-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
水利工程调控能否缓解气候变化导致的大型洪泛湿地鸟类食源植被退化？
《Water Resources Research》：Can Water Conservancy Project Regulation Mitigate Climate Change-Induced Degradation of Avian Food Vegetation in Large Floodplain Wetlands?
【字体： 大 中 小 】 时间：2025年09月14日 来源：Water Resources Research 5
编辑推荐：
本综述通过整合二维水动力模型与元胞自动机(CA)，构建了植被群落模型，模拟了气候变化与水利工程(如鄱阳湖闸门)调控对洪泛湿地鸟类食源植被的复合影响。研究发现气候变化加剧干旱会导致湿生植被(如苔草Carex cinerascens, CC)退化，而闸门运行短期内虽淹没部分湿生植被，但长期通过稳定水位和延长淹水时间促进沉水植被(如苦草Vallisneria natans, VN)生长，最终缓解气候变化引起的植被减少。该研究为大型洪泛湿地的生态保护提供了可迁移的方法论支持。
湿地植被是湿地生态系统的核心组成部分，具有减缓水蚀、保护物种多样性、为水鸟提供食物和栖息地等生态功能。大型洪泛湿地的水文情势是驱动湿地生态系统结构与功能的主要因素，影响植被的物种多样性、群落结构和空间分布。气候变化可能改变洪泛湿地的水文情势，导致鸟类食源植被退化。目前，一系列湿地保护措施被提出以缓解这种退化，包括调水工程和生态堤坝倡议。其中，水利工程（如闸坝）的建设可直接改变水文情势，成为缓解湿地植被退化的重要策略。因此，亟需研究气候变化对洪泛湿地鸟类食源植被变化的影响，并评估水利工程建设对此变化的作用。
气候变化通过多种机制诱导洪泛湿地鸟类食源植被退化，主要包括水文情势的改变。气候变化引起的水位下降导致沉水植被减少，周期性干旱加剧生态系统服务和水生栖息地的退化。此外，水文情势和极端水文事件频率的改变预计在气候变化下会加剧，可能导致洪泛湿地鸟类食源植被持续退化。
除气候变化外，水利工程对湿地植被的影响仍存争议。一些研究者认为水利工程对河岸植被多样性有负面影响，导致鸟类食源植被减少；同时，水利工程建设可能抬高水位，淹没多种植物，对湿地物种多样性和植物丰度产生重大不利影响。相反，其他学者认为此类工程可扩大湿地的淹没范围、持续时间和深度，从而增强湿地植被多样性并改善水鸟栖息地质量。因此，水利工程有可能通过延长大型洪泛湿地的淹水时间来缓解气候变化引起的退化。然而，目前缺乏对气候变化和水利工程调控对大型洪泛湿地鸟类食源植被复合影响的有效量化。
绘制鸟类食源植被群落分布是量化其对气候变化和水利结构响应的重要前提。野外监测和遥感测绘是获取植被群落分布的两种最常用方法。野外监测精度高但耗时费力，仅适用于小区域；遥感技术可全面扫描整个研究区域，提供了一种区分和估算湿地植被群落的实用且经济的方法。然而，基于遥感的方法在水文条件剧烈变化时无法有效预测植被群落动态。近年来，基于元胞自动机(CA)的植被模型通过整合环境因素和植被生长需求，被用于模拟植被群落的时空变化。该模型可建立湿地环境条件与适宜植被栖息地分布之间的定量关系，从而模拟环境条件变化后的植被群落分布。但其在预测未来气候变化和水利工程调控下的植被群落方面的能力尚未充分探索。
为填补上述知识空白，本研究假设(a)气候变化下洪泛湿地鸟类食源植被将持续退化，(b)水利工程调控将缓解鸟类食源植被的退化。为验证这些假设，开发了一个植被群落模型，结合二维水动力模型和CA模拟气候变化下的植被动态，并研究了气候变化和水利工程调控对鸟类食源植被的复合影响。
