《Ecology and Evolution》:Unraveling Spatiotemporal Heterogeneity and Driving Mechanism of Vegetation Recovery in Co-Seismic Landslide Areas via Nonlinear Trajectories and Bayesian Networks
编辑推荐:
地震常诱发大规模滑坡,剥蚀大面积植被,形成裸露地表,对生态恢复构成重大挑战。2008年年汶川地震即为典型例证,其诱发大量同震滑坡并产生广泛裸地,阻碍植被恢复。因此,理解扰动后植被恢复格局及其气候驱动因子对针对性恢复工作至关重要。本研究建立集成框架,结合非线性轨
地震常诱发大规模滑坡,剥蚀大面积植被,形成裸露地表,对生态恢复构成重大挑战。2008年年汶川地震即为典型例证,其诱发大量同震滑坡并产生广泛裸地,阻碍植被恢复。因此,理解扰动后植被恢复格局及其气候驱动因子对针对性恢复工作至关重要。本研究建立集成框架,结合非线性轨迹分析与贝叶斯概率推断,量化植被恢复动态并识别关键气候控制因子。研究人员利用Landsat时间序列数据(2008–2023),应用基于广义加性模型(Generalized Additive Model, GAM)的非线性轨迹方法提取恢复轨迹,识别标志从加速恢复向减速恢复转变的轨迹衍生恢复拐点,并量化恢复率的空间变异。随后采用贝叶斯网络(Bayesian Network, BN)量化生态记忆与环境驱动因子对恢复体制的影响,揭示关键的水热–辐射配置,并基于情景评估区域恢复潜力的气候约束。GAM结果表明,大部分区域在5–7年内达到临界恢复拐点,而延迟恢复主要出现在高海拔崎岖地形。BN进一步识别“暖–湿–适度光照”协同机制是快速恢复的必需条件。情景模拟凸显限制因子的显著空间差异:太阳辐射是崎岖高地的主导约束,而温度和降水在低海拔或中度扰动区发挥更强控制作用。这种空间变异性表明恢复干预应因地制宜以提高效率。总体而言,本研究为诊断环境约束、指导恢复策略以增强灾害频发山地景观生态系统恢复能力提供可转移框架。
研究背景方面,植被在维持山地生态系统稳定及减轻地质灾害中具有根本作用,其根系强化土壤结构、减少侵蚀并增强坡面稳定性,构成抵御灾害的重要自然屏障。然而地震等大规模扰动可触发灾难性景观转变,严重改变生态系统结构、功能及恢复力。2008年汶川地震诱发数万处同震滑坡,形成广阔裸地,导致严重水土流失、生物多样性丧失及关键生态系统服务中断,削弱自然防灾能力并破坏植被恢复基本条件,对生态系统稳定性构成长期挑战。目前大量研究利用卫星植被指数量化扰动后植被恢复,主要依赖线性趋势分析或参数化生长模型获取恢复过程空间变异的基础认识,但此类单调或时间平均方法过度简化恢复内在非线性动态,尤其忽略恢复率变化的过渡阶段这一生态系统恢复潜力转变的关键指标。现有时间序列分解算法主要用于检测外部扰动相关的突变断点,而非捕捉连续恢复轨迹的内在曲率与时间变异性。在驱动因子方面,气候常被认作植被动态主要驱动因子,但其对扰动后植被恢复影响的定量解离仍具挑战;传统归因方法难以捕捉非线性反馈与阈值响应,且受限于处理复杂生态系统不确定性的能力。为填补这些空白,研究人员以汶川地震区为研究区,开发集成框架表征同震滑坡后非线性植被恢复并识别驱动恢复体制空间分异的气候控制因子,结合过程导向的恢复表征与概率因果推断,为灾害频发山区设计针对性恢复与气候适应策略提供科学基础。
关键技术方法包括:基于汶川地震中央断裂带(31.00°–31.90°N,103.00°–104.00°E)的同震滑坡清单及2007–2023年30米年度最大归一化差分植被指数(Normalized Difference Vegetation Index, NDVI)数据集(Landsat系列),整合ASTER GDEM V3地形因子与2007–2020年气象及辐射数据并重采样至30米;采用Theil–Sen估计量与Mann–Kendall检验评估滑坡区内NDVI长期趋势;应用像素级广义加性模型(GAM)结合一阶导数识别恢复拐点(最大瞬时增长率时刻)与快速生长期恢复率;利用变分贝叶斯高斯混合模型(Variational Bayesian Gaussian Mixture Model, BGMM)识别慢速与快速植被恢复体制;构建贝叶斯网络(BN)并通过方差膨胀因子诊断多重共线性筛选驱动因子,利用方差缩减(Variance Reduction, VR)敏感性分析识别关键驱动,开展诊断推理与情景模拟以量化气候约束下的恢复潜力并进行空间分区优化。
研究结果如下:
4.1 Spatio-Temporal Patterns of Vegetation in Landslide-Affected Areas:研究人员通过Theil–Sen与Mann–Kendall分析发现2008–2023年滑坡分布区内NDVI总体呈显著绿化趋势,显著改善类别占89.70%,退化与稳定趋势合计不足1.1%;空间上显著改善集中于中部形成西南–东北绿化走廊,轻微改善分散分布,退化与稳定趋势范围有限且主要聚集于中东部,显著退化呈高度破碎化分布。
