植被覆盖度(Fractional Vegetation Cover，FVC)是指植被在地面的垂直投影面积占统计区总面积的百分比^[1]，是表征地表植被健康状况的关键指标^[2]。良好的植被覆盖度对遏制水土流失、维持生态系统稳定具有重要的指示意义^[3]，在生态脆弱、石漠化风险突出的喀斯特区尤为关键。近年来，得益于国家重大生态修复工程的持续推进，西南喀斯特区已成为全球植被“变绿”的热点区域之一^[4]，其植被动态受到广泛关注。与此同时，谷歌地球引擎(Google Earth Engine，GEE)云计算平台的快速发展^[5-6]，极大地提升了长时序、大尺度植被遥感数据的获取与处理效率，为深入揭示喀斯特区植被变化提供了强有力的技术支撑^[7]。在此背景下，对西南喀斯特区长时间序列FVC进行监测，对理解区域生态恢复过程、评估生态工程实施成效具有重要意义。

当前关于FVC的研究主要集中在空间分布特征及驱动因素分析。FVC变化是自然环境和人类活动在特定时空尺度上相互作用的结果。在干旱、半干旱区的黄河流域甘肃段，降水量、植被类型与土壤条件是影响FVC的主导因素^[8]；而在黄土高原，尽管地形与气候亦发挥作用，但人类活动是植被动态变化的主要驱动因素^[9]。在西南地区，相关研究进一步揭示了FVC驱动因素的差异: 广西低海拔区的FVC格局主要受地形和土地利用类型的影响^[10]；川西地区则受高程与土地利用类型的约束^[11]；而在云贵高原，相关研究强调FVC演变受气候条件与石漠化治理工程的双重驱动，适宜的气候条件放大了生态工程的修复效益^[12-13]。然而，现有研究仍存在以下不足：一方面，多数研究关注FVC线性增长趋势，较少探究植被恢复稳定性与持续性，而这对防范生态退化风险至关重要；另一方面，针对西南喀斯特区这一脆弱单元的精细化研究，特别是多因子协同驱动机制的动态识别亟待进行系统性分析。

西南喀斯特区地处长江与珠江上游，是国家生态安全屏障的关键构成^[14-15]，对筑牢西部及两江上游生态屏障具有基础性、主体性作用^[16]。然而，广泛发育的喀斯特地貌会导致该区域生态环境脆弱、人地矛盾突出，极大程度制约着植被生长^[17-18]，使其长期成为生态修复的重点区域^[19]。21世纪以来，以植被恢复与水土保持为核心的石漠化治理工程持续推进，区域生态环境得到显著改善，初步遏制了石漠化扩展趋势^[20-21]。在此背景下，需要进一步探究西南喀斯特区FVC的时空变化特征、恢复过程的稳定性与未来演变的持续性，以及其驱动因素的阶段性动态变化规律。

本研究以西南喀斯特区为对象，基于GEE云计算平台和2000—2024年中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer，MODIS)的归一化植被指数(Normalized Difference Vegetation Index，NDVI)遥感影像，系统分析西南喀斯特区FVC的动态变化与影响因素，研究内容包括：(1)揭示FVC的时空变化特征；(2)结合Theil-Sen Median趋势分析和Mann-Kendall显著性检验探究FVC的动态变化，同时利用变异系数(Coefficient of Variation，CV)检验稳定性，识别不稳定区域；(3)运用Hurst指数预测FVC未来变化的持续性，识别持续改善与潜在退化区域；(4)利用地理探测器量化自然因子与人为因子对FVC的驱动效应及交互作用。本研究旨在为西南喀斯特区生态恢复成效评估与差异化治理策略制定提供理论参考。

