张浔浔， 段阳海*， 吴淑莹， 谭昌海， 赵阳刚， 杨 斌， 文 浪， 肖志强， 孙 建

(1.中国地质调查局应用地质研究中心， 四川 成都 610036； 2.自然资源要素耦合过程与效应重点实验室， 北京 100055； 3.四川省华地建设工程有限责任公司， 四川 成都 610081； 4.四川省地质矿产勘查开发局成都水文地质工程地质中心， 四川 成都 610081； 5.北京师范大学地理学院， 遥感科学国家重点实验室， 北京100875； 6.中国科学院青藏高原研究所 青藏高原地球系统科学国家重点实验室， 北京 100101)

中图分类号：S162.5文献标识码：A

文章编号：1007-0435(2023)02-0479-10

Dynamic Monitoring of Vegetation in Tongtian River Basin and Its Responses to Climate Factors

ZHANG Xun-xun1,2, DUAN Yang-hai1,2*, WU Shu-ying3,4, TAN Chang-hai1,2, ZHAO Yang-gang1,2, YANG Bin1,2, WEN Lang1, XIAO Zhi-qiang5, SUN Jian6

(1.Research Center of Applied Geology of China Geological Survey, Chengdu, Sichuan Province 610036, China; 2. Key Laboratory of Coupling Process and Effect of Natural Resources Elements, Ministry of Natural Resources, Bejing 100055, China; 3. Sichuan Hua Di Building Engineering Co., Ltd, Chengdu, Sichuan Province 610081, China; 4. Chengdu center of hydrogeology and engineering geology of Sichuan provincial geology and mineral resources bureau, Chengdu, Sichuan Province 610081, China; 5. State Key Laboratory of Remote Sensing Science, School of Geography, Beijing Normal University, Beijing 100875, China; 6. State Key Laboratory of Tibetan Plateau earth system science, Institute of Tibetan Plateau Research, Chinese Academy of Sciences, Beijing 100101, China)

Abstract:Tongtian River is an important main stream of the source area of the Yangtze River. It is of great significance to study the vegetation growth and its response to climate factors in the source area of the Sanjiangyuan area. This paper focused the Tongtian River Basin by using the General regression neural network (GRNN) calculation model to invert the Leaf area index (LAI) and Fractional vegetation cover (FVC) data on the variation characteristics of LAI and FVC and their responses to climate factors. The results show:the vegetation in the Tongtian River Basin showed a significant fluctuating growth trend overall,with the growth rates of LAI and FVC being (1.2×10)-3·a-1and (0.9×10)-3·a-1respectively. The vegetation improvement areas in the basin are distributed in the valleys with lower altitude and better hydrothermal conditions,but the vegetation around Qumalai County and Zhiduo County with frequent human activities in the lower reaches of the river was degraded significantly. Vegetation in the basin mainly grew in the area above 4 000 m above sea level,and the vegetation growth was poor where the area locates at more than 5 200 m above sea level. The low vegetation coverage type existed the most area of that basin,and the medium to high coverage was concentrated in the lower reaches of the river. Compared with air temperature,precipitation was the dominant factor affecting vegetation coverage in the basin,and was significantly positively correlated with vegetation LAI and FVC.

Keywords:General regression neural network;Tongtian River Basin;Sanjiangyuan national Nature Reserve;Leaf area index;Fractional vegetation cover

植被在空气净化、水土保持及维持生态稳定等方面起着不可替代的作用，监测其生长状况具有重要价值[1-2]。叶面积指数(Leaf area index，LAI)是表征植被生长状况和冠层结构的重要参数[3-4]。而植被覆盖度(Fractional vegetation cover,FVC)是表征地表植被生长状况的关键指标[5]。目前利用遥感技术反演LAI是高效获取大尺度范围内LAI最为有效和快捷的方法[6-7]。反演LAI的方法主要为经验统计模型[8]和物理模型反演法[9]，经验统计模型法是构建LAI与观测光谱反射率之间的经验/半经验统计关系，从而获取未知LAI的过程。物理模型法是反演时通过输入遥感观测的地物光谱反射率来求解模型中的反演参数[10]。但两种方法在大尺度、长时间序列的LAI产品生产中均存在缺陷[11-12]。随着遥感手段日渐丰富，大量多维遥感数据的获取对非线性物理反演模型的优化要求不断提高，常规反演方法已经难以满足需求，故寻求一种高效、快速、稳定的反演方法尤为重要[13]。而人工神经网络(Artificial neural network,ANN)方法的引入很好地解决了复杂物理模型反演中非线性多维搜索的难题，且有效提高了利用卫星数据进行地表参数反演的精度和效率[14]。采用广义回归神经网络(General regression neural network,GRNN)相比于目前的MODIS和CYCLOPES LAI产品，能够更准确地反演时间上连续的LAI[15]。

