EN中文

Arid Land Geography >

2026 , Vol. 49 >Issue 2: 356 - 368

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.118

Climatology and Hydrology

Spatiotemporal changes of snow depth and climate attribution in the Three River Source Region from 1980 to 2020 based on remote sensing monitoring

  • Xiaoyun CAO , 1, 2 ,
  • Bingrong ZHOU 1, 2 ,
  • Chunmiao LEI , 2, 3 ,
  • Zhiyuan LIU 1, 2 ,
  • Feifei SHI 1, 2 ,
  • Yuqian YAN 1, 2
Expand
  • 1. Institute of Qinghai Meteorological Science Research, Xining 810001, Qinghai, China
  • 2. Key Laboratory of Disaster Prevention and Mitigation of Qinghai Province, Xining 810001, Qinghai, China
  • 3. Qinghai Meteorological Service Centre, Xining 810001, Qinghai, China

Received date: 2025-03-06

  Revised date: 2025-05-26

  Online published: 2026-03-11

Fold

Abstract

Changes in the snowpack in the Three Rivers Source Region have important implications for regional and global climate, the hydrological cycle, and ecosystems. However, systematic, long-term monitoring of snow depth dynamics and climate attribution based on remotely sensed data across regions and elevation gradients remains limited. This study analyzed the spatial and temporal patterns of snow depth change in the Three Rivers Source Region from 1980 to 2020 using remote sensing data stratified by subregions and elevation bands, and quantified the relative contributions of temperature and precipitation. The results show that (1) Snow depth in the Three Rivers Source Region exhibited pronounced spatial heterogeneity over the past 41 years, with average snow depth in high-elevation mountain ranges generally exceeding 3 cm and maximum snow depth generally exceeding 6 cm. Average and maximum snow depths decreased significantly at rates of 0.15 cm·(10a)-1 and 0.49 cm·(10a)-1, respectively. A decreasing trend was observed in average snow depth across 68.44% of the region and in maximum snow depth across 63.83% of the region, with significantly decreasing areas accounting for 15.64% and 7.47%, respectively. (2) Pronounced regional and altitudinal differences in snow depth and its changes were observed, with the highest mean and maximum snow depths (2.41 cm and 9.86 cm, respectively) and the fastest decreasing rates [0.37 cm·(10a)-1 and 0.81 cm·(10a)-1, respectively] occurring in the Lancang River source area. Snow depth increased with altitude, with vertical gradients of 0.49 cm·km-1 for mean snow depth and 1.29 cm·km-1 for maximum snow depth. Mean snow depth declined across all elevation bands except the 3.5-4.5 km and >6.0 km bands, whereas maximum snow depth declined across all elevation bands except the 3.5-4.5 km band, with the fastest decrease occurring in the 5.0-5.5 km band. (3) The pronounced “warming and humidifying” climate trend over the past 41 years is the primary driver of snow depth decline in the Three Rivers Source Region, with temperature identified as the dominant controlling factor. The influence of climate change exhibits clear regional and altitudinal differences, with snow depth reductions particularly evident in low-altitude (<3.5 km) and high-altitude (>4.5 km) areas. These findings provide a scientific basis for optimizing snow water resource allocation, ecosystem protection and restoration, and predicting regional climate change trends in the Three Rivers Source Region.

Key words： Three River Source Region; snow depth; climate change; remote sensing monitoring

Cite this article

Xiaoyun CAO , Bingrong ZHOU , Chunmiao LEI , Zhiyuan LIU , Feifei SHI , Yuqian YAN . Spatiotemporal changes of snow depth and climate attribution in the Three River Source Region from 1980 to 2020 based on remote sensing monitoring[J]. Arid Land Geography, 2026 , 49(2) : 356 -368 . DOI: 10.12118/j.issn.1000-6060.2025.118

