1982–2022年间印度河流域的长期植被动态及其气候和非气候驱动因素 李春兰（Chunlan Li）、 徐新武（Xinwu Xu）、 瓦尔特·莱亚尔（Walter Leal）、 马西奥·卡塔尔迪（Marcio Cataldi）、 王世金（Shijin Wang）、 易新雷（Xinlei Yi）、 德萨莱格·亚耶·阿亚尔（Desalegn Yayeh Ayal）和 卡拉马特·阿里（Karamat Ali）

《Land》：Long-Term Vegetation Dynamics and Their Climatic and Non-Climatic Drivers in the Indus River Basin During the 1982–2022 Period Chunlan Li, Xinwu Xu, Walter Leal, Marcio Cataldi, Shijin Wang, Xinlei Yi, Desalegn Yayeh Ayal and Karamat Ali

　　摘要：本研究利用GIMMS NDVI3g+数据（1982–2022年）以及ERA5-Land提供的温度和降水数据，探讨了印度河流域（IRB）的长期植被动态，并采用残差趋势框架进行了一阶归因分析。研究结果显示，整个流域的NDVI平均值每十年增加了0.0061（p < 0.05），显示出65.5%的植被增长，主要发生在灌溉农田和河流附近的农业区；而12.6%的植被出现退化，主要集中在快速城市化地区、冰冻圈边缘和沙漠边缘。部分相关性和残差分析表明，气候相关的植被增长效应在高海拔冰冻圈过渡区和部分低海拔荒地最为明显，而非气候因素的残差效应在集约化管理的农业景观中更为重要。由于归因模型仅考虑了温度和降水两个因素，因此将残差成分解释为非气候因素的影响，而非人类活动的直接结果。本研究提供了整个流域植被变化的时空 explicitly 评估，同时指出了基于残差分析的不确定性和解释限制。

1. 引言
植被在能量交换、物质循环、土壤和水资源保护、气候调节以及陆地生态系统中的碳循环中发挥着至关重要的作用，对生态系统稳定性和环境可持续性具有不可替代的影响[1,2]。作为连接地球各个圈层的桥梁，植被是全球变化研究中的关键指标，因为它能敏感地反映生态和环境条件的变化[3,4]。气候变化作为影响植被分布和演化的主导非生物因素，通过调节温度和降水影响植物的生理活动、生产力和空间格局。在全球气候变化的背景下，陆地生态系统正在经历重大转变，植被的生长模式和分布也随之发生变化[5]。同时，人类活动如城市和农村建设、农业用地扩张、畜牧业以及荒漠化防治等措施显著改变了植被的生长过程、物候特征、结构和功能。土地利用模式的变化直接影响植被的数量和空间分布，而最近植被覆盖的变化越来越多地体现了人类活动的痕迹[5,6]。因此，系统地定量研究植被的时空动态及其对气候变化和人类活动的响应，对于理解陆地生态系统过程以及支持生态保护和环境管理具有重要的科学价值。

归一化植被指数（NDVI）是最广泛用于评估植被生长状况和覆盖率的指标之一，由于其广泛的空间覆盖范围、长时间序列连续性和数据获取的便捷性，在研究植被变化及其驱动因素方面得到了广泛应用[7]。基于NDVI时间序列的先前研究表明，在气候变量中，温度和降水通常是影响植被生长和发育的主要因素[4]。与此同时，人类活动对植被的影响日益显著，特别是在快速城市化、农业活动加剧以及生态恢复项目实施的情况下[6]。在这方面，遥感（RS）和地理信息系统（GIS）已成为监测植被动态不可或缺的工具。RS提供了长期、多尺度和空间连续的植被状况观测数据，而GIS则支持多源数据集的整合、空间分析以及植被变化模式的可视化。RS与GIS的结合为检测时间变化、绘制空间异质性图谱以及探究气候和人为因素的相对作用提供了有效的基础。这种分析在生态脆弱的地区尤为重要，因为这些地区的植被对水文气候变异性和人为干扰非常敏感。

印度河流域（IRB）是一个典型的脆弱的社会生态系统，其特征是明显的水文气候梯度、广泛的灌溉农业、快速的城市化以及脆弱的山区和沙漠生态系统。由于IRB在区域水资源安全、粮食生产和人类生计方面发挥着关键作用，因此了解气候变率和非气候因素如何共同影响植被动态对于流域规模的生态修复和可持续资源管理具有重要意义。该流域的植被动态受到水资源可用性、热应力以及冰冻圈-水文相互作用的强烈制约，而灌溉扩张、农业集约化、城市发展和生态工程可能会放大或抵消气候变化的影响。