本研究框架整合了二维水动力模型和元胞自动机(CA)，以预测有无水利工程效应下气候变化对洪泛湿地鸟类食源植被群落的变化。首先，二维水动力模型由水利工程运行规则和边界条件数据驱动，获取水文情势；鸟类食源植被群落通过机器学习分类算法识别。然后，基于植被群落与水文情势的响应关系建立CA植被群落模型。利用有无水利工程调控下的气候变化水文情势驱动开发的CA植被群落模型，模拟相应情景下的植被群落。最后，通过比较有无水利工程的情景评估水利工程调控对鸟类食源植被群落的影响。
考虑周期性洪水的复杂地形，采用基于干湿技术和非结构化网格的二维水动力模型Mike21 FM模拟洪泛湿地的水文情势。干湿技术操作如下：(a)当网格上水深极小时，动量通量设为0，仅考虑质量通量；(b)干旱条件下，网格被忽略直至再次淹没。非结构化网格技术允许对河流网格进行局部细化以准确表示复杂地形。
大量研究表明，大型洪泛湿地植被的生长、群落结构和空间分布与水位、水深和淹水时间等水文情势指标相关。其中，湿地植被对淹水时间的变化更为敏感。因此，本研究选择年淹水时间作为植被群落的潜在水文情势效应因子。此外，鄱阳湖内的湿地高程 inherently 决定了其水文情势特征，因此高程数据也被选为表征水文情势对植被群落综合影响的关键指标。
先前研究通过利用基于植被物候专家知识的机器学习分类算法在湿地植被群落识别方面取得进展。因此，本研究采用常用的基于决策树的机器学习算法(Light Gradient Boosting Machine, LightGBM)，结合植被物候信息作为特征，识别鄱阳湖的植被群落。然后，植被群落与水文情势的关系可用高斯曲线表示。这种“钟形曲线”关系说明了植被生长、衰退和峰值响应驱动因素的不同阶段。因此，本研究采用高斯曲线描绘水文情势对洪泛湿地植被响应的影响。生态阈值由参数u和t确定，将环境梯度分为两个区间：最优(u?t, u+t)和受限(<u?2t, >u+2t)。
本研究开发了一个基于CA的模型，用于预测有无水利工程效应下气候变化对洪泛湿地鸟类食源植被群落的变化。CA的基本要素是细胞、状态、邻域和规则。植被群落的模拟主要基于CA的转换规则和邻域条件。采用过滤器定义细胞邻域，并根据邻域与中心细胞的距离建立空间权重，以确定中心细胞状态是否变化。随后，利用马尔可夫转移矩阵和适宜性图建立细胞转换规则，该规则由植被群落与水文情势的拟合关系确定。马尔可夫转移矩阵表示连续时间步长从一种植被类型状态转移到另一种植被类型状态的概率，从而控制植被类型的时间演变。适宜性图描述了植被类型的空间概率分布，从而控制植被类型的空间转换规律。
因此，水文情势被用于驱动基于CA的植被群落模型，模拟植被动态。本研究中，年淹水时间、湿地高程和当前植被群落是CA植被群落模型的主要输入参数，而输出参数是下一时间的植被群落。
鄱阳湖盆地位于长江中下游南岸(113°35'–118°29' E, 24°29'–30°05' N)。它汇集了赣江、抚河、信江、饶河和修水河的流入，最终在鄱阳湖口流入长江，形成一个综合的盆地系统。鄱阳湖位于盆地最北端，是拉姆萨尔公约重要的保护湿地，总面积约3,000平方公里。鄱阳湖主要湿地区域拥有两个国家级自然保护区和一個省级自然保护区，均致力于保护越冬水鸟。近年来，气候变化和强烈人为干扰导致鄱阳湖枯水期提前和延长、湿地面积减少以及候鸟栖息地退化。为应对这些挑战，江西省政政府于2013年提议在湖口修建一座闸门，以调节其流入长江的流量，试图改善湿地。然而，此类水利工程建设对鄱阳湖鸟类食源植被(水鸟栖息地适宜性的重要指标)的影响仍存争议。
在鄱阳湖国家级保护区内，有许多碟形湖分配给当地渔民。在候鸟越冬期间，当鄱阳湖水位下降时，这些碟形湖与主湖隔离。因此，渔民人工调节其分配湖泊的水位，给候鸟越冬期间鄱阳湖的水动力模拟引入了显著不确定性。同时，省级自然保护区是鄱阳湖候鸟的重要栖息地，每年接待数十万只重要候鸟物种，如白鹤、白枕鹤和小天鹅。因此，本研究主要关注省级保护区内鸟类食源植被的分析。
