密集生态干预对中国干旱半干旱区植被生产力的影响

doi:10.7522/j.issn.1000-694X.2025.00202

密集生态干预对中国干旱半干旱区植被生产力的影响

安迪^,, 张勃^,, 张雪盈, 伍哲希

西北师范大学地理与环境科学学院，甘肃兰州 730070

Implications of intensive ecological intervention for vegetation productivity in arid and semi-arid areas of China

An Di^,, Zhang Bo^,, Zhang Xueying, Wu Zhexi

College of Geography and Environmental Science，Northwest Normal University，Lanzhou 730070，China

通讯作者: 张勃（E-mail： zhangbo@nwnu.edu.cn）

收稿日期: 2025-11-04 修回日期: 2025-12-25

Received: 2025-11-04 Revised: 2025-12-25

作者简介 About authors

安迪（2000—），女，甘肃肃南人，硕士研究生，主要从事寒旱区生态系统演化与恢复研究E-mail：2023212880@nwnu.edu.cn , E-mail：2023212880@nwnu.edu.cn

摘要

在全球旱地生态脆弱性加剧的背景下，中国在干旱半干旱区实施了多项生态工程，形成了密集生态干预，但其对植被动态的影响机制尚不明确。本研究基于多源遥感数据，综合运用趋势分析、残差分析等方法，量化了2000—2020年生态工程重叠区植被生产力的变化及其驱动因素。结果表明：研究区植被生产力显著提升，气候呈暖湿化趋势，在生态工程重叠区尤为突出。驱动机制上，密集生态干预在适宜水热条件下具有协同增益效应。气候与非气候因素的共同作用是促进植被生产力增长的主导力量，且随着生态工程密度的增加，非气候因素的贡献显著增强，植被对气候波动的直接响应降低。本研究为优化生态工程的空间布局、实施基于水热条件的差异化恢复策略提供了科学依据。

关键词： 植被生产力 ; 生态工程重叠区 ; 驱动机制 ; 干旱半干旱区

Abstract

Against the backdrop of increasing ecological vulnerability in global drylands， China has implemented multiple ecological projects in its arid and semi-arid regions， forming a pattern of intensive ecological intervention. However， the mechanisms through which this intervention affects vegetation dynamics remain unclear. Based on multi-source remote sensing data and integrated methods such as trend analysis and residual analysis， this study quantified changes in vegetation productivity and their driving factors in ecological project overlapping areas from 2000 to 2020. The results show a significant increase in vegetation productivity across the study area， accompanied by a warming-wetting climatic trend， which is particularly pronounced in ecological project overlapping areas. In terms of driving mechanisms， intensive ecological intervention exhibits a synergistic gain effect under suitable hydrothermal conditions. The combined effect of climatic and non-climatic factors serves as the dominant force promoting vegetation productivity growth. Furthermore， as project density increases， the contribution of non-climatic factors strengthens significantly， while the direct response of vegetation to climatic fluctuations diminishes. This study provides a scientific basis for optimizing the spatial layout of ecological projects and implementing differentiated restoration strategies based on hydrothermal conditions.

Keywords： vegetation productivity ; ecological project overlapping areas ; driving mechanisms ; arid and semi-arid area

PDF (9329KB) 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

安迪, 张勃, 张雪盈, 伍哲希. 密集生态干预对中国干旱半干旱区植被生产力的影响. 中国沙漠[J], 2026, 46(2): 277-287 doi:10.7522/j.issn.1000-694X.2025.00202

An Di, Zhang Bo, Zhang Xueying, Wu Zhexi. Implications of intensive ecological intervention for vegetation productivity in arid and semi-arid areas of China. Journal of Desert Research[J], 2026, 46(2): 277-287 doi:10.7522/j.issn.1000-694X.2025.00202

