植被对区域的水文循环和气候调节等均起重要作用，对草地生态系统的恢复和可持续发展有重要意义^[1]。在极端气候变化和人类活动的影响下，研究植被的生长变化特征，了解其变化的驱动机理，能够减少对植被生长的不利影响，为区域生态环境的健康和可持续发展奠定坚实基础^[2]。我国对生态环境问题长期关注，基于遥感的植被指数法在植被系统研究中被广泛使用，其中，以增强型植被指数(enhanced vegetation index，EVI)时空变化特征为主的研究较多。比如，岳东霞等^[3]发现疏勒河流域的植被EVI在时间尺度上有着显著的季节性、周期性及趋势性规律，空间尺度上呈现出明显的空间异质性。苏俊磊等^[4]基于EVI数据分析发现，近10 a来，该地区植被EVI变化整体呈现出上升趋势，可能是得益于相关的植被保护措施，同时植被EVI的变化与气温和降雨均呈现出显著的正相关。田志秀等^[5]发现，低地盐化草甸类、改良草地、温性草原类及温性荒漠草原类植被EVI均与气象因子呈现出较高的相关性。吕妍等^[6]探讨气候变化对西南喀斯特地区植被的影响后表明，整个时期内气温和降水对其变化趋势的贡献仅占了28.3%，而退耕还林、草等一系列生态工程的实施，大气氮沉降及CO₂浓度的不断增加等可能显著影响了该区域植被覆盖度的上升。朱林富等^[7]分析重庆2000—2015年间植被覆盖度的时空变化特征，发现植被的年际波动变化, 春、夏、秋季以轻度为主，而冬季以中度为主。王行汉等^[8]发现，珠江流域2004—2013年间，植被EVI指数从低到高排序为草地＜常绿针叶林＜多树的草地＜混交林＜常绿阔叶林。陈燕丽等^[9]对MODIS-EVI与同期降水量、相对湿度、水汽压、平均气温等多个气候因子的相关性与其响应差异进行分析，为植被监测研究提供了参考。王晓爽等^[10]将植被EVI数据与多源环境因子相结合，划分了全国主要草地类型，总体精度为96.19%，分类结果基本能够反映我国主要草地类型的分布情况。

EVI是利用遥感影像中的红光波段、近红外波段及蓝光波段运算^[11-12]得出的植被指数，该指数经过优化并具备高保真度，EVI改进了归一化植被指数(normalized difference vegetation index，NDVI)的不足，它对植被冠层结构十分敏感，能够降低大气和土壤对植被产生的干扰，更加有效地消除指数的饱和现象，目前已经被广泛应用于研究植被动态变化，并获得了良好的效果^[13-15]。相关学者对这两种植被指数的应用均做了较多研究^[13-16]。陕北地区位于黄土高原中部，生态敏感且脆弱，目前，利用植被指数数据对陕北地区植被覆盖变化的研究尚不多见。因此，基于2005—2019年的MODIS-EVI数据，分析陕北地区的植被EVI时空变化特征，同时，选取影响该地区植被EVI变化的10个环境因子，采用地理探测器统计方法探究各环境因子对EVI变化的影响程度，阐明其驱动机理。

1 材料与方法 1.1 研究区概况

研究区在陕北地区，地处黄土高原中部，位于北纬35°02′~39°35′，东经107°15′~110°15′，主要包括延安和榆林两市。研究区地势整体东南低，西北高，东南部是丘陵沟壑区，西北部是风沙区，地形复杂、生态多样，处于暖温带大陆性季风气候向温带半干旱气候的过渡地区，气候干燥，光照充足，昼夜温差大。该地区年平均气温8~12 ℃，年平均降水量350~600 mm，土壤以栗钙土、黄绵土及草原风沙土为主，生态环境脆弱，是我国实施退耕还林生态工程重点区域。

