人类活动主要的分布Kobresia pygmaea社区在高山草甸草原东部的黄河源区,中国
Yanyan Lv
彝族的太阳
舒化易
Baoping孟- 1脆弱的生态环境研究所、南通大学,南通、江苏、中国
- 2地理科学学院、南通大学、南通、江苏、中国
Kobresia pygmaea是流行,最重要的一个物种在青藏高原高山草甸。它是退化草地的管理的关键阶段,和不可逆转的恶化将退化演替阶段后Kobresia pygmaea社区。然而,知识的空间分布和驱动因素仍未知。在这项研究中,潜在的分布Kobresia pygmaea社区决定使用BIOMOD细分模型。结合现实分布基于遥感分类、气候和人类活动的驱动因素。研究结果表明:(1)在所有环境因素中,最大辐射,每月的温差,干旱期降水的主要气候影响因素Kobresia pygmaea社区分布,随机森林模型的预测精度最高和最好的任何领域模型的稳定。(2)的潜在分布区Kobresia pygmaea社区是653.25公里2(占研究区)的3.28%,并主要位于Zeku县北部和中部,河南省县东北,东北、中部、东部的黄河。(3)气候因素驱动的21.12%Kobresia pygmaea社会现实分布,而人类活动驱动的为79.98%。我们的研究结果显示,人类活动占主导地位的现实分布Kobresia pygmaea社区在高山草甸草原东部的黄河源区,中国。
1。介绍
Kobresia pygmaea是一个流行的一个最突出的植物在青藏高原(QTP)高山草甸(张和Noltie, 2010年;Miehe et al ., 2011)。自1980年代以来,高山草甸草原退化不同程度由于气候变化和人类活动的累积影响,尤其是黄河源区(王et al ., 2015)。这可能限制畜牧业的可持续发展,危及当地生态安全(刘et al ., 2018)。高山草甸草原的退化演替阶段社区(我)大针silena+羊茅属ovina+Kobresia云淡的(二)Kobresia云淡的(3)Kobresia pygmaea,(IV)黑色的土壤类型。的Kobresia pygmaea尤其是社区,是一个关键阶段在退化草地的管理(曹和长,2009年)。原始群落结构可能会迅速恢复了前两个阶段通过移除任何中断或人工措施(林,2017)。一般来说,Kobresia pygmaea社区构建几乎关闭,非特异性,高尔夫球场草坪的毡状的根垫(Miehe et al ., 2019)。这个垫子的特点有利于反对外部干扰,增加营养存储和草原生产力(Miehe et al ., 2008)。然而,的碎片Kobresia pygmaea社区的地盘,水预算,碳循环,土壤营养已经明显失去了(Miehe et al ., 2019)。的进一步恶化Kobresia pygmaea社区将导致永久性下降到最严重阶段的黑土壤类型(李et al ., 2013)。因此,映射存在的分布和驱动因素Kobresia pygmaea草甸,采取减缓和适应措施的关键。
然而,目前的大多数Kobresia pygmaea社区研究进行的情节规模使用操纵研究(马et al ., 2017;李et al ., 2018)。QTP的地理分布和驱动因素在很大程度上是未知的(张和Noltie, 2010年;Miehe et al ., 2011,2019年)。随着遥感分类方法的发展,卫星图像和机器学习是成功地应用在社区一级(陈et al ., 2018;苏et al ., 2020;温家宝et al ., 2010)。孟et al。(2021)绘制了Kobresia pygmaea社区通过随机森林(RF)方法的基础上,结合遥感、纹理和地形指数(孟et al ., 2021)。然而,气候和人类活动的驱动因素为其现实分布并不区分。类似于Residuals-Trend模型(欧洲鞋号et al ., 2004,2007年),植被群落的电位分布是只由气候因素控制。因此,人类活动导致的植被变化可以发现后删除气候因素(李et al ., 2018)。
生态位模型也被称为物种分布模型或栖息地模型。模型将物种与环境因素和地理属性信息网站的物种出现或缺失(Elith Leathwick, 2009)。这些模型可用于预测或更好地理解物种分布(Halvorsen 2012;徐et al ., 2015;Petitpierre et al ., 2017;Citores et al ., 2020)。在过去的20到30年,小众车型已经由于快速发展基于统计数据的实证模型或理论推导。现在有大约20个物种分布模型在使用(朱et al ., 2013;徐et al ., 2015)。大多数专业模型支持软件,比如GARP和Maxent (1999年斯托克和彼得斯;菲利普斯et al ., 2006)。此外,各种多模型集成系统,如openModeller BIOMOD, dismo,和其他人,近年来被创建(Thuiller et al ., 2009;Muoz et al ., 2011)。这个模型的进步大大鼓励使用生态和地理。BIOMOD生物多样性(建模)已经与数百名经验统计模型合并,包括最大熵模型(我),广义线性模型(GLM)和广义相加模型(GAM),及其影响物种生态位预测已成功研究(Thuiller et al ., 2009)。
评估物种的潜在范围,大量的观测样本的基本需要的利基(李、郭,2013年)。与近年来航空遥感技术的发展,无人机(UAV)技术提供了一种新颖的草地资源监测和实用的方法。这种方法弥补了卫星遥感的缺点和其他传统监测技术(咦,2017)。无人机已被广泛应用于治疗和分析植被覆盖,补丁,砾石,鼠兔洞,和草地植物物种和社区的大面积QTP由于其高效流动的优点,易于操作和高分辨率照片(易et al ., 2016;孟et al ., 2018;太阳et al ., 2018)。与此同时,易(2017)创造了一系列无人机航空摄影系统基于QTP的气候和环境特征。重复的观察可能完成大量工作的网站,提供协助Kobresia pygmaea社区的实地观察研究。
在这项研究中,利用观察无人机Kobresia pygmaea社区,高山草甸的一部分黄河源区的工作进行以下调查:(1)的主要气候驱动因素和电位分布Kobresia pygmaea社区;(2)确定气候和人类活动的驱动因素Kobresia pygmaea社会现实分布。
2。数据和方法
2.1。研究区域
