土地退化是生态系统遭破坏下各种土地自然潜力的衰减，不仅削弱土地可持续的生态生产力，影响陆地生态系统的稳定性，还对人类生态环境和可持续发展造成严重威胁，已成为当前全球性的生态环境难题^［1］。为了更有效地应对土地退化对人类生存和发展造成的严重挑战，联合国防治荒漠化公约组织（UNCCD）于2015年提出了“土地退化零增长”（LDN）的概念。在特定的时空尺度及生态系统范围内，现有土地资源的数量和质量应得到维持或提升，以保护生态系统功能完整和保障粮食安全，实现健康的生态系统状态^［2］。随后，LDN被纳入SDG15.3中作为2030年的具体实现目标，旨在建立一个土地退化消失的世界。

荒漠化是生态环境各方面退化并呈现荒漠的景观表现，包括风蚀荒漠化、水蚀荒漠化和土地盐渍化等^［3］。风蚀荒漠化是由气候变化和人类活动等造成的干旱、半干旱和部分半湿润气候区域以风沙活动为主要特征的土地退化现象^［4］，不仅影响土地资源的可持续利用与保护，还会导致干旱区生态环境恶化和社会经济问题。根据最新监测结果，中国荒漠化土地占国土总面积的27.20%^［5］。自1994年首次全国性荒漠化调查以来，国家采取了多项举措来防治土地荒漠化。然而，整体的荒漠化情况依然严峻，防沙治沙和生态恢复任务十分重大。同时，为实现中国2030年可持续发展目标，确保土地退化零增长，对荒漠化进行快速且精准的监测是科学治沙的关键。

实施荒漠化监测能够有效地揭示土地荒漠化的演变进程，为深入探究荒漠化的驱动因素和精确预测其发展趋势奠定坚实基础。传统方法主要采用目视解译与野外调查相结合的方式对土地荒漠化的具体表征进行动态监测^［6-8］，在大规模的区域监测中费时耗力，且解译精度易受多种主观因素影响。近年来，随着遥感光谱特征识别技术的发展，许多学者通过定量遥感技术，反演地表参量，使用荒漠化监测指标对区域荒漠化进行动态监测。以往主要选取单一的地表参量如植被覆盖度（FVC）、地表反照率（Albedo）、归一化植被指数（NDVI）等作为荒漠指标^［9-11］，根据指标特征对不同区域进行荒漠化监测。以上指标在某种程度上能够映射出区域的水热条件和植被状况，提高荒漠化监测的效率。但由于荒漠化演化原因的复杂性，由单一地表参量构建的荒漠化指标不能准确且全面地反映研究区的荒漠化信息^［12］。因此，曾永年等^［13］提出将地表反照率和归一化植被指数进行线性拟合，构建Albedo-NDVI特征空间模型，为更有效、更方便地定量监测荒漠化时空分布和动态发展提供了科学方法。Albedo-NDVI特征空间模型充分利用了多维遥感信息，指标能直观反映区域荒漠化过程和地表特征变化，而且简单、易于获取，便于进行不同区域尺度的荒漠化定量分析和监测^［14-15］。同时，NDVI和Albedo具有时空连续性，能分别定量反映地表植被覆盖的动态变化和地表形态演变，使该模型能从多空间尺度、多时相以及综合多指标的角度对区域实现长时序的荒漠化动态监测，而且荒漠化分类精度较高，可为准确分析影响区域荒漠化因素提供依据^［16-17］。鉴于此，越来越多的学者运用Albedo-NDVI特征空间模型对不同研究区荒漠化程度进行分类评价^［18-20］。Albedo-NDVI特征空间模型相较于单一指标，能更有效地进行区域荒漠化定量监测，尤其适用于荒漠化转换较为频繁区域，同时也可为生态环境敏感区域实现荒漠化监测提供方法参考。

