天山北坡经济带植被覆盖度动态变化研究

郝鑫怡,张 喆,2,3*,郑 浩,高宁真 (.新疆大学地理与遥感科学学院,新疆 乌鲁木齐 830046；2.新疆绿洲生态自治区重点实验室,新疆 乌鲁木齐 830046；3.智慧城市与环境建模自治区普通高校重点实验室,新疆 乌鲁木齐 830046)

植被作为陆地生态系统的重要组成部分,起到联结土壤、大气和水分的自然“纽带”作用[1-2].同时,对于干旱半干旱地区,植被防风固沙、维持水土平衡、保护生态稳定等作用,对当地的可持续发展具有重要的生态学意义[3-6].植被覆盖度(FVC)是反映地表植被群落生长态势的重要指标和描述生态系统的重要基础数据[7-8],动态监测干旱半干旱区FVC 时空变化及驱动机制,对当地生态环境建设及可持续发展战略制定具有重要的理论指导意义及现实意义[5,9].

目前,像元二分法是利用归一化植被指数(NDVI)对FVC 进行提取的一种遥感估算模型,其凭借着构建简易且具有物理意义的优势而得到广泛应用[9-11].众多学者使用NDVI 数据基于像元二分法开展FVC 时空变化及影响因子探究等方面工作.常梦迪等[12]采用像元二分、线性光谱混合和自适应反射率时空融合三种模型对天山北坡中段山区FVC时空变化进行研究.Fensholt 等[13]归纳了1981～2007年全球半干旱地区FVC 的变化,并进行驱动因素分析.李红梅等[14]采用趋势分析、斜率回归分析等方法对天山北坡近30a 的FVC 时空变化情况进行研究.李雪银等[15]通过Theil-Sen Median和Mann-Kendall等方法分析了黄河流域1982～2021 年FVC 空间格局、月际和年际变化规律.上述研究分析了不同区域FVC 时空变化特征及其驱动机制,但多以线性相关分析法为主,主要考虑降水和气温等气候因素,忽略了人文因素、地形因素等对FVC 的影响,无法定量研究各影响因子的作用[16-17].地理探测器是一种空间数据探索分析模型,能够探测及定量分析地理要素的空间分异性,并揭示各个因子间的交互作用,已被广泛应用于地学、医学、农业、生物多样性保护等领域[18-20].由于该模型能够更为全面揭示和量化各个影响因子对FVC 的影响,逐渐在FVC 变化特征的分析研究中使用[21-22].

但受限于遥感数据处理能力水平,以往针对大时空尺度的研究中,通常提取研究期内特定年份的遥感数据进行对比分析FVC 的时空分布特征,使得数据的连续性受到一定限制[15,22-24].而近年来兴起的高性能地球科学数据分析平台(GEE),不仅提供了大量的影像数据,而且可以依靠Google 的高性能集群服务器对影像进行在线可视化处理,大大提高了工作效率[4,25].已有学者使用GEE 云平台探测黄河流域植被覆盖度变化及驱动因素和内蒙古自治区不同土地覆被类型中FVC 的时空分布及其与气候变化的耦合机制等[10,26].目前,GEE 在FVC 分析方面更具优势,在保障影像处理效果的前提下,提高了数据处理效率,对于遥感影像处理,尤其针对长时间、大范围、宽领域的遥感监测研究具有重要意义[25-27].

天山北坡作为西北干旱区重要的天然屏障,其植被生长状况对于当地的水土保持、水资源利用及局地生态平衡等方面有重要作用[28].但近年来城市群经济、工业的快速发展和城市化进程的加快,使得当地本就脆弱的生态环境进一步恶化,严重阻碍了“一带一路”倡议的可持续发展.所以探究天山北坡经济带FVC 的时空变化特征,对于把握典型干旱区经济带的生态环境状况,提出对应防治措施,优化国土资源布局、调整产业结构具有重要意义[24,28-29].综上,本文基于MODIS13Q1NDVI、气象、地形、人文数据,结合GEE 云平台、Theil-Sen Median 趋势分析、Mann-Kendall 显著性检验以及稳定性分析方法,探究天山北坡经济带2000～2020 年间FVC 时空变化特征,并利用地理探测器模型分析FVC 影响因子的空间分异特征,以期为天山北坡经济带为代表的干旱区城市群的高质量可持续发展、优化局地产业布局、保障生态环境质量提供科学依据.

