利用地理空间分析方法研究印度锡金喜马拉雅地区的土地利用/土地覆盖变化、地表温度及气候变异性

《Geocarto International》：Land use/land cover change, land surface temperature and climatic variability using geospatial analysis in the Sikkim Himalaya, India

　　摘要：锡金喜马拉雅地区是一个脆弱的高海拔生态系统，正日益受到气候变化和人为压力的威胁，导致土地利用和土地覆盖（LULC）以及水资源的转变。目前关于LULC、地表温度（LST）、气候变异性以及社区视角的综合研究仍然有限，这些研究未能充分捕捉锡金地区人类与环境的相互作用。本研究利用了1988年至2020年的Landsat图像、1985年至2017年的气象数据以及2017年至2019年的社区调查结果。研究发现森林覆盖率下降了约12.6%，建筑用地面积增加，地表温度上升了1°C至1.9°C，并且降雨模式变得不规律。社区调查结果也证实了温度升高和水资源减少的现象。这些发现强调了采取基于生态系统和社区驱动的适应策略的紧迫性，这有助于实现可持续发展目标（SDGs）13和15。未来的研究应侧重于整合高分辨率卫星数据、先进的气候-土地相互作用模型以及长期野外监测，以增强对该地区生态系统响应的预测能力。

关键词：气候变化；地理空间技术；本土知识；喜马拉雅山脉；可持续发展目标

1. 引言
气候变化日益明显。据估计，随着大气中二氧化碳浓度的增加，地球系统将发生显著变化，政府间气候变化专门委员会（IPCC）预测1990年至2100年期间全球气温将上升1.4°C至5.8°C（Cubasch 2001年）。全球平均地表空气温度的上升速度比工业化前（1850–1900年）到现在的（2018–2019年）更快（IPCC气候变化报告2007年、2018年）。平均地表温度上升了1.53°C，而全球平均表面温度上升了0.87°C（Jia等人2019年）。地表温度是指土壤表面的温度（对于裸露的土壤）或植被覆盖地面的温度（Khandelwal等人2018年）。气温升高和气候变化是当代最大的威胁，影响着粮食生产、粮食安全、水资源供应、森林生物多样性及相关生态系统服务（Mishra等人2021年）。地表温度在水文循环和能量平衡中起着至关重要的作用（Liu等人2021年）。地表温度的估计对于理解全球水文和气候模式非常重要，而卫星数据在此方面发挥着重要作用（Li等人2023年；Khan等人2024年）。印度的气候变化预计将导致气温上升3°C至5°C，从而增加洪水、干旱和山体滑坡等极端事件的发生频率（Seneviratne等人2012年；Dey等人2025年）。人类活动导致的活动增加改变了气候带，主要表现为干旱气候的增加和极地类型的减少（Jia等人2019年）。此外，气候变异性还影响植被覆盖的空间分布、物种多样性、物种相互作用以及生物群的地理边界，进而影响植被结构和组成的分布过程（Zhenxin等人2012年；Becky等人2018年）。世界各地的研究和观察表明，当前的生态变化与气候变化密切相关（Ali 2013年；Khan等人2024年）。降雨和温度等气候因素是植物和植被生长与发育的关键因素（Gessner等人2013年）。然而，过去对气候变异性及其对植被覆盖影响的讨论不够充分。植被、水和温度是地球生态系统的重要组成部分，对生态、水文和气候的时间和空间分布有着显著影响（Boelman等人2003年）。气候变化（特别是降雨和温度的变化）以及由于人为活动引起的土地利用变化是植被变化的主要驱动因素（Zheng等人2019年）。土地利用/覆盖的变化可能会改变区域气候条件，进而影响地表温度和生态系统服务（Orimoloye等人2018年）。

锡金喜马拉雅地区作为东喜马拉雅山脉的一部分，也表现出气候变化的迹象，该地区传统上依赖当地资源和本土知识进行自给农业（Upadhyay等人2024年）。然而，在最近几十年里，包括朗吉特河流域在内的锡金喜马拉雅地区经历了降雨不均、气温上升、农作物病虫害增加以及冰雹、雾、干旱和山体滑坡等极端事件频发（Upadhyay和Rai 2023年）。该地区的当代研究表明，传统的农业模式正在发生变化，传统作物如橙子和豆蔻的产量也在下降（Sharma等人2016年）。多年来，地理空间数据和遥感工具已成为理解全球气候变化现象及其相关挑战的重要工具（Basu等人2021年；Rahman和Ghosh 2024年）。尽管喜马拉雅地区已有许多相关研究，但在研究区域内地表生态系统动态方面仍存在关键的知识空白。虽然有一些研究探讨了该地区的快速变化，但社区难以应对这些变化。例如，虽然有研究调查了1990年至2018年间气候变异性对水稻、玉米和小麦等作物的影响（Upadhyay和Rai 2023年），但这些研究并未结合LULC或地表温度分析以及社区视角。此外，一些关于锡金及整个印度喜马拉雅地区（IHR）LULC变化的研究使用了地理空间技术来绘制1985年至2015年的气候趋势变化图（Parida等人2022年），但往往忽略了热表面响应和长期气象趋势之间的联系。此外，水文和生态水文学研究指出了锡金地区气候变化下泉水和溪流的脆弱性（Mishra等人2025年）。这类研究很少与LULC和地表温度趋势相结合。大多数以往的研究侧重于地理空间方面，但未纳入社区的感知，这限制了具有社会意义的适应策略的制定（Rai和Mukherjee 2021年）。