多项研究已经探讨了IRB内植被变化及其气候或人为控制因素[8,9,10,11,12,13,14,15,16]。Abbas等人[8]聚焦于印度河上游流域，发现NDVI与季节性降雨之间有显著相关性，表明降水的时间和量对不同海拔地区的草地生产力有重要影响。Immerzeel等人[9]强调了积雪覆盖和融雪作为干旱和半干旱环境中支持下游植被生长的关键水源的重要性。Uereyen等人[10]报告了灌溉农田中NDVI的显著增长趋势，并将其与改进的灌溉方式、土地利用变化和有利的气候条件联系起来，强调了人类和自然因素的相互作用。最近的流域范围研究也表明，IRB的植被动态反映了水文气候和土地管理过程的耦合作用。Mehmood等人[11]分析了整个流域的NDVI增长率，并确认了气候的强烈控制作用，而Waseem等人[12]记录了植被扩张、冰川退缩和永久性水体减少的现象。Dharpure等人[13]进一步指出，与气候变化和灌溉加剧相关的地下水资源枯竭是影响植被健康的关键因素，Rahman等人[14]开发了优化后的遥感指数来监测植被对气候变异和土地利用变化的响应。此外，相关区域研究也为理解气候和人类干预对流域植被动态的影响提供了有益的见解[15]。

尽管这些研究取得了宝贵的知识，但仍存在三个重要问题。首先，许多现有研究主要关注NDVI的时空分布或特定子区域，而对整个流域范围内的气候和非气候控制因素的比较仍然有限。其次，尽管最近的全流域分析改善了趋势的描述，但归因不确定性的空间差异仍未能得到充分解决，特别是在高山、沙漠和以灌溉为主的平原地区，这些地区的植被-气候关系可能较弱或不稳定。第三，许多研究直接将残差趋势解读为人类活动的证据，但这种基于残差的归因框架的假设和局限性往往没有得到充分说明。特别是，残差趋势（RESTREND）方法可能对模型结构和预测因子选择敏感，未经解释的残差变化不能简单地归因于人类活动。

与Mehmood等人[11]和Waseem等人[12]等近期IRB研究相比，本研究的贡献不仅仅在于重新绘制NDVI趋势图。相反，本研究结合了1982–2022年的长期流域尺度趋势检测和空间明确的残差趋势归因框架，以识别气候信号较强的区域、非气候残差占主导的区域以及需要谨慎解释的区域。通过这种方式，本研究通过更加强调归因逻辑、不确定性认知以及冰冻圈边缘、灌溉农田、城市化走廊和沙漠过渡带之间的植被响应差异，扩展了之前的描述性分析。重要的是，本研究并不将残差变化机械地解释为人类活动的直接结果，而是将其视为需要上下文解释的一阶非气候因素。

因此，本研究旨在：（1）量化整个IRB的长期NDVI趋势；（2）评估整个研究期间NDVI与主要气候变量之间的空间关系；（3）估计与气候相关的和非气候残差成分在植被变化中的相对作用，同时明确承认基于残差分析的方法学限制。通过整合多源遥感、气候、水文和土地覆盖数据集，本研究试图提供对IRB植被动态的更为谨慎和空间明确的理解，并为未来结合灌溉、土地利用变化、大气水分需求和其他人类影响指标的多因素研究提供实证基础。

2. 研究区域
IRB是全球主要的河流系统之一，长期以来支撑着密集的人口居住、灌溉农业和区域文化发展[16]。印度河发源于中国西藏的湖泊，流经喜马拉雅山脉，穿越巴基斯坦，最终注入阿拉伯海。沿途，这条河流滋养了肥沃的平原，构成了该地区农业经济的支柱。该流域的水文网络十分庞大，主要支流包括东部的杰赫勒姆河、奇纳布河、拉维河、比阿斯河和苏特莱杰河，以及北部和西部的喀布尔河、肖克河、吉尔吉特河和斯瓦特河。这些河流共同支持着广泛的灌溉系统，维持着多样的生态系统，并连接着多个国家的社区。

在全球变暖的背景下，印度河流域面临多重挑战，包括水资源短缺、污染和气候变化影响的加剧。人口快速增长和对可持续发展的需求增加给流域资源带来了巨大压力。为此，政府、社区和国际合作伙伴正在努力改进流域管理，旨在保护数百万人的生计，同时为后代保留河流的生态完整性。

图1显示了IRB的地理位置、土地利用和主要河流网络。图2展示了本研究使用的分析框架，包括数据来源、NDVI预处理、趋势检测、气候-植被关系分析以及基于残差的植被变化归因。这两幅图共同提供了理解整个流域长期植被动态及其气候和非气候驱动因素的空间和方法学背景。

