三江源地区1980—2019年积雪时空动态特征及其对气候变化的响应

陈龙飞， 张万昌， 高会然

（1.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094； 2.中国科学院大学，北京 100049）

0 引言

三江源地区是长江、黄河、澜沧江三条大河的发源地，水资源量丰富，是中国淡水资源的重要补给地。同时，也是高海拔地区中生物多样性最丰富的地区之一。2016 年8 月，习近平总书记在青海考察时指出，“中华水塔”是国家的生命之源，保护好三江源，对中华民族发展至关重要[1］。三江源地区的生态系统服务功能具有重要且不可替代的地位，对中国的生态状况及国民经济发展起着不可或缺的作用[2-4］。

积雪是冰冻圈的重要组成部分，也是对气候变化反应最为敏感的环境要素之一，通常作为检验与监测全球变化的一个重要指标[5-7］。中国是中、低纬度地区冰川和积雪最为丰富的国家，冬季积雪大约相当于7.4×1010m3水量，而青藏高原是我国三大积雪区之一，同时也是对全球气候变化反应最为敏感的区域之一[8-9］。研究表明，在全球变暖的背景下，青藏高原地区呈现积雪日数、雪水当量减少，积雪初日推迟而积雪终日提前的变化趋势[10-12］。目前绝大多数积雪遥感相关研究主要针对整个青藏高原地区，对于三江源地区积雪时空变化的研究较少，而利用遥感手段研究该区域积雪特征目前尚未有报道。开展三江源地区积雪遥感研究探究积雪时空特征，可为该区域水资源和生态环境保护提供科学资料以及理论依据。

获取可靠的积雪数据是研究积雪时空动态特征的基础，积雪数据的获取手段目前主要有地面台站观测以及卫星遥感反演。地面台站观测可以直接获取积雪参数，是一种非常有效的观测手段[13］。刘晓娇等[14］利用8个气象站点记录的逐日积雪深度数据研究了黄河源区1978—2016年积雪变化特征，结果表明黄河源区呈现出积雪初日推迟、终日提前和积雪日数减少的趋势；许显花等[15］利用2 个气象站点资料分析了青海黄南南部区域1960—2015 年的积雪变化，结果表明该区域积雪日数呈增加趋势，但趋势并不显著。这些结果虽然能够反映研究区积雪总体变化特征，但单点观测结果只能代表台站附近的情况，而对于广大未设置台站的区域，仍然无法获取数据。卫星遥感技术具有资料获取速度快、覆盖范围广、受地面条件限制少、信息量丰富等特点，被广泛应用于积雪变化研究。杨志刚等[16］利用MOD10A1 积雪产品分析了2000—2014 年青藏高原积雪面积和覆盖率的时空分布和变化特点；王晓茹等[17］利用逐日MODIS 积雪产品分析了亚洲高山区2001—2016 年融雪末期雪线高度的时空变化特征；Wang 等[6］利用AMSR-E 和MODIS 积雪产品研究了青藏高原2003—2010 年积雪日数和积雪面积的变化趋势；Dai 等[18］利用AMSR-E 和MODIS数据对青藏高原积雪深度进行了估算。这些研究表明，应用积雪遥感产品是目前进行大尺度研究优先选择的数据源，它能够全面地反映地面积雪状况，即便在站点稀疏的高海拔地区如青藏高原，同样能够快速获取可靠的积雪资料。三江源地区地处青藏高原东部，整体海拔较高，其西部区域气象站点稀疏，依靠地面台站数据几乎无法反映地面真实积雪情况。因此，本研究采用卫星遥感数据来研究三江源地区的积雪动态特征。

目前，大多数研究主要探究积雪特征变量的时间变化特征。许显花等[15］分析了青海黄南南部区域1960—2015年的积雪变化趋势，但未对积雪的空间变化进行探究；除多等[19］分析了青藏高原1981—2010 年积雪日数的变化趋势，发现青藏高原地区年积雪日数出现显著减少趋势，冬季减幅最为明显，但对于该区域积雪的空间变化仍然只是定性分析。重心模型能够用于衡量某种属性在区域总体的分布状况，其变化趋势则可以揭示该属性整体的时空演变格局[20］。目前重心模型已被广泛应用于人口、经济、气象、环境、植被等要素的时空演变格局研究[20-25］。鉴于此，本研究引入重心模型对三江源地区积雪的空间变化情况进行定量分析。

