Changes in Qinghai Lake Area and Their Interactions with Climatic Factors

Ling, Xiaolu; Tang, Zeyu; Gao, Jian; Li, Chenggang; Liu, Wenhao

doi:10.3390/rs16010129

开放式访问第条

青海湖面积变化及其与气候因子的相互作用

¹

中国矿业大学环境与空间信息学院，徐州221000

²

中国矿业大学煤基温室气体控制与利用江苏省重点实验室，徐州221008

^*

信件应寄给的作者。

远程传感器。 2024,16(1), 129;https://doi.org/10.3390/rs16010129

收到的提交文件：2023年11月24日/修订日期：2023年12月20日/接受日期：2023年12月25日/发布日期：2023年12月28日

（本文属于特刊遥感在地表监测和农业应用中的集成)

下载

浏览地物

版本说明

摘要

:

湖泊在全球水循环中发挥着至关重要的作用，对改善区域生态环境和促进经济增长作出了重大贡献。在本研究中，基于Landsat TM 4-5、Landsat 7 ETM SLC-off和Landsat 8-9 OLI/TIRS C2 L2卫星的数据，采用归一化差值水指数（NDWI）方法获得青海湖的表面积。此外，利用欧洲中期天气预报中心（ECMWF）第五代陆面再分析数据集（ERA5-land），我们利用噪声辅助-多变量经验模式分解（NA-MEMD）和小波相干分析方法分析了湖泊面积和相关气候因素之间的相互作用。1986年至2022年，青海湖表面积总体呈扩张趋势，扩张速度为2.89公里²/a。降水量、温度和蒸散量（ET）也呈增加趋势，增加趋势最大的分别是秋季、夏季和夏季。1986年至2022年，青海湖地区没有表现出明显的周期性模式，而降雨量、温度和ET则出现了8至16个月的明显振荡。在2008年至2016年的湖区扩张阶段，湖面面积的变化被观察到，大约三个月后，降雨量和温度的变化就落后了。此外，发现ET的变化滞后于湖区的变化，表现出3-6个月的延迟。

关键词：

青海湖;气候因素;NA-MEMD公司;小波分析;蒸发蒸腾量

1.简介

湖泊在世界水系中的作用是深远的。它们约占地球陆地表面的1.8%，总面积约270万平方公里，是水循环的重要组成部分，仅次于冰川[1]. 湖泊大小的波动是区域和全球气候变化、生态变化和地质动力学的重要指标[2,三]. 通过仔细研究这些变化，我们可以深入了解区域水平衡，并了解外部因素——无论是自然因素还是人为因素——如何影响这些关键生态系统[4]. 这些研究对可持续发展、合理利用资源和保护湖泊具有重大意义，有助于更好地理解湖泊的科学和生态重要性[5,6,7].

青藏高原以其高平均海拔而著称，是世界上湖泊最密集的地区之一[8,9]. 该地区的动态，特别是地表面积和湖泊数量的变化，受到降水和冰川融化的严重影响[10,11,12,13,14,15]. TP的特点是空气干燥，蒸发强烈，在降水事件发生后，湖水迅速转移到大气中。因此，总磷表面积和湖泊数量与蒸散过程之间存在着显著的关系。ET在这个高海拔地区的水循环中发挥着关键作用，直接影响水文平衡，进而影响湖泊的大小和数量。

遥感技术在监测地表资源方面显示出明显的优势，因为它能够覆盖大区域，长时间采集数据，并提供实时信息[16]. 许多研究已经利用各种遥感数据源来调查不同地理位置湖泊表面区域的变化[17,18,19,20]. 在具体的研究工作中，提出了一种基于光谱特性识别水体的方法。一些方法利用中分辨率成像光谱仪（MODIS）数据的反射特性来分析水体光谱，这为监测湖泊水质提供了一种快速而简单的方法[21,22,23]. 通过将湖区的遥感数据与测深数据相结合，研究人员可以估算水量，这对水资源管理至关重要[24]. 标准化差值水指数（NDWI）和修正NDWI是通过利用卫星图像的绿色和近红外（NIR）波段来增强水体的存在，同时抑制陆地和云特征而开发的[25]. 合成孔径雷达（SAR）在绘制所有天气条件下和夜间的水体图方面特别有用[26]. 此外，还训练了随机森林、支持向量机或神经网络等算法，根据像素的光谱特性将其分为水像素和非水像素[27].

