环北极多年冻土区植被类型分布及其变化的新型数据集(A new vegetation type dataset in their distribution and changes across the circumpolar Arctic permafrost regions)

《Ecological Indicators》:A new vegetation type dataset in their distribution and changes across the circumpolar Arctic permafrost regions

【字体: 大 中 小 】 时间:2026年06月26日 来源:Ecological Indicators 8.7

编辑推荐:

  植被类型(vegetation type)是环北极陆地表面能量收支及其对全球变暖敏感性的关键预测因子。高精度的植被分类数据对于理解植被—土壤相互作用、多年冻土(permafrost)动态及生态系统碳循环至关重要。本研究基于植被群落结构和物种组成,利用Googl

  
植被类型(vegetation type)是环北极陆地表面能量收支及其对全球变暖敏感性的关键预测因子。高精度的植被分类数据对于理解植被—土壤相互作用、多年冻土(permafrost)动态及生态系统碳循环至关重要。本研究基于植被群落结构和物种组成,利用Google Earth Engine(GEE)和机器学习模型,构建了1982—2020年环北极多年冻土区植被类型分布的新数据集。结果表明,模型平均分类精度达83.51%,较环北极植被类型图(Circumpolar Arctic Vegetation Type Map, CAVM)有显著提升。研究发现裸地(bare ground)、禾草类植被(graminoid)、湿地(wetland)及森林(forest)在过去四十年间发生显著变化:森林面积增速最高,达9.71×104km2yr?1;而裸地和禾草冻原(graminoid tundra)分别以?5.21×104km2yr?1和?5.13×104km2yr?1的速率减少。改进后的植被类型制图有助于量化土地覆被潜在变化,可作为评估陆地碳和水循环的关键环境指标。
论文解读:环北极多年冻土区植被类型分布及其变化的新型数据集研究
Dou Tianbao、Mu Cuicui等研究人员在《Ecological Indicators》上发表的此项研究,针对环北极多年冻土区高精度植被类型分布数据缺失、已有Circumpolar Arctic Vegetation Map(CAVM)空间分辨率较粗且难以反映苔原植被空间异质性等问题,开展了基于遥感与机器学习的环北极植被类型长时序制图工作。研究目的是提供更高精度、具备时间维度的环北极植被功能型(Vegetation Functional Type, VFT)分布数据集,以支撑多年冻土碳—气候反馈、地表能量收支及生态系统过程模型的改进。研究人员整合多源遥感数据与全球生物多样性信息网络(Global Biodiversity Information Facility, GBIF)物种出现记录,采用分区随机森林(Random Forest, RF)模型完成1982—2020年植被分类,总体精度达83.51%,优于CAVM,揭示了四十年间裸地、禾草冻原缩减与森林、湿地扩张的变化趋势,所建数据集对高纬度生态研究与气候变化评估具有重要应用价值。
关键技术方法简述:研究人员以GBIF数据库1982—2020年泛北极优势种分布记录结合野外观测筛选获得训练样本,以NOAA CDR AVHRR NDVI v5.0及LAI(1982—2000年,空间分辨率约5 km)和MODIS地表产品包括植被连续场MOD44B4、地表温度(Land Surface Temperature, LST)、总初级生产力(Gross Primary Production, GPP)及双向表面反射率、亮温(2001—2020年,空间分辨率500 m)为遥感驱动变量,辅以NASA FEWS NET陆面同化系统土壤湿度(0—10 cm及10—40 cm)、ERA5-Land气象数据(气温、降水)、多年冻土分布图(NSIDC)、Geoscience Laser Altimeter System(GLAS)森林高度及GMTED2010高程数据;将研究区按经度划分为Zone 1(180°—120°W)、Zone 2(120°W—0°)、Zone 3(0°—180°E)进行分区独立RF建模;采用Pearson相关系数>0.8剔除多重共线性变量,按CAVM分类体系建立包含裸地(B)、禾草冻原(G)、匍匐/直立矮灌木冻原(P、S)、湿地(W)、森林(F)等亚类的植被分类系统,样本按7∶3划分为训练集与验证集,并在分区边界通过目视解译补充样本平滑过渡。