三江源地区近几十年来积雪及气候因子具有怎样的时空动态特征，该区域积雪变化和气温之间存在怎样的关系是本研究重点解决的问题。针对这两个问题，利用逐日无云积雪面积和逐日积雪深度遥感产品，引入重心模型对三江源地区1980—2019 年4 个积雪参数（积雪日数、积雪深度、积雪初日和积雪终日）以及气温和降水量的空间演变格局进行研究，并利用Mann-Kendall（M-K）检验和Sen斜率估计分析积雪参数和气候因子的变化趋势，进而探究积雪对气候变化的响应，并为三江源地区水资源和生态环境保护提供依据。

1 数据与方法

1.1 研究区概况

三江源地区位于中国西部，是青藏高原的组成部分（图1）。其地理坐标为89°24′~102°27′E，31°32′~37°08′N，东西长1 156 km，南北宽592 km，总面积达36.9 万km2。该区域整体海拔较高，且海拔呈现自西向东逐渐降低的特点。因此该区域气象站点主要分布在东部海拔较低的黄河源区，而西部区域气象站点较少。该区域雪山、冰川分布广阔，水资源丰富，是长江、黄河、澜沧江三条大河的发源地。本文根据集水区将研究区划分为长江源区、澜沧江源区、黄河源区。

图1 研究区地形及气象站点分布Fig. 1 Topography and distribution of meteorological stations over the study area

1.2 数据来源

中国逐日无云积雪面积数据集[26-28］来源于国家冰川冻土沙漠科学数据中心（http：//www.ncdc.ac.cn），时间和空间分辨率分别为1 d 和5 km，时间跨度为1980—2019 年。该数据是由美国国家海洋与大气管理局（NOAA）发布的AVHRR-CDR 反射率产品经过处理得到的。处理步骤为：（1）以Landsat TM 数据为真值，利用多级决策树积雪判别算法来训练AVHRR-CDR 表面反射率数据，从而获取初级产品；（2）利用隐马尔科夫算法、多源数据融合方法对该初级产品进行去云处理，最终获得逐日无云积雪面积产品。

中国逐日积雪深度长时间序列数据集[29］来源于国家青藏高原科学数据中心（http：//data.tpdc.ac.cn/zh-hans/），时间和空间分辨率分别为1 d 和25 km，时间跨度为1980—2019 年。该数据集是由被动微波数据反演得到的，原始数据来自美国国家雪冰数据中心（NSIDC）发布的SMMR（1978—1987年），SSM/I（1987—2007 年）和SSMI/S（2008—2019年）逐日被动微波亮温数据，经过4个步骤的处理最终获得逐日积雪深度数据[30-34］：（1）不同传感器的交叉定标；（2）被动微波遥感雪深反演算法系数的确定；（3）识别积雪的被动微波遥感分类树算法；（4）积雪反演。目前已有多项研究应用该数据集来研究积雪的变化特征，表明该数据集能够有效地反映积雪的实际情况[35-37］。

三江源地区1980—2019 年逐日、逐月、逐年气象站点数据来源于国家气象科学数据中心（http：//data. cma. cn/）。中国1980—2015 年年平均气温和年降水量插值数据集来源于资源环境科学与数据中心（https：//www. resdc. cn/Default. aspx），原始数据的空间分辨率为1 km。将年平均气温和年降水量数据分别重采样为5 km 和25 km 的空间分辨率，用于后续相关系数的计算。

1.3 研究方法

本研究利用重心模型来探究4个积雪参数以及气候因子的时空变化特征。重心是物理学中的概念，指物体各部分所受重力产生合力的作用点[38］。重心的计算方法见式（1）~（2）。

