复合退化指数揭示青藏高原森林退化的类型特异性驱动因素

《Environmental and Sustainability Indicators》：Composite Degradation Index Reveals Type-Specific Drivers of Forest Decline on Qinghai-Tibet Plateau

　　

森林退化评估受限于单维指标（如归一化植被指数，NDVI），这些指标无法同时捕捉功能退化（生物量损失）和结构退化（景观破碎化），而类型特异性的管理响应仍未得到有效应用。为弥补这一不足，研究人员开发了一种复合退化指数（CDI），整合了生物量动态（生物量斜率，BSlope）和森林破碎化指数（FFI）。CDI以30米空间分辨率应用，利用MODIS NDVI/EVI、SRTM DEM和2000—2020年土地利用数据，覆盖青藏高原（QTP）的针叶林、阔叶林和混交林，以量化退化严重程度、识别非线性响应阈值，并通过自然断点分类法预测CMIP6情景下的破碎化趋势。随机森林（RF）、XGBoost和SHAP分析厘清了气候因素、地形和人类活动的相对贡献。CDI相对于NDVI将评估准确性提高了22%。针叶林表现出对变暖的强敏感性（每+1°C增加5.2%退化风险），其中27%的退化间接与永久冻土融化有关。阔叶林对降水变异响应最强（每+10%增加3.8%退化风险），反映了水分胁迫和栖息地连通性丧失。混交林表现出最高的人为退化贡献（35%），凸显了过渡带破碎化问题。在SSP5-8.5情景下，预计到2060年严重破碎化比例将达到21.73%；适度缓解情景可将极端破碎化延迟1.6年。CDI为QTP及类似脆弱生态系统提供了一个可转移的“阈值诊断—归因—分区干预”框架。基于类型特异性响应阈值，研究人员提出了三种管理策略：（i）针对针叶林的永久冻土监测与热缓冲；（ii）针对阔叶林的水文连通性保护；（iii）针对混交林的人为干扰缓冲区。该研究表明，复合指标能够弥合环境监测与可持续决策之间的鸿沟，直接促进可持续发展目标13（SDG 13）和可持续发展目标15.1（SDG 15.1）的实现。

论文解读：复合退化指数在青藏高原森林退化研究中的应用与意义

森林退化是森林生态系统服务功能持续下降的过程，区别于一次性毁林，它表现为结构完整性、功能表现或组成复杂性的连续衰退。传统评估多依赖单一遥感指标（如NDVI、EVI）或景观格局指数，只能单独刻画“植被活力”或“景观破碎化”，难以同时捕捉功能退化（如生物量下降）与结构退化（如栖息地碎片化）的协同过程。青藏高原被称为“第三极”和“亚洲水塔”，其森林类型包括高海拔的针叶林、中海拔的阔叶林及过渡带的混交林，对气候变暖极为敏感，但不同森林类型的退化驱动机制尚不明确。为解决这一问题，研究人员构建了复合退化指数（CDI），整合生物量动态（BSlope）与森林破碎化指数（FFI），并利用机器学习与解释性分析识别类型特异性驱动因素，为高寒脆弱生态系统的精准管理提供科学依据。该研究发表在《Environmental and Sustainability Indicators》。

研究人员开展研究时，使用了多源地理空间数据。基于青藏高原数据中心2020年植被样本数据集（15662个样本）划分针叶林、阔叶林和混交林；从资源环境数据云平台获取1990—2020年地上生物量（AGB）产品（250米分辨率）及地形数据；人类活动强度（HAI）数据来源于已发表的1公里人类足迹数据集（Liu等，2023）。研究方法上，利用MODIS NDVI/EVI、SRTM DEM和土地利用数据，通过滑动窗口计算边缘密度、斑块密度和平均斑块面积，合成FFI，再与BSlope等权重合成CDI；采用随机森林（RF）和XGBoost模型，结合SHAP值分析12个气候、地形、土壤/地质及人类活动预测变量的贡献；使用CMIP6气候情景数据（包括SSP2-4.5和SSP5-8.5）预测未来破碎化，并通过自然断点法划分退化等级。

3.1 模型性能与CDI优越性验证

以BSlope、FFI和CDI分别为目标变量的模型对比显示，RF模型中CDI的R²为0.4410，明显高于BSlope的0.2496和FFI的0.3102；XGBoost模型中CDI的R²为0.4819，同样最高。CDI较NDVI评估精度提高22%。按森林类型，针叶林的CDI模型解释力最高（R²=0.5571），混交林为0.5296，阔叶林较低。这表明多维度复合指数能更充分地捕捉生态系统的退化信号，且优于任何单一指标。

3.2 气候情景响应

基于2020年基线，极端和严重破碎化分别占17.93%和34.27%。在适度缓解情景（SSP2-4.5）下，2040年极端破碎化降至15.82%；而在高排放情景（SSP5-8.5）下，2060年极端破碎化升至21.73%，严重破碎化同步上升。情景间差异使极端破碎化出现时间提前约1.6年。这说明温室气体减排有助于延缓森林破碎化进程。

3.3 不同森林类型驱动因素差异

SHAP分析显示，各森林类型的驱动因子排序截然不同。阔叶林的主要驱动因子为昼夜温差（BIO3）、降水季节性（BIO15）和断裂线密度，体现热波动与水分胁迫，其退化对降水变率尤为敏感（每+10%增加3.8%）。针叶林最敏感于年均温（BIO1）和温度季节性（BIO4），且存在非线性阈值——BIO4约超过800-900时退化风险急剧上升；每升高1°C退化风险增加5.2%，其中27%与永久冻土融化相关；海拔通过调节冻土过程间接影响退化。混交林依赖稳定降水（BIO12），人类活动贡献率达35%，栖息地破碎化破坏传粉和种子传播网络。地形可放大或缓冲气候效应，例如海拔每升高100米使针叶林冻土融化敏感性增加12%；人类活动总体贡献不足15%，但在混交林过渡带显著。

讨论部分指出，CDI框架操作化了功能—结构双重退化概念，结合SHAP归因将CDI从描述性指数转变为诊断工具。基于不同类型阈值，研究提出三类管理策略：针叶林实施永久冻土监测和热缓冲；阔叶林保护水文连通性；混交林设置人为干扰缓冲区。局限性包括等权重可能忽视类型差异、缺乏垂直结构数据、生物量间隔5年等，未来可结合梯度提升优化权重、集成UAV-LiDAR及更高频监视数据。结论翻译如下：本研究引入复合退化指数（CDI），整合功能（BSlope）与结构（FFI）维度，克服了单指标评估的局限。研究有三个关键贡献：一是开发了CDI，较传统单指标评估精度提高22%；二是类型特异性驱动分析揭示了不同脆弱性路径——针叶林受温度和冻土控制，阔叶林对降水变率响应强烈，混交林主要受人类活动引起的破碎化影响；三是提供了可扩展的“功能-结构”框架，支持针对性管理。该框架为青藏高原及全球类似脆弱生态系统提供了可复制的评估范式，将生态学理论与气候适应政策相衔接，服务于不同类型森林的差异化保护与恢复决策。