按照植被生存依赖的主要水分来源，干旱区植被大致分为雨养植被、灌溉植被和地下水依赖植被，其中地下水依赖植被因地下水埋深、地下水水质的变化而发生改变^［1］。近年来，许多学者提出地下水依赖型生态系统（Groundwater Dependent Ecosystems，GDEs）的概念，并将该生态系统主要划分为洞穴和含水层内的生态系统、依赖地下水溢出而维持的生态系统以及直接依赖浅层地下水维持的生态系统^［2］，三者对地下水的依赖程度存在轻度依赖到完全依赖的区别^［3］。干旱荒漠区广泛分布以浅层地下水为主要水分来源的地下水依赖植被，是GDEs的重要组成部分，在遏制土地荒漠化、维持干旱区生态安全以及保障绿洲可持续发展方面具有重要作用^［4-5］。近年来，社会经济发展带动人类生产生活用水需求的快速增加，引起地下水的过度开采和地下水埋深的显著下降，导致干旱荒漠区大量地下水依赖植被的衰退，加剧了区域荒漠化风险^［6］。因此，保护干旱区地下水依赖植被具有重要的生态保护意义，而准确识别地下水依赖植被是开展生态保护工作的前提。

目前针对不同尺度的地下水依赖型植被的识别方法已有较多研究。其中氢氧同位素技术的发展和成熟在个体或种群尺度上为甄别植物的水分来源提供了可靠手段，并广泛应用于干旱区植被水分来源识别研究。赵良菊等^［7］指出，额济纳绿洲天然河岸林中乔木和灌木较多地利用了地下水，而草本植物仍然以地表水为主；朱建佳等^［8］指出，驼绒藜、麻黄和沙拐枣根系较深的植物，吸收利用的水分以地下水为主；周海等^［9］研究表明，白刺根据不同季节表现出不同的水分利用策略，春秋季的白刺倾向于利用地下水；李宁等^［10］发现，在河西走廊不同生境中的梭梭对地下水的依赖程度存在差异。实地样地调查在局地尺度上也可以确定种群和群落是否属于地下水依赖型。Eamus等^［11］利用地下水埋深和植物根系深度等实地调查数据判断生态系统是否属于GDEs；Orellana等^［1］通过建立植被与地下水埋深关系的模型量化植被对地下水的利用程度。虽然同位素法和样地调查法可为确定地下水依赖植被提供可靠的观测，但高昂的观测成本限制了这些方法的适用尺度，使其无法胜任区域尺度的调查研究，在生产实践中难以推广和应用。

GDEs遥感识别方法是基于植被水分利用方式不同而导致的生理表现差异在遥感影像的特征映射判断生态系统对地下水依赖性^［12］。目前，GDEs遥感识别方法大致分为：①依据植被指数特征判断。利用NDVI等植被指数能较好地监测植被变化的特点，在大尺度下可以使用此类植被指数，结合同期降水量等气象数据，判断植被对降水的响应特点。雨养植被在降水较多的时间段内NDVI会显著增加，而在干旱期会降低；干旱区的GDEs则会呈现出在干旱季内NDVI仍然能保持一定数量的特点，将GDEs从依赖其他水分来源的植被中区分出来^［13］。Liu等^［14］利用NDVI指数的标准差进行聚类，获取了中亚地区的GDEs分布图，并使用了气象数据验证其准确性。②利用地理信息计算。使用多种地理空间数据，包括植被、地形、水文等，根据专家调查结果进行加权计算，获得区域的GDEs分布图。Duran-Llacer等^［15］根据专家调查的结果为土地利用、NDVI、降水和地形数据等空间数据赋予了不同的权重以获取GDEs分布。③机器学习算法。在多种地理数据的基础上，对已知的GDEs分布点位数据进行机器学习运算，以此获得一个GDEs识别模型。Martínez-Santos等^［16］将随机森林算法应用于西班牙Las Tablas de Daimiel国家公园的GDEs识别并取得了较高的识别精度。遥感手段虽然具有成本低、应用方便的优点，但因区域植被遥感信息特异性，GDEs识别结果往往具有不确定性。目前NDVI产品多样、时间跨度长且时间分辨率高，但是应用什么时段的NDVI识别植被对地下水的依赖是保护地下水依赖植被实践中亟待解决的重要问题。