本研究使用的数据来源详细描述见表1。获取了2009–2018期间的高程数据、流量和水位数据，以建立鄱阳湖的二维水动力模型。遥感数据(NDVI)用于植被群落分类，分类后的植被群落数据用于拟合与水文情势的响应关系。通过流域水文模型与深度学习相结合，获取了2021–2050期间气候变化下的未来流量和水位数据。未来流量和水位数据以及水工结构数据用于评估水工结构对气候变化下鸟类食源植被群落变化的影响。
本研究设计并模拟了四种不同情景，即两种气候变化情景(SSP 1–1.9和SSP 2–4.5)下有无鄱阳湖闸门运行的鸟类食源植被群落变化。采用代表性的低排放和中排放情景(SSP 1–1.9和SSP 2–4.5)，因为高排放情景(SSP 3–7.0和SSP 5–8.5)在清洁能源成本持续下降的背景下逐渐变得不太可能。根据2016年提出的拟建鄱阳湖闸门的最新运行规则，闸门仅在枯水期运行。本研究选择2009年至2018年作为基准期，以评估气候变化引起的植被群落变化，并确定闸门运行对植被群落的影响。
本研究中，采用非结构化网格表示二维水动力模型中的地形，基于湿地高程数据。需要网格划分的总面积为3,057平方公里，涵盖整个鄱阳湖湿地。最终，鄱阳湖湿地被划分为82,691个网格和43,987个节点。五河(赣江、抚河、信江、饶河和修水河)的径流作为水动力模型的流入边界，日流量(m3/s)作为输入边界条件。湖口作为模型的流出边界，日水位(m)作为输入边界条件，湖口站作为水文控制站。水动力模型的糙率系数设为空间变化值，从河道的0.018过渡到滩地的0.028。二维水动力模型的率定和验证结果如图S3所示。2009–2014和2015–2018期间分别作为率定期和验证期。整体上，水位的率定和验证结果具有较高的Nash-Sutcliffe效率系数(0.83–0.99)。
基于现有文献和野外调查，研究区(鄱阳湖省级保护区)的植被类型分类为湿生植被(如苔草Carex cinerascens, CC；虉草Phalaris arundinacea, PAa；蓼Polygonum criopolitanum, PC；芦苇Phragmites australis, PAs；南荻Triarrhena lutarioriparia, TL)和沉水植被(如苦草Vallisneria natans, VN)。先前研究发现CC、PAa和PC的湿生植被以及VN的沉水植被是鄱阳湖越冬水鸟的主要食物来源。由于水深能很好地代表VN沉水植被的生长，通过二维水动力模型获取的水深阈值(0.4米 < 水深 < 3.0米)直接用于提取适宜的VN鸟类食源植被区域。因此，本研究主要关注建立湿生植被群落模型。特别地，根据水鸟对植物的偏好及其对洪水的适应性，将五种湿生植被群落分类为三类(CC、PAa-PC和PAs-TL)用于模拟植被群落变化。CC和PAa-PC的植被群落代表鸟类食源植被，而PAs-TL的植被群落代表非鸟类食源植被。2009–2018期间的植被群落(CC、PAa-PC和PAs-TL)使用LightGBM分类算法获取，用于建立与水文情势的关系并评估植被群落模型的性能。采用高斯拟合检验水文情势(即年淹水时间和高程)与植被群落之间的关系。
本研究中，CA网格划分为17,566个250×250米的矩形网格，总面积1,047平方公里。采用5×5过滤器表示CA的扩展摩尔型邻域模型。年淹水时间和高程用作模拟植被群落的控制条件。年淹水时间从二维水动力模型获取，因为水动力模型可提供日水位淹没数据，并可用于评估气候变化和水利工程调控下的日水位淹没条件。基于植被类型与年淹水时间(或高程)的关系开发了马尔可夫转移矩阵和适宜性图。具体地，根据前一年的植被类型，研究区所有细胞分为三类(CC、PAa-PC和PAs-TL)。然后，使用高斯曲线公式计算每个细胞生长为三种类别之一的概率，基于每个细胞的年淹水时间(或高程)具体值。每个细胞计算三次以确定该细胞中每种植被类型的发生概率。