Ma等人[28]结合早期遥感数据和中巴资源卫星（CPRS）获取的数据，分析了1970年至2006年新疆若羌湖水面面积的变化趋势。结果表明，从2002年开始，湖面面积显著增加，这可能与多种环境因素有关，包括冰川融化、降雨量增加和生态水转移。基于归一化植被指数（NDVI），结合已建立的不同特征光谱表征方法，Li等人[22]2005年洞庭湖水体中观察到一种反复出现的模式，洞庭湖在冬春季节表现出规模较小的特征，而在夏秋季节其表面积显著扩大。卞等人通过分析塞林措湖1999年至2008年的面积变化，发现塞林措湖区以每年20%的速度向外扩张[29]. EI-Asmar等人使用归一化差值水指数（NDWI）和修正NDWI（MNDWI[30,31].

许多研究发现，湖泊面积的主要影响因素是人为因素和自然因素，其中自然因素主要是降水和ET[32,33,34]. TP上的湖泊也基本上遵循这种模式，降水量的增加和ET的减少导致湖泊面积和水量的扩大[35,36]. 另一方面，ET也是水循环中的一个过程，也是湖泊失水的重要原因。ET湖受许多因素的影响，如湖泊面积、水深、水质、水纯度和水色，以及太阳辐射、温度、湿度、压力、风速和降雨量[10,37].

本研究从1986年至2022年的多源遥感影像数据中精心提取了青海湖面积。通过将卫星观测数据与气象要素相结合，跨不同时间尺度进行了分析，这可能加深对湖泊与气象相互作用的理解。为了揭示气候变化与影响青海湖的人类活动之间相互作用的复杂机制，进行了详细的分析，以探索湖区与相关气象要素之间的关系。本研究的结果不仅对青海湖生态环境的保护、可持续发展和合理利用至关重要，而且为水资源评估和生态保护战略的制定提供了坚实的科学基础。

2.材料和方法

2.1. 研究区域

青海湖位于青藏高原东北部，是中国最大的内陆咸水湖。它长105公里，宽63公里，海拔3196米，占地面积4572.69公里²该湖平均水深21米，蓄水量1050亿米^三[38]. 青海湖位于纬度36.47°至37.28°和经度99.7°至100.9°之间，是该地区的一个显著特征。

图1图为青海湖盆地，显示了其海拔分布。高程数据来源于先进的星载热发射和反射辐射计全球数字高程模型（ASTER GDEM版本1）。该数据集来源于NASA Terra卫星上的METI ASTER成像设备拍摄的光学图像。2009年6月发布的数据集，预计为WGS84，分辨率为30米。

青海湖海拔约3200米，是全球最大、最高的咸水湖之一。周围的昆仑山和祁连山对该地区的水文和海拔梯度起着重要作用，其西北部的山峰海拔超过5000米。

2.2. 数据

2.2.1、。遥感数据

本研究中使用的1986年至2022年的湖泊图像数据来自多颗卫星：Landsat TM 4-5、Landsat 7 ETM SLC-off和Landsat 8-9 OLI/TIRS C2 L2，均来自美国地质调查局（USGS）。陆地卫星系列的重访周期约为16天。具体而言，获得了分辨率为30 m且每月云量覆盖率小于15%的数据集。

有关每个卫星的频带和相应参数的详细信息，请参阅表1这一数据收集过程确保了在指定的时间范围内获得高质量的图像，从而能够对多年来的湖泊动态和变化进行全面分析和研究。

2.2.2. 观测水文和气象数据

本研究中使用的验证数据来自青海省自然资源综合调查与监测研究所。这些验证数据包括湖泊边界信息，由专家根据其知识、专业知识和可用信息手动得出。这些人工解释的边界用作参考数据，以评估从遥感图像中自动提取的湖泊边界的准确性。

青海湖1956-2020年水文气象数据集来源于中国国家科学技术基础设施国家地球系统科学数据中心湖水科学分中心(http://www.geodata.cn/data/datadetails.html？dataguid=34628698652201&docid=2887，于2023年10月10日访问）[39]. 该综合数据集包含各种参数，如1967年至2020年夏舍站记录的湖面温度（LSWT）、1994年至2020年间夏舍站的湖冰厚度和冻结期数据、1956年至2020年度布哈站的流域径流数据、，1956年至2020年夏舍站水位记录、1956年到2020年历史湖区数据、1958年至2019年刚察站温度记录以及1958年到2019年期间刚察站降雨量数据。该综合数据集是在广泛的时间框架内进行青海湖水文和气象相关分析和评估的基础。