毛乌素沙地位于中国北方农牧交错带的中部，是典型的气候变化敏感区与生态环境脆弱区，其荒漠化演化受到气候变化与人类活动的剧烈影响^［21］。环境因素的变化已严重影响其生态系统，荒漠化问题日益严重^［22］。同时，毛乌素沙地荒漠化过程有其特地性，荒漠化转换较为频繁，尤其是20世纪50年代至80年代中期^［23］。自1978年以后，为恢复生态系统和延缓荒漠化进程，中国实施一系列的生态修复工程，如“三北防护林”“退耕还林”等^［24］。此后，毛乌素沙地荒漠化发生逆转，植被覆盖度和生态环境显著改善^［25］。因此，针对毛乌素沙地这一特性，开展该区域的荒漠化监测与评估，对有效防治荒漠化具有重要意义。同时，在以往对毛乌素沙地的荒漠化监测中，基于大数据平台和定量化模型的监测研究尚未得到系统的实施。鉴于此，本研究基于Google Earth Engine（GEE）云计算平台，以Landsat数据为数据源，选取植被归一化指数和地表反照率这2个遥感指数，构建特征空间模型并计算荒漠化差值指数，结合荒漠化转移矩阵对毛乌素沙地2000—2022年荒漠化时空分布特征及变化规律进行监测。结合同时期高分辨谷歌影像和土地利用数据开展精度验证。在此基础上，利用地理探测器，结合气象水文及地形等自然因素和社会经济数据，定量描述毛乌素沙地荒漠化形成和发展的驱动力。该研究不仅可为荒漠化快速监测提供借鉴，还能为当地荒漠防治及生态恢复提供科技支撑，以助力其积极有效地开展区域荒漠化防治工作和推动生态环境的恢复与保护。

毛乌素沙地（36°49′—40°12′N，106°11′—110°54′E）位于鄂尔多斯高原向黄土高原过渡区域，是中国北方农牧交错带和脆弱景观带的重要组成^［26］，总面积达4.8万km²，包含3省11个县（旗、区、市）。地势西北部高、东南部低（图1），海拔1 100~1 400 m，主要地貌类型为硬梁、软梁、滩地、丘陵及河谷^［27］。气候为典型的温带半干旱大陆性气候，年平均气温为6~8.5 ℃，年降水量由东南部的400~450 mm向西北部递减为200~450 mm^［28］，年蒸发量1 800~2 500 mm，年平均风速约4 m·s^-1，年大风日数10~40 d，风沙活动强烈^［29］。土壤和植被具有显著的过渡特征，从西北向东南土壤类型从棕钙土渐变为淡栗钙土，再向东南过渡为黄土高原暖温带黑垆土地带，非地带性土壤以风沙土为主^［30］，西部为狭叶锦鸡儿（Caragana stenophylla）和短花针茅（Stipa breviflora）等，东南部为羊草（Leymus chinensis）和黄背草（Themeda japonica）等^［31］。

本文借助GEE云计算平台在线处理遥感影像数据，采用空间分辨率为30 m的Landsat5 TM地表反射率数据集（LANDSAT/LT05/C02/T1_SR）和Landsat8 OLI地表反射率数据集（LANDSAT/LC08/C02/T1_SR）作为主要数据源。该数据集经过辐射定标、自动大气校正，且具有长时间观测、较高空间分辨率和免费获取等优点，是进行最佳遥感监测的Landsat数据。考虑毛乌素沙地实际情况，一共选取了毛乌素沙地2001、2005、2010、2015、2020、2022年共6期LandsatTM/OLI遥感影像，其中2001、2005、2010年为TM影像，共计11景；2015、2020、2022年为OLI影像，共计10景；由于2000、2010、2020年毛乌素沙地部分遥感影像质量不满足研究精度需要，故选取相邻时相或月份的遥感影像来代替，从而确保荒漠化信息提取的准确性。6期遥感影像均选取植被生长旺盛的6—9月，云量均小于2%。通过遴选遥感影像，计算NDVI和Albedo。

