基于RUE的植被覆蓋動態演變特征及歸因分析
——以寶雞地區為例

王靜，劉天軍

西北農林科技大學經濟管理學院/西北農林科技大學西部發展研究院，陜西 楊凌 712100

在全球氣候變化背景下，陸地地表植被覆蓋變化會直接或間接地影響局地氣候變化及區域生態平衡，是地表植被群落生長態勢的重要指標，更是生態系統描述的重要基礎數據（Pettorellin et al.，2005）。退耕還林（草）工程是中國乃至全世界為應對和改善生態環境而實施的一項以人類活動干擾為手段、植被恢復為舉措核心、生態建設與生態效益為目的的重大生態工程（Cai et al.，2015；陳一先等，2017），已成為目前全球氣候變化與植被覆蓋變化研究的熱點問題（Zhang et al.，2017；阿榮等，2019）。天然林保護工程也是研究區實施的一項重大生態工程。寶雞地區退耕還林（草）工程包括退耕地還林、宜林荒山荒地造林和封山育林 3種形式，天然林保護工程的實施效果可通過封山育林來體現。

歸一化植被指數能綜合監測和評估植被生長狀態，與植物空間分布密度呈線性相關，且研究植被恢復趨勢對植被覆蓋的改善和變化趨勢有很好的表征作用（Tucker et al.，1979；趙杰等，2018；李斌斌等，2015）。國內外相關研究表明，植被年內生長節律主要靠氣溫來調節（王靜等，2017；張凱選等，2019），而年際變化上與降水量呈顯著正相關（王靜等，2018a；吳曉全等，2016）。更有國內部分學者結合氣溫和降水量數據，對退耕還林（草）工程政策引導下植被覆蓋時空變化進行了研究，發現植被降水利用效率（RUE）能夠表征植被恢復/退化的演變趨勢，在干旱半干旱地區適用性較好（張艷芳等，2017）。裴婷婷等（2019）探究了黃土高原 2000—2014年WUE（Water Use Efficiency，植被水分利用效率）對溫度、降水、NDVI的敏感性，得到了WUE對溫度的敏感性呈正值，對降水和NDVI的敏感性存在閾值效應的結論；趙安周等（2017）、胡春艷等（2016）分析了從退耕還林（草）工程實施以來，黃土高原、甘肅省植被NDVI與累計造林面積的相關性，認為退耕還林（草）工程對植被覆蓋的增加具有重要作用；張艷芳等（2017）基于 RUE估算模型表明黃土高原植被RUE受退耕還林（草）工程影響顯著。綜上所述，基于RUE模型，在退耕還林（草）生態工程政策背景下，學者們的研究多集中在區域植被覆蓋的時空演變特征，自然和人為因素分離的研究尚未見報道。

寶雞地區位于陜西省（關中）西部，是中國氣候變化的敏感地帶，也是中國退耕還林（草）工程最先試實施區，生態環境較為脆弱（王靜等，2017；李建芳等，2002）。氣候干旱少雨，植物氣孔導度較低，每單位生產量的增加需要消耗更大的單位水量（Bradley et al.，2008），降水量便成了限制植被生長的重要因子。本研究以寶雞地區 12個縣（區）行政單元和重分類后的6類土地利用/覆蓋數據為研究單元，采用累計降水利用效率變化差異（CRD）定量化評價第一輪退耕還林（草）工程實施下（以下簡稱第一輪下）、第一輪退耕還林（草）工程實施后（以下簡稱第一輪后）、第二輪退耕還林（草）工程實施以來（以下簡稱第二輪以來），3個時間段上累計 NDVI與 RUE的相互關系。綜合氣候、土地利用/覆蓋和光學遙感 3個維度，分離自然和人為因素，揭示退耕還林（草）工程實施下RUE對植被恢復的內在作用機理。并通過地理探測器方法定量探討了自然和人為交互作用下，寶雞地區植被NDVI空間分布驅動的主導解釋力因子，為當地進一步合理有效的實施生態工程提供有力參考。

