甘肃省干旱演变特征及主导因子

doi:10.7522/j.issn.1000-694X.2025.00048

甘肃省干旱演变特征及主导因子

李晓鹏^,¹, 李康¹, 李贺²

1.兰州财经大学农林经济管理学院，甘肃兰州 730000

2.商丘学院计算机工程学院，河南商丘 476000

Analysis of evolution characteristics of drought and its dominant factors in Gansu，China

Li Xiaopeng^,¹, Li Kang¹, Li He²

1.College of Agricultural and Forestry Economics and Management，Lanzhou University of Finance and Economics，Lanzhou 730000，China

2.College of Computer Engineering，Shangqiu University，Shangqiu 476000，Henan，China

收稿日期: 2025-03-31 修回日期: 2025-04-14

基金资助:

甘肃省科技计划（自然科学基金）项目.  24JRRA1003
甘肃省教育厅青年博士支持项目.  2025QB-055
甘肃省陇原青年人才创新创业项目.  2021LQGR59

甘肃省高等学校人才培养质量提升项目（新农科背景下农林经济管理专业“四维融合”人才培养模式改革与实践）

Received: 2025-03-31 Revised: 2025-04-14

作者简介 About authors

李晓鹏（1981—），女，甘肃天水人，博士，副教授，研究方向为生态环境与区域发展E-mail：lixiaopeng1396@163.com , E-mail：lixiaopeng1396@163.com

摘要

甘肃省位于中国西北干旱与半干旱带，其干旱时空演变对区域生态安全和农业可持续发展具有重要影响。本研究基于2000—2022年MODIS数据的增强型植被指数（EVI）与地表温度（LST），构建温度植被干旱指数（TVDI），反演甘肃省近23年干旱强度空间格局。通过Sen趋势分析法与Mann-Kendall（M-K）显著性检验，系统解析干旱演变特征。进一步引入Hurst指数结合趋势分析结果预测未来干旱演变趋势，并运用地理探测器模型探究干旱驱动机制。结果表明：（1）2000—2022年甘肃省年均TVDI值为0.57，整体呈轻旱水平，干旱面积占比达82.18%；（2）甘肃省TVDI年均下降0.0005，干旱显著缓解区域集中于祁连山东麓、甘南高原及陇东地区；（3）Hurst指数结合Sen趋势分析预测显示，未来54.9%的区域将向湿润化转变，反持续性特征显著；（4）地理探测器模型表明，高程和气温是干旱的主控因子，其交互作用增强了解释力。

关键词： 甘肃省 ; TVDI ; Hurst指数 ; 地理探测器

Abstract

Gansu Province， located in the arid and semi-arid transition zone of northwestern China， experiences significant spatiotemporal variations in drought that profoundly impact regional ecological security and agricultural sustainability. This study constructed a Temperature Vegetation Drought Index （TVDI） model based on Enhanced Vegetation Index （EVI） and Land Surface Temperature （LST） data from MODIS （2000-2022） to analyze the spatial patterns of drought intensity in Gansu Province over 23 years. The Sen trend analysis and Mann-Kendall （M-K） significance test were employed to examine drought evolution characteristics. The Hurst index combined with Sen trend analysis was used to predict future drought trends， and the Geodetector model was applied to explore the driving mechanisms of drought. The results indicate that：（1） The annual average TVDI value in Gansu Province from 2000 to 2022 was 0.57， indicating a mild drought level， with drought-affected areas accounting for 82.18% of the total area；（2） The annual TVDI decline rate was 0.0005， with significant drought alleviation observed in the eastern foothills of the Qilian Mountains， the Gannan Plateau， and the Longdong region；（3） The Hurst index combined with Sen trend analysis predicts that 61.4% of the study area will transition to a wetter state in the future， showing significant anti-persistence characteristics；（4） The Geodetector model reveals that elevation and temperature are the dominant factors driving drought， and their interaction significantly enhances explanatory power. These findings provide a scientific basis for drought risk early warning and ecological adaptive management in Gansu Province.

