高寒地區(qū)典型植物群落地表反照率特征分析

摘要：采集2000—2020年的青海省黃南藏族自治州河南蒙古族自治縣植物群落數(shù)據(jù)和地表反照率數(shù)據(jù)，基于植物群落分類法對(duì)金露梅（Potentilla fruticosa，PF）、垂穗披堿草（Elymus nutans，EN）、矮嵩草（Kobresia humilis，KH）、小嵩草（Kobresia pygaea，KP）、藏嵩草（Kobresia tibetica，KT）等典型植物群落進(jìn)行群落特征調(diào)查，對(duì)典型植物群落的地表反照率進(jìn)行提取分析，并構(gòu)建潛類別模型對(duì)不同植物地表反照率進(jìn)行分類。結(jié)果表明：高寒地區(qū)時(shí)間空間尺度下地表反照率差異顯著（P＜0.05），近21年不同植物群落的地表反照率整體呈緩慢降低的波動(dòng)趨勢(shì)，灌叢和草甸群落在地表反照率的不同波段均為顯著（P＜0.05），在近紅外光反照率中金露梅灌叢與其他植物群落顯著不同，可將其作為不同類型草地遙感分類的依據(jù)。潛剖面模型結(jié)合植物群落地表反照率特征將植物群落分為“低反照率”“高反照率”“中低反照率”和“中高反照率”4種類別。

關(guān)鍵詞：地表反照率；高寒地區(qū)；植物群落；潛剖面分析

中圖分類號(hào)：Q142""" 文獻(xiàn)標(biāo)識(shí)碼：A""""" 文章編號(hào)：1007-0435（2024）12-3877-10

收稿日期：2024-03-12；修回日期：2024-06-27

基金項(xiàng)目：青海省科技廳重點(diǎn)研發(fā)與轉(zhuǎn)化科技援青合作專項(xiàng)項(xiàng)目“基于植被時(shí)譜特征的高寒草地遙感生態(tài)預(yù)警體系構(gòu)建”；青海省2023年度“昆侖英才·高層次教育教學(xué)人才”（青人才字［2023］10號(hào)）；2023 年省級(jí)“四新”研究與改革實(shí)踐項(xiàng)目（2023-SJSX-04）；生態(tài)學(xué)世界一流學(xué)科研究生科技創(chuàng)新項(xiàng)目（2024-stxy-Y30）資助

作者簡(jiǎn)介：

陳亞玲（1999-），女，漢族，四川宜賓人，碩士研究生，主要從事可持續(xù)生態(tài)學(xué)研究，E-mail：chenyaling2021@163.com；*通信作者Author for correspondence，E-mail：hlshi7701@126.com

Surface Albedo Characteristics of Typical Plant Communities Based on

Latent Profile Analysis in Alpine Region

CHEN Ya-ling1， QIAO Zhan-ming2， SHI Hui-lan1*

（1. College of Eco-Environmental Engineering， Qinghai University， Xining， Qinghai Province 810016， China; 2. Qinghai

Provincial Natural Resources Survey and Monitoring Institute， Xining， Qinghai Province 810000， China）

Abstract：From 2000 to 2020，data on alpine plant community characteristics and surface albedo were collected in Henan Mongolian Autonomous County，Huangnan Tibetan Autonomous Prefecture，Qinghai Province. The study focused on typical plant communities，including Potentilla fruticosa （PF），Elymus nutans （EN），Kobresia humilis （KH），Kobresia pygaea （KP），and Kobresia tibetica （KT）. These communities were investigated using a classification method based on community characteristics and remote sensing technology. Surface albedo characteristics of these plant communities were extracted and analyzed，and a Latent Class Analysis （LCA） model was constructed to classify surface albedo across different plant communities. The results revealed significant spatial and temporal differences in surface albedo within the alpine region （Plt;0.05）. Over the past 21 years，surface albedo across these plant communities showed a slow decreasing trend. Scrub and meadow communities exhibited notable differences in various surface albedo bands，with P. fruticosa shrublands showing significant variation in near-infrared albedo compared to other plant communities. This difference can serve as a basis for remote sensing classification of different grassland types. Using the LCA model，the integration of surface albedo data and plant community characteristics allowed for the classification of plant communities into four distinct categories：“Medium-low albedo” “Medium-high albedo” “Low albedo” and “High albedo”.

Key words：Surface albedo;Alpine region;Plant community;Latent profile analysis

地表反照率（Albedo），定義為地表反射輻射通量與入射輻射通量之比［1］，是地表輻射平衡和氣候研究的重要參數(shù)之一，具有穩(wěn)定性高、綜合反映地表反射特性、應(yīng)用廣泛等特性，可提供高時(shí)間分辨率的連續(xù)監(jiān)測(cè)［2］，對(duì)定量化理解高原能量和水分循環(huán)過(guò)程有重要作用。高寒草地生態(tài)系統(tǒng)植被覆蓋變化、土壤顏色和土壤濕度等不同［3］，引起地表反照率的差異變化，影響地表反射通量。