研究区域位于QTP东部,东部的黄河源区,和包括Zeku县和青海河南郡,以及甘肃省黄河县(图1)。这是一个最重要的畜牧业基地QTP,以及一个重要水源涵养林在中国地区。坐标是33°03 35°33′的N, 100°33′102°33′E,海拔从2871到4850米。平均年降水量400 ~ 600毫米,年平均气温−2.4°C ~ 2.1°C,它属于大陆性温带季风高原。主要草地类型在这个领域是高山草甸,占研究总面积的79.67%,其次是高山草甸,沼泽草甸,高山草原,占13.22,1.78和1.69%,分别为(图2)。主要的草地植被是禾本科和社区kobresia云淡的在研究区社区,占主导地位的物种大高寒、大针silena羊茅ovina,Kobresia云淡的。的Kobresia pygmaea占主导地位的物种在吗Kobresia pygmaea社区,与其他物种丰富度低于在高山草甸草原植被群落。杂草是黑色的土壤类型植被的优势种。草原植物有一个相对较短的生长季节,持续大约150天从5月到9月。草地放牧是最常见的技术使用,尽管牦牛和羊是最常见的动物。
图1。研究区域的位置。
图2。草地类型的研究区域。
2.2。材料和方法
2.2.1。野外观测和航拍照片的预处理
的野外观察Kobresia pygmaea社区在这项研究中获得的照片收集的无人机(幻影3专业和Mavic 2变焦Quad-Rotor智能无人机)。观察网站选择基于草原生长状态和空间代表性和飞行路线开发每个站点中有四个路径。一个网格包括飞行模式和三种带(图3一)。无人机的飞行路径设计使用FragMAP (易et al ., 2016)。幻影3专业是用于执行网格模式(在200×200区)在20米(红点的高度图3一,B2),Mavic变焦是用于执行带模式(在40 m×40 m区)的高度2米(黄点图3一,C)。十六个草原图像被枪杀垂直向下在每个模式;网格和皮带的照片分辨率是1厘米,0.09厘米,分别和他们的报道是26 m×35米和3.43米×2.57米。
图3。战略的野外观测和数据收集,(一)观测站点的策略,(B)和(C)幻影3专业和Mavic 2变焦Quad-Rotor智能无人机。
照片分别验证和分配到的存在与否Kobresia pygmaea社区网站基于草植物的主要物种,草原覆盖率,植物的结构方面发展,高原鼠兔活动(图4)。相比其他社区,草Kobresia pygmaea社区显示不同的形态和结构特征,包括封闭和单一的结构(图4一)、多边形裂纹模式(图4 b),毡状的根垫(图4 c;曹和长,2009年)。此外,当裂纹和崩溃加剧,鼠兔和有毒植物繁殖。从2015年到2019年,751年的顶峰观察样本块草原扩张(图1)。所有观测位置被贴上有或没有Kobresia pygmaea社区,随后利用BIOMOD预测输入。
图4。航拍照片的Kobresia pygmaea社区,(一)补丁的特点Kobresia pygmaea社会观察到高度为20米,(B)开裂的现象和崩溃Kobresia pygmaea社区观察到2米的高度,(C)毡状的根垫Kobresia pygmaea社会观察到双广角变焦镜头2米的高度。
2.2.2。遥感和环境数据的采集和处理
MOD13Q1 NDVI遥感数据利用在这个调查是获得美国国家航空和宇宙航行局(USGS)。照片下载总数是23日轨道空间分辨率是250,号码是H26V05。主要的预处理步骤是:(1)改变了图片投影使用MODIS投影工具(捷运)和定义为WGS1984;(2)重采样图像的分辨率为250年ArcMap和投影定义为阿尔伯斯;(3)细胞统计工具被用来确定最大值,最小值,平均值,并在2019年归一化植被指数的变化范围。气候、土壤、地形是三个最重要的环境因素。气候数据来自青藏高原研究所,中国科学院(杨et al ., 2010;陈et al ., 2011)。这些数据集包括年平均气温、降水和湿度,以及季节性指数等潮湿的季节,干旱季节,最热的季节,和最冷季节,共有33个网格层。土壤数据集得到的寒冷和干旱地区科学数据中心,西北生态环境和资源研究所、中国科学院。1包括砂和粘土浓度的表面土壤(0 30厘米;表示为clay1和sand1)和底部土壤(30 - 60厘米;表示为clay2和sand2);本研究中使用的DEM数据90航天飞机雷达地形测绘任务(SRTM) Geo-TIFF格式的图片(V004版)2重新取样到250米。基于DEM,斜率,地形位置指数(TPI),并确定方面。所有上述环境参数均匀投射Albers空间分辨率为250 m BIOMOD和利用作为输入。
2.3。生物多样性建模领域模型仿真
2.3.1。生物多样性建模contrustion
在这项研究中,BIOMOD2是利用模拟的可能分布Kobresia pygmaea社区,它被用来反映社区的潜在分散(Thuiller et al ., 2009)。有10个小型号,包括广义线性模型(GLM),增强广义回归模型(GBM),广义相加模型(GAM),分类树分析(CAT),人工神经网络(ANN),表面范围信封(行为),灵活的判别分析(FDA),多元自适应回归样条函数(火星),随机森林(RF),最大熵模型(MaxEnt)。的存在和缺失Kobresia pygmaea社区数据,以及相应的环境参数,被送入细分模型,输出的可能性Kobresia pygmaea社区存在的空间。限制信息冗余细分模型性能的影响,“重要性指数”和累积贡献是用来选择的主要影响因素。检查每一个环境因素的重要性,分析交叉验证(LOOCV)方法(孟et al ., 2020)是利用。预测结果之间的相关系数(CV)基于变量的总环境因素和删除一个环境因素是决定为每一个场合。重要性值然后减去1来自相关系数。重要性指数公式如下:
所有聚集环境因素被定义为参考数据集,并删除所有元素定义为数据集。根据环境因素都是由预测结果pred ref。,而根据因素从预测结果都由pred打乱。结果被用来计算(软木)的相关性。然后,使用方程(2),主要影响因素是基于累积的贡献(85%以上),按照重要性从高到低确定。贡献的公式是:
代表的贡献我th因素,代表的重要性我th因素,代表所有因素重要性的价值。
2.3.2。利基的准确性评价模型
真正的技术统计(TSS)和AUC[操作特性曲线下的面积(ROC)]是受雇于本研究评估细分模型预测的准确性。TSS认为随机猜测的成功的可能性考虑遗漏平均误差。TSS值在0和1之间,数字越接近于1,模型的性能越好。中华民国曲线是一个措施的综合指标连续变量的敏感性和特异性,与曲线上的每个点代表信号刺激的敏感性。AUC值变化从0.5到1。接近一个,更好的预测模型;相反,接近0.5,越接近模型预测是一个随机猜测。
