Auswirkungen hydrothermischer Faktoren und menschlicher Aktivitäten auf die Vegetationsbedeckung des Qinghai

Scientific Reports Band 13, Artikelnummer: 12488 (2023) Diesen Artikel zitieren

22 Zugriffe

Details zu den Metriken

Ein systematisches Verständnis der räumlich-zeitlichen Veränderungen und treibenden Faktoren im Qinghai-Tibet-Plateau stellt einen wichtigen wissenschaftlichen Referenzwert für die Zukunft der ökologisch nachhaltigen Entwicklung dar. In diesem Artikel werden der normalisierte Differenzvegetationsindex (NDVI) von MODIS und meteorologische Daten verwendet, um die räumlich-zeitlichen Veränderungen und treibenden Faktoren der Vegetationsbedeckung auf dem Qinghai-Tibet-Plateau von 2001 bis 2020 zu untersuchen. Zu den verwendeten Methoden gehören das Dimidiate-Pixel-Modell, Trendanalyse und partielle Korrelationsanalyse und Residuenanalyse. Die Ergebnisse zeigen einen allgemein schwankenden Aufwärtstrend der Vegetationsbedeckung auf dem tibetischen Plateau in den letzten zwei Jahrzehnten, wobei die räumliche Ausdehnung von Nordwesten nach Südosten erfolgte. Die Vegetationsbedeckung weist eine positive Korrelation mit Klimafaktoren auf. Ungefähr 60,7 % der Fläche zeigten eine positive Korrelation zwischen der Vegetationsfraktion (FVC) und dem Niederschlag, wobei 8,66 % der Fläche eine äußerst signifikante (p < 0,05) und signifikante (p < 0,01) positive Korrelation aufwiesen. Insgesamt haben menschliche Aktivitäten zur Verbesserung der Vegetationsbedeckung auf dem Qinghai-Tibet-Plateau beigetragen. Die Gebiete, in denen menschliche Aktivitäten sich positiv auf die Vegetationsbedeckung ausgewirkt haben, liegen hauptsächlich im nördlichen Zentrum von Qinghai und nördlich von Ngari, während zu den Gebieten, in denen es zu einer Degradierung kommt, bestimmte Graslandregionen im zentralen Osten von Yushu, Nagqu und Lhasa gehören.

Als wichtiger Teil terrestrischer Ökosysteme haben die Vegetationsbedeckung und die Wachstumsbedingungen erheblichen Einfluss auf die ökologische Umwelt und die Fähigkeit zur nachhaltigen Entwicklung1,2. Die fraktionierte Vegetationsbedeckung (FVC), die als Verhältnis der vertikalen Projektion der Bodenvegetation zur Gesamtfläche einer bestimmten Region definiert ist, dient als wertvoller Indikator für die Beurteilung der Vegetationsdynamik, ökologischer Veränderungen und des Wachstums der Oberflächenvegetation3,4. 5. Hydrothermale Bedingungen sind die primären nichtbiologischen Faktoren, die die Vegetationseigenschaften bestimmen6. Der zugrunde liegende Zusammenhang zwischen FVC und Klimafaktoren weist darauf hin, dass FVC möglicherweise indirekt den Klimawandel widerspiegelt. Daher erweist sich die räumlich-zeitliche Variation der FVC als wirksames Mittel zur Aufklärung der Vegetationswachstumsdynamik, zur Überwachung von Dürrestress und zur Bewertung der Ökosystemqualität in einer sich erwärmenden Welt7.

Das in Asien gelegene Qinghai-Tibet-Plateau (QTP) ist das größte und höchste Plateau der Welt und wird oft als „Dach der Welt“ und „dritter Pol“ bezeichnet. Mit einer Gesamtfläche von mehr als 2,5 Millionen km28,9 dient es als Binnenplateau in China8,9. QTP ist eine sensible Region im Hinblick auf den Klimawandel und eine ökologisch fragile Region, und ihre ökologischen Veränderungen haben erhebliche Auswirkungen auf Asien und sogar auf das globale Klima10. Das besondere Klima und die geografischen Eigenschaften des QTP haben die Entwicklung verschiedener Ökosystemtypen wie Wälder, Sträucher, alpines Grasland, alpine Wiesen und alpine Wüsten erleichtert. Die Erfassung von Vegetationsbedeckungsdaten und die Untersuchung ihrer räumlichen und zeitlichen Variationen sind für die Beurteilung der Ökosystemqualität im QTP von entscheidender Bedeutung.

Frühere Studien haben durchweg einen Aufwärtstrend bei der Vegetationsbedeckung auf dem QTP berichtet. Li et al. beobachteten einen zunehmenden Trend in der Vegetationsbedeckung von QTP von 2001 bis 201011. Duan et al. analysierte NDVI-Daten von 2000 bis 2018 und stellte fest, dass Almwiesen, alpines Grasland und die gesamte Vegetation auf dem QTP während der Vegetationsperiode einen zunehmenden NDVI-Trend aufwiesen12. In ähnlicher Weise haben Zhu et al. führte eine umfassende Analyse der NDVI-Zeitreihendaten von 2000 bis 2018 durch und bestätigte einen positiven Trend beim Vegetationsgrün im gesamten QTP13. Darüber hinaus haben diese Studien den Einfluss des Klimawandels und anthropogener Faktoren auf das Vegetationswachstum gezeigt. Zhong et al. berichteten über einen allgemeinen Anstieg der Vegetationsdichte auf dem QTP von 1999 bis 2014, der auf kurzfristige Erwärmung und erhöhte Niederschläge zurückzuführen ist14. Zhu et al. gaben an, dass die positiven Auswirkungen des Klimawandels auf die Vegetation von QTP schwächer werden, während die negativen Auswirkungen zunehmen, wobei menschliche Aktivitäten eine zunehmend negative Rolle spielen15. Han et al. identifizierten eine signifikante Korrelation zwischen Durchschnittstemperatur, Gesamtniederschlag und Vegetationsbedeckung während der Vegetationsperiode auf dem QTP, wobei der Niederschlag der Hauptkontrollfaktor für das Vegetationswachstum ist16. Huang et al. fanden heraus, dass der vorherrschende Einfluss des Klimas und der menschlichen Aktivität räumlich und zeitlich variierte, wobei vom Menschen dominierte Regionen kleiner waren als vom Klima dominierte Gebiete17. Sun et al. verwendeten das Geodetektormodell, um die Auswirkungen von Daten über die Intensität menschlicher Aktivität und des Wetters auf die räumliche Verteilung des Vegetations-NDVI in der QTP-Region zu analysieren18.

Zusammenfassend lässt sich sagen, dass Vegetationsveränderungen durch den Klimawandel und menschliche Aktivitäten verursacht werden. Der Klimawandel äußert sich hauptsächlich in erheblichen Veränderungen der Temperatur und des Niederschlags, die sich auf die Photosynthese, Atmung und das Gesamtwachstum der Pflanzen auswirken19. Menschliche Aktivitäten haben sowohl negative als auch positive Auswirkungen auf die Vegetation und umfassen Urbanisierung, Entwaldung, Überweidung, landwirtschaftliche Praktiken, Aufforstung und ökologische Initiativen20.