Keywords： Gansu Province ; TVDI ; Hurst index ; Geodetector

PDF (5652KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李晓鹏, 李康, 李贺. 甘肃省干旱演变特征及主导因子. 中国沙漠[J], 2025, 45(6): 103-112 doi:10.7522/j.issn.1000-694X.2025.00048

Li Xiaopeng, Li Kang, Li He. Analysis of evolution characteristics of drought and its dominant factors in Gansu，China. Journal of Desert Research[J], 2025, 45(6): 103-112 doi:10.7522/j.issn.1000-694X.2025.00048

0 引言

干旱是全球气候变化背景下最严峻的生态挑战^［1］，其频发性和广域性对生态系统功能及农业生产构成持续性威胁^［2-3］。IPCC第六次评估报告显示，近40年全球干旱频率增幅达29%，中国西北干旱区临近中亚气候敏感带，其农业干旱受人为活动和气候系统自然波动的共同影响，且未来干旱将进一步加剧^［4］。甘肃省作为典型生态过渡带，地理跨度涵盖黄土高原、河西走廊及祁连山脉三大地貌单元，地形梯度变异显著，区域气候异质性突出，又因水资源匮乏与高蒸发量的协同效应，区域生态脆弱性持续加剧^［5-6］。在此背景下，实施大规模长时间序列的干旱监测，对揭示甘肃省干旱发生机制和保障区域粮食安全具有重大理论价值与实践意义。

传统干旱监测主要依托气象站点观测数据，基于标准化降水指数（SPI）、帕默尔干旱指数（PDSI）等指标评估区域干旱特征^［7］。但气象站点空间分布稀疏且不均匀，在复杂地形区域数据连续性不足，导致监测结果空间分辨率较低，难以精确刻画干旱分布特征^［8-9］。随着遥感技术的快速发展，基于增强型植被指数（EVI）与地表温度（LST）的协同监测方法为干旱的动态评估提供了新的技术路径^［10］。温度植被干旱指数（TVDI）通过构建EVI-LST特征空间，能够有效整合植被生理状态与地表温度特征，克服单一植被指数或温度指标的局限性，提升干旱监测的时空分辨率与准确性，在大规模长时间尺度的干旱监测上得到了广泛应用^［11］。Lv等^［12］利用TVDI调查了中国吉林省2001年至2020年不同植被类型的干旱情况，其研究结果表明不同植被类型的干旱程度存在显著差异，林区干旱发生率较低，而草原和农田地区干旱发生率较高；Zhou等^［13］研究了不同遥感干旱指数在金沙河流域的适用性，指出TVDI可以有效地用于金沙河流域遥感干旱监测，且适应性强；尹本酥等^［14］利用TVDI对关中地区干旱情况进行监测，指出TVDI在关中地区具有较好的适用性；周孝明等^［15］基于TVDI揭示了吐鲁番市近20 a的干旱时空变化及特征，并分析探讨了不同因素对TVDI的影响；卢献健等^［16］基于TVDI对不同类型岩溶区干旱时空演变进行分析，指出干旱主要分布于岩溶发育程度较高的地方；沙莎等^［17］探讨了TVDI在甘肃省的适用情况以及分级标准，发现TVDI在甘肃省具有较好的适用性。陈丙寅等^［18］针对新疆干旱区提出改进型TVDI，通过地形校正和EVI-LST特征空间优化，使模型与实测土壤水分的相关性有所提升。

甘肃省干旱状况具有显著的区域特殊性。河西走廊作为丝绸之路经济带的核心通道，常年受风沙侵袭与水资源短缺困扰，而陇中黄土高原水土流失加剧了生态脆弱性^［19］。如今遥感技术已广泛应用于区域干旱监测，但基于EVI优化TVDI的研究仍较少。EVI通过引入大气校正与土壤背景抑制算法，能够更敏感地反映稀疏植被的水分胁迫状态，尤其适用于植被覆盖度较低的干旱区。现有研究对干旱未来趋势的预测多依赖气候模型，基于Hurst指数与Sen趋势叠加的持续性分析方法尚未充分应用于西北干旱区，导致干旱风险评估缺乏动态视角。本研究以甘肃省为研究区，基于2000—2022年MODIS数据的EVI与LST数据构建TVDI，探究甘肃省近23年干旱时空分布特征。通过Sen趋势分析、Mann-Kendall检验以及Hurst指数，揭示干旱的演变规律与未来趋势；结合地理探测器模型，评估高程、降水、气温等8个因子的独立贡献与交互效应，以期为构建甘肃省干旱预警系统提供理论支撑和决策参考。