TPR代表真阳性率,玻璃钢代表假阳性率。
2.4。的驱动因素Kobresia pygmaea社区
在这项研究中,现实的分布Kobresia pygmaea社区获得了从遥感分类、产生的孟et al。(2021)在同一空间和时间范围(孟et al ., 2021)。我们预测这些潜在分布的概率存在转化成二进制数据(适合/不适合;刘et al ., 2013;马et al ., 2021)。的电位分布Kobresia pygmaea社区是由最优生态位模型计算与生存概率高于50%(地区)。空间叠加分析被用来区分的驱动因素Kobresia pygmaea社区分布ArcMap 10.2软件。例如,潜力和现实之间的重叠分布被认为是由气候因素,否则,由人类活动驱动的。
3所示。结果
3.1。空间异质性的观察Kobresia pygmaea社区
观测站点的空间分布Kobresia pygmaea社区存在/缺席是所示图5。黄河县最大的百分比Kobresia pygmaea社区网站在751年观察到的网站存在,与68年观察到的网站占总观察网站的19.82%。Zeku和未来河南郡,37岁和22存在观测站点,分别占总观察网站的11.76%和16.74。总的来说,数量Kobresia pygmaea社区网站在所有观察到的网站是有限的存在,代表只有16.91%的总观察网站。
图5。存在的概率分布Kobresia pygmaea社区。
3.2。模型建设和精度评价
表1显示的重要性和贡献值结果基于LOOCV和9专业模型(GAM除外,测试运行失败了)。每月最大辐射,温度范围,沉淀在最干燥的时期,最热的季节辐射、降水最干燥的季节,最大NDVI在生长季节和年平均辐射都有重要性值高于其他值超过0.20。此外,最大辐射最大的重要性,一个值为0.30。最大温度季节性、平均湿度、湿度、湿度在潮湿的,干燥、温暖和最酷的季节一个贫穷的影响了Kobresia pygmaea社区,与重要性值接近于零。有22个环境因素累积贡献超过85% (表1)。
表1。影响因素的Kobresia pygmaea社区。
表2显示了TSS和AUC的九个模型获得通过多个运行的平均值。在所有的模型中,射频模型有最好的预测性能,平均TSS和AUC 0.74和0.92,分别。因为模型的TSS和AUC SD和CV值最小(TSS、0.09和0.12;AUC, 0.03和0.03),它拥有很高的预测精度和稳定性。GBM模型名列第二,TSS和AUC值平均为0.72和0.90,分别。SD和CV TSS的0.08和0.12,分别而SD和简历的AUC是0.03和0.04,分别。行为和MAENT模型表现不佳的准确性和稳定性,TSS平均为0.25和0.29,分别和AUC的0.63和0.68。模型的预测结果接近随机(AUC = 0.5)。因此,它可以表示,这两个模型的预测精度的存在Kobresia pygmaea研究地区的人口很差。
表2。每个细分模型的性能。
3.3。出现的概率Kobresia pygmaea社区研究领域
最好的射频模型精度在众多运行(TSS和AUC是0.86和0.97,分别)被选中来估计的地理分布Kobresia pygmaea社区研究地区,基于细分的结果模型精度评估在2.3。结果显示,的概率Kobresia pygmaea社区存在的大多数研究区域小于10%(占整个研究区域的72.45%)。10% ~ 50%的概率范围占整个研究区域的24.28%。只有3.07%的总研究领域的概率超过50%,而有0.75%的概率大于80%。一个高概率的区域Kobresia pygmaea社区存在大多位于Zeku县的北部和中部地区,河南县东北部,黄河县东北,中部和东部地区(图5)。
3.4。的驱动因素Kobresia pygmaea社区
根据现实的分布Kobresia pygmaea社区获得的遥感分类(孟et al ., 2021)、气候和人类活动的驱动力。作为图6所示,的电位分布Kobresia pygmaea社区主要是位于Zeku北县城区及周边县镇(约Zequ和Qiakeri),面积262.44公里2Zeku县(2.78%);河南东北部的县(县东部城区和城镇Tuoyema),面积62公里2河南省县(0.95%);县城区的一部分,城镇Awancang,和东部的黄河Manrima县,面积328.81公里2黄河县(8.33%)。作为一个整体的电位分布Kobresia pygmaea社区达到653.25公里2研究的区域,占3.28%。
图6。现实和潜在的空间分布Kobresia pygmaea社区。
驱动因素的结果所示图6。该地区的地方Kobresia pygmaea社区潜在分布与现实重叠,位于北县城区及周边Zeku县县城区东部的指甲花,和部分县城区、城镇Awancang黄河。重叠区域的面积是302.94公里2(该研究区域的1.52%),占45.55%的潜在分布和21.12%的现实。换句话说,大约21.12%的Kobresia pygmaea社区派生了气候因素和人类活动导致的形成的主要因素Kobresia pygmaea社区研究领域。
4所示。讨论
4.1。的分布的影响因素Kobresia pygmaea社区
一般来说,草原Kobresia pygmaea社区可以发现在西北的QTP海拔从4400 - 4800不等。其增长的主要限制因素是降水和营养(土壤质量差,地区的年降雨量小于450毫米季节性干旱频繁;李j . m . et al ., 2016;李r . et al ., 2016)。在漫长的自然选择的过程,Kobresia pygmaea社区成立了一个紧凑和发达的根系,不仅可以保护土壤免受食草动物践踏,还有助于应对营养限制通过使中期营养储存和提高生产力和竞争力的根对浸出和其他损失(Miehe et al ., 2019)。除了气候条件、人类活动影响Kobresia pygmaea社区。虽然人类活动在青藏高原的强度较低,经济增长在过去二十年已经明显大于在世界其他地区(李et al ., 2017,2018年)。自1960年以来,与管理策略的转变如牧场,去库存化,定居,私有化,击剑,过度放牧已经影响的空间分布的关键因素Kobresia pygmaea社区(高和李,2016年;2016年秋,)。过度放牧是草地退化的另一个主要原因QTP (白et al ., 2002;周et al ., 2005;李et al ., 2010;王et al ., 2012;Zhang et al ., 2015)。
