沙漠化是全球面临的严峻环境挑战^［1-2］，特别是在干旱、半干旱及部分亚湿润地区^［3-5］，自然条件与人类活动的双重作用促使生态环境退化、土地质量降低，形成了具有风蚀特征的沙漠景观^［6］。这一过程还加剧了经济困境，对民众生活和国家经济发展造成了极大影响，成为当代社会面临的重大问题^［7-8］。中国的干旱和半干旱地区生态环境脆弱，是沙漠化的易发及高发区^［9］。气候的干旱和人类的不合理干预，使得土地沙漠化的范围不断扩大，对区域的生态和社会经济可持续发展构成了显著制约^［10］。鉴于此，探究这些地区的土地沙漠化过程，预知潜在风险，确定敏感区域，对于有效开展防沙治沙工作和实现可持续土地管理具有重要意义。

土地沙漠化敏感性的评估是实现有效防沙治沙和可持续土地管理的关键前提^［11］，可在一定程度上揭示区域的生态敏感性，为生态环境分区管理提供基础^［12-13］。评估土地沙漠化的潜在风险和敏感性，可以识别处于警戒状态的区域，指导相应的生产和管理活动^［14］。尽管国内外开展了众多关于沙漠化的研究，涵盖了形成背景^［15］、监测与评估^［16-17］、生物恢复机理^［18-19］及防治策略等方面^［20］，但对于土地沙漠化敏感性的评价方法研究较少，且目前仍处于探索阶段。当前国际上应用最为广泛的地中海荒漠化和土地利用项目（Mediterranean Desertification and Land Use Project， MEDALUS）开发的环境敏感区（Environmental Sensitivity Area， ESA）评估方法（简称MEDALUS-ESA）是评价沙漠化敏感性的经典方法^［7］，通过综合气候、土壤、植被和人类管理等因素，全面反映区域的沙漠化敏感性^［21］。然而，由于不同地区在气候、土地利用和水资源等方面的差异，需要对MEDALUS模型进行地区特定的调整和改进。本研究旨在调整和优化MEDALUS模型，结合层次分析法（Analytical Hierarchy Process， AHP），对沙漠化敏感性评价因子的权重进行科学量化，从而提高模型的适用性和评估准确性。

科尔沁沙地是中国北方干旱、半干旱农牧交错带的典型地区，对气候变化和人类活动极为敏感^［22-23］。尽管通过一系列生态保护工程有效缓解了沙漠化趋势^［24-25］，但人口增长和活动的增加使得沙地生态系统的稳定性面临新的挑战。因此，本研究利用改进后的MEDALUS模型和AHP方法，对科尔沁沙地的土地沙漠化敏感区域进行了定量识别和综合评价，旨在为类似非地中海地区提供一种科学、准确的沙漠化敏感性评估方法。本研究的成果不仅可以为科尔沁沙地的沙漠化防治提供科学依据，也为全球其他类似地区的沙漠化敏感性评估和防治工作提供重要参考。

科尔沁沙地（117°49′—123°42′E、41°41′—46°05′N）位于内蒙古自治区东部，处在内蒙古高原向东北平原的过渡地带，是中国北方典型的农牧交错地区，也是东北平原的重要生态屏障。研究区覆盖内蒙古自治区15个旗县，总面积为12.51万km²（图1）。

科尔沁沙地地势西高东低，南北高中间低，海拔88~2 004 m。该地区属于温带半干旱大陆性季风气候，年降水量300~500 mm，并表现出自东南向西北递减趋势^［26］。年平均气温3~7 ℃，年蒸发量1 500~2 500 mm，无霜期130~150 d^［27］。地貌以缓起伏沙地为主，相间有沙质草甸和农田；土壤以栗钙土和黑垆土为主，非地带性土壤主要包括风沙土、草甸土和盐碱土^［28］；植被类型主要包括草原地带性沙地植被、草甸草原、低湿地植被、典型草原和人工植被等^［29］。

