EN中文

地理学报 >

2025 , Vol. 80 >Issue 1: 147 - 166

DOI: https://doi.org/10.11821/dlxb202501010

气候变化与地表过程

西北地区陆表水体退化对区域气溶胶时空格局的影响

  • 王敬哲 , 1, 2 ,
  • 丁建丽 , 3 ,
  • 陈香月 4 ,
  • 葛翔宇 3, 5 ,
  • 伍杨屹 6
展开
  • 1.深圳职业技术大学人工智能学院，深圳 518055
  • 2.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101
  • 3.新疆大学新疆绿洲生态自治区重点实验室，乌鲁木齐 830017
  • 4.兰州大学大气科学学院，兰州 730000
  • 5.新疆大学地理与遥感科学学院，乌鲁木齐 830017
  • 6.武汉大学城市设计学院，武汉 430072
丁建丽(1974-), 男, 山东菏泽人, 博士, 教授, 博导, 中国地理学会会员(S110010255M), 主要从事干旱区环境演变与遥感应用研究。E-mail:

王敬哲(1992-), 男, 河南郑州人, 博士, 讲师, 硕导, 主要从事资源环境遥感研究。E-mail:

收稿日期: 2023-10-12

  修回日期: 2024-11-15

  网络出版日期: 2025-01-21

基金资助

天山创新团队项目(2022TSYCTD0001)

新疆维吾尔自治区自然科学基金重点项目(2021D01D06)

国家自然科学基金项目(42171269)

广东省基础与应用基础研究基金项目(2023A1515011273)

深圳市高等院校稳定支持计划(20220811173316001)

资源与环境信息系统国家重点实验室开放基金

收起

Effects of degraded land surface water on spatiotemporal distribution of regional aerosols over northwest China

  • WANG Jingzhe , 1, 2 ,
  • DING Jianli , 3 ,
  • CHEN Xiangyue 4 ,
  • GE Xiangyu 3, 5 ,
  • WU Yangyi 6
Expand
  • 1. School of Artificial Intelligence, Shenzhen Polytechnic University, Shenzhen 518055, Guangdong, China
  • 2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. Xinjiang Key Laboratory of Oasis Ecology, Xinjiang University, Urumqi 830017, China
  • 4. College of Atmospheric Sciences, Lanzhou University, Lanzhou 730000, China
  • 5. College of Geography and Remote Sensing Sciences, Xinjiang University, Urumqi 830017, China
  • 6. School of Urban Design, Wuhan University, Wuhan 430072, China

Received date: 2023-10-12

  Revised date: 2024-11-15

  Online published: 2025-01-21

Supported by

Tianshan Innovation Team(2022TSYCTD0001)

Key Project of Natural Science Foundation of Xinjiang Uygur Autonomous Region(2021D01D06)

National Natural Science Foundation of China(42171269)

Basic and Applied Basic Research of Guangdong Province of China(2023A1515011273)

Basic Research Program of Shenzhen(20220811173316001)

Grant from State Key Laboratory of Resources and Environmental Information System

Fold

摘要

陆表水资源的减少，尤其是干旱区湖泊及其毗邻湿地的退化可能会导致产生新的盐/沙尘暴热点。全球变化背景下，西北地区陆表水体退化对区域气溶胶时空格局的影响尚不清晰。本文基于MODIS地表反射率数据（MOD09A1）提出了基于多种遥感指数动态阈值的水体识别方法对区域水体进行提取，在此基础上联合MAIAC气溶胶光学厚度（AOD）产品，系统分析了区域长时序陆表水体与AOD的动态变化；随后使用偏最小二乘路径模型（PLSPM）综合评估了不同时空尺度下陆表水体退化对盐/沙尘气溶胶的影响机制。研究发现：① 2000—2020年西北地区陆表水体呈持续增长趋势，陆表水资源98%以上分布在青海、新疆两省区。② 西北地区的AOD呈显著的季节性特征，所有省区AOD值均在春季达到了峰值，而在秋季为全年最低，高值主要集中分布在塔克拉玛干沙漠和黄土高原地区。③ 在以自然景观为主的整个西北地区及青海湖和艾比湖典型湖区，陆表水体面积的增（减）能够直接且显著地抑制（促进）气溶胶的增长。研究结果对理解干旱区不同地理单元盐/沙尘气溶胶的释放、传输过程与机制具有重要意义，同时也为干旱区水土资源管理及生态保育提供科学依据。

关键词： 陆表水体; 气溶胶; 时空格局; PLSPM; 中国西北地区

本文引用格式

王敬哲 , 丁建丽 , 陈香月 , 葛翔宇 , 伍杨屹 . 西北地区陆表水体退化对区域气溶胶时空格局的影响[J]. 地理学报, 2025 , 80(1) : 147 -166 . DOI: 10.11821/dlxb202501010

Abstract

The degradation of surface water resources, particularly in lakes and wetlands of arid regions, poses the risk of salt and dust storms. However, the impacts of the diminution of surface water on the spatiotemporal dynamics of regional aerosol patterns, especially in northwest China in the context of global environmental change is still unclear. Utilizing MODIS surface reflectance data (MOD09A1), this study introduces a dynamic threshold-based methodology for water body identification using multiple remote sensing indices. This framework is coupled with Multiangle Implementation of Atmospheric Correction (MAIAC) Aerosol Optical Depth (AOD) product to systematically assess the temporal dynamics of both surface water bodies and AOD. Employing a partial least squares path modeling (PLSPM) approach, this study comprehensively evaluates the mechanisms of surface water degradation on salt/sand and dust aerosols across various spatiotemporal scales. The results indicate that: (1) Surface water in the study area has exhibited a consistent upward trend from 2000 to 2020, with over 98% of resources localized in Qinghai and Xinjiang. (2) AOD levels in the northwest region demonstrate marked seasonality, peaking in spring and registering annual lows in autumn. High AOD concentrations are primarily in the Taklamakan Desert and the Loess Plateau. (3) In northwest China, as well as the typical regions of Qinghai Lake and Ebinur Lake featured by natural landscapes, fluctuations in surface water area directly and significantly correlate with aerosol growth. These findings have substantial implications for understanding salt and dust aerosol release and transmission mechanisms in arid regions while providing a scientific basis for resource management and ecological conservation.

