EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 7: 1257 - 1268

DOI: https://doi.org/10.13866/j.azr.2025.07.09

植物生态

气候变化对柴达木盆地植被绿度的影响及趋势预估

  • 严应存 , 1, 2 ,
  • 孙树娇 1, 2 ,
  • 余迪 3 ,
  • 高贵生 4
展开
  • 1.青海省气象科学研究所，青海 西宁 810001
  • 2.青海省防灾减灾重点实验室，青海 西宁 810001
  • 3.青海省气候中心，青海 西宁 810001
  • 4.青海省海北牧业气象试验站，青海 海北 810200

严应存（1974-），女，正研级高级工程师，主要从事农业气象研究与服务工作. E-mail:

收稿日期: 2024-07-24

  修回日期: 2025-04-08

  网络出版日期: 2025-08-13

基金资助

青海省科技厅项目(2021-ZJ-611)

收起

Impact and trend estimation of climate change on vegetation greenness in the Qaidam Basin

  • YAN Yingcun , 1, 2 ,
  • SUN Shujiao 1, 2 ,
  • YU Di 3 ,
  • GAO Guisheng 4
Expand
  • 1. Qinghai Institute of Meteorological Science, Xining 810001, Qinghai, China
  • 2. Qinghai Province Key Laboratory of Disaster Prevention and Reduction, Xining 810001, Qinghai, China
  • 3. Qinghai Climate Center, Xining 810001, Qinghai, China
  • 4. Haibei Livestock Experiment Weather Station, Haibei 810200, Qinghai, China

Received date: 2024-07-24

  Revised date: 2025-04-08

  Online published: 2025-08-13

Fold

摘要

探究柴达木盆地植被绿度变化气候影响定量预评估，有助于统筹推进山水林田湖草沙气一体化保护和系统治理。本文基于MODIS NDVI数据、气象数据、气候变化预估数据集，监测了2000—2023年柴达木盆地NDVI≤0.3的植被绿度变化，分析了不同绿度植被气候驱动因素，预估了未来不同绿度植被变化趋势。结果表明：近24 a来，柴达木盆地Ⅰ、Ⅱ和Ⅲ植被分别占低绿度植被的49.33%、19.81%、30.86%，其中植被面积Ssum、SⅠ、SⅡ极显著减少（P<0.001），SⅢ极显著增加，植被明显趋好；水热条件对低绿度植被的降水影响2~3 a、气温5 a的累积效应显著（P<0.01）大于当年，暖湿化气候促进草地良性发展；未来RCP2.6、RCP4.5、RCP8.5三种排放情景下，柴达木盆地低绿度植被总体呈减少趋势，未来气候条件有利于植被恢复和扩展。该研究结果可为柴达木盆地生态环境保护和荒漠化治理措施的制定提供科学依据。

关键词： 气候变化; 植被绿度; 气候模拟模型; 趋势预估; 柴达木盆地

本文引用格式

严应存 , 孙树娇 , 余迪 , 高贵生 . 气候变化对柴达木盆地植被绿度的影响及趋势预估[J]. 干旱区研究, 2025 , 42(7) : 1257 -1268 . DOI: 10.13866/j.azr.2025.07.09

Abstract

Exploring the quantitative pre assessment of the climate impact of vegetation greenness changes in the Qaidam Basin can help promote the integrated protection and systematic management of mountains, waters, forests, fields, lakes, grasses, sands, and gases. This article is based on MODIS NDVI data, meteorological data, and climate change prediction datasets. It monitors the changes in vegetation greenness with NDVI ≤ 0.3 in the Qaidam Basin from 2000 to 2023, analyzes the climate driving factors of vegetation with different greenness, and predicts the future trends of vegetation changes with different greenness. The results showed that in the past 24 years, vegetation types Ⅰ, Ⅱ, and Ⅲ in the Qaidam Basin accounted for 49.33%, 19.81%, and 30.86% of low green vegetation, respectively. Among them, the vegetation areas of Ssum, SⅠ, and SⅡ decreased significantly (P<0.001), while the vegetation area of SⅢ increased significantly, indicating a clear improvement in vegetation quality; The cumulative effect of water and heat conditions on precipitation of low green vegetation for 2-3 years and temperature for 5 years is significantly (P<0.01) greater than that of the current year, indicating that a warm and humid climate promotes the healthy development of grasslands; Under the three emission scenarios of RCP2.6, RCP4.5, and RCP8.5 in the future, the overall trend of low green vegetation in the Qaidam Basin is decreasing, and future climate conditions are favorable for vegetation restoration and expansion. The research results can provide scientific basis for the development of ecological environment protection and desertification control measures in the Qaidam Basin.

Key words： climate change; vegetation greenness; climate simulation model; trend estimation; Qaidam Basin

MODIS植被指数产品具有时间序列长、对植被的敏感度高、外部和内在因素的影响小等优势，其传感器的可见光波段对叶绿素敏感，近红外波段减少了大气水汽的干扰，在植被监测中具有很高的准确性[1]。植被绿度指数能够快速准确地监测长时间序列不同空间尺度的植被生长状况的动态信息，归一化植被指数（Normalized DifferenceVegetation Index，NDVI）是表征植被变化最有效的指标之一，可较好地反映植被绿度变化[2]。对于低植被覆盖率的荒漠区域，NDVI与植被覆盖率有单一的正相关关系，可以用来研究荒漠区域地表植被绿度，其趋势作为荒漠化监测和评价的指标，是切实可行的[3]。特别是低覆盖率植被，种类组成较少，运用归一化植被指数NDVI具有不存在饱和现象的优势[4]。以植被NDVI为衡量指标，量化植被活动的时空变化有助于理解气候变化和植被之间的关系，对于预测植被对气候变化的响应至关重要[5]。
柴达木盆地是对全球气候变化和人类活动干扰最为敏感的区域之一[6-8]，生态环境十分脆弱[9-10]。学者们的研究表明，不同气象因子对植被绿度的影响差异显著。金晓媚等[11]基于2000—2011年7月MODIS-NDVI数据分析了柴达木河都兰区植被覆盖率的影响因素，表明与降水、相对湿度和地下水埋深的关系密切；李艳丽等[12]采用遥感和GIS相结合的技术手段，对柴达木盆地南缘绿洲土地覆盖变化及其社会、自然成因进行分析，指出气候变暖和冰雪融化促进了绿洲化趋势高于荒漠化趋势；李学敏等[13]用EOF分解得到西南夏季最高和平均气温对青藏高原冬季植被变化较敏感；范广洲等[14]基于NDVI资料、台站降水和NCEP/NCAR再分析资料，通过相关分析和合成分析方法，揭示了我国夏季降水与青藏高原春季植被的关系及可能机理；王永立等[15]、侯光雷等[16]从月、旬尺度上研究了我国东部地区和松嫩平原植被与气象条件的相互作用，发现水热条件对植被绿度有滞后效应；吴运力等[17]基于MODOS-NDVI遥感、气象和植被类型数据，结合趋势分析、变异系数和地理探测器等方法，分析内蒙古高原2000—2020年5种植被类型NDVI的变化与气象因子的关系，认为水热共同作用是影响高原NDVI的主导因素。可见植被NDVI对气温和降水具有一定的指示意义，同时水热条件影响植被NDVI。已有研究表明，自1961年以来柴达木盆地温度升高[18]、降水增加[19-20]，气候向着暖湿化方向发展[21-22]，但柴达木盆地处于青藏高原沙漠化敏感性最高的区域，重度和极重度区域占比达84%，气候驱动是荒漠化的主因[23-24]。曹旭娟等[25]也提出青海省极重度退化面积比例在增长，土壤风蚀严重[26-27]。因此，有必要基于年时间尺度和区域水热条件，开展柴达木盆地低绿度植被气候影响评估及趋势预估，从宏观层面为制定柴达木盆地荒漠化治理方案和生态文明建设规划提供科学参考，也为认识柴达木盆地荒漠化提供一种新的思路。