1 研究数据与方法

1.1 研究区概况

天山北坡经济带位于我国天山北麓与准噶尔盆地的过渡地区,地势南高北低,属温带大陆性半干旱气候,年降水量较少,季节差异显著.包括以乌鲁木齐都市圈为核心的(乌-昌)城镇群经济区、以石河子市为中心的(石-玛-沙)城镇群经济区和以奎屯-乌苏-克拉玛依三角区为核心的(奎-乌-克)城镇经济区(图1).

图1 研究区位置Fig.1 Location on study area

天山北坡经济带作为国家二级重点城市群,以其优越的资源禀赋及其良好的经济基础,已经成为新疆的经济核心地区,并在“一带一路”政策支持下成为我国连接中亚、西亚的核心枢纽地区[30].在丝绸之路经济带建设背景下,天山北坡经济带的经济得到快速发展,但其干旱区的区位使得天山北坡经济带具有生态环境极其脆弱、环境承载力低及环境恢复力差等局限性,极易受到外界环境影响[24,28].

1.2 数据源及预处理

1.2.1 MOD13Q1-NDVI 数据 本研究通过GEE云平台获取 MOD13Q1-NDVI 数据(https://code.earthengine.google.com/),其时间分辨率为16d,空间分辨率为250m,共有12 个波段,第1 波段为NDVI 波段,全年共计23 景影像,时间跨度为2000 年1 月～ 2020年12 月.利用GEE 自带的在线编程方式处理数据,运用最大值合成法对每年的NDVI 影像进行融合,并使用研究区矢量图进行裁剪,获取天山北坡经济带每年的NDVI 最大值影像,NDVI 最大值影像可以反映当年植被长势最好时期的地表植被覆盖状况.

1.2.2 人文数据 2000～2020 年人口密度数据来源于官方网站(https://www.WorldPop.org/),是由英国南安普顿大学地理数据研究所领导的全球人口分布制图计划研制的全球人口格网化数据,空间分辨率为90m.

DMSP/OLS 和NPP/VIIRS 夜间灯光数据均来源于美国国家海洋和大气管理局官网(https://www.ngdc.noaa.gov/eog/).DMSP/OLS 空间分辨率为1km,下载时间为2000 年、2005 年和2010 年; NPP/VIIRS 空间分辨率为500m,下载时间为2015 年和2020 年.该数据可以克服由于六位量化和动态范围的限制,为后续地理探测器处理提供没有传感器饱和的全球夜间照明产品.

土地利用类型数据来源于欧空局(https://cds.climate.copernicus.eu/),空间分辨率为300m.下载了2000 年、2005 年、2010 年、2015 年和2020 年5a的栅格数据.用矢量行政边界对土地利用数据进行掩膜提取.再对图像进行投影,然后重采样成像元大小为30m,再进行后续处理.

1.2.3 地形数据 DEM 数据来源于地理空间数据云(https://www.gscloud.cn/),空间分辨率为90m,利用ArcGIS 10.8 软件对高程数据进行镶嵌、拼接、裁剪等处理,基于软件中的分析模块提取坡度和坡向信息,并进行重分类,为后续使用地理探测器提供分类数据.

1.2.4 气象数据 年均降水数据和气温(2m temperature)数据均来源于欧洲中期天气预报中心ECMWF(https://cds.climate.copernicus.eu/),时间跨度为2000～2020 年,空间分辨率均为250m.先对获取的原始气象数据进行像元统计得到年降水和年均温,再使用反距离权重插值法(IDW)对气象数据进行空间插值.

1.3 研究方法

1.3.1 基于NDVI 的植被覆盖度计算 NDVI 是一种反映植被长势情况的遥感指标,为近红外通道与可见光通道反射率之差与其和的比值,根据公式(1)计算得到.基于已有的NDVI 数据在GEE 中选取MOD13Q1产品数据,运用最大值合成法将每个像元12 个月的NDVI 值读取成数组,然后用max 函数获取其中最大值,计算出研究区2000～2020 年每年NDVI 最大值.

