植被覆盖度（Fractional Vegetation Cover，FVC）是水土流失的重要控制因子、评估沙漠化的有效指标，也是蒸散量、气候变化模型的重要参数，对于衡量植物群落覆盖及生态系统状况具有重要意义^［1］。掌握植被覆盖度的时空变化规律，分析预测其发展趋势，探讨地形、气候等因素的驱动作用，对评价生态系统环境质量、调节生态过程具有重要的理论和实践意义^［2］。

随着对地观测技术的发展，国内外许多学者利用卫星遥感影像进行植被覆盖度提取分析^［3-4］。国内外学者基于MODIS、SPOT、GIMMS和Landsat系列卫星影像数据对植被覆盖度的提取和时空变化研究已取得了丰硕的成果。Liu等^［5］利用Landsat影像量化了包括环境因素和人为因素在内的10个因素对植被覆盖度时空变化的影响，为未来的研究和决策提供了参考。随着研究的不断深入，对植被覆盖度驱动力因素的研究也取得了长足的发展，林妍敏等^［6］对影响贺兰山自然保护区植被覆盖时空变化的因子进行分析，认为降水、土壤类型、植被类型、GDP是引起区域植被覆盖空间分布的主导因子；贾一越等^［7］对山西省近10 a的植被覆盖度时空变化进行分析，发现人类活动对植被覆盖的影响逐步增大。黄钰涵等^［8］对甘肃黄土高原地区植被变化的分析表明降水是驱动植被覆盖变化的重要自然因素。国内外学者基于不同分辨率的数据对不同区域的植被盖度进行监测，在大尺度研究中同时兼顾更高空间分辨率和较长时间序列仍是发展趋势。以往的研究缺乏对植被覆盖度长期变化驱动因素的准确定量评价，参数最优地理探测器（optimal parameters-based geographical detector，OPGD）模型可以提高空间层次异质性分析的整体能力^［9］。因此，结合GEE平台和OPGD模型进行植被覆盖度长时间序列时空变化及影响因素分析具有重要意义。

贺兰山东麓洪积扇区分布典型的荒漠草原，在维持生态系统稳定性方面发挥着积极作用，但同时也是生态环境脆弱区。定量分析该区域植被覆盖度时空变化特征及其驱动因子，对于了解区域生态环境质量的变化和贺兰山生态保护和区域经济发展建设具有重要意义。以往针对贺兰山东麓洪积扇区荒漠草原植被覆盖度的研究主要考虑气候因素对植被覆盖度的影响，未考虑地形、土壤类型等的影响。此外，数据空间分辨率较低，缺少对植被未来变化模拟研究。基于此，本研究利用2001—2020年Landsat卫星遥感数据，结合该地区同期的气象和地形数据，综合运用像元二分模型、变异系数、Sen+Mann-Kendall趋势分析、Hurst指数和参数最优地理探测器模型，对该区域植被覆盖度变化及驱动力因素和影响程度进行定性和定量分析，以期阐明该地区植被的分布现状和演变特征，揭示贺兰山东麓洪积扇区荒漠草原植被变化的驱动机制，为黄河流域生态保护战略的实施提供数据支撑和科学依据。

贺兰山位于中国宁夏回族自治区西北部，山体呈西南-东北走向，平均海拔2 000 m，地形西高东低，东麓洪积扇由贺兰山冲积物堆积而成，海拔1 120~1 150 m（图1）。研究区位地理坐标 38°34′14.99″—38°49′39.93″N，105°55′25.15″—106°10′16.43″E。属大陆性季风气候，年均气温8.5 ℃，年均日温差10~15 ℃，年降水量180~250 mm，60%~80%发生在6—8月，年蒸发量2 000 mm。土壤类型为普通灰钙土、石砾土、风沙土，质地较粗，含砾石较多，土壤质地为砂质壤土，含水量少，有紧实的钙积层^［10］。研究区群系组为丛生小禾草和小灌木荒漠草原^［11］，主要植被为小型旱生多年生草本植物，并伴生有大量旱生矮小半灌木，植被种类稀少、低矮，灌丛和草地植被镶嵌分布。