3. 材料与方法
3.1. 数据
3.1.1. 植被数据处理
本研究使用了1982–2022年期间AVHRR观测得到的GIMMS-3G+双周NDVI记录，空间分辨率为0.0833度。该数据集包含了传感器校准差异、轨道漂移、传感器退化以及主要大气污染的校正，从而提高了整个AVHRR记录的时间一致性（Pinzon & Tucker, 2014 [17]; Li et al., 2023 [18]）。为了减少残余云层污染和双向反射效应，首先使用最大值合成（MVC）方法将双周NDVI数据合成monthly值，然后聚合为年度NDVI数据进行趋势和归因分析。使用流域平均数据来描述年际变化，而像素级分析用于识别NDVI变化的空间异质性。这种处理流程遵循了常用的长期植被监测方法，有助于解释为什么观察到的流域尺度趋势幅度相对较小但合理，与之前在干旱和山区流域的大面积NDVI研究相比。

3.1.2. 气候数据提取与处理
获取了1982–2022年期间ERA5-Land的月度重新分析数据，包括2米分辨率的空气温度和总降水量，空间分辨率为0.1度，并使用双线性插值方法重新采样到NDVI网格。温度从开尔文转换为摄氏度，降水量从米转换为毫米。选择温度和降水量是因为它们是整个研究期间在整个流域范围内最一致可用的气候变量，并且它们代表了之前干旱和半干旱盆地NDVI研究中强调的主要热力和水分供应限制因素。然而，这种两变量表示方法并未完全涵盖所有影响植被的气候因素。诸如蒸气压亏缺、太阳辐射、土壤湿度、融雪时间和干旱指数等变量也可能影响NDVI，尤其是在IRB，因为这些因素在大气水分需求和冰冻圈过程中起着重要作用。因此，当前的气候数据集应被视为流域尺度比较的一阶基线，而非气候强迫的完整表示。

