張潯潯， 楊 斌*， 吳淑瑩， 肖志強(qiáng)， 文 浪， 段陽海， 孫 建

(1.中國地質(zhì)調(diào)查局應(yīng)用地質(zhì)研究中心， 四川 成都 610036； 2. 自然資源要素耦合過程與效應(yīng)重點(diǎn)實(shí)驗(yàn)室， 北京 100055； 3.四川省華地建設(shè)工程有限責(zé)任公司， 四川 成都 610081； 4.北京師范大學(xué)地理學(xué)院，遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室， 北京 100875； 5.中國科學(xué)院青藏高原研究所青藏高原地球系統(tǒng)科學(xué)國家重點(diǎn)實(shí)驗(yàn)室， 北京 100101)

植被作為陸地生態(tài)系統(tǒng)關(guān)鍵組成部分[1]，是連接大氣、水體和土壤的自然紐帶[2]，在水土保持、物質(zhì)循環(huán)、能量流動(dòng)及維持生態(tài)系統(tǒng)穩(wěn)定方面有重要作用[3-4]。葉片作為植被開展光合和呼吸等作用的主要載體，對其進(jìn)行定量描述是表征生態(tài)環(huán)境質(zhì)量變化的重要指標(biāo)之一[5]。葉面積指數(shù)(Leaf area index，LAI)通常被定義為單位土地面積上植物葉片總面積占土地面積的倍數(shù)[6]，是具有代表性的植被生物物理參數(shù)[7]，在作物的產(chǎn)量估算、森林監(jiān)測、生態(tài)評價(jià)和碳循環(huán)研究等方面具有重要作用[8-9]。而植被覆蓋度(Fractional vegetation cover，F(xiàn)VC)是指植被(包括葉、枝和莖)在地面垂直投影面積占區(qū)內(nèi)總面積的百分比，是用于反映土地覆蓋變化、自然資源監(jiān)測和生態(tài)系統(tǒng)功能的重要指標(biāo)[10]。

運(yùn)用遙感技術(shù)來反演LAI是獲取大范圍LAI最為有效和快捷的方法[11-12]，目前反演LAI的遙感模型可分為2類：一類是統(tǒng)計(jì)模型[13]，常用的光譜數(shù)據(jù)包括植被指數(shù)、光譜反射率、導(dǎo)數(shù)光譜等[14]；一類是物理模型，利用輻射傳輸模型的反向過程反演獲得輸入?yún)?shù)從而達(dá)到反演地表參量的目的[15-17]。2類模型均存在普適性較差的缺陷[18-19]。物理模型所需參數(shù)眾多，存在數(shù)據(jù)獲取困難和“病態(tài)反演”問題[20-21]。隨著遙感技術(shù)不斷發(fā)展，遙感數(shù)據(jù)對非線性物理模型的優(yōu)化要求提升，常規(guī)反演方法已難以解決復(fù)雜的非線性問題[22-23]。而神經(jīng)網(wǎng)絡(luò)(Neural networks，NN)是近年來逐漸引入和應(yīng)用于反演LAI的新方法，在應(yīng)對這些問題的擬合及模式識別方面具有明顯優(yōu)勢，成為目前混合反演方法中較為成熟且可準(zhǔn)確反演地表參數(shù)的方法[24]。神經(jīng)網(wǎng)絡(luò)是一種計(jì)算上非常高效的機(jī)器學(xué)習(xí)方法，其具有良好的插值能力，對于生產(chǎn)全球長時(shí)間序列的地表參數(shù)產(chǎn)品非常有利。國內(nèi)外學(xué)者基于輻射傳輸模型模擬數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)反演地表參數(shù)時(shí)，均取得很好的反演結(jié)果。使用廣義回歸神經(jīng)網(wǎng)絡(luò)(General regression neural network，GRNN)從時(shí)間序列遙感數(shù)據(jù)中估算LAI的方法，與當(dāng)前的中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)和CYCLOPES LAI產(chǎn)品相比，該方法能夠以更高的準(zhǔn)確性估算時(shí)間上連續(xù)的LAI[25]。

