EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 5: 15 - 23

DOI: https://doi.org/10.6046/zrzyyg.2024195

湖泊生态环境遥感监测专栏

青海东达布逊湖湖泊面积和水量的变化研究

  • 周玉静 ,
  • 金晓媚 ,
  • 马靖宣 ,
  • 李晴
展开
  • 中国地质大学（北京）水资源与环境学院，北京 100083
金晓媚（1968-），女，博士，教授，博士生导师，主要从事生态水文地质与水环境遥感等研究。Email：。

周玉静（1999-），女，硕士研究生，主要从事生态水文地质与水环境遥感等研究。Email：。

Copy editor: 陈庆

收稿日期: 2024-05-31

  修回日期: 2024-08-18

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金项目“干旱区大尺度地下水蒸发排泄机理及遥感计算方法研究”(41372250)

收起

Variations in area and water volume of East Dabuxun Lake，Qinghai Province

  • ZHOU Yujing ,
  • JIN Xiaomei ,
  • MA Jingxuan ,
  • LI Qing
Expand
  • School of Water Resources and Environment，China University of Geosciences （Beijing），Beijing 100083，China

Received date: 2024-05-31

  Revised date: 2024-08-18

  Online published: 2026-06-03

Fold

摘要

湖泊面积和水量的变化对干旱区生态环境有着重要的影响。该文以青海省格尔木河流域的东达布逊湖为例，基于谷歌地球引擎（Google Earth Engine，GEE）云计算平台和Landsat数据，构建多指标随机森林算法提取1987—2021年的湖泊面积；结合ICESat和CryoSat等激光雷达数据刻画湖泊面积-水位关系，估算湖泊水量变化；并利用ERA5-Land数据和钾盐开采量基于相关性分析和随机森林贡献率计算方法探讨自然因素和人类活动对湖泊的影响程度。结果表明：①湖泊面积在时间上的变化划分为扩张期、萎缩期、恢复期、萎缩期和快速恢复期5个阶段，而在空间上表现出南部萎缩、向西北部扩张的特征；②2003—2021年东达布逊湖水量呈现上升趋势；③气温、冰川冻土融化和太阳辐射是影响湖泊面积的主要因素，其贡献率分别为31.0%，29.4%和15.5%，而在人类活动影响方面，2010年后钾肥的开采是湖泊面积变化的重要诱因；④基于ARIMA模型预测发现，湖泊面积将于2030年减小至302.78 km2。

关键词： 随机森林; 湖泊水量估算; 相关性分析; 湖泊面积预测; 东达布逊湖

本文引用格式

周玉静 , 金晓媚 , 马靖宣 , 李晴 . 青海东达布逊湖湖泊面积和水量的变化研究[J]. 自然资源遥感, 2025 , 37(5) : 15 -23 . DOI: 10.6046/zrzyyg.2024195

Abstract

Changes in lake area and water volume exert significant impacts on the ecological environment of arid regions. Targeting East Dabuxun Lake，Golmud River Basin，Qinghai Province，this study developed a multi-index random forest algorithm based on the Google Earth Engine （GEE） cloud platform and Landsat imagery to extract the lake area from 1987 to 2021. Then，an area-water level relationship was established using laser altimetry data from ICESat and CryoSat satellites to estimate changes in water volume. Finally，the impacts of natural factors and human activities on the lake were evaluated，using ERA5-Land climate data and records of potash mining，along with correlation analysis and random forest-based contribution assessment. The results indicate that the temporal changes in lake area over time can be divided into five stages：expansion，shrinkage，recovery，re-shrinkage，and rapid recovery. Spatially，the lake exhibited a pattern of shrinkage in the south and expansion towards the northwest. From 2003 to 2021，the water volume of East Dabuxun Lake showed an upward trend. Temperature，glacier and permafrost melting，and solar radiation were identified as the main natural factors influencing lake area，with contribution rates of 31.0%，29.4%，and 15.5%，respectively. In terms of human activities，potash mining emerged as a major driver of lake area changes after 2010. Based on predictions by the auto-regressive moving average model （ARIMA），the lake area is projected to decline to 302.78 km2 by 2030.

