中蒙俄經濟走廊荒漠化時空格局變化及其驅動因子

范澤孟,李賽博

1 中國科學院地理學與資源研究所,資源與環境信息系統國家重點實驗室, 北京 100101 2 中國科學院大學資源與環境學院, 北京 100049 3 江蘇省地理信息資源開發與利用協同創新中心, 南京 210023

土地荒漠化作為一個重要的全球性生態環境及社會經濟問題,不僅造成生態環境的惡化和全球糧食產量的降低,甚至會危害到人類生存和社會穩定[1-3]。2015年《聯合國防止荒漠化公約》統計顯示,全球約有30億人口居住在土地荒漠化區；而且到2045年,大約1.35億人將會因荒漠化問題而流離失所。由于荒漠化和干旱,全球農用地正以每年12萬km2的速度轉為荒地,而通過修復生態系統退化區的土壤,有望每年儲存30億t碳[4]。中蒙俄經濟走廊作為“一帶一路”倡議中的六大經濟走廊之一,而中蒙俄跨境鐵路、公路和原油管道作為支撐中蒙俄經濟走廊區域合作發展的關鍵樞紐和通道,其沿線區域的荒漠化問題直接關系到跨境鐵路、公路和原油管道建設及安全運營重大生態環境[5]。因此,對中蒙俄經濟走廊開展土地荒漠化程度識別與驅動機理研究,不僅可以作為有效防止和治理荒漠化的基本前提,而且有助于開展生物多樣性、自然保護區及其他生態環境保護領域的技術交流合作。

自20世紀70年代以來,國內外學者[6-8]利用遙感數據覆蓋范圍廣,獲取速度快等優勢,將不同平臺或傳感器的影像數據反演的植被指數[9-11]與土壤[12]、氣候[13]、地形[14]等多種數據源結合,對土地荒漠化程度識別。譬如,Lamchin等基于NDVI、表土粒徑指數(TGSI)和地表反照率(Albedo),并結合決策樹方法識別了蒙古國的霍格諾汗自然保護區荒漠化[15]。在此基礎上,大量學者嘗試將遙感影像反演參數作為輸入數據,運用分類回歸樹(CART)[16]、支持向量機(SVM)[17]和隨機森林(RF)[18]等機器學習方法對荒漠化狀況進行識別。其中,CART方法是Breiman在1984年提出的基于決策樹構建的既可用于分類,也可用于連續變量預測的算法[19]；SVM模型是一種基于統計學習理論的重要機器學習算法,即將非線性可分數據映射到高維空間,完成線性可分,已被廣泛應用于遙感圖像的分類[20]；RF方法是Breiman在2001年提出的一種基于分類回歸樹的分類器,能夠處理較為復雜的遙感圖像,適用于多類別與多特征數據[21]。另外,還有學者在對地表反照率(Albedo)和歸一化植被指數(NDVI)進行集成并構建Albedo-NDVI特征空間方法,有效實現了荒漠化程度的等級劃分[22]。

雖然利用遙感數據和荒漠化程度評估模型可以識別荒漠化狀況的動態,但區分并測度荒漠化進程中氣候變化和人類活動相對作用強度仍然是一個具有挑戰性的工作[23]?，F有的基于實際與潛在的植被狀況[24-25]、殘差趨勢法[26]、降水利用率指數[27]雖然能揭示土地荒漠化過程中人類活動的潛在驅動作用,但是無法定量評估氣候變化和人類活動在荒漠化過程中的相對作用強度[28]。基于凈初級生產力的人類占用 (Human Appropriation of NPP, HANPP) 部分[29],即氣候和遙感數據模擬的潛在凈初級生產力(Potential NPP,PNPP)和實際存留在生態系統的實際NPP(Actual NPP,ANPP)之間的差異,可分別用PNPP和HANPP表征氣候變化和人類活動的影響[30],并利用線性趨勢分析方法定量評估荒漠化過程中氣候變化和人類活動所占比例。

論文旨在針對中蒙俄經濟走廊區域的荒漠化格局及程度的定量分析問題,利用Landsat、Sentinel-2等多源遙感影像數據構建荒漠化程度判別標準和指標體系,基于Google Earth Engine(GEE)云平臺,在CART、SVM、RF和Albedo-NDVI四個模型對荒漠化動態識別精度對比的基礎上,篩選最優模型方法,實現中蒙俄經濟走廊荒漠化格局及程度的定量識別。并在此基礎上,引入線性趨勢法計算 PNPP 和 HANPP 在2000—2015年的斜率,實現該時段內PNPP和HANPP二者斜率的正負組合的情景分析,進而實現氣候變化和人文因素對中蒙俄經濟走廊荒漠化驅動系數的定量測度。