Key words： land surface water; aerosol; spatiotemporal characteristics; PLSPM; northwest China

1 引言

干旱区约占全球陆表面积的41%，维系着全世界近40%的人口[1]。中国西北地区是全球干旱区的重要组成部分，水资源稀缺，对全球气候变化响应异常敏感，也是生态环境最脆弱的地区[2-3]。在全球变暖背景下，区域地表过程正在发生强烈变化，突出表现为干旱水文过程的改变以及由此引发的水资源变化[4]。干旱区陆表水体是区域水分循环的主要构成与重要节点[5]，在气候变暖与人类活动共同作用下，包括新疆艾比湖、甘肃小苏干湖等在内的西北地区陆表水体均先后出现过快速退化或萎缩[6-7]。
中国西北地区是重要的盐/沙尘策源地，已有大量研究学者根据器测资料或星载气溶胶光学厚度（Aerosol Optical Depth, AOD）数据开展分析，结果表明盐/沙尘事件的频率与强度主要受地表条件和气象因素的影响[8⇓⇓⇓-12]。其中，地表条件包括植被覆盖度、土地利用类型和土壤条件等；气象因素包括降水、温度、风速和蒸散发等。此外，也有部分学者指出陆表水资源，尤其是陆表水体对沙尘暴具有明显抑制作用[13-14]。已有研究证实适当的水资源管理是改善大气环境的有效策略，而陆表水资源的减少，尤其是干旱区湖泊及其毗邻湿地的退化可能会导致产生新的盐/沙尘暴热点[15-16]。受干旱区水资源独特的禀赋基础影响，区域内陆湖泊的退化会加速上述地表条件和气象因素的恶化。尾闾湖泊退化形成了结构疏松的盐漠景观并成为区域风力侵蚀与搬运的对象，致使区域盐/沙尘暴频发，对生态安全和人居健康造成严重威胁[16-17]。据估计每年干涸湖床风蚀释放的粉尘总量可达7.5×107 t[18]。然而，已有研究多是针对单一因素对大气环境影响的独立分析，这可能会限制对影响盐/沙尘事件产生的多种因素之间协同作用的理解。因此，如何客观、准确地评估西北地区陆表水体退化对区域气溶胶时空格局的影响至今仍是重要的科学课题。
卫星遥感技术凭借其独特的优势为表征和监测陆表过程提供了强大的手段。自咸海生态危机以来，学者们针对干旱区的陆表水体动态变化、大气环境、土地利用/土地覆盖等主题开展了大量研究[11,16,19 -20]。在空间尺度方面，现有研究大多基于地块或流域尺度展开，大范围空间的研究较少；在时间尺度方面，现有研究大多基于间隔年份或相对较短时间开展[21⇓⇓-24]。同时，遥感影像常用单次单景的下载方式，造成了数据处理繁琐、提取周期过长、人力成本较高等问题。以GEE（Google Earth Engine）等为代表的云平台以其集大数据与云计算于一体的特点，迅速成为连接基础研究与行业应用的高效平台，并在生态环境、气候变化等领域应用上展现出巨大潜力[25-26]，为本文的开展提供有力支撑。
鉴于此，本文以中国西北地区为研究靶区，系统分析了区域长时序陆表水体与AOD的动态变化特征，综合评估了不同时空尺度下陆表水体退化对该区盐/沙尘气溶胶时空格局的影响，并探讨陆表水体退化影响区域气溶胶的可能途径，研究结果对揭示干旱区生态环境对全球变化的响应机制以及流域生态环境恢复和水土资源管理具有重要意义。

2 研究数据和方法

2.1 研究区概况

中国西北地区地处亚欧大陆腹地（31°35′N~49°15′N, 73°25′E~110°55′E），包括新疆维吾尔自治区、甘肃省、青海省、宁夏回族自治区和陕西省5个省级行政区（图1）。该区域属于典型的温带大陆性气候和温带/亚寒带草原气候区，降水稀少、蒸发量大、水资源匮乏、生态系统脆弱[27-28]。同时，该地区作为沙尘源区和生态系统脆弱区，对气候变化和人类活动极为敏感，是对全球气候变化响应最敏感的区域之一[29-30]。近几十年来，研究区内部内流湖面积加速萎缩；其中平原地区尾闾湖泊面积的减少最剧烈[31]。与此同时，湖泊退化造成了水体矿化度的进一步提高，加剧了周边湖滨荒漠化程度，使得该区面临严重的盐/沙尘暴灾害威胁[6]。粉尘（尤其是盐尘）会以气溶胶的形式长时间悬浮在空气中，扩散至数千公里外。这不仅影响区域农业发展和周边地区植被生长，而且会加速冰川积雪融化，严重危害干旱区乃至全球生态安全[7,32]。
图1 研究区概况

注：基于自然资源部标准地图服务网站GS(2020)4619号标准地图制作，底图边界无修改；图b~c数据影像获取自 https://earth.google.com/。

Fig. 1 Overview of the study area (northwest China)

2.2 数据来源

AOD为气溶胶消光系数在垂直方向上的积分，可用于量化微粒对太阳辐射的消光作用，故本文以此为大气环境的表征参数开展后续分析[10]。多角度辅助大气校正（Multiangle Implementation of Atmospheric Correction, MAIAC）凭借其算法的优越性使得MODIS MAIAC AOD产品（MCD19A2）的质量得到了大幅提升，并且首次将AOD产品空间分辨率提高到1 km[33⇓-35]。陈香月等[36]基于实测数据与AERONET数据对MAIAC AOD产品在干旱区的适用性进行了充分论证，结果表明该产品在干旱区具有良好的应用前景，可以有效弥补干旱区地面器测资料的不足。基于GEE平台，本文选取2000年3月—2020年11月间整个研究区的MAIAC AOD日数据（0.55 μm），并利用平均值合成为月尺度数据。
MODIS提供了全球尺度的长时间序列地表反射率数据（MOD09A1，8 d合成），其空间分辨率为500 m。本文基于MOD09A1数据结合多种遥感水体指数和Otsu自动阈值方法开展陆表水体提取。整个提取过程基于GEE平台实现，最终输出逐月1 km陆表水体面积数据。此外，为进一步分析陆表水体动态对气溶胶的影响机制，本文还综合考虑了温度、降水、风速、相对湿度和蒸散发等气候变量，及土地覆被类型、植被指数、土壤湿度和土壤温度等下垫面等相关环境变量。
温度数据来自于中国区域1 km分辨率逐月气温数据集（2000—2020年）[37]。降水、风速和相对湿度数据集基于ERA5再分析数据经过空间降尺度得到，空间分辨率1 km，时间分辨率为月[38]。蒸散发数据可细分为潜在蒸散发和实际蒸散发。潜在蒸散发数据获取自1901—2022年中国1 km逐月潜在蒸散发数据集[37,39]；实际蒸散发数据来自MOD16A2产品，其空间分辨率为500 m，时间分辨率为8 d，基于GEE平台利用累加求和得到逐月数据。
土地覆被类型数据获取自MCD12Q1产品，该数据是在Terra和Aqua数据基础上，利用决策树分类处理生产。本文采用IGBP（Annual International Geosphere-Biosphere Programme）方案，时间分辨率为年，空间分辨率为500 m。植被指数采用日尺度MCD43A4归一化植被指数（Normalized Difference Vegetation Index, NDVI）产品，其空间分辨率为500 m，利用最大值合成得到1 km逐月NDVI数据集。表层土壤（0~10 cm）湿度数据来自于中国1 km土壤湿度日尺度数据集（2000—2020年），数据单位为0.001 m3/m3 [40]。土壤温度来自MOD11A1全球陆表温度数据集，其时间分辨率为日，空间分辨率为1 km，包含日地表温度（LSTD）和夜地表温度（LSTN）（表1）。
表1 本文数据的主要技术指标

