万红，郭鹏，骆磊，赵颜创，赵燕，王心源

1.中国科学院空天信息创新研究院,北京 100094;

2.中国科学院大学,北京 100049;

3.山东农业大学,泰安 271018;

4.UNESCO国际自然与文化遗产空间技术中心,北京 100094;

5.河南工业大学,郑州 450001

1 引 言

垂直自然带的空间分异特征分析、分带海拔的提取及其时空变化规律一直是国内外垂直自然带的研究热点和难点，从多源的遥感影像上获取垂直自然带的空间分布及分带海拔是定量认知垂直带在气候变化背景下时空变化规律的必要前提（Guo等，2014）。博格达山拥有温带干旱区典型的山地垂直自然带谱（李东等，2015），反映了温带干旱区大型山脉生物多样性受海拔、坡向与坡度的水热空间变化影响的分布特征和变化规律，是研究植被对温带干旱区气候变化响应的理想区域（杨兆萍和张小雷，2017）。因此，定量分析博格达山垂直自然带沿海拔梯度的分布规律，对于研究山地生态系统生物群落演替具有深远意义。

国内外学者大都基于野外考察获取的样线、样方数据或收集整理文献数据，分析植被、土壤、生物多样性和土地利用等的垂直分布格局的研究（Jafari 等，2004；Erschbamer 等，2010；Hemp，2006；刘伦辉 等，1984；张华 等，2008；沈泽昊 等，2001；岳明 等，2000）。许娟 等（2006 和2009）通过查阅公开发表的文献及科学考察资料收集垂直自然带谱数据，利用水热气候指数分析解释阿尔金山—祁连山垂直自然带谱的分布模式。然而基于野外数据获取及文献数据整理的方法易受到地形及气候等环境因子的影响，周期长、耗费的人力物力大，尤其在高山区，很多地区是人类无法到达的，某种程度上限制了研究的可行性和客观性，并且调查数据具有一定的区域局限性（郭聃，2014）；此外，垂直自然带谱数据的记录精度都很低（100 m 级），且多为离散的数据，缺乏高精度的、连续的带谱数据进行数学模型模拟（姚永慧等，2010）。遥感技术具有宏观、快速、长时序的获取地球表面地物信息的优势，应用于高大陡峭的山系研究，可以大大减少野外调查的工作量和难度，将遥感与地理信息系统结合可以弥补传统调查方法的不足（Xiao 等，2010）。一些学者将RS 与GIS 引入山地垂直自然带的研究中，利用遥感分类信息叠加数字高程模型，分析垂直自然带的空间格局特征（张银屏，2017；Guo 等，2014；Xiao等，2010；常禹等，2003；崔晓临等，2013；金远亮 等，2015；罗勇和张百平，2006；魏伟等，2008）；同时，一些研究人员从地学信息图谱角度出发，利用植被图、坡向图和DEM 建立研究区的植被垂直自然带谱，并与地形及气候等因子进行相关性分析（张银屏，2017；孙瑜，2010；郭聃，2014）。然而遥感分类精度易受山地地形、“同物异谱，同谱异物”及主观样本选择的影响，导致垂直带提取精度降低（张银屏，2017；张利，2007）。与此同时，研究过程依赖遥感的分类信息和地形因子，忽略了与生态等学科交叉的重要性，垂直自然带的更替也是生态系统状态的改变过程，加之阈值窗口选取等不确定因素，使得提取结果的精确度有待进一步提升。

多稳态是指在相同条件下，系统可以存在结构和功能截然不同的稳定状态（冯剑丰等，2009）。稳定状态在动力学理论上指的是系统的解在一定条件下稳定（stable），在生态学意义上指的是在一定的时间和空间尺度上，生态系统保持现有的结构和功能不变。许多生态系统具有“多稳态”特征（Scheffer 等，1993；van De Koppel 等，1997），稳态之间存在着边界。Wan 等（2019）将山地针叶林和高山草甸作为稳定状态，高山林线的生态交错区为不稳定状态，基于稳态和稳态转换原理识别博格达山北坡高山林线生态过渡区域的海拔。本文在前期研究的基础上，基于遥感指标和生态多稳态转换理论及势能分析方法识别垂直自然带的生态过渡区域及分带海拔，并利用野外采集数据进行结果验证，达到拓展和深化山地垂直自然带的理论方法和技术思路的目的。