Key words： random forest; lake water volume estimation; correlation analysis; lake area prediction; East Dabuxun Lake

0 引言

内陆型湖泊是陆地水循环的重要组成部分，具有涵养水源和气候调节等重要功能。受到气候变化和人类活动影响，内陆型湖泊水面和水量变化剧烈，二者呈现出强烈的相关性和敏感性[1]。内陆湖泊动态研究一直是近些年的焦点之一，对生态系统的稳定和安全具有重要意义。传统观测方法获得的湖泊资料虽具有较高的准确性，但不足以支撑长时序及空间上的湖泊动态研究[2]。快速发展的遥感技术在获取丰富遥感影像及提取水体时空信息方面具有巨大优势，特别是谷歌地球引擎（Google Earth Engine，GEE）云计算平台，因具有快速高效在线处理长时序大范围数据的能力而广受学者们的青睐[3-4]。
目前，常用的湖泊面积光学遥感提取方法包含水体指数法与分类法[5-6]。许多学者提出了如归一化水体指数（normalized difference water index，NDWI）、改进的归一化水体指数（modified normalized difference water index，MNDWI）和增强型水体指数（enhanced water index，EWI）等水体指数，常应用于湖泊水面和流域水体的提取；也有学者提出了支持向量机法、决策树法等分类法来识别水域。但由于这些方法通常需要人工设置阈值或分类规则，难以充分捕捉到复杂的地物特征和空间信息。而随机森林（random forest，RF）作为机器学习领域的一种算法，因其对数据中的噪声和异常值更具鲁棒性，能够捕捉数据中的复杂关系，且分类精度高[7-8]，已成为遥感湖泊识别算法中非常适用的方法[7,9]。此外，随着测高雷达卫星技术的发展，国内外诸多学者利用ICESat和CryoSat等数据反演湖泊的长时序水位变化，进而刻画湖泊水面-水位关系和估算水量变化，为缺乏水位观测资料的湖泊水量研究提供了技术支持[10-12]。
东达布逊湖地处典型干旱区，生态环境脆弱，湖泊面积和水量季节波动幅度大，且在夏季受人类活动的影响显著[13]，开展东达布逊湖夏季湖泊动态变化的研究对维持流域生态平衡意义重大。目前部分针对东达布逊湖的研究主要集中在湖泊面积识别、湖面蒸发量计算等方面[13-14]，缺少连续时间序列高分辨率的湖泊水面遥感识别研究，且因水位观测资料匮乏，缺少对其水量变化的细致刻画。
为研究东达布逊湖的面积和水量变化，以及自然因素和人类活动对湖泊面积的驱动作用，本文基于RF算法结合多源遥感数据对湖泊面积的动态变化进行了分析，并基于卫星测高数据估算湖泊的水量变化。在此基础上，使用皮尔逊相关性分析和RF贡献率计算方法，定量评价各驱动因素对湖泊面积的影响。最后，通过构建时间序列模型，对湖泊面积未来变化进行预测。

1 研究区概况及数据源

1.1 研究区概况

东达布逊湖位于青海省格尔木河流域东北部（图1），是察尔汗盐湖区中面积最大的天然湖泊。
图1 格尔木河流域水系分布图

Fig.1 Water system distribution of the Golmud River Basin

湖泊整体呈东西走向，为闭流湖[13]，多年湖泊水位在2 678~2 783 m之间变化。该流域属典型高原大陆性气候，降水稀少，蒸发强烈。年均气温6.77 ℃；年均降水量49.18 mm，主要集中在6—9月，占全年降水总量的60%以上；年均蒸发量1 458 mm，夏季蒸发量占全年50%以上。地貌类型由南向北分别为山前洪积平原、冲积平原、冲湖积平原和湖积平原。用地类型主要为裸地、草地、水体等；植被类型主要为枸杞、藜麦、芦苇、红柳等，沿格尔木市东西两侧条带状分布。
发源于昆仑山的格尔木河属地下水补给型，多年平均径流量（格尔木河三站）7.82×108 ${{m}^{3}}^{}$[13]，是东达布逊湖唯一的地表水补给源。由于地下水径流过程中溶滤作用和排泄区强烈的蒸发作用，湖泊矿化度高达319.3 g/L[13]。湖泊东部及南部分布有大量因人为抽取湖泊水进行晒盐所产生的钾盐盐田[15-16]，因此东达布逊湖湖泊面积及其水位水量变化受流域气候变化和人类活动的双重影响。

1.2 数据源及其预处理

数据信息如表1所示。光学遥感数据分别来自GEE提供的Landsat5，7，8，9和Sentinel-2数据集；水位数据分别来自美国冰雪数据中心（National Snow and Ice Data Center，NSIDC）和欧洲航天局（European Space Agency，ESA）的ICESat/GLA 14与CryoSat-2/SIRAL GDR；驱动因素分析使用的气温、降水量、风速、太阳辐射、相对湿度和土壤湿度数据均来自欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）；人类活动中的钾肥产量（折纯）数据来源于《格尔木市国民经济和社会发展统计公报》。此外，本文采用GEE提供的欧盟委员会联合研究中心（Joint Research Centre，JRC）水体数据集（V1.4）作为湖泊面积对比验证数据集[17]，通过计算一致性比例[18]以说明计算所得湖泊面积的准确性。相较于传统实测数据验证，大数据具有时间序列长、稳定性好等优势。该数据集是由JRC基于数百万张Landsat5，7，8影像开发而成的，其中永久性水体在全球和中国区域的精度分别为93.54%和86.81%，目前已被广泛用于湖泊流域大数据研究及验证[19]。
表1 数据信息表