Tab. 1 Main parameters of the data used in this study

要素 数据 时间分辨率/空间分辨率 数据来源
气溶胶(AOD) MCD19A2 1 d/1 km https://developers.google.cn/earth-engine/datasets/
地表反射率 MOD09A1 8 d/500 m https://developers.google.cn/earth-engine/datasets/
气温(Tmean) 平均气温 1月/1 km http://www.geodata.cn/data/
降水(P) 平均降水 1月/1 km http://www.geodata.cn/data/
风速(WS) 平均风速 1月/1 km http://www.geodata.cn/data/
相对湿度(RH) 平均相对湿度 1月/1 km http://www.geodata.cn/data/
潜在蒸散发(PET) 平均潜在蒸散发 1月/1 km http://www.geodata.cn/data/
实际蒸散发(ET) MOD16A2 8 d/500 m https://developers.google.cn/earth-engine/datasets/
土地覆被(LUCC) MCD12Q1 1 a/500 m https://developers.google.cn/earth-engine/datasets/
植被指数(NDVI) MCD43A4 1 d/500 m https://developers.google.cn/earth-engine/datasets/
土壤湿度(SM) 土壤表层湿度
(0~10 cm)		 1 d/1 km https://data.tpdc.ac.cn/
土壤温度(LST) MOD11A1 1 d/1 km https://developers.google.cn/earth-engine/datasets/

2.3 研究方法

2.3.1 陆表水体信息提取

依据地物光谱特征差异，本文基于MOD09A1地表反射率数据，提出了基于多种遥感指数动态阈值的水体识别方法（图2）。本文所采用的遥感指数如表2所示[41⇓⇓⇓-45]。其中，NDWI、MNDWI和MBWI用于对MOD09A1影像进行水体像元提取；NDVI和NDSI则用于剔除湿地植被和山地积雪对水体识别的干扰。Otsu算法（又称大津法）是一种基于图像直方图的自适应阈值分割方法，已被广泛用于土地覆盖分类研究中[16,46]。本文结合不同遥感光谱指数，采用Otsu算法对不同情景下遥感指数的阈值进行动态调整，从而减少其对非水体信息的误分，以期最大程度优化水体提取效果。冬季冰雪的覆盖会严重影响陆表水体信息提取，而本文更关注未冻结的活动陆表水体，考虑到遥感数据的可用性，同时为减少湖冰及积雪覆盖的干扰，冬季（12月—翌年2月）的水体信息被排除在外[47]。
图2 基于GEE平台和MOD09A1数据的水体提取方案

Fig. 2 Water extraction schemes based on GEE platform and MOD09A1 data

表2 研究采用的遥感指数

Tab. 2 Remote sensing indices used in this study

遥感光谱指数 计算公式 参考文献
归一化水体指数
(Normalized Difference Water Index, NDWI)		 NDWI=(Green-NIR)/(Green+NIR) [41]
改进的归一化水体指数
(Modified Normalized Difference Water Index, MNDWI)		 MNDWI=(Green-SWIR1)/(Green+SWIR1) [42]
多波段水体指数
(Multi-band Water Index, MBWI)		 MBWI=2×Green-Red-NIR-SWIR1-SWIR2 [43]
归一化植被指数
(Normalized Difference Vegetation Index, NDVI)		 NDVI=(NIR-Red)/(NIR+Red) [44]
归一化积雪指数
(Normalized Difference Snow Index, NDSI)		 NDSI=(Green-SWIR1)/(Green+SWIR1) [45]

注：Green表示绿波段，NIR表示近红外波段，SWIR表示短波红外波段（其中SWIR1、SWIR2对应波长1.628~1.652 μm与2.105~2.155 μm），Red表示红波段。

2.3.2 偏最小二乘路径分析

偏最小二乘路径分析（Partial Least Squares Path Modeling, PLSPM）是一种用于探索多因素间复杂因果关系的综合分析模型[48]。PLSPM模型由结构模型和测量模型组成，主要思想是通过迭代算法逐步最大化潜变量之间的协方差来确定路径系数[49]。它不仅能够解决变量间存在的多重共线性问题，还可以计算不同变量对响应变量的直接效应和间接效应[50]。本文基于PLSPM构建了测量和结构模型，阐明了陆表水体面积（WA）对气溶胶的直接和间接影响。本文将辅助环境变量分为气候变量（温度、降水、风速、相对湿度、蒸散发）和下垫面变量（LUCC、NDVI、土壤温度、土壤湿度），并提出了一个假设模型，即陆表水体直接或通过气候和下垫面间接影响气溶胶（图3），相关操作基于R语言PLSPM包实现。
图3 PLSPM概念模型

Fig. 3 Conceptual model of PLSPM in this study

3 结果与讨论

3.1 陆表水体时空分布格局

3.1.1 西北地区全域

基于提取的逐月陆表水体数据计算了2000—2020年研究区全域陆表水体淹没频率（图4）。通过重分类方法，将陆表水体的淹没频率从0~1等间隔分成10份，发现研究区陆表水体淹没频率呈现“U”型特征，约31.584%的陆表水体淹没频率分布在0~0.1之间，淹没频率大于0.7的占比达39.394%。淹没频率高值区主要集中在湖泊区域，而低值区则集中在河流、湖滨及高山地区，这与中亚地区永久陆表水体淹没频率分布特征一致[31]。就经度来看，从西到东淹没频率呈增加趋势，对应高淹没频率常伴随有大范围水体的分布。就纬度而言，淹没频率高值多集中在北部和中部区域。就海拔分布而言，大多数陆表水体集中于中、低海拔区域，海拔高于6000 m以上区域仅存在少量季节性水体。
图4 陆表水体淹没频率及其随经纬度和高程的变化

注：基于自然资源部标准地图服务网站GS(2020)4619号标准地图制作，底图边界无修改。

Fig. 4 The inundation frequency of surface water and its variation with latitude, longitude and elevation

为进一步探讨西北地区陆表水体时空动态，本文计算了其在月尺度和年尺度变化特征（图5）。就月尺度而言，整个西北地区WA从3月到11月呈增加趋势，在11月达到最大值，其中5—9月的水体面积变化趋势与范兰馨等[50]在西北地区的研究一致。此外，通过分区统计可知，新疆WA从3—11月整体呈增加趋势。青海WA则表现出先增加后减少，在9月份达到最大值。相较而言，甘肃、陕西和宁夏WA的月际变化则表现为先减少后增加趋势，在7月份达到最小值，这可能与区域补给水源减少，蒸散发强烈和农业灌溉用水增加有关[51]。在年际尺度上，2000—2020年研究区全域WA呈持续增长趋势，除陕西外皆与整体趋势保持一致，这也说明西北地区正持续“暖湿化”[3]。此外，西北全域98%以上的WA集中分布在青海和新疆两地，其中青海WA最大，占西北总WA的60.422%，其次是新疆（38.159%）。因此，这两地的陆表水体动态很大程度上主导了整个西北地区WA的变化趋势。
图5 西北地区陆表水体面积月变化和年际变化特征

Fig. 5 Characteristics of monthly and interannual variations in surface water area

已有研究结果表明西北地区水体扩张主要发生在暖湿化或湿润化地区，气温、降水与水体面积之间关系密切。特别是塔里木河流域、新疆北部以及青海水体面积扩张的区域与气温升高和降水增加显著相关，表明“暖湿化”对西北地区水体面积变化有显著影响[50,52 -53]。虽然现有研究多使用欧盟委员会联合研究中心（Joint Research Centre of the European Commission, JRC）全球水体数据开展分析，但结果表明其在干旱区的识别效果欠佳[54]。因此，本文基于GEE平台与MOD09A1地表反射率数据，提出了基于多种遥感指数动态阈值的水体识别方法，更为细致地揭示了西北全域陆表水体变化特征，提供了区域精确的陆表水体细节信息，为后续分析奠定了数据基础。

