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）等典型植物群落進行群落特征調(diào)查，對典型植物群落的地表反照率進行提取分析，并構建潛類別模型對不同植物地表反照率進行分類。結果表明：高寒地區(qū)時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趨勢，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：Q142""" 文獻標識碼：A""""" 文章編號：1007-0435（2024）12-3877-10

收稿日期：2024-03-12；修回日期：2024-06-27

基金項目：青海省科技廳重點研發(fā)與轉(zhuǎn)化科技援青合作專項項目“基于植被時譜特征的高寒草地遙感生態(tài)預警體系構建”；青海省2023年度“昆侖英才·高層次教育教學人才”（青人才字［2023］10號）；2023 年省級“四新”研究與改革實踐項目（2023-SJSX-04）；生態(tài)學世界一流學科研究生科技創(chuàng)新項目（2024-stxy-Y30）資助

作者簡介：

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、應用廣泛等特性，可提供高時間分辨率的連續(xù)監(jiān)測［2］，對定量化理解高原能量和水分循環(huán)過程有重要作用。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)來源，減少了數(shù)據(jù)融合的復雜性，提供了更穩(wěn)定和魯棒性強的植被分類結果，適合于長期和大規(guī)模的植被動態(tài)監(jiān)測與分析［4］。高寒地區(qū)植被生長的季節(jié)性變化導致地表反照率呈現(xiàn)明顯的季節(jié)性波動［5］。地表反照率與其相關的土壤濕度、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。龐國進等［8］揭示了積雪覆蓋是青藏高原山區(qū)反照率變化的主導因子。地表反照率在監(jiān)測地表覆蓋動態(tài)變化、生態(tài)質(zhì)量變化評價等方面有廣泛應用［9］。王波等［10］利用遙感技術獲取東祁連山的高寒灌叢植物群落反射率光譜，通過篩選計算敏感波段有效辨別六種灌木植物；徐斌等［11］通過MODIS數(shù)據(jù)對我國2005年的草原植被生長季長勢進行監(jiān)測得出長勢呈現(xiàn)“前期較好、后期較差”的時間演變特征。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)學的研究集中在植被生長狀況、土地利用變化監(jiān)測與評估方面［12-13］。基于植物群落特征構建高寒草地生態(tài)預警體系，評估高寒草地潛在的退化風險是目前草地健康管理的預警方法之一［14］；通過遙感指標構建草地立體監(jiān)測網(wǎng)絡，形成草地多源時空大數(shù)據(jù)，構建天然草地健康生態(tài)預警系統(tǒng)［15］是近幾年的研究熱點。地表反照率有助于理解區(qū)域生態(tài)系統(tǒng)功能及其對氣候變化的響應，為生態(tài)保護和氣候變化適應提供科學依據(jù)。

潛在類別模型（Latent class model，LCM）是一種用于識別潛在群體或類別的統(tǒng)計模型［16］。通過構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，結合群落特征調(diào)查數(shù)據(jù)，識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)土地覆被變化會對地表反照率產(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，在長時間尺度上高寒地區(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青海省黃南藏族自治州河南蒙古族自治縣地區(qū)（以下簡稱河南縣）35個樣點2000—2020年典型植物群落進行地表反照率特征分析。旨在通過對高寒草地植物群落遙感指標特征時空變化分析，識別高寒地區(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，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，屬高原亞寒帶濕潤氣候區(qū)，高原大陸性氣候特點明顯［18］，研究對象為該區(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，采樣點集中分布在3200～3600 m。

1.2" 數(shù)據(jù)來源

本次研究所用地表反照率數(shù)據(jù)來源于NASA官網(wǎng)MCD43A3產(chǎn)品［19］。數(shù)據(jù)集空間分辨率為500 m，日圖像是以16 d為一個周期的數(shù)據(jù)生成的，以給定日期為中心，時間分辨率為1 d。每個MODIS表面反射率波段（波段1～7）以及3個寬光譜波段（可見光、近紅外和短波）［20］，以及這10個反照率波段中每一個光譜波段的質(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） 定義為無漫射分量時的反照率，白空反照率（White- Sky Albedo，WSA） 定義為無直接分量時的反照率，漫射分量為各向同性，二者均與地表性質(zhì)相關而不依賴于大氣狀態(tài)［21］。計算黑白空地表反照率時，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幾何條件下的反射特性，計算公式［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表示太陽入射天頂角，φs表示太陽入射方位角；θv表示觀測天頂角，φv表示觀測方位角；fθ′s，φ′s，θv，φv表示入射方向為（θ′s，φ′s）得到的二向反射分布函數(shù)BRDF；fθs，φs，θv，φv表示當僅天空漫射光入射時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，以及植被、土壤在可見光和近紅外光譜區(qū)域的不同反射率，計算了三個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）、可見光黑空（BSA_v）、可見光白空（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是通過間斷潛變量即潛在類別（Class）變量解釋外顯指標間的關聯(lián)，計數(shù)類別變量，維持其局部獨立性的統(tǒng)計方法［23］。根據(jù)觀測指標/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處理分類觀測指標，LPA處理連續(xù)觀測指標［24］。模型的擬合指標［25］主要包括赤池值信息標準（Akaike information criterion，AIC）、貝葉斯信息標準（Bayesian information criterion，BIC）、校正貝葉斯信息標準（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（（Bootstrapped Likelihood Ratio Test，BLRT））和分類精確性指標熵（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)查同時記錄每個群落的經(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)勢種、偶見種等的高度、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，隨機設置5個1 m×1 m的樣方，共175個樣方，采集土壤、地上、地下生物量等樣品進行植物群落功能性分析。調(diào)查結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)計分析" 各植物群落地表反照率首先利用ENVI5.6軟件，對原始遙感數(shù)據(jù)進行遙感影像預處理如裁剪、輻射標定等［26］，在此基礎上利用ArcGIS10.8 軟件“Extract Tool”提取研究區(qū)樣點的地表反照率數(shù)據(jù)并整理；通過地表反照率與潛在剖面分析模型指標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軟件進行各類別間比較檢驗并分析不同植被類型的地表反照率間的差異性，對模型分析結果進行整理。