在这项研究中,沉淀在干旱时期,被发现是至关重要的在东部的黄河源区,除了最热的季节,每年的平均和最大辐射,和每月的温度范围(表1,重要性值大于0.20)。高山草原的生长季节黄河源区的从5月到9月,降雨和高温控制(孟et al ., 2018)。极端天气条件(如干旱和高温)阻碍植物发展在这个时期(Miehe Miehe, 2005)。然而,独特的结构Kobresia pygmaea社区根可能成功地抵御这些事件(李j . m . et al ., 2016;李r . et al ., 2016;Miehe et al ., 2019),这也符合环境变量的结果在我们的研究中。
本研究的东部边缘地区的平均海拔低于4000米,年平均降雨量是≥450毫米。禾本科社区(大高寒+大针silena +羊茅ovina)是广泛分布的,过度放牧是草地植被的主要诱导因素社区变化(周et al ., 2005;曹和长,2009年;Miehe et al ., 2019)。我们的结果显示,该地区的Kobresia pygmaea社区电位分布为302.94公里2,占21.12%的现实分布在研究区。本研究的结果显示,近80%的现实Kobresia pygmaea社区没有气候驱动(图6)。换句话说,我们证明的存在Kobresia pygmaea社区主要是由人类活动(例如,放牧)在东部的黄河源区。的Kobresia pygmaea社区是退化草地的管理的关键阶段。的进一步恶化Kobresia pygmaea社区将会导致不可逆转的恶化曹和长,2009年;李et al ., 2013)。我们的研究可能提供一个科学的基础管理高山草甸黄河源区的侵蚀。
4.2。限制最佳生态位模型
十个细分模型进行评估和检查在这项研究中应用的空间分布预测Kobresia pygmaea社区。漠视、GBM GAM, CTA、火星、MaxEnt,行为,和FDA在统计学上或基于规则的模型,而安和射频是机器学习算法模型(Breiman 1996;菲利普斯et al ., 2006;朱et al ., 2013)。在这项研究中,RF模型优越的预测精度(0.74和0.92的TSS和AUC)和稳定性(CV TSS和AUC的0.12和0.03)。然而,不可避免的影响模型精度的变量。首先,与其他模型相比,RF模型是数据驱动的,它可以自动获取和理解数据,有一个灵活的方法。最少、随着输入数据集的大小,因此模型的估计将改进的相应(汉族,2001;他,2008;Verrelst et al ., 2015)。它是由一个大样本决策树使用高维数据开发和对高数据不准确(Breiman 1996,2001年)。然而,训练一个射频模型与有限的样本大小是复杂的,因为它需要大量的标记数据和地面观测数据(Verrelst et al ., 2015;阿里et al ., 2016)。此外,这种类型的模型包含许多元素,其中的一些(如气候变化)有很高的空间量子化错误。因此,模型仍有一些限制和不确定性(莱纳特et al ., 2015;高et al ., 2013;孟et al ., 2020)。
4.3。无人机技术使大规模的监控上Kobresia pygmaea社区
Kobresia pygmaea近年来社区分布受到越来越多的关注作为一个关键物种的高山草甸草原QTP。然而,其对高原地理分布是未知的(张和Noltie, 2010年;Miehe et al ., 2011),只有少数散在样地水平进行调查(Dickore 1995;张和Noltie, 2010年;曹和长,2009年)。大量的观测站点前应提供预测的地理分布Kobresia pygmaea社区(李、郭,2013年)。然而,利用标准的人工观测方法使得大规模观察不可能(Miehe et al ., 2019)。
在这部作品中,无人机航空摄影系统FragMap草来获得社会观察,导致大规模、不动点,重复观察的Kobresia pygmaea社区(咦,2017;孟et al ., 2018)。的无人机拍摄的图像的网格和带模式有一个高分辨率(1厘米、0.09厘米网格和带模式,分别)和一个巨大的空间代表范围(1张照片可以代表传统的观测站点)。和分辨率足以辨别Kobresia pygmaea社区在高山草甸(图4;太阳et al ., 2018)。
结果,这是一个了不起的新奇在这项研究中成功地采用无人机航空摄影系统获得观察网站的存在与否Kobresia pygmaea社区黄河源区。一方面,它可以节省大量的人力和物力以及经济输入;另一方面,它可以提高观测效率,使大规模固定重复观察(易et al ., 2016)。然而,植物碎片和草原社区获得的视觉解释,它需要熟悉的植物分类学和耗时。因此,植被的自动识别部分和草原社区基于航拍照片和深度学习算法需要进一步探索(Lv et al ., 2022)。
5。结论
10细分模型的预测精度在BIOMOD评估基于无人机的观测Kobresia pygmaea社区及其相关环境参数在东部的黄河流域的来源。初步的分布Kobresia pygmaea社区是预测,得出了以下发现:(1)六44的测试环境因素(最大辐射,每月的温差,沉淀在最干燥的时期,辐射在最热的季节里,沉淀在最干燥的季节里,和年平均辐射)重要性值高(> 0.20),还有22个影响因素在研究区累积的贡献超过85%。(2)射频模型最高精度和稳定性预测的空间分布Kobresia pygmaea社区,TSS AUC的0.74和0.92,分别;(3)区域的概率Kobresia pygmaea社区存在大于50%主要是位于北部和中部地区的Zeku县,东北和中部地区的河南郡,和东北、中部、东部地区黄河县;(4)的21.12%左右Kobresia pygmaea社区是由气候因素派生,近80%被人类活动派生。人类的活动导致的形成的主要因素Kobresia pygmaea社区在东部的黄河源区。
数据可用性声明
最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。
作者的贡献
YL型和y收集数据和写手稿。SY修订后的手稿。BM收集了数据,修订后的手稿。所有作者的文章和批准提交的版本。
资金
本研究由国家自然科学基金(42071056和42071056号)。
确认
