EN中文

地理研究 >

2024 , Vol. 43 >Issue 8: 1941 - 1957

DOI: https://doi.org/10.11821/dlyj020240223

研究论文

青海高原温性草原对气候变化和人类活动响应动态机制研究

  • 俞文政 ,
  • 周雅文 ,
  • 魏柱灯 ,
  • 姚鑫 ,
  • 张玉冰
展开
  • 南京信息工程大学地理科学学院，南京 210044

俞文政（1974-），男，江苏南京人，博士，教授，硕士生导师，主要研究方向为气候变化及其响应、区域可持续发展。E-mail:

收稿日期: 2024-03-18

  录用日期: 2024-05-30

  网络出版日期: 2024-08-09

基金资助

国家自然科学基金重点项目(U20A2098)

收起

Dynamic response mechanisms of temperate steppe to climate change and human activities on the Qinghai Plateau

  • YU Wenzheng ,
  • ZHOU Yawen ,
  • WEI Zhudeng ,
  • YAO Xin ,
  • ZHANG Yubing
Expand
  • School of Geographical Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received date: 2024-03-18

  Accepted date: 2024-05-30

  Online published: 2024-08-09

Fold

摘要

温性草原作为维护青海高原草畜平衡和生态安全的重点区域，对气候变化和人类活动极为敏感。本文依托GEE平台构建长时序、高精度的草地类型数据，结合气候数据，引入随机森林模拟气候因素与温性草原间的非线性关系，对传统残差分析进行改进，以此探究青海高原温性草原的时空演变及其驱动因素。结果表明：① 1987—2020年青海高原温性草原面积呈显著增长趋势，主要上升区域为共和盆地、茶卡盆地、柴达木盆地东侧等，下降区域仅占21.4%。② 青海高原温性草原面积与气温和降水间呈正相关的区域占比为58.1%和67.3%，其中显著相关区域均在15%以上，可见气候的暖湿化对温性草原面积增加具有促进作用。③ 青海高原温性草原面积增加主要受气候变化与人类活动的共同影响，其中气候变化和人类活动相对贡献超过75%的区域分别占比33.1%和32.6%，集中于研究区东部和南部；而温性草原面积减少的主导因子为人类活动，主要分布于黄河流域，青海湖沿岸的部分区域。青海高原温性草原的时空变化及其驱动因素的定量研究结果可为草地可持续发展和政策制定提供支撑。

关键词： 温性草原; 驱动因素; 随机森林; 残差分析; 青海高原

本文引用格式

俞文政 , 周雅文 , 魏柱灯 , 姚鑫 , 张玉冰 . 青海高原温性草原对气候变化和人类活动响应动态机制研究[J]. 地理研究, 2024 , 43(8) : 1941 -1957 . DOI: 10.11821/dlyj020240223

Abstract

Temperate steppe is a crucial area for maintaining the balance between grassland and livestock and ensuring ecological security on the Qinghai Plateau. It is highly sensitive to both climate change and human activities. This study constructs long-term, high-resolution grassland type data using the Google Earth Engine (GEE) platform and integrates climate data. By introducing random forest modeling to simulate the nonlinear relationship between climate factors and temperate steppe, we improve traditional residual analysis and explore the spatiotemporal evolution and driving factors of temperate steppe on the Qinghai Plateau. The results indicate that: (1) From 1987 to 2020, the temperate steppe area on the Qinghai Plateau exhibited a significant increasing trend, particularly in regions such as the Gonghe Basin, Chaka Basin, and the eastern side of the Qaidam Basin, with only 21.4% showing a decrease. (2) The proportion of areas on the Qinghai Plateau with a positive correlation of temperature and precipitation were 58.1% and 67.3%, respectively, with significant correlation areas exceeding 15%. This indicates that warmer and wetter climate conditions facilitate an increase in grassland area. (3) The increase in temperate steppe area is mainly influenced by climate change and human activities, with regions where these factors contribute over 75% covering 33.1% and 32.6%, respectively, concentrated in the eastern and southern parts of the study area. Conversely, human activities predominantly drive the decrease in grassland area, mainly in the Yellow River Basin and some areas around the Qinghai Lake. This quantitative research on the spatiotemporal changes and driving factors of temperate steppe on the Qinghai Plateau provides support for sustainable grassland development and policy formulation.

Key words： temperate steppe; driving factors; random forest; residual analysis; Qinghai Plateau

1 引言

温性草原为欧亚草原的重要组成部分，国内主要分布在内蒙古高原，青藏高原等地区。中国温性草原因其独特的区位分布，丰富的生物资源和多样的生态功能，成为维护中国北方生态的重要自然缓冲区，同时也为北方畜牧业发展提供了必要的生产资料[1]。温性草原作为青海高原草地生态系统主要子系统，主要分布在海拔较低、地势平坦、气候适宜的东部地区。该区域内人口密集分布，温性草原作为天然的宜牧草地，成为利用率最高的草类[2]，诸如过度放牧，草地开垦等不合理开发，均导致其草地生态系统出现不同程度的恶化[3]。为逆转草地日益退化的趋势，21世纪以来，国家和地方政府先后启动了多个重大生态工程[4]。因此，对长时段内温性草原的演变规律及原因进行探究，有助于制定合理草地管理政策，促进草地可持续发展。
在全球气候变暖的背景下，草地的生长状况及驱动因素存在显著差异，高海拔地区的草地相较于低海拔更加脆弱，对环境变化更为敏感[5]。气候变化通过水热平衡、冻融交替、干湿变换等过程[6⇓-8]，直接影响草地的生长发育，适度的暖湿化促进草地的生长，但气温和降水的异常变化则会抑制草地的生长。人类活动对温性草原的影响同样十分复杂，过度放牧与城市化致使草地退化速度加快[9]，另一方面草地保护工程的实施有利于草地恢复[10]。与此同时，人类活动可通过与气候变化相互影响与共同作用，进一步影响草地生态系统[11⇓-13]。如城市化会导致热岛效应和极端气候的增加，从而导致草地恶化程度加剧[14]。因此，有必要将气候变化与人类活动的对草地变化的影响进行评估与量化。
目前研究普遍认为气候变化和人类活动是草地变化的主要驱动力[15]，并通过相关性分析、回归分析、残差分析等多种方法，分析了在不同时空尺度上草地变化对特定因子的响应[16⇓⇓-19]。在常用于草地变化归因的方法中，残差分析是量化并分离气候变化和人类活动对草地生态系统影响的常用工具。该方法通过建立气候因子与草地间的关系对气候影响下的草地状况进行预测，从而将人类活动对草地的影响分离出来，一定程度上解决了研究中人类活动难以评估和量化的缺点[20]。然而，目前的残差分析多使用多元线性回归构建草地与气候变量间的关系[21,22]，而气候与草地间的关系往往是动态的、复杂的、非线性的，单纯的线性模型无法合理解释。目前少有研究采用非线性模型建立两者之间的关系，故本研究采取机器学习中的随机森林模型对传统残差分析进行改进，弥补传统线性模型的不足。随机森林模型可以克服异常值的影响，模拟气候变化与草地演变之间的非线性关系，为构建草地变化的归因模型提供了新思路。
本文依托GEE平台构建的草地类型数据，结合气候数据，利用趋势分析、偏相关分析等方法，揭示青海高原温性草原面积的时空演变趋势，同时引入随机森林对传统残差分析进行改进，定量研究气候变化和人类活动对青海高原温性草原时空演变的影响机理。在此基础上，厘清长时段内青海高原温性草原的变化趋势及驱动机制，以期为进一步优化青海高原草地生态规划保护和区域畜牧业可持续发展提供决策依据。