式中：X和Y为物理量V在x和y方向的距离权重和总量之比，反映了V在空间上最大值的所在位置，即重心；n为研究区域所包含的栅格个数；Xi和Yi分别为第i个栅格中心的地理坐标；Vi为该栅格上的物理量；（X，Y）为物理量重心的地理坐标。随着时间的推移，积雪参数和气候因子的空间分布会发生变化，从而导致其重心的位置也发生变化[39］。因此，重心的移动距离和方向能够反映地理要素的空间变化趋势和轨迹，从而揭示地理要素的时空演变格局。

本研究利用Mann-Kendall（M-K）检验法[40-42］来分析4 个积雪参数以及气候因子变化趋势的显著性。M-K 检验法是世界气象组织推荐的一种非参数统计检验方法。在双侧检验下，给定显著性水平α 时，当时间序列的标准化方差|Z|>Z1−α/2时，时间序列存在显著趋势。|Z|> 1.96 以及|Z|> 2.576 分别表示在显著性水平α=0.05（即P＜0.05）以及α=0.01（即P＜0.01）下，时间序列存在显著变化趋势。

Sen 斜率估计方法[43-44］用于计算4 个积雪参数以及气候因子的变化趋势大小，其计算方法为

式中：b为时间序列的趋势大小；j和i为年份；Xj和Xi分别为第j和第i年的变量值；median（）为取中位数的函数。计算所得结果为正值（负值）时，表示该时间序列具有上升（下降）趋势，趋势大小为b，计算结果为0则表明该时间序列不存在趋势。

本研究利用积雪日数、积雪深度、积雪初日和积雪终日4个关键积雪参数来探究三江源地区积雪的时空动态特征。本文定义9 月1 日至次年8 月31日为一个水文年[5，9，45］，积雪日数定义为一个水文年内像元被积雪覆盖的日数之和。为了避免短时间降雪事件的影响，积雪初日定义为如果水文年内像元首次出现积雪且往后连续14天均被积雪覆盖，则该像元首次出现积雪的日期即为积雪初日。相反，积雪终日定义为如果水文年内像元最后一次出现积雪且往前连续14天均被积雪覆盖，则该像元最后一次出现积雪的日期即为积雪终日[46-48］。

2 结果与讨论

2.1 积雪和气候因子的时空变化特征

2.1.1 时间变化

三江源地区1980—2019年积雪日数整体呈现减少趋势，倾向率为-2.18 d·a-1[图2（a）］，这表明该区域每经过10 年，积雪日数将会减少约22 d。1980—1988 年该区域积雪日数波动较大，1988—1990 年积雪日数减少幅度较大，由139.72 d 减少至38.31 d，而后1990—1999 年则呈现缓慢上升趋势。1999—2001 年又出现快速减少趋势，由73.34 d 减少至16.68 d；而2001—2019 年积雪日数均保持在较低水平，变化范围为7.66~41.34 d。三江源地区1980—2019年积雪日数具有明显的季节性特征。积雪主要分布在春季和冬季，积雪日数最大和最小的月份分别为1月和8月，1—8月积雪日数逐渐减小，而8—12月则逐渐增大[图2（c）~（d）］。分析积雪深度可知，三江源地区1980—2019年的平均积雪深度整体呈现减少趋势，倾向率为-0.22 mm·a-1，这表明每经过10年，该区域的平均积雪深度减少2.2 mm[图2（a）］。1985 年该区域平均积雪深度最大，达62.30 mm，随后1986 年则减少为12.19 mm。1986—1999 年呈现缓慢上升趋势，1999—2001 年则又出现快速减少趋势，由22.96 mm 减少至7.32 mm；而2001—2019 年积雪深度均保持在较低水平，变化范围为3.75~26.82 mm。积雪深度同样具有强烈的季节性特征。积雪深度较大的月份主要分布在10 月至次年5 月，10—12 月积雪深度逐渐增大，而12 月至次年5 月积雪深度逐渐减小，6—9 月则积雪深度几乎为0[图2（c）~（d）］。三江源地区积雪深度与积雪日数具有相似的变化特征，尤其是1999 年之后，两者的变化趋势几乎一致，表明本文所采用的积雪覆盖和积雪深度数据集具有良好的一致性，能够有效地反映三江源地区真实的积雪动态情况。结合积雪日数及深度变化特征可知，该区域2001—2019 年积雪日数和深度均明显小于1980—2000年的积雪日数和深度。