积雪是冰冻圈的关键组成部分，在北半球中高纬度及高山地区广泛分布，会显著影响能量循环、水循环、物质循环等，对区域和全球水资源、生态环境和气候变化具有重要的调节作用[1-3]。也是地球表面最为活跃的自然要素之一，被认为是气候变化的重要指示器[4-5]。雪深是积雪重要的物理属性，不仅可以反映积雪范围，还可以反映积雪质量[6-7]。因此，准确获取和监测雪深信息对理解气候变化及其环境影响至关重要。
三江源地区是青藏高原最大的冰雪储存区之一，孕育了长江、黄河、澜沧江等多条重要河流，被誉为“中华水塔”，也是东亚甚至全球气候变化的“敏感区”和“启动区”，生态系统极为脆弱[8]，是中国乃至亚洲重要的生态屏障和水源涵养区，在国家生态安全方面有着特殊战略地位[9-10]，其积雪时空变化特征对区域乃至全球气候、水文循环和生态系统具有深远影响[11]。在气候变化背景下，过去60 a三江源地区呈显著的气候变暖趋势，其平均增温速率高达0.37 ℃·(10a)-1，这一数值远超全球平均水平的2倍，也显著高于同纬度地区和中国区域的平均水平[12]。这一背景下，厘清三江源地区雪深时空变化规律，量化雪深对气候变化响应关系，可为该区域雪水资源调节和生态环境保护提供数据支撑。
关于三江源地区积雪时空变化及气候归因研究，大多始于20世纪60年代，主要基于气象台站观测数据，研究表明1961年以来三江源地区降雪量以14.8 mm·(10a)-1的速率在减少，1985—1999年为降雪量偏多期，2000年以来为降雪量偏少期[13]。然而，三江源地区仅有19个气象台站，站点数据稀少且分布不均、空间连续性差，难以实现对大范围积雪空间动态的连续监测。此外，台站的空间代表性也会影响研究结果的可靠性。20世纪80年代以来，随着卫星遥感技术的发展，被动微波遥感克服了传统站点观测在空间连续性和时间一致性方面的局限，已成为雪深监测的主流技术[7,14]。微波遥感数据研究表明，1980—2019年三江源地区积雪变化表现为日数减少、深度减小，且积雪初日推迟、终日提前的趋势[15]。但MODIS数据结果表明，2000年以来三江源地区呈积雪面积上升，积雪日数增多，积雪深度变厚的趋势[1,16-17]。这种变化与全球气候变暖背景下气温升高和降水格局改变密切相关，IPCC第6次评估报告指出，暖湿化导致季节性积雪减少是高海拔地区的普遍现象，气温升高加速积雪消融，在北半球春季，全球地表平均温度每增加1 ℃，积雪面积减少约8%[18]，降水形式由降雪向降雨转变减少积雪积累[13]。此外，海拔、坡度、坡向等地形因素通过影响气温、降水和太阳辐射等间接影响积雪分布和变化[1,19]。尽管学界已就气候因子对三江源地区积雪变化影响的复杂时空模态达成初步共识，但在机制理解方面受模型和观测数据的不足仍然存在较多的不确定性，一方面，以往研究多基于站点观测或2000年后的短期遥感数据，对三江源地区雪深时空动态的分析缺乏系统性，尤其在分区域、分海拔带层面长期变化规律及其气候驱动机制的探讨仍显不足。另一方面，部分研究指出该区域存在雪深减少趋势，但关于不同流域和海拔带雪深变化差异及其主导气候因子的量化研究仍然有限。
针对上述问题，本文基于遥感资料从区域和海拔2个维度系统分析了1980—2020年三江源地区平均雪深和最大雪深时空变化规律，量化了气温与降水对雪深变化的相对贡献。旨在揭示三江源地区宏观尺度的雪深动态变化规律及其驱动机制，以期为三江源地区积雪水资源优化配置、生态系统保护修复以及区域气候变化趋势预测提供科学依据。

1 数据与方法

1.1 研究区概况

三江源地区地处青藏高原腹地，面积约30.25×104 km2，平均海拔达4000 m，该区域地势西北高、东南低，以广袤的山地地貌为主，山脉连绵起伏、地形高峻复杂。区内河网交错，湖泊星罗棋布，沼泽湿地广泛分布，同时覆盖着大面积的雪山与冰川。属于典型的高原大陆性气候，地表覆盖类以高寒草地、湿地、冰川和永久积雪为主，积雪富集于在可可西里山至格拉丹东冰川一线的高海拔山脉地带（图1）。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2024)0650号的标准地图制作，底图边界无修改。下同。

Fig. 1 Schematic diagram of the study area

1.2 数据来源

1.2.1 遥感雪深数据

使用“中国雪深长时间序列数据集（1979—2020年）”[20]用于雪深分析，该数据来源于时空三极环境大数据平台（https://poles.tpdc.ac.cn），空间分辨率为25 km，时间分辨率为逐日。研究选取1979年9月1日至2020年8月31日的逐日雪深数据，对其进行双线性插值，插值成5 km空间分辨率。根据气象台站积雪观测空间代表性评估数据集[21]，选取三江源地区气象台站积雪观测空间代表性好的4个站点（图1d）1979—2020年逐日观测资料对该数据集进行精度评价。结果表明，三江源地区年平均遥感雪深和地面雪深的相关系数为0.76，均方根误差为1.69 cm，散点分布偏向纵轴，斜率为2.33（图2a），分站点来看，泽库站、清水河站、甘德站和河南站的年平均遥感雪深和地面雪深的相关系数分别为0.50、0.69、0.75和0.71，均方根误差分别为0.28 cm、2.47 cm、2.25 cm和0.36 cm，斜率分别为0.83、1.95、2.50和1.30（图2b~e），表明降尺度的遥感雪深数据与地面观测雪深一致性较好，但总体存在高估现象，在浅雪区降尺度的遥感雪深与地面观测雪深一致性更好。研究表明尽管25 km的分辨率在无法解析微地形效应，但在区域气候学研究中被视为一种可行的“高分辨率”折衷方案，虽然该数据集在复杂地形的三江源地区存在一定的高估，但对分析该地区冰雪动态变化研究、冰雪对流域水文过程的影响等方面具有较好的适用性[7,15,22-23]。
图2 1980—2020年三江源地区地面雪深与遥感雪深的相关散点图

注：N、r、RMSE分别为样本数、相关系数和均方根误差。

Fig. 2 Scatter plot of the correlation between surface snow depth and remotely sensed snow depth in the Three River Source Region from 1980 to 2020