式中:NIR 是TERRA 卫星传感器的近红外波段的发射率值;RED是TERRA卫星传感器的红光波段的发射率值[28];NDVI 取值范围[-1,1].把NDVI 数据导入ENVI 中,基于像元二分模型估算研究区植被覆盖度,即假定地面只由非植被像元和纯植被像元覆盖,根据其原理,计算植被覆盖度公式为:

式中:FVC 表示植被覆盖度;NDVIsoil表示裸土或无植被覆盖区域的NDVI 值;NDVIveg则表示完全被植被覆盖的像元的NDVI 值,即纯植被覆盖度像元NDVI 值;FVC 取值范围[0,1].使用此方法最主要的是确定NDVIveg和NDVIsoil的取值,但该数据获取受大气、湿度和光照等的干扰,直接获取十分困难,本研究使用ENVI 5.3 软件对NDVI 像元进行统计,选取累计概率分布为95%和5%的NDVI 值代表NDVIveg和NDVIsoil,以消除噪声误差[31].

1.3.2 Theil-Sen Median 趋势分析和Mann-Kendall显著性检验 Theil-Sen Median 方法又称Sen 斜率估计,是一种非参数统计的趋势计算方法.由于该方法计算效率高,对离群数据和测量误差不敏感,常被用于分析长时间序列植被生长状况变化情况[32].其计算公式为:

Mann-Kendall 显著性检验方法又称M-K 检验,用于检验数据在长时间序列斜率的显著性.此方法和Sen 斜率估计法都不要求样本服从正态分布,因此结果不易受到异常值的影响[33-34].其统计检验方法为:对于时间序列Xi,i=1,2,3,…,n.定义标准化检验统计量Z:

式中:FVCj和FVCi与公式(3)中表示意义相同;n表示数据个数即时间序列的长度;sgn 表示符号函数;Z的取值范围为(-∞,+∞).在给定显著性水平下,若|Z|>Z1-a/2,表明不存在趋势的假设被拒绝,时间序列数据存在显著变化.本研究判断植被覆盖度时间序列变化趋势在95%置信水平上的显著性.

1.3.3 稳定性分析 变异系数(CV)是衡量长时间序列变异程度的一个统计量,可以很好地反映空间数据在观测序列上变化的差异程度,评价数据时间序列的稳定性.计算公式为:

式中:σ为研究区21a 间FVC 的标准差;为研究区21a 间FVC 的算数平均值.CV 值越大,表示数据年际波动越大,植被覆盖度越不稳定;反之,则表示数据年际波动越小,植被覆盖度越稳定.

1.3.4 影响因素信息提取 气象因子如降水、平均气温、最高气温,地形因子如地形区、高程等,对NDVI 空间分异特性有一定的解释能力[35].而人口密度、土地利用类型同样对FVC 的空间分布有影响[36].如表1 所示,本研究选取人文、地形和气象三大类因素,共8 个影响因子,使用因子探测、生态探测、交互作用探测来探究天山北坡经济带植被覆盖度空间分异的影响.

表1 影响因素的类别Table 1 Category of influencing factors

利用ArcGIS 10.8 创建渔网工具,生成全区范围内5km×5km 网格,总共3853 个采样点,提取空间上对应的X和Y的属性值,利用自然间断点法、几何间隔法、分位数法将不同的影响因子分类,然后导入地理探测器软件中处理.

1.3.5 地理探测器 地理探测器模型是由王劲峰提出的一个空间统计模型,用于定量描述空间分异性;分析多个自变量交互对因变量的影响和探究各变量之间的关系;以及揭示背后驱动因子的一种新型统计学方法,其核心思想是基于假设:如果某个自变量对某个因变量具有重要影响,那么自变量和因变量的空间分布应该具有相似性[37-39].本文选取2005、2010、2015和2020 年天山北坡经济带的8 个影响因子数据作为自变量,对应时期的FVC 数据作为因变量来进行交互探测分析,确保探测影响因子结果准确.

