FAST周邊植被覆蓋度時空演變特征及影響機制研究

趙祖倫 趙衛權 李威 呂思思 黃亮 謝冬冬

摘要：指出了作為生態環境質量變化的敏感指示器，植被覆蓋度的時空演變特征和影響機制成為全球環境變化研究的前沿和熱點，評估中國天眼（FAST）周邊生態環境質量的變化，對于維持FAST健康運行具有重要意義。基于1998～2017年的多源遙感數據，從人類活動和自然影響兩個角度，利用像元二分模型和地理探測器計算，識別了FAST周邊植被覆蓋度時空演變特征及影響機制。結果表明：①2008～2017年期間，FAST周邊整體植被覆蓋情況較好，FVC呈現先退化后改善的趨勢;②FVC空間分異主導因素為植被類型、坡度和坡向，自然因素對于空間分異的解釋力更強，人類活動影響局部區域;③任意影響因子之間呈現雙因子增強或非線性增強，土地利用與其它因素的綜合作用對于FVC空間分異解釋力更好。

關鍵詞：地理探測器;植被覆蓋度;像元二分模型;影響機制;中國天眼

中圖分類號：Q948

文獻標識碼：A?文章編號：1674-9944（2020）14-0001-07

1?引言

植被是溝通土壤系統、水生態系統和大氣系統的橋梁，也是地球表面生物賴以生存的基礎，所有其他生物都依賴于植被而生，植被在保水固土、維持生態系統穩定和調節氣候等方面具有重要作用，隨著人們對生態環境的更加重視，植被覆被及變化情況受到更多的關注。遙感數據已被越來越多的用于生態研究，植被覆蓋度是當前廣泛應用來表征植被覆蓋程度的參數[1，2]。植被覆蓋度（Fractional Vegetation Cover，FVC）被定義為植被（包括葉、莖、枝）在地面的垂直投影面積占統計區總面積的百分比，是刻畫地表植被覆蓋程度的基礎指標[3，4]。FVC對于研究生態環境質量變化、人類活動強度、氣候因子響應關系、區域景觀格局變化、土地利用變遷響應關系、地形因子關系、物候時空變化等具有重要意義[5]。

通過Citespace科學知識圖譜，對1990～2010年中國知網收錄的2984篇FVC相關文獻進行檢索分析得知，在以往的研究之中，以FVC為研究主題或關鍵詞的文獻，從2004年起開始迅速增長，2016年達到高峰，FVC通常與石漠化、水土保持、土壤侵蝕、遙感監測、生態環境、氣候變化、地表溫度、熱島效應、生態修復、生態安全等關鍵詞共同出現[6];FVC估算的數據源根據不同的研究尺度，主要有高光譜數據、多光譜數據、微波數據和激光雷達數據等。目前常用來估算FVC的方法，有回歸模型法、機器學習法、混合像元分解法。回歸模型法簡單易實現，要求局部或特定植被類型具有較高的精度，且需要大量的實測數據，不易推廣[3，7];機器學習法主要包括神經網絡、決策樹、支持向量機等，一般步驟為確定訓練樣本、訓練模型精度、進行FVC估算，該方法估算FVC精度受訓練樣本的影響較大，具有一定的局限性[3];混合像元分解法通過假設每個組分對傳感器所觀測的信息具有貢獻，建立混合像元分解模型估算FVC，模型分為線性和非線性兩種，其中像元二分模型是線性模型中形式最為簡單和應用廣泛的模型，像元二分模型的難點在于純植被和裸土的像元選擇，許多學者根據經驗，將純植被像元和裸土像元的極值點確定在累計百分比95%和5%或者98%和2%等，具有一定的主觀性，純植被像元和裸土像元的值，還需要與實際情況進行對比確定。

