利用多轨迹方法识别中国干旱地区植被动态的关键因素

《Journal of Arid Environments》：Identifying key factors for vegetation dynamics in arid China with multi-trajectory methods

中国干旱区2000-2024年植被动态研究表明，73.5%区域呈现正向趋势，7%恶化，49%为突变轨迹。驱动因素包括土壤属性和降水增加（正向），城市化与干旱（负向）。该研究为区域生态管理提供科学依据。

　　

刘琳娜|夏若宇|吕勇|王佳辉

中国西北师范大学地理与环境科学学院，兰州，730070

摘要

在多种外部因素的影响下，植被往往表现出复杂的动态变化轨迹。在干旱地区，脆弱的生态系统和高气候敏感性使得植被对环境波动更加敏感，因此单一的线性趋势分析无法充分捕捉其动态变化。因此，本研究采用多轨迹模型来描述2000年至2024年中国干旱地区的植被动态变化，并通过随机森林分析识别不同轨迹类型的自然和人为驱动因素。研究结果表明：（1）干旱地区的植被整体呈现绿化趋势，约74%的面积植被有所改善，而仅有7%的面积出现衰退。（2）突变轨迹是主要的植被演变模式，占该地区的49%；线性和曲线轨迹分别占17%和15%，另有19%的面积没有明显趋势。（3）随机森林分析显示，土壤特性和年降水量增加是促进植被正向变化的最重要因素，而城市化加剧和干旱频发则对植被产生负面影响。本研究深入探讨了干旱地区植被动态及其驱动因素，为区域生态管理和可持续发展提供了科学依据。

引言

植被是陆地生态系统的重要组成部分，在调节水循环、能量循环和碳循环中发挥着关键作用（Humphrey等，2018；Li等，2022；Seddon等，2016）。近年来，全球植被覆盖度总体呈现改善趋势（Piao等，2020）。然而，在全球气候变化和社会经济发展的背景下，植被生长状况经历了复杂的变化（Mehmood等，2024；Vélez等，2023）。因此，迫切需要采用更精确和全面的方法来深入分析复杂环境条件下的植被生长动态及其变化特征。

干旱地区是地球表面的重要组成部分（Pr?v?lie，2016），同时也是最脆弱的陆地生态系统之一（Yu等，2021）。由于水资源极度匮乏和气候波动明显，干旱地区的植被对环境变化和人类活动具有高度敏感性（Yuan等，2026）。在中国干旱地区，已有研究采用传统统计方法和新兴机器学习技术来研究植被动态。基于线性回归和趋势分析，Shi等（2025）和Zhou等（2024）发现水文相关变量是植被绿化的主要驱动因素。为了更好地捕捉植被与气候的非线性相互作用，Yang等（2025）应用机器学习模型量化了土壤湿度和蒸气压亏缺的综合影响。尽管取得了这些进展，现有研究大多将植被变化视为单一轨迹，忽视了多种植被变化路径及其不同驱动机制的共存。同时，大规模的生态恢复项目（如三北防护林工程和退耕还林工程）显著增加了中国干旱地区的植被覆盖度，有效缓解了荒漠化问题（Li等，2021）。然而，在水资源严重短缺的情况下，某些恢复措施可能会增加生态系统的水资源消耗，从而引发对其长期可持续性的担忧。因此，明确中国干旱地区不同的植被变化轨迹及其主要驱动因素对于客观评估生态恢复项目的效果和制定适应性管理策略至关重要。

尽管在阐明植被变化趋势及其驱动因素方面取得了显著进展（Guo等，2021；Zhang等，2016；Zhu等，2016），但大多数研究仍主要依赖于Theil–Sen中位数趋势分析、二次曲线拟合、分段回归分析或二分类等方法（Haines等，2024；Usuga和Hernández，2012）。这些方法在一定程度上可以描述植被变化模式，但在捕捉复杂、非线性和突发性的植被动态方面存在明显局限性（Chen等，2019；De Jong等，2013；Horion等，2019；Jong等，2012）。特别是在干旱地区，气候与植被之间的关系表现出明显的非线性（Liu等，2023；Lian等，2023）。传统的单一植被趋势分析方法并不适合研究干旱地区的植被动态（Cao等，2021；Gong等，2024；Jiang等，2015）。针对上述方法的不足，研究人员提出了先进的多轨迹模型来分析植被动态（Berdugo等，2022；Wang等，2024）。该模型基于多种统计模型对时间序列数据进行动态分析，将植被动态分为线性、曲线和突变轨迹，并通过模型选择标准确定每个数据阶段的最优拟合模型，从而获得更详细的轨迹类型。

