利用协调一致的MODIS和GLASS数据，研究黄河流域水资源和碳利用效率的时空动态及其驱动因素

《Journal of Hydrology: Regional Studies》：Spatiotemporal dynamics and drivers of water and carbon use efficiency in the Yellow River basin with harmonized MODIS and GLASS data

本研究通过融合MODIS与GLASS植被数据集，利用机器学习模型构建1982-2023年黄河流域水利用效率（WUE）和碳利用效率（CUE）长期时空数据库，揭示两者协同演变规律及驱动机制，发现54.51%区域呈现WUE升高与CUE下降的耦合趋势，并量化了气温、降水等关键环境因子的影响差异。

　　

周世伦|刘瑞婷|王飞阳|关晓丹|聂宁

中国济南航空航天信息技术大学，邮编250299

摘要

全球环境变化与人类活动的相互作用日益扰乱了生态系统的稳定性，给有效的水资源和碳资源管理带来了重大挑战。水分利用效率（WUE）和碳利用效率（CUE）是评估生态系统对气候变化和资源利用响应的关键指标。然而，遥感数据集的不一致性和有限的观测记录给WUE和CUE的同步及长期评估带来了显著困难，这凸显了需要更加可靠和统一的数据集。本研究旨在整合长期的MODIS和GLASS数据集，并利用机器学习模型探索黄河流域（YRB）中水分和碳利用效率的时空演变。研究采用了Cubist、随机森林（RF）、XGBoost和最小-最大拉伸变换（Min-Max Stretch Transformation）模型来协调MODIS和GLASS植被数据集，生成了1982年至2023年黄河流域的植被总初级生产力（GPP）和净初级生产力（NPP）数据集。利用这一整合的数据集，系统地研究了WUE和CUE的时空变化及其背后的驱动因素。结果表明，在42年期间，WUE呈现出统计学上的显著增长趋势（p<0.05），而CUE则呈现显著下降趋势（p<0.05）。大约54.51%的黄河流域区域表现出WUE增加而CUE下降的耦合现象，其中69.47%的耕地、49.71%的草地和22.07%的森林生态系统呈现这种趋势。地理检测器分析显示，在气候因素中，最低温度（Tmin）、平均温度（Tmean）和最高温度（Tmax）是影响CUE的关键因素，而WUE主要受Tmin、气候水分亏缺（CWD）和Tmean的影响。降水与其他因素之间的相互作用也表现出特别强的影响。RF模型分析进一步强调了2000年前后不同生态系统环境下环境因素对WUE和CUE的不同影响。本研究提供了一个可靠且具有全球适用性的框架，用于整合长期数据集并分析水-碳耦合动态，为推进生态系统管理策略和促进面临类似环境挑战地区的可持续发展提供了关键见解。

引言

各种环境因素的相互作用，如温度上升、降水模式变化、森林砍伐和农业扩张，扰乱了碳和水循环，加剧了全球的碳和水危机（Chen等人，2023；Zhang等人，2024；Zhang等人，2016）。水分利用效率（WUE）和碳利用效率（CUE）是阐明陆地碳和水循环复杂相互作用的重要指标（Cui等人，2024；Shao等人，2024；Zhang和Wu，2024）。它们对于评估陆地生态系统的恢复力及其适应气候变化的能力至关重要（Hu等人，2024；Hua等人，2024）。

WUE量化了植物的水分利用效率，而CUE衡量了光合作用过程中的碳转化效率（Han等人，2023）。WUE通常表示为总初级生产力（GPP）除以蒸散量（ET）（Huang等人，2015；Reichstein等人，2003），而CUE一般表示为净初级生产力（NPP）除以GPP（DeLUCIA等人，2007；Gifford，2003）。研究表明，WUE和CUE存在显著的空间变异性，受降水、温度、太阳辐射和人类活动等因素的影响（Chen等人，2024b；Lin等人，2023；Liu等人，2024b；Wang等人，2024b；Yang等人，2022）。植被退化，通常与土壤结构破坏和有机物损失有关，会显著降低WUE。相反，植被恢复可以提高光合作用效率，从而提高CUE（Liu等人，2020；Shao等人，2022）。因此，许多研究关注了全球变化下植被WUE和CUE的动态变化。例如，Chen等人（2024b）量化了气候变化和人类活动对中国WUE和CUE的相对贡献，而Liu等人（2022）、Fan等人（2022）和Li等人（2025）都研究了2019年之前气候变化对黄河流域WUE的影响。然而，现有数据集的时间范围有限，阻碍了这些效率指标的长期趋势分析。此外，尽管WUE和CUE之间的复杂反馈机制引起了越来越多的研究关注，相关研究分析了不同地理条件下的它们之间的联系（Ding等人，2024；Hua等人，2024；Shao等人，2024），但不同生态系统间WUE和CUE的协同关系仍待探索，缺乏关于全球变化下不同植被类型碳-水耦合变化的全面讨论，这需要在不同地区进行进一步研究。

