2024, Vol. 45
2. 中国科学院地理科学与资源研究所, 北京 100101
2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
山地约占全球陆地面积的1/4, 提供了全球超过一半人口赖以生存的生态系统服务, 如水资源、生物多样性和水电生产[1, 2]. 受特殊地形影响, 山区植被具有明显的海拔地带性[3]. 与平原地区相比, 山区植被对环境变化更敏感, 成为研究气候变化生态环境效应的重要生态指标[4~7]. 准确量化山区植被生长动态变化特征有助于深化对气候变化背景下全球植被变化规律的认识[8~12].
遥感技术是区域和全球尺度植被动态监测的主要手段. 不同类型遥感指数被用于监测植被生长动态, 整体可以分为3类：绿度、覆盖度和生产力[13~18]. 绿度指数主要包括归一化植被指数（normalized difference vegetation index, NDVI）和增强型植被指数（enhanced vegetation index, EVI）, 可综合反映植被的生长状态或植被活动强度[13]；覆盖度指数主要反映植被（包括叶、茎、枝）在地面的垂直投影面积占比, 通常采用其它植被指数[19]或植被冠层结构参数叶面积指数（leaf area index, LAI）近似表征[20]；生产力指数主要包括净初级生产力（net primary production, NPP）、总初级生产力（gross primary productivity, GPP）和日光诱导叶绿素荧光（solar-induced chlorophyll fluorescence, SIF）等[21]. 由于不同遥感指数的定义和生态学内涵存在差异, 其所反映出的植被生长趋势是否一致成为近年来研究的热点[22, 23]. 然而, 当前研究大多从较大区域[22, 24, 25]或全球尺度[23, 26]对比研究不同遥感指数长期变化趋势差异及其随植被类型[24]或纬度[27, 28]的变化规律, 有关不同类型指数监测山区植被生长动态的一致性尚不清楚.
本研究以地处喜马拉雅山脉南麓的尼泊尔地区为例, 采用反映植被绿度的NDVI、覆盖度的LAI和生产力的NPP指数, 对比研究不同类型遥感指数量化山区植被生长趋势的一致性及其海拔梯度差异. 尼泊尔是研究山区植被动态变化十分理想的区域. 一方面, 该地区具有极大的海拔落差（9~8 848 m）, 包含从平原到山地再到高原的完整垂直气候分布带[29]；另一方面, 少数基于单一遥感指数的研究证实了尼泊尔地区植被生长的显著变化态势, 但结果存在分歧, 研究区域或遥感指数差异可能是导致分歧的原因[30, 31]. 本研究结果将有助于深化对气候变化背景下山地植被生长动态及其遥感评估结果不确定性的认识, 并对制定尼泊尔地区应对气候变化的生态保护措施具有重要科学意义.
1 材料与方法 1.1 研究区概况尼泊尔（80°04′~88°12′ E, 26°22′~30°27′ N）位于南亚次大陆北部, 地处世界屋脊喜马拉雅山脉的中段南麓, 北与中国西藏自治区相接, 东、西、南三面与印度接壤, 国土面积仅有147 181 km2 [图 1（a）]. 南北宽仅为200 km, 但海拔落差超过8 000 m. 境内山地占全国面积的3/4以上, 包括四大阶梯状的过渡地貌形态区（特莱平原区、低山丘陵区、山地河谷区和喜马拉雅高山区）. 低海拔平原区主要为亚热带气候, 分布着亚热带常绿阔叶林；中海拔地区主要为温带气候, 分布着混交林和灌丛；高海拔地区主要为高寒气候, 以高寒草甸为主[29]. 全国年均降水量为1 800 mm·a-1, 年均气温在北部达到-10℃, 南部高达30℃[32].