选取8个驱动因子数据探究毛乌素沙地荒漠化演变进程，涵盖自然因子（高程、坡向、气温、降水量、蒸散发量和土壤类型）和人为因子（人口和GDP）两方面。高程数据获取于中国科学院资源环境科学数据中心，SRTM 1 km DEM分辨率数字高程数据。坡向数据基于ArcGIS10.2软件从高程数据中计算得出。气温、降水量数据均来自地球资源数据云（http：//www.gis5g.com），数据空间分辨为1 km。蒸散发量数据来自于国家青藏高原数据中心（https：//data.tpdc.ac.cn/）的中国1 km分辨率逐月潜在蒸散发量数据集。土壤类型数据来自联合国粮农组织（FAO）土壤分类体系。人口和GDP数据均来自中国科学院资源环境中心^［32］以及各地区统计年鉴。其中气温、降水量、蒸散发量、人口和GDP数据选取2000、2005、2010、2015、2020、2022年6个时间点。

归一化植被指数（NDVI）能有效反映植被生产力的大小，在抑制土壤背景干扰和降低大气带来的影响等方面有重要作用。通常该指数被当作监测区域荒漠化的最常用遥感指数，成为有效评价该地区生态环境动态变化的最佳指标^［33］：

式中：Nir表示近红外波段的反射率；Red表示红波段的反射率。

地表反照率（Albedo）的变化能有效反映地表状态和覆被类型^［34］。在荒漠化加剧的过程中，土壤水分减少，植被覆盖度降低，从而导致地表反照率相应上升。本研究采用Liang等^［35-36］建立的地表反照率反演模型估算毛乌素沙地的地表反照率：

式中：Blue表示蓝波段的反射率；Red表示红波段的反射率；Nir表示近红外波段的反射率；Swir1和Swir2分别表示两个中红外波段的反射率。

对毛乌素沙地植被指数（NDVI）和地表反照率（Albedo）进行数据归一化处理：

式中：A分别为归一化的NDVI和Albedo；X_max和X_min表示NDVI和Albedo的最大值和最小值。

根据曾永年等^［13］提出的Albedo-NDVI二维特征空间是由归一化植被指数和反照率构成的散点图，可抽象为图2。上边界是高反照率线，表示了毛乌素沙地土地干旱程度。下边界是低反照率线，表示最大的湿度条件。

式中：a和b分别为特征方程的系数和截距。

在Albedo-NDVI特征空间中，各类荒漠化土地所对应的NDVI与Albedo之间展现出显著的线性负相关关系。依据Verstraete等^［37］的研究结论，可通过Albedo-NDVI特征空间干边的不同斜率划分出不同类型沙漠化土地，即利用干边斜率计算得到沙漠遥感监测差值指数模型。其中，干边斜率为a，按a×k=-1计算出k值，得出荒漠化差值指数（DDI）：

式中：a为干边斜率；k为Albedo与NDVI拟合线的斜率。DDI越大，荒漠化越轻；反之DDI越小，荒漠化越严重。

Jenks自然间断点法分级法根据最优值法可得出分界点，自动选择方差值最小的分类情况，得到最优分类结果^［38］。由于不同年份遥感影像时相不同，计算得出的DDI具有一定差异性。因此，本研究利用自然间断点分级法，结合谷歌高清影像进行DDI阈值确定，把毛乌素沙地历年的DDI结果分为5个等级：极重度荒漠化、重度荒漠化、中度荒漠化、轻度荒漠化以及非荒漠化，分别记为SD、HD、MD、LD和ND（表1）。