2 数据与方法

2.1 研究区概况

博格达山世界自然遗产地位于新疆维吾尔自治区阜康市（图1），属于大西洋气流和北冰洋气流的迎风坡，气候较湿润。年平均气温约为2.5 ℃，其中1 月为最冷月，平均气温为−12.4 ℃；7 月份气温最高，月平均气温15.9 ℃，年降水量大约为400—700 mm（杨兆萍和张小雷，2017）。地势由西北向东南逐渐抬高，在不到40 km 的距离内，海拔从800 m上升至5000 m，并发育了包括温带荒漠带、山地草原带、山地针叶林带、高山草甸带、高山垫状植被带及冰雪带6个完整的垂直自然带。该区几乎包罗了亚洲中部大多数自然景观类型和生态系统，并入选世界教科文组织的“人与生物圈保护区”，在亚洲腹地具有突出的区域代表性和重要的科研价值。

图1 研究区位置及高程分布Fig.1 Location of the study area and distribution of elevation

2.2 试验数据

2.2.1 Landsat数据及预处理

本文选择植被长势较好的2016 年7 月28 日美国Landsat 8 数据，轨道号为142/30（数据来源于中国科学院计算机网络信息中心地理空间数据云平台（http：//www.gscloud.cn［2020−06−24］））。Landsat 8 卫星由美国航空航天局（NASA）在2013年2 月11 日发射，携带两个传感器，分别是陆地成像仪OLI（Operational Land Imager）和热红外传感 器TIRS （Thermal Infrared Sensor）。Landsat 8 Level−1 数据产品已经经过系统辐射校正和几何校正；与之前的Landsat 系列传感器不同，TIRS 拥有两个与MODIS的第31和32波段设置相近的热红外通道（第10 和11 波段，空间分辨率100 m，下载的数据已完成重采样为30 m分辨率）。

博格达山世界遗产地是典型的山地生态系统，不同的坡度遥感观测的辐射具有显著的差异，这种辐射差异的变化受地形的影响强烈，从而扭曲反映地表实体特征的信息（闻建光等，2008；林兴稳等，2020）。地形效应对遥感影像地表参数反演的影响不可忽略（穆悦等，2014）。因此，研究中首先对Landsat OLI 数据（不含全色波段）进行辐射定标、地形校正（SCS+C）、大气校正、裁剪等处理。

2.2.2 野外调查数据

根据当地气象预报情况，综合考虑地形、地貌的复杂性及考察路线的可到达性，野外考察点分布需要能体现对识别结果整体性的验证，制定野外考察路线分布于三工河（大约位于识别结果的中心沿线）的两侧，沿野外考察路线且人力可以到达的区域设立考察点，如图2。2018 年7 月4—14 日赴博格达山进行野外考察，利用无人机和高精度GPS记录不同地表类型的位置信息、相关海拔和大量的实地照片。

图2 博格达山野外考察路线及考察点分布图Fig.2 Distribution map of field routes and survey points

2.2.3 DEM数据

研究还使用了美国地质调查局（USGS）的SRTM分辨率为1弧秒（30 m）的DEM数据，SRTM1数据标称绝对高程精度16 m和绝对平面精度20 m，水平基准为WGS84，垂直基准为EGM96 大地水准面（https：//lta.cr.usgs.gov/SRTM1Arc数据说明）。

2.3 地表温度估算

地表温度LST（Land Surface Temperature）反演方法主要分为单通道算法、劈窗算法和多通道算法。Landsat TIRS 热红外传感器具有双波段，理论上可采用劈窗算法反演地表温度，但USGS 多次公告11 波段的定标参数存在不确定性，不鼓励采用劈窗算法（Wang 等，2015；徐涵秋，2015；徐涵秋等，2015）；此外，有学者利用单通道反演LST，发现TIRS10 波段的反演精度高于11 波段（Jiménez−Muñoz 等，2014；Yu 等，2014），因此，本文采用TIRS 10波段估算地表温度。