|
图 1 尼泊尔地区海拔和2010年土地利用分布示意 Fig. 1 Spatial distributions of elevation and land use in 2010 in Nepal |
本研究采用的遥感指数产品包括MODIS NDVI、MODIS LAI、MODIS NPP、MODIS EVI和OCO-2 GOSIF. MODIS产品来源于美国地质调查局（https://lpdaacsvc.cr.usgs.gov/）, 版本为6.0, 时间范围为2000~2020年. 其中, NDVI和EVI为MOD13Q1数据产品（16 d, 250 m）；LAI为MOD15A2H数据产品（8 d, 500 m）；NPP为MOD17A3HGF数据产品（年尺度, 500 m）. GOSIF数据为全球生态小组（https://globalecology.unh.edu）提供的基于OCO-2的全球SIF产品（年尺度, 5 km）, 时间范围为2001~2020年[21]. 本研究采用最大值合成方法, 将非年合成产品的MODIS NDVI、MODIS EVI和MODIS LAI产品转换为年尺度数据. 此外, 为了消除不同遥感指数的量纲差异, 使不同指数之间更容易进行比较和分析, 对所有遥感指数数据进行归一化处理[33], 将多源遥感指数量纲统一为0~1. 数字高程数据（digital elevation model, DEM）来源于美国地质调查局, 空间分辨率为30 m. 土地利用数据由国际山地综合发展中心（ICIMOD）获取得到[34], 时间为2010年, 空间分辨率为30 m. 基于研究时段内GLC土地利用数据[35]发现, 尼泊尔地区土地利用变化面积占比为7.3%, 对遥感指数的空间格局及变化趋势影响较小, 因此本研究未分析土地利用在2000~2020年间的变化.
1.3 研究方法 1.3.1 趋势分析本研究采用Sen趋势分析和Mann-Kendall检验相结合的方法分析各遥感指数的长期变化趋势.针对某一遥感指数X, 首先基于Theil-Sen Median方法计算其年际变异趋势值β：
|
(1) |
式中, Xi和Xj为该遥感指数在时间序列上的第i和j个数据. 当β < 0时, 该遥感指数呈现下降趋势；当β > 0时, 该遥感指数呈现上升趋势.
其次, 对年际变异趋势β值是否显著采用Mann-Kendall方法检验, 检验公式为：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, Z为标准化后的检验统计量, 当|Z| > 2.58时, 趋势变化极显著, 当1.96 < |Z|≤2.58时, 趋势变化显著, 当|Z|≤1.96时, 趋势变化不显著；S为检验统计量；n为年份.
1.3.2 植被变化空间格局分析方法本研究从不同海拔梯度、不同土地利用类型和像元尺度这3个角度分析植被生长的空间格局.根据研究区地形和植被特征, 将研究区分为4个海拔梯度带：< 200 m（低山）、200~1 500 m（中山）、1 500~4 000 m（高山）和 > 4 000 m（高喜马拉雅）[36], 低山区主要分布在南部, 中山区主要分布在中部, 高山区主要分布在北部, 高喜马拉雅区位于研究区最北部. 研究区土地利用类型以林地为主, 面积占比为42%, 其次是耕地、灌草地、裸地和冰雪, 占比分别为27%、13%、9%和9%, 水域和建设用地占比分别为0.53%和0.37%. 因水域仅占研究区总面积的0.53%, 且大多无植被覆盖, 本文将不统计其植被变化的趋势. 为了从像元尺度分析不同遥感指数空间分布的一致性, 本文将所有指数重采样到500 m空间分辨率水平, 进而计算不同指数多年平均值或年变化率间的皮尔逊相关系数.
2 结果与分析 2.1 基于不同遥感指数的尼泊尔地区植被生长空间分布格局差异不同遥感指数空间分布格局差异极大, 尤其在低海拔区域（图 2）. 其中, NDVI在研究区北部的高海拔区域极低, 随海拔降低均呈增加态势[图 3（a）]. LAI随海拔的变化趋势和NDVI较为一致, 但低山区的LAI明显低于中山和高山带[图 3（a）]. NPP与NDVI和LAI均存在明显差异, NPP在高山带和中山带明显高于其它区域[图 3（a）].
