’E, 38°50’N～46°40’N,東西橫跨近700km,南北橫跨近600km[10],包括北京、天津、內蒙古、山西及河北等5 省(自治區(qū)、直轄市)在內的75 個縣(旗、市、區(qū)),總面積為45.8×104km2[15].京津風沙源區(qū)地深處大陸內部,氣候復雜多變,以溫帶干旱半干旱氣候為主,夏季炎熱多雨,冬季寒冷干燥,全年降水量為459.5mm,且分布不均,降水多集中在夏季,約占全年總降水量的65%,為年蒸發(fā)量的1/5[17];年氣溫區(qū)域差異顯著,最低的內蒙古阿巴嘎旗可低至0.6℃,北京最高為12℃,區(qū)域平均氣溫為7.5℃[18].

圖1 研究區(qū)位置Fig.1 Location of study area

1.2 數據源及處理

1.2.1 遙感數據 本次研究選取2000～2018 年MODIS NDVI 時間序列數據來源于美國 USGS 數據中心(https://lpdaac.usgs.gov/)發(fā)布的MOD13Q1數據產品,研究區(qū)覆蓋8 景影像,分別為h25v03、h25v04、h26v03、h26v04、h26v05、h27v03、h27v04、h27v05,時間分辨率為16d,空間分辨率為250m.利用MRT(MODIS Reprojection Tool)對MODIS NDVI 數據進行重投影和拼接,然后利用遙感處理軟件ENVI采用最大值合成法(MVC)合成每月最大化NDVI 數據集.

1.2.2 氣象數據 氣象數據來源于中國氣象數據網(http://data.cma.cn/)提供的中國地面氣候資料月值數據集.選擇位于研究區(qū)內的 27 個氣象站2000～2018 年的資料,包括降水(X1)、氣溫(X2)、日降水量≥0.1mm 時數(X3)、平均相對濕度(X4)、平均2min 風速(X5)等氣象數據,使用反距離權重插值法(IDW)對氣象數據進行空間插值,插值處理后的柵格空間分辨率為90m.

1.2.3 地形數據 DEM(數字高程模型)數據來源于美國國家航空航天局(NASA)和國防部國家測繪局(NIMA)共同測量的SRTM(航天飛機雷達地形測繪使命)數據產品(http://dwtkns.com/srtm/).基于SRTM 90m 分辨率高程數據(X6),利用ArcGIS10.2中的3D 分析模塊,從該數據中提取坡度(X7)和坡向(X8)信息,生成坡度圖和坡向圖.

1.2.4 人類活動數據 人類活動數據選取年末大牲畜頭數(X9)、糧食作物播種面積(X10)、年末人口總數(X11)和GDP(X12),數據均從2000～2018 年《內蒙古統計年鑒》、《山西省統計年鑒》、《河北省統計年鑒》、《北京市統計年鑒》、《天津市統計年鑒》中提取篩選,具體到各旗、縣,在ArcGIS 中進行空間關聯并生成矢量數據.

1.3 研究方法

1.3.1 植被覆蓋度計算 像元二分模型假設每個像元的光譜信息均是純植被和純土壤2 種組分以面積比例加權而成的線性組合[19],即

式中:FVC 為植被覆蓋度;NDVIsoil為裸土或無植被覆蓋區(qū)域的 NDVI 值;NDVIveg為純植被像元的NDVI 值.理論上NDVIsoil的值應該接近0,NDVIveg代表全植被覆蓋像元的最大值,但是,由于受光照條件、時空變化、影像質量、植被類型等眾多因素影響,NDVIsoil和NDVIveg的實際值會發(fā)生變化.在運用像元二分模型估算FVC 時,通常根據經驗取置信區(qū)間內 NDVI 的最小值和最大值為 NDVIsoil和NDVIveg,本文選取累計頻率為0.5%的NDVI 值作為NDVIsoil,累計頻率99.5%的NDVI 值作為NDVIveg估算京津風沙源區(qū)的FVC.