Durch die Verwendung von Klimadaten und Langzeitreihen von MODIS NDVI-Datensätzen sowie anderen Quellen sowie der Resttrendanalysemethode verfolgt diese Studie daher die folgenden Ziele: (1) Analyse der räumlich-zeitlichen Dynamik der Vegetationsvariation auf dem QTP über die letzten zwei Jahrzehnte; (2) Aufklärung der Hauptfaktoren, die seit 2001 zu Vegetationsveränderungen beigetragen haben; (3) den Einfluss des Klimawandels und anthropogener Aktivitäten auf die Vegetationsvariation im QTP zu quantifizieren. Diese Studie verbessert unser Verständnis der zugrunde liegenden Mechanismen, die Vegetationsveränderungen in Plateauregionen vorantreiben, und bietet gleichzeitig wertvolle Erkenntnisse für Bemühungen zur Vegetationswiederherstellung im QTP.

Die durchschnittliche FVC, der Niederschlag und die Temperatur des tibetischen Plateaus zeigten von 2001 bis 2020 einen allgemein schwankenden Aufwärtstrend, wie in Abb. 1a–c dargestellt.

Jährliche durchschnittliche FVC (a), jährliche Niederschlagsmenge (b) und jährliche durchschnittliche Temperatur (c) Veränderung des QTP von 2001 bis 2020.

Der jährliche mittlere FVC erreichte seinen Maximalwert von 0,410 im Jahr 2020, während der Minimalwert im Jahr 2015 bei 0,381 lag. Niederschlag und Temperatur wiesen um 2015 niedrigere Werte und um 2019 höhere Werte auf. Es lässt sich ein klarer Zusammenhang zwischen Vegetationswachstum und hydrothermischen Faktoren beobachten Vegetationsbedeckung variiert je nach hydrothermalen Bedingungen. Insgesamt zeigte die durchschnittliche jährliche Vegetationsbedeckung des QTP in den letzten 20 Jahren einen allmählich steigenden Trend; Allerdings war die Wachstumsrate mit 0,0006 pro Jahr relativ langsam.

Um eine intuitivere Darstellung der Vegetationsbedeckung zu ermöglichen, wurde die FVC in fünf Stufen14 kategorisiert (Tabelle 1). Die Vegetationsbedeckung im QTP zeigte ein deutliches räumliches Muster, das stufenweise von Nordwesten nach Südosten zunahm (Abb. 2).

Jährliche FVC-Gradeverteilung von QTP von 2001 bis 2020.

Regionen mit hoher Vegetationsbedeckung befanden sich vorwiegend in den südöstlichen Gebieten, die durch günstige Wasser- und Wärmebedingungen gekennzeichnet sind, und umfassten die Provinz Sichuan, die Provinz Yunnan, den südöstlichen Teil des Autonomen Gebiets Tibet, die östlichen und südlichen Teile der Provinz Qinghai sowie den südlichen Teil Provinz Gansu. Diese Gebiete waren überwiegend von Nadelwäldern und gemischten Nadel- und Laubwäldern bedeckt. Umgekehrt befanden sich die Regionen mit geringer Vegetationsbedeckung im nordwestlichen Teil des Plateaus, der durch ungünstige Wasser- und Hitzebedingungen gekennzeichnet ist, und umfassten den westlichen Teil des Autonomen Gebiets Tibet, das Uigurische Autonome Gebiet Xinjiang, den nordwestlichen Teil der Provinz Qinghai und den Westen Teil der Provinz Gansu. Diese Regionen waren überwiegend von Grasland und Wüsten bedeckt. Diese Beobachtung deutete auf eine signifikante Korrelation zwischen dem räumlichen Verteilungsmuster der Vegetationsbedeckung und den hydrothermischen Bedingungen hin.

Die statistische Analyse ergab, dass die mit hoher und niedriger Vegetation bedeckte Fläche 25,02 % bzw. 52,85 % der gesamten Forschungsfläche ausmachte, während die mittlere und hohe, mittlere und die mittlere und niedrige Vegetationsfläche 7,30 % bzw. 6,30 % ausmachten %, bzw. 8,53 %.

Um die räumlichen Entwicklungsmerkmale der Vegetationsbedeckung auf dem QTP detaillierter zu untersuchen, verwendeten wir die Theil-Sen-Median-Trendanalysemethode und die Mann-Kendall-Signifikanztestmethode, um den Variationstrend in der Vegetationsbedeckung zu analysieren.

Die in Abb. 3 dargestellten Ergebnisse zeigten, dass die Fläche mit einem sehr signifikanten Anstieg und einer signifikanten Zunahme der Vegetationsbedeckung 11,94 % ausmachte. Dieses Gebiet befand sich überwiegend in der nördlichen Region und umfasste das Uigurische Autonome Gebiet Xinjiang (einschließlich des Kunlun-Gebirgssystems und des Aljinshan-Gebirgssystems), der Provinz Gansu (Qilian-Gebirgssystem) und des nördlichen Teils der Provinz Qinghai (Bayankra-Gebirgssystem und Umgebung). des Qinghai-Sees). Im Gegensatz dazu machte das Gebiet mit einem sehr signifikanten Rückgang und einem signifikanten Rückgang 3,94 % des gesamten Forschungsgebiets aus und konzentrierte sich hauptsächlich auf das zentrale Autonome Gebiet Tibet und die südwestliche Provinz Qinghai.

Änderungstrend von FVC auf QTP von 2001 bis 2020.

Die räumliche Niederschlagsverteilung im QTP zeigte einen allmählichen Anstieg von Nordwesten nach Südosten und entsprach eng dem Verteilungsmuster der Vegetationsbedeckung (Abb. 4).

Durchschnittliche jährliche Niederschlagsänderung auf dem QTP von 2001 bis 2020.

Nach der partiellen Korrelationsanalyse zwischen Vegetationsbedeckung und Niederschlag haben wir eine räumliche Verteilungskarte abgeleitet, die den partiellen Korrelationskoeffizienten und die Bedeutung der Korrelation zwischen FVC und Niederschlag im QTP von 2001 bis 2020 veranschaulicht (Abb. 5).

Partieller Korrelationskoeffizient und Signifikanz zwischen FVC und Niederschlag im QTP von 2001 bis 2020.

Laut statistischer Analyse wiesen 60,7 % der Untersuchungsfläche einen positiven Zusammenhang zwischen FVC und Niederschlag auf. Davon wiesen 8,66 % der Fläche eine hochsignifikante und signifikante positive Korrelation auf und umfassten die Grünlandflächen in der Provinz Gansu, die Grünland- und Wiesenflächen in der südlichen Provinz Qinghai sowie die alpine Vegetation, das Grasland und die Wiesenflächen in Zentraltibet Autonome Region. Die restlichen 39,3 % der Fläche wiesen eine negative Korrelation auf. Von diesem Teil wies ein kleiner Teil (1,7 %) eine hochsignifikante und signifikante negative Korrelation auf, während 33,5 % eine insignifikante negative Korrelation aufwiesen. Dazu gehörten der Südosten der Provinz Qinghai, das Chai-Damu-Becken, die Provinz Yunnan und der Südosten der Autonomen Region Tibet.

Die Temperatur im QTP wurde stark von der Höhe beeinflusst (Abb. 6), wobei die Temperaturen mit zunehmender Höhe abnahmen.

Verbreitungskarte der jährlichen Durchschnittstemperatur und DEM auf dem Qinghai-Tibet-Plateau.