河西走廊位于中国西北干旱区，不仅是陆路丝绸之路的关键地段，也是中国北方重要的生态屏障区。该区降水少而蒸发量大，地下水依赖植被在维持区域生态系统稳定、防治风沙危害方面具有不可替代的作用，研究河西走廊地下水依赖植被特征及识别方法对区域地下水依赖生态系统的监测和保护具有重要的实践意义。本文在河西走廊选择了包括雨养植被、灌溉植被（河岸植被）和地下水依赖植被的典型样区，研究样区降水、地下水埋深和植被的变化，并提出如下科学假设：非地下水依赖植被NDVI指数在时间上变异性大，而且与降水量显著相关，而地下水依赖植被则相反。本文旨在通过植被遥感指数变化与降水相关性研究，提升应用植被遥感指数确定地下水依赖植被的精度。

河西走廊位于中国甘肃省西部，东起乌鞘岭、西至甘新交界，南邻祁连山脉，北至内蒙古自治区，东西延伸长度达1 100 km，面积约27.6万km²（图1），属于干旱荒漠气候，区域内气候干旱，降水稀少，大部分地区年降水量不足200 mm，年平均气温7~9 ℃。该区域地处中国西北干旱区的东段和中段，地势南高北低，荒漠、沙丘和绿洲并存。地带性土壤为灰漠土、棕漠土、风沙土。地带性荒漠植被主要组成植物有珍珠（Salsola passerina）、红砂（Reaumuria songarica）、白茎盐生草（Halogeton arachnoideus）、草麻黄（Ephedra sinica）等，群落盖度一般不超过30%。在河流沿岸部分地段和尾闾湖区有湿地和湖泊，分布荒漠河岸湿地植被和人工固沙植被，荒漠河岸植被主要为芦苇（Phragmites australis）、小香蒲（Typha minima）、柽柳（Tamarix chinensis）等，外围分布以白刺（Nitraria tangutorum）为主的灌丛沙堆，人工固沙植被主要是梭梭（Haloxylon ammodendron）。

在研究区按照地下水埋深确定6个典型样区，分别是金塔北海子湿地、临泽平川镇湿地、临泽平川一工程固沙区、民勤青土湖边缘区、民勤青土湖湿地、山丹荒漠草地样区（图1）。通过实地调查确定它们分别代表芦苇群落为主的地下水依赖植被、芦苇和柽柳群落为主的地下水和降水依赖植被、梭梭群落为主的降水和地下水依赖植被、白刺群落为主的降水和地下水依赖植被、芦苇和柽柳群落为主的地下水和降水依赖植被、红砂和珍珠群落为主的降水依赖植被^{［7，9-10，17-18］}。2023年7—8月，采用无人机摄影测量调查样区植被分布格局，并在样区内均匀设置3个10 m×10 m的植被样方以调查植物物种组成、数量、高度、密度和盖度等特征。

NDVI数据来自MOD13Q1数据集，时间分辨率为16日，空间分辨率为250 m。选择 2001—2020年作为研究时段，将各年份16日NDVI数据进行最大值合成以获取月NDVI数据，对其求取均值作为年NDVI数据。基于MOD09GQ原始数据集，使用红波段和红外波段计算各样区5—9月NDVI日数据，空间分辨率为250 m，用于分析样区植被生长季NDVI变化特征。降水数据来自距离样地附近的气象站点的观测数据，将酒泉、高台、张掖、永昌、民勤5个气象站2001—2020年的日降水量数据进行年度合成与生长季合成，各气象站点距样区20~50 km。地下水位数据来自样地附近的甘肃省水文局的地下水观测井数据，其中山丹荒漠草地样区的监测数据为近3年，青土湖样区的监测数据为近10年。

采用SPSS的Pearson相关分析方法计算了每个样区内日NDVI每年的统计特征值，包括最大值、最小值、平均值、标准差和变异系数，并进行Pearson相关分析，计算了分析样区逐年降水量与逐年平均NDVI、生长季平均NDVI及其变异性的相关性。变异系数的计算方法为：

式中：σ为统计范围（每年或每年生长季）内NDVI日值的标准差；μ为统计范围内NDVI日值的平均值。文中使用变异系数代表每个样区内NDVI日均值的年度或生长季内的变异性。

使用Mann-Kendall突变检验算法对样区内NDVI年际变化进行了检验，分析近20年不同时期内NDVI变化的特征。Mann-Kendall检验是一种非参数检验方法，能够在数据不遵从正态分布时检验，且受到异常值干扰较小^［19］。对于时间序列xi中每个样本大于前一个样本的累计求和数列dk，对其计算统计量：