2 研究区概况与数据来源

2.1 研究区概况

温性草原为青海高原天然草地垂直带谱的基带草地，在维护区域生态安全和平衡方面起着重要作用[23]。青海高原地处青藏高原东北部，是青藏高原的重要组成部分，总面积为72.23万km2（89°35′E~103°04′E、31°30′N~39°19′N），海拔1750~6800 m，地势呈西高东低、南北高中间低。温性草原广泛分布于青海高原东部农业区，呈带状由共和盆地，茶卡盆地向西延伸，直至柴达木盆地东缘（图1）。其草地主要优势种为芨芨草、西北针茅、疏花针茅、长芒草等，草地生产力和物种丰富度较高[24]。青海地区温性草原多生长于温凉的气候条件下，其年平均气温约为-10.3~10 ℃之间，年降水量多在400 mm左右，冬春季多大风，年蒸发量约600~1300 mm。
图1 青海高原地理位置及草地类型分布图

Fig. 1 Geographic location and distribution of grassland types of the Qinghai Plateau

2.2 研究数据

2.2.1 遥感数据

本文主要采用的遥感数据为GEE平台（https://code.earthengine.google.com/）提供的Landsat系列卫星影像产品和SRTM DEM影像。空间分辨率为30 m×30 m，产品后续经过辐射定标、大气校正和正射校正。
基于GEE平台中的Tier1影像集合中的QA质量波段检测云以及饱和像元并掩膜。为了获得青海高原无缝拼接影像，使用星下点双向反射分布函数（Bidirectional Reflectance Distribution Function，BRDF）将反射率值归一化。在此基础上，根据Roy等研究中的OLS回归系数，将ETM和TM光谱空间校正至OLI传感器光谱空间，减少由传感器不同引起的系统反射率差异[25]。

2.2.2 样本数据

草地样本以及草地类型样本主要来自于农业部草原监理中心（http://www.moa.gov.cn/）、国家林业和草原局（https://www.forestry.gov.cn/）及课题组多年野外调查采集的地面样方数据，共计26503个，其中草本样方24206个，灌木样方2297个，包括青海高原所有草原类型。野外调查时间一般在每年的6月中旬至9月中旬，调查记录主要包括经纬度、草地类型、草地植被优势物种、草地利用状况、植被覆盖度和地上生物量等基础信息。

2.2.3 气象数据

本文使用的气象数据均来自于降尺度气候数据集[26,27]，其空间分辨率高且数据完整性较好。数据集分别来自由瑞士联邦森林雪景观研究所（Swiss Federal Institute for Forest，Snow and Landscape Research WSL）发布的全球降尺度气候数据（https://chelsa-climate.org），和彭守璋团队于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）发布的中国1 km分辨率逐月数据集，空间分辨率均为0.00833°×0.00833°。后续对气象数据进行裁剪、投影转换、重采样等操作，将其空间分辨率统一投影为1 km×1 km，与温性草原数据相吻合，以便后续分析。

3 研究方法

3.1 草地数据获取过程

3.1.1 数据资料收集与预处理

搜集和整理青海高原草地类型分布信息和空间数据等，整理和清洗草地野外采样样本。基于GEE，应用Google Earth、现有草地样方数据和光谱相似性构建草地分类样本数据集。为有效区分不同草地类型，本研究从植被生理生化、生物物理以及生境因子多角度考虑[28⇓-30]，构建草地类型分类特征指标体系（表1）。
表1 特征指标体系

Tab. 1 Feature index system

分类 特征参量
植被生物物理、生化和
生理特性信息		 NDVI、Chlorophyll Index Green、Green leaf index、Leaf Water Content Index等32个光谱指数
土壤信息 土壤类型、湿度、pH值、有机碳含量
地物光谱波段信息 红、绿、蓝、近红外、短波红外、热红外
地形地貌 经度、纬度、海拔、坡度、坡向、多尺度地形位置指数和多尺度地形多样性指数等
地表纹理 Gray-Level Co-Occurrence Matrix (GLCM) Textural (Correlation and Contrast)
地表时相差异 Multitemporal Kauth-Thomas (MKT)

3.1.2 基于GEE的草地类型提取

通过GEE平台，输入草地分类样本点数据集和特征指标体系，利用随机森林模型进行训练，其中70%的样本划分为训练集，30%的样本划分为验证集，分别对比测试了10棵、100棵、500棵子树对模型精度的影响，最终选取了效率更高且准确率较好的100棵子树的模型，分类器中的其他参数均为GEE默认值。最后利用分类图时间序列信息和空间邻域信息对分类结果进行后处理，包括缺失值填补、噪声平滑、错分像元纠正等。

3.1.3 精度评价

分类结果得到1987—2020年青海高原草地类型栅格数据，分辨率30 m×30 m。精度评估是评价遥感数据生成的分类图质量的关键，最常见的评估准确率的方法是同时依赖于视觉评估和分类结果的误差矩阵[31]。在本研究中，使用验证样本测试了分类结果的准确性，推导出混淆矩阵，获得总体准确率（Overall Accuracy，OA）、生产者精度（Precision Accuracy）、用户准确率（User Accuracy，UA）和Kappa系数。

3.2 草地面积量化方法

本文提出基于离散数据的草类面积栅格化，从而实现温性草地面积的量化。首先在ArcGIS中，在研究区内部建立渔网，生成带有各自编号的1 km2网格；其次统计落入个网格内部的温性草原栅格总面积，并将统计完成的草地面积赋值给其对应网格；最后将草地面积网格数据转换成空间分辨率为1 km×1 km的栅格数据，以此获得不同时期温性草原在每个像元中的面积，即为温性草原面积分布情况。常规的地类数据均为离散化的定性数据，无法对其进行空间上的定量分析，本文通过将各个年份草地类型量化，即可表征草地面积在空间上的变化趋势，也可进一步探究空间上的变化原因。

3.3 趋势分析

一元线性回归法是一种稳定的反映数据长期变化趋势的方法，该方法可以减少偶发因素对植被生长情况的影响，较为准确地表征长时间序列下草地植被的变化情况[32]。因此，本文采用一元线性回归法分析1987—2020年高原温性草地面积变化趋势，将回归方程的斜率定为草地面积变化趋势率（slope）[33]。其计算公式如下：
s l o p e = n × ∑ i = 1 n ( i × A r e a i ) - ( ∑ i = 1 n i ) ( ∑ i = 1 n A r e a i ) n × ∑ i = 1 n i 2 - ( ∑ i = 1 n i ) 2
式中：n表示研究时段的总年数；i为时间变量，即年份；Areai为第i年的温性草原面积；slope表示草地面积变化趋势。当slope>0时，表示温性草原面积随时间i的增加呈上升趋势，反之呈下降趋势；slope绝对值越大，说明温性草原面积变化速率越大。