温度反演的单通道算法通常分为辐射传输方程法、单窗算法（覃志豪等，2001）和JM 通用单通道算法（Jiménez−Muñoz和Sobrino，2003）。单窗算法已应用于Landsat 系列数据反演LST（Qin 等，2001；Sobrino 等，2004；Wang 等，2015；胡 德勇等，2015）。胡德勇等（2017）分别利用单窗算法和通用单通道算法反演中国某郊区的LST，并利用现场测量数据与反演的LST进行比较分析，单窗算法的总体平均误差为0.83 ℃，通用单通道算法的平均误差为1.08 ℃。因此，本文选取LST作为识别垂直自然带生态交错区海拔位置的参数指标，Landsat OLI 数据用于估算地表发射率，采用覃志豪等（2001）推导出的单窗算法反演LST。主要过程如下：首先计算热辐射强度，然后计算对应像元的亮度温度，根据混合像元分解法估算地表比射率值，在美国NASA 提供的大气参数计算网站（Atmospheric Correction Parameter Calculator Temporarily Unavailable）获取大气剖面参数，进而计算同温度下的黑体辐射亮度，最后，反演得到地表温度。具体的计算过程参见Wan 等（2019）、吴文渊等（2019）和Qin等（2001）资料。

2.4 潜类别分析

潜类别分析可测试遥感指标是否呈现多峰模式。这种方法将数据拟合为单个或多个频率分布，并已被用于评估实际生态系统中多个状态的研究中（Scheffer 等，2012；Berdugo 等，2017；Hirota 等，2011；Zhao 等，2019）。频率分布反映交替状态周围的峰谷分布的大体形状，因此，系统状态频率分布的多模态可能是由于基础环境驱动因素的多模态或系统中存在交替的稳定状态（Scheffer 等，2012；Scheffer 和Carpenter，2003）。然后，利用期望最大化（EM）方法来寻找最适合一定数量正态分布，并对比分析它们的赤池信息准则AIC（Akaike Information Criterion）值。

AIC 是衡量统计模型拟合优良性的一种标准（Akaike，1978）。当欲从一组待选模型中选择一个最佳模型时，参数的最大似然估计给出的最小AIC值所对应的模型是可取的（Akaike，1974）。AIC的计算为

式中，k是模型参数个数，L是似然函数。

2.5 势能分析

早前，Livina 等（2010）发展势分析方法从记录的时间序列中检测地球物理系统的状态数；此后，在此基础上，利用该方法从空间梯度上揭示生态系统具有不同的动态状态（Zhao 等，2019；Berdugo 等，2017；Scheffer 等，2012；Moris 等，2017）。在动力学系统中，势分析过程包含稳定景观的参数指标和驱动因素；势函数代表参数指标的某个状态变量的能量，是此变量的“变化几率”。势函数的局部极小值代表参数指标的动态“稳定”状态，而其它值则是根据势能的分布形状沿驱动因素向稳定状态的趋向（Berdugo 等，2017）。因此，沿着驱动因素（海拔）计算稳定景观的势能分布是可行的。为了直接从数据计算稳定的景观类型，我们利用势能分析模型估算LST沿海拔梯度的势能分布情况。

该分析的基础假设，对于感兴趣的参数变量，存在一个具有势函数的随机系统：

式中，U（z）是势函数，代表系统的动能作为其自身状态的函数；z为系统的状态变量（本研究为LST）；σ为系统的噪音水平；dw是一个噪声项。考虑系统的势能与概率密度之间的对应关系，应用Fokker−Planck 方程将二者联系起来，系统势能量的公式如下（Livina 等，2010；Berdugo 等，2017）：

式中，Pd是系统状态变量的概率密度函数（此处为LST）。因为噪声水平σ很难估算，为了计算方便，我们将势能U按比例缩放至U σ2。参数指标的概率密度通过MATLAB function ksdensity 进行估算，标准带宽为1.06s/n1/5（s和n分别为数据集的标准差和长度）。

3 结果与分析

3.1 潜类别分析

利用单窗算法反演博格达的LST，如图3，其随海拔变化的趋势如图4。LST的最高值为50.3 ℃，最低值为−11.9 ℃，LST 与海拔呈高相关性，R²为0.843，随海拔升高呈下降趋势。将LST 随海拔变化的分布趋势，结合野外考察资料和新疆天山文献资料（杨兆萍和张小雷，2017）进行分析，海拔低于1150 m，主要为温带荒漠区，LST 值高于35 ℃，除三工河河道内温度较低，大部分LST 值均高于40 ℃。海拔在1150—2500 m 之间，LST 值在25—35℃之间逐渐降低，主要分布山地草原和山地针叶林，在海拔1908 m 左右出现LST 值低于25 ℃，受天山天池的影响，温度较低；海拔在2500—3600 m 之间，LST 值呈轻微的先升高后降低的趋势，2500—3600 m 海拔范围，开始由山地针叶林逐渐向高山草甸过渡（杨兆萍和张小雷，2017），针叶林的温度略低于高山草甸的温度，因此LST随海拔升高先呈现轻微的升高；当完全过渡为高山草甸，随着海拔的升高，其自身的温度又呈现为轻微的降低。海拔高于3600 m，LST值低于25 ℃并急剧降低，直至低于0 ℃，为冰川积雪的分布区域，由于裸土的存在，LST值出现波动。

