黄河流域内蒙古段植被对气候和土地利用变化的动态响应

摘要

中国黄河流域（YRB）的生态保护和高质量开发引起了中国中央政府的高度关注，并已成为一项重大的国家战略。黄河流域内蒙古河段（IM-YRB）是一个典型的旱地，通过近年来实施的生态工程，植被得到了普遍恢复。然而，气候变化和人类活动，例如土地利用和土地覆盖的变化，如何共同影响该地区的植被变化，仍然知之甚少。在这里，我们使用一种可解释的机器学习技术，评估了核归一化差异植被指数（kNDVI）与气温、降雨量、土壤湿度和LULC变化之间的联系，以及这四个驱动因素对观测到的植被变化的相关边际贡献。由于草地在区域LULC中起着关键作用，因此选择像素级草地分数作为定量LULC变量。我们发现，研究区大部分地区的kNDVI年际变化对温度负敏感，对降水和土壤水分正敏感，面积分数分别为71.74%、96.93%和89.33%。kNDVI对LULC的负敏感性面积分数大致相当于kNDVI阳性敏感性面积分数。气温、降水、土壤湿度和LULC对总kNDVI变化的贡献分别为21.54%、33.32%、32.19%和12.95%。水分条件在植被变化中也起着关键作用，这反映在kNDVI的波动增长作为降水的年际变化。然而，kNDVI变化也受到LULC的影响，LULC成为IM-YRB上贫瘠草原恢复区kNDVI异常的主导因素。本研究为气候变化影响下的旱地植被恢复提供了理论支持。

1.简介

植被在调节土地与大气在能量、水、碳和动量方面的交换方面起着至关重要的作用，并提供关键的生态系统服务[1,2,三,4]. 植被覆盖的变化会影响全球碳和水循环，从而影响气候模式[5,6]. 植被变化是由同时发生的气候异常和环境变化驱动的[4,7,8]以及人类活动，如土地利用和土地覆盖变化（LULC）[9,10,11]. 具体而言，土地覆盖变化与植被条件的变化密切相关，植被条件被视为陆地生态系统生产力背后的主要驱动因素之一[11]. 因此，深入了解植被变化及其与气候和人为驱动因素的相关相互作用，对于描述和预测气候变化下的植被动态以及制定有效的政策和战略以促进环境保护和可持续性至关重要。

越来越多的遥感植被指数使监测植被动态成为可能，例如NDVI（归一化差异植被指数）[12]，LAI（叶面积指数）[13]EVI（增强植被指数）[14]、NPP（净初级生产力）[15]，kNDVI（内核归一化差异植被指数）[16]等等。基于对不同尺度植被变化的遥感测量，自那时以来出现了大量研究，旨在加强人类对植被变化背后的驱动因素及其对气候变化的响应的理解[2,4,6,17,18]. 首先，全球植被的分布受到降水或降雨模式的强烈控制[18,19]. 气候变暖对植被变化或植物物候也有重要影响[2,5,20]. 同时，随着蒸散量的增加，温度升高加剧了干旱[15]. Zhang等人使用自相关多元线性回归拟合NPP和气象要素[4]评估了青藏高原气候变化下的植被动态。Higgins等人[20]表现出植被对干热地区土壤水分变化和低温地区温度变化的响应。然而，由于复杂驱动因素和人类干扰的复合影响，以及这些驱动因素的空间异质性，人们对动态植被对环境变量和人类活动的响应的归因还知之甚少。