0 引言

全球旱地面积约占陆地总面积的41%，居住人口超20亿^［1］。21世纪以来，干旱区正经历着社会和生态条件变化等各种挑战，这些挑战对该区域的可持续发展形成了一定的威胁^［2］。近几十年来，气候变暖与降水格局的改变导致干旱区生态脆弱性加剧^［3-4］，具体表现为干旱区土地退化范围扩大、植被生产力下降、生物多样性丧失加速以及荒漠化进程向半湿润区扩展等连锁生态效应^［5］。中国干旱半干旱区生态系统非常脆弱，对气候变化和人类活动干扰极为敏感，给当地经济发展和生态系统的可持续带来严重挑战^［6］。

在此背景下，大规模生态保护政策的实施成为人类主动干预干旱区生态过程的重要手段，中国政府自2000年以来实施了众多生态工程，其中在干旱半干旱区的重大生态工程包括三北防护林体系建设工程（第二阶段，2001—2020年）、退耕还林还草工程（两轮，1999—2019年）、退牧还草工程（第一期，2003—2020年）、天然林资源保护工程（第一期，2000—2010年；第二期，2011—2020年）和京津风沙源综合治理工程（第一期，2001—2010年；第二期，2013—2022年）。在实践中，为集中力量攻坚特定生态脆弱区或实现多重生态目标，多种生态工程在空间上叠加部署，在时间上持续实施的现象日益普遍^［7］，形成了密集生态干预的典型格局。本文将这种在同一区域内，两种及以上国家生态工程在时空尺度上重叠实施，从而对生态系统施加高强度、持续性人为调控的现象，定义为密集生态干预。其典型空间表征即生态工程重叠区，这不仅是政策投入强度的体现，也代表了自然生态系统承受复合人为压力的特定场景。

植被动态变化是气候变化、非气候变化及其两者交互作用的结果^［8-9］，越来越多的学者关注生态工程等非气候因素在植被动态变化中的作用机制和效应^［10-11］。目前，关于单一生态干预对植被恢复的正面作用已有广泛共识^［12］，但对于密集生态干预这种特殊的聚合对象在气候背景下的生态效应仍缺乏系统认知。同时，过度依赖单一指标可能高估植被恢复水平^［13-14］，且植被生产力是多维概念，单一指标仅能反映某一特定方面的生态过程，因此需结合多维度植被生产力指标对生态工程恢复成效进行评估。

选取归一化植被指数（NDVI）、总初级生产力（GPP）、净初级生产力（NPP）与净生态系统生产力（NEP），分别表征植被绿度、光合能力、固碳量与生态系统碳汇功能，通过多指标交叉验证，系统揭示2000—2020年生态工程重叠区植被生产力的时空格局，旨在揭示研究区的密集生态干预在当前气候背景下如何影响植被生产力，并量化气候因素与非气候因素对植被生产力的贡献。本研究阐明密集生态干预下植被生产力的响应机制，为优化生态工程布局、协调碳中和目标与生态安全屏障建设提供科学依据。

1 数据与方法

1.1　研究区概况

中国干旱半干旱区横跨西北、华北和东北地区，地理位置27°—45°N、73°—121°E，面积达4.488×10⁶ km²，约占中国陆地国土总面积的46.75%（图1A）。干旱半干旱地区因独特的地理位置成为中国生态环境脆弱地区，也是中国生态保护和经济发展存在一定矛盾的地区。为了扭转或改善中国的生态环境质量，中国政府自2000年以来实施了众多生态工程，其中范围在干旱半干旱区的有5个重大生态工程（图1B~F）：京津风沙源综合治理工程、三北防护林体系建设工程、退牧还草工程、退耕还林还草工程、天然林资源保护工程。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 生态工程重叠区分布

注；基于自然资源部标准地图服务网站审图号GS（2022）1873号标准地图制作，底图边界无修改

Fig.1 Spatial distribution of overlapping ecological project areas in the study area

根据5个生态工程在空间上的重叠情况可知，3个生态工程重叠区面积最大，占研究区面积的37.59%；无生态工程实施的区域面积最小，占1.69%，主要分布在藏南山地；重叠实施工程数量最多的是5个，面积占16.91%，主要分布在黄河“几字弯”地区；只有1个生态工程实施的区域在藏西南地区，属于退耕还林工程（图1）。

