基于TVDI的黄土高原干旱时空变化与其影响因素

王 椰 史海静 姜艳敏 吴友福 高 原 丁成琴

(1.中国科学院水利部水土保持研究所, 陕西杨凌 712100; 2.中国科学院大学, 北京 100049;3.西北农林科技大学水土保持研究所, 陕西杨凌 712100;4.中国科学院教育部水土保持与生态环境研究中心, 陕西杨凌 712100)

0 引言

干旱是人类面临的主要自然灾害之一,干旱的发生会对粮食安全、经济发展等产生严重威胁[1]。在全球变暖以及人类活动加剧的背景下,干旱等极端气候频繁发生[2],并在世界范围内产生巨大影响,全球因干旱而造成的经济损失超过千亿[3]。因此,实时高效干旱监测以及预测干旱变化受到世界广泛关注[4]。

以往对干旱的监测,多基于气象站点或人工测熵的方式来获取点尺度土壤水分数据[5-6],并以此来表征研究区干旱发生的时空分布及变化趋势,这些方式虽然能以较高精度表示出气象站点附近的土壤湿度,但精度受限于土壤湿度监测点密度,也会消耗大量人力物力[7],难以进行大范围的干旱监测[8]。近年来,随着遥感技术的不断发展,实时连续的遥感影像获取以及地表过能量及特征参数的提取,使得大尺度多时相的干旱动态监测成为可能[9-10]。SANDHOLT等[11]利用地表温度(LST)和归一化植被指数(NDVI)构建了Ts-NDVI特征空间,并由此得出温度植被干旱指数(TVDI),该模型与表层土壤湿度具有较高的相关性[12],且模型构建简单,在遥感干旱研究中应用广泛[13]。李正国等[14]基于MODIS数据估算TVDI来表征黄土高原地区干旱状况,证明了该指标对土壤以及植物水分含量具有指示意义。LIANG等[15]利用MODIS数据为基础得到TVDI,得出2001—2010年间我国干旱时空分布状况,并分析其与气候因子间的关系。刘立文等[16]在对吉林省的干旱监测研究中证明了TVDI可以很好地对当地旱情进行监测,并发现在不同时期采用特定的植被指数的TVDI模型,经过地形校正后能够更准确地反映干旱状况。以上表明,基于多源遥感数据的TVDI是农业旱情监测与评价可靠且有效的指标之一。

黄土高原是我国四大高原之一,地形复杂,处于干旱半干旱气候区,降水的季节性变化明显,生态环境脆弱,植被恢复较慢,易受干旱影响[17]。目前黄土高原基于TVDI的干旱研究以短时期为主[14,17],而对于黄土高原长时间序列的干旱监测研究中,多针对降水、气温等气象因素对干旱的影响[15,18-20]进行讨论,较少考虑地形地貌或是人类活动因素对干旱发生及分布的影响力,且在TVDI的计算中多以NDVI为植被参数,在高植被覆盖度的区域可能会出现敏感性下降的问题。

本文利用GEE平台获取黄土高原2001—2020年间MODIS EVI和MODIS LST数据产品,并根据DEM对LST数据进行校正,构建EVI-Ts特征空间,计算得到校正后的温度植被干旱指数TVDI,并利用一元线性回归趋势分析法、地理探测器模型等方式对TVDI 值进行分析,以此对黄土高原2001—2020年间TVDI的时空变化特征进行探讨并揭示其干旱发生的驱动因子,明晰TVDI对黄土高原气候、地形因子以及人类活动状况的响应机制,以期为黄土高原地区的生态预警和旱灾防控提供科学依据。