当前研究大多是采用低分辨率LAI数据进行区域或者全球尺度上的植被监测及影响因素的分析，使用反演得到的中高分辨率LAI时间序列数据进行植被监测的研究较为少见[16]。除此之外，现有研究主要针对单一叶面积指数或植被覆盖度开展植被动态监测研究[17]，对于反映区域整体植被生长状况的结果存在片面和可信度不高的缺陷，缺少结合叶面积指数和植被覆盖度的变化规律开展植被时空演变特征的研究。因此通过反演得到较高分辨率的叶面积指数和植被覆盖度数据集，定量研究和掌握区域植被动态监测及其对气候因子的响应是保护生态系统建设的重要措施和有效途经。

长江上游的通天河段是长江源头最重要的干流，是森林植被分布的极限地带，在高寒生态环境和国民经济中具有重要作用[18]。但该流域自然条件相对较差，生态系统群落结构简单，其生态环境对全球环境变化和人类干预的影响有着较高的敏感性和脆弱性[19]，目前关于该流域植被遥感监测研究较少，故开展流域植被动态监测及影响机制研究对了解三江源区生态环境现状、变化以及生态环境保护修复有着重要意义。本文采用广义回归神经网络方法反演得到长时间序列250 m分辨率的叶面积指数和植被覆盖度数据集，开展2001—2019年通天河流域植被动态监测研究，探讨该流域植被在不同海拔和气候条件下的响应机制，为三江源区生态环境监测和下一步综合利用和治理提供重要的基础数据和技术支持。

1 材料与方法

1.1 研究区概况

本研究区为通天河流域，位于32°39′～35°78′ N，90°50′～97°56′ E，地处青藏高原腹地的三江源保护区(长江、黄河、澜沧江)，河流自囊极巴陇至楚玛尔河汇入口长278 km为通天河上游段，楚玛尔河汇入口以下至玉树的巴塘河口长550 km为通天河下游段[20]。流域内以山地和盆地为主要地貌类型，平均海拔达4 000 m以上，河谷海拔也在3 350 m以上，属于高寒高海拔地区[21]。通天河在青海境内由楚玛尔河、北麓河、沱沱河、尕尔曲、当曲五河汇合成一股(图1)，流域面积约(1.42×10)5km2，年平均气温在0℃以下，河谷年均温可达3.7℃～4.3℃，年均降水量超过350 mm[22]。植被类型以高寒草甸和高寒草原为主，高寒草甸植被主要以藏北嵩草(Kobresialittledale)、矮生嵩草(Kobresiahumilis)和异针茅(Stipaaliena)等为优势建群种，高寒草原植被主要以青藏苔草(Carexmoorcroftii)和紫花针茅(Stipapurpurea)等为优势建群种[23]。

图1 通天河流域地理位置Fig.1 Geographical location of Tongtian River Basin

1.2 数据与方法

1.2.1数据来源 本文通过反演预处理后的地表反射率数据(MOD09Q1)，利用广义回归神经网络生产连续的长时间序列LAI数据集，在此基础上，利用反演后得到的250 m分辨率LAI数据集，通过植被冠层的透过率来计算生成通天河流域2001年至2019年250 m分辨率的FVC数据集，其中遥感数据来源于美国国家航空航天局(National aeronautics and space administration,NASA,https://ladsweb.modaps.eosdis.nasa.gov/search/)的MODIS地表反射率数据(MOD09Q1)，时间分辨率每8 d一期，空间分辨率为250 m，每年一共46期；辅以通天河流域DEM矢量高程数据，数据来源于中国科学院地理科学与资源研究所(http://www.igsnrr.ac.cn/tjpt/kjpt_zc/kjptzc_sjfw/)，空间分辨率为250 m。

流域气温与降水数据采用ERA5 (ECMWF ReAnalysis) 气候再分析数据，数据来源于ECMWF运营的气候变化服务官网(https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5)，数据内容为距离地表2 m的空气温度、总降水量，数据空间分辨率0.25°，每天一期。

