王 南,仲 濤,鄭 江 華,2,孟 乘 楓

(1.新疆大學 地理與遙感科學學院,新疆 烏魯木齊 830017; 2.新疆大學 綠洲生態(tài)教育部重點實驗室,新疆 烏魯木齊 830046)

0 引 言

2021年8月,政府間氣候變化專門委員會(IPCC)第六次評估(AR6)第一工作組報告指出,未來20 a地球表面變暖,溫升將會達到1.5 ℃或1.6 ℃[1]。氣溫的升高加速了高海拔地區(qū)積雪的大量融化,補充了內(nèi)陸干旱區(qū)的淡水資源,但可能引起冰川湖泊潰決洪水及泥石流災(zāi)害[2]。高分辨率遙感影像為冰湖監(jiān)測及其潛在危害評價提供了支持。劉娟等[3]基于Landsat TM/OLI遙感影像資料,分析了帕隆藏布流域冰湖時空分布及其動態(tài)變化,并對潛在危險性冰湖進行了判別和評估;王翔等[4]基于野外調(diào)查和FLO-2D水文動力學模型等數(shù)據(jù)與方法,對藏西南地區(qū)典型冰湖強宗克措和吉萊普措開展動態(tài)變化分析、地貌調(diào)查和潰決泥石流模擬;King等[5]研究了20世紀70年代以來地表碎屑覆蓋和冰川湖泊對喜馬拉雅冰川質(zhì)量損失的影響。

喜馬拉雅山區(qū)是冰湖研究熱點區(qū)域,而其他區(qū)域的冰湖研究則相對較少。當前,對昆侖山地區(qū)湖泊及冰川變化的研究主要有:沈永平等[6]在研究新疆冰川、積雪對氣候變化的響應(yīng)時發(fā)現(xiàn)昆侖山地區(qū)冰崩災(zāi)害隨著氣溫升高而呈增加趨勢;Bazai等[7]根據(jù)喀喇昆侖庫爾多平冰川的涌動特征對該地區(qū)冰湖潰決形成的時間進行了估算;張?zhí)珓偟萚8]回顧亞洲高山區(qū)冰湖潰決洪水事件時,發(fā)現(xiàn)亞洲冰壩湖多分布于冰川資源豐富的天山山脈和喀喇昆侖山,未來幾十年該地區(qū)冰湖潰決洪水頻率將會增加。因此確定適用于昆侖山冰湖未來變化的預(yù)測模型,并討論溫度和降水等氣候因子與預(yù)測結(jié)果之間的關(guān)系,將對該地區(qū)未來發(fā)展規(guī)劃起到重要的作用。

元胞自動機(Cellular Automata,CA)是一種時間、空間、狀態(tài)都離散,空間相互作用和時間因果關(guān)系皆局部的網(wǎng)格動力學模型[9],許多土地利用/覆蓋預(yù)測模型是以此為基礎(chǔ)而開發(fā)建立的。Wu[9]最先運用多標準評價模型,在CA模型中引入了多種約束因素,在用CA模型解決城市發(fā)展問題時考慮了宏觀外部因素的影響;美國克拉克大學制圖技術(shù)與地學分析實驗室在此基礎(chǔ)上,開發(fā)了微機地理信息和圖像處理系統(tǒng)IDRISI(Idrisi for windows)[10]。國內(nèi)學者進一步探索了CA模型的擴展以及構(gòu)造規(guī)則。張顯峰等[11]建立了城市土地利用/覆蓋演化過程模擬預(yù)測LESP(Landuse Evolution Simulation land Prediction Model)模型,并對包頭市的城市增長進行了模擬;Liu等[12]在神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上,結(jié)合自適應(yīng)慣性競爭機制建立了未來土地利用/覆蓋變化模擬模型FLUS(Future Land Use Simulation);Liang等[13]基于CA開發(fā)了新型土地利用/覆蓋變化模擬模型PLUS(Patch-generating Land Use Simulation Model),能夠有效處理人與自然共同因素影響下的土地利用/覆蓋變化過程中的不確定性。