1 数据与方法

1.1 研究区概况

黄土高原地处黄河流域中部(33°43′～41°16′N, 100°54′～114°33′E),地势西高东低,海拔800～3 000 m,起伏较大,涉及山西、宁夏、陕西、甘肃、内蒙古、青海、河南7个省(区),总面积约6.2×105km2(图1a)。黄土高原植被覆盖状况总体上呈东南高西北低的趋势,2010年的耕地、林地、草地、水域、建筑用地、裸地分别占研究区总面积的32.4%、15.2%、41.5%、1.4%、2.6%、6.9%(图1b)。黄土高原属于半干旱与半湿润气候区,年均温空间差异较大(图1c),夏季炎热多暴雨,冬季寒冷干燥,受夏季风影响,黄土高原全年降水较为集中,6—9月降水占全年降水的60%以上。降水的年际变化大,年降雨量为150～800 mm,且由西北向东南递增(图1d)。植被随着降雨量递增,逐步由草原向森林过渡。黄土高原蒸发量普遍高于实际降水量,为1 400～2 000 mm,由东南向西北递增,整体较为干燥[20],且近年来大规模的人工林的栽种使得黄土高原土壤水分流失严重,加剧了该地区的干旱状况[21]。

图1 黄土高原概况

1.2 数据源与预处理

1.2.1EVI和LST数据

研究使用的2001—2020年的EVI数据来源于Google Earth Engine(GEE)平台MODIS/006/MOD13Q1数据产品,该数据产品存储于GEE平台内,且已经过大气校正,时间分辨率16 d,空间分辨率250 m,共456期影像,将其重采样至1 km。

所使用的2001—2020年的LST数据源于GEE平台MODIS/006/MOD11A1数据产品,时间分辨率8 d,空间分辨率1 km,共913期影像,对图像进行拼接、裁剪等预处理工作。以上过程均于GEE平台完成。

EVI与LST数据有质量控制文件(QC),可以指示研究区内不同区域在不同时间内数据的质量状况及其可靠性。对两种数据产品的质量控制文件(QC)的统计发现,2001—2020年黄土高原地区的EVI与LST数据达到中、高等级的像元大多在95%以上,表明EVI与LST数据产品质量整体较好,数据产品可靠性较高。为进一步去除异常值的影响,本研究将未通过质量控制及数值异常的像元删除,并通过最大值合成法将LST与EVI数据转换为逐月数据。

黄土高原地势较高,大多数地区海拔为800～3 000 m,自东向西,地形起伏明显,太阳辐射受高程影响显著,为消除地形的影响,需采用数字高程模型(Digital elevation model,DEM)数据对LST数据进行修正[22-23],修正方法为

Ts2=Ts1+cH

(1)

式中Ts2——经DEM数据校正后的地表温度

Ts1——原始MODIS地表温度

H——高程

c——修正系数,取0.006

1.2.2DEM数据

研究所采用的DEM 数据源于GEE平台的NASA NASADEM Digital Elevation 30 m(NASA/NASADEM_HGT/001)数据产品,空间分辨率为30 m,在GEE平台提取该DEM数据的坡度和坡向信息,最后对高程、坡度和坡向进行拼接、裁剪等预处理后,将其空间分辨率重采样为1 km,用于地理探测器驱动因子分析及校正LST数据以计算TVDI值。

1.2.3气象数据

黄土高原2001—2020年月温度和月总降水量产品源自国家地球系统科学数据中心黄土高原分中心(http:∥www.loess.geodata.cn/),该数据集涵盖了中国的主要陆地地区,空间分辨率为0.008 333 3°(约1 km)。该数据产品是据CRU发布的全球0.5°气候数据以及WorldClim发布的全球高分辨率气候数据,通过Delta空间降尺度方案在中国地区降尺度生成。获取气象数据后,在ArcMap10.8中将文件由nc格式经转换、裁剪等预处理得到TIFF格式的2001—2020年黄土高原月均气温和月总降水量的栅格数据。并对数据进行重采样,使得其与LST和EVI数据具有相同的分辨率,用以研究气候因子对TVDI的影响状况等后续工作。

1.2.4土壤数据

土壤湿度数据源自科学数据银行(Science Data Bank),该数据集将中国1 471个土壤湿度站点的土壤湿度进行筛选,过滤掉低质量站点以保证站点数据的可用性和连续性,并根据站点土壤特征参数将相对含水率转换为体积含水率,最后,将站点的旬值数据取平均得到月值数据。过滤后该数据集保留732个站点的5个土层(10、20、50、70、100 cm)的土壤湿度数据[24],其中,黄土高原内共有157个站点。