1.2.2叶面积指数反演数据与方法 本文利用广义回归神经网络(GRNN)集成通天河流域长时间序列遥感数据反演LAI[24](图2)。GRNN按流程可分为4层：输入层、隐层、总和层、输出层。输入层负责把输入向量分配给隐层的每个单元；隐层包括所有训练样本(i= 1,2,…,n)，当确定输入向量之后，计算输入向量与训练样本间的距离，并带入概率密度函数；总和层分为两个计算函数单元A和B；输出层计算A除以B，得到最终预测结果[25]。

图2 基于GRNN训练的MUSES LAI反演算法流程图Fig.2 Flowchart of MUSES LAI inversion algorithm based on GRNN training

GRNN的概率密度函数即核函数运用高斯函数计算，其输出表达式为：

(1)

1.2.3植被覆盖度计算研究方法 在生成以上长时间序列LAI数据集的基础上，FVC是利用植被冠层的透过率来计算其数值[26]。当光入射到植被冠层的顶部时，透过植被冠层的光的比例计算式为：

(2)

其中，φ是太阳天顶角，a为叶片的吸收率，Ω为聚集指数，LAI为叶面积指数，kc(φ)是冠层衰减系数，kc(φ)由下式计算：

(3)

其中，x是叶片水平表面与垂直表面的平均投影面积的比值，不同的植被类型，赋予x的值也不同。根据植被覆盖度定义，当植被覆盖度大小为1时，减去φ为0度时的冠层透过率，即

fCover=1-Ptr(0)

(4)

对输入的参数进行敏感性分析，表明对FVC变化最敏感的输入参数是LAI。本文利用上述方法来计算FVC，保证了FVC和LAI数据集的物理一致性。

1.2.4植被生长特征及其与气候响应的研究方法 在通天河流域植被空间分布特征研究中，由于流域内主要植被类型以高寒草甸和高寒草原为主[23]，且全年植被生长季节性明显，所以本文选取每年的第217 d作为LAI和FVC的空间分布研究时间，在第217 d前后通天河流域的植被生长达到顶峰，LAI和FVC值最大，是最具代表性的时间节点。

植被生长与气候的关系密切，本文采用ERA5再分析数据分析了通天河流域植被对气候因子的响应，并选择了与流域植被生长关系密切的温度、降水2个气候因子来分析气候变化对通天河流域植被的影响。为了消除气候因素之间的干扰，采用偏相关分析方法来探讨通天河流域植被对气候变化的响应情况。偏相关分析法的公式如下[26]：

(5)

式中：Rxy,z为去除变量z干扰后变量x，y之间的偏相关系数，Rxy，Rxz和Ryz分别为变量x与y，x与z，y与z之间的相关系数。

2 结果与分析

2.1 植被空间分布特征

基于GRNN反演得到2001—2019年通天河流域LAI、FVC空间分布图(图3)，从图中可见通天河流域植被主要分布在下游大部分地区，LAI值都在3.0以上，从下游往上游，随着海拔的不断升高，叶面积指数值逐渐减小。通天河上游海拔较高，植被稀少，在一些高海拔区域，FVC值接近零值，下游区域植被生长较好，大部分区域的FVC值在0.4以上。

2.2 植被时间变化特征

近19年通天河流域植被LAI和FVC在时间序列上总体均呈波动增长趋势，植被LAI增长速率为(1.2×10-3)·a-1，多年均值为0.352，FVC增长速率(0.9×10-3)·a-1，多年均值0.249(图4)。流域LAI,FVC经历了两次突增情况，第一次为2007—2010年，LAI由0.326增长到0.383，第二次为2015—2018年，LAI由0.325增长到0.379，波动增速达(2.1×10-3)·a-1和(1.7×10-3)·a-1，远高于多年平均增长速率，FVC增长情况与LAI表现一致。

通过计算通天河流域2001—2019年每年46期FVC栅格像元最大值，结合FVC最大值随年份变化的一元线性方程的斜率，以此生成2001—2019年FVC变化趋势空间分布图(图5)。绿色区域为流域内植被明显改善区，红色区域为植被明显退化区，白色为变化不明显区。由图可见，通天河流域大部分地区植被呈现增长趋势，中下游区域存在两个明显下降趋势的地区。通过与高程矢量数据叠加分析，呈现增长趋势的地区多分布在海拔较低水热条件较好的沟谷地带，而下降趋势明显的两个区域出现在人口聚集的曲麻莱县和治多县内。