Tab.1 Data information

数据类型 数据名称 数据来源 空间分辨率/m 时间分辨率
光学遥感数据与产品 Landsat5，7，8，9 NASA 30 16 d
Sentinel-2 ESA 10 5 d
地表高程 SRTM DEM产品 90 静态数据
全球水体产品（JRC） Global Surface Water Explorer 30 月
气象和土壤数据 气温、降水量、相对湿度、风速、太阳辐射、土壤湿度 ERA5-Land再分析产品 11 132 月
数据类型 数据名称 数据来源 测高精度/cm 重访周期/d
卫星测高数据 ICESat/GLA14 NSIDC 2~5 183
CryoSat-2/SIRAL GDR ESA 1~3 369
其他数据 钾肥产量（折纯） 格尔木市人民政府网站 — —
为保证研究中数据分辨率的统一，对光学遥感数据使用双线性插值算法重采样至30 m分辨率；对于ERA5-Land再分析产品使用双线性插值算法重采样至500 m并裁剪至研究区范围，按6—9月进行平均值合成；对于ICESat与CryoSat-2数据，按照对应时期最小湖泊范围筛选出湖泊高程点，并进行异常值剔除与平均水位计算；所有预处理计算通过Python编程完成。

2 主要研究方法

2.1 RF模型湖泊提取方法

RF是一种结合决策树分类和随机特征选择的集成学习算法，可用于分类、回归和因子重要性分析[20-21]。在GEE云平台研究东达布逊湖面积变化时，除原始影像光谱特征外，还将以SRTMGL1_003数据构建的地形特征（海拔、坡度）和多种指数（如归一化植被指数（normalized difference vegetation index，NDVI），NDWI，MNDWI[22]，增强型植被指数（enhanced vegetation index，EVI）[23]和归一化建筑指数（normalized difference built-up index，NDBI）[24]）添加为独立波段。湖泊面积提取流程如图2所示。上述各指数公式分别为：
NDVI= $\frac{{\rho }_{NIR}-{\rho }_{RED}}{{\rho }_{NIR}+{\rho }_{RED}}$，
NDWI= $\frac{{\rho }_{GREEN}-{\rho }_{NIR}}{{\rho }_{GREEN}+{\rho }_{NIR}}$，
MNDWI= $\frac{{\rho }_{GREEN}-{\rho }_{MIR}}{{\rho }_{GREEN}+{\rho }_{MIR}}$，
EVI= $\frac{2.5（{\rho }_{NIR}-{\rho }_{RED}）}{{\rho }_{NIR}+6{\rho }_{RED}-7.5{\rho }_{BLUE}+1}$，
NDBI= $\frac{{\rho }_{MIR}-{\rho }_{NIR}}{{\rho }_{MIR}+{\rho }_{NIR}}$，
式中ρMIR，ρNIR，ρRED，ρGREEN和ρBLUE分别为中红外波段、近红外波段、红光波段、绿光波段和蓝光波段的反射值。
图2 基于GEE云平台计算湖泊面积流程图

Fig.2 Flowchart for calculating lake area based on GEE cloud platform

2.2 水位和水量计算

为保证水量计算所用水位和面积数据时间的一致性，本文使用ICESat/GLA14和CryoSat-2/SIRALGDR卫星测高数据反演得到东达布逊湖2003—2021年的水位序列，ICESat和CryoSat-2提取湖泊水面高程，再将相邻年份的湖泊水位和面积代入，以计算湖泊水量的变化[11]。相关计算公式为：
ICESatelevation=Height-Geoid-deltaElip ，
Cryosatelevation=Height-Geoid ，
ΔV= $\frac{1}{3}$（A1+A2+ $\sqrt[　]{{A}_{1}{A}_{2}}$）（H2-H1） ，
式中：ICESatelevation和Cryosatelevation为WGS84参考椭球体下的高程，m；Height为Topex/Poseidon（T/P）椭球体下的高程，m；Geoid为大地水准面差距，m；deltaElip为WGS84和T/P 2个椭球体的高程差异，一般取值为0.7 m[25]；A1和A2分别为相邻年份的湖泊面积，m2；H1和H2分别为相邻年份的湖泊水位，m；ΔV为湖泊水量相对变化量，m3。