1 资料与方法

1.1 研究区概况

柴达木盆地地处青藏高原东北缘，位于青海省西北部（图1），被南部昆仑山、西部阿尔金山、东北部祁连山山脉环抱，属封闭性的巨大山间断陷盆地。盆地介于90°16′~99°16′E、35°00′~39°20′N之间，略呈三角形，东西长约800 km，南北宽约300 km，面积约2.4×105 km2，为中国三大内陆盆地之一。柴达木盆地属于干燥、多风的大陆性气候，年蒸发量大于降水量，终年干燥少雨、冬季寒冷漫长、夏季凉爽短促。柴达木盆地草地类型主要有温性荒漠类、高寒草原类、高寒荒漠类、高寒草甸类和低地草甸类等[28]。天然草地6.99×106 hm2，可利用面积5.28×106 hm2，占本区总面积的30.74%，草地鲜草产量1422 kg·hm-2，草地初级生产力是全省较低的区域[29]。
图1 柴达木盆地研究区域示意图

Fig. 1 Research area of Qaidam Basin

1.2 数据与预处理

1.2.1 NDVI数据

NDVI数据选用2000—2023年生长季（5—9月）16 d合成的MODIS植被指数产品MOD13Q1-NDVI，轨道号为H25V05，空间分辨率为250 m。本文的影像数据已经过表面的双向反射率大气校正，去除水、云、气溶胶和云阴影的影响。数据进行拼接、重投影、格式转换等预处理后，进行年最大合成，最后掩膜得到研究区24 a逐年Albers投影的年最大NDVI值。16 d合成的MODIS植被指数产品可从美国LPDAAC（Land Process Distributed Active Archive Center）免费获得（http://ladsweb.nascom.nasa.gov/data/search.html）。

1.2.2 气候变化预估数据集

中国地区气候变化预估数据集，数据版本为Version 3.0，来自国家气候中心研究人员使用国际理论物理研究中心（ICTP，the Abdus Salam International Centre for Theoretical Physics，Italy）的区域气候模式RegCM 4.0所进行的未来区域气候变化模拟结果。本文利用的气候变化业务产品是在中国地区气候变化预估数据集的基础上，针对柴达木盆地历史资料进行区域订正和优化的产品。

1.2.3 气象数据

选取2000年1月1日—2023年12月31日柴达木盆地9个气象站的逐日气温和降水数据，站点气象资料经过迁站系统订正等严格的质量控制，准确性及完整性满足科学研究需求。

1.3 研究方法

1.3.1 绿度划分

在中分辨率遥感影像上，植被覆盖率由低到高表现为真彩色合成的图像颜色由黄色向绿色逐渐变化。植被指数成为衡量地表植被绿度的重要指标[3]。根据文献[2]得出全球裸地NDVI阈值为0.05，有研究表明，柴达木盆地NDVI平均值为0.15，大于0.3的仅占总面积的16.28%[30]。2000—2023年柴达木盆地NDVI植被指数实测资料表明，青海高原草地牧草返青前一般小于0.08。王江山等[31]统计得到，青海高原草地四大阶梯中第二阶梯NDVI平均值为0.3左右。因此，将柴达木盆地植被绿度值NDVI划分为4类（表1），用Ⅰ、Ⅱ、Ⅲ和Ⅳ表示，文中着重统计NDVI≤0.3的不同等级植被，以Ssum表示NDVI≤0.3低绿度植被面积，用来探究植被绿度变化气候预评估。
表1 柴达木盆地植被绿度划分等级

Tab. 1 Classification of vegetation greenness in the Qaidam Basin

等级 植被绿度 植被NDVI 面积/km2 R G B 颜色
Ⅰ级 褐 <0.08 SⅠ 115 0 0
Ⅱ级 橙 0.08~0.12 SⅡ 230 152 0
Ⅲ级 黄 0.13~0.3 SⅢ 255 255 115
Ⅳ级 绿 >0.3 152 230 0

注：R表示红色，G表示绿色，B表示蓝色。

1.3.2 趋势分析

基于ArcGIS栅格计算器，计算近24 a柴达木盆地MODIS植被指数产品每个栅格绿度值的斜率和F值，并通过ArcGIS重分类功能划分趋势变化等级并制图。采用一元线性回归分析和最小二乘法，逐像元拟合近24 a间遥感影像每个栅格NDVI的斜率 θ s l o p e，得到多年绿度指数NDVI的变化趋势，综合分析柴达木盆地多年植被绿度变化方向和速率。
θ s l o p e = n ∑ i = 1 n i × N D V I i - ∑ i = 1 n i ∑ i = 1 n N D V I i n ∑ i = 1 n i 2 - ∑ i = 1 n i 2
式中： θ s l o p e为变化趋势； N D V I i为第i年的绿度值；n为研究样本24，i为年序1，2，3，…，24（下同）。 θ s l o p e>0.001植被呈绿化趋势； θ s l o p e<-0.001植被呈褐化趋势。-0.001≤ θ s l o p e≤0.001植被绿度基本不变。
采用F检验[32]对植被绿度变化趋势的显著性进行评价。
F = U × n - 2 Q
U = ∑ i n ( y ^ i - y - )
Q = ∑ i n ( y i - y ^ ) 2
式中：U为误差平方和；Q为回归平方和； y ^ i为NDVI拟合回归值； y -为n年平均值； y i为 x i年NDVI值。F0.05（1，22）=4.30。结合 θ s l o p e划分等级将F值划分为显著褐化（F>4.30， θ s l o p e<-0.001），不显著褐化（F<4.30， θ s l o p e<-0.001），基本不变（-0.001≤ θ s l o p e≤0.001），不显著增大趋势（F<4.30， θ s l o p e>0.001），显著增大趋势（F>4.30， θ s l o p e>0.001）5类。