1.2 数据来源及预处理

采用的数据有植被EVI、数字高程模型(digital elevation model，DEM)、气象栅格(年平均降水量、年平均气温、≥10 ℃积温及干燥度指数)、土壤、植被及地貌类型等数据及研究区县级行政矢量边界。其中，DEM数据来源于美国地质勘探局；气象栅格数据基于全国1 915个站点的气象数据(建站到20世纪90年代中期)，经整理、检查，形成原始数据库，然后在站点数据的基础上计算年平均气温、年平均降水量、≥10 ℃积温，并利用反向距离加权平均法内插出全国空间分辨率为500 m×500 m的年平均气温、年平均降水量、≥10 ℃积温、干燥度指数等空间分布数据集；土壤、植被及地貌类型数据均来源于中国科学院资源环境科学数据中心；研究区县级行政矢量边界来源于地球大数据科学工程数据共享服务系统；植被EVI数据来源于美国国家航空航天局的MODIS MOD13Q1产品，其空间分辨率250 m×250 m，时间分辨率16 d。

选取2005—2019年中奇数年份4—10月(植被生长季)质量较好的112景EVI数据，运用重投影工具将MOD13Q1产品格式转换投影，WGS-84地理坐标系，通过最大合成法进行年最大植被EVI的合成，得到8期可利用的年最大植被EVI数据。坡度、坡向由DEM数据提取。利用ARCGIS 10.6软件的resample工具，将获取的环境数据重采样为统一分辨率，依据陕北地区的县级行政边界分别裁剪数据。

1.3 研究方法 1.3.1 环境因子选取

环境因子对植被变化具有显著的影响，基于典型性、科学性以及可获取的原则，结合各个环境因子对陕北地区植被的协同影响程度，依据地形、地貌、气候、土壤及植被等类型选取10个自然环境因子，分别为高程(X1)、坡度(X2)、坡向(X3)、地貌类型(X4)、年平均气温(X5)、≥10 ℃积温(X6)、年平均降水量(X7)、干燥度指数(X8)、土壤类型(X9)、植被类型(X10)。

1.3.2 增强型植被指数划分

为了精准分析陕北地区植被覆盖变化状况，结合相关学者研究结果，对该地区2005—2019年植被年最大EVI按照等间距方法^[17-18]划分为10个等级。

1.3.3 信息提取

利用ArcGIS 10.6软件的Create Random Point工具，按照2 km×2 km格网，在陕北地区生成4 564个随机采样点。利用多属性提取工具生成EVI值和所有环境单因子数据属性表，获取对应的EVI值与各环境因子之间的关系，保证两者存在一致性关系。

1.3.4 地理探测器

地理探测器是一种新型统计学方法，能够探测空间分异性^[19-22]，分别从因子、生态、风险及交互作用等方面进行空间探测。其中，因子探测是对选取的环境因子进行分析，探测各因子的解释力大小；生态探测是对任意两个环境因子进行比较，探究其对研究区EVI值的影响是否有显著差异，可判断两个环境因子对EVI值影响的重要性；风险探测是用于解释两个环境因子变量之间的平均值是否存在差异；因子交互作用探测用于识别各环境因子之间的交互作用，即各因子共同作用(增强或减弱)和相互独立作用对研究区EVI值的解释力大小，先分别计算两个环境因子对EVI值的q值，随后计算两个环境因子交互的q值，并比较三者大小。其中，q值计算公式见式(1)：

$ q=1-\frac{\sum\limits_{h=1}^{L} N_{h} \sigma_{h}^{2}}{N \sigma^{2}} $

(1)

式中：q为各环境因子对研究区EVI的解释力，值域为[0, 1]，该值越大，说明该环境因子对EVI的解释力越强；h=1，2，…，L，为影响因子的分层数；N_h和N分别为各环境因子的h层和整个研究区的样本数；σ_h和σ分别为h层和整个研究区的EVI值的方差。

2 结果与分析 2.1 增强型植被指数时空动态变化

由图 1可知，2005、2019年陕北地区植被EVI空间分布差异较显著。2019年，EVI值大于0.5的区域主要分布在东南部地区，EVI值小于0.5的区域主要分布在西北部地区，陕北地区植被覆盖总体上表现为东南丘陵沟壑区植被覆盖度较高，西北风沙区植被覆盖度较低。