2.3 Mann-Kendall趋势分析

Mann-Kendall（M-K）趋势检验和突变检验是被广泛应用于生态、水文、遥感等领域的非参数检验方法，计算方法见文献[26-27]。M-K趋势检验可用于分析湖泊面积是否具有显著的变化趋势。M-K突变检验可通过判断统计量UF和UB的交点是否位于95%置信区间内（-1.96~1.96）来确定显著突变的时间点（p<0.05）[28]。

2.4 驱动因素分析

研究采用皮尔逊相关性分析来探究湖泊面积与自然因素和人类活动之间的相关性强弱。计算方法见文献[26]。此外，基于RF算法定量评估各自然因素对湖泊面积变化的贡献率，通过曲线调参方式确定分裂节点数和决策树数目，并使用十字交叉验证对模型进行评价。最终通过评价结果和因子的贡献率，分析各因子对湖泊面积变化的重要性。

2.5 ARIMA时间序列模型

时间序列模型是一种用于分析和预测在一系列时间间隔内观测到的数据的统计模型。ARMA（p，q）模型是由自回归部分AR（p）和移动平均部分MA（q）组合而成，其一般形式为：
Yt=c+φ1 Yt-1+φ2 Yt-2+…+φpYt-p+
ξt+θ1ξt-1+θ2ξt-2+…+θqξt-q ，
式中：Yt为时间序列在时刻t的预测值；ξt为t时刻的误差项；φ1，φ2，…，φp为自回归系数；c为常数项；θ1，θ2，…，θq为移动平均系数；p为自回归阶数；q为移动平均阶数。
ARIMA（p，d，q）模型的结构与ARMA模型相似，区别在于ARIMA模型对原始序列进行了d次差分处理。差分表示离散时间序列中相邻观测值之间的变化，其本质是对原始序列进行变换以提升平稳性。常用的差分公式为：
∇Yk=Yk-Yk-1 ，
∇dYk=∇d-1Yk-∇d-1Yk-1 ，
式中：Yk为时间序列中k时刻的观测值；∇Yk为在k时刻的一阶差分值；d为差分次数；∇dYk为在k时刻的d阶差分值。

3 结果与分析

3.1 湖泊面积与水量变化

3.1.1 湖泊面积变化与验证

由于湖泊面积在一年中随着季节变化变动较大，根据研究区6—9月降水集中、蒸发强烈等气候特征，以及夏季人类活动频繁等特点，本文基于RF算法对1987—2023年6—9月东达布逊湖面积变化开展研究。其中1987—2021年所得湖泊面积数值见图3（a），用于湖泊面积变化时空特征分析；2022年和2023年所得湖泊面积分别为378.43 km2和393.13 km2，用于验证湖泊面积预测模型效果。结果表明：1987—2021年6—9月湖泊平均面积为295.73 km2；1989年湖泊面积最大，为521.63 km2，2001年面积最小，为181.74 km2（图3（a））。湖泊面积整体呈波动下降趋势，与M-K趋势分析结果一致（Z=-0.795，p=0.426）。使用M-K突变检验进一步讨论湖泊面积的时空变化（图3（b）），发现湖泊面积以1992年为突变点，呈现先增大后减小的趋势，平均值从1989—1992年的375.51 km2减少至1992—2021年的279.22 km2。
图3 1987—2021年湖泊面积M-K分析

Fig.3 M-K analysis of lake area variation from 1987 to 2021

部分年份水体提取结果如图4所示，RF算法平均的总体精度（overall accuracy，OA）和Kappa系数分别为91.6%和0.83。由于研究区2000年之前JRC数据缺失较多，所以选取2000—2021年RF提取结果与同时期JRC产品对比验证，所得一致性比例平均值为91.5%。相较于Sentinel-2影像（图4（a）—（c）），JRC水体产品（图4（d）—（f））与RF算法提取结果（图4（g）—（i））均有少量错分、漏分，但RF算法得到的湖泊范围更完整且边界更清晰，能够为湖泊水量变化计算提供更准确的数据。
图4 湖泊提取结果与验证

Fig.4 Extraction results and validation of lake

3.1.2 湖泊面积变化时期的划分

为进一步讨论湖泊面积的时空变化规律，根据其面积变化（图3（a））划分5个时期：扩张期（1987—1989年）、萎缩期（1989—2001年）、恢复期（2001—2011年）、萎缩期（2011—2017年）和快速恢复期（2017—2021年），各时期湖泊情况见图5，湖泊面积变化及方向见表2，主要表面为从南部萎缩，向西北方向扩张。在扩张期和恢复期中，1989年和2010年的面积增加最为显著，其西北部形成新的小湖泊并与其相连，从而使湖泊面积大幅扩张，推测其与1989年和2010年6—7月期间暴雨引发格尔木河的特大洪水有关。其2个萎缩期和快速恢复期或与盐湖工业的发展有关，盐湖工业采水量增加导致湖泊面积减小，而湖泊面积的快速恢复期与采水量的控制等湖泊生态保护政策有关[13]。
图5 不同时期湖泊面积变化情况

