0 引言
荒漠化敏感性表示发生荒漠化的可能性大小。1994年《联合国防治荒漠化公约》提出对易受荒漠化影响区域的评估及预警要考虑气候、气象、水文、生态等自然因素［1］。荒漠化敏感性评估常采用MEDALUS模型，最初源于1999年的欧洲联盟资助的地中海荒漠化和土地利用项目（Mediterranean Desertification and Land Use）［5］，该模型综合了自然和人为因素对土地荒漠化的影响，被广泛用于地中海国家土地荒漠化评估［6-9］。随后，学者们逐渐改进MEDALUS模型，将其应用于非地中海国家荒漠化敏感性评估，如罗马尼亚［10］、泰国［11］、埃及［12］等，研究尺度逐渐扩大［13］。中国学者将MEDALUS模型应用于河西走廊［14］、科尔沁沙地［15］和中国北方［4］等地荒漠化敏感性研究［16-17］。但已有研究多侧重于分析荒漠化敏感性的空间分布特征，有待对荒漠化敏感性的时空特征及不同因子间相互作用对荒漠化敏感性的潜在影响进行深入研究。
1 研究区概况与数据来源
1.1 研究区概况
图1
图1
研究区位置示意图
Fig.1
Location of the study area
1.2 数据来源
采用的数据包括DEM数据、土壤质地数据、土壤有机质含量数据、植被覆盖率产品、土地利用分类数据、蒸散发数据、气温和降水数据、人口分布数据（表1）。各数据指标均重采样至30 m空间分辨率，并统一使用 WGS 1984 UTM Zone 47 N投影。
表1 共和盆地土地荒漠化敏感性评估数据
Table 1
| 数据类型 | 年份 | 空间分辨率/m | 来源 |
|---|---|---|---|
| DEM | 2020 | 30 | 地理空间数据云(http://www.gscloud.cn) |
| 土壤质地、土壤有机质含量 | 2013 | 1 000 | 世界土壤数据库(HWSD V1.2, http://www.fao.org) |
| NDVI | 2000—2020 | 250 | MOD13Q1 |
| 植被类型 | 2001 | 1 000 | 中国科学院资源环境科学数据中心(https://www.resdc.cn) |
| 土地利用分类 | 2000—2020 | 30 | CLCD (https://doi.org/10.5194/essd-2021-7) |
| 人口分布 | 2000—2020 | 1 000 | World Pop (https://www.worldpop.org/) |
| 气温、降水、风速 | 2000—2020 | 1 000 | 国家地球系统科学数据中心（https://www.geodata.cn/） |
2 研究方法
本文根据MEDALUS模型的原理和指标，结合共和盆地土地荒漠化特点，从气候质量指数、土壤质量指数、植被质量指数和土地管理质量指数4个方面选择11个指标构建土地荒漠化敏感性指数［23］，并将各指标的敏感性得分设置在1~2，计算出各指标的质量指数，根据4个质量指数的几何平均值获得最终荒漠化敏感性指数并用自然断点法进行分级。
2.1 气候质量指数
式中：CQI为气候质量指数；T为年平均气温；P为年降水量；W为年平均风速。
表2 气候质量指标的分类及其相应权重
Table 2
| 指标 | 分级 | 描述 | 权重 |
|---|---|---|---|
| 年平均气温 | 1 | <-6 | 1.00 |
| 2 | -6~-2 | 1.33 | |
| 3 | -2~2 | 1.67 | |
| 4 | >2 | 2.00 | |
| 年降水量 | 1 | >500 mm | 1.00 |
| 2 | 410~500 mm | 1.33 | |
| 3 | 320~410 mm | 1.67 | |
| 4 | <320 mm | 2.00 | |
| 年平均风速 | 1 | <1.4 m | 1.00 |
| 2 | 1.4~1.7 m | 1.33 | |
| 3 | 1.7~2 m | 1.67 | |
| 4 | >2 m | 2.00 |
2.2 植被质量指数
式中：VQI为植被质量指数；DR为抗旱性；PE为侵蚀防护；C为植被覆盖率。
表3 植被质量指标的分类及其相应权重
Table 3
| 指标 | 分级 | 描述 | 权重 |
|---|---|---|---|
| 侵蚀防护 | 1 | 针叶林、高山植被、其他 | 1.00 |
| 2 | 农田、草原、草甸 | 1.33 | |
| 3 | 灌丛 | 1.67 | |
| 4 | 荒漠 | 2.00 | |
| 抗旱性 | 1 | 针叶林、其他 | 1.00 |
| 2 | 农田、高山植被、灌丛 | 1.33 | |
| 3 | 草原、草甸 | 1.67 | |
| 4 | 荒漠 | 2.00 | |
| NDVI | 1 | >0.4 | 1.00 |
| 2 | 0.3~0.4 | 1.25 | |
| 3 | 0.2~0.3 | 1.50 | |
| 4 | 0.1~0.2 | 1.75 | |
| 5 | <0.1 | 2.00 |
2.3 土壤质量指数
式中：SQI为土壤质量指数；T为土壤含砂量；S为地形坡度；OM为土壤有机质含量。
表4 土壤质量指标的分类及其相应权重
Table 4