與傳統(tǒng)的植被群落識(shí)別和分類方法相比，地表反照率數(shù)據(jù)提供了統(tǒng)一的數(shù)據(jù)來(lái)源，減少了數(shù)據(jù)融合的復(fù)雜性，提供了更穩(wěn)定和魯棒性強(qiáng)的植被分類結(jié)果，適合于長(zhǎng)期和大規(guī)模的植被動(dòng)態(tài)監(jiān)測(cè)與分析［4］。高寒地區(qū)植被生長(zhǎng)的季節(jié)性變化導(dǎo)致地表反照率呈現(xiàn)明顯的季節(jié)性波動(dòng)［5］。地表反照率與其相關(guān)的土壤濕度、積雪覆蓋等自然因素，共同作用于高寒地區(qū)的生態(tài)過(guò)程和水循環(huán)［6］。馮超等［7］揭示了三江源地區(qū)退化草地生長(zhǎng)季地表反照率的變化主要受土壤水分和植被覆蓋度的影響。龐國(guó)進(jìn)等［8］揭示了積雪覆蓋是青藏高原山區(qū)反照率變化的主導(dǎo)因子。地表反照率在監(jiān)測(cè)地表覆蓋動(dòng)態(tài)變化、生態(tài)質(zhì)量變化評(píng)價(jià)等方面有廣泛應(yīng)用［9］。王波等［10］利用遙感技術(shù)獲取東祁連山的高寒灌叢植物群落反射率光譜，通過(guò)篩選計(jì)算敏感波段有效辨別六種灌木植物；徐斌等［11］通過(guò)MODIS數(shù)據(jù)對(duì)我國(guó)2005年的草原植被生長(zhǎng)季長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)得出長(zhǎng)勢(shì)呈現(xiàn)“前期較好、后期較差”的時(shí)間演變特征。高寒草地生態(tài)環(huán)境脆弱敏感，高寒地區(qū)植物群落的地表反照率可以反映植被覆蓋狀況，基于遙感反照率在生態(tài)學(xué)的研究集中在植被生長(zhǎng)狀況、土地利用變化監(jiān)測(cè)與評(píng)估方面［12-13］?；谥参锶郝涮卣鳂?gòu)建高寒草地生態(tài)預(yù)警體系，評(píng)估高寒草地潛在的退化風(fēng)險(xiǎn)是目前草地健康管理的預(yù)警方法之一［14］；通過(guò)遙感指標(biāo)構(gòu)建草地立體監(jiān)測(cè)網(wǎng)絡(luò)，形成草地多源時(shí)空大數(shù)據(jù)，構(gòu)建天然草地健康生態(tài)預(yù)警系統(tǒng)［15］是近幾年的研究熱點(diǎn)。地表反照率有助于理解區(qū)域生態(tài)系統(tǒng)功能及其對(duì)氣候變化的響應(yīng)，為生態(tài)保護(hù)和氣候變化適應(yīng)提供科學(xué)依據(jù)。

潛在類別模型（Latent class model，LCM）是一種用于識(shí)別潛在群體或類別的統(tǒng)計(jì)模型［16］。通過(guò)構(gòu)建模型可得出典型植物群落表征的地表反照率的潛在分類類別，結(jié)合群落特征調(diào)查數(shù)據(jù)，識(shí)別并描述不同地表覆被類型或植被狀態(tài)之間的潛在差異。在氣候變化的背景下，高寒地區(qū)土地覆被變化會(huì)對(duì)地表反照率產(chǎn)生影響［17］，但目前因植物群落差異產(chǎn)生的地表反照率特征及其變化的研究較少，在長(zhǎng)時(shí)間尺度上高寒地區(qū)地表反照率變化特征的研究較少。

本研究擬采集MODIS地表反照率數(shù)據(jù)，利用潛在類別模型對(duì)青海省黃南藏族自治州河南蒙古族自治縣地區(qū)（以下簡(jiǎn)稱河南縣）35個(gè)樣點(diǎn)2000—2020年典型植物群落進(jìn)行地表反照率特征分析。旨在通過(guò)對(duì)高寒草地植物群落遙感指標(biāo)特征時(shí)空變化分析，識(shí)別高寒地區(qū)典型植物群落類型，揭示典型高寒植物群落的地表反照率表征指標(biāo)，從縣域中等尺度［17］為高寒地區(qū)草地生態(tài)系統(tǒng)健康管理和可持續(xù)利用提供基于遙感的管理依據(jù)。

1" 材料與方法

1.1" 研究區(qū)概況

本研究區(qū)位于青海省東南部的黃南藏族自治州河南蒙古族自治縣（圖1），100°53′25″～102°15′27″E，34°04′52″～34°55′36″N，屬高原亞寒帶濕潤(rùn)氣候區(qū)，高原大陸性氣候特點(diǎn)明顯［18］，研究對(duì)象為該區(qū)分布的典型植物群落，包括高寒灌叢植物群落、高寒草地植物群落、高寒草甸植物群落、高寒濕地植物群落。研究區(qū)高程圖表明高程特征為北東高、西南低，采樣點(diǎn)集中分布在3200～3600 m。

1.2" 數(shù)據(jù)來(lái)源

本次研究所用地表反照率數(shù)據(jù)來(lái)源于NASA官網(wǎng)MCD43A3產(chǎn)品［19］。數(shù)據(jù)集空間分辨率為500 m，日?qǐng)D像是以16 d為一個(gè)周期的數(shù)據(jù)生成的，以給定日期為中心，時(shí)間分辨率為1 d。每個(gè)MODIS表面反射率波段（波段1～7）以及3個(gè)寬光譜波段（可見(jiàn)光、近紅外和短波）［20］，以及這10個(gè)反照率波段中每一個(gè)光譜波段的質(zhì)量波段。