本文采用張勇等[20]的分類標準,將FVC 分為4個等級,分別是無植被覆蓋度:0≤FVC≤0.05;低植被覆蓋度:0.05＜FVC≤0.25;中植被覆蓋度:0.25＜FVC≤0.5;高植被覆蓋度:FVC＞0.5.

1.3.2 FVC 變化趨勢分析方法 線性回歸分析法是研究植被長時序變化的重要方法[21].對于植被指標的時序數據,同一像元位置對應相應的一組時間序列,采用最小二乘法擬合得到相應的線性方程[3].本文將FVC 與時間序列做回歸分析,研究基于像元的京津風沙源區(qū)FVC 變化趨勢,其表達式如下:

1.3.3 FVC 驅動因子定量分析方法 地理探測器是探測空間分異性,以及揭示其背后驅動力的一組統計學方法.它能夠探測各因子對FVC 的貢獻率,能從龐大的空間數據庫中提取有用的空間關聯規(guī)則[22-23].地理探測器共分為4 部分:

(1)因子探測器.因子探測用于分析每個影響因子變化趨勢對FVC 空間分異的影響大小.將FVC 作為因變量,各因子作為自變量,引入研究區(qū)FVC 分異決定力指標q[24],其模型如下:

式中:q 是度量空間分異性的指標;h=1,2,···,L 為分類數目;nh和n 分別為層h 和全區(qū)的樣本單元數,和σ2分別為層h 和全區(qū)的方差.SSW 和SST 分別為層內方差之和(within sum of square)和全區(qū)總方差(total sum of squares). q 的取值范圍為[0,1],q 值越大,說明影響因子對FVC 的解釋力越強.

區(qū)域Y 值的方差計算公式如下:

生態(tài)探測器.生態(tài)探測用于比較兩因子X1 比X2對FVC 空間分布的影響是否有顯著的差異,可判斷X1 比X2 對FVC 空間分布是否具有更重要的影響力[25].因子X1 比X2 對FVC 空間分布的影響是否有顯著的差異,以F 統計量來衡量:

式中:Nx1及Nx2分別表示2個因子的樣本數量; SSWx1和SSWx2分別表示由2 個因子形成分層的層內方差之和;L1和L2分別表示變量X1 和X2 分層數目.

(3)風險探測器.風險探測用于判斷2 個因子子區(qū)域間的屬性均值是否有顯著的差別,用于搜索FVC 好的區(qū)域[26].風險探測用t 統計量來檢驗:

(4)因子交互作用探測.交互作用探測用于識別因子之間的交互作用,即評估自然因子和人類活動共同作用(增加或減弱)或者相互獨立作用對FVC 空間分布的解釋力[27](表1).

1.3.4 驅動因子離散化 由于驅動因子數據都屬于連續(xù)變量,而地理探測器模型所需的數據是離散變量,因此需要對驅動因子進行離散化處理.所謂驅動因子離散化,是指結合地理探測器模型,在某一離散化方法和分類區(qū)間下選取q 值最大的分類數[28].研究者根據經驗對連續(xù)數據離散化,具有一定的主觀性和隨機性.為了克服該缺點,本文采用標準差分級法對數據進行離散化處理,此分級方法完全根據原始數據固有的數值特征和分布規(guī)律來進行分級,不考慮人為因素對原始數據的影響,僅僅從統計的角度將數據均值作為分級的中心,使得分級結果更具客觀性[23].標準差是數據精密度的衡量指標,反映了整個樣本對樣本平均數的離散程度,也就是樣本數據的離散程度.標準差分級方法用于顯示要素屬性值與平均值之間的差異.標準差分級法是以均值為中心,以標準差的倍數為級差,分別向大于和小于均值的兩個方向進行分級的方法.ArcMap 可計算平均值的標準差,將使用與標準差成比例的等值范圍創(chuàng)建分類間隔.本文采用1 倍標準差進行分級,計算各驅動因子的決定值q.