遥感影像选取Landsat 5（2001、2005、2010年）、Landsat 8（2015、2020年）的Level-2卫星影像，来源于美国地质调查局（https：//www.usgs.gov/），通过Google Earth Engine（GEE）云平台下载，数据经过了大气校正^［12］。首先筛选相应年份研究区的Landsat Surface Reflectance影像，批量去云并计算归一化植被指数（NDVI），基于最大值合成法获取研究区逐年NDVI最大值影像，再利用贺兰山东麓洪积扇区矢量范围图裁剪出所需年份NDVI最大值栅格影像。影像中的缺失部分采用Hants滤波算法进行填充处理，得到研究区最终影像数据。

数字高程模型（Digital Elevatiom Model，DEM）空间分辨率30 m，来自地理空间数据云（http：//www.gscloud.cn/）。利用ArcGIS对DEM数据提取研究区坡度、坡向数据。

2000—2020年1 km分辨率逐月平均气温数据集、年降水量数据集和逐月平均相对湿度数据集来源于国家地球系统科学数据中心（http：//www.geodata.cn/）。日照数据来源于国家统计局（http：//www.stats.gov.cn/），经AUSPLIN软件插值得到2000—2018年逐年日照栅格数据集。

土地利用数据来源于2000—2020年的中国30 m的年度土地覆盖数据（http：//irsip.whu.edu.cn/resources/CLCD.php），包括农田、森林、灌木、草原、水域、冰雪、未利用地、建设用地、湿地9种用地类型。1 km分辨率植被类型和地貌类型数据来源于中国科学院资源环境科学数据中心（http：//www.resdc.cn）。植被类型为针叶林、阔叶林、灌丛、荒漠、草原、草甸、栽培植被和其他8类，地貌类型为平原、台地、丘陵、小起伏山地和中起伏山地5类。

各因子数据均按照研究区矢量边界提取，通过ArcGIS软件进行重采样处理，与NDVI数据像元大小保持一致，创建渔网工具，随机生成洪积扇区2 km×2 km格网，代入地理探测器处理。

采用变异系数（Coefficient of Variaation，CV）来表示地理数据的波动程度^［13］，变异系数大越大说明区域植被覆盖度变化程度越大，表示该区域生态环境越脆弱，受区域气候波动的响应更显著。如公式（1）所示：

式中：CV为变异系数；i为时间序列；xi为第i年的NDVI值；x¯为研究时段内所有年份的NDVI的平均值。

采用Sen+Mann-Kendall法分析研究区FVC长时间序列变化趋势^［14］。Sen氏斜率是非参数统计的一种稳定趋势计算方法，可用于表示FVC的变化程度和趋势^［15］。其计算公式如下：

式中：FVCi、FVCj分别表示第i、j年的植被覆盖度；SFVC为斜率，SFVC>0表示区域植被覆盖度呈上升趋势，SFVC<0表示区域植被覆盖度呈下降趋势。

Mann-Kendall趋势分析不需要数据遵循一定的分布，不易受异常值大小干扰，检验显著性水平有比较坚实的统计学理论基础^［16］，适用于非正态分布的数据，是目前广泛使用的非参数检验方法。其计算公式如下：

式中：S为正态分布，均值为0；Var(S)为方差；n为时间序列个数，当大于10时，U趋于正态分布；ｍ是时间序列中重复出现的数据组的个数；ti是第i组重复数据组中的重复数据个数；S为xi与xj的大小关系。U的取值为（-∞，+∞），若|U|>U_1-α/2即则认为在α置信水平上存在显著的变化趋势，U>0表示呈增加趋势，U<0表示呈减少趋势。

Hurst指数反映时间序列数据的可持续性，预测未来一段时间内FVC的变化趋势^［17］，应用R/S分析法计算Hurst指数对时间序列的长时间相关性进行定量分析^［18］，取值0~1。指数在（0，0.5），为反持续性趋势，表示未来与过去趋势相反；等于0.5表示未来与过去趋势无关；在（0.5，1）则为持续性趋势，即未来与过去趋势相同；值越趋近于０，表示反持续性趋势越强，反之表示持续性趋势越强^［19］。

