2000—2020年珠江流域NDVI动态变化及影响因素研究

陈文裕 ，夏丽华 *，徐国良 ，余世钦 ，陈行 ，陈金凤

1.广州大学地理科学与遥感学院，广东 广州 510006；2.广东省农村水环境面源污染综合治理工程技术研究中心，广东 广州 510006

植被是陆地生态系统重要的组成部分，能有效反映生态系统的健康状况（林依雪等，2020；齐贵增等，2021）。在自然条件下植被的生长受到气候和地形等因素的综合影响；近年来，建设用地快速扩张，人类活动对植被的影响进一步扩大，尤其是城市化的快速发展直接或间接地破坏了地表植被（Chen et al.，2020）。珠江流域地跨云贵高原、广西盆地、珠江三角洲平原等地理单元，流域西部地区喀斯特地貌广泛发育，石漠化和水土流失严重，部分地区植被显著减少；而流域东部地区城市化发展迅猛，显著改变了植被生长环境，因此，采用遥感手段对整个珠江流域的植被进行监测具有重要意义。

基于遥感观测数据能计算出反映地表信息的多种指数，其中，归一化植被指数（normalized difference vegetation index，NDVI）能有效反映植被的生长情况、植被密度和覆盖度等重要信息，该指标数值越高表明植被生长状况越好（刘梁美子等，2019；袁倩颖等，2021；邵亚婷等，2021）。众多学者已经对不同尺度下NDVI的变化趋势和影响因素进行研究，研究方法也趋于成熟（Pei et al.，2021；Qi et al.，2021；Xue et al.，2021；李茂华等，2020；贾路等，2021；杨玉莲等，2021；易扬等，2021；张琍等，2021）。其中，对NDVI进行时空变化分析通常利用线性趋势法（岳辉等，2019）、Theil-sen Median斜率估计和Mann-Kendall显著性检验（田智慧等，2022；徐勇等，2022）。相对于线性趋势法，Theil-sen Median斜率估计受异常值的影响更小，能有效反映地物的时空变化特征。引起NDVI时空变化的因素包括自然和人为因素。在自然因素方面，已有研究多数从土地覆盖、气候和地形等因素进行分析。相关学者基于土地利用/覆盖的转变对NDVI变化趋势进行探究（孙锐等，2019；宫兆宁等，2021；黄栋等，2021），而在珠江流域内城市扩张和人类活动加剧，土地利用/覆盖的转变进一步加快，因此，从土地利用/覆盖的转变探究 NDVI对自然和人类活动的响应具有重要意义。气候因素包括气温、降水量、风速、气压等，针对气候因素常用的研究方法包括相关分析（孙爽等，2019；张华等，2020）、偏相关分析等（吉珍霞等，2021），由于气候因素极其复杂，而且地表植被通常受到地形和人类活动等多种因素共同影响，需要结合多种因素进行综合分析（李双双等，2021）。在人为因素方面，研究表明夜间灯光影像记录的地表灯光强度信息能直接反映人类活动差异，其包含的亮度和形状等信息不仅能提供关于城市区域空间范围的准确信息，还能指示城市化水平，因而被广泛应用于城市化进程研究、不透水面提取以及生态环境评估等领域（陈颖彪等，2019；沈洁，2021）。常用的夜间灯光数据包括DMSP/OLS和NPP/VIIRS数据，两者都存在一定不足（陈颖彪等，2019；李茜铭等，2021）。Chen et al.（2021）结合两种数据的优势，通过改进的自动编码器模型和跨传感器校准模型生成的夜间灯光数据（2000—2020年）具有较好的准确性，适用于分析长时间序列的人类活动（Li et al.，2021）。此外，通过对人口密度的研究也能揭示人类活动对植被的影响程度。对人为因素的研究多采用残差分析，但该方法难以区分不同因素对NDVI空间差异性的作用程度（金凯等，2020）。为了探究NDVI空间分异的主要影响因素，亟需一种更有效的分析方法。地理探测器是定量描述地理现象的空间分异及其背后驱动力的一组统计方法（王劲峰等，2017），通过空间方差分析能探究引起 NDVI空间分异的驱动因素，不同学者利用地理探测器探究汉江流域（Chen et al.，2020）、内蒙古（张思源等，2020）、黄土高原（张翀等，2021）、黄河流域（张静等，2021）以及京津冀地区（张鹏骞等，2021）等不同区域NDVI时空变化的影响因素。随着研究的不断深入，对于珠江流域 NDVI时空变化及影响因素的探究，王兆礼等（2006）基于GIMMS NDVI数据集研究了珠江流域 NDVI的季节变化和年际变化趋势，也有学者研究了珠江流域 NDVI对气温和降水等气候因素的响应特征（王银霞等，2011；李建国等，2020）。研究表明在温暖湿润的珠江流域，气候因素对 NDVI的影响以正向促进作用为主，但作用的程度低于干旱与半干旱地区。前人对珠江流域 NDVI时空变化影响因素的探究侧重于自然因素，难以将自然和人为因素对NDVI动态变化的影响进行定量剥离。

