整合原位数据与遥感的高山植被时空评估

《Alpine Botany》：Integrating in–situ data and remote sensing for the spatiotemporal assessment of alpine vegetation

　　

高山植物群落由土壤属性、地形和微气候条件之间的精细尺度相互作用所构成，但这些梯度难以在空间和时间上持续监测。野外观测提供了解读植被格局所需的生态参考，而卫星数据可能提供空间连续且可重复的指标，但其生态意义必须通过原位测量进行检验。本研究评估了Sentinel-2衍生指标能否再现高山草甸中从植被、土壤和微气候野外数据中观测到的主要生态梯度。研究人员在坎塔布连山脉西南部调查了40个植被样方，测量了土壤和地形变量，并于2021年至2025年在四个代表性条带草地站点监测了土壤温度和水势。在多个空间尺度上，将卫星衍生的植被生产力、水分和地表温度指标与野外观测进行了对比评估。土壤质地和空间结构解释了植被组成变异中的中等比例，而夏季土壤调节植被指数（SAVI）是唯一与群落组成显著相关的遥感指标。这表明卫星数据再现了野外检测到的部分生产力梯度，但未能反映这些群落的完整植物区系复杂性。在多期次的野外-卫星对比中，遥感指标与土壤温度和水胁迫表现出显著但依赖于尺度的关系。地表温度（LST）成为短期生态系统功能最稳健的预测因子，在多个空间尺度上一致地解释了土壤温度和水胁迫动态，而SAVI和归一化差值水分指数（NDMI）则提供了与植被生产力和水分状况相关的补充信息。因此，遥感在异质性高山景观中提供了选定生态信号的空间可扩展代理指标。然而，其解读依赖于基于野外的校准、观测尺度，并且将观测到的关系外推到监测群落之外时需要谨慎。承认这些局限性后，该方法支持在全球变化背景下对高山生态系统评估进行空间外推，用于栖息地制图、监测和保护。

论文解读：整合原位数据与遥感的高山植被时空评估

一、研究背景与科学问题

高山生态系统由适应强烈环境过滤作用的特有植被构成，地形、气候、土壤性质、积雪持续时间和微气候变异在精细空间尺度上塑造着植物群落组成。这些系统承载着冷适应、特有和濒危物种，许多物种扩散能力有限，常作为山地景观中支撑生态韧性和功能多样性的庇护所。然而，气候变暖、降水格局改变和土地利用变化正在改变高山群落，威胁高海拔特有种，同时促进低地物种向上迁移、新型生物相互作用和组成更替。检测这些变化需要能够将精细尺度生态过程与山地空间一致观测相连接的监测方法。

传统上，高山植被的制图和监测依赖密集的野外调查，这能提供高生态细节，但在可达性、地形复杂性和重复采样成本方面受到空间限制。遥感提供了互补的观测能力，如Landsat和Sentinel-2等任务可提供重复的、空间连续的关于植被生产力、水分、物候和地表温度等信息。然而，在高山环境中，遥感应用面临关键挑战：生态指标的解读首先需要针对实地证据进行稳健校准，这在植被镶嵌体高度异质、群落边界仅数米之遥的高山环境中尤为重要。光谱信号可能受混合像元、地理定位不确定性、裸露土壤、岩石和尖锐微地形梯度影响，而关键生态驱动因素如水分、积雪持续时间或微气候可能通过原位观测才能更好捕捉。此外，空间支持度（即观测尺度）的挑战也很突出：较大提取单元可稳定光谱估计但可能纳入邻近植被类型和对比微生境，较小提取单元增加生态特异性但对地理定位误差和局部光谱噪声更为敏感。因此，需要进行尺度感知的评估，以确定精细、中等或较宽的提取单元是否能更好地再现地面观测到的生态梯度。

本研究利用原位植被和土壤数据作为生态参照，测试Sentinel-2衍生指标能否再现高山草甸中观测到的主要空间植被格局和多期次土壤微气候动态。具体解决两个问题：（1）遥感指标能在多大程度上恢复从野外测量的植被、土壤和地形变量中识别出的主导组成梯度？（2）卫星衍生指标能否在不同空间尺度上再现通过原位观测测量的土壤温度和水胁迫变化？

二、研究方法概述

研究人员在西班牙西北部坎塔布连山脉西南部开展研究，于2019年6月至7月沿山顶和山脊系统采样，设置40个半径3米的圆形样方，记录所有维管植物物种丰度，共涵盖96种物种。样方分为两类：条带草地（30个）和Nardus草地（10个）。在每个样方测量环境变量，包括来自高分辨率数字高程模型的地形特征、200米分辨率的气候条件以及土壤属性。对于多日期土壤分析，选取四个代表性条带草地站点，于2021至2025年生长季每小时测量5厘米深处土壤温度和水势。遥感指标方面，利用Google Earth Engine平台处理Sentinel-2影像（10米空间分辨率）和Landsat时间序列（30米），衍生三类指标：地表温度（LST）、土壤和植被水分（NDMI、TCW）以及植被生产力（NDVI、SAVI、EVI、MCARI、MCARI/OSAVI）。空间格局分析采用基于距离的冗余分析（db-RDA），多日期野外-卫星比较采用广义加性混合模型（GAMM），在不同空间缓冲尺度（10米、50米、100米半径）下评估关联。