2005—2019年植被覆盖空间变化如图 2所示。2005—2019年间，陕北地区的植被覆盖整体呈显著上升趋势，植被增加的区域面积占区域面积的64.30%，分布在研究区的大部分地区；植被不变的区域占31.10%，主要分布在东南的黄龙县、宜川县、延长县以及西北的榆阳区、横山区、子洲县、靖边县、定边县及吴起县等部分地区；植被减少的区域仅占4.60%，分布在宝塔区、延长县、吴起县和定边县等地区和部分城镇建设用地区。

2.2 增强型植被指数影响因子的地理探测 2.2.1 因子探测分析

各环境因子对EVI的影响程度排序为，年平均降水量＞干燥度指数＞植被类型＞地貌类型≥10 ℃积温＞土壤类型＞坡度＞年平均气温＞高程＞坡向(表 1)。年平均降水量和干燥度指数的q值最大，分别为0.486和0.425，解释力均大于40%，是影响EVI变化的主要环境因子；植被类型、地貌类型、≥10 ℃积温和土壤类型的q值在0.100~0.350区间，解释力在10%~35%之间，是EVI变化的次要影响因子；坡度、年平均气温、高程和坡向的q值均小于0.100，解释力均小于10%，对EVI变化的影响较小。

2.2.2 生态探测分析

采用显著性水平为0.05的F检验，通过生态探测分析，得出显著性差异水平(表 2)。年平均降水量与高程、坡度、坡向、地貌类型、年平均气温及≥10 ℃积温对EVI变化的影响存在显著性差异，与干燥度指数、土壤类型和植被类型对EVI变化的影响无显著性差异。干燥度指数与高程、坡度、坡向、地貌类型、年平均气温及≥10 ℃积温的影响存在显著性差异，与年平均降水量、土壤类型及植被类型的影响无显著性差异。植被类型与高程、坡度、坡向、地貌类型、年平均气温、≥10 ℃积温及土壤类型的影响存在显著性差异，与年平均降水量和干燥度指数的影响无显著性差异。地貌类型与高程、坡度、坡向、年平均降水量、干燥度指数及植被类型的影响存在显著性差异，与年平均气温、≥10 ℃积温及土壤类型的影响无显著性差异。≥10 ℃积温与高程、坡度、坡向、年平均气温、年平均降水量、干燥度指数及植被类型的影响存在显著性差异，与地貌类型及土壤类型无显著性影响。土壤类型与高程、坡向、年平均气温及植被类型的影响存在显著性差异，与坡度、地貌类型、≥10 ℃积温、年平均降水量及干燥度指数的影响无显著差异。

2.2.3 风险探测分析

由表 3可知，随着高程、坡度、坡向的增加，EVI均值呈现出波动变化的趋势，在高程1 386~1 490 m、坡度19.918°~22.996°及西北坡的EVI均值分别达到最大值0.44、0.45、0.40。随着年平均气温、≥10 ℃积温、年平均降水量的增加，EVI均值呈现出逐渐上升的趋势，在年平均气温9.4~9.9 ℃、≥10 ℃积温3 481~3 689 ℃、年平均降水量595.6~ 639.6 mm范围内EVI均值分别达到最大值0.50、0.51、0.60，说明该环境状况有利于植被生长。随着干燥度指数的不断增加，EVI均值逐渐下降，其中，干燥度指数在1.081~1.179时，EVI均值达到最大值0.55，表明水分条件对植被生长有着非常重要的影响。不同的地貌、土壤和植被类型下，EVI均值呈现出波动变化的趋势，地貌类型为中起伏山地时，土壤类型为褐土时，植被类型为阔叶林时，EVI均值分别达到最大值0.54、0.61、0.58，不同的地貌类型形成不同水热条件，影响土壤类型和土壤水分，进而影响植被变化。

