沙漠化是全球干旱半干旱区面临的重大生态环境问题，直接威胁区域生态安全与社会经济可持续发展。在干旱和半干旱地区，沙漠化导致土地生产力下降、生物多样性减少，引发沙尘暴等灾害^［1］。沙漠化动态监测对于理解景观退化、生态系统演变以及人类活动对自然环境的影响至关重要^［2］。为了落实2030年可持续发展目标，推动土地退化零增长，开展快速、精准的沙漠化监测已成为当前科学治沙的重要手段^［3］。通过持续监测沙漠化的演变过程及其时空趋势，可为定量评估土地退化程度、识别关键驱动因素以及优化防沙治沙措施提供科学依据^［4］。

特征空间模型以其物理意义明确、操作简单的优势在沙漠化监测领域得到广泛的应用^［5］。当前研究主要采用二维特征空间模型实现对沙漠化信息的提取^［6］。传统二维特征空间模型主要依赖于植被参数和地表参数两类指标，这种方法虽然可以实现大范围快速监测，但是忽略了温度、湿度等周围环境信息。近年来，三维特征空间方法已在盐渍化和石漠化研究中得到应用，为区域退化识别与监测提供了量化手段。丁建丽等^［7］最早构建了MSAVI-WI-SI特征空间模型用于土壤盐渍化监测，刘盼盼等^［8］对比选择最优三维特征空间模型分析西南山区石漠化演变过程。这些研究为构建三维特征空间实施沙漠化监测提供了很好的理论支撑。由于不同地区的地理环境、气候条件和植被类型差异显著，特征空间模型需要根据区域特点进行优化。基于此，本文考虑引入地表水分含量指数（Soil Water Content Index，SWCI）作为湿度指标，构建kNDVI-Albedo-SWCI三维特征空间模型，以增强特征空间对地表湿度信息的表达能力，提高沙漠化类型区分的结构完整性与判别能力。相较于传统二维特征空间，三维特征空间通过引入湿度信息，更好地考虑了复杂的地表环境特征^［9］。此外，沙漠化过程往往受到自然和人为多重因素的共同影响。因此，有效量化沙漠化动态演变过程的驱动因素十分必要。XGBoost-SHAP模型为沙漠化驱动因素定量探究提供了有效的解决方案。XGBoost-SHAP模型不仅具有强大的预测能力，能够处理高维、多变量数据，并捕捉沙漠化过程中各环境因子之间的复杂非线性关系^［10］。同时，SHAP值能够量化每个驱动因子对模型预测的贡献，清晰揭示自然因素与人为因素的相对重要性^［11］。此外，该模型还支持可视化分析，使研究人员可以直观了解沙漠化驱动机制，为沙漠化科学防治和政策制定提供可靠依据。

科尔沁沙地作为中国北方干旱半干旱农牧交错的典型区域，气候变化敏感，生态环境脆弱^［12］。同时，沙地内部和周边人口分布密集，春秋季节沙尘暴等极端天气频发，直接威胁附近居民的生产生活和区域的环境安全，导致沙漠化形势长期严峻^［13］。过度开垦、过度放牧等不合理的人类活动造成土地退化问题日益突出^［14］。“三北”防护林工程的实施在改善区域生态环境方面发挥了重要的作用，但是在不同阶段实施效果有显著差异。因此，在防沙治沙和生态修复工程实施过程中，持续开展沙漠化动态监测能够提供及时的科学依据，支持工程调整和效果评估^［15］。在此基础上，借助XGBoost-SHAP模型量化自然和人为因子在沙漠化动态变化中的驱动作用，为防控沙漠化、实现土地退化零增长提供科学依据。

科尔沁沙地位于中国东北平原向内蒙古高原的过渡地带，是北方半干旱区典型沙漠化集中地区，涵盖14个旗县，总面积约12.06万km²。区域内地势西高东低（图1），海拔86~2 017 m，属温带大陆性季风气候，年降水量300~450 mm^［16］。植被以沙生植被和草原植被为主，但长期受自然因素和人类活动影响，植被覆盖度低，生态系统脆弱，土地易退化，是“三北”防护林工程的重点治理区域^［17］。科尔沁沙地沙漠化类型丰富，包括固定、半固定及流动沙地，其脆弱的生态环境和显著的沙漠化特征使其成为国内外长期关注的沙漠化研究典型区^［18］。