2" 結果與分析

2.1" 高寒植物群落地表反照率年際動態(tài)特征

2.1.1" 地表反照率年際動態(tài)特征" 將地表反照率進行大小年分類統(tǒng)計，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%，屬于低波動變化；可見光白空（WSA_v）、可見光黑空（BSA_v）變異系數(shù)小于15%，屬于相對較低波動變化，說明分類后的兩組數(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)大小年波動特征，年際間動態(tài)差異顯著（P＜0.05）。可見光黑空（BSA_v）波動較高，變異系數(shù)為31.36%，可見光白空（WSA_v）為30.05%；波動較緩的是短波黑空（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）波動相對較低，分別為11.52%，11.16%。年際平均地表反照率的整體變化趨勢中（圖2）近紅外光反照率（Near-Infrared Albedo）＞短波反照率（Shortwave Albedo）＞可見光反照率（Visible Albedo），表明高寒植被吸收的太陽輻射主要集中在可見光波段，其次為短波，對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態(tài)特征分析" 各類植物群落地表反照率波動特征表現(xiàn)為：白空、黑空可見光地表反照率低，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緩慢降低的趨勢。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）的年際波動相對最緩，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，地表反照率偏低，年際波動較緩。

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、可見光、近紅外光的白空WSA、黑空BSA反照率顯著性分析結果如圖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較小且復雜。

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

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

結果如表1所示，類別數(shù)越多，AIC，BIC值相對越小。地表反照率潛剖面模型可以分為2類或4類。綜合各類指標判斷模型選定4分類模型，使分類結果更具有實際意義。基于地表反照率的特征和典型植物群落的真實情況，矮嵩草群落KH可分為三分類模型：短波、近紅外、可見光反照率類別；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)計結果說明選擇2類模型只是相對最優(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胞結構有關［30］，本研究中近紅外反照率年際波動穩(wěn)定且在不同類型的植物群落中具有差異性（P＜0.05），對植被狀況更加敏感，可表征不同植物群落的指標特征。因此，在地表反照率潛剖面分析的基礎上，基于近紅外反照率構建植物分類剖面模型，以對比分析與所有地表反照率的剖面模型間的差異性和準確性。結果顯示4分類模型的指標最佳，與由地表反照率的剖面模型得出的結果一致。

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

根據(jù)每個剖面的數(shù)值特征，并結合植物群落特征對該剖面模型的4個分類進行命名（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”。

為了檢驗潛剖面模型劃分類別的有效性，以分類結果為自變量，地表反照率為因變量，進行單因素方差分析比較4個潛在類別的差異。結果顯示，表3中的四個類別間均存在顯著差別（P＜0.01）。針對剖面分類結果所對應的地表反照率開展原始群落數(shù)據(jù)的隸屬分析（表3）。結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：如牧草長勢較好的草甸草原（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特征及影響因素

本研究中地表反照率年際動態(tài)總體呈緩慢減小趨勢，與王舒默等［32］、趙之重等［5］關于地表反照率年際動態(tài)研究一致。地表反照率的波動受土地覆被類型、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、土壤濕度的變化會導致地表反照率的波動［33］。積雪和冰蓋的年際變化、冰川的退縮或擴展、地質(zhì)作用、耕作方式的變化都會在大尺度上影響地表的反射能力［12］。在城市化進程中，城市擴張等土地利用變化［15］，以及由此引起的地表覆蓋類型的轉(zhuǎn)變，同樣會改變地表的反射特性，不透水表面的增加通常會提高地表的反照率［34］。人類活動產(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)常見的云層覆蓋和極端天氣可能導致數(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果的準確性。因此，遙感數(shù)據(jù)的質(zhì)量對于監(jiān)測和評估地表反照率起到?jīng)Q定性的作用。為了準確監(jiān)測和評估地表狀況，未來研究需要綜合考慮復雜的因素，通過高質(zhì)量的遙感數(shù)據(jù)來提高地表反照率數(shù)據(jù)的解釋力和應用價值。