國家重大工程500 m口徑球面射電望遠鏡（Five-hundred-meter Aperture Spherical Telescope，FAST），位于貴州省黔南布依族苗族自治州平塘縣克度鎮大窩凼的喀斯特洼坑中[8]。隨著FAST工程的竣工及使用，為保護FAST周邊的無線電靜默環境，核心區內進行了一系列的建設工程、移民搬遷工程，中間區和邊遠區內，為旅游觀光而進行的開發建設也如火如荼，如天文酒店、天文體驗區、天坑景區，FAST周邊5 km以外的人類活動強度不斷加大。因此，識別FAST周邊核心區、中間區和邊遠區的生態環境質量變化特征及影響因素，對于FAST周邊的生態安全格局和FAST健康運行具有重要意義。

基于此，本文以FAST周邊30 km緩沖區為研究區域，首先，基于土地利用和1.08 m分辨率的高清Google影像進行像元二分模型的參數提取，估算1998～2017年FAST周邊30 km緩沖區的FVC值及其分析空間變化特征;其次，從自然影響和人類活動影響兩個角度選取7個指標，利用ArcGIS對空間化因子進行隨機采樣（3000個樣本），利用地理探測器模型識別FVC空間差異化影響機制。

2?研究區概況

500 m口徑球面射電望遠鏡（Five-hundred-meter Aperture Spherical Telescope，FAST），是一架直徑500 m，利用貴州現有喀斯特坑洼為基礎，反射面能主動變形的球面射電望遠鏡，位于貴州省黔南州平塘縣克度鎮大窩凼坑洼中。作為一個關鍵技術指標處于國際前沿的天文觀測設備，FAST蘊藏著巨大的發現機遇，具有對天文學產生重大影響的潛力[8]。

1993年，中國天文學家提出在貴州喀斯特峰叢洼地建設大射電望遠鏡陣列的建議[9]。2007年，國家批復了FAST立項建議書，工程進入可行性研究階段。2011年3月，村民搬遷完畢，FAST項目開始動工。2016年9月25日，舉世矚目的“大射電”竣工并投入使用。從選址、開工到投入使用。FAST周邊環境經受了移民搬遷、施工建設、旅游開發等多方面的影響。

依據《貴州省500米口徑球面射電望遠鏡電磁波寧靜區保護辦法》，為保護FAST正常運行，將FAST電磁波寧靜區劃分為核心區、中間區和邊遠區，以FAST臺址為中心，半徑5 km的區域為核心區，半徑5～10 km環帶為中間區，半徑10～30 km環帶為邊遠區。FAST周邊30 km的電磁波寧靜區，約95.77%在貴州省境內，4.23%在廣西省河池市天峨縣三堡鄉（圖1）。

3?數據與方法

3.1?數據來源與處理

根據影響因子指標和模型運算需求，以及考慮區域尺度和數據可獲取性，研究數據主要包括數字高程模型（DEM）數據（12 m分辨率），土地利用數據，土壤類型數據，植被類型數據，1998年、2008年和2017年相近月份的遙感衛星影像數據（Landsat 5和Landsat 8），人口密度數據（公里格網），Google高清影像數據等。其中部分影響因子數據只獲取到貴州部分，廣西地區部分略有缺失，不過在采樣過程當中，將3000個隨機采樣點的范圍限定在貴州區域，廣西區域因占比小（4.23%），可忽略不計。

其中DEM數據用于提取高程、坡度、坡向等自然影響因子，高程按照自然斷點發劃分為6個等級，坡向劃分為平地、北、東北、東、東南、南、西南、西、西北等9個類別，坡度劃分為0～8°、8～15°、15～25°和>25°等4個等級;土地利用數據依據利用強度不同，主要劃分為園地、建設用地、林地、耕地、水域、草地和裸地等7個類別;土壤類型劃分為水稻土、石灰土、紫色土、紅壤和黃壤5個類別;植被類型大致劃分為草灌草叢、灌叢、農田植被和林木類;人口密度按照自然斷點法結合Google高清影像劃分為5類，所有影響因子指標進行空間化建庫，統一地理坐標和投影信息。