1.2　数据来源

本研究综合考虑所选生态工程的实施时间^［15］，选择2000—2020年为研究时段，分析中国干旱半干旱区植被生产力的变化情况，选取NDVI、GPP、NPP和NEP作为植被生产力的代表性指标；选择气温和降水量作为气候水热条件的代表性指标，并利用土地利用数据将上述数据提取进行分析。

数据来源如表1所列。植被生产力数据均下载自Google Earth Engine（GEE）平台。气温和降水量数据下载于国家青藏高原科学数据中心^［16-17］。土地利用数据选用MCD12Q1中的国际地圈生物圈计划（IGBP），重分类为乔木、灌木、草原、农田、建设用地、积雪、荒漠、水体共8类。根据研究所需选取乔木、灌木和草原为研究区的数据统计分析区域。将以上所有数据重采样为1 000 m。在此基础上对植被生产力数据和土壤异养呼吸（R_h）数据进行提取和计算。

表1 数据及来源

Table 1 Data and source

数据名称	数据集名称	空间分辨率/m	下载网址
土地利用	MCD12Q1.061	1 000	https://earthengine.geogle.com
NDVI	MOD13A1	500
GPP	MOD17A2H	500
NPP	MOD17A2H	500
气温	中国1 km分辨率逐月气温数据集	1 000	https://data.tpdc.ac.cn
降水量	中国1 km分辨率逐月降水量数据集	1 000	https://data.tpdc.ac.cn
生态工程边界	中国重大生态工程生态效益评估数据集		https://www.nesdc.org.cn

新窗口打开| 下载CSV

1.3　研究方法

1.3.1　植被净生态系统生产力估算模型

NEP是估算陆地生态系统碳源/汇的重要指标^［18］。如不考虑其他自然和人为因素的影响，NEP可以表示为NPP与R_h之间的差值。正值表示生态系统为碳汇，负值表示为碳源。

E P = N P P - R_{h}

（1）

土壤异养呼吸（R_h）采用裴志永等^［19］提出的基于温度和降水量的碳排放回归方程。该方程模型在中国西北^［20］和黄河流域^［21］等地区得到了广泛验证，因此在本研究中使用该方程模型。

\begin{array}{l} R_{h} = 0.22 \times [e x p (0.0913 \times T E M) + l n (0.3145 \times \\ P R E + 1)] \times 30 \times 46.5 % \end{array}

（2）

式中：TEM表示气温；R_h表示土壤呼吸量；PRE表示降水量；30表示使用月气象数据的天数；46.5%是微生物呼吸释放的土壤碳排放的分数。

1.3.2　趋势与相关性分析

本研究采用Theil-Sen Median和Mann-Kendall检验方法分析植被生产力及气候因子的变化趋势。Theil-Sen Median是稳健的非参数计算方法^［22］，用于计算趋势值，M-K检验用于评估趋势显著性^［23-24］，二者结合可有效克服异常值及非正态分布的影响。此外，基于偏相关分析与T检验法^［24］研究植被生产力与气候因素的真实相关性。

1.3.3　残差趋势分析

残差趋势分析最早由Evans等^［25］提出，后经各学者补充完善形成^［26］。该方法是在植被指标与气候因子具有相关性的基础上，运用模型模拟无人类活动干扰的情况下植被的变化状况与实际变化情况的差异表示人类活动对植被的影响，通过残差趋势变化分析人类活动对植被的作用。残差趋势分析方法是分离气候和人类活动对植被动态变化影响最具代表性的研究方法，对分析人类活动对植被的影响具有里程碑式的理论参考意义^［11］。本研究采用残差趋势分析方法研究气候因素和非气候因素对植被生产力变化的影响及相对贡献。

1.3.4　植被生产力变化驱动因素判定及影响

为量化气温与降水量的相对贡献，本研究基于偏相关分析结果，通过计算各生态工程重叠区内植被生产力与两因子偏相关系数的平方占比，确定其贡献率，并将贡献率超过50%的因子认定为主导气候因子。