|
图 2 2000~2020年尼泊尔地区MODIS NDVI、MODIS LAI及MODIS NPP多年均值空间分布 Fig. 2 Spatial distributions of the mean MODIS NDVI, MODIS LAI, and MODIS NPP in Nepal during 2000 and 2020 |
|
图 3 2000~2020年尼泊尔地区不同海拔及不同土地利用类型各遥感指数的多年均值 Fig. 3 Mean values of the three remote sensing indices over different altitudes and land use types in Nepal from 2000 to 2020 |
从不同土地利用类型来看, NDVI、LAI和NPP分布较为一致, 按林地、耕地、灌草地、裸地和冰雪依次下降. 值得注意的是, 建设用地的NDVI和NPP与灌草地相当, NDVI甚至超过灌草地[图 3（b）]. 从像元尺度来看, NDVI与LAI的相关性最强（r=0.78, P < 0.01）, 但它们与NPP间相关性较弱（r=0.33, P < 0.01）（表 1）.
|
表 1 500 m×500 m像元尺度不同遥感指数的皮尔逊相关系数1） Table 1 Pearson's correlation coefficients among different remote sensing indices at a 500 m×500 m pixel scale |
2.2 基于不同遥感指数的尼泊尔地区植被生长长期变化趋势差异
从区域平均来看, 2000~2020年尼泊尔地区的NDVI和LAI均呈现显著上升趋势（图 4）, 但NPP长期变化趋势不显著. 从空间分布来看, 不同遥感植被指数的长期变化趋势差异较大. 整体上, NDVI呈现增加趋势的面积占比（82%）明显大于LAI和NPP（56%和58%）；且不同指数呈显著和极显著增加趋势的面积占比差异较大, 从NPP的11%到LAI和NDVI的24%和35%.
|
图 4 2000~2020年尼泊尔3种植被指数的长期变化趋势时空分布 Fig. 4 Spatial distributions of the inter-annual changing trends for the three remote sensing indices in Nepal from 2000 to 2020 |
从不同海拔梯度来看, NDVI和LAI呈显著或极显著增加的面积比最高均出现在低山区, 随海拔高度的上升逐渐减小, 尤其是LAI[图 5（a）]. 显著和极显著减少的面积比例整体较小, 不同指数随海拔波动的趋势差异较大. NPP呈现极显著或显著增加趋势的面积占比在中山区最高, 达35%. 从不同土地利用类型来看, 所有指数呈显著或极显著增加的面积比的最高值均出现在耕地, 其次为林地, 但不同指数具体面积比差异较大[图 5（b）]. 例如, 超过73%耕地的NDVI和LAI呈显著或极显著增加区域, 而NPP的面积比不到40%. 从像元尺度来看, 不同指数的长期变化趋势相关性整体较弱（r≤0.26, P < 0.01, 表 2）. 其中, NPP与LAI的相关性最强（r=0.26, P < 0.01）, NPP与NDVI的相关性最弱（r=0.11, P < 0.01）. 三者长期变化趋势完全一致的面积占比仅为9.6%（即变化方向和显著性水平均相同）.
|
（a）为不同海拔类型从左到右依次为：低山、中山、高山和高喜马拉雅；（b）为不同土地利用类型, 从左到右依次为：林地、灌草地、耕地、建设用地、冰雪和裸地 图 5 2000~2020年尼泊尔地区不同海拔及不同土地利用类型3种植被指数长期变化趋势面积占比 Fig. 5 Area percentages of the inter-annual changing trends for the three remote sensing indices over different altitudes and land use types in Nepal from 2000 to 2020 |
|
|
表 2 500 m×500 m像元尺度3种遥感指数年际变化率相关性1） Table 2 Pearson's correlation coefficients among the inter-annual changing rates of the three remote sensing indices at a 500 m×500 m pixel scale |
3 讨论
本文基于3种不同遥感指数, 从不同维度（不同类型、不同海拔梯度和不同土地利用）系统对比了遥感指数在表征植被生长及其对气候变化响应特征时的一致性. 结果表明不同类型遥感指数在山区的分布格局存在差异, 尤其在低山区植被绿度值虽然最高, 但植被覆盖度和生产力明显低于中山甚至高山地区. 这主要是由不同类型遥感指数的生态指示意义不同. 植被指数虽能指示植被生长和覆盖度, 但与二者之间并非简单的线性关系；叶面积指数除了与植被绿度信息有关外, 还与植被结构密切相关；植被生产力除了受植被绿度或覆盖度的影响外, 还要受到植被类型（最大光能利用率）和环境因子的限制[37]. 例如, 实验研究表明非绿叶也可能有助于植被生长过程中的光合作用, 而植被的光合作用可能会在不适宜的条件下提前结束[38], 且叶片的生长不一定线性转化为生产力, 如叶片生长同时导致植被阴影增强, 从而导致生产力降低[39]. 此外, 有研究发现水域和积雪会导致遥感指数反映出的植被生长情况出现较大的偏差, 甚至出现负值[40]. 由于研究区北部的喜马拉雅山常年积雪[41], 进而加剧了不同遥感指数空间分布格局的不确定性.