3.4 随机森林

随机森林（Random Forest，RF）是Breiman在2001年提出的一种综合决策树和随机子空间理论的机器学习方法[34]，其泛化性强，性能稳定。随机森林模型通过bootstrap抽样法从原始样本集中有放回抽取n个样本，从所有特征中选取k个特征，选择最优分割特征划数据，再进行重复，将训练样本划分为多个子集，通过算法训练得到n个决策树，最后对所有决策树结果投票得到最终结果。在随机森林模型中，依据Python随机森林类中的feature_importances属性对自变量相对重要性进行度量，评价指标相对重要性通常基于Gini系数，相对重要性越高，代表变量对模型预测性能的贡献度越大。据此对气候因子进行筛选，以此去除多余无效变量，减少数据冗余。本文从热量、水分、辐射等方面选取多个气候因子，基于气候因子和草地变量构建随机森林模型。结果表明平均气温和累积降水能解释模型80%以上的变化，而其余因子的相对重要性均远低于气温与降水（图2）。因此，后续分析时选取气温和降水两个因子表征气候变化，并基于此对温性草原面积进行预测。
图2 随机森林模型中不同气候因子对温性草原面积影响的相对重要性

Fig. 2 The relative importance of different climatic factors for temperate steppe area on random forest model

本文研究中将研究区内每个栅格数据对应位置处的像元值进行提取，包括草地面积数据和气温、降水数据，保存为表格数据进入模型训练，模型采用Python中的sklearn库实现构建。利用网格搜索算法（GridSearch）探索各期数据的最优参数组合[35]，即获取温性草原面积与气候因子之间的最佳关系，并利用该关系计算预测的草地面积数据，即可得到受气候影响下的草地面积预测值（AreaCC），用以表征气候变化对温性草原面积的影响。

3.5 偏相关分析

当多个影响因子共同影响研究对象时，使用偏相关分析可以剔除其余因子的影响，单独探究单个因子与研究对象的相关程度。本文利用偏相关分析探究气温与降水各自对温性草地面积变化的影响程度，对气温因子与降水因子的影响分别进行剔除，单独分析另一因子与草地面积的相关程度。计算公式如下所示：
R x y , z = R x y - R x z R y z ( 1 - R x z 2 ) ( 1 - R y z 2 )
式中：Rxy,z为偏相关系数，对偏相关结果进行显著性水平检验，根据显著性水平与Rxy,z对温性草原面积与气候因子的相关程度进行划分。Rxy、Rxz、Ryz分别为x和y、x和z、y和z的相关系数。

3.6 残差分析

不同影响因子对草地生态系统具有不同影响机理，故选取残差分析法对气候变化与人类活动对温性草地面积变化的影响及贡献率进行探究[36,37]。残差分析法可以将气候变化与人类活动的影响分离，并进行定量表示。青海高原草地变化主要受气候变化和人类活动两个主要因素影响，若假设气候变化和人类活动之间彼此独立，将温性草原面积的实际值（AreaACT）减去基于气候变化的预测值（AreaCC），得到残差值（AreaHA），便可表征人类活动对温性草原面积的影响（公式3）。模型计算公式如下[38]：
A r e a H A = A r e a A C T - A r e a C C
式中：AreaACT为温性草原面积的实际值；AreaCC为基于气候变化的温性草原面积的预测值；AreaHA为残差值。
基于残差分析得到的预测值，残差值以及温性草原面积实际值，根据公式（1）对其进行计算得到各自的变化趋势率，分别代表在气候变化，人类活动以及实际情况下温性草原面积变化的情况。同时，根据不同情况下温性草原面积的变化趋势，判定草原面积变化的驱动因子，具体判定方法及相对贡献率的计算见表2[39]。
表2 驱动因子判定标准及贡献率计算方法

Tab. 2 Driving factor and contribution rate calculation methods

Slope(AreaACT) 驱动因子 驱动因子判定标准 相对贡献率
Slope(AreaCC) Slope(AreaHA) 气候变化 人类活动
>0 CC&HA >0 >0 Slope(AreaCC)/Slope(AreaACT) Slope(AreaHA)/Slope(AreaACT)
CC >0 <0 100 0
HA <0 >0 0 100
<0 CC&HA <0 <0 Slope(AreaCC)/Slope(AreaACT) Slope(AreaHA)/Slope(AreaACT)
CC <0 >0 100 0
HA >0 <0 0 100

注：CC为气候变化；HA为人类活动。

4 结果分析

4.1 草地分类模型精度评价

基于混淆矩阵计算的草地分类精度如表3所示。结果表明，1987—2020年间的草地类型分类平均总体精度为86%，Kappa系数为82%，分类整体准确率较好。除高寒草甸草原外，其余草地类型的精度均在80%以上，其中温性荒漠草原的UA最高，达到了99%。而本文研究对象温性草原类生产精度为89%，用户精度为87%，总体精度高于高寒草原、高寒草甸、山地草甸等多种草地类型，数据分类准确率较高，为后续研究提供了有力支撑。
表3 草地类型分类精度

Tab. 3 Accuracy of grassland type classification

草地类型 生产者精度（PA） 用户精度（UA） Kappa 总体准确率（OA）
温性草原 0.89 0.87 0.82 0.86
温性荒漠草原 0.98 0.99
高寒草甸草原 0.72 0.81
高寒草原 0.83 0.83
温性荒漠 0.92 0.90
高寒荒漠 0.89 0.94
低地草甸 0.87 0.93
山地草甸 0.81 0.87
高寒草甸 0.82 0.80

4.2 温性草原时空演变特征

1987—2020年青海高原温性草原面积呈现整体波动上升趋势，且在不同年代际上呈现不同特征（图3a）。波动范围在27483.9~31035 km2之间，平均增幅为85.13 km2/a，其最大值出现在2020年，高于多年平均8.6%，最小值出现在1991年，低于多年平均3.8%。1987—1999年呈下降趋势，于1989年开始下降至1991年趋缓；进入21世纪后，温性草原面积其呈现增加趋势，前期增长幅度较小，而至2009年开始，增长幅度明显上升，均值较整体增加了3.9%。总体来说，1987—2020年间温性草地变化趋势差异明显，呈先减少后增加的趋势。如图3b所示，温性草原面积变化具有很强的空间异质性。温性草原面积变化趋势率为-0.03~0.03 km2/a，其中呈上升趋势的占78.6%，主要分布在柴达木盆地东部边缘地区，共和盆地，茶卡盆地以及青海湖北侧的部分区域，主要由温性荒漠转化而来；呈下降趋势的区域占21.4%，主要在拉脊山南坡，布哈河流域以及贵德县的黄河流域北侧，均分布于城镇附近，面积减少的区域主要转出为温性荒漠或转化为建筑用地。
图3 1987—2020年青海高原温性草原面积的时空变化趋势