土壤质地、土壤含水量、土壤有机质等数据来源于“国家地球系统科学数据中心（http：//soil.geodata.cn）”-土壤分中心。降雨量、干燥度指数、气温、植被盖度、抗旱性（TVDI）、植被净初级生产力（NPP）等数据均来自于“国家地球系统科学数据中心（https：//www.geodata.cn）”。土壤深度数据提取于中国高分辨率国家土壤信息网格基本属性数据集，该数据集由“国家青藏高原科学数据中心（http：//data.tpdc.ac.cn）”提供。坡度和坡向数据由DEM数据提取获得，DEM数据来源于“地理空间数据云（https：//www.gscloud.cn）”，经过镶嵌、投影及重采样处理，再利用ArcGIS 10.5中的Slope和Aspect工具进行提取。侵蚀防护和政策实施数据提取于MODIS Collection 6.1（C61）土地覆盖类型数据（https：//modis.gsfc.nasa.gov）。土地利用遥感监测数据由“地球资源数据云平台（www.gis5g.com）”提供。人类足迹数据是由中国农业大学土地科学与技术学院的城市环境监测及建模（UEMM）团队提供的2000—2020年逐年全球人类足迹栅格数据；人口增长率的计算基于人口数据，人口增长率=（年末人口数-年初人口数）/年平均人口×100%，人口数据源于“WorldPop（https：//www.worldpop.org）”。所有数据和指标的空间分辨率统一重采样为1 km，并使用GCS_WGS_1984地理坐标系和Albers Conical Equal Area投影坐标系。由于不同数据的度量单位和含义不同，将所有数据转化为无量纲的纯数值。

MEDALUS-EAS方法是一个由多维指数综合构成的敏感性估算方法，主要由3个生物物理指标（土壤、气候和植被质量指数）和人为指标（管理质量指数）组成，通过计算各基本单元质量指标的几何均值，得到各基本单元的环境敏感性^［7］。本研究基于原始MEDALUS-ESA方法，结合科尔沁沙地自然环境特征及各变量与土地沙漠化之间的关系，对原始模型框架中相应的指标和因子变量进行删减与优化，构建新的土地沙漠化敏感性评价指标体系与模型，并创新性地引入层次分析法（AHP）对沙漠化敏感性评价因子权重系数进行量化，进而耦合改进后的MEDALUS模型实现对科尔沁沙地土地沙漠化敏感区域的定量识别。

改进后的MEDALUS-ESA模型包括土壤质量指数（Soil Quality Index， SQI）、气候质量指数（Climate Quality Index， CQI）、植被质量指数（Vegetation Quality Index， VQI）、土地管理质量指数（Land Management Quality Index， LMQI）和社会经济质量指数（Socio-Economic Quality Index， SEQI）5个指标及17个因子变量。其中，土壤质量指数在删除原有个别变量的基础上增加了“土壤含水量”和“土壤有机质”，气候质量指数增加了“气温”，植被质量指数新增了“植被净初级生产力（Net Primary Productivity， NPP）”，新增的社会经济质量指数分别设置了“人口增长率”和“人类足迹”两个变量（图2）。此外，根据研究区实际情况，对新增和个别原参数分值及等级划分阈值进行了设置与微调。

AHP的理论核心在于将复杂而高阶的系统分解为有序的低阶层次结构，这种分解使得决策问题可以被转化为对一组方案优先级次序的排列问题，根据特定的选优条件组，从方案的整体排序中选择最佳方案^［30］。AHP通过建立层次架构模型，构建判断矩阵，进行层次单排序与一致性检验，计算一致性指标（Consistency Index，CI）来检验判断矩阵的一致性，最后当一致性比率（Consistent Ratio）CR<0.1时，认为判断矩阵通过一致性检验^［31］。本研究选用该方法确定各质量指数及其指标单因子的权重，最终通过综合加权来确定沙漠化敏感性指数。

对于各质量指数及其因子变量，参照原MEDALUS-ESA模型标准并结合研究区实际情况，将其划分为不同的类别，进而参考原模型对其赋予不同的分值。同时，综合专家意见与已有相关研究结果^［32-33］，利用Yaahp软件确定各质量指数及其指标类别因子的权重系数。

土壤质量指数是干旱、半干旱地区陆地生态系统的主导因子，可用于确定土壤状况，衡量土壤母质和地形条件对土地沙化的影响^［34］。本研究中土壤质量指数由土壤质地、土壤含水量、土壤有机质、土壤深度和坡度等5个指标（表1）加权综合之后得到：

式中：SQI为土壤质量指数；S₁~S₅为组成土壤质量指数的5个指标；W_S1~W_S5为土壤各指标对应的权重（由各指标类别权重求和得到）。

气候质量指数通过使用影响植物水分有效性的参数来评估气候变化对土地沙漠化的影响^［35］。降雨越少，气温越高，空气中水分子含量减少，气候干燥度增加，以此为特征的恶劣气候条件有可能导致土地沙漠化的加剧^［36］。本研究中气候质量指数由降雨量、气温、干燥度指数和坡向等4个指标（表2）加权综合之后得到：