1.2.2 气象驱动数据

使用“第三极地区长时间序列高分辨率地面气象要素驱动数据集（TPMFD，1979—2022年）”[24]用于气候归因分析，该数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn）。因其在研制时融合了站点观测数据、模型模拟结果以及再分析资料等多源信息，相较于当前主流的再分析数据，精度显著提升[25]。研究选取1979年9月1日至2020年8月31日逐日的降水、2 m气温数据开展分析，应用双线性插值方法将其1/30°的空间分辨率插值成5 km。

1.2.3 DEM 数据

采用SRTM 90 m空间分辨率的DEM数据来探究不同海拔带和雪深之间的关系，数据来源于地理空间数据云（https://www.gscloud.cn）。将DEM数据预处理至与雪深数据一致的空间分辨率与投影后，并依据海拔高度划分为8个等级（图3）。
图3 三江源地区海拔分级

Fig. 3 Elevation classification in the Three River Source Region

1.3 研究方法

1.3.1 雪深计算

定义上年9月1日至当年8月31日为一个水文年。根据雪深数据，计算了水文年雪深的平均值和最大值，计算公式如下：
S D m e = ∑ i = 1 d a y s S D i d a y s
S D m a = m a x S D i ， i = 1 ,   2 , … , d a y s  
式中：SDme为平均雪深；SDma为最大雪深；i为日数；days为儒略年的天数；SDi为第i天的雪深。

1.3.2 趋势分析

通过一元线性回归方法[26]对水文年的雪深、气温和降水量进行趋势分析，计算公式如下：
y=ax+b
式中：y为雪深；a为斜率，当a>0表示雪深随时间呈增大趋势，a<0表示雪深随时间呈减小趋势；x为时间序列；b为常数。通过t检验对变化趋势进行显著性检验，分析可信度。

1.3.3 垂直梯度

垂直梯度[26]指气象或环境要素（如温度、气压等）随海拔高度变化的速率，通常表示为单位高度变化对应的要素变化量，其计算公式如下：
τ = Δ H Δ φ
式中： τ为垂直梯度； Δ H为海拔高度的变化量； Δ φ为气象要素的变化量。

1.3.4 偏相关分析

采用偏相关系数[26]定量刻画雪深与同期气温和降水的关系，其计算公式如下：
r a b , c = r a b - r a c r b c 1 - r a b 2 1 - r b c 2
式中：rab,c为剔除气温影响后，雪深和降水之间净相关的强弱程度；rab、rac、rbc分别为雪深和降水、雪深和气温、降水和气温之间的相关系数，采用t检验法进行显著性检验。

2 结果与分析

2.1 雪深时空分布格局及其动态变化特征

1980—2020年三江源地区多年平均雪深为1.51 cm，最大雪深为7.07 cm，积雪分布广泛，多年平均雪深和最大雪深的空间分布格局一致，但存在显著空间差异，主要表现为西部高于东部、高海拔山区显著大于盆地和平原的分布特征。其中，环青海湖南部、共和盆地和可可西里中部地区平均雪深不足0.50 cm，最大雪深不足2.00 cm，而格拉丹东冰川、阿尼玛卿雪山、唐古拉山脉、昆仑山脉、巴颜喀拉山和可可西里山是雪深高值区，平均雪深普遍大于3.00 cm，部分地区甚至达9.00 cm，最大雪深普遍大于6.00 cm，部分地区甚至超过20.00 cm（图4a~b）。分区域来看，澜沧江源区平均雪深和最大雪深最高，分别为2.41 cm和9.86 cm，其次是黄河源区，分别为1.21 cm和6.62 cm，长江源区的平均雪深和最大雪深最低，分别为0.86 cm和5.44 cm（图4c）。就海拔而言，三江源地区平均雪深和最大雪深均随海拔上升而增大，雪深垂直递升率分别为0.49 cm·km-1和1.29 cm·km-1，海拔3.5 km以上地区构成了三江源地区积雪分布的主体，其覆盖面积达总面积的98.32%，3.5 km以下平均雪深不足0.11 cm，最大雪深不足1.49 cm，而大于6.0 km地区平均雪深和最大雪深分别可达3.58 cm和10.22 cm（图4d）。其原因在于，三江源中西部以季节性积雪为主，在积雪季，高海拔地形促使西北冷空气与来自印度洋-孟加拉湾的暖湿气流在此交汇，形成有利的降雪条件；另一方面，高海拔地区的持续性低温环境有效抑制了积雪消融，为其长期保存提供了关键保障，因此雪深较高[1,14,19,27]。相比之下，环青海湖南部、共和盆地和可可西里中部等地区受周边山脉地形阻隔的影响，水汽输送条件差，同时受地形影响积雪不易维持，因此雪深较浅[1,28]。
图4 1980—2020年三江源地区雪深多年平均值空间分布及差异

Fig. 4 Spatial distributions and differences in multi-year mean snow depth in the Three River Source Region from 1980 to 2020