表1 因子交互作用探測結果Table 1 The results of factors interaction

2 結果與分析

2.1 京津風沙源區(qū)FVC 變化特征

圖2 2000～2018 年植被覆蓋度變化特征Fig.2 Characteristics of vegetatin coverage change from 2000 to 2018

近20a 來,研究區(qū)內FVC 總體上呈增加趨勢,年增加趨勢為0.013/10a(圖2),表明京津風沙源治理工程的生態(tài)效應正在呈現.2000～2018年京津風沙源區(qū)不同等級FVC 狀況發(fā)生了較大變化,中植被覆蓋度區(qū)域和高植被覆蓋度區(qū)域明顯增加,增加率分別為11.88%和2.43%,說明京津風沙源區(qū)的生態(tài)工程建設促進了研究區(qū)內植被的恢復.但是從圖3 中可以看出,中植被覆蓋度所占比例最大,占研究區(qū)面積的40%以上,其次是低植被覆蓋度,占研究區(qū)面積的25%以上.因此,雖然京津風沙源區(qū)的FVC 總體呈增加的趨勢,但仍以中植被覆蓋度和低植被覆蓋度為主.表明京津風沙源治理工程仍需繼續(xù)實施,FVC 才能恢復到較高的狀態(tài).

從圖4 中可以看出,京津風沙源區(qū)FVC 整體呈上升的趨勢.FVC 增加的區(qū)域占整個京津風沙源區(qū)的73.7%,減少的區(qū)域占26.3%.其中,FVC 增加的區(qū)域主要集中在晉北山地丘陵亞區(qū)、燕山丘陵山地水源保護亞區(qū)和大興安嶺南部亞區(qū)、科爾沁沙地亞區(qū)的南部;FVC 退化的區(qū)域主要集中在農牧交錯帶亞區(qū)的中部、渾善達克沙地亞區(qū)的東北部和大興安嶺南部亞區(qū)的中北部和典型草原亞區(qū)的東南部.

圖3 不同植被覆蓋類型的FVC 變化特征Fig.3 Variation characteristics of different vegetatin cover types

圖4 2000～2018 年京津風沙源區(qū)逐像元植被覆蓋度變化趨勢Fig.4 The trend of vegetation coverage variation in BTSSR from 2000 to 2018

2.2 自然因素與人類活動對FVC 空間分布影響的定量分析

由表2 可知,各因子對植FVC 空間分布的影響程度排序為:降水(0.633)＞坡度(0.46)＞氣溫(0.3485)＞年末大牲畜頭數(0.348)＞平均相對濕度(0.3368)＞日降水量≥0.1mm 時數(0.2787)＞年末人口總數(0.2222)＞平均2min 風速(0.2214)＞GDP(0.2004)＞糧食 作 物 播 種 面 積(0.1673)＞DEM(0.1573)＞坡 向(0.0055).因此,降水是影響區(qū)域FVC 空間分布的主要驅動因子,解釋力達到63.3%,其次是坡度,解釋力為46%.人類活動中的年末大牲畜頭數對FVC 的空間分布影響較大,解釋力達到34.8%,其次是年末人口總數,解釋力為22.2%.糧食作物播種面積、高程、坡向的單個因子解釋力則較小,均低于20%.這表明京津風沙源區(qū)地處溫帶干旱半干旱區(qū),半干旱植被主要為草原,干旱區(qū)植被主要為荒漠草原和荒漠[27],這些植被類型對降水的變化較敏感,因此,水分是京津風沙源區(qū)植被生長狀況的主要限制因素.隨著社會的持續(xù)發(fā)展,人類活動對自然環(huán)境的干預程度也不斷加大,京津風沙源區(qū)自古是牧區(qū),濫牧是京津工程區(qū)土地沙化的主要成因,因此,年末大牲畜頭數成為人類活動中影響FVC 空間分布的主要驅動因子.