根据趋势分析计算研究区2000—2020年的植被生产力观测值和预测值的线性趋势率，分别代表其在气候因素和非气候因素影响下的变化趋势。趋势率为正表示气候因素或非气候因素对植被生产力具有促进作用；反之，对植被生产力具有抑制作用^［27］。此外，根据表2对研究区植被生产力变化的主要驱动因素进行区分，计算气候因素和非气候因素对其变化的相对贡献率^［28］。

表2 植被生产力变化的驱动因素划分标准及贡献率计算方法

Table 2 Criteria for classifying drivers of vegetation productivity change and calculation methods for contribution rates

$s l o p e^{a}$	驱动因素	驱动因素的划分标准		驱动因素的贡献率/%
$s l o p e^{a}$	驱动因素	$s l o p e^{b}$	$s l o p e^{c}$	气候因素	非气候因素
>0	CC&NC	>0	>0	$\frac{s l o p e^{b}}{s l o p e^{a}}$	$\frac{s l o p e^{c}}{s l o p e^{a}}$
	CC	>0	<0	100	0
	NC	<0	>0	0	100
<0	CC&NC	<0	<0	$\frac{s l o p e^{b}}{s l o p e^{a}}$	$\frac{s l o p e^{c}}{s l o p e^{a}}$
	CC	<0	>0	100	0
	NC	>0	<0	0	100

注：CC代表气候因素单独作用，NC代表非气候因素单独作用，CC&NC代表气候因素和非气候因素共同作用。 $s l o p e a, s l o p e b$ ， $s l o p e c$ 分别指基于遥感数据的生长季植被生产力观测值的趋势率，基于趋势分析的生长季植被生产力预测值的趋势率，生长季植被生产力残差的趋势率。 $s l o p e b, s l o p e c$ 分别表示在气候因素和非气候因素影响下的植被生产力变化趋势。

新窗口打开| 下载CSV

2 结果与分析

2.1　植被生产力的时空变化特征

2.1.1　时间变化特征

研究时段内，各植被生产力总体呈现上升趋势，其中2003、2013、2019年出现明显峰值，2015年则表现为明显低谷（图2A）。21年的NDVI 均值为0.28342，21年的植被生产力（以C计量）均值分别为249.6777 g·m^-2（根据GPP）、198.3031 g·m^-2（根据NPP）、87.5996 g·m^-2（根据NEP）。同样地，从各生态工程重叠区来看，各植被生产力均呈增加趋势，且均在5个生态工程重叠区的变化率最大，在一个生态工程实施区的变化率最小（图2B~F）。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 植被生产力的年际变化趋势

Fig.2 Interannual trends of vegetation productivity in the study area as a whole （A） and regions with ecological projects overlaps ranging from 1 to 5 （B-F）

2.1.2　空间变化特征

研究区植被生产力的空间变化具有异质性，但总体呈现明显提升趋势（图3），各指标数值增加的面积均超过研究区总面积的90%。具体而言，NDVI增加区域面积占研究区面积的91.7%，其中显著增加区域面积占比超过50%，退化区域面积不足10%（图3A）；GPP增加的区域面积约为96.1%，其中显著增加的面积约为不显著增加面积的两倍以上（图3B）；NPP增加的面积约为94.6%，显著增加区域占比超过50%（图3C）；NEP表现为碳汇的面积约占93.9%，其中显著增加面积占50%（图3D）。各生态工程重叠区植被生产力的变化趋势占比不同，但同样以显著/不显著增长为主（图3E~H）。在生态工程重叠区，植被生产力以显著增长为主，其面积占各生态工程重叠区的45%以上，而在单一生态工程实施区，各植被生产力指数以不显著增长为主，均占一个生态工程实施面积的50%以上。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 研究区植被生产力的空间分布（A~D）以及生态工程重叠区植被生产力空间变化占比（E~H）

注：A~D图基于自然资源部标准地图服务网站审图号GS（2022）1873号标准地图制作，底图边界无修改

Fig.3 Spatial distribution of vegetation productivity in the study area as a whole （A-D）， and spatial distribution of vegetation productivity in ecological project overlapping areas （E-H）