3.2?研究方法

3.2.1?像元二分模型

歸一化差分植被指數（NDVI）是植被生長狀態及植被空間分布密度的最佳指示因子，綜合反映了覆蓋區域的植被類型和植被生長狀態[10，11]。基于NDVI估算FVC的像元二分模型是目前較成熟可靠的模型[12，13]。

式（1）中，FVC為植被覆蓋度估算值，NDVIsoil是研究區域完全裸土或者無植被覆蓋的NDVI值，NDVIveg是研究區域內完全被植被覆蓋的NDVI值，以往的研究之中，在沒有實測數據情況下，學者往往根據圖像像元值分布情況以及主觀經驗對NDVIsoil和NDVIveg值進行估算，如取一定置信度范圍的最大值作為NDVIveg，最小值作為NDVIsoil，或者取圖像像元值的累計概率分布值為98%、95%對應的NDVI值作為NDVIveg，取累計概率分布值為2%、5%對應的NDVI值作為NDVIsoil。為了減少參數選取的主觀性帶來的誤差，本文擬采用1.08 m分辨率的Google 影像和土地利用數據，對NDVIsoil和NDVIveg值進行比對校準，提高FVC估算精度。

FVC分級：參考以往學者的分級標準[14，15]、結合土地利用數據和Google影像，將估算的FVC值大致分為6類（表1）。

3.2.2?地理探測器模型

地理探測器是一種通過探測地理要素空間分層異質性，來揭示自變量和因變量空間分異驅動力的方法，地理探測器包括4個分析模塊：因子探測器、風險探測器、交互作用探測器和生態探測器[16，17]。該方法的基本思想是假設研究區域有多個區域，如果某地理要素值在子區域的方差小于區域總方差，則存在空間分異性;如果兩個變量的空間分布趨于一致，則兩個存在統計關聯性[18]。空間分異性的大小程度，由地理探測器的q值來衡量，q值的大小可以理解為自變量對于因變量空間分布的解釋力大小，值越大，解釋力越強[18]。

式（2）中，h為子區域分區個數或者層數;N為全區域內單元數，Nh為h子區域單元數;SSW和SST 分別為層內方差之和與全區總方差;q的值域為[0， 1]，值越大說明因變量的空間分異性越明顯;如果分層是由自變量生成的，則q 值越大表示自變量對因變量的解釋力越強，反之則越弱。極端情況下，q值為1表明因子自變量完全控制了因變量的空間分布，q值為0則表明自變量因子與因變量沒有任何關系，q值表示自變量解釋了100×q%的因變量。

交互作用探測：識別不同風險因子之間的交互作用，即評估2個自變量共同作用時是否會增加或減弱對因變量的解釋力，或這些自變量因子對因變量的影響是相互獨立的[18]。

本文將研究區的FVC作為因變量，自然影響因子（土壤類型、坡度、坡向、高程、植被類型）和人類活動影響因子（土地利用類型、人口密度）作為自變量，構建FAST周邊FVC空間分異影響機制分析模型，因子空間化如圖2所示。

4?結果與分析

4.1?1998～2017年FAST周邊FVC時空演變分析

基于像元二分模型計算了1998～2017年FAST周邊植被覆蓋度，并利用ArcGIS對計算結果進行分級顯示（圖3）。結合Google影像和土地利用數據觀察可知，無覆蓋區域一般為水體、城鄉居民點、寬闊道路或大片裸露巖石等區域;低覆蓋和中低覆蓋區域，一般為居民點與周邊植被的混合像元點、低植被覆蓋的耕地和草地、兩邊為植被覆蓋的河灘、小面積裸地等區域;中覆蓋、中高覆蓋和高覆蓋區域，則對應于不同植被覆蓋的林地和草地。