式中：E(dk)和VAR(dk)分别代表dk的标准差与方差。

对xi的逆序列进行相同操作，获得统计量UBk，并计算其相反数。将UFk与UBk两个统计量作图并观察其交点，若交点处统计值的绝对值小于1.96，则认为在该点发生突变的置信度为0.05。

2001—2020年，6个样区的年降水量105~230 mm，平均148 mm（表1）。其中，金塔北海子湿地样地年降水量最小，年降水量仅为105 mm；山丹荒漠草地样区降水量最大，为230 mm。总体上，20年间降水量并未出现显著的变化，其中2013年降水量最少，本文视作枯水年；2019年降水量最多，视作丰水年；2006、2011、2012、2015年的降水量接近平均降水量，视作平水年，选择其中的2011年为平水年代表年份。

2001—2020年，6个样区的地下水埋深为1.90~12.74 m（表1）。其中，金塔北海子湿地的地下水埋深最浅，年平均1.90 m；山丹荒漠草地样区的地下水埋深最大，大于12 m。金塔北海子湿地样区的地下水埋深在1~2 m波动；临泽一工程固沙区样区地下水埋深长期稳定在3~5 m；临泽平川镇湿地地下水埋深在2~3 m；青土湖由于监测数据有限，特别是民勤青土湖边缘区缺少监测井，因此两个样地的地下水埋深都使用青土湖监测井数据，其地下水埋深从2010年观测以来基本稳定在3~4 m；山丹荒漠草地样区的地下水埋深监测井在近3年有监测数据，地下水埋深接近13 m。总体上，6个样区地下水埋深在20年间虽然在年内和年际尺度上略有波动，但未呈现显著的变化趋势。

6个样区植被类型和覆盖度存在较大差异，植被群落呈现不同的特点（图2）。金塔北海子湿地样地为湿地植被，芦苇为优势物种，伴生分布柽柳和黑果枸杞（Lycium ruthenicum）；植物可能利用的水源主要是尾闾湖地表水以及侧渗补给地下水，还有部分降水。临泽一工程固沙区样地为荒漠植被，物种以蒺藜科（Zygophyllaceae）、柽柳科（Tamaricaceae）为主。其中优势物种为梭梭和柽柳，样地内还有泡泡刺（Nitraria sphaerocarpa）和芦苇等植物，其主要的水分来自天然降水，部分来自地下水。临泽平川镇湿地样地为湿地植被，灌木层优势物种为柽柳，草本层优势物种为芦苇，同时还伴生有枸杞（Lycium chinense）和冰草（Agropyron cristatum）；植物可能利用的水源主要来自黑河地表径流，部分来自降水。山丹荒漠草地样地为荒漠草原植被，优势植物有灌木层的红砂、珍珠，草本层的羊茅（Festuca ovina）、芨芨草（Achnatherum splendens），也伴生有矮羊茅（Festuca coelestis）、蝎虎驼蹄瓣（Zygophyllum mucronatum）等；植物可能的水分来源为降水。民勤青土湖北部主要为荒漠植被，白刺为优势植物并在地表形成灌丛沙堆，还分布有骆驼蓬（Peganum harmala）、梭梭等植物；植物可能利用的水源主要为降水和青土湖侧渗的地下水。民勤青土湖湿地样地主要为湿地植被，群落优势种为芦苇、拂子茅（Calamagrostis epigeios）、罗布麻（Apocynum venetum）等，优势植物为芦苇；主要水分来源为地下水、地表水，部分来自于降水（表2）。

Pearson分析表明，年平均NDVI和地下水埋深的关系中，5个样区差异明显，相关性最强为民勤青土湖湿地样区（0.93），其中青土湖两个样区均表现出极强的负相关，而相关性最小的是临泽平川镇湿地样区（0.49）；年NDVI最大值与地下水埋深的相关性同样有着类似的结果，民勤青土湖湿地样区相关性达到0.97，临泽平川镇湿地的相关性最低，为0.24；年NDVI最小值与地下水埋深的相关性均较小，民勤青土湖湿地样区为其中相关性最强，为0.42，绝对值仍小于0.5，最小为民勤青土湖边缘区，为0.07（表3）。