2.2　生态工程重叠区植被生产力与气候因子的关系

2.2.1　气候因子的时空分布格局

2000—2020年，研究区内乔木、灌木及草原植被覆盖区的生长季平均温度整体呈波动变化，并伴随轻微上升趋势，升温速率为0.001 ℃·a^-1；同期，生长季降水量年际波动显著，整体表现为明显增加趋势，增幅达1.467 mm·a^-1（图4A）。由此可知研究区的气候变化整体呈暖湿化趋势。从各生态工程重叠区来看，除1个生态工程实施区和5个生态工程重叠区的年平均气温整体呈正趋势外，其余生态工程重叠区均为负趋势；1个生态工程实施区的年降水量为负趋势外，其余数量生态工程重叠区均呈正趋势（图4B~F）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 气候因素的年际变化趋势

Fig.4 Interannual trends of climatic factors in the study area as a whole （A） and areas with 1-5 overlapping ecological projects （B-F）

气温与降水量在空间上的组合模式对植被生长具有关键影响。为进行量化分析，本研究基于像元尺度上气温与降水量的变化趋势（上升或下降），将水热组合划分为4种类型：暖湿型、暖干型、冷湿型、冷干型。水热组合类型的空间分布呈现显著异质性（图5）。暖湿型与冷湿型合计占研究区总面积的77.8%，广泛分布于中东部地区；暖干型与冷干型占比22.2%，主要分布于西部的藏南及北疆地带（图5A）。在各生态工程重叠区内，水热组合类型的面积占比表现出相似特征（图5B）。在多生态工程重叠区，水热组合以暖湿型和冷湿型为主，二者占比均超过75%；而在单生态工程实施区，由于其所处地理位置的影响，同气温与降水的年际变化趋势相印证，水热组合则以暖干型为主导，占比达62%（图5B）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 研究区水热组合类型的空间分布（A）以及各生态工程重叠区中不同水热组合类型的面积占比（B）

注：A图基于自然资源部标准地图服务网站审图号GS（2022）1873号标准地图制作，底图边界无修改

Fig.5 Spatial distribution of hydrothermal combination types in the study area as a whole （A）， and area proportion of different hydrothermal combination types within each ecological project overlapping areas （B）

2.2.2　植被生产力对气候变化的响应

从各生态工程重叠区的植被生产力与气候因子的偏相关分析结果来看，各生态工程重叠区的植被生产力与气温和降水量的相关性存在显著差异，整体上植被生产力与降水量的相关度高于气温（图6）。就气温而言，各生态工程重叠区植被生产力与气温的相关性为-0.463~0.527。其中，除NPP，NEP在3~5个生态工程重叠区与气温呈负相关以外，其余均与气温呈正相关，且均在2个生态工程重叠区相关性最高。就降水量而言，各生态工程重叠区植被生产力与降水量的相关性为-0.403~0.558。其中，除GPP与NEP在1个生态工程实施区与降水量呈负相关以外，其余均与降水量呈正相关，且3~5个生态工程重叠区的相关性与气温相比较高。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 各生态工程重叠区的植被生产力与气温和降水量的相关性

Fig.6 Correlation between vegetation productivity and air temperature and precipitation in ecological project overlapping areas

各生态工程重叠区的水热组合特征及其对植被生产力的影响存在规律性差异（表3）。综合来看，研究区植被生产力变化受到区域水热组合类型的显著调控，其中暖湿型组合最有利于植被生产力提升，以该类型为主导的多生态工程重叠区普遍呈现显著的植被增长。单一生态工程实施区以暖干型组合为主且气温成为主要驱动因子，其植被生产力虽呈增长趋势，但以不显著增长为主。这一发现与各生态工程重叠区的空间分布特征高度一致：多生态工程重叠区主要位于暖湿型和冷湿型区域，水热条件相对优越，植被恢复效果显著；而单生态工程实施区多处于暖干型区域，植被恢复相对缓慢。