1.2.5资源数据

土地利用数据为1 km分辨率的栅格数据,包括25个土地利用类型; 经济数据为1 km网格的中国人口空间分布公里网格数据集;植被类型、土壤类型数据分别根据《1∶1 000 000中国植被图集》以及《1∶100万中华人民共和国土壤图》数字化生成,以上数据均来源于中国科学院资源环境科学数据中心(http:∥www.resdc.cn/)。其中,土地利用类型数据依据黄土高原地区实际情况以及研究精度要求对原始数据进行重分类,将研究区土地利用类型分为耕地、林地、草地、水域、建筑用地和未利用土地6类,空间分辨率为1 km。人口数据来自LandScan人口密度数据集(https:∥landscan.ornl.gov/),该数据集空间分辨率1 km,为逐年更新,单位是人/km2。本研究使用的日光诱导叶绿素荧光数据(SIF)为GOSIF数据集(https:∥globalecology.unh.edu/),该数据集根据OCO-2离散的SIF数据与MODIS数据和气象数据再分析得到,空间分辨率为0.05°(约5.4 km)。

2 研究方法

2.1 温度植被指数TVDI计算

研究表明,地表温度(LST)和植被指数(VI)都可以表示地表和植被的干湿状况,从而实现干旱监测[25]。当土壤含水率高,植物生长旺盛,蒸腾作用可使地温降低。相应地,当土壤含水率低,植物生长受限,蒸腾作用不强,会使地表温度上升。土壤湿度与地表温度、植被生长状况之间存在一定相关性。SANDHOLT等[11]利用地表温度(LST)和归一化植被指数(NDVI)构建了Ts-NDVI特征空间,并由此提出一种经过简化的温度植被干旱指数(TVDI),TVDI与土壤水分状况直接相关,能够表征植物受水分胁迫程度[13]。TVDI理论值在0～1之间,TVDI值越高表征区域旱情越严重,反之则该地越湿润。TVDI计算公式为

(2)

其中

(3)

式中Tmin——某一植被指数下,最低地表温度,构成特征空间中的“湿边”

Tmax——某一植被指数下,最高地表温度,并构成特征空间中的“干边”

amax、bmax——干边线性拟合方程参数

amin、bmin——湿边线性拟合方程参数

本研究中,将增强植被指数(EVI)作为计算TVDI的植被参数,相较于常用的NDVI[11,26-27],利用EVI合成的TVDI与实测土壤湿度的相关性更高[28-29],原因是EVI中加入蓝波段增加了植物特征信号,减小了土壤背景及气溶胶散射影响,能够克服NDVI受土壤背景影响大,在高植被覆盖区灵敏度下降等缺点[30]。

在EVI为[0.05,0.8]时,以0.01为步长,计算每个EVI范围中最大和最小地表温度,得出20年间240个月的Ts-EVI特征空间,并采用最小二乘法对240期特征空间的干湿边进行线性拟合,计算得到每期的干湿边拟合方程及其相关系数。然后通过式(2),得到对应像元的TVDI值。

2.2 时间趋势分析法

统计黄土高原20年间逐年的TVDI平均值,采用Theil-Sen Median趋势分析法对TVDI年均值趋势变化进行分析,并采用Mann-Kendall非参数检验法对得出的变化趋势进行显著性分析。

Theil-Sen Median趋势分析法是一种非参数统计的趋势计算方法,Sen趋势分析法对数据的分布没有要求,且对数据异常值具有一定的抵抗能力,该方法已逐渐应用在遥感时序数据的分析中[31-32]。Sen斜率计算公式为

(4)

式中β——TVDI的年变化值

i、j——年份

TVDIi、TVDIj——第i、j年对应的TVDI值

由于Sen斜率无法反映TVDI变化的显著程度,故采用Mann-Kendall 非参数检验方法对Sen斜率进行显著性检验,其计算公式为

(5)

(6)

(7)

(8)

式中Zc——M-K检验的标准化统计量

M——M-K检验统计量

n——研究中时间序列总长度,取20

式(5)中Zc作为M-K检验的标准化统计量,服从标准正态分布,在一定的显著性水平α下,若|Zc|≥Z1-α/2,则可认定为变化趋势显著,反之,则不显著。当|Zc|大于1.96和2.58时,则可认为趋势通过95%和99%的显著性检验,具体的干旱变化趋势及显著性划分见表1。

