基于Landsat时间序列的祁连山干旱半干旱生态系统植被干扰因子解析及其生态意义

这篇研究创新性地提出SVCD-RF（基于形状特征的植被变化检测-随机森林）方法，整合时间序列分析与机器学习算法，首次在祁连山牧场-森林混合生态系统中实现30米精度的植被干扰因子（开发退化DD/农业扩张AE/绿化）分类，验证精度达85%-89%，揭示了2012年前后AE向Greenup的干扰格局转变，为干旱区生态监测提供新范式。

　　

Highlight

牧场主导的生态系统在自然气候解决方案中具有核心地位，但当前干扰因子解析研究多集中于森林生态系统。本研究提出的SVCD-RF方法，通过整合光谱-时序-地形特征，成功破解了干旱区低生物量环境下破碎化干扰的识别难题。

Study area

祁连山作为中国西北重要的生态过渡带，海拔梯度造就了从荒漠草原到针叶林的多样植被带（图1）。该区域近三十年经历着人类活动与自然干扰的复合压力，但高分辨率干扰因子图谱仍属空白。

Importance of predictor variables

通过基尼指数分析发现：牧场生态系统中NDVI差异值贡献度最高（21.3%），而森林系统则依赖坡度（18.7%）和NDVI恢复速率（15.2%）。这种差异印证了地形因子对森林干扰的调控作用更强。

Attributing causal agents of disturbance in pasture-dominated ecosystems

干旱区牧场因植被-裸土混合光谱特性（Asner and Heidebrecht, 2002），其干扰识别长期面临挑战。本研究通过提取干扰前-中-后三期特征（如NDVI_post-NDVI_pre），首次实现牧场尺度AE与DD的精确分离。

Conclusions

基于1990-2019年Landsat数据，SVCD-RF方法在祁连山实现三类干扰因子的制图（总体精度>85%）。量化显示：2012年前AE主导（1107.90±51.14 km²），之后Greenup成为主要过程。该方法为混合景观干扰研究提供了普适性框架。