4.2 Nonlinear Recovery Dynamics: Inflection Timing and Recovery Rates of Post-Landslide Vegetation:GAM拟合NDVI时间序列显示恢复具显著非线性,观测值与拟合值一致性高(R2=0.92,RMSE=0.05)。空间上恢复拐点多集中在震后5–7年,超过10年的延迟拐点集中于北部、东北部及东南部高海拔区;恢复率空间异质性强,多数像素为中等恢复率(0.015–0.025 year?1),高恢复率(>0.03 year?1)集中于低海拔河谷,低恢复率关联陡坡、高海拔及水分受限环境;双变量图显示早拐点–快速恢复主要分布于河谷低海拔有利环境,延迟拐点–慢速恢复集中于山地严苛地形,中间组合形成过渡带。
4.3 Spatial Differentiation of Vegetation Recovery Regimes:BGMM置信度分析显示约95%像素被确信分配至恢复体制,仅约5%位于体制边界与生态过渡带。两类体制中慢速恢复占92.12%,快速恢复占7.88%且沿河谷与中南低海拔聚集;三者BGMM的Medium Recovery主要代表连续体过渡变异,故保留双体制以区分对比恢复能力。
4.4 Bayesian Network-Based Analysis of Recovery Mechanisms and Spatial Optimization:
- •
4.4.1 Driver Screening and Network Structural Characteristics:多重共线性诊断保留9个变量(NDVI_pre、ΔNDVI、Prec、Temp、DSSR、SLO、ASP、TWI、VPD),方差膨胀因子均低。BN拓扑呈层级结构:ΔNDVI与NDVI_pre直接控制恢复,气候与地形为远端驱动通过调节TWI与DSSR间接影响。
- •
4.4.2 Model Performance Validation and Identification of Key Drivers:BN整体分类精度90.61%,对数损失0.29、二次损失0.17、球面收益0.92;空间分块交叉验证精度89.58%–92.77%,性能稳定。敏感性分析显示ΔNDVI(3.29%)、DSSR(1.67%)、Prec(1.66%)、Temp(1.13%)、NDVI_pre(1.09%)为关键驱动,其余贡献较小。
- •
4.4.3 Environmental Pathways Differentiating Vegetation Recovery Regimes:低状态下慢速恢复具更高低降水(33.90%)与低温(21.50%)后验概率,快速恢复具更高低太阳辐射(45.50%)概率;中等状态下两者降水响应收敛于中等级别,太阳辐射与温度略有分化;高状态下快速恢复集中于高温(54.90%)与高降水(29.30%),慢速恢复具更高高太阳辐射(31.60%)概率;慢速关联冷–干–较高辐射,快速关联暖–湿–适度太阳辐射。
- •
4.4.4 Spatial Heterogeneity of Scenario-Driven Recovery Potential:核心干预区(基线中等、扰动低)缓解太阳辐射约束使快速恢复概率提升+16.41%,高于降水(+13.80%)与温度(+12.72%);扰动增强(ΔNDVI=High)太阳辐射仍主导(+19.70%)。潜在提升区低覆盖–低扰动下太阳辐射缓解增益最大(+33.60%),中等覆盖–中等扰动时温度转为首要约束(+21.80%)。空间上核心干预区降水限制占39.34%集中于下游河谷低海拔,潜在提升区太阳辐射限制占46.54%集中于高海拔岭脊与深谷,体现基线依赖的空间分异。
讨论部分总结:研究人员指出GAM识别的5–7年拐点构成区域“机会窗口”,标志物理基底稳定后恢复受资源可用性与生物过程调控;高海拔延迟拐点反映坡度、微气候与种子传播障碍的复合约束。BN揭示恢复受生态记忆(ΔNDVI、NDVI_pre)门控,快速恢复需水热充足且辐射适度的协同配置而非单一因子最大化;干预效果具基线依赖性,核心区缓解太阳辐射最有效,潜力区随条件改善从辐射限制转向温度约束,空间分异支持从统一政策转向精准生态管理。局限包括Landsat时间分辨率与云污染限制短期变异检测,二元体制为连续谱的简化,气候均值与植被序列存在时间失配但长期梯度可控,BN离散化与条件独立假设简化反馈,未纳入人为驱动;未来需融合高频数据、同步气候集、采用高斯过程网络等及整合社会生态变量。
结论部分原文翻译:理解扰动后植被恢复的空间格局与驱动因子对于指导灾害频发山区针对性恢复至关重要。通过结合非线性轨迹分析与贝叶斯概率推断,本研究提供一个可转移框架,以捕捉2008年汶川地震后滑坡影响区恢复的时间动态与环境决定因子。广义加性模型(GAM)分析揭示大部分区域在5–7年内达到临界拐点,而延迟恢复(>10年)主要发生在高海拔与地形复杂亚区。贝叶斯网络(BN)揭示植被恢复由生态记忆与当代环境条件交互塑造;震前NDVI(NDVI_pre)与NDVI变化量(ΔNDVI)共同代表系统生态记忆与扰动足迹,定义恢复起始条件;在此背景下后续恢复轨迹主要受滑坡后水热–辐射环境调节。快速恢复发生在“暖–湿–适度光照”配置下——充足降水(Prec)、足够温度(Temp)与适度地表太阳辐射(DSSR)。基于情景的模拟进一步揭示空间显式的限制驱动因子:太阳辐射(DSSR)在高海拔崎岖地形占主导,而温度(Temp)与降水(Prec)在低海拔或中度扰动区发挥更强控制。约束层级随基线条件转变,表明干预应因地制宜——在低生产力区增强光照以提升恢复,随植被稳定优化水热条件。总体而言,本研究既提供对植被恢复体制的集成理解,也提供诊断生态系统约束的实用概率框架;通过将恢复体制与其因果驱动及空间背景关联,为针对性恢复提供可操作指导,并为增强面临日益增加扰动的山区生态恢复力提供可转移途径。