三江源区植被季节性变绿的水分驱动因子及其对气候变化的响应研究

王宇腾; 柳媛普; 陈昊; 李照国; 马迪; 尚伦宇; 晋伟; 孟宪红; 赵林

doi:10.7522/j.issn.1000-0534.2024.00111

高原气象 >

2025 , Vol. 44 >Issue 4: 908 - 922

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00111

三江源区植被季节性变绿的水分驱动因子及其对气候变化的响应研究

王宇腾 ^,¹^,²^,³ ,
柳媛普 ⁴ ,
陈昊 ¹^,² ,
李照国 ¹^,² ,
马迪 ¹^,² ,
尚伦宇 ¹^,² ,
晋伟 ¹^,²^,³ ,
孟宪红 ¹^,² ,
赵林 ^,¹^,²

展开

^1. 中国科学院西北生态环境资源研究院冰冻圈科学与冻土工程全国重点实验室，甘肃兰州 730000
^2. 中国科学院西北生态环境资源研究院若尔盖高原湿地生态系统研究站，甘肃兰州 730000
^3. 中国科学院大学，北京 100049
^4. 中国气象局兰州干旱气象研究所，甘肃兰州 730020

赵林（1983 -），男，四川泸州人，副研究员，主要从事陆面过程与气候变化研究. E-mail： zhaolin_110@lzb.ac.cn

王宇腾（2000 -），男，山西太原人，硕士研究生，主要从事陆气相互作用研究. E-mail： wangyuteng22@mails.ucas.ac.cn

收稿日期: 2024-08-15

修回日期: 2024-12-14

网络出版日期: 2025-05-20

基金资助

中国科学院西部之光“西部青年学者”计划项目(E2290302)

国家自然科学基金项目(42275045)

收起

Moisture Driver of Seasonal Vegetation Greening and Their Responses to Climate Change in the Three River Source Region

Yuteng WANG ^,¹^,²^,³ ,
Yuanpu LIU ⁴ ,
Hao CHEN ¹^,² ,
Zhaoguo LI ¹^,² ,
Di MA ¹^,² ,
Lunyu SHANG ¹^,² ,
Wei JIN ¹^,²^,³ ,
Xianhong MENG ¹^,² ,
Lin ZHAO ^,¹^,²

Expand

^1. State Key Laboratory of Cryospheric Science and Frozen Soil Engineering，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
^2. Zoige Plateau Wetlands Ecosystem Research Station，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
^3. University of Chinese Academy of Sciences，Beijing 100049，China
^4. Institute of Arid Meteorology，China Meteorological Administration，Lanzhou 730020，Gansu，China

Received date: 2024-08-15

Revised date: 2024-12-14

Online published: 2025-05-20

Copyright

Fold

摘要

三江源区植被季节性变绿对区域生态环境和水资源安全具有深远影响。本研究利用2003 -2021年多源数据，采用趋势分析、相关分析和部分信息分解（PID）解耦分析，探讨了三江源地区植被季节性变绿的水分驱动因子及其对气候变化的响应关系。结果表明：（1）2003 -2021年间，三江源区春、夏、秋季叶面积指数（LAI）的线性趋势总体上升，但是不同季节的环境条件差异显著。春、秋季降水量、土壤湿度（SM）和积雪覆盖（SC）的线性趋势均表现出增加趋势，温度变化不明显；夏季温度的线性趋势轻微上升，但降水量和SM略有下降， SC变化不显著。（2）水分驱动因子对LAI的影响方面，相关分析研究表明，春、夏季LAI与SM显著正相关，秋季不显著； LAI与SC的相关性各季节均较弱。引入PID解耦分析方法，有效地揭示了SM和SC对LAI的非线性和协同影响。SC在春、秋季影响LAI变化的独立信息贡献更高，成为主要水分驱动因子，夏季则SM贡献更大；同时， SM和SC的协同作用在各季节对LAI变化起重要作用，协同信息贡献均超过30%。（3）水分驱动因子对气候变化的响应：相关分析研究表明， SM在各季节均与降水显著正相关，与春季温度显著负相关； SC在各季节均与降水显著正相关，与春、秋季温度显著负相关。PID分析也表明，降水是影响三个季节SM和SC变化的主要气象因子，对SM和SC的独立贡献均高于温度，但温度和降水对各季节的SM和SC的协同作用也不容忽视。

关键词： 三江源区; 植被; 土壤湿度; 积雪覆盖; 部分信息分解; 气候变化

本文引用格式

王宇腾 , 柳媛普 , 陈昊 , 李照国 , 马迪 , 尚伦宇 , 晋伟 , 孟宪红 , 赵林 . 三江源区植被季节性变绿的水分驱动因子及其对气候变化的响应研究[J]. 高原气象, 2025 , 44(4) : 908 -922 . DOI: 10.7522/j.issn.1000-0534.2024.00111

Abstract

The seasonal vegetation greening in the Three River Source Region （TRSR） has a profound impact on the regional ecological environment and water resource security.In this study， the moisture drivers of seasonal vegetation greening in the TRSR and their responses to climate change were investigated using multi-source data from 2003 to 2021， through the application of trend analysis， correlation analysis and partial information decomposition （PID） analysis.The results showed that：（1） From 2003 to 2021， the linear trend of the Leaf Area Index （LAI） generally increased in spring， summer and autumn in TRSR， although the environmental conditions varied significantly between seasons.Linear trends in precipitation， soil moisture （SM） and snow cover （SC） all showed an increasing trend in spring and autumn， with insignificant changes in temperature.In summer， linear trends of temperature were slightly increased， but precipitation and SM slightly decreased， as well as insignificant changes in SC.（2） In terms of the effects of moisture driving factors on LAI： correlation analyses results showed that LAI was significantly positively correlated with SM in spring and summer， but not in autumn.The correlation between LAI and SC was weak in all seasons.By introducing the PID analysis method， the nonlinear and synergistic effects of SM and SC on LAI were effectively revealed.The independent information contribution of SC to LAI changes was higher in spring and autumn， making it the main moisture driver in these seasons， while SM contributed more in summer.At the same time， the synergistic effects of SM and SC played an important role in the changes of LAI in all seasons， with the synergistic information contribution exceeding 30% in all seasons.（3） Response of moisture drivers to climate change： correlation analyses results showed that SM was significantly positively correlated with precipitation in all seasons and significantly negatively correlated with temperature in spring； SC was significantly positively correlated with precipitation in all seasons and significantly negatively correlated with temperature in both spring and autumn.PID analyses also indicated that precipitation was the main meteorological factor influencing changes in SM and SC across the three seasons， with a higher independent contribution than temperature.However， the synergistic effects of temperature and precipitation on SM and SC in all seasons should not be overlooked.

Key words： Three River source region; vegetation; soil moisture; snow cover; partial information decomposition; climate change

1 引言

三江源区是长江、黄河和澜沧江的发源地，被誉为"中华水塔"，其水资源和生态价值十分突出。在气候变暖背景下，三江源区生态系统的稳定性及其变化对区域生态安全和水资源管理具有深远影响（孟宪红等， 2020； Piao et al， 2010， 2020）。过去20年，三江源植被覆盖显著增加，平均每10年增加2.1%，呈现出“东南高，西北低”的空间分布特征（谢绮丽等， 2022）。同时，净初级生产力（NPP）也以2.00 g·C·m^-2·a^-1速率显著增加（左婵等， 2022）。

当前研究表明，气温和降水对三江源的植被有积极影响，并一致认为气温升高和降水增加推动了植被净初级生产力（NPP）和归一化植被指数（NDVI）的显著上升（张颖等， 2017；刘杰等， 2022；赵慧芳和曹晓云， 2022）。然而，植被对不同气候因子的响应在时间和空间上存在显著差异，尤其在气温和降水对植被生长的主导作用上，不同区域表现出不同的敏感性（马迪等， 2024）。植被对气候变化的响应过程因时段的不同而有所差异（刘雨亭等， 2024）。研究表明，在生长季初期，当月气温对三江源高寒草甸、高寒草原归一化植被指数（NDVI）变化的影响大于降水量，但在生长季中期，降水的影响则更为显著（徐嘉昕等， 2020）。在一些区域，气温升高显著促进了植被的生长，而在另一些相对干旱的区域，降水则是影响植被覆盖度的主要因素（朱文会等， 2019；饶品增等， 2021）。