锡金喜马拉雅地区以其陡峭的地形、多样的微气候、高海拔梯度、丰富的生物多样性和文化特色的土地利用实践而著称，是一个高度脆弱和敏感的生态系统。其独特的地理和气候异质性，加上当地社区对森林资源和水系统的依赖，使其特别容易受到气候变异性和人为干预的影响（Sharma等人2025年）。本研究直接响应了联合国可持续发展目标（SDGs）13（气候行动）和15（陆地生命）。通过整合基于证据的可持续土地管理和气候韧性规划，本研究提供了关于土地利用变化和气候变异性的空间洞察。

2. 研究区域
朗吉特河流域位于锡金喜马拉雅地区，地理坐标为北纬27°至27°45′，东经88°至88°25′，具有地理和气候多样性，四季分明（图1）。该流域属于柯本气候分类中的Cwb类型，平均气温在13°C至18°C之间，年降水量超过450厘米，且随海拔高度显著变化（Mishra等人2019年）。朗吉特河发源于拉通冰川，流经由前寒武纪岩石（包括石英岩和云母岩）构成的地形，上覆大吉岭片麻岩和近代冲积沉积物。该流域面积约为1406.22平方公里，具有多样的土地利用和土地覆盖模式。海拔梯度从280米到7300米不等，陡峭的山坡和深切的山谷构成了其地貌特征。中低海拔地区以茂密的森林为主，其次是传统农业系统（TAS），还有定居点、草地和河流系统。该流域主要位于西锡金和南锡金地区，总人口约为283,285人。农业是该地区经济的主要支柱，超过60%的人口直接或间接从事农业（Subba 2009年）。该地区采用梯田耕作、园艺、花卉栽培和农林复合系统，并适应了复杂的地形和气候变异性。

3. 数据来源与方法
本研究基于两种类型的数据集：气象数据和卫星数据。卫星数据来自美国地质调查局（USGS）网站（http://earthexplorer.usgs.gov/），使用了1988年、2004年和2020年的多光谱Landsat 5和Landsat 8图像，空间分辨率为30米，用于制作土地利用/覆盖变化地图（表1）。这些传感器对于山区土地利用/覆盖的测绘和监测至关重要。为了使数据与同期印度气象观测数据保持一致，收集并分析了过去32年的数据。此外，选择了4月和10月的图像以清晰了解季风前后の变化。在从USGS获取数据时，尽量下载云量较少（10%–20%）的数据，以提高地理空间分析的准确性。除了卫星数据外，2017年至2019年间还对流域的各个部分进行了实地调查，以了解实际情况并验证卫星图像的准确性。

4. 结论
鉴于该地区的生态脆弱性，它特别容易受到气候变化的影响，这可能会改变植被模式并降低农业生产力。因此，对气候变量和土地利用/覆盖变化的综合分析对于通过气候韧性实现可持续发展至关重要。

5. 数据来源与方法
本研究基于两种类型的数据集：气象数据和卫星数据。卫星数据来自美国地质调查局（USGS）网站（http://earthexplorer.usgs.gov/），使用了1988年、2004年和2020年的多光谱Landsat 5和Landsat 8图像，空间分辨率为30米，用于制作土地利用/覆盖变化地图（表1）。这些传感器对于山区土地利用/覆盖的测绘和监测非常关键。为了获得所需的结果，使用Arc GIS 10.5软件对Landsat图像中的不同波段进行了预处理和层叠。为了分类土地利用/覆盖类型，根据特定项目的需求对图像进行了分类。本研究主要关注了两种土地利用类别：水域和植被，以及地表温度（LST）。植被覆盖、水体、LST、降雨量和温度数据反映了气候变化现象，这些数据根据它们的光谱响应进行了分类，以便更好地了解朗吉特流域的土地利用类型和气候变化（图2）。

图2. 计算地表温度（LST）的方法（采用自Landsat/USGS）。
流程图展示了两个并行处理路径。左侧路径从Landsat 5的Band 6和Band 10开始，进行预处理和感兴趣区域（AoI）的划定。接下来是朗吉特流域边界和掩膜提取，然后是将DN值转换为TOA辐射值以获得LST。接着将辐射值转换为开尔文温度，然后进行图像分类（NDVI、NBBI、LULC等），最后进行变异性分析。右侧路径从IMD数据开始，进行预处理和数据排序，然后是数据分析和趋势分析，接着是降水异常指数，然后是基于社区感知的分析，最后是数据分析和气候影响分析。所有步骤都通过向下指的箭头连接起来。显示全尺寸

3.1. 地表温度反演
地表温度可以通过单红外通道方法（Wang等人，引用2015年）或分窗方法从热图像中反演出来，这取决于所使用的波段数量（Pu等人，引用2006年；Pacheco等人，引用2023年）。用于获得所需输出的方程和公式如下（USGS Landsat Level-1）：
步骤1 – 大气顶层（TOA）辐射。使用辐射重标定因子，将热红外数字转换为TOA光谱辐射。
(1) Lλ = ML × Qcal + AL，
其中：
Lλ = TOA光谱辐射（m?2 s?1 μm?1）（Wm?2 sr?1 μm?1）。
ML = 辐射乘法标定因子。
AL = 辐射加法标定因子。
QCal = 量化和校准后的像素值（数字数，DN）。