現(xiàn)階段的研究主要是關(guān)于植被LAI的反演方法和對單一年份LAI空間分布特征的探討[26-29]，缺少運(yùn)用較高分辨率的遙感數(shù)據(jù)來反演長時(shí)間序列LAI的研究[30]。此外，以往的研究主要是單一LAI或FVC的時(shí)空變化特征[30]，難以全面反映區(qū)域植被整體變化特征，通過結(jié)合長時(shí)間序列LAI和FVC，開展植被動(dòng)態(tài)監(jiān)測的研究還很少見。深入研究植被時(shí)空變化特征、變化規(guī)律及其影響因素有助于全面了解區(qū)域生態(tài)環(huán)境質(zhì)量，掌握生態(tài)系統(tǒng)植被變化過程及其影響機(jī)制。

尼洋河流域作為工布江達(dá)縣的“母親河”，不僅是雅魯藏布江五大支流之一，也是流經(jīng)林芝地區(qū)最為完整的一條河流[31]，其區(qū)域生態(tài)安全關(guān)系著地區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展。該流域是我國地質(zhì)災(zāi)害較為嚴(yán)重的地區(qū)之一[32]，故其區(qū)域生態(tài)環(huán)境問題日益成為專家學(xué)者研究熱點(diǎn)和難點(diǎn)。本文利用MODIS，VEGETATION等傳感數(shù)據(jù)的LAI產(chǎn)品及全球范圍LAI的地面測量數(shù)據(jù)，基于廣義回歸神經(jīng)網(wǎng)絡(luò)，集成時(shí)間序列遙感數(shù)據(jù)反演LAI，利用植被冠層的透過率來估算植被覆蓋度，生成2001—2019年250 m分辨率的LAI和植被覆蓋度數(shù)據(jù)集，對近19年尼洋河流域植被時(shí)空格局和演化規(guī)律進(jìn)行定量分析，探討流域植被變化對氣候因子的響應(yīng)，為進(jìn)一步加強(qiáng)植被恢復(fù)和管理，保障流域生態(tài)安全和可持續(xù)發(fā)展提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本文研究區(qū)為尼洋河流域，地理位置處于29°28′00″N～30°31′00″N和92°10′00″E～94°35′00″E之間[33]，位于西藏自治區(qū)東南部林芝地區(qū)境內(nèi)，是雅魯藏布江中下游的一級支流，發(fā)源于自治區(qū)內(nèi)米拉山西側(cè)的錯(cuò)木梁拉，自西向東流經(jīng)工布江達(dá)縣和林芝市，于八一鎮(zhèn)則們附近匯入雅魯藏布江[34-35]。

尼洋河全長307.5 km，河流源頭海拔5 000 m左右，總落差2 273 m，流域面積1.753 5×104km2，整體地勢由西向東逐漸降低。植被類型從上游的草甸、草原向下游過渡為常綠針葉林、落葉闊葉林等(圖1)。在氣候區(qū)劃上，因受印度洋暖流與北方寒流的影響，形成了尼洋河流域特殊的濕潤和半濕潤并存的多種氣候帶[36]，整體氣候溫和濕潤，年均氣溫8℃左右，年降水量600～900 mm。

圖1 尼洋河流域地理位置及地表覆蓋類型(MCD12Q1)圖Fig.1 Geographical location and land cover type map of Niyang River Basin(MCD12Q1)注：本研究采用的是MCD12Q1產(chǎn)品中土地覆蓋分類1(IGBP的全球植被分類)方案。該方案的相關(guān)系數(shù)R值為98.22%～99.61%，在區(qū)域尺度上相比其他方案IGBP的一致性最佳[37]Note:This study adopts the global vegetation classification scheme of land cover classification 1(IGBP in the MCD12Q1) product. The correlation coefficient r value of this scheme is 98.22%～99.61%,and the consistency of IGBP is the best compared with other schemes on the regional scale