土壤水分在生态系统中是连接气候变化与植被动态的关键中间因子，其变化直接影响植被的生长和生态系统的碳循环，并对温度和降水的变化具有敏感的响应性。因此，研究土壤水分如何响应气候变化并进一步影响植被，对于深入理解生态系统过程具有重要意义（McColl et al， 2017； Green et al， 2019； Liu et al， 2020）。现有研究主要采用线性统计方法，如相关分析、偏相关分析和残差分析等方法，来探讨气候变化主要因子，如温度和降水对植被生长的影响（刘杰等， 2022；张颖等， 2017）。这些方法在揭示气候变化与植被生长之间的线性关系方面发挥了重要作用，但简化的统计关系容易忽略生态系统中复杂的生态机制。

针对这一问题，本研究引入了基于信息论的非线性分析方法-部分信息分解（Partial Information Decomposition， PID）方法，分离并量化出自变量对因变量的独立贡献、协同贡献和冗余贡献，从而深入理解三江源地区水分驱动因子-土壤湿度（SM）和积雪覆盖（SC）对季节性植被变绿的影响及其对气候变化的响应关系。此外，为了验证PID方法的有效性和可靠性，本文还采用了相关分析方法，对比两种方法在结果上的差异。通过比较，可以更好地理解线性和非线性方法在揭示土壤水分对气候变化的响应及其对植被的影响的异同，为区域生态保护和可持续管理提供科学依据。

2 研究区域、数据来源与方法介绍

2.1　研究区概况

三江源区［图1（a）］位于青藏高原中东部，地理位置为31°39′N -36°12′N， 89°45′E -102°23′E，境内有可可西里山及唐古拉山脉，海拔普遍在3000 m以上。该区域地形总体西高东低，西部和中部海拔较高，多在4500 m以上。该区域土地利用类型包括草地、林地、湖泊、河流和未利用土地等。草地占据了大部分区域，不同覆盖度的草地在该区域广泛分布；黄河源区和澜沧江源区主要为中高覆盖草地，长江源区南部以低植被覆盖草地为主。林地主要分布在东部较低海拔地区，而湖泊和河流系统则主要分布在中部和西部地区［图1（b）］。在过去的50~60年间，三江源区总体呈现变暖趋势，升温速率约为0.33 ℃·（10a）^-1，是青藏高原同期的1.2倍。同时，降水总体也呈增加趋势，增幅约为6.653 mm·（10a）^-1，为青藏高原同期降水增加率的71%（孟宪红等， 2020）。然而， 1980 - 2019年期间，三江源地区年积雪日数和积雪深度均呈现减少趋势，减少速率分别为-2.18 d·a^-1和-0.22 mm·a^-1（陈龙飞等， 2022）。蒸散发总体呈现先减少后增加的趋势，多年平均值为420.04

m m

（赵天玮等， 2022）。2003 - 2020年间，平均土壤水分为20%，以0.05 %·a^-1的速率缓慢增加，且中北部和东北部局地显著趋湿，而中部和东部局地则呈现干燥趋势（陈国茜等， 2021）。作为高寒区，三江源气候条件复杂多变，仍需进一步理解三江源区植被季节性变绿的水分驱动因子及其对气候变化的响应关系。

显示原图|下载原图ZIP|生成PPT

图1 三江源区地形高度（a）和2015年土地利用类型分布（b）

黑色边界线表示三江源区域的边界以及长江源区、黄河源区、澜沧江源区边界

Fig.1 Topographic height of the Three River Source Region （TRSR）（a） and distribution of land use types in 2015.The black line represents the boundary of the TRSR， as well as the Yangtze River， the Yellow River and the Lancang River

2.2　数据来源

本文中的地形高度数据来自航天飞机雷达地形测量任务（SRTM）提供的30 m分辨率高程数据集（Farr et al， 2007）。土地利用数据来自2015年土地利用现状遥感监测数据（刘纪远， 2019）。2003 - 2021年的逐日温度和降水数据来源于CN05.1格点数据（吴佳和高学杰， 2013），其水平分辨率为0.25°×0.25°。该数据集覆盖中国大陆，融合了中国境内2400多个台站的观测资料， CN05.1现已被广泛用于研究气候变化、数据和模式评估中（孔祥慧和毕训强， 2016；王丹和王爱慧， 2017）， CN05.1数据集与长江和黄河流域观测数据相比，其相关系数可达0.85（Miao and Wang， 2020），在青藏高原西北部等观测台站较少的地区其降水量有所高估（吴佳和高学杰， 2013）。土壤湿度（SM）来源于全球陆地蒸发阿姆斯特丹模型（GLEAM）v3.7b，该模型输出的土壤湿度表层数据时间分辨率为1 d，水平分辨率为0.25°×0.25°，并且对数据进行了评估，验证其可用性（Miralles et al， 2010； Martens et al， 2017），已有研究也利用站点观测资料评估了GLEAM在青藏高原的适用性（杨泽粟等， 2022）。积雪覆盖（SC）数据使用了月尺度的全球3级（L3）MODIS格点数据，水平分辨率为0.05°×0.05°（约5 km）（Hall， 2015）。目前已有研究证明SC数据的可用性，并在此基础上进行更低误差数据的制作，基于地面气象站数据得出其准确率高达85.1%（Huang et al， 2018； Hao et al， 2022）。LAI数据来自于GLASS产品（Liang et al， 2014， 2020），具有8天的时间分辨率，空间分辨率为0.05°。在全国范围内，该数据与MODIS和GEOV2相比，得出GLASS和GEOV2的LAI与观测值相关系数可达0.68、 0.55，均方根误差相对较小，分别为0.86、 1.21（景金城， 2018； Li and Xiao， 2020）。为保证不同季节的分析一致性，所有数据均通过双线性插值处理为0.25°×0.25°的空间分辨率。

2.3　研究方法

2.3.1　趋势分析

线性回归方程是一种基于最小二乘法的回归分析方法，用于建立一个或多个自变量和因变量之间的关系模型。本研究使用线性回归方程计算2003 -2021年间各因子和LAI的年际线性变化趋势。利用t检验方法，在α=0.05的置信水平下检验趋势的统计显著性，确保线性趋势在95%以上的置信水平显著，采用了以下的公式：

t = x ¯ - y ¯ n 1 - 1 s 12 + n 2 - 1 s 22 n 1 + n 2 - 2 1 n 1 + 1 n 2

（1）

式中：

n 1

和

n 2

代表样本量；

x ˙

和

y ˙

代表样本的均值；

s 12

和

s 22

代表两个样本的方差，且遵从自由度：

ν = n 1 + n 2 - 2

的t分布。若样本量

n 1

和

n 2

均较大，可近似地用式（2）计算（Ruxton， 2006）：

t = x ¯ - y ¯ s 12 n 1 + s 22 n 2

（2）

2.3.2　相关分析

为了评估SM和SC与LAI之间的相关性，本研究采用了Pearson线性相关分析法。通过计算相关系数R，可以有效地衡量两者之间的相关程度（Pearson， 1894）：

R x y = ∑ i = 1 n [(x i - x ˙) (y i - y ˙)] ∑ i = 1 n (x i - x ˙) 2 ∑ i = 1 n (y i - y ˙) 2

（3）

式中：

i

为1~

n

的时间序列；

n

为年数；

x i

为第

i

年的叶面积指数；

y i

为第

i

年的气候变量；

x ˙

和

y ˙

分别为LAI和影响因子的平均值。

2.3.3　部分信息分解（PID）解耦分析

与传统的Pearson相关方法相比（徐嘉昕等， 2020）， PID方法不依赖于线性假设，能够更全面地揭示多变量系统间的相互作用和依赖性（Schick-Poland et al， 2021； Timme et al， 2014； Williams and Beer， 2010）。PID方法（图3）基于经典信息论中的互信息概念，通过分解源变量