1.3" 研究方法

1.3.1" 地表反照率" 黑空反照率（Black-Sky Albedo，BSA） 定義為無(wú)漫射分量時(shí)的反照率，白空反照率（White- Sky Albedo，WSA） 定義為無(wú)直接分量時(shí)的反照率，漫射分量為各向同性，二者均與地表性質(zhì)相關(guān)而不依賴于大氣狀態(tài)［21］。計(jì)算黑白空地表反照率時(shí)，使用地表二向性反射率分布函數(shù)（Bidirectional reflectance distribution function，BRDF）考慮地表在不同入射和觀測(cè)幾何條件下的反射特性，計(jì)算公式［22］如下：

黑空反照率（Black-Sky Albedo）abs：

abs=∫2πfθ′s，φ′s，θv，φvcosθvdΩv

白空反照率（White-Sky Albedo）aws：

aws=1π∫2π∫2πfθs，φs，θv，φvcosθscosθvdΩsdΩv

其中：式中，θs表示太陽(yáng)入射天頂角，φs表示太陽(yáng)入射方位角；θv表示觀測(cè)天頂角，φv表示觀測(cè)方位角；fθ′s，φ′s，θv，φv表示入射方向?yàn)椋é取鋝，φ′s）得到的二向反射分布函數(shù)BRDF；fθs，φs，θv，φv表示當(dāng)僅天空漫射光入射時(shí)的二向反射分布函數(shù)BRDF。

考慮到黑空和白空反照率所涉及的不同假設(shè)，以及植被、土壤在可見(jiàn)光和近紅外光譜區(qū)域的不同反射率，計(jì)算了三個(gè)不同光譜域的黑空和白空反照率分別為：短波黑空（BSA_s）、短波白空（WSA_s）、可見(jiàn)光黑空（BSA_v）、可見(jiàn)光白空（WSA_v）、近紅外黑空（BSA_n）和近紅外白空（WSA_n）反照率。

1.3.2" 潛在類別模型" 潛在類別模型LCM是通過(guò)間斷潛變量即潛在類別（Class）變量解釋外顯指標(biāo)間的關(guān)聯(lián)，計(jì)數(shù)類別變量，維持其局部獨(dú)立性的統(tǒng)計(jì)方法［23］。根據(jù)觀測(cè)指標(biāo)/外顯變量的特征，LCM可分為潛在類別分析（Latent class analysis，LCA）和潛在剖面分析（Latent profile analysis，LPA）。LCA處理分類觀測(cè)指標(biāo)，LPA處理連續(xù)觀測(cè)指標(biāo)［24］。模型的擬合指標(biāo)［25］主要包括赤池值信息標(biāo)準(zhǔn)（Akaike information criterion，AIC）、貝葉斯信息標(biāo)準(zhǔn)（Bayesian information criterion，BIC）、校正貝葉斯信息標(biāo)準(zhǔn)（Adjusted bayesian information criterion，aBIC）、羅蒙代爾魯本校正似然比（Lo-Mendell-Rubin，LMR）、基于Bootstrap的似然比檢驗(yàn)（（Bootstrapped Likelihood Ratio Test，BLRT））和分類精確性指標(biāo)熵（Entropy）。

1.3.3" 典型植物群落特征調(diào)查" 典型植物群落類型調(diào)查采用群落分類法，植物群落特征調(diào)查采用樣條法［18］，調(diào)查同時(shí)記錄每個(gè)群落的經(jīng)緯度、海拔等數(shù)據(jù)。灌叢植物群落調(diào)查樣條采用2 m×2 m×10的2組樣條，草本植物群落調(diào)查樣條采用1 m×1 m×10的2組樣條，分別調(diào)查植物群落的組成特征、數(shù)量特征，包括建群種、優(yōu)勢(shì)種、偶見(jiàn)種等的高度、蓋度、頻度，以確定群落組成的數(shù)量特征。在每種植物群落中，隨機(jī)設(shè)置5個(gè)1 m×1 m的樣方，共175個(gè)樣方，采集土壤、地上、地下生物量等樣品進(jìn)行植物群落功能性分析。調(diào)查結(jié)果顯示典型植物群落類型包括高寒金露梅（Potentilla fruticosa，PF）灌叢植物群落、高寒垂穗披堿草（Elymus nutans，EN）草地植物群落、高寒矮嵩草（Kobresia humilis，KH）草甸植物群落、高寒小嵩草（Kobresia pygaea，KP）草甸植物群落、高寒藏嵩草（Kobresia tibetica，KT）濕地植物群落等。

1.3.4" 統(tǒng)計(jì)分析" 各植物群落地表反照率首先利用ENVI5.6軟件，對(duì)原始遙感數(shù)據(jù)進(jìn)行遙感影像預(yù)處理如裁剪、輻射標(biāo)定等［26］，在此基礎(chǔ)上利用ArcGIS10.8 軟件“Extract Tool”提取研究區(qū)樣點(diǎn)的地表反照率數(shù)據(jù)并整理；通過(guò)地表反照率與潛在剖面分析模型指標(biāo)的判斷確定典型植物群落的地表反照率的潛在類別后，利用SPSS26.0軟件進(jìn)行各類別間比較檢驗(yàn)并分析不同植被類型的地表反照率間的差異性，對(duì)模型分析結(jié)果進(jìn)行整理。