1.2 數(shù)據(jù)與方法

1.2.1葉面積指數(shù)反演數(shù)據(jù)與方法 本文利用多分辨率衛(wèi)星遙感產(chǎn)品(MUlti-resolution Satellite remote Sensing products，MUSES)LAI反演算法集成時(shí)間序列的遙感觀測數(shù)據(jù)，其中遙感數(shù)據(jù)來源于美國國家航空航天局(National aeronautics and space administration，NASA，https://search.earthdata.nasa.gov/)的地表反射率數(shù)據(jù)(MOD09Q1)，空間分辨率為250 m，數(shù)據(jù)每8 d一期，每年46期，并利用人工神經(jīng)網(wǎng)絡(luò)方法生產(chǎn)時(shí)空連續(xù)的長時(shí)間序列的全球葉面積產(chǎn)品，具體算法流程如圖2所示。

廣義回歸神經(jīng)網(wǎng)絡(luò)可以被劃分為4層：輸入層、隱層、總和層、輸出層(圖3)。輸入層把輸入向量X傳遞給隱層的所有單元；隱層包含所有的訓(xùn)練樣本Xi(i= 1,2,…,n)，當(dāng)給定一個(gè)輸入向量X，計(jì)算X和訓(xùn)練樣本之間的距離，并帶入概率密度函數(shù)；總和層有2個(gè)計(jì)算和函數(shù)的單元A和B；輸出層計(jì)算A除以B，得到預(yù)測結(jié)果[25]。

1.2.2植被覆蓋度估算數(shù)據(jù)與方法 利用植被冠層的透過率可以估算出高質(zhì)量和準(zhǔn)確的植被覆蓋度[38]。當(dāng)光入射到植被冠層頂部時(shí)，透過植被冠層的光的比例可以用以下的公式來近似計(jì)算。

(1)

其中，Ω為聚集指數(shù)，lai為葉面積指數(shù)，φ為太陽天頂角，a是葉片的吸收率，kc(φ)為冠層衰減系數(shù)。kc(φ)由式(2)計(jì)算。

(2)

其中，x冠層葉片在水平和垂直表面上平均投影面積之比，針對不同植被類型，分別賦予x不同的值。

由植被覆蓋度的定義，植被覆蓋度的大小為1減去太陽天頂角為0度時(shí)的冠層透過率，即

fCover=1-Ptr(0)

(3)

對式(3)的輸入?yún)?shù)進(jìn)行敏感性分析的結(jié)果表明葉面積指數(shù)是對植被覆蓋度變化最敏感的輸入?yún)?shù)。利用以上方法計(jì)算植被覆蓋度時(shí)，將反演得到的葉面積指數(shù)數(shù)據(jù)集作為式(3)的輸入，計(jì)算得到植被覆蓋度，確保了葉面積指數(shù)和植被覆蓋度兩個(gè)參數(shù)數(shù)據(jù)集的物理一致性[38]。

圖2 MUSES LAI反演算法流程圖Fig.2 Flow chart of MUSES LAI inversion algorithm

圖3 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 GRNN network structure

同時(shí)根據(jù)相關(guān)資料結(jié)合植被覆蓋特征以及FVC影像的精度，通過密度分割將植被覆蓋度分為高、中、低、極低(裸土)4種覆蓋類型，用以探究不同植被覆蓋類型時(shí)空變化趨勢：(1)當(dāng)植被覆蓋度大于0.75時(shí)，為高覆蓋類；(2)當(dāng)植被覆蓋度介于 0.35～0.75之間時(shí)，為中覆蓋類；(3)當(dāng)植被覆蓋度介于0.10～0.35時(shí)，為低覆蓋類；(4)當(dāng)植被覆蓋度小于0.10時(shí)，為極低覆蓋類(裸地)[39]?；谝陨戏椒ǎ妙A(yù)處理后的MODIS地表反射率數(shù)據(jù)，完成2001—2019年尼洋河流域250 m分辨率葉面積指數(shù)數(shù)據(jù)集的反演，時(shí)間分辨率為8 d。在此基礎(chǔ)上，利用250 m分辨率葉面積指數(shù)數(shù)據(jù)集，計(jì)算出尼洋河流域2001—2019年250 m分辨率的植被覆蓋度數(shù)據(jù)集，時(shí)間分辨率為8 d。