X

与目标变量

Y

之间的总互信息

I X; Y

（图2中整个绿色椭圆），量化出独立信息（Unique Information，缩写为

U

，图2中蓝色和黄色部分，指源变量

X

单独对目标变量

Y

产生的影响）、冗余信息（Redundant Information，缩写为R，图2中红色部分，指多个源变量

X

都对目标变量

Y

产生的重复影响）和协同信息（Synergistic Information，缩写为

S

，图2中绿色部分，指多个源变量

X

共同作用下才能对目标变量

Y

产生的影响）。通过此方法，能够更细致地解析植被季节性变绿的水分驱动因子，以及水分驱动因子如何响应于气候变化。

显示原图|下载原图ZIP|生成PPT

图2 两个来源X ₁和X ₂部分信息分解示意图

总互信息（整个椭圆形）分解为四部分： X ₁的独立信息（蓝色斑块）、 X ₂的独立信息（黄色斑块）、冗余信息（红色斑块）和协同信息（绿色斑块），引自Schick-Poland et al， 2021

Fig.2 Schematic diagram of partial information decomposition for two sources： X ₁ and X ₂.The total mutual information （the entire ellipse） is decomposed into four components： unique information of X ₁ （blue patches）， unique information of X ₂ （yellow patches）， redundant information （red patches）， and synergistic information （green patches）， adapted from Schick-Poland et al， 2021

显示原图|下载原图ZIP|生成PPT

图3 2003 -2021年三江源区不同季节月降水总量（a， b， c），降水总量的线性变化趋势（d， e， f），区域平均降水总量的线性变化趋势（g， h， i）

图（d）~（f）中黑点表示表示通过Student’s t-test 95%显著性检验水平，图（g）~（i）中虚线表示变化趋势线

Fig.3 Monthly precipitation （a， b， c）， the linear trends of precipitation （d， e， f）， and the linear trends of regional mean precipitation （g， h， i） in different seasons in the TRSR from 2003 to 2021.The black dots in Fig.3（d）~（f） represent grid cells that pass 95% significance level based on the Student’s t-test， and dashed lines in Fig.3（g）~（i） represent the trend lines

以两个源变量

X 1

和

X 2

以及一个目标变量

Y

为例， PID将总互信息

I (X 1, X 2; Y)

分解为以下四个部分：

I (X 1, X 2; Y) = U (X 1; Y) + U (X 2; Y) + R (X 1, X 2; Y) + S (X 1, X 2; Y)

（4）

式中：

U (X 1; Y)

和

U (X 2; Y)

分别表示

X 1

和

X 2

对

Y

的独立信息；

R (X 1, X 2; Y)

表示冗余信息；

S (X 1, X 2; Y)

表示协同信息。

冗余信息为每个源提供的特定信息的最小值之和，计算公式如下：

R (X 1, X 2; Y) = ∑ y ∈ Y p (Y = y) · m i n {I s p e c (X 1; Y = y), I s p e c (X 2; Y = y)}

（5）

其中

I s p e c X i; Y = y

是条件特定信息，表示在

Y

已知的情况下，

X i

提供的信息量。

独立信息的计算公式为：

U X 1; Y = I X 1; Y - R (X 1, X 2; Y)

（6）

U X 2; Y = I X 2; Y - R (X 1, X 2; Y)

（7）

协同信息

S X 1, X 2; Y

的推导公式如下：

S X 1, X 2; Y = I (X 1, X 2; Y) - U X 1; Y - U X 2; Y - R (X 1, X 2; Y)

（8）

3 结果分析

3.1　春、夏、秋季气象要素和LAI的时空变化特征

首先，对2003 -2021年间三江源区春、夏、秋季气象要素的时空变化特征进行了分析。结果表明，三江源区的月降水总量存在显著的区域差异，各季节呈东南向西北递减的趋势。其中夏季的区域平均月降水总量最高，达到152.5 mm，春季和秋季分别为28.2 mm和35.9 mm［图3（a）~（c）］。然而，在全球气候变暖的背景下，三江源地区各季节降水的变化呈现不同趋势：春季和秋季的降水总量整体呈上升趋势，而夏季则在三江源中部呈下降趋势，东部和西部都表现为上升趋势［图3（d）~（f）］。其中，春季区域平均的降水增加趋势显著，为0.420 mm·a^-1［p<0.05，图3（d）］。

三江源区各季节温度的气候特征也存在显著差异，春、夏和秋季的平均温度空间分布类似［图4（a）~（c）］，呈东南高、西北低的空间分布特征，分别为-2.78 ℃， 6.64 ℃和-2.43 ℃。夏季的温度最高［图4（b）］，仅长江源西北部温度相对较低。温度的区域平均线性变化趋势表明，春、夏季温度分别表现为不显著的下降和上升趋势，分别为-0.015 ℃·a^-1和0.023 ℃·a^-1［图4（g），（h）］；秋季温度则呈现显著的上升趋势，为0.055 ℃·a^-1［图4（i）， p<0.1］。这些结果与三江源地区20个地面台站的长期观测数据研究结果基本一致（靳铮等， 2020）。

显示原图|下载原图ZIP|生成PPT

图4 2003 -2021年三江源区不同季节的平均温度（a， b， c），温度的线性变化趋势（d， e， f），区域平均温度的线性变化趋势（g， h， i）

图（d）~（f）中黑点表示表示通过Student’s t-test 95%显著性检验水平，图（g）~（i）中虚线表示变化趋势线

Fig.4 Average temperature （a， b， c）， the linear trends of temperature （d， e， f）， and the linear trends of regional mean temperature （g， h， i） in different seasons in the TRSR from 2003 to 2021.The black dots in Fig.4（d）~（f） represent grid cells that pass 95% significance level based on the Student’s t-test， and the dashed lines in Fig.4（g）~（i） represent the trend lines

受气候变暖的影响，三江源区各季节的植被状况也在发生变化。春、夏和秋季气候平均LAI均呈东南向西北递减的空间分布特征，区域平均LAI分别为0.28 m²·m^-2， 1.14 m²·m^-2和0.42 m²·m^-2［图5（a）~（c）］。从空间线性变化趋势来看，春季和夏季大部分区域的LAI显著增加，而秋季显著增加的区域较少［图5（d）~（f）］。具体而言，春季的最大增幅达0.011 m²·m^-2·a^-1；夏季，除长江源区东北部和黄河源区中部有小部分区域LAI显著下降以外，其他大部分地区都呈显著的上升趋势［图5（e）］，最大增幅达0.032 m²·m^-2·a^-1；秋季LAI总体趋势仍然向好，最大增幅达0.014 m²·m^-2·a^-1。总体而言，各季节区域平均LAI均呈现波动上升趋势［图5（g）~（i）］，春、夏和秋季分别为0.257%·a^-1、 0.627%·a^-1和0.166%·a^-1，均通过了90%显著性水平。

显示原图|下载原图ZIP|生成PPT

图5 2003 -2021年三江源区不同季节的平均LAI（a， b， c）， LAI的线性变化趋势（d， e， f），区域平均LAI的线性变化趋势（g， h， i）

图（d）~（f）中黑点表示表示通过Student’s t-test 95%显著性检验水平，图（g）~（i）中虚线表示变化趋势线

Fig.5 Average LAI （ a， b， c）， the linear trends of LAI change （d， e， f）， the linear trends of regional mean LAI （g， h， i） in different seasons in the TRSR from 2003 to 2021.The black dots in Fig.5（d）~（f） represent grid cells that pass 95% level based on the Student’s t-test， and the dashed lines in Fig.5（g）~（i） represent the trend lines