表2 各驅動因子的決定值qTable 2 The determining value q of the driving factors

2000 年為京津風沙源治理工程實施前,2010 年京津風沙源一期治理工程實施結束,2018 年二期工程實施中,選取3 個時間段更好地揭示不同時期各驅動因子是如何影響京津風沙源區(qū)FVC 的空間分布.本文通過進一步計算2000 年、2010 年、2018 年各因子對FVC 空間分布影響程度的q 值,分析各因子在不同時期對FVC 空間分布的影響力大小(圖5).從圖5 中可知,3 個時期中,降水是自然因子中對FVC 空間分布解釋力最大的驅動因子,其對FVC 空間分布的解釋力均超過了58%.坡度和坡向在2000年、2010 年、2018 年解釋力波動幅度不明顯,解釋力在44%～45.3%,這主要是因為地形在較短時間內不會發(fā)生變化.3 個時期氣溫對FVC 空間分布的解釋力在逐漸增大,解釋力由27.6%上升到36.9%,表明區(qū)域FVC 對氣溫的敏感性在增加.人類活動中,年末大牲畜頭數對FVC 空間分布的解釋力逐漸降低,由38.8%降到27.1%,這與該研究區(qū)實施禁牧、休牧和輪牧等政策有關.而年末人口總數、糧食作物播種面積和GDP 的解釋力變化幅度不超過8.2%,說明人類活動的影響力低于自然因子的影響力,FVC 空間分布主要受自然因子的控制.

圖5 2000 年、2010 年、2018 年因子探測結果Fig.5 The results of factor detection in 2000, 2010 and 2018

2.3 自然因素與人類活動對FVC 影響的差異性分析

表3 探測因子顯著性分析(置信水平95%)Table 3 Statistical significance of detection factors (95% confidence level)

生態(tài)探測器模塊著重比較各驅動因子對FVC空間分布影響的相對重要性是否有顯著差異,不同驅動因子對京津風沙源區(qū)FVC 影響的顯著性分析表明(表3),降水與其他因子對FVC 的空間分布均不具有顯著差異;氣溫除了與坡度對FVC 的空間分布具有顯著差異,與其他因子均無顯著差異;日降水≥0.1mm 時數與平均相對濕度、坡度、年末大牲畜頭數對FVC 的空間分布具有顯著差異;平均相對濕度只有坡度對FVC 的空間分布具有顯著差異,與其他因子均無顯著差異;平均2min 風速與坡度、年末大牲畜頭數對FVC 的空間分布具有顯著差異;高程與坡度、年末大牲畜頭數、GDP、年末人口總數對FVC 的空間分布具有顯著差異;坡度除了與降水不具有顯著差異,與其他自然因子均具有顯著差異,與人類活動均不具有顯著差異;坡向與所有自然因子對FVC 的空間分布均不具有顯著差異,與人類活動均存在顯著差異;年末大牲畜頭數與日降水≥0.1mm時數、平均2min 風速、高程、坡向對FVC 的空間分布具有顯著差異;糧食作物播種面積與坡向、年末人口總數、GDP 對FVC 的空間分布具有顯著差異;年末人口總數、GDP 與高程、坡向、糧食作物播種面積對FVC 空間分布具有顯著差異.