2" 結(jié)果與分析

2.1" 高寒植物群落地表反照率年際動(dòng)態(tài)特征

2.1.1" 地表反照率年際動(dòng)態(tài)特征" 將地表反照率進(jìn)行大小年分類統(tǒng)計(jì)，根據(jù)變異系數(shù)［27］分析短波黑空（BSA_s）、白空（WSA_s）和近紅外黑空（BSA_n）、近紅外白空（WSA_n）的變異系數(shù)均小于10%，屬于低波動(dòng)變化；可見(jiàn)光白空（WSA_v）、可見(jiàn)光黑空（BSA_v）變異系數(shù)小于15%，屬于相對(duì)較低波動(dòng)變化，說(shuō)明分類后的兩組數(shù)據(jù)分布緊湊，反照率較穩(wěn)定。反照率數(shù)據(jù)較高年份中2008年為峰值，平均地表反照率為0.189；反照率數(shù)據(jù)較低年份中2011年為最低值，平均地表反照率為0.143。在各類地表反照率中大小年之間差異顯著（P＜0.01）。

各類反照率曲線呈現(xiàn)大小年波動(dòng)特征，年際間動(dòng)態(tài)差異顯著（P＜0.05）?？梢?jiàn)光黑空（BSA_v）波動(dòng)較高，變異系數(shù)為31.36%，可見(jiàn)光白空（WSA_v）為30.05%；波動(dòng)較緩的是短波黑空（BSA_s）和短波白空（WSA_s）分別為15.18%，14.67%；近紅外黑空（BSA_n）和近紅外白空（WSA_n）波動(dòng)相對(duì)較低，分別為11.52%，11.16%。年際平均地表反照率的整體變化趨勢(shì)中（圖2）近紅外光反照率（Near-Infrared Albedo）＞短波反照率（Shortwave Albedo）＞可見(jiàn)光反照率（Visible Albedo），表明高寒植被吸收的太陽(yáng)輻射主要集中在可見(jiàn)光波段，其次為短波，對(duì)近紅外光的吸收最低。

2.1.2" 典型高寒植物群落不同地表反照率年際動(dòng)態(tài)特征分析" 各類植物群落地表反照率波動(dòng)特征表現(xiàn)為：白空、黑空可見(jiàn)光地表反照率低，黑空、白空短波光地表反照率居中；黑空、白空近紅外光反照率高（圖3a-3f）。

各類典型植物群落的地表反照率變化呈整體波動(dòng)緩慢降低的趨勢(shì)。各類植物群落中金露梅灌叢群落PF（圖3a）的地表反照率年際波動(dòng)最劇烈，變異系數(shù)為19.55%，其次是灌叢-草地-草甸植物群落S-M（圖3c）、藏嵩草群落KT（圖3f）、垂穗披堿草群落EN（圖3b）、矮嵩草群落KH（圖3d），變異系數(shù)為19.18%，18.49%，18.15%，17.50%；小嵩草KP（圖3e）的年際波動(dòng)相對(duì)最緩，變異系數(shù)為16.36%。

矮嵩草群落KH（圖3d）、小嵩草群落KP（圖3e）的地表反照率年均值最高，為0.208，0.209；灌叢群落PF（圖3a）最低，為0.185。結(jié)合群落類型和地表反照率，矮嵩草群落KH（圖3d）、小嵩草群落KP（圖3e）植被葉莖短、葉片矮小稀疏，地表反照率高，灌叢植物群落PF植株高，地表反照率的年際波動(dòng)更為劇烈。藏嵩草群落KT（圖3f）植株高度較高，但其在濕生環(huán)境下生長(zhǎng)，地表反照率偏低，年際波動(dòng)較緩。

2.1.3" 不同高寒植物群落地表反照率特征" 不同植物群落短波、可見(jiàn)光、近紅外光的白空WSA、黑空BSA反照率顯著性分析結(jié)果如圖4所示，近紅外白空（圖4a）、黑空（圖4b），短波白空（圖4c），可見(jiàn)光白空（圖4e）、黑空（圖4f）反照率中金露梅灌叢群落PF與矮嵩草群落KH、小嵩草群落KP具有顯著差異（P＜0.05）；近紅外白空（圖4a）、黑空反照率（圖4b）中PF與垂穗披堿草群落EN、灌叢-草地-草甸群落S-M、藏嵩草群落KT具有顯著差異（P＜0.05），短波白空（圖4c）、黑空（圖4 d）反照率中PF與S-M、KT具有顯著差異（P＜0.05）。

在不同高寒植物群落地表反照率的特征分析中，所有反照率波段中（圖4a-4b）灌叢群落和草甸群落差異顯著（P＜0.05），在近紅外白空（圖4a）、黑空（圖4b）反照率中灌叢與其他群落類型的反照率顯著不同，而其他群落之間的反照率差異相對(duì)較小且復(fù)雜。

2.2" 河南縣地表反照率空間分布格局

河南蒙古族自治縣2000—2020年平均地表反照率空間分布（圖5a-5f）存在顯著的空間分布差異，0.20～0.25的高反照率集中分布在河南蒙古自治縣的西北部，主要為優(yōu)干寧鎮(zhèn)，賽爾龍鄉(xiāng)和托葉瑪鄉(xiāng)區(qū)域范圍；0.10～0.15的低反照率集中分布于河南蒙古自治縣的西南部，為寧木特林場(chǎng)區(qū)域，以及東南部的柯生鄉(xiāng)和柯生鄉(xiāng)與賽爾龍鄉(xiāng)的交界處。