作为高寒地区植被生长的重要水分驱动因子， SM的时空变化特征如图6所示。春、夏和秋季的SM气候平均也都呈东南向西北递减的空间分布特征，区域平均SM分别为0.19 m³·m^-3， 0.24 m³·m^-3和0.23 m³·m^-3。从空间线性变化趋势来看，春季［图6（d）］大部分地区SM显著上升，特别是在黄河源区的西部以及长江源区东南部，最大增幅达0.0078 m³·m^-3·a^-1；夏季［图6（e）］ SM显著性上升的区域较春季减少，主要集中在黄河源区和澜沧江源区，但总体仍呈现上升趋势，最大增幅为0.0032 m³·m^-3·a^-1；秋季［图6（f）］ SM显著上升的区域有所增加，且上升趋势增强，最大增幅为0.0040 m³·m^-3。区域平均的SM年际变化曲线［图6（g）~（i）］表明，春、夏和秋季的SM上升趋势分别为0.003 m³·m^-3·a^-1、 0.001 m³·m^-3·a^-1和0.001 m³·m^-3·a^-1，且均通过了90%显著性水平。

显示原图|下载原图ZIP|生成PPT

图6 2003 -2021年三江源区不同季节的平均SM（a， b， c）， SM的线性变化趋势（d， e， f），区域平均土壤湿度的线性变化趋势（g， h， i）

图（d）~（f）中黑点表示表示通过 Student’s t-test 95%显著性检验水平，图（g）~（i）中虚线表示变化趋势线

Fig.6 Average soil moisture （a， b， c）， the linear trends of SM （d， e， f）， the linear trends of regional mean SM （g， h， i） in different seasons in the TRSR from 2003 to 2021.The black dots in Fig.6（d）~（f） represent grid cells that pass 95% level based on the Student’s t-test， and the dashed lines in Fig.6（g）~（i） represent the trend lines

SC作为高寒地区植被变化的又一重要的水分驱动因子，其时空变化特征对于理解植被动态具有重要的意义。从各季节的气候平均分布来看［图7（a）~（c）］，夏季的SC较少，高值区域主要分布在长江源区西部边缘地带。相比之下，春季和秋季，三江源区普遍存在较高的SC，平均SC分别达到20.29%和19.42%。空间线性变化趋势表明，春季大部分地区SC呈增加趋势，增幅最大的地区可达2.58%·a^-1，但通过90%显著性检验水平的区域较少［图7（d）］；夏季由于SC较低，有雪覆盖的地区呈现微弱的下降趋势［图7（e）］；秋季虽然大多数区域未通过显著性检验，但SC呈显著下降趋势，部分区域降幅较大，最大下降幅度为1.77%·a^-1［图7（f）］。区域平均的SC年际变化曲线［图7（g）~（i）］表明，春季呈现显著的增加趋势，增幅为0.562%·a^-1（p<0.1），而夏季和秋季的SC呈现不显著的下降趋势，分别为-0.05%·a^-1和-0.244%·a^-1。

显示原图|下载原图ZIP|生成PPT

图7 2003 -2021年三江源区不同季节的平均SC（a， b， c）， SC的线性变化趋势（d， e， f），区域平均SC的线性变化趋势（g， h， i）

图（d~f）中黑点表示表示通过 Student’s t-test 95%显著性检验水平，图（g~i）中虚线表示变化趋势线

Fig.7 Average snow cover （a， b， c）， the linear trends of SC （d， e， f）， the linear trends of regional mean SC （g， h， i） in different seasons in the TRSR from 2003 to 2021.The black dots in Fig.（d~f） represent grid cells that pass 95% level based on the Student’s t-test， and the dashed lines in Fig.（g~i） represent the trend lines

3.2　不同季节LAI与水分驱动因子、水分驱动因子与气候变化的线性相关分析

首先，分析了水分驱动因子SM与SC对LAI的影响，并探讨了二者与LAI 之间的线性关系，以揭示其在植被变化过程中的调控作用。2003 -2021年间，三江源地区不同季节区域平均SM、 SC与LAI之间的相关系数表明（表1），春季LAI与SM之间的正相关性较强，相关系数为0.56（p<0.05），表明春季高海拔地区冻融过程产生的SM有助于植被变绿。相比之下，尽管春季SC与LAI的同期相关性较弱，但其滞后相关十分显著， 4月的SC与6月LAI相关系数达到0.67（p<0.01）。另外，相比之下SM的滞后相关性更为显著，相关系数高达0.71（p<0.01）。夏季， LAI与SM的相关性进一步增强，相关系数为0.59（p<0.01），而SC与LAI之间表现为不显著的负相关（-0.17）。SM与LAI的高相关性突显了土壤水分对植物变绿的重要性，这与极端气候条件下SM的变化对植被生产力的显著影响一致（朴正刚等， 2024）。秋季，生长季逐渐结束，植被对土壤水分的需求减少， LAI与SM和SC的相关性均较低。已有研究表明， 2001 -2020年间，三江源地区生长季结束的时间最早出现在9月上旬，最晚出现在11月上旬，区域平均生长季结束的时间为年内第283日（即10月中旬）（王泰华和杨大文， 2023）。这表明植被生长季节结束时间的空间和时间异质性可能会增加LAI与水分驱动因子之间关系的复杂性，从而在一定程度上削弱了它们之间的线性相关性。

表1 不同季节SM、 SC与LAI之间的Pearson相关系数

Table 1 Pearson correlation coefficients between SM， SC and LAI in different seasons

	季节	相关系数
	季节	土壤湿度	积雪覆盖
叶面积指数	春季	0.56**	0.24
	夏季	0.59***	-0.17
	秋季	0.32	-0.08

*** （p<0.01）， **（p<0.05）， *（p<0.1）

接下来，进一步探讨水分驱动因子与气候变化变量之间的线性关系。表2给出了2003 -2021年间三江源地区不同季节区域平均的水分驱动因子SM和SC与降水和温度之间的相关系数。结果表明， SM与降水在春、夏和秋季均表现为显著的正相关，相关系数分别为0.63（p<0.01）、 0.77（p<0.01）和0.85（p<0.01），表明降水量显著提高了SM。同样， SC与降水的相关系数也较强，在春、夏和秋季分别为0.41（p<0.1）、 0.46（p<0.05）和0.61（p<0.01），意味着降水量的增加同样促进了SC的积累。此外，降水的滞后响应也相当明显，在3 -4月降水和滞后一个月SC的相关性高达0.81（p<0.01）。另一方面，温度与SM在春季呈现显著的负相关（-0.44， p<0.1），可能是由于春季温度升高既导致积雪减少，又使得地表蒸散发增加，从而降低了SM。然而，夏季和秋季温度与SM的相关性不显著，分别为-0.15和-0.09。

表2 不同季节降水、温度与SM、 SC之间的Pearson相关系数

Table 2 Pearson correlation coefficients between precipitation， temperature and SM， SC in different seasons

	季节	相关系数
	季节	降水	温度
土壤湿度	春季	0.63***	-0.44*）
	夏季	0.77***	-0.15
	秋季	0.85***	-0.09
积雪覆盖	春季	0.41*	-0.60***
	夏季	0.46**	-0.37
	秋季	0.61***	-0.66***

*** （p<0.01）， ** （p<0.05）， * （p<0.1）

3.3　 LAI影响因子的PID解耦分析

为了解耦LAI与水分驱动因子SM和SC之间的非线性关系，接下来采用PID解耦分析方法进一步探讨。图8为不同季节LAI主要驱动因素（SC和SM的影响）的空间分布，主要驱动因素是基于SC和SM各自在对LAI的独立信息的高低来决定。从图8中可以看出，在水分驱动因子对LAI的影响方面，春季和秋季SC是三江源地区LAI变化的主要驱动因子；而在夏季，黄河源区以及澜沧江源区大部分地区主要驱动因子为SM，长江源区大部分地区仍以SC为主。与线性相关分析结果相比， PID解耦分析方法可能更有效地揭示了SM和SC与LAI之间的非线性影响。值得注意的是，春季SC是LAI变化的主要驱动因子这一结果与Wang et al（2018）的研究较为一致。他们认为，冬季积雪的“水分效应”可以通过调节植被生长季初期的土壤水分来提升植被生产力。

显示原图|下载原图ZIP|生成PPT

图8 不同季节LAI主要驱动因素（SC和SM的影响）的空间分布

（a）春季，（b）夏季，（c）秋季

Fig.8 Spatial distribution of main drivers of LAI （influence of SC and SM） in different seasons：（a） spring，（b） summer，（c） autumn