1 資料與方法

1.1 研究區概況

寶雞地處106°18′—108°03′E ，33°35′—35°06′N，地勢南高北低，海拔介于 424—3546 m。全區轄渭濱區、金臺區、陳倉區、鳳翔、岐山、扶風、眉縣、隴縣、千陽、麟游、鳳縣、太白 3區 9縣。屬暖溫帶大陸性季風氣候，一年中，雨季多集中在夏季和秋季，年際和年內降水變率較大。年降水量介于 710—1000 mm之間（萬紅蓮等，2018）。區內生境條件和植被類型多樣，林地、草地遍及全區，耕地和城鄉用地集中于千河和渭河主支流沿岸（圖1）。森林覆被率達36%—42%，但分布不均，以秦嶺和關山為集中分布區域（王靜等，2018b）。1999年被國家定為首個退耕還林（草）試點地區，分別于 2001年和2014年先后兩次全面實施退耕還林（草）的第一輪和第二輪生態建設工程。

圖1 寶雞地區土地利用/覆蓋類型及氣象站點分布Fig.1 Land use/cover types and distribution of meteorological sites of the Baoji area

1.2 資料收集

主要包括2001—2017年近17 a的氣候資料、MODIS NDVI數據、高程數據、土地利用/覆蓋數據、土壤數據、社會經濟數據（表1）。所有的柵格數據經投影轉換統一為 WGS84坐標和 0.01 m分辨率。

1.3 研究方法

1.3.1 Sen+Mann-Kendall趨勢分析

長時間、持續性過程的變化一般采用時序變化研究，Theil Sen+Mann-Kendall法是目前植被長時間序列數據變化趨勢分析判斷的最有效方法（王靜等，2018b；Theil，1950；Sen，1968）。計算公式為：

式中，i，j為時間序數；第i，j時間序列的NDVI值分別為NDVIi和NDVIj。其中，當趨勢度β＞0時，表示還林面積在時間序列上呈增加趨勢，反之則呈現減少趨勢。

通過 Mann-Kendall檢驗法（魏鳳英，2007）（置信度為0.05）對Sen趨勢進行檢驗。

1.3.2 CRD（Difference in Cumulative Rainfall Use Efficiency）估算模型

累積降水利用效率變化差異，即 CRD（張艷芳等，2017），用標準化降水利用效率（RUE）表征區域植被生長的演變趨勢（Land et al.，2014）。計算如下：

（1）利用降水量計算標準化降水利用效率

式中，i為年序列，RUEi為第i年寶雞地區植被降水利用效率；為年均植被降水利用效率，σ為植被降水利用效率 RUE的標準差，NPP為植被凈初級生產力，大量研究表明 NDVI與NPP相關性密切（溫曉金等，2016；呂鑫等，2017；蔣蕊竹等，2011），累計 NDVI能很好的表征植被一年的生長狀況（張艷芳等，2017；Prnce et al.，2007）。本研究擬合 MOD13A3 NDVI與MOD17A3H NPP，數據結果在0.01水平上高度相關，故用∑NDVI（下文簡稱 NDVI）替代NPP。P為結合海拔因素采用ArcGIS軟件地統計分析模塊中CoKriging對氣象站點實測降水量校正，得到的月降水量值。具體計算如下：

①選取3250個隨機柵格點（寶雞地區氣象站點較少 (12個)），提取對應點的經度、緯度和海拔數據，分別與年降水量做偏相關分析。發現僅海拔與降水量呈顯著相關（P＜0.05），與張艷芳等（2017）的研究結果不同；

②利用海拔因素進行CoKriging得到校正后的降水量值；

③在①的數據基礎上，運用時序預測法中季節趨勢預測法的移動平均比率法預測出降水量值，該方法在計算中先從時間序列中剔除長期性因素的影響，然后應用“同期平均法”剔除循環性和隨機性因素，再采用季節比率來預測季節的變化趨勢，是長期趨勢準確性較強的一種測定方法。為了提高預測值的精準度，使用 1974—2017年的降水量實測數據做移動平均比率測定，截取2001—2017年的月降水量預測值結合海拔因素進行Cokring插值。