2.3 "潛剖面模型分析

模型指標(biāo)中AIC、BIC值相對(duì)越小表示模型擬合越好［28］。LMR和BLRT是比較k個(gè)群組的模型和k-1個(gè)群組的模型之間的擬合差異，P＜0.05表明k個(gè)類別的模型顯著優(yōu)于k-1個(gè)類別的模型。熵取值范圍在［0，1］，表示模型分類的精確性，熵大于0.8說(shuō)明達(dá)到精確水平，越接近1分類越精準(zhǔn)［29］。為探究地表反照率的潛在分類，以1類剖面為基礎(chǔ)，將所有植物群落視為同一類型，逐漸增加剖面數(shù)量，同時(shí)構(gòu)建不同的植物群落類型的地表反照率潛類別模型，統(tǒng)計(jì)其擬合指標(biāo)并比較（表1）。

結(jié)果如表1所示，類別數(shù)越多，AIC，BIC值相對(duì)越小。地表反照率潛剖面模型可以分為2類或4類。綜合各類指標(biāo)判斷模型選定4分類模型，使分類結(jié)果更具有實(shí)際意義?；诘乇矸凑章实奶卣骱偷湫椭参锶郝涞恼鎸?shí)情況，矮嵩草群落KH可分為三分類模型：短波、近紅外、可見(jiàn)光反照率類別；其他植物群落可以分類為兩類模型：黑空反照率、白空反照率。但在小嵩草群落KP和藏嵩草群落KT的統(tǒng)計(jì)結(jié)果說(shuō)明選擇2類模型只是相對(duì)最優(yōu)的模型。

植物在近紅外波段的反射通常與植物的葉綠素含量和細(xì)胞結(jié)構(gòu)有關(guān)［30］，本研究中近紅外反照率年際波動(dòng)穩(wěn)定且在不同類型的植物群落中具有差異性（P＜0.05），對(duì)植被狀況更加敏感，可表征不同植物群落的指標(biāo)特征。因此，在地表反照率潛剖面分析的基礎(chǔ)上，基于近紅外反照率構(gòu)建植物分類剖面模型，以對(duì)比分析與所有地表反照率的剖面模型間的差異性和準(zhǔn)確性。結(jié)果顯示4分類模型的指標(biāo)最佳，與由地表反照率的剖面模型得出的結(jié)果一致。

歸屬概率矩陣（表2）中的斜對(duì)角線表示分類正確的類型，地表反照率分為4個(gè)剖面時(shí)，每個(gè)類別中的地表反照率屬于每個(gè)潛在剖面的平均概率（列）均大于0.8%，說(shuō)明4類潛在剖面模型的結(jié)果可信［31］，相比于近紅外反照率構(gòu)建的剖面模型，分類概率高0.04。

根據(jù)每個(gè)剖面的數(shù)值特征，并結(jié)合植物群落特征對(duì)該剖面模型的4個(gè)分類進(jìn)行命名（表3）。第1種類型占比42.45%，表現(xiàn)出中等偏下的反照率水平，命名為“中低反照率”；第2種類型占比26.53%，表現(xiàn)出中等偏上的反照率水平，命名為“中高反照率”；第3種類型占比24.76%，該類型表現(xiàn)出最低的反照率水平，命名為“低反照率”；第4種類型占比6.26%，該類表現(xiàn)出最高的反照率水平，命名為“高反照率”。

為了檢驗(yàn)潛剖面模型劃分類別的有效性，以分類結(jié)果為自變量，地表反照率為因變量，進(jìn)行單因素方差分析比較4個(gè)潛在類別的差異。結(jié)果顯示，表3中的四個(gè)類別間均存在顯著差別（P＜0.01）。針對(duì)剖面分類結(jié)果所對(duì)應(yīng)的地表反照率開(kāi)展原始群落數(shù)據(jù)的隸屬分析（表3）。結(jié)果表示各植物群落總體反照率呈中等程度，低反照率分類中不包含退化嚴(yán)重的植物群落：如以矮嵩草、小嵩草為主的草甸草原（Y26南、Y25南）或退化的人工草地（Y27南）等；高反照率分類中不包含植被狀況良好的、植株較高的群落：如牧草長(zhǎng)勢(shì)較好的草甸草原（S31），株高較高的高山柳灌叢（S28）、垂穗披堿草草原（S32、S23）等。綜上所述，剖面分類結(jié)果與植物群落調(diào)查特征具有較好的一致性。

地表反照率的樣本總量為735，其中中等反照率群落樣本頻度為507，占總樣本的68.98%：中低反照率中各類植物群落概率頻度相近，中高反照率中小嵩草群落概率頻度偏高為38.1%；低反照群落樣本頻度為182，頻度概率為24.76%；高反照率群落樣本頻度為46，頻度概率為6.26%。結(jié)合群落調(diào)查數(shù)據(jù)，低反照率中主要為灌叢和植株較高的群落，其中金露梅灌叢群落占比最大為42.9%，垂穗披堿草群落為31%；高反照率主要是退化草地和矮嵩草、藏嵩草為主的群落，其中矮嵩草類群落占比最大為32.61%。