图3 博格达LST分布图Fig.3 LST distribution of the Bogda

图4 LST随海拔变化的分布情况Fig.4 Distribution of LST with elevation variation

对于山地生态系统，地表温度受到高程、坡度、坡向等地形因子及地表覆盖类型、土壤湿度、入射辐射、大气过程和地表风速等多因素的综合作用（Hais 和Kučera，2009）。新疆天山山脉受坡向的影响显著，不同区域温度、降水量有较大的差距（娄安如，1998）。北坡发育以雪岭云杉为主的山地针叶林，相同海拔的南坡则以草原为主，无成片的森林，如图5。将坡向划分为8 个坡向：北（0°—22.5°，337.5°—360°），东北（22.5°—67.5°），东（67.5°—112.5°），东 南（112.5°—157.5°），南（157.5°—202.5°），西南（202.5°—247.5°），西（247.5°—292.5°），西北（292.5°—337.5°），见图6。研究中选取山地植被垂直自然带发育更加完整的“北坡”（对应北、东北和西北，0°—67.5°和292.5°—360°）进行研究，剔除南坡。

图5 博格达天池附近谷歌地球影像Fig.5 Google Earth photo near Tianchi Lake

图6 坡向分布图Fig.6 Aspect distribution map

潜类别分析可研究沿海拔梯度的稳态分布情况，如果一个系统只有一个稳定状态，随机扰动和环境变化通常形成单峰模式；相反，如果存在交替状态，随机扰动较大的情况会出现多峰模式（Scheffer 等，2012；Scheffer 和Carpenter，2003），频率分布反映交替状态周围的峰谷分布的大体形状。博格达山垂直自然带的基带是温带荒漠，随着海拔的升高依次是山地草原、山地针叶林、高山草甸、高山垫状植被及永久冰川与积雪。除永久冰川与积雪外，其它地表类型均为植被覆盖，本研究探讨沿海拔梯度，各植被覆盖类型的LST是否也呈现双峰模式，从而揭示各生态系统状态。构建温带荒漠—山地草原、山地草原—山地针叶林、山地针叶林—高山草甸和高山草甸—高山垫状植被的频率分布。研究结果表明（图7）：温带荒漠—山地草原（约38 ℃，43 ℃）、山地草原—山地针叶林（约24 ℃，28 ℃）、山地针叶林—高山草甸（约20 ℃，28 ℃）、高山草甸—高山垫状植被（27 ℃，30 ℃）的LST频率分布均呈双峰模式，揭示两种稳定状态的存在。

图7 LST频率分布Fig.7 Probability density distribution of LST

AIC 是衡量统计模型拟合优良性（Goodness of fit）的一种标准。当欲从一组待选模型中选择一个最佳模型时，参数的最大似然估计给出的最小AIC值所对应的模型是可取的。模拟LST 的1—5 种正态分布模式的温带荒漠—山地草原、山地草原—山地针叶林、山地针叶林—高山草甸和高山草甸—高山垫状植被的AIC 值。由图8 分析可知：当系统模式数目从1 变为2 时，温带荒漠—山地草原、山地草原—山地针叶林、山地针叶林—高山草甸和高山草甸—高山垫状植被的AIC 值都表现为急速下降，随着系统模式数目的增加，AIC 虽有小幅波动，但基本维持平稳。AIC的最小值位于模式数目为2时，表明LST 存在两种状态模式，揭示温带荒漠、山地草原、山地针叶林、高山草甸和高山垫状植被为不同的生态系统稳定状态。

图8 LST模拟1—5种正态分布模式的AICFig.8 AIC for the simulations of 1—5 normal distribution modes