3.2. 方法论
3.2.1. Theil–Sen 中位数趋势检验和Mann–Kendall 检验
Theil–Sen 中位数趋势分析是一种稳健的非参数统计方法，用于计算趋势，也称为Sen-slope估计（Yang et al., 2019）[19]。由于它相对不受测量误差和异常值的影响，因此广泛应用于长期气象、水文和生态趋势分析（Wei et al., 2022）[20]。Sen-slope的定义如下：
(1) 当SNDVI > 0时，NDVI显示增长趋势；当SNDVI < 0时，NDVI显示下降趋势。中位数表示中值，i 和 j 分别代表年份，NDVIi 表示第i年的NDVI值，n 表示时间序列中的观测数量。
Mann–Kendall（MK）检验是一种不需要特定数据分布的非参数显著性检验。在计算出Sen’s slope后，使用MK检验来确定趋势是否具有统计学意义。公式如下：(2) 将Z统计量定义为 (3) (4) (5) (6) 其中n是序列中的数据点数量，NDVIi和NDVIj分别表示第i年和第j年的NDVI值。Sgn是一个符号函数。在给定的显著性水平下，当|Z| > u1 ? α/2时，表明研究中的时间序列数据在α水平上发生了显著变化。本研究在α = 0.05的置信水平下评估了NDVI时间序列变化趋势的显著性。3.2.2 部分相关分析方法植被生长受到温度和降水的共同影响，部分相关分析用于量化NDVI与每个气候因素之间的独立关系，同时统计控制了其他变量[21]。这种方法有助于减少由温度和降水之间的协变性引起的混淆，但并不能完全消除多重共线性或捕捉非线性相互作用。(7) 其中Rxy·z是在z保持不变的情况下x和y之间的部分相关系数；Rxy、Ryz和Rzx是变量之间的成对相关系数；x表示NDVI；y表示温度；z表示降水。这项分析用于确定温度和降水对NDVI是产生正面还是负面影响，以及这些关系是否具有统计学意义。为了提高解释的严谨性，在后续讨论中，将NDVI–气候关系较弱或不显著的区域视为高不确定性区域，特别是在高山和沙漠地区，那里的气候–植被耦合可能不稳定。因此，部分相关结果被解释为一阶线性诊断，而不是植被–气候相互作用的完整描述。需要注意的是，部分相关分析控制了变量之间的线性关系，但并不能完全消除多重共线性或解释非线性相互作用。因此，结果应被视为NDVI与气候变量之间关系的一阶近似。3.2.3 多元线性回归和残差分析方法多元线性回归用于估计NDVICC，即从温度和降水预测的NDVI成分[22]。对于每个网格单元，1982–2022年期间的年NDVI根据年温度和降水量进行了回归，拟合值被视为与气候相关的NDVI成分。(8) 其中NDVICC是预测的植被NDVI，P是年总降水量（mm），T是年平均温度（°C），a和b是从每个网格单元的观测年度时间序列中估计出的回归系数，c是截距项。这些系数是在本研究中计算的，而不是采用以往的研究结果。然后使用残差分析将观测到的NDVI变化分为与气候相关的拟合成分和未解释的残差成分。在本研究中，NDVIHA表示NDVIobs减去NDVICC得到的残差项。因为回归只包括了温度和降水，NDVIHA被解释为非气候残差，而不是人类活动的直接和唯一衡量标准。公式如下：(9) NDVIobs是卫星观测到的NDVI（结合了气候和非气候效应），NDVICC是气候预测的NDVI。残差方法已被广泛用于区分与气候相关的和残差的植被变化[23]，但对残差的解释取决于模型结构、预测变量选择和数据质量。在本研究中，残差成分被谨慎地解释为非气候效应的一阶代理，而不是人类影响的直接和唯一衡量标准。这种区分很重要，因为残差也可能反映模型设定错误、遗漏的气候变量、非线性响应和滞后的植被效应。尽管残差趋势（RESTREND）框架对于整个流域的比较分析仍然有用，因为它提供了观测到的植被变化到与气候相关和残差成分的透明分解，但其解释能力强烈依赖于模型设计。因此，本研究并不假设所有未解释的方差在严格意义上的都是人为造成的。相反，残差趋势用于识别那些仅靠选定的气候预测变量无法充分解释观测到的NDVI变化的位置。由于NDVI可能对气候强迫有延迟响应，特别是在依赖雪水补给和水分有限的环境中，这里使用的线性同时模型应被视为简化表示。未来的研究应测试滞后结构、非线性响应函数和扩展的预测变量集，并应报告网格级别或区域的回归诊断以及归因图的显著性掩码。根据Shi等人的研究[24]，通过比较NDVIobs、NDVICC和NDVIHA的年度变化，评估了气候变化和非气候残差效应对NDVI变化的相对贡献。基于Liu YF的框架[25]，1982–2022年间IRB中气候变化和非气候效应的相对影响被分类为六种情景（表1）。表1. 不同情景下气候变化和人类活动在NDVI变化过程中的相对作用。4. 结果与讨论 4.1. 印度河流域NDVI在空间和时间尺度上的变化特征 4.1.1 印度河流域NDVI在时间尺度上的变化特征图3显示，1982–2022年间IRB平均NDVI有显著的增加趋势，每十年增加0.0061（R2 = 0.58, p < 0.05）。尽管这种增加在绝对值上不大，但对于一个包含广阔沙漠、高大陆地和密集耕作区的大型异质流域来说是合理的。