最后，通过累加区域内每个细胞的概率，获得植被类型从前一年状态转变为当前年三种植被群落的总概率。最终，基于年淹水时间和高程分别获得两个3×3矩阵，然后叠加这两个矩阵获得综合概率转移矩阵。适宜性图基于计算年的年淹水时间(或高程)和不同植被类型的生态阈值，使用模糊集隶属函数生成。考虑植被类型与年淹水时间(或高程)的高斯响应关系，使用模糊集隶属函数中的“J”对称函数计算不同植被类型的适宜性。计算了三种植被类型的两个适宜性图(年淹水时间和高程)。随后，叠加这两个适宜性图计算综合适宜性图。计算出的马尔可夫转移矩阵和适宜性图然后用于推导CA转移规则。
通过整合二维水动力模型与基于CA的植被群落模型，本研究建立了一个水动力驱动的植被群落模型。从水动力模型获取的当前水文情势指标用于驱动基于CA的植被群落模型，模拟鄱阳湖植被群落的当前年和年际动态。本开发的基于CA的植被群落模型中的主要不确定参数主要源于细胞转移规则中控制条件(年淹水时间和高程)的权重和细胞循环次数。因此，本研究对植被群落模型中控制条件的权重和细胞循环次数进行了敏感性分析。使用LightGBM分类算法获取的2011年至2018年植被群落作为实测数据，用于率定和验证基于CA的植被群落模型。率定期为2011年至2015年，验证期为2016年至2018年。选择Kappa系数评估植被群落模型的性能，该系数从混淆矩阵计算以评估模型分类结果的一致性。
图4显示了鄱阳湖植被群落与年淹水时间的高斯拟合结果。可见，湿生植被群落对年淹水时间的响应关系呈现明显的高斯分布，p值均小于0.01。拟合结果的R2范围从0.92到0.94，CC的拟合效果最好。对于生态阈值的统计结果(表2)，可见PAs-TL的生态阈值最小，其最优淹水时间仅介于95至156天之间。PAa-PC具有最强的适应洪水能力，其最优生态阈值介于199至271天之间。
图5显示了植被群落与湖泊地形的高斯拟合结果。鄱阳湖湿生植被群落对高程的响应关系呈现明显的高斯分布，p值小于0.01，R2值为0.99。对于生态阈值的统计结果(表3)，显示PAa-PC的生态阈值最小，最适宜分布高程范围从9.5米到11.6米。PAs-TL的生态阈值范围最大，最优分布高程从12.9米到15.0米。
图6a–6b显示了基于CA的植被群落模型的敏感性分析结果。显然，控制条件的不同权重对模型模拟结果的影响远大于细胞循环次数的变化。因此，可以得出结论，确定适当的控制条件权重至关重要，因为它是我们模型的关键参数。本研究中，细胞循环次数设为5；年淹水时间的权重设为0.8，表示高程的权重为0.2。图6c显示了2016年至2018年鄱阳湖植被群落模型的验证结果。整体上，基于CA的植被群落模型性能良好，具有相对较高的Kappa值(0.58–0.62)。模拟植被群落的空间分布与实测植被群落具有良好一致性，表明所提出的植被群落模型的可靠性。
图7展示了SSP 1–1.9和SSP 2–4.5气候变化情景下2021年至2050年鄱阳湖植被群落的时空动态。CC、PAa-PC和VN代表鸟类食源植被群落，而PAs-TL和非VN代表非鸟类食源植被群落。如图6所示，在基准期，植被群落从研究区南部到北部主要以PAs-TL、CC和PAa-PC为主。PAs-TL主要分布在南部。然而，在SSP 1–1.9情景下，到2030年，研究区中部出现更明显的非鸟类食源植被群落。到2050年，湖南部的鸟类食源植被显著减少，而湖北部的非鸟类食源植被显著增加。SSP 2–4.5情景下植被群落的变化与SSP 1–1.9情景基本一致。具体地，中部地区非鸟类食源植被显著增加，而北部植被呈现向中部扩散的趋势。
图8展示了基准期(2009–2018)和SSP 1–1.9和SSP 2–4.5气候变化情景(2021–2050)下鄱阳湖鸟类食源植被的面积变化趋势。在基准期，鸟类食源植被群落主要为湿生植被(621.0平方公里，90%)，而沉水植被占一小部分。在SSP 1–1.9气候变化情景下，植被面积预计从2021年的680.8平方公里减少到2050年的608.3平方公里，呈现快速下降趋势(斜率 = ?1.42)。相反，在SSP 2–4.5气候变化情景下，呈现缓慢下降趋势(斜率 = ?0.51)，从2021年的674.5平方公里到2050年的647.7平方公里。