1 數據與方法

1.1 數據收集與處理

1.2 荒漠化程度的判別指標

鑒于荒漠化程度判別指標應具備可反演性、可靠性和實用性的原則[35],選取植被、土壤、地形和氣候等參數作為荒漠化程度的判別指標。根據提取的2000年和2015年的地表反射率影像數據,采用各個指標求算模型(表2),分別獲得：表征地表植被狀態生物物理特征的歸一化植被指數(NDVI)、植被覆蓋度(FVC)和修正的土壤調節植被指數(MSAVI)；描述土壤信息的表土粒徑指數(TGSI)、地表反照率(Albedo)、歸一化水體指數(NDWI)和裸土指數(BSI)。另外,地形指標和氣候指標包括：高程、坡度、坡向和陸表溫度(LST),坡度和坡向是基于SRTM 30m數據,經GEE平臺的SRTM數字高程模型函數計算得出。

表2 荒漠化程度判別的植被及土壤參數

表2中,Red為傳感器紅色波段,NIR為近紅外波段,MIR為中紅外波段,Blue為藍色波段,Green為綠色波段,SWIR1為短波紅外1波段,SWIR2為短波紅外2波段；FVC中NDVIS和NDVIv分別表示裸土和植被的NDVI值,為排除研究區NDVI的噪音現象,選取區域內NDVI頻率分布直方圖的5%和95%的NDVI值分別作為NDVIS和NDVIv值。

在確定以上荒漠化程度提取指標及參數計算方法的基礎上,基于Google Earth Engine云計算平臺上,分別實現分類回歸樹(CART)、支持向量機(SVM)、隨機森林(RF)和Albedo-NDVI(表3)的模型算法,提取中蒙俄經濟走廊荒漠化程度的空間分布。

表3 荒漠化程度的分類模型

Albedo-NDVI理論公式：

Albedo=k×NDVI+b

α×k=-1

DDI=α×NDVI-Albedo

式中,DDI為荒漠化差值指數。

1.3 荒漠化信息提取精度驗證與評價

在分別運用CART、SVM、RF和Albedo-NDVI四個模型獲取中蒙俄經濟走廊荒漠化程度空間分布的基礎上,選取120個樣點對荒漠化程度的分類和精度進行驗證。其中包括研究區內24個全球通量觀測塔站點和GEE平臺隨機生成的96個樣點。在四種分類模型中,基于GEE平臺的隨機算子抽取30%的樣本點用于建立混淆矩陣,得出總體精度(Overall Accuracy, OA)、生產者精度(Producer′s Accuracy, PA)、用戶精度(User′s Accuracy, UA)及Kappa系數評價指標,從不同的側面對比荒漠化識別的精度,其中生產者精度是一個樣本點被正確分類的概率,它是對丟失誤差的測量。而用戶精度是每一行中正確分類的樣本點的個數與該行中所有樣本點數的比值,它表示了包含誤差[47-42]。其理論公式可表達如下:

PAi=Xii/Xi+

UAi=Xii/X+i

式中,N代表樣本點數的總和,Xii代表混淆矩陣中第i種荒漠化類型反演結果與實際結果相同的樣本點數,Xi+代表混淆矩陣中第i種荒漠化類型的列總和,X+i代表混淆矩陣中第i種荒漠化類型的行總和。

通過建立混淆矩陣,得出各個模型的識別精度估量指標(表4)。結果表明,在荒漠化分類結果中,CART模型是研究區荒漠化識別精度最高的分類方法,Kappa系數為0.754,其次是Albedo-NDVI模型,而SVM模型的精度最低。通過對生產者精度對比分析,Albedo-NDVI模型對中度、重度和極重度荒漠化具有較高的生產者精度,說明對這三種荒漠化級別的漏測現象較小,但是對輕度荒漠化的生產精度極低。CART模型對各個荒漠化級別的生產者精度都較高,表明總體漏測現象較小。另外,CART模型對各個荒漠化級別的用戶精度同樣保持較高值,且相比其他分類模型對非荒漠化區域的用戶精度最高,表明總體的多測誤差較小,而Albedo-NDVI模型對輕度荒漠化的用戶精度極低,說明在識別輕度荒漠化區域時,具有很高的多測誤差。SVM和RF的用戶精度和生產者精度都較低,表明兩者在研究區的荒漠化識別效果并不好。