Durch die Analyse der räumlichen Verteilung des partiellen Korrelationskoeffizienten und der Signifikanz zwischen Vegetationsbedeckung und Temperatur von 2001 bis 2020 (Abb. 7) zeigte sich, dass 52,8 % der Fläche eine positive Korrelation zwischen Vegetationsbedeckung und Temperatur aufwiesen. Diese positive Korrelation wurde vor allem in den meisten Teilen der Provinz Qinghai und im Nordwesten des Autonomen Gebiets Tibet (angrenzend an Xinjiang) beobachtet. Unter diesen Regionen wiesen 2,22 % eine äußerst signifikante und signifikante positive Korrelation auf, während 50,58 % eine unbedeutende positive Korrelation aufwiesen. Darüber hinaus wiesen 47,2 % der Fläche eine negative Korrelation auf, vorwiegend im Südwesten der Autonomen Region Tibet. Von diesem Anteil wiesen 2,86 % eine äußerst signifikante und signifikante negative Korrelation auf, während 44,34 % eine insignifikante negative Korrelation aufwiesen.

Teilkorrelationskoeffizient und Signifikanz zwischen FVC und Temperatur im QTP von 2001 bis 2020.

Mithilfe einer Restanalyse wurde der Einfluss menschlicher Aktivitäten auf die FVC isoliert (Abb. 8).

Der FVC-Änderungstrend wird durch menschliche Aktivitäten beeinflusst.

Die statistische Analyse ergab, dass 39,19 % der Fläche durch menschliche Aktivitäten eine Verbesserung erfuhren, während 34,12 % relativ unverändert blieben und 26,69 % eine Verschlechterung aufwiesen. Infolgedessen haben menschliche Aktivitäten in den letzten 20 Jahren die gesamte Vegetationsbedeckung des QTP verbessert und das Vegetationswachstum gefördert. In Bezug auf die Art der Landnutzung (Abb. 9) befanden sich die Gebiete, in denen Verbesserungen erzielt wurden, hauptsächlich im Grasland von Xinjiang, den zentralen und nördlichen Gebieten von Qinghai, den Anbaugebieten in Xining, den nördlichen und südwestlichen Gebieten von Ali und den südwestlichen Gebieten von Shigatse und Nujiang. Gebiete mit minimalen Veränderungen bestanden überwiegend aus kahlen Böden und Waldgebieten, wie das Qaidam-Becken in der Hercynian-Region, und Waldgebiete in den südlichen Teilen von Shannan und Nyingchi. Regionen mit schädlichen Auswirkungen konzentrierten sich hauptsächlich auf das Grasland von Nagqu und Yushu, den östlichen Teil von Guoluo sowie Teile von Qamdo, Diqing, Liangshan usw. Dies deutete auf einen relativ starken Verschlechterungstrend bei vom Menschen veränderten Oberflächen hin.

Karte der Landnutzungstypen im QTP.

Die Vegetationsbedeckung im QTP zeigte eine konsistente Gesamtverbesserung mit einer räumlichen Verteilung, die von Nordwesten nach Südosten zunahm. Dieses Verteilungsmuster entspricht den vorherrschenden klimatischen Bedingungen im QTP. In der nordwestlichen Region herrschten im Vergleich zur südöstlichen Region ungünstigere klimatische Bedingungen für das Vegetationswachstum. Die Trendanalyse ergab, dass sich die Vegetationsbedeckung im QTP im Allgemeinen verbessert hat, in lokalen Gebieten jedoch auch eine Verschlechterung zu verzeichnen war. Diese Ergebnisse stimmen mit einer früheren Studie überein21,22,23. Darüber hinaus haben wir mithilfe der Google Earth Engine (GEE)-Plattform die gesamten Oberflächenwasserflächen von Tibet und Qinghai von 2001 bis 2020 erfasst (Abb. 10), indem wir den v1.3-Datensatz der JRC Annual Water Classification History verarbeitet haben.

Jahresvariation der gesamten Oberflächenwasserfläche in Tibet und Qinghai von 2001 bis 2020.

Es wurde beobachtet, dass die Gebiete, in denen ein erheblicher oder erheblicher Rückgang zu verzeichnen war, eng mit den Seengebieten übereinstimmten. Darüber hinaus zeigte der Vergleich der Vegetationstypkarten, dass der dominierende Vegetationstyp in diesen Gebieten hauptsächlich Grasland war. Im Laufe der Zeit führte die Vergrößerung des Sees zu einer Überschwemmung der Vegetation in diesem bestimmten Gebiet, was zu einer Verringerung der Vegetationsbedeckung führte. Diese Ergebnisse stimmen mit früheren Studien überein24,25. Im südlichsten Teil befand sich ein stabiles Gebiet, das durch subtropische und tropische Bergnadelwaldvegetation gekennzeichnet war, die das ganze Jahr über ihre dichte Bedeckung beibehielt. Bemerkenswerterweise konzentrierten sich die Regionen, in denen sich die Vegetation von QTP verbesserte, hauptsächlich auf die westlichen und nördlichen Teile, während die östlichen und südlichen Regionen einen sich verschlechternden Trend aufwiesen. Diese Diskrepanz kann auf eine höhere Bevölkerungsdichte und eine relativ größere Intensität menschlicher Aktivitäten im Vergleich zu den westlichen und nördlichen Regionen zurückgeführt werden.

Durch eine teilweise Korrelationsanalyse wurde eine signifikante positive Korrelation zwischen der Vegetationsbedeckung des QTP und sowohl dem Niederschlag als auch der Lufttemperatur im Großteil des Untersuchungsgebiets beobachtet. Niederschlag und Temperatur zeigten komplementäre Antriebseffekte, wobei der Niederschlag einen größeren Einfluss auf die Vegetationsbedeckung hatte als die Temperatur. Die nördlichen QTP-Regionen bestanden überwiegend aus Wüsten, in denen die Vegetationsbedeckung eine positive Korrelation mit der Temperatur, jedoch eine negative Korrelation mit dem Niederschlag aufwies. Die Daten zeigten die Empfindlichkeit der Vegetationsbedeckung gegenüber Veränderungen der Wasser- und Temperaturbedingungen. Unsere Ergebnisse zeigten, dass die Änderungen der Niederschläge, insbesondere in den nördlichen Regionen, der Hauptgrund für die Verschlechterung der Vegetation waren, was mit früheren Untersuchungen übereinstimmt26. Das Auftreten niedriger Temperaturen und Niederschläge um das Jahr 2015 lieferte eine plausible Erklärung für die beobachtete minimale Vegetationsbedeckung in diesem Jahr. Darüber hinaus wurde in einschlägigen Untersuchungen das Auftreten eines Super-El-Niño-Ereignisses im Jahr 2015 auf QTP festgestellt, das zu einer schweren Dürre auf fast dem gesamten Plateau führte27. Dieses Extremereignis trug darüber hinaus zur niedrigsten Vegetationsbedeckung bei, die 2015 auf QTP verzeichnet wurde. Die Ergebnisse zeigten, dass günstige hydrothermale Bedingungen eine entscheidende Rolle bei der Förderung des Vegetationswachstums spielten.