图9展示了SSP 1–1.9和SSP 2–4.5气候变化情景下2021年至2050年鄱阳湖闸门运行对植被群落的时空动态。湖北部的植被群落发生了重大变化，大面积的鸟类食源湿生植被被淹没。湖东部出现了大面积的VN。同时，闸门运行阻止了湖南部非鸟类食源植被的扩张。例如，2040年至2050年期间PAs-TL的面积呈现下降趋势。整体上，闸门运行显著改变了湖北部的植被群落，但湖南部和中部植被群落变化不显著。SSP 2–4.5情景下闸门运行的植被群落变化与SSP 1–1.9情景基本一致。
图10展示了SSP 1–1.9和SSP 2–4.5气候变化情景下闸门运行对鸟类食源植被的面积变化趋势。鄱阳湖闸门的建设对鸟类食源植被群落有显著影响，导致湿生植被面积显著减少，沉水植被面积明显增加。与基准期相比，SSP 1–1.9和SSP 2–4.5情景下湿生植被的平均减少面积分别达到187.5和189.8平方公里。然而，同时沉水植被显著增加，平均增加面积达到187.1平方公里。与无闸门运行相比，闸门运行下鸟类食源植被的减少趋势随时间放缓(SSP 1–1.9和SSP 2–4.5情景下分别为?0.2和?0.15)。
图11展示了基准期和未来气候变化情景下有无闸门运行每10年鸟类食源植被的平均面积。如图10所示，基准期鸟类食源植被的平均面积为676.7平方公里。与基准期鸟类食源植被的平均面积相比，未来气候变化情景下三个时间段的鸟类食源植被平均面积呈现明显下降趋势。未来气候变化情景下闸门运行的鸟类食源植被平均面积呈现先下降后上升的趋势。这些发现表明，闸门运行在短期内对鸟类食源植被有负面影响。然而，长期来看，闸门运行对鸟类食源植被的负面影响将逐渐减弱，从而缓解气候变化引起的整体减少趋势。
水文情势被认为是湿地植被群落的主要驱动力，因为水文情势的变化可直接影响种子萌发、植物生存、生长和繁殖，并通过土壤养分可用性或种间竞争间接影响物种组成。本研究中，选择年淹水时间和湿地高程作为植被群落的潜在水文情势效应因子，因为鄱阳湖湿地植物生态系统的结构与湿地高程和淹水时间百分比密切相关。此外，本研究发现PAs-TL与年淹水时间的最优生态阈值最小(95–156天)，而PAa-PC具有最强的适应洪水能力，最优生态阈值为199–271天(图4和表2)。发现表明PAa-PC偏好相对潮湿的环境，PAs-TL偏好相对干燥的环境，表明植被群落的分布受水文梯度影响。总体而言，植物预计在不同水文情势下表现出 divergent 响应，展示出 distinct 生态和生理特征。本研究中，发现植被群落的洪水适应顺序为PAa-PC、CC和PAs-TL。与PAs-TL相比，PAa-PC和CC表现出对洪水条件的显著适应能力。这种恢复力的主要原因在于它们通过采用逃避策略(如枝条伸长)或耐受策略(包括休眠和缓慢生长)来应对水分胁迫。相反，PAs-TL与高程的生态阈值最大，而PAa-PC与高程的生态阈值最小(图5和表3)。这是因为较低的湿地高程 inherently 经历更长的淹水时间。这也可以解释为什么植被群落从研究区南部到北部主要以PAs-TL、CC和PAa-PC为主。