表4 各種分類算法的精度評價

1.4 荒漠化驅動機理綜合分析模型

基于MODIS數據和利用BIOME-BGC模型與光能利用率模型(CASA)模擬獲得的NPP(ANPP)數據產品,提取中蒙俄經濟走廊區域的500m分辨率的NPP(ANPP)空間數據。在GEE云平臺上,實現Thornthwaite memorial 模型[43]的模型算法設計,進而求解PNPP和HANPP。并結合降水和氣溫數據的空間數據,在GEE平臺上構建并實現了中蒙俄經濟走廊荒漠化驅動機理綜合分析模型,其理論公式可表達如下：

交際的雙方要達到預期的交際效果，就必須擁有共同的語言背景知識或語用前提，交流時省去一些不言而喻，不言自明的內容，這部分被省略的共享的背景知識稱為“情景缺省”。被缺省的部分與語篇之外的文化背景相關，就是“文化缺省”?？缥幕浑H中，不屬于該文化的接受者，接觸到這些文化缺省時常常遇到“意義真空”，無法將語篇內信息與語篇之外的背景知識和經驗聯系起來，難以建立起理解話語所必需的語義連貫和情景連貫。（王東風，1997：55）因此對于文化缺省的部分，譯者應該采用恰當的方式來克服文化差異，幫助譯文讀者付出最少的努力，來獲取最大或者足夠的語境效果。

PNPP=3000(1-e-0.0009695(v-20))

L=3000+25t+0.05t3

HANPP=PNPP-ANPP

式中,r表示年降水量(mm),t為年平均氣溫(℃),x表示年份,y為PNPP時得到SlopePNPP(Sp),為HANPP時得到SlopeHANPP(SH),n為時間間隔。

對于研究區域,首先基于給定時間段內荒漠化發展狀況,即荒漠化程度加重的區域定義為“退化區”,荒漠化程度減輕的區域定義為“恢復區”,將Sp和SH的正負組合分為8種情景(表5),以測度氣候變化和人類活動所占比例。在驅動因子定性方面,當Sp為正值、或SH為負值時,表明在2000—2015年,氣候變化或者人類活動有利于荒漠化區域的恢復；而當Sp為負值、或SH為正值時,表明2000—2015年,氣候變化或者人類活動會加重土地荒漠化；在驅動因子定量方面,如在荒漠化恢復區域,情景1表示恢復完全歸因于氣候變化,情景2表示恢復完全歸因于人類活動,情景3表示荒漠化恢復由氣候變化和人類活動共同引起,情景4表示這種狀況超出模型的合理范圍,氣候變化和人類活動都無法解釋荒漠化恢復現象,此時的“Error”區域是指被標記為錯誤的區域,定義為氣候變化和人類活動對植被的影響,與研究區植被的實際生長狀況并不符。即研究區氣候變化和人類活動的驅動作用將加重土地荒漠化,但實際上研究區的荒漠化現象被逐漸改善。

表5 氣候變化和人類活動定量評估模型

2 結果與分析

2.1 荒漠化時空分布格局及其轉換趨勢

根據荒漠化程度指標體系和最佳荒漠化程度評估模型獲得2000年和2015年研究區荒漠化現狀(圖1)。通過對比兩期荒漠化現狀,發現研究區荒漠化空間分布具有很強的地帶性特征,極重度荒漠化區域主要分布在內蒙古自治區西部,蒙古國的南戈壁盟、東戈壁盟和中戈壁盟,重度和中度荒漠化區域主要分布在蒙古國的東戈壁盟、及其與內蒙古自治區交界處,輕度荒漠化主要分布在蒙古國的東北部,內蒙古自治區的南部,而非荒漠化區域主要分布在俄羅斯區域和中國東北區域。另外,在2000年到2015年間,中蒙俄經濟走廊區域的輕度荒漠化面積從71.97萬km2增加到94.8萬km2,以1.52萬km2/a的速度擴張,極重度、重度和中度荒漠化面積均呈現減小趨勢,其中極重度荒漠化面積減少最快,以4873km2/a速度遞減(表6)。其中,中國區域的荒漠化呈恢復趨勢,尤其是極重度、重度和中度荒漠化區域呈縮小趨勢；蒙古國區域的荒漠化狀況則呈加劇趨勢,尤其是極重度、中度和輕度荒漠化區域呈逐漸擴張趨勢；而俄羅斯區域荒漠化的加重和減輕兩個方向的狀況均最為緩慢。