從整體分布和變化趨勢上看，FAST周邊植被覆蓋情況較好，1998～2017年間，整體植被覆蓋情況呈現先退化后改善的趨勢。中高和高覆蓋區域面積占比分別為67.09%、58.51%和70.99%，無覆蓋和低覆蓋區域主要集中在城鄉建設中心及周邊，如北部太陽鄉和羨塘鄉之間大片農用地、克渡鎮和塘邊鎮周邊建設開發用地和耕地、董當鄉和云干鄉之間大片耕地和城鄉居民點、羅甸縣縣城周邊、西涼鄉周邊等區域。1998～2008年期間，無覆蓋區域面積有所減少，變化幅度不大，但中高覆蓋區域和高覆蓋區域面積分別減少約134.20 km2和108.45 km2，減少幅度均超過10%，低覆蓋區域和中低覆蓋區域面積增加數量較大，分別為43.71 km2和160.57 km2。從空間分布上看，1998～2008年高覆蓋減少區域主要集中在大塘鎮南部、通州鎮和西涼鄉北部，中低覆蓋和中覆蓋增加區域主要分布在太陽鄉中部、羨塘鄉西北部、克度鎮和茂井鎮集中居民點周邊、西涼鄉、通州鎮、董當鄉、牙舟鎮、龍坪鎮東部等地。2008～2017年期間，無覆蓋區域面積增加11.07 km2，低覆蓋、中低覆蓋、中覆蓋區域面積分別減少75.29 km2、210.89 km2和77.54 km2，而中高覆蓋和高覆蓋區域分別增加88.74 km2和263.92 km2（表2）。

從核心區植被覆蓋度空間分布和變化趨勢上看，FAST核心區無覆蓋和低覆蓋區域主要集中于克渡鎮落良村集中居民點、轎子山、小坡、往董架鄉的條帶區，以及中部的FAST工程區、南部的白龍村周邊。植被覆蓋變化方面，無覆蓋、低覆蓋、中低覆蓋和中覆蓋區域面積均經歷了先增后減的趨勢，而中高覆蓋和高覆蓋區域經歷了先減后增的趨勢，說明前10年由于人類活動或氣候原因導致核心區植被覆蓋情況變差，無覆蓋、低覆蓋區域面積擴大，而中高覆蓋和高覆蓋區域面積被其他空間擠壓;2008～2017年，無覆蓋、低覆蓋區域面積減少，中高覆蓋和高覆蓋區域面積擴大，說明FAST核心區生態環境質量得到有效保護。

從中間區植被覆蓋度空間分布和變化趨勢上看，FAST中間區的無覆蓋、低覆蓋區域主要集中在北部克渡鎮、西部塘邊鎮、東部鼠場鄉、東南部的董架鄉鄉鎮周邊，西南部和南部植被覆蓋情況較好;1998～2008年期間，FAST中間區無覆蓋和高覆蓋區域面積減少，分別減少4.32 km2和14.24 km2，中高覆蓋區域變化不大，低覆蓋、中低覆蓋和中覆蓋區域增加;2008～2017年，無覆蓋區域、中高覆蓋區域和高覆蓋區域面積增加，且高覆蓋區域面積增幅較大，達到21.81%，低覆蓋、中低覆蓋和紅覆蓋區域面積減少，分別為6.28 km2、15.44 km2和6.40 km2。

從邊遠區植被覆蓋度空間分布和變化趨勢上看，FAST邊遠區的無覆蓋、低覆蓋區域，主要集中于西南部羅甸縣城、西部邊陽鎮、羅沙鄉至栗木鄉條帶區域、董當鄉至云干鄉居名點和耕地等大片區域、通州鎮、西涼鄉周邊等;中高覆蓋和高覆蓋區域，多分布于新塘鄉西部、抵季鄉、塘邊鎮西北部、云干鄉北部、羨塘鄉等。1998～2008年期間，無覆蓋區域面積經歷了先減后增趨勢，但面積變化不大，變化幅度小于10%，低覆蓋、中低覆蓋和中覆蓋區域總體呈現先增后減趨勢，其中中低覆蓋區域2008年增幅較大，中高覆蓋區域和高覆蓋區域經歷了先減后增的趨勢，其中高覆蓋區域從1998年的915.76 km2，至2017年已增加到1060.49 km2，增幅達15.80%。