荒漠化土地转移矩阵原理主要源于马尔科夫模型，其能通过计算荒漠化土地类型之间相互转化的转移概率矩阵，来定量揭示各荒漠化土地类型之间相互转化的状况^［39］：

式中：P为面积；n为荒漠化土地类型数量；i和j分别为研究初期与末期荒漠化土地类型。

地理探测器^［40］是解析自然界空间分异规律及其驱动力的一种统计模型，本文借助其探究不同时期毛乌素沙地荒漠化演变的驱动因素。

因子探测器。通过q值度量某驱动因子（X）对于因变量（Y）的解释力大小：

式中：q代表探测因子（X）对于因变量（Y）的解释力，值域为［0，1］，q值越大说明解释力越强；h=1，2，…，L表示变量Y或X的分层；N_h 和N分别为层h和全区的单元数；σ² 分别为层h与全区Y的方差；SSW与SST分别代表层类方差之和与全区总方差。

交互探测器。研究两种不同的驱动因子对因变量Y的交互作用。通过与单因子探测时的q值进行比较，来评估双因子交互作用对因变量的解释力是否会增强或减弱。双因子之间的交互作用类型可分为5类（表2）。

因子的选择。荒漠化演化过程受到自然环境与社会经济的共同影响。根据毛乌素沙地荒漠化的特点，并结合已有荒漠化驱动因素的相关文献，本研究采用地理探测器模型，选择土壤类型（X₁）、高程（X₂）、坡向（X₃）、蒸散发量（X₄）、降水量（X₅）、GDP（X₆）、气温（X₇）和人口（X₈）来探究这8个因子对2000—2022年毛乌素沙地荒漠化的影响。

通过构建Albedo-NDVI特征空间模型得到毛乌素沙地6期荒漠化土地结果，采用混淆矩阵对该荒漠化分类结果进行精度验证。由于以前年份的分类结果在验证上存在一定的难度，故仅选2020年的荒漠化分类结果进行精度验证。运用ArcGIS10.2随机选择230个样本点，样本点均匀分布在毛乌素沙地中。同时，结合土地利用数据和Google Earth提供的同时期高分辨率地图，对检验点进行目视解译。通过计算2020年基于Albedo-NDVI特征空间的荒漠化土地分类精度评价混淆矩阵（表3），详细分析了不同年份的生产精度、用户精度以及总体精度的差异。

基于建立的混淆矩阵得到荒漠化等级分类正确的样本点数208个，荒漠化土地用户精度为85%~100%，生产者精度为50%~94.12%，总精度为90.43%，Kappa系数为0.8643。结果表明，该分类方法与荒漠化差值指数分类具有高度一致性，分类效果较为理想，表明该方法对荒漠化土地程度的分类较为可行。

2000—2022年毛乌素沙地以中度和轻度荒漠化土地类型为主，各类荒漠化面积整体有所减少，荒漠化呈现逆转趋势（图3）。

2000—2022年，毛乌素沙地的重度和中度荒漠化面积减少，而轻度和非荒漠化面积明显增加，分别增加了5 561.42 km²和3 096.71 km²，极重度荒漠化面积略微增加（表4、图4）。2000—2005年和2005—2010年，荒漠化土地分别净减少了521.33、534.61 km²，其中分别有32.41%和23.52%的重度荒漠化土地转为中度和轻度荒漠化土地，其次，两个时段内非荒漠化面积增加，表明该时段内毛乌素沙地的荒漠化呈逆转趋势。2010—2015年，毛乌素沙地重度荒漠化土地动态度为1.31%，表明其面积增加，增加了749.73 km²；中度和轻度荒漠化面积减少，表示该时段内毛乌素沙地的荒漠化呈现扩张趋势。2015—2020年荒漠化土地净减少了1 027.00 km²，减少类型主要逆转为中度和轻度荒漠化土地，非荒漠化面积增加了1 023.56 km²，说明该时段内毛乌素沙地荒漠化呈恢复态势。2020—2022年重度荒漠化土地动态度为-8.17%，表明其面积明显减少，减少了1 847.33 km²，轻度荒漠化和非荒漠化土地动态度均为正值，表明其面积呈增加趋势，分别增加了1 347.18、349.30 km²，说明该时段毛乌素沙地荒漠化呈持续恢复态势。因此，毛乌素沙地2000—2022年荒漠化整体呈逆转趋势。