步骤2 – 大气顶层（TOA）亮度温度。可以使用元数据文件中的热常数值将光谱辐射数据转换为大气顶层亮度温度。
(2) BT = K2 / (In(kl/Lλ + 1)，
其中：
BT = 大气顶层亮度温度（°C）。
Lλ = TOA光谱辐射（Watts/(m2 × sr × pm)。
K1 = 校准常数1。
K2 = 校准常数2。

步骤3 – 地表发射率。地表发射率（LSE）基于NDVI值计算。它使用NDVI阈值方法（NDVI THM）通过以下公式计算（Sobrino等人，引用2001年）。
(3) LSE = 0.04 × PV + 0.986，
其中：
LSE = 地表发射率。
PV = 植被比例。
PV = [(NDVI ? NDVI_min) / (NDVI_max ? NDVI_min)]2，
其中：
PV = 植被比例。
NDVI = 来自NDVI图像的D.N.值。
NDVI_min = 来自NDVI图像的最小D.N.值。
NDVI_max = 来自NDVI图像的最大D.N.值。

步骤4 – 地表温度（LST）。地表温度是使用大气顶层辐射、亮度温度、发射辐射的波长和地表发射率计算得出的辐射温度。
(4) LST = (BT / 1)W × (BT / 14380) × ln(LSE)，
其中：
BT = 大气顶层亮度温度（°C），转换为开尔文。
W = 发射辐射的波长。
LSE = 地表发射率。

此外，该研究利用卫星图像和GIS技术分析了Rangit河流域32年内的植被覆盖变化。Landsat 5图像和其他卫星数据使用ArcGIS进行处理，最初通过复合波段掩蔽提取植被覆盖。Landsat系列的热红外（TIR）波段旨在测量电磁谱特定部分内的地表辐射。对于Landsat 4、5和7，热测量是通过波段6获得的，该波段中心波长约为11.45 μm，可以捕捉长波热辐射。在Landsat 8中，有两个TIR波段：波段10（10.60–11.19 μm）和波段11（10.60–11.19 μm）。这些光谱响应函数通过使用特定于传感器的校准常数将传感器处的辐射转换为大气顶层（TOA）亮度温度，从而能够反演地表温度信息。Landsat 8的波段11的主要问题是校准不准确，因为传感器视场外有杂散光。由于波段11的校准不确定性较大，建议用户不要依赖波段11数据进行TIRS数据的定量分析（USGS引用2025年）。因此，仅使用波段10进行LST反演，遵循标准建议。

创建了一个签名文件用于分类，然后采用广泛采用的最大似然分类（MLC）方法进行交互式分类。根据此分类，将森林覆盖分为三类：开阔、中等和密集森林。森林类别的定义基于NDVI阈值（密集 > 0.6，中等 0.4–0.6，开阔 < 0.4）。为了确保分类准确性，为每个土地利用类别选择了60–80个训练样本点。尽管存在季节性变化带来的挑战——因为图像是在季风前后捕获的——但仍生成了可靠的土地利用地图。使用ArcToolbox进行了面积计算，结果显示研究期间开阔森林覆盖面积显著增加。为了验证，使用每个土地利用类别的30个随机参考点生成了混淆矩阵。将LST估计值与附近气象站的实地温度数据进行了比较。这些验证步骤确保了地理空间和基于社区的结果的可靠性和稳健性。

变化检测分析使用了1988年、2004年和2020年的分类图像。考虑了图像差异、分类后比较和主成分分析等技术。根据Mishra等人（引用2020年）的方法开发了一个变化矩阵，以评估空间和时间上的土地利用/土地覆盖（LULC）变化。该矩阵突出了1988–2004年、2004–2020年以及1988年至2020年的整体变化。

3.2. 气候数据分析
同时，使用MS Excel处理了印度气象部门（IMD）的气候数据，以分析降雨量和温度的趋势。该地区只有一个IMD气象站，位于Rangit河流域之外。将每日数据汇总到月度和年度尺度，并计算平均值。进行了趋势分析和回归分析，以检查随时间变化的温度和降雨量。使用EViews 9软件进行了回归分析，置信水平为95%，p值<0.05表示统计上显著的趋势。

为了确保检查长期气候趋势的回归结果的有效性和稳健性，假设残差彼此独立，即一年中的温度或降雨量值不会系统性地影响后续年份的值。此外，假设残差遵循正态分布，以确保无偏估计和有效的假设检验。

步骤1 – 下面列出了数据来源和数据处理的简要说明（2）。这里的回归使用以下方程计算：
(5) Yt = α + βtYeart + et，
其中，
Yt = 降雨量和温度，是因变量，取决于时间t。
α = α（显著性水平）。
βt = 线性趋势。
Yeart = 不同年份的时间序列，是自变量。

步骤2 – 还计算了降水异常指数（PAI），以分析1985年至2017年的降水量强度和变异性。该计算基于Rooy（引用1965年）开发的降雨异常指数（RAI），后来也被Freitus（引用2005年）采用。用于计算PAI的公式为：
(6) PAI = 3 * N - N? / (M? - N?)（对于正异常），
(7) PAI = 3 * N - N? / (X? - N?)（对于负异常），
其中，
N = 生成RAI的月份/年份的当前年/月/季节降水量。
N? = 历史序列的年/月/季节平均降水量（mm）。
M? = 历史序列中十个最高月/年降水量平均值（mm）。
X? = 历史序列中十个最低月/年降水量平均值（mm）。