1.3.3 气候模拟模型构建方法

影响因变量的因素有很多，但这些因素之间可能存在多重共线性，会给回归系数的估计带来不合理的解释。为了得到一个可靠的回归模型，需要有效地从众多影响因子中挑选出贡献大的变量。逐步回归分析法是一种能自动地从大量可供选择的变量中选择对建立回归方程比较重要的变量的方法[33]。文中的植被绿度面积气候模拟模型采用逐步回归法。用2000—2020年的不同绿度植被和区域气象条件建模，2021—2023年的资料进行试报检验。多源数据处理方法为用逐年NDVI最大合成值提取每年不同绿度植被面积，分别为Ssum（NDVI<0.3）、SⅢ（0.13≤NDVI<0.3）、SⅡ（0.08≤NDVI<0.13）、SⅠ（NDVI<0.08）（km2）；区域实测和基于CMIP5气候模式模拟的未来气候变化预估值用9个气象站平均值代表区域年降水量和气温值。
基于CMIP5气候模式模拟的区域气温降水代入构建的植被绿度气候模拟模型，逐年计算出1985—2100年低绿度植被SⅠ、SⅡ、SⅢ和Ssum。以1986—2005年预估基准值和2000—2020年实测基准值的距平百分率法预估未来2021—2040年、2041—2070年、2071—2100年，不同情景下，即RCP2.6（低排放：2100年辐射强迫+2.6 W·m-2，需负碳技术支撑以实现≤2 ℃温控目标）、RCP4.5（中排放：辐射强迫+4.5 W·m-2，对应2100年气温升高1.1~2.6 ℃，中等减排力度）、RCP8.5（高排放：辐射强迫+8.5 W·m-2，反映无政策干预下的高碳路径，气温升高3.2~5.4 ℃），柴达木盆地低绿度植被变化趋势。
Δ S = （ S i - S j z ） / S j z × 100 %
式中： Δ S表示低绿度植被预估值占基准预估值（或2000—2020年实测值）的距平百分率； S i表示逐年预估值； S j z表示基准值。
相关系数计算、逐步回归建模等通过DPS数据处理系统实现，在Excel 2016中制图。

2 结果与分析

2.1 气候变化特征及未来变化趋势预估

由柴达木盆地2000—2023年平均气温、降水量可以看出，柴达木盆地平均气温4.7 ℃，降水量112.1 mm，近24 a来，平均气温以0.12 ℃·(10a)-1的速率不显著升温，降水以7.95 mm·(10a)-1的速率不显著增多；空间上诺木洪平均气温呈弱显著升高，其余各地均不显著升高。柴达木盆地降水大柴旦减少1.47 mm·(10a)-1，东部增幅大[13.41~28.12 mm·(10a)-1]，中西部增幅相对小[0.78~9.01 mm·(10a)-1]（表2）。
表2 2000—2023年柴达木盆地气温、降水变化气候倾向率

Tab. 2 Climate tendency rates of temperature and precipitation changes in the Qaidam Basin from 2000 to 2023

站点 平均降水/mm 降水倾向率
/[mm·(10a)-1]		 相关系数 站点 平均气温/℃ 气温倾向率
/[℃·(10a)-1]		 相关系数
茫崖 48.1 1.31 0.04 茫崖 4.4 0.08 0.13
冷湖 19.1 1.45 0.12 冷湖 3.6 0.14 0.2
小灶火 31.6 5.07 0.19 小灶火 5.1 0.06 0.11
大柴旦 101.7 -1.48 -0.03 大柴旦 3.2 0.22 0.34
格尔木 47.6 5.81 0.22 格尔木 6.5 0.11 0.21
诺木洪 53 0.79 0.02 诺木洪 6 0.23 0.41*
德令哈 238.4 17.09 0.18 德令哈 4.9 0.01 0.01
乌兰 222.9 28.12 0.36* 乌兰 4.3 0.17 0.32
都兰 246.3 13.41 0.16 都兰 3.9 0.08 0.14
平均 112.1 7.95 0.21 平均 4.7 0.12 0.23

注：*表示相关系数通过0.1检验水平的显著性检验。

基于CMIP5数据对2021—2100年不同情景下柴达木盆地年均气温、降水模拟发现，在RCP2.6、RCP4.5、RCP8.5三种排放情景下，未来平均气温和降水距平百分率表现为增长趋势，平均气温变化趋势分别为0.02 ℃·(10a)-1、0.21 ℃·(10a)-1和0.62 ℃·(10a)-1，降水距平百分率的变化趋势分别为0.14%·(10a)-1、0.76%·(10a)-1和1.32%·(10a)-1。RCP2.6排放情景下平均气温、降水距平百分率趋近于稳定，增幅较小，而RCP4.5、RCP8.5排放情景下均使平均气温不断升高，且RCP8.5排放情景下的增幅要远高于另外两种排放情景下的增幅。极端气候事件夏季日数（霜冻）、暖昼日数（冷昼）、暖夜日数（冷夜）均呈不同程度增加（减少），强降水量、极强降水量及暴雨日数均呈增加趋势，且RCP8.5排放情景下的增幅明显强于RCP2.6及RCP4.5排放情景下的变化趋势，强降水日数与极强降水变化趋势较为一致，但强降水量增幅更大。持续干期在RCP2.6排放情景下呈增加趋势[0.32 d·(10a)-1]，而在RCP4.5及RCP8.5排放情景下呈减少趋势，且减少幅度均在0.2 d·(10a)-1左右，持续湿期与持续干期的变化趋势相反。