2000—2022年毛乌素沙地以中度和轻度荒漠化类型为主，且主要分布在毛乌素沙地东部，重度荒漠化主要分布在西部，极重度荒漠化土地面积较小且呈零星分布（图5）。2000—2005年毛乌素沙地重度荒漠化分布范围缩小，其中鄂托克旗、乌审旗以及榆阳区变化明显，荒漠化程度整体减轻，中度和轻度荒漠化分布范围明显扩大，其中轻度荒漠化在毛乌素沙地东北部的伊金霍洛旗、康巴什区和神木市等地分布较为明显；2005—2010年毛乌素沙地西南部的盐池县、定边县等地荒漠化类型变化显著，以轻度荒漠化分布为主；2010—2015年毛乌素沙地西部的鄂托克旗、鄂托克前旗等地荒漠化轻微发展，重度荒漠化分布范围扩大；2015—2020年和2020—2022年毛乌素沙地荒漠化分布稳定，其中轻度和非荒漠化主要分布在东南部的靖边县、横山区和榆阳区以及东北部的伊金霍洛旗、神木市等地，重度和中度荒漠化主要分布在鄂托克旗、鄂托克前旗等地。综上所述，22 a间，毛乌素沙地荒漠化情况总体改善，主要表现为极重度和重度荒漠化地区逐渐缩小，轻度荒漠化和非荒漠化范围扩大，表明毛乌素沙地生态环境状况趋于好转。

为更清晰研究土地荒漠化空间动态变化进程，将荒漠化变化分为5种，分别为稳定、退化、显著退化、恢复及显著恢复。2000—2022年毛乌素沙地荒漠化空间变化整体稳定，变化格局为整体逆转、局部退化，其中东部呈逆转趋势，西部及西南部呈退化趋势。2000—2005年荒漠化明显逆转，荒漠化土地逆转趋势明显，主要分布在东北部的东胜区、康巴什区以及东南部的横山区、靖边县等地；2005—2010年毛乌素沙地荒漠化整体稳定，其中西南部的盐池县、定边县等地区呈逆转趋势；2010—2015年荒漠化呈轻微退化趋势，其中西部的鄂托克旗、鄂托克前旗、盐池县及定边县等地退化明显；2015—2020年荒漠化呈逆转趋势，其中西部鄂托克旗、杭锦旗等地逆转较为明显；2020—2022年毛乌素沙地荒漠化呈西南部逆转、东北部退化趋势，其中恢复地区主要分布在鄂托克前旗、盐池县及定边县等地（图6）。总体来看，22 a间毛乌素沙地土地荒漠化发展较为稳定，并在不断改善。

根据单因子探测结果（图7），降水量和GDP是各年份荒漠化空间分布的主要影响因子，q平均值分别为0.078和0.105，其余因子对毛乌素沙地荒漠化空间分布影响较小。2000—2005年，各因子对毛乌素沙地荒漠化的解释力GDP>降水量>气温>蒸散发量>土壤类型>高程>人口>坡向，其中GDP和降水量解释力明显高于其他因子，q值分别为0.044、0.043，可见毛乌素沙地荒漠化受经济发展和降水量变化影响较大。2005—2010年除土壤类型和人口这两类因子的解释力降低外，其他因子的解释力都有不同程度的上升，尤其是降水量与GDP这两个因子呈显著的上升趋势，但GDP的q值大于降水量，q值为0.106。这说明此时段经济发展较为迅速，人类活动的影响大于自然因素^［41］。与上一阶段相比，2010—2015年GDP的因子解释力仍然最大，q值为0.067。除高程、蒸散发量和气温外，其他单个因子的解释力普遍呈下降趋势，其中降水量因子解释力排名下降明显，说明此时间段内降水量对毛乌素沙地荒漠化的影响降低。2015—2020年，除坡向和气温之外，各类型因子的解释力均有所提高，其中GDP、降水量和高程的q值分别为0.120、0.089和0.070，这3个因子对毛乌素沙地的荒漠化影响最大。2020—2022年，GDP仍然是对毛乌素沙地荒漠化影响最大的因子，其次是降水量，其余单个因子的影响力大致不变。整体看来，不同驱动因子在不同时期对于毛乌素沙地荒漠化的影响存在较大差异，而降水量与GDP在各个时期的解释力均表现为较强驱动，逐渐成为影响毛乌素沙地荒漠化的主要驱动因子，这也说明气候变化和人类活动对荒漠化的影响均较显著。