2.2.4 交互探测分析

利用交互作用探测器对各环境因子进行探测，获取各因子之间的相互关系(表 4)。A、B代表两个不同环境因子各自对EVI值的q值；C代表两个环境因子交互的q值，绝大部分的环境因子交互q值大于其单因子的q值，因子互动效应呈现出非线性增强(C＞A+B)和相互增强关系(C＜A+B) (表 5)。如q_X7∩X1 (0.57)＞q_X7∩X4 (0.56)＞q_X7∩X10 (0.56)＞q_X7∩X5 (0.55)＞q_X7∩X6 (0.55)表明高程、地貌类型、植被类型、年平均气温和≥10 ℃积温等分别与年平均降水量的交互作用呈现相互增强和非线性增强效应。

3 讨论与结论

EVI能够较好地反映半干旱区植被覆盖变化特征，对区域植被时空分异特征研究具有重要的参考意义^[23-24]。研究发现，2005—2019年陕北地区植被EVI空间分布差异明显，植被覆盖时空变化显著，总体上表现为东南丘陵沟壑区植被覆盖度较高，西北风沙区及城镇建设用地区域植被覆盖度较低。与任媛等^[25]的研究结果相似，即石羊河流域近16 a来，植被覆盖度明细增加，EVI呈现出增加趋势。马浩^[26]也发现，青海省2000—2015年植被EVI总体呈现出上升趋势，且分为3个时期，分别是快速增长期、波动增长期及略微下降期；EVI显著上升的区域面积占总面积的51.58%，明显下降的区域占20.64%。王虎威等^[27]发现，山西省的植被覆盖度呈现出显著的区域差异，其中西北部的植被EVI明显低于东南部，植被EVI频度图具有明显的“单峰结构”特征。但是，何奕萱等^[28]通过对红河流域2000—2014年植被生长季的EVI变化进行分析发现，EVI值总体呈现出波动下降趋势，其年际变化率为-0.15%，空间异质性较为显著，可能是不同地域的气象和植被不同而造成的。另外，李丹利等^[29]发现在植被生长发育期的起始时间、长度及植被指数峰值的年际变化呈现出相似趋势, 植被EVI和NDVI数据表现出的植被生长动态较为相似，但在生长旺季，EVI比NDVI更加敏感，说明EVI与植被生育期的异同有着密切的关系，在今后的研究中需要更加关注。赫英明等^[30]发现，生长季(春、夏季)的植被增加较其他季节更显著，植被EVI的增长速率季节排序为冬季＜秋季＜春季＜夏季。我国植被覆盖空间变化特征总体上呈现出增加趋势，但呈现显著的空间异质性。

另外，研究区域2005—2019年各环境因子对EVI的影响程度排序为:年平均降水量＞干燥度指数＞植被类型＞地貌类型＞≥10 ℃积温＞土壤类型＞坡度＞年平均气温＞高程＞坡向。其中，年平均降水量和干燥度指数的解释力均在40%以上，是影响EVI变化的主要因子。和马浩^[26]的研究结果一致，植被EVI与降水和气温都呈现出正相关关系，且呈正相关关系的面积比例分别为69.50%和60.67%，植被受降水的影响大于气温。王虎威等^[27]发现, 基于年尺度的植被EVI与温度呈负相关关系，与降水呈正相关关系，而基于月尺度的植被EVI与气温呈正相关关系，降雨量对EVI变化存在一个阈值。何奕萱等^[28]发现，生长季的红河流域植被EVI与降水有着明显的正相关关系，与气温则为负相关关系。降水主要为正向驱动型，气温主要为负向驱动型，降水和气温联合主要为弱驱动。而受非气候因子驱动的区域占大部分。陈旭等^[31]发现，石漠化和非石漠化地区的植被EVI均与降水量呈现显著相关性。李伟光等^[32]同样发现相似结论。因此，在今后的研究中，需要重点关注该地区降雨的变化动态，以期更好地掌握EVI发展态势。各环境因子对陕北地区EVI变化的影响存在相互增强和非线性增强交互关系。与彭文甫等^[33]的研究结果相同。今后应该重点关注影响EVI变化的主要环境因子，为陕北地区生态修复可持续性奠定基础。