图9细化给出了PID解耦结果，分别为春、夏、秋季不同季节SC和SM影响LAI的独立信息、冗余信息和协同信息的空间分布。从图9中可以看出，春、秋季SC对LAI的独立信息高于夏季，而SM影响LAI的独立信息在夏季比SC略高。冗余信息的结果表明，春季和秋季SC与SM的冗余信息在整个三江源区都较高，可能与高寒区SC融化后补充SM有关。此外，协同信息的结果表明， SC与SM在三个季节SC与SM的协同信息均表现出极高水平，甚至超越了SC和SM各自的独立贡献，进一步凸显了高寒地区SC和SM的相互作用对于LAI的关键调控作用。

显示原图|下载原图ZIP|生成PPT

图9 春季（a， b， c， d）、夏季（e， f， g， h）和秋季（i， j， k， l）SC与SM对LAI的独立信息、冗余信息及协同信息的空间分布

Fig.9 Spatial distribution of unique， redundant， and synergistic information contributions of SC and SM to the LAI in spring （a， b， c， d）， summer （e， f， g， h）， and autumn （i， j， k， l）

图10进一步对不同季节PID解耦分析所得的SC和SM对LAI的影响进行了定量评估。结果表明，春季SC和SM对LAI影响的独立信息分别为27.1%和21.5%，而冗余信息和协同信息分别为20.1%和31.3%。进入夏季后， SC的独立信息降低至22.4%，而SM的独立信息增加至24.6%。秋季， SC对LAI影响的独立信息最高（28.8%），而SM下降至19.7%，进一步证实了SC在非生长季对 LAI 变化的重要贡献。综合来看，从春季到秋季，三江源区SC的独立信息呈现先降后升的变化，而SM的独立信息在夏季达到峰值，反映出SC在生长季前后的调节作用更强，而SM在植被生长旺盛期的作用更为显著。值得注意的是，协同信息在所有季节中均超过30%，进一步说明了水分驱动因子的协同效应对高寒地区植被变化的重要性。

显示原图|下载原图ZIP|生成PPT

图10 不同季节SC和SM对LAI的不同信息贡献柱状图

Fig.10 Bar chart of different information contributions of SC and SM to LAI in different seasons

接下来， PID解耦分析方法同样被应用于探讨水分驱动因子对气候变化的响应，并通过PID解耦分析方法量化其响应程度。结果表明，在三江源大部分地区，降水是影响SC和SM变化的主要驱动因素（图11）。尽管温度和降水分别影响SC和SM的独立信息均较高（图略），但降水占据主导地位。这与线性相关分析结果一致，进一步表明在高寒地区的生态系统中，水分驱动因子的变化主要受降水调控。此外，在长江源西部、黄河源北部及东南部和澜沧江源的南部地区出现了缺省值区域。可能是由于数据同质性、一致性以及模型假设不符合实际情况等因素导致的，导致部分区域的PID解耦结果存在不确定性（Gutknecht et al， 2021； Varley， 2024）。

显示原图|下载原图ZIP|生成PPT

图11 不同季节SM（a， b， c）和SC（d， e， f）的主要驱动因素（温度和降水的影响）的空间分布

（a， d）春季，（b， e）夏季，（c， f）秋季

Fig.11 Spatial distribution of the main drivers of SM（a， b， c） and the main drivers of SC （d， e， f）（influence of temperature and precipitation） in different seasons：（a， d） spring，（b， e） summer，（c， f） autumn

图12也给出了不同季节降水和温度对SC和SM的独立信息、冗余信息和协同信息的柱状统计结果。从图12中可以看出，在三江源区，春季降水影响SM和SC的独立信息分别为36.7%和36.8%，显著高于温度的影响，表明春季水分驱动因子主要受降水调控。夏季和秋季，降水影响SM和SC的独立信息依然占据主导地位，进一步证实了降水在不同季节对水分驱动因子的影响强于温度。总而言之， PID解耦分析结果表明，尽管温度和降水对SM和SC影响的协同信息不容忽视，但从独立信息的角度来看，降水才是三江源区不同季节SC和SM变化的主要驱动因素，这一结果进一步强调了降水在高寒地区植被变化过程中的关键作用。

显示原图|下载原图ZIP|生成PPT

图12 不同季节降水和温度对SC和SM的不同信息贡献柱状图

Fig.12 Bar chart of different information contributions of precipitation and temperature to SC and SM in different seasons

4 结果与讨论

本文利用2003 -2021年多源数据，结合线性相关分析和PID解耦分析，通过分析三江源区季节性LAI、水分驱动因子（SM和SC）以及气候变化因子（温度和降水）的时空分布特征及变化趋势，揭示了三江源地区植被季节性变绿的水分驱动因子及其对气候变化的响应关系。主要结论如下：

（1） 2003 -2021年间，三江源地区春、夏、秋季的LAI总体呈显著上升趋势，反映了区域植被状况的持续改善。然而，不同季节的环境条件存在明显差异。春、秋季的降水量、 SM和SC均呈增加趋势，温度变化趋势不明显，表明水分条件的改善可能促进了植被生长。相比之下，夏季温度略有升高，但降水量和SM略有减少， SC变化趋势不显著，表明夏季可能面临一定的干旱压力，对植被生长产生了限制。

（2）相关分析结果表明， SM是LAI变化的主要驱动因子，尤其在春、夏季LAI与SM呈显著正相关（春季相关系数为0.56， p<0.05；夏季为0.59， p<0.01）。秋季LAI与SM的相关性不显著，可能与生长季结束时间的异质性有关。各季节LAI与SC的相关性均较弱。此外，水分驱动因子的变化主要受降水调控， SM与降水在春、夏、秋三季的相关系数分别为0.63、 0.77和0.85（p<0.01）， SC与降水的相关性在秋季最强（0.61， p<0.01）。相较于降水，温度对SM影响较弱，仅在春季呈显著负相关（-0.44， p<0.1），可能与积雪消融及地表蒸散增强导致的水分流失有关。

（3） PID解耦分析进一步揭示了不同季节水分驱动因子的作用机制。结果表明，春、秋季SC对LAI变化的独立贡献更高，成为主要的水分驱动因子，独立信息贡献分别为27.1%和28.8%；夏季则以SM的贡献更大，独立信息为24.6%。此外， SM和SC的协同作用在各季节对LAI变化起重要作用，协同信息贡献均超过30%，表明二者的相互作用对植被生长具有关键影响。PID分析还揭示，尽管温度和降水在各季节对SM和SC影响的协同信息不容忽视，但是降水才是影响SM和SC变化的主要气象因子，对SM和SC的独立贡献均高于温度，强调了降水在高寒地区水分循环和植被生长中的关键作用。

值得注意的是， PID方法作为揭示复杂系统相互作用的有力工具，尽管在本研究中表现出较强适用性，但其局限性可能会影响部分结果的解释。与线性相关分析相比， PID能够解析SC和SM对LAI的影响，并捕捉温度和降水与SC和SM之间的非线性关系。然而，受变量数量的限制以及连续变量离散化处理的影响，可能会引入一定偏差（Schick-Poland et al， 2021； Timme et al， 2014； Williams and Beer， 2010），从而影响变量间相互作用的准确性。另外，尽管饱和水汽压差（VPD）对生态系统的碳水交换具有显著影响，但本研究只集中探讨了SM和SC对三江源地区植被季节性变绿的影响，而未将其作为分析变量（袁瑞瑞等， 2021； Zhong et al， 2023）。此外，除温度和降水外（李茂华等， 2020），太阳辐射、二氧化碳浓度（CO₂）和人类活动等因素也对植被生长产生重要影响（孔冬冬等， 2017； Chen et al， 2018； Cui et al， 2020； Ma et al， 2023）。因此，未来研究应考虑包括VPD和太阳辐射等更多气候因子的作用，并结合其他分析方法以进一步验证PID分析结果的可靠性。同时，有必要通过耦合动态植被模型的区域气候模式，更深入地模拟和解析气候因子、水分因子与LAI之间的能量与水分耦合机制，从而更全面地理解这些因素对三江源地区植被季节性变绿的影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

Chen

， He

， Guo

L L

， et al， 2018.Identifying critical climate periods for vegetation growth in the Northern Hemisphere［J］.Journal of Geophysical Research： Biogeosciences， 123.DOI： 10. 1029/2018JG004443 .