Fig.5 Changes of lake area during different periods

表2 各时期湖泊面积变化量及方向

Tab.2 The quantity and direction of changes in lake area in different periods

湖泊变化时期 湖泊面积变化/km2 湖泊面积年均变化/km2 湖泊面积年均变化率/% 变化方向
扩张期（1987—1989年） 227.155 113.578 50.00 向西北扩张
萎缩期（1989—2001年） -339.885 -28.324 -8.33 从东部、西北部萎缩
恢复期（2001—2011年） 225.381 22.538 10.00 向四周扩张
萎缩期（2011—2017年） -180.016 -30.003 -16.67 从南部萎缩
快速恢复期（2017—2021年） 162.523 40.631 25.00 向四周扩张

3.1.3 湖泊水量变化

为了突出湖泊水量变化的长期趋势，本文采用湖泊体积变化公式（式（8））对2003—2021年6—9月东达布逊湖水量的变化量进行估算。结果表明（图6），湖泊水量呈现波动增加的趋势。2003—2021年水量共增加5.64×108 m3，其中水量在2010—2011年夏季大量增加5.32×108 m3，在2011—2012年夏季大量减少7.35×108 m3，其余年份变化不大。同期湖泊面积变化趋势与水量较为一致（图6（a）），在2010—2011年显著增大，2012年减小，此后恢复正常波动。湖泊水量显著增加主要原因为2010年夏季格尔木地区暴雨，大格勒乡日降水量达到55 mm[29]，此后水位下降，水量变化恢复正常波动。由此可见，湖泊水量变化与面积和水位的变化趋势（图6）较为一致。
图6 湖泊水量与水位和面积变化对比图

Fig.6 Comparison of changes between water volume and water level，area for the lake

3.2 湖泊面积变化驱动因素

寒冷和干旱环境下的湖泊对区域气候变化响应敏感，作为气候变化的重要因子，气温、降水量等对湖泊动态变化及流域生态水文过程有着重要的影响[26]。在青藏高原地区“暖湿化”的大背景下，冰川冻土融化是湖泊扩张的一个重要因素[30]。东达布逊湖长期接受周围冰川冻土融化的间接补给，因无法定量确定冰川冻土融化对东达布逊湖的补给，研究采用格尔木河流域深层土壤湿度（100~289 cm）做代替指标，以间接反映冰川冻土融化对湖泊面积变化的影响。

3.2.1 自然因素

为研究各自然因素对湖泊面积的影响，分别对气温、降水量、相对湿度、风速、太阳辐射、土壤湿度与RF算法得到的湖泊面积进行皮尔逊相关性分析（样本量为35）。结果显示（表3），1987—2021年气温与湖泊面积呈现显著（p<0.05）负相关，相关系数为-0.351，其他因素不显著。
表3 单因素皮尔逊分析

Tab.3 Single factor Pearson analysis

自然因素 气温 降水量 相对
湿度		 风速 太阳
辐射		 土壤
湿度
相关系数 -0.351*① -0.159 -0.136 0.103 0.149 0.275
显著性
（双尾）		 0.039 0.360 0.435 0.554 0.393 0.110

①*为0.05显著水平的相关系数。

湖泊面积变化是多种因素共同作用的结果，除单因素相关性分析外，本文还采用RF贡献率计算方法对自然因子影响因素的贡献率进行排序。结果表明（图7（a）），气温是影响湖泊面积变化的最主要因素，贡献率为31.0%，土壤湿度和太阳辐射是影响湖泊面积变化的重要因素，贡献率分别为29.4%和15.5% 。
图7 湖泊面积驱动因素

Fig.7 Driving factors of the lake area

3.2.2 人类活动

东达布逊湖周边分布有大量钾盐盐田，人类活动对东达布逊湖的影响主要表现在开采钾盐过程中直接从湖泊中抽水晒盐。由于无法直接获得取水量，研究采用《格尔木市国民经济发展统计公报》中的钾肥产量（折纯）进行分析[13]。由于2010年以前钾肥产量较低，盐湖的开采不是影响湖泊面积的主要因素，故本文重点讨论2010年之后钾肥开采与湖泊面积的关系。图7（b）分析结果显示，2010—2021年钾肥产量与湖泊面积呈负相关，二者的相关系数为-0.580（p<0.05），进而反映人类活动是导致东达布逊湖在这一时期出现萎缩的重要原因。

3.3 湖泊面积预测

对1987—2021年6—9月东达布逊湖面积时间序列进行差分平稳，建立ARIMA （1，1，1）模型。其残差及参数检验结果表明拟合结果有效，并且在赤池信息量（Akaike information criterion，AIC）和贝叶斯信息量（Bayesian information criterion，BIC）下与其他多个模型对比，该模型为相对最优模型（表4）。
表4 模型比较