1 研究区概况

甘肃省（32°11′—42°57′N，92°13′—108°46′E）地处中国西北内陆黄河流域上游区，全域面积42.58万km²（图1）。该区域地形复杂多样，自东南向西北依次为陇南山地、陇中黄土高原、河西走廊和祁连山地，海拔500~5 500 m^［20］。气候类型以温带大陆性气候为主，年降水量从东南部的600 mm递减至西北部的不足50 mm，呈现出明显的干旱与半干旱特征。甘肃省植被覆盖类型多样，包括森林、草原、荒漠和农田等，该地区生态环境脆弱，干旱频发^［21］。作为中国重要的生态屏障和农业生产区，甘肃省的干旱问题对区域生态安全和粮食生产具有重要影响。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区土地利用分布

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.1 Land use distribution of the study area

2 数据与方法

2.1　数据来源

本文使用的遥感与地理空间数据主要来源于Google Earth Engine（GEE）平台及其他公开数据集。EVI数据来源于GEE平台的MOD13A3数据集，空间分辨率为1 km，时间分辨率为1个月。LST数据来源于GEE平台的MOD11A2数据集，为8 d合成地表温度产品，空间分辨率为1 km。土地利用覆盖数据来源于资源环境科学数据平台，空间分辨率为30 m。DEM数据来源于NASA官网发布的SRTM数据集，空间分辨率为90 m。蒸散发数据来源于GEE平台的MOD16A2数据集，为8 d合成蒸散发产品，空间分辨率为500 m。地表粗糙度与坡度数据基于DEM数据，通过GEE内置地形分析工具计算得到，空间分辨率为1 km。气象数据（温度、风速、降水）来源于GEE平台的ERA5_LAND/MONTHLY数据集，空间分辨率为0.1°。夜间灯光亮度数据来源于GEE平台的VIIRS/DNB/MONTHLY_V1/VCMSLCFG数据集，空间分辨率为500 m。

2.2　研究方法

2.2.1　TVDI

TVDI是一种综合考虑EVI和LST的干旱监测指标。通过构建EVI-LST特征空间，利用分位数回归分别拟合干边（LST_max=a×EVI+b）和湿边（LST_min=c×EVI+d），其中a、b、c、d为回归系数，EVI取值范围为［0，1］，为表征植被覆盖度的指标。干边代表植被在水分胁迫条件下的最高地表温度，湿边则反映充分供水情况下的最低地表温度。基于这两个特征边，TVDI的计算公式为：

T V D I = \frac{L S T - L S T_{m i n}}{L S T_{m a x} - L S T_{m i n}}

（1）

式中：LST_max和LST_min分别为同一EVI值对应的最高与最低地表温度（℃）。TVDI取值范围为［0，1］，值越大表示土壤水分缺乏越严重，干旱程度越高。结合研究区现状及相关文献^［22］，本文将TVDI划分为5级：湿润（0~0.2）、无旱（0.2~0.4）、轻旱（0.4~0.6）、中旱（0.6~0.8）、重旱（0.8~1.0）。

2.2.2　Sen趋势分析与Mann-Kendall检验

为探究甘肃省干旱强度时空变化趋势，本研究采用非参数统计方法——Sen趋势分析与Mann-Kendall（M-K）检验相结合，以克服数据非正态分布及异常值干扰的影响，适用于甘肃省TVDI时间序列分析。计算公式如下：

Sen趋势分析：

β = M e d i a n \frac{X_{j} - X_{i}}{j - i} (1 \leq i < j \leq n)

（2）

式中： $X_{i}$ 和 $X_{j}$ 分别为第i年与第j年的TVDI值；n为时间序列长度。若β>0，表明干旱程度呈加剧趋势；若β<0，则表明干旱缓解。

M-K检验：

S = \sum_{i = 1}^{n - 1} \sum_{j = i + 1}^{n} s i g n (x_{j} - x_{i})

（3）

Z = \{\begin{matrix} \frac{S - 1}{\sqrt[]{V a r (S)}} & (S > 0) \\ 0 & (S = 0) \\ \frac{S + 1}{\sqrt[]{V a r (S)}} & (S < 0) \end{matrix}

（4）

式中： $s i g n (x_{j} - x_{i})$ 为符号函数，当 $x_{j} > x_{i}$ 时取1， $x_{j} = x_{i}$ 时取0， $x_{j} < x_{i}$ 时取-1； $V a r (S)$ 为统计量S的方差；n为时间序列长度。