Cui

J P

， Piao

S L

， Huntingford

， et al， 2020.Vegetation forcing modulates global land monsoon and water resources in a CO₂-enriched climate［J］.Nature Communications， 11（1）： 5184.DOI： 10.1038/s41467-020-18992-7 .

Farr

T G

， Rosen

P A

， Caro

， et al， 2007.The shuttle radar topography mission［J］.Reviews of Geophysics， 45（2）.DOI： 10.1029/2005RG000183 .

Green

J K

， Seneviratne

S I

， Berg

A M

， et al， 2019.Large influence of soil moisture on long-term terrestrial carbon uptake［J］.Nature， 565（7740）： 476-479.DOI： 10.1038/s41586-018-0848-x .

Gutknecht

A J

， Wibral

， Makkeh

， 2021.Bits and pieces： understanding information decomposition from part-whole relationships and formal logic［J］.Proceedings of the Royal Society A， 477（2251）： 20210110.DOI： 10.1098/rspa.2021.0110 .

Hall

D K

， Riggs

G A

， Salomonson

V V

， 2015.MODIS/Terra snow cover monthly L3 global 0.05 deg CMG， version 6［J］.Boulder， Colorado， USA.DOI： 10.5067/MODIS/MOD10C1.061 .

Hao

X H

， Huang

G H

， Zheng

Z J

， et al， 2022.Development and validation of a new MODIS snow-cover-extent product over China［J］.Hydrology and Earth System Sciences， 26（8）： 1937-1952.DOI： 10.5194/hess-26-1937-2022 .

Huang

， Liu

H X

， Yu

B L

， et al， 2018.Improving MODIS snow products with a HMRF-based spatio-temporal modeling technique in the Upper Rio Grande Basin［J］.Remote Sensing of Environment， 204： 568-582.DOI： 10.1016/j.rse.2017.10.001 .

， Xiao

Z Q

， 2020.Evaluation of the version 5.0 global land surface satellite （GLASS） leaf area index product derived from MODIS data［J］.International Journal of Remote Sensing， 41（23）： 9140-9160.DOI： 10.1080/01431161.2020.1797222 .

Liang

S L

， Cheng

， Jia

， et al， 2020.The global land surface satellite （GLASS） product suite［J］.Bulletin of the American Meteorological Society， 102（2）： 1-37.DOI： 10.1175/BAMS-D-18-0341.1 .

Liang

S L

， Zhang

X T

， Xiao

Z Q

， et al， 2014.Global LAnd Surface Satellite （GLASS） products： algorithms， validation and analysis［M］.Springer Science & Business Media， 3-31.DOI： 10.1007/978-3-319-02588-9 .

Liu

L B

， Gudmundsson

， Hauser

， et al， 2020.Soil moisture dominates dryness stress on ecosystem production globally［J］.Nature Communications， 11（1）： 1234567890.DOI： 10.1038/s41467-020-18631-1 .

M Y

， Wang

Q M

， Liu

， et al， 2023.Effects of climate change and human activities on vegetation coverage change in northern China considering extreme climate and time-lag and-accumulation effects［J］.Science of the Total Environment， 860： 160527.DOI： 10.1016/j.scitotenv.2022.160527 .

Martens

， Miralles

D G

， Lievens

， et al， 2017.GLEAM v3： Satellite-based land evaporation and root-zone soil moisture［J］.Geoscientific Model Development， 10（5）： 1903-1925.DOI： 10. 5194/gmd-10-1903-2017 .

McColl

K A

， Alemohammad

S H

， Akbar

， et al， 2017.The global distribution and dynamics of surface soil moisture［J］.Nature Geoscience， 10（2）： 100-104.DOI： 10.1038/ngeo2868 .

Miao

， Wang

A H

， 2020.Evaluation of routed-runoff from land surface models and reanalyses using observed streamflow in Chinese river basins［J］.Journal of Meteorological Research， 34（1）： 73-87.DOI： 10.1007/s13351-020-9120-z .

Miralles

D G

， Holmes

T R H

， De

J R A M

， et al， 2010.Global land-surface evaporation estimated from satellite-based observations［J］.Hydrology and Earth System Sciences Discussions， 7（5）： 453-469.DOI： 10.5194/hess-15-453-2011 .

Pearson

， 1894.Contributions to the mathematical theory of evolution［J］.Philosophical Transactions of the Royal Society of London， 185： 71-110.DOI： 10.1098/rsta.1894.0003 .

Piao

S L

， Ciais

， Huang

， et al， 2010.The impacts of climate change on water resources and agriculture in China［J］.Nature， 467（7311）： 43-51.DOI： 10.1038/nature09364 .

Piao

S L

， Wang

X H

， Park

， et al， 2020.Characteristics， drivers and feedbacks of global greening［J］.Nature Reviews Earth & Environment， 1（1）： 14-27.DOI： 10.1038/s43017-019-0001-x .

Ruxton

G D

， 2006.The unequal variance t-test is an underused alternative to Student′s t-test and the Mann–Whitney U test［J］.Behavioral Ecology， 17（4）： 688-690.DOI： 10.1093/beheco/ark016 .

Schick-Poland

， Makkeh

， Gutknecht

A J

， et al， 2021.A partial information decomposition for discrete and continuous variables［J］.ArXiv Preprint ArXiv： 2106.12393.DOI： 10.48550/arXiv.2106.12393 .

Timme

， Alford

， Flecker

， et al， 2014.Synergy， redundancy， and multivariate information measures： an experimentalist’s perspective［J］.Journal of Computational Neuroscience， 36： 119-140.DOI： 10.1007/s10827-013-0458-4 .

Varley

T F

， 2024.Generalized decomposition of multivariate information［J］.Plos One， 19（2）： e0297128.DOI： 10.1371/journal.pone.0297128 .

Wang

X Y

， Wang

， Guo

， et al， 2018.Disentangling the mechanisms behind winter snow impact on vegetation activity in northern ecosystems［J］.Global Change Biology， 24（4）： 1651-1662.DOI： 10.1111/gcb.13930 .

Williams

P L

， Beer

R D

， 2010.Nonnegative decomposition of multivariate information［J］.Arxiv Preprint ArXiv： 1004.2515.DOI： 10.48550/arXiv.1004.2515 .

Zhong

Z Q

， He

， Wang

Y P

， et al， 2023.Disentangling the Effects of Vapor Pressure Deficit on Northern Terrestrial Vegetation Productivity［J］.Science Advances， 9（32）： eadf3166.DOI： 10. 1126/sciadv.adf3166 .

陈国茜，祝存兄，李素雲，等， 2021.三江源地区土壤水分的地理分区遥感模型构建及时空变化［J］.草地学报， 29（S1）： 199-207.DOI： 10.11733/j.issn.1007-0435.2021.Z1.023.Chen G Q ，

Zhu

C X

， Li

S Y

， et al， 2021.Model constructions and spatial-temporal changes of soil moisture in the Three-River Headwaters Region［J］.Acta Agrestia Sinica， 29（S1）： 199-207.DOI： 10.11733/j.issn.1007-0435.2021.Z1.023 .

陈龙飞，张万昌，高会然， 2022.三江源地区1980-2019年积雪时空动态特征及其对气候变化的响应［J］.冰川冻土， 44（1）： 133-146.DOI： 10.7522/j.issn.1000-0240.2022.0025.Chen L F ，

Zhang

W C

， Gao

H R

， 2022.Spatiotemporal dynamic characteristics of snow cover from 1980 to 2019 in the Three-River-Source region and its response to climate change［J］.Journal of Glaciology and Geocryology， 44（1）： 133-146.DOI： 10.7522/j.issn.1000-0240.2022.0025 .