3.1.2 典型湖泊区

除了研究区全局时空分析，本文还选择了青海湖和艾比湖作为典型湖区进行局域尺度分析（图6）。就月际变化特征而言，3—11月间青海湖和艾比湖均呈现出先增加后减少的趋势，但达到峰值的月份存在差异。其中，青海湖在9月份面积最大，而艾比湖则在5月份达到最大值。年际尺度上，青海湖和艾比湖呈现相反的变化特征。对青海湖而言，湖泊面积从2000—2020年保持一个较为显著的增长趋势，并在2016年达到峰值。艾比湖则呈现较为明显的退化趋势，尤其是在2003—2009年间，并于2015年降至最低（404.271 km2），随后稍有缓解。其中，青海湖面积的持续增大可能是由于气候暖湿化促进了降水，入湖径流量增加和人类有意识的保护措施（如退牧还草、退耕还林）等原因造成的[55]。相较而言，艾比湖的面积则表现为先增加后减少再增加趋势，这主要与前期过度取水导致湖泊补给减少和后期执行最严格的水资源管理政策密切相关[56]。但需要说明的是，本文采用的是MOD09A1地表反射率数据，其时间分辨率为8 d，故进行月值合成会难以避免地平滑掉部分地物反射率信息，可能会对研究区水体信息的提取带来一定的不确定性。
图6 青海湖和艾比湖陆表水面积月变化和年际变化特征

Fig. 6 Characteristics of monthly and interannual variations in surface water area of Qinghai Lake and Ebinur Lake

3.2 气溶胶时空分布特征

3.2.1 西北地区全域

基于MODIS MAIAC AOD数据，在剔除冬季数据的基础上，研究分别在月和年际尺度上分析了西北地区AOD变化特征（图7）。从月尺度上看，从3—11月西北地区AOD存在先增加后减少趋势，在4月达到最大值，这与张喆等[57]在中亚区域的研究发现一致。在不同省区AOD月际变化特征存在一定差异。由图7可知，除陕西外，其他行政区均与研究区整体的月际变化特征保持一致。陕西则呈现出先减少后增加再减少的趋势，在8月达到一个小的AOD峰值，这可能受到夏季高温高湿等特征影响，大气中水汽含量充沛进而促进气溶胶吸湿增长[58]。从年际变化来看，西北地区AOD在0.168~0.228之间波动，于2017年达到最小值，最大值出现在2006年。但不同省区AOD年际变化特征存在一定差异，除新疆外，其余省区均呈现下降趋势，其中陕西省AOD减少得最为明显。
图7 西北地区AOD月尺度和年际变化特征

Fig. 7 Characterization of monthly and interannual variations in AOD

多年季节平均AOD空间分布特征和分区统计如图8所示。整体而言，研究区AOD值春季最大，秋季最小，其主要原因在于春季多大风天气，且冰雪消融使得陆面结构较为松散，加之取暖季造成的排放积累[12]。AOD高值主要集中分布在塔克拉玛干沙漠和黄土高原地区，其中春季以塔克拉玛干沙漠地区AOD最为突出，夏季AOD高值则分布在塔克拉玛干沙漠东南部和黄土高原，秋季AOD高值则绕塔克拉玛干沙漠边缘分布，特别是西部，但最高值集中在黄土高原地区。不同省区AOD分布特征也不尽相同。值得注意的是在春季，新疆AOD值最高（0.440±0.259），其次为陕西。然而在夏、秋两季，陕西AOD则保持最高。宁夏AOD在各个季节均处于最低的水平，青海AOD整体数值高于甘肃省。整体而言，所有省区的AOD值均在春季达到了峰值，而在秋季为全年最低。
图8 西北地区AOD季节空间分布特征

注：基于自然资源部标准地图服务网站GS(2020)4619号标准地图制作，底图边界无修改。

Fig. 8 Seasonal spatial distribution characteristics of AOD in northwest China

为应对严重的大气污染问题，2013年中国颁布《大气污染防治行动计划》（“大气十条”），实施了系列污染减排措施[59]。全国范围大气颗粒物显著下降，尤其城市化区域下降最为明显。因此，考虑到人为减排的影响，本文基于MODIS MAIAC AOD数据，以2013年为时间节点，尝试分析研究区全域及不同行政区划AOD的整体与阶段变化趋势，以期减少可能的不确定性（表3）。线性趋势分析的结果显示，2000—2020年西北全域的AOD呈现出微弱的下降趋势，而分段线性趋势分析的结果表明，在2013年左右AOD存在变化拐点，2000—2012年AOD呈不显著的上升，2013—2020年则开始逐步下降。此外，AOD的变化趋势在研究区内部也具有一定空间差异性。整个研究时段，AOD除在新疆表现为轻微增加趋势，其他省区均呈现为减少态势，其中陕西、宁夏和甘肃呈现显著的下降特征。2000—2012年新疆、青海和陕西3个省区均呈现出AOD增加趋势，而在宁夏和甘肃两地则表现出减少，但5个省区的AOD变化趋势均不显著。2013年以后，各省区的AOD均表现出减少的趋势，但仅有陕西、宁夏和青海3个省区通过了显著性检验。
表3 2000—2020年间西北地区AOD演变趋势

Tab. 3 The trends of AOD in Northwestern China from 2000 to 2022

时段 区域 线性拟合公式 R2 P值
2000—2020年 西北全域 y=-0.0002x+0.2057 0.009 0.686
新疆 y=0.0003x+0.2288 0.007 0.723
陕西 y=-0.0036x+0.3513 0.401 0.002
青海 y=-0.0001x+0.1545 0.013 0.998
宁夏 y=-0.0025x+0.2872 0.445 0.001
甘肃 y=-0.0010x+0.2076 0.301 0.010
2000—2012年 西北全域 y=0.0010x+0.1982 0.051 0.456
新疆 y=0.0013x+0.2230 0.040 0.515
陕西 y=0.0015x+0.3200 0.062 0.413
青海 y=0.0004x+0.0779 0.211 0.114
宁夏 y=-0.0016x+0.2809 0.095 0.305
甘肃 y=-0.0004x+0.2033 0.028 0.586
2013—2020年 西北全域 y=-0.0025x+0.2440 0.176 0.300
新疆 y=-0.0012x-0.2541 0.018 0.754
陕西 y=-0.0110x0.4725 0.847 0.001
青海 y=-0.0005x+0.0881 0.224 0.236
宁夏 y=-0.0060x+0.3478 0.596 0.025
甘肃 y=-0.0036x+0.2526 0.544 0.037
基于Slope斜率分析统计了研究区AOD长期变化趋势（图9）。研究区AOD斜率范围在-0.082~0.092之间，将其等间距划分为5份，从小到大分别对应剧烈减少、减少、基本不变、增加和剧烈增加。研究区AOD剧烈减少区域分布在黄土高原地区，同时这种变化也是显著的，这主要受到该区域持续推进造林绿化和生态修复工程，开展山水林田湖草沙一体化保护和系统治理，大力营造水土保持林、水源涵养林和防风固沙林等影响[60]。相较而言，AOD剧烈增加主要散布在新疆北部、塔克拉玛干沙漠西北和东南缘及河西走廊等地区，仅部分区域通过了显著性检验。其中，新疆北部AOD显著增加可能受天山北坡城市群的建设及快速扩张等影响[61]。此外，塔克拉玛干沙漠西北和东南缘地区的AOD也呈增加趋势，在其东南部具有较高的显著性。AOD减少集中在黄土高原和塔克拉玛干沙漠中部，其中黄土高原地区显著性最强。结合图1与图9可知，AOD基本不变的区域多对应裸地和草地。同时，在高海拔地区和水体覆盖区域，其AOD往往存在数据缺失，故难以对其长时序变化进行有效量化。因此，未来可以考虑引入高性能全覆盖高分辨率的气溶胶数据对研究区的AOD时空变化趋势进行更为深入的分析[30]。
图9 AOD年际变化趋势空间分布