在卫星图像和统计数据分析之后，2017–2019年间在Rangit河流域的各个部分进行了基于感知的初步调查。通过目的性随机抽样选择了受访者，目标是40岁及以上的当地居民，以收集与环境变化相关的长期观察和经验。调查数据在MS Excel中编译，根据需要进行处理，并使用条形图以清晰和便于比较的方式表示。

3.3. 初步调查和实地访问
为了补充地理空间分析，2017年至2019年间进行了全面的实地调查，以了解社区对气候变异性及其对农业系统影响的看法。采用混合方法，结合了结构化问卷和焦点小组讨论（FGD），并通过横断面步行进行验证和背景理解。总共调查了130户家庭，基于海拔梯度进行目的性随机抽样。所选样本包括人口统计和社会经济参数。在Milan Gaon、Samdung、Mangalbarey、Dentam和Begha等村庄进行了实地工作，这些村庄代表了不同海拔和农业生态区——包括五次FGD，参与者包括土著农民、长者、妇女、青年和当地管理者。这些长期居民作为传统生态知识的守护者，提供了关于历史气候变化、土地利用转变和适应反应的详细见解。

4. 结果和讨论
4.1. 地表温度（LST）动态
根据ArcGIS中包含的算法，使用多光谱和热波段计算了Rangit流域的地表温度（LST）（方程（1）Lλ = ML × Qcal + AL，（2）BT = K2 / (In(kl/Lλ + 1)，（4）LST = (BT / 1)W × (BT / 14380) × ln(LSE)）。根据研究区域内最小值、最大值、平均值和标准差值的统计分布，将得到的LST值分为六个温度类别——非常低（-21.44°C至10°C）、较低（-10°C至0°C）、低（0°C–10°C）、中等（10°C–20°C）、高（20°C–30°C）和非常高（30°C–40°C）。这种分类方法遵循Aryal等人（引用2021年）的研究，有助于改善环境监测和气候评估（表2）。

表2. 1988–2020年的地表温度
下载CSV
显示表格
LST – 1988年：1988年，LST显示出波动模式，在4月到10月之间没有明显的升温或降温趋势。4月，非常低、较低和低LST覆盖的面积分别为13.73平方公里、181.55平方公里和195.02平方公里，而中等、高和非常高的类别分别覆盖485.53平方公里、484.50平方公里和46.82平方公里（图3a）。10月，这些面积分别增加到46.74平方公里、225.28平方公里和317.53平方公里，中等LST扩展到696.94平方公里（表2）。
图3. (a) 1988年4月和10月的地表温度。(b) 2020年4月和10月的地表温度。

LST – 2004年：2004年，空间波动持续存在，没有统一的升温趋势。4月，非常低和较低类别分别覆盖9.88平方公里和168.95平方公里，而低和中等类别扩展到340.27平方公里和747.64平方公里。10月，较低LST占主导（372.47平方公里）和中等区域（621.48平方公里），而非常高LST区域几乎消失（0.07平方公里）（表2）。

LST – 2020年：到2020年，LST模式显示逐渐的空间升温和平移。4月，非常低和较低区域急剧扩展到98.40平方公里和857.82平方公里，而中等和高LST区域减少到142.96平方公里和104.38平方公里（图3b）。相反，10月，低LST区域扩大（811.00平方公里），而较低区域减少（94.54平方公里）（表2）。

变化检测（1988–2020年）：1988年至2020年间，LST趋势反映了受气候和土地利用因素影响的复杂季节性和海拔变化。非常低LST区域在4月增加了616%（从13.73平方公里增加到98.40平方公里），但在10月减少了29.4%（从46.74平方公里减少到32.99平方公里），可能是由于冬季后的变暖和积雪覆盖的变化。较低类别在4月增加了372%，但在10月减少了58%，这与高海拔区域（>3500米）的温度变化一致。低LST区域适度扩大（4%–155%），表明平均表面温度逐渐上升，热梯度上升。相比之下，中等和高类别显著减少（减少了33%–78%），非常高LST区域在2020年完全消失，表明热区域在流域内重新分布（表3）。

表3. 1988–2020年的地表温度变化检测。
下载CSV
显示表格

植被覆盖和水体的减少对LST有显著影响。森林面积的减少减弱了这种冷却效果，导致表面热量吸收增强，逐渐向更高温度区域转移。同样，水体的缩小削弱了蒸发冷却机制，导致大气湿度降低和表面发射率升高，进一步加剧了局部升温。实地观察和社区调查证实了这些基于卫星的发现，报告了温度异常增加、开花和结果期不规律以及偶尔的作物烧毁事件。这些局部效应反映了气候变异性、土地利用转变和喜马拉雅脆弱生态系统特征的季节性变化的综合影响。

年度温度趋势：1985年至2017年的气象数据分析也显示了温度的上升趋势。总体温度呈上升趋势。过去32年中，年平均温度从14°C增加到约16°C（图4）。我们有足够的统计证据证明温度有所上升，表明存在气候变异性和变化（表4）。平均最低温度上升了1.95°C，而平均最高温度没有显著趋势（Rahman等人，引用2012年）。从1982年到2006年，喜马拉雅地区的温度上升了1.5°C（约为全球平均水平的三倍）（Shrestha等人，引用2012年）。各种报告也注意到温度和降水的类似增加（Dimri和Dash引用2012年）。温度的点数据分析也显示了类似的趋势（图4）。