靳铮，游庆龙，吴芳营，等， 2020.青藏高原三江源地区近60a气候与极端气候变化特征分析［J］.大气科学学报， 43（6）： 1042-1055.DOI： 10.13878/j.cnki.dqkxxb.20201008001.Jin Z ，

You

Q L

， Wu

F Y

， et al， 2020.Changes of climate and climate extremes in the Three-Rivers Headwaters′Region over the Tibetan Plateau during the past 60 years［J］.Transactions of Atmospheric Sciences， 43（6）： 1042-1055.DOI： 10.13878/j.cnki.dqkxxb.20201008001 .

景金城， 2018. 中国地区MODIS， GLASS和GEOV 2 LAI遥感产品对比分析［D］.成都：成都理工大学.Jing J C， 2018.

Comparative analysis of MODIS， GLASS and GEOV 2 LAI remote sensing products in China［D］.Chengdu： Chengdu University of Technology.

孔冬冬，张强，黄文琳，等， 2017.1982-2013年青藏高原植被物候变化及气象因素影响［J］.地理学报， 72（1）： 39-52.DOI： 10.11821/dlxb201701004.Kong D D ，

Zhang

， Huang

W L

， et al， 2017.Vegetation phenology change in Tibetan Plateau from 1982 to2013 and its related meteorological factors［J］.Acta Geographica Sinica， 72（1）： 39-52.DOI： 10.11821/dlxb201701004 .

孔祥慧，毕训强， 2016.利用区域气候模式对我国南方百年气温和降水的动力降尺度模拟［J］.气候与环境研究， 21（6）： 711-724.DOI： 10.3878/j.issn.1006-9585.2016.16079.Kong X H ，

X Q

， 2016.Simulation of temperature and precipitation during the last 100 years over Southern China by a regional climate model［J］.Climatic and Environmental Research， 21（6）： 711-724.DOI： 10.3878/j.issn.1006-9585.2016.16079 .

李茂华，都金康，李皖彤，等， 2020.1982-2015年全球植被变化及其与温度和降水的关系［J］.地理科学［J］， 40（5）： 823-832.DOI： 10.13249/j.cnki.sgs.2020.05.017.Li M H ，

J K

， Li

W T

， et al， 2020.Global vegetation change and its relationship with precipitation and temperature based on GLASS-LAI in 1982-2015［J］.Scientia Geographica Sinica， 40（5）： 823-832.DOI： 10.13249/j.cnki.sgs.2020.05.017 .

刘纪远， 2019.中国西部六省多年土地利用现状遥感监测数据集（1970s， 1980s， 1995， 2000， 2005， 2010， 2015）［R］.国家青藏高原科学数据中心， 65-69.DOI： 10.11888/Socioeco.tpdc. 270469.Liu J， 2019.Remote sensing monitoring dataset of land use status in six provinces in western China for many years （1970s， 1980s， 1995， 2000， 2005， 2010， 2015）［R］.National Tibetan Plateau / Third Pole Environment Data Center， 65-69.DOI： 10.11888/Socioeco.tpdc.270469 .

刘杰，汲玉河，周广胜，等， 2022.2000-2020年青藏高原植被净初级生产力时空变化及其气候驱动作用［J］.应用生态学报， 33（6）： 1533-1538.DOI： 10.13287/j.1001-9332.202206.025.Liu J ，

Y H

， Zhou

G S

， et al， 2022.Temporal and spatial variations of net primary productivity （NPP） and its climate driving effect in the Qinghai-Tibet Plateau， China from 2000 to 2020［J］.Chinese Journal of Applied Ecology， 33（6）： 1533-1538.DOI： 10.13287/j.1001-9332.202206.025 .

刘雨亭，王磊，李谢辉，等， 2024.西南地区2000-2020年植被覆盖度时空变化与影响因素分析［J］.高原气象， 43（1）： 264-276.DOI： 10.7522/j.issn.1000-0534.2023.00052.Liu Y T ，

Wang

， Li

X H

， et al， 2024.Analysis on spatio-temporal variability of fractional vegetation cover and influencing factors from 2000 to 2020 in Southwestern China［J］.Plateau Meteorology， 43（1）： 264-276.DOI： 10.7522/j.issn.1000-0534.2023.00052 .

马迪，吕世华，孟宪红，等， 2024.定量评估东亚地区植被对大气变率的反馈［J］.高原气象， 43（5）： 1234-1248.DOI： 10.7522/j.issn.1000-0534.2024.00014.Ma D ，

Lü

S H

， Meng

X H

， et al， 2024.Quantitative assessment of vegetation feedback to atmospheric variability over East Asia［J］.Plateau Meteorology， 43（5）： 1234-1248.DOI： 10.7522/j.issn.1000-0534.2024.00014 .

孟宪红，陈昊，李照国，等， 2020.三江源区气候变化及其环境影响研究综述［J］.高原气象， 39（6）： 1133-1143.DOI： 10.7522/j.issn.1000-0534.2019.00144.Meng X H ，

Chen

， Li

Z G

， et al， 2020.Review of climate change and its environmental influence on the Three-River Regions［J］.Plateau Meteorology， 39（6）： 1133-1143.DOI： 10.7522/j.issn.1000-0534.2019.00144 .

朴正刚，李湘怡，徐浩，等， 2024.影响青藏高原植被生产力的极端气候阈值［J］.中国科学：地球科学， 54（6）： 1996–2007.DOI： 10.1360/N072023-0221.Piao Z G ，

X Y

， Xu

， et al， 2024.Threshold of climate extremes that impact vegetation productivity over the Tibetan Plateau［J］.Science China Earth Sciences， 54（6）： 1996–2007.DOI： 10.1360/N072023-0221 .

饶品增，王义成，王芳， 2021.三江源植被覆盖区NDVI变化及影响因素分析［J］.草地学报， 29（3）： 572-582.DOI： 10.11733/j.issn.1007-0435.2021.03.019.Rao P Z ，

Wang

Y C

， Wang

， 2021.Analysis on the NDVI change and influence factors of vegetation cover in the Three-River Headwaters Region［J］.Acta Agrestia Sinica， 29（3）： 572-582.DOI： 10.11733/j.issn.1007-0435.2021.03.019 .

王丹，王爱慧， 2017.1901~2013年GPCC和CRU降水资料在中国大陆的适用性评估［J］.气候与环境研究， 22（4）： 446-462.DOI： 10.3878/j.issn.1006-9585.2016.16122.Wang D ，

Wang

A H

， 2017.Applicability assessment of GPCC and CRU precipitation products in China during 1901 to 2013［J］.Climatic and Environmental Research， 22（4）： 446-462.DOI： 10.3878/j.issn.1006-9585.2016.16122 .

王泰华，杨大文， 2023.2001-2020年三江源冻土区植被物候变化特征分析［J］.冰川冻土， 45（2）： 711-723.DOI： 10.7522/j.issn.1000-0240.2023.0054.Wang T H ，

Yang

D W

， 2023.Variation characteristics of vegetation phenology during 2001-2020 on frozen ground zone of the Three Rivers Source Region［J］.Journal of Glaciology and Geocryology， 45（2）： 711-723.DOI： 10.7522/j.issn.1000-0240.2023.0054 .

吴佳，高学杰， 2013.一套格点化的中国区域逐日观测资料及与其它资料的对比［J］.地球物理学报， 56（4）： 1102-1111.DOI： 10.6038/cjg20130406.Wu J ，

Gao

X J

， 2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chinese Journal of Geophysics， 56（4）： 1102-1111.DOI： 10.6038/cjg20130406 .

谢绮丽，杨鑫，郝利娜， 2022.2001-2020年三江源区植被覆盖时空变化特征及其影响因素［J］.水土保持通报， 42（5）： 202-212.DOI： 10.13961/j.cnki.stbctb.20221017.001.Xie Q L ，

Yang

， Hao

L N

， 2022.Spatio-temporal variation of vegetation cover and its driving factors in Three-River Headwaters Region during 2001-2020［J］.Bulletin of Soil and Water Conservation， 42（5）： 202-212.DOI： 10.13961/j.cnki.stbctb.20221017.001 .