根据通天河流域2001—2019年间年均植被LAI和FVC值的时间变化特征可以将2001—2019年划分为 3个时间段，即2001—2006年、2007—2012年和2013—2019年[29]。其中第二阶段相对于第一阶段的植被变化主要呈增加趋势(图6a)，中下游区域比上游区域增加趋势更明显；第三阶段相对于第二阶段植被整体变化趋势不大，在下游人口聚集的曲麻莱县和治多县周边地区植被覆盖退化明显(图6b)。

图3 第217 d叶面积指数、植被覆盖度空间分布图Fig.3 Spatial distribution of LAI and FVC on day 217

图4 LAI和FVC年际变化趋势Fig. 4 Inter-annual change trends of LAI and FVC

图5 2001-2019年FVC变化趋势空间分布图Fig. 5 Spatial distribution of FVC change trends from 2001 to 2019

根据通天河流域植被覆盖度的三个阶段的时空变化特征，大致分为四类[27]：一直增加(++)，一直减少(--)，先增加后减少(+-)，先减少后增加(-+)。其中FVC一直增加(++)和一直减少(--)的区域分别占27%和13%，FVC先增加后减少(+-)和先减少后增加(-+)的区域分别占40%和20%，流域内FVC总体呈动态波动增长趋势。从四类的空间分布可以看出(图7)，19年来流域内FVC一直增加的区域位于通天河主干流及其支流沿岸，FVC一直减少的区域集中位于下游人口稠密的曲麻莱县和治多县周边地区。

图6 通天河流域植被覆盖度阶段变化特征Fig.6 Phase variation characteristics of the fractional vegetation coverage in Tongtian River Basin

图7 通天河流域不同阶段时空变化特征分布图Fig.7 Spatial distribution of the changes of fractional vegetation coverage in Tongtian River Basin

2.3 植被覆盖特征

根据通天河流域植被覆盖度特征，本文将流域内植被覆盖特征分为4个等级：高植被覆盖(FVC>0.75)、中植被覆盖(0.75>FVC>0.35)、低植被覆盖(0.35>FVC>0.1)、极低植被覆盖(FVC<0.1)[28-29]。通过植被等级空间动态分布图(图8)可见，通天河流域植被覆盖类型以低覆盖为主，遍及流域上中下游各个地区，植被中高覆盖区集中在河流下游河谷地带，而在上游地区主要以低和极低覆盖为主。通过与DEM地面高程数据进行对比分析后发现(图9)，通天河流域整体呈西高东低的地形走势，与河流自西向东的流向一致。流域内植被主要生长在海拔4 000 m以上的高寒地区，其中平均海拔超过5 200 m以上的河流上游地区植被生长差，以低、极低植被覆盖为主，中、高覆盖主要分布在海拔相对较低的4 800 m以下的下游河谷地区。

2.4 植被生长气候影响分析

由于标准距平能更好的在消除离差的基础上降低自相关误差带来影响，故本文通过计算2001—2019年LAI，FVC、降水和气温的标准距平值来探讨通天河流域植被生长状况对气候因子的响应情况[30]。由图10可知，通天河流域2001—2019年LAI与FVC和年均降水量之间呈显著正相关性，在年均降水较大的2005年、2009年和2018年，年LAI和FVC也相对较大；在年均降水量显著减少的2007年、2013年和2015年，年均植被覆盖度也相对较少，且二者的变化趋势基本一致，表明通天河流域降水是影响植被生长状况的重要影响因素。

为避免各因子之间的相互影响，文章运用偏相关分析的方法来讨论研究气温、降水与植被生长之间的相关性，得到植被LAI与降水、气温的偏相关系数分别为0.638和-0.177，FVC与降水、气温的偏相关系数分别为0.623和-0.199，其中LAI，FVC与降水量的数据结果均通过了P<0.01的显著性检验(表1)。由此表明，相较于气温而言，降水是通天河流域植被的主要影响因素，且与植被LAI和FVC呈显著正相关关系，气温呈现一定程度的负相关性。

图8 植被等级空间动态分布图Fig.8 Spatial dynamic distribution map of the grades of the vegetation cover

图9 各海拔梯度四种覆盖类型面积占比图Fig.9 The area proportion of the four grades of vegetation cover at the elevation classes