Tab.4 Model comparison

p d q AIC BIC
1 1 1 376.29 379.35
0 1 1 378.97 380.50
1 1 0 379.34 380.87
0 1 0 377.61 377.61
AIC和BIC是用于时间序列模型比较的指标，反映模型拟合准确与复杂程度，其值越小则拟合效果越好。模型对2022—2030年6—9月湖泊面积的预测结果见图8，可以得出2030年湖泊面积的预测值为302.78 km2。采用3.1节RF算法所得2022年和2023年6—9月东达布逊湖面积作为验证，模型预测结果的相对误差为7%，预测结果可靠。
图8 湖泊面积预测效果

Fig.8 Prediction effect of lake area

4 讨论

在数据源方面，相较于现有研究成果[13-14,31]，本文选用多源遥感影像数据和ERA5-Land再分析产品为数据源，解决了研究区附近气象站点分布较少的问题；进一步通过RF算法提取湖泊边界，经与高精度全球性水体产品等对比，能获取更为清晰和完整的湖泊边界；研究通过卫星测高数据获取湖面水位的高程变化，估算湖泊水量的相对变化量，解决了水位资料缺失的问题，可为观测资料缺失情况下的湖泊动态变化与验证等研究提供思路。
针对湖泊面积提取和变化时期分析方面，本文通过提取连续年份遥感影像平均值合成后的湖泊面积，并按变化特征划分湖泊的扩张期与萎缩期，与前人由于数据获取受限所得到的结果相比更具有代表性[13-14]。此外，采用水位-面积拟合公式来反演湖泊水位，既获得了精度较高的测高卫星水位，又解决了遥感数据与测高数据时间不一致的问题，从而得到较为准确的水量相对变化量。
针对湖泊面积变化的驱动因素分析方面，除进行单因素相关性分析外，还进行了多因素分析与贡献率的计算，定量评估以探讨东达布逊湖面积变化的原因。本文研究表明气温、冰川冻土融化和太阳辐射是最主要的影响因素，这与前人研究结论[31-33]存在差异，主要是因为相较于已有研究中仅使用相关系数等单因子研究方法，本文采用的多因素分析方法能够更综合且全面地解释湖泊面积变化的原因；另一方面，由于研究区的高寒干旱气候条件，本文在充分考虑各因子间的独立性与相互作用下，将太阳辐射作为湖泊面积变化需要考虑的因素之一，所得结论相较于其他研究更加符合实际情况。
鉴于自然因素对湖泊面积的驱动作用是综合的且机理复杂的，本文选择了对湖泊面积有直接影响且相对独立的因子进行综合分析。未来的研究中，需考虑这些影响因子之间的交互作用，从而更好地阐明这些因素对湖泊面积的综合影响。此外，东达布逊湖作为察尔汗盐湖区中最大的湖泊，湖区内多个湖泊出现与消亡的水力联系有待在未来开展进一步的研究。

5 结论

本研究基于RF算法利用光学遥感数据、卫星测高数据、再分析产品等高质量数据产品，对东达布逊湖的面积和水量变化进行研究，并分析了气候和人类活动对湖泊面积变化的影响。主要结论如下：
1）1987—2021年6—9月东达布逊湖面积整体呈现下降趋势，具体可分为5个时期：1987—1989年扩张期、1989—2001年萎缩期、2001—2011年恢复期、2011—2017年萎缩期和2017—2021年快速恢复期。空间上，湖泊主要向西北部扩张而从南部萎缩。
2）2003—2021年东达布逊湖水量呈波动增加的趋势。其中2010—2012年湖泊水量变化剧烈。推测主要与格尔木河洪水对东达布逊湖的水量补给有关。
3）湖泊面积变化是多种因素复杂作用影响下的结果，气温是最主要影响因素，贡献率为31.0%；土壤湿度和太阳辐射也是重要因素，贡献率分别为29.4%和15.5%，间接反映冰川冻土融化对湖泊面积的影响。2010年以后人类活动成为影响湖泊面积变化的重要因素。
4）基于时间序列模型预测发现后期湖泊面积呈现减小的趋势，到2030年湖泊面积将减少至302.78 km2。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Mason I M, Guzkowska M A J, Rapley C G, et al. The response of lake levels and areas to climatic change[J]. Climatic Change, 1994, 27(2):161-197.

[2]
李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报(自然科学版), 2020, 60(2):147-161.

DOI

Li D, Wu B S, Chen B W, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Science and Technology), 2020, 60(2):147-161.