(1)分异及因子探测:探测植被覆盖度空间分层异质性和各个影响因子对植被覆盖度的解释程度,并用q来衡量.q的值域为[0,1],q越大表明影响因子对植被覆盖度的空间分布影响越大.q表达式如下:

式中:h表示影响因子的分类或分层,h=1,2,3…,L;N表示研究区域的单元数;Hn表示第h分层的单元数;σ2表示研究区域的方差;表示分层h的方差.SSW 是层内方差之和;SST 是全区总方差.

(2)交互作用探测:评价不同因子X之间的交互作用,即探测不同的影响因子X1、X2共同作用时对植被覆盖度的解释力是增强还是减弱.核心思想是通过比较单一因子、双因子之和以及双因子交互作用分别对植被覆盖度的解释程度[38-39].基本思路是:首先分别计算2 个因子X1和X2对因变量Y的q,记q(X1)和q(X2),其次计算二者叠加后的因子X1∩X2的q,记为q(X1∩X2),最后对q(X1)、q(X2)和q(X1∩X2)的值进行比较,即可判断X1和X2对因变量Y的交互作用类型.交互作用类型如表2 所示.

表2 影响因子的交互作用类型Table 2 Types of interaction of the detection factor

(3)生态探测:用于比较影响因子X1和X2对FVC 空间分布是否存在显著的差异,用统计量F表示如下:

式中:NX1、NX2分别表示影响因子X1、X2的样本数量;l1表示影响因子X1样本的分层数量;表示由影响因子X1形成分层的层内方差之和.

2 结果与分析

2.1 天山北坡经济带FVC 时间变化特征

通过分析2000～2020 年天山北坡经济带FVC最大值及其变化趋势,统计了各植被覆盖度等级像元占比.由图2 可知,天山北坡经济带FVC 整体呈波动上升趋势,增长速度为0.007%,R2为0.0343.FVC最大值在2000～2002 年、2005～2007 年、2008～2010年、2013～2015 年和2018～2019 年均为增长趋势,峰值出现在2015 年,为0.998;最小值为0.989 出现在2018 年.结合本研究区的实际情况,按照等间隔法使用ArcGIS 软件将FVC 划分为5 个等级(表3).时间尺度上,研究区21a间FVC变化总体趋势较为稳定,5种等级植被覆盖度像元占比均有小范围浮动,但总体仍比较稳定(图3).

表3 植被覆盖度的等级分类Table 3 Rank classification of vegetation cover

图2 2000～2020 年最大植被覆盖度年际变化Fig.2 The inter-annual change of maximum vegetation coverage from 2000 to 2020

图3 各等级植被覆盖度的年际变化Fig.3 The inter-annual variation of the vegetation coverage change of different levels

极低植被覆盖度占比先减少后增加,呈现“U”型变化趋势,从2000 年的42.46%减少至2011 年的36.36%,后增加至2020 年的47.53%;中低植被覆盖度占比逐渐减少,从2000 年的19.29%减少至2020年的13.15%;中植被覆盖度占比呈倒“U”型趋势,植被覆盖度先增加后减少,从2000 年的11.91%增加至2010 年的13.28%,后减少至2020 年的9.92%;中高和极高植被覆盖度变化都呈增加趋势,其占比分别由2000 年的10.08%、16.26%增长至2020 年的11.15%、18.25%,表明研究区内植被覆盖度在21a间出现好转.

2.2 天山北坡经济带FVC 空间变化特征

由2000～2020a 天山北坡经济带不同等级FVC空间分布图(图4)可知,研究区FVC 在空间上表现出明显的空间异质性,呈现出两条显著的高植被覆盖度带.一条位于研究区中部,从东至西贯穿天山北坡沿线各城市,主要为乌苏市东北部、奎屯市、沙湾县中北部、石河子市、玛纳斯县中北部、呼图壁县中部、昌吉市中部、阜康市南部、乌鲁木齐市中部、五家渠市,从土地利用数据上可得该高植被覆盖带以农业用地为主,主要位于城市周边地区,在城市内部仍然表现为低植被覆盖区,但随着政府对生态环境保护的重视,图4 中可明显看出,低植被覆盖区范围逐渐减少,表明城市内部植被覆盖愈加改善.此外,另一条高植被覆盖带主要位于天山中麓,以雪岭云杉林为主,该地区长期得到政策保护,使得高植被覆盖区空间连续性较好,但近年来其高植被覆盖区出现减少趋势,可能由于气候变化或者人类活动导致[29],固应加大保护力度,避免天然林区遭到破坏.