式中：CQI为气候质量指数；C₁~C₄为组成气候质量指数的4个指标；W_C1~W_C4为气候各指标对应的权重。

植被质量指数反映不同植被覆盖度和植被类型对土地沙漠化的影响，它在土地沙漠化过程中起着至关重要的作用^［37］。本研究中植被质量指数由植被盖度、侵蚀防护、抗旱性和NPP等4个指标（表3）加权综合之后得到：

式中：VQI为植被质量指数；V₁~V₄为组成植被质量指数的4个指标；W_V1~W_V4为植被各指标对应的权重。

土地管理质量指数反映了人类对土地资源的利用效率和管理干预，土地管理对土地沙漠化的影响，从土地利用强度和政策实施两个方面量化了影响沙漠化敏感性的不同人为环境压力^［35］。本研究综合土地利用强度和政策实施两方面因素评估土地管理质量指数（表4）：

式中：LMQI为土地管理质量指数；L₁、L₂为组成土地管理质量指数的两个指标；W_L1、W_L2为土地管理各指标对应的权重。

与原始MEDALUS方法不同，本研究使用社会经济质量指数（SEQI），它不仅反映了人类对生态系统的直接影响，而且暗含人类活动对土地沙漠化的影响。本研究综合人口增长率和人类足迹两个因子来估算社会经济质量指数（表5）：

式中：SEQI为社会经济质量指数；SE₁、SE₂为组成社会经济质量指数的两个指标；W_SE1、W_SE2为社会经济各指标对应的权重。

根据MEDALUS-ESA方法，本研究创建了新的土地沙漠化敏感性指数（LDSI）来评价土地沙漠化敏感性。通过对LDSI进行等级划分确定土地沙漠化敏感区域，进而开展不同区域土地沙漠化敏感性的评价研究。通过将所有的质量指数图层加权求和，得到土地沙漠化敏感性指数LDSI，各指数权重确定方法与各质量指数指标因子确定方法相同（表6）。沙漠化敏感性指数（LDSI）计算公式如下：

LDSI=CQI×W_CQI+SQI×W_SQI+VQI×W_VQI+

式中：LDSI为沙漠化敏感性指数；CQI为气候质量指数；SQI为土壤质量指数；VQI为植被质量指数；LMQI为土地管理质量指数；SEQI为社会经济质量指数；W为各质量指数对应的权重。

地理探测器是一种用于分析地理现象空间分布和影响因素的工具或方法，通常被用于研究地理空间数据的关联性、空间异质性和驱动因素，能够有效地揭示环境因子与地理现象之间的关系强度和作用机制^{［14，38］}。本研究采用地理探测器模型，通过分析因子的解释力及交互作用来揭示各因子对科尔沁沙地土地沙漠化敏感性空间分异的影响程度。

对于通过综合加权得到的各质量指数，采用自然间断法（Nature breaks）将各质量指数分值按照由高到低划分为高等、较高、中等和低等4个类别（图3），并对不同质量指数各类别空间分布及其比例进行统计分析。

SQI统计结果显示，高等、较高、中等和低等4类在区内占比分别为33.30%、27.31%、31.90%和7.49%（图3F）。从空间分布结果可以看出，高等土壤质量指数区域主要分布在科尔沁沙地西北部各旗县区，除此之外，在翁牛特旗西南部、敖汉旗中部和科尔沁左翼中旗东北部也有零星分布；较高质量指数主要分布在研究区北部部分旗县以及翁牛特旗、敖汉旗和奈曼旗的南部区域；中等土壤质量指数区域集中分布在科尔沁中东部大片区域；低等土壤质量指数区域主要分布在翁牛特旗东北部和奈曼旗西北部，其次为库伦旗中部、开鲁县和科尔沁左翼中旗西部，在阿鲁科尔沁旗中部和南部地区呈条带状分布（图3A）。

VQI统计结果显示，高等、较高、中等和低等4类在区内占比分别为54.69%、28.70%、13.81%和2.80%（图3F）。从空间分布结果可以看出，高等植被质量指数区域占比最大，超过研究区总面积的一半，其次为较高等区域，低等区域占比最小。高等植被质量指数区域主要分布在科尔沁沙地西北部和东北部大部分地区，以及翁牛特旗西部和敖汉旗南部；较高等植被质量指数区域主要分布在科尔沁沙地中北部和中南部地区；中等植被质量指数区域主要分布在翁牛特旗中东部和库伦旗中部地区；低等植被质量指数区域集中分布在翁牛特旗中东部、奈曼旗西北部及库伦旗中部（图3B）。