1980—2020年三江源地区平均雪深和最大雪深的年际变化也存在显著的空间异质性，68.44%的区域平均雪深年际变化呈减小趋势，其中，显著减小区域面积占比15.64%。平均雪深年际变化总体呈东南部增加西北部地区减小的分布格局，其中，澜沧江源区平均雪深减小速率最快，达0.37 cm·(10a)-1，长江源区和黄河源区的平均雪深减小速率分别为0.06 cm·(10a)-1和0.02 cm·(10a)-1（图5a、表1）；长江源区中西部、澜沧江源区大部、环青海湖南部和共和盆地等地区平均雪深减小趋势最为显著，而三江源北部局地、东南部局地地区平均雪深增加趋势最为显著，显著增加面积占比为2.90%（图5b、表1）。63.83%的区域最大雪深年际变化呈减小趋势，其中，7.47%的区域呈显著减小趋势，说明近41 a来三江源地区最大雪深也以减小趋势为主。三江源地区最大雪深年际变化总体呈东南部增加西北部地区减小的分布格局，其中，澜沧江源区最大雪深减小速率最快，达0.81 cm·(10a)-1，长江源区的最大雪深减小速率为0.26 cm·(10a)-1，而黄河源区的最大雪深呈增加趋势，增加速率为0.03 cm·(10a)-1（图5c、表1）。长江源区中西部、澜沧江源区东部、环青海湖南部和共和盆地等地区最大雪深减小趋势最为显著，而三江源北部局地、东南部局地地区最大雪深增加趋势最为显著，显著增加面积占比为1.52%（图5d、表1）。
图5 1980—2020年三江源地区雪深年际变化速率及其显著性检验空间分布

Fig. 5 Spatial distributions of interannual variation rate of snow depth and its significance test in the Three River Source Region from 1980 to 2020

表1 1980—2020 年三江源地区不同区域雪深年际变化速率及其显著性检验统计

Tab. 1 Interannual variation rate of snow depth and its significance test in different regions of the Three River Source Region from 1980 to 2020

区域 年际变化速率
/10 cm·(10a)-1		 不显著减小面积
占比/%		 显著减小面积
占比/%		 不显著增加面积
占比/%		 显著增加面积
占比/%		 无变化面积
占比/%
平均
雪深		 最大
雪深		 平均
雪深		 最大
雪深		 平均
雪深		 最大
雪深		 平均
雪深		 最大
雪深		 平均
雪深		 最大
雪深		 平均
雪深		 最大
雪深
澜沧江源区 -3.73 -8.14 43.47 90.67 56.53 9.33 0.00 0.00 0.00 0.00 0.00 0.00
黄河源区 -0.15 0.31 45.79 36.58 8.28 0.00 45.79 62.35 0.13 0.00 0.00 1.07
长江源区 -0.62 -2.58 62.06 73.42 27.45 13.32 10.10 12.51 0.00 0.00 0.39 0.76
三江源地区 -1.48 -4.90 52.80 56.36 15.64 7.47 27.38 33.25 2.90 1.52 1.28 1.39
从1980—2020年三江源地区不同海拔带的雪深年际变化速率及其显著性检验面积占比可知，1980—2020年三江源地区除了3.5~4.5 km和大于6.0 km外，其余不同海拔带的平均雪深呈减小趋势，其中5.0~5.5 km海拔带的平均雪深减小速率最快，达0.11 cm·(10a)-1，显著减小的区域面积占比为7.24%；4.5~5.0 km和5.5~6.0 km海拔带的平均雪深减小速率也均超过0.08 cm·(10a)-1，显著减小的区域面积占比分别为20.62%和0.90%；小于3.0 km和3.0~3.5 km海拔带的平均雪深减小速率不足0.02 cm·(10a)-1，显著减小的面积占比分别达61.76%和28.91%；而3.5~4.5 km和大于6.0 km海拔带的平均雪深增加速率分别为0.02 cm·(10a)-1、0.01 cm·(10a)-1和0.02 cm·(10a)-1，显著增加的区域面积占比分别为11.73%、3.98%和0%（图6）。除了3.5~4.5 km海拔带外，其余不同海拔带的最大雪深也均呈减小趋势，其中5.0~5.5 km海拔区域的最大雪深减小速率最快，达0.33 cm·(10a)-1，显著减小的区域面积占比为5.69%；4.5~5.0 km和5.5~6.0 km海拔带的最大雪深减小速率也均超过0.24 cm·(10a)-1，显著减小的区域面积占比分别为9.20%和0%；小于3.0 km和3.0~3.5 km海拔带的最大雪深减小速率分别为0.29 cm·(10a)-1和0.11 cm·(10a)-1，显著减小的区域面积占比分别为35.29%和11.37%；而3.5~4.0 km和4.0~4.5 km海拔带的平均雪深增加速率不足0.02 cm·(10a)-1，显著增加的区域面积占比不足5.10%（图6）。
图6 1980—2020年三江源地区不同海拔带雪深的年际变化速率及其显著性检验面积占比

Fig. 6 Interannual variation rates of snow depth in different altitude zones and its significance test area percentage in the Three River Source Region from 1980 to 2020