我们感谢祁连山区国家公园帮助该领域的观察。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
脚注
引用
阿里,我。,Cawkwell, F., Dwyer, E., Barrett, B., and Green, S. (2016). Satellite remote sensing of grasslands: from observation to management-a review.j .植物生态。9日,649 - 671。doi: 10.1093 / jpe / rtw005
巴姨,W。,张,Y。谢,G。,Shen, Z. (2002). Analysis of formation causes of grassland degradation in maduo county in the source region of yellow river.j:。生态。13日,823 - 826。
曹,g M。,Long, R. J. (2009). System stability and its self-maintaining mechanism by grazing in alpine Kobresia meadow.下巴。j . Agrometeorol。553 - 559年。
陈,Y Y。杨,K。他,J。,Qin, J., Jshi, J. C., Du, J. Y., et al. (2011). Improving land surface temperature modeling for dry land of China.j .地球物理学。Res。116:D20104。jd015921 doi: 10.1029/2011
陈,Q。Yu, R。,Hao, Y., Wu, L., Zhang, W., Zhang, Q., et al. (2018). A new method for mapping aquatic vegetation especially un-derwater vegetation in lake ulansuhai using GF-1 satellite data.远程Sens。10:1279。doi: 10.3390 / rs10081279
Citores, L。,Ibaibarriaga, L., Lee, D. J., Brewer, M. J., Santo, M., and Chust, G. (2020). Modelling species presence - absence in the ecological niche theory framework using shape-constrained generalized additive models.生态。模型。418:108926。doi: 10.1016 / j.ecolmodel.2019.108926
Dickore, b . w . (1995)。修订和生物地理学monocotyledonae喀喇昆仑。植物Karakorumensis我。Angiospermac Monocotyledonae。Stapfia(林茨)39:298。b应用。(在德国)。
Elith, J。,Leathwick, J. R. (2009). Species distribution models: ecological explanation and prediction across space and time.安。启生态。另一个星球。系统。40岁,677 - 697。doi: 10.1146 / annurev.ecolsys.110308.120159
高,S。,Liu, Z. G., Xu, J. F., Mutz, S. G., He, S. Y., and Gao, S. B. (2013). Research on fault diagnosis for traction transformer on the basis of model-based diagnosis and expert system.中国Railw j。Soc。35岁,42-49。
高,J。,李X。(2016). Degradation of frigid swampy meadows on the Qinghai-Tibet plateau: current status and future directions of research.掠夺。理论物理。Geogr。40岁,794 - 810。doi: 10.1177 / 0309133316659283
Halvorsen, K。阿恩特,。,Rosdahl, H., and Thorstensson, A. (2012). Evaluation of three different models of the shoulder kinematics: application to kayak paddling.
汉族,l . c . a (2001)。修改错误的方法为non-synchronicity草产量遥感估算和测量。Int。j .远程Sens。22日,3363 - 3372。doi: 10.1080 / 01431160010006421
莱纳特,l·W。迈耶,H。王,Y。,Miehe G。,Thies, B., Reudenbach, C., et al. (2015). Retrieval of grassland plant coverage on the Tibetan plateau based on a multi-scale, multi-sensor and multi-method approach.远程参议员包围。164年,197 - 207。doi: 10.1016 / j.rse.2015.04.020
李,j . M。,Ehlers, T. A., Werner, M., Mutz, S. G., Steger, C., and Paeth, H. (2016). Late quaternary climate, precipitation δ18O, and Indian monsoon variations over the Tibetan plateau.地球的星球。科学。列托人。457年,412 - 422。doi: 10.1016 / j.epsl.2016.09.031