1 材料与方法 1.1 研究区概况

西南喀斯特区(20°54′-34°19′N，97°21′-112°04′E)包括重庆、四川、贵州、云南、广西，研究区地势呈西北高、东南低的趋势(图 1)。地貌类型复杂多样，主要由西北的横断山脉、东北的四川盆地、中部的云贵高原以及东南部的丘陵组成^[22]。气候类型多样，垂直差异显著，分布有热带季风气候、亚热带季风气候及高原山地气候等，年降水量为340—2 300 mm^[23]。人口分布不均，主要集中分布于东部。该区域是典型的生态脆弱区，植被不连续、土层浅薄、抗干扰能力弱^[24]，加上不合理的人类活动，引发了水土流失、土壤侵蚀及土地石漠化等一系列生态问题^[25]。

1.2 数据来源

本研究采用的多源数据如表 1所示。时间跨度为2000—2024年，完整覆盖了西南喀斯特区大规模生态修复工程的实施期，有助于揭示自然因素与人类活动的影响并捕捉植被的最新动态。其中，NDVI数据来源于GEE云计算平台的MOD13Q1产品，该产品以16 d为合成周期提供250 m空间分辨率的NDVI数据，能够较好地反映区域植被的覆盖度和生长状况。数字高程模型(Digital Elevation Model，DEM)数据来源于地理空间数据云，分辨率为30 m，基于DEM提取坡度和坡向数据。降水量、气温、潜在蒸散发、夜间灯光数据来源于国家青藏高原科学数据中心，分辨率为1 km。人口密度数据来源于美国能源部橡树岭国家实验室开发的LandScan人口数据集，分辨率为1 km。土地利用数据来自中国科学院资源环境科学数据平台，分辨率为30 m。

1.3 方法 1.3.1 像元二分模型

FVC作为量化地表植被状态的核心参数，通常基于NDVI并利用像元二分模型进行反演^[26]。计算公式如下：

$ F=\frac{N-N_{\text {soil }}}{N_{\text {veg }}-N_{\text {soil }}}, $

式中，F为FVC值；N为遥感影像上的实际NDVI值；N_soil为裸土或无植被覆盖区域的NDVI值；N_veg为植被完全覆盖区域的NDVI值，参考任雨航等^[27]的研究，以区域内NDVI累积频率为5%和95%处的NDVI值分别代表N_soil和N_veg。参考杨莎莎等^[28]的研究，将西南喀斯特FVC划分为5个类型：极低(FVC < 0.1)、低(0.1≤FVC < 0.3)、中(0.3≤FVC < 0.5)、中高(0.5≤FVC < 0.7)、高(FVC≥0.7)。

1.3.2 FVC变化趋势分析

采用Theil-Sen Median趋势分析和Mann-Kendall显著性检验对西南喀斯特区2000—2024年FVC的变化趋势进行计算。Theil-Sen Median趋势分析是一种能有效减小噪声与异常值影响的稳健非参数统计方法，适用于长时间序列的分析^[29]。计算公式如下：

$ \beta=\operatorname{Median}\left(\frac{X_i-X_j}{i-j}\right), $

式中，X_i和X_j分别为第i年和第j年的FVC值；Median为序列中位数。β>0表示FVC呈上升趋势，β < 0表示FVC呈下降趋势，β=0表示FVC基本保持不变。

通常将Theil-Sen Median趋势分析与Mann-Kendall显著性检验结合使用，以判断变化趋势是否显著。结合Theil-Sen Median趋势值β与Mann-kendall显著统计量Z值将FVC变化趋势划分为5类(表 2)。

1.3.3 FVC稳定性分析

基于变异系数(Coefficient of Variation，CV)分析西南喀斯特区FVC随时间变化的波动程度，CV值越高，表明FVC年际变化越大，稳定性越低。计算公式如下:

$ C V=\frac{\sigma}{\bar{x}} \times 100 \%, $

式中，σ表示FVC的标准差，x表示FVC的均值。参考王懋源等^[30]的研究，根据数据的分布特征，采用自然断点分级法将稳定性划分为5个等级：低波动(0≤CV＜0.211 3)、较低波动(0.211 3≤CV＜0.672 4)、中等波动(0.672 4≤CV＜1.786 7)、较高波动(1.786 7≤CV＜3.573 4)、高波动(CV≥3.573 4)。