生态脆弱地区的植被变化已引起普遍关注[4,21,22,23]. 旱地上的植被变化对气候变化和人类干扰高度敏感[24,25]. 全球变暖通常会扩大现有的水分条件空间格局，导致旱地变得更加干燥[26]. 然而，近几十年来，卫星观测显示旱地植被覆盖率呈显著的积极趋势[7,23]. 除了“干旱变干”以外，降水量增加，人类活动也有可能推动旱地植被覆盖的增长[23,25,27]. 例如，印度、华北平原、美国大平原和澳大利亚东南部都经历了密集的农业扩张，而中国北部和西部的半干旱或半湿润地区也实施了大规模的生态恢复计划[28,29]. 为了揭示人类和自然因素之间的相互作用及其对区域尺度植被覆盖变化的影响，人们付出了巨大的努力[30,31,32]. 然而，人为土地利用变化的巨大影响使得人类与环境的关系成为理解这些植被变化背后驱动因素的巨大挑战。

可采用可变方法来处理植被对气候变化和LULC的动态响应。Zhu等人[8]使用基于过程的生态系统模型和最佳指纹法来评估气候变化和LULC对全球LAI变化的不同影响。使用残差法，Li等人[30]中国黄土高原植被变化的定量人类贡献。基于二元回归或机器学习技术的非线性拟合植被动力学进一步改进了该残差方法[33,34]. 基于过程的方法很难操作，模型本身、数据和规模具有相当大的不确定性[34]. 同时，残差法易于使用。然而，可变植被-气候在空间和时间上的关系导致残余沉积物高估了人类对植被变化的贡献[35]. 相比之下，机器学习方法可以很好地捕捉植被和驾驶员之间的非线性关系[13].

黄河流域内蒙古河段（IM-YRB）是典型的旱地，近几十年来经历了成功的植被恢复[32]. 生态保护政策显著改变了土地覆盖类型。然而，考虑到气候影响，LULC对植被动态的贡献没有直接评估。在这里，将kNDVI作为植被指标，我们尝试使用可解释的机器学习方法将植被变化归因于2000-2020年期间的气候和LULC变化[36]. 因此，本文的目的是：（1）表征IM-YRB期间的LULC和植被变化；（2） 量化植被变化对气候因素和LULC的敏感性；（3）区分气候和LULC变化对植被变化的边际贡献。本研究强调了LULC对气候变化下植被覆盖变化的影响，为IM-YRB的生态保护提供了理论依据。

2.材料和方法

2.1. 研究区域

IM-YRB（东经106°34′-112°78′，北纬39°09′-41°84′）位于中国黄河流域和黄土高原的最北部，面积约96000公里²(图1). IM-YRB是一个典型的具有高度生态脆弱性的农牧交错带，自2000年代初以来一直在进行植被恢复。IM-YRB也位于东亚季风的西北端。气候半干旱，年平均降水量297.25mm，年降水量由东南向西北递减。IM-YRB中部的农田依赖黄河水资源和地下水灌溉，有两个灌溉区，即河套和土磨川。山脉和高原被草原和荒地所占据。

2.2. 数据

2.2.1. 遥感数据

为了描述生态保护政策实施后LULC和植被的变化，我们选择了2000-2020年期间的数据。中国年度土地覆盖产品（CLCD）来源于https://doi.org/10.5281/zenodo.5816591（版本1.0.1）[37]. 共有八个土地覆盖类别：农田、森林、灌木、草地、水、荒地、不透水和湿地，空间分辨率为30m。为了减少冗余，森林和灌木被划分为一个土地覆盖类型，水和湿地类别也进行了相同的分类(图1a） ●●●●。

NDVI是一种被广泛用于量化植被生物量的植被指标[18]. 我们使用了时间分辨率为16天、空间分辨率为500 m的无云空间复合材料（MOD13A1.061）(https://lpdaac.usgs.gov/products/mod13a1v061/，于2022年12月26日访问）。使用谷歌地球引擎（GEE），将16天的综合NDVI作为月平均值进行处理，空间分辨率为1 km。