本文基于Google Earth Engine（GEE）云计算平台（https：∥earthengine.google.com/），选取Landsat 5与Landsat 8地表反射率数据，提取2000、2005、2010、2015、2020、2025年科尔沁沙地30 m分辨率沙漠化监测指标，进而用于沙漠化信息提取。为保证时序连续性，每期影像均由邻近3 a平均值（如1999—2001、2004—2006、2009—2011、2014—2016、2019—2021、2023—2025年）的生长季（7—9月）数据构建。数据预处理采用质量评估波段（QA_PIXEL与QA_RADSAT）剔除云、云阴影及饱和像素的影响，并结合JRC全球地表水数据集（JRC Global Surface Water Mapping Layers）掩膜水体区域。随后，采用多时相中值合成方法生成高质量影像，并计算kNDVI、Albedo和SWCI遥感指标（表1），所有指标均经过归一化处理，保证可比性与稳定性。最终得到多期30 m空间分辨率影像，为沙漠化信息提取提供数据基础。

本文从自然因素和人为因素两方面考虑，共选取了10个驱动因子探究科尔沁沙地沙漠化动态演变过程的驱动机制^［19］（表2）。整体来看，所选因子综合覆盖了气候、土壤、地形及人类活动等关键维度，能够较为全面地表征沙漠化发生发展的主要影响因素^［20］；同时，指标体系的构建参考了已有相关研究成果^［21］，从而增强了本研究方法的科学性与结果的可靠性。其中，自然因子包括土壤质地、土壤深度、坡度、坡向、海拔、降水量、实际蒸散发、年平均温度。人类活动因子包括人类足迹和土地利用。受时间限制，本研究以2022年数据替代2025年人类足迹数据。土地利用数据采用武汉大学杨杰、黄昕团队开发的2000—2023年中国土地利用/覆盖数据集（CLCD），该数据集具有较高的时空一致性与精度，同样因时间限制以2023年数据替代2025年土地利用数据。所有数据统一处理为1 km空间分辨率，并使用GCS_WGS_1984地理坐标系和WGS_1984_Albers投影坐标系。

沙漠化过程表现为植被退化、地表裸露增强以及水分条件恶化等生态环境要素的协同变化，因此单一指标或简单组合往往难以全面揭示其内在物理机制。基于此，本文从绿度、亮度和湿度3个维度出发，分别选取核归一化植被指数（kNDVI）、地表反照率（Albedo）和地表水分含量指数（SWCI），构建具有明确物理意义的三维特征空间指标体系，整体研究框架如图2所示。其中，kNDVI主要反映地表植被覆盖状况，是表征植被变化的重要指标；Albedo表征地表对太阳辐射的反射能力，通常在沙化加剧时显著升高；SWCI则反映地表及近地表土壤水分状况，是衡量生态环境干湿程度的关键参数。在沙漠化加剧过程中，通常表现为kNDVI下降、Albedo升高、SWCI降低。由此可见，植被状况（绿度）、地表能量特征（亮度）与水分条件（湿度）分别从地表植被特征、地表物理属性和地表水分环境3个层面反映土地退化状态，共同构成刻画沙漠化动态演变的物理基础。基于这一绿度-亮度-湿度协同变化机制，本文构建了kNDVI-Albedo-SWCI三维特征空间模型，用于综合刻画沙漠化程度及其动态变化特征。为定量刻画不同采样点之间的相似性与差异性，并实现沙漠化的精确分类，本文引入空间距离模型来构建三维特征空间的数学描述。空间距离模型以欧氏距离为基础，通过测量多维空间中点与点之间的几何距离，能够反映样点在特征空间中的相对位置关系。在欧几里得距离的基础上，将kNDVI、Albedo、SWCI组合在一起，构建三维沙漠化综合指数TDDI（Three-dimensional Desertification Degradation Index），用于综合表征研究区的沙漠化程度。