2001—2020年3个典型年份6个样区NDVI平均值及其变异分析表明，平均值为0.11~0.29，变异系数0.07~0.59，最大值0.20~0.32，最小值0.07~0.26。Mann-Kendall突变检测的结果显示，部分样地NDVI在2010—2014年发生较大幅度的突变，突变前的变异系数较低，而整体变异系数较高；仅计算突变前NDVI变异系数，则依赖地下水与地表水的样地变异系数较低（表4）。除临泽黑河沿岸湿地平均NDVI在平水年（2011年）、枯水年（2013年）和丰水年（2019年）相近外，其余5个样区丰水年（2019年）的平均NDVI明显高于平水年和枯水年，而枯水年和平水年之间的差异并不明显。不同降水量年份6个样区的NDVI最小值的变异系数不大，但平水年和枯水年6个样区NDVI最大值变异系数显著大于丰水年（表5）。

Pearson相关分析表明，6个样区平均NDVI与年降水量的相关系数为0.04~0.55，山丹荒漠草地样区相关系数最大，民勤青土湖的2个样区相关系数最小。NDVI最大值与年降水量的相关系数为0.07~0.66，同样，山丹荒漠草地样区相关系数最大，民勤青土湖的2个样区相关系数最小。NDVI最小值与年降水量的相关系数为0.02~0.38，相关系数最大的是民勤青土湖边缘区样区，最小的是临泽平川一工程固沙区；NDVI变异性与年降水量的相关系数为0.01~0.52，相关系数最大的是山丹荒漠草地样区，最小的是民勤青土湖边缘区样区。6个样区平均NDVI与生长季降水量的相关系数为0.16~0.55，山丹荒漠草地样区和金塔北海子湿地样区的相关系数均大于0.5，最小的是民勤青土湖边缘区样区。6个样区NDVI最大值与生长季降水量的相关系数为0.24~0.65，相关系数最大是山丹荒漠草地样区，最小的是民勤青土湖湿地样区。NDVI最小值与生长季降水量的相关系数为0.10~0.30，相关系数最大是民勤青土湖边缘区样区，最小的是临泽平川镇湿地样区。NDVI变异性与生长季降水量的相关系数为0.21~0.70，相关系数最大是山丹荒漠草地样区，最小的是民勤青土湖湿地样区。总体上，NDVI变化与生长季降水量的相关性比与年降水量的相关性大（表6）。

准确、快速识别地下水依赖生态系统，对于干旱区生态环境保护和水资源开发利用具有重要的科学意义。虽然利用氢氧同位素技术和植被随地下水埋深梯度变化规律的相关研究为识别地下水依赖生态系统提供了许多重要信息，但总体上如何识别地下水依赖生态系统的位置、其对地下水依赖的程度、对水文过程的响应规律等认识仍然存在许多知识缺陷。近年来，随着地下水依赖生态系统和受地下水影响生态系统保护需求的日益增加，植被作为生态系统的主要组成部分和最直观的生态监测媒介，用遥感方法结合模型手段识别地下水依赖植被的研究越来越受到重视^［20-21］。