1.2.3植被時(shí)空特征及水熱響應(yīng)的數(shù)據(jù)與分析方法 在植被空間分布特征研究中，本文分別選取每年第33 d和第217 d作為LAI和FVC的空間分布研究時(shí)間，這兩天分別對應(yīng)于尼洋河流域的冬季和夏季。通過對LAI和FVC具體的數(shù)值分析表明，在第33 d前后流域植被生長緩慢，LAI和FVC值最小。而在第217 d前后，尼洋河流域的植被生長達(dá)到頂峰，葉面積指數(shù)和植被覆蓋度值最大，是兩個(gè)最具代表性的時(shí)間節(jié)點(diǎn)。

植被生長與水熱的關(guān)系密切，本文采用ERA5 (ECMWF Reanalysis)再分析數(shù)據(jù)分析了尼洋河流域植被對水熱變化的響應(yīng)。ERA5再分析數(shù)據(jù)是由歐盟資助、ECMWF(European Centre for Medium-Range Weather Forecasts)運(yùn)營的哥白尼氣候變化服務(wù)打造的最新一代再分析數(shù)據(jù)[40]。本文僅選擇與植被生長最為密切的溫度、降水2個(gè)要素來開展水熱變化對尼洋河流域植被的影響分析。為了消除氣候因素之間的干擾，采用偏相關(guān)分析方法來探討尼洋河流域植被對氣候變化的響應(yīng)情況。偏相關(guān)分析法的公式如下[41]：

(4)

式中：Rxy,z為去除變量z干擾后變量x，y之間的偏相關(guān)系數(shù),Rxy，Rxz和Ryz分別為變量x與y，x與z，y與z之間的相關(guān)系數(shù)。

2 結(jié)果與分析

2.1 空間分布特征

2.1.1葉面積指數(shù) 如基于GRNN反演得到2001—2019年尼洋河流域LAI空間分布圖所示(圖4)，流域葉面積指數(shù)空間分布情況在近19年無明顯變化，尼洋河流域地形起伏較大，植被主要沿尼洋河河流周圍區(qū)域生長，在離河流較遠(yuǎn)的高海拔區(qū)域，很少有植被生長，全年葉面積指數(shù)值接近為零。根據(jù)MODIS地表覆蓋類型(圖1)，在尼洋河河流兩岸的區(qū)域分布有常綠針葉林，因此，即使在第33 d，尼洋河河流兩岸大部分區(qū)域的葉面積指數(shù)值都在1.0以上。在第217 d，沿尼洋河河流周圍區(qū)域植被葉面積指數(shù)值可達(dá)5.0以上。

圖4 2001—2019年第33 d和第217 d LAI空間分布圖Fig.4 The spatial distribution of LAI on the 33rd and 217th days from 2001 to 2019

2.1.2植被覆蓋度 基于植被冠層透過率原理將反演得到的LAI數(shù)據(jù)作為估算植被覆蓋度輸入數(shù)據(jù)，得到2001—2019年尼洋河流域植被覆蓋度空間分布圖(圖5)，近19年尼洋河流域植被覆蓋度空間分布狀況基本無明顯變化，與葉面積指數(shù)的空間分布特征類似，植被集中覆蓋在尼洋河河流周圍區(qū)域。在第33 d，僅沿河流兩岸有常綠針葉林分布的區(qū)域，植被覆蓋度不為零值，最高可達(dá)0.5以上，而在其它離河流較遠(yuǎn)的區(qū)域，植被覆蓋度值都接近為零。在第217 d，在尼洋河河流周圍區(qū)域植被覆蓋度值相對較大，在離河流較遠(yuǎn)的高海拔區(qū)域，植被覆蓋度值仍接近為零。