在大型干旱地区进行的类似研究也报告了相对较小但具有统计意义的NDVI趋势，表明这里观察到的值在合理范围内。年际变化可以分为四个阶段。1982年至1988年，NDVI保持较低水平，1985年达到最低值0.192。1989年至1999年，NDVI略有恢复并稳定在0.202左右。2000–2009年，NDVI略微下降至约0.198，表明在环境压力增加的情况下出现了停滞期，而不是单独表明整个流域的干旱。2010年至2022年，NDVI再次增加，2022年达到0.227，表明植被活动有所恢复。图3. 1982年至2022年间印度河流域平均NDVI的年际变化趋势。总体而言，IRB表现出长期的绿化趋势，但这种增加并不单调。21世纪初的暂时停滞表明植被动态对水分压力、土地退化和水文气候变异性仍然敏感。因此，流域的绿化与生态不稳定共存，尤其是在水分有限的环境中，变暖可能在某些受寒冷限制的区域促进植被生长，但在已经脆弱的生态系统中加剧了压力。4.1.2 印度河流域NDVI在空间尺度上的变化特征图4展示了1982–2022年间IRB平均NDVI的空间分布、趋势幅度和趋势显著性，基于Theil–Sen中位数斜率估计器。作为一种非参数且稳健的方法，Theil–Sen方法特别适用于长期遥感分析，因为它比普通最小二乘回归减少了异常值的影响。结果显示，年际NDVI变化率在每十年?0.08到0.07之间，表明整个流域的植被动态存在明显空间差异。图4. 1982–2022年间IRB NDVI特征的空间分布：(a) 多年平均NDVI；(b) Theil–Sen趋势斜率；(c) Mann–Kendall趋势显著性。总体而言，NDVI增加的区域明显多于减少的区域，确认了过去四十年的总体绿化趋势。然而，这种绿化在空间上并不均匀。NDVI显著增加的区域通常与水资源更丰富和土地利用更集约的区域相关，特别是在沿河岸和洪泛区的中间地带，那里有有利的水热条件和农业发展支持更高的植被生产力。相比之下，在气候受限的环境中主要观察到较弱或负的趋势。平均NDVI还显示出生态区域之间的明显差异。上部冰冻圈区域由于高海拔、低温以及常年积雪和冰覆盖而持续保持较低的NDVI。同样，下部干旱沙漠区域的NDVI值也较低，反映了在水分严重限制下的稀疏植被。这些模式突显了气候梯度和土地管理实践对整个流域植被动态的联合影响。就趋势模式而言（图4c），大约65.6%的流域显示出显著的NDVI增加，主要集中在印度河主干及其主要支流沿线的灌溉农业区，特别是在中下游地区。这些改善可能反映了有利气候条件、灌溉支持、水资源调节和土地管理的综合效应。相比之下，11.1%的流域表现出退化趋势，主要出现在快速城市化的走廊、上游流域的冰冻圈过渡区和南部的沙漠边缘。这种次区域对比表明，不应将整个流域视为对气候或人类压力作出统一反应。然而，对这些退化热点的解释需要谨慎。在城市地区，NDVI的下降可能与建设扩张和植被土地的转换有关。在冰冻圈边缘和沙漠过渡区，退化也可能反映气候压力、水文不稳定、植被稀疏或与地形和数据质量相关的不确定性。因此，在直接将退化归因于人类干扰之前，应将这些区域视为生态脆弱区，使用土地利用变化、夜间灯光、灌溉或地下水数据等进行额外验证是有价值的。4.2 NDVI动态的自然气候驱动因素为了更好地理解驱动植被动态的机制，本研究采用了部分相关分析来评估温度和降水对NDVI变化的独立贡献，同时统计控制了其他变量。因此，图5展示了六个面板，描述了这两个变量及其显著性模式，允许更明确地解释整个流域的气候–植被耦合。图5的(a)、(b)和(c)面板分别显示了NDVI与温度、降水和气候的部分相关模式；(d)和(e)面板显示了NDVI–温度和NDVI–降水关系的相应显著性水平；(f)面板显示了气候对NDVI的复杂相关性。图5. 1982–2022年间IRB中NDVI与气候变量之间的部分相关结果：(a) NDVI与温度的部分相关；(b) NDVI与降水之间的部分相关；(c) NDVI与温度和降水之间的部分相关；(d) NDVI–温度关系的显著性；(e) NDVI–降水关系的显著性；(f) 温度–降水对NDVI的复杂相关性。与气候相关的拟合成分分析在整个流域的平均正相关率为59.6%，负相关率为40.4%（图5f）。正的气候相关效应主要集中在上游流域的冰冻圈过渡区和下游流域的荒漠或沙漠地区。在高海拔地区，变暖可能促进提早融雪并延长生长季节，从而支持季节性植被活动。在一些下游干旱地区，有效水分的适度增加可能缓解干旱限制。值得注意的是，NDVI的增加并不一定意味着生态恢复或生态系统条件的改善。在管理景观中，特别是在农业区域，NDVI趋势可能反映了灌溉、施肥或多季种植等强化措施，而不是自然植被动态[26,27,28]。4.2.1 NDVI与温度之间的关系NDVI与温度之间的部分相关系数范围从?0.501到0.812，表明整个流域存在明显的空间异质性（图5a）。总体而言，积极的温度–NDVI关系约占流域的48%，显著的正相关关系占总面积的23.5%（图5d）。这些区域主要分布在流域的西南部和东南部，特别是在林地、草地和冰雪过渡区。在这些环境中，适度的变暖可能延长生长季节并增强光合作用，使得温度成为在相对有利的水分条件下植被生长的重要驱动因素。