图2 三江源地区1980—2019年积雪日数、积雪深度、积雪初日和积雪终日时间序列Fig. 2 Time series of snow cover days，snow depth，snow cover onset date and end date in the Three-River-Source region from 1980 to 2019：yearly variation of snow cover days and snow depth（a），yearly variation of snow cover onset date and end date（b），seasonal variation of snow cover days and snow depth（c）and monthly variation of snow cover days and snow depth（d）

三江源地区积雪初日呈现缓慢的上升趋势，倾向率为0.35 d·a-1[图2（b）］，这表明该区域每经过10 年，积雪初日推迟约3.5 d。积雪初日最早的年份为2009 年，10 月21 日开始出现连续积雪覆盖；而积雪初日最晚的为2018年，直到次年1月27日才出现连续积雪覆盖。而积雪终日则呈现下降趋势，倾向率为-1.22 d·a-1[图2（b）］，这表明该区域每经过10 年，积雪终日提前约12 d。2009 年积雪终日时间最早，为11 月16 日；而2018 年最晚，为次年3 月28日。由此可见，三江源地区积雪初日逐渐推迟，而积雪终日逐渐提前，且积雪终日的提前速率是积雪初日推迟速率的3.5 倍，这也是造成该区域积雪日数快速减少的原因。

通过分析三江源地区同期气温和降水量可知，无论月、季还是年尺度变化，三江源地区的气温和降水量均呈现出相似的变化趋势（图3）。三江源地区月平均气温在-15~15 ℃之间，每年7 月的月平均气温最高，而1 月最低；月降水量则为0~160 mm，最大和最小值同样分别出现在7 月和1 月。该区域年平均气温和年降水量均呈现上升的趋势，二者倾向率分别为0.05 ℃·a-1和1.87 mm·a-1[图3（b）］。这表明每经过10 年，该区域的年平均气温升高0.5 ℃，而年降水量则会增加18.7 mm。

图3 三江源地区1980—2019年气温和降水量时间序列Fig. 3 Time series of air temperature and precipitation in the Three-River-Source region from 1980 to 2019：monthly variation（a），yearly variation（b）and seasonal variation（c）

由此可见，三江源地区积雪、气温和降水量均具有强烈的季节性特征，1980—2019 年三江源地区积雪日数和积雪深度呈现减少趋势，而同期气温和降水量则呈现上升趋势。气温升高会导致部分降雪转变为降雨，导致该区域降雪时间推迟。同时气温升高会加快积雪消融速度，从而导致积雪消融完毕时间逐渐提前。因此，随着年平均气温的升高，三江源地区积雪日数和积雪深度逐渐减少，积雪初日逐渐推迟，而积雪终日则逐渐提前。

2.1.2 空间变化

就空间变化特征而言，三江源地区积雪日数和积雪深度具有相似的空间分布特征（图4）。1980—1998 年积雪日数和深度较大的区域分布较广阔，主要分布在该区域的西部和中南部地区，且积雪区域主要呈现面状分布；而2004 年之后，积雪区域只零散的分布在三江源地区海拔较高的区域。随着时间的推移，积雪初日的图像颜色逐渐加深，而积雪终日则逐渐变浅（图5），表明三江源地区积雪初日逐渐推迟，积雪终日则逐渐提前。此外，积雪初日和终日的分布面积正在逐渐减小，1980—1998 年主要呈现大面积面状分布；2004 年之后则仅零散地分布在三江源地区海拔较高的区域，表明三江源地区能够保持连续14天积雪覆盖的区域正在快速减少。由此可见，三江源地区积雪区域面积正在逐渐缩小，由大面积的面状分布逐渐变成零散的点状分布，且积雪初日逐渐推迟，而积雪终日逐渐提前。

图4 三江源地区1980—2019年部分年份积雪日数和积雪深度空间分布Fig. 4 Spatial distributions of snow cover days（a）and snow depth（b）in some years from 1980 to 2019 in the Three-River-Source region

图5 三江源地区1980—2019年部分年份积雪初日和积雪终日空间分布Fig. 5 Spatial distributions of snow cover onset date（a）and end date（b）in some years from 1980 to 2019 in the Three-River-Source region