Fig. 3 Spatiotemporal variation trends of temperate steppe area on the Qinghai Plateau from 1987 to 2020

4.3 温性草原演变与气候因子相关分析

草地生长状况是由气候环境和草地理化性质等因素共同决定，因此在同一种草地类型内，不同气候因子对草地面积变化的影响方式，也可能受植物群落构建和物种功能性状的调节，进而产生不同的草地变化方式[40]。本文利用偏相关分析了主要气候因子气温和降水因子对温性草原草地影响的空间差异性（图4）。首先，温性草原面积与气温因子偏相关系数均值为0.05，由图4a可知，温性草原面积对气温的响应在空间上呈不均匀分布，正相关的区域占58.1%，而其中极显著正相关和显著正相关（P<0.05）的区域共占总面积的16.9%，主要零散分布在大通山脉、青海湖沿岸、柴达木盆地东侧等地；而极显著和显著负相关的区域仅占总面积的10.9%，其中大部分位于龙羊峡水库周围，共和盆地至茶卡盆地一线，柴达木盆地的北侧及南侧。其次，温性草原与降水因子的偏相关系数均值高于气温，为0.11，空间上呈现东高西低的空间分布格局（图4b）。温性草原面积与年累计降水的偏相关系数介于-0.66~0.7之间，系数为正的区域占研究区总面积的67.3%，其中有6.7%为极显著正相关（P<0.01），主要集中在共和盆地，茶卡盆地至柴达木盆地东北侧；呈负相关的区域为32.7%，其中极显著和显著负相关（P<0.05）的区域占总面积的5.8%，占比较小，主要分布在柴达木盆地南侧，黄河流域以及青海湖西北部。总之，气候的暖湿化对温性草原生长有一定促进作用，且降水与草地面积的正相关性高于气温，即青海高原温性草原生长对降水的依赖性较强。
图4 青海高原温性草原面积与气候因子偏相关关系空间分布

Fig. 4 Spatial distribution of the partial correlation coefficients between temperate steppe area and climate factors on the Qinghai Plateau

4.4 温性草原演变归因分析

4.4.1 气候变化和人类活动影响草地变化的空间分异

对青海高原温性草地演变进行残差分析，根据变化趋势和判定标准（表2）识别驱动因子，以此探究不同时间段内草原面积变化的驱动机制及演变特征。结果表明，青海高原温性草原面积演变的驱动因子具有较强的空间异质性。
由图5可见，1987—2020年期间，青海高原温性大部分区域的温性草地呈现上升趋势。其中，呈现上升趋势的区域的主要驱动因子为气候变化，占比29.7%，分布范围较广，主要在东部农业区，湟水谷地，以及黄河沿岸，祁连山区均有分布；其次为人类活动导致的温性草原面积增加的区域面积占比25.4%，分布在湟水谷地，黄河流域沿岸河谷以及青海湖南岸；由气候变化和人类活动共同作用的上升区域占25.1%，主要分布于青海湖盆地，共和盆地至柴达木盆地东部区域，以及疏勒南山，大通河流域均有分布。呈下降趋势的区域较少，其中单独由人类活动导致的温性草原面积减少的区域面积占10.4%，主要分布在东部农业区及青海湖沿岸；气候变化和人类活动共同作用的下降区域占5.7%，主要分布在柴达木盆地北侧及龙羊峡周围的部分区域；单独由气候变化导致下降的区域占比较少，为3.6%。总体而言，气候变化和人类活动均对青海高原温性草原演变的影响较大，而温性草原面积减少的主要原因为人类活动。
图5 青海高原温性草原面积变化的驱动因素空间分布及面积占比

Fig. 5 Spatial distribution and proportion of area of temperate steppe change drivers on the Qinghai Plateau

4.4.2 气候变化和人类活动对草地变化的相对贡献

对不同时段青海高原温性草地演变的驱动因素进行定量区分，得到气候变化和人类活动分别的贡献率分布（图6、图7）。图6表明，1987—2020年期间，气候变化的相对贡献率均值为34.9%，其中贡献率为正的区域面积约占54.9%，主要集中在湟水谷地、黄河沿岸、茶卡盆地、青海南山及祁连山地等；气候变化对温性草原面积变化的贡献率为负的区域面积约占45.1%，主要分布在青海湖湖盆区域、黄河流域、布尔汗布达山等。具体空间分布如下：① 贡献率75%~100%约占总面积的33.1%，主要分布在湟水谷地中海拔2000~2500 m之间的平坡地，青海南山南坡海拔在3000~3200 m的区域，日月山和拉脊山南坡，大通河流域的平坡地等区域；② 贡献率在50%~75%主要分布在茶卡盆地、柴达木盆地东部边缘以及青海南山西侧海拔2500~3000 m的缓坡；③ 贡献率在0%~50%的区域面积占比较少，分别为8.9%和7.2%，零星分布于青海南山两侧的缓坡地、柴达木盆地东南边缘山地、龙羊峡水库西侧2500~3000 m的谷地以及青海湖北岸海拔2500~3000 m的平坡地；④ 贡献率为负的区间占比最大的是0%~-25%区间，为38.7%，分布区域集中在湟水河北岸海拔2000~2500 m的河谷地带，黄河中下游沿岸海拔3500 m左右的缓坡，青海湖东北侧海拔2500 m左右的区域；⑤ -25%~-75%区间内分布区域较小，分别为0.8%和1.6%，主要零星分布于黄河下游沿岸海拔较低的谷地以及青海湖流域的少部分区域。⑥ 贡献率在-75%~-100%区间主要分布在柴达木盆地北部边缘海拔约3500 m的平坡地、布尔汗布达山北坡。总体而言，气候变化对青海高原温性草原面积增加的贡献较大，其中贡献率在75%~100%范围的区域面积较大，占总面积的约33.1%，分散区域极为广泛；而贡献率为负的区间中占比最大的为-25%~-0%，占比约为38.7%，主要集中在研究区的中部至南部区域。
图6 1987—2020年气候变化对温性草原变化的贡献率空间分布及面积占比

Fig. 6 Spatial distribution and proportion of area of contribution of climatic change to temperate steppe change on the Qinghai Plateau from 1987 to 2020

图7 1987—2020年人类活动对温性草原变化的贡献率空间分布及面积占比

Fig. 7 Spatial distribution and proportion of area of contribution of human activities to temperate steppe change on the Qinghai Plateau from 1987 to 2020