相比之下，负的温度效应在范围上较为有限，占流域的约52%，而显著负的相关性仅占总面积的约0.9%（图5d）。这些区域主要集中在城市核心和周边建成区，其中植被生长可能受到城市热岛效应、过度温度压力和土地覆盖变化的限制。总体而言，温度在IRB地区主要作为植被生长的积极驱动因素，尽管其促进作用在空间上并不均匀，且在城市化程度较高的地区表现更为明显。4.2.2. NDVI与降水之间的关系NDVI与降水之间的偏相关系数介于-0.582到0.812之间，表明整个流域内存在显著的空间异质性（图5b）。总体上，约56.7%的流域显示出正的降水-NDVI关系（图5e），特别是在水资源受限的北部和西北部地区，额外的水分支持了植被生长。这表明降水在干旱和半干旱的边缘生态系统中起着重要的支持作用。相比之下，负的降水效应较为有限，主要集中在高海拔的冰冻圈和山区。只有大约0.8%的流域显示出显著的负相关（图5e）。在这些地区，降水通常以雪或冰的形式存在，因此不能直接转化为植物可利用的土壤水分。在某些情况下，增加的降水还可能降低地表温度并抑制植物生长。总体而言，降水仍然是植被动态的重要控制因素，但其生态效应强烈依赖于海拔高度、水热平衡以及水分输入的形式和时机。4.2.3. 空间差异和综合解释图5f显示，显著的正面关系主要集中在西南部和东南部，那里的温度和降水共同促进了植被生长。相比之下，流域北部和西北部的相关性较弱，复杂的地形、积雪过程、稀疏的植被覆盖以及不稳定的水资源增加了气候-植被关系的不确定性。从生态限制因素的角度来看，温度在高海拔山区仍然是植被生长的关键控制因素，而在中部和低部流域，温度和降水共同影响植被状况。降水效应尤其依赖于地区，因为它们的生态作用随水热平衡、海拔高度和季节性水分可用性而变化。总体而言，结果表明气候是IRB地区植被动态的关键调节器，但其影响在空间上是异质的。然而，这些关系不应被解释为纯粹线性的或静态的。极端气候事件，如热浪、干旱和洪水，可能会通过造成生理压力或对植被的物理损害来破坏原本正向的气候-绿色度关系，这可能部分解释了观察到的年际不稳定性。因此，IRB地区的生态管理应考虑区域气候敏感性，特别关注脆弱的山区、沙漠边缘和城市化地区，采取更有针对性的土地利用规划、水资源分配和气候适应策略。4.3. NDVI动态的社会经济驱动因素气候变化和人类活动是植被动态的主要驱动因素。理解它们的相对机制对于制定精确的生态治理和适应策略具有重要意义。为了量化气候变化和人类活动对IRB地区植被动态的相对贡献，本研究通过残差趋势方法（RESTREND）分离了气候因素和人类活动的影响，从而估计了每个因素的贡献率和空间分布模式（图6）。4.3.1. 非气候残差贡献模式在许多受管理的流域区域，非气候残差效应比与气候相关的拟合成分更为显著（图6）。正的残差趋势主要分布在农田、草地和灌木丛中，这些地方的灌溉项目、农业集约化、生态恢复和水资源管理可能改善了植被覆盖。然而，将这种残差直接解释为人类活动时必须谨慎，因为模型没有包括灌溉强度、地下水抽取、城市范围变化或大气水分需求。负的残差趋势集中在冰冻圈边缘、荒地、沙漠边缘和一些城市扩张区。在某些地点，这些模式可能反映了过度放牧、土地利用转换、采矿、旅游压力或因建设扩张导致的植被损失。在其他地方，它们可能是由于数据异常、非线性气候压力或NDVI-气候关系的弱化引起的。因此，当前的结果应被解释为识别潜在的非气候热点，而不是严格意义上的直接人为退化。4.3.2. 与NDVI动态相关的社会经济机制为了定量识别NDVI变化的主要驱动因素，我们进行了NDVI与四个社会经济指标（人口密度、农业GDP、夜间光照和农业灌溉面积）之间的皮尔逊相关性分析（表2）。结果显示所有变量之间存在统计学上的显著关系（p < 0.001）。其中，农业灌溉与NDVI的正相关性最强（r = 0.4459），其次是农业GDP（r = 0.2099）。相反，人口密度（r = -0.3138）和夜间光照强度（r = -0.2555）与NDVI呈中等程度的负相关。这些发现表明，虽然某些人为因素通过城市化和人口压力导致植被退化，但其他因素——特别是与农业现代化相关的因素——促进了植被绿化。这些模式与该地区先前研究中报道的灌溉扩展和土地管理实践一致，尽管这些过程在当前分析中并未直接量化，因此应谨慎解释[27]。为了捕捉社会经济因素与NDVI之间的复杂、潜在非线性的关系，使用了三种广泛使用的机器学习算法——随机森林、支持向量回归（SVR）和梯度提升。使用30,000个NDVI随机样本和四个解释变量，通过决定系数（R2）、均方根误差（RMSE）和训练时间来评估模型性能。梯度提升在预测准确性上优于随机森林和SVR（表3），展示了其在模拟社会经济驱动因素对植被动态的异质性和交互效应方面的优越能力。相对较高的R2值表明这些因素解释了NDVI约46.5%的空间变异，突显了人为影响的显著但不是完全的作用。本节中的社会经济分析与第4.3.1节提出的基于残差的非气候成分不同。残差方法识别了单独由温度和降水无法解释的NDVI变化的空间模式，因此提供了1982-2022年间非气候影响的间接估计。