2.4 自然因素與人類活動對FVC 影響的適宜性分析

基于地理探測器中的風險探測器模塊,分析各影響因子對植被生長的適宜類型或范圍,并在95%置信水平上進行統計意義檢驗(表4).FVC 均值越大,各驅動因子的特征更適合植被生長,不同驅動因子的FVC 均值差異明顯.隨年平均降水量、年平均氣溫、坡度和年末人口總數的增加,研究區(qū)內FVC 均值增高,分別在467.8～527.9mm、7.9～10.4℃、20～66°以及794785～2813722 人分區(qū)時,FVC 達到最大值0.532、0.462、0.537 和0.509;FVC 均值隨平均2min風速、平均相對濕度、坡向和日降水≥0.1mm 時數呈先逐漸增高、后快速降低的趨勢和波動變化,分別在2.07～2.43m/s、50.8%～57.6%、12.95～120.18°以及65～76d 分區(qū)時,FVC 達到最大值,分別為0.371、0.357、0.307 和0.338.因此,植被對不同的氣候因子具有不同的適應范圍,適宜的自然因子范圍,對植被生長具有至關重要的影響.隨高程的升高,FVC 均值呈先下降后升高的變化趨勢,在1892.5～2789m 高度,FVC 均值達到最高值0.466,表明這一地形因子范圍,促進了植被生長.研究表明,植被變化受海拔高程、坡度和坡向變化的影響可由微地形因子決定的不同氣候來解釋,不同地形因子與年降水量和年平均氣溫變量相關;同時植被生長所需營養(yǎng)隨海拔升高和溫度下降影響而降低,坡度和坡向影響了其他作為生態(tài)環(huán)境關鍵因素的數量.

表4 各驅動因子的適宜限制(置信水平95%)Table 4 The suitable limits of the driving factors (95%confidence level)

2.5 自然因素與人類活動對FVC 影響的耦合作用研究

交互探測器主要通過識別不同影響因子對FVC 空間變化的交互作用,分析是否會增加或減弱對因變量FVC 空間分布的解釋力,或這些因子對FVC 的影響是否是相互獨立的.由表5 可知,絕大部分自然因素和人類活動因子間交互作用的q 值都大于任何因子單獨作用的q 值,表明影響因子的兩兩交互作用均會增加對FVC 空間分布的解釋力.研究發(fā)現(表6),自然因素和人類活動間的交互作用主要以雙協同作用和非線性協同作用為主,不存在相互獨立起作用的因子.交互作用解釋力較強的為降水量、坡度與其他驅動因子的協同作用,以雙協同作用為主.由表6 可知,降水與其余因子的交互作用最強,且均為雙協同作用,解釋力在63%以上,如X1∩X2=0.659,X1∩X3=0.676,X1∩X10=0.670;其次是坡度與其余因子的交互作用,解釋力在 50%以上,如X3∩X7=0.598,X4∩X7=0.632,X5∩X7=0.558.從表6 中可以發(fā)現,人類活動的單因子解釋力較低,但是與自然因素的交互作用解釋力較強,均大于單因子的解釋力,交互作用呈現雙協同作用和非線性協同作用,因此,自然因素和人類活動對FVC 空間分布的影響既不是單方面起作用,也不是二者的簡單疊加,而是相互增強或非線性增強效應.

表5 各驅動因子的交互作用探測結果Table 5 The results of Interaction detection of driving factors

表6 各驅動因子之間的交互作用Table 6 The interaction of driving factors

3 討論

本文的目的是使用地理探測器模型探究氣候因素、地形因素以及人類活動對FVC 空間分布的影響.眾多學者雖然對于京津風沙源區(qū)植被變化及其驅動因素進行了大量研究,在考慮影響因子時,主要以氣溫和降水為主,且關于地形對FVC 空間分布的間接影響和人類活動對FVC 影響的研究較少.鑒于此,本文在選取部分自然因素后,加入了地形因子數據以及部分人類活動數據,以便更好地分析影響FVC 空間分布的主導因子.研究發(fā)現,自然因素中,降水是影響京津風沙源區(qū)FVC 空間分布的主要驅動因子,這和裴亮等[29]、嚴恩萍等[15]關于京津風沙源區(qū)植被變化的研究結果一致.人類活動影響因子中,年末大牲畜頭數是影響FVC 空間分布的主要驅動因子,馬梅等[30]研究認為干旱區(qū)半干旱區(qū)的草地退化, FVC 降低,是由超載過牧引起的;王薩仁娜等[31]對內蒙古荒漠草原FVC 的研究結果發(fā)現隨著載畜率的增加,草原FVC 顯著降低,不同的載畜范圍對草原FVC 的影響程度不同[34]且對人類活動的變化較為敏感.本研究得出與此相似的結論.