为了定量化衡量积雪的空间变化情况，本文分别计算了三江源地区积雪日数、深度、初日和终日1980—2019 年逐年重心坐标并绘制其时间序列图[图6（a）~（d）］。结果表明，近40 年来，三江源地区积 雪 日 数 重 心 在93.58°~96.54° E 和33.87°~34.28° N 之 间 变 化，积 雪 深 度 重 心 在94.20°~97.62°E和33.29°~34.32°N之间变化。积雪日数、深度、初日和终日的重心位置在经度方向均呈现上升趋势，倾向率分别为0.0112°E·a-1、0.0249°E·a-1、0.0104° E·a-1和0.0123° E·a-1，而在纬度方向位置变化较小。这表明三江源地区的积雪日数、深度、初日和终日的分布区域逐渐向东移动，且每经过10年，其重心位置分别向东移动约0.112°（约10 km）、0.249°（约23 km）、0.104°（约10 km）和0.123°（约11 km）。

图6 三江源地区4个积雪参数（1980—2019年）和年平均气温、年降水量（1980—2015年）的重心位置变化Fig. 6 Changes in gravity center of the four snow cover parameters from 1980 to 2019，and annual mean air temperature and annual precipitation from 1980 to 2015 in the Three-River-Source region：snow cover days（a），snow depth（b），snow cover onset date（c），snow cover end date（d），annual mean air temperature（e）and annual precipitation（f）

采用相同的方法分别对研究区1980—2015 年的年平均气温和年降水量数据进行处理[图6（e）~（f）］，结果表明，1980—2015 年三江源地区年平均气温的重心位置在经度方向呈现下降趋势，倾向率为-0.0651° E·a-1，在纬度方向变化趋势较小；而年降水量的重心位置在经度和纬度方向几乎无变化。由此可见，每经过10 年，该区域年平均气温的重心位置向西移动约0.651°（约60 km），速率分别是积雪日数和积雪深度重心位置向东移动速率的6 倍和2倍。

由此可见，三江源地区1980—2019 年积雪日数、深度、初日和终日的重心位置呈现出东移的变化趋势，而同时期的年平均气温重心呈现出西移的变化趋势。重心位置的变化实际上是由地理要素在不同区域之间的变化存在差异而导致的。对于4个积雪参数而言，在三江源地区积雪逐渐减少的变化趋势下，该区域西部地区的积雪减少速率大于东部区域，从而导致4 个积雪参数重心逐渐东移。对于年平均气温而言，在三江源地区气温逐渐升高的变化趋势下，该区域西部的气温升高速率大于东部区域，从而导致年平均气温重心逐渐西移。由此可见，三江源地区积雪参数和气候因子的变化趋势均呈现出较强的空间异质性。西部气温升高速率大于东部导致西部积雪日数和深度减少速率同样大于东部，从而导致气温重心西移而积雪参数重心东移。

2.2 积雪和气候因子的变化趋势

上文结果表明三江源地区积雪呈现减少趋势，而年平均气温和年降水量则呈现上升趋势，但其变化趋势均呈现较强的空间异质性。为了定量探究积雪日数、积雪深度、积雪初日、积雪终日、年平均气温和年降水量的变化趋势在不同区域的差异情况，本文联合M-K 检验和Sen 斜率估计方法从栅格层面分别检验了6个变量变化趋势的显著性以及趋势大小。

由表1 可知，澜沧江源区的积雪日数和积雪深度均呈现减少趋势，且减少趋势最大，分别为-2.44 d·a-1和-0.32 mm·a-1；其次是长江源区，分别为-1.79 d·a-1和-0.17 mm·a-1；而对于黄河源区，其积雪日数呈现减少趋势（-1.36 d·a-1），而积雪深度却呈现微弱的上升趋势（0.03 mm·a-1），但绝大多数区域并未通过显著性检验[图7（b）］。对于积雪日数变化趋势的空间分布而言[图7（a）］，三江源地区绝大多数区域的积雪日数都呈现出显著减少趋势，其中减少速率较大的区域主要分布在长江源区东部和南部、澜沧江源区以及黄河源区的中部和南部，倾向率达-5 d·a-1；而减少速率较小的区域则主要分布在黄河源区的东北部，倾向率约为-1 d·a-1。积雪深度的变化趋势与积雪日数呈现出相似的空间分布，大部分区域同样呈现出显著减少趋势，减少速率较大的区域主要分布在澜沧江源区北部和长江源区西南部，倾向率达-0.8 mm·a-1；而在澜沧江源区南端以及黄河源区的东南部部分区域，积雪深度呈现出轻微上升趋势，但该趋势并不显著。