Neben natürlichen Klimafaktoren beeinflussen menschliche Aktivitäten das Vegetationswachstum maßgeblich. Menschliche Aktivitäten wirken sich eher lokal auf die Vegetation aus als die weitreichenden Auswirkungen klimatischer Faktoren, insbesondere in dicht besiedelten Regionen28. Aufgrund der besonderen geografischen Bedingungen von QTP ist der Großteil des Plateaus, insbesondere in den westlichen Regionen, für die Besiedlung durch Menschen ungeeignet, was dazu führt, dass sich menschliche Aktivitäten überwiegend auf den östlichen Teil des Plateaus konzentrieren. Basierend auf den statistischen Ergebnissen machten die Gebiete, die aufgrund menschlicher Aktivitäten eine verbesserte Vegetationsbedeckung aufwiesen, 39,19 % aus und konzentrierten sich hauptsächlich auf Xinjiang, Zentral- und Nord-Qinghai, Anbaugebiete von Xining, Nord- und Südwest-Ali sowie die östlichen und südwestlichen Regionen von Unter anderem Shigatse. Die degradierte Fläche machte 26,69 % aus und verteilte sich hauptsächlich auf die Graslandregionen im zentralen und östlichen Yushu, auf Gebiete mit künstlicher Oberflächenbedeckung in Zentraltibet (Nagqu, Lhasa) sowie auf die östlichen Regionen Guoluo und Xining. Die obigen Schlussfolgerungen stimmten mit denen früherer Studien überein28,29. Die nördliche Steppenregion umfasst zahlreiche schneebedeckte Berge und Gletscher, die oft in großer Höhe liegen. Die Vegetation in diesem Gebiet besteht hauptsächlich aus Tundra und anderen Alpenpflanzen. Darüber hinaus weist die Region eine geringe Bevölkerungsdichte, eine begrenzte Stadtentwicklung und vernachlässigbare Weideaktivitäten auf, die alle nur minimale Auswirkungen auf die Vegetationsbedeckung haben. Die degradierten Flächen resultieren überwiegend aus intensiver Tierhaltung und beeinträchtigen vor allem Grünland und Wiesenvegetation. Mit der Ausweitung der örtlichen Tierhaltung hat sich der Lebensstandard verbessert. Allerdings haben die ungeordnete Bewirtschaftung der Weidepraktiken und das Fehlen rechtzeitiger Abhilfemaßnahmen die Verschlechterung der Grünlandvegetation beschleunigt30. Darüber hinaus weist Xining, der größte Beitragszahler zum BIP der Provinz Qinghai, einen erheblichen Anteil der von Menschenhand geschaffenen Fläche auf. Das schnelle Wirtschaftswachstum, die dichte Bevölkerung, der zunehmende Straßenbau und die Infrastrukturentwicklung in Xining haben zu bemerkenswerten menschlichen Fußabdrücken geführt, die sich auf die Vegetationsbedeckung auswirken. Die positiven Auswirkungen menschlicher Aktivitäten auf die Vegetation in der nordöstlichen Region des tibetischen Plateaus seit 2000 können hauptsächlich auf die Umsetzung von vier bedeutenden ökologischen Projekten in China zurückgeführt werden: dem Natural Forest Resources Protection Project, dem Three Northern Protection Forests Project und der Return of Projekt „Kultiviertes Land zu Wäldern“ und Projekt „Weideverbot“15,31.

Dieser Artikel untersuchte die zeitlichen und räumlichen Variationseigenschaften von FVC, die durch hydrothermale Faktoren und menschliche Aktivitäten beeinflusst werden, und lieferte wertvolle wissenschaftliche Referenzen für die nachhaltige ökologische Entwicklung des Qinghai-Tibetischen Plateaus (QTP). Die Ergebnisse dieser Studie zeigten, dass das Vegetationswachstum auf dem QTP durch verschiedene Faktoren beeinflusst wurde, darunter Temperatur, Niederschlag und menschliche Aktivitäten. Die wichtigsten Schlussfolgerungen lauten wie folgt:

In den letzten 20 Jahren zeigte die gesamte Vegetationsbedeckung des QTP einen Aufwärtstrend, wobei eine Begrünung vorwiegend in den nördlichen Regionen und eine Verschlechterung vor allem in den südwestlichen Regionen beobachtet wurde.

Die Reaktion der Vegetation auf klimatische Faktoren zeigte bemerkenswerte räumliche Unterschiede: Die Vegetation in den nordöstlichen und südwestlichen Regionen zeigte negative Korrelationen mit der Temperatur und positive Korrelationen mit den Niederschlägen, während die Vegetation im Südosten negative Korrelationen mit den Niederschlägen und positive Korrelationen mit der Temperatur aufwies. Darüber hinaus zeigte die Vegetation im Nordwesten positive Korrelationen mit beiden Klimafaktoren.

In den letzten 20 Jahren wirkten sich menschliche Aktivitäten insgesamt positiv auf die Vegetationsbedeckung des QTP aus, obwohl es erhebliche regionale Unterschiede gab. Im nordöstlichen Teil des Plateaus wirkten sich menschliche Aktivitäten positiv auf die Vegetation aus. Dennoch können die negativen Auswirkungen menschlicher Aktivitäten auf die Vegetation im südöstlichen Teil des Plateaus nicht ignoriert werden und verdienen ernsthafte Aufmerksamkeit, um weitere Störungen zu verhindern.

Diese Studie konzentrierte sich auf zwei primäre Klimafaktoren, nämlich die jährliche Durchschnittstemperatur und den jährlichen Niederschlag. Angesichts der Komplexität geografischer Systeme und menschlicher Aktivitäten ist es jedoch notwendig, andere klimatische Faktoren zu berücksichtigen. Faktoren wie relative Luftfeuchtigkeit, Sonneneinstrahlung und Evapotranspiration spielen eine wichtige Rolle beim Klimawandel und sind für die Pflanzenentwicklung von entscheidender Bedeutung. Die Klimabedingungen stellen ein hochkomplexes System dar, und die einzigartige geografische Lage des tibetischen Plateaus macht die Höhe zu einem entscheidenden Faktor, der die Pflanzenverbreitung beeinflusst. Nachfolgende Untersuchungen werden Höhe, Neigung und verschiedene meteorologische Bedingungen einbeziehen, um die geografische Verteilung von FVC unter dem Einfluss des Klimawandels umfassend zu untersuchen. Aufgrund der Herausforderungen, die mit der Datenerfassung im QTP verbunden sind, untersuchte diese Studie außerdem ausschließlich die Auswirkungen menschlicher Aktivitäten auf der Grundlage der Bevölkerungsdichte, der Landnutzung und der Nutzflächen. Allerdings würde die Einbeziehung zusätzlicher Daten, etwa zur Verteilung von Touristenattraktionen und sozialen Sehenswürdigkeiten, die Genauigkeit der Analyse des Einflusses menschlicher Aktivitäten erheblich verbessern. Folglich kann zukünftige Forschung umfassendere multidimensionale Analyseergebnisse liefern, die zu einem klareren Verständnis der Einflussfaktoren führen, die sich auf die Vegetationsbedeckung in der Region auswirken.

Die Daten wurden von der National Aeronautics and Space Administration (https://ladsweb.modaps.eosdis.nasa.gov/) bezogen. Der Datensatz umfasst MOD13Q1-Gitter-NDVI-Datenprodukte aus den Jahren 2001 bis 2020 mit einer räumlichen Auflösung von 250 m und einer zeitlichen Auflösung von 16 Tagen. Wir führten Datenextraktion, Spleißen, Neuprojektion, Zuschneiden und andere Vorverarbeitungen mit dem Modis Reprojection Tool und der ArcGIS-Software durch. Die Maximum Value Composite (MVC)-Methode wurde angewendet, um die negativen Einflüsse von Wolken, Wolkenschatten, Aerosol, Wasserdampf, Sichtwinkel und Sonnenhöhenwinkel auf die Berechnung der Vegetationsbedeckung abzumildern32,33.