CQI统计结果显示，高等、较高、中等和低等4类在区内占比分别为17.03%、33.07%、40.37%和9.49%（图3F）。从空间分布结果可以看出，气候质量指数各分类等级界限明晰，高等气候质量指数区域呈东北-西南方向分布在科尔沁沙地西北部沿大兴安岭走向；较高气候质量指数区域与高等质量指数区域交错分布，介于高等和低等区域之间沿地形走势分布；中等气候质量指数区域主要分布在东南部地区；低等气候质量指数区域沿东北-西南方向呈“楔形”分布在科尔沁沙地中部和东部，由东北向西南范围逐渐缩小（图3C）。

LMQI统计结果显示，高等、较高、中等和低等4类在区内占比分别为36.44%、48.16%、0.04%和15.36%（图3F）。从空间分布结果可以看出，高等土地管理质量指数区域主要分布在科尔沁沙地西北部山区，多为林地和中高盖度草地；较高土地管理质量区域主要分布在南部及中部平原区，多为丘陵旱地和水浇地；中等土地管理质量指数区域呈斑块状零散分布在中部平原地区；低等土地管理质量指数区域主要分布在老哈河两侧的翁牛特旗中东部和奈曼旗中西部，以及库伦旗的中北部，其次在阿鲁科尔沁旗的西北-东南方向呈条带状，在扎鲁特旗和科尔沁右翼中旗东南部也有广泛分布（图3D）。

SEQI统计结果显示，高等、较高、中等和低等4类在区内占比分别为49.36%、30.05%、15.68%和4.91%（图3F）。从空间分布结果可以看出，高等社会经济质量指数区域呈片状在全区均有分布，通辽市辖区及敖汉旗分布较少；较高社会经济质量指数区域沿道路呈网状在研究区交错分布；中等社会经济质量指数区域则围绕中心枢纽呈网状从城镇发展中心向外辐射分布；低等社会经济质量指数区域主要分布在城市、乡镇及其周边区域，以通辽市市辖区等社会经济发展程度较高区域最为明显（图3E）。

根据《生态功能区划技术暂行规程》中敏感性等级划分方法、沙漠化程度和影响因素，参考自然间断法将土地沙漠化敏感性划分为极敏感区、高度敏感区、中度敏感区、轻度敏感区和不敏感区5个等级。

科尔沁沙地LDSI为0.073~0.834（表7）。极敏感区面积为4 024 km²，占研究区总面积的3.22%，主要分布在翁牛特旗中东部和奈曼旗西部，沿老哈河两侧分布，其余在库伦旗中部以及阿鲁科尔沁旗呈条带状分布，这些区域地貌类型多为固定沙丘、半固定沙丘和半流动沙丘，植被覆盖度极低，沙漠化程度极其严重，是整个科尔沁沙地沙漠化分布的核心区。沙漠化高度敏感区面积为6 936 km²，占研究区总面积的5.55%，主要分布在沙漠化极敏感区周边，围绕极敏感区向四周辐射分布，集中在奈曼旗西北部、敖汉旗北部与翁牛特旗和奈曼旗毗邻区域，以及库伦旗中部、阿鲁科尔沁旗中部和扎鲁特旗东南部，其余各旗县也有零星分布，这些区域均为沙漠化程度较为严重区域，植被覆盖度略好于极敏感区，且流动沙丘较少。沙漠化中度敏感区分布范围较广，除突泉县以外，其他各旗县均有分布，主要以中东部的开鲁县、通辽市市辖区和科尔沁左翼中旗，以及南部的敖汉旗、奈曼旗、库伦旗和科尔沁左翼后旗分布最为广泛，这些区域多为中度和轻度沙漠化的分布区，以及沙漠化向非沙漠化的过渡性区域，生态环境脆弱，受人类活动影响比较明显。沙漠化轻度敏区分布范围最广，总面积为48 606 km²，占研究区总面积的38.91%，是敏感性分区中占比最高的类型，这些区域主要以耕地和草地为主，受沙漠化威胁相对较低。沙漠化不敏感区域占研究区总面积的21.78%，主要分布在西北部的大兴安岭一带，植被类型以林地和高覆盖度草地为主，生态系统相对比较稳定，对沙漠化响应不敏感（图4）。