目前,土地利用/覆蓋預(yù)測模型在模擬與預(yù)測城市擴展動態(tài)過程等方面應(yīng)用較廣,但是關(guān)于預(yù)測冰湖未來變化的研究較少,并且缺乏將已有預(yù)測模型應(yīng)用到昆侖山冰湖未來變化的研究。因此,本文選取3種土地利用/覆蓋預(yù)測模型(多準則CA-Markov模型、FLUS模型、PLUS模型),分析其在昆侖山冰湖預(yù)測中的適用性,從中選擇出最適用于昆侖山冰湖預(yù)測的模型,預(yù)測昆侖山未來冰湖變化趨勢,為該地區(qū)冰湖潰決、泥石流等災(zāi)害風險評估提供重要的參考依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

昆侖山是亞洲中部大山系,也是中國西部山系的主干。山脈西起帕米爾高原東部,全長約2 500 km,平均海拔超過4 000 m,寬130～200 km,總面積達50多萬km2[14]。地勢西高東低,地形以較為陡峭的山坡和較為高大的山峰為主,在北起伊爾克什坦山口直至新疆與西藏行政邊界處存在較多山體與斜坡,東部地勢相對平坦,冰湖在此處廣泛分布(見圖1)。夏季冰川和積雪大量消融是昆侖山地區(qū)冰湖水量補給的主要來源,因此該地區(qū)冰湖水量季節(jié)差異較大[15]。

圖1 昆侖山地區(qū)冰湖地理位置Fig.1 Study area of glacier laks in Kunlun Mountain

1.2 數(shù)據(jù)來源及處理

本研究使用GEE(Google Earth Engine)平臺獲取昆侖山地區(qū)2000～2020年Landsat-5/7/8遙感影像數(shù)據(jù),并采用隨機森林法對影像進行監(jiān)督分類。通過目視解譯選取樣本點,建立4種ROI(Regions of Interest):植被、裸地、冰雪、冰湖。樣本點中70%用于分類,30%用于精度驗證。通過構(gòu)建混淆矩陣,計算得到總體分類精度(Overall Accuracy,OA)平均值為0.92,Kappa系數(shù)平均值為0.89。為減小由于季節(jié)差異帶來的積雪融雪而造成的數(shù)據(jù)誤差,使用云量較少、變化穩(wěn)定的9～10月影像[16]。由于2000年、2004～2007年、2013年的影像云量過多,對數(shù)據(jù)質(zhì)量帶來的影響難以規(guī)避,所以在相應(yīng)年份改為使用8～11月份的影像。

將監(jiān)督分類結(jié)果與原始影像以及冰川、冰湖編目數(shù)據(jù)進行對比,通過人工目視解譯進行冰川、冰湖提取。之后基于已有的關(guān)于冰湖提取方法[17],以冰川末端為中心建立10 km緩沖區(qū),以實現(xiàn)對冰湖的二次精提取。

DEM數(shù)字高程數(shù)據(jù)采用數(shù)字高程數(shù)據(jù)產(chǎn)品SRTM DEMUTM,空間分辨率為90 m。該數(shù)據(jù)可用于提取研究區(qū)內(nèi)的山體陰影、海拔等地形因子,進而對冰湖的分布進行空間分析。數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn/)。

氣象觀測數(shù)據(jù)來自FLDAS數(shù)據(jù)集(https:∥disc.gsfc.nasa.gov/)1990～2020年的氣溫和降水數(shù)據(jù),時間分辨率為1個月,空間分辨率為0.1°×0.1°。

冰川編目數(shù)據(jù)來自GLIMS全球冰川編目數(shù)據(jù)以及2017～2018年中國西北冰川編目數(shù)據(jù)[18],空間分辨率為30 m。冰湖編目數(shù)據(jù)來自高亞洲冰湖編目數(shù)據(jù)集(http:∥www.ncdc.ac.cn/)。

2 研究方法

2.1 多準則CA-Markov模型

基于IDRISI軟件GIS Analysis下的CA-Markov模型將CA和Markov模型結(jié)合起來,運用轉(zhuǎn)移概率矩陣來模擬土地覆蓋格局隨時間的變化[19]。首先利用IDRISI模型中的Markov模塊,獲得研究區(qū)2000～2010年和2010～2020年地物類型變化的轉(zhuǎn)移概率矩陣:

(1)