2.2 植被绿度时空分布及其变化趋势

自2000年以来，柴达木盆地植被绿度显著改善，这一发现与孙树娇等[34]的研究结果一致。柴达木盆地低绿度植被集中分布在柴达木腹地（图2a）。从植被绿度变化趋势的空间分布来看，植被绿化区域主要位于盆地东部、南部、西南部、东北部及省道S303（芒格线）和国道G109（茶格高速香日德至格尔木段）北部的冲积平原。植被绿度基本无变化的区域主要分布在绿度值小于0.1的范围内（图2b），而植被褐化区域则集中分布于东西达布逊湖之间、西达布逊湖南部、南北霍鲁逊湖之间、柴达木西北部花土沟镇中部、冷湖镇北部和西南部、茫崖镇北部及盆地南部的高山地带。
图2 2000—2023年柴达木盆地NDVI平均值（a）和植被绿度变化趋势（b）

Fig. 2 Average NDVI value of vegetation in the Qaidam Basin from 2000 to 2023 (a) and the trend of vegetation greenness change (b)

具体而言，褐化植被面积2723.56 km2，占柴达木盆地植被总面积的1.20%（图3）；基本无变化的植被面积120692.44 km2，占比53.10%；而绿化植被面积为103872.81 km2，占比为45.70%。这一空间分布特征不仅揭示了柴达木盆地植被绿度的动态变化格局，也为区域生态系统的恢复与保护提供了重要的科学依据。
图3 2000—2023年柴达木盆地绿度变化趋势占总植被面积比例

Fig. 3 Proportion of vegetation area with greening trends in the Qaidam Basin from 2000 to 2023

2000—2023年期间，柴达木盆地低绿度植被呈现显著减少趋势(P<0.05)，减少速率达到0.074×104 km2·a-1（图4）。其中，Ⅰ级、Ⅱ级绿度植被的减少速率分别为0.086×104 km2·a-1和0.027×104 km2·a-1，而Ⅲ级绿度植被则表现出极显著的增加趋势(P<0.01)，增加速率为0.039×104 km2·a-1。进一步分析表明，柴达木盆地Ⅰ级、Ⅱ级绿度植被在低绿度植被中的占比呈现极显著下降趋势(P<0.01)，平均下降速率分别为0.214%·a-1和0.044%·a-1。与此相反，Ⅲ级绿度植被在低绿度植被中的占比则呈现极显著上升趋势(P<0.01)，平均上升速率为0.258%·a-1。这一变化趋势揭示了柴达木盆地植被结构的动态演变特征，反映了区域生态环境对气候变化和人类活动的响应机制。
图4 2000—2023年柴达木盆地不同等级绿度植被年际变化

Fig. 4 Interannual variations of vegetation greenness at different levels in the Qaidam Basin from 2000 to 2023

2.3 水热条件对不同绿度植被的影响

杨航等[35]研究表明，气象条件与植被绿度之间关系密切。通过对柴达木盆地不同的等级绿度植被与当年区域降水和气温的相关性分析发现，Ⅱ级、Ⅰ级低绿度植被与区域年降水量的相关系数在0.482~0.570之间，呈现显著或极显著的负相关关系，而与区域气温的相关性较弱，相关系数约为0.100。相比之下，Ⅲ级绿度植被与降水呈现显著正相关（P<0.01），但与区域气温的相关性不显著。
进一步分析柴达木盆地低绿度植被与2~11 a滑动平均区域气温和降水的相关系数（图5）显示，Ⅲ级绿度植被与区域气温、降水呈正相关，且区域降水的2 a及以上累积效应和气温3 a以上累积效应均达到极显著水平。对于Ⅱ级、Ⅰ级低绿度总植被的负累积效应在2~3 a达到最大值，6 a后趋于稳定；而区域气温的滞后性效应在5 a后表现为极显著的负相关（P<0.01）。此外，Ⅰ级绿度植被在4~5 a后仍受到温度的持续影响，表明褐化植被的改善需要良好的水热配合4~5 a。
图5 2000—2020年柴达木盆地不同绿度植被分别与平均气温（a）和降水（b）的相关系数

注：+0.549和-0.549表示通过0.05显著性检验水平的相关系数； T s a 、 T d a 、 T 2   a 、 T 3   a … T 11   a 和 R s a 、 R d a 、 R 2   a 、 R 3   a … R 11   a分别表示柴达木盆地9站平均气温（℃）和降水量（mm）上年、当年、近2 a…11 a滑动平均。

Fig. 5 Correlation coefficient between low green vegetation， average temperature (a)，and precipitation (b) in the Qaidam Basin from 2000 to 2020

近24 a来，柴达木盆地虽然增温趋势有所减缓，但其平均气温仍比1961—1999年平均值高出1.3 ℃，维持在3.9~5.4 ℃之间。加上降水量的增加，这种暖湿化的气候条件促使柴达木盆地低绿度植被面积逐渐减少。

2.4 不同绿度植被未来变化趋势预估

鉴于柴达木盆地不同绿度植被与区域平均气温、降水2~5 a滑动平均间的相关系数达到极显著水平（P<0.01），且相关系数趋于稳定，本研究基于2000—2020年区域当年及2~5 a滑动平均气温、降水量数据，建立了柴达木盆地Ⅲ、Ⅱ、Ⅰ绿度植被面积的逐步回归气候模拟模型（表3）。模型通过了显著性水平F0.01（1，19）=8.18和F0.01（2，18）=6.01的统计检验。此外，模式2的共线性诊断条件指数分别为1.00和1.24，远低于临界值，说明模型中多重共线性问题较弱，变量独立性良好。
表3 柴达木盆地不同绿度植被气候模拟模型

Tab. 3 Climate simulation model for low green vegetation area in the Qaidam Basin

序号 模拟模型 R F Sig
1 S s u m = 23.9823 - 0.0305 R 3   a 0.829 41.730 0.0000
2 S Ⅲ = 0.888 + 0.0096 R 3   a + 0.9222 T 3   a 0.775 13.544 0.0003
3 S Ⅱ = 5.6821 - 0.0141 R 3   a 0.924 110.846 0.0000
4 S Ⅰ = 13.3427 - 0.0279 R 3   a 0.760 25.988 0.0000

注： S s u m 、 S Ⅲ 、 S Ⅱ 、 S Ⅰ分别表示NDVI<0.3、0.13≤NDVI<0.3、0.08≤NDVI<0.13、NDVI<0.08的植被面积（km2）； R 3   a 、 T 3   a分别表示柴达木盆地9站平均降水量（mm）和气温（℃）近3 a滑动平均。

通过回代试报检验，模型的相对误差控制在±7%以内，拟合效果良好（图6）。进一步利用2021—2023年的独立数据进行试报验证，结果显示相对误差基本保持在±10%以内，模型具有较好的外推能力和预测精度。这说明所构建的逐步回归气候模拟模型能够较好地反映柴达木盆地绿度植被与气候因子之间的定量关系，为区域植被动态监测和气候变化响应研究提供了可靠的依据。
图6 2000—2020年柴达木盆地不同NDVI植被气候模拟模型回代试报检验