参考相关文献并结合研究区地理概况^［23］，本研究将甘肃省TVDI变化趋势分为9类（表1）。

表1 Sen+M-K变化趋势分类

Table 1 Classification of trends based on Sen+M-K

β	Z	变化趋势
β>0	Z>2.58	极显著增加
	1.96<Z≤2.58	显著增加
	1.65<Z≤1.96	微显著增加
	Z≤1.65	不显著增加
β=0	Z	无变化
β<0	Z≤1.65	不显著减少
	1.65<Z≤1.96	微显著减少
	1.96<Z≤2.58	显著减少
	Z>2.58	极显著减少

新窗口打开| 下载CSV

2.2.3　Hurst指数结合Sen趋势分析

为预测甘肃省干旱的未来演变趋势，本研究引入Hurst指数分析TVDI时间序列的持续性特征，并与Sen趋势结合构建干旱趋势预测分类体系。Hurst指数通过衡量时间序列的长期依赖性，可区分干旱变化的持续性或反持续性。其计算公式如下：

\frac{R (n)}{S (n)} = C \cdot n^{H}

（5）

式中：R（n）为时间序列的极差；S（n）为时间序列的子区间长度；C为常数；H为Hurst指数。将甘肃省Hurst指数结果与Sen趋势进行耦合^［24］，得到甘肃省TVDI未来演变趋势（表2）。

表2 基于 Sen 斜率与 Hurst 指数的干湿趋势判别矩阵

Table 2 Discrimination matrix of dryness-wetness trends based on Sen's slope and Hurst index

Sen趋势	Hurst指数
Sen趋势	Hurst>0.5	Hurst≤0.5
Sen≥0.0005	持续变湿	由干变湿
\|Sen\|<0.005	无法确定	无法确定
Sen≤-0.005	持续变干	由湿变干

新窗口打开| 下载CSV

2.2.4　地理探测器模型

地理探测器是一种基于空间分异性原理的统计模型，能够量化不同驱动因子对地理现象空间异质性的独立贡献及其交互作用。其核心思想是通过比较因子分层与目标变量的空间分布一致性，解析各因素对干旱格局的驱动效应。本研究主要应用因子探测器和交互作用探测器，具体方法如下：

因子探测器。通过计算各驱动因子（X）对因变量（TVDI）的解释力，衡量单因子对干旱空间分异的贡献。计算公式为：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}}

（6）

式中：L为因子X的分层数；N_h 和 $σ_{h}^{2}$ 分别为第h层的样本数及其方差；N和 $σ^{2}$ 为全区的总样本数和总方差。q取值范围为［0，1］，值越大表明该因子对干旱空间分布的解释力越强。

交互作用探测器。用于分析两因子共同作用时对干旱的协同效应。通过比较单因子解释力与交互作用解释力的关系。因子间的交互关系见表3。

表3 交互作用类型

Table 3 Types of interaction effects

判断标准	交互作用
q(X₁∩X₂)<Min(q(X₁),q(X₂))	非线性减弱
Min(q(X₁),q(X₂))<q(X₁∩X₂)<Max(q(X₁),q(X₂))	单因子非线性减弱
q(X₁∩X₂)>Max(q(X₁),q(X₂))	双因子增强
q(X₁∩X₂)=q(X₁)+q(X₂)	独立
q(X₁∩X₂)>q(X₁)+q(X₂)	非线性增强

新窗口打开| 下载CSV

根据甘肃省干旱特点并结合相关文献^［25］，本文采用地理探测器模型，选取地面粗糙度（X₁）、气温（X₂）、风速（X₃）、坡度（X₄）、降水（X₅）、蒸散发（X₆）、高程（X₇）和夜间灯光亮度（X₈）来探究这8个影响因子对甘肃省TVDI值的影响。

3 结果与分析

3.1　甘肃省干旱时空变化特征

3.1.1　甘肃省2000—2022年TVDI时间变化

2000—2022年甘肃省TVDI指数呈现下降趋势，年均下降0.0005，表明甘肃省干旱在23年间有所缓解（图2）。其中TVDI年均值最大的年份为2001年，其值为0.62，干旱面积约占甘肃省总面积的86.17%；TVDI年均值最小的年份为2010年，其值为0.54，干旱面积约占甘肃省总面积的81.43%；甘肃省TVDI多年均值为0.57，表明甘肃省整体处于轻旱状态。甘肃省不同干旱面积占比表明，湿润和无旱面积占比较少，约占甘肃省总面积的17.82%，轻旱、中旱和重旱占比较多，约占甘肃省总面积的82.18%。其中年均TVDI值波动最剧烈的年份为2009—2010年，TVDI值由0.604降为0.536。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 甘肃省年均TVDI变化及各类型干旱面积占比