整體上，1998～2017年間FAST周邊30 km緩沖區內植被覆蓋經歷了先變差再轉好的過程。從定性角度來看，整體FVC空間分布與自然氣候、土壤類型、地形地貌等因素有關，局部區域與人類活動情況有著千絲萬縷的關系。如隨著人口膨脹、社會經濟發展以及城鎮化過程，FAST周邊各縣鄉集中居民點范圍不斷的擴大，生活生產區域不斷吞噬周邊的有植被覆蓋的生態區域，體現在城鄉居民點周邊的無覆蓋和低覆蓋區域擴大。其次，自FAST工程開工建設以及投入使用過程中，對周邊的FVC布局影響也較大，核心區體現在隨著時間推移，FAST工程區從中低覆蓋、低覆蓋和無覆蓋轉變為無覆蓋，周邊隨著有道路建設，景區旅游設施建設，以及移民搬遷工程。中間區體現在FAST工程的投入使用，給周邊鄉鎮帶來旅游吸引力，尤其克渡鎮和塘邊鎮周邊的旅游配套設施開發。

4.2?FVC空間分異主導因素分析

從自然活動影響和自然因素影響兩個方面選取土壤類型（X1）、人口密度（X2）、坡向（X3）、坡度（X4）、高程（X5）、植被類型（X6）和土地利用（X7）等7個因子作為自變量，將FAST周邊30 km緩沖區內的FVC值作為因變量，利用ArcGIS中的隨機采樣工具提取3000個隨機樣點（貴州范圍內），使用地理探測器模型對研究區FVC值的空間分異 規律進行統計分析，統計主導影響因子的q值（圖4）。

結果表明，影響因子的q值由大到小的排序為植被類型>坡度>坡向>土壤類型>人口密度>土地利用>高程，其中植被類型因子的q值最大（0.4193），表明植被類型的分類分層對于FVC空間分異的解釋力最強，這是因為不同的植被類型具有不同的結構、形態外貌和生態特點，尤其對于植被覆蓋度的貢獻程度不一樣，生命周期長、枝葉茂密、體型高大的植被類型植被覆蓋度較高，生態系統服務價值也較高。除了植被類型以外，q值較大的影響因子是坡度（0.3429）和坡向（0.307），植被生成環境往往與水熱條件等綜合因子密切相關，坡度的平峭，影響著水土的保持能力，坡度越陡峭，越不容易涵養水土;坡向方面，陽坡（向南）日照時間長，陽光充足，利于植被進行光合作用，其次不同的坡向，溫度、雨量、風速、土壤質地等都有不同程度的差異，植被類型不同和長勢不同，長期以往不同坡向的FVC也就不同;土壤類型（0.235）、人口密度（0.2327）、土地利用（0.2319）等因素的q值相近，說明這些因子對于整體FVC空間分異的解釋力差距不大;高程因子的q值最小（0.0929），對于FVC的解釋力最小。

從影響因子的q值統計情況來看，自然因素（植被類型、坡度、坡向）對于FAST周邊FVC值的整體空間分布影響較大，人類活動影響因素（人口密度、土地利用）對于FVC整體空間分布解釋度較小，但是對于局部區域的FVC值影響較大，如農耕、城鄉建設、工程建設等。

4.3?影響因素的交互作用分析

影響因素的交互作用探測，是為了探究當任意兩個影響因子同時作用于因變量FVC時，其交互作用對于因變量的解釋力怎樣。依據探測結果的不同，一般存在多種情況，如果，則說明兩個自變量因子對于因變量的解釋力呈非線性減弱;如果q（X1∩X2）q（X1）+q（X2），說明兩個自變量之間交互作用為非線性增強。