| 指标 | 类别 | 描述 | 权重 |
|---|---|---|---|
| 土壤含砂量 | 1 | <25% | 1.00 |
| 2 | 25%~40% | 1.33 | |
| 3 | 40%~65% | 1.67 | |
| 4 | >65% | 2.00 | |
| 地形坡度 | 1 | <5 | 1.00 |
| 2 | 5 | 1.33 | |
| 3 | 15 | 1.67 | |
| 4 | >30 | 2.00 | |
| 土壤有机质含量 | 1 | >3% | 1.00 |
| 2 | 2%~3% | 1.33 | |
| 3 | 1%~2% | 1.67 | |
| 4 | <1% | 2.00 |
2.4 管理质量指数
式中：MQI为管理质量指数；PD为人口密度；LU为土地利用类型。
表5 管理质量指标的分类及其相应权重
Table 5
| 指标 | 分级 | 描述 | 权重 |
|---|---|---|---|
| 人口密度 | 1 | <2 人·km-2 | 1.00 |
| 2 | 2~5 人·km-2 | 1.20 | |
| 3 | 5~10 人·km-2 | 1.40 | |
| 4 | 10~20 人·km-2 | 1.60 | |
| 5 | 20~40 人·km-2 | 1.80 | |
| 6 | >40 人·km-2 | 2.00 | |
| 土地利用强度 | 1 | 林地、灌木、湿地、裸地 | 1.00 |
| 2 | 草地、水体 | 1.50 | |
| 3 | 建设用地、农田 | 2.00 |
2.5 荒漠化敏感性指数
荒漠化敏感指数是对气候质量指数、植被质量指数、土壤质量指数和管理质量指数取几何平均值而得：
式中：DSI为荒漠化敏感指数；CQI为气候质量指数；VQI为植被质量指数；SQI为土壤质量指数；MQI为管理质量指数。
2.6 地理探测器
地理探测器作为广泛使用的统计模型，用于揭示空间变异性以及潜在的驱动力，可探测单个因子的空间异质性，还可通过计算空间分布一致性揭示两个因子间潜在的联系［25］。本研究选取荒漠化敏感性指数为因变量，自变量指标包括气候质量指数、植被质量指数、土壤质量指数、管理质量指数，地理探测器中的因子解释能力由q值表示。计算公式如下：
式中：h表示自变量的分层；Nh 和N表示层h和整个区域内的单元数；σh2和σ2表示层h和整个区域的离散方差；SSW是指总和层内方差；SST是指区域总离散方差；q是自变量对荒漠化敏感性指数的解释力，q的范围在0到1之间，q值越大表示所选因子解释力越强。
3 结果
3.1 土地荒漠化敏感性的空间特征
共和盆地气候质量指数呈现由东部向西部逐渐增高的趋势（图2A），高气候质量指数的区域分布面积相对较大，占总面积的36.54%，主要分布在盆地的中西部地区。而植被质量指数整体分布由中部向四周降低（图2B），低植被质量指数的地区分布最广，占研究区总面积的61.96%，这些地区植被覆盖度较高，荒漠化风险较低；中部荒漠化严重地区的植被质量指数较高。共和盆地土壤质量指数高的区域分布广泛（图2C），主要位于盆地的中部和东部，约占研究区的67.26%。这些区域以流动沙丘、固定沙丘、灌丛沙丘为主，地表物质疏松且沙源丰富，风沙活动强烈。中等土壤质量指数的地区包含茶卡盐湖周围及盆地的南部，这些区域水资源相对丰富，土壤有机质含量高，农业活动相对较多。共和盆地管理质量指数整体偏低（图2D），低管理质量指数的区域主要分布在共和盆地的西部以及土地荒漠化严重的地区，占研究区总面积的61.95%，这些地区人为干扰程度较小。管理质量指数高的区域仅占研究区域总面积的3.63%，主要分布在共和县、贵南县城中心区以及农村聚落集聚区，人口密度高，土地利用程度高。
图2
图2
2020年共和盆地各质量指数空间分布
Fig.2
Spatial distribution of climate quality index （A），vegetation quality index （B）， soil quality index （C） and management quality index（D） in the Gonghe Basin in 2020
2000—2020年，共和盆地土地荒漠化敏感性的空间格局变化不大，整体呈现中部高、四周低的分布特征（图3）。2020年荒漠化敏感性低的区域占研究区总面积的16.35%；荒漠化敏感性中等、高的区域分别占总面积的35.25%、26.38%，主要分布在盆地的东部和四周；荒漠化敏感性极高的区域占总面积的22.02%，集中分布在沙珠玉河流域、共和县附近以及塔拉滩附近。整体来看，共和盆地荒漠化敏感性以中高水平为主。
图3
图3
共和盆地2000—2020年荒漠化敏感性指数
Fig.3
Desertification sensitivity index map of Gonghe Basin from 2000 to 2020
3.2 土地荒漠化敏感性的时间变化