Fig.2 Annual mean TVDI changes and proportions of different drought types in Gansu Province

3.1.2　甘肃省2000—2022年TVDI空间变化

甘肃省年均TVDI空间分布呈现东北高、西南低的显著梯度差异（图3）。甘肃省干旱面积以轻旱和中旱为主，其23年年均面积占比分别为24.7%和43.2%。其次为重旱、无旱和湿润，其年均面积占比分别为14.3%、12.4%和5.4%。由图4可知，河西走廊中西部及陇中黄土高原北部为干旱核心区，年均TVDI值普遍高于0.7，其中民勤县与瓜州县为极端干旱热点区，其年均TVDI均值高于0.82。低值区集中分布于祁连山东段与甘南高原，年均TVDI值普遍低于0.5，其中肃南县和玛曲县为极端低值区，其年均TVDI均值低于0.39。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 甘肃省2000—2022年平均干旱类型空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.3 Spatial distribution of mean drought types from 2000 to 2022 in Gansu Province

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2000—2022年甘肃省部分年份干旱类型空间分布

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.4 Spatial distribution of drought types in Gansu Province from 2000 to 2022

3.2　甘肃省干旱时空变化趋势

基于Sen趋势分析与M-K显著性检验的耦合分析表明，2000—2022年甘肃省TVDI年变化为-0.043~0.031，均值为-0.002，表明干旱程度呈整体缓解趋势（图5）。空间分布上，显著变湿的区域集中于甘南高原及陇东黄土丘陵区，约占甘肃省总面积的21.3%。显著变干的区域主要分布于武威市东北部绿洲-荒漠过渡带及祁连山北麓，约占全省总面积9.7%。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2000—2022年甘肃省TVDI分时段变化趋势显著性

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.5 Significance of TVDI change trends in different periods from 2000 to 2022 in Gansu Province

2000—2022年甘肃省TVDI变化趋势呈现阶段性波动，湿润化与干旱化交替主导。2000—2010年湿润化趋势显著，甘南高原及河西走廊南缘持续改善；2010—2015年干旱化凸显，河西走廊中西部及陇南山区干旱加剧；2015年后甘南高原及陇东恢复湿润化，但2020—2022年陇东及西北部逆转干旱化。空间上，湿润化核心区集中于高海拔生态屏障带，干旱化区域分布于绿洲-荒漠过渡带及低海拔农业区（表4）。

表4 分时段Sen+M-K变化趋势结果

Table 4 Sen+M-K trend analysis for different periods

时段	TVDI变化率均值	主导趋势	显著变湿区域	显著变干区域
2000—2005年	-0.001	湿润化	甘南高原、陇东黄土丘陵区	武威市东北侧、祁连山北麓
2005—2010年	-0.006	湿润化	酒泉市、武威市、甘南高原	河西走廊西段、定西地区、陇南地区
2010—2015年	0.002	干旱化	定西地区、陇东黄土丘陵区	酒泉市、武威市、陇南地区
2015—2020年	-0.003	湿润化	甘南高原、陇东黄土丘陵区	酒泉市、嘉峪关市、武威市
2020—2022年	0.009	干旱化	酒泉市北部、甘南高原	陇东黄土丘陵区、甘肃省西北侧

新窗口打开| 下载CSV

3.3　甘肃省TVDI未来演变趋势

基于Hurst指数的时间序列持续性分析表明，甘肃省干旱演变趋势具有显著的空间异质性与反向趋势性。Hurst指数为0.11~0.92，均值为0.41。其中强反持续（H<0.35）的区域为12.9%，弱反持续性（0.35≤H<0.50）的区域为76.4%，表明该区域未来干旱趋势与历史相反；弱持续性（0.5≤H<0.60）与强持续性（H≥0.6）区域分别为6.4%与4.3%，反映该地区干旱趋势将长期延续。将Hurst指数与Sen趋势叠加分析，可以得到甘肃省干旱变化的强度和方向。由图6可知，甘肃省未来干旱发展趋势将向湿润化转变。其中持续变湿和由干变湿的面积占甘肃省总面积的54.9%，主要分布于甘南高原和陇东黄土丘陵区；无法确定的面积占甘肃省总面积的21.7%；由湿变干和持续变干的面积占甘肃省总面积的23.4%，主要沿河西走廊绿洲边缘带与祁连山前冲积扇群展布。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 甘肃省Hurst指数及TVDI未来演变趋势