表1 研究所用數據源Table 1 Data sources in this study

④將②得到的校正降水量值和③得到的預測降水量值，分別與站點實測降水量進行擬合，驗證其精度。擬合度均接近 1，②在P＜0.01水平上顯著，③在P＜0.05水平上顯著，表明校正和預測效果均較好。因此，本研究選取校正后的降水量值進行研究。

（2）估算CRD

式中，n為年份，Z(RUE)i和Z(RUE)i+1分別為第i年和第i+1年的標準化降水利用效率。

1.3.3 相關分析

基于MODIS NDVI月數據，分析 RUE與植被 NDVI的相關關系并通過P顯著性檢驗（王靜等，2018b）。計算公式如下：

式中，Rxy表示相關系數；n表示年份；xi和yi表示第i年的兩個變量；和為兩個變量的年平均值。

1.3.4 地理探測器

地理探測器是探測空間分異性（王勁峰等，2017），可定量分析寶雞地區植被 NDVI空間分布的影響因素及探測各影響因子對模型的貢獻率，并確定不同影響因素的交互影響作用（潘洪義等，2019）。計算原理如下：

式中，q為空間分異性的指標，以度量因變量被自變量的解釋程度；σ2為指標離散方差；h=1，2，3，...，為變量的分區，L為分區數。N為研究區內的樣本總數。q∈[0，1]，可表征為自變量X能解釋 100×q%的因變量 Y，q值越大，該因素對植被NDVI空間分異的解釋力越強，影響越大。q=1，植被NDVI空間分異完全被該因素控制；q=0，則該因素對植被NDVI的空間分異沒有任何影響。

2 結果與分析

2.1 寶雞地區植被NDVI變化特征及趨勢分析

第一輪下（圖 2a）、第一輪后（圖 2b）、第二輪以來（圖 2c），寶雞地區年均 NDVI值整體上呈東南向西北遞減、南高北低（渭河為界）的空間分布特征。通過 6類土地利用/覆蓋類型統計發現，第二輪以來，耕地、林地、草地、未利用土地的植被 NDVI均值分別為 3個時間段中最高，其次為第一輪后。同時，水域和城鄉用地的植被 NDVI均值在第一輪后表現最高，其次為第一輪下。3個時間段中，林地的植被NDVI均值分別為 6類土地利用/覆蓋類型中最高，介于 7.25—7.69，集中于太白縣東南方向的紅崖河以東地區，像元面積占比達 32.81%?？赡艿慕忉屖?，秦嶺山脈冰雪融水以及太白河和湑水河等水源補給豐沛?？梢?，寶雞地區退耕還林（草）工程的生態恢復效果為林地＞耕地。而 NDVI低值區表現在水域、城鄉用地和耕地，平均 NDVI值為 5.67，像元面積占 31.57%，以渭河、千河沿岸以及千河以東地區分布較多。

圖2 3個時間段寶雞地區植被NDVI空間分布Fig.2 Spatial distribution of vegetation NDVI for period 3 in Baoji area