Fig. 6 Validation of climate simulation model hindcast for different NDVI vegetation in the Qaidam Basin from 2000 to 2020

基于CMIP5气候模式模拟的柴达木盆地区域气温降水，结合低绿度植被气候模拟模型预估2021—2100年不同情景下柴达木盆地低绿度植被。由图7可知，在RCP2.6、RCP4.5、RCP8.5三种排放情景下，未来2021—2100年柴达木盆地SⅢ植被表现为增大趋势，三种排放情景下盆地SⅢ植被较1986—2005年基准值分别增大0.514%·(10a)-1、4.427%·(10a)-1和12.173%·(10a)-1，较2000—2020年实测值分别增大0.452%·(10a)-1、3.893%·(10a)-1和10.704%·(10a)-1。SⅡ、SⅠ和Ssum植被表现为减小趋势，三种排放情景下盆地不同绿度植被较1986—2005年基准值和2000—2020年实测值分别减小3.343%·(10a)-1~0.403%·(10a)-1、2.727%·(10a)-1~0.324%·(10a)-1和1.480%·(10a)-1~0.179%·(10a)-1，且RCP2.6排放情景下不同绿度植被变幅相对稳定，而RCP4.5、RCP8.5排放情景下柴达木盆地低绿度植被变幅逐渐增大，RCP8.5排放情景下的变幅要远高于另外两种排放情景下的变幅。
图7 2021—2100年不同排放情景下不同绿度植被较基准值变化过程

Fig. 7 Changes in low green vegetation from baseline values under different emission scenarios from 2021 to 2100

从3个不同时段的分析结果来看，柴达木盆地SⅢ植被的变化速率在不同排放情景下表现出显著差异。在RCP2.6排放情景下（表4），21世纪初期（2021—2040年）和中期（2041—2070年）SⅢ植被变化速率呈现持续增加趋势，而到21世纪末期（2071—2100年）则转为下降趋势；相比之下，其他植被类型的变化速率则表现为“减-减-增”的模式。在RCP4.5和RCP8.5排放情景下，SⅢ植被的变化速率则呈现“增-增-增”的持续上升趋势，而其他植被类型的变化速率则表现为“减-减-减”的持续下降趋势。
表4 柴达木盆地不同绿度植被气候模拟变化趋势

Tab. 4 Climate simulation trends of different NDVI vegetation in the Qaidam Basin /[%·(10a)-1]

时段 SⅢ植被面积与1986—2005年基准值比 SⅢ植被面积与2000—2020年实测值比
RCP2.6 RCP4.5 RCP8.5 RCP2.6 RCP4.5 RCP8.5
2021—2040年 5.119 9.723 11.224 4.501 8.549 9.870
2041—2070年 0.681 5.138 11.701 0.599 4.518 10.289
2071—2100年 -1.288 0.842 13.703 -1.133 0.740 12.049
时段 SⅠ植被面积与1986—2005年基准值比 SⅠ植被面积与2000—2020年实测值比
RCP2.6 RCP4.5 RCP8.5 RCP2.6 RCP4.5 RCP8.5
2021—2040年 -0.664 -3.891 -3.289 -0.696 -4.040 -3.448
2041—2070年 -1.723 -1.241 -1.817 -1.805 -1.289 -1.904
2071—2100年 0.699 -0.052 -3.387 0.733 -0.054 -3.550
时段 SⅡ植被面积与1986—2005年基准值比 SⅡ植被面积与2000—2020年实测值比
RCP2.6 RCP4.5 RCP8.5 RCP2.6 RCP4.5 RCP8.5
2021—2040年 -0.826 -4.852 -4.092 -0.876 -5.087 -4.341
2041—2070年 -2.143 -1.548 -2.261 -2.273 -1.623 -2.398
2071—2100年 0.870 -0.065 -4.214 0.923 -0.068 -4.469
时段 Ssum植被面积与1986—2005年基准值比 Ssum植被面积与2000—2020年实测值比
RCP2.6 RCP4.5 RCP8.5 RCP2.6 RCP4.5 RCP8.5
2021—2040年 -0.368 -2.149 -1.824 -0.378 -2.193 -1.872
2041—2070年 -0.955 -0.686 -1.008 -0.980 -0.700 -1.034
2071—2100年 0.388 -0.029 -1.878 0.398 -0.029 -1.927
从变化特征来看，RCP2.5排放情景下的植被变化速率相对较为平缓，体现了低排放情景对生态系统的温和影响。而在RCP4.5排放情景下，植被变化速率表现为“快-快-缓”的波动模式，即21世纪初期和中期变化较快，末期趋于缓和。相比之下，RCP8.5排放情景下的植被变化速率则呈现“快-缓-快”的波动特征，初期变化迅速，中期有所减缓，而末期再次加速，反映了高排放情景对生态系统的强烈干扰。
总体而言，不同排放情景下柴达木盆地低绿度植被的变化速率及其特征差异显著，这不仅揭示了气候变化对区域生态系统的深远影响，也为未来生态保护和适应性管理提供了科学依据。

3 讨论

我国荒漠草地约占全国草原总面积的8.1%[36]，在维持区域生态和生产平衡方面发挥着不可替代的作用。然而，由于其生态特性较为脆弱，荒漠草地对环境变化表现出极高的敏感性[37]，尤其是对气候变化的响应尤为敏感。本研究以植被绿度阈值为切入点，提取了植被绿度值介于0.08~0.3之间的植被面积，系统分析了其变化规律及气候驱动因素。研究结果表明，未来柴达木盆地的气候仍将呈现暖湿化趋势，这为荒漠土地的改善提供了有利条件；近24 a以来，柴达木盆地低绿度植被显著减小，草地植被状况明显改善；同时，研究揭示了水热条件对低绿度植被的滞后性影响在5 a以内，这与大部分牧草的生命周期共振（大部分牧草寿命5 a左右）相吻合。这一发现为荒漠草地修复和治理提供了科学依据。例如，在退化草地治理中，可通过引入抗逆性强的牧草品种、科学配置不同寿命的牧草组合，以及人工增雨补水等措施，优化气候条件对草地的正向影响，从而促进草地植被的修复和改良。
张春雨等[38]、秦艳红等[39]基于CMIP6数据对青藏高原腹地气温和降水的模拟结果显示，青藏高原年均气温和降水量整体呈上升趋势，其中SSP3-7.0和SSP5-8.5情景下，2021—2100年气温距平和降水量距平百分比的增幅尤为显著，且气温距平高值区主要集中在柴达木盆地，这一结论与本文对未来气候变化的模拟结果基本一致。本文通过逐步回归植被气候模拟模型，预估了在未来不同情景下的低绿度植被的变化趋势。然而，由于逐步回归法模拟模型及未来气候变化数据产品本身的不确性，植被绿度的模拟结果也存在一定的不确定性，这也是未来研究中需要持续关注和改进的方向之一。
此外，何生录等[40]的研究表明，21世纪初期20 a间，德令哈和大柴旦地区汛期降水日数增加且分布较为均匀，极端干旱或极端洪涝灾害的发生概率降低，这有利于植被区生态状况的改善。然而，气温升高导致的冰川融化加速，可能引发洪水、泥石流及河湖水库决堤等风险。未来柴达木盆地降水量的增幅是否能够超过因气温升高导致的潜在蒸发量，降水极端性是否会改变目前的均匀分布状态，以及冰川萎缩对柴达木盆地长期水资源供给的影响等问题，都是未来研究中需要深入探讨的重要课题。