从长期变化趋势来看, 本研究发现不同遥感植被指数整体均呈现出上升趋势, 这与过去基于单一遥感指数研究结果一致[42~44]. 研究区气候暖湿化和CO2浓度增加可能是导致植被条件改善的主要原因[45]. 本文还发现, 耕地呈现显著增加的面积占比最高, 建设用地呈现显著减少的面积占比最高. 农田管理导致作物产量不断提升和快速城市化导致城市绿地面积不断减少是导致上述现象的主要原因. 然而, 本文发现不同指数长期变化趋势空间分布格局的相关性较弱, 这与过去在其它区域[22, 24, 25, 28]或全球尺度[23, 26, 27]的发现类似. 这些结果强调了基于单一遥感指数量化植被变化趋势的极大不确定性. 造成这一现象的原因, 可能是因为绿度、覆盖度和生产力指数的精度和对气候变化的敏感性不同所致.
本文仅对比了同一种传感器的3种不同类型指数的一致性, 同一种类型遥感指数之间和不同传感器遥感产品之间可能存在较大分歧. 例如, 本文发现MODIS NDVI和MODIS EVI相关性虽高, 但大约60%的长期变化趋势不一致[图 6（a）]. 此外, 同样可以表征植被生产力的MODIS NPP和OCO-2 GOSIF的空间分布格局差异极大, 特别是在低海拔地区[图 6（e）]. 一方面, 这可能因为MODIS NPP算法参数化与缺失数据插补的不确定性, 导致其在山区估算精度偏低所致. 例如, Koju等[42]通过与实测森林生物量对比, 结果发现尼泊尔地区MODIS NPP在早些年份出现极大异常值. 亟需开展地面监测研究（如通量观测）, 验证不同生产力指数在山区的精度. 另一方面, MODIS NPP和OCO-2 GOSIF数据的初始空间分辨率相差较大, 尽管通过重分类统一了像元大小, 但尺度效应的作用也可能是造成MODIS NPP和OCO-2 GOSIF相关性极弱的原因之一. 此外, 本文主要关注不同遥感指数的空间分布格局及其长期变化趋势差异, 下一步研究将重点探讨山区不同海拔梯度植被变化趋势对气候变化和人类活动的响应规律差异. 整体上, 本文研究结果强调了不同遥感指数在表征植被生长特征的巨大差异, 特别是高海拔地区. 未来需发展适用于山区植被动态监测的遥感指数, 如去阴影植被指数（shadow eliminated vegetation index, SEVI）[46].
|
图 6 2000~2020年尼泊尔MODIS EVI和OCO-2 GOSIF的长期变化趋势时空分布 Fig. 6 Spatial distributions of the inter-annual changing trends for MODIS EVI and OCO-2 GOSIF in Nepal from 2000 to 2020 |
（1）尼泊尔地区不同遥感植被指数空间分布格局差异大, NDVI随海拔降低逐渐升高, LAI在中山区最高, 随海拔升高或降低逐渐降低, 而NPP在高山带最高.
（2）2000~2020年尼泊尔地区3种遥感指数均表现出上升趋势, 但空间分布格局差异极大, NDVI呈现增加趋势的面积占比明显大于LAI和NPP, 且随着海拔高度增加差异较大, NDVI和LAI呈显著或极显著增加的面积比逐渐减小, NPP则呈现出先增加后减小的趋势.