基于此，结合不同时期土地覆盖数据，基于Theil-Sen Median斜率估计和Mann-Kendall显著性检验探究2000—2020年珠江流域NDVI时空分布状况及其演化趋势，通过相关分析探究NDVI与气候因素和人为因素变化趋势的关系，并通过地理探测器探究NDVI空间分异的主要影响因素。研究成果将揭示珠江流域NDVI时空变化特征及其影响因素，为珠江流域生态环境保护工作的开展和可持续发展提供理论支撑。

1 研究区概况与研究方法

1.1 研究区概况

珠江流域地处 102°14′—115°53′E、21°31′—26°49′N之间（图1），整个流域在中国境内跨越云南、广西、贵州、广东、湖南和江西共6个省份，整体面积约44.68×104km2，流域范围包含东江、西江、北江和珠江三角洲4个子流域。研究区地势总体上呈西北高东南低，云贵高原屹立于流域西部，东部为珠江三角洲平原。多数地区位于亚热带季风气候区，多年平均气温为 14—22 ℃，多年平均降水量为660—2200 mm，在季风气候和地形共同作用下，降水量由东向西逐渐减少（王银霞等，2011）。珠江上游地区喀斯特地貌广泛发育，生态环境相对脆弱，而下游的珠江三角洲地区人口密集，城市化速度不断加快，人类活动对植被NDVI的影响进一步增强。

图1 珠江流域概况图Figure 1 Overview of the Pearl River basin

1.2 数据来源

研究所需的遥感植被 NDVI来源于美国国家航空航天局发布的MOD13A3 C6产品（https://ladsweb.modaps.eosdis.nasa.gov/），时间范围为2000年1月—2020年12月，空间分辨率为1 km。NDVI数据需要进行重投影、重采样和裁剪等预处理，得到 2000—2020年NDVI年均值的时间序列。2000、2010和2020年的土地覆盖数据集从 GlobeLand30平台（http://www.globallandcover.com/）获取，空间分辨率为 30 m，通过重投影、重采样和裁剪等处理得到珠江流域的6类土地覆盖数据。数字高程数据（shuttle radar topography mission，SRTM）来源于地理空间数据云平台（https://www.gscloud.cn/），通过 ArcGIS10.6软件重采样为1 km，并在软件中计算研究区的坡度和坡向。气象数据来源于国家青藏高原科学数据中心提供的逐月气温和降水量数据集，空间分辨率为1 km，通过计算均值得到 2000—2020年的年平均气温和降水量数据（Peng et al.，2019）。夜间灯光数据选用Chen et al.（2021）研发的跨传感器校正的夜间灯光数据，时间范围为 2000—2020年，在ArcGIS10.6软件中重采样为1 km。人口密度数据来源于WorldPop发布的1 km分辨率的人口密度数据（https://www.worldpop.org/），通过重投影和裁剪等预处理获得时间跨度为 2000—2020年的珠江流域人口密度数据。土壤类型数据来源于中国土壤普查办公室编制的1∶100万中华人民共和国土壤图数字化生成的图，空间分辨率为1 km。