4 结论

通过计算2000年以来柴达木盆地MODIS-NDVI平均值、每个栅格NDVI的变化趋势、低绿度植被与2~11 a水热条件滑动平均的相关性等对柴达木盆地植被绿度时空变化规律以及低绿度植被影响因素进行研究，并用逐步回归模拟模型预测未来不同等级绿度植被，得出如下主要结论：
（1） 空间分析表明，2000—2023年间柴达木盆地低绿度植被呈现逐渐减小趋势，且不同低绿度植被之间存在明显的转移特征，具体表现为Ⅰ级和Ⅱ级植被向Ⅲ级植被转移。褐化、基本不变和绿化的植被面积分别占柴达木盆地植被面积的1.94%、33.39%和64.68%，表明2000年以来，柴达木盆地植被绿化态势良好。
（2） 植被面积SⅡ、SⅠ和Ssum与当年降水量呈显著或极显著负相关，与当年气温的相关性极小。水热条件对低绿度植被变化的累积影响显著，其中SⅢ反应更敏感，且2~3 a后达到极显著正相关（P<0.01）。降水对SⅠ、SⅡ和Ssum的累积效应2~3 a呈极显著负相关（P<0.01），3~4 a累积效应最大，其后趋于稳定。温度对SⅠ、SⅡ和Ssum的累积效应5 a达到极显著负相关，且SⅠ5 a后影响效应仍在加大，SⅠ趋好的改善相对缓慢，至少需要良好的水热配合4~5 a。表明年降水量和年均气温是引起植被绿度变化的主要影响因素。
（3）未来RCP2.6、RCP4.5、RCP8.5三种排放情景下，柴达木盆地低绿度植被总体呈减少趋势，与预估时段降水增多、气温升高有关。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈燕丽, 龙步菊, 潘学标, 等. 基于MODIS NDVI和气候信息的草原植被变化监测[J]. 应用气象学报, 2010, 21(2): 229-236.

[Chen Yanli, Long Buju, Pan Xuebiao, et al. Grassland vegetation change based on MODIS NDVI data and climate information[J]. Journal of Applied Meteorological Science, 2010, 21(2): 229-236.]

[2]
谢佩君, 宋小燕, 孙文义, 等. 基于GEE的黄土高原植被绿度线推移变化研究[J]. 中国环境科学, 2023, 43(12): 6518-6529.

[Xie Peijun, Song Xiaoyan, Sun Wenyi, et al. Research on the shift change of vegetation greenness line in the Loess Plateau based on GEE[J]. China Environmental Science, 2023, 43(12): 6518-6529.]

[3]
刘爽, 宫鹏. 2000—2010年中国地表植被绿度变化[J]. 科学通报, 2012, 57(16): 1423-1434.

[Liu Shuang, Gong Peng. Change of surface cover greenness in China between 2000 and 2010[J]. Science Bulletin, 2012, 57(16): 1423-1434.]

[4]
包岩, 田野, 柳彩霞, 等. 中国东部草原植被绿度时空变化分析及其对煤电基地建设的响应[J]. 生态学报, 2018, 38(15): 5423-5433.

[Bao Yan, Tian Ye, Liu Caixia, et al. Spatial and temporal variation analysis of vegetation greenness in grassland of eastern China and its response on the construction of coal and electricity base[J]. Acta Ecologica Sinica, 2018, 38(15): 5423-5433.]

[5]
张宇, 余振, 栾军伟, 等. 1982—2020年东北森林带植被绿度时空变化特征[J]. 生态学报, 2023, 43(16): 6670-6681.

[Zhang Yu, Yu Zhen, Luan Junwei, et al. Spatiotemporal variations of vegetation greenness in the forest belt of Northeast China during 1982-2020[J]. Acta Ecologica Sinica, 2023, 43(16): 6670-6681.]

[6]
徐至真, 王建萍, 韩积斌. 基于SRP模型的柴达木盆地生态脆弱性评价[J]. 盐湖研究, 2024, 32(3): 53-60.

[Xu Zhizhen, Wang Jianping, Han Jibin. Ecological vulnerability assessment of the Qaidam Basin based on SRP model[J]. Journal of Salt Lake Research, 2024, 32(3): 53-60.]

[7]
杨海娇, 魏加华, 任倩慧. 柴达木盆地典型流域地表水-地下水转化关系及水化学特征[J]. 干旱区研究, 2022, 39(5): 1543-1554.

[Yang Haijiao, Wei Jiahua, Ren Qianhui. Interaction between surface water and groundwater and hydr-ochemical characteristics in the typical watersheds of the Qaidam Basin[J]. Arid Zone Research, 2022, 39(5): 1543-1554.]

[8]
文广超, 李兴, 吴冰洁, 等. 基于Landsat影像的柴达木盆地湖泊提取方法[J]. 干旱区研究, 2022, 39(3): 774-786.

[Wen Guangchao, Li Xing, Wu Bingjie, et al. An automatic method for delineating lake surfaces in Qaidam Basin usingLandsat images[J]. Arid Zone Research, 2022, 39(3): 774-786.]

[9]
唐文家, 张紫萍, 张志军, 等. 2000—2020年青海省生态环境质量时空变化[J]. 环境科学与技术, 2023, 46(5): 229-237.

[Tang Wenjia, Zhang Ziping, Zhang Zhijun, et al. Spatial-temporal changes of ecological environment quality in Qinghai Province from 2000 to 2020[J]. Environmental Science & Technology, 2023, 46(5): 229-237.]