从时间序列可知，1980—2020年三江源地区平均雪深和最大雪深总体呈波动减小趋势，年际变化速率分别为-0.15 cm·(10a)-1和-0.49 cm·(10a)-1（P<0.05），1986年出现最大值，平均雪深和最大雪深分别为4.86 cm和19.41 cm，2004年出现最小值，分别为0.34 cm和3.06 cm。1986年雪深偏大主要归因于阻塞高压、极涡偏弱和南支槽活跃，使得冷空气与暖湿气流在三江源持续交汇；而2004年雪深偏小则可能与西风带平直、北极涛动正相位、南支槽偏弱，使得水汽输送减少，导致降雪量不足有关[28]，说明三江源地区雪深仍不稳定，易受气候等因素的扰动（图7）。
图7 1980—2020年三江源地区雪深的年际变化

Fig. 7 Interannual variation of snow depth in the Three River Source Region from 1980 to 2020

2.2 雪深变化气候归因

从1980—2020年三江源地区水文年年平均气温、降水量的年际变化时间序列可知，近41 a三江源地区年平均气温为-1.78~-4.75 ℃，呈极显著升温趋势，升温速率为0.42 ℃·(10a)-1（P<0.01）；年降水量为502.19~738.97 mm，呈显著增加趋势，增加速率为18.82 mm·(10a)-1（P<0.05）。通过对比可知，1986、1998、2000、2019年和2020年典型“冷湿”年份雪深显著偏高，1994、1999、2004、2011年和2016年典型“暖干”年份雪深普遍偏低（图8），这一现象表明，三江源地区显著的“暖湿化”气候特征是调控雪深变化的关键驱动因素。
图8 1980—2020年三江源地区气温、降水量年际变化

Fig. 8 Interannual variation of temperature and precipitation in the Three River Source Region from 1980 to 2020

三江源地区年平均雪深、最大雪深与气温、降水量的偏相关系数及显著性分布结果表明，就气温而言，99.20%的区域平均雪深与气温呈负相关，79.14%呈显著负相关（P<0.05），主要分布于西部、中部和东北部地区，而东南、北部的部分地区平均雪深与气温相关性较低（图9a~b）；就降水而言，90.79%的区域平均雪深与降水量呈正相关，45.04%呈显著正相关（P<0.05），主要分布在东部、南部和西部的部分区域（图9c~d）。最大雪深与同期气温、降水量的偏相关系数及显著性分布高度一致。其中，98.68%的区域最大雪深与气温呈负相关，68.80%呈显著负相关（P<0.05），主要分布于西北部、南部和北部局地、东北部地区，而东南、北部和西南部局地地区最大雪深与气温相关性较低（图9e~f）。91.64%的区域最大雪深与降水量呈正相关，40.40%呈显著正相关（P<0.05），主要分布在东部、中南部和西部的部分区域，而长江源区西北部、环青海湖南部、环扎陵湖西部和澜沧江源区西部的部分地区平均雪深与降水量呈负相关（图9g~h），这可能主要归因于气温的调控作用，当气温接近雪-雨相变阈值时，会通过调控降水相态非线性影响雪深，而且气温升高会通过延长消融期削弱降水积累效应，此外，风力的再分配、地形与局地环流、人类活动干扰、积雪升华等因素也会导致雪深与降水量呈负相关[29-30]。说明相比于降水，三江源地区气温对雪深的影响范围更广、影响程度更深。
图9 1980—2020年三江源地区雪深与气温、降水量的偏相关分析

Fig. 9 Partial correlation analysis of snow depth with temperature and precipitation in the Three River Source Region from 1980 to 2020

从1980—2020年三江源地区年平均雪深、最大雪深与平均气温、降水量偏相关系数的区域和海拔差异可知，三江源地区平均雪深和最大雪深与气温的平均偏相关系数分别为-0.40（P<0.01）和-0.36（P<0.05），长江源区气温对雪深的影响最大，偏相关系数均超过-0.48（P<0.01），而黄河源区气温对雪深的影响相对较小，偏相关系数不足-0.36（P<0.05）（图10a）。三江源地区平均雪深和最大雪深与降水量的平均偏相关系数分别为0.23和0.22，澜沧江源区降水对雪深的影响最大，偏相关系数均超过0.24，而长江源区降水对雪深的影响偏相对较小，相关系数不足0.11（图10b）。研究显示，高海拔站点普遍受降水增加影响，导致积雪积累增强；然而，当升温速率超过临界阈值时，增温效应将主导降水相态转变，即使降水总量增加，升高的气温仍会显著降低固态降水比例，从而抑制积雪增长[29]，而且气温升高会通过延长消融期削弱降水积累效应[30]。说明相比于降水，气温是影响三江源地区雪深变化的主要驱动因素且存在区域差异，尽管三江源地区近41 a降水量增加，但加剧的变暖仍然导致雪深大幅减小。从海拔差异来看，三江源地区平均雪深和最大雪深与气温的偏相关系数在小于3.5 km和大于4.5 km的区域均较高，均超过-0.39（P<0.01），而3.5~4.5 km海拔区域偏相关系数均较小，不足-0.35（图10c），三江源地区平均雪深和最大雪深与降水量的偏相关系数在各海拔区间均较低，不足-0.30（图10d）。这可能与该海拔带温度接近雪-雨相变阈值有关，在3.5~4.5 km相变敏感带，气温通过调控降水相态非线性影响雪深，导致气温-雪深关系复杂化。进一步说明气温是影响三江源雪深变化的主导因素，且这种影响表现出明显的区域和海拔差异，气候变暖对低海拔（<3.5 km）和高海拔（>4.5 km）区域雪深影响更明显。
图10 1980—2020年三江源地区雪深与气温、降水量的偏相关系数差异