3" 討論

3.1" 地表反照率的年際波動(dòng)特征及影響因素

本研究中地表反照率年際動(dòng)態(tài)總體呈緩慢減小趨勢(shì)，與王舒默等［32］、趙之重等［5］關(guān)于地表反照率年際動(dòng)態(tài)研究一致。地表反照率的波動(dòng)受土地覆被類型、土壤類型、地表粗糙度等下墊面性質(zhì)、太陽(yáng)高度角以及天氣條件等因素的影響。年際降水量、土壤濕度的變化會(huì)導(dǎo)致地表反照率的波動(dòng)［33］。積雪和冰蓋的年際變化、冰川的退縮或擴(kuò)展、地質(zhì)作用、耕作方式的變化都會(huì)在大尺度上影響地表的反射能力［12］。在城市化進(jìn)程中，城市擴(kuò)張等土地利用變化［15］，以及由此引起的地表覆蓋類型的轉(zhuǎn)變，同樣會(huì)改變地表的反射特性，不透水表面的增加通常會(huì)提高地表的反照率［34］。人類活動(dòng)產(chǎn)生的氣溶膠和污染物能夠改變大氣的透明度，間接影響地表反照率。高寒地區(qū)常見(jiàn)的云層覆蓋和極端天氣可能導(dǎo)致數(shù)據(jù)缺失或質(zhì)量下降［35］，這直接影響了地表反照率分類結(jié)果的準(zhǔn)確性。因此，遙感數(shù)據(jù)的質(zhì)量對(duì)于監(jiān)測(cè)和評(píng)估地表反照率起到?jīng)Q定性的作用。為了準(zhǔn)確監(jiān)測(cè)和評(píng)估地表狀況，未來(lái)研究需要綜合考慮復(fù)雜的因素，通過(guò)高質(zhì)量的遙感數(shù)據(jù)來(lái)提高地表反照率數(shù)據(jù)的解釋力和應(yīng)用價(jià)值。

3.2" 地表反照率的空間分布格局及原因

為探究河南蒙古族自治縣地表反照率的空間分布特征，將平均地表反照率與高程、植被凈初級(jí)生產(chǎn)力（Net primary productivity，NPP）進(jìn)行疊加分析表明，整體上研究區(qū)有較好的植物生長(zhǎng)覆蓋，地表反照率偏小，0.10～0.20反照率集中分布在3500 m左右的高山陰坡地帶和林地分布范圍，為河南蒙古族自治縣寧木特林場(chǎng)和棵曲手草場(chǎng)范圍以及柯生鄉(xiāng)與賽爾龍鄉(xiāng)山脈陰面，地表反照率偏低，0.20～0.25反照率集中分布在3200～3600 m左右的高山平原地帶和4200～4500 m的高山山頂處，高山平原地帶地勢(shì)相對(duì)平緩，人類活動(dòng)頻繁，相對(duì)林場(chǎng)范圍具有偏高的地表反照率；高山山頂處植被稀疏，土壤裸露，地表反照率偏高。除了氣候條件、植被覆蓋類型等對(duì)地表反照率具有極大影響，已有研究表明地表反照率的空間差異與土壤水分也有很大的關(guān)系［36］。陳愛(ài)軍等人［11］的研究中青藏高原西北部反照率高于東南部，楊妍希［37］的研究中黃南藏族自治州的綠度較高，地表反照率較小，空間變化范圍為0.11～0.25，與本研究的空間分布特征一致。

3.4" 高寒地區(qū)典型植物群落的地表反照率

本研究中不同類型植物群落地表反照率具有不同的特點(diǎn)，植被覆蓋類型和覆蓋度的動(dòng)態(tài)變化影響地表反照率?？梢?jiàn)光和近紅外波段的光譜反射特性使得植被變化在這兩個(gè)波段表現(xiàn)出明顯的趨勢(shì)。植被在可見(jiàn)光波段對(duì)光的吸收較強(qiáng)，在近紅外波段的反射相對(duì)較高。在高寒地區(qū)強(qiáng)紫外輻射下，植物產(chǎn)生防御機(jī)制，可通過(guò)增加特定類型的色素如類胡蘿卜素和類黃醇［38］，以增加對(duì)短波（如紫外線）的吸收能力［39］，減少紫外線造成的傷害。植被狀態(tài)的變化，例如生長(zhǎng)狀況良好或水分含量增加［40］，可能導(dǎo)致短波和近紅外反照率升高，植被光合作用主要吸收光波為可見(jiàn)光，所以可見(jiàn)光反照率降低，與本研究結(jié)果一致。從地表反照率中識(shí)別、分類植物群落并根據(jù)實(shí)際意義進(jìn)行分析，對(duì)于更深入理解高寒地區(qū)植被動(dòng)態(tài)變化提供了信息。目前本研究?jī)H從植物群落特征進(jìn)行分析，關(guān)于反照率和植物群落生態(tài)系統(tǒng)多功能性之間的關(guān)系有待今后進(jìn)一步的探究和分析。

3.5" 潛剖面分析在植物群落分類的應(yīng)用

本研究中將基于高寒植物群落地表反照率的LPA模型分為4類，將不同植物群落類型的LPA分為兩類模型，闡明了應(yīng)用潛剖面分析解釋黑空、白空地表反照率的差異性和準(zhǔn)確性。對(duì)于某些植物群落如藏嵩草群落，LPA結(jié)果為相對(duì)最優(yōu)模型，側(cè)面說(shuō)明了這類研究方法對(duì)于藏嵩草群落這類背景環(huán)境差異大的植物群落的識(shí)別和分析還需要結(jié)合其他要素。對(duì)于這類植物群落，在研究中可以結(jié)合多源遙感數(shù)據(jù)進(jìn)行分析，如光學(xué)遙感、雷達(dá)遙感和高光譜遙感等［41］。潛在類別方法用于識(shí)別隱藏在多維數(shù)據(jù)中的潛在類別或群體，可以同時(shí)處理多個(gè)變量，將數(shù)據(jù)擬合為單個(gè)或多個(gè)頻率分布，并已被用于評(píng)估實(shí)際生態(tài)系統(tǒng)中多個(gè)狀態(tài)的研究中［42］。潛類別分析可測(cè)試遙感指標(biāo)是否呈現(xiàn)多峰模式。萬(wàn)紅等［43］通過(guò)潛類別方法研究沿海拔梯度的山地生態(tài)系統(tǒng)穩(wěn)態(tài)分布情況，同時(shí)證明遙感指標(biāo)可以用于揭示山地不同生態(tài)系統(tǒng)穩(wěn)態(tài)存在的因子。該方法可以整合不同來(lái)源和不同分辨率的數(shù)據(jù)，如遙感數(shù)據(jù)、地面觀測(cè)數(shù)據(jù)和氣候數(shù)據(jù)，為植物群落分類提供更全面的信息。今后的研究為適應(yīng)不同的生態(tài)系統(tǒng)可能還需要調(diào)整模型參數(shù)和驗(yàn)證其在不同植被類型和環(huán)境條件下的有效性。因此，本研究認(rèn)為該方法在有充足遙感數(shù)據(jù)支持的區(qū)域具有較好的推廣前景。