此外，我们还从https://www.gscloud.cn/，于2022年12月26日查阅。

2.2.2. 气候数据

我们从https://doi.org/10.5281/zenodo.5111989，于2022年12月26日访问，空间分辨率确定为1 km[38]. 该数据集使用高斯过程回归（GPR）方法和现场观测进行空间插值。月降雨量数据来源于https://doi.org/10.11922/sciencedb.01607，于2022年12月26日访问，空间分辨率为1 km[39]. 该数据集内插了从中国2400多个气象站收集的现场观测降水数据。使用anusplin4.4进行空间插值[40]. 土壤水分数据来源于http://data.tpdc.ac.cn/zh-hans/data/49b22de9-5d85-44f2-a7d5-a1ccd17086d2/，于2022年12月26日访问，空间分辨率为1 km[41]. 根据中国气象局的数据，使用随机森林模型开发了10层土壤水分数据。我们处理了土壤水分从日到月的时间尺度和0到100 cm深度的平均土壤水分。2000年至2020年，温度、降雨量和土壤湿度数据与遥感数据所涵盖的时间相同。

2.3. 方法

2.3.1. LULC分析

我们评估了2000-2020年期间研究区域LULC的变化。在此，我们展示了2000年至2020年期间的两个典型LULC转换：（1）农田废弃/扩展；荒地草地恢复。

为了提取农田废弃网格，我们对以下区域的农田数据进行了空间分析$\mathrm{<trans\; data-src="y">年</trans>}\mathrm{<trans\; data-src="e">e（电子）</trans>}\mathrm{<trans\; data-src="a">一</trans>}{\mathrm{<trans\; data-src="r">第页</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}}$和$\mathrm{<trans\; data-src="y">年</trans>}\mathrm{<trans\; data-src="e">e（电子）</trans>}\mathrm{<trans\; data-src="a">一</trans>}{\mathrm{<trans\; data-src="r">第页</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}<trans\; data-src="+">+</trans>\mathrm{<trans\; data-src="1">1</trans>}}$(我= 2000, …, 2019). 我们确定了农田废弃网格，其中农田被转换为其他土地覆盖类别，废弃年份为$\mathrm{<trans\; data-src="y">年</trans>}\mathrm{<trans\; data-src="e">e（电子）</trans>}\mathrm{<trans\; data-src="a">一</trans>}{\mathrm{<trans\; data-src="r">第页</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}<trans\; data-src="+">+</trans>\mathrm{<trans\; data-src="1">1</trans>}}$类似地，提取了草地恢复/耕地扩展网格，其中其他土地覆盖类别转换为草地/耕地，扩展年份为$\mathrm{<trans\; data-src="y">年</trans>}\mathrm{<trans\; data-src="e">e（电子）</trans>}\mathrm{<trans\; data-src="a">一</trans>}{\mathrm{<trans\; data-src="r">第页</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}<trans\; data-src="+">+</trans>\mathrm{<trans\; data-src="1">1</trans>}}$值得注意的是，一些电网经历了多次农田废弃/扩建。在本研究中，我们仅基于研究区域上一次农田废弃/扩展展示了这一空间过程。

在IM-YRB中，草地转化在区域LULC变化中起着重要作用[42]. 因此，采用1km×1km网格中的草地面积分数来量化2000-2020年期间LULC的变化。基于网格的草地面积分数可以描述草地和其他土地覆盖类别之间的土地覆盖转换，例如，网格单元中增加的草地分数要么表示废弃农田，要么表示植被从贫瘠恢复。该过程获得了与植被数据和气候数据具有相同空间分辨率的定量时间序列LULC数据。

2.3.2. 植被变化

利用kNDVI（NDVI的非线性推广）分析了植被动态[16]:

$$\mathrm{<trans\; data-src="kNDVI">kNDVI公司</trans>}<trans\; data-src="=">=</trans>\mathrm{<trans\; data-src="tanh">坦纳</trans>}\left({\mathrm{<trans\; data-src="NDVI">NDVI公司</trans>}}^{\mathrm{<trans\; data-src="2">2</trans>}}\right)$$

(1)

最近，kNDVI被提议作为生态系统生产力的有力替代物[16]. 据记载，kNDVI与初级生产力关系更密切，能够抵抗饱和度、偏差和复杂的物候周期，并且与NDVI等替代产品相比，它具有更强的抗噪声和稳定性[43].