注：基于自然资源部标准地图服务网站GS(2020)4619号标准地图制作，底图边界无修改。

Fig. 9 Spatial patterns of interannual trends of AOD in northwest China

3.2.2 典型湖泊区

对青海湖和艾比湖两个典型湖区的AOD进行分析（图10），就月尺度特征而言，3—11月青海湖AOD表现出先增加后减少的趋势，在6月份达到最大值，10月份最小；艾比湖则呈现出先减少后增加的趋势，其中6月份AOD最小，10月最大。年际尺度上，青海湖和艾比湖呈现相似的变化特征，AOD从2000—2020年呈现先增后减的趋势，但二者达峰的时间和变化幅度存在差异。对青海湖区域而言，AOD在2011年达到峰值，总体呈略微下降趋势。而艾比湖整体呈显著的增长趋势，于2013年达到峰值。
图10 青海湖和艾比湖区域AOD月际变化和年际变化特征

Fig. 10 Characteristics of monthly and interannual variations of AOD in Qinghai Lake and Ebinur Lake regions

本文对典型湖泊区AOD的长期变化趋势也分时段进行分析。2000—2012年青海湖和艾比湖AOD都呈现增加趋势，其中艾比湖AOD为显著增加，而在2013年之后，二者呈现微弱下降趋势，但均未通过显著性检验（表4）。艾比湖和青海湖区域均以自然景观为主，虽然周边都分布着城镇化区域，但由图1可知，两个区域的城镇化水平较低，建成区规模小，空间分布不集中。更为重要的是，当地经济发展以特色农业、旅游业为主，几乎没有大气重污染工业，“大气十条”的影响主要在于采暖期的取暖方式的改善，而本文剔除了冬季相关数据，有效地减少了人为干扰。因此，可以认为青海湖和艾比湖区域AOD的变化主要由自然条件支配，受人为减排因素影响较小。
表4 2000—2020年间青海湖和艾比湖区域AOD演变趋势

Tab. 4 The trends of AOD in Qinghai Lake and Ebinur Lake regions from 2000 to 2022

时段 区域 拟合公式 R2 P值
2000—2020年 青海湖 y=-0.0001x+0.1545 0.013 0.619
艾比湖 y=0.0026x+0.1741 0.464 0.001
2000—2012年 青海湖 y=0.0007x+0.1491 0.158 0.179
艾比湖 y=0.0062x+0.1521 0.888 0.001
2013—2020年 青海湖 y=-0.0017x+0.1807 0.344 0.127
艾比湖 y=-0.003x+0.2682 0.235 0.224

3.3 陆表水体与气溶胶之间的关联

3.3.1 多环境要素间的耦合关系

考虑到时序的一致性、减少数据的不确定性以及减少人为影响的干扰，研究剔除了冬季数据，仅利用研究时段每年3—11月的数据进行分析。在进一步探索WA对气溶胶的影响机制之前，结合各环境变量，在3个空间尺度上（西北全域、青海湖及艾比湖）对WA、AOD和环境协变量进行了相关性分析以剖析各变量间的关系（图11）。在整个西北地区，WA与AOD呈显著的负相关（-0.636）。同时，WA与风速和LUCC亦存在负相关关系，与其他环境变量则显示为正相关，尤其是与NDVI和土壤湿度最为显著。对AOD而言，其与WA和空气相对湿度呈显著的负相关，与风速则呈正相关，即风速可能促进气溶胶的排放。上述特征在不同尺度的湖泊区域也存在一定差异。在青海湖区域，陆表水体与AOD并不直接相关，且与LUCC的关系也不明显，即在青海湖区域其WA与下垫面不相关。但是，青海湖区域WA与风速的负相关及与其他环境协变量的正相关关系与西北全域较为一致。青海湖的AOD与环境变量的关系与西北整体迥异，主要体现在AOD与风速的负相关关系，这可能是由于青海湖区域风速的增加促进了气溶胶的扩散。同时，青海湖区域的AOD与NDVI、陆表日间温度（LSTD）及潜在蒸散发（PET）呈显著正相关。对艾比湖区域而言，陆表水体与NDVI呈现出显著的负相关（-0.714），这与西北地区和青海湖截然相反。陆表水体与AOD表现出显著的负相关，与研究区全域一致。对AOD而言，其与LUCC呈现出显著负相关，这是在西北全域和青海湖区域未曾发现的。可以发现，在不同空间尺度下，陆表水体和气溶胶与环境变量的关系展现出较为明显的差异，这可能与局域环境变量的特性有关。因此，需要在不同空间尺度下（全域及典型湖泊区）探讨陆表水体与气溶胶间的关系。
图11 多变量之间的相关性和交互作用

注：***、**、*分别表示通过p < 0.001、p < 0.01、p < 0.05显著性检验。

Fig. 11 Correlations and interactions between multivariate environmental factors

3.3.2 陆表水体退化对气溶胶的影响机制

研究基于PLSPM分析了WA对AOD变化的直接/间接效应（图12和表5）。就研究区全域而言，陆表水体和环境变量可直接或间接解释47.9%的AOD变化，且陆表水体对AOD的总效果呈现出负作用（-0.636）。其中，陆表水体对AOD的直接作用为显著抑制，其路径系数为-0.330，即陆表水减少/增加会直接促进/抑制AOD的变化，这主要是因为水体面积的减少使得干涸湖床、质地疏松的裸露地表等盐/沙尘源更多地暴露于大气之中[62-63]。同时，陆表水体也通过下垫面和气候间接作用于AOD。需要说明的是对整个西北地区，其总间接效应也表现为负作用（-0.306），虽然陆表水体通过下垫面对AOD的间接效果为正向（0.165），但陆表水体通过气候或通过作用于下垫面继而作用于气候对AOD的间接效果皆为负向，这也导致了陆表水体对AOD的总间接效果为负作用。因此，在西北全域陆表水体对气溶胶的影响表现为通过直接或间接作用于下垫面和气候实现对AOD的抑制，即陆表水体面积的增加/减少会显著抑制/促进该区域的AOD增长，研究结果再次证实了Chen等[31]提出中亚地区陆表水体的萎缩退化促进了区域气溶胶排放这一观点。
图12 2000—2020年陆表水体对气溶胶的影响

注：箭头旁边数字显示直接路径系数，***、**、*分别表示通过p < 0.001、p < 0.01、p < 0.05显著性检验。

Fig. 12 Results of PLSPM on the effects of surface water on aerosols from 2000 to 2020

表5 不同时段陆表水体对气溶胶的直接与间接效果

Tab. 5 The direct and indirect effects of surface water on aerosols in different periods