3.2 垂直自然带生态过渡区及分带海拔识别

将温带荒漠带、山地草原带、山地针叶林带、高山草甸带和高山垫状植被带作为山地生态系统中的稳定状态，垂直自然带间的转换区域为不稳定状态，基于Landsat 数据估算LST，利用势能分析模型识别出非线性动态系统中的状态数量，沿海拔梯度上状态的关键转变范围即为垂直自然带间的过渡区域。在利用势能分析过程中，以海拔为驱动探测相邻两个稳定状态的关键转变范围，即低LST状态和高LST状态。

（1）温带荒漠带—山地草原带：温带荒漠（高LST状态）和山地草原（低LST状态）。根据稳态分析结果，识别出两种状态共存的海拔范围及状态之间关键转变的分界海拔，如图9所示。分析图9Ⅰ可知两种状态共存及关键转变的细节特征：海拔较低时，系统仅存在高LST 状态，见图9Ⅰ，该状态呈低势能分布；但随着海拔升高至1062 m，系统开始同时出现高低LST两种稳态，高LST状态具有较低的势能值，并且比低LST状态展现出更强吸引力，见图9Ⅱ；然而，当海拔位于1066 m 左右，高LST状态具有较高的势能值，比低LST状态展现出较弱的吸引力，见图9Ⅲ；这种趋势一直持续到海拔1093 m，见图9Ⅳ，在海拔1093 m处发生一个急剧的、不连续的突变；此后（海拔>1093 m）则是只存在低LST 状态，见图9Ⅴ，该状态呈低势能分布。两种状态共存区域（海拔1062—1093 m）为温带荒漠与山地草原的过渡范围；海拔1066 m势能转换处即为温带荒漠与山地草原带的分界海拔。

图9 温带荒漠—山地草原带地表温度（LST）的势能值随海拔梯度的变化特征黑点和紫红点均为势能量的局部最小值，但黑点的势能量更低；两条黑色实竖线之间（海拔1062—1104 m）是LST双稳态共同出现的区域，黑色虚竖线（海拔1066 m）是高LST状态势能量开始高于低LST状态势能量，系统出现向低LST状态转换的倾向；等值线为势能量估算结果的空间分布情况；Ⅰ—Ⅴ展示了系统由高LST状态随海拔升高向低LST状态转换的细节过程Fig.9 Variation of the states obtained from potential energy analysis for the LST along the elevation gradient in temperate desert−montane steppes.Black and purple dots were both local minimums of potential energy，but black spots had lower potential energy.Between the two black vertical lines（at an elevation of 1062—1093 m）was the area where the two states co−occurred.At the black dotted line（at 1066 m），the high LST state potential energy started to be greater than the low LST state potential energy，and the system appeared to shift to a low LST state.The contour was the spatial distribution of the potential energy estimation results.Ⅰ—Ⅴshowed the details for the variation of the states of LST along the elevation gradient

（2）山地草原带—山地针叶林带：山地草原（高LST 状态）和山地针叶林带（低LST 状态）。根据稳态分析结果，识别出两种状态共存的海拔范围及状态之间关键转变的分界海拔。分析图10Ⅰ—Ⅴ可知两种状态共存及关键转变的细节特征：海拔较低时，系统仅存在高LST 状态（图10Ⅰ），该状态呈低势能分布；随着海拔升高至1689 m，系统开始同时出现高低LST 两种稳态，高LST状态具有较低的势能值，并且比低LST状态展现出更强吸引力（图10Ⅱ）；然而，当海拔位于1707 m 左右，高LST 状态具有较高的势能值，比低LST 状态展现出较弱的吸引力（图10Ⅲ）；这种趋势一直持续到海拔1764 m（图10Ⅳ），在海拔1764 m 处发生一个急剧的、不连续的突变；此后（海拔>1764 m）则是仅存在低LST状态（图10Ⅴ），该状态呈低势能分布。两种状态共存区域（海拔1689—1764 m）为山地草原与山地针叶林的过渡范围；海拔1707 m 势能转换处即为山地草原带与山地针叶林带的分界海拔。

图10 山地草原—山地针叶林带地表温度（LST）的势能值随海拔梯度的变化特征黑点和紫红点均为势能量的局部最小值，但黑点的势能量更低；两条黑色实竖线之间（海拔1689—1764 m）是LST双稳态共同出现的区域，黑色虚竖线（海拔1707 m）是高LST状态势能量开始高于低LST状态势能量，系统出现向低LST状态转换的倾向；等值线为势能量估算结果的空间分布情况；Ⅰ—Ⅴ展示了系统由高LST状态随海拔升高向低LST状态转换的细节过程Fig.10 Variation of the states obtained from potential energy analysis for the LST along the elevation gradient in montane steppes−montane coniferous forests.Black and purple dots were both local minimums of potential energy，but black spots had lower potential energy.Between the two black vertical lines（at an elevation of 1689—1764 m）was the area where the two states co−occurred.At the black dotted line（at 1707 m），the high LST state potential energy started to be greater than the low LST state potential energy，and the system appeared to shift to a low LST state.The contour was the spatial distribution of the potential energy estimation results.Ⅰ—Ⅴshowed the details for the variation of the states of LST along the elevation gradient