Die Daten wurden vom National Earth System Science Data Center (http://www.geodata.cn) bezogen. Dieser Datensatz34 wurde aus den globalen 0,5-Klimadaten der CRU (Climatic Research Unit) und den globalen hochauflösenden Klimadaten von WorldClim abgeleitet. Der Datensatz wurde in China unter Verwendung des räumlichen Downscaling-Schemas Delta erstellt und mit 496 unabhängigen meteorologischen Beobachtungspunkten validiert. Die Validierungsergebnisse zeigten die Zuverlässigkeit und Genauigkeit der Klimadaten. Der Downscaling-Prozess und die Genauigkeitsbewertung wurden wie folgt durchgeführt:

Die jährlichen Durchschnitts-, Maximal- und Minimalvariablen der Temperatur (TMPs) und des Niederschlags (PRE) für jeden Monat wurden aus den CRU-Zeitreihendaten abgeleitet. Der abgeleitete klimatologische Datensatz hat eine räumliche Auflösung von 30 Fuß, was mit dem CRU-Datensatz übereinstimmt.

Die anomalen Zeitreihendaten für jede Klimavariable wurden anhand der CRU-Zeitreihendaten und der abgeleiteten klimatologischen Datensätze berechnet.

wobei \({TMP}_{an\left(yr,m\right)}\) und \({PRE}_{an\left(yr,m\right)}\) die Anomalien für Temperaturen und Niederschlag sind, jeweils; \({TMP}_{\left(yr,m\right)}\) und \({PRE}_{\left(yr,m\right)}\) sind die absoluten Temperaturen bzw. Niederschlagswerte; \({CRUTMP}_{\left(m\right)}\) und \({CRUPRE}_{\left(m\right)}\) sind die 30′-Klimatologien für Temperaturen bzw. Niederschläge; und \(m\) und \(yr\) entsprechen dem Monat (Januar–Dezember) bzw. dem Jahr.

Die 30′-Anomalie-Zeitreihendaten wurden räumlich interpoliert, um eine höhere räumliche Auflösung zu erreichen, die mit dem Referenzdatensatz von WorldClim übereinstimmt.

Die hochauflösenden Anomalie-Zeitreihendaten wurden mithilfe des Referenzdatensatzes von WorldClim in absolute Klima-Zeitreihendaten umgewandelt.

wobei \(m\) und \(yr\) wie oben definiert sind; \(res\) stellt die räumliche Auflösung dar, dh 10′, 5′, 2,5′ und 0,5′; \({TMP}_{\left(yr,m,res\right)}\) und \({PRE}_{\left(yr,m,res\right)}\) sind die absoluten Temperaturen und Niederschlagswerte mit einer räumlichen Auflösung von res; \({TMP}_{an\left(yr,m,res\right)}\) und \({PRE}_{an\left(yr,m,res\right)}\) repräsentieren Anomalien mit räumlicher Bedeutung Auflösung der Auflösung für Temperaturen bzw. Niederschlag; und \({WorldTMP}_{\left(m,res\right)}\) und \({WorldPRE}_{\left(m,res\right)}\) repräsentieren Klimatologiedatensätze von WorldClim mit einer räumlichen Auflösung von res für Temperaturen bzw. Niederschlag.

Der ursprüngliche CRU-Datensatz und die herunterskalierten Datensätze wurden anhand von vier statistischen Metriken ausgewertet: Pearson-Korrelationskoeffizient (Cor), mittlerer absoluter Fehler (MAE), mittlerer quadratischer Fehler (RMSE) und Nash-Sutcliffe-Effizienzkoeffizient (NSE). Darüber hinaus wurden die WorldClim-Daten in verschiedenen räumlichen Auflösungen ausgewertet, indem die klimatologischen Werte der WorldClim-Daten mit Beobachtungen an den entsprechenden geografischen Standorten unter Verwendung der MAE- und Cor-Indizes verglichen wurden. Die Stichprobengröße entspricht der Anzahl unabhängiger Stationen.

Heruntergeladen vom National Tibetan Plateau Scientific Data Center35,36,37,38,39 (http://data.tpdc.ac.cn).

Bei den Landnutzungstypdaten handelt es sich um die 2020-Version der 30 m großen globalen Landbedeckungsdaten, die vom chinesischen Ministerium für natürliche Ressourcen veröffentlicht wurden.

NDVI weist eine positive Korrelation mit der Vegetationsbedeckung auf. Daher wurde ein Pixel-Binärmodell in Verbindung mit NDVI verwendet, um die Vegetationsbedeckung abzuschätzen40,41. In diesem Artikel haben wir eine weit verbreitete Methode zur Eliminierung von Rauschfehlern übernommen. Gemäß dem kumulativen Häufigkeitshistogramm von NDVI im gesamten Bild haben wir die oberen und unteren Schwellenwerte mit einem Konfidenzniveau von 5 % und 95 % abgefangen und die NDVI-Werte angenähert, die kahles Land bzw. reine Vegetationspixel darstellen42. Die spezifische Formel lautet wie folgt:

wobei \(FVC\) die fraktionierte Vegetationsbedeckung ist; \(NDVI\) ist der gemischte Bildelementwert; \(NDV{I}_{\text{Boden}}\) ist der Bildelementwert des bloßen Bodens; \(NDV{I}_{\text{veg}}\) ist der reine Vegetationsbildelementwert.

Die Theil-Sen-Medium-Trendanalysemethode ist ein robuster nichtparametrischer Schätzalgorithmus, der den Einfluss von Ausreißern bei der Analyse langer Zeitreihen wirksam abschwächt. Dies stellt eine Verbesserung gegenüber der linearen Regressionsmethode der kleinsten Quadrate43,44 dar. Der Mann-Kendall-Test ist eine nichtparametrische statistische Methode, die 1945 von Mann eingeführt und anschließend von Kendal und Sneyers verfeinert wurde45,46. Einer seiner Vorteile ist die Unabhängigkeit von der Annahme einer Normalverteilung der Messwerte und die Linearität des Trends. Darüber hinaus ist es unbeeinflusst von fehlenden Werten und Ausreißern47.

Die Steigung von Sen wird durch die Formel geschätzt:

wobei \(\beta\) die Steigung ist; \(i\) und \(j\) sind die Zeitreihen; \({\text{FV}}{\text{C}}_{i}\) und \(FV{C}_{j}\) sind die FVC-Werte im Jahr \(i\) und im Jahr \( j\), bzw.; \({\text{median}}\) ist die Medianfunktion. Wenn \(\beta\) >0, hat FVC einen Aufwärtstrend; Wenn \(\beta\) < 0, weist FVC einen Abwärtstrend auf.

Die Ergebnisse der Sen-Trendanalyse wurden mit der Mann-Kendall-Methode auf Signifikanz getestet und die Teststatistik S wurde wie folgt berechnet:

Für den Trendtest haben wir die Teststatistik Z verwendet.

Dabei ist \(S{\text{gn}}\) die symbolische Funktion, \(k\) und \(j\) die Zeitreihen und \(n\) die Anzahl der Überwachungsjahre.