注：基于自然资源部标准地图服务网站标准地图（审图号：GS（2024）0650号）制作，底图边界无修改

Fig.6 Hurst index and future evolution trends of TVDI in Gansu Province

3.4　干旱驱动因子

3.4.1　单因子分析

为系统解析甘肃省干旱格局的驱动机制，本研究基于地理探测器模型构建多因子交互分析框架，定量评估8个环境因子对TVDI空间分异性的独立驱动效能。单因子探测结果表明，高程、气温和蒸散发是影响各时段TVDI分布的主要因子，其q值平均值分别为0.327、0.248和0.165，其余因子对甘肃省TVDI空间分布影响较小（表5）。各因子对TVDI的解释力为：高程>气温>蒸散发>夜间灯光亮度>坡度>降水>地面粗糙度>风速，表明甘肃省TVDI受高程和气温影响较大。夜间灯光亮度的q值从2000—2005年的0.101增至2020—2022年的0.113，反映出城镇化扩张对干旱格局的强化效应；而降水因子的q值由0.120降至0.058，暗示气候变化背景下降水对干旱的调控作用逐渐弱化。这种时序变化揭示自然因子与人类活动的交互作用机制存在动态演化规律，地形与气候的基线控制效应在长时间尺度上保持相对稳态，而人类干扰的贡献随社会发展水平增强。

表5 分时段单因子探测结果

Table 5 Single-factor detection results for different periods

驱动因子	2000—2005年		2005—2010年		2010—2015年		2015—2020年		2020—2022年		q均值
驱动因子	q值	P值	q值	P值	q值	P值	q值	P值	q值	P值	q均值
地面粗糙度	0.119	0.000	0.064	0.103	0.109	0.007	0.029	0.268	0.053	0.149	0.075
气温	0.317	0.000	0.234	0.000	0.268	0.000	0.205	0.000	0.216	0.000	0.248
风速	0.011	0.534	0.013	0.398	0.004	0.705	0.014	0.402	0.012	0.413	0.011
坡度	0.139	0.000	0.099	0.000	0.109	0.000	0.096	0.000	0.071	0.059	0.103
降水	0.120	0.000	0.069	0.158	0.072	0.134	0.112	0.000	0.058	0.162	0.086
蒸散发	0.211	0.000	0.153	0.000	0.139	0.000	0.174	0.000	0.149	0.000	0.165
高程	0.419	0.000	0.313	0.000	0.312	0.000	0.287	0.000	0.305	0.000	0.327
夜间灯光亮度	0.101	0.000	0.128	0.000	0.060	0.114	0.248	0.000	0.113	0.000	0.130

新窗口打开| 下载CSV

3.4.2　交互因子探测

交互探测结果表明，影响甘肃省TVDI的8个驱动因子间均呈现双因子增强效应，交互作用强度高于单一因子贡献（图7）。分时段分析，X₇始终作为核心驱动因子贯穿各时期。2000—2005年，X₇与X₅的交互解释力达0.487，凸显地形对降水空间再分配的调控优势；2005—2010年，X₇与X₆的协同效应（q=0.360）占主导，体现为同期降水减少趋势进一步放大了水热失衡对干旱的驱动效应；2010—2015年，X₇与X₂的交互作用（q=0.373）跃居首位，揭示升温背景下山地生态系统敏感性的高程依赖性；2015—2020年，X₇与X₅的二次协同（q=0.383）表明地形对气候波动的持续响应；至2020—2022年，X₇与X₈的交互贡献（q=0.348）成为新兴驱动组合，表明人类活动正在影响干旱形成机制。这一系列时序特征表明，高程（X₇）作为地理基本要素，既能通过与自然因子的协同维持干旱的基础格局，又可耦合人类活动因子驱动干旱机制转型，其持续的核心地位为解析干旱多尺度驱动过程提供了空间关联框架。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 交互探测结果