4" 結(jié)論

本研究揭示了2000—2020年間河南蒙古族自治縣地表反照率在不同波段和植物群落間的顯著差異，并呈現(xiàn)出年際波動(dòng)?？傮w上，不同植物群落的地表反照率呈緩慢下降趨勢(shì)，金露梅灌叢在地表反照率的不同波段與草地、草甸群落具有顯著差異（P＜0.05），可作為不同草地類型遙感分類的依據(jù)。基于潛類別模型分析，低反照率多見(jiàn)于灌叢類群落，高反照率則主要分布于退化草地及矮嵩草、藏嵩草群落。研究表明，黑空和白空地表反照率的分類特征可通過(guò)潛類別分析體現(xiàn)，且該方法有助于高寒地區(qū)典型植物群落的識(shí)別和分類，同時(shí)在模型構(gòu)建過(guò)程中還需結(jié)合群落特征和生長(zhǎng)背景對(duì)模型參數(shù)進(jìn)行調(diào)整。

參考文獻(xiàn)

［1］" LIN X，WEN J，LIU Q，et al. Spatiotemporal variability of land surface albedo over the Tibet plateau from 2001 to 2019［J］. Remote Sensing，2020，12（7）：1188-1206

［2］" LATTANZIO A，GOVAERTS Y M，PINTY B. Consistency of surface anisotropy characterization with meteosat observations［J］. Advances in Space Research，2007，39（1）：131-135

［3］" 于澤航，董全民，曹銓，等. 不同放牧模式對(duì)祁連山高寒草甸植物群落特征的影響［J］. 草地學(xué)報(bào)，2023，31（9）：2621-2627

［4］" 肖登攀，陶福祿，MOIWO J P. 全球變化下地表反照率研究進(jìn)展［J］. 地球科學(xué)進(jìn)展2011，26（11）：1217-1224

［5］" 趙之重，趙凱，徐劍波，等. 三江源地表反照率時(shí)空變化及其與氣候因子的關(guān)系［J］. 干旱區(qū)研究，2014，31（6）：1031-1038

［6］" 鄧孺孺. 青藏高原地表反照率反演及冷熱源分析［D］. 北京：中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所），2002：11-25

［7］" 馮超，古松，趙亮，等. 青藏高原三江源區(qū)退化草地生態(tài)系統(tǒng)的地表反照率特征［J］. 高原氣象，2010，29（1）：70-77

［8］" PANG G J，CHEN D L，WANG X J. Spatiotemporal variations of land surface albedo and associated influencing factors on the tibetan plateau［J］. Science of the Total Environment，2022，804（12）：150100-150116

［9］" 王瑾杰，丁建麗，張子鵬. 基于遙感生態(tài)指數(shù)的吐哈地區(qū)生態(tài)環(huán)境變化研究［J］. 干旱區(qū)地理，2022，45（5）：1591-1603

［10］王波，柳小妮，王洪偉，等. 東祁連山高寒灌叢六種灌木植物的光譜特征分析［J］. 光譜學(xué)與光譜分析，2019，39（5）：1509-1516

［11］徐斌，陶偉國(guó)，楊秀春，等. 中國(guó)草原植被長(zhǎng)勢(shì)MODIS遙感監(jiān)測(cè)［J］. 草地學(xué)報(bào)，2006，14（3）：242-247

［12］陳愛(ài)軍，曹曉云，韓琛惠，等. 2000—2016年青藏高原地表反照率時(shí)空分布及動(dòng)態(tài)變化［J］. 氣候與環(huán)境研究，2018，23（3）：355-365

［13］孫樹嬌，曹曉云，肖建設(shè)，等. 基于NDVI-Albedo特征空間的柴達(dá)木盆地荒漠化監(jiān)測(cè)研究［J］. 干旱氣象，2023，41（4）：560-569

［14］SHI H L，LIU M P，ZHU S H，et al. Construction of an early warning system based on a fuzzy matter-element model for diagnosing the health of alpine grassland：a case study of henan county，qinghai，china［J］. Agronomy，2023，13（8）：2176-2191

［15］陳春波，李剛勇，彭建，等. 新疆草地生態(tài)健康智能監(jiān)測(cè)網(wǎng)絡(luò)體系構(gòu)建［J］. 草業(yè)科學(xué)，2023，40（5）：1420-1434