Fig. 10 Differences in bias correlation coefficients of snow depth with temperature and precipitation in the Three River Source Region from 1980 to 2020

3 结论

（1） 近41 a三江源地区雪深存在显著的空间差异，格拉丹东冰川、阿尼玛卿雪山等高海拔地区是雪深高值区，平均雪深普遍大于3.00 cm，最大雪深普遍大于6.00 cm，而环青海湖南部、共和盆地等地区平均雪深不足0.50 cm，最大雪深不足2.00 cm。近41 a，三江源地区平均雪深和最大雪深均呈显著减小趋势，年际变化速率分别为0.15 cm·(10a)-1和0.49 cm·(10a)-1（P<0.05），空间上，68.44%的区域平均雪深呈减小趋势，显著减小区域面积占比为15.64%，63.83%的区域最大雪深呈减小趋势，显著减小区域面积占比为7.47%。
（2） 近41 a三江源地区雪深及其变化趋势存在明显的区域和海拔差异。澜沧江源区平均雪深和最大雪深最高，分别为2.41 cm和9.86 cm，雪深减小速率也最快，分别达0.37 cm·(10a)-1、0.81 cm·(10a)-1。平均雪深和最大雪深均随海拔上升而增大，雪深垂直梯度分别为0.49 cm·km-1和1.29 cm·km-1，大于6.0 km地区平均雪深和最大雪深分别可达3.58 cm和10.22 cm。除3.5~4.5 km和大于6.0 km海拔带外，其余海拔带平均雪深均呈减小趋势；除3.5~4.5 km外，其余海拔带最大雪深也呈减小趋势，其中5.0~5.5 km海拔带的平均雪深和最大雪深减小速率最快。
（3） 近41 a三江源地区平均气温以0.42 ℃·(10a)-1的速率显著上升，降水以18.82 mm·(10a)-1的速率显著增加，显著的“暖湿化”气候是调控区域雪深变化的重要驱动因子。其中，气温是主导因素，且这种影响存在明显的区域和海拔差异，近41 a来三江源地区雪深减小与气候变暖密切相关，尤其是低海拔（<3.50 km）和高海拔（>4.50 km）区域。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹晓云, 肖建设, 郝晓华, 等. 2001—2020年三江源地区积雪日数变化及地形分异[J]. 干旱区地理, 2022, 45(5): 1370-1380.

DOI

[Cao Xiaoyun, Xiao Jianshe, Hao Xiaohua, et al. Variation of snow cover days and topographic differentiation in Sanjiangyuan area from 2001 to 2020[J]. Arid Land Geography, 2022, 45(5): 1370-1380.]

DOI

[2]
车涛, 郝晓华, 戴礼云, 等. 青藏高原积雪变化及其影响[J]. 中国科学院院刊, 2019, 34(11): 1247-1253.

[Che Tao, Hao Xiaohua, Dai Liyun, et al. Snow cover variation and its impacts over the Qinghai-Tibet Plateau[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1247-1253.]

[3]
王建, 车涛, 李震, 等. 中国积雪特性及分布调查[J]. 地球科学进展, 2018, 33(1): 12-26.

DOI

[Wang Jian, Che Tao, Li Zhen, et al. Investigation on snow characteristics and their distribution in China[J]. Advances in Earth Science, 2018, 33(1): 12-26.]

DOI

[4]
王宁练, 盛煜, 金汇军, 等. 祁连山水塔变化及其影响[M]. 北京: 科学出版社, 2023: 116-135.

[Wang Ninglian, Sheng Yu, Jin Huijun, et al. Changes in the Qilian Mountains water tower and its impacts[M]. Beijing: Science Publishing House, 2023: 116-135.]

[5]
周秉荣, 袁佳双, 乔斌, 等. 青藏高原气候与冰冻圈变化研究进展[J]. 环境科学研究, 2024, 37(9): 1885-1896.

[Zhou Bingrong, Yuan Jiashuang, Qiao Bin, et al. Research progress on climate and cryosphere changes in the Qinghai-Tibetan Plateau[J]. Environmental Science Research, 2024, 37(9): 1885-1896.]

[6]
Gu Q Y, Xu J H, Ni J W, et al. Improved snow depth estimation on the Tibetan Plateau using AMSR2 and ensemble learning models[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 133: 104102, doi: 10.1016/j.jag.2024.104102.

[7]
王静, 车涛, 戴礼云, 等. 被动微波遥感反演雪深与气象站观测雪深时空对比[J]. 遥感学报, 2023, 27(9): 2060-2071.

[Wang Jing, Che Tao, Dai Liyun, et al. Spatio-temporal comparison of snow depth between passive microwave remote sensing inversion data and meteorological station observation data[J]. Journal of Remote Sensing, 2023, 27(9): 2060-2071.]

[8]
孟宪红, 陈昊, 李照国, 等. 三江源区气候变化及其环境影响研究综述[J]. 高原气象, 2020, 39(6): 1133-1143.