In dieser Arbeit wurde der Trend unter Verwendung von Signifikanzniveaus von P = 0,05 und 0,01 als statistisch signifikant angesehen, wenn der absolute Wert von Z 1,96 bzw. 2,58 überstieg, was den Signifikanzniveaus von 95 % bzw. 99 % entspricht. Tabelle 2 stellt die Methodik dar, die zur Bewertung der Bedeutung des beobachteten Trends verwendet wurde.

Die partielle Korrelationsanalyse ist eine wertvolle Methode zur Untersuchung der Beziehung zwischen zwei spezifischen Variablen und gleichzeitiger Kontrolle des Einflusses einer dritten Variablen. Bei der partiellen Korrelationsanalyse wird der Einfluss einer dritten Variablen auf die Beziehung zwischen zwei Variablen entfernt, was eine Untersuchung der Korrelation zwischen den verbleibenden zwei Variablen ermöglicht48,49. Anhand der verfügbaren Daten zu Vegetationsbedeckung, Niederschlag und Temperatur werden die partiellen Korrelationskoeffizienten zwischen der Vegetationsbedeckung und jeder der beiden Klimavariablen (Niederschlag und Temperatur) berechnet und ihre statistische Signifikanz mithilfe von T-Tests bewertet. Die spezifische Formel zur Berechnung der partiellen Korrelationskoeffizienten lautet wie folgt:

wobei \({r}_{xy,z}\) den partiellen Korrelationskoeffizienten zwischen x und y darstellt, wenn die z-Variable fest ist; \({r}_{xy,zw}\) ist der partielle Korrelationskoeffizient zweiter Ordnung zwischen x und y, wenn die z- und w-Variablen fest sind; \({r}_{xy}\), \({r}_{xz}\) und \({r}_{yz}\) repräsentieren jeweils die Korrelationskoeffizienten zwischen x und y, x und z, y und z; n ist die Anzahl der Jahre der Überwachung; \({x}_{i}\) und \({y}_{i}\) sind jeweils die Werte der x- und y-Variablen im Jahr i, und \(\overline{x }\) und \( \overline{y }\) sind jeweils die jährlichen Mittelwerte von x und y.

Nach der Berechnung jedes Korrelationskoeffizienten wurde ein T-Test durchgeführt, um die Signifikanz zu bewerten:

Dabei ist n die Anzahl der Überwachungsjahre und q die Anzahl der kontrollierbaren Variablen.

Unter Verwendung vorgegebener Signifikanzniveaus von P = 0,05 und 0,01 wurden die t-Werte über 2,120 bzw. 2,921 bei einem Konfidenzniveau von 95 % und 99 % als signifikant angesehen.

Diese Methode ist ein effektiver Ansatz zur Unterscheidung der Auswirkungen des Klimawandels und menschlicher Aktivitäten auf die Vegetationsdynamik50. Der Einfluss menschlicher Faktoren wird isoliert, indem die Auswirkungen von Niederschlag und Temperatur aus der langfristigen Zeitreihe der Vegetationsbedeckung entfernt werden51. In Anbetracht der Tatsache, dass die Variationen in der Vegetationsbedeckung hauptsächlich durch das Klima und menschliche Aktivitäten bestimmt werden, wird in dieser Studie ein multiples Regressionsmodell entwickelt, um die Vegetationsbedeckung unter Verwendung von Niederschlag und Temperatur als Prädiktoren abzuschätzen. Das Residuum stellt die Diskrepanz zwischen der beobachteten und der vorhergesagten Vegetationsbedeckung dar und erfasst den Anteil, der auf menschliche Aktivitäten zurückzuführen ist. Abschließend wird die lineare Regressionsmethode verwendet, um den zeitlichen Trend der jährlichen Residuen zu analysieren. Die Formel lautet wie folgt:

wobei: \(pre\) die jährlichen Niederschlagsdaten sind; \(tem\) sind jährliche Temperaturdaten; a, b, c sind Regressionskoeffizienten; \(FV{C}_{p}\) ist der vorhergesagte Wert; \(FV{C}_{a}\) ist die tatsächliche fraktionierte Vegetationsbedeckung, berechnet aus MOD13Q1-NDVI-Werten; \(\delta\) ist Rest. \(\delta\) > 0 bedeutet, dass menschliche Aktivitäten eine positive Rolle spielen; \(\delta\) < 0 bedeutet, dass menschliche Aktivitäten eine negative Rolle spielen.

Die Trends der Vegetationsveränderung unter dem Einfluss menschlicher Aktivitäten wurden in fünf Kategorien eingeteilt: signifikante Verschlechterung52 (< − 0,006), leichte Verschlechterung (− 0,006 bis − 0,0006), im Wesentlichen unverändert (− 0,0006 bis 0,0006), leichte Verbesserung (0,0006 bis 0,006). ) und deutliche Verbesserung (> 0,006).

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Wenfu, P. et al. Quantifizierung der Einflüsse natürlicher Faktoren auf NDVI-Veränderungen der Vegetation basierend auf einem geografischen Detektor in Sichuan, Westchina. J. Sauber. Prod. 233, 353–367 (2019).

Artikel Google Scholar

Yang, C. et al. Raumzeitliche Veränderungen der Vegetationsbedeckung und ihre Einflussfaktoren im Lössplateau Chinas basierend auf dem geografisch gewichteten Regressionsmodell. Wälder 12, 673. https://doi.org/10.3390/f12060673 (2021).

Artikel Google Scholar

Mu, B. et al. Veränderung der Vegetationsbedeckung und ihre Zuordnung in China von 2001 bis 2018. Remote Sens. 13, 496. https://doi.org/10.3390/rs13030496 (2021).

Artikel ADS Google Scholar

Miaomiao, L et al. Schätzung des Vegetationsanteils im oberen Becken des Miyun-Reservoirs durch Fernerkundung. Ressource. Wissenschaft. 26, 153–159 (2004).

Changlong, L. et al. Räumliche und zeitliche Merkmale der Wald- und Grasbedeckung im potenziellen Bereich der Wüstenbildung in China von 2000 bis 2020. Acta Geogr. Sünde. 77, 2803–2816 (2022).

Google Scholar

Jiao, K. et al. Niederschläge treiben die NDVI-Verbreitung auf dem tibetischen Plateau voran, während hohe Erwärmungsraten die ökologischen Dürren verstärken können. Remote Sens. 13, 1305. https://doi.org/10.3390/rs13071305 (2001).

Artikel ADS Google Scholar

Fang, H., Li, S., Zhang, Y., Wei, S. & Wang, Y. Neue Erkenntnisse über die Struktureigenschaften der globalen Vegetation durch eine Analyse des Index der Baumkronenverklumpung, der fraktionierten Vegetationsbedeckung und des Blattflächenindex. Wissenschaft. Remote Sens. 4, 100027 (2021).

Artikel Google Scholar

Wang, Z. et al. Vegetationsausbreitung auf dem tibetischen Plateau und ihr Zusammenhang mit dem Klimawandel. Remote Sens. 12, 4150. https://doi.org/10.3390/rs12244150 (2020).

Artikel ADS Google Scholar

Zhong, L. et al. Bewertung der Vegetationsdynamik und ihrer Reaktion auf Niederschlags- und Temperaturschwankungen im tibetischen Plateau. Aufstieg. Change 103, 519–535 (2010).