图10 2001—2019年LAI,FVC与气温、降水标准距平图Fig.10 Standard anomalies of LAI,FVC,temperature and precipitation from 2001 to 2019

表1 LAI,FVC与降水量、温度的偏相关分析表Table 1 Partial Correlation Analysis of LAI, FVC with precipitation and temperature

3 讨论

本文通过广义回归神经网络(GRNN)反演生产得到通天河流域2001—2019年250 m分辨率的LAI和FVC数据集，对比业内普遍分辨率500 m的LAI和FVC数据产品，在保证数据准确可靠的基础上获得了更高空间分辨率的产品。有利于提升通天河流域植被动态监测结果的准确性和可信度，该反演方法的反演精度和可行性得到了肖志强等的一致认可[25]。

通过上述通天河流域植被动态监测结果，可以发现该流域植被总体呈波动增长趋势，这与李伟霄等[31]的结论基本一致，也与饶品增等[32]基于MODIS植被指数产品研究2000—2019年NDVI时空变化结果吻合。可见，通天河流域植被整体变好，且呈现下游较好、上游较差的空间分布特征，但下游植被生长存在两个明显退化区域。本文通过叠加高程矢量数据分析表明下游人口聚集的曲麻莱县和治多县周边地区植被退化明显，结合文献查阅后表明：该区域内由于长期超载过牧、天然草地滥垦乱开、矿产资源过度开发、气候异常变化等一系列综合原因导致草地植被系统退化、沙化，草原生产力下降，造成草地植被覆盖度近些年持续下降[33-34]，这一现象与人类活动加剧和全球气候变化导致河流中下游地区生态环境遭到破坏密切相关[35]。但近年来，随着国家和地区对于三江源保护区的重视与关注，生态环境保护措施不断丰富，流域生态环境总体呈现稳定向好的发展趋势，故而2001—2019年来通天河流域植被生长总体呈现显著波动增长趋势。

降水和气温是影响植被变化状况的主要因素[36]，本文运用偏相关分析的方法探讨降水、气温和LAI，FVC的相关关系，研究发现降水是影响通天河流域植被生长状况的主要因素，对植被的生长发育存在显著的促进作用。气温则呈现负相关性，但影响程度不及降水，表明随着气温的升高，对通天河流域植被生长存在一定程度的抑制作用，但作用程度不大，这与赵芳等[37]和高思琦等[38]的研究结果近似或一致。这是由于通天河流域主要植被类型以高寒草甸和高寒草原为主，降水量的增加有利土壤水分和养分的运转、植被吸收和生长，而升温在一定程度上加速土壤水分蒸发，抑制了植被生长，但因该流域地理位置和生态环境的特殊性，气温对其植被生长的作用效果不明显。而陈琼等[39]和唐红玉等[40]的研究表示三江源区植被变化的主要影响因素是气温，由于此前的相关研究所使用的单一植被指数数据分辨率仅为8 km[38]，本研究采用的则是精度和质量均优于前者的250 m的LAI和FVC数据，且研究结论是两者结合分析，反映出的通天河流域植被生长规律更为准确，同时研究结果的差异也可能与研究时间尺度和空间范围的不同有关。

长时间序列的植被变化是一个复杂的过程，本文只研究了通天河流域植被生长对气候条件响应的规律，并未深入植被对气候条件变化的时滞性不同。同时由于通天河流域的地理特殊性，植被的生长不仅与气候条件有密切关系，同时与流域冰川消融和冻土作用亦有紧密关系，其影响机制和程度还有待进一步研究。

4 结论

本文通过GRNN反演预处理后的地表反射率数据(MOD09Q1)生产了2001—2019年250 m分辨率的LAI和FVC数据集，探讨了通天河流域植被时空变化特征及其在不同海拔和气候条件下的响应情况。研究发现通天河流域植被主要分布在中下游区域，流域总体植被覆盖类型以低覆盖为主，主要生长在海拔4000 m以上的高寒地区，海拔升高植被生长逐渐受限；流域植被总体得到改善，明显改善区分布在海拔较低水热条件较好的沟谷地带，明显退化区分布在曲麻莱县和治多县周边地区；该流域植被生长的主要影响因素是降水，气温作用效果不大。本文通过遥感手段对通天河流域植被进行了长时间动态监测，为更加合理有效的保护和改善流域植被生长状况提供新的科学依据，同时为三江源保护区的生态环境保护提供了一定理论和技术支撑。