1.3 研究方法

1.3.1 Theil-Sen Median斜率估计和Mann-Kendall显著性检验

Theil-Sen Median斜率估计是一种非参数估计方法，受数据异常值的影响小，适用于分析长时间序列NDVI的时空变化规律（赵伟等，2021）。在像元尺度上，采用此方法分析2000—2020年NDVI变化趋势，其计算公式如下：

式中：

Tslope——斜率；

xi和xj——第i和第j年NDVI的年均值。当Tslope＞0时，表示NDVI在研究时段内呈上升趋势，反之则呈下降趋势，绝对值越大，表示NDVI的变化程度越大。当Tslope=0时，表明NDVI在研究时间段内基本保持不变。

Mann-Kendall显著性检验可用于验证Theil-Sen Median估计结果的显著性，该方法最大的优势是不需要数据服从正态分布，是一种应用广泛的趋势检验方法（Chen et al.，2020）。相关计算公式如下：

式中：

S——Mann-Kendall的检验统计量；

xj、xk——j、k年相应的测量值；

n——数据系列的长度；

sgn——符号函数。显著性水平的阈值分别为±1.96（95%显著性检验）和±2.58（99%显著性检验）。当ZMK的取值范围介于1.96—2.58，表明增长趋势通过95%显著性检验；如果ZMK≥2.58，表明增长趋势通过99%显著性检验，反之亦然。

1.3.2 相关分析

为了探究气候和人为因素对NDVI的影响，在像元尺度上，计算NDVI与平均气温、降水量、夜间灯光强度和人口密度变化趋势的相关性（邢愿等，2021），计算公式如下：

式中：

Axy——两个变量变化趋势的相关性；

yi——第i年NDVI值；

xi——对应年份平均气温、降水量、夜间灯光强度和人口密度的数值；

1.3.3 地理探测器

（1）分异及因子探测能探究NDVI空间分异的驱动因素以及揭示各个因子的影响程度（王劲峰等，2017），其表达式如下：

式中：

q——不同因子对NDVI空间分异的解释力度；

L——NDVI或各个因子的分层；

N——研究区内划分格网的数量；

Nh——层h区域内NDVI的数值；

σ2——研究区内NDVI的方差；

σh2——h层区域内NDVI的方差。

以格网为单元对珠江流域NDVI进行影响因素影响力的探测。q的取值范围是0—1，值越大说明该因子对NDVI空间分异的解释力越大（孙锐等，2020）。研究中选取地形因素（海拔（X1）、坡度（X2）、坡向（X3））、气候因素（降水量（X4）、平均气温（X5））、土地覆盖类型（X6）、土壤类型（X7）、人为因素（夜间灯光强度（X8）、人口密度（X9））为变量，探究NDVI空间分异的主要影响因素。

（2）交互作用探测器能揭示不同因子之间的交互作用，即评价不同因子两两交互作用时解释力的变化（王劲峰等，2017）。两因子交互作用的结果可分为五类（表1）。

表1 双因子交互作用结果类型Table 1 Types of two-factor interaction result

2 结果与分析

2.1 珠江流域NDVI与土地覆盖时空变化分析

在图2中，研究时段内珠江流域NDVI整体呈波动上升趋势，NDVI呈上升趋势的地区面积占比高达91.66%，但不同子流域内NDVI增长速率存在差异，2000—2004年、2005—2009年以及2014—2018年是珠江流域NDVI快速增长的3个时期。研究时段内珠江流域NDVI均值为0.551，其中，最大值出现在 2017年，为 0.603，最小值出现在 2005年，为0.492。4个子流域中，东江流域的NDVI均值最高，北江流域的NDVI均值上升速率最高，珠江三角洲流域的NDVI均值最低且增长速率较低，4个子流域在2005和2012年前后NDVI均值都呈现明显下降趋势，随后的年份植被恢复速度较快。综上所述，2000—2020年珠江流域整体及各个子流域的NDVI均呈上升趋势。

图2 珠江流域2000—2020年NDVI时间变化趋势Figure 2 Temporal variation of NDVI in the Pearl River basin from 2000 to 2020