大量研究表明，气候变化可通过改变降雨、温度、洪水、干旱和其他水文极端事件的时间、频率和强度显著影响湿地水文情势。我们先前发表的研究表明，鄱阳湖的干旱条件预计未来将加剧。在此背景下，CC和PAa-PC等优势湿生植物的生物量可能下降，而PAs-TL的生物量预计增加。如图8和图11所示，本研究揭示了气候变化导致鄱阳湖省级自然保护区鸟类食源植被减少，从而影响候鸟栖息地。从2020年代到2040年代，鸟类食源植被面积呈现下降趋势。此外，非鸟类食源植被从南部扩展到研究区中部。在SSP 1–1.9和SSP 2–4.5气候变化情景下，非鸟类食源植被主要集中在2022年研究区南部。到2036年，其覆盖将显著增加，最终到2050年显著扩展到中部和南部地区(图7)。从图S7可见，年淹水时间从2022年主要120–150天减少到2036年90–120天。到2050年，适宜非鸟类食源植被生长的区域显著向中部扩展(图S8)，导致先前集中的非鸟类食源植被从南部扩展到研究区中部。注意到，由于两种气候变化情景(SSP 1–1.9和SSP 2–4.5)下植被动态差异很小，本研究未对此类差异进行过多讨论。然而，与低排放情景(SSP 1–1.9)相比，高排放情景(SSP 5–8.5)下水文情势预计呈现一定程度的变化。因此，未来其他地区的研究应考虑气候模型间差异对植被生长的影响。
大型洪泛湖通常具有复杂的地貌和水文情势，导致对大型水坝的响应更加复杂和异质。洪泛湖上水利工程建设 disrupt 正常的水位波动模式，从而改变淹没过程并迫使湿地生态系统变化。本研究揭示，与气候变化情景相比，鄱阳湖闸门运行后研究区南部的非鸟类食源植被没有显著增加。例如，在SSP 1–1.9情景(与SSP 2–4.5情景类似)下闸门运行，非鸟类食源植被主要位于2022年研究区南部，这种分布直至2050年保持不变(图9)。根据图S9，闸门运行导致该区域年淹水天数增加(约30–60天)，从而限制了高适宜性非鸟类食源植被区域的扩张(图S10)。因此，非鸟类食源植被(PAs-TL)面积呈现相对稳定趋势。
此外，本研究证明闸门运行在短期内对鸟类食源植被有负面影响。然而，长期来看，闸门运行对鸟类食源植被的负面影响将逐渐减弱(图11)。这种现象的主要原因归因于闸门运行引起的水位上升淹没湿生鸟类食源植被，从而导致其初始减少。然而，闸门运行后某些植被面积增加， due to 稳定水位和增加淹水时间为沉水植物生长提供有利条件。随着时间的推移，气候变化引起的鸟类食源植被减少将被闸门运行抵消，表明闸门运行有可能增加支持鸟类食源的沉水植被面积。
尽管已开发许多植被模型模拟植被动态，但它们都有自身缺点。例如，Knaap等人使用PROBE植被模型预测气候变化下地表植物的分布模式。然而，该模型需要详细的植物生理和生态参数，如光合作用、呼吸和水分利用效率，这些通常不可用。Zhang等人基于长期气候条件与湿地调查的统计关系模拟了未来气候变化下湿地植被的面积变化，但无法有效考虑水文过程对洪泛植物的影响。本研究中，通过整合二维水动力模型开发了一个便捷的基于CA的植被群落模型，以反映水文情势与植被群落之间的动态响应关系。由于气候变化和水利工程调控可引起水文情势变化，所提出的基于CA的植被群落模型能够预测气候变化和水工建设复合影响下大型洪泛湿地鸟类食源植被的变化，预计可迁移和适用于其他洪泛湿地。然而，应注意，所提出的基于CA的植被群落模型基于植被群落与水文情势的年际统计关系建立。年内植被生长和植被种间竞争的动态关系未被考虑，这可能带来一些误差。此外，本研究重点关注调查气候变化和水利工程调控对大型洪泛湿地鸟类食源植被的影响。然而，其他因素，如极端气候事件、水质恶化和土地利用变化(如城市化)，可能对植被生长施加显著影响。未来研究可考虑更多因素以构建更稳健的植被群落模型。
本研究通过整合二维水动力模型和元胞自动机开发了一个植被群落模型，以预测气候变化和水利工程调控对大型洪泛湿地鸟类食源植被的复合影响。结果表明，植被群落与水文情势的关系呈现明显的高斯分布。气候变化影响下鄱阳湖省级自然保护区鸟类食源植被将持续退化。闸门运行显著改变了研究区北部的植被群落，但有效阻止了湖南部PAs-TL非鸟类食源植被的扩张。闸门运行后湿生鸟类食源植被面积显著减少，而沉水鸟类食源植被面积增加。闸门运行在短期内对鸟类食源植被有负面影响。然而，随着时间的推移，气候变化引起的鸟类食源植被减少将被闸门运行抵消。
生物通微信公众号