表1 三江源地区4个积雪参数（1980—2019年）和年平均气温、年降水量（1980—2015年）的倾向率Table 1 Tendency of the four snow cover parameters from 1980 to 2019，and annual mean air temperature and annual precipitation from 1980 to 2015 in the Three-River-Source region

图7 三江源地区4个积雪参数（1980—2019年）和年平均气温、年降水量（1980—2015年）趋势显著性及倾向率的空间分布Fig. 7 Spatial distributions of trend significance and tendency of the four snow cover parameters from 1980 to 2019，and annual mean air temperature and annual precipitation from 1980 to 2015 in the Three-River-Source region：snow cover days（a），snow depth（b），snow cover onset date（c），snow cover end date（d），annual mean air temperature（e）and annual precipitation（f）

三个源区均呈现出积雪初日推迟、积雪终日提前的趋势（表1）。澜沧江源区的变化趋势最大，积雪初日推迟、积雪终日提前速率分别为1.18 d·a-1和-1.08 d·a-1；其次是长江源区，分别为0.25 d·a-1和-0.43 d·a-1；最后是黄河源区，分别为0.24 d·a-1和-0.31 d·a-1。积雪初日和终日的变化趋势具有相似的空间分布，倾向率较大的区域主要分布在长江源区东部、澜沧江源区北部以及黄河源区西部，积雪初日和终日的倾向率分别达到2 d·a-1和-3 d·a-1。这表明每经过10 年，该区域积雪初日推迟20 d，同时积雪终日提前30 d。

对于气候要素而言，长江源区、澜沧江源区和黄河源区年均气温倾向率分别为0.06 ℃·a-1、0.05 ℃·a-1和0.05 ℃·a-1。除了黄河源区南端小部分区域外，整个三江源地区的年均气温均呈现出显著上升趋势，且其倾向率自东南向西北逐渐增大。黄河源区东南部区域的倾向率为0~0.02 ℃·a-1，而长江源区南部和西北部的倾向率则超过0.06 ℃·a-1。长江源区和澜沧江源区同期的年降水量呈现上升趋势，倾向率分别为1.17 mm·a-1和1.00 mm·a-1；而黄河源区则呈现下降趋势，倾向率为-0.06 mm·a-1，但几乎整个三江源地区年降水量的变化趋势均未通过显著性检验。

由此可见，三江源地区绝大部分区域1980—2019 年积雪日数和积雪深度呈现显著减少的变化趋势，而同期该区域气候则朝暖湿方向变化。胡豪然等[49］利用38 个站点资料研究了青藏高原东部地区1961—2010 年冬季积雪的时空变化特征；姜琪等[50］利用110 个气象站数据研究了青藏高原地区1961—2014 年 积 雪 时 空 特 征；车 涛 等[51］利 用AVHRR 以及被动微波数据研究了青藏高原地区1980—2016 年的积雪变化特征，均发现积雪日数或积雪深度呈现减少的变化趋势。本研究还发现黄河源区积雪深度呈现微弱的上升趋势（0.03 mm·a-1），这与刘晓娇等[14］利用8个气象站点数据研究黄河源区1978—2016年积雪深度时所得结果一致，其上升趋势同样为0.03 mm·a-1。由此表明，本研究所采用的积雪面积数据集以及积雪深度数据集能够很好地反映三江源地区积雪日数和积雪深度的真实情况。此外，三江源地区积雪参数的变化与该区域气候要素的变化具有一定的相关关系。