（3）生态意义差异是导致不同遥感指数时空动态差异的主要原因, 传感器、大气环境、地表覆被情况和指数算式等差异可进一步加剧遥感监测结果的不一致性, 未来需发展适用于山区植被动态监测的遥感指数.
| [1] | Beniston M. Climatic change in mountain regions: a review of possible impacts[J]. Climatic Change, 2003, 59(1-2): 5-31. |
| [2] |
马超, 崔珍珍, 李婷婷, 等. 中国平原-山地地形过渡带NDVI时空变异与气候响应[J]. 生态学报, 2023, 43(5): 2141-2157. Ma C, Cui Z Z, Li T T, et al. Spatio-temporal variation and its response to climate change of NDVI in the Terrain Transition Zone, China[J]. Acta Ecologica Sinica, 2023, 43(5): 2141-2157. |
| [3] | Fan Z M. Dynamic patterns of the vertical distribution of vegetation in Heihe River Basin since the 1980s[J]. Forests, 2021, 12(11). DOI:10.3390/f12111496 |
| [4] |
童珊, 曹广超, 闫欣, 等. 祁连山南坡2000-2020年植被覆盖时空演变及其驱动因素分析[J]. 山地学报, 2022, 40(4): 491-503. Tong S, Cao G C, Yan X, et al. Spatial-temporal evolution of vegetation cover and its driving factors on the South slope of the Qilian Mountains, China from 2000 to 2020[J]. Mountain Research, 2022, 40(4): 491-503. |
| [5] | Zhou D C, Hao L, Kim J B, et al. Potential impacts of climate change on vegetation dynamics and ecosystem function in a mountain watershed on the Qinghai-Tibet Plateau[J]. Climatic Change, 2019, 156(1-2): 31-50. DOI:10.1007/s10584-019-02524-4 |
| [6] |
张良侠, 岳笑, 周德成, 等. 气候变化和人类活动对我国典型草原区植被恢复的影响[J]. 环境科学, 2023, 44(5): 2694-2703. Zhang L X, Yue X, Zhou D C, et al. Impacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [7] |
郝爱华, 薛娴, 段翰晨, 等. 青藏高原典型草地NDVI时空演变的季节差异及其气候驱动[J]. 生态学报, 2023, 43(1): 352-363. Hao A H, Xue X, Duan H C, et al. Different spatiotemporal variations in seasonal NDVI and their climatic driving forces of a typical grassland on the Qinghai-Tibetan Plateau[J]. Acta Ecologica Sinica, 2023, 43(1): 352-363. |
| [8] | Xie X Y, Li A N. How is the performance of satellite-based product suites in monitoring long-term dynamics of vegetation photosynthesis over global mountainous areas?[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 119. DOI:10.1016/j.jag.2023.103325 |
| [9] | Piao S L, Wang X H, Park T, et al. Characteristics, drivers and feedbacks of global greening[J]. Nature Reviews Earth & Environment, 2020, 1(1): 14-27. |
| [10] | Miguez-Macho G, Fan Y. Spatiotemporal origin of soil water taken up by vegetation[J]. Nature, 2021, 598(7882): 624-628. DOI:10.1038/s41586-021-03958-6 |
| [11] | Alkama R, Forzieri G, Duveiller G, et al. Vegetation-based climate mitigation in a warmer and greener world[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-28305-9 |
| [12] | Forzieri G, Miralles D G, Ciais P, et al. Increased control of vegetation on global terrestrial energy fluxes[J]. Nature Climate Change, 2020, 10(4): 356-362. DOI:10.1038/s41558-020-0717-0 |
| [13] | Gao M D, Piao S L, Chen A P, et al. Divergent changes in the elevational gradient of vegetation activities over the last 30 years[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-11035-w |
| [14] |
徐勇, 戴强玉, 黄雯婷, 等. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究[J]. 环境科学, 2023, 44(1): 323-335. Xu Y, Dai Q Y, Huang W T, et al. Spatio-temporal variation in vegetation cover and its driving mechanism exploration in Southwest China from 2000 to 2020[J]. Environmental Science, 2023, 44(1): 323-335. |
| [15] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi province from 2000 to 2020 based on geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [16] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [17] | Wang S H, Zhang Y G, Ju W M, et al. Recent global decline of CO2 fertilization effects on vegetation photosynthesis[J]. Science, 2020, 370(6522): 1295-1300. DOI:10.1126/science.abb7772 |