[3]
Wang D, Huo Z L, Miao P, et al. Comparison of machine learning models to predict lake area in an arid area[J]. Remote Sensing, 2023, 15(17):4153.

[4]
Xia H M, Zhao J Y, Qin Y C, et al. Changes in water surface area during 1989—2017 in the Huai River Basin using landsat data and Google Earth Engine[J]. Remote Sensing, 2019, 11(15):1824.

[5]
徐涵秋. 水体遥感指数研究进展[J]. 福州大学学报(自然科学版), 2021, 49(5):613-625.

Xu H Q. Development of remote sensing water indices:A review[J]. Journal of Fuzhou University (Natural Science Edition), 2021, 49(5):613-625.

[6]
Zhou Y, Dong J W, Xiao X M, et al. Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine[J]. Science of the Total Environment, 2019, 689:366-380.

DOI

[7]
Li X S, Zhang D H, Jiang C C, et al. Comparison of lake area extraction algorithms in Qinghai Tibet Plateau leveraging Google Earth Engine and Landsat-9 data[J]. Remote Sensing, 2022, 14(18):4612.

[8]
Yang Y P, Yang D, Wang X F, et al. Testing accuracy of land cover classification algorithms in the Qilian Mountains based on GEE cloud platform[J]. Remote Sensing, 2021, 13(24):5064.

[9]
Rao P Z, Jiang W G, Hou Y K, et al. Dynamic change analysis of surface water in the Yangtze River Basin based on MODIS products[J]. Remote Sensing, 2018, 10(7):1025.

[10]
Liu C, Hu R H, Wang Y F, et al. Monitoring water level and volume changes of lakes and reservoirs in the Yellow River Basin using ICESat-2 laser altimetry and Google Earth Engine[J]. Journal of Hydro-Environment Research, 2022, 44:53-64.

[11]
张国庆, 王蒙蒙, 周陶, 等. 青藏高原湖泊面积、水位与水量变化遥感监测研究进展[J]. 遥感学报, 2022, 26(1):115-125.

Zhang G Q, Wang M M, Zhou T, et al. Progress in remote sensing monitoring of lake area,water level,and volume changes on the Tibetan Plateau[J]. National Remote Sensing Bulletin, 2022, 26(1):115-125.

[12]
马山木, 甘甫平, 吴怀春, 等. ICESat-2数据监测青藏高原湖泊2018—2021年水位变化[J]. 自然资源遥感, 2022, 34(3):164-172.doi:10.6046/zrzyyg.2021329.

Ma S M, Gan F P, Wu H C, et al. ICESat-2 data-based monitoring of 2018—2021 variations in the water levels of lakes in the Qinghai-Tibet Plateau[J]. Remote Sensing for Natural Resources, 2022, 34(3):164-172.doi:10.6046/zrzyyg.2021329.

[13]
王晓雪. 青海达布逊湖面积变化及湖泊蒸发量的计算[D]. 北京: 中国地质大学(北京), 2019.

Wang X X. Area change of Dabson Lake in Qinghai and calculation of lake evaporation[D]. Beijing: China University of Geosciences, 2019.

[14]
田华, 魏超, 宁世雄, 等达布逊湖面积变化及其影响因素研究[J]. 河南科技, 2018(29):89-91.

Tian H, Wei C, Ning S X, et al. Study on the change of area of Dabson Lake and its influencing factors[J]. Henan Science and Technology, 2018(29):89-91.

[15]
杨显华, 徐肖, 肖礼晓, 等. 察尔汗盐湖演变趋势及驱动力分析[J]. 国土资源遥感, 2020, 32(1):130-137.doi:10.6046/gtzyyg.2020.01.18.

Yang X H, Xu X, Xiao L X, et al. Evolution trend and driving force analysis of the Chaerhan Salt Lake[J]. Remote Sensing for Land and Resources, 2020, 32(1):130-137.doi:10.6046/gtzyyg.2020.01.18.

[16]
郑绵平. 中国盐湖资源与生态环境[J]. 地质学报, 2010, 84(11):1613-1622.

Zheng M P. Salt lake resources and eco-environment in China[J]. Acta Geologica Sinica, 2010, 84(11):1613-1622.

[17]
Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633):418-422.

[18]
王妍, 刘帅, 邱丽莎, 等. 1990—2021年蒙古高原年度丰水期水体数据集[J]. 中国科学数据, 2023, 8(1):69-82.

Wang Y, Liu S, Qiu L S, et al. A dataset of the annual water bodies in wet seasons on the Mongolian Plateau during 1990—2021[J]. China Scientific Data, 2023, 8(1):69-82.

[19]
王嘉诚, 李渊, 施坤, 等. 1987—2022年新安江水库(千岛湖)水面面积时空变化及其与水位、蓄水量的响应关系[J]. 湖泊科学, 2024, 36(3):913-926.