依據 Sen趨勢分析方法，綜合 3個時間段NDVI的變化數值，以 0.06為間隔對其進行重分類，提取各類別對應的 NDVI像元面積及面積占比（表 2），以大于 0.06作為人為干預增加區域，小于 0.06作為人為干預減少區域（圖 3）。數據結果的顯著性采用M-K進行檢驗。2001—2008、2009—2013、2014—2017年人類活動（包括增加和減少）變化顯著的面積依次為 0.55×104hm2（31.09%）、0.78×104hm2（44.28%）和0.84×104hm2（47.61%）（P＜0.01）（表 2），呈逐階段遞增的變化趨勢。其中，人為干預增加區域面積分別為0.51×104hm2（29.09%）、0.53×104hm2（29.80%）、0.56×104hm2（31.88%），人為干預減少區域面積分別為 0.04×104hm2（1.99%）、0.26×104hm2（14.48%）、0.28×104hm2（15.73%）。人為干預增加區域面積大于人為干預減少區域面積，兩者均呈逐階段遞增的變化趨勢。由圖 3可見，第一輪退耕還林（草）工程實施效果在第一輪后得到了體現，第二輪以來的人為干預最為顯著。反映出植樹造林（種草）的成活率較高?？梢?，此生態修復政策的實施促進了寶雞地區植被覆蓋的明顯改善，植被恢復作用顯著?？傮w來看，3個時間段上鳳縣及千河沿岸人為干預增加作用顯著，人為干預減少區域集中在渭河、千河交叉口及以東的沿岸地區，植被退化嚴重。結合 6類土地利用/覆蓋數據來看，草地的植被恢復最好。太白山所處的鳳縣和太白縣，植被以生態林為主，植被恢復狀況較好。渭河平原多為坡度不滿足 15°退耕條件的耕地，城鄉居民區密布，特別是近年來的城鄉擴建，帶來建筑面積增加的同時又削減了植被面積。此外，靠近居民區農田中包括糧食作物、經濟作物、蔬菜作物等的農作物種植呈現出植被覆蓋明顯的季節變化特征，因而造成該區域植被覆蓋最低。

2.2 植被覆蓋變化與植被降水利用效率的相互關系

人為干預（增加/減少）情況下，退耕還林（草）工程實施的 3個時間尺度上，寶雞地區植被NDVI與 RUE的空間相關性均較好（P＜0.05）（圖4）。人為干預增加和減少區域NDVI與RUE相關性均表現為逐階段增大的正相關關系。人為干預增加區域 NDVI與 RUE相關性（0.15、0.37、0.42）均大于人為干預減少區域（0.13、0.27、0.37）。3個時間段上，NDVI與RUE相關性的空間分布不盡相同。就正相關性來看，第一輪下，顯著正相關性區域集中于千河流域沿岸、鳳縣、麟游東北部以及扶風和眉縣的東部地區（圖4a）；第一輪后，顯著正相關性區域又集中在千河流域沿岸、渭河和千河交叉口移動地區（圖4b）；第二輪以來，極顯著正相關性區域的空間分布與第一輪后的顯著相關性空間分布狀況恰巧相反，集中在其顯著相關性分布區域以外的地區（圖 4c）；NDVI與 RUE呈負相關性的區域分布較為零散，在第一輪后（27.80%）和第二輪以來（25.39%）顯著性最高。尤其是第二輪以來，極顯著負相關尤為突出，達 8.82%，集中于渭河和千河交叉口西部的金臺區和陳倉區以及以東的鳳翔地區。究其原因，隴縣西南部的關山草原和吳山、千陽中北部的千湖國家濕地公園、嘉陵江源頭及渭河南岸鳳縣太白縣依傍秦嶺的地區，近年來，伴隨著旅游業的蓬勃發展，人類的頻繁活動在一定程度上影響了這些區域的植被生長。

表2 2001—2017年寶雞地區植被NDVI變化趨勢統計Table 2 Statistics on vegetation NDVI change trends of Baoji area from 2001 to 2017

圖3 植被覆蓋動態演變驅動力空間分布Fig.3 Spatial distribution of driving forces for dynamic evolution characteristics of vegetation coverv

圖4 3個時間段寶雞地區RUE與NDVI的相關系數空間格局Fig.4 Spatial pattern of correlation coefficient between RUE and NDVI for period 3 in Baoji area