应用OPGD（Optimal Parameters-based Geographical Detector）模型^［20］对研究区植被覆盖度变化的驱动因子进行分析^［21］，植被覆盖度作为被解释变量，以三级指标为解释因子进行地理探测器分析（表1）。运用地理探测器的“gdm”函数选择最优的离散化方法和数量组合。计算每个连续型因子在等间距分级、自然间距分级、分位数间距分级、几何间距分级和标准偏差间距分级等分级方法、不同间断数下的Q值，选择Q值最高的分级方式与间断数量组合。在此基础上选择分异及因子探测、交互探测和风险探测对研究区植被覆盖度的影响因素进行分析。

因子探测：因子探测用于计算每个因子对植被覆盖度的影响程度Q。计算公式如下：

式中：Q是空间分化指数；l是FVC属性或自然和人为因素的分层；Nh和N分别是特定层和整个区域中的单元数；σh2和σ2分别为h层和整个区域FVC值的方差；SSW和SST是层内方差与整个区域的总方差之和。Q的取值［0，1］，Q值越大，FVC的空间差异越大。

交互探测：交互检测主要用于识别两个评价指标共同作用对植被覆盖度的影响，即评价组合效应（增强或减弱）和单独效应对FVC的影响。其步骤一般为：首先，分别计算出两个因子相对于FVC的Q值（Q（x_i ）和Q（x_j ）），然后计算关于因子之间的相互作用的Q值（Q（x_i ∩x_j ）），并与Q（x_i ）和Q（x_j ）进行比较。

风险探测：风险检测用于判断两个因子的子区域之间的平均属性值是否存在显著差异，通过计算影响因素子区域的FVC平均值进行风险检测，并进行统计学显著性检验，在每个区域中，FVC的平均值越大，则影响因素的子区域越适合植被生长，可用于判断各影响因子的适宜范围或类型，并且可以用于寻找具有高植被覆盖度的区域。采用t统计量进行风险检测：

式中：Y¯h为H区FVC属性的平均值；nh=1是H分区中的样本的数目；Var为方差。

研究区2001—2020年FVC平均值显著增加（P<0.01，图2），年均增长率为2.34%，多年FVC均值为33.38%，植被覆盖度处于较低水平，以极低植被覆盖度和低植被覆盖度为主（表2，图3）。2001—2020年，研究区极低覆盖度区域面积减少，从96.43%降至27.32%；低植被覆盖度和中等植被覆盖区域面积占比呈增加趋势，其中低植被覆盖度面积增加65.44%，2001—2020年呈持续增长变化，最低值出现在2001年，中等植被覆盖度面积增加了3.11%；高植被覆盖度区域面积在研究时段内一直较稳定，平均值约为0.32%，因为高植被覆盖度地区主要分布在区域的道路两侧防护林和景区园林绿化等区域，多年来面积变化不大。

研究区FVC具有显著的空间差异，整体上呈现出沿洪积扇顶部向扇缘西北高东南低的趋势，以极低植被覆盖度和低植被覆盖度为主（图4、5）。西部地区是海拔较高靠近贺兰山山体及道路两侧，乔木等绿化林带FVC极高和高、中等主要分布在该区域；沿着洪积扇扇中至扇缘FVC低和极低，洪积扇北部变化最为剧烈，西部次之，洪积扇冲沟由于植被稀疏，砾石裸露变化最小，FVC极低。具体而言，多年平均FVC极低和低占比最高，主要分布在沿洪积扇的冲沟附近和洪积扇中至扇缘部位。这与前人的研究结果一致^［22-23］。

2001—2020年植被覆盖度发生变化的面积占总面积的98.03%，其中改善的区域占植被覆盖总面积的93.24%，植被覆盖度减小的区域占4.79%，稳定不变即没有发生显著变化的区域占1.97%（表3，图6）。总体而言，贺兰山东麓洪积扇区荒漠草原植被覆盖度，整体呈改善趋势。从空间分布上看，东北部和中部呈改善趋势，靠近山体、扇顶、扇中西南部呈退化趋势。具体而言，沿着洪积扇扇顶向扇中、扇缘辐射到扇缘植被覆盖度显著增加。