圖1 研究區荒漠化時空分布格局Fig.1 The spatiotemporal distribution pattern of desertification in the study area

表6 研究區荒漠化類型面積統計

為更好地理解研究區2000—2015年荒漠化空間動態變化,將荒漠化空間格局變化分為五類(圖2,表7),分別為強烈退化(荒漠化加劇兩級及其以上)、退化(荒漠化加劇到相鄰一級)、穩定(荒漠化程度不變)、恢復(荒漠化降低到相鄰一級)和顯著恢復(荒漠化降低兩級及其以上)?？臻g統計結果顯示,在2000—2015年間,中蒙俄經濟走廊的荒漠化程度保持穩定的區域主要分布在中國東部區域和俄羅斯區域,退化和嚴重退化區主要分布在蒙古國的東部、中國區域與蒙古國區域的西部交界處,恢復和顯著恢復區域主要分布在內蒙古自治區和蒙古國的中部地區。另外,在2000—2015年間,中蒙俄經濟走廊大部分區域的荒漠化程度未發生改變(占研究區面積的80.91%),而荒漠化程度加重區域和恢復區域分別占總面積的9.68%和9.41%。其中,在中國區域,荒漠化恢復區域的面積比荒漠化程度加重區域的面積多15.18萬km2,而在蒙古國區域和俄羅斯區域,恢復區域的面積則分別比加重區域的總面積少13.20萬km2和3.76萬km2。

圖2 研究區荒漠化時空格局變化 Fig.2 Changes of spatiotemporal pattern of desertification in the study area

表7 研究區荒漠化時空格局變化面積統計

同時,基于荒漠化轉移矩陣(表8)可以發現,2000—2015年研究區荒漠化恢復區域主要來源于極重度荒漠化轉為重度荒漠化和輕度荒漠化轉為非荒漠化,而荒漠化加重區域主要來源于重度荒漠化轉為極重度荒漠化。

表8 研究區荒漠化轉移矩陣/(×104km2)

2.2 荒漠化驅動力定量評估

結合荒漠恢復區和退化區荒漠化程度數據,運行荒漠化驅動機理綜合分析模型,獲得氣候變化和人類活動在中蒙俄經濟走廊荒漠化“恢復區”和“退化區”的影響作用系數(圖3,圖4,表9)。結果顯示,在2000—2015年間,氣候變化和人類活動在荒漠化恢復區的驅動作用在空間上具有明顯的空間分異性。其中,氣候變化對蒙古國東部和內蒙古自治區的大部分區域荒漠化恢復起主導作用,而且氣候變化驅動作用>50%的荒漠化恢復區域占總恢復面積的68.8%,而由人類活動驅動作用>50%的恢復區域僅占整個恢復區面積的27.36%。氣候變化對荒漠恢復的驅動作用,在中國區域、蒙古國區域和俄羅斯區域分別占荒漠恢復區面積的77%、58%和38%。另外,在2000—2015年間,在中蒙俄經濟走廊的荒漠化程度加重區域,人類活動的驅動效應則占主導作用,其中,人類活動驅動作用>50%的荒漠化加重區占所有荒漠化加重區域面積的比例高達69.68%,主要分布在蒙古國的東部和內蒙古的中部地區。

表9 氣候變化和人為因素在退化和恢復區占主導驅動作用的面積/(×10km2)

2000—2015年間,研究區荒漠化驅動機理結果中含有部分“Error”區域(圖3,圖4),其中恢復區的“Error”區域定義為氣候變化和人類活動不利于荒漠化土地恢復,但實際上有利于植被生長的區域,這些“Error”區域主要分布在俄羅斯境內,占所有恢復區域的3.83%。另外,退化區的“Error”區域定義為氣候變化和人類活動有利于荒漠化土地恢復,但實際上抑制了植被生長的區域,這些“Error”區域占所有退化區域的28.87%。事實上,產生這種現象主要是因為遙感反演荒漠化結果存在一定的不確定性,并且基于NPP計算驅動機理,往往也受氣候因子的噪音影響,因此這些超出模型解釋范疇的“Error”區域難以避免。

圖3 氣候變化和人為因素在恢復區的驅動作用 Fig.3 The driving strength of climate change and human factors in desertification restoration area

圖4 氣候變化和人為因素在退化區的驅動作用 Fig.4 The driving role of climate change and human factors in desertification degradation area