［16］邱皓政. 潛在類別模型的原理與技術(shù)［M］. 北京：教育科學(xué)出版社，2008：3-8

［17］WU H，LI Z. Scale issues in remote sensing：a review on analysis processing and modeling［J］. Sensors. 2009，9（3）：1768-1793

［18］鄧得婷，武玉坤，賴鋒，等. 不同高寒草地植物群落生態(tài)系統(tǒng)多功能性分析［J］. 草地學(xué)報(bào)，2023，31（8）：2505-2515

［19］NASA LP DAAC. MODIS Terra +Aqua BRDF/Albedo Model Parameters 16-Day L3 Global 500 m SIN Grid V061 （MCD43A3） ［EB/OL］. https：//lpdaac.usgs.gov/products/mcd43a3v061/，2020-06-7/2024-03-12

［20］喬占明，王曉波，楊柳，等. Landsat8數(shù)據(jù)植被覆蓋度遙感反演模型研究［J］. 青海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，35（1）：54-58

［21］ROMN M O，SCHAAF C B，LEWIS P，et al. Assessing the coupling between surface albedo derived from modis and the fraction of diffuse skylight over spatially-characterized landscapes［J］. Remote Sensing of Environment，2010，114（4）：738-760

［22］SCHAAF C B，GAO F，STRAHLER A H，et al. First operational brdf，albedo nadir reflectance products from modis［J］. Remote Sensing of Environment，2002，83（1/2）：135-148

［23］王孟成，畢向陽(yáng). 潛變量建模與Mplus應(yīng)用：進(jìn)階篇［M］. 重慶：重慶大學(xué)出版社，2018：13-15

［24］GIBSON W A. Three multivariate models：factor analysis，latent structure analysis，and latent profile analysis ［J］. Psychometrika，1959，24（3）：229-252

［25］DAYTON C M，MACREADY，et al. Use of categorical and continuous covariates in latent class analysis［M］. Cambridge：Cambridge University Press，2002：213-233

［26］張艷.黑河下游額濟(jì)納綠洲蒸散量的遙感估算［D］.西安：西安科技大學(xué)，2019：16-23

［27］文妙霞，何學(xué)高，劉歡，等. 基于地理探測(cè)器的寧夏草地植被覆被時(shí)空分異及驅(qū)動(dòng)因子［J］. 干旱區(qū)研究，2023，40（8）：1322-1332

［28］PRASANTA S，MALCOLM R. Philosophy of statistics［M］. Holland：North Holland，2011：583-605

［29］LUBKE G，MUTHN B O. Performance of factor mixture models as a function of model size，covariate effects，and class-specific parameters［J］. Structural Equation Modeling：A Multidisciplinary Journal，2007，14（1）：26-47

［30］WEI H D. The characteristic analysis of canopy spectrum and moisture content of 10 typical arid desert plants［J］. Journal of Energy and Natural Resources，2019，8（1）：6-6

［31］VALENTIN N，DAVID C. Latent class analysis［J］. The Journal of Hand Surgery，2013，38（5）：1018-1020

［32］王舒默，胡永紅，王式功，等. 植被功能型差異對(duì)地表反照率時(shí)空分布的影響分析［J］. 遙感技術(shù)與應(yīng)用，2015，30（5）：932-938

［33］張樂(lè)樂(lè)，高黎明，陳克龍. 青海湖流域瓦顏山濕地輻射平衡和地表反照率變化特征［J］. 冰川凍土，2018，40（6）：1216-1222

［34］侯春華，李富平，何寶杰，等. 地表反照率和植被覆蓋度對(duì)礦區(qū)熱環(huán)境的影響［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2022，54（12）：117-126

［35］王磊，耿君，楊冉冉，等. 高分一號(hào)衛(wèi)星影像特征及其在草地監(jiān)測(cè)中的應(yīng)用［J］. 草地學(xué)報(bào)，2015，23（5）：1093-1100

［36］HE T，LIANG S，SONG D. Analysis of global land surface albedo climatology and spatial-temporal variation during 1981—2010 from multiple satellite products［J］. Journal of Geophysical Research：Atmospheres，2014，119（17）：10281-10298

［37］楊妍希. 三江源高寒草地退化恢復(fù)的水熱效應(yīng)研究［D］. 荊州：長(zhǎng)江大學(xué)，2023：53-55

［38］CHEN Z R，DONG Y，HUANG X. Plant responses to uv-b radiation：signaling，acclimation and stress tolerance［J］.Stress Biology，2022，2 （51）：1-10

［39］許大全. 光合作用效率［J］. 植物生理學(xué)通訊，1988（5）：3-9

［40］LIN Y，HUANG Y，LORAAMM R，et al. Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects［J］. Field Crops Research，2014，156（2）：199-207

［41］REI S，HIROTO Y，HARUMI M，et al. Hyperspectral reflectance sensing for quantifying leaf chlorophyll content in wasabi leaves using spectral pre-processing techniques and machine learning algorithms［J］. International Journal of Remote Sensing，2021，42（4）：1311-1329

［42］ZHAO Y C，WANG X Y，NOVILLO C J，et al. Remotely sensed albedo allows the identification of two ecosystem states along aridity gradients in africa［J］. Land Degradation and Development，2019，30（12）：1502-1515

［43］萬(wàn)紅，郭鵬，駱磊，等. 基于生態(tài)多穩(wěn)態(tài)的山地植被垂直自然帶定量識(shí)別研究——以新疆博格達(dá)山為例［J］. 遙感學(xué)報(bào)，2022，26（11）：2234-2247

（責(zé)任編輯" 劉婷婷）