大兴安岭森林-草原生态过渡带雪物候与环境因子的时空动态及非线性关联

《Journal of Hydrology: Regional Studies》：Spatiotemporal dynamics and nonlinear associations of snow phenology with environmental factors in the forest-steppe ecotone of the Greater Khingan Mountains

　　

研究区域为中国东北大兴安岭西坡，是一个气候敏感的森林-草原生态过渡带，季节性积雪过程对该区域水文和生态动态具有重要影响。研究聚焦：基于1982–2019水文年Advanced Very High Resolution Radiometer（AVHRR）观测生成的1-km雪物候数据集，本研究调查了积雪持续时间（Snow Cover Duration，SCD）、积雪开始日期（Snow Cover Start date，SCS）和积雪融化日期（Snow Cover Melt date，SCM）的时空变化。应用修正Mann–Kendall趋势分析、Pearson相关分析、交叉小波分析和年度像素级极限梯度提升（eXtreme Gradient Boosting，XGBoost）–SHapley Additive exPlanations（SHAP）框架来表征雪物候变化，并量化环境因子基于模型的贡献的时间变化。该区域的新水文见解：积雪持续时间以-0.42 d/a的速率显著减少，主要由于积雪开始延迟（SCS：+0.46 d/a），而SCM仅表现出微弱的减少趋势（-0.046 d/a），表明雪物候存在不对称的季节响应。温度与SCD和SCM表现出显著的统计关联，而总降水与雪物候呈空间异质关系。年度XGBoost模型取得中等预测性能，空间交叉验证R2值对于SCD、SCS和SCM分别为0.52、0.40和0.56。SHAP分析显示环境贡献随年份和雪物候指标变化：降水和归一化植被指数（Normalized Difference Vegetation Index，NDVI）经常对SCD变化有重要贡献，NDVI在2000年代中期后对SCS的相对贡献增加，SCM的贡献结构逐年变化。这些发现表明，该过渡寒冷区的雪物候变化与时间变化的环境因子密切相关，而非单一主导因子，为寒冷区季节性积雪储存变化及潜在水文响应提供了新见解。

研究背景：积雪是冰冻圈中分布最广且年际变化最显著的组分，在调节地表能量平衡、水文过程和生态系统演替中扮演关键角色。在高纬度地区，雪物候（包括积雪开始日期SCS、积雪融化日期SCM和积雪持续时间SCD）不仅表征季节性积雪动态，还与春季融雪径流形成和植被生长季开始密切相关。近年来，基于长时间序列遥感数据的雪物候变化研究不断深入，中高纬度地区积雪范围显著萎缩，SCD普遍呈减少趋势，伴随SCS延迟和SCM提前。在中国，相关研究主要集中在青藏高原、新疆和东北三大稳定积雪区，其中大兴安岭及周围地区积雪持续时间缩短且空间异质性强烈。大兴安岭西坡作为典型气候敏感区和生态过渡带，受西伯利亚高压和东亚季风共同影响，积雪过程复杂，但现有研究多关注宏观尺度积雪反演，缺乏对该过渡带精细化雪物候时空变化模式的系统认识。在驱动机制方面，气温和降水被视为影响雪物候的两大气象因子，但总降水不能区分降雨、降雪或混合相降水，其效应依赖于降水相态。此外，地形因子（海拔、坡度、坡向）和地表覆盖（如NDVI）通过重新分配热量和水分调节积雪积累和消融。传统线性回归在分析复杂环境控制因素时存在局限，而机器学习方法（如XGBoost）结合SHAP解释框架虽已被引入，但在高纬度复杂地形区雪物候空间差异分析中的应用仍相对有限。为此，研究人员旨在表征大兴安岭西坡雪物候的时空演变，并量化环境因子基于模型的贡献时间变化。