2000—2020年，不同荒漠化敏感性土地结构变化明显（表6，图4）。2000—2010年，荒漠化等级变化尤其明显，高、极高荒漠化敏感性的土地面积分别减少了2 140.58 km2和1 709.19 km2，荒漠化敏感性转移主要由高敏感性转为中等敏感性。2010—2020年，高、极高荒漠化敏感性的土地面积有所增加，分别增加了732.28 km2和1 057.74 km2，荒漠化敏感性转移主要由中等敏感性转为高敏感性，这可能与城镇化发展导致人类活动加剧有关。整体来看，2000—2020年研究区的荒漠化敏感性呈下降趋势，高、极高荒漠化敏感性的土地面积共减少了2 059.75 km2，荒漠化敏感性面积转移主要由高敏感性到中等敏感性、极高敏感性到高敏感性。
表6 共和盆地沙漠化敏感性面积
Table 6
| 年份 | 荒漠化敏感性分级 | |||
|---|---|---|---|---|
| 低 | 中等 | 高 | 极高 | |
| 2000 | 2 721.19 | 5 362.16 | 6 678.57 | 5 051.77 |
| 2010 | 4 422.06 | 7 507.64 | 4 537.99 | 3 342.58 |
| 2020 | 3 267.63 | 7 042.89 | 5 270.27 | 4 400.32 |
图4
图4
共和盆地2000—2020年荒漠化敏感性土地转化
Fig.4
The transfer in desertification sensitivity of the Gonghe Basin from 2000 to 2020
4 讨论和建议
4.1 荒漠化敏感性的影响因素
本文以气候质量指数、植被质量指数、土壤质量指数和管理质量指数作为自变量，荒漠化敏感性指数为因变量，使用地理探测器模型进行因子探测及交互探测，探究2000—2020年共和盆地4种质量指数对荒漠化敏感性的影响。单因子探测结果表明气候质量指数、植被质量指数对荒漠化敏感性的影响大于土壤质量指数、管理质量指数（表7），表明气候、植被质量指数是共和盆地荒漠化敏感性的主要影响因素，土壤质量指数次之，管理质量指数的影响程度最低。2000—2020年，气候质量指数的影响呈上升趋势，而植被质量指数的影响呈下降趋势。气候质量指数对共和盆地荒漠化敏感性起直接作用，是最主要的影响因素，共和盆地气候干旱、降水稀少，地形平坦开阔，包含的大量第四纪松散沉积物，如河流、湖泊沉积物和古风成沙［22］，很容易被风侵蚀［26］。而植被和土壤是改变荒漠化敏感性最基本的影响因素，高植被覆盖、高土壤质量可以有效抑制土地荒漠化。此外，管理质量指数对荒漠化敏感性起到一定的限制作用［27］。因此，可通过减少人类活动干扰强度，退耕还林还草，改善土壤有机质，提高共和盆地防沙固沙能力。
表7 地理探测器单因子探测结果
Table 7
| 荒漠化敏感性指数 | 2000年 | 2010年 | 2020年 |
|---|---|---|---|
| 气候质量指数 | 0.363 | 0.397 | 0.393 |
| 植被质量指数 | 0.398 | 0.320 | 0.321 |
| 土壤质量指数 | 0.293 | 0.303 | 0.290 |
| 管理质量指数 | 0.232 | 0.221 | 0.218 |
研究发现两个因素相互作用后的影响呈非线性增强（图5）。交互探测结果表明，2000—2020年主要交互因子对荒漠化敏感性的影响解释力的顺序为：植被质量指数∩管理质量指数>气候质量指数∩管理质量指数>气候质量指数∩土壤质量指数，其对因变量的解释力均超过58%。与单一因素相比，两个不同影响因素间的相互作用将增加对荒漠化敏感性的解释力［28］。植被质量指数∩管理质量指数是荒漠化敏感性最主要的影响因素，表明共和盆地的荒漠化敏感性是自然因素和人为因素的综合作用的结果，这与以往对青藏高原［29］、黄河源头［3］以及青海湖流域［30］的荒漠化成因研究相似。然而，本文得到的荒漠化敏感性的主要因素与其他区域有所不同，这可能与研究区域尺度、评估指标的选取以及共和盆地特定地质环境等因素有关［14-17］。
图5
图5
地理探测器交互探测结果（P<0.01）
Fig.5
Geographical detector results of interaction detection （P<0.01）
本文为共和盆地制定有针对性的荒漠化防治策略提供了参考价值和科学依据，但也存在不足。文中荒漠化敏感指数分辨率精确到30 m，但很多数据源分辨率较低，后期将通过野外考察获得更精确的共和盆地荒漠化敏感性相关数据。此外，还应考虑放牧压力、社会经济发展及光伏产业发展导致下垫面变化对荒漠化敏感性的影响，未来应更系统全面地探究共和盆地荒漠化敏感性评估及驱动机制。
4.2 土地荒漠化防治建议
共和盆地的荒漠化敏感性受自然因素与人类活动共同影响。因此，基于本文的研究结果，对共和盆地的荒漠化防治提出以下建议：①通过加强退耕还林还草、禁牧等生态政策，流动沙丘地区进行草方格固沙，盆地四周建立人工防风固沙林，提高植被覆盖率，改善区域局地小气候及土壤质量。②应减少过度放牧、过度灌溉造成的土地退化，在城镇化快速发展的背景下，减少人类活动强度对荒漠化区域的影响。将自然条件与人为条件相结合，建立阻止荒漠化扩大的绿色屏障，有效减少荒漠化风险。
5 结论
共和盆地荒漠化敏感性呈现由中部向周围逐渐降低的空间分布格局，2020年荒漠化敏感性总体处于中高水平，面积约12 191.4 km2，约占总面积的61.63%，主要分布在盆地东部及四周地区。