3 討論

自21世紀以來,中蒙俄經濟走廊區域的極重度、重度和中度荒漠化面積減少,輕度荒漠化面積增加；中國區域荒漠化土地恢復效果顯著,蒙古國區域荒漠化狀況在加劇等結果與現有研究成果[15, 18, 44-46]一致。譬如,中蒙俄經濟走廊區域的49.12%為草地,裸地僅占14.59%。在氣候變化和人類活動干擾的共同驅動下,草地退化現象嚴重,其中新增裸地面積的89.94%均自于草地退化,但是裸地面積凈減少近800km2,表明極重度荒漠化狀況呈恢復趨勢。

為了進一步解釋線性趨勢分析方法對氣候變化和人類活動的荒漠化驅動作用測度的不足,分別選取降水量、平均氣溫和年蒸散發量3個植被生長的關鍵氣候參數[38,40,47]和能夠綜合反映人類活動狀態的人均GDP[48],對模型中未能解釋的“Error”區域進行分析?？臻g統計分析顯示,在2000—2015年間,中蒙俄經濟走廊區域的年降水量減少29.7mm,年平均氣溫增加1.57℃,年蒸散發量減少17.3mm,人均GDP增加6369＄。年降水量減少區域主要分布 “非荒漠化”區(圖1),尤其是俄羅斯區域的中部地區和中國區域的長白山脈部分地區。在中國區域和蒙古國區域的年降水量增加區域主要分布在荒漠化區,其中中國區域的荒漠化“顯著恢復”和“恢復”區與年降水量增加量大于50mm區的空間分布一致,尤其是中國區域的東北平原、大興安嶺南側地區和鄂爾多斯高原(圖1,圖5)。

圖5 研究區2000—2015氣候和人類活動因子變化量Fig.5 The change of climate and human activity factors in the study area from 2000 to 2015

蒙古國區域的“極重度荒漠化”和“重度荒漠化”區的年降水量雖呈增加(0—50mm)趨勢,但其升溫幅度(>2.8℃)和年蒸散發量增加幅度(>25mm),尤其是荒漠化“嚴重退化”和“退化”區的升溫幅度在3.0℃以上,再加上該地區的人均GDP增加幅度(>8500＄)也大于其他區域。因此,由于該區域升溫和蒸散發增加在空間上的疊加,使得荒漠化程度(尤其在“Error”區內)呈加重趨勢。同時,位于“Error”區的蒙古國南戈壁盟,由于對該區域豐富礦產資源(如世界最大的銅礦奧尤陶勒蓋金銅礦)大量開采[49],在致使人均GDP快速增長的同時,也加重了土地沙化的程度。另外,雖然中國區域的人均GDP也呈快速增長趨勢,但由于京津風沙源治理工程、退牧還草工程等系列國家重大生態工程的實施,使得中國區域的荒漠化呈恢復趨勢。

4 結論

基于GEE的云計算平臺和多源數據,結合植被、土壤、氣候和地形等荒漠化程度的判別指標模型,實現CART、SVM、RF和Albedo-NDVI 4個模型對荒漠化動態識別精度對比分析的基礎上,構建荒漠化驅動機理綜合分析模型,實現中蒙俄經濟走廊荒漠化程度的時空變化及驅動效應分析。

精度驗證表明,CART模型對中蒙俄經濟走廊荒漠化程度信息提取和分類的精度高于SVM、RF和Albedo-NDVI模型,其Kappa系數為0.754,且對各個荒漠化程度分類的用戶精度和生產者精度均比較穩定。雖然Albedo-NDVI模型的總體精度也比較高,但是對于輕度荒漠化識別效果較差。

研究結果顯示,在2000—2015年間,中蒙俄經濟走廊區域的荒漠化程度整體呈減弱趨勢,尤其是極重度荒漠化、重度和中度荒漠化的區域呈縮減趨勢,但輕度荒漠化區域卻呈增加趨勢。中國區域的荒漠化呈恢復趨勢,凈恢復面積達15.18萬km2,而蒙古國區域和俄羅斯區域的荒漠化呈加重趨勢,其新增的荒漠化面積分別為13.2萬km2和3.76萬km2。

荒漠化程度時空變化及驅動作用分析表明,中蒙俄經濟走廊荒漠化程度減弱主要表現為極重度荒漠化轉為重度荒漠化、輕度荒漠化轉為非荒漠化兩種狀態,而荒漠化程度加重區域則主要為重度荒漠化轉為極重度荒漠化。氣候變化在中蒙俄經濟走廊荒漠化程度減弱和恢復種起到主導作用,而局部的荒漠化加重區域,人類活動的驅動作用超過了氣候變化驅動作用。