由图 3可知，珠江流域 NDVI的变化斜率在-0.028—0.027 a-1之间，呈极显著上升和显著上升的面积占比分别为43.6%和15.14%，极显著下降和显著下降的面积占比分别为1.25%和0.51%，NDVI呈上升趋势的区域面积大于呈下降趋势的区域面积。其中，西江流域西部和南部NDVI呈显著上升趋势，但西部的部分喀斯特地貌区和南部的南宁等大城市附近呈显著下降趋势。东江流域的东部和北部以及北江流域北部山区 NDVI均呈显著上升趋势。珠江三角洲流域内，在珠三角城市群内呈显著和极显著下降趋势，在城市群外围地区则表现为极显著上升的趋势，因此，珠江三角洲流域的 NDVI均值仍呈现缓慢增长趋势。

图3 2000—2020年珠江流域NDVI变化趋势及显著性检验Figure 3 Spatial variation of NDVI and its significance test in the Pearl River basin from 2000 to 2020

选用流域内2000、2010和2020年土地覆盖数据，统计不同土地覆盖类型的变化情况（表2），结合2000年和2020年的土地覆盖数据绘制土地覆盖类型变化图（图4a）。同时，以0.3和0.6为间隔将NDVI划分为低、中和高3个等级，结合土地覆盖数据，绘制不同土地覆盖类型内NDVI等级变化图（图 4b）。2000—2020年珠江流域土地覆盖类型发生变化的区域占 17%，土地覆盖类型的转换对NDVI变化的影响存在差异。结合表 2和图 4a得出，珠江流域内林地和耕地占主体地位，两种地类面积占比之和保持在80%以上。林地分布广泛，在西江流域中上游地区林地面积有所增加，而在珠三角城市群附近有所下降，由其他土地覆盖类型转化为林地的区域中，NDVI呈上升趋势的面积占95.37%。耕地广泛分布于珠江流域中部和东部地区，2000—2010年耕地面积有所增长，然而随着城市化建设的推进以及退耕还林等政策的影响，2010—2020年部分耕地转化为了建设用地和林地。2000—2020年，由其他土地覆盖类型转化为耕地的区域中，NDVI呈上升趋势的面积占85.31%，其中，由林地转为耕地的部分地区NDVI有所下降。草地集中分布于珠江流域北部和西部的高山地区，其面积变化趋势与耕地相似，从其他地类转化为草地的区域集中分布于西江流域上游地区，该区域内NDVI呈上升趋势的面积占90.75%。研究时段内建设用地面积显著增加，面积占比增加了2.37%，转化为建设用地的区域集中分布在珠三角城市群及各大城市内，城市的扩张通常会挤占绿地，由其他地类转化为建设用地的区域中，NDVI呈下降趋势的面积占63.05%。整体上，转化为林地、耕地和草地的区域内NDVI上升趋势显著，而转化为建设用地的区域NDIV下降趋势显著。

表2 珠江流域2000、2010和2020年土地覆盖变化情况Table 2 Land cover transformation in the Pearl River basin in 2000, 2010 and 2020

图4 2000—2020年珠江流域土地覆盖类型转变和各种土地覆盖类型中NDVI等级变化图Figure 4 Transformation of land cover and NDVI grades in various land cover types in the Pearl River basin from 2000 to 2020

进一步统计耕地、林地、草地、建设用地和裸地中NDVI等级的变化趋势（图4b），在耕地、林地和草地中NDVI处于中等级的比例有所下降，而高等级比例显著增加，林地内高等级比例在2020年占主体地位，占比为61.2%，表明在耕地、林地和草地中，植被数量或密度有了大幅提升，生态环境有所改善。建设用地内NDVI以中和低等级为主，低等级比例呈现先升后降的趋势，而高等级的比例在2020年也有所增加，由0.44%增加到7.7%，表明珠江流域建设用地的面积虽然显著上升，但是城市中的绿地面积也有所增加。整体上看，在不同土地覆盖类型内高等级比例增加较为明显，低等级比例则有下降的趋势，表明珠江流域的植被状况在近年来显著改善。