在數據選取方面,由于數據的限制和區(qū)域尺度的制約,本文未能定量分析生態(tài)工程措施等對FVC空間分布的影響,此外,京津風沙源區(qū)各個亞區(qū)所實施的生態(tài)治理措施不同以及植被類型有所差異,若進一步探討影響FVC 空間分布的驅動因素,需要針對各個亞區(qū)不同工程治理措施以及植被類型進行具體研究.因此,在今后的研究工作中如何更精準地定量研究各驅動因子對FVC 的影響,尤其是人類活動中生態(tài)工程措施的作用,仍然是之后相關研究需要考慮并明確分析的內容.

國內外學者借助不同方法對植被變化及驅動力分析進行了大量研究,相關分析法、殘差分析法是較常用的研究方法,李慶旭等[32]采用相關分析法探討了京津風沙源區(qū)植被覆蓋變化與降水因素的關系,于璐等[16]使用殘差分析法分離出人類活動對植被變化的影響.相關分析法對相關性的空間異質性挖掘不足,殘差分析法未能將人類活動的影響進行量化[33].而地理探測器作為一種分析驅動因子的新統計學方法,不僅能探測驅動因子的解釋力并將其量化,還能分析驅動因子的交互作用[34].研究結果表明,自然因子是影響FVC 空間分布的主導因子,但自然因子和人類活動的交互作用下,對FVC 空間分布的解釋力大于單因子的解釋力,如降水對FVC 空間分布的解釋力為63.3%,但與其他因子的交互作用解釋力均大于63.3%.

地理探測器雖有獨特優(yōu)勢,但是連續(xù)因子的離散化無明確標準,致使其分類結果直接影響著模型運算結果,該方法在分析FVC 影響因素時會受尺度效應和分層效應的影響[35].對于尺度效應,目前本文的區(qū)域是京津風沙源區(qū),在更大范圍或者在京津風沙源不同亞區(qū)的自然地理特征分層時可能會導致研究結果的不確定性.針對分層效應,離散化連續(xù)變量的方法有很多,常用的分類方法有自然斷點分級法、相等間隔法、標準差分級法等.研究中發(fā)現,不同的分類方法對探測結果具有一定的影響[35].本文選用了標準差分級法分析,避免了人為分類的主觀性.但是,分類方法和分類數量對研究結果的影響規(guī)律仍需要進一步做研究.

4 結論

4.1 2000～2018 年京津風沙源區(qū)FVC 整體呈現上升趨勢,增加的區(qū)域占整個研究區(qū)的73.7%,主要集中在晉北山地丘陵亞區(qū)、燕山丘陵山地水源保護亞區(qū)和大興安嶺南部亞區(qū)、科爾沁沙地亞區(qū)的南部;植被覆蓋度下降的區(qū)域占到26.3%,主要集中在農牧交錯帶亞區(qū)的中部、渾善達克沙地亞區(qū)的東北部和大興安嶺南部亞區(qū)的中北部.

4.2 2000～2018 年各驅動因子對植被覆蓋度的解釋力排序為:降水＞坡度＞氣溫＞年末大牲畜頭數＞平均相對濕度＞日降水量≥0.1mm 時數＞年末人口總數＞平均2min 風速＞GDP＞糧食作物播種面積＞DEM＞坡向.其中,降水是自然因素中影響植被覆蓋度空間分布的主要因子,解釋力在63%以上,其次是坡度的影響,其解釋力超過了45%;年末大牲畜頭數是人類活動中影響植被覆蓋度空間分布的主要驅動因子,解釋力達到34.8%.

4.3 各個驅動力因子間交互作用以雙協同作用和非線性協同作用為主.降水與其余因子的交互作用解釋力均在63%以上;除坡向外,人類活動各驅動因子與自然因子均增強了對研究區(qū)FVC 空間分布的影響程度,解釋力均在30%以上.