2.2 時(shí)間序列分析

植被LAI和FVC在時(shí)間序列上總體均呈現(xiàn)出輕微改善趨勢。近19年尼洋河流域植被LAI整體呈緩慢增加趨勢，每年增長速率為0.001 3，多年平均值為0.592 8(圖6)。2001—2006年期間，LAI呈明顯增加趨勢，植被長勢良好；2006—2009年，LAI呈下降趨勢，植被退化；2009—2013年、2014—2017年期間，LAI呈緩慢增加趨勢，植被生長狀態(tài)有所改善。近19年尼洋河流域植被覆蓋度總體保持穩(wěn)定略增長趨勢，每年增長速率為0.000 6，多年平均值為0.273 5。2004—2006年期間，F(xiàn)VC呈明顯增加趨勢，植被狀態(tài)良好；2006—2009年和2017—2019年，F(xiàn)VC呈下降趨勢，植被生長有所退化；2010—2013年和2014—2017年期間，F(xiàn)VC呈緩慢增加趨勢，植被生長狀態(tài)有所改善。

圖5 2001—2019年第33 d和第217 d FVC空間分布圖Fig.5 The spatial distribution of FVC on the 33rd and 217th days from 2001 to 2019

圖6 LAI和FVC年際變化趨勢Fig.6 Inter-annual change trends of LAI and FVC

2.3 流域植被生長狀況時(shí)空變化

尼洋河流域植被2001—2019年葉面積指數(shù)時(shí)空變化可反映植被生長狀況的總體時(shí)空變化趨勢。通過對每個(gè)像元19年的年平均LAI進(jìn)行線性擬合，擬合斜率表示逐年變化趨勢。利用年最大植被覆蓋度確定尼洋河流域2019年四種覆蓋類型的空間分布，并對尼洋河流域四種覆蓋類型2001—2019年的面積變化進(jìn)行分析。如圖7所示，在尼洋河流域，大部分區(qū)域植被呈現(xiàn)增長的態(tài)勢，增長指數(shù)主要集中在0.02之內(nèi)，增漲幅度較小。相對整個(gè)流域植被變化情況而言，出現(xiàn)明顯增長趨勢的區(qū)域主要集中在沿河流兩岸，大部分區(qū)域增長指數(shù)在0.04以上，部分區(qū)域峰值可達(dá)到0.1，植被生長狀況變好趨勢明顯，但也存在部分區(qū)域，LAI呈現(xiàn)明顯下降趨勢。

圖7 2001—2019年LAI變化趨勢空間分布圖Fig.7 The spatial distribution of LAI change trend from 2001 to 2019

根據(jù)尼洋河流域2019年極低、低、中和高覆蓋四種類型的空間分布圖(圖8)，可以看出尼洋河流域主要以中覆蓋和極低覆蓋類型為主，其次是低覆蓋類型。中覆蓋類型主要分布在尼洋河流周圍區(qū)域，而在遠(yuǎn)離尼洋河的高海拔區(qū)域主要為極低覆蓋類型。在尼洋河流域(圖9)，極低覆蓋類型的面積占比呈現(xiàn)下降的趨勢，而高覆蓋類型的面積占比呈現(xiàn)上升趨勢，其它兩類覆蓋類型的面積占比無明顯變化趨勢。由四種覆蓋類型面積變化趨勢圖(圖10)可知，尼洋河流域2001—2019年高覆蓋和中覆蓋類型區(qū)域面積呈現(xiàn)擴(kuò)大趨勢，極低覆蓋和低覆蓋類型則逐年縮小，其中極低覆蓋類型的面積縮小幅度最大，每年降低速率為16.100，從2001年的5 638 km2減少為2019年的5 311 km2，面積擴(kuò)張幅度最大的是中覆蓋類型區(qū)域，每年增長速率為15.205，而高覆蓋類型的面積則從2001年的298 km2增加到2019年的318 km2。由此表明極低覆蓋類型的區(qū)域植被長勢逐漸變好，高覆蓋類型區(qū)域面積增加，尼洋河流域植被逐年呈現(xiàn)改善趨勢。

圖8 2019年四種覆蓋類型空間分布圖Fig.8 The spatial distribution of four coverage types in 2019

圖9 2001—2019年四種覆蓋類型的時(shí)間序列變化曲線圖Fig.9 Time series change curve of four coverage types from 2001 to 2019