Artikel ADS Google Scholar

Hua, T. et al. Wirksamkeit von Schutzgebietsrändern auf Vegetationsgrün, -bedeckung und -produktivität auf dem tibetischen Plateau, China. Landsk. Stadtplan. 224, 104421 (2022).

Artikel Google Scholar

Juncheng, L. et al. Raumzeitliche Veränderungen der Vegetationsbedeckung als Reaktion auf den Klimawandel auf dem tibetischen Plateau. Acta Geol. Sünde. 88, 974–983 (2014).

Artikel Google Scholar

Duan, H. et al. Räumliche und zeitliche Unterschiede in Almwiesen, Alpensteppen und der gesamten Vegetation des Qinghai-Tibetischen Plateaus und ihre Reaktionen auf den Klimawandel. Remote Sens. 13, 669 (2021).

Artikel ADS Google Scholar

Yuying Z et al. Veränderungen des Vegetationsgrüns und seine Reaktion auf Dürre-Nässe-Variationen auf dem Qingzang-Plateau. Kinn. J. Plant Ecol. 47(01), 51–64 (2023).

Zhong, L., Ma, Y., Xue, Y. & Piao, S. Trends und Auswirkungen des Klimawandels auf die Begrünung der Vegetation auf dem tibetischen Plateau. J. Geophys. Res. Atmosphäre. 124, 7540–7552. https://doi.org/10.1029/2019JD030481 (2019).

Artikel ADS Google Scholar

Zhu, B., Zhang, Z., Tian, J., Kong, R. & Chen, X. Zunehmende negative Auswirkungen des Klimawandels und anthropogener Aktivitäten auf die Vegetationsvariation auf dem Qinghai-Tibet-Plateau im Zeitraum 1982–2019. Remote Sens. 14, 4735. https://doi.org/10.3390/rs14194735 (2022).

Artikel ADS Google Scholar

Han, H., Yin, Y., Zhao, Y. & Qin, F. Raumzeitliche Variationen in der fraktionierten Vegetationsbedeckung und ihre Reaktionen auf klimatische Veränderungen auf dem Qinghai-Tibet-Plateau. Remote Sens. 15, 2662. https://doi.org/10.3390/rs15102662 (2023).

Artikel ADS Google Scholar

Huang, K. et al. Die Einflüsse des Klimawandels und menschlicher Aktivitäten auf die Vegetationsdynamik im Qinghai-Tibet-Plateau. Remote Sens. 8, 876. https://doi.org/10.3390/rs8100876 (2016).

Artikel ADS Google Scholar

Sun, L. et al. Auswirkungen des Klimawandels und menschlicher Aktivitäten auf den NDVI im Qinghai-Tibet-Plateau. Remote Sens. 15, 587. https://doi.org/10.3390/rs15030587 (2023).

Artikel ADS Google Scholar

Wang, Y., Zhang, Z. & Chen, X. Quantifizierung des Einflusses natürlicher und anthropogener Faktoren auf Vegetationsveränderungen basierend auf Geodetektoren: Eine Fallstudie im Poyang-Seebecken, China. Remote Sens. 13, 5081. https://doi.org/10.3390/rs13245081 (2021).

Artikel ADS Google Scholar

Zhang, F. et al. Veränderungen der Nettoprimärproduktivität der Wälder im Einzugsgebiet des Jangtsekiang und ihr Zusammenhang mit dem Klimawandel und menschlichen Aktivitäten. Remote Sens. 11, 1451. https://doi.org/10.3390/rs11121451 (2019).

Artikel ADS Google Scholar

Zhang, Y. et al. Räumlich-zeitliche Veränderungen der Nettoprimärproduktivität der Vegetation und ihre treibenden Faktoren auf dem Qinghai-Tibetischen Plateau von 2001 bis 2017. Remote Sens. 13, 1566 (2021).

Artikel ADS Google Scholar

Zhang, L., Guo, H., Lei, L. & Yan, D. Überwachung der Vegetationsgrünvariationen im Qinghai-Tibet-Plateau mit dem MODIS-Vegetationsindex. Im Jahr 2011 IEEE International Geoscience and Remote Sensing Symposium, 760–762 (2011)https://doi.org/10.1109/IGARSS.2011.6049241.

Guo, B. et al. Bestimmung der Beiträge des Klimawandels und menschlicher Aktivitäten zur Vegetations-KKW-Dynamik im Qinghai-Tibet-Plateau, China, von 2000 bis 2015. Umwelt. Überwachen. Bewerten. 192, 663. https://doi.org/10.1007/s10661-020-08606-6 (2020).

Artikel PubMed Google Scholar

Guoqing, Z. et al. Fortschritte bei der Fernerkundungsüberwachung von Seegebiets-, Wasserstands- und Volumenänderungen auf dem tibetischen Plateau. Natl. Fernerkundung Bull. 26, 115–125. https://doi.org/10.11834/jrs.20221171 (2022).

Artikel Google Scholar

Zhang, G. et al. 100 Jahre Seeentwicklung auf dem Qinghai-Tibet-Plateau. Erdsystem. Wissenschaft. Daten. 13, 3951–3966. https://doi.org/10.5194/essd-13-3951-2021 (2021).

Artikel ADS Google Scholar

Deng, Int. J. Umgebung. Res. Gesundheitswesen. 19, 8836. https://doi.org/10.3390/ijerph19148836 (2022).

Artikel PubMed PubMed Central Google Scholar

Lei, Y. et al. Extreme Veränderungen des Seespiegels auf dem tibetischen Plateau im Zusammenhang mit dem El Niño 2015/2016. Geophys. Res. Lette. 46, 5889–5898. https://doi.org/10.1029/2019GL081946 (2019).

Artikel ADS Google Scholar

Chen, J. et al. Raumzeitliche Variation der Vegetation auf dem Qinghai-Tibet-Plateau und der Einfluss klimatischer Faktoren und menschlicher Aktivitäten auf die Vegetationsentwicklung (2000–2019). Remote Sens. 12, 3150. https://doi.org/10.3390/rs12193150 (2020).

Artikel ADS Google Scholar

Sun, Y. et al. Datensätze zur Beweidungsintensität und zur Intensität menschlicher Aktivitäten auf dem Qinghai-Tibetischen Plateau im Zeitraum 1990–2015. Geosci. Daten J. 9, 140–153. https://doi.org/10.1002/gdj3.127 (2022).

Artikel ADS MathSciNet Google Scholar

Wei, Y. et al. Doppelter Einfluss von Klimawandel und anthropogenen Aktivitäten auf die raumzeitliche Vegetationsdynamik auf dem Qinghai-Tibetischen Plateau von 1981 bis 2015. Die Zukunft der Erde. 10, e2021EF002566. https://doi.org/10.1029/2021EF002566 (2022).

Artikel ADS Google Scholar

Guo, Z., Nie, H., Zang, R. & Zhang, Y. Öko-Nutzen-Bewertung des Naturwaldschutzes im Südwesten Chinas. J. Inn. Mong. Landwirtschaft. Univ. 32, 65–72 (2011).

Google Scholar

Holben, BN Eigenschaften von zusammengesetzten Bildern mit maximalem Wert aus zeitlichen AVHRR-Daten. Int. J. Remote Sens. 7, 1417–1434. https://doi.org/10.1080/01431168608948945 (1986).