将各驱动因子进行两两交互，结果显示各因子间交互作用后对毛乌素沙地荒漠化演变过程的解释力均大于单因子作用且均表现为非线性增强或双因子增强，不存在减弱或相互独立形式（图8），这也体现了毛乌素沙地荒漠化演化过程较为复杂，是各因子交互作用驱动下的结果。2000—2005年和2005—2010年，X₆∩X₄和X₆∩X₅因子的解释力均最大，两个时段的q平均值分别为0.102和0.103。这说明此时段气候条件与社会经济发展水平是毛乌素沙地的主导因素，与单因素分析结果类似。2010—2015年，X₆∩X₄、X₅∩X₄与X₇∩X₆的解释力在该时段内位于前列，表明了此时段内经济发展和气候因素中的气温变化逐渐成为促使毛乌素沙地荒漠化演变的主要因素。2015—2020年，与前3个阶段相比，交互作用后的q值有上升趋势，X₆∩X₅、X₆∩X₂和X₆∩X₄排在前列，同时段内单因子q值也呈上升趋势，说明在该时段各个因子对毛乌素沙地的影响均较大。相较于2015—2020年，2020—2022年各个交互因子q值普遍有所增加，其中X₆∩X₁在该时段内因子解释力明显增加，q值为0.207，说明该时段土壤类型的变化影响毛乌素荒漠化发展。

本研究基于GEE平台，利用Albedo和NDVI构建荒漠化评估模型，评估了2000—2022年毛乌素沙地荒漠化时空演变规律。从时间上，2000—2022年，毛乌素沙地的荒漠化面积持续减少，荒漠化呈逆转趋势。重度和中度荒漠化面积有所缩减，轻度荒漠化和非荒漠化面积显著增加。这与前人的研究结果相似^［42-43］，即毛乌素沙地荒漠化程度呈整体逆转趋势。其主要原因是毛乌素沙地位于黄土高原与鄂尔多斯高原之间，地表具有大量沉积物质，具有丰富的荒漠化物质来源，因此其荒漠化过程对气候变化和人类活动敏感，造成该地区发生荒漠化正逆演替。2000—2022年毛乌素沙地整体呈现增温增湿趋势，各地区降水量均增加，大部分地区气温升高，呈现湿润化趋势，有利于该地区植被健康生长^［44］。自2000年以来，随着气候的变化以及国家实施的“三北防护林”“退耕还林（草）”和沙区封育等生态工程，毛乌素沙地的植被覆盖度得到显著提升，使得该地区的荒漠化现象不仅呈现逆转趋势，还得到了高质量治理与预防^［41］。通过对毛乌素沙地实施一系列生态修复工程，综合治理，精准施策，使毛乌素沙地荒漠化发展呈逆转趋势。