主要关键技术方法：研究人员获取了中国国家冰川冻土沙漠科学数据中心提供的5-km分辨率AVHRR中国雪物候数据集（1980–2020年），通过空间协同降尺度方法（结合MODIS 500-m积雪产品和30-m DEM提取的微地形因子，采用双线性插值与地形校正）统一优化至1-km空间分辨率，用于生成1982–2019水文年的SCD、SCS和SCM。气象数据（月平均气温和降水）来自国家青藏高原数据中心1-km分辨率数据集，NDVI数据源自基于NOAA CDR NDVI的日重建产品，地形数据（海拔、坡度、坡向）由1-km DEM导出。所有数据统一重采样至1-km并裁剪。统计分析采用修正Mann–Kendall趋势检测、Pearson相关分析和交叉小波分析；机器学习框架为年度像素级XGBoost回归结合SHAP解释，用于量化气温、降水、NDVI和地形因子对雪物候指标的相对贡献及其非线性关联。

研究结果：

1. 1.
   研究区域与数据来源
   研究区位于内蒙古大兴安岭西坡，地貌呈明显海拔梯度，海拔302–1727 m，属温带半湿润至半干旱季风气候，冬季寒冷漫长，植被具森林向草原过渡特征。研究人员使用AVHRR雪物候数据集并对其进行降尺度验证，地面气象站观测显示SCD、SCS、SCM相关系数分别为0.80、0.76、0.94，表明数据集可靠。
2. 2.
   研究方法
   研究人员定义了水文年为当年9月1日至次年8月31日，以SCD、SCS、SCM为核心指标，结合气温、总降水、NDVI和地形因子。采用修正Mann–Kendall检验识别趋势，Pearson相关和小波分析探索统计关系，XGBoost-SHAP框架评估模型贡献并表征非线性关联。
3. 3.
   雪物候的时空变化
   修正Mann–Kendall分析表明，研究区SCD以-0.42 d/a的速率显著减少，主要归因于SCS显著延迟（+0.46 d/a），而SCM仅微弱减少（-0.046 d/a），呈现不对称季节响应。空间上，趋势存在显著异质性。
4. 4.
   雪物候与环境因子的统计关系
   Pearson相关分析显示，气温与SCD和SCM有显著统计关联，总降水与雪物候呈空间异质关系。交叉小波分析进一步揭示了它们在不同时频域的关联特征。
5. 5.
   基于XGBoost-SHAP的环境因子贡献量化
   年度XGBoost模型的空间交叉验证R²值分别为SCD 0.52、SCS 0.40、SCM 0.56。SHAP分析表明，降水和NDVI常对SCD变化贡献显著；NDVI在2000年代中期后对SCS相对贡献增加；SCM的贡献结构逐年变化。这证明雪物候变化受时间变化的环境因子共同作用，而非单一主导因子。

总结讨论：研究人员指出，大兴安岭西坡雪物候变化主要表现为积雪持续时间缩短和不对称季节响应，气温是主要气候关联因子，但总降水因未区分相态而表现出空间异质性影响。机器学习解释框架揭示了环境因子贡献的年间变异，强调在生态过渡带需综合考虑气候与下垫面因子。该成果为寒冷区季节性积雪储存变化及潜在水文响应提供了新见解，对区域水文和生态管理有科学意义。论文结论部分（摘要中的New hydrological insights for the region）翻译如下：积雪持续时间以-0.42 d/a的速率显著减少，主要关联于积雪开始延迟（SCS：+0.46 d/a），而SCM仅表现出微弱的减少趋势（-0.046 d/a），表明雪物候存在不对称的季节响应。温度与SCD和SCM表现出显著的统计关联，而总降水与雪物候呈空间异质关系。年度XGBoost模型取得中等预测性能，SCD、SCS和SCM的空间交叉验证R²值分别为0.52、0.40和0.56。SHAP分析显示环境贡献随年份和雪物候指标变化：降水和NDVI频繁对SCD变化有重要贡献，NDVI在2000年代中期后对SCS相对贡献增加，SCM贡献结构逐年变化。这些发现表明，该过渡寒冷区的雪物候变化与时间变化的环境因子密切相关，而非单一主导因子，为寒冷区季节性积雪储存变化和潜在水文响应提供了新见解。