时段 区域 总效果 总间接效果 间接效果
下垫面 气候 下垫面和气候
2000—2020年 西北全域 -0.636 -0.306 0.165 -0.271 -0.200
青海湖 0.027 0.397 0.041 0.012 0.369
艾比湖 -0.384 -0.203 -0.083 -0.033 -0.087
2000—2012年 西北全域 -0.649 -0.258 0.122 -0.246 -0.133
青海湖 -0.005 0.397 0.128 0.031 0.238
艾比湖 -0.368 -0.285 -0.190 -0.046 -0.049
2013—2020年 西北全域 -0.651 -0.462 0.146 -0.300 -0.308
青海湖 0.100 0.270 0.906 -0.081 -0.556
艾比湖 -0.319 -0.218 0.087 -0.035 -0.269
不同空间尺度下陆表水体对气溶胶的影响作用势必存有一定差异。为此，本文还尝试在更精细湖泊尺度上探索陆表水对气溶胶的影响机制（表5）。在整个研究时段（2000—2020年），青海湖区域水体面积及相关环境变量共同解释了47.7%的AOD变化，且陆表水体对AOD的直接作用为负反馈，路径系数为-0.371。然而，陆表水对AOD的总效果为不显著的正作用（0.027），这是由于“陆表水体—下垫面—气候—气溶胶”这一间接路径的正反馈贡献（0.369）。对艾比湖而言，水体面积与环境变量只解释了20.0%的AOD变化，WA对AOD的总效果为-0.384。与西北全域类似，艾比湖地区水体面积对AOD的直接作用是显著的抑制作用，其路径系数为-0.180，即陆表水减少/增加会直接促进/抑制AOD的变化，这与Wang等[64]在咸海的研究一致。同时，艾比湖水体面积对AOD的总间接效果也为负作用（-0.203），具体表现为通过气候或通过作用于下垫面继而作用于气候对AOD产生负效果。值得注意的是，不同于西北全域和青海湖，艾比湖水体通过下垫面作用于AOD这一路径并未通过显著性检验，这可能与较小的空间范围有关。尽管2013年前后研究区的AOD变化呈现不同趋势（表3），但是无论在研究区全域还是青海湖及艾比湖等典型湖泊区域，2000—2012年（无政策干预）和2013—2020年（有政策干预）时段，陆表水体对气溶胶的直接与间接作用并未发生显著变化。这也能够在一定程度上说明，研究区的气溶胶变化主要受自然条件影响，人为减排因素并未显著影响陆表水体对气溶胶的总体作用。
综上所述，在不同空间尺度上都证明了陆表水体面积的增加/减少会直接抑制/促进气溶胶的增长。需要说明的是，在西北全域和艾比湖区域，陆表水体对气溶胶总的作用为负反馈，而在青海湖表现为轻微正反馈，这可能是由于不同的局地气候和尺度效应导致的。相较于前人研究成果，本文进一步明确了在中国西北地区陆表水体的减少对气溶胶的直接作用是显著促进，更为重要的是这种特征在不同的空间尺度下具有一致性。毫无疑问气候“暖湿化”已经对西北地区水资源产生了显著影响，水循环机制得以改善，河川径流量和湖泊面积显著增加，这可能有助于抑制盐/沙尘气溶胶的排放[3,65]。然而，目前的认识仅停留在线性关系层面，对于“暖湿化”与“陆表水体—下垫面—气候—气溶胶”的耦合机制仍有待于进一步探索。此外，陆表水体、下垫面特征和大气环境对气候变化的响应存在一定的时滞关系，而且在不同的分区时滞响应也并非相同。因此，为进一步加强生态环境保护，全面推进美丽中国建设，需要借助多源时空数据，从更大尺度、更细粒度、更全维度出发，全面客观地评估西北地区乃至整个干旱—半干旱地区陆表水体退化对区域气溶胶时空格局的影响，服务西部地区高质量发展。

4 结论

本文基于MODIS地表反射率提出了基于多种遥感指数动态阈值的水体识别方法，在此基础上联合MAIAC AOD数据，系统分析了西北地区陆表水资源和气溶胶的长时间序列动态特征。同时，在上述数据的支持下，基于PLSPM模型进一步探讨了陆表水体在不同空间尺度上对区域盐/沙气溶胶模式的直接和间接影响，以明确陆表水体对盐/沙气溶胶的影响机制、路径和大小。结果表明：① 2000—2020年西北地区陆表水体面积呈持续增长趋势，陆表水资源98%以上分布在青海及新疆两省区；② 西北地区的AOD呈显著的季节性特征，所有省份AOD值均在春季达到了峰值，而在秋季为全年最低，高值主要集中分布在塔克拉玛干沙漠和黄土高原地区；③ 在以自然景观为主的整个西北地区及青海湖和艾比湖典型湖区，陆表水面积的增（减）直接抑制（促进）气溶胶的增长，其作用是显著的。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Reynolds J F, Smith D M S, Lambin E F, et al. Global desertification: Building a science for dryland development. Science, 2007, 316(5826): 847-851.

DOI PMID

[2]
Chen Yaning, Li Zhi, Fan Yuting, et al. Research progress on the impact of climate change on water resources in the arid region of Northwest China. Acta Geographica Sinica, 2014, 69(9): 1295-1304.

DOI

[陈亚宁, 李稚, 范煜婷, 等. 西北干旱区气候变化对水文水资源影响研究进展. 地理学报, 2014, 69(9): 1295-1304.]

DOI

[3]
Zhang Qiang, Yang Jinhu, Wang Pengling, et al. Progress and prospect on climate warming and humidification in Northwest China. Chinese Science Bulletin, 2023, 68(14): 1814-1828.

[张强, 杨金虎, 王朋岭, 等. 西北地区气候暖湿化的研究进展与展望. 科学通报, 2023, 68(14): 1814-1828.]

[4]
Lioubimtseva E, Cole R, Adams J M, et al. Impacts of climate and land-cover changes in arid lands of Central Asia. Journal of Arid Environments, 2005, 62(2): 285-308.

[5]
Yang Shengtian, Yu Xinyi, Ding Jianli, et al. A review of water issues research in Central Asia. Acta Geographica Sinica, 2017, 72(1): 79-93.

DOI

[杨胜天, 于心怡, 丁建丽, 等. 中亚地区水问题研究综述. 地理学报, 2017, 72(1): 79-93.]

DOI

[6]
Jilili Abuduwaili. Lakes of Arid Land and Salt-dust Storms. Beijing: China Environmental Science Press, 2012.

[吉力力·阿不都外力. 干旱区湖泊与盐尘暴. 北京: 中国环境科学出版社, 2012.]

[7]
Wurtsbaugh W A, Miller C, Null S E, et al. Decline of the world's saline lake. Nature Geoscience, 2017, 10: 816-821.

[8]
Hossein M A, Khaghani A, MacDonald A B, et al. The Lake Urmia environmental disaster in Iran: A look at aerosol pollution. Science of the Total Environment, 2018, 633: 42-49.

[9]
Miri A, Maleki S, Middleton N. An investigation into climatic and terrestrial drivers of dust storms in the Sistan region of Iran in the early twenty-first century. Science of the Total Environment, 2021, 757: 143952. DOI: 10.1016/j.scitotenv.2020.143952.

[10]
Zhang Zhe, Ding Jianli, Wang Jinjie, et al. Observational study on salt dust aerosol optical properties using the ground-based and satellite remote sensing. Journal of Remote Sensing, 2017, 21(5): 665-678.