2.3 积雪对气候变化的响应

上文研究结果表明三江源地区4个积雪参数的变化与该区域气候要素的变化具有一定的相关关系。为了定量探究4 个积雪参数对气候变化的响应，本文分别计算了三江源地区1980—2015年积雪日数、积雪深度、积雪初日、积雪终日与年平均气温和年降水量的相关系数。

由表2 可知，整个三江源地区积雪日数与气温呈现负相关关系，相关系数达-0.52，通过了P＜0.001 的显著性检验。其中长江源区、黄河源区、澜沧江源区的负相关系数依次为-0.47、-0.57、-0.65，均通过了P＜0.01 的显著性检验。就相关系数空间分布而言，除极少数栅格外，几乎整个三江源地区积雪日数与气温都呈现正相关关系[图8（a）］，其中相关系数较大的区域主要分布在长江源区西部和东部、澜沧江源区北部以及黄河源区的中部和西部，相关系数超过-0.6，部分地区甚至超过-0.8。整个三江源地区积雪深度与气温同样呈现负相关关系，相关系数为-0.40，长江源区、黄河源区、澜沧江源区的相关系数分别为-0.46、-0.34、-0.34，均通过P＜0.05 的显著性检验。但相比于积雪日数与气温的相关系数，积雪深度的相关系数相对较小。积雪深度与气温的相关系数较大的区域主要分布在长江源区、澜沧江源区北部以及黄河源区西部，系数值超过-0.4[图8（b）］。澜沧江源区南部以及黄河源区东部区域虽出现少量正相关系数，但均未通过显著性检验。由此可见，三江源地区积雪日数和深度随着该区域年平均气温的升高在逐渐减少，且积雪日数对于年平均气温升高的响应更为敏感。

表2 三江源地区1980—2015年4个积雪参数与年平均气温、年降水量的相关系数均值Table 2 Mean correlation coefficients between the four snow cover parameters and annual mean air temperature，annual precipitation from 1980 to 2015 in the Three-River-Source region

整个三江源地区积雪初日与气温呈现显著的正相关关系（P＜0.05），其中相关性最强的为澜沧江源区（0.43），通过P＜0.01 的显著性检验；其次为长江源区（0.39），通过P＜0.05 的显著性检验；而黄河源区相关系数最小（0.26），且相关性不显著。积雪初日与气温的正相关系数几乎遍布整个研究区域[图8（c）］，其中相关性较强的区域主要分布在长江源区东部、澜沧江源区北部和黄河源区西部，相关系数超过0.4；而黄河源区东部则相关系数较小，甚至出现负相关系数，但相关性并不显著。而三江源地区积雪终日与气温的相关系数分布情况与积雪初日相似，但积雪终日与气温呈现负相关关系。由此可见，除黄河源区东部区域外，三江源地区积雪初日和终日与气温分别呈现显著正相关关系和显著负相关关系。即随着年平均气温的升高，该区域积雪初日逐渐推迟，而积雪终日则逐渐提前。

图8 三江源地区1980—2015年4个积雪参数与年平均气温的相关系数空间分布Fig. 8 Spatial distributions of correlation coefficients between the four snow cover parameters and annual mean air temperature from 1980 to 2015 in the Three-River-Source region：snow cover days and air temperature（a），snow depth and air temperature（b），snow cover onset date and air temperature（c）and snow cover end date and air temperature（d）

4 个积雪参数与年降水量的相关性均不显著，因此本研究未进一步从栅格层面分析4个积雪参数与年降水量的相关系数空间分布情况。由于年降水量包含降雪量，理论上，当年平均气温恒定的情况下，年降水量的增加会导致降雪量也有所增加，从而使积雪日数和积雪深度增大。然而，由于三江源地区的年平均气温逐渐升高，导致降雪的温度条件更加难以满足，部分降雪转变为降雨，从而导致该区域降雪时间推迟[52］。此外气温升高会加快积雪消融速度，从而导致积雪消融完毕的时间逐渐提前；同时积雪消融期由于温度不足达到降雪条件，此时降雨量的增加也会加速积雪的消融[9］。因此，年平均气温的升高减弱了4个积雪参数与年降水量的相关关系，从而导致降水对积雪参数虽产生一定的影响但在数理统计上并不显著。谭秋阳等[53］研究了1979—2017 年雅鲁藏布江流域积雪深度与气候因子的关系；白淑英等[54］研究了近30年来西藏地区积雪深度与气候因子的关系；刘金平等[9］研究了2000—2014 年雅鲁藏布江流域积雪对气候变化的响应，研究结果均表明降水量与积雪参数的相关性不显著。因此，三江源地区积雪日数、深度、初日和终日的变化主要受年平均气温的影响。积雪日数对气温升高响应最敏感，其次是积雪深度、积雪初日和积雪终日；而年降水量与4 个积雪参数的相关性均不显著。