2.2 NDVI与气候和人为因素相关分析

相关研究成果表明在黄土高原和内蒙古等地区气候变化是使NDVI上升的重要原因（孙锐等，2019；孙倩倩等，2021；张翀等，2021），而气温和降水量是气候变化的重要指示器。基于像元尺度的相关分析，探究NDVI与降水量和平均气温在空间上随时间变化的相关性。在图 5a中，整个流域内NDVI与降水量变化趋势呈正相关的区域面积占比为65.63%，表明在研究时段内珠江流域大部分地区NDVI和降水量表现出同步增长的趋势。在4个子流域中，西江、北江和珠江三角洲流域以正相关为主，呈正相关的面积占比分别为71.54%、53.46%和63.27%，而东江流域以负相关为主，呈负相关的面积占比为72.04%；部分地区呈现显著和极显著负相关。西江流域的中部和西部大部分地区属于不显著正相关，而在云贵高原东侧区域呈显著和极显著正相关，表明降水量的增加对植被的促进作用存在空间异质性。在降水量相对较低的云贵高原东部地区，降水量的增加对NDVI的促进作用更明显。在图5b中，NDVI与平均气温的变化趋势表现为正相关的地区面积占比为94.45%，其中呈极显著和显著正相关的区域面积占比分别为13.84%和 22.06%，表明在研究时段内珠江流域大部分地区NDVI和平均气温表现出同步增长的趋势。NDVI与平均气温呈极显著和显著正相关的区域集中分布于西江流域的上游地区、北江北部的山区和东江东部地区。整体上看，NDVI与平均气温的相关性高于 NDVI与降水量的相关性。

图5 珠江流域NDVI与气候因素相关关系空间分布Figure 5 Spatial distribution of the correlation between NDVI and climate factors in the Pearl River basin

夜间灯光强度和人口密度能在空间上较好地刻画人类活动强度。为探究人为因素对NDVI变化趋势的影响，对2000—2020年NDVI与夜间灯光强度和人口密度的变化趋势进行相关分析（图6）。在图6a中，以珠江三角洲地区和南宁市为例，在市中心地区，夜间灯光强度趋于稳定而NDVI维持在较低水平，以不显著负相关为主。从市中心往外，负相关有所增强，表明该地段内城市扩张迅速，建设用地大量挤占绿地使NDVI呈下降趋势。在城市外围的郊区则表现为NDVI和夜间灯光强度同步增长，呈极显著和显著正相关，例如，从广州市增城区到惠州市博罗县表现为显著正相关的地区呈带状分布。在图6b中，NDVI和人口密度以负相关为主，极显著和显著负相关的区域集中分布于大城市的内部，而呈斑状分布于珠江流域的中西部地区。人口密度的增加反映了建设用地的急剧扩张，使植被生存环境遭受破坏；另一方面，在城市中由于公园绿地的增加，部分地区NDVI也有所增加，呈显著正相关的区域也呈斑块状分布于各个城市中。

图6 珠江流域NDVI与人为因素相关关系空间分布Figure 6 Spatial distribution of the correlation between NDVI and anthropogenic factors in the Pearl River basin

2.3 NDVI空间分异影响因素分析

上述分析能反映NDVI与气候因素和人为因素在空间上随时间变化的相关性，但难以定量表达不同因素对NDVI空间异质性的解释力度。地理探测器既能够定量表达单个因子对NDVI空间分异的影响，还能进一步评价各个因子在两两交互作用时解释力度的变化。

2.3.1 NDVI影响因素分析

以地形因素、气候因素、人为因素、土地覆盖类型、土壤类型为自变量，构建因子体系并计算 4个子流域内不同因素的q值（表3）。在表3中，土地覆盖的q值是最高的，不同土地覆盖类型中地表物质组成和性质差异较大，其变化能综合反映研究区中自然和人为因素的转变，例如，在流域东部地区建设用地的扩张会导致绿地减少。人口密度和夜间灯光强度的q值也较高，在4个子流域的q值均值分别为0.44和0.43，表明人类活动对NDVI空间分异也具有重要影响。NDVI高值地区主要分布在夜间灯光强度低或者无灯光值的区域，而在各大城市的城区NDVI较低。人口密度对NDVI的影响相似，在人口密度较高的城区NDVI较低，人类活动能显著改变植被的生长环境，对NDVI的空间分布产生影响。平均气温和降水量的q值均值分别为0.3和0.27，平均气温的解释力度更高。珠江流域多数地区位于亚热带季风气候区，气候温暖湿润，气温和降水量并非植被生长的限制性因素。地形因素中海拔的q值较高，流域西部云贵高原地区地势较高，气温较低且降水量较少，植被以草甸为主；流域东部地区的低山丘陵地区则是以灌木和乔木为主，NDVI存在差异。海拔能通过影响局部地区的水热组合进而影响气候和土地覆盖类型，因而对植被空间分异产生重要影响。地形因素中的坡向q值是最低的，表明不同的坡向中NDVI值差异不显著。不同类型的土壤中的有机质和含水量等物理和化学性质差异较大，从而直接影响植物的生长条件。珠江流域内初育土、淋溶土和铁铝土分布广泛，不同土壤类型中的NDVI差异也较为显著。