[张喆, 丁建丽, 王瑾杰, 等. 艾比湖盐尘气溶胶光学特性卫星和地基遥感观测. 遥感学报, 2017, 21(5): 665-678.]

[11]
Liu Y, Zhu Q, Wang R, et al. Distribution, source and transport of the aerosols over Central Asia. Atmospheric Environment, 2019, 210: 120-131.

DOI

[12]
Chen Xiangyue, Ding Jianli, Wang Jingzhe, et al. Spatiotemporal evolution and driving mechanism of aerosol optical depth in the Ebinur Lake basin. Environmental Science, 2019, 40(11): 4824-4832.

[陈香月, 丁建丽, 王敬哲, 等. 艾比湖流域气溶胶光学厚度时空演变及影响因素. 环境科学, 2019, 40(11): 4824-4832.]

[13]
Hamidi M. The key role of water resources management in the Middle East dust events. CATENA, 2020, 187: 104337. DOI: 10.1016/j.catena.2019.104337.

[14]
Jones B A, Fleck J. Shrinking lakes, air pollution, and human health: Evidence from California's Salton Sea. Science of the Total Environment, 2020, 712: 136490. DOI: 10.1016/j.scitotenv.2019.136490.

[15]
Ginoux P, Prospero J M, Gill T E, et al. Global-scale attribution of anthropogenic and natural dust sources and their emission rates based on MODIS Deep Blue aerosol products. Reviews of Geophysics, 2012, 50: RG3005. DOI: 10.1029/2012RG000388.

[16]
Wang J Z, Ding J L, Li G N, et al. Dynamic detection of water surface area of Ebinur Lake using multi-source satellite data (Landsat and Sentinel-1A) and its responses to changing environment. CATENA, 2019, 177: 189-201.

[17]
Boroughani M, Hashemi H, Hosseini S H, et al. Desiccating Lake Urmia: A new dust source of regional importance. IEEE Geoscience and Remote Sensing Letters, 2020, 17(9): 1483-1487.

DOI

[18]
Goudie A. Dust storms and ephemeral lakes. Desert, 2018, 23(1): 153-164.

[19]
Singh A, Seitz F, Schwatke C. Inter-annual water storage changes in the Aral Sea from multi-mission satellite altimetry, optical remote sensing, and GRACE satellite gravimetry. Remote Sensing of Environment, 2012, 123: 187-195.

[20]
Li Z, Chen Y N, Li W H, et al. Potential impacts of climate change on vegetation dynamics in Central Asia. Journal of Geophysical Research: Atmospheres, 2015, 120(24): 12345-12356.

[21]
Ge Y X, Abuduwaili J, Ma L, et al. Temporal variability and potential diffusion characteristics of dust aerosol originating from the Aral Sea basin, central Asia. Water, Air, & Soil Pollution, 2016, 227: 63. DOI: 10.1007/s11270-016-2758-6.

[22]
Tan C, Guo B, Kuang H H, et al. Lake area changes and their influence on factors in arid and semi-arid regions along the Silk Road. Remote Sensing, 2018, 10(4): 595. DOI: 10.3390/rs10040595.

[23]
Rupakheti D, Kang S C, Bilal M, et al. Aerosol optical depth climatology over Central Asian countries based on Aqua-MODIS Collection 6.1 data: Aerosol variations and sources. Atmospheric Environment, 2019, 207: 205-214.

DOI

[24]
Peng Yanfei, Li Zhongqin, Yao Xiaojun, et al. Area change and cause analysis of Bosten Lake based on multi-source remote sensing data and GEE platform. Journal of Geo-information Science, 2021, 23(6):1131-1153.

[彭妍菲, 李忠勤, 姚晓军, 等. 基于多源遥感数据和GEE平台的博斯腾湖面积变化及影响因素分析. 地球信息科学学报, 2021, 23(6): 1131-1153.]

DOI

[25]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017, 202: 18-27.

[26]
Fu Dongjie, Xiao Han, Su Fenzhen, et al. Remote sensing cloud computing platform development and Earth science application. National Remote Sensing Bulletin, 2021, 25(1): 220-230.

[付东杰, 肖寒, 苏奋振, 等. 遥感云计算平台发展及地球科学应用. 遥感学报, 2021, 25(1): 220-230.]

[27]
Yao Junqiang, Yang Qing, Chen Yaning, et al. Climate change in arid areas of Northwest China in past 50 years and its effects on the local ecological environment. Chinese Journal of Ecology, 2013, 32(5): 1283-1291.

[姚俊强, 杨青, 陈亚宁, 等. 西北干旱区气候变化及其对生态环境影响. 生态学杂志, 2013, 32(5): 1283-1291.]

[28]
Zhang Qiang, Zhu Biao, Yang Jinhu, et al. New characteristics about the climate humidification trend in Northwest China. Chinese Science Bulletin, 2021, 66(28/29): 3757-3771.

[张强, 朱飙, 杨金虎, 等. 西北地区气候湿化趋势的新特征. 科学通报, 2021, 66(28/29): 3757-3571.]

[29]
Li Zhe, Ding Yongjian, Chen Aijiao, et al. Characteristics of warming hiatus of the climate change in Northwest China from 1960 to 2019. Acta Geographica Sinica, 2020, 75(9): 1845-1859.

DOI

[李哲, 丁永建, 陈艾姣, 等. 1960—2019年西北地区气候变化中的Hiatus现象及特征. 地理学报, 2020, 75(9): 1845-1859.]

DOI

[30]
Chen X Y, Zuo H C, Zhang Z P, et al. Full-coverage 250 m monthly aerosol optical depth dataset (2000-2019) amended with environmental covariates by an ensemble machine learning model over arid and semi-arid areas, NW China. Earth System Science Data, 2022, 14(12): 5233-5252.

[31]
Chen X Y, Zuo H C, Wang W P, et al. Surface water and aerosol spatiotemporal dynamics and influence mechanisms over drylands. Geoscience Frontiers, 2023, 14(2): 101524. DOI: 10.1016/j.gsf.2022.101524.

[32]
Chen X Y, Ding J L, Wang J Z, et al. Retrieval of fine-resolution aerosol optical depth (AOD) in semiarid urban areas using Landsat data: A case study in Urumqi, NW China. Remote Sensing, 2020, 12(3): 467. DOI: 10.3390/rs12030467.

[33]
Lyapustin A, Wang Y, Laszlo I, et al. Multiangle implementation of atmospheric correction (MAIAC): 2. Aerosol algorithm. Journal of Geophysical Research: Atmospheres, 2011, 116: D03211. DOI: 10.1029/2010JD014986.

[34]
Chen X Y, Ding J L, Liu J, et al. Validation and comparison of high-resolution MAIAC aerosol products over Central Asia. Atmospheric Environment, 2021, 251: 118273. DOI: 10.1016/j.atmosenv.2021.118273.

[35]
Lyapustin A, Wang Y J, Korkin S, et al. MODIS Collection 6 MAIAC algorithm. Atmospheric Measurement Techniques, 2018, 11(10): 5741-5765.

[36]
Chen Xiangyue, Ding Jianli, Wang Jingzhe, et al. Validation of the fine resolution of the MODIS MAIAC aerosol optical depth product over arid areas. National Remote Sensing Bulletin, 2023, 27(2): 406-419.