3.1. Accuracy of vegetation classification model
研究人员通过混淆矩阵与独立验证点(每类100个随机点,与MODIS及AVHRR产品比对)评估分类精度,整体平均精度为83.51%±0.04%,其中隐花植物—裸地复合体(B2a)和低矮灌木冻原(S2)精度较低,分别为54.13%和47.62%;分区精度Zone 1为0.91—0.92、Zone 2为0.89—0.92、Zone 3为0.81—0.89;本研究产品与CAVM2019的空间一致性约29.92%,但本产品与同期MODIS/AVHRR产品一致性达78.25%,高于CAVM2019与CAVM2003间的一致性(30.01%),表明新建数据集分类精度较CAVM有明显提升。
3.2. Distribution of vegetation types
研究人员基于2019年模拟结果统计各植被类型面积占比与空间格局:常绿针叶林(F1)占30.11%(7.57×106km2),落叶针叶林(F3)占23.53%(5.92×106km2),隐花植物—裸地—矮灌木复合体(B2b)占10.09%(2.54×106km2,主要分布于加拿大东部),非丛生苔草—低矮灌木—苔藓冻原(S2)占5.51%、丛苔草—矮灌木—苔藓冻原(G4)占5.22%(主要分布于新地岛南部及俄罗斯西部),直立矮灌木—苔藓冻原(S1)、非碳酸盐山地复合体(B3)、禾草—匍匐矮灌木—杂类草—苔藓冻原(G2)分别占4.61%、4.25%、3.29%;森林—冻原生态过渡带呈北移趋势,向矮灌木和禾草冻原侵入。
3.3. Changes of vegetation type area from 1982 to 2020
研究人员通过逐年面积统计与最小二乘回归分析发现:1982—2020年间森林(F)和湿地(W)显著增加,裸地(B)和禾草冻原(G)显著减少;森林增速最高,达9.71×104km2yr?1,裸地(B)和禾草冻原(G)分别以?5.21×104km2yr?1和?5.13×104km2yr?1减少;亚类分析显示B系列中B1(隐花植物—草本裸地)增加(1.54×104km2yr?1),B2a、B2b、B3、B4减少;G1—G4均减少,以G3、G4降幅最大;匍匐矮灌木(P1、P2)与直立矮灌木(S1、S2)呈微弱减少;湿地中W1、W3增加,W2减少;森林亚类中常绿针叶林(F1)增5.43×104km2yr?1、落叶针叶林(F3)增4.12×104km2yr?1、落叶阔叶林(F2)增0.17×104km2yr?1;2001年因数据源由AVHRR切换为MODIS导致分段变化,但归一化后趋势一致。
讨论部分总结:
研究人员将新建数据集与CAVM进行对比,指出CAVM虽具统一的泛北极植被框架,但分辨率粗(1 km)且为专家集成静态图,缺乏时间维度;本研究产品在裸地匹配较好,其他类别更接近CAVM 2003矢量版,湿地(W系列)存在差异,新地岛等地本研究划为雪冰而CAVM标为裸地/山地。讨论指出模型可靠性受高空间异质性区混合像元影响导致F2(落叶阔叶林)和F4(混交林)精度偏低,AVHRR(~5 km)与MODIS(500 m)时段分辨率差异使时空一致性为78.67%。研究基于植被群落垂直分层结构分类,有别于一般土地覆被产品,但未考虑非维管植物细分及物种丰度随气候的变化。局限性还包括经向分区可能引入人为边界、训练样本时间分组难捕捉短时序波动,未来应融合高分辨率光学、雷达及激光雷达(Light Detection and Ranging, LiDAR)数据并匹配野外观测。变化分析表明气候变暖使森林线北移、森林与灌木侵入冻原致禾草冻原缩减,增温增湿及多年冻土退化形成地表积水的促进湿地扩张,部分区域灌木扩增不明显可能与海冰减少有关。
研究结论翻译总结:
基于来自地表产品和GBIF数据库的建域种信息,研究人员采用机器学习方法建立了环北极植被分类模型,总体精度83.51%,优于CAVM。在多年冻土区,低温和低入渗促进地表水积累利于苔原植被但抑制灌木扩张;升温缓解了热量限制使禾草种向高纬和高海拔扩展并侵入山地基岩区,减少了裸地范围。亚类水平上因群落组成相似致可检测变化有限,物种组成短期变化缓慢使植被类型分布相对稳定。该植被类型数据集为高纬度生态研究、资源管理和环境监测提供了陆地利用规划、生物多样性保护及气候变化评估的基础依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号