相比之下，社会经济分析使用独立的人类压力和管理指标来确定哪些具体因素与NDVI变化有统计学关联。这两种方法是互补的，而不是等效的，因为残差也可能包含被忽略的环境效应和模型不确定性。来自基于树的模型（随机森林和梯度提升）的特征重要性分析揭示了每个社会经济变量的相对贡献。在所有模型中，农业GDP的重要性排在首位（0.3397），其次是人口密度（0.2846）、农业灌溉面积（0.2677）和夜间光照（0.1080）。尽管农业灌溉与NDVI之间的双变量相关性最强，但其平均重要性略低，表明其效应可能与其他因素（特别是农业GDP）产生协同作用。农业GDP的重要性强调经济投资和生产能力在促进植被生长中的作用，可能通过机械化农业、改进的投入和高效灌溉系统实现。同时，人口密度的显著影响突显了人类存在和活动的影响，这些因素驱动土地管理决策并可能对生态造成压力。我们使用条件推断框架检查了四个驱动因素之间的双向交互作用强度。分析揭示了几组显著的交互作用对。值得注意的是，农业GDP与农业灌溉之间的交互作用最强（0.1302），其综合效应（0.4581）显著超过了它们各自的效应之和（分别为0.2099和0.4459）（表4）。这种强烈的协同作用强调了协调的经济和基础设施发展的生态效益：当农业投资与有效灌溉相结合时，可以显著增强植被。相比之下，人口密度与农业GDP之间的交互作用较弱（交互作用强度=0.0520），表明人口压力可能会削弱高密度地区经济增长的积极效应。总之，我们的综合分析表明，研究区域的NDVI动态受到一系列社会经济驱动因素的独立和交互作用的影响。农业GDP和农业灌溉作为最主要的积极驱动因素，反映了经济投资和高效技术在促进植被生长方面的关键作用。相反，人口密度和夜间光照强度与植被减少有关，表明人口扩张和城市化带来的生态权衡。值得注意的是，农业GDP与灌溉之间的强正交互作用强调了政策协调和综合农村发展的重要性。虽然人类活动是观察到的绿化和褐变模式背后的主要力量，但它们的影响深受经济能力和基础设施配置结构相互作用的影响。这些见解呼吁采取空间差异化和部门整合的土地管理策略，以优化人类干预的效益，同时保护经历深刻人为变化的地区的生态完整性。4.4. 气候变化和人类活动对NDVI的综合影响IRB地区的植被动态受到气候相关强迫和非气候影响的共同作用的影响。根据表1中总结的六种情景框架，并在图6中进行了映射，本节将气候相关拟合成分与残差成分结合起来，展示了两者在同一方向上起作用的地方以及它们的效应出现分歧的地方。在流域尺度上，气候相关和非气候影响之间的相互作用主要导致了植被的改善。大约67.3%的IRB地区表现出协同的积极效应，其中拟合的气候成分和残差成分都促进了NDVI的增加（图6c；表1中的情景1）。这些区域主要集中在灌溉农业平原、河岸走廊和农牧过渡区。相比之下，6.1%的流域经历了联合的负面影响（图6c；表1中的情景4），主要发生在环境脆弱的地区，如城市扩张区、冰冻圈边缘和下游干旱沙漠。在这里，气候压力和非气候压力可能共同作用，降低了植被的恢复力并引发了局部退化。在这些协同区域之外，各个驱动因素的相对主导地位在空间上有所不同。主要受气候变化影响的区域占了约3.8%（图6c；表1中的情景2加上情景5），主要分布在高海拔冰冻圈和人口稀少的沙漠地区，这些地方的直接人为干扰相对有限。主要由非气候残差效应主导的区域占总面积的约22.5%，包括7.2%的残差驱动绿化（图6c；表1中的情景3）和15.3%的残差驱动退化（图6c；表1中的情景6）。这种不平衡表明，在城市化走廊、沙漠边缘和脆弱的高地地区，残差退化热点值得特别关注。这与之前关于气候变化和人类活动对植被影响的研究结果一致。然而，在分析过程中注意规模和控制变量是非常重要的。这些发现突出了三种重要的气候-人类互动机制：（1）放大部分，其中人类管理提高了有利气候条件的效益，如在灌溉农业中观察到的；（2）缓冲效应，其中基础设施和技术投入有助于缓解气候压力，并在降雨量变化的情况下稳定NDVI；（3）复合压力效应，其中极端气候与人为干扰同时发生，导致生态系统不成比例的衰退。这种非线性相互作用强调了综合归因方法的重要性。从管理角度来看，认识到这些综合影响为差异化的生态治理提供了科学依据。具有强烈正面协同效应的地区应优先考虑可持续的农业实践和高效的水资源利用，以维持绿化趋势。面临复合压力的地区需要更严格的地利用控制、城市增长边界和有针对性的生态恢复。对气候敏感的高山和沙漠生态系统需要适应策略，以增强对水热变化的韧性。4.5. 限制和未来研究方向4.5.1. 基于NDVI的评估中的技术挑战尽管处理方法（如最大值组合（MVC）减少了NDVI时间序列中的部分大气干扰、云污染和太阳角度伪影，但残差噪声仍然是基于NDVI评估的关键限制。这种噪声会降低识别弱植被信号的能力，尤其是在地表覆盖不均匀或受持续云层影响的地区。此外，NDVI本身也具有众所周知的物理局限性。在树冠密度高的地区，NDVI 可能会饱和，并对叶片面积指数的进一步增加变得不敏感；在植被稀疏的地区，土壤背景反射率可能会影响测量结果。NDVI 对环境变化的响应可能存在季节性延迟，这限制了其捕捉快速水文气候波动和极端事件的能力。这些问题说明，单一指数方法无法完全描述复杂生态系统中的植被动态。