（3）山地针叶林—高山草甸带：山地针叶林（低LST状态）和高山草甸（高LST状态）。海拔低于2690 m，仅存在低LST 状态，见图11Ⅰ，该状态呈低势能分布；低LST和高LST状态共存的海拔范围是2690—2744 m（图11Ⅱ—11Ⅳ）；当海拔高于2744 m，又仅存在高LST 状态（图11Ⅴ）。显然，在海拔2690—2714 m 范围内，两种LST 状态并存，但是低LST 状态比高LST 状态更具吸引力，见图11Ⅱ；但是，在海拔2714 m 左右，低LST 状态的吸引力开始小于高LST 状态，见图11Ⅲ；这种趋势一直持续到海拔2744 m，见图11Ⅳ；在海拔2744 m 左右，探测到一个急剧的、不连续的陡增，见图11Ⅴ。两种状态共存区域（海拔2690—2744 m）为山地草原与山地针叶林的过渡范围；海拔2714 m 势能转换处即为山地针叶林带与高山草甸带的分界海拔。

图11 山地针叶林—高山草甸带地表温度（LST）的势能值随海拔梯度的变化特征黑点和紫红点均为势能量的局部最小值，但黑点的势能量更低；两条黑色实竖线之间（海拔2690—2744 m）是LST双稳态共同出现的区域，黑色虚竖线（海拔2714 m）是低LST状态势能量开始高于高LST状态势能量，系统出现向高LST状态转换的倾向；等值线为势能量估算结果的空间分布情况；Ⅰ—Ⅴ图展示了系统由低LST状态随海拔升高向高LST状态转换的细节过程Fig.11 Variation of the states obtained from potential energy analysis for the LST along the elevation gradient in montane coniferous forests−alpine meadows.Black and purple dots were both local minimums of potential energy，but black spots had lower potential energy.Between the two black vertical lines（at an elevation of 2690—2744 m）was the area where the two states co−occurred.At the black dotted line（at 2714 m），the low LST state potential energy started to be greater than the high LST state potential energy，and the system appeared to shift to a high LST state.The contour was the spatial distribution of the potential energy estimation results.Ⅰ—Ⅴshowed the details for the variation of the states of LST along the elevation gradient

（4）高山草甸带—高山垫状植被带：高山草甸（较高LST 状态）和高山垫状植被带（较低LST状态）。总体来讲，两种状态的地表温度相差不大，因为高山垫状植被与冰川积雪相连接，因而温度相对较低。当海拔低于3251 m，仅存在较高LST一个状态，见图12Ⅰ，该状态呈低势能分布；较高LST和较低LST 状态共存的海拔范围是3251—3263 m，见图12Ⅱ—12Ⅳ；当海拔高于3263 m，又仅存在较低LST 状态，见图12Ⅴ。显然，在海拔3251—3257 m 范围内，两种LST 状态并存，但是较高LST状态比较低LST 状态更具吸引力，见图12Ⅱ；但是，在海拔3257 m 左右，较高LST 状态的吸引力开始小于较低LST 状态，见图12Ⅲ；这种趋势一直持续到海拔3263 m，见图12Ⅳ；在海拔3263 m左右，探测到一个急剧的、不连续的突变，见图12Ⅴ。两种状态共存区域（海拔3251—3263 m）为高山草甸与高山垫状植被带的过渡范围；海拔3257 m 势能转换处即为高山草甸带与高山垫状植被带的分界海拔。