李X。,高,J。,Brierley, G., Qiao, Y., Zhang, J., and Yang, Y. (2013). Rangeland degradation on the Qinghai-Tibet plateau: implications for rehabilitation.土地Degrad。Dev。24岁,72 - 80。doi: 10.1002 / ldr.1108
李,w·K。,Guo, Q. H. (2013). How to assess the prediction accuracy of species presence-absence models without absence data?描述生态学6,788 - 799。doi: 10.1111 / j.1600-0587.2013.07585.x
李,L。,Hang, Y., Liu, L., Wu, J., Li, S., Zhang, H., et al. (2018). Current challenges in distinguishing climatic and anthropogenic contributions to alpine grassland variation on the Tibetan plateau.生态。另一个星球。8,5949 - 5963。doi: 10.1002 / ece3.4099
李,R。,Luo, T., Mölg, T., Zhao, J., Li, X., Cui, X., et al. (2016). Leaf unfolding of Tibetan alpine meadows captures the arrival of monsoon rainfall.科学。代表。6:20985。doi: 10.1038 / srep20985
李。,Wu, J., Gong, J., and Li, S. (2017). Human footprint in Tibet: assessing the spatial layout and effectiveness of nature reserves.科学。总环境。621年,18岁至29。doi: 10.1016 / j.scitotenv.2017.11.216
李,W。,Xue, Z., Guo, S., Xu, D., Fan, C., and Zhang, J. (2010). Vegetation coverage changes and analysis of the driving forces in Maqu county based on 3S technology.j .兰州大学。46岁,85 - 95。
刘,C。,White, M., and Newell, G. (2013). Selecting thresholds for the prediction of species occurrence with presence-only data.j . Biogeogr。40岁,778 - 789。doi: 10.1111 / jbi.12058
刘,S。,Zamanian, K., Schleuss, P., Zarebanadkouki, M., and Kuzyakov, Y. (2018). Degradation of Tibetan grasslands: consequences for carbon and nutrient cycles.阿格利司。Ecosyst。环绕。252年,93 - 104。doi: 10.1016 / j.agee.2017.10.011
Lv, Y。,Zhao, X. Q., Zhang, S. R., Zhang, J. G., Yue, K. T., Meng, B. P., et al. (2022). Herbaceous dominant the changes of normalized difference vegetation index in the transition zone between desert and typical steppe in Inner Mongolia, China.前面。植物科学。12:2044。doi: 10.3389 / fpls.2021.832044
妈,Z。,Liu, H., Mi, Z., Zhang, Z., Wang, Y., Xu, W., et al. (2017). Climate warming reduces the temporal stability of plant community biomass production.Commun Nat。8:15378。doi: 10.1038 / ncomms15378
妈,L。,Mi, C., Qu, J., Ge, D., Yang, Q., and Wilcove, D. S. (2021). Predicting range shifts of pikas (Mammalia, Ochotonidae) in China under scenarios incorporating land use change, climate change and dispersal limitations.潜水员。Distrib。27日,2384 - 2396。doi: 10.1111 / ddi.13408
孟,b P。、高、J。L., Liang, T. G., Cui, X., Yin, J. P., Feng, Q. S., et al. (2018). Modeling of alpine grassland cover based on unmanned aerial vehicle technology and multi-factor methods: a case study in the east of Tibetan plateau.中国远程Sens。10:320。doi: 10.3390 / rs10020320