[陈香月, 丁建丽, 王敬哲, 等. MODIS MAIAC高分辨率气溶胶光学厚度产品在干旱区的适用性研究. 遥感学报, 2023, 27(2): 406-419.]

[37]
Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data, 2019, 11(4): 1931-1946.

[38]
Jing W L, Yang Y P, Yue X F, et al. A spatial downscaling algorithm for satellite-based precipitation over the Tibetan Plateau based on NDVI, DEM, and land surface temperature. Remote Sensing, 2016, 8(8): 655. DOI: 10.3390/rs8080655.

[39]
Peng S Z, Ding Y X, Wen Z M, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100. Agricultural and Forest Meteorology, 2017, 233: 183-194.

[40]
Li Q L, Shi G S, Shangguan W, et al. A 1 km daily soil moisture dataset over China using in situ measurement and machine learning. Earth System Science Data, 2022, 14(12): 5267-5286.

[41]
McFeeters S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 1996, 17(7): 1425-1432.

[42]
Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 2006, 27(14): 3025-3033.

[43]
Wang X B, Xie S P, Zhang X L, et al. A robust Multi-Band Water Index (MBWI) for automated extraction of surface water from Landsat 8 OLI imagery. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 73-91.

[44]
Pettorelli N, Vik J O, Mysterud A, et al. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 2005, 20(9): 503-510.

[45]
Salomonson V V, Appel I. Development of the Aqua MODIS NDSI fractional snow cover algorithm and validation results. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1747-1756.

[46]
Otsu N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[47]
Sun F D, Zhao Y Y, Gong P, et al. Monitoring dynamic changes of global land cover types: Fluctuations of major lakes in China every 8 days during 2000-2010. Chinese Science Bulletin, 2014, 59(2): 171-189.

[48]
Luo Z K, Feng W T, Luo Y Q, et al. Soil organic carbon dynamics jointly controlled by climate, carbon inputs, soil properties and soil carbon fractions. Global Change Biology, 2017, 23(10): 4430-4439.

DOI PMID

[49]
Li Z J, Li Z Y, Tong X Z, et al. Climatic humidity mediates the strength of the species richness-biomass relationship on the Mongolian Plateau steppe. Science of the Total Environment, 2020, 718: 137252. DOI: 10.1016/j.scitotenv.2020.137252.

[50]
Wang C, Fu B J, Lü Y H, et al. Socioeconomic development alters the effects of 'green' and 'grain' on evapotranspiration in China's Loess Plateau after the grain for green programme. Journal of Environmental Management, 2023, 328: 117013. DOI: 10.1016/j.jenvman.2022.117013.

[51]
Zhao Yong, Huang Ya, Wang Hejia, et al. Study on regional climate effect under water diversion in Northwest China. Journal of Hydraulic Engineering, 2022, 53(3): 270-283, 295.

[赵勇, 黄亚, 王贺佳, 等. 西部调水下长期气候效应研究. 水利学报, 2022, 53(3): 270-283, 295.

[52]
Wang Wei, Samat Alim, Ma Long, et al. Spatio-temporal variations and trend analysis of lake area in Xinjiang in 1986-2019. Acta Ecologica Sinica, 2022, 42(4): 1300-1314.

[王伟, 阿里木·赛买提, 马龙, 等. 1986—2019年新疆湖泊变化时空特征及趋势分析. 生态学报, 2022, 42(4): 1300-1314.]

[53]
Su Yanan, Chen Shengqian, Feng Min, et al. Progress and prospects in satellite remote sensing monitoring of terrestrial surface water. Chinese Science Bulletin, 2024, 69(22): 3268-3282.

[苏雅楠, 陈圣乾, 冯敏, 等. 陆地地表水卫星遥感监测进展与展望. 科学通报, 2024, 69(22): 3268-3282.]

[54]
Huang W J, Duan W L, Chen Y N. Rapidly declining surface and terrestrial water resources in Central Asia driven by socio-economic and climatic changes. Science of the Total Environment, 2021, 784: 147193. DOI: 10.1016/j.scitotenv.2021.147193.

[55]
Liu Baokang, Wei Xuli, Du Yu'e, et al. Dynamics of Qinghai Lake area based on environmental mitigation satellite data. Pratacultural Science, 2013, 30(2): 178-184.

[刘宝康, 卫旭丽, 杜玉娥, 等. 基于环境减灾卫星数据的青海湖面积动态. 草业科学, 2013, 30(2): 178-184.]

[56]
Zheng L L, Xia Z, Xu J, et al. Exploring annual lake dynamics in Xinjiang (China): Spatiotemporal features and driving climate factors from 2000 to 2019. Climatic Change, 2021, 166(3): 36. DOI: 10.1007/s10584-021-03136-7.

[57]
Zhang Zhe, Ding Jianli, Wang Jinjie. Spatio-temporal variations and potential diffusion characteristics of dust aerosol originating from Central Asia. Acta Geographica Sinica, 2017, 72(3): 507-520.

[张喆, 丁建丽, 王瑾杰. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析. 地理学报, 2017, 72(3): 507-520.]

DOI

[58]
Dong Z P, Yu X, Li X M, et al. Analysis of variation trends and causes of aerosol optical depth in Shaanxi province using MODIS data. Chinese Science Bulletin, 2013, 58: 4486-4496.

[59]
Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China. Science China: Earth Sciences, 2019, 62(12): 1885-1902.

[60]
Fu B J, Liu Y X, Meadows M E. Ecological restoration for sustainable development in China. National Science Review, 2023, 10(7): nwad033. DOI: 10.1093/nsr/nwad033.

[61]
Zhang Zhe, Ding Jianli, Wang Jinjie, et al. Temporal and spatial distribution characteristics of aerosol optical properties in urban agglomerations on the north slope of the Tianshan mountains. Environmental Science, 2021, 42(5): 2202-2212.

[张喆, 丁建丽, 王瑾杰, 等. 天山北坡城市群气溶胶光学特性时空分布特征. 环境科学, 2021, 42(5): 2202-2212.]

[62]
Indoitu R, Kozhoridze G, Batyrbaeva M, et al. Dust emission and environmental changes in the dried bottom of the Aral Sea. Aeolian Research, 2015, 17: 101-115.

[63]
Ghale Y A G, Tayanc M, Unal A. Dried bottom of Urmia lake as a new source of dust in the northwestern Iran: Understanding the impacts on local and regional air quality. Atmospheric Environment, 2021, 262: 118635. DOI: 10.1016/j.atmosenv.2021.118635.

[64]
Wang W, Samat A, Abuduwaili J, et al. Temporal characterization of sand and dust storm activity and its climatic and terrestrial drivers in the Aral Sea region. Atmospheric Research, 2022, 275: 106242. DOI: 10.1016/j.atmosres.2022.106242.

[65]
Zhang Qiang, Yang Jinhu, Ma Pengli, et al. The enhancement and eastward expansion of climate warming and humidification, formation mechanism and important environmental impacts in Northwest China. Journal of Arid Meteorology, 2023, 41(3): 351-358.

[张强, 杨金虎, 马鹏里, 等. 西北地区气候暖湿化增强东扩特征及其形成机制与重要环境影响. 干旱气象, 2023, 41(3): 351-358.]

DOI

Options
文章导航

/

〈 〉