在寶雞這樣一個水熱條件季相分明的地區，植被生長受氣溫影響較弱于降水量。尤其是在植被生長季，降水量的滯后效應和累積效應均顯著于氣溫（張凱選等，2019）。說明這些區域內植被降水利用效率的增加是植被維持正常生長的必要條件（萬紅蓮等，2018）。另外，近年來，寶雞市政府正在逐步向東擴大其主城區面積，區域經濟發展向外延伸至陳倉、鳳翔、乃至寶雞市主要開發的城市：即將劃分的副中心城市——岐山縣蔡家坡經濟開發區。隨著城市化進程的快速發展，區內耕地、水域等土地利用/覆蓋類型大多轉變為城市建設用地。兼具積極響應退耕還林（草）政策，耕地（7.70、6.94、5.78）、水域（7.21、6.93、6.05）、城鄉用地（7.76、7.07、5.65）的 RUE與 NDVI相關系數逐階段減小，林地（6.44、6.19、8.45）、草地（7.03、6.61、7.42）和未利用土地（6.43、8.29、8.14）在增大。植被覆蓋度逐年降低，植被NDVI與RUE的負相關性顯著。所以，呈現出如圖 4c所示的正負顯著性集中分布的空間格局。

圖5 寶雞地區CRD空間分布格局Fig.5 Spatial distribution pattern of CRD in Baoji area

為探究人為干預情況下，兩輪退耕還林（草）工程實施以來（2001—2017年）寶雞地區植被生長的發展態勢。本研究在計算 3個時間段的累計降水利用效率變化差異（CRD）（圖 5）的基礎上，參考袁麗華等（2013）的劃分標準，分別劃分 CRD 和植被 NDVI為嚴重退化（β＜0，|Z|＞1.96）、輕微退化（β＜0，|Z|≤1.96）、基本不變（β=0）、輕微改善（β＞0，|Z|≤1.96）、顯著改善（β＞0，|Z|＞1.96）5個等級，對比分析 CRD 與植被生長之間的相互關系。圖 5中，渭河沿岸及岐山以東地區，在第一輪下，CRD呈現輕微增加和基本不變的良好變化趨勢；第一輪后輕微減少現象凸顯；第二輪以來，成為輕微增加和顯著增加集中區。寶雞西南（鳳縣為主）和西北（隴縣為主）地區 CRD的變化趨勢與此相反，3個時間段上，由輕微增加到輕微和顯著增加，再到輕微減少。對比 NDVI變化趨勢的空間分布數據，渭河沿岸及岐山以東地區，依次為輕微和顯著改善→基本不變→基本不變和輕微改善；寶雞西南（鳳縣為主）和西北（隴縣為主）地區，輕微和顯著改善→基本不變和輕微改善→基本不變和輕微退化?？梢姡珻RD與 NDVI的空間變化趨勢基本一致。表明累計降水利用效率與累計 NDVI具有較好的同步變化趨勢。第一輪下、第一輪后和第二輪以來，人為干預增加區域的 CRD值分別為0.29、0.78、0.64，人為干預減少區域的 CRD 值分別為0.28、0.64、0.47。與植被 NDVI的變化趨勢一致，即人為干預增加區域的CRD值大于人為干預減少區域。區別在于，人為干預（增加/減少）區域的CRD呈先增大后減小的變化趨勢。

2.3 退耕還林（草）工程實施以來寶雞地區植被覆蓋歸因分析

2.3.1 植被覆蓋的主導驅動力因子

通常情況下，植被 NDVI的空間分布受環境因素和人類活動因素的直接影響。本研究采用地理探測器，選取氣候環境因素（RUEX1、降水量X2、氣溫X3、相對濕度X4、日照時數X5）、地理環境因素（坡度X6、坡向X7、土壤類型X8）和人類活動因素（人口密度X9、人均 GDPX10、糧食總產量X11、造林面積X12、耕地面積X13）共 13個變量作為 NDVI的驅動力因子（除地理環境因素的3個驅動力因子外，其他的10個驅動力因子均為連續變量。）。地理探測器選擇的是非監督分類的最優化結果對連續數據進行的離散化處理，克服了數據離散化過程中的任意性和主觀性（潘洪義等，2019）。計算時，基于 ArcGIS軟件，利用解釋力最大的自然間隔分級法，將13個驅動力因子分別重分類為10個級別（類型量），為力求數據的精度，則創建漁網采得 17463個地理坐標點，最后分別提取數值量NDVI值和13個類型量的驅動力因子值，以達到面數據與點數據的匹配。