河西走廊雨养植被多为红砂、珍珠等旱生小灌木。由于生境长期干旱，植物在生理上表现出强的干旱适应特征。例如叶退化为同化枝条、气孔多处于关闭状态、生长季大部分时期处于休眠和半休眠状态等，其生存的水分来源主要是降水^［22］。例如本研究的山丹荒漠草地样地，荒漠地表，地带性土壤为棕漠土和灰棕漠土，地表组成物质多为砾石和粗骨性土粒胶结的物质，土壤水分入渗性较弱^［23］。尽管表层土壤颗粒较粗，砂砾和土粒之间的胶结程度不高，但具有较强的抗风蚀能力，因此地表风蚀潜力并不大，地表风蚀和风积引起的风沙活动不强。该样区浅层地下水埋深数十米，优势植物红砂和珍珠很难吸收地下水。所以判定为非地下水依赖植被，或者不受地下水影响的植被，对红砂、珍珠氢氧同位素研究也验证了这种认识^［24］。该样区植被NDVI年内和年际间变化受降水影响，与年降水量特别是生长季降水量相关性高，Pearson相关系数均大于0.5。在降水量相近的荒漠区的沙质地表，覆沙厚度一般大于10 m，地下水埋深4~5 m，栽植的人工梭梭固沙林在生长初期阶段主要靠降水来生存，到10年以后不仅依靠降水，还要消耗60 m以下土壤水，甚至浅层地下水^［17］。因此，梭梭人工固沙林样地的NDVI与年降水量的Pearson相关系数在0.3~0.4，比荒漠植被低，但与生长季降水量的Pearson相关系数大于0.50（表6）。这可能与沙地土壤水分利用有效性较荒漠高，以及一定程度利用深层土壤水分甚至地下水，植物利用水分来源复杂有关。民勤青土湖边缘区的白刺沙堆植被样地植被NDVI与年降水量的Pearson相关性仅约0.1，但与生长季降水量的Pearson相关性相对较高（表6），说明降水是其生长的关键水源。已有研究指出，随着地下水埋深的增加，白刺的种群退化，说明未退化的白刺是受地下水影响的植被，但当地下水埋深下降到一定阶段后，白刺群落在降水量100~150 mm的民勤青土湖区可以勉强生存，已经演化为受地下水影响不大的植被^［25］。该样地存在同时利用地下水与降水的可能性，其NDVI与生长季降水量的相关性相较于其他荒漠植被较高，达到0.4，这可能与干旱区植被对降水依赖的特点有关。干旱区植物仅在不连续的小降水事件前后对降水做出响应，大部分时间处于待休眠、待生长停滞阶段，因此植被对降水事件响应更敏感，而对年总降水量的响应不强^［26］。临泽平川镇湿地NDVI相对较高，与降水量和生长季降水量的Pearson相关系数约0.3，而且平均NDVI在所有样地中最高，年内和年际变异不大，表明荒漠河岸植被对降水依赖程度不高，可能依赖地表水、降水和地下水共同补给。金塔北海子湿地植被NDVI也与降水量有一定相关性，且较为显著。该样地为季节性湿地，群落中优势植物为芦苇。已有研究表明，芦苇个体可以利用埋深4 m以上的地下水，表现种群构建生物量在地下水埋深4 m内随地下水埋深变化而呈规律性变化，但整体上湿地植被生长主要靠地表水而不是地下水^［27-28］。在地表水不能满足的时段，也可能对较大的降水事件做出响应，所以与降水量存在一定程度的相关性^［18］。以往研究认为地下水依赖植被的关键生理过程不受降水波动影响，表现在水分生理指标如水势、叶片含水量、光合作用等受降水影响不大，只是随生长季热量和植物生物学节律的变化而变化^［29］。本研究中，河岸样地（临泽平川镇湿地）内植被表现出明显波动较小的特点，其NDVI在20年内整体年际变异系数仅为0.07（表4），其他样地植被NDVI年际变化并未表现出这种特征。

由于地下水埋深随水循环在不断变化，地下水依赖型植被利用地下水的方式同样处于变化过程中。在大尺度准确识别地下水依赖生态系统的分布、类型对维护区域生态系统的稳定、制定区域地下水利用和保护方案具有重要意义。

利用植被动态、地貌特征、地下水埋深、土壤状况和土地利用等数据结合模型方法提升地下水依赖植被的空间识别精度已成为趋势，厘清不同环境梯度下植被与水文因素的相互关系是关键，本研究给出的不同地下水埋深条件下植被NDVI对降水的响应特点可以为判断河西走廊受地下水影响植被的分布提供依据。

河西走廊荒漠植被赖以生存的水分来源包括降水、地下水和地表径流，但不同类型荒漠植被对上述水分来源的依赖程度存在差异。基于目前遥感识别中广泛应用的植被NDVI指数可以识别荒漠植被对水分的依赖性，但选择什么时期的NDVI值，以及选择NDVI哪些统计值才能较好反映植被对水分来源的依赖程度需要对植被NDVI与降水量的相关性进行分析。本研究 河西走廊荒漠植被NDVI平均值0.11~0.29，变异系数0.07~0.59，最大值0.20~0.32，最小值0.07~0.26。Pearson相关分析表明，6个样区平均NDVI与生长季降水量的相关系数0.16~0.55， NDVI最大值与生长季降水量的相关系数0.24~0.65， NDVI最小值与生长季降水量的相关系数0.10~0.30，NDVI变异性与生长季降水量的相关系数0.21~0.70。

荒漠天然植被与梭梭人工林固沙植被的NDVI与降水量的Pearson相关系数较高。河岸植被虽然NDVI年际变化幅度不大，但也受降水量影响。总体上生长季降水量比年降水量对植被NDVI的影响更大。本文验证了使用NDVI变化特征方法识别地下水依赖型生态系统的可行性，发现采用生长季植被NDVI最大值和植被NDVI的变异性指标更能反映植被对降水量的依赖程度。