表3 珠江流域内4个子流域单元影响因素q值Table 3 The q values of influencing factors of four sub-basin units in the Pearl River basin

2.3.2 NDVI影响因素交互作用探测

交互作用探测器能得出不同因子在两两相互作用时解释力度的变化（图7）。大部分因子交互作用后呈现双因子增强和非线性增强。坡向和其他因子交互作用后主要呈现为非线性增强；而在西江流域，平均气温和其他因子交互作用后也呈现非线性增强。在不同的子流域中，土地覆盖∩夜间灯光强度和土地覆盖∩人口密度的解释力均较高。土地覆盖类型的变化会影响下垫面的组成和性质从而使NDVI差异较大；而夜间灯光强度和人口密度较高的地区植被覆盖率维持在较低的水平，也会对NDVI的空间分异性造成较大影响。在东江和珠江三角洲流域，平均气温与土地覆盖和夜间灯光强度交互作用后q值也较高，分别为0.66和0.76；而在北江流域内平均气温q值较低，与其他因子交互作用后q值也没有显著提升。在西江流域内，降水量∩平均气温呈非线性增强，在其他子流域内均表现为双因子增强。

图7 珠江流域内4个子流域单元影响因素交互作用探测Figure 7 Interaction detector of influencing factors of four sub-basin units in the Pearl River basin

3 讨论

3.1 珠江流域 NDVI时空演化特征及其对气候和人类活动响应

2000—2020年珠江流域 NDVI整体呈上升趋势，在2000—2004年、2005—2009年以及2014—2018年NDVI增长较快。徐勇等（2022）的研究表明，在旱灾的影响下，2011年至2014年中国西南地区的NDVI均值出现明显下降的趋势。从图2看出，2011年前后珠江流域NDVI出现下降趋势，但在随后年份中NDVI呈上升趋势，植被恢复较快。云贵高原东部地区和广西丘陵北部的山地NDVI呈极显著和显著上升，多数地区为NDVI高等级区域，与已有的成果一致（刘梁美子等，2019；金凯等，2020；邢愿等，2021）。从2000年以来天然防护林工程、退耕还林还草以及西南部岩溶地区石漠化综合治理工程的实施，使西南部的植被生长条件显著改善，植被恢复较快。云贵高原西部的部分地区、珠三角城市群和各大城市的内部NDVI出现下降趋势，一方面，在云贵高原地区地形起伏大，而且喀斯特地貌广泛发育，石漠化和水土流失的问题突出，生态环境难以在短期得到改善（邢愿等，2021；徐勇等，2022）；另一方面，研究时段内珠江流域的建设用地面积占比增加了2.37%，城市扩张速度的加快使得大量的绿地转变为建设用地。