2001—2020年贺兰山东麓洪积扇区荒漠草原FVC的变异系数为0~1.299，平均0.3940，空间上表现为沿着洪积扇扇中至扇缘逐渐增大，洪积扇北部变化最为剧烈，西部较小，沿着扇缘变化较大，洪积扇冲沟由于植被稀疏，砾石裸露，因此FVC的变异系数变化最小，在洪积扇由扇顶到扇缘由西向东放射线状分布（图7）。具体而言，植被覆盖度变化最剧烈的地区主要分布在沿洪积扇的冲沟附近和洪积扇中至扇缘部位，该区域植被覆盖度极不稳定。分析其原因：①荒漠草原植被受气候变化影响作用大，植被年际变化大，故随着降水变化呈现波动性较大特征；②冲沟所在区域变化剧烈与其本身植被覆盖度低或数值并不相关，并不能得出区域植被覆盖度波动性大的结论，而是呈稳定状态或不变；③这些地区植被覆盖度基数较大，植被覆盖度较高且年际变化不大。

参考相关研究^［24-25］，将Hurst指数分为5类，得到贺兰山东麓洪积扇区荒漠草原Hurst指数空间分布。贺兰山东麓洪积扇区荒漠草原植被覆盖度Hurst指数平均值为0.495，大于0.5的区域占44.77%，小于0.5的区域占49.12%，等于0.5的区域占6.10%，表明研究区植被覆盖度的反持续性较强，即反持续改善或者反持续退化（表4）。从空间分布上看，研究区自然保护区围栏内区域Hurst指数较高，因此植被变化的持续性较高；新小线等道路周边Hurst指数较低，人为扰动较多，生态环境脆弱，且植被的生长受气象因子的影响较大，故持续性较差（图8）。

参考相关研究文献和研究区实际情况，初步设定间断区间为4~8类。通过模型计算，选择每个连续型因变量在不同的分类方法与分级层数组合下的Q值最大的方案进行空间离散化，将最优空间数据离散参数设定为：降水选用自然间距分级分为8类，坡向、坡度、海拔按照标准差间距分级分为8、8、6类，日照时数、空气湿度选用分位数间距分级分为8、8类，年降水量、平均气温选用几何间隔法分级分为7、8类（图9）。

不同因子对植被FVC分布特征的解释力可用分异及因子探测结果中的Q值反映，研究区2001—2020年各因子的解释力如图10所示。2001—2020年各因子的平均解释力排序为年降水量（0.2337）>土地利用类型（0.2233）>海拔（0.1597）>空气湿度（0.1329）>日照时数（0.1246）>年均气温（0.1033）>地貌类型（0.0727）>植被类型（0.0504）>坡度（0.0255）>坡向（0.0127），各因子的Q值均通过显著性检验。结果表明，年降水量和土地利用类型平均解释力均大于20%，大于其他因子解释力，是影响贺兰山东麓洪积扇区荒漠草原植被覆盖度变化的关键驱动因子；海拔、空气湿度、日照时数、年均气温的解释力均超过10%，为次要驱动因子；地貌类型、植被类型、坡度、坡向等解释力均小于10%，对研究区植被覆盖度变化的影响最小。

通过交互探测器分析了贺兰山东麓洪积扇区荒漠草原植被覆盖度的各因子间的交互作用。如图11所示，从时间上看，各因子交互作用的Q值在整体上呈现出2001—2011年增大，2012—2020年减小的趋势。从因子角度看，两两因子交互作用大部分为增强作用，80%以上的因子组合方式为双因子增强作用，其余因子表现为非线性增强，少数因子为减弱，即两个因子的叠加大大增强或减弱了单因子对植被覆盖度的影响。

其中，年降水量、海拔、日照时数和空气湿度的交互作用Q值最大（>0.5），表明水热组合对植被覆盖度的影响占主导地位，其次是地貌类型、年均气温（>0.3），土地利用类型的交互作用显示为减弱，说明土地利用与其他各自然因子叠加作用减弱了自然因子对植被覆盖度的影响，即存在明显的双因子减弱关系。

