《Scientific Reports》：kNDVI reveals vegetation dynamics and hydro–edaphic controls in inner Mongolia (2000–2024)
编辑推荐：
本研究针对干旱半干旱区植被监测中传统NDVI指数在低覆盖区敏感性不足、高覆盖区易饱和等问题，引入kNDVI（Kernel Normalized Vegetity Index）指数，结合时序突变检测、Theil-Sen趋势分析和Hurst指数，系统解析了2000–2024年内蒙古植被时空变化规律。研究发现：kNDVI较NDVI更精准识别低覆盖/弱生长区域；全区植被呈波动上升趋势（斜率0.0034 yr?1），改善面积占77.29%，但中部东部局部退化；地下水深度（r最高达0.95）和降水是年际波动主控因子，而空间异质性主要由土壤养分（如全氮q=0.41）和土地利用驱动。成果为干旱区生态恢复中水资源管理与土地规划提供定量依据。
在广袤的内蒙古高原，植被作为连接陆地生态系统物质循环与能量流动的核心枢纽，其覆盖变化直接反映着区域生态健康状况。然而，这片占中国国土面积12.3%的干旱半干旱区，正面临升温速率远超全球平均、降水减少及地下水埋深增加等多重压力，植被退化风险加剧。传统植被监测依赖的NDVI（Normalized Difference Vegetation Index）指数，虽能有效表征绿色生物量，却在低覆盖区易受土壤背景干扰，高覆盖区易饱和，难以精准捕捉脆弱生态系统的细微变化。如何突破现有技术局限，厘清气候-土壤-地下水-人类活动的复合驱动机制，成为内蒙古生态保护与恢复的关键科学问题。
针对这一挑战，Feifei Dong等研究人员在《Scientific Reports》发表最新研究，通过系统对比NDVI与新兴的kNDVI（Kernel Normalized Vegetation Index）指数性能，构建“趋势-突变-持续性”综合诊断框架，揭示了2000–2024年间内蒙古植被动态规律及主导控制因子。研究发现，kNDVI通过核函数非线性映射（公式：kNDVI = tanh(NDVI2)），显著提升了对低覆盖区域的识别能力，其动态范围与空间异质性表达优于NDVI。基于无人机验证数据，kNDVI在裸露土壤与弱生长植被区的区分度更高，更适用于干旱区监测需求。
研究团队整合Landsat系列遥感影像、气象数据、地下水埋深、土壤理化性质（如全氮TN、有机质SOM）及地形等多源数据，采用序列Mann-Kendall突变检验划分植被变化阶段（2000–2008、2008–2016、2016–2024），结合Theil-Sen斜率估计与Mann-Kendall检验量化趋势显著性，并利用Hurst指数预测未来变化持续性。
主要技术方法概述
研究基于Google Earth Engine（GEE）平台获取2000–2024年Landsat影像，计算年度kNDVI序列；通过采样点土壤理化分析（如半微量凯氏法测TN、碱解扩散法测AN）与普通克里金插值生成土壤养分空间图；采用像素级Pearson相关性分析评估kNDVI与气候/地下水关联，并运用地理探测器（Geodetector）解析土壤、地形、土地利用等因素对空间分异的解释力。
研究结果
- 1.
kNDVI时空变化特征
植被绿度整体呈波动上升趋势（均值0.255），但空间分异显著：从东北部呼伦贝尔高值区向西南部阿拉善盟低值区递减。分段分析显示，2008年与2016年为突变点，植被变化经历“缓慢增长→高波动→稳定增强”三阶段，2016年后改善趋势加速。
- 2.
趋势持续性与未来走向
Hurst指数表明，83.44%区域呈反持续性（H<0.5），当前趋势可能逆转；仅16.56%区域（如赤峰南部）具强持续性。结合Theil-Sen斜率与Hurst分类预测，持续改善区占8.82%，集中分布于东北部林草交错带；持续退化区（10.65%）主要位于西部干旱区，80.54%区域基本稳定。
- 3.
驱动机制解析
地下水深度与kNDVI相关性最强（r达0.95），其次是降水（90.12%区域正相关）。地理探测器显示，土壤全氮（TN）对空间异质性解释力最高（q=0.41），有机质（SOM）、pH及有效磷（AP）次之，而土地利用与地形通过调控水肥再分布间接影响植被格局。
结论与意义
本研究通过kNDVI指数创新应用，揭示了地下水与土壤养分在干旱区植被恢复中的核心作用。结果表明，生态工程虽促进整体绿度提升，但西部干旱区因水资源约束仍面临退化风险。未来生态策略需统筹地下水保护、土壤肥力提升与适应性土地管理，尤其关注突变点前后的生态系统响应阈值。成果为干旱半干旱区植被-水-土耦合机制研究提供了方法论范例，并为区域生态安全格局优化提供科学依据。