在三维特征空间中（图2），点M和点N分别表示沙漠化程度最高和最低的点，两点之间连线为沙漠化边缘地区。其中，M点代表最高的地表反照率、最低的植被覆盖度和地表水分含量。N点代表最低的地表反照率、最高的植被覆盖度和地表水分含量。MN的长度即为TDDI的范围，值域为0~√3。该方法能够综合考虑绿度、亮度和湿度三方面的差异，从而有效揭示不同采样点在沙漠化特征上的整体变化。在分级过程中，首先采用自然断点法对TDDI年度数据进行初步分级，以识别数据分布中的显著结构差异；随后结合实地样本点TDDI指数空间中的分布区间，对分级界限进行客观校验，以确保各等级与实际沙漠化状态之间保持相对稳定的对应关系^［22］。尽管各年份分级阈值存在一定程度的波动，但不同等级之间的相对排序关系始终保持一致，从而保证了多时相结果在横向比较中的一致性与可比性。根据最终得到的值域范围将研究区域内的沙漠化程度划分为极重度、重度、中度、轻度和非沙漠化五级（表3）。

本文基于66个实地验证点和265个Google Earth影像验证点构建混淆矩阵，验证2025年三维特征空间沙漠化分类精度。混淆矩阵是多分类问题中常用的性能评估方法，通过统计各类别正确分类和错误分类的样本数量或比例可以有效评估。利用混淆矩阵生成模型的总体精度和Kappa系数，直观呈现模型在科尔沁沙地沙漠化监测中的准确性。

为定量解析自然因子与人为因子在科尔沁沙地沙漠化动态演变中的相对作用，本文引入XGBoost-SHAP模型，以三维特征空间分类结果作为因变量，不同的自然和人为因子作为自变量，构建XGBoost分类预测模型。该模型通过迭代训练决策树并优化目标函数，有效捕捉多因子的非线性关系和交互效应，从而保证分类精度。进一步利用SHAP方法计算每个因子在模型预测中的边际贡献，明确各自然因子与人为因子对沙漠化演变的重要性，实现对黑箱模型的可解释化分析。

采用混淆矩阵对kNDVI-Albedo-SWCI特征空间模型的分类结果进行评价，准确率为0.80，Kappa系数为0.75。2000—2025年，科尔沁沙地以中度和轻度沙漠化为主，沙漠化等级结构逐步向低等级演变，非沙漠化面积稳步增加，整体呈现由退化向恢复转变的演进态势。如图3所示，2000—2010年，中度沙漠化地区占据优势地位，在所有沙漠化程度中沙漠化面积占比最高。2005—2010年重度沙漠化面积显著减少，轻度沙漠化面积显著增加。2015—2025年各程度沙漠化面积基本趋于稳定。极重度、重度、中度沙漠化面积占比分别为1%、3%、6%，在比例上保持稳定，生态系统逐渐趋于稳定状态。在此期间，轻度沙漠化面积占比逐期减小，非沙漠化面积占比逐期增加，生态修复效果得到有效巩固。

科尔沁沙地沙漠化转移桑基图清晰呈现了不同沙漠化等级的相互转移状况（图4）。2000—2005年，沙漠化等级整体呈现较高等级向较低等级转变趋势，中度沙漠化向轻度沙漠化的转移量明显增加，表明该阶段沙漠化等级结构发生显著优化。从总体上看，沙漠化土地向非沙漠化土地转变明显。具体来看，2000—2010年，沙漠化逆转的主要类型体现为中度沙漠化向轻度沙漠化以及非沙漠化土地的转变，此阶段科尔沁沙地的沙漠化土地呈现出显著的恢复态势，说明该阶段沙漠化逆转，“三北”防护林工程初见成效。至2015年，轻度沙漠化面积在各类沙漠化土地中占比最高，表明生态环境逐步改善，轻度退化土地成为主要程度。2010—2015年，轻度沙漠化面积持续上升，中度沙漠化面积下降，显示沙漠化逆转效果明显，这反映出生态治理和植被恢复对沙化土地起到了明显缓解作用。2015—2025年，各程度沙漠化面积基本稳定，轻度沙漠化土地逐步向非沙漠化转化，区域生态系统趋于稳定，说明经过多年治理与自然恢复的共同作用，区域生态状态趋于平衡，沙漠化趋势得到有效控制。

基于三维特征空间模型，构建了2000、2005、2010、2015、2020、2025年科尔沁沙地沙漠化数据集，并系统分析了2000—2025年沙漠化空间分布格局（图5）。整体上，中度和轻度沙漠化为主导；极重度和重度沙漠化主要集中于老哈河两岸的奈曼旗西北部及翁牛特旗中东部地区，为“三北”防护林工程重点治理区域。轻度沙漠化在巴林右旗、阿鲁科尔沁旗、科尔沁左翼中旗和科尔沁左翼后旗呈连片分布，经长期治理后其空间范围明显收缩，部分区域已转化为非沙漠化。