图12 高山草甸—高山垫状植被带地表温度（LST）的势能值随海拔梯度的变化特征黑点和紫红点均为势能量的局部最小值，但黑点的势能量更低；两条黑色实竖线之间（海拔3251—3263 m）是LST双稳态共同出现的区域，黑色虚竖线（海拔3257 m）是高LST状态势能量开始高于低LST状态势能量，系统出现向低LST状态转换的倾向；等值线为势能量估算结果的空间分布情况；Ⅰ—Ⅴ图展示了系统由高LST状态随海拔升高向低LST状态转换的细节过程Fig.12 Variation of the states obtained from potential energy analysis for the LST along the elevation gradient in alpine meadows−alpine cushion vegetation.Black and purple dots were both local minimums of potential energy，but black spots had lower potential energy.Between the two black vertical lines（at an elevation of 3251—3263 m）was the area where the two states co−occurred.At the black dotted line（at 3257 m），the high LST state potential energy started to be greater than the low LST state potential energy，and the system appeared to shift to a low LST state.The contour was the spatial distribution of the potential energy estimation results.Ⅰ—Ⅴshowed the details for the variation of the states of LST along the elevation gradient

3.3 识别结果验证

本研究基于生态多稳态及势能分析方法识别的博格达山垂直自然带的过渡范围及分带海拔与其他学者给出的100 m精度范围的研究结论相吻合（娄安如和张新时，1994；杨兆萍和张小雷，2017）。然而，海拔提取结果的关键参数估算过程及模型本身的精度都不可避免的存在误差。因此，研究组分别于2017年7月30日—8月2日和2018年7月4—14日赴新疆维吾尔自治区天山世界自然遗产地博格达山片区进行野外数据采集，考察该区域山地垂直自然带的植被分布情况及不同垂直自然带的过渡范围。通过建立不同的采样区获取山地垂直带过渡范围及分带海拔的基础数据（图13），利用无人机和高精度GPS记录不同地表类型的位置信息、相关海拔和大量的实地照片。

图13 野外实地采集的照片Fig.13 Field photos

本文利用野外采集的验证数据与识别结果进行对比分析，如表1所示，可知野外采集的验证点围绕识别结果上下波动，但总体趋势较为理想，RMSE 为17.19 m。其中，山地草原—山地针叶林及山地针叶林—高山草甸的过渡海拔与分界海拔的均方根误差相对较小，主要是因为山地针叶林与山地草原和高山草甸的过渡属于突变型，识别结果与验证结果吻合较好；温带荒漠—山地草原及高山草甸—高山垫状植被的均方根误差相对较大，原因在于二者的过渡属于渐变性，验证点的精确采集也存在困难，造成识别结果与验证数据差值相对较大。

表1 博格达山地垂直自然带野外验证结果Table1 Field validation results of Bogda Mountain altitudinal natural zones

同时，将识别结果与引用较为广泛的2006 年《天池博格达自然保护区综合科学考察报告》中的结果进行对比，山地垂直带分带及上限分别为：温带荒漠草原带（1100 m）、山地草原带（1650 m）、山地针叶林带（2700 m）、高山草甸带（3300 m）、高山垫状植被带（3700 m），本文识别的分界海拔结果与其考察结果的趋势较为一致。

4 结 论

本文基于遥感参数指标LST，在考虑坡向影响的基础上，通过潜类别分析揭示博格达世界自然遗产地的不同生态系统状态的存在，采用生态多稳态原理及势能分析方法识别相邻垂直自然带的生态过渡区和分带海拔，并利用野外采集数据验证识别结果。得到以下结论：

（1）从博格达山温带荒漠、山地草原、山地针叶林、高山草甸和高山垫状植被的LST的潜类别分析和AIC 值分析均表明相邻垂直自然带存在2 种不同生态系统稳定状态，同时证明遥感参数指标可以作为揭示山地不同生态系统稳态存在的因子。

（2）通过势能分析方法，基于遥感反演的LST可以探测垂直自然带中两个稳定状态的转换过程，利用野外考察的数据验证总体均方根误差为17.19 m，具有较高的精度。表明势能分析方法可探测相邻两个稳定状态的转换过程，从而获取沿海拔梯度垂直自然带间的转换范围及分带位置，为定量识别山地垂直带生态过渡区和分带海拔提供了新的思路和方法。

（3）基于遥感指标结合生态多稳态理论和物理学的势能分析方法定量识别沿海拔梯度垂直自然带间的转换范围及分带海拔是可行的，使得山地垂直自然带定量识别的基础理论和模型方法得到进一步拓展和深化。

但是，本文仅仅利用了Landsat 8 反演的LST指标进行了相关的分析研究，研究结果能否扩展到其他的遥感参数指标和不同空间分辨率的数据还有待进一步的研究。