1987—2020年，人类活动对青海高原温性草原面积变化的贡献率在75%~100%、-25%~0%范围占比较大（图7）：① 贡献率大于75%区域面积占32.6%，主要分布在青海南山至共和盆地间海拔3000~3200 m间的区域，黄河谷地海拔3000~3600 m河盆及山坡地带，湟水流域北侧的平缓区域以及柴达木盆地东部边缘；② 贡献率50%~75%的区域主要为茶卡盆地与共和盆地，布尔汗布达山东侧的边缘区域，青海南山的北麓山脉以及布哈河流域内海拔2500 m左右的河谷地带；③ 贡献率在0%~25%及25%~50%占比分别为3.3%和5.6%，分布区域较少，分散在茶卡盆地内部，青海湖北岸平坡地，柴达木盆地东南侧山地以及青海南山海拔3500~4000 m左右的缓坡地。④ 贡献率为负的区间占比最大的是0%~-25%区间，约为33.9%。主要分布于湟水流域南侧海拔2000~3000 m左右的较平坡地，日月山南麓海拔3300m左右的区域以及黄河流域西侧海拔3000~3500 m的缓坡地；⑤ 贡献率在-50%~-25%及-75%~-50%区间内占比极少，分别为0.8%和1.5%，零星分布于青海湖沿岸及茶卡盆地以及黄河沿岸的平坡及缓坡区域；⑥ 贡献率-100%~-75%区域占比为13.2%，分散于共和盆地，青海湖沿岸，青海南山山麓以及布尔汗布达山脉的较为平缓处。整体来说，人类活动贡献率较高的区域分布主要分布于研究区中部和西部，相较于气候变化，人类活动对温性草原面积减少的贡献率更大，范围更广。贡献率值大部分数集中在-25%~0%区间内，其次为75%~100%，两者共占66.5%。

5 讨论

5.1 不同驱动因子对温性草原演变驱动机制

气候是影响植被生长的重要外部因素，其中气温与降水是控制植被生长的关键气候因子，与植被的各阶段生长密切相关，可带动植被类型和物种组成的变化[41,42]。通过对比不同气候因子与温性草原面积变化趋势的相关性可以发现（图4），温性草原面积变化对降水更为敏感，这与Zhao[43]和Liu[44]等的研究结果一致，他们均认为降水是影响青海高原植被变化的主导因素。降水通过土壤湿度与土壤微生物，调节植物光合作用和呼吸作用，进而影响草地生长情况[45]。青海高原属于典型的高原大陆性气候，整体降水少而集中，部分地区常年干旱，如茶卡盆地和共和盆地，该区域为典型的荒漠边缘地带，温性草原与温性荒漠交错分布。温性草原多喜温凉湿润，干旱少雨不利于温性草原的生长，故该区域内草地与降水呈极显著正相关（图4），这一结论在王亚晖等的论文中得到印证[46]。近三十年，青海高原整体降水量显著增加，故该地温性草原面积呈上升趋势（图3），但是，当出现降水波动性较强或降水较少的年份时，该区域温性草原出现退化，转变为温性荒漠。
本文研究表明，青海高原温性草原面积增加主要受气候变化与人类活动的共同影响，一方面归结于21世纪以来气候的暖湿化，这使得温性荒漠类的草地逐渐向温性草原转变，草地质量在一定情况下好转。另一方面，建立保护区，推进生态工程和实施草地修复措施（牧刈轮替）等人类活动可在不同区域尺度增加草地面积。在进入21世纪后，国家政府先后出台了一系列措施，如2003年开始实施退牧还草工程[47]，2005年开始陆续实施三江源、青海湖、祁连山等重大生态工程[48]，目前均已取得良好成效。例如，Xiong等研究发现1980—2015年，青藏高原牲畜总数增加了1.5%，但在生态保护项目开始后，牲畜总数减少了19%[49]；邵全琴等研究表明，生态保护工程开始后，三江源地区草地恢复状态良好，这均揭示了政策保护对草地恢复的积极作用[50]。在本研究中，温性草原面积显著增加的区域（图3b）也多位于青海湖国家自然保护区和祁连山自然保护区内，且人类活动对温性草原面积增长贡献超过75%的区域占32.6%，同样反映了人为活动对区域草地变化的重要作用。
然而，研究结果同样表明人类活动是温性草原面积减少的主导因素。研究前期温性草原面积出现较大程度减少（图3a），Li等研究也表明，牲畜数量的增加是1949—2013年青藏高原草场退化的主要驱动因素[51]。由此可见，人类活动，例如过度放牧、资源开发等，是导致草地退化的重要因素[52]。而温性草原主要分布于地势平缓，海拔较低的区域，青海湖沿岸，茶卡盆地及黄河沿岸等区域，受人类活动负面影响较大（图7），温性草原退化情况严重，后可对其进行实地调查，根据其真实情况对其提出针对性措施，如合理减少牲畜数量或进行草场轮替维护。由此可见，国家政府的相关举措以及人民保护意识的增强对草地保护的作用极大，但草地的破坏情况依然存在，仍需长期治理与保护。

5.2 随机森林对残差分析的改进

基于气候因子与植被变化之间关系的残差分析已被广泛利用于分离气候变化与人类活动对草地变化的影响[53⇓-55]，然而，一些问题在过往的研究中常被人们忽视。目前最常用的建立气候因子与植被变化之间关系的方法是多元线性回归[56]。该方法原理简单，易于使用，但在一定程度上忽略了变量之间的非线性关系和复杂影响。近年来，人工智能技术飞速发展，机器学习模型因其出色的数据处理能力被广泛应用于植被变化综合归因研究中。因此，本文引入随机森林模型（random forest，rf）对传统残差分析进行改进，同时与多种常用线性模型对比，分别为偏最小二乘回归（partial least squares regression, plsr）、岭回归（ridge regression）、多元线性回归（linear regression）[57⇓⇓-60]。针对气候因子与温性草原面积分别构建关系模型，对比各模型验证集的均方根误差（MSE）和平均绝对误差（MAE）。如图8所示，相较于传统线性模型，随机森林（rf）模型的MSE和MAE下降了6%和12%，显著优于其余模型。而多个研究也表明随机森林在建立植被变化归因的评估模型中拟合精度更高，例如，Qiao等通过比较了多元线性回归、支持向量机、广义可加模型和随机森林对植被覆盖变化的解释效果[61]；张文强等分别使用多元线性回归模型和随机森林模型分析驱动因素对NDVI的影响[62]。以上研究均表明随机森林具有更高的精度，但其仅为基于指标的总体归因，而本文定量评估草地变化驱动因素的空间分布与相对贡献，进一步对传统方法进行创新，得到更为准确细致的结果。
图8 模型测试集精度对比

Fig. 8 Model accuracy contrast diagram

5.3 局限与展望

目前，本研究仍存在一定的局限，以期能在后续研究中加以改进与补充。本文使用长时段草地类型数据对青海高原温性草原面积变化进行监测，该数据是基于大尺度遥感数据反演而来。遥感数据因其覆盖广阔、可获取性、时效性等优势，已成为人们监测大范围内植被变化的重要手段，但由于获取数据的传感器退化，轨道偏移，数据合成差异，因此，遥感数据中存在的不确定性可能会影响最终结果的精度。此外，人类活动对草地生态系统的影响是多方面的，尤其是高原地区，后续应考虑放牧强度、国家政策、保护区建立等多种因素，同时对因子进行量化，结合例如地理探测器模型等多种归因方法进行分析，使结果更加精确。