徐嘉昕，房世波，张廷斌，等， 2020.2000-2016年三江源区植被生长季NDVI变化及其对气候因子的响应［J］.国土资源遥感，（1）： 237-246.DOI： 10.6046/gtzyyg.2020.01.32.Xu J X ，

Fang

S B

， Zhang

T B

， et al， 2020.NDVI changes and its correlation with climate factors of the Three River-Headwater region in growing seasons during 2000-2016［J］.Remote Sensing for Land & Resources，（1）： 237-246.DOI： 10.6046/gtzyyg.2020.01.32 .

杨泽粟，张宇，张强，等， 2022.青藏高原蒸散年际变化及其对西风和季风环流的响应［J］.地球物理学报， 65（8）： 2813-2827.DOI： 10.6038/cjg2022P0326.Yang Z S ，

Zhang

， Zhang

， et al， 2022.Inter-annual variability of evapotranspiration and its response towestly and monsoon circulation over the Tibetan Plateau［J］.Chinese Journal of Geophysics， 65（8）： 2813-2827.DOI： 10.6038/cjg2022P0326 .

袁瑞瑞，黄萧霖，郝璐， 2021. 近 40年中国饱和水汽压差时空变化及影响因素分析［J］.气候与环境研究， 26（4）： 413-424.DOI： 10.3878/j.issn.1006-9585.2021.20086.Yuan R R ，

Huang

X L

， Hao

， 2021.Spatio-temporal variation of vapor pressure deficit and impact factors in China in the past 40 years［J］.Climatic and Environmental Research， 26（4）： 413-424.DOI： 10.3878/j.issn.1006-9585.2021.20086 .

张颖，章超斌，王钊齐，等， 2017.三江源1982-2012年草地植被覆盖度动态及其对气候变化的响应［J］.草业科学， 11（10）： 1977-1990.DOI： 10.11829/j.issn.1001-0629.2016-0619.Zhang Y ，

Zhang

C B

， Wang

Z Q

， et al， 2017.Spatiotemporal dynamics of grassland coverage in response to climate change from 1982 to 2012 in the Three Rivers Source Region［J］.Pratacultural Science， 11（10）： 1977-1990.DOI： 10.11829/j.issn.1001-0629.2016-0619 .

赵慧芳，曹晓云， 2022.三江源国家公园植被覆盖时空变化及其气候驱动因素［J］.高原气象， 41（2）： 328-337.DOI： 10.7522/j.issn.1000-0534.2021.00091.Zhao H F ，

Cao

X Y

， 2022.Vegetation cover changes and its climate driving in Three-River-Source National Park［J］.Plateau Meteorology， 41（2）： 328-337.DOI： 10.7522/j.issn.1000-0534.2021.00091 .

赵天玮，朱文彬，裴亮，等， 2022.三江源蒸散发遥感估算及其时空分布特征研究［J］.遥感技术与应用， 37（1）： 137-147 DOI： 10.11873/j.issn.1004-0323.2022.1.0137.Zhao T W ，

Zhu

W B

， Pei

， et al， 2022.Remote sensing estimation of terrestrial evapotranspiration and analysis of its temporal-spatial distribution characteristics over the Three-River Headwater Region［J］.Remote Sensing Technology and Application， 37（1）： 137-147 DOI： 10.11873/j.issn.1004-0323.2022.1.0137 .

朱文会，毛飞，徐影，等， 2019.三江源区植被指数对气候变化的响应及预测分析［J］.高原气象， 38（4）： 12.DOI： 10.7522/j.issn.1000-0534.2018.00105.Zhu W H ，

Mao

， Xu

， et al， 2019.Analysis on response of vegetation index to climate change and its prediction in the Three-Rivers-Source Region［J］.Plateau Meteorology， 38（4）： 12.DOI： 10.7522/j.issn.1000-0534.2018.00105 .

左婵，王军邦，张秀娟，等， 2022.三江源国家公园植被净初级生产力变化趋势及影响因素［J］.生态学报， 42（14）： 5559-5573.DOI： 10.5846/stxb202106131577.Zuo C ，

Wang

J B

， Zhang

X J

， et al， 2022.Changes and influencing factors of vegetation net primary productivity in the Sanjiangyuan National Park［J］.Acta Ecologica Sinica， 42（14）： 5559-5573.DOI： 10.5846/stxb202106131577 .

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

1 引言

2 研究区域、 数据来源与方法介绍

2.1 研究区概况

图1 三江源区地形高度（a）和2015年土地利用类型分布（b）

2.2 数据来源

2.3 研究方法

2.3.1 趋势分析

2.3.2 相关分析

2.3.3 部分信息分解（PID）解耦分析

图2 两个来源X 1和X 2部分信息分解示意图

图3 2003 -2021年三江源区不同季节月降水总量（a， b， c）， 降水总量的线性变化趋势（d， e， f）， 区域平均降水总量的线性变化趋势（g， h， i）

3 结果分析

3.1 春、 夏、 秋季气象要素和LAI的时空变化特征

图4 2003 -2021年三江源区不同季节的平均温度（a， b， c）， 温度的线性变化趋势（d， e， f）， 区域平均温度的线性变化趋势（g， h， i）

图5 2003 -2021年三江源区不同季节的平均LAI（a， b， c）， LAI的线性变化趋势（d， e， f）， 区域平均LAI的线性变化趋势（g， h， i）

图6 2003 -2021年三江源区不同季节的平均SM（a， b， c）， SM的线性变化趋势（d， e， f）， 区域平均土壤湿度的线性变化趋势（g， h， i）

图7 2003 -2021年三江源区不同季节的平均SC（a， b， c）， SC的线性变化趋势（d， e， f）， 区域平均SC的线性变化趋势（g， h， i）

3.2 不同季节LAI与水分驱动因子、 水分驱动因子与气候变化的线性相关分析

表1 不同季节SM、 SC与LAI之间的Pearson相关系数

表2 不同季节降水、 温度与SM、 SC之间的Pearson相关系数

3.3 LAI影响因子的PID解耦分析

图8 不同季节LAI主要驱动因素（SC和SM的影响）的空间分布

图9 春季（a， b， c， d）、 夏季（e， f， g， h）和秋季（i， j， k， l）SC与SM对LAI的独立信息、 冗余信息及协同信息的空间分布

图10 不同季节SC和SM对LAI的不同信息贡献柱状图

图11 不同季节SM（a， b， c）和SC（d， e， f）的主要驱动因素（温度和降水的影响）的空间分布

图12 不同季节降水和温度对SC和SM的不同信息贡献柱状图

4 结果与讨论

参考文献

2 研究区域、数据来源与方法介绍

2.1　研究区概况

2.2　数据来源

2.3　研究方法

2.3.1　趋势分析

2.3.2　相关分析

2.3.3　部分信息分解（PID）解耦分析

图2 两个来源X ₁和X ₂部分信息分解示意图

图3 2003 -2021年三江源区不同季节月降水总量（a， b， c），降水总量的线性变化趋势（d， e， f），区域平均降水总量的线性变化趋势（g， h， i）

3.1　春、夏、秋季气象要素和LAI的时空变化特征

图4 2003 -2021年三江源区不同季节的平均温度（a， b， c），温度的线性变化趋势（d， e， f），区域平均温度的线性变化趋势（g， h， i）

图5 2003 -2021年三江源区不同季节的平均LAI（a， b， c）， LAI的线性变化趋势（d， e， f），区域平均LAI的线性变化趋势（g， h， i）

图6 2003 -2021年三江源区不同季节的平均SM（a， b， c）， SM的线性变化趋势（d， e， f），区域平均土壤湿度的线性变化趋势（g， h， i）

图7 2003 -2021年三江源区不同季节的平均SC（a， b， c）， SC的线性变化趋势（d， e， f），区域平均SC的线性变化趋势（g， h， i）

3.2　不同季节LAI与水分驱动因子、水分驱动因子与气候变化的线性相关分析

表2 不同季节降水、温度与SM、 SC之间的Pearson相关系数

3.3　 LAI影响因子的PID解耦分析

图9 春季（a， b， c， d）、夏季（e， f， g， h）和秋季（i， j， k， l）SC与SM对LAI的独立信息、冗余信息及协同信息的空间分布