生长季节植被的年际变化特征为平均kNDVI。根据植被指数和基于卫星的酚学产品获得的地表酚学数据(https://vip.arizona.edu/，于2022年12月26日访问），作物的长期生长季持续时间近150天，特别是该研究区域的自然植被超过210天。因此，采用4月至10月期间的平均kNDVI来表征2000-2020年期间的植被年际变化。随后对同一生长季进行了分析。

我们评估了kNDVI年际变化中的Mann-Kendall趋势。Mann–Kendall趋势检验是一种非参数技术，通常用于检测时间序列中的单调趋势。在这项研究中第页  <  0.05被认为具有统计学意义。基于每个网格的线性模型斜率，我们计算了2000年至2020年kNDVI的拟合变化，如方程（2）所示。然后将这些值与2000年的kNDVI进行比较，以显示这一时期的植被变化。

$${\mathrm{<trans\; data-src="kNDVI">新冠病毒感染指数</trans>}}_{\mathrm{<trans\; data-src="p">第页</trans>}<trans\; data-src=",">,</trans>\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}<trans\; data-src="=">=</trans>\frac{{\mathrm{<trans\; data-src="slope">斜坡</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}<trans\; data-src="\times ">\times </trans>\mathrm{<trans\; data-src="20">20</trans>}}{{\mathrm{<trans\; data-src="kNDVI">kNDVI公司</trans>}}_{\mathrm{<trans\; data-src="2000">2000</trans>}<trans\; data-src=",">,</trans>\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}}<trans\; data-src="\times ">\times </trans>\mathrm{<trans\; data-src="100">100</trans>}<trans\; data-src="\%">\%</trans><trans\; data-src=",">,</trans>$$

(2)

哪里${\mathrm{<trans\; data-src="kNDVI">kNDVI公司</trans>}}_{\mathrm{<trans\; data-src="p">第页</trans>}<trans\; data-src=",">,</trans>\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}$表示kNDVI变化到2000的百分比，${\mathrm{<trans\; data-src="slope">斜坡</trans>}}_{\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}$和${\mathrm{<trans\; data-src="kNDVI">kNDVI公司</trans>}}_{\mathrm{<trans\; data-src="2000">2000</trans>}<trans\; data-src=",">,</trans>\mathrm{<trans\; data-src="i">我</trans>}\mathrm{<trans\; data-src="j">j个</trans>}}$分别是2000年至2020年线性模型的斜率和每个网格2000年的kNDVI值。

2.3.3. 植被变化的属性和敏感性

在本研究中，我们将kNDVI变化归因于2000-2020年生长季期间温度、降水量、土壤水分和LULC的变化。一种可解释的机器学习方法[36]用于评估kNDVI和这些变量之间的关系。为了消除可用的长期趋势，我们从每个变量中减去长期平均信号。以生长季平均kNDVI异常为目标变量，以每个1km×1km网格中相应的生长季平均温度、降水量、土壤水分和草地比例异常为预测因子。

我们训练了随机森林（RF）模型并应用了SHapley Additive exPlanations（SHAP）[13,44]筛选出每个预测因子对目标变量的边际贡献。为了训练核心网格单元的RF模型，我们收集了2000-2020年期间一个网格单元和周围网格单元（3×3形状）的所有预测和目标数据。

我们利用植被对气候和LULC因子的敏感性评估了植被对气候与土地利用变化的动态响应。我们将kNDVI敏感性定义为根据Theil–Sen回归估计的kNDVI的SHAP依赖性和每个预测因子的异常之间的斜率，假设kNDVI和每个预测子之间的网格单元级相互作用呈线性[45]. 每个变量的总体SHAP值反映了其对kNDVI动态的贡献。最后一步是对绝对SHAP值进行排序，以评估这四个变量对每个网格上观察到的kNDVI异常的总体重要性。这些模型是在Python 3.10环境中实现的。