坡向与日照时数、空气湿度、年均气温、年降水量的交互作用表现为相互非线性增强。土地利用与自然因子坡度、年降水量、日照时数、年均气温等交互Q值较小，在2001年减弱趋势最为明显，其他4个年份双因子交互的减弱程度均减小，自然因子中海拔和植被类型与空气湿度、土地利用类型、地貌类型的交互作用明显。总体而言，自然因素对植被覆盖度的交互影响不是简单的叠加过程，而是表现为相互或非线性增强或减弱。人为因子与自然因子的交互作用影响力均有增强态势，进一步说明植被覆盖度的变化是受自然条件与人类活动的共同作用。

不同土地利用类型转换皆导致植被覆盖度增加（表5），其中，从耕地到其他利用类型的转换都导致了FVC的增加，裸地转换为草地、耕地使FVC分别增加了0.1533和0.2539，变化面积占比3.96%、0.01%。草地向其他土地利用类型的转换除耕地外皆导致了FVC的增加，其中草地向耕地转换导致FVC增加最多，使FVC增加了0.4047，变化面积占比1.01%。未利用地向耕地转换导致FVC的增加最多，变化面积约占研究区的0.0021%。

2001—2020 年间研究区FVC 总体呈上升趋势，这与穆少杰等^［22］、Lin等^［5］在宁夏地区的相关研究结果大致相同，植被变化可以反映生态环境状况，在气候变化和人类活动的影响下，研究区植被覆盖度呈上升趋势^［26］，研究区FVC增长面积均多于减少面积，整体呈上升趋势，面积比例略有不同。分析其原因：①FVC 极显著增长与显著增长区域主要分布在洪积扇生态保护和修复围栏区；②自2017年起至今，贺兰山保护区内169处整治点全面完成环境整治和生态修复任务，83个矿业权全部退出，50处工矿设施全部拆除，极大地改善和优化了研究区的生态环境；③贺兰山区域历史遗留废弃矿山动态“清零”，充分说明了自2000年以来政府实施的贺兰山自然保护，2016年以来的贺兰山生态修复政策等一系列生态保护建设工程也促进了洪积扇区域生态状况的好转。

贺兰山东麓洪积扇区荒漠草原靠近贺兰山脉外北部为海拔较高，降水较多，植被覆盖度明显高，人为活动区域与洪积扇区域植被覆盖差异性明显，海拔较高和人为干扰的地区植被覆盖度较高，洪积扇东南部分植被覆盖较低。

土地利用类型作为人类活动最直接的反映，在植被变化中起着重要作用^［27］。相比于气候因素，人为因素对FVC的贡献率整体较高，土地利用类型的解释力保持在较高水平，表明人类居住和活动显著影响植被覆盖变化的趋势。在本研究中，土地利用类型可以解释研究区植被变化的22.33%，是植被变化的主导驱动因子。

在研究期间，土地利用类型的转换均导致FVC增加（表5），研究结论与Wang等^［28］不同，原因可能是洪积扇区为荒漠草原区，大部分地区植被稀少，林地多为绿化景观植被，草地植被类型多为旱生、强旱生的灌木和半灌木，植被分布稀疏。其中由耕地和草地的转变皆导致了FVC的增加最多，主要得益于近20年来政府主导的一系列的生态建设措施，特别是贺兰山生态修复政策、生态保护红线划定等，自然植被区植被覆盖发生了较大的变化，生态环境不断得到改善^［29］。

降水是影响植被覆盖度的主要因素，直接影响植被水分，在干旱半干旱地区，植被变化对降水更敏感，这与前人的研究结果一致^［30］，贺兰山东麓洪积扇区域干旱少雨，蒸发量大，土壤水分主要依靠降水补给，降水成为直接影响植被水分的主导因子，起着至关重要的作用，可解释植被变化的21.80%。地形主要通过改变环境中的水热条件进而影响植被分布^［31］。海拔作为重要的地形因子，是影响山地水热条件分布的主要因素，具有一定的复杂性。随着海拔的升高，气温下降，太阳辐射和风速增加，产生了植物的垂直分布和多样性。本研究中，海拔可以解释贺兰山东麓洪积扇区荒漠草原中约15.97%的植被变化，海拔对植被覆盖度的影响大于其他自然因子；与以往的研究相同，研究区植被生长存在一个阈值，海拔1 476~1 687 m的FVC均值最高，为0.25~0.94，该海拔范围与其他海拔亚带之间存在显著差异。植被覆盖度随着海拔的上升呈良好变化趋势，植被覆盖度在海拔低于1 476 m时改善最明显，海拔低于1 476 m地区以灌木、半灌木为主，水分条件差，植被覆盖度较低，在20年的变化中，覆盖度由极低转变为低或中等的趋势。