4.5.2 归因研究中的方法学挑战
目前的归因框架受到一些限制。首先，只有温度和降水被作为气候预测因子纳入考虑，而其他重要变量如水汽压差、湿度、太阳辐射、土壤湿度、雪融时间和干旱指数没有被包含进去。其次，模型假设 NDVI 对气候的响应是线性的且同步的，这可能忽略了非线性阈值和滞后效应。第三，残差成分不可避免地包含了多种未解释的变异来源，包括遗漏的变量、模型误差以及真实的非气候影响。第四，对 ERA5-Land 数据进行双线性重采样无法完全反映上游盆地的地形复杂性。因此，这里使用的残差趋势方法应被视为一种有用的初步归因工具，而不是最终的因果分解方法。为了提高可重复性和科学严谨性，未来的分析应报告回归诊断信息（如 R2 值、p 值和区域或分层尺度上的残差空间结构），并且归因图应附带显著性掩码或不确定性层。使用土地利用变化、夜间灯光、灌溉统计数据、地下水数据或人类足迹指标进行验证，对于区分灌溉主导平原和城市化走廊中的人为影响与模型残差尤其有价值。

4.5.3 未来研究优先事项
未来的工作应关注三个重点。首先，扩展预测因子集，包括大气水分需求、干旱指数、土壤湿度、积雪和融水指标以及明确的滞后结构。其次，整合直接的人类压力数据集，包括夜间灯光、土地利用变化、灌溉地图和地下水消耗情况，以便独立验证人为影响，而不仅仅依赖于模型残差。第三，使用非线性或空间变化模型（如地理加权回归或机器学习方法）来捕捉冰冻圈、农田、城市和沙漠生态系统中的异质 NDVI 响应。

5. 结论
本研究利用 NDVI 时间序列、趋势分析、偏相关性和残差趋势归因方法，探讨了 1982 年至 2022 年间印度河流域（IRB）植被活动的时空变化。结果显示整体上呈绿化趋势，盆地平均 NDVI 每十年增加 0.0061。然而，这种增加并非单调的，NDVI 显示出明显的时间波动和空间异质性。65.6% 的流域区域出现了显著的绿化现象，主要集中在灌溉农业区和河流走廊；而 11.1% 的流域区域出现了植被退化，尤其是在城市化区域、冰冻圈边缘和沙漠边缘地区。归因结果表明，气候相关因素和非气候因素都影响了 NDVI 的动态，但它们的影响因环境而异。温度和降水通常促进植被生长，尤其是在一些上游流域和水资源受限的地区；尽管在生态脆弱和水资源紧张的地区也观察到了负面的气候效应。残差分析进一步表明，在受人类管理的景观中，非气候因素起着重要作用，灌溉、农业发展和生态调节可能促进了植被的改善。同时，负的残差趋势揭示了脆弱高地、扩展的城市区域和沙漠边缘的潜在退化热点。这些模式表明，IRB 的植被变化受到气候变异性、土地利用强度和水资源管理的共同影响。