图4 天山北坡经济带不同等级植被覆盖度空间分布Fig.4 Spatial-temporal distribution of vegetation coverage at different levels in in the economic zone on the north slope of Tianshan Mountain

将Theil-Sen Median 趋势分析和Mann-Kendall显著性检验结合,可有效科学地反映2000～2020 年天山北坡经济带植被覆盖度变化趋势的空间分布特征.对2000～2020 年天山北坡经济带植被覆盖度7种等级变化像元占比进行统计得出表4,结合表5 可知,计算得到植被覆盖度等级变化趋势以减少为主,共占比为 52.36%,其中轻度减少趋势占比达到43.08%;另外增加趋势占比为36.58%,并以轻度增加为主.

表4 各等级植被覆盖度像元占比(%)统计Table 4 Statistics of fractional vegetation coverage pixels of different levels(%)

表5 植被覆盖度变化趋势统计Table 5 Statistics of fractional vegetation cover trend

这与天山北坡经济带区位特性有关,其生态环境脆弱,植被变化较为敏感,极易受到外界环境影响[40],因此出现轻微变化的情况占比最多.同时,在空间分布上(图5),植被覆盖度减少地区主要位于南部天山中麓地区与经济带的城市内部地区.这表明天山北坡经济带植被减少的直接原因为人类活动,后续应加大环境保护力度;而植被增加的地区则主要位于各个县市边缘的农垦地区,表明农业耕作的范围在不断扩大,在一定程度上扩大了植被覆盖度.

图5 天山北坡经济带植被覆盖度动态变化Fig.5 Dynamic change of vegetation in the economic zone on the north slope of Tianshan Mountain

经过统计分析,发现在研究区内的大部分地区,FVC 表现出较弱的年际变异和中等年际变异程度,只有零星少部分地区表现出较为强烈的变异.其中,弱变异到强变异的比例依次为:51.56%、34.92%、8.35%、3.02%、2.15%.

由图6 可知,强变异地区主要分布在克拉玛依市北部部分地区、乌鲁木齐市西南少部分地区以及研究区南缘的零星地区.FVC 的变异性是指植被在不同时间和空间上的覆盖程度差异,它通常用来描述植被生长的状态和生态系统的稳定性.根据研究结果,强变异地区主要分布在少数地区,而大多数地区的FVC 呈现出较为平稳的趋势.这表明研究区内的FVC 整体上比较稳定,但是少数地区可能存在一些环境变化或人为干扰的影响.因此,在保护和管理植被资源方面,应该加强对这些强变异地区的监测和管理,以维护生态系统的稳定性和可持续发展.

图6 天山北坡经济带植被覆盖度稳定性Fig.6 The stableness of vegetation coverage in the economic zone on the north slope of Tianshan Mountain

2.3 天山北坡经济带FVC 影响因素

通过因子探测分析可以得到不同影响因子对天山北坡经济带FVC 空间分异的影响程度.如表6所示,在对8 个影响因子进行分析后,获得了单个影响因子的解释力q.其中,人口密度的q最大,达到0.283,解释力超过25%以上,因此人口密度是对天山北坡经济带FVC 空间分异的主要影响因子.而坡向(0.009)、年降水(0.013)和年均温(0.015)的q较小,对天山北坡经济带FVC 空间分异的解释力相对较小.与之相反,人文因子的q普遍较大,这表明人文因子在影响天山北坡经济带FVC 空间分异中起着重要作用.研究结果表明人口密度在区域FVC 空间分异中的重要性,这可能与人类活动对土地利用和生态系统的影响有关.此外,土地利用类型和夜间灯光等人为因素也对FVC 空间分异产生显著影响.