3.结果

3.1. 2000年至2020年IM-YRB的LULC变化

根据CLCD 2020年的数据，研究区域的主要LULC类别为草地、农田和荒地，分别占总土地面积的58.50%、24.60%和11.69%。不透水、森林、灌木、湿地和水仅占该地区的5.21%。为了证明LULC的时间变化，我们提取了2000-2020年期间这些类别的百分比作为LULC系列(图2).

图2显示了2000年代出现的草地增加和贫瘠减少，这是研究区域LULC的显著变化。2000年和2020年的LULC数据表明，3571.50公里²土地面积由贫瘠变为植被，占2000年贫瘠土地的24.47%，占整个研究面积的3.71%。同时，2000年至2020年，研究区域的主要土地类型耕地变化显著。2000年启动的“退耕还林”战略推动了土地从坡耕地向森林和草地的转变。然而，低洼地区的耕地继续缓慢而逐渐地扩大。同时，从2000年到2020年，城市化使不透水面积增加了>140%（1.17~2.81%）。因此，2000年和2020年耕地分别占总面积的24.39%和24.60%。

2000-2020年期间草地恢复和农田废弃/扩展的空间格局表明，黄河南岸和IM-YRB西部的土地从贫瘠变为草地(图3). 描述了两个典型区域作为示例，以显示空间细节(图3b、 e）。颜色的色调表示草原恢复和农田废弃/扩展发生的年份。深色代表较早的年份，浅色代表较新的年份。然而，草原面积的增加被其他土地转换所抵消，例如农田扩张，导致草原的扩张有限。

耕地面积的变化(图2)可以归因于研究地区农田的废弃和扩张(图3d–f）。大部分农田扩张发生在灌区外围。与此同时，远离灌区的大量农田被废弃。退耕地面积和扩展面积的差异导致了耕地面积的净增加或减少。根据SRTM数据，2000-2020年期间，耕地扩展区的平均坡度为2.06°，而耕地废弃区的平均边坡分别为3.47°。这一现象表明了耕地集中化的趋势，而不是进一步的分割。这反映了“退耕还林”战略的直接结果，也可能与坡耕地土壤肥力下降有关。

3.2. 植被变化的时空格局

基于2000-2020年期间kNDVI的线性变化，提出了与2000年kNDVI值相比的拟合植被变化，以显示植被时间变化的空间分布(图4和图S1).

我们发现在2000-2020年期间，研究区域的kNDVI总体上显著增加。在河套灌区周围的农田扩展区、土默川灌区东部和研究区东南部的农田废弃区，可以检测到kNDVI的高变化幅度(图S1). 虽然线性斜率相对较小(图S1)与2000年相比，kNDVI显著增加(图4)在研究区域的南部，由于植被恢复，土地从贫瘠或稀疏植被区转换为草地。

值得注意的是，灌溉区内稳定农田的kNDVI没有观察到显著变化，这是使用月度kNDVI变化进行调查的(图S2). 与自然植被不同，这里农田的生长季节是5月至9月。虽然农田kNDVI在7月和8月显著增加(图S2)生长季期间的平均kNDVI没有显著增加。因此，这些kNDVI变化意味着这些作物的生长季节缩短。

3.3. kNDVI动态对气候和LULC的敏感性

与kNDVI对温度敏感度为正的区域（28.26%）相比，我们发现kNDVI负温度敏感度区域比例较高（71.74%）(图5a） ●●●●。同时，kNDVI阳性区域对降水敏感度（96.93%）和SM敏感度（89.33%）显著高于阴性区域(图5b、 c）。显著的敏感性(第页<0.05）表示温度增量对kNDVI动态的负面影响，反之亦然，分别占研究区域总面积的81.87%、91.94%和83.45%。草地分数作为LULC变量，正、负敏感性取决于不同的LULC转换。此外，83.35%的总面积显示出显著的敏感性(第页kNDVI动态对草地变化的影响。kNDVI对LULC的阴性敏感性百分比（49.62%）与阳性敏感性百分比（50.38%）大致相当。