季节性温度趋势：Rangit河流域的季节性温度分析显示，在过去三十年中所有季节都存在一致且统计上显著的升温趋势。夏季温度从1985年的14.70°C上升到2016年的17.51°C，表明逐渐上升（图5）。这一趋势可能受到全球变暖等更广泛气候因素的影响。统计分析显示每个夏季平均温度上升了0.0586°C，p值为0.0003，表明在95%的置信水平下具有很高的显著性。R2值为0.3537，表明大约35%的变化可以由时间解释（表4）。**年平均温度和降水量（1985–2017年）**
阅读该图表的详细描述：
该折线图显示了左侧纵轴上的年降水量（单位：厘米）和右侧纵轴上的年平均温度（单位：摄氏度），横轴表示1985年至2017年的年份。年降水量波动明显：1985年约为210厘米，1987年达到峰值280厘米，1988年下降至约210厘米，2003年上升至约300厘米，2017年约为250厘米，并在2016年骤降至约190厘米。年降水量的线性趋势线（虚线表示）呈现轻微上升趋势。年平均温度在14至16摄氏度之间波动，1998年和2009年达到峰值17摄氏度左右，1988年最低为13摄氏度左右。年平均温度的线性趋势线（点线表示）也呈现轻微上升趋势。线性趋势线的方程式显示在右上角。

**表4. 温度数据的回归分析**
下载CSV文件
**图5. 平均夏季温度和降水量**
阅读该图表的详细描述：
该折线图显示了左侧纵轴上的夏季降水量（单位：厘米）和右侧纵轴上的夏季平均温度（单位：摄氏度），横轴表示1985年至2017年的年份。夏季降水量（橙色线表示）波动较大，1989年和2016年最低约为150厘米，1996年和2015年最高超过400厘米。夏季降水量呈现轻微上升趋势，线性方程为y = 2.8403x + 236.62，R2值为0.1398。夏季平均温度（蓝色线表示）在14至18摄氏度之间波动，1986年和1990年最低约为14摄氏度，2009年和2010年最高约为18摄氏度。夏季平均温度也呈现轻微上升趋势，线性方程为y = 0.0586x + 15.019，R2值为0.3537。

**图6. 平均季风温度**
阅读该图表的详细描述：
该折线图显示了左侧纵轴上的季风降水量（单位：厘米）和右侧纵轴上的季风平均温度（单位：摄氏度），横轴表示1985年至2017年的年份。季风降水量（实线表示）在250至700厘米之间波动，总体呈上升趋势。其线性趋势线为y = 4.4368x + 470.8，R2值为0.207。季风平均温度（实线表示）在18至20.5摄氏度之间波动，也呈现轻微上升趋势，线性趋势线为y = 0.0407x + 18.855，R2值为0.4312。

**图7. 秋季温度**
阅读该图表的详细描述：
该折线图显示了1985年至2017年间秋季平均温度的上升趋势，从13.61摄氏度升至16.00摄氏度，变化率为每年0.0435摄氏度，p值为0.0065，具有统计显著性。

**图8. 冬季温度**
阅读该图表的详细描述：
该折线图显示了1985年至2017年间冬季平均温度的上升趋势，从7.32摄氏度升至10.30摄氏度，变化率为每年0.0616摄氏度，p值为0.0059，R2值为0.2264。

**植被覆盖**
植被覆盖包括各种类型的植被，如森林、草本植物和草地，对生态系统的水循环和养分循环至关重要。它们不仅占据陆地表面，还对当地和全球的天气与气候产生影响，对自然反照率、水蒸气、蒸发蒸腾作用以及大气中的碳循环起着关键作用（Abdulaziz等人，2009年）。

**准确性评估**
对所有图像进行了准确性评估，使用了每个土地覆盖类别（开阔森林、中等森林、茂密森林、湖泊/池塘和积雪覆盖）的30个分层随机参考点。混淆矩阵显示，大多数分类错误发生在三个森林类别中，这是由于它们具有相似的光谱特征。非森林类别之间的混淆较少，湖泊/池塘与积雪覆盖之间的混淆也较少。
生产者对前四个类别的准确率在80%至83.33%之间，表明这些土地覆盖类型的识别较为可靠。积雪覆盖的准确率最高，达到96.67%，仅有一个点被错误分类为湖泊/池塘。用户对森林类别的准确率在80%至83.33%之间。湖泊/池塘的准确率为96%，反映了正确识别的湖泊像素比例较高。积雪覆盖的准确率也为85.29%，总体分类准确率为84.67%。错误模式与典型的土地覆盖制图挑战相符，尤其是森林类别，而积雪覆盖是最能准确绘制的类别。

**植被覆盖变化**
1988年4月和10月的卫星数据显示，开阔森林面积为69.16平方公里和151.32平方公里，中等森林面积为177.22平方公里和22.68平方公里，茂密森林面积为534.92平方公里和480.92平方公里（表5）。2004年4月和10月的开放森林面积分别为82.39平方公里和173.41平方公里，中等森林面积为50.44平方公里和321.08平方公里，茂密森林面积为546.62平方公里和329.97平方公里。

**气候变化对植被的影响**
1988年至2020年间，气候变化通过降雨量、温度和季节模式等关键气候因素显著影响植被。Rangit河流域观察到中等和茂密森林覆盖面积的减少：4月的中等森林覆盖面积从177.22平方公里减少到89.02平方公里，减少了88.20平方公里；茂密森林覆盖面积从534.92平方公里减少到352.33平方公里，减少了182.59平方公里。相比之下，开阔森林面积显著增加，从1988年的69.16平方公里增加到2020年的455.93平方公里，增加了近600%。