1.3.4 FVC持续性分析

利用Hurst指数分析西南喀斯特区FVC未来变化的持续性。采用重标极差法计算Hurst指数，取值范围为0—1，该指数目前被广泛应用于气象、生态等领域，用于预测长时间序列未来变化趋势^[31]。具体计算过程参考张永成等^[32]的研究。结合Theil-Sen Median趋势分析及Hurst指数将FVC长时间序列未来变化趋势划分为4类：持续改善(β>0，Hurst>0.5)、未来改善(β < 0，Hurst < 0.5)、持续退化(β < 0，Hurst>0.5)、未来退化(β>0，Hurst < 0.5)。

1.3.5 地理探测器

空间分异性是地理现象的基本特点之一。地理探测器是一种通过空间分异性分析揭示地理现象形成机制，并量化多因子交互效应的统计学方法^[33]。利用因子探测器和交互探测器分别评估单个因素对目标变量的影响程度及两个因素相互作用的影响，选取气象因子[降水量(X₁)、气温(X₂)、潜在蒸散发(X₃)]、地形因子[高程(X₄)、坡度(X₅)、坡向(X₆)]、人类活动因子[土地利用(X₇)、人口密度(X₈)、夜间灯光(X₉)]作为自变量，并将5个代表年份(2000、2005、2010、2015、2020年)的FVC值作为因变量。

(1) 因子探测器可探测因变量的空间分异性，并评估自变量对其的解释力(q值)。q值的范围为0—1，其值越大，表明自变量X对因变量Y的解释力越强。计算公式如下：

$ q=1-\frac{\sum\limits_{h=1}^L N_h \sigma_h^2}{N \sigma^2}, $

式中，h=1, …, L表示自变量X的分层数；N_h和N分别为分层h和整个研究区的总样本数；σ_h²和σ²分别为分层h和整个研究区Y值的方差。

(2) 交互探测器可探究不同因子交互作用时对因变量的影响(增强、减弱或相互独立)，以明确因子间的交互作用类型。具体类型可分为5类(表 3)。

2 结果与分析 2.1 FVC时空变化特征 2.1.1 FVC时间变化

2000—2024年，西南喀斯特区FVC总体呈现波动上升趋势，年均上升速率为0.33%；FVC最小值出现在2003年(0.55)，最大值出现在2023年(0.66)[图 2(a)]。整个研究期内，FVC为0.55—0.66，多年平均值为0.61，反映该区域FVC处于中等水平。2000—2003年，FVC从0.61下降至0.55；随后自2004年起逐步回升，并于2008、2013、2016、2018、2021年达到相对高值，2023年最高，这一整体上升趋势表明西南喀斯特区FVC状况整体趋于改善。从FVC的等级结构来看，极低FVC面积占比为3.58%—4.05%，变化幅度较小；高FVC面积占比呈持续波动上升趋势，而中FVC面积占比则相应下降[图 2(b)]，表明西南喀斯特区的FVC正逐步由中等水平向高等水平转化。

2.1.2 FVC空间变化

2000—2024年西南喀斯特区FVC呈明显的空间分异特征(图 3)。2000—2009年，FVC水平整体较低，低FVC区域广泛分布于西北部及中部，而高FVC区域分布较为分散。2010—2014年，中部部分区域低FVC类型减少；2015年后植被改善趋于稳定，高FVC类型逐渐增加，以中部地区改善最为明显，仅西北部等少数区域仍维持较低水平。2020—2024年，极低和低FVC区域明显缩减，高FVC区域在东部和南部显著扩张。整体上FVC由西北向东南延伸，并逐渐增大；高FVC区域稳定分布在东北部和东南部局部，低FVC区域则长期集中于西北部。