| [18] |
金岩松, 金凯, 王飞, 等. 气候变化和人类活动对东部沿海地区NDVI变化的影响分析[J]. 环境科学, 2023, 44(6): 3329-3342. Jin Y S, Jin K, Wang F, et al. Impacts of climate change and human activities on NDVI change in eastern Coastal areas of China[J]. Environmental Science, 2023, 44(6): 3329-3342. |
| [19] | Zeng Y L, Hao D L, Huete A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature Reviews Earth & Environment, 2022, 3(7): 477-493. |
| [20] | Pu J B, Yan K, Gao S, et al. Improving the MODIS LAI compositing using prior time-series information[J]. Remote Sensing of Environment, 2023, 287. DOI:10.1016/j.rse.2023.113493 |
| [21] | Bai J, Zhang H L, Sun R, et al. Estimation of global GPP from GOME-2 and OCO-2 SIF by considering the dynamic variations of GPP-SIF relationship[J]. Agricultural and Forest Meteorology, 2022, 326. DOI:10.1016/j.agrformet.2022.109180 |
| [22] | Liu X B, He B, Guo L L, et al. European carbon uptake has not benefited from vegetation greening[J]. Geophysical Research Letters, 2021, 48(20). DOI:10.1029/2021GL094870 |
| [23] | Zhang Y L, Song C H, Band L E, et al. Reanalysis of global terrestrial vegetation trends from MODIS products: browning or greening?[J]. Remote Sensing of Environment, 2017, 191. DOI:10.1016/j.rse.2016.12.018 |
| [24] | Chen C, Park T, Wang X H, et al. China and India lead in greening of the world through land-use management[J]. Nature Sustainability, 2019, 2(2): 122-129. DOI:10.1038/s41893-019-0220-7 |
| [25] |
王春雅, 王金牛, 崔霞, 等. 藏东南三江并流核心区植被时空动态变化及其气候驱动力分析[J]. 地理研究, 2021, 40(11): 3191-3207. Wang C Y, Wang J N, Cui X, et al. Spatio-temporal change in vegetation patterns and its climatic drivers in the core region of Three Parallel Rivers in southeast Tibet[J]. Geographical Research, 2021, 40(11): 3191-3207. DOI:10.11821/dlyj020201123 |
| [26] | Ding Z H, Peng J, Qiu S J, et al. Nearly half of global vegetated area experienced inconsistent vegetation growth in terms of greenness, cover, and productivity[J]. Earth's Future, 2020, 8(10). DOI:10.1029/2020EF001618 |
| [27] | Pan N Q, Feng X M, Fu B J, et al. Increasing global vegetation browning hidden in overall vegetation greening: insights from time-varying trends[J]. Remote Sensing of Environment, 2018, 214. DOI:10.1016/j.rse.2018.05.018 |
| [28] | Liu Y C, Li Z, Chen Y N, et al. Evaluation of consistency among three NDVI products applied to High Mountain Asia in 2000-2015[J]. Remote Sensing of Environment, 2022, 269. DOI:10.1016/j.rse.2021.112821 |
| [29] | Baniya B, Tang Q H, Huang Z W, et al. Spatial and temporal variation of NDVI in response to climate change and the implication for carbon dynamics in Nepal[J]. Forests, 2018, 9(6). DOI:10.3390/f9060329 |
| [30] | Kunwar R M, Evans A, Mainali J, et al. Change in forest and vegetation cover influencing distribution and uses of plants in the Kailash Sacred Landscape, Nepal[J]. Environment, Development and Sustainability, 2020, 22(2): 1397-1412. DOI:10.1007/s10668-018-0254-4 |
| [31] | Baniya B, Tang Q H, Pokhrel Y, et al. Vegetation dynamics and ecosystem service values changes at national and provincial scales in Nepal from 2000 to 2017[J]. Environmental Development, 2019, 32. DOI:10.1016/j.envdev.2019.100464 |