Artikel Google Scholar

Liu, Y. et al. Zeitliche und räumliche Variation der Vegetationsbedeckung und ihre Reaktion auf den Klimawandel in Sumpfgebieten der Sanjiang-Ebene, China. Atmosphäre 13, 2077. https://doi.org/10.3390/atmos13122077 (2022).

Artikel ADS Google Scholar

Shouzhang, P. et al. 1 km monatlicher Temperatur- und Niederschlagsdatensatz für China von 1901 bis 2017. Earth Syst. Wissenschaft. Daten. 11, 1931–1946. https://doi.org/10.5194/essd-11-1931-2019 (2019).

Artikel Google Scholar

Yili, Z. et al. Integrationsdatensatz der Grenze des Tibet-Plateaus. (National Tibetan Plateau/Third Pole Environment Data Center, 2019)https://doi.org/10.11888/Geogra.tpdc.270099.CSTR:18406.11.Geogra.tpdc.270099.

Yili, Z. et al. Datensätze der Grenze und Fläche des tibetischen Plateaus. Ziffer. J. Glob. Daten-Repos ändern. https://doi.org/10.3974/geodb.2014.01.12.V1 (2014).

Artikel Google Scholar

Yili, Z. et al. Grenzdaten des tibetischen Plateaus (Version 2021). Ziffer. J. Glob. Daten-Repos ändern. https://doi.org/10.3974/geodb.2021.07.10.V1 (2021).

Artikel Google Scholar

Yili, Z. et al. Bestimmen Sie die Region und Grenzen des tibetischen Plateaus neu. Geogr. Res. 40, 1543–1553 (2021).

Google Scholar

Yili, Z. et al. Vergleich der Grenzdatensätze für das tibetische Plateau zwischen den Versionen 2021 und 2014. J. Glob. Datenerkennung ändern 5, 32–42. https://doi.org/10.3974/geodp.2021.04.04.CSTR:20146.14.2021.04.04 (2021).

Artikel Google Scholar

Li, X. et al. Veränderungen der Vegetationsbedeckung und der Migrationseigenschaften des Schwerpunkts in der trockenen Wüstenregion im Nordwesten Chinas in den letzten 30 Jahren. Land. 11, 1688. https://doi.org/10.3390/land11101688 (2022).

Artikel Google Scholar

Anees, SA et al. Schätzung der Dynamik der fraktionierten Vegetationsbedeckung und ihrer Treiber basierend auf Multisensordaten in Dera Ismail Khan, Pakistan. J. King Saud Univ.-Sci. 34, 102217 (2022).

Artikel Google Scholar

Guangyi, D. et al. Reaktion der Vegetationsvariation auf Klimawandel und menschliche Aktivitäten in semiariden Sümpfen. Vorderseite. Pflanzenwissenschaft. https://doi.org/10.3389/fpls.2022.990592 (2022).

Artikel Google Scholar

Achite, M. et al. Niederschlags- und Abflusstrendanalyse im Wadi-Mina-Becken (Nordalgerien) mithilfe nichtparametrischer Tests und der ITA-Methode. Nachhaltigkeit. 14, 9892. https://doi.org/10.3390/su14169892 (2022).

Artikel Google Scholar

Xiong, Q. et al. Zeitliche und räumliche Variation der Landoberflächentemperatur in den letzten 20 Jahren und Analyse der Auswirkungen der Landnutzung in der Provinz Jiangxi, China. Atmosphäre 13, 1278. https://doi.org/10.3390/atmos13081278 (2022).

Artikel ADS Google Scholar

Mann, HB Nichtparametrische Tests gegen den Trend. Econmetrica 13, 245–259 (1945).

Artikel MathSciNet MATH Google Scholar

Kendall, MG Rangkorrelationsmaße (Charles Griffin, 1975).

Google Scholar

Le, HT et al. Charakterisierung räumlich-zeitlicher Muster von Mangrovenwäldern im Biosphärenreservat Can Gio mithilfe von Sentinel-2-Bildern. Appl. Wissenschaft. 10, 4058. https://doi.org/10.3390/app10124058 (2020).

Artikel CAS Google Scholar

Yang, J. et al. Veränderungen der Vegetationsverteilung und der Vegetationsaktivität im Hengduan-Gebirge von 1992 bis 2020. Acta Geogr. Sünde. 77, 2787–2802 (2022).

Google Scholar

Liu, H. et al. Auswirkungen des Klimas und menschlicher Aktivitäten auf Veränderungen der Vegetationsdecke in den Wasserquellengebieten von Danjiangkou. Trans. Kinn. Soc. Landwirtschaft. Ing. 36, 97–105 (2020).

CAS Google Scholar

Berdimbetov, T. et al. Klimawandel und menschliche Aktivitäten stehen mithilfe von NDVI in Zusammenhang mit der Vegetationsdynamik im Aralseebecken. Erdsystemumgebung. 5, 303–318. https://doi.org/10.1007/s41748-021-00224-7 (2021).

Artikel ADS Google Scholar

Yansong, J. et al. Auswirkungen des Klimawandels und menschlicher Aktivitäten auf die NDVI-Änderung in den östlichen Küstengebieten Chinas. Umgebung. Wissenschaft. https://doi.org/10.13227/j.hjkx.202207039 (2023).

Artikel Google Scholar

Zhihui, T. et al. Treibender Mechanismus der räumlich-zeitlichen Entwicklung der Vegetation im Einzugsgebiet des Gelben Flusses von 2000 bis 2020. Umwelt. Wissenschaft. 43, 743–751. https://doi.org/10.13227/j.hjkx.202105213 (2022).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von „The Fundamental Research Funds for Central Public-Interest Scientific Institution, Fördernummer: AR2203“ unterstützt. Danksagung für die Datenunterstützung durch „National Tibetan Plateau Data Center (http://data.tpdc.ac.cn)“, „Resource and Environmental Science and Data Center of Chinese Academy of Sciences (http://www.resdc.cn). )“ und „National Earth System Science Data Center (http://www.geodata.cn)“.

Schlüssellabor für Vermessungs- und Kartierungswissenschaft und Geoinformationstechnologie des MNR, Chinesische Akademie für Vermessung und Kartierung, Peking, 100036, China

Jianxiao Guo, Liang Zhai und Huiyong Sang

Hochschule für Ressourcen, Umwelt und Tourismus, Capital Normal University, Peking, 100048, China

Siyuan Cheng

CPC Central Party School (Chinese Academy of Governance), Peking, 100089, China

Hongwei Li

Sie können diesen Autor auch in PubMed Google Scholar suchen

JG und HS haben die Forschung entworfen; JG und LZ führten die Analyse durch; JG, LZ und HS haben den Entwurf geschrieben. LZ, JG, HS, SC und HL trugen zur Interpretation der Ergebnisse und zum Verfassen der Arbeit bei.

Korrespondenz mit Liang Zhai oder Huiyong Sang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Guo, J., Zhai, L., Sang, H. et al. Auswirkungen hydrothermischer Faktoren und menschlicher Aktivitäten auf die Vegetationsbedeckung des Qinghai-Tibet-Plateaus. Sci Rep 13, 12488 (2023). https://doi.org/10.1038/s41598-023-39761-8

Zitat herunterladen

Eingegangen: 25. Januar 2023

Angenommen: 30. Juli 2023

Veröffentlicht: 01. August 2023

DOI: https://doi.org/10.1038/s41598-023-39761-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.