2000—2005年科尔沁沙地轻度沙漠化面积大范围缩小，其中敖汉旗、巴林左旗、巴林右旗、阿鲁科尔沁旗变化最明显；2005—2010年科尔沁左翼中旗、科尔沁左翼后旗、库伦旗和奈曼旗沙漠化面积有所减小，中度沙漠化向轻度沙漠化的转移范围扩大，区域沙漠化强度整体呈减轻趋势；2010—2015年翁牛特旗沙漠化强度整体呈减轻趋势；2015—2020年沙漠化整体趋于稳定，科尔沁沙地内沙漠化程度基本保持不变；2020—2025年科尔沁沙地沙漠化分布保持稳定状态，不同程度沙漠化分布区域都有所收缩，沙漠化逆转趋势明显。总体来看，近25年来，科尔沁沙地沙漠化发展趋于稳定，区域生态修复效果显著，沙漠化不断改善。

通过对不同时期沙漠化空间分布结果的叠加分析，得到科尔沁沙地沙漠化空间动态变化情况（图6）。2000—2005年沙漠化恢复和显著恢复区域主要分布在阿鲁科尔沁旗东南部、巴林右旗、奈曼旗、翁牛特旗和敖汉旗西北部区域。科尔沁左翼中旗和科尔沁左翼右旗呈退化趋势。2005—2010年科尔沁右翼中旗、科尔沁左翼后旗、奈曼旗和库伦旗区域沙漠化恢复效果显著，是主要逆转区域，巴林右旗、阿鲁科尔沁旗南部区域退化明显。2010—2015年以逆转为主，巴林右旗和翁牛特旗为主要逆转区域。2015—2020年沙漠化整体稳定，其中西南部的巴林右旗和翁牛特旗有轻微逆转。2020—2025年沙漠化呈西南部逆转，东部有轻微退化趋势，沙漠化变化整体稳定。2000—2025年科尔沁沙地沙漠化空间变化整体可以分为两个阶段。2000—2015年快速恢复阶段，沙漠化改善迅速。2015—2025年为恢复稳定阶段，改善态势趋于稳定。总体而言，沙漠化空间变化格局总体呈现出大范围逆转、局部退化的特征。

采用XGBoost-SHAP组合方法，分析了自然因子与人为因子两类驱动因素在沙漠化动态演变过程中的作用机制。其中，SHAP值用于量化各驱动因子对模型输出结果的贡献大小，其绝对值越大，表示该因子对沙漠化变化的影响程度越高，从而有助于直观揭示不同因子的驱动作用。结果表明，不同时间阶段驱动因子的相对重要性存在差异，但该差异主要体现为阶段性相对贡献权重的变化。由图7可知，2000—2005年和2005—2010年两个时期各驱动因子对科尔沁沙地沙漠化的影响相对一致，土壤质地是驱动沙漠化动态变化的主导因子，实际蒸散发、降水量、年平均温度和土壤厚度作为主要驱动因子对科尔沁沙地沙漠化演变产生影响。土地利用和人类活动在该阶段对于沙漠化演变的影响较弱。坡度、坡向、海拔因素在沙漠化演变过程中的作用最弱。这说明在该阶段，区域沙漠化演变主要受自然环境背景条件控制。2010—2015年实际蒸散发、降水量和土壤质地对科尔沁沙地沙漠化动态变化的影响极为强烈，特征重要性占比分别为19.9%、19.8%和18.7%，该时期是科尔沁沙地沙漠化逆转的关键时期，丰富的降水量可为土壤提供充足的水分补给，有利于植被的生长，提升砂质土壤的保水抗蚀能力，从而增强地表稳定性，抑制沙漠化的发生发展。此阶段驱动机制表现为气候因子与土壤基础条件的协同增强。2015—2020年实际蒸散发和降水量占据主导地位，土壤质地、年平均温度和土壤厚度对沙漠化演变的影响次之。人类足迹、坡向、土地利用、坡度、海拔的驱动力最小，特征重要性占比均在7%以下。因此，在区域尺度上，自然水热条件仍是影响沙漠化格局变化的核心因素，而人类活动对整体空间格局的解释力相对有限。2020—2025年自然和人为驱动因子对沙漠化的驱动力呈梯度减小趋势。该时期沙漠化显著逆转，生态环境趋于稳定状态，土壤质地成为驱动沙漠化演变的主导因子。同时，“三北”防护林工程的有效实施使区域内土地利用类型不断变化，对沙漠化的逆转产生了重要影响。年平均温度、土壤厚度、实际蒸散发和降水量对科尔沁沙漠化的驱动因素较强。坡向、海拔、坡度、人类活动的驱动力最弱。总体而言，沙漠化演变是自然环境与人类活动共同作用的结果。不同阶段驱动因子的重要性存在差异，但这种差异主要表现为相对贡献权重的阶段性调整。