本文分别采用地理探测器空间分异及因子探测、交互作用探测对科尔沁沙地土地沙漠化敏感性影响因子进行分析，将沙漠化敏感性作为因变量Y；自变量X选取自然因素和人为因素共17个因子，采用自然间断法将自变量分为4类，将数值变量转化为类型变量，构建渔网格点并选取17 510个样本点，最后将自变量和因变量进行因子探测和交互探测，确定各自然因素和人为因素对沙漠化敏感性空间分异的影响程度。

地理探测器因子探测结果表明，科尔沁沙地土地沙漠化敏感性的空间分异受到多种自然因素和人为因素的复合作用，这些因素的相互作用显著影响了沙漠化过程（图5A）。统计检验结果显示，各因子对土地沙漠化敏感性空间分异的解释力均通过了显著性检验（P<0.05），但在影响程度上存在明显差异。通过对比分析，各因子对土地沙漠化敏感性空间分异的影响程度排序如下：土壤质地>土壤含水量>气温>NPP>抗旱性>土壤有机质>植被盖度>土壤深度>干燥度指数>土地利用强度>坡度>人类足迹>坡向>人口增长率>降雨量>政策实施>侵蚀防护。其中，土壤质地对土地沙漠化敏感性空间分异的影响最为显著，其解释力最强，q值达到0.3741，科尔沁地貌类型为固定沙丘、半固定沙丘、半流动沙丘和流动沙丘，且为典型的农牧交错区，其粗糙的土壤质地不利于水分的保持和植物的生长，从而影响土地沙漠化敏感性的空间分异。其次，对沙漠化敏感性空间分异影响较为显著的是土壤含水量（q=0.3681），低含水量是沙漠化易发生的重要条件，水分条件的好坏直接关系到植被的生长状况和土壤的侵蚀程度，从而影响土地沙漠化敏感性。此外，气温（q=0.3394）、NPP（q=0.3364）、抗旱性（q=0.3321）和土壤有机质（q=0.3218）也是影响土地沙漠化敏感性空间分异的重要自然因素。相对而言，侵蚀防护（q=0.0052）和政策实施（q=0.0058）等其余因素的空间分异解释力较弱，这反映了侵蚀防护措施和政策实施在改变土地物理性质和缓解沙漠化方面的间接性及其面临的挑战。政策实施对于改善土地沙漠化需要一定的时间而且受到多种因素的影响，因此其对土地沙漠化敏感性空间分异的影响程度相对较小。因此，在制定防沙治沙策略时，需综合考虑各种因素的影响。

地理探测器交互作用探测结果显示，与单因子相比，科尔沁沙地土地沙漠化敏感性指数对任意双因子交互作用的响应更加强烈，所有交互探测结果均为非线性增强和双因子增强，所以任意两两因素的交互作用均大于单一因素的独立作用（图5B）。其中抗旱性∩NPP（q=0.6171）交互影响力最显著，呈现双因子增强的效果，因为良好的植被覆盖能够有效保持土壤水分，增强土壤的抗风蚀能力，从而减缓沙漠化进程；其次是NPP∩气温（q=0.6031）和土壤质地∩土壤含水量（q=0.5999）的交互作用，均表现出明显的双因子增强效应。气温的升高可能加速土壤水分的蒸发，影响植物的生理活动，从而影响其生长状况和生态系统的稳定性，进而影响沙漠化敏感性的空间分异。同时，土壤质地和土壤含水量之间的良好匹配对于维持植被生长和减缓沙漠化进程至关重要，两者共同作用反映了土壤物理性质与水分条件在沙漠化防控中的协同效应。综合结果表明抗旱性、气温、NPP、土壤含水量和土壤质地在特定组合下会极大增强各因子对土地沙漠化敏感性空间分异的影响。