表1 黄土高原旱情变化趋势划分

2.3 地理探测器模型

地理探测器[33]是以空间相关性为基础,通过探测各因子的空间异质性来解释其背后驱动因素的一组统计方法。本研究将TVDI值作为因变量,将温度、降雨量、高程、坡度、坡向、GDP、人口密度、土地利用方式、土壤类型、植被类型以及植物光合指标11个因子作为自变量,通过地理探测器模型进行计算。应用地理探测器的因子探测模块与交互作用探测器模块,计算黄土高原地区TVDI的驱动因子q及其不同因子两两交互作用对TVDI的影响。其中,q的表达式为

(9)

式中q——各因子对TVDI的解释能力强度

h——自变量因子的分层数

Nh、N——层为h的单元数和研究区全部单元数

交互探测器模块则对不同影响因子交互作用对TVDI的影响进行探测,从而判断出不同因子共同作用时对TVDI的影响情况,判断方式见表2。本研究采用自然断点法将温度、降雨量、高程、坡度、坡向、GDP、人口密度以及植物光合指标分为10类,将土地利用类型分为6类,植被类型与土壤类型分为10类和15类,将黄土高原划分为5 km×5 km的网格,将25 248个网格中心作为采样点进行采样,提取采样点各个因子的属性值用于地理探测器的计算。

表2 温度植被干旱指数影响因子交互作用类型

2.4 干旱等级划分

本研究参照文献[14,28,34]利用TVDI模型对研究区的旱情等级划分的方法,得出适合于干旱半干旱地区的干旱分类标准(表2)。通过式(2)～(4)得到黄土高原地区20年间TVDI均值后,根据表3对研究区干旱程度进行划分。

表3 TVDI干旱等级划分标准

3 结果与分析

3.1 干旱监测指标可信性评价

由TVDI的物理意义可知,TVDI的数值与土壤湿度呈负相关关系,且已有大量研究证明了这一关系[11,26,35-36],而国家气象局又将深度20 cm的土壤含水率作为旱情分级标准[37],因此国内研究多以20 cm的土壤含水率来验证TVDI作为干旱监测指标的可靠性[27,38]。本文选用深度20 cm的土壤含水率对TVDI监测结果进行可信度评价。由于该土壤湿度数据集存在部分缺失,且逐月验证数据量大,现选用2012年7月与2013年7月的土壤湿度数据对TVDI进行验证,结果如图2所示。由图2可以看出,TVDI与深度20 cm的土壤含水率具有负相关关系,经分析可知,2012、2013年TVDI值与土壤含水率的皮尔逊相关系数分别达到-0.503和-0.536,且均通过p<0.01的显著性检验,这说明两者具有良好的相关性。总体来看,TVDI与土壤含水率线性关系较强,且具有显著的负相关性,因此,基于MODIS的EVI和LST数据计算得到的TVDI用于干旱监测具有较高可信度。

图2 2012、2013年7月土壤含水率与温度植被干旱指数关系

3.2 Ts-EVI特征空间的构建及干湿边方程拟合

表4为2020年各月干湿边拟合结果,结果表明,干边斜率均小于零且R2的平均值达到0.82,这说明干边拟合效果较好,且随着EVI的增大,地表温度呈减小趋势,两者具有强负相关关系。而湿边方程斜率除7月外都大于零,说明多数情况下,随着EVI的升高地表最低温度呈上升趋势。而湿边方程斜率绝对值以及R2均小于干边,说明干边拟合的地表最高温度比湿边拟合的地表最低温度对EVI变化更为敏感,且干边整体的拟合效果好于湿边。