曾永年等^［1］提出的二维特征空间模型为沙漠化快速监测提供了高效而便捷的技术途径。传统NDVI-Albedo特征空间通过植被覆盖指数与地表反照率的组合，能够有效反映地表能量与植被状态的变化，从而表征土地沙漠化程度。该模型在青藏高原^［5］、河西走廊^［23］等典型干旱地区的沙漠化监测中得到了广泛应用与验证^［24］。改进型二维特征空间模型MSAVI-Albedo有效减弱了土壤背景值对植被指数的干扰，显著提升了模型在稀疏植被覆盖区对地表信息的表征能力，为沙漠化监测的稳定性与精度提供了更可靠的基础^［25］。

然而，二维特征空间模型仅依赖植被指数与地表反照率两个特征指标来反映地表状况，对于空间异质性较高或水分差异显著的地区，其监测精度仍存在一定不足^［26］。特别是在地表类型复杂、沙漠化过程受多种环境因子共同影响的区域，二维特征空间模型难以全面揭示地表退化的多维特征^［27］。由于科尔沁沙地靠近中国东北地区，干旱半干旱的气候特点使得区域内的沙地含水量较高^［28］。因此，针对科尔沁沙地的自然地理特征和沙漠化发展规律，本文在传统二维特征空间模型的基础上，引入能够反映地表水分状况的湿度分量，构建适用于区域特征的三维特征空间模型，更好地反映区域地表沙漠化的真实情况，实现沙漠化信息的精细化提取和更高精度的监测。湿度因子能够有效反映沙质土壤的水分分布，为不同类型沙地的识别提供了关键补充，使模型在空间异质性较高的区域仍保持较高的监测准确率^［29］。精细化提取的沙漠化信息不仅可为科尔沁沙地防沙治沙、退化土地修复提供科学依据，也可为未来区域生态管理和土地利用规划提供决策支持^［30］。

沙漠化的形成和演变是自然环境约束和人类活动干扰共同作用的结果^［3］。土壤质地作为地表物质基础，直接决定土壤抗风蚀能力与水分保持特征；而降水与蒸散发等水热条件则通过调节植被生长与地表覆盖度间接影响风沙活动强度。土地利用方式及政策调整通过改变地表结构和资源利用格局，对区域沙漠化进程产生阶段性影响。从区域尺度来看，沙漠化驱动机制具有明显的时空差异性。在长时间尺度与大空间尺度下，自然因子（如土壤质地与水热条件）构成稳定的环境背景约束，对地表过程起主导作用，其影响具有持续性和结构性特征；而在较短时间尺度与较小空间范围内，人类活动的扰动效应更为显著，例如土地利用变化、放牧强度调整以及区域政策实施等，往往能够在短期内改变地表覆盖结构与生态状态，从而增强人为因素在驱动分析中的解释力。因此，自然与人为因素的主导程度是随时间尺度与空间尺度的变化而呈现动态变化特征^［31］。

科尔沁沙地位于中国干旱半干旱地区农牧交错带，是中国沙地类型中人类活动干扰较强、生态治理工程实施较为集中的典型区域，在地理位置上有其典型性和特殊性^［32］。一方面，受季风气候控制，降水年际波动明显，水热条件对植被与地表稳定性具有高度敏感性；另一方面农业开垦、放牧利用与生态修复工程长期叠加影响，人地耦合关系复杂^［33］。在实地野外调查中发现，科尔沁沙地的地表异质性极强，这就为我们研究高空间异质性复杂地表情况下的沙漠化动态监测提供了理想化的研究场地^［34］。在此背景下进一步评估模型的区域适用性与可移植性时，需要同时考虑气候背景差异与人为扰动结构差异对驱动因子体系的影响。