三、研究结果

高山植被空间格局： 通过环境变量的偏RDA分析发现，土壤属性和空间结构在高山植物群落塑造中起关键作用。在全物种数据集中，土壤变量解释了群落组成的大部分变异，其中黏土含量贡献最强，其次是粉粒和容重。空间预测因子PCNM3也被保留，表明部分组成变异在考虑所选环境变量后仍具有空间结构性。在优势种模型中，土壤影响更强，黏土、粉粒和容重再次排名最高。气候变量在两个模型中均不显著。最终RDA模型解释的植被组成变异为15.1%-20.6%。在遥感变量模型中，夏季土壤调节植被指数（SAVI）是唯一被保留的光谱指标，在所有预测因子中显著性最强，分别解释全物种和优势种数据集15%-19%的方差。其他指标（NDMI、TCW、LST）因缺乏显著性被排除。结合野外/空间预测因子和遥感指标的联合RDA使调整后的R²提高到0.21（全物种）和0.29（优势种）。

土壤属性的多日期比较： 水胁迫的GAMM模型显示，各空间尺度下的偏差解释率范围为11.2%至16.4%，在100米缓冲区达到最高解释力。地表温度（LST）是最主要且最一致的变量，在所有缓冲区大小下均高度显著（p<0.001），呈现复杂的非线性响应。NDMI仅在100米缓冲区显著贡献，在10米处不显著。SAVI仅在100米缓冲区显著。对于土壤温度，GAMM模型表现明显更强，偏差解释率范围为28.9%至31.9%。LST再次是最稳健的预测因子，在所有空间尺度保持高度显著。NDMI在所有缓冲区大小也显著贡献，但解释力低于LST。SAVI仅在100米处有显著但相对较弱的贡献。单变量GAMM支持这些模式：LST一致解释土壤温度约21%-23%的变异、水胁迫8%-10%的变异；SAVI对土壤温度的解释力为15%-19%；NDMI对两个响应变量的解释力仅为3%-7%。

四、讨论与结论

讨论部分指出，研究结果支持环境过滤作为驱动高山植被组成的主要机制，土壤属性（特别是黏土含量、粉粒和容重）和土壤持水能力成为群落组装的主要驱动因素。空间预测因子的贡献表明部分植被变异超出测量环境变量仍具有空间结构性，这可能反映未测量的生态梯度、扩散相关结构、局部地形效应或采样设计空间配置。气候变量解释力有限，可能是因为研究区域内气候梯度狭窄以及微环境异质性的压倒性影响。

在多日期土壤属性监测方面，不同遥感指标表现出不同的预测能力。LST在所有空间尺度上与土壤温度和水胁迫呈强正关联，是检测高山环境热相关胁迫和变暖趋势的可靠指标。NDMI提供较弱但生态上合理的水分相关信号，在较宽空间支持下信号最稳健。SAVI的作用次要且部分与LST重叠，其对土壤温度的贡献比水胁迫更清晰，符合其作为植被结构和覆盖度而非瞬时土壤干燥直接指标的解读。不同遥感指标捕捉高山生态系统的不同生态维度：SAVI与植被组成和结构关联更强，LST提供短期热力和水力功能的最一致信号，NDMI处于中间位置。

研究结论部分总结：本研究表明，当指标明确匹配所评估的生态系统组分时，野外观测和遥感为高山生态系统提供了一致的生态解读。土壤属性，特别是质地和保水能力，是植被组成的主要驱动因素，证实了环境过滤在结构化高山植物群落中的核心作用。在卫星衍生变量中，SAVI是与组成梯度一致关联的唯一指标，支持其作为植被结构和生产力的空间可扩展表征。相比之下，多日期分析确定LST为跨空间尺度土壤温度和水胁迫的最稳健预测因子，优于植被和水分指数作为短期生态系统功能的指标。SAVI和NDMI提供补充生态信息，而LST捕获了土壤微气候动态的最强信号。总之，这些结果表明遥感指标捕捉植物群落的不同生态维度，因此不能解释为生态系统状况的通用度量。其生态含义取决于所考虑的过程、观测的空间支持以及针对实地测量的校准。通过识别哪些卫星衍生变量再现了野外观测的植被和土壤模式，本研究为连接生态系统制图与监测、改进栖息地评估以及在快速环境变化下的高山景观中支持适应性保护奠定了基础。