表4 2020年内各月Ts-EVI特征空间干湿边拟合方程

3.3 黄土高原TVDI空间分布及年际变化情况

3.3.1干旱空间分布特征

由图3可知,多年以来,黄土高原土壤干湿状况存在明显的空间分异,以区域性干旱为主,旱情呈现出自西向东逐渐缓解的状况。总体上,黄土高原近20年来呈现出干旱化趋势,且西部发生干旱的频率和范围要远高于东部。从黄土高原TVDI的多年均值来看,黄土高原多年平均TVDI值为0.522,达到轻度干旱级别。而轻度干旱也是黄土高原地区的主要干旱类型,其主要分布在宁夏、甘肃、内蒙古和陕西部分地区,这与庞素菲等[35]和程伟等[36]结论一致,该地区约占黄土高原总面积的38.5%,土地利用类型多为耕地、草地以及荒漠;中旱、重旱区域分别占黄土高原面积的4.1%和1.1%,多集中于黄土高原西南部的青海部分地区以及甘肃西北部,该地区海拔较高,降雨量少,土壤涵养水分能力较弱,土地利用类型多为疏林地、草地或是荒漠;而湿润和正常区域多分布于黄土高原东部的山西、河南、陕西大部、内蒙古东部等地区,该地区水资源丰富,植被覆盖度相对较高,土地利用类型以耕地和林地为主,分别占黄土高原面积的11.5%和44.7%。

图3 2001—2020年间黄土高原干旱等级空间分布

3.3.2干旱的年际变化趋势

按照式(4)计算黄土高原2001—2020年间逐年平均TVDI的Sen趋势值β,并结合式(5)～(9)进行Mann-Kendall趋势显著性检验,将TVDI变化趋势图与TVDI变化显著性空间分布进行叠加分析,并根据表1将黄土高原干旱变化趋势分为极显著缓解、显著缓解、轻微缓解、基本稳定、轻微加重、显著加重、极显著加重7种类型,得出2001—2020年黄土高原干旱变化趋势类型空间分布(图4a)。从图4a可以看出,黄土高原不同地区干旱变化趋势差异明显,经统计发现,2001—2020年黄土高原大部分区域的干旱情况呈稳定或是轻微变化状态,约占黄土高原总面积的70%,而其他区域中,呈显著缓解(P<0.05)的区域约为8%,多集中于宁夏南部和甘肃北部以及陕西中部部分地区,而干旱呈显著增加(P<0.05)的区域约为22.4%,多集中在内蒙古与宁夏北部区域。

图4 2001—2020年黄土高原干旱变化趋势类型及Sen变化趋势

由图4b可知,2001—2020年黄土高原TVDI年际变化的空间分布具有较强的地域分异性,TVDI年际变化速率的分布区间为[-0.03,0.02](图4b)。超过64%的区域Sen斜率大于零,这说明黄土高原大部分区域处于干旱加重状态。毛乌素沙地、内蒙古的库布齐沙漠、宁夏北部以及山西部分地区旱情大多呈加剧趋势,其中,黄土高原北部的内蒙古以及宁夏北部地区旱情增加趋势最为严重,山西、青海部分地区也有轻微增加的趋势,这与文献[35,39-40]的研究结果一致,该地区土地利用类型多为耕地和荒漠。而旱情缓解区域也较为集中,宁夏南部和甘肃北部旱情明显缓解,陕西中部、青海部分地区的旱情也有减少趋势,这与文献[41-43]的结论一致,该地区的土地利用类型则以森林以及草地为主。

为直观反映黄土高原地区干旱变化情况,对黄土高原2001—2020年间TVDI年均值和各干旱等级面积占比进行统计(图5),不难发现,黄土高原多年平均TVDI值约为0.522,峰值出现在2005年(0.542),低值出现在2003年(0.478),整体呈波动升高趋势,增速为0.018/(10 a)。黄土高原在20年间发生着以轻旱为主的干旱,其面积在32.3%～47.2%之间,最大值出现在2005年(47.2%),在20年间有下降趋势;而中旱发生面积在20年间均未超过10%,多年均值为5.1%,近20年整体呈上升趋势;重旱发生面积最小,仅占研究区面积的0.7%～2.1%,除2001年重旱区域占研究区面积最大,达到2.1%,其余各年均未超过2%;正常区域所占面积最大,多年占比在36.8%～46.2%之间,多年均值为41.7%,在20年间变化不大;湿润区域占比在6.4%～20.8%之间,其变化幅度较大,多年间整体呈下降趋势。黄土高原地区的旱灾十分常见,平均每年都有47%的区域发生不同程度的干旱,2001年、2005年和2016年的旱灾较为严重,发生旱情面积均超过50%。