6 讨论

本文基于GEE平台构建长时序、高精度的草地类型数据，结合气候数据，采用趋势分析、偏相关分析、改进的残差分析等方法，探究1987—2020年青海高原温性草原时空演变及其驱动机制，主要结论如下：
（1）1987—2020年期间，青海高原温性草原面积整体呈波动上升趋势，增幅为85.13 km2/a，但在空间上存在较强异质性，其中面积增加较快的区域主要为柴达木盆地东部边缘地区，共和盆地，茶卡盆地等，主要由温性荒漠转化而来，呈下降趋势的区域主要分布于主要在拉脊山南坡，布哈河流域等地，主要转出为温性荒漠或者转化为建筑用地。
（2）气温和降水是影响青海高原温性草原面积的主导因素。1987—2020年青海高原温性草原面积与累计降水间呈正相关的区域占比67.3%，且其中19.9%的区域呈显著正相关，主要分布在共和盆地，茶卡盆地至柴达木盆地东北缘，分布区域较为集中；而温性草原面积与平均气温间呈正相关的区域占58.1%，显著正相关的区域占16.9%，零散分布于柴达木盆地东侧，青海湖沿岸等。因此，气候的暖湿化对青海高原温性草原面积增加具有促进作用。
（3）1987—2020年，青海高原温性草原面积增加主要受气候变化与人类活动的共同影响，而草地面积减少的主导因子为人类活动。其中气候变化对草地面积增加贡献率大于75%的区域占33.1%，主要集中在湟水谷地及柴达木盆地东侧，人类活动贡献超过75%的区域占32.6%，主要集中在黄河流域东侧、茶卡盆地以及青海湖沿岸；而气候变化和人类活动对草地面积减少贡献率大于75%的区域分别为4%和13.2%。整体来说，在气候变化和人类活动的共同驱动下，青海高原温性草原面积显著增加，但人类活动对草地面积退化的影响仍旧不容小视。

真诚感谢匿名审稿人在论文评审中所付出的时间和精力，专家对本文创新性的提升、研究思路的完善、文章题目的确定、行文逻辑的梳理、内容凝练等方面提出的专业意见，使本文受益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Ren H, Zhou G. Measuring the impacts of anthropogenic activities on Inner Mongolian temperate grassland. Land Degradation & Development, 2018, 29(9): 2942-2950. DOI: 10.1002/ldr.3055.

[2]
辛玉春. 青海省温性草原类草地的分布特征. 青海草业, 2014, 23(1): 35-42.

[Xin Yuchun. The distribution characteristics of temperate grassland in Qinghai province. Qinghai Prataculture, 2014, 23(1): 35-42.] DOI: 10.3969/j.issn.1008-1445.2014.01.009.

[3]
Gao Q Z, Wan Y F, Li Y, et al. Spatial and temporal pattern of alpine grassland condition and its response to human activities in Northern Tibet, China. The Rangeland Journal, 2010, 32(2): 165-173. DOI: 10.1071/RJ08061.

[4]
魏晓旭, 魏伟, 刘春芳. 近40年青海省草地植被时空变化及其与人类活动的关系. 生态学杂志, 2021, 40(8): 2541-2552.

[Wei Xiaoxu, Wei Wei, Liu Chunfang. Spatiotemporal variation of grassland vegetation and its relationship with human activities in Qinghai province in recent 40 years. Chinese Journal of Ecology, 2021, 40(8): 2541-2552.] DOI: 10.13292/j.1000-4890.202108.004.

[5]
戴雪, 余钟波. 藏东高原-藏东南高山峡谷过渡区多角度生态系统综合评估: 以西藏昌都为例. 地理研究, 2023, 42(7): 1971-1984.

DOI

[Dai Xue, Yu Zhongbo. Integrated ecosystem assessment for the transition areas between the east plateau zone and the southeast mountain-canyon zone of the Tibetan Plateau: A case study in Qamdo city, Tibet, China. Geographical Research, 2023, 42(7): 1971-1984.] DOI: 10.11821/dlyj020220748.

[6]
孙锐, 陈少辉, 苏红波. 黄土高原不同生态类型NDVI时空变化及其对气候变化响应. 地理研究, 2020, 39(5): 1200-1214.

DOI

[Sun Rui, Chen Shaohui, Su Hongbo. Spatiotemporal variation of NDVI in different ecotypes on the Loess Plateau and its response to climate change. Geographical Research, 2020, 39(5): 1200-1214.] DOI: 10.11821/dlyj020190399.

[7]
You Y, Wang S, Pan N, et al. Growth stage-dependent responses of carbon fixation process of alpine grasslands to climate change over the Tibetan Plateau, China. Agricultural and Forest Meteorology, 2020, 291: 108085. DOI: 10.1016/j.agrformet.2020.108085.

[8]
Guo J, Yang X, Jiang W, et al. Sensitivity of green-up date to meteorological indicators in Hulun Buir Grasslands of China. Remote Sensing, 2022, 14(3): 670. DOI: 10.3390/rs14030670.

[9]
Wang K, Cao C, Xie B, et al. Analysis of the spatial and temporal evolution patterns of grassland health and its driving factors in Xilingol. Remote Sensing, 2022, 14(20): 5179. DOI: 10.3390/rs14205179.

[10]
郑德凤, 郝帅, 吕乐婷, 等. 三江源国家公园生态系统服务时空变化及权衡-协同关系. 地理研究, 2020, 39(1): 64-78.

DOI

[Zheng Defeng, Hao Shuai, Lv Leting, et al. Spatial-temporal change and trade-off/synergy relationships among multiple ecosystem services in Three-River-Source National Park. Geographical Research, 2020, 39(1): 64-78.] DOI: 10.11821/dlyj020180898.

[11]
Speier B, Wilschut R A, Van Kleunen M. Number of simultaneously acting global change factors affects composition, diversity and productivity of grassland plant communities. Nature Communications, Nature Publishing Group UK London, 2022, 13(1): 7811. DOI: 10.1038/s41467-022-35473-1.

[12]
He X, Liang J, Zeng G, et al. The effects of interaction between climate change and land‐use/cover change on biodiversity-related ecosystem services. Global Challenges, 2019, 3(9): 1800095. DOI: 10.1002/gch2.201800095.

[13]
He M, Pan Y, Zhou G, et al. Grazing and global change factors differentially affect biodiversity-ecosystem functioning relationships in grassland ecosystems. Global Change Biology, 2022, 28(18): 5492-5504. DOI: 10.1111/gcb.16305.

PMID

[14]
Li K, Chen Y, Gao S. Uncertainty of city-based urban heat island intensity across1112 global cities: Background reference and cloud coverage. Remote Sensing of Environment, 2022, 271: 112898. DOI: 10.1016/j.rse.2022.112898.

[15]
Chen B, Zhang X, Tao J, et al. The impact of climate change and anthropogenic activities on alpine grassland over the Qinghai-Tibet Plateau. Agricultural and Forest Meteorology, 2014, 189-190: 11-18. DOI: 10.1016/j.agrformet.2014.01.002.