2.2 FVC变化趋势与稳定性分析 2.2.1 FVC变化趋势

2000—2024年西南喀斯特区FVC的变化趋势结果见图 4。β平均值为0.003 5，表明研究期间西南喀斯特区FVC整体呈上升趋势，其中高增长区分布于中部、北部及南部边缘；负增长区集中分布于西部和西北部局部。Mann-Kendall显著性检验进一步量化了变化趋势的统计显著性，各变化类型的面积占比排序为显著改善(35.02%)＞轻微改善(32.47%)＞轻微退化(20.28%)＞稳定不变(6.26%)＞显著退化(5.97%)。虽然西南喀斯特区整体上FVC值呈上升趋势，但是内部仍存在明显的空间异质性，其中显著改善区的空间分布与高增长区高度吻合，主要集中于中部地区；而退化区面积共计占比26.25%，以轻微退化为主，集中分布于西部和西北部地区。总体上，FVC呈现中部显著改善，西部及西北部局部退化的空间分异格局，显示出西南喀斯特区植被改善进程中的空间异质性。

2.2.2 FVC稳定性分析

2000—2024年西南喀斯特区FVC的稳定性分析结果(图 5)显示，CV均值为0.206 8，FVC在研究期内整体波动性较低。各稳定性类型的面积占比排序为低波动(74.96%)＞较低波动(22.67%)＞中等波动(1.67%)＞较高波动(0.46%)＞高波动(0.24%)。其中，低波动与较低波动等级的面积合计占比高达97.63%，表明研究期内绝大多数的FVC长期保持稳定。从空间分布来看，低波动及较低波动区域呈现大面积连续分布，尤其在东部、南部及中部地区分布最为集中；而中等及以上波动区域总占比不足2.50%，主要零星分布于西北部边缘。总体上，西南喀斯特区FVC在2000—2024年整体呈稳定趋势，且高FVC区域具有高稳定性。

2.3 FVC持续性分析

2000—2024年西南喀斯特区FVC变化趋势的持续性分析结果(图 6)表明，研究区绝大部分像元在未来具有较强的趋势持续性，Hurst指数均值为0.711 5，预示着过去的植被变化趋势在未来将得以延续。Hurst指数与Theil-Sen Median趋势分析的进一步分析显示，各变化类型的面积占比排序为持续改善(70.60%)＞持续退化(25.12%)＞未来退化(2.52%)＞未来改善(1.76%)。其中，持续改善类型面积占比最大，其空间分布广泛，在中部、东部及南部形成大面积连片区域，与前期识别的显著改善区高度重合，表明生态恢复成效具备良好的可持续性。持续退化类型作为主要的持续性类型，分布于西北部及中部部分区域，表明已改善区域未来仍存在逆转的潜在风险。总体而言，研究区FVC的未来变化以持续改善为主，但局部仍存在不确定性。

2.4 FVC影响因素分析 2.4.1 单因子探测

单因子探测结果(表 4)表明，所有探测因子均通过显著性检验。在整个研究期内，人口密度(X₈)的解释力在多数年份居于前列，并于2005年达到峰值(q=0.138 5)；土地利用(X₇)的解释力整体呈增强的趋势，q值从2000年的0.015 0上升至2020年的0.071 8，反映出土地利用方式的转变对FVC的驱动作用日益凸显；气候因子中，气温(X₂)与潜在蒸散发(X₃)的解释力也持续处于较高水平，是影响FVC的重要气候条件。总体而言，人口密度、气温、潜在蒸散发和土地利用是主要驱动因子。