通過探測FVC 空間分異7個影響因子的交互作用可知（圖5），任意2個影響因子共同作用均出現增強關系，且增強類型為雙因子增強和非線性增強，說明FVC的空間分異現象不是單因子作用的結果，而是多類型不同影響因子對植被覆蓋的綜合作用。土地利用類型（X7）與土壤類型（X1）、人口密度（X2）、坡度（X4）、植被類型（X6）的均為非線性增強，且交互后的值較大，說明土地利用與這些因子的共同作用對FVC空間分布的影響較大，土地的高強度利用與其他自然條件以及不合理地建設開發活動的共同疊加作用，使得植被的生存空間被擠壓。

5?結論與討論

5.1?討論

本文基于像元二分模型估算1998～2017年FAST周邊FVC值，利用土地利用數據和高分辨率Google影像作為參考，解決像元二分模型中純裸土和純植被覆蓋區域的參數選取問題，然后使用ArcGIS對FVC核心區、中間區和邊遠區等進行時空演變特征分析;其次，從自然影響和人類活動兩個角度選取7個影響因子，利用地理探測器識別FVC空間分異影響機制，分析FVC空間分異的主導影響因子和因子間的交互關系。

總體來看，1998～2017年期間，FAST周邊30 km緩沖區內的植被覆蓋情況呈現先退化后改善，整體空間分布特征變化不是很大，局部區域受人類活動影響導致無覆蓋和低覆蓋面積增加，尤其是克渡鎮和塘邊鎮及周邊、羅甸縣城及周邊、云干鄉至董當鄉條帶區等，其中部分區域受FAST工程建設影響，大力開發旅游產業，部分生態空間受到擠壓;FAST核心區、中間區和邊遠區不同等級FVC變化趨勢，總體差異不大，尤其是核心區域移民搬遷以后，生態環境得到進一步改善。研究中植被類型、坡度和坡向等q值較大，自然因素對于FVC整體空間分異解釋力更強，而人類活動因子對于FVC整體布局的影響，主要體現在局部區域;通過影響因子交互探測分析可知，選取的因子兩兩之間均出現增強現象，分為雙因子增強和非線性增強，說明FVC空間分異是多因素共同作用而成。

研究過程中，也有部分值得探討和思考之處。如尺度問題，本研究的研究區域為FAST項目區30 km 緩沖區，因數據獲取難度，且研究區域尺度為中小尺度，理論上認為雨量、溫度等因素影響力較小，故沒有加入到模型之中進行探測，如裴志林研究之中[19]，因其研究區域為范圍較大的黃河中上游，在影響因子之中加入了氣候類環境因素，祝聰等[20]學者的研究之中，加入了降水和氣溫等影響因素，因此以后的研究工作，可以考慮增加植被生長過程影響的其它因子，使研究結果更具全面性;其次是本文使用的人口密度數據為1 km空間化數據，因其分辨率低，對于地理探測器分析結果具有一定的影響，人口密度或者人類活動影響的數據空間化、精細化問題仍然是難點之一。

5.2?結論

（1）1998～2017年期間，FAST周邊的植被覆蓋總體呈現先退化后改善的趨勢，其中中高覆蓋和高覆蓋區域面積均大于整個研究區域的55%，無覆蓋、低覆蓋區域主要集中于羅甸縣城周邊、羅沙鄉-邊陽鎮-栗木鄉-塘邊鎮-克渡鎮條帶、云干鄉-沫陽鎮-董當鄉條帶、新塘鄉-通州鎮條帶以及西涼鄉周邊，中高覆蓋和高覆蓋區域主要集中于抵季鄉南部、塘邊鎮東北和西南部、克渡鎮南部、新塘鄉和羨塘鄉之間、云干鄉北部等區域。

（2）FVC空間分異q值探測結果為植被類型（X6）>坡度（X4）>坡向（X4）>土壤類型（X1）>人口密度（X2）>土地利用（X7）>高程（X5），植被類型因子的q值最大（0.4193），高程因子q值最小（0.0929），自然因素對于FVC空間分異解釋力較強，人類活動因素解釋力較弱。