[16]
Xu X, Chen H, Levy J K. Spatiotemporal vegetation cover variations in the Qinghai-Tibet Plateau under global climate change. Chinese Science Bulletin, 2008, 53(6): 915-922. DOI: 10.1007/s11434-008-0115-x.

[17]
Ma C, Xie Y, Duan H, et al. Spatial quantification method of grassland utilization intensity on the Qinghai-Tibetan Plateau: A case study on the Selinco basin. Journal of Environmental Management, 2022, 302: 114073. DOI: 10.1016/j.jenvman.2021.114073.

[18]
Li L, Zhang Y, Liu L, et al. Spatiotemporal patterns of vegetation greenness change and associated climatic and anthropogenic drivers on the Tibetan Plateau during 2000-2015. Remote Sensing, 2018, 10(10): 1525. DOI: 10.3390/rs10101525.

[19]
Mumtaz F, Li J, Liu Q, et al. Spatio-temporal dynamics of land use transitions associated with human activities over Eurasian Steppe: Evidence from improved residual analysis. Science of The Total Environment, 2023, 905: 166940. DOI: 10.1016/j.scitotenv.2023.166940.

[20]
武爽, 冯险峰, 孔玲玲, 等. 气候变化及人为干扰对西藏地区草地退化的影响研究. 地理研究, 2021, 40(5): 1265-1279.

DOI

[Wu Shang, Feng Xianfeng, Kong Lingling, et al. Effects of climate variation and human activities on grassland degradation in Tibet. Geographical Research, 2021, 40(5): 1265-1279.] DOI: 10.11821/dlyj020200594.

[21]
Xu B, Li J, Liu Y, et al. Disentangling the response of vegetation dynamics to natural and anthropogenic drivers over the Qinghai-Tibet Plateau using dimensionality reduction and structural equation model. Forest Ecology and Management, 2024, 554: 121677. DOI: 10.1016/j.foreco.2023.121677.

[22]
Chen J, Yan F, Lu Q. Spatiotemporal variation of vegetation on the Qinghai-Tibet Plateau and the influence of climatic factors and human activities on vegetation trend (2000-2019). Remote Sensing, 2020, 12(19): 3150. DOI: 10.3390/rs12193150.

[23]
Li Q, Zhang C, Shen Y, et al. Quantitative assessment of the relative roles of climate change and human activities in desertification processes on the Qinghai-Tibet Plateau based on net primary productivity. CATENA, 2016, 147: 789-796. DOI: 10.1016/j.catena.2016.09.005.

[24]
向明学, 郭应杰, 古桑群宗, 等. 不同放牧强度对拉萨河谷温性草原植物群落和物种多样性的影响. 草地学报, 2019, 27(3): 668-674.

DOI

[Xiang Mingxue, Guo Yingjie, Gu Sangqunzong, et al. Effects of grazing intensity on plant community and species diversity of temperate steppe in Lhasa River Valley. Acta Agrestia Sinica, 2019, 27(3): 668-674.] DOI: 10.13292/j.1000-4890.202108.004.

[25]
Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity. Remote sensing of Environment, 2016, 185: 57-70. DOI: 10.1016/j.rse.2015.12.024.

[26]
Karger D N, Conrad O, Böhner J, et al. Climatologies at high resolution for the earth's land surface areas. Scientific Data, 2017, 4(1): 170122. DOI: 10.1038/sdata.2017.122.

[27]
彭守璋. 中国1km 分辨率逐月降水量数据集(1901—202). 国家青藏高原科学数据中心, 2020.

[Peng Shouzhang. 1-km monthly precipitation dataset for China (1901-2022). National Tibetan Plateau, 2020.] DOI: 10.5281/zenodo.3185722.

[28]
Zhao Y, Zhu W, Wei P, et al. Classification of Zambian grasslands using random forest feature importance selection during the optimal phenological period. Ecological Indicators, 2022, 135: 108529. DOI: 10.1016/j.ecolind.2021.108529.

[29]
Dubertret F, Le Tourneau F-M, Villarreal M L, et al. Monitoring annual land use/land cover change in the Tucson Metropolitan area with Google Earth Engine (1986-2020). Remote Sensing, 2022, 14(9): 2127. DOI: 10.3390/rs14092127.

[30]
Iqbal N, Mumtaz R, Shafi U, et al. Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms. PeerJ Computer Science, 2021, 7: e536. DOI: 10.7717/peerj-cs.536.

PMID

[31]
Chughtai A H, Abbasi H, Karas I R. A review on change detection method and accuracy assessment for land use land cover. Remote Sensing Applications: Society and Environment, 2021, 22: 100482. DOI: 10.1016/j.rsase.2021.100482.

[32]
Liu Y, Zhang Z, Tong L, et al. Assessing the effects of climate variation and human activities on grassland degradation and restoration across the globe. Ecological Indicators, 2019, 106: 105504. DOI: 10.1016/j.ecolind.2019.105504.

[33]
Wang F, Ge Q, Wang S, et al. A new estimation of urbanization's contribution to the warming trend in China. Journal of Climate, 2015, 28(22): 8923-8938. DOI: 10.1175/JCLI-D-14-00427.1.

[34]
Breiman L. Random forests. Machine learning, 2001, 45: 5-32. DOI: 10.1023/a:1010933404324.

[35]
Adugna T, Xu W, Fan J. Comparison of random forest and support vector machine classifiers for regional land cover mapping using coarse resolution FY-3C images. Remote Sensing, 2022, 14(3): 574. DOI: 10.3390/rs14030574.

[36]
Evans J, Geerken R. Discrimination between climate and human-induced dryland degradation. Journal of Arid Environments, 2004, 57(4): 535-554. DOI: 10.1016/S0140-1963(03)00121-6.

[37]
Zheng K, Wei J Z, Pei J Y, et al. Impacts of climate change and human activities on grassland vegetation variation in the Chinese Loess Plateau. Science of the Total Environment, 2019, 660: 236-244. DOI: 10.1016/j.scitotenv.2019.01.022.

[38]
Lin M, Hou L, Qi Z, et al. Impacts of climate change and human activities on vegetation NDVI in China's Mu Us Sandy Land during 2000-2019. Ecological Indicators, 2022, 142: 109164. DOI: 10.1016/j.ecolind.2022.109164.

[39]
Sun W, Song X, Mu X, et al. Spatiotemporal vegetation cover variations associated with climate change and ecological restoration in the Loess Plateau. Agricultural and Forest Meteorology, 2015, 209-210: 87-99. DOI: 10.1016/j.agrformet.2015.05.002.

[40]
Hou Q, Ji Z, Yang H, et al. Impacts of climate change and human activities on different degraded grassland based on NDVI. Scientific Reports, 2022, 12(1): 15918. DOI: 10.1038/s41598-022-19943-6.

[41]
Xu W, Liu X. Response of vegetation in the Qinghai-Tibet Plateau to global warming. Chinese Geographical Science, 2007, 17: 151-159. DOI: 10.1007/s11769-007-0151-5.