以往关于自然因素对植被覆盖影响的研究表明，在大多数半干旱地区，温度和降水被认为是影响植被分布和变化的最重要的气候因子。在本研究中，地处贺兰山东麓洪积扇区，与其他因子相比，降水和海拔、空气湿度、日照时数、年均气温的Q值占比最高。交互作用影响增大，反映区域内植被对于温度和降水的变化敏感，与前人研究一致。

已有对贺兰山植被变化驱动研究主要为FVC时空变化规律及其与年降水量、年均气温等自然因子的简单相关性分析，忽略了其他气候因素、地貌及人类活动等因子对植被覆盖度的影响，且对于影响因素之间的协同作用以及变化趋势研究较少。本研究在对贺兰山东麓洪积扇区荒漠草原植被覆盖度时空变化分析的基础上，分析不同驱动因子及其相互作用。不足之处，人类活动对于植被覆盖的影响十分复杂，特别是随着生态建设及洪积扇区域开发建设活动的不断发展，如生态措施、旅游开发政策等均会对植被覆盖造成一定影响。在接下来的研究中可以选取更多的影响因子进一步深入探讨研究区植被覆盖度变化的驱动因素。此外，许多研究表明^［32-33］太阳辐射、干旱程度、极端天气事件等都会对植被覆盖的变化产生影响，后续研究需要重点考虑和分析。NDVI也存在密集植被冠层中可能达到饱和，导致生物量密集地区的趋势不准确，以及土壤背景影响等问题^［34］研究中未考虑。

本研究利用Landsat卫星遥感数据，结合像元二分模型、Sen+Mann-Kendall趋势分析、变异系数、Hurst指数和OPGD模型，分析了2001—2020贺兰山东麓洪积扇区荒漠草原植被覆盖度时空变化特征及其与气候、地形等因素的相关性，分析不同驱动因子及其相互作用对贺兰山东麓洪积扇区荒漠草原植被变化的贡献，有效地量化了主要驱动因素及其相互作用对植被变化的相对贡献。

贺兰山东麓洪积扇区荒漠草原FVC空间上呈现出西北高东南低的趋势，以极低植被覆盖度和低植被覆盖度为主。多年FVC均值为33.38%，表明研究区总体植被覆盖度处于较低水平。

2001—2020年贺兰山东麓洪积扇区荒漠草原FVC总体呈现为显著增加趋势（P<0.01），年均增长率为2.34%，整体表现为西北部和东南部呈改善趋势，其中改善的区域占植被覆盖总面积的93.24%；植被覆盖度的平均变异系数为0.394，整体相对稳定，空间上东部和北部变化表现最为剧烈，西部次之，南部变化最小，具有显著的空间差异。

研究区植被覆盖度的反持续性较强，Hurst指数平均值为0.495，大于0.5的区域占44.77%，小于0.5的区域占49.12%，等于0.5的区域占6.1%；从空间分布上看，研究区南部、西部Hurst指数较高，植被变化的持续性较高，东部、北部Hurst指数较低，植被变化的持续性较低。

基于OPGD模型分析的FVC驱动因子贡献度为年降水量>土地利用类型>海拔>空气湿度>日照时数>年均气温>地貌类型>植被类型>坡度>坡向，各因子的Q值均通过显著性检验。各因子交互作用的解释力（Q值）均高于单因子，表现出双因子协同增强和非线性增强关系，不存在独立关系。风险探测表明，各驱动因子对研究区植被生长均有其适宜范围的影响。