高寒干旱区植被变化驱动机制的机器学习解析—气候变化与人类活动的贡献

　　 摘要:

高寒干旱区的植被对气候变化高度敏感，极易受到多种因子交互作用的扰动，呈现出复杂的动态变化。系统揭示该区域植被的时空演变特征及其驱动机制，对于评估生态修复成效、指导区域生态保护政策制定具有重要意义。随机森林（RF）在处理非线性关系、捕捉变量间复杂相互作用等方面具有显著优势，适用于区域植被变化的驱动因素分析。然而，其集成学习的特性使其难以直观量化单一变量的边际贡献，因此在整体上呈现出部分“黑箱”特性，削弱了其在机制解释上的应用潜力。本研究基于2000—2022年气温、降水及归一化植被指数（NDVI）等多源遥感数据，采用趋势分析方法揭示典型高寒干旱区—柴达木盆地植被覆盖的时空变化特征，利用地理探测器识别影响NDVI变化的关键因子，并将SHapley加性解释（SHAP）技术与RF结合，识别影响区域植被变化的关键驱动因素，并深入探讨了这些因素如何相互作用及其阈值效应。结果表明：（1）2000—2022年间，柴达木盆地NDVI整体呈显著上升趋势，年均增长率为0.0014 /a，反映出区域植被生态状况持续改善。NDVI在空间上表现为由东南向西北递减，93.56%的区域呈现上升趋势，主要分布在盆地西南部和东北部；（2）气候变化是NDVI变化的主导因素，影响面积占比达88.15%；人类活动影响范围相对较小，仅占2.66%，主要集中在城市及周边区域。NDVI变化中气候变化的平均贡献率为89.18%，人类活动为10.82%；（3）降水是NDVI变化的主要正向驱动因子，其次为SPEI；而温度和海拔则对NDVI产生负向影响。NDVI对各驱动因子的响应关系呈显著非线性特征，降水、温度和海拔在不同阈值区间内对NDVI的影响方向和强度存在差异。研究结果可为制定更为精确和有效的生态治理政策提供科学依据。