2.4.2 交互探测

基于地理探测器的多因子交互探测结果(图 7)显示，任意两因子交互的q值大于单因子，呈现增强和非线性增强的特征，表明西南喀斯特区FVC的空间分异性主要由多因子协同驱动，且具有明显的时间演变特征。2000年，交互作用最强的组合是气温与土地利用(q=0.183 6)；2005年，土地利用与人口密度的交互作用上升(q=0.210 6)；2010年，气温与土地利用的交互作用达到峰值(q=0.227 1)，同时，土地利用与人口密度(q=0.217 7)、潜在蒸散发与土地利用(q=0.214 5)、高程与土地利用(q=0.213 6)的交互作用也表现突出；2015年后，各主导交互因子的q值回落并趋于均衡；至2020年，降水量与潜在蒸散发的交互作用(q=0.156 3)升至首位，而潜在蒸散发与人口密度(q=0.155 0)、潜在蒸散发与土地利用(q=0.153 2)的交互作用相近，共同构成了区域FVC变化的重要驱动力。这表明在植被覆盖达到较高水平后，研究区FVC空间格局的维持更多地受区域降水与潜在蒸散发等自然气候条件的基础性调控。

3 讨论

2000—2024年西南喀斯特区FVC总体呈波动上升趋势，这一结果与该地区多项研究^{[13, 34-35]}结论一致，这种改善趋势共同印证了退耕还林还草、石漠化综合治理等生态治理与修复工程在促进生态环境脆弱区域植被显著改善方面发挥着积极作用^[36-37]。但FVC的改善伴随着明显的年际波动，尤其是在2009—2011年持续降低。该时期极端干旱事件频发，2009年秋季至2010年春季发生了“西南特大旱灾”^[38]；2011年夏季又发生极端干旱事件^[39]，严重限制了植被在生长季的发育和生长，导致FVC在2009—2011年持续下降。2012年FVC虽有小幅提升，但云南、四川、重庆以及贵州均发生了不同程度的气象干旱，全年降水量持续偏少^[40]，土壤水分严重不足，植被受水分胁迫严重，加之喀斯特地貌具有特殊的双层水文结构，土层浅薄且保水性差^[41]，植被生长仍受限。极端干旱不仅直接抑制植被生长，而且严重时会导致植被大面积死亡。尽管上述时期已经启动了石漠化治理工程，但是治理成效在实施初期尚未能完全抵挡极端气候事件带来的负面影响。因此，虽然区域植被覆盖度长期趋势向好，但是其对气候变化所引发的极端事件仍显示出较高敏感性^[42-43]。

西南喀斯特区FVC在空间上总体呈现东南高、西北低的格局，这与以往的研究^{[34, 44]}相符。特别是中部、东南部得益于相对优越的水热条件，植被基底好^[45]，对石漠化治理工程措施的响应较为显著。云贵高原东南部及其与广西盆地的过渡地带因石漠化问题突出导致地表植被破坏严重^[21]，我国于2016年对云南、广西、贵州石漠化连片区实施了重点治理。在一系列生态保护与治理措施的实施及人为活动下降的背景下，喀斯特区生态状况稳步好转^[46]，为植被恢复和生长提供了良好条件。本研究进一步表明，改善趋势在空间上集中于中部和东南部，反映出这些区域在生态治理工程驱动下的积极响应。值得注意的是，以往针对川西地区的宏观研究指出植被NDVI^[47]和FVC^[48]整体呈上升趋势，但本研究发现川西高原西部边缘的喀斯特区FVC却长期维持在较低水平，可能是该区域海拔高，植被以高寒草甸为主^[37]，加上喀斯特地貌的特殊性，使得植被对环境变化的敏感性较高。因此，对于川西高原的喀斯特区，生态管理策略不应盲目追求高覆盖度，而应将重点放在生态保护、现有植被固化以及生态系统稳定性提升上^[49]。