北部和西部半干旱和干旱地区的自然植被区以及大多数农田对kNDVI变化表现出负敏感性。旱地自然植被经常遭受干旱胁迫，这与温度变化和水分条件密切相关。如前所述，灌溉农田上观察到的负敏感性可能是由生长季节缩短引起的第3.2节然而，仍有一些地区对温度表现出正的kNDVI敏感性，例如干旱程度较低的东南地区和东北地区的一些森林和灌木。

在不考虑变化幅度的情况下，kNDVI对降水和SM敏感性的空间模式被认为是相似的。对降水的积极敏感性表明，水资源在支持该半干旱和干旱地区的kNDVI方面发挥着重要作用。然而，这种敏感性在西部干旱自然植被中相对较小，在库布其沙漠中甚至为负值(图5b、 c），这是一个经过草地恢复的典型贫瘠沙地。这一特征在该地区和西北地区对SM的敏感性更为突出。kNDVI对降水和SM的负敏感性表明，植被恢复并非由于该干旱地区额外的水分补充所致。排除气候驱动因素，可以推断植被恢复主要由人类行为驱动。同时，还观察到人为植被恢复导致SM降低。

与温度、降水和SM不同，kNDVI对LULC的敏感性在空间上是零星的。kNDVI对草地动态的负敏感性主要与农田、森林和灌木向草地的土地覆盖转换有关。这些土地覆盖的kNDVI高于草地。在东北山区，与耕地增加相比，kNDVI对森林和灌木增加的负敏感性更强(图5d） ●●●●。另一方面，kNDVI对草地动态的正敏感性主要与草地恢复有关，包括西部的天然植被区和IM-YRB东南部的废弃农田。此外，在灌溉区内观察到的一些区域也具有积极的敏感性，这可能归因于建设用地的扩张。

此外，我们用kNDVI动力学对这四个变量进行了偏相关分析(图S3). 偏相关系数的分布与基于SHAP依赖性方法的总体kNDVI敏感性基本一致，确保了我们研究结果的可信度。

3.4. kNDVI动态对气候和LULC的归因

这里，我们量化了温度、降水量、SM和LULC对kNDVI变化的部分贡献(图6).图6强调降水、SM、温度和LULC分别是影响该研究区域kNDVI动态的第一、第二、第三和第四个重要因素。作为主导变量，图6a表明，这四个变量分别占总面积的55.94%、33.14%、6.44%和4.48%。基于这四个变量的总体SHAP值，我们发现温度、降水量、SM和LULC对2000-2020年期间观测到的kNDVI动态的贡献率分别为21.54%、33.32%、32.19%和12.95%。

研究区域大部分地区的植被变化受降雨量和SM变化的影响，分别占总面积的89.08%和76.14%，是第一和第二大驱动因素(图6a、 b）。降水对kNDVI变化的影响在大多数草地和农田中普遍存在。同时，SM对kNDVI变化的主要贡献主要集中在北部和东部地区(图6a） ●●●●。有趣的是，这个东北地区与山区的森林和灌木区相对应(图1a） 表明SM与kNDVI的相关性高于木本植被上的降雨量，而非草地。温度和LULC在图6c、 d，表明在整个研究区域内，与降水和SM相比，温度和LULC对kNDVI的贡献较低。

值得注意的是，即使是典型的农田废弃/扩展，降水和SM在东南部地区的kNDVI动态中仍起主导作用。这是由于每年农田弃耕/扩建面积的比例较小且破碎，以及弃耕前后农田和草地的kNDVI差异最小。为了进一步分析这一现象，我们提取了2000-2020年期间的kNDVI动态和降水变化，基于区域内废弃耕地、新耕地、稳定耕地和草地（1km×1km网格中面积比例>50%）的网格图3e、 如所示图7.