土地覆蓋類型轉(zhuǎn)移適宜性圖集指的是某一種地物類型轉(zhuǎn)變?yōu)槠渌匚镱愋偷母怕蕡D,適宜性圖集是轉(zhuǎn)換規(guī)則的一個重要組成部分[20]。本研究從高程、坡度、溫度、降水4個方面考慮各因素對研究區(qū)土地覆蓋變化情況的影響,應(yīng)用IDRISI軟件中MCE(多準則評價)模塊的布爾相乘方法將各地物類型的約束條件進行合并,得到各種地物類型的適宜性圖像,最后使用軟件中的Collection Editor模塊,按照各地物類型的順序進行排列,最終合成研究區(qū)地物類型轉(zhuǎn)變適宜性圖集。

在確定P后,可用式(2)對未來土地覆蓋類型進行預(yù)測。

S(t+1)=Pij×S(t)

(2)

式中:S(t),S(t+1)分別為t,t+1時刻的土地覆蓋狀態(tài);Pij為土地覆蓋類型轉(zhuǎn)移概率矩陣。

在IDRISI軟件CA-Markov模塊下導入2000～2010年馬爾科夫轉(zhuǎn)移矩陣、2010年的昆侖山地區(qū)土地覆蓋類型柵格圖,以及制作的適宜性圖集,循環(huán)次數(shù)設(shè)置為10,采用默認的摩爾型鄰域5×5濾波器,獲得2020年模擬影像。

2.2 FLUS模型

FLUS模型的原理是在利用人工神經(jīng)網(wǎng)絡(luò)模型算法(ANN)對基期土地覆蓋數(shù)據(jù)和各驅(qū)動影響因子數(shù)據(jù)進行運算的基礎(chǔ)上,估算出區(qū)域內(nèi)各土地覆蓋類型的發(fā)展概率[21]。之后在元胞自動機模塊中,通過自適應(yīng)慣性競爭機制可以定義自適應(yīng)系數(shù),該系數(shù)可以調(diào)整每類用地的慣性,并通過反復迭代未來不同情景下的土地覆蓋量和當前各類用地的實際數(shù)量,最終模擬出未來特定情景下的土地覆蓋分布情況[22]。自適應(yīng)慣性系數(shù)定義式如下:

(3)

參考劉曉娟等[22]的研究方法,引入分塊并行計算技術(shù)對昆侖山地區(qū)土地覆蓋變化進行模擬,并行方法采用塊狀存儲模式。采用人工神經(jīng)網(wǎng)絡(luò)整合并計算研究區(qū)域內(nèi)每種土地覆蓋類型在每個像元上的出現(xiàn)概率,獲取研究區(qū)各類地物的適宜性概率,采樣速率設(shè)置為20,隱藏層數(shù)為12。之后,將2010年土地覆蓋類型圖、驅(qū)動因素(高程、坡度、溫度、降水)以及土地覆蓋類型適宜性概率輸入自適應(yīng)慣性機制的元胞自動機模塊,運行得到2020年土地覆蓋類型模擬圖。參考已有研究成果[21,23]并考慮昆侖山地區(qū)地物類型變化特征,依據(jù)研究區(qū)實際土地覆蓋類型間的轉(zhuǎn)換量對各個地類的鄰域權(quán)重進行設(shè)置(裸地0.500、冰湖0.023、植被0.167、積雪0.310)。鄰域權(quán)重參數(shù)范圍為0～1,越接近1代表該用地類型的擴張能力越強[24]。

2.3 PLUS模型

(4)

式中:d的取值為0或1(若d=1,表示有其他土地利用類型轉(zhuǎn)變?yōu)閗類土地利用類型;當d=0,表示土地利用類型轉(zhuǎn)變成了除k以外的其他土地利用類型);x是由若干驅(qū)動力因子組成的向量;函數(shù)I是決策樹集的指示函數(shù);hn(x)是向量x的第n個決策樹的預(yù)測類型;M為決策樹的總量。