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、植被凈初級生產(chǎn)力（Net primary productivity，NPP）進行疊加分析表明，整體上研究區(qū)有較好的植物生長覆蓋，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和棵曲手草場范圍以及柯生鄉(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，高山平原地帶地勢相對平緩，人類活動頻繁，相對林場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系［36］。陳愛軍等人［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，植被覆蓋類型和覆蓋度的動態(tài)變化影響地表反照率。可見光和近紅外波段的光譜反射特性使得植被變化在這兩個波段表現(xiàn)出明顯的趨勢。植被在可見光波段對光的吸收較強，在近紅外波段的反射相對較高。在高寒地區(qū)強紫外輻射下，植物產(chǎn)生防御機制，可通過增加特定類型的色素如類胡蘿卜素和類黃醇［38］，以增加對短波（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，例如生長狀況良好或水分含量增加［40］，可能導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光，所以可見光反照率降低，與本研究結果一致。從地表反照率中識別、分類植物群落并根據(jù)實際意義進行分析，對于更深入理解高寒地區(qū)植被動態(tài)變化提供了信息。目前本研究僅從植物群落特征進行分析，關于反照率和植物群落生態(tài)系統(tǒng)多功能性之間的關系有待今后進一步的探究和分析。

3.5" 潛剖面分析在植物群落分類的應用

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，闡明了應用潛剖面分析解釋黑空、白空地表反照率的差異性和準確性。對于某些植物群落如藏嵩草群落，LPA結果為相對最優(yōu)模型，側面說明了這類研究方法對于藏嵩草群落這類背景環(huán)境差異大的植物群落的識別和分析還需要結合其他要素。對于這類植物群落，在研究中可以結合多源遙感數(shù)據(jù)進行分析，如光學遙感、雷達遙感和高光譜遙感等［41］。潛在類別方法用于識別隱藏在多維數(shù)據(jù)中的潛在類別或群體，可以同時處理多個變量，將數(shù)據(jù)擬合為單個或多個頻率分布，并已被用于評估實際生態(tài)系統(tǒng)中多個狀態(tài)的研究中［42］。潛類別分析可測試遙感指標是否呈現(xiàn)多峰模式。萬紅等［43］通過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，同時證明遙感指標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源和不同分辨率的數(shù)據(jù)，如遙感數(shù)據(jù)、地面觀測數(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。今后的研究為適應不同的生態(tài)系統(tǒng)可能還需要調(diào)整模型參數(shù)和驗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。總體上，不同植物群落的地表反照率呈緩慢下降趨勢，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)典型植物群落的識別和分類，同時在模型構建過程中還需結合群落特征和生長背景對模型參數(shù)進行調(diào)整。

參考文獻

［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. 不同放牧模式對祁連山高寒草甸植物群落特征的影響［J］. 草地學報，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展［J］. 地球科學進展2011，26（11）：1217-1224

［5］" 趙之重，趙凱，徐劍波，等. 三江源地表反照率時空變化及其與氣候因子的關系［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：中國科學院研究生院（遙感應用研究所），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］. 光譜學與光譜分析，2019，39（5）：1509-1516

［11］徐斌，陶偉國，楊秀春，等. 中國草原植被長勢MODIS遙感監(jiān)測［J］. 草地學報，2006，14（3）：242-247

［12］陳愛軍，曹曉云，韓琛惠，等. 2000—2016年青藏高原地表反照率時空分布及動態(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，等. 基于NDVI-Albedo特征空間的柴達木盆地荒漠化監(jiān)測研究［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)測網(wǎng)絡體系構建［J］. 草業(yè)科學，2023，40（5）：1420-1434

［16］邱皓政. 潛在類別模型的原理與技術［M］. 北京：教育科學出版社，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］. 草地學報，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］. 青海師范大學學報（自然科學版），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. 潛變量建模與Mplus應用：進階篇［M］. 重慶：重慶大學出版社，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.黑河下游額濟納綠洲蒸散量的遙感估算［D］.西安：西安科技大學，2019：16-23

［27］文妙霞，何學高，劉歡，等. 基于地理探測器的寧夏草地植被覆被時空分異及驅(qū)動因子［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. 植被功能型差異對地表反照率時空分布的影響分析［J］. 遙感技術與應用，2015，30（5）：932-938

［33］張樂樂，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礦區(qū)熱環(huán)境的影響［J］. 哈爾濱工業(yè)大學學報，2022，54（12）：117-126

［35］王磊，耿君，楊冉冉，等. 高分一號衛(wèi)星影像特征及其在草地監(jiān)測中的應用［J］. 草地學報，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的水熱效應研究［D］. 荊州：長江大學，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別研究——以新疆博格達山為例［J］. 遙感學報，2022，26（11）：2234-2247

（責任編輯" 劉婷婷）