2000—2020年，共和盆地荒漠化敏感性明显改善。其中2000—2010年高、极高荒漠化敏感性的土地面积减少3 849.77 km2，而2010—2020年荒漠化敏感性高、极高荒漠化敏感性的土地面积略有增加，这与人类活动增强有关。
影响共和盆地土地荒漠化敏感性的4个质量指数中，气候质量指数、植被质量指数是共和盆地土地荒漠化的主要驱动因素。共和盆地土地荒漠化敏感性受自然因素和人类活动共同影响，植被质量指数和管理质量指数的相互作用是主导因素。
参考文献
United Nations Convention to Combat Desertification in Countries Experiencing Serious Drought and/or Desertification，Particularly in Africa
［R］.
The dominant influencing factors of desertification changes in the source region of Yellow River：climate change or human activity？
［J］.
Assessing the spatial-temporal pattern and evolution of areas sensitive to land desertification in North China
［J］.
Manual on Key Indicators of Desertification and Mapping Environmentally Sensitive Areas to Desertification
［R］.
Mapping sensitivity to land degradation in Extremadura，SW Spain
［J］.
Fifty years on：long‐term patterns of land sensitivity to desertification in Italy
［J］.
Land-use and land degradation processes affecting soil resources：evidence from a traditional Mediterranean cropland （Greece）
［J］.
Desertification risk assessment in Turkey based on environmentally sensitive areas
［J］.
Spatial assessment of land sensitivity to degradation across Romania：a quantitative approach based on the modified MEDALUS methodology
［J］.
Factor influencing land degradation sensitivity and desertification in a drought prone watershed in Thailand
［J］.
Assessment of environmentally sensitive areas to desertification in the blue nile basin driven by the MEDALUS-GEE framework
［J］.
Monitoring land sensitivity to desertification in Central Asia：convergence or divergence？
［J］.
Environmental sensitivity assessment of land desertification in the Hexi Corridor，China
［J］.
Sensitivity assessment of land desertification in China based on multi-source remote sensing
［J］.
Evaluation and selection of indicators for land degradation and desertification monitoring：methodological approach
［J］.
Late Pleistocene and Holocene aeolian sedimentation in Gonghe Basin，northeastern Qinghai-Tibetan Plateau：variability，processes，and climatic implications
［J］.
Monitoring of aeolian desertification on the Qinghai-Tibet Plateau from the 1970s to 2015 using Landsat images
［J］.
Monitoring and analysis of desertification surrounding Qinghai Lake （China） using remote sensing big data
［J］.
甘公网安备 62010202000688号