图7结果表明，弃耕地、新耕地、稳定耕地和草地的kNDVI动态与降水变化在时间上是一致的，这与降水的主导作用是一致的图6a.尽管降水量没有明显的增加趋势，但2000-2020年期间，所有kNDVIs均呈现波动增加趋势。然而，kNDVI系列线性拟合的斜率不同，表明LULC在降水变化的主要影响下的作用。稳定草地和稳定农田的坡度为0.0043（调整后的R²=0.7056）和0.0035（调整后R²=0.6131），表明该地区自然植被和作物的绿化率不受LULC的影响。稳定草地的较高绿化率意味着草地逐渐加厚。废弃耕地的坡度为0.0039（调整后的R²=0.6212），低于稳定草地，高于稳定农田。这被认为是由于农田废弃后草地灌丛化持续时间短于稳定草地所致。新耕地的坡度为0.0036（调整后的R²=0.6481），略高于稳定农田。这一发现被认为是由于土地覆盖变化前的草地绿化和随后的开垦而获得的。

与降水和SM的耦合影响相比，温度和LULC对kNDVI动态的明显影响集中在研究区域中部的农田和研究区域西部的草原上(图6a） ●●●●。这分别占kNDVI动态总面积的6.44%和18.01%，主要受温度影响，其次为温度影响，主要分布在灌区和库布其沙漠。此外，kNDVI动态总面积的4.48%和5.85%分别以LULC为主或次之，主要分布在库布其沙漠和研究区西部地区。LULC在kNDVI动态中起主导作用的区域与草地恢复的分布相一致。这主要归因于kNDVI从贫瘠到草原的显著增加。LULC在kNDVI动态中的作用被认为比降水更重要，这表明人类活动对这些干旱地区植被恢复的影响可能比自然植被恢复更大。

4.讨论

4.1. 植被变化归因中LULC的量化

自2000年代初以来，中国黄土高原的植被覆盖率显著增加[31,46]. 本研究观察了IM-YRB内荒地和农田的草地恢复情况，导致kNDVI普遍增加。这些变化意味着近20年来人类活动在植被动态中留下了深刻的印记。在这里，我们提取了网格水平上草地比例的变化，以评估气候和LULC因素对植被动态的分数贡献。我们发现，研究区kNDVI变化对总面积的83.35%以上的LULC显著敏感，草地变化对kNDVI动态的贡献率为12.95%。因此，在属性分析中使用高分辨率时空数据量化LULC有助于更好地评估人类活动对植被动态的影响。

不同于间接残差分析法的人类活动对植被覆盖变化的影响[30,34,47,48]，我们的方法直接确定了气候因素和LULC对植被变化的边际贡献。同时，我们还区分了kNDVI动态对LULC和其他气候变量的敏感性。我们发现，LULC对该研究区kNDVI年际变化的总贡献率为12.95%，低于人类活动对黄土高原植被变化的贡献[30,48].

4.2. 植被变化对气候因素的敏感性

在此，我们使用SHAP依赖性方法分析了kNDVI变化对气候因素和LULC的总体敏感性，发现该研究区域大多数地区的kNDVI年际变化对温度呈负敏感性，但对降水和土壤水分呈正敏感性。这些发现与之前在旱地进行的研究一致[49,50,51]. 同时，值得注意的是，23.14%的总面积对温度表现出显著的正kNDVI敏感性。一般来说，在干旱条件下，温度对地表SM有负面影响[52]从而对植被生长产生负面影响。然而，当根区相对较深时，如东南部地区和本研究区域东北部的一些森林和灌木，植被生长的额外深SM将减轻这种影响。