最后結(jié)合CARS的隨機斑塊生成、過渡轉(zhuǎn)移矩陣和閾值遞減機制實現(xiàn)優(yōu)化,確定最終土地覆蓋類型分布情況[25]。

對2010～2020年昆侖山地區(qū)土地覆蓋擴張數(shù)據(jù)和4類驅(qū)動因子(高程、坡度、溫度、降水)進行LEAS用地擴張策略分析,生成每類用地發(fā)展概率。決策樹數(shù)目20,采樣率0.1,訓練RF的特征個數(shù)為16,并行線程數(shù)量設(shè)置為4。之后基于2010年土地覆蓋類型圖與每類用地發(fā)展概率,使用CARS模擬得到2020年土地覆蓋類型圖。經(jīng)過多次調(diào)試參數(shù),根據(jù)各土地類型擴張面積的占比[13,26]將其擴張能力依次定義為:裸地0.500、冰湖0.023、植被0.167、積雪0.310。斑塊生成閾值即遞減閾值設(shè)置為0.9,擴散系數(shù)為0.1,隨機種子最大比例為0.0001(取值0～1,數(shù)值越小越緊湊,反之則越分散)。

2.4 氣候傾向率

氣候傾向率可用來反映氣候要素的變化趨勢。一般是通過一元線性回歸方程求得,即通過最小二乘法構(gòu)建時間序列與氣候要素之間的回歸方程[19]。表達式為

yi=a+bxi(i=1,2,3,…,n)

(6)

(7)

式中:yi表示氣候要素值;xj表示時間序列值;a為常數(shù),一般用10b表示氣候傾向率,單位為℃/10a或mm/10a。

3 結(jié)果與分析

3.1 模型精度檢驗

多準則CA-Markov模型、FLUS模型、PLUS模型的空間模擬情況如圖2所示。PLUS模型在模擬各地物類型空間分布上優(yōu)于多準則CA-Markov模型與FLUS模型,其模擬的2020年昆侖山地區(qū)土地覆蓋類型空間分布與該地區(qū)實際情況一致性較好,但在模擬過程中存在裸地斑塊丟失的情況;而FLUS模型則存在錯誤估算某類土地覆蓋類型發(fā)展概率的問題,例如在昆侖山西南部本應(yīng)有大量積雪覆蓋,而FLUS模型模擬結(jié)果則顯示該地區(qū)有部分植被分布。

圖2 多準則CA-Markov模型、FLUS模型及PLUS模型空間模擬結(jié)果對比Fig.2 Comparison of space simulation results bymulti-criteria CA-Markov,FLUS and PLUS

為驗證3種模型的模擬精度,將3種模型預(yù)測出的研究區(qū)2020年各類地物規(guī)模與2020年的實際值進行比較,計算Kappa 系數(shù)(見表1)。當Kappa≥0.75時,模擬結(jié)果和實際結(jié)果的一致性較好,精度較高;當0.40≤Kappa<0.75時,精度一般;當Kappa<0.40時,精度較差[27]。本研究采用多準則CA-Markov模型得到的預(yù)測結(jié)果總體精度(0.86)達到0.75以上,并且對研究區(qū)4種土地類型模擬的相對誤差整體要小于另外兩種模型;而采用FLUS、PLUS模型模擬的精度分別為0.63,0.67,均小于0.75。

表1 多準則CA-Markov模型、FLUS模型及PLUS模型模擬誤差分析Tab.1 Error analysis of simulating on multi-criteria CA-Markov,FLUS and PLUS simulation

綜合3種模型預(yù)測結(jié)果的Kappa系數(shù)與空間模擬情況,得出多準則CA-Markov模型預(yù)測結(jié)果與實際結(jié)果一致性較好,更符合昆侖山地區(qū)土地覆蓋變化規(guī)律。以2015年昆侖山地區(qū)土地覆蓋類型圖為基礎(chǔ),以2010～2015年轉(zhuǎn)移概率矩陣、制作的適宜性圖集為轉(zhuǎn)換規(guī)則,模擬2020年該地區(qū)土地覆蓋變化,并對模擬結(jié)果進行精度檢驗。多準則CA-Markov模型以5 a、10 a為時間間隔模擬得到的Kappa系數(shù)均大于0.75(0.83、0.86),說明該模型模擬精度高,模擬預(yù)測的效果較好,可信度較高,適用于模擬研究區(qū)2025,2030年土地覆蓋類型變化情況。