表6 天山北坡经济带影响因子探测qTable 6 q values of influencing factors in the economic zone on the north slope of Tianshan Mountain

如图7 所示,交互探测可以用来了解两种影响因子相互作用对因变量Y的解释程度.在考虑双因子交互作用时,对于天山北坡经济带FVC 空间分异的解释能力会得到增强,以双因子交互作用增强和非线性交互作用为主.双因子交互作用中,人口密度∩海拔(X1∩X4,q=0.534)> 人口密度∩年均温(X1∩X8,q=0.464)>人口密度∩坡度(X1∩X5,q=0.409)对FVC 有较大影响.与单因子作用不同的是,坡度和年均温的单独作用并不明显,需要与人口密度共同作用才更容易影响FVC 的空间分布.

图7 天山北坡经济带各驱动因子的交互作用探测结果Fig.7 The results of Interaction detection of driving factors in the economic zone on the north slope of Tianshan Mountain

除人口密度、海拔、年均温和坡度外,其他影响因子的交互作用对FVC 的解释力q均小于0.4.在实际情况下,人文因素、地形因素和气象因素等因素共同作用时能更好地解释FVC.

由图8 可知,2005～2020 年,人口密度(X1)和年均温(X8)的q总体呈上升趋势,这意味着它们对FVC 的解释能力逐渐增强.夜间灯光(X2)和土地利用类型(X3)的解释力总体上发生较大变化,并且普遍呈现先增加后减少的趋势.海拔(X4)、坡度(X5)、坡向(X6)和年降水(X7)等因素的变化幅度相对较小,对FVC 的解释能力保持相对稳定.

图8 2005～2020 年天山北坡经济带探测因子q 变化Fig.8 Variation of q value of detection factors in the economic zone on the north slope of Tianshan Mountain from 2005 to 2020

通过生态探测可以分析不同因子组合对FVC变化的解释力之间的显著性差异.如图9 所示,经过统计分析,可以得出两种影响因子的差异是否显著,其置信度为95%.在此研究中,发现人口密度与夜间灯光、土地利用类型、海拔、坡度、坡向、年降水和年均温对FVC 空间分异的影响具有显著差异;夜间灯光和海拔对FVC 空间分异不存在显著差异,而与其他影响因子都具有显著差异;坡向与人口密度、夜间灯光、土地利用类型和海拔对FVC 空间分异存在显著差异,但与坡度、年降水、年均温对FVC空间分异不存在显著差异.年降水、年均温、坡度和坡向对FVC 空间分异不存在显著差异,但与其他因子都具有显著差异.

图9 天山北坡经济带生态探测显著性统计(置信水平95%)Fig.9 Statistical results of the ecological detector of influencing factors in the economic zone on the north slope of Tianshan Mountain (95% confidence level)

3 讨论

3.1 天山北坡经济带FVC 时空变化特征

干旱半干旱地区的植被对环境变化尤为敏感,先前已有较多学者对天山北坡经济带的FVC 进行研究分析,但很少定量分析FVC 的影响因子效果,研究精度往往较差,本文则通过Google Earth Engine(GEE)平台,结合Theil-Sen Median 趋势分析、Mann-Kendall 显著性检验和稳定性分析等方法有效弥补了这一缺陷.从时空变化上来看,2000～2020 年间,天山北坡FVC 整体呈波动上升趋势,在中部和南部地区呈现两条高植被覆盖带状分布.对21a 间的最大FVC 进行线性拟合,但拟合效果并不乐观,更进一步证明天山北坡经济带FVC 呈波动上升趋势,这与天山南麓及其它较为湿润地区所呈现的稳定增长态势并不一致,表明天山北坡经济带地处干早半干早地区,生态环境具有脆弱性.

天山北坡经济带中部FVC 增长的大面积连片地区中包括FVC 呈显著减少趋势的零星地区,这是由于当地面积广阔,但城市化发展需以绿洲作为开发载体,绿洲地区多被沙漠戈壁分割为相对独立的地理单元,随着城市的不断开发,绿洲地区面积不断缩小,从而使得该地区FVC 呈下降趋势,表明人类活动是当地FVC 下降的首要原因.研究区南缘有零星少部分水体、冰川和积雪[41]以及海拔高的山顶地区,常年积雪,不适宜植被生长[14],所以为低植被覆盖地区.而研究区北部植被覆盖度极低,原因可能是该地区为古尔班通古特沙漠,这是中国最大的固定、半固定沙漠[42],生态修复过程极其缓慢.