圖10 2001—2019年四種覆蓋類型面積變化趨勢圖Fig.10 Change trend chart of four types of coverage area from 2001 to 2019

2.4 水熱變化對流域植被影響分析

通過計(jì)算尼洋河流域LAI,FVC、氣溫、降水的標(biāo)準(zhǔn)距平值來分析流域植被對水熱的響應(yīng)情況，標(biāo)準(zhǔn)距平相比于距平能在消除離差的基礎(chǔ)上降低自相關(guān)誤差帶來的影響。由圖11可知，2001—2019年葉面積指數(shù)和植被覆蓋度整體呈現(xiàn)出輕微改善的趨勢，且兩者的變化趨勢趨于一致。在2001—2009年，年平均溫度在標(biāo)準(zhǔn)距平值—2和2范圍內(nèi)上下波動(dòng)，于2010—2012年出現(xiàn)下降趨勢，在2013—2017年氣溫逐漸回升并在2017年達(dá)到溫度峰值，存在明顯突變的年份出現(xiàn)在2002年、2009年和2018年。2001—2019年降水基本保持在標(biāo)準(zhǔn)距平值—1和1的范圍內(nèi)，主要呈現(xiàn)上下波動(dòng)的狀態(tài)，但在2004—2006年降水出現(xiàn)大幅度下降。由圖11可知，尼洋河流域年均氣溫與LAI,FVC的變化規(guī)律不一致。而在2003—2004年和2017—2019年年降水較高的年份內(nèi)，同時(shí)期的植被長勢均較差，在2005—2007年和2011—2013年總體降水較低的年份內(nèi)，植被長勢則得到明顯改善。由此遞推發(fā)現(xiàn)，降水量明顯升高的年份，植被生長狀態(tài)不佳。而降水量相對減少的年份，植被長勢逐漸改善，表明在降水豐富的尼洋河流域過多的降水對植被生長存在一定的抑制作用。

為了排除影響因素之間的干擾，本文采用偏相關(guān)分析方法來探討氣溫、降水與植被生長狀況之間的相關(guān)性，得到2001—2019年LAI與降水量、氣溫之間的偏相關(guān)系數(shù)分別為—0.512，—0.137，F(xiàn)VC與降水量、氣溫之間的偏相關(guān)系數(shù)分別為-0.433，-0.131，且均通過了0.05的顯著性檢驗(yàn)，由此表明降水是影響尼洋河流域植被生長的主要影響因素，且與LAI，F(xiàn)VC均呈現(xiàn)負(fù)相關(guān)關(guān)系，而氣溫對尼洋河流域植被生長影響程度較小。

圖11 2001—2015年LAI，F(xiàn)VC與氣溫、降水標(biāo)準(zhǔn)距平圖Fig.11 Standardized anomalies of LAI,FVC,temperature and precipitation from 2001 to 2019

3 討論

本研究采用的廣義回歸神經(jīng)網(wǎng)絡(luò)的方法與業(yè)內(nèi)其他LAI產(chǎn)品相比，在保證反演數(shù)據(jù)質(zhì)量和準(zhǔn)確性的基礎(chǔ)上生成了更高空間分辨率的LAI和FVC數(shù)據(jù)集，有效地提升了研究結(jié)果的準(zhǔn)確性。肖志強(qiáng)等人運(yùn)用該方法反演LAI亦取得了很好的反演結(jié)果[25]。由上述結(jié)果可以發(fā)現(xiàn)，尼洋河流域的植被生長狀況在夏季和冬季存在著明顯的差異，這是由于尼洋河流域植被受氣候的影響很大，植被需要在適宜的水熱條件下才得以生長，而夏季相對于冬季，水熱條件更適合植被生長。但當(dāng)遇到強(qiáng)降水等特殊氣候時(shí)，尼洋河流域植被生長會受到一定的抑制作用。加之尼洋河流域地質(zhì)環(huán)境條件脆弱，流域內(nèi)常發(fā)生泥石流、崩塌、滑坡等地質(zhì)災(zāi)害，植被生長會受到直接影響。因此，開展流域植被生長狀況的時(shí)空分析和特殊氣候的相關(guān)研究，必然成為當(dāng)前生態(tài)科學(xué)研究的前沿與熱點(diǎn)問題，能為該流域內(nèi)各類型地質(zhì)災(zāi)害的防治工作提供科學(xué)依據(jù)和技術(shù)支持，也能更好地服務(wù)于地區(qū)的經(jīng)濟(jì)建設(shè)[42]。