图5 黄土高原2001—2020年各干旱等级面积占比及TVDI年际变化

3.4 不同土地利用类型TVDI变化特征

3.4.1年际变化

由图6可知,各土地利用类型的年均值TVDI变化趋势基本一致,均呈不同程度上升的趋势。但不同土地利用类型年均TVDI差异明显,从大到小依次为:未利用地(0.571)、草地(0.554)、耕地(0.503)、林地(0.473)、建筑用地(0.462)。其中,未利用地的TVDI值最高,在20年间介于0.51～0.62之间,最低值出现在2003年,最高值出现在2012年,除2003年处于正常状态外,其余各年均处于不同程度的干旱状态,且TVDI升高速度最快,达到0.003 3/a。而建筑用地TVDI值最低,介于0.43～0.49之间,20年间未出现干旱情况,最低最高值分别出现在2003年和2005年,其TVDI升高速度也较慢,为0.001 6/a。草地的TVDI均值在0.51～0.58之间波动,TVDI增长速度均仅次于未利用地,达到0.001 9/a。耕地TVDI处于0.47～0.54,在正常状态与轻度干旱(2001年、2005年、2016—2020年)之间波动变化。林地TVDI均值介于0.45～0.49之间,TVDI值较为稳定,20年间无显著变化,所有年份均为正常状态。总体而言,黄土高原地区干旱等级较高,且除林地干旱变化趋势稳定外,其他各土地利用类型均呈旱情加重趋势。

图6 2001—2020年黄土高原各土地利用类型TVDI变化

为进一步分析回归方程的拟合精度及其变化显著性,对5个回归方程求算R2并进行趋势变化的显著性检验(表5)。从变化显著性来看,耕地、草地、建筑用地、未利用地的回归方程均通过0.05的显著性检验,且TVDI值均呈不同幅度的上升趋势;只有林地未通过显著性检验,但其TVDI值也有小幅增长。

表5 不同土地利用类型TVDI一元线性回归特征及干旱变化趋势

3.4.2年内变化

黄土高原不同土地利用类型的多年月均TVDI值变化趋势基本一致(图7),都呈先升高再降低的“单峰”特征,其TVDI值变化具有明显的季节特征。在1—4月随着气温升高植被逐渐生长,蒸散量增大,而降水又偏少,导致土壤含水率降低,故各土地利用类型的TVDI均呈上升趋势;4—5月温度进一步升高,TVDI值达到顶峰,各土地利用类型的TVDI值均超过0.52,达到轻旱水平。在6—8月,黄土高原降水开始增多,TVDI逐渐下降,除未利用地外,其他土地利用类型的TVDI值均到达低谷;8—10月,植被生长旺盛,水分蒸发强烈,且降水开始逐渐减少,故除一些裸土、沙地外,黄土高原TVDI又开始缓慢升高;直至10月后,随着植被停止生长以及温度降低,TVDI又逐渐降低。

图7 各土地利用类型TVDI年内(20年均值)变化情况

未利用地和草地在3—9月均处于不同程度的干旱状态,其原因主要是两种土地利用类型的植被覆盖度都较小,土壤水分的保持能力都较弱,在气温较高时容易产生干旱现象。而林地以及建筑用地TVDI均较小,主要是二者地表覆盖程度均较高,对土壤水分有较好的保持作用。整体上,黄土高原TVDI的年内变化规律与其旱情发展规律相符合。这一结论表明,根据TVDI变化情况研究黄土高原旱情发展规律是可靠的。