卫星遥感为定量评估GPP和NPP提供了强有力的方法。其中广泛使用的产品包括中分辨率成像光谱辐射计（MODIS）和全球陆地表面卫星（GLASS）数据集。MODIS自2000年以来提供了更高的空间分辨率和连续的数据，而GLASS GPP V40产品来自AVHRR卫星，时间范围从1982年到2018年，尽管空间分辨率较低（Bai等人，2023；Ranjbar等人，2024）。AVHRR和MODIS在光谱带、空间分辨率和传感器属性上的差异给维持植被产品的时间一致性带来了复杂性（Xiao等人，2017）。然而，这两个数据集都依赖于8天时间分辨率的光利用效率模型（Running和Zhao，2021；Yuan等人，2010），使其能够用于长期植被信号分析。最近的研究利用了LAI、NDVI和NIRv等植被指数以及像素级回归模型等方法来协调这两个数据集（Mao等人，2012）。需要进一步的一致性分析来解决时间差异并提高长期WUE和CUE数据的可靠性。

黄河流域（YRB）作为一个重要的生态屏障和经济中心，在水资源管理和生态安全方面受到了广泛关注（Lin-ke等人，2021；Yao等人，2022）。然而，其脆弱的生态系统由于独特的地理和气候条件而面临严峻挑战（Li等人，2021）。长期过度耕作、不可持续的水资源利用和气候变化已经破坏了YRB的环境，导致严重的土地沙漠化和土壤侵蚀（Han等人，2019；Yu等人，2017）。因此，在这个生态恢复与经济发展并存的地区，了解WUE和CUE的动态及其驱动因素至关重要。目前关于YRB的WUE和CUE的研究主要集中在单个指标上，对其相互关系的探索有限（Qin等人，2022；Xu等人，2024）。此外，数据限制使得分析仅限于2000年以后或2018年以前的时期，阻碍了对该地区生态水文政策的全面评估（Hou等人，2024）。

本研究通过多模型协调整合了MODIS和GLASS数据集，生成了连续的长期GPP和NPP数据，旨在探索YRB中水分和碳利用效率的时空演变。研究了1982年至2023年YRB中WUE和CUE的空间和时间动态，以揭示它们与环境因素及不同生态系统之间的相互关系。具体工作如下：首先，使用Cubist、最小-最大拉伸变换（MMST）、随机森林（RF）和XGBoost模型协调MODIS和GLASS数据集之间的不一致性，生成了42年的连续WUE和CUE数据。随后分析了WUE和CUE的空间和时间变化，特别关注它们在不同植被生态系统中的协同演变。然后使用地理检测器和RF模型量化了环境因素对WUE和CUE的贡献和影响。这项研究增强了我们对半干旱地区大型河流流域中资源利用效率对环境变化敏感性的理解。

研究区域

黄河是中国第二长的河流，全球第五长的河流，流域面积为795000平方公里（Li、Wang、Li和Liu，2022）。流域内的气候类型主要是干旱、半干旱和半湿润；主要土地利用类型包括耕地、林地和草地（Li等人，2021；Ma等人，2019）；植被类型多样，主要包括草地、森林、灌木和农作物。黄河流域是中国北部重要的生态屏障，

MODIS和GLASS数据的GPP和NPP一致性

使用Cubist、MMST、RF和XGBoost模型校正并分析了MODIS和GLASS GPP数据的时空一致性。模型评估结果显示，Cubist、MMST、RF和XGBoost模型的平均R2值分别为0.853、0.484、0.861和0.832，其中RF模型的表现略好。如图3所示，大多数像素的R2值相对较高，表明模型对数据的拟合度令人满意。

WUE和CUE的时空变化

基于MODIS和GLASS数据获得了具有更好一致性的GPP和NPP长时间序列数据，并对1982年至2023年YRB中WUE和CUE的空间和时间变化进行了分析。结果显示，流域大部分地区的WUE以及区域平均水平呈现出显著上升趋势。从空间上看，约45.90%的流域区域WUE显著增加，这可能是由于大规模

结论

本研究基于MODIS和GLASS植被数据的一致性分析，采用SEN-MK方法监测了1982年至2023年YRB中WUE和CUE的时空变化。进行了协同分析以揭示WUE和CUE之间的相互变化。此外，使用地理检测器和RF模型定量评估了驱动因素对WUE和CUE的影响，考虑了区域层面和跨

未引用的参考文献

Modeling and Office, 2015a, Modeling and Office, 2015b, Lohmar, 2003.

CRediT作者贡献声明

周世伦：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论，调查，概念化。刘瑞婷：撰写 – 原稿，可视化，验证，调查，数据管理。王飞阳：可视化，验证，数据管理。关晓丹：撰写 – 审稿与编辑，调查，形式分析。聂宁：撰写 – 审稿与编辑，监督，资源管理，调查，概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国教育部《基础与跨学科创新计划》（编号JYB2025XDXM910）、山东省自然科学基金（编号ZR2024QD135）、国家自然科学基金（编号41901228）、中央高校基本科研业务费（编号23CX06029A）以及甘肃省科技创新领军人才项目（编号25RCKA024）的资助。