運用地理探測器逐年運行 NDVI驅動力因子數據（表 3），以便觀察和分析 2001—2017年逐年各驅動力因子的變化趨勢（圖6）。同時，對驅動力因子做生態檢測，以了解各因子之間對NDVI空間分布的影響是否存在顯著差異（表4，置信水平 95%）。數據結果從各驅動力因子逐年q值的變化趨勢來看（圖6），降水量、相對濕度、日照時數波動幅度較大，對 NDVI空間分布的解釋力在年際變化上差異較大。其中，降水量的q值最高出現在2009年（0.217）和2016年（0.215），相對濕度的最高值出現在 2006年（0.253）和2001年（0.245），日照時數的最高值出現在2017年（0.239）、2005年（0.232）和 2004年（0.23），其他驅動力因子的年際變化趨勢均較小。其中，糧食總產量的q值整體偏高，坡向的q值整體最小，其次最小q值為 RUE。從各年各因子的q值統計結果來看（表 3），近 17 a來，NDVI空間分布的主要驅動力因子是相對濕度，對NDVI空間分布的解釋力最強。第二、第三驅動力因子分別是日照時數和降水量。坡向對 NDVI空間分布的解釋力最弱，RUE次之。但在生態檢測結果中（表 4），RUE除與坡向、造林面積對NDVI空間分布的解釋力不存在顯著差異外，與其他11個驅動力因子對NDVI空間分布的解釋力均存在顯著性差異。這與前文研究的干旱半干旱地區，植被生長與降水利用效率的強相關性結果吻合。另外，坡度與土壤類型、人口密度、人均GDP、糧食總產量、耕地面積對 NDVI空間分布的解釋力存在顯著差異?？梢姡露扰cq值最高的降水量等對NDVI空間分布的影響機理不同。

表3 近17 a來寶雞地區各年因子探測q值統計Table 3 Statistics on the driving factors qvalue of each year in Baoji area in the past 17 years

圖6 近17 a來寶雞地區逐年驅動力因子探測q值變化趨勢Fig.6 Change trend of the annual driving force factor detection q value in Baoji area in the past 17 years

表4 驅動力因子對NDVI解釋力的生態檢測Table 4 Ecological detection of driving force factor for NDVI interpretation

綜上所述，受熱量和水分是寶雞地區植被覆蓋的共同影響因子。研究區內河流補給較少，天然降水是植被生長的主要給水源，干旱半干旱氣候下水分蒸發量大，因而植被生長受制于相對濕度、日照時數和降水量。鳳縣、太白縣是秦嶺太白山生態林覆蓋區（海拔最高），麟游位于北山生態林區域，隴縣是以關山牧場草地為主，面積總占比達 54.97%，其他縣區均為沿渭河分布的平原地區。植被覆蓋在地勢平坦和林地地區，受坡向影響微乎其微。但隨坡度大小變化，與土壤類型、人口密度、人均 GDP、糧食總產量、耕地面積的交互作用對植被覆蓋的空間解釋力顯著。渭河平原是寶雞地區主要的造林實施區域，地勢平坦，西、南、北三面環山，干旱少雨，植被稀疏且生長所需水分主要依靠天然降水，可利用的水分有限，植被生長受限，NDVI偏低又變化幅度較小，產生了較低的RUE。