（3）選取的7個影響因子對于FVC空間分異的解釋力，任意兩兩因子之間交互呈現增強作用，增強類型主要為雙因子增強或非線性增強，其中土地利用類型（X7）與土壤類型（X1）、人口密度（X2）、坡度（X4）、植被類型（X6）的均為非線性增強，且交互后的值較大，對于FVC空間分異起到較強的影響作用。

參考文獻：

[1]Suzuki R， Masuda K， Dye D G. Interannual covariability between actual evapotranspiration and PAL and GIMMS NDVIs of northern Asia[J]. Remote Sensing of Environment， 2007，106（3）：387～398.

[2]肖建勇，王世杰，白曉永，等. 喀斯特關鍵帶植被時空變化及其驅動因素[J]. 生態學報，2018，38（24）：8799～8812.

[3]賈?坤，姚云軍，魏香琴，等. 植被覆蓋度遙感估算研究進展[J]. 地球科學進展，2013，28（7）：774～782.

[4]馬?娜，胡云鋒，莊大方，等. 基于遙感和像元二分模型的內蒙古正藍旗植被覆蓋度格局和動態變化[J]. 地理科學，2012，32（2）：251～256.

[5]彭文甫，張冬梅，羅艷玫，等. 自然因子對四川植被NDVI變化的地理探測[J]. 地理學報，2019，74（9）：1758～1776.

[6]祝?薇，向雪琴，侯麗朋，等. 基于Citespace軟件的生態風險知識圖譜分析[J]. 生態學報， 2017，38（12）：4504～4515.

[7]張學玲，張?瑩，牛德奎，等. 基于TM NDVI的武功山山地草甸植被覆蓋度時空變化研究[J].生態學報，2018，38（7）：2414～2424.

[8]李會賢，南仁東. FAST工程進展及展望[J]. 自然雜志， 2015，37（6）：424～434.

[9]南仁東，李會賢. FAST的進展——科學、技術與設備[J]. 中國科學：物理學力學天文學， 2014， 44（10）：1063～1074.

[10]高江波， 焦珂偉，吳紹洪. 1982-2013年中國植被NDVI空間異質性的氣候影響分析[J]. 地理學報， 2019，74（3）：128～137.

[11]孔冬冬，張?強，黃文琳，等. 1982-2013年青藏高原植被物候變化及氣象因素影響[J]. 地理學報， 2017， 72（1）：39～52.

[12]李苗苗，吳炳方，顏長珍，等. 密云水庫上游植被覆蓋度的遙感估算[J]. 資源科學， 2004（4）：154～160.

[13]張成才，婁?洋，李?穎，等. 基于像元二分模型的伏牛山地區植被覆蓋度變化[J]. 水土保持研究， 2020，27（3）：301～307.

[14]楊?錢，席武俊. 基于Landsat影像的楚雄市2002～2016年植被覆蓋度變化研究[J]. 世界生態學， 2018，7（3）：143～152.

[15]袁士聰，谷甫剛. 基于歸一化指數（NDVI）的植被覆蓋度分級研究——以貴州省為例[J]. 環保科技， 2018（3）.

[16]王?歡，高江波，侯文娟. 基于地理探測器的喀斯特不同地貌形態類型區土壤侵蝕定量歸因[J]. 地理學報， 2018，73（9）：1674～1686.

[17]王?偉. 基于地理探測器模型的中亞NDVI時空變化特征及其驅動因子分析[J]. 國土資源遙感， 2019， 31（4）：32～40.

[18]王勁峰，徐成東.地理探測器：原理與展望[J]. 地理學報， 2017， 72（1）：116～134.

[19]裴志林，楊勤科，王春梅，等. 黃河上游植被覆蓋度空間分布特征及其影響因素[J]. 干旱區研究， 2019（3）：546～555.

[20]祝?聰，彭文甫，張麗芳，等. 2006—2016 年岷江上游植被覆蓋度時空變化及驅動力[J]. 生態學報， 2019， 39（5）：1583～1594.