| [32] | Baniya B, Tang Q H, Xu X M, et al. Spatial and temporal variation of drought based on satellite derived vegetation condition index in Nepal from 1982-2015[J]. Sensors, 2019, 19(2). DOI:10.3390/s19020430 |
| [33] |
程飞飞, 李洪庆, 宋红艳, 等. 沿海城市陆海生态环境质量综合评价与耦合协调度分析[J]. 生态学报, 2024, 44(9). Cheng F F, Li H Q, Song H Y, et al. Comprehensive evaluation and coupling coordination analysis of land and sea ecological environment quality in coastal cities[J]. Acta Ecologica Sinica, 2024, 44(9). DOI:10.20103/j.stxb.202307241580 |
| [34] | Uddin K, Shrestha H L, Murthy M S R, et al. Development of 2010 national land cover database for the Nepal[J]. Journal of Environmental Management, 2015, 148. DOI:10.1016/j.jenvman.2014.07.047 |
| [35] | 刘良云, 张肖. 2020年全球30米地表覆盖精细分类产品V1.0[DB/OL]. 中国科学院空天信息创新研究院, 2021, doi: 10.12237/casearth.6123651428a58f70c2a51e49. |
| [36] | Khadka N, Khadka N, Ghimire S K, et al. Dynamics of maximum snow cover area and snow line altitude across Nepal (2003-2018) using improved MODIS data[J]. Journal of Institute of Science and Technology, 2020, 25(2): 17-24. DOI:10.3126/jist.v25i2.33729 |
| [37] | Zhang L X, Zhou D C, Fan J W, et al. Contrasting the performance of eight satellite-based GPP models in water-limited and temperature-limited grassland ecosystems[J]. Remote Sensing, 2019, 11(11). DOI:10.3390/rs11111333 |
| [38] | Fang H L, Baret F, Plummer S, et al. An overview of global leaf area index (LAI): methods, products, validation, and applications[J]. Reviews of Geophysics, 2019, 57(3): 739-799. DOI:10.1029/2018RG000608 |
| [39] | Street L E, Shaver G R, Williams M, et al. What is the relationship between changes in canopy leaf area and changes in photosynthetic CO2 flux in arctic ecosystems?[J]. Journal of Ecology, 2007, 95(1): 139-150. DOI:10.1111/j.1365-2745.2006.01187.x |
| [40] | Galvagno M, Wohlfahrt G, Cremonese E, et al. Phenology and carbon dioxide source/sink strength of a subalpine grassland in response to an exceptionally short snow season[J]. Environmental Research Letters, 2013, 8(2). DOI:10.1088/1748-9326/8/2/025008 |
| [41] | Scherler D, Bookhagen B, Strecker M R. Spatially variable response of Himalayan glaciers to climate change affected by debris cover[J]. Nature Geoscience, 2011, 4(3): 156-159. DOI:10.1038/ngeo1068 |
| [42] | Koju U A, Zhang J H, Maharjan S, et al. Analysis of spatiotemporal dynamics of Forest Net Primary productivity of Nepal during 2000-2015[J]. International Journal of Remote Sensing, 2020, 41(11): 4336-4364. DOI:10.1080/01431161.2020.1717667 |
| [43] |
艾嘉会, 丁明军, 张华, 等. 柯西河流域植被覆被变化特征及其土地利用背景分析[J]. 山地学报, 2020, 38(6): 904-915. Ai J H, Ding M J, Zhang H, et al. Temporal and spatial changes in the vegetation coverage of the Koshi River Basin and Associated Land use changes[J]. Mountain Research, 2020, 38(6): 904-915. |
| [44] | Rai M R, Chidthaisong A, Ekkawatpanit C, et al. Assessing climate change trends and their relationships with alpine vegetation and surface water dynamics in the Everest Region, Nepal[J]. Atmosphere, 2021, 12(8). DOI:10.3390/ATMOS12080987 |
| [45] | Shrestha U B, Shrestha A M, Aryal S, et al. Climate change in Nepal: a comprehensive analysis of instrumental data and people's perceptions[J]. Climatic Change, 2019, 154(3-4): 315-334. DOI:10.1007/s10584-019-02418-5 |
| [46] | Jiang H, Yao M L, Guo J, et al. Vegetation monitoring of protected areas in Rugged mountains using an improved shadow-eliminated vegetation index (SEVI)[J]. Remote Sensing, 2022, 14(4). DOI:10.3390/rs14040882 |