2.3.2 植被覆蓋驅動力因子的交互作用

交互作用可直觀反映任意兩種驅動力因子同時作用于 NDVI時，對 NDVI的解釋程度。一般情況下，交互作用存在非線性減弱{q(X1∩X2)＜Min[q(X1)，q(X2)]}、單因子非線性減弱{Min[q(X1)，q(X2)]＜q(X1∩X2)＜Max[q(X1)，q(X2)]}、雙因子增強{q(X1∩X2)＞Max[q(X1)，q(X2)]} ，獨 立 [q(X1∩X2)=q(X1)+q(X2)]和非線性增強[q(X1∩X2)＞q(X1)+q(X2)]5種結果。表 5中，兩種驅動力因子交互作用對NDVI空間分布的解釋力都會增強。其中，人口密度∩耕地面積（0.233）的交互作用對寶雞地區NDVI空間分布的解釋力最強，其次為日照時數∩糧食總產量（0.229）、氣溫∩土壤類型（0.227）、日照時數∩耕地面積（0.227）及人均GDP∩耕地面積（0.226）?？傮w來看，對 NDVI的解釋力較強的主導驅動力因子為降水量和氣溫（表 5）。由于坡度、坡向間存在規律性，因此，坡度∩降水量（0.15）、坡向∩降水量（0.0.109）、坡度∩氣溫（0.123）、坡向∩氣溫（0.102），對NDVI的解釋力相近。雖然坡度、坡向與降水量、氣溫的生態檢測結果表現出對NDVI空間分布存在顯著差異，但從交互作用的q值統計結果來看，其在 13個驅動力因子的交互作用下解釋力最弱。也就是說，坡度、坡向對NDVI空間分布的解釋力具有相同機理。同理，日照時數∩耕地面積（0.227）、人口密度∩耕地面積（0.233）、人均 GDP∩耕地面積（0.226）對 NDVI空間分布的解釋力接近且較強，因而，日照時數、人口密度、人均 GDP具有空間分布的一致性。但三者與耕地面積的生態檢測對NDVI空間分布不存在顯著差異，說明其對NDVI空間分布具有相似的作用機理，且交互作用的解釋力較強。

總之，降水量、氣溫、相對濕度、日照時數、土壤類型、糧食總產量在主導因子探測和交互作用中，對 NDVI空間分布的解釋力均較強。坡度、坡向在主導因子探測中較弱，但在與土壤類型和糧食總產量的交互作用下，對 NDVI空間分布具有較強的解釋力。表明坡度、坡向在特定的土壤類型和糧食總產達到一定量時，解釋力才能體現出來。

另外，人口密度∩耕地面積（0.233）、日照時數∩糧食總產量（0.229）、氣溫∩土壤類型（0.227）、日照時數∩耕地面積（0.227）及人均GDP∩耕地面積（0.226）等氣候環境因素和人類活動因素的交互作用對 NDVI空間分布的解釋力較強，但在主導驅動力因子數據結果中，人類活動因素的驅動力作用較弱（0.014—0.189）。說明人類活動因素的單一驅動力因子空間分布對NDVI空間分布的解釋力較弱，只有在與氣候環境因子的交互作用下，對 NDVI空間分布的解釋力才能凸顯出來。

3 討論

自 2001年以來，寶雞地區造林總面積達17678.23×104hm2，造林總面積占陜西省造林總面積的13.66%，占黃河流域造林總面積的19.15%。第一輪下（2001—2008年），鳳翔和岐山的植被RUE、NDVI與造林面積的正相關性最高，第一輪后（2009—2013年）和第二輪以來（2014—2017年），渭濱區和金臺區植被 RUE、NDVI與造林面積的正相關性為最高。渭河平原以耕地為主，植被覆蓋變化季節性顯著，致使造林面積最多的隴縣和造林面積最少的金臺區植被覆蓋變化與退耕還林（草）面積增減趨勢相反。而秦嶺太白山區域，植被覆蓋變化與宜林荒山荒地和封山育林造林面積（分別占寶雞地區造林總面積的 56.51%和 7.21%）變化趨勢相同。說明在這些地區人類活動干預作用對植被恢復的影響強于自然因素。因此，根據區域的立地條件和生態特征，篩選合適的植物，合理開展退耕還林（草）生態恢復工程已達到區域內退耕還林（草）生態效果的有效實現。