[42]
Diao C, Liu Y, Zhao L, et al. Regional-scale vegetation-climate interactions on the Qinghai-Tibet Plateau. Ecological Informatics, 2021, 65: 101413. DOI: 10.1016/j.ecoinf.2021.101413.

[43]
Zhao L, Liu Z, Hu Y, et al. Evaluation of reasonable stocking rate based on the relative contribution of climate change and grazing activities to the productivity of Alpine Grasslands in Qinghai province. Remote Sensing, 2022, 14(6): 1455. DOI: 10.3390/rs14061455.

[44]
Liu Y, Wang Q, Zhang Z, et al. Grassland dynamics in responses to climate variation and human activities in China from 2000 to 2013. Science of The Total Environment, 2019, 690: 27-39. DOI: 10.1016/j.scitotenv.2019.06.503.

[45]
Zhang R, Zhao X, Zuo X, et al. Effect of manipulated precipitation during the growing season on soil respiration in the desert-grasslands in Inner Mongolia, China. Catena, 2019, 176: 73-80. DOI: 10.1016/j.catena.2019.01.010.

[46]
王亚晖, 唐文家, 李森, 等. 青海省草地生产力变化及其驱动因素. 草业学报, 2022, 31(2): 1-13.

DOI

[Wang Yahui, Tang Wenjia, Li Sen, et al. Change in grassland productivity in Qinghai province and its driving factors. Acta Prataculturae Sinica, 2022, 31(2): 1-13.] DOI: 10. 11686/cyxb2021256.

[47]
夏翠珍, 周立华, 裴孝东, 等. 三江源国家公园区政府和牧民二元视角下的退牧还草工程绩效研究. 自然资源学报, 2023, 38(6): 1570-1587.

DOI

[Xia Cuizhen, Zhou Lihua, Pei Xiaodong, et al. Performance research of pastureland rehabilitation project in Sanjiangyuan National Park from the perspectives of local governments and herdsmen. Journal of Natural Resources, 2023, 38(6): 1570-1587.] DOI: 10.31497/zrzyxb.20230612.

[48]
赵苗苗, 赵海凤, 李仁强, 等. 青海省1998—2012年草地生态系统服务功能价值评估. 自然资源学报, 2017, 32(3): 418-433.

DOI

[Zhao Miaomiao, Zhao Haifang, Li Renqiang, et al. Assessment on grassland ecosystem services in Qinghai province during 1998-2012. Journal of Natural Resources, 2017, 32(3): 418-433.] DOI: 10.11849/zrzyxb.20160421.

[49]
Xiong Q, Xiao Y, Liang P, et al. Trends in climate change and human interventions indicate grassland productivity on the Qinghai-Tibetan Plateau from 1980 to 2015. Ecological Indicators, 2021, 129: 108010. DOI: 10.1016/j.ecolind.2021.108010.

[50]
邵全琴, 樊江文, 刘纪远, 等. 基于目标的三江源生态保护和建设一期工程生态成效评估及政策建议. 中国科学院院刊, 2017, 32(1): 35-44.

[Shao Quanqin, Fan Jiangwen, Liu Jiyuan, et al. Target-based assessment on effects of First-stage Ecological Conservation and Restoration Project in Three-river Source Region, China and policy recommendations. Bulletin of Chinese Academy of Sciences, 2017, 32(1): 35-44.] DOI: 10.16418/j.issn.1000-3045.2017.01.005.

[51]
Li X L, Gao J, Brierley G, et al. Rangeland degradation on the Qinghai‐Tibet plateau: Implications for rehabilitation. Land Degradation & Development, 2013, 24(1): 72-80. DOI: 10.1002/ldr.1108.

[52]
Wang S, Dai E, Jia L, et al. Assessment of multiple factors and interactions affecting grassland degradation on the Tibetan Plateau. Ecological Indicators, 2023, 154: 110509. DOI: 10.1016/j.ecolind.2023.110509.

[53]
Shi S, Yu J, Wang F, et al. Quantitative contributions of climate change and human activities to vegetation changes over multiple time scales on the Loess Plateau. Science of The Total Environment, 2021, 755: 142419. DOI: 10.1016/j.scitotenv.2020.142419.

[54]
Zhou Z, Jin J, Yong B, et al. Quantifying the influences of climate change and human activities on the grassland in the Southwest Transboundary Basin, China. Journal of Environmental Management, 2022, 319: 115612. DOI: 10.1016/j.jenvman.2022.115612.

[55]
Qin X, Liu W, Mao R, et al. Quantitative assessment of driving factors affecting human appropriation of net primary production (HANPP) in the Qilian Mountains, China. Ecological Indicators, 2021, 121: 106997. DOI: 10.1016/j.ecolind.2020.106997.

[56]
Qiao Y, Jiang Y, Zhang C. Contribution of karst ecological restoration engineering to vegetation greening in southwest China during recent decade. Ecological Indicators, 2021, 121: 107081. DOI: 10.1016/j.ecolind.2020.107081.

[57]
Wang Y, Chen X, Gao M, et al. The use of random forest to identify climate and human interference on vegetation coverage changes in southwest China. Ecological Indicators, 2022, 144: 109463. DOI: 10.1016/j.ecolind.2022.109463.

[58]
Wang L, Yu H Y, Zhang Q, et al. Responses of aboveground biomass of alpine grasslands to climate changes on the Qinghai-Tibet Plateau. Journal of Geographical Sciences, 2018, 28(12): 1953-1964. DOI: 10.1007/s11442-019-1573-y.

[59]
Zhao J, Huang S, Huang Q, et al. Time-lagged response of vegetation dynamics to climatic and teleconnection factors. Catena, 2020, 189: 104474. DOI: 10.1016/j.catena.2020.104474.

[60]
肖晔, 赵林, 乔路明, 等. 京津冀文化艺术产业空间格局演变及其影响因素. 地理研究, 2021, 40(6): 1768-1784.

DOI

[Xiao Ye, Zhao Lin, Qiao Luming, et al. The spatial pattern evolution and influencing factors of cultural and artistic industries in Beijing-Tianjin-Hebei region. Geographical Research, 2021, 40(6): 1768-1784.] DOI: 10.11821/dlyj020200663.

[61]
Qiao Y, Chen H, Jiang Y. Quantifying the impacts of lithology on vegetation restoration using a random forest model in a karst trough valley, China. Ecological Engineering, 2020, 156: 105973. DOI: 10.1016/j.ecoleng.2020.105973.

[62]
张文强, 罗格平, 郑宏伟, 等. 基于随机森林模型的内陆干旱区植被指数变化与驱动力分析: 以北天山北坡中段为例. 植物生态学报, 2020, 44(11): 1113-1126.

[Zhang Wen Qiang, Luo Ge Ping, Zheng Hong Wei, et al. Analysis of vegetation index changes and driving forces in inland arid areas based on random forest model: A case study of the middle part of northern slope of the north Tianshan Mountains. Chinese Journal of Plant Ecology, 2020, 44(11): 1113-1126.] DOI: 10.17521/cjpe.2020.0111.

Options
文章导航

/

〈 〉