作為表征氣候重要參數(shù)的降水和氣溫，對其進(jìn)行動(dòng)態(tài)監(jiān)測，深入剖析水熱過程與植被生長狀況間的耦合關(guān)系至關(guān)重要[43]。而全球氣候變化背景下的青藏高原暖濕化加劇，增加了尼洋河流域植被生長變化的復(fù)雜性和不確定性。尼洋河流域在過去幾十年曾暴發(fā)過多次大洪水，隨著全球氣候變暖，出現(xiàn)更多高溫、暴雨洪澇、干旱等極端天氣的可能性增加[43]。根據(jù)上述研究結(jié)果表明，相對于氣溫而言，植被對降水的響應(yīng)更為敏感，降水是影響尼洋河流域植被生長的主要影響因素，這一結(jié)果與盧喬倩等人的研究結(jié)果相一致[44]。尼洋河流域位于藏東南地區(qū)，降水量豐沛，而過大的降雨量對尼洋河流域植被生長起到了一定程度的抑制作用，兩者之間呈現(xiàn)出負(fù)相關(guān)性。這是由于降水是影響河流水文情勢中最活躍的因素，降水量的大小及其時(shí)空分布情況，對河川徑流、水化學(xué)和泥沙等方面的變化均有直接影響[33]。因此，當(dāng)出現(xiàn)連續(xù)強(qiáng)降水的特殊天氣時(shí)，尼洋河流域內(nèi)易引發(fā)泥石流、滑坡、洪水等地質(zhì)災(zāi)害，致使植被難以生長。因此，進(jìn)一步加強(qiáng)氣象、水文和植被監(jiān)測等站網(wǎng)建設(shè)，提升流域降水、氣溫等預(yù)報(bào)工作的準(zhǔn)確度，對完善植被保護(hù)措施具有重要意義。

由于現(xiàn)有數(shù)據(jù)的限制，本文僅選擇了對植被生長起主要影響作用的溫度和降水兩個(gè)要素來開展植被特征時(shí)空變化對水熱的響應(yīng)研究，而其他影響要素(包括蒸散量、相對濕度、日照時(shí)數(shù)等)對尼洋河流域植被生長的影響程度還有待進(jìn)一步研究，同時(shí)在后續(xù)研究中需要兼顧人為因素的作用效果。

4 結(jié)論

本研究通過遙感手段，基于廣義回歸神經(jīng)網(wǎng)絡(luò)方法探討了流域植被參數(shù)時(shí)空變化特征及其對水熱因子的響應(yīng)情況，發(fā)現(xiàn)2001—2019年以來，尼洋河流域植被總體呈現(xiàn)輕微改善趨勢，河流兩岸植被生長狀況明顯變好；偏離河流的高海拔區(qū)域植被生長狀況不佳，并隨海拔高度的上升植被狀況越差；流域植被覆蓋類型以中和極低覆蓋為主，中覆蓋類型集中于河流兩岸，極低覆蓋類型分布在遠(yuǎn)離河流的高海拔區(qū)域，極低覆蓋區(qū)域植被改善，河流兩岸的高覆蓋類型區(qū)域面積增加；相對于氣溫而言，降水是影響尼洋河流域植被生長的主要因素，過多的降水對植被生長存在一定的抑制作用。研究結(jié)果可為進(jìn)一步完善流域植被管理和保護(hù)措施提供參考，對制定區(qū)域可持續(xù)發(fā)展戰(zhàn)略具有重要的現(xiàn)實(shí)意義。