3.2 昆侖山冰湖變化特征分析

3.2.1冰湖變化時空特征分析

提取出的冰湖數(shù)據(jù)進行統(tǒng)計分析結(jié)果表明,2021年間昆侖山地區(qū)冰湖總體表現(xiàn)出數(shù)量增多、面積增大的趨勢。2000年,該地區(qū)共有冰湖642個,冰湖面積共計28.03 km2;2020年,冰湖數(shù)量增長至894個,總面積達50.83 km2(見圖3)。冰湖的總數(shù)量與總面積增加分別以平均每年2.22%和3.65%的速度增加。2015年之后,冰湖總數(shù)量與面積變化不明顯,基本呈穩(wěn)定增加趨勢。

圖3 2000～2020年昆侖山地區(qū)冰湖數(shù)量與面積變化統(tǒng)計Fig.3 Statistics on the numbers and areas of glacial lakes in Kunlun Mountain from 2000～2020

本研究在張連成等[15]的研究基礎(chǔ)上,以83°E為界限將昆侖山地區(qū)分為東西兩部分,分別討論冰湖數(shù)量和面積的變化情況(見圖4)。由圖4可知,2020年,昆侖山西部冰湖數(shù)量占總量的73.60%,冰湖面積占全部面積的81.11%,研究區(qū)總體冰湖數(shù)量和面積表現(xiàn)出明顯的西多東少的特點。西部冰湖的數(shù)量和面積增長劇烈,近20 a,西昆侖山冰湖平均以每年11.6個的速度增長;東部冰湖數(shù)量增長速度較慢,年均增長速度接近于0。東、西昆侖山冰湖面積變化速率較為接近,分別以3.78%、4.26%的年均增長率進行擴張。

圖4 2000～2020年昆侖山地區(qū)東西部冰湖的面積與數(shù)量對比Fig.4 Comparison of the areas and numbers of glacial lakes in the east and west of the Kunlun Mountain in 2000～2020

3.2.2土地覆蓋類型變化

利用IDRISI軟件Markov過程獲得的昆侖山地區(qū)2000～2010,2010～2015年和2015～2020年土地覆蓋轉(zhuǎn)移矩陣,分類匯總2000～2020年的研究區(qū)土地覆蓋類型面積及變化情況(見圖5)。

圖5 2000～2020年土地覆蓋轉(zhuǎn)移?；鶊DFig.5 Land cover transfer Sankey diagram from 2000 to 2020

昆侖山土地覆蓋類型以植被、裸地、冰川和積雪、冰湖為主。由面積變化可知,昆侖山地區(qū)2000～2020年,冰川和積雪始終是該地區(qū)土地覆蓋類型中面積增幅最大的地物類型,在2000～2010,2010～2015年和2015～2020年分別增加19 664.17,19 643.48 km2和12 867.44 km2;裸地面積呈持續(xù)減少趨勢,減少量分別為19 548.59,21 119.68 km2和22 924.12 km2,主要轉(zhuǎn)向植被、冰川和積雪;冰湖面積呈現(xiàn)持續(xù)增長趨勢,在2000～2010,2010～2015年和2015～2020年按增長量分別為10.52,6.04 km2和5.27 km2,其中裸地、冰川和積雪向冰湖轉(zhuǎn)化的面積較大,分別占冰湖轉(zhuǎn)入總面積的42.39%～59.75%、25.69%～41.83%。

3.3 昆侖山冰湖未來變化趨勢

通過對3種模型預(yù)測結(jié)果的Kappa系數(shù)與空間模擬情況的比較,得出多準則CA-Markov模型為最適用于昆侖山冰湖預(yù)測的模型。以2020年昆侖山地區(qū)實際土地覆蓋數(shù)據(jù)、2015～2020年馬爾科夫轉(zhuǎn)移矩陣為基礎(chǔ),獲得2025年該地區(qū)土地覆蓋預(yù)測數(shù)據(jù),同理獲得2030年土地覆蓋預(yù)測數(shù)據(jù)(見圖6)。

經(jīng)統(tǒng)計得到:2025年冰湖面積及數(shù)量預(yù)計達到54.16 km2和981個,與2020年相比分別增加了6.54%、9.73%;2030年冰湖面積及數(shù)量預(yù)計達到58.25 km2和1 042個,與2020年相比分別增加了14.59%、16.55%,與2025年相比增加了7.55%、6.22%。