在植被动态研究中，选择合适的植被指标和分析驱动因素的方法同样重要。遥感指数如叶面积指数（LAI）、增强植被指数（EVI）和归一化差异植被指数（NDVI）常用于评估植被覆盖度（Camps-Valls等，2021；Gong等，2024；Li等，2022；Liu等，2023；Zhang等，2016）。然而，这些指数在干旱地区存在一定局限性（Almalki等，2022）。LAI难以获取，且不适合稀疏植被（Jiapaer等，2017）；EVI受土壤背景影响较大；NDVI易受土壤背景干扰和饱和效应影响（Almalki等，2022）。因此，本研究选择更适合干旱地区的kNDVI指数来表示地表植被的生长状况。改进后的kNDVI指数通过优化算法有效减少了土壤背景的影响，提高了对低植被覆盖度的敏感性，并具有更好的抗饱和能力和动态响应能力（Forzieri等，2022；Wang等，2023a，2023b）。

识别干旱地区植被复杂动态变化的关键因素对于理解生态系统响应机制和评估生态工程干预措施的有效性至关重要（Yan等，2021）。以往的研究通常使用线性回归分析、随机森林、支持向量机（SVM）等模型来分析因素重要性（Ge等，2018；Plaia等，2022；Wang等，2020）。其中，随机森林算法通过使用多棵决策树避免过拟合，从而提高模型的准确性和稳定性（Ha等，2021；Owczarz和Blachowski，2024；Rodriguez-Galiano等，2012）。此外，即使变量数量远超观测值数量，随机森林也能表现出色（Lagomarsino等，2017）。随机森林还能提供变量重要性的量化指标，帮助研究人员可视化模型中最具影响力的因素（Belgiu和Dr?gu?，2016）。

基于此背景，本研究聚焦中国干旱地区，旨在系统阐明植被生长的复杂动态特征及其潜在机制。具体目标包括：（1）使用多轨迹模型模拟2000年至2024年中国干旱地区的植被生长动态。（2）识别干旱地区植被轨迹类型的空间分布及其相对发生率。（3）利用随机森林模型识别影响植被轨迹变化的自然环境和社会经济因素。该研究提供了干旱地区植被生长动态及其影响因子的全面分析，为区域植被恢复和管理提供决策支持。

研究区域

中国干旱地区（北纬35°66′-50°56′，东经73°84′-120°41′）包括新疆、甘肃、内蒙古和宁夏的主要部分，以及陕西、河北、青海和山西的部分地区，占中国总面积的24.53%（Liu和Shi，2018）。该地区气候属于大陆性气候，年平均气温在-4至14°C之间，年降水量在25至800毫米之间，年蒸发量在800至3200毫米之间。主要土壤类型为沙质土壤

植被动态

过去25年来，干旱地区的植被动态发生了明显变化。大多数地区的植被生长呈现正向或负向变化，覆盖了整个研究区域的76%。69%的面积显示出植被增长趋势（图3，图4），7%的面积出现植被衰退趋势，表明这些地区的生长受到限制或退化。此外，在北部地区还存在一些无明显趋势的植被变化分布

干旱地区的植被轨迹及其驱动因素

本研究结果与全球观察结果一致（Berdugo等，2022；Wang等，2023b），表明植被突变是普遍现象，在研究区域内占据主导地位。通过结合多轨迹分析和随机森林方法，本研究扩展了Berdugo等（2022）提出的全球框架，增加了区域尺度的详细分析以及影响因素的深入探讨

结论

本研究首次采用多轨迹模型框架结合随机森林驱动因素分析，全面分类和解释了2000年至2024年中国干旱地区植被动态的复杂空间模式。结果显示，过去25年来，干旱地区的植被覆盖度总体呈现正向变化，69%的面积植被有所增加。干旱地区的植被在特定条件下仍能保持稳定生长

作者贡献声明

刘琳娜：撰写 – 审稿与编辑，撰写 – 原稿，资金获取，数据分析，概念构思。夏若宇：撰写 – 审稿与编辑，撰写 – 原稿，软件应用。吕勇：指导，软件应用，方法论设计。王佳辉：指导，软件应用。

资金来源

本研究得到了科学技术基础资源调查计划（项目编号：2023FY100704-2）和绿洲科学战略行动计划（项目编号：NWNU-LZKX-202301）的支持。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

提交检查表	回复
• 已指定一名通讯作者，并提供了其完整的联系信息（电子邮件地址、邮政地址和电话号码）。	我们已指定通讯作者并提供了可靠的联系信息
• 所有文件已上传，包括关键词和图表说明