[10]
王远征, 马启民, 贾晓鹏. 柴达木盆地灌木林地和高寒草甸蒸散发特征研究[J]. 高原气象, 2023, 42(3): 785-794.

[Wang Yuanzheng, Ma Qimin, Jia Xiaopeng. Evapotranspiration characteristics of shrub land and alpine meadow in Qaidam Basin[J]. Plateau Meteorology, 2023, 42(3): 785-794.]

[11]
金晓媚, 夏薇, 郭任宏. 柴达木河都兰区植被覆盖率变化特征[J]. 中国沙漠, 2014, 34(2): 603-609.

[Jin Xiaomei, Xia Wei, Guo Renhong. Variation of vegetation coverage in the Dulan area of Qaidam River Basin[J]. Journal of Desert Research, 2014, 34(2): 603-609.]

[12]
李艳丽, 杨太保, 曾彪. 基于MODIS数据的柴达木盆地南缘绿洲土地覆盖动态变化研究[J]. 中国沙漠, 2011, 31(1): 34-42.

[Li Yanli, Yang Taibao, Zeng Biao. Land cover change of southern fringe oasis in the Qaidam Basin from 2000 to 2009 based on MODIS data[J]. Journal of Desert Research, 2011, 31(1): 34-42.]

[13]
李学敏, 周定文, 范广洲, 等. 青藏高原冬季NDVI与西南地区夏季气温的滞后关系[J]. 应用气象学报, 2008, 19(2): 161-170.

[Li Xuemin, Zhou Dingwen, Fan Guangzhou, et al. The lag relationship between winter NDVI over Tibetan Plateauand temperature of the Southwest China[J]. Journal of Applied Meteorological Science, 2008, 19(2): 161-170.]

[14]
范广洲, 周定文, 黄荣辉, 等. 我国夏季降水与青藏高原春季NDVI的关系[J]. 应用气象学报, 2009, 20(4): 492-496.

[Fan Guangzhou, Zhou Dingwen, Huang Ronghui, et al. The relationship between summer precipitation in China and spring NDVI over the Qinghai-Xizang Plateau[J]. Journal of Applied Meteorology Science, 2009, 20(4): 492-496.]

[15]
王永立, 范广洲, 周定文, 等. 我国东部地区NDVI与气温、降水的关系研究[J]. 热带气象学报, 2009, 25(6): 725-732.

[Wang Yongli, Fan Guangzhou, Zhou Dingwen, et al. Study on the relationship between NDVI, temperature, and precipitation in Eastern China[J]. Journal of Tropical Meteorology, 2009, 25(6): 725-732.]

[16]
侯光雷, 刘德赢, 张正祥, 等. 松嫩平原不同气候区植被NDVI对气候变化的响应[J]. 中国农业气象, 2012, 33(2): 271-277.

[Hou Guanglei, Liu Deying, Zhang Zhengxiang, et al. Response of NDVI in different climatic zone to climate change in Songnen Plain[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 271-277.]

[17]
吴运力, 张钰, 田佳榕. 气候变化和人类活动对内蒙古高原不同植被类型NDVI的影响[J]. 中国农业气象, 2023, 44(12): 1155-1168.

[Wu Yunli, Zhang Yu, Tian Jiarong. Impacts by climate change and human activities on NDVI in different vegetation types across the Inner Mongolia Plateau[J]. Chinese Journal of Agrometeorology, 2023, 44(12): 1155-1168.]

[18]
赵美亮, 曹广超, 曹生奎, 等. 1980—2017年青海省地表温度时空变化特征[J]. 干旱区研究, 2021, 38(1): 178-187.

[Zhao Meiliang, Cao Guangchao, Cao Shengkui, et al. Spatial-temporal variation characteristics of land surface temperature in Qinghai Province from 1980 to 2017[J]. Arid Zone Research, 2021, 38(1): 178-187.]

[19]
郝爱华, 薛娴, 尤全刚, 等. 青藏高原近60年降水变化研究进展[J]. 中国沙漠, 2023, 43(2): 43-52.

[Hao Aihua, Xue Xian, You Quangang, et al. Review on precipitation change over the Qinghai-Xizang Plateau in recent 60 years[J]. Journal of Desert Research, 2023, 43(2): 43-52.]

[20]
许婉彤, 曾彪, 李博, 等. 柴达木盆地气候变化区域性特征及其影响因素[J]. 兰州大学学报(自然科学版), 2019, 55(3): 357-372.

[Xu Wantong, Zeng Biao, Li Bo, et al. Regional differentiation of climate changes in Qaidam Basin and its influencing factors[J]. Journal of Lanzhou University (Natural Science Edition), 2019, 55(3): 357-372.]

[21]
张旺雄, 刘普幸. 1961—2017年柴达木盆地干湿状况及其影响因子[J]. 干旱区研究, 2019, 36(6): 1391-1400.

[Zhang Wangxiong, Liu Puxing. Surface humid situation and its affecting factors in the Qaidam Basin from 1961 to 2017[J]. Arid Zone Research, 2019, 36(6): 1391-1400.]

[22]
曾方明, 董博, 张西营. 青藏高原东北部60多年来的气候暖湿化: 来自德令哈水文气候的记录[J]. 盐湖研究, 2024, 32(4): 32-39.

[Zeng Fangming, Dong Bo, Zhang Xiying. Warming and humidification of climate on the northeastern Qinghai-Xizang plateau over the past 60 years: Evidence from hydroclimatic records of Delingha[J]. Journal of Salt Lake Research, 2024, 32(4): 32-39.]

[23]
霍佳璇, 任梁, 潘莹萍, 等. 柴达木盆地荒漠植物功能性状及其对环境因子的响应[J]. 生态学报, 2022, 42(11): 4494-4503.

[Huo Jiaxuan, Ren Liang, Pan Yingpeng, et al. Functional traits of desert plants and their responses to environmental factors in Qaidam Basin, China[J]. Acta Ecologica Sinica, 2022, 42(11): 4494-4503.]

[24]
陈犇. 青藏高原高寒草地对气候变化的敏感性及其调控机制[D]. 石家庄: 河北师范大学, 2023.

[Chen Ben. Regulatory Mechanisms under Alpine Grasslands Sensitivity to Climate Change on the Qinghai-Xizang Plateau[D]. Shijiazhuang: Hebei Normal University, 2023.]

[25]
曹旭娟, 干珠扎布, 胡国铮, 等. 基于NDVI3g数据反演的青藏高原草地退化特征[J]. 中国农业气象, 2019, 40(2): 86-95.