**植被在调节气候中的作用**
植被在调节气候、水文和生态平衡中起着关键作用。1988年至2020年间，开阔森林面积从69.16平方公里增加到455.93平方公里，反映了茂密森林生态系统的逐渐退化。这种变化表明，由于人为压力、气候压力、不可持续的土地利用方式、栖息地丧失和基础设施开发活动，森林从封闭型转变为分散、植被稀疏的景观。研究发现，河流覆盖的面积为167.53平方公里和211.09平方公里，溪流的覆盖面积分别为87.13平方公里和256.12平方公里。湖泊和池塘的面积为14.26平方公里和21.95平方公里，而积雪覆盖的面积在4月和10月分别为74.66平方公里和109.02平方公里（表7）。图10。(a) 1988年4月和10月的水体。(b) 2020年4月和10月的水体。显示全尺寸。表7. 1988-2020年水体面积及其变化检测。下载CSV。显示表格。

1988年4月和10月，Rangit流域的水体通过卫星图像分析被分类为河流、溪流、湖泊、池塘和积雪覆盖区域。研究发现，河流覆盖的面积分别为147.11平方公里和167.11平方公里，溪流的覆盖面积分别为175.71平方公里和308.48平方公里。湖泊和池塘的面积为19.06平方公里和20.06平方公里，而积雪覆盖的面积在4月和10月分别为71.69平方公里和101.54平方公里（表7）。

2020年4月和10月，Rangit流域的水体通过卫星图像分析被分类为河流、溪流、湖泊、池塘和积雪覆盖区域。研究发现，河流覆盖的面积分别为134.27平方公里和150.09平方公里，溪流的覆盖面积分别为301.86平方公里和583.01平方公里。湖泊和池塘的面积为6.87平方公里和55.05平方公里，而积雪覆盖的面积在4月和10月分别为108.13平方公里和79.22平方公里（表7）。

1988-2020年的变化检测显示，温度和降水量等气候参数在决定区域水资源可用性方面起着关键作用。特别是在喜马拉雅山脉的Rangit河流域，这些因素的波动显著影响了水体（包括河流、溪流、湖泊和积雪覆盖区域）的空间分布和季节性变化。对1988年、2004年和2020年4月及10月的Rangit流域水体进行了时间分析，结果发现所有水体都没有一致的趋势，这表明气候变异性与水文系统之间存在复杂的相互作用。例如，河流面积在这三十年间持续下降，从1988年的167.53平方公里减少到2004年的147.11平方公里，再到2020年的134.27平方公里，总共减少了超过30平方公里。10月也呈现出类似的趋势，河流面积从211.09平方公里减少到167.11平方公里（1988-2004年），再到150.09平方公里（2004-2020年），减少了超过60平方公里（表7）。

相比之下，作为喜马拉雅山脉重要水源的溪流长度显著增加。4月，溪流的累计长度从1988年的87.13公里增加到2004年的175.71公里，再到2020年的301.86公里。10月也呈现出类似的趋势，从256.12公里（1988年）增加到308.48公里（2004年），再到583.1公里（2020年），增加了超过250公里（表8）。这些增加可能与季节性变化有关，尤其是季风后的径流增加和近年来降水量的增加。当地的水资源恢复措施，包括Dhara Vikas和春季排水系统的开发，也对溪流流量的恢复起到了作用。

然而，湖泊和池塘的趋势更为复杂且波动较大。4月，它们的面积从1988年的14.26平方公里增加到2004年的19.78平方公里，然后急剧减少到2020年的6.87平方公里，净减少了约7平方公里。10月，面积从1988年的21.95平方公里减少到2004年的20.06平方公里，然后在2020年急剧增加到55.05平方公里（表8）。湖泊面积的季风前减少可以归因于地下水补给不足和土地利用模式的变化，而季风后的增加可能是由于冬季降水量增加和过去10-15年成功的湖泊恢复项目。

积雪覆盖是该流域水文的重要组成部分，也显示出季节性的明显变化。4月，积雪覆盖面积从1988年的74.66平方公里略微减少到2004年的71.69平方公里，但在2020年显著增加到108.13平方公里，这可能是由于冬季降雪量增加。实地观察表明，冬季变得更加严酷且多变，降雪量波动较大。然而，10月积雪覆盖面积从1988年的109.02平方公里减少到2004年的101.54平方公里，再到2020年的79.22平方公里（表7）。这种季风后的减少可能是由于夏季和季风后温度升高，加速了雪融化和径流增加，这也解释了这些时期溪流和湖泊水量的增加。

这些观察到的积雪覆盖减少与更广泛的区域预测一致。根据Sabin等人（引用2020年）的研究，到本世纪末，Hindu Kush Himalaya（HKH）可能会变暖2.6°C至4.6°C，导致积雪和冰川范围显著减少，特别是在中低海拔地区。由于加速融化形成的冰川湖泊可能会引发冰川湖溃决洪水（GLOFs），对下游社区构成威胁。在下游地区，积雪和河流流量的减少直接影响农业、水资源安全和农村生计（Mishra等人引用2023年）。季节性水资源短缺会影响作物种植模式，降低灌溉潜力，并加剧粮食安全问题。

这些发现强调了密切监测过去三十年降雨变化和长期水文气候趋势的必要性。位于喜马拉雅山脉东部的Sikkim Himalaya地区接收丰富的西南季风降雨，这决定了地表水和地下水的可用性。了解这些演变模式对于Rangit流域的可持续水资源管理、生态系统恢复力和气候适应规划至关重要。