基于地理探测器的单因子探测与交互探测结果表明，2000—2024年西南喀斯特区FVC演变的主导机制呈显著的阶段性变化。2000年我国启动退耕还林还草政策^[50]，此时，气温的单因子解释力最强，适度的升温可促进植被生长^[51]。人口密度的解释力于2005年达到峰值，且其与土地利用的交互作用突出，表明工程初期人类活动是打破原有石漠化格局、启动植被恢复的关键驱动力^[52]。2010年气温与土地利用的交互效应达到峰值，既与早期退耕还林还草植被进入快速生长期有关，也与2008年我国全面启动石漠化综合治理工程有关^[53-54]。2020年，降水量与潜在蒸散发的交互作用跃升至首位，且潜在蒸散发成为解释力最强的单因子，表明随着植被郁闭度的不断提高，水分亏缺已成为植被存活与分布的主要限制因素^[55]，也反映了植被恢复接近区域水资源承载力的阈值^[56]。在这一阶段，生态治理重心由提高FVC转向“山水林田湖草”的系统治理^[57]，更加强调生态系统的自我维持功能与稳定性。因此，后期植被格局的演变更多地受自然水热平衡的调控，而非早期以人类活动为主的恢复模式。值得注意的是，土地利用因子的解释力整体呈增强的趋势，这反映了退耕还林还草等工程措施所形成的土地利用格局逐渐稳定，并持续对植被的空间分异产生深远影响。

本研究虽然揭示了西南喀斯特区2000—2024年FVC的时空变化及其影响因素，但仍存在一定局限。一方面，在驱动因子选取方面，未能系统考虑不同岩性背景及退耕还林还草、石漠化综合治理等生态工程下植被恢复的量化指标，也未能区分不同植被类型对气候变化与人类活动的差异化响应。另一方面，尽管地理探测器方法可有效识别主导因子及其交互作用，但其对因子间复杂非线性关系及滞后效应的解析能力仍较为有限。此外，本研究所使用的遥感数据受多云天气影响，导致有效观测频率在年内部分不均，而年度NDVI影像合成在反映不同植被类型的生长状态上存在一定的不确定性。未来研究可进一步融合多源数据，通过优化合成算法和验证地面观测数据，量化不同生态工程措施的贡献，并区分植被功能类型，分析其响应特征。在方法上，可结合机器学习、结构方程模型等方法，深入揭示驱动因子间的非线性机制与时滞效应，以提升对喀斯特区植被变化过程的理解与预测能力。

4 结论

本研究基于GEE云计算平台对2000—2024年西南喀斯特区的FVC进行计算，运用Theil-Sen Median趋势分析、Mann-Kendall显著性检验、变异系数及Hurst指数分析FVC的时空演变特征，并利用地理探测器探究自然与人为因素对FVC的影响，得出以下结论。

(1) 时间上，2000—2024年西南喀斯特区的FVC呈波动上升趋势，FVC的多年平均值为0.61，年上升速率为0.33%；空间上，FVC呈现由西北向东南逐渐增加的梯级分异格局，其中中部地区改善最为显著。

(2) 西南喀斯特区植被以改善为主，但仍有26.25%的区域表现为退化趋势，形成中部显著改善，西部及西北部局部退化的空间分异格局。整体上研究区域FVC稳定性较高(CV均值为0.206 8)，低波动类型面积占比达74.96%，且高FVC区域稳定性更强。

(3) 西南喀斯特区植被演变具有较强的持续性(Hurst>0.5)，未来以持续改善为主(占比70.60%)，且该趋势主要集中在高FVC区域。然而，仍有25.12%的区域存在持续退化的潜在风险，需引起重视。

(4) 单因子探测结果显示，人口密度始终保持较强的解释力，土地利用的影响持续增强，气温与潜在蒸散发是关键的气候驱动因子。交互探测结果显示，各影响因子的交互作用明显，其中2010年气温与土地利用的交互作用最为突出，2020年驱动机制转向以降水量与潜在蒸散发协同作用为核心，表明植被恢复已从退耕还林还草与石漠化综合治理等生态工程主导阶段逐步转向以自然水热调控为主的稳定维持过程。