三维特征空间模型的关键改进在于引入湿度分量，使地表水分情况成为判别沙漠化等级的重要维度。在半干旱区，降水年际波动较大，蒸散发对气候变化响应敏感，水热条件对植被生长和地表稳定性的影响较为显著，因此湿度分量在区分不同退化阶段时具有较强的解释力。然而，在更为干旱的典型沙漠区，如巴丹吉林沙漠，水分长期匮乏、植被覆盖稀疏，人类活动类型与强度也存在差异，驱动因子之间的作用关系可能随之发生调整。在局地尺度上，人为干扰，如放牧或工程措施，往往会在短期内对地表状态产生直接影响，使人为因素的解释力相对增强；而在区域尺度上，自然因子仍然构成长期稳定的背景约束。因此，本研究关于驱动因子阶段性权重变化的结论，主要适用于区域尺度下的人地系统综合分析，在推广应用时需结合具体尺度与区域背景进行合理解释。

科尔沁沙地作为中国典型的农牧交错带，高强度、持续性的土地利用使人类活动成为驱动沙漠化演变的关键因素^［35］。在脆弱的自然环境基础上，长期农业开垦、过度放牧以及地下水超采使区域生态承载力被严重透支，导致沙漠化进程对人类扰动极为敏感。在此背景下，开展系统、连续的区域生态监测显得尤为重要^［36］。基于对过去25年沙漠化状况的动态监测，可以清晰识别出翁牛特旗、奈曼旗等沙漠化持续扩张或呈波动恶化趋势的重点治理区域，为地方政府分区分类施策提供科学依据。此外，不同程度的沙漠化区域往往叠加在不同类型的土地利用格局中^［37］。因此，生态修复工程应该根据区域特征采取差异化治理措施。在极重度、重度沙漠化地区实施严格的封禁管理，禁止放牧或农业活动，防止沙源继续扩散。在轻度沙漠化的草地区域，植被群落尚具恢复潜力，采取短期封育、轮牧与补播本地耐旱草种可以在较低成本下实现快速恢复^［38］。监测结果可以帮助政府部门实现分区治理与精准施策，提升科尔沁沙地的防沙治沙、生态修复效率与可持续管理的成效^［19］。

三维特征模型虽然在沙漠化精细化提取中有显著优势，但对于同样有较高反照率、低植被覆盖度的盐渍化土地、河流和湖泊沙地仍存在一定的混淆风险，容易误判为极重度沙漠化地区，从而导致局部分类误差的产生。然而，特征空间模型物理意义明确，操作简便的优势明显，是大尺度区域内快速监测中不可或缺的沙漠化信息提取方式。本模型在类似半干旱沙地具有较好推广潜力，但在极端干旱区或人为扰动模式差异较大的区域需结合本地特征进行调整，以提升结论的普适性与指导性。需要明确的是，自然断点的分类方式仅赖于三维沙漠化指数TDDI本身的统计特征，断点的阈值与最终分类的结果高度相关^［39］。因此，实现更加客观、稳定的沙漠化程度分级，仍需结合野外实测样点与高分辨率解译结果进行辅助校准与验证^［40］。本文仅考虑使用单一水分指标SWCI在三维特征空间中的表现，未来研究中可以考虑引入更多的水分指标反映湿度分量，构建三维特征空间指标体系，从而不断提高沙漠化监测精度。此外，在驱动因素分析方面，本研究仍存在一定的时间尺度局限。受数据更新周期限制，人类足迹与土地利用数据未能覆盖至最新年份，可能对近期变化特征的刻画产生一定滞后影响，未来可在2025年及后续数据发布后开展时序更新与动态校正。

构建的kNDVI-Albedo-SWCI三维特征空间模型能够有效刻画沙漠化过程中植被状况、地表反照特征与水分状态的综合变化特征。基于三维沙漠化综合指数（TDDI）实现了沙漠化等级的定量表征，模型总体精度为0.80，Kappa系数为0.75，表明该方法具有较好的分类精度与稳定性，为沙漠化信息提取提供了更加系统全面的技术路径。

2000—2025年，科尔沁沙地沙漠化总体呈现逆转趋势。区域生态环境整体改善，但局部区域仍存在阶段性波动，说明沙漠化防治具有长期性与复杂性特征。

科尔沁沙地沙漠化演变是自然因素与人为因素协同作用的结果。在长时间与大空间尺度上自然因子占主导地位，而在短时间与局地尺度上人为扰动的影响更加突出。