3.2 天山北坡经济带FVC 影响因素分析

仅考虑单因子影响效果时,人文因子对天山北坡经济带FVC 空间分异的影响较大,尤其是人口密度.而在双因子交互作用下,气象因子与人文因子交互对FVC 的空间分异的影响较大,且不同因子间的交互作用对年际变化有不同影响,该结果与李红梅等[14]、张桂丽等[43]的研究的结果一致.

近年来,随着人们环保意识的提高,城市绿化面积不断扩大,在一定程度上提高了FVC,“十三五”规划中提出要加快城市群建设发展,重点开发区域包括乌鲁木齐、克拉玛依、石河子、伊宁等城市在内的天山北坡地区,政府积极响应国家政策,对城市绿化进行改建,对部分农田进行基础设施建设.陈泓瑾等[29]通过研究天山北坡人类活动强度与地表温度的时空关联性,发现该区域天然植被转为人工植被,边缘土地转为建设用地,验证了天山北坡城市群人口扩展趋势.同时结合图尔荪阿依·如孜等[44]利用夜间灯光数据证明了人类活动对该天山北坡经济带FVC 时空变化具有较大影响.此外,海拔和坡度对于FVC 的解释能力明显高于坡向,也与前人研究相吻合[45],天山北坡经济带山地较多且地理区域跨度比较大,因此地形因子对FVC 解释能力一般.

本文重点研究了影响FVC 空间分异的因素,仅考虑了8 个因子对FVC 的影响作用,而新疆地区土壤盐碱化较为严重,可能对FVC 有一定影响,同时人均GDP、气温差值、地形起伏度等也对FVC 具有一定影响,在后续的研究中可以重点考虑和分析相关因子对天山北坡FVC 变化的影响程度.地理探测器模型可以单独提取任何一种或两种因子交互作用的影响效果,通过量化评估人文因子、气象因子和地形因子对FVC 的影响,结果表明人类活动对干旱半干旱区生态环境的影响较为显著,在一定气候范围,不同环境对各种各样人类活动的承载力也不同,研究不同气候和环境条件下FVC 的阈值并指导人类进行生产生活和土地利用是后续研究的重点.

4 结论

4.1 天山北坡经济带的植被覆盖度表现为两条平行的高覆盖度带.其中中部地区具有较高的植被覆盖度,而边缘地区的植被覆盖度相对较低.整体上,天山北坡的植被覆盖度呈现出缓慢增长的趋势.这种增长趋势主要体现在极低覆盖度的地区,呈现先减少后增加的趋势.同时,中低覆盖度地区的占比逐渐减少,而中等覆盖度地区的占比则呈先增加后减少的趋势.中高覆盖度和极高覆盖度的地区则呈现出增加的趋势.

4.2 2000～2020 年期间,天山北坡经济带的FVC 在时空上呈轻度变化,约占总变化的70%.植被改善区域主要呈现带状分布,集中在研究区的中部,而植被减少区域主要分布在研究区的南缘.整体上,天山北坡的植被覆盖度呈现出西北至东南的相间分布趋势,并且有逐渐上升的趋势.与东部地区相比,西部地区的植被改善更为明显.研究区FVC 整体上表现出较高的稳定性和较小的波动,其变异程度介于弱变异和中等变异之间.但是,在少数地区,FVC 存在较强的变异,这些区域主要分布在克拉玛依市北部的一些地区、乌鲁木齐市西南的一些地区以及研究区南缘的零星地区.

4.3 通过地理探测器模型对天山北坡经济带FVC影响因素的研究表明,人类活动是FVC 空间分异的主要解释因素.其中,人口密度对FVC 的解释能力最大.说明自2005～2020 年,人类活动对天山北坡经济带植被生长具有较大影响.除此之外,气候因素、地形因素和土地利用方式也对植被覆盖度的变化产生了一定的影响,但其作用相对较小.