DOI

[Meng Xianhong, Chen Hao, Li Zhaoguo, et al. Review of climate change and its environmental influence on the Three-River Regions[J]. Plateau Meteorology, 2020, 39(6): 1133-1143.]

DOI

[9]
Bai Y F, Guo C C, Degen A A, et al. Climate warming benefits alpine vegetation growth in Three-River Headwater Region, China[J]. Science of the Total Environment, 2020, 742: 140574, doi: 10.1016/j.scitotenv.2020.140574.

[10]
王成武, 尧良杰, 汪宙峰, 等. 2000—2020年三江源地区景观生态风险评价及驱动因素[J]. 干旱区研究, 2024, 41(11): 1908-1920.

DOI

[Wang Chengwu, Yao Liangjie, Wang Zhoufeng, et al. Landscape ecological risk assessment and drivers in the Three River Source Region from 2000 to 2020[J]. Arid Zone Research, 2024, 41(11): 1908-1920.]

DOI

[11]
姚檀栋, 王伟财, 杨威, 等. 亚洲水塔失衡与冰雪变化[J]. 气候变化研究进展, 2024, 20(6): 689-698.

[Yao Tandong, Wang Weicai, Yang Wei, et al. Imbalance of the Asian Water Tower characterized by glacier and snow melt[J]. Climate Change Research, 2024, 20(6): 689-698.]

[12]
靳铮, 游庆龙, 吴芳营, 等. 青藏高原三江源地区近60 a气候与极端气候变化特征分析[J]. 大气科学学报, 2020, 43(6): 1042-1055.

[Jin Zheng, You Qinglong, Wu Fangying, et al. Changes of climate and climate extremes in the Three-Rivers Headwaters Region over the Tibetan Plateau during the past 60 years[J]. Transactions of Atmospheric Sciences, 2020, 43(6): 1042-1055.]

[13]
刘义花, 李红梅, 申红艳, 等. 三江源地区降雪量演变特征及其对径流的影响[J]. 高原气象, 2022, 41(2): 420-429.

DOI

[Liu Yihua, Li Hongmei, Shen Hongyan, et al. The variation characteristics of snowfall and its infulence on runoff in Three-Rivers-Source Region[J]. Plateau Meteorology, 2022, 41(2): 420-429.]

DOI

[14]
曹晓云, 张娟, 王镜, 等. 近40 年青藏高原雪深变化及对气候变化的响应分析[J]. 高原气象, 2025, 44(5): 1133-1145.

DOI

[Cao Xiaoyun, Zhang Juan, Wang Jing, et al. Snow depth and its response to climate change over the Qinghai-Xizang (Tibetan) Plateau in recent 40 years[J]. Plateau Meteorology, 2025, 44(5): 1133-1145.]

DOI

[15]
陈龙飞, 张万昌, 高会然. 三江源地区1980—2019年积雪时空动态特征及其对气候变化的响应[J]. 冰川冻土, 2022, 44(1): 133-146.

DOI

[Chen Longfei, Zhang Wanchang, Gao Huiran. Spatiotemporal dynamic characteristics of snow cover from 1980 to 2019 in the Three-River-Source Region and its response to climate change[J]. Journal of Glaciology and Geocryology, 2022, 44(1): 133-146.]

DOI

[16]
李红梅, 颜亮东, 温婷婷, 等. 三江源地区气候变化特征及其影响评估[J]. 高原气象, 2022, 41(2): 306-316.

DOI

[Li Hongmei, Yan Liangdong, Wen Tingting, et al. Characteristics of climate change and its impact assessment in the Three River Source Region[J]. Plateau Meteorology, 2022, 41(2): 306-316.]

DOI

[17]
史飞飞, 李晓东, 肖建设, 等. 基于MOD10A1 V6产品下青海省各片区积雪的分布气候特征[J]. 生态科学, 2024, 43(4): 27-38.

[Shi Feifei, Li Xiaodong, Xiao Jianshe, et al. Climate characteristics of snow cover distribution in ecological function areas of Qinghai Province based on MOD10A1 V6[J]. Ecological Science, 2024, 43(4): 27-38.]

[18]
黄晓东, 马英, 李雨馨, 等. 1980—2020年青藏高原积雪时空变化特征[J]. 冰川冻土, 2023, 45(2): 423-434.

DOI

[Huang Xiaodong, Ma Ying, Li Yuxin, et al. Spatiotemporal variation characteristics of snow cover over the Tibetan Plateau from 1980 to 2020[J]. Journal of Glaciology and Geocryology, 2023, 45(2): 423-434.]

DOI

[19]
效存德, 杨佼, 张通, 等. 冰冻圈变化的可预测性、不可逆性和深度不确定性[J]. 气候变化研究进展, 2022, 18(1): 1-11.

[Xiao Cunde, Yang Jiao, Zhang Tong, et al. The predictability, irreversibility and deep uncertainty of cryospheric change[J]. Climate Change Research, 2022, 18(1): 1-11.]

[20]
车涛, 戴礼云, 李新. 中国雪深长时间序列数据集(1979—2023)[DB/OL]. [2024-09-24]. https://www.tpdc.ac.cn/zh-hans/data/df40346a-0202-4ed2-bb07-b65dfcda9368.