3 结论

本文基于AVHRR-CDR 逐日无云积雪面积数据集和SMMR、SSM/I、SSMI/S 逐日被动微波亮温数据集引入重心模型分析了三江源地区1980—2019 年积雪日数、积雪深度、积雪初日和积雪终日的时空动态特征，并探究了4 个积雪参数对研究区年平均气温和年降水量变化的响应。研究结论如下：

（1）在时间变化特征上，1980—2019 年三江源地区积雪日数和积雪深度均呈现减少的变化趋势，减少速率分别为-2.18 d·a-1和-0.22 mm·a-1；积雪初日逐渐推迟而积雪终日逐渐提前，变化速率分别为0.35 d·a-1和-1.22 d·a-1，积雪终日提前速率是积雪初日推迟速率的3.5倍。该区域同期的气温和降水量则呈现上升趋势，上升速率分别为0.05 ℃·a-1和1.87 mm·a-1。在空间变化特征上，4 个积雪参数的重心呈现出东移的变化趋势，东移速率分别为1.0 km·a-1、2.3 km·a-1、1.0 km·a-1、1.1 km·a-1。同期的年降水量重心几乎无变化，而年平均气温的重心则呈现出西移的变化趋势，西移速率为6.0 km·a-1，分别是积雪日数和积雪深度重心位置东移速率的6倍和2倍，表明三江源地区4个积雪参数和气候因子的变化趋势均呈现出较强的空间异质性。西部气温升高速率大于东部导致西部积雪日数和深度减少速率同样大于东部，从而导致气温重心西移而积雪参数重心东移。

（2）澜沧江源区的积雪日数减少、积雪深度减少、积雪初日推迟以及积雪终日提前速率最大，分别为-2.44 d·a-1、-0.32 mm·a-1、1.18 d·a-1和-1.08 d·a-1，其次是长江源区和黄河源区。除黄河源区部分区域的积雪深度呈现微弱的不显著上升趋势外，三江源地区积雪日数、积雪深度逐渐减少，积雪初日逐渐推迟而积雪终日逐渐提前。对于同期年平均气温和年降水量而言，除黄河源区的年降水量呈现微弱的下降趋势外，其余均呈现上升趋势。因此，三江源地区积雪参数的变化与该区域气候要素的变化具有一定的相关关系。

（3）进一步的相关性分析表明，整个三江源地区积雪日数、积雪深度、积雪终日与年平均气温均呈现显著负向相关关系（P＜0.05），而积雪初日与气温则呈现显著正向相关关系（P＜0.05）。其中相关系性较强的区域主要分布在长江源区东部，澜沧江源区北部以及黄河源区西部。三江源地区4个积雪参数与年降水量的相关性均未通过显著性检验。由此可见，三江源地区气温的升高是导致该区域积雪日数和积雪深度减少、积雪初日推迟而积雪终日提前的主要影响因子。积雪日数对气温升高响应最敏感，其次是积雪深度、积雪初日和积雪终日；而降水量的变化对于该区域积雪参数的变化影响较小。

因此，随着全球气候变暖的持续，三江源地区的积雪日数和积雪深度持续减少，同时积雪初日持续推迟而积雪终日持续提前，这可能导致积雪在春季来临之前完全融化。冬季积雪融水是植物生长季开始时土壤水分的主要来源，同时也是初春时期河流径流的主要来源。积雪的提前融化会影响该区域植物的生长，这对于生态环境原本就脆弱的三江源地区而言是不利的。春季河流径流量的减少也会影响下游地区农作物的生长，对区域粮食安全造成威胁。