[Cao Xujuan, Ganzhuzhabu, Hu Guozheng, et al. Characteristics of gr-assland degradation in the Qinghai-Xizang Plateau, based on NDVI3g data[J]. Chinese Journal of Agrometeorology, 2019, 40(2): 86-95.]

[26]
李庆, 周娜, 王盛, 等. 气候变化和人类活动对土壤风蚀影响的定量评估——以内蒙古自治区为例[J]. 中国沙漠, 2024, 44(1): 178-188.

[Li Qing, Zhou Na, Wang Sheng, et al. Quantitative assessment the impacts of climate change and human actives on wind erosion: A case study of Inner Mongolia Autonomous Region[J]. Journal of Desert Research, 2024, 44(1): 178-188.]

[27]
黄梦真, 鲁瑞洁, 赵瑾, 等. 柴达木盆地典型风蚀区土壤质量评价[J]. 中国沙漠, 2023, 43(3): 199-209.

[Huang Mengzhen, Lu Ruijie, Zhao Jin, et al. Assessment of soil quality in typical wind erosion area of Qaidam Basin[J] Journal of Desert Research, 2023, 43(3): 199-209.]

[28]
张哲乐, 陈奕云, 郑敏, 等. 基于智能分区的草原资源资产清查价格体系优化[J]. 资源科学, 2023, 45(6): 1107-1122.

[Zhang Zheyue, Chen Yiyun, Zheng Min, et al. Optimization of pricing system for the inventory of grassland resource assets based on intelligent zoning[J]. Resources Science, 2023, 45(6): 1107-1122.]

[29]
胡海伟, 格桑卓玛, 王存, 等. 青海省天然草地区简述[J]. 青海草业, 2022, 31(3): 50-54.

[Hu Haiwei, Gesangzhuoma, Wang Cun, et al. A brief description of the grass zong in Qinghai Province[J]. Qinghai Grassland Industry, 2022, 31(3): 50-54.]

[30]
曹晓云, 祝存兄, 陈国茜, 等. 2000—2021年柴达木盆地地表绿度变化及地形分异研究[J]. 生态环境学报, 2022, 31(6): 1080-1090.

[Cao Xiaoyun, Zhu Cunxiong, Chen Guoqian, et al. Surface greenness change and topographic differentiation over Qaidam Basin from 2000 to 2021[J]. Ecology and Environmental Science, 2022, 31(6): 1080-1090.]

[31]
王江山, 殷青军, 杨英莲. 利用NOAA/AVHRR监测青海省草地生产力变化的研究[J]. 高原气象, 2005, 24(1): 117-123.

[Wang Jiangshan, Yin Qingjun, Yang Yinglian. A study of Qinghai grassland productivity using NOAA/AVHRR[J]. Plateau Meteorology, 2005, 24(1): 117-123.]

[32]
魏凤英. 现代气候统计诊断与预测技术[M]. 北京: 气象出版社, 2013.

[Wei Fengying. Modern Climate Statistical Diagnosis and Prediction Technology[M]. Beijing: China Meteorological Press, 2013.]

[33]
唐启义, 唐睿. DPS数据处理系统[M]. 北京: 科学出版社, 2020.

[Tang Qiyi, Tang Rui. DPS Data Processing System[M]. Beijing: China Science Publishing, 2020.]

[34]
孙树娇, 曹晓云, 肖建设, 等. 基于NDVI-Albedo特征空间的柴达木盆地荒漠化监测研究[J]. 干旱气象, 2023, 41(4): 560-569.

[Sun Shujiao, Cao Xiaoyun, Xiao Jianshe, et al. Desertification monitoring in the Qaidam Basin based on NDVI-Albedo feature space[J]. Journal of Arid Meteorology, 2023, 41(4): 560-569.]

[35]
杨航, 马彩虹, 滑雨琪, 等. 宁夏草地绿度时空变化图谱及驱动因素分析[J]. 水土保持研究, 2024, 31(2): 1-12.

[Yang Hang, Ma Caihong, Hua Yuqi, et al. Temporal and spatial variation map of grassland greenness in Ningxia and analysis of driving factors[J]. Research of Soil and Water Conservation, 2024, 31(2): 228-239.]

[36]
陈林, 曹萌豪, 宋乃平, 等. 中国荒漠草原的研究态势与热点分析——基于文献计量研究[J]. 生态学报, 2021, 41(24): 9990-10000.

[Chen Lin, Cao Menghao, Song Naiping, et al. Research trends and hotspots analysis of desert grasslands in China: Based on bibliometric research[J]. Acta Ecologica Sinica, 2021, 41(24): 9990-10000.]

[37]
李文雄, 靳瑰丽, 刘文昊, 等. 基于无人机遥感的荒漠草地地上生物量反演研究[J/OL]. 草地学报, 1-14[2025-04-24]. http://kns.cnki.net/kcms/detail/11.3362.S.20241223.0912.002.html.

[Li Wenxiong, Jin Guili, Liu Wenhao, et al. Research on aboveground biomass inversion of desert grassland based on unmanned aerial vehicle remote sensing[J/OL]. Journal of Grassland Science, 1-14[2025-04-24]. http://kns.cnki.net/kcms/detail/11.3362.S.20241223.0912.002.html.]

[38]
张春雨, 刘爱利, 吕嫣冉, 等. 基于CMIP6青藏高原腹地气候模拟评估及时空分析[J]. 高原气象, 2023, 42(5): 1144-1159.

[Zhang Chunyu, Li Aili, Lü Yanran, et al. Spatial-temporal analysis and assessment of CMIP6 based climate simulation over the Tibet Plateau’s Hinterland[J]. Plateau Meteorology, 2023, 42(5): 1144-1159.]

[39]
秦艳红, 金鑫, 金彦香, 等. 气候变化对高寒山区流域径流量的影响模拟及预测[J]. 盐湖研究, 2024, 32(1): 29-38.

[Qin Yanhong, Jin Xin, Jin Yanxiang, et al. Simulation and prediction of runoff in cold alpine basins under climate change conditions[J]. Journal of Salt Lake Research, 2024, 32(1): 29-38.]

[40]
何生录, 严应存, 张亚珍, 等. 祁连山南麓汛期降水时空分布特征研究[J]. 沙漠与绿洲气象, 2022, 16(2): 116-121.

[He Shenglu, Yan Yingcun, Zhang Yazhen, et al. Study on the spatiotemporal distribution characteristics of precipitation during flood season in the southern foot of Qilian Mountains[J]. Desert and Oasis Meteorology, 2022, 16(2): 116-121.]

Options
文章导航

/

〈 〉