將研究區(qū)以83°E為界分為東西兩部分,進一步分析得到:2025年西昆侖山冰湖面積預(yù)計為44.22 km2,東昆侖山冰湖面積預(yù)計為9.94 km2;2025年東部冰湖面積與2020年相比增加約3.53%,而西部冰湖面積則將以7.25%的速率增長,由此可見,雖然研究區(qū)的大面積冰湖集中分布于東部,但2020～2025年面積增長速度較快的冰湖仍主要來自西部;到2030年,東昆侖山冰湖面積及數(shù)量增長為10.64 km2和272個,而西昆侖山冰湖面積及數(shù)量將達到47.60 km2、770個,與2025年冰湖面積相比,研究區(qū)西部、東部冰湖面積分別增加7.66%與7.09%,數(shù)量分別增加6.65%、5.02%,東部冰湖增長速度有所提升,且東西部冰湖擴張的速度差距有所減小(見表2)。

表2 2020、2025年及2030年昆侖山地區(qū)東、西部冰湖面積與數(shù)量Tab.2 The area and number of glacial lake in the east and west of the Kunlun Mountain in 2020,2025 and 2030

氣溫、降水關(guān)系到冰川生長退縮、地表徑流大小、蒸發(fā)速度快慢,其變化還會影響冰湖的補給水源、湖盆水量以及湖盆結(jié)構(gòu)[28]。因此,分析昆侖山地區(qū)氣溫、降水變化情況對研究冰湖的演化發(fā)展有重要意義。通過計算氣候傾向率得到2000～2020年昆侖山西部降水傾向率為0.29 mm/10 a,氣溫傾向率為0.04 ℃/10 a;昆侖山東部降水傾向率為-4.92 mm/10 a,氣溫傾向率為0.16 ℃/10 a。研究區(qū)西部降水量增幅較小且溫度整體保持平穩(wěn),該區(qū)域有大量冰川和積雪覆蓋,在水熱條件及積雪消融共同作用下,冰湖面積與數(shù)量將繼續(xù)增加;研究區(qū)東部降水呈下降趨勢,但由于氣溫增幅較西部地區(qū)更為明顯,由此帶來的冰川融水補充了一部分由于降水量減少而缺失的冰湖補給,因此東西部冰湖擴張的速度差距將有所減小。

在地形方面,昆侖山東部地勢較低,坡度較為和緩,有利于大型湖泊的發(fā)育;西部地勢較高且地形復雜,冰湖在此常呈小規(guī)模分布;而在昆侖山脈的北坡,是最干旱的亞洲大陸中心,山前年降水量小于100 mm,隨山地海拔增高而略增,氣候干燥,再加上昆侖山中段主脈向南略呈弧形,預(yù)計2025年、2030年內(nèi),由于干燥的大陸氣候的影響,北部的狹長地帶仍將被裸地所占據(jù),冰湖以及積雪等其他地物類型在此則鮮有分布。

3.4 分析與討論

綜合3種模型預(yù)測結(jié)果的Kappa系數(shù)與空間模擬情況可以看出,多準則CA-Markov模型模擬結(jié)果的面積較為符合2020年真實的分類結(jié)果。陳柯欣等[29]研究發(fā)現(xiàn)多準則CA-Markov模型Proportional error參數(shù)通過影響轉(zhuǎn)移概率矩陣,進而對模擬數(shù)量精度產(chǎn)生影響,該參數(shù)為0.15時,影像的分類精度一般可達到85%以上。本文在該模型Markov過程中將Proportional error參數(shù)設(shè)置為0.15,結(jié)果顯示數(shù)量模擬效果較好;蔣小芳等[30]提出PLUS模型模擬空間位置分布的效果優(yōu)于其他模型,且在越精細的空間尺度下的模擬精度越高。本研究采用90m空間尺度,該尺度下的各土地覆蓋類型和驅(qū)動因子相關(guān)性不高,可能是模擬過程中部分裸地斑塊丟失的原因之一[31];FLUS模型為了更好地模擬土地覆蓋的動態(tài)性和不確定性,具有較低概率的地物類型也有機會被分配到目標地物類型[21],因此有可能出現(xiàn)本文中FLUS模型估算昆侖山地區(qū)土地覆蓋類型發(fā)展概率時出現(xiàn)偏差的情況。