[Che Tao, Dai Liyun, Li Xin. Long-term series of daily snow depth dataset in China (1979—2024)[DB/OL]. [2024-09-24]. https://www.tpdc.ac.cn/zh-hans/data/df40346a-0202-4ed2-bb07-b65dfcda9368.]

[21]
王园园, 郑照军. 气象台站积雪观测空间代表性评估数据集[DB/OL]. [2025-05-01]. https://www.geodata.cn/data/datadetails.html?dataguid=122629981720606&docId=3755.

[Wang Yuanyuan, Zheng Zhaojun. Representative evaluation dataset of snow cover observation space at CMA meteorological stations[DB/OL]. [2025-05-01]. https://www.geodata.cn/data/datadetails.html?dataguid=122629981720606&docId=3755.]

[22]
王芝兰, 张飞民, 王澄海, 等. 1980—2019年青藏高原积雪深度时空差异性分析[J]. 冰川冻土, 2022, 44(3): 810-821.

DOI

[Wang Zhilan, Zhang Feimin, Wang Chenghai, et al. Analysis on spatial and temporal difference of snow depth over the Tibetan Plateau from 1980 to 2019[J]. Journal of Glaciology and Geocryology, 2022, 44(3): 810-821.]

DOI

[23]
徐帆, 张彦丽, 李克恭. 基于MODIS积雪覆盖度数据的青藏高原两套被动微波雪深产品降尺度对比研究[J]. 冰川冻土, 2024, 46(1): 65-76.

DOI

[Xu Fan, Zhang Yanli, Li Kegong. Comparison studies of two downscaled passive microwave snow depth products over the Qinghai-Xizang Plateau based on MODIS fractionalsnow cover dataset[J]. Journal of Glaciology and Geocryology, 2024, 46(1): 65-76.]

DOI

[24]
阳坤, 姜尧志, 唐文君, 等. 第三极地区长时间序列高分辨率地面气象要素驱动数据集(TPMFD, 1979—2022)[DB/OL]. [2025-04-02]. https://www.tpdc.ac.cn/zh-hans/data/44a449ce-e660-44c3-bbf2-31ef7d716ec7.

[Yang Kun, Jiang Yaozhi, Tang Wenjun, et al. A high-resolution near-surface meteorological forcing dataset for the Third Pole region (TPMFD, 1979—2022)[DB/OL]. [2025-04-02]. https://www.tpdc.ac.cn/zh-hans/data/44a449ce-e660-44c3-bbf2-31ef7d716ec7.]

[25]
张群慧, 常亮, 顾小凡, 等. 1979—2020年柴达木盆地人体舒适度指数时空变化及趋势分析[J]. 干旱区研究, 2024, 41(8): 1300-1308.

DOI

[Zhang Qunhui, Chang Liang, Gu Xiaofan, et al. Spatial-temporal variations and trends in the human body comfort index in the Qaidam Basin, China, during 1979—2020[J]. Arid Zone Research, 2024, 41(8): 1300-1308.]

DOI

[26]
黄嘉佑, 李庆祥. 气象数据统计分析方法[M]. 北京: 气象出版社, 2015: 12-50.

[Huang Jiayou, Li Qingxiang. Statistical analysis method of meteorological data[M]. Beijing: Meteorological Publishing House, 2015: 12-50.]

[27]
沈鎏澄, 吴涛, 游庆龙, 等. 青藏高原中东部积雪深度时空变化特征及其成因分析[J]. 冰川冻土, 2019, 41(5): 1150-1161.

DOI

[Shen Liucheng, Wu Tao, You Qinglong, et al. Analysis of the characteristics of spatial and temporal variations of snow depth and their causes over the central and eastern Tibetan Plateau[J]. Journal of Glaciology and Geocryology, 2019, 41(5): 1150-1161.]

DOI

[28]
陈乾金, 王丽华, 高波, 等. 青藏高原1985年冬季异常少雪和1986年异常多雪的环流及气候特征对比研究[J]. 气象学报, 2000, 58(2): 202-213.

[Chen Qianjin, Wang Lihua, Gao Bo, et al. Comparative analysis of circulation and climatic between less snow year 1985 and more-snow year 1986 for Tibetan Plateau[J]. Acta Meteorologica Sinica, 2000, 58(2): 202-213.]

[29]
Gao Y, Dai Y F, Yang W, et al. Estimation of snow bulk density and snow water equivalent on the Tibetan Plateau using snow cover duration and snow depth[J]. Journal of Hydrology: Regional Studies, 2023(48): 101473, doi: 10.1016/j.ejrh.2023.101473.

[30]
李双双, 胡佳岚, 段克勤, 等. 基于遥感监测的秦岭南北积雪日数时空变化及影响因素[J]. 地理学报, 2023, 78(1): 121-138.

DOI

[Li Shuangshuang, Hu Jialan, Du Keqin, et al. Spatiotemporal variation of snow cover days and influencing factors in north and south Qinling Mountains based on remote sensing monitoring[J]. Acta Geographica Sinica, 2023, 78(1): 121-138.]

DOI

Options
Outlines

/

〈 〉