1985年至2017年的气象数据分析也显示降雨量呈上升趋势。点数据分析显示总体呈上升趋势，尽管存在一些数据缺口。年平均降雨量从1985年的215.53毫米增加到2017年的251.88毫米，年均增加了36毫米（图4）。统计证据表明降雨量每年增加了1.1191毫米，但变化不显著，p值为0.1047（表8）。然而，在这32年间存在一些波动，这可能是由于厄尔尼诺和拉尼娜效应以及一些数据缺口造成的。Sikkim Himalaya地区明显显示出降雨量增加的迹象（Sharma和Goyal引用2020年）。这种突然的降雨量增加可能导致不可避免的洪水，并进一步影响人类健康和增加水资源压力。该地区的气候研究可以帮助政策制定者制定气候适应计划。尽管年平均降雨量有所增加，但季节性趋势反映了影响季节性水资源可用性的降雨模式的变化。

季节性温度趋势分析也显示出温度的类似上升趋势。分析夏季温度趋势发现，从1985年的238.17毫米增加到2017年的340.27毫米，显示出上升趋势（图5）。统计分析表明，平均每年降雨量增加了2.84毫米，p值为0.0350，具有高度显著性（表8）。R2值为0.1398（约14%），表明时间序列在降雨量增加中的作用。

同样，分析季风趋势也发现降雨量显著增加，从1985年的414.20毫米增加到2017年的601.93毫米（图6）。因此，我们有足够的统计证据证明多年来季风雨量逐渐增加。平均每年增加了4.4368毫米，p值为0.0089，具有高度显著性（表8）。此外，R2值为0.2070（约20%），表明降雨量随时间增加。秋季降雨量从1985年的166.33毫米减少到2017年的54.70毫米（图7）。秋季降雨量逐渐减少，2016年和2017年有一些显著波动。过去32年来，秋季降雨量每年减少了2.0845毫米。但p值为0.0689，表明长期来看降雨量没有显著变化。

平均冬季降雨量从1985年的43.43毫米减少到2017年的10.63毫米（表8）。统计分析表明，平均每年减少了0.7162毫米，p值为0.0209，具有高度显著性（表8）。R2值为0.1654，表明大约16%的变化可以归因于时间序列的影响。夏季和季风月份的降雨量增加有充分的统计证据。而秋季降雨量的减少并不显著（p值大于0.05），但冬季降雨量的减少非常显著。因此，总体而言，由于夏季和季风降雨量的增加以及秋季和冬季降雨量的减少，降雨模式没有显著的变化。

降水异常指数（PAI）也表明降雨量高于或高于平均水平（图11）。PAI有助于我们理解降雨量与平均趋势的偏差。较大的偏差可能导致各种相关问题，如干旱或春季和溪流的水资源不足。在32年中，1986年和2016年的降水量异常高，PAI范围超过4（表9）。随后是2009年、1996年、2003年、2012年、1989年、2014年、2006年、2011年、2010年、1985年、2002年、2015年、2013年、1988年和1991年，这些年的降水量较高，PAI范围在204以上（表9）。其余15年（2001年、1993年、1999年、2017年、2005年、1987年、1995年、1997年、1998年、1994年、2007年、1990年、1992年、2004年和2000年）的降水量处于平均水平或略高于平均水平（公式（PAI=3*N-Nˉ/(Mˉ?Nˉ)和（PAI=3*N-Nˉ/(Xˉ?Nˉ)）。总体而言，研究期间没有显著趋势，但降雨量总体上有所增加。然而，分布和模式多年来发生了很大变化（Upadhyay和Rai引用2022年）。强降雨、不规律的降雨模式和不一致的降雨现象变得普遍，这导致了季风期间的洪水和冬季的干旱情况。

图11. 1985-2017年降雨异常指数图。散点图显示了垂直轴上的降雨异常指数（范围从0到6），水平轴上的年份从1980年到2020年。数据点显示了降雨异常指数随时间的变化。该指数在1980年接近0，1986年达到峰值4.8，然后下降到1987年的0.9，1988年增加到3.7，1989年下降到2.6，1990年下降到1.5，1991年略微增加到3.8，随后在1992年下降到1.5，1993年再次下降到0.2。1994年增加到1.1，1995年下降到1.0，1996年增加到2.3，1997年下降到1.0，1998年下降到0.6，2000年下降到0.1，2002年增加到3.3，2003年下降到2.3，2004年下降到1.6，2005年下降到0.9，2006年增加到2.8，2007年下降到2.7，2009年增加到2.2，2010年增加到3.2，2011年下降到2.9，2012年下降到2.5，2013年增加到3.4，2015年再次增加到3.4，2016年达到峰值5.8，2017年最终下降到0.7。

LST（地表温度）和气候参数的综合分析揭示了地表温度变化与长期气象趋势之间的强相关性。1988年至2020年间，LST在温度较低和较高的区域发生了明显的空间转移，尤其是在植被丧失和水体缩小的地区。这些变化与气象观测结果一致（1985-2017年），显示出年平均温度的稳步上升和降水量的季节内变化增加。LST的波动不仅表明局部变暖，还表明与蒸发蒸腾减少、冠层减少和地表水分保持能力下降相关的更广泛的区域趋势。这导致更多的地表径流，从而加剧土壤侵蚀和渗透减少，影响当地泉水补给，进而影响家庭用水和农业。当前的趋势可能对锡金喜马拉雅地区（TAS）的生计安全和生态可持续性产生不利影响。受森林砍伐和农业扩张影响的地区显示出最显著的温度升高，这凸显了脆弱地形的敏感性。总体而言，LST（地表温度）与气候的联合分析表明，植被和水体覆盖的变化加剧了大气变暖，特别是在研究流域以及整个东喜马拉雅地区，形成了土地退化和气候变异性之间的自我强化循环。