表3 各生态工程重叠区主导水热类型、气候因子及植被生产力响应

Table 3 Dominant hydrothermal types， climatic factors， and vegetation productivity responses in ecological project overlapping areas

生态工程重叠区	主导水热组合类型	主导气候因子	植被生产力空间变化主导趋势
1	暖干型(62%)	气温（57.72%）	不显著增长
2	暖湿型(50%)	气温（75.28%）	显著增长
3	暖湿型(51%)	降水量（83.16%）	显著增长
4	暖湿型(46%)	降水量（79.01%）	显著增长
5	暖湿型(69%)	降水量（68.80%）	显著增长

新窗口打开| 下载CSV

2.3　植被生产力变化的驱动机制

2.3.1　植被生产力变化的驱动力

气候因素（CC）和非气候因素（NC）对植被生产力的影响在空间上表现不同。图7揭示了在各生态工程重叠区中，驱动力对各植被生产力变化影响的占比。气候-非气候因素共同作用对各植被生产力的提升起到首要作用；而使植被生产力降低的驱动力，以气候-非气候因素共同作用和非气候因素单独作用为主。值得注意的是，对比不同数量的生态工程叠加实施区来说，气候-非气候因素共同作用和非气候因素单独作用导致的植被生产力增加面积占各生态工程重叠区面积的80%以上，且生态工程叠加实施数量越多，这一比重越大。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 各生态工程重叠区的驱动力占比

注：圈层1~5代表1~5个生态工程重叠区。CC&NC代表气候因素和非气候因素共同作用，CC代表气候因素单独作用，NC代表非气候因素单独作用。slope>0代表驱动力对植被生产力起促进作用，slope<0代表驱动力对植被生产力起抑制作用

Fig.7 Proportion of driving forces in ecological project overlapping areas. Numbers 1-5 represent areas with 1-5 overlapping ecological projects

2.3.2　气候因素和非气候因素对植被生产力变化的相对贡献

在各个生态工程重叠区，气候因素对植被生产力变化的贡献度较低的区域占比较大，其中贡献度在0~40%的占比最大；同时随着生态工程叠加实施数量的增多，贡献度低的区域整体上占比增多（图8A），由此可看出密集生态干预使得气候因素对植被生产力的直接影响降低。而对于非气候因素，其贡献度较高的区域占比较大，其中贡献度在60%以上的占比最大，平均在各重叠区面积的50%以上，除此之外可以看出，生态工程叠加实施数量越多的地区非气候因素对植被生产力的贡献为正的区域占比越大（图8B）。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 各个生态工程重叠区气候因素和非气候因素对植被生产力变化贡献度的占比

Fig.8 Relative contributions of climatic and non-climatic factors to vegetation productivity changes in ecological project overlapping areas. Numbers 1-5 represent areas with 1-5 overlapping ecological projects

3 讨论

3.1　气候因素对植被生产力的影响

2000—2020年，研究区生长季气候因子的长期时空变化呈现出暖湿化趋势。其中，空间上以暖湿型水热组合类型为主导，广泛分布于研究区中东部，这进一步印证了西北地区的暖湿化现象^［29-30］，为区域植被恢复提供了有利的气候背景。

从气候因子与植被生产力的关系来看，降水量与植被生产力的相关性整体呈正相关且与气温相比相关度更高，同时降水也是驱动研究区植被生产力变化更为普遍的主导气候因子。首先，这可能与研究区的气候特征有关，干旱半干旱区降水量低且年际变率大，蒸发强烈，使得降水成为限制该区域植被生长的首要气候因素^［31-32］；其次有研究表明，在西北地区，气温对植被生产力存在滞后效应^［33］，这在一定程度上说明了植被生产力与同期气温相关性较低的原因。值得注意的是，主导水热组合类型与植被生产力的变化趋势存在显著的空间异质性：在暖干型为主的单个生态工程实施区域，气温上升伴随降水量减少，植被恢复不显著，气温成为主要的限制因素；而以暖湿型组合为主的多个生态工程重叠区，植被生产力呈显著性增长，降水量的主导作用则更加凸显。这种格局表明，水热组合的类型从根本上调控了植被生长的气候潜力与限制边界。植被生产力的动态变化也反映了这一点，例如在2013年，生长季气温与降水量均较高，优越的湿热条件使各植被生产力达到21年间的最高值；而2015年各植被生产力的异常低谷，则可能与当年厄尔尼诺事件引发的区域性高温干旱有关^［34-35］。

