《Land》:Future Vegetation Dynamics in an Arid Inland River Basin Under CMIP6 Scenarios: Insights from a Machine Learning Framework
编辑推荐:
在全球变暖及中国西北“暖湿化”背景下,干旱内陆河流域对气候变化高度敏感,其植被动态受上游融雪供水强烈控制。克里雅河流域位于昆仑山北坡与塔克拉玛干沙漠南缘,植被覆盖呈显著垂直分带,水资源高度依赖上游融雪。迄今缺乏对该流域长时序NDVI时空演化、多尺度气候响应及基
在全球变暖及中国西北“暖湿化”背景下,干旱内陆河流域对气候变化高度敏感,其植被动态受上游融雪供水强烈控制。克里雅河流域位于昆仑山北坡与塔克拉玛干沙漠南缘,植被覆盖呈显著垂直分带,水资源高度依赖上游融雪。迄今缺乏对该流域长时序NDVI时空演化、多尺度气候响应及基于CMIP6多情景与机器学习的未来植被预测的系统研究。研究人员利用MODIS NDVI遥感数据、CMIP6 BCC-CSM2-MR模型历史数据及SSP1-2.6、SSP2-4.5、SSP5-8.5三情景下月尺度气温、降水与积雪数据,集成特征工程与XGBoost算法构建多模型筛选与预测框架,并引入基于历史相关性与未来气候均值的物理约束情景缩放因子,修正机器学习预测NDVI均值跨情景收敛偏差,实现2015–2100年各排放路径下月尺度NDVI估算。结果显示:历史期(2001–2024)流域年均NDVI略增,单峰年循环(7月峰值,1–2月谷值),夏高冬低;NDVI随海拔先升后降,3000–4000 m带最高,中海拔带2010后显著上升、2017年达峰,低海拔带年际最稳;NDVI与气温强正相关(R=0.86)、与积雪强负相关(R=?0.71)、与降水几乎无关,表明上游融雪受热驱动且赖水供给;未来三情景气温分别升0.83、2.68、5.35 ℃,积雪降2.0%、14.3%、34.0%,XGBoost预测多年均NDVI(验证R2=0.9097)分别为0.0726、0.0683、0.0690,均伴强季节波动。基于单一CMIP6模型与统计框架存不确定性,但低排放SSP1-2.6更利于维持该区植被稳定,可为塔里木盆地南缘水资源管理提供初步科学指导。
研究背景方面,全球变化科学与区域生态安全研究前沿关注干旱区植被动态及其气候响应。NDVI作为表征植被绿度与生产力的核心遥感指标,广泛应用于揭示植被对气温、降水、土壤水分的响应机制。中国西北近数十年呈“暖湿化”,新疆植被叶面积指数显著上升,山地变绿最明显;但气候变暖加速冰川消融、固态降水转液态,重塑内陆河流域水文与植被供水格局。融雪在季节积雪区通过保温、春季补水、调控物候三期作用调节植被,干旱区融雪更是主要水源。克里雅河发源于昆仑山北坡,是塔里木盆地南缘典型内陆河,上游冰川与季节性积雪构成中下游绿洲与农牧业生命线,流域生态安全高度依赖融雪补给。既有研究多聚焦历史期植被与径流,缺乏长时序NDVI时空演化、NDVI–气温–积雪多尺度耦合及CMIP6多情景机器学习预测;且高海拔冰雪区NDVI为负值仅反映冰雪覆盖而非植被退化。该文发表于《Land》,旨在填补上述空白。
关键技术方法上,研究人员以2001–2024年中国1 km分辨率月度NDVI数据集(基于MODIS MOD13A2产品,经MVC合成与S–G滤波平滑)为因变量,以CMIP6 BCC-CSM2-MR模型历史(2001–2014)与SSP1-2.6/SSP2-4.5/SSP5-8.5(2015–2100)月尺度近地表气温(tas)、降水(pr)、地表积雪(snc)为自变量,样本覆盖克里雅河流域掩膜内约43040个1 km像素。气候数据经双线性插值降尺度至0.009°并依标准大气直减率(?0.0065 ℃/m)作DEM高程校正。构建含时间周期、季节哑变量、1/3/6月滞后、3/6月滚动统计、年际趋势等增强特征集;对比随机森林、XGBoost、梯度提升、SVR、MLP及堆叠集成,以2011–2014为验证集选XGBoost(R2=0.9097)。针对跨情景预测均值收敛问题,基于历史NDVI–气候相关系数推导物理约束气候影响指数(CII)并线性映射至[0.5,1.5]得情景缩放因子(SSP1-2.6为1.5、SSP2-4.5为0.9416、SSP5-8.5为0.5),将年归一化特征乘缩放因子后输入模型,输出2015–2100月尺度NDVI。
研究结果部分,4.1节年内变化分析显示,2001–2024年流域月均NDVI单峰分布,1–2月谷值0.0612,7月峰值0.0829,夏季均最高(0.0820)、冬季最低(0.0623),春升秋降,生长季4–6月增速最快。4.2节年际变化分析表明,年均NDVI在0.0656–0.0783间波动,整体略升,2008年最低、2016年最高;各月NDVI均呈正趋势,7月增速最大;夏季增幅最显著(相对变幅33.0%),秋季近年现倒U型回落。4.3节空间分异分析按海拔分六带,NDVI随海拔先升后降,3000–4000 m带最高(多年均约0.21高于≥6000 m带),该带与2000–3000 m带2010后显著上升、2017年达峰;≤2000 m带年际最稳(相对变幅13.4%);≥6000 m带全年负值(冰雪覆盖)。4.4节CMIP6历史气象显示2001–2014年均温1.90–3.92 ℃、年降水434.5–621.0 mm、积雪年际变幅高达144%。4.5节相关性分析得出NDVI与气温强正相关(R=0.86)、与积雪强负相关(R=?0.71)、与降水无关(R=0.01),证实上游融雪热驱动且水依赖。4.6节未来气候投影显示,SSP1-2.6/SSP2-4.5/SSP5-8.5气温分别升0.83/2.68/5.35 ℃,积雪降2.0%/14.3%/34.0%,高排放下降水极端性增强。4.7节机器学习预测得出三情景多年均NDVI为0.0726/0.0683/0.0690,均具强季节波动,低排放情景均值最高。
讨论与结论翻译部分,研究人员指出:历史期克里雅河流域NDVI年际略增、单峰季节循环、垂直分带明确,3000–4000 m为最优植被带;NDVI受气温正向控制、积雪负向控制,降水无线性作用,机制为“升温促融雪→供水增减→植被响应”;未来低排放SSP1-2.6升温最小、积雪损失最轻,XGBoost预测NDVI均值最高,相对更利于维持流域植被稳定与生态安全。研究局限在于仅用单一CMIP6模型(BCC-CSM2-MR)与统计预测框架,降尺度采用双线性插值可能在复杂地形平滑局地气候信号,结论具一定不确定性。该框架将物理约束情景缩放因子引入机器学习,修正了跨SSP情景NDVI预测均值收敛偏差,在时间跨度(历史–未来)、方法(统计→机器学习+物理约束)、变量维度(气象→积雪–水文–植被耦合)上扩展现有干旱内陆河评估,为塔里木盆地南缘水资源管理与生态保护提供初步科学参考。