空间上，毛乌素沙地荒漠化分布呈现明显的空间异质性，东南部荒漠化程度较轻且整体趋势趋于改善，西北部表现为重度和中度荒漠化交替（图5），这与Lin等^［41］的研究结果一致。由于毛乌素沙地东南部位于季风气候区，降水量普遍多于西部，较为湿润的气候条件更有利于植被生长，从而增加地表植被覆盖度，减少荒漠化面积^［24］。毛乌素沙地东南缘土壤具有较好的理化性质，土壤中赋存的孔隙水可为该植被生长提供水分支持，该地区水文条件较好，有利于植被生长^［45］。同时近年来，中国实施退耕还林还草等多项政策，政府投入大量人力、物力和财力，对缓解荒漠化起到了建设性作用^［46］。

分析荒漠化的驱动机理对防治荒漠化具有重大战略意义。本研究采用地理探测器模型定量分析自然和社会经济因素对毛乌素沙地荒漠化时空演变的影响。研究发现，气候变化和人类活动是影响荒漠化演变的重要驱动因素^［47］，但影响力度在不同时间和空间上存在差异。例如，政府实施的“三北防护林”“退耕还林（草）”等生态修复工程对荒漠化治理至关重要^［41］。Hu等^［48］通过研究影响哈萨克斯坦土地荒漠化原因，发现降水量减少、气温升高以及高强度的农作物种植和畜牧业活动是驱动荒漠化的关键因素。在本研究中发现阶段性的气候变化和人类活动成为驱动毛乌素沙地荒漠化演变的主要因素。毛乌素沙地的降水量与荒漠化土地分布一致。从空间上，毛乌素沙地东部位于季风区，降水量相对较多，主要以轻度荒漠化和非荒漠化土地分布，西部降水量较少，重度和中度荒漠化土地较为集中；从时间上，2000—2022年毛乌素沙地整体呈现增温增湿趋势，有助于植被生长，使荒漠化发生逆转，说明气候因素是引起毛乌素沙地荒漠化演变的重要因素。

相较于自然因素变化特点，人类干扰能够在短时间内影响荒漠化的动态趋势，对荒漠化的影响具有双重性。人类活动在一定程度上会破坏地表植被覆盖度，增加地表裸露面积，影响土壤的理化性质，直接影响荒漠化发展^［49］。由于毛乌素沙地人口分布不均和不断增加会导致土地资源过度开发，也会导致过度砍伐林木，土地撂荒后未能进行植被恢复等。近年来，为促进毛乌素沙地经济发展，当地大量开发煤矿、天然气等矿藏资源，导致荒漠化程度加剧^［27］。但2000年以后，伴随着气候变化，国家实施“三北防护林”“退耕还林（草）”等生态工程有效提升了植被覆盖度，促使荒漠化逆转^［45］。不合理的人类活动对荒漠化的影响较为显著，荒漠化的演变与经济发展、生态政策等密切相关^［50］。综上，从单因子和双因子探测分析结果可知，22 a间毛乌素沙地荒漠化演化主要是受气候变化和人类活动的交替影响，其中降水量和GDP是主要驱动因子。其q平均值均高于其他因子，分别为0.078和0.105，说明在毛乌素沙地荒漠化演化过程中气候变化和人类活动贡献较大。因此人类活动和气候变化影响荒漠化逆转，在治理荒漠化过程中要结合当地实际情况，精准实施生态政策。

2000—2022年，毛乌素沙地荒漠化经历了显著变化，分布呈现明显的空间异质性。重度和中度荒漠化的面积逐渐减少，轻度和非荒漠化的面积则明显增加且呈现上升趋势。东部荒漠化程度较轻且荒漠化逆转速度较快，西部荒漠化表现为重度和中度荒漠化交替。这些变化充分表明，毛乌素沙地的荒漠化状况得到了有效的控制和改善。毛乌素沙地荒漠化演变受自然因子和人为因子的共同作用。从单因子分析来看，降水量和GDP因子解释力排名位居前列，q值平均值均高于其他因子，分别为0.078和0.105，是影响毛乌素沙地荒漠化演变的主要驱动因素。从交互因子分析来看，交互因子的作用明显大于单因子，表现出明显的非线性增强或双因子增强，不存在减弱或相互独立形式。