研究还发现，单独由气候因素驱动的植被生产力变化区域面积占比极低，这些地区同样存在生态工程重叠现象，这进一步说明生态工程的实施需注重因地制宜，依据区域气候的背景和环境承载力科学设计生态工程类型、密度及管理措施^［36-37］。

3.2　生态干预对植被生产力的影响

各植被生产力指标自2001年起显著提升，并于2003年达到首个峰值，这与中国自2000年起大规模推进的生态保护政策在时间上高度吻合，初步印证了生态工程的实施成效。植被生产力的变化是气候因素与非气候因素如生态工程等人为干预措施协同作用的结果。随着生态工程实施密度的增加，植被生产力的变化趋势从不显著增长（单生态工程区）转变为显著增长（多生态工程区）。这一转变不仅得益于暖湿型为主的水热组合背景，也离不开多生态工程干预的协同增强效应。

在各生态工程重叠区中，气候-非气候因素共同作用占植被生产力变化驱动力的主导地位，这在本质上揭示了自然过程与人类干预的深度耦合。例如，作为5个生态工程重叠区的黄河“几字弯”地区，过去21年间以暖湿型为主、冷湿型为辅的水热条件，结合密集的生态干预，不仅驱动了植被生产力的显著提升，也支撑了该区域沙漠化进程的持续逆转^［38］。这充分表明，在适宜的水分条件下，因地制宜的生态恢复工程能有效促进区域植被生产力增长，改善区域生态环境。同时，随着生态工程重叠数量的增加，气候因素对植被生产力的贡献度逐渐降低，如在多生态工程重叠区，尽管存在冷湿型的水热条件，植被仍保持显著增长。这说明生态工程叠加可能通过增强人工干预和生态系统稳定性，削弱了气候波动对植被生产力的直接影响。

值得注意的是，密集生态干预的效应在部分地区具有两面性。分析发现，虽然多生态工程重叠区单独由非气候因素驱动植被生产力提升的区域面积与单独由气候因素驱动相比有所提升，但是对植被生产力起抑制作用的因素中，非气候因素单独作用的强度也仅次于气候-非气候因素的共同作用。这一点反映出实施生态保护政策要因地制宜，在自然条件不适宜的地区强行开展生态保护措施可能会适得其反，导致植被生产力降低。总体来看，随着生态工程叠加数量的增多，气候与非气候因素共同作用，以及非气候因素单独作用对植被生产力的提升贡献占比也随之升高，这进一步印证了人类活动在生态恢复中的关键角色及其与自然过程的协同关系。

因此，中国干旱半干旱区的生态恢复需以气候资源为基、生态工程调控为翼为系统思维。未来，应在气候适宜区优化生态工程协同布局以放大恢复效益，在气候胁迫区则需审慎评估干预方式与强度，规避可能产生的负面效应，最终实现生态恢复成效的最大化与可持续性。

4 结论

密集生态干预在适宜的水热条件下对植被生产力具有协同增益效应。

密集生态干预主要通过气候-非气候因素共同作用来驱动植被生产力提升，且随着生态工程密度增加，其对植被生长的正向促进作用愈发明显。

密集生态干预通过增强非气候因素的贡献，降低了植被对气候波动的直接响应。且整体上随着生态工程密度增加，非气候因素对植被生产力的贡献提高了，而气候因素的贡献度则降低了。

未来的生态恢复需推行基于水热组合的差异化干预策略。应在气候适宜区强化生态工程协同以放大增益，在气候胁迫区则需采取审慎、适应性的恢复模式，以规避生态风险，实现可持续恢复。

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]

Board

M E A

Ecosystems and Human Well-Being：Desertification Synthesis

［M］.Millennium Ecosystem Assessment Board，2005.