本研究以当前国际上应用最为广泛的地中海荒漠化与土地利用敏感性评估模型（MEDALUS-ESA）为切入点，通过构建新的土地沙漠化敏感性评估指标体系与模型，综合评估了科尔沁沙地土地沙漠化敏感性程度及其空间分布特征。为了证明模型结果的准确性，我们分别采用NDVI和土地沙漠化空间分布结果对沙漠化敏感性评估结果进行了侧面验证，相关研究指出^［39］，NDVI对土地退化高度敏感，在一定程度上可以反映土地退化状态。因此，本研究对分布在不同沙漠化敏感等级内的NDVI进行了统计分析（图6），发现不同沙漠化敏感性等级NDVI均值存在明显差异，随着沙漠化敏感性等级的上升，不同敏感区NDVI均值也随之呈下降趋势，不同等级沙漠化敏感性指数与NDVI的相关系数高达-0.523（P<0.01，基于随机选取的1 000个点）。从NDVI标准差波动范围可以看出，中度和高度敏感区离散程度相对较大，不敏感区、轻度敏感区和中度敏感区NDVI重叠范围较广，高度和极敏感区重叠范围较小，说明NDVI虽然在一定程度上可以反映沙漠化敏感性结果，但是基于NDVI单一指标无法准确区分沙漠化不同敏感性等级。通过与现有沙漠化空间分布结果^［17］对比分析，发现极敏感区主要涵盖了极重度和大部分重度沙漠化，高度敏感区包括剩余部分的重度沙漠化和部分中度沙漠化，而中度敏感区几乎覆盖了所有的轻度沙漠化，由此可见沙漠化土地主要分布在中度、高度和极敏感区域，随时会对外围的轻度和不敏感区域构成威胁，这些区域干旱缺水，沙漠化严重，生态环境极其脆弱，应给予重点关注。此外，通过与任雨等 ^［40］、姜旭海等 ^［14］在该区域的研究结果比较，发现沙漠化敏感性在空间分布上具有一定的相似性，说明本研究所构建的指标体系和模型可用于该区域沙漠化敏感性评价研究。但是敏感性程度在部分区域存在差异，主要原因是所采用的指标体系、方法和等级划分依据不同，本研究通过对原模型改进与优化，并引入AHP层次分析法，细化了各指标因子在沙漠化敏感性中的贡献率，使得研究的结果更加精细、精度更高。

由于本研究主要是对沙漠化敏感性评价方法的探索，因此只获取了2020年一期的土地沙漠化敏感性空间分布结果，而没有获取多期的结果来开展区内沙漠化敏感性的动态变化过程研究，以及敏感性动态变化的主要驱动因素。另一个原因是本研究涉及的因子变量较多，且多为空间定量数据，对于部分因子（如土壤等）无法或较难获取多期的空间分布数据。在接下来的研究中，我们拟将因子变量划分为稳定变量和动态变量两大类，在保持稳定变量不变的条件下，最大化获取动态变量来开展沙漠化敏感性的时空动态变化研究。

本研究基于荒漠化敏感性评估模型（MEDALUS-ESA），结合研究区的环境特征，通过调整与优化原MEDALUS模型中相关指标和因子变量，并创新性引入AHP层次分析法，构建了适合于科尔沁沙地的土地沙漠化敏感性评估指标体系与模型，综合考虑气候、土壤、植被、土地管理和社会经济5个方面来评估区内土地沙漠化敏感性。在此基础上，采用地理探测器模型对影响沙漠化敏感性空间分异的主要因素进行了探讨。

各质量指数因其本身特征和作用不同在沙漠化敏感性评价中的贡献程度存在明显差异。土地沙漠化敏感性评价指标体系中植被质量指数所占权重最高，其次为气候质量指数和土壤质量指数。土壤质量指数中土壤含水量和土壤有机质所占权重最高，植被质量指数中植被覆盖度所占权重最高，气候质量指数各因子权重较为均衡，土地管理质量指数和社会经济质量指数中权重较高的因子分别为土地利用强度和人类足迹。

科尔沁沙地受沙漠化影响的敏感区域占研究区总面积的78.22%。轻度和中度敏感区占比较高，二者占沙漠化敏感区总面积的88.78%，极敏感和高度敏感区虽然所占比重较小，但是它们在空间分布上比较集中，主要分布在翁牛特旗、奈曼旗和库伦旗，这3个旗县也是整个科尔沁沙地沙漠化的核心区和重灾区，应给予高度重视。

单因子探测结果表明，土壤质地对科尔沁沙地土地沙漠化敏感性空间分异的影响最为显著，解释力最强，其次为土壤含水量。交互作用结果显示，沙漠化敏感性指数对任意双因子交互作用的响应更加强烈，任意两两因子的交互作用均大于单一因子的独立作用。抗旱性与NPP交互影响力最显著，呈现双因子增强的效果，其次为NPP与气温交互作用。由此可见，沙漠化敏感性空间分异受多因素的综合影响。