5. 感知分析与实地调查
最近的趋势表明，在过去几十年中，兰吉特河流域的关键气候驱动因素（尤其是温度和降水量）发生了不同的变化。为了更好地理解这些变化及其相关影响，在兰吉特流域的不同海拔区域进行了一项基于实地的感知调查。附录B中提供了家庭调查中考虑的人口统计和社会经济参数的详细列表。调查显示，降雨和温度的常规模式发生了显著变化，表明区域气候系统正在发生变化。在实地调查中，约90%的当地受访者认为气候对生态系统服务和传统农业系统产生了负面影响。LST的波动、密集植被的减少以及水体状况的不稳定趋势都证实了全球变暖的区域表现。调查还记录了由气候引起的天气异常现象的增多，例如季风后的干旱期、雾和强冰雹天气，这些现象近年来变得更加频繁。受访者描述了严重的冰雹天气对季节性作物和蔬菜的破坏。这些变化的冰雹特征（包括时间、频率和强度）对像玉米这样的前卡里夫季节（通常在二月份播种）的作物构成了重大威胁（Rahman等人，2012年）。此外，约81%的参与者表示夏季变得更加炎热，而约80%的人注意到冬季持续时间缩短，尽管冬季变得更加严酷。长时间的雾和严寒可能会通过影响植物的光合作用效率和生理机能来损害作物（Takemoto等人，1988年；Mildenbergera等人，2009年）。受访者还指出，由于温度升高，某些作物（如帚草（Thysanolaena maxima）和橙子（Citrus × sinensis）现在只能在更高的海拔地区生长。

主要发现还指出干旱条件的增加、滑坡和泥石流的发生，当地人将其归因于人类活动，如在不陡峭斜坡上无序地进行道路切割。这些做法破坏了斜坡的稳定性，导致季风期间的土壤侵蚀和田地破坏，这一发现得到了Gariano和Guzzetti（2016年）的研究支持。此外，大型水力发电项目的建设显著减少了河流流量，特别是在枯水季节，从而影响了灌溉供应，并使传统的水源（当地称为kholchas）干涸。大约78%的当地人确认这些水源已经消失，导致严重的水资源短缺。这种水资源压力促使人们用经济作物（如豆蔻和生姜）替代传统作物。令人担忧的是，93%的受访者报告说高海拔地区的蚊子数量增加——这是20-25年前未曾出现的现象——同时出现了新的害虫和疾病（图12）。这些变化可以归因于降雨模式的变化、土壤湿度的变化以及土壤状况的演变，所有这些都对长期植被健康构成威胁。这些发现强调了迫切需要采取适应性策略，包括种植耐气候变化的作物、节约用水和多样化生计，以确保社区在持续气候变化面前的韧性。

6. 限制与未来研究
本研究承认与中分辨率影像、有限的时间数据和有限的实地观察相关的局限性，这些因素可能会影响精细尺度的准确性。未来工作结合高分辨率数据集、长期监测和社会生态建模将提高分析的精确度和可靠性。未来应采取基于本土知识和生态系统管理的本地化、包容性和低成本的适应措施。恢复传统的土地和水资源管理系统，并推广耐气候变化的作物（如大豆蔻、生姜和dalle khursani）可以提高韧性和生计安全。未来的研究应整合高分辨率气候预测、脆弱性评估和基于情景的规划，以指导符合可持续发展目标13（气候行动）和可持续发展目标15（陆地生命）的可持续政策，从而实现锡金喜马拉雅地区的长期韧性。LST可以通过多种方法进行验证（Mallick等人，2022年），例如基于辐射的方法、将卫星测量的LST与实地测量的LST进行比较以及跨卫星对比。由于缺乏基于地面的LST测量和现有地方气象站的同步数据，未来的研究可以使用ASTER或MODIS LST产品来验证LST数据。

7. 结论
本研究通过综合评估LST、植被覆盖和水文气候模式以及社区感知调查，提供了强有力的证据，证明了兰吉特流域脆弱生态系统的气候变异性及其连锁效应。研究得出结论，与1990年相比，平均表面温度上升了1°C，降水不规律性增加，表现为短时高强度降水事件增多，导致山洪暴发和类似干旱的情况更加频繁。与此同时，开阔地带的森林面积扩大，而密集森林减少，表明水文和生态系统的脆弱性增加。这些空间变化与社区感知一致，因为约90%的受访者报告称气候对生态系统和农业产生了明显影响。这些发现凸显了高海拔喜马拉雅生态系统的极端脆弱性，其中微小的气候波动就会引发严重的生态和生计后果。升高的LST、不规则的降水量和植被损失共同威胁着农业的稳定性，表现为热应激增加、产量减少和害虫爆发。基于地理空间和社会证据的综合结果呼吁进行流域规模的气候适应规划，优先考虑森林质量恢复、水资源预算、气候智能型和精准农业实践，并通过定期监测来支持政策更新和明智的决策制定。

**资金**
本研究没有获得任何资金支持。

**数据可用性声明**
作者确认，支持本研究发现的数据可根据请求提供。