表5 交互探測中驅動力因子對NDVI的解釋力Table 5 Power of driving force factor to NDVI in interaction

降水量、相對濕度、日照時數是制約植被生長的主要驅動力因子，糧食總產量、人口密度、耕地面積次之。對NDVI空間分布的解釋力強弱依次為氣候環境因素＞人類活動因素＞地理環境因素。在無以旅游業發展、加快城市化進程為主等帶來的人類活動干擾的區域內，尤其是近年來加快城市化建設的渭河沿岸及岐山以東地區，和以發展旅游業為主來帶動區域經濟的寶雞西南（鳳縣為主）和西北（隴縣為主）地區，退耕還林（草）工程的實施，增大了植被的累計降水利用效率，促進了植被生長，植被覆蓋度增大，生態恢復得到了較好的改善?？梢?，適度發展城市建設和工業等產業發展，合理控制因人類活動導致的植被退化是實現生態恢復可持續發展的必要前提。

退耕地還林和耕地作物種植是渭河平原植被恢復的重要影響因素，主要為農田糧食、蔬菜、果園等的農作物和城市綠化等栽培植物類型，且糧食為一年兩熟制，以冬小麥和玉米為主，植被覆蓋增加更多依賴于作物生長期。退耕還林（草）生態恢復工程雖然對寶雞地區植被覆蓋起到了顯著改善的作用，但過度的人工造林將加劇區域水氣蒸散作用，進而加大水資源的利用負擔，促使干旱氣候的進一步加劇，甚至接近區域水資源安全的臨界值。此時，植被降水利用效率下降，隨即抑制植被恢復的進一步發展，進而影響區域水資源安全。

4 結論

（1）近 17 a來，寶雞地區植被覆蓋狀況整體上呈改善趨勢（67.07%、83.32%、77.51%），基本不變面積占比逐階段遞增，第二輪以來面積占比最高，達 78.05%。第一輪下和第一輪后，草地和未利用土地的植被恢復最好。第二輪以來，水域的植被恢復較好，其次為城鄉用地和耕地。對比 3個時間段 NDVI變化趨勢，第一輪下植被恢復的顯著改善面積占比為 5.58%，第一輪后和第二輪以來顯著改善面積少之甚少，分別為0.14%、0.13%。第二輪以來基本不變區域、輕微改善區域分別為第一輪后的輕微改善區域和基本不變區域。第二輪以來輕微退化面積明顯增加，較第一輪下和第一輪后分別高出 10.92%和9.73%。集中在關山草原（隴縣西南部）、吳山（陳倉區新街鎮（隴縣西南部））、千湖國家濕地公園（跨千陽的城關鎮、柿溝鄉、寇家河鄉）、安舒莊森林公園（麟游（岐山山脈結秀之區））、嘉陵江源頭（鳳縣嘉陵江沿岸）地區。

（2）3個時間段上，累計NDVI與RUE均呈較好的正相關性，極顯著像元占比分別為42.11%、16.99%、46.19%，至第二輪以來，以顯著和極顯著性遍布全區，林地（31.21%）和未利用土地（26.59%）的相關系數最高。說明研究區植被覆蓋得到改善的同時，伴隨著退耕還林（草）工程的重心轉移，RUE呈緩慢上升趨勢。2003年和2011年出現兩次較大波動，區域干旱較為嚴重，加劇了水資源利用負擔。

（3）退耕還林（草）工程實施以來，相對濕度、日照時數、降水量對寶雞地區植被覆蓋的解釋力更強。氣溫、土壤類型、糧食總產量在主導因子探測和交互作用中，對 NDVI空間分布的解釋力均較強。坡度、坡向在主導因子探測中較弱，但在與土壤類型和糧食總產量的交互作用下，對 NDVI空間分布具有較強的解釋力。表明坡度、坡向在特定的土壤類型和糧食總產達到一定量時，解釋力才能體現出來。