孟,b P。,Liang, T. G., Yi, S. H., Yin, J. P., Cui, X., Ge, J., et al. (2020). Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm: a case study in the east of Tibetan plateau, China.IEEE j .选取。上面。达成。地球Observ。13日,2986 - 2995。doi: 10.1109 / JSTARS.2020.2999348
孟,B。,Yang, Z., Yu, H., Qin, Y., Sun, Y., Zhang, J., et al. (2021). Mapping ofKobresia pygmaea社区基于无人机技术和gaofen在高山草甸草原遥感数据:一个案例研究在青藏高原东部。远程Sens。13:2483。doi: 10.3390 / rs13132483
Miehe G。,Miehe, S., Kaiser, K., Jianquan, L., and Zhao, X. (2008). Status and dynamics of the Kobresia pygmaea ecosystem on the Tibetan plateau.中:j .的嗡嗡声。环绕。4分37秒。
Miehe G。,Bach, K., Miehe, S., Kluge, J., Yang, Y., Duo, L., et al. (2011). Alpine steppe plant communities of the Tibetan highlands.达成。蔬菜。科学。14日,547 - 560。doi: 10.1111 / j.1654 - 109 x.2011.01147.x
Miehe G。,Miehe, S. (2005). Environmental changes in the pastures of Xizang.马伯格Geographische Schriften。135年,282 - 311。
Miehe G。,Schleuss, P., Seeber, E., Babel, W., Biermann, T., Braendle, M., et al. (2019). TheKobresia pygmaea西藏高原生态系统——起源、功能和世界上最大的田园Kobresia高山生态系统退化草场的西藏。科学。总环境。648年,754 - 771。doi: 10.1016 / j.scitotenv.2018.08.164
Muoz, m·e·d·S。乔凡尼,r D。,Siqueira, M. F. D., Sutton, T., Brewer, P., Pereira, R. S., et al. (2011). Open Modeller: a generic approach to species' potential distribution modelling.Geo Informatica。15日,111 - 135。
Petitpierre B。,Broennimann, O., Kueffer, C., Daehler, C., and Guisan, A. (2017). Selecting predictors to maximize the transferability of species distribution models: lessons from cross-continental plant invasions.水珠。生态。Biogeogr。26日,275 - 287。doi: 10.1111 / geb.12530
菲利普斯。,Anderson, R., and Schapire, R. (2006). Maximum entropy modeling of species geographic distribution.生态。模型。190年,231 - 259。doi: 10.1016 / j.ecolmodel.2005.03.026
斯托克韦尔,D。,Peters, D. (1999). The GARP modelling system: problem and solution to automated spatial prediction.Int。j . Geogr。正,科学。13日,143 - 158。doi: 10.1080 / 136588199241391
苏,Y。,Guo, Q., Hu, T., Guan, H., Jin, S., An, S., et al. (2020). An updated vegetation map of China (1:1000000).科学。公牛。65年,1125 - 1136。doi: 10.1016 / j.scib.2020.04.004
太阳,Y。,咦,S。,Hou, F. (2018). Unmanned aerial vehicle methods makes species composition monitoring easier in grasslands.生态。印度的。95年,825 - 830。doi: 10.1016 / j.ecolind.2018.08.042
Thuiller, W。,Lafourcade, B., Engler, R., and Araújo, M. B. (2009). BIOMOD – a platform for ensemble forecasting of species distributions.描述生态学32岁,369 - 373。doi: 10.1111 / j.1600-0587.2008.05742.x
Verrelst, J。,Camps-Valls, G., Muñoz-Marí, J., Rivera, J. P., Veroustraete, F., Clevers, J. G. P. W., et al. (2015). Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties – a review.ISPRS j . Photogramm。远程Sens。108年,273 - 290。doi: 10.1016 / j.isprsjprs.2015.05.005