已有研究表明,氣溫上升是昆侖山地區(qū)冰川退縮的主要原因[32]。東昆侖山冰川規(guī)模較小,但冰川退縮速度較快,氣溫上升使得冰川消融大于降水增加引起的冰川積累,冰湖面積及數(shù)量因此保持增長趨勢。青藏高原冰川響應(yīng)氣溫變化的滯后時間為10 a左右[33],因此未來10 a內(nèi),該地區(qū)冰川將出現(xiàn)持續(xù)性的退縮。本文通過多準則CA-Markov模型獲得2025、2030年土地覆蓋預(yù)測數(shù)據(jù),并通過進一步分析得到研究區(qū)東部降水呈下降趨勢,但由于氣溫增幅較西部地區(qū)更為明顯,由此帶來的冰川融水補充了一部分由于降水量減少而缺失的冰湖補給,因此東西部冰湖擴張的速度差距將有所減小,該結(jié)論與前人研究昆侖山冰川、冰湖變化的結(jié)論一致。

本文在使用3種預(yù)測模型對昆侖山地區(qū)土地覆蓋情況進行模擬過程中仍存在不足之處:僅基于經(jīng)驗與土地覆蓋變化的歷史特征進行參數(shù)設(shè)置,沒有考慮未來不同情境下氣候因素對土地覆蓋類型造成的影響,因此如何構(gòu)建更為全面、科學的預(yù)測模型仍需要進一步探討。另外,依靠人工目視解譯得到的監(jiān)督分類結(jié)果即使經(jīng)過了與其他數(shù)據(jù)集比對后的二次提取,依然存在與實際冰湖分布情況之間的誤差。從水體和積雪指數(shù)入手探索精度更高的冰湖提取方法將是未來工作的重點。

4 結(jié) 論

本文基于GEE平臺進行監(jiān)督分類,分析了昆侖山地區(qū)冰湖2000～2020年變化時空特征。通過比較3種預(yù)測模型模擬結(jié)果,確定出適用于昆侖山冰湖的預(yù)測模型,并對2025、2030年冰湖可能的演變發(fā)展情況做出預(yù)測,得出如下結(jié)論:

(1) 20 a間昆侖山地區(qū)冰湖總體表現(xiàn)出數(shù)量增多、面積增大的趨勢。2000年,該地區(qū)共有冰湖642個,冰湖面積共計28.03 km2;2020年,冰湖數(shù)量增長至894個,總面積達50.83 km2。研究區(qū)總體冰湖數(shù)量和面積表現(xiàn)出明顯的西多東少的特點。2020年,昆侖山西部冰湖數(shù)量占總量的73.60%,冰湖面積占全部的81.11%,該區(qū)域冰湖的數(shù)量和面積增長劇烈,是研究區(qū)冰湖數(shù)量和面積增加的主要成分。

(2) 通過比較多準則CA-Markov、FLUS、PLUS模型預(yù)測結(jié)果,確定多準則CA-Markov模型為最適用于昆侖山冰湖的預(yù)測模型。該模型以10 a為時間間隔模擬得到的Kappa系數(shù)為0.86,并且對研究區(qū)4種地物類型模擬的相對誤差整體要小于另外兩種模型;采用FLUS、PLUS模型模擬的精度分別為63.46%、67.47%,均小于75.00%。

(3) 2025年冰湖面積及數(shù)量預(yù)計達到54.16 km2、981個,2030年冰湖面積及數(shù)量預(yù)計達到58.24 km2、1 042個。2025年西昆侖山冰湖面積預(yù)計為44.22 km2,東昆侖山冰湖面積預(yù)計為9.94 km2,東、西部冰湖面積增長速度分別為3.53%、7.25%,由此可見2020～2025年面積增長速度較快的冰湖仍主要來自西部;到2030年,東昆侖山冰湖面積及數(shù)量增長為10.64 km2、272個,而西昆侖山冰湖面積及數(shù)量將達到47.60 km2、770個,與2025年冰湖面積相比,研究區(qū)西部、東部冰湖面積分別增加7.66%與7.09%,數(shù)量分別增加6.65%、5.02%,東部冰湖增長速度有所提升,且東西部冰湖擴張的速度差距將有所減小。