3.5 黄土高原TVDI变化驱动因子分析

3.5.1探测因子影响力分析及其时间变化

利用地理探测器,通过式(9)分别计算黄土高原地区2001年、2010年、2020年以及20年平均值中11个探测因子对TVDI空间分布的影响(表6)。从20年平均值来看,高程、土壤类型、植被类型3个因子的q最大,分别达到0.491、0.337、0.301,这说明高程、土壤类型、植被类型3个因子是影响黄土高原TVDI分布的主导因子,区域的海拔、生长的植物种类以及下垫面的土壤种类在很大程度上影响干旱的发生;温度、降水、SIF、土地利用方式的q分别为0.283、0.186、0.174、0.107,均超过0.1,这说明以上4个因子对黄土高原TVDI变化有一定影响力;而人口密度、GDP、坡度、坡向4个因子的q均小于0.08,对黄土高原TVDI变化影响较小。

表6 各驱动因子对黄土高原TVDI空间分布的q

由2001—2020年间探测出的q可知,高程、土壤类型、植被类型3个因子为影响黄土高原TVDI分布的主导因素,其影响力略高于其他因子。但不同因子的q在时间维度上发生着不同程度的变化,其中,表示植物光合作用的指标SIF的影响力从2001年的0.098达到2020年的0.256,降水量从2001年的0.023上升为2020年的0.27;而高程因子对黄土高原TVDI分布的影响力在减弱,从2001年的0.525降为2020年的0.392。产生这种变化的原因可能是由于黄土高原地处干旱半干旱地区,干旱的发生受温度、降水量等气候要素影响,气候暖湿化有利于植物生长发育并缓解区域干旱状况,且随着黄土高原地区退耕还林还草政策的实施,黄土高原的生态系统趋于稳定,对于干旱的抵抗性增强,海拔对TVDI的影响力减弱,而随着植被的恢复,表征植物光合作用的SIF因子对TVDI的影响力逐渐增大。

3.5.2因子交互作用分析

为探究2000—2020年多因子交互作用对黄土高原干旱的影响,利用地理探测器的交互探测模块分析各驱动因子间两两交互情况及其对TVDI空间分布的解释力(图8)。根据图8可知, 11个因子中,任意两个因子的交互作用对TVDI的影响均大于单个因子的独立作用,即非线性增强或双因子增强,不存在相互独立作用的因子。各因子间交互作用对TVDI解释力最大的是高程与SIF,它们的双因子交互q为0.709,高程与土壤类型的交互作用次之,达到0.671。解释力最弱的是坡度与坡向的交互作用,q仅为0.021 7,坡度和坡向本身对TVDI的解释力就较弱,这从一定程度上说明,坡度和坡向因子在大尺度下对干旱发生解释力不足。

图8 2001—2020年TVDI驱动因子交互作用探测

4 结论

(1)2001—2020年间黄土高原TVDI平均值为0.522,土壤干湿状况存在明显的空间分异,总体上呈现从西向东方向旱情逐渐增加的趋势,20年间黄土高原发生着不同程度的干旱,且以轻旱为主,其面积在24.7%～51.6%之间,而轻度以上干旱发生的面积比例较少,在20年间均未超过10%,多年均值为5.4%。

(2)2001—2020年间,黄土高原年TVDI变化速率分布区间为[-0.03,0.02],超过64%的区域Sen斜率大于零,黄土高原整体处于变干趋势。黄土高原区域的TVDI变化存在明显的地域分异规律,黄土高原西北部的内蒙古、宁夏北部以及山西部分地区旱情大多呈加剧趋势,而旱情缓解区域较为集中,多分布于陕西中部、宁夏南部和甘肃北部。

(3)各土地利用类型TVDI年内变化趋势基本一致,都呈现先升高再降低的“单峰”季节特征。各土地利用类型的TVDI年际变化均呈不同程度上升的趋势。各土地利用类型年均TVDI差异明显,从大到小依次为:未利用地(0.571)、草地(0.554)、耕地(0.503)、林地(0.473)、建筑用地(0.462)。

(4)黄土高原地区TVDI的空间分异受多种因素共同影响,从单因子探测结果来看,高程、土壤类型、植被类型3个因子的q均超过0.3,是黄土高原干旱形成的主要驱动因素,但随着时间的变化,高程因子的影响力在不断减弱,而降水量与SIF的影响力逐渐增强。在多因子交互作用下,高程与SIF组合对黄土高原干旱的影响力最强,q达到0.709。