气候变化和人类活动对NDVI的演变具有双重影响。由图5得出，在云贵高原中部，平均气温与NDVI的变化趋势呈不显著负相关，说明在高原上降水量较少，气温的升高会加剧当地的干旱程度。云贵高原西侧，NDVI与降水量和平均气温均呈极显著正相关，表明在气候更湿润的地区，气温的升高有利于灌木和乔木往海拔更高的地区生长。根据前人的研究，在内蒙古和黄土高原地区，降水量是影响NDVI空间分异的重要因素（张思源等，2020；孙锐等，2020），表明在干旱或半干旱地区，降水量是植被生长的限制性因素之一。在珠江流域内降水量也是影响NDVI的重要因素；在气候相对干旱的流域西部地区，降水量的增加能显著提升 NDVI；因此，西江流域内NDVI与降水量以正相关为主。另一方面，李建国等（2020）的研究表明，中国沿海地区的夏季暴雨对NDVI具有较强的抑制作用。在东江流域的沿海地区，夏季大量的云雨天气反而不利于植被光合作用，对植被发育具有一定的抑制作用；此外，该地区土地覆盖类型以林地为主，NDVI值较高，近年来由于城市扩张的影响，在城郊地区林地面积有所下降，所以在该子流域内NDVI与降水量的变化趋势以负相关为主。在人口密集的区域，人类活动对植被的影响占主体地位。在城市的周边地区，NDVI与夜间灯光强度表现为显著正相关。一方面，城郊地区人类活动强度有所增加，道路设施不断完善，但由于生态保护措施的落实，植被受人类活动影响的程度仍相对较低，加上该地区的植被生长条件优越，出现植被和夜间灯光强度共同增长的局面。因此，气候的变化和人类活动共同影响着NDVI的时空变化。

3.2 不同驱动因素对NDVI空间分异的影响

由地理探测器结果可知，土地覆盖的q值最高，不同的土地覆盖类型的下垫面性质差异显著。土地覆盖类型的转变能综合反映气候、土壤类型和人类活动的影响，对NDVI空间分异的解释力度较高。夜间灯光强度和人口密度的解释力度也较高，NDIV高值区域主要分布于人类活动强度较低的区域。夜间灯光强度能有效反映人类活动强度和建设用地的分布情况，但在市中心地区易出现“饱和”现象，而在该地区人口密度数据却能很好地反映人类活动与NDVI的关系。地形因素中海拔的q值较高，珠江流域的东部和西部地势差异显著，海拔的变化能通过影响局部地区的水热组合进而影响气候和土地覆盖类型，对植被空间分异产生重要影响。而坡向的解释力度在4个子流域内都是最低的。结合相关分析结果可知，珠江流域内降水量和平均气温对NDVI的影响均以正向促进作用为主，平均气温的升高对NDVI提升的促进作用更明显。在东江和珠江三角洲流域内平均气温和降水量的解释力度更高，在西江流域中解释力度较低，表明在西江流域中土地覆盖类型的转变和人口密度的变化等其他因素对NDVI的空间分异影响更显著。由交互作用结果得出，各个子流域中不同因素交互作用后解释力度都有所增加，虽然坡向的解释力度较低，但与其他因子交互作用后呈现非线性增强，而其他因子交互作用结果则以双因子增强为主。

4 结论

（1）2000—2020年珠江流域NDVI上升较快。在时间上，2000—2004年、2005—2009年以及2014—2018年是NDVI快速增长的3个时期；在空间上，4个子流域NDVI变化趋势以增长为主，东江流域的NDVI均值最高，珠江三角洲流域的NDVI均值最低且增长速率较低。

（2）在研究时段内，珠江流域林地的面积有所减少，建设用地的面积显著增加，在珠江流域内林地和耕地的面积占主体地位。不同土地覆盖类型的转换对NDVI变化的影响存在差异，其中，由其他土地覆盖类型转换为林地、草地和耕地的区域内，NDVI以上升趋势为主；而在转换为建设用地的区域内，NDVI则以下降趋势为主。

（3）NDVI与平均气温和降水量的变化趋势均以正相关为主，表明在珠江流域气温和降水量对NDVI的影响均以正向促进为主。NDVI与夜间灯光强度的变化趋势以正相关为主，与人口密度的变化趋势则是以负相关为主。NDVI与夜间灯光强度和人口密度的变化趋势呈显著正相关的区域主要分布于珠三角城市群和各大城市的外围地区，呈负相关的区域主要分布于珠三角城市群以及各大城市的城区。

（4）从单一因子来看，土地覆盖类型、人口密度和夜间灯光强度对NDVI空间分异的解释力度较高。从交互作用结果来看，影响因子交互作用结果均表现为双因子增强和非线性增强；不同子流域中，土地覆盖∩夜间灯光强度和土地覆盖∩人口密度的解释力均较高。