西南喀斯特地区植被覆盖度时空变化特征及其驱动因子分析

Analysis of Spatial and Temporal Change Characteristics in Vegetation Coverage and ItsDriving Factors inSouthwest Karst Region ZHANGYa-pig1，XIAZegu，S-betal（1.DpartmentofgroomicEgineeing，GuzouVocatioalClgeoflur， Qingzhen，uizou5514；2.Guzou Geologandining113GeologicalEngieeringo，Ld.upansuiGuizho5530；3.Go Forestry Reconnaissance and Design Co.，Ltd.，Guiyang，Guizhou ）

AbstractUsingVI，recipiationemperatureandusneata，espatiotemporaldistrbutionateofegetatiocoerageinte SouthwestKastfrotsldhoghlngesoedndtgintrdalduale rivativesadothetodsTecontribtiosofliaticfactorsandhumanatititohangesinvegetationcoveragewerequantid，and thedrivingfactorswereexplord.TeresultshowedtatvegeationcoverageinteSouthestKarstregionehibitedadistictspatialpate， withhigheroverageeouthdotiousasompadtoeodaingio.Fotegeatiooerge demonstratedafatiguardtrnditigoerageareasireasingfr196lot.48illosareiloeeepansionof188OsquareilometersTmperatureasientfdasthepriaydriverofvgetationcoveraggrowth，sowigasrogela tion of 65.67% ：

Key wordsVegetation cover；Spatial and temporal change characteristic ；Driving factor；Southwest Karst region

全球环境变化背景下，植被覆盖度作为表征生态系统健康的核心指标，其动态监测与驱动机制解析已成为区域可持续发展研究的重要议题[1]。西南喀斯特地区作为全球三大连片喀斯特地貌区之一，其脆弱生态系统对气候变化和人类活动具有高度敏感性，植被覆盖度变化直接影响着区域碳汇功能和生物多样性保护[2]。然而，现有研究多聚焦于单一时间尺度或局部区域，对多因子协同驱动机制的系统解析仍显不足[3，这制约着喀斯特生态系统的精准管理与恢复实践。

基于NDVI的植被动态研究已形成较成熟的方法体系，现有成果证实气候因子与人类活动对植被覆盖具有显著时空异质性影响[4]。在喀斯特地区，学者们通过趋势分析和相关性检验揭示了温度升高对植被生长的促进作用[5，但关于水热因子交互作用及其区域分异特征的研究仍存在争议[6]特别是在全球变暖背景下，日照时数改变对植被光合作用效率的影响机制尚未明晰[7]，这成为准确评估区域生态系统稳定性的关键瓶颈。该研究以2000—2020年M0D13A3数据集为基础，利用NDVI、降水、温度和日照等数据，通过线性回归方法分析西南喀斯特地区2000—2020年植被覆盖度的时空分布格局，并利用偏导数等方法分析其变化趋势，研究量化气候因素和人类活动对植被覆盖度变化的贡献，并探讨驱动因素，以期为喀斯特生态脆弱区植被恢复的适应性管理提供理论支撑。

1资料与方法

1.1研究区概况该研究涉及的西南喀斯特地区涵盖贵州、云南、四川、重庆、广西（图1），土地面积为136.40万 。该地区地势变化显著，整体呈现出西北部较高、东南部较低的趋势（图2）；地形结构复杂，地貌类型丰富多样。喀斯特地貌广泛分布[8]。林地、耕地等土地利用类型在区内分布广泛（图3），对于维护生态平衡至关重要，同时也是国家重要的生态屏障。西南喀斯特地区主要位于热带和亚热带地区，热量充足，降水充沛。然而，土壤侵蚀度的空间分布情况受多种因素影响，大致表现为在特定区域较为集中，具体格局呈现出特定区域受侵蚀程度较高、其他地区侵蚀程度较低的差异。水力侵蚀是该地区的主要土壤侵蚀形式，其空间格局还随着海拔的变化呈现出有规律的梯度变化。高山岩石、丘陵沟壑、农田地带受到的水力侵蚀尤其严重，而低洼地区则相对较轻（图4）。

1.2数据来源及处理NDVI数据来源于MOD13A3数据集中的逐月NDVI栅格数据，并通过最大合成法得到NDVI栅格数据[9]，空间分辨率为 1km ，时间分辨率为1年，地理坐标系为GCS_WGS_1984。对NDVI数据按西南喀斯特地区矢量边界提取分析。

土地利用分类数据源于中国科学院空天信息创新研究院研究员刘良云团队发布的首套1985—2022年全球 30m 分辨率土地覆盖动态产品GLC_FCS30D，数据时段是2000—2020年，时间分辨率是1年，空间分辨率是 30m ，地理坐标系是GCS_WGS_1984，数据类型为.tif。

气象数据来源于美国国家海洋和大气管理局（NOAA）下设的国家环境信息中心（NCEI），网址为https：//www.ncei. noaa. gov/data/global - summary - of - the - day/ar-chive/[10-11]；；该研究选取了 2000—2020 年西南喀斯特地区及其周边共38个气象站点的数据，包括日均气温、日累计降水量和日累计日照时数。统计各站点逐年降水量和日照时数累计值，并计算月均气温，得到逐年气温均值。利用ArcGIS软件中的克里金插值法对降水和日照数据进行空间插值分析[12]。气象资料插值的空间分辨率与 NDVI数据一致，其行列数和坐标也一致。

DEM数据来源于NASA地球科学数据网站（https：//na-sadaacs.eos.nasa.gov/），是ALOS卫星获取的高精度地形数据。数据坐标为横轴墨卡托投影坐标系，随后在区域内进行特定于西南喀斯特地区的数据裁剪处理行政边界数据来源于国家地理信息公共服务平台天地图，所涉及图件均基于国家地理信息公共服务平台网站GS（2024）0650号的标准地图制作，底图边界无修改[13-15] 。

1.3 研究方法

1.3.1植被指数与覆盖度计算。NDVI在近红外波段具有

高反射值、其叶绿素在红外光波段具有高强吸收的特征，是目前已有的40多种植被指数中应用最广的一种[16]，具体公式如下：

NDVI=（NIR-R）/（NIR+R）

式中： R 是红外光波段反射率；NIR是近红外波段反射率。

FVC通常定义为植被叶、茎在地面的垂直投影面积占统计区总面积的百分比。FVC采用像元二分模型计算[15-16]，具

体公式如下：

式中：NDVI为完全被裸土或无植被覆盖的区域的NDVI值；NDVI为完全被植被覆盖的图像元素的NDVI值。

为了直观表达研究区FVC的空间分布情况，根据《土壤侵蚀分类分级标准》（SL190—2007），结合研究区植被覆盖的实际情况[17]，将研究区FVC分为5个等级，分别为裸土（ 0？FVC<0.10 、低覆盖度（ 0.10？FVC<0.30） 、中—低覆盖度 （0.30？FVC<0.45） 、中覆盖度（ 0.45？FVC<0.60 ）、高覆盖度 （0.60？FVC？1.00） [15]

1.3.2趋势分析。采用线性回归方法对西南喀斯特地区FVC数据随时间变化的空间趋势特征进行分析，公式如下：

式中： 是2000—2020年各像元FVC变化趋势； i 为年份（20 （i=1，2，？s，n）； 为第 i 年FVC 均值。 表示FVC在该时段内呈升高趋势； 表示FVC呈降低趋势； 表示FVC无变化。采用 F 检验在 α=0.05 置信水平下判断FVC变化趋势结果的显著性。