在西部草原和研究区贫瘠地区，我们观察到kNDVI变化对SM的负敏感性。考虑到该地区kNDVI的总体增长(图4)，这种负敏感性表明SM减少。以前的研究已经讨论了植被恢复对区域SM赤字的潜在影响[21,53,54]. 在植被恢复和气候变暖的背景下，对降雨量具有正敏感性和对SM具有负敏感性的地区表明，额外的降雨量可能不足以满足近20年来增加的蒸散量的需求。相比之下，对降水和SM都具有负敏感性的地区的植被可能更脆弱。

4.3. 水分条件和LULC下kNDVI的不同增加

基于可解释的机器学习方法，我们评估了温度、降水、SM和LULC对区域kNDVI动态的归因。我们表明，kNDVI的增加主要是由该研究区域2000-2020年期间的降雨量变化驱动的[46,48]. 降水对kNDVI的影响类似于植被的结构超调[12,55]. 结构超调表明，过去有利的气候条件可能刺激植被生长，使其超过生态系统的承载能力，使其容易受到气候压力的影响。尽管kNDVI短暂下降，但我们的研究区域呈现出整体上升趋势。例如，2011年和2015年的突然干旱导致kNDVI急剧下降，而2012年和2016年的kNDVI增幅甚至高于之前(图7). 这一现象表明，过去20年来，植被具有恢复力，土地承载能力足以满足植被生长。然而，在未来气候变化下，这种弹性可能会下降[43]或作为持续的植被生长。基于CMIP6的研究表明，未来几十年该地区的降水量有增加的趋势[56,57]. 在过去20年里，东部地区的草地、森林或灌木丛中的植被可能还没有达到群落的顶峰。因此，我们预计未来kNDVI可能会继续增长。

kNDVI的增加受到LULC的影响，这在农田废弃或扩张的地区很常见。除了稳定草地和稳定农田中kNDVI增加的明显坡度外，这些发现还突出了农田废弃/扩展对kNDVI增长坡度的影响。具体而言，退耕地kNDVI增加的斜率低于稳定草地，高于稳定农田。然而，具体值取决于耕地废弃的平均年份，由于每年的耕地废弃面积比例较小且破碎，因此我们没有定量提取。kNDVI的空间分辨率（1 km×1 km）进一步加剧了这一困难。此外，不同的废弃或扩建年份给相应电网的kNDVI增加平均斜率带来了不确定性图7.

基于气候和LULC变化对该研究区域植被的不同影响结果，我们建议西部干旱地区的人为植被恢复应密切关注SM的变化。同时，进一步的研究应侧重于旱地降雨量突然下降后植被的恢复能力。

5.结论

随着生态工程的实施，近几十年来，中国IM-YRB的植被覆盖率有所增加。基于可解释机器学习技术和SHapley加性展开（SHAP），我们评估了kNDVI与温度、降水、SM和LULC异常之间的关系。在该模型中，由于草地在研究区LULC变化中起着关键作用，因此选择了像素级的草地面积分数来定量描述LULC变化。我们获得了以下有趣且重要的发现：

(1)

kNDVI动力学对降水和SM的总体敏感性为正，而对温度的总体敏感性则为负，面积分数分别为96.93%、89.33%和71.74%。然而，在一些西部草原和贫瘠地区也观察到相反的敏感性；

(2)

温度、降水、土壤水分和LULC对kNDVI异常的贡献率分别为21.54%、33.32%、32.19%和12.95%。作为主要因素，降水量的增加意味着植被的恢复力和过去20年对植被生长的足够土地承载力；

(3)

kNDVI增加的不同斜率表明，降水在植被动态中的主导作用也受到LULC的影响，特别是在耕地废弃/扩张的地区。在西部干旱地区，人类土地利用成为影响kNDVI异常的主要因素。然而，我们应该密切关注SM的变化。