王的年代。,Duan, J., Xu, G., Wang, Y., Zhang, Z., Rui, Y., et al. (2012). Effects of warming and grazing on soil n availability, species composition, and ANPP in an alpine meadow.生态93年,2365 - 2376。doi: 10.1890 / 11 - 1408.1
王,P。,Lassoie, J., Morreale, S., and Dong, S. (2015). A critical review of socioeconomic and natural factors in ecological degradation on the Qinghai-Tibetan plateau, China.牧场J。37:1。doi: 10.1071 / RJ14094
温,Q。,Zhang, Z., Liu, S., Wang, X., and Wang, C. (2010). Classification of grassland types by modis time-series images in Tibet, China.IEEE j .选取。上面。达成。地球Observ。远程Sens。3,404 - 409。doi: 10.1109 / JSTARS.2010.2049001
欧洲鞋号,k . J。,Prince, S. D., Frost, P. E., and van Zyl, D. (2004). Assessing the effects of human-induced land degradation in the former homelands of northern South Africa with a 1 km AVHRR NDVI time-series.远程参议员包围。91年,47 - 67。doi: 10.1016 / j.rse.2004.02.005
欧洲鞋号,k . J。,Prince, S. D., Malherbe, J., Small, J., Frost, P. E., and Van Zyl, D. (2007). Can human-induced land degradation be distinguished from the effects of rainfall variability? A case study in South Africa.j .干旱的环境。68年,271 - 297。doi: 10.1016 / j.jaridenv.2006.05.015
徐,z L。,Peng, H. H., and Peng, S. Z. (2015). The development and evaluation of species distribution models.学报生态。罪。35:5846。doi: 10.5846 / stxb201304030600
杨,K。他,J。,Tang, W. J., Qin, J., and Cheng, C. C. (2010). On downward shortwave and longwave radiations over high altitude regions: observation and modeling in the Tibetan plateau.阿格利司。对。Meteorol。150年,38-46。doi: 10.1016 / j.agrformet.2009.08.004
咦,美国(2017年)。碎片弹地图:长期合作的工具的监测和分析小规模栖息地的分裂使用无人机。Int。j .远程Sens。38岁的1 - 12。doi: 10.1080 / 01431161.2016.1253898
咦,S。,Chen, J., Qin, Y., and Xu, G. W. (2016). The burying and grazing effects of plateau pika on alpine grassland are small: a pilot study in a semiarid basin on the Qinghai-Tibet plateau.Biogeosciences13日,6273 - 6284。doi: 10.5194 / bg - 13 - 6273 - 2016
张,Y。、高、Q。,Dong, S., Liu, S., Wang, X., Su, X., et al. (2015). Effects of grazing and climate warming on plant diversity, productivity and living state in the alpine rangelands and cultivated grasslands of the Qinghai-Tibetan plateau.兰格。J。37岁的57 - 65。doi: 10.1071 / RJ14080
张,s R。,Noltie, H. J. (2010). “Kobresia Willd,” in中国植物志。eds。z . y . Wu p h .乌鸦和d . y .香港(圣路易斯:科学出版社,北京,密苏里植物园出版社),23岁,269 - 285。
周,H。,Zhao, X., Zhou, L., Tang, Y., Liu, W., and Shi, Y. (2005). Application of analytic hierarchy process on the alpine grassland degradation in the source region of the Yangtze and yellow rivers.Resour。科学。27日,63 - 70。
关键词:Kobresia pygmaea社区、BIOMOD电位分布,高山草甸,驱动因素
引用:太阳Lv Y, Y,易建联和孟B(2023)人类活动主要的分布Kobresia pygmaea社区在高山草甸草原东部的黄河源区,中国。前面。生态。另一个星球。11:1127973。doi: 10.3389 / fevo.2023.1127973
编辑:
本牛,地理科学和自然资源研究所(CAS),中国版权©2023 Lv,太阳、彝族和孟。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:Baoping孟,✉mengbp18@ntu.edu.cn