Wang J C, Li Y, Shi K, et al. Long-term spatiotemporal variation in water area of the Xin’anjiang Reservoir(Lake Qiandao)from 1987 to 2022 and its relationships with water level and water storage[J]. Journal of Lake Sciences, 2024, 36(3):913-926.

[20]
Pal M. Random forest classifier for remote sensing classification[J]. International Journal of Remote Sensing, 2005, 26(1):217-222.

[21]
陈妙金, 汪小钦, 吴思颖. 基于随机森林算法的水土流失影响因子重要性分析[J]. 自然灾害学报, 2019, 28(4):209-219.

Chen M J, Wang X Q, Wu S Y. Importance analysis of soil erosion influencing factors based on random forest[J]. Journal of Natural Disasters, 2019, 28(4):209-219.

[22]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5):589-595.

Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5):589-595.

[23]
Liu H Q, Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(2):457-465.

[24]
Li K N, Chen Y H. A genetic algorithm-based urban cluster automatic threshold method by combining VIIRS DNB,NDVI,and NDBI to monitor urbanization[J]. Remote Sensing, 2018, 10(2):277.

[25]
Bhang K J, Schwartz F W, Braun A. Verification of the vertical error in C-band SRTM DEM using ICESat and Landsat-7,otter tail county,MN[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1):36-44.

[26]
马靖宣, 金晓媚, 张绪财, 等. 基于InVEST模型的张承地区水源涵养功能时空变化特征[J]. 水文地质工程地质, 2023, 50(3):54-64.

Ma J X, Jin X M, Zhang X C, et al. Spatio-temporal change characteristics of water conservation function in the Zhang-Cheng district based on the InVEST model[J]. Hydrogeology & Engineering Geology, 2023, 50(3):54-64.

[27]
刘志林, 丁银平, 角媛梅, 等. 滇中城市群不透水表面时空变化与反常气候现象研究[J]. 地理学报, 2022, 77(7):1775-1793.

DOI

Liu Z L, Ding Y P, Jiao Y M, et al. Spatiotemporal variation of impervious surface and abnormal climate phenomenon in central Yunnan Urban Agglomeration[J]. Acta Geographica Sinica, 2022, 77(7):1775-1793.

DOI

[28]
王鹏飞, 郭云艳, 周康, 等. 1961—2018年呼伦湖水面面积变化特征及其对气候变化的响应[J]. 环境科学研究, 2021, 34(4):792-800.

Wang P F, Guo Y Y, Zhou K, et al. Variation of lake area of Hulun Lake during 1961—2018 and its response to climate change[J]. Research of Environmental Sciences, 2021, 34(4):792-800.

[29]
马生玉, 徐亮. 2010年夏季格尔木河流域汛情及气候成因分析[J]. 青海科技, 2011, 18(1):38-41.

Ma S Y, Xu L. Analysis of flood and climate causes in Golmud River Basin in summer of 2010[J]. Qinghai Science and Technology, 2011, 18(1):38-41.

[30]
陈军, 刘延昭, 曹立国, 等. 青藏高原湖泊变化遥感监测及水量平衡定量估算研究进展[J]. 冰川冻土, 2022, 44(4):1203-1215.

DOI

Chen J, Liu Y Z, Cao L G, et al. A review on the research of remote sensing monitoring of lake changes and quantitative estimation of lake water balance in Qinghai-Tibet Plateau[J]. Journal of Glaciology and Geocryology, 2022, 44(4):1203-1215.

DOI

[31]
魏善蓉, 金晓媚, 王凯霖, 等. 基于遥感的柴达木盆地湖泊面积变化与气候响应分析[J]. 地学前缘, 2017, 24(5):427-433.

DOI

Wei S R, Jin X M, Wang K L, et al. Response of lake area variation to climate change in Qaidam Basin based on remote sensing[J]. Earth Science Frontiers, 2017, 24(5):427-433.

[32]
杜玉娥, 刘宝康, 贺卫国, 等. 1976—2017年柴达木盆地湖泊面积变化及其成因分析[J]. 冰川冻土, 2018, 40(6):1275-1284.

DOI

Du Y E, Liu B K, He W G, et al. Analysis on the variation and cause of the lake area in Qaidam Basin from 1976 to 2017[J]. Journal of Glaciology and Geocryology, 2018, 40(6):1275-1284.

DOI

[33]
卢娜. 柴达木盆地湖泊面积变化及影响因素分析[J]. 干旱区资源与环境, 2014, 28(8):83-87.

Lu N. Changes of lake area in Qaidam Basin and the influence factors[J]. Journal of Arid Land Resources and Environment, 2014, 28(8):83-87.

Options
文章导航

/

〈 〉