注：X₁-地面粗糙度，X₂-气温，X₃-风速，X₄-坡度，X₅-降水，X₆-蒸散发，X₇-高程，X₈-夜间灯光亮度

Fig.7 Interaction detection results

4 讨论

通过构建EVI-LST特征空间，能够有效整合植被生理状态与地表温度，为甘肃省干旱监测提供一种高时空分辨率的解决方案。甘肃省TVDI在2000—2022年呈波浪式下降趋势，年均下降0.0005，这与范虎^［26］的研究结果较为一致。通过引入Hurst指数叠加Sen趋势预测发现，未来变湿的区域主要为甘南高原和陇东黄土丘陵区，这一发现突破了传统趋势分析的局限性；甘肃省干旱演变趋势以变湿为主，变湿区域集中于祁连山东麓、甘南高原及陇东地区，这与亓小蕙^［27］的研究结果较为一致；高程和气温对TVDI具有较大的影响^{［15，28］}，这与本文使用地理探测器探测结果较为一致。甘肃省植被覆盖呈现显著的梯度差异，东南部黄土丘陵区以中高植被覆盖度为主，而西北部河西走廊则以荒漠和稀疏草地为主。相比于NDVI，EVI通过引入蓝光波段和土壤背景抑制算法，降低了高植被覆盖区的饱和效应，同时对稀疏植被的水分响应更为敏感，能够有效应用于甘肃省TVDI干旱监测中^［29］。

地理探测器模型揭示高程与气温是主导干旱格局的关键因子，其交互作用显著增强了解释力。高程通过地形雨拦截和低温抑制蒸发的双重机制影响干旱格局。祁连山高海拔区年降水量比河西走廊低海拔区增加约400 mm，同时年均气温降低8~10 ℃，使得蒸散发速率下降，形成局地湿润微环境。相比之下，河西走廊绿洲-荒漠过渡带因高温和强蒸散发导致土壤水分快速流失，引起TVDI值上升。针对上述驱动机制，甘肃省干旱防控可以采取以下的策略。①高海拔生态屏障带保护与修复：祁连山及甘南高原应强化水源涵养功能，通过优化资源配置、扩大生态补偿范围、退牧还草等措施扩大植被覆盖，减少水土流失^［30-31］。重点种植耐寒耐旱物种，提升土壤持水能力，同时限制矿产开发与过度放牧，维护高山湿地和冰川资源的稳定性。②绿洲-荒漠过渡带水资源优化配置：河西走廊区域需严格实施农业用水配额制度，推广滴灌、覆膜和光伏治沙等技术，减少无效蒸发^［32］。③高温干旱区适应性管理：在武威、张掖等高温强蒸散发区域，构建防风固沙林网，降低地表风速和蒸发速率。推广耐旱作物品种，调整种植结构以适应气候变化，并利用地形改造截留降水，提升水分利用效率^［33］。④跨区域协同治理机制：建立祁连山-河西走廊生态补偿机制，通过跨流域调水工程平衡水资源分配。同时，整合遥感监测与地面观测数据，构建干旱风险动态预警平台，为分区治理提供实时决策支持^［34］。

5 结论

年际变化上，甘肃省2000—2022年TVDI呈现波动式下降趋势，每年下降0.0005。甘肃省TVDI在空间分布上呈现显著的梯度差异，呈现从西南向东北递增的分布格局。

由Sen趋势分析结合M-K检验可知，2000—2022年甘肃省整体以变湿为主，TVDI变化率为-0.043~0.031，均值为-0.002，表明甘肃省干旱情况在23年中有所改善。在未来趋势预测上，Hurst指数与Sen趋势耦合分析表明，甘肃省未来将向湿润化转变，其中持续变湿和由干变湿的面积占甘肃省总面积的54.9%，无法确定的面积占甘肃省总面积的21.7%，由湿变干和持续变干的面积占甘肃省总面积的23.4%。

驱动因子分析表明，高程和气温为TVDI的主要驱动因子，影响甘肃省TVDI的8个驱动因子间均呈现双因子增强效应，交互作用强度高于单一因子贡献。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

王坤，严子奇，陈刚，等.

面向特大干旱的水库旱限水位多级优化研究

［J］.水利学报，2024，55（12）：1528-1538.