2.2.3. 气候因素

本研究中使用的降雨量和温度数据来自中国国家科技基础设施国家地球系统科学数据中心（可通过http://www.geodata.cn/data/datadetails.html？dataguid=164304785536614&docId=732和http://www.geodata.cn/data/datadetails.html？dataguid=192891852410344&docId=518于2023年5月6日访问）[40,41,42]. 这些数据集来源于30′气候研究单元（CRU）时间序列数据集和WorldClim气候学数据集，利用三角洲空间降尺度技术。利用1951年至2016年通过中国496个气象站收集的观测数据，对该数据集进行了评估和验证。该数据集的空间分辨率为0.5′（约1 km），时间分辨率为每月一次，覆盖1901年至2022年的中国。该数据集在研究中国气候变化现象方面的可靠性和实用性得到了认可[43,44,45].

本研究中使用的ET数据来自欧洲中期天气预报中心（ECMWF）第五代地表再分析数据集[46]（ERA5-土地）。与ERA5再分析数据集相比，该数据集以更高的分辨率提供了数十年来地表变量及其特征的广泛记录。ERA5-Land结合了物理原理，并将模型数据与全球观测数据合并，以创建一个综合数据集。它提供了1950年以来的详细记录，时间分辨率为1小时，空间分辨率为9公里，以简化高斯网格（TCo1279）表示，该网格已从CDS转换为0.1°×0.1°的规则经纬度网格。

在分析过程中，对1986年至2022年期间的所有月度数据进行了标准化。然而，值得注意的是，气象站的观测数据是每年记录的，最新可用数据一直到2020年。因此，在分析这些观测站的数据时，考虑的时间范围是1986年至2020年。

2.3. 方法

第2.3.1条。线性趋势分析

线性趋势分析是一种统计技术，用于评估和揭示数据集在特定时间范围内的模式或趋势。该方法涉及到为数据集拟合一条直线，以确定变量随时间变化的方向和程度。

本文使用公式（1）计算了不同时间段（1986–2022年、1986–2004年、2004–2022）的气候要素（如降雨量、温度和ET）的趋势。

{Y（Y）}_{我} = b条 t吨 + 一 (我 = 1,2, \dots, n个)

(1)

’的回归系数b条'代表气候要素的趋势率'Y（Y）'关于时间't吨’. A积极'b条'表示气候要素随时间的增加趋势，而为负值'b条'表示下降趋势。'的系数b条'是使用最小二乘法获得的，该方法通过最小化观测值和拟合线（或曲线）之间的平方差之和来确定最佳系数值。

2.3.2. 噪声辅助-多元经验模式分解（NA-MEMD）

Huang等人提出的经验模式分解（EMD）技术[47]是一种广泛应用于地球系统分析的数据驱动自适应方法。为了缓解EMD、Wu和Huang固有的模式混淆问题[48]设计了集成经验模式分解（EEMD），该分解融合了白噪声的统计特性，具有均匀的频率分布。

Rehman等人[49,50]介绍了多元EMD（MEMD）和噪声辅助-多元经验模式分解（NA-MEMD）。这些方法旨在分析多渠道数据，以便进行更全面的评估和解释。为了更全面地了解NA-MEMD，可以在Rehman等人的工作中找到详细信息[49].

2.3.3。小波相干分析方法

小波分析是一种有价值的工具，用于仔细研究生态信号随时间变化的相关性结构，特别是在表现出非平稳行为的系统中[51]. 在本研究中，利用小波变换（WT）、小波相干（WTC）和交叉小波变换（XWT）三种主要技术分析了青海湖表面积特征和相关气候因子[33,35,52,53,54].

公式重量表示如下：

W公司 T型 (α, τ) = \frac{1}{\sqrt{α}} \int_{- \infty}^{\infty} （f） (t吨) * ψ (\frac{t吨 - τ}{α}) d日 t吨

(2)

哪里

（f） (t吨)

表示要分析的信号，以及自变量

t吨

是一个时域信号，用作小波变换的输入。

ψ (\frac{t吨 - τ}{α})

表示缩放和移位后的母小波函数的变换形式。小波变换的结果表示为

W公司 T型 (α, τ)

，由两个参数组成，α和τ，分别表示用于调整小波函数的尺度和位置的尺度因子和平移因子。

WTC识别两个时间序列呈现联合变化的时间-频率区域。它将变量之间的总体相关性分解为尺度和位置特定的相关性，揭示了不同尺度和位置上的关系。另一方面，XWT确定了时间序列中周期强度保持一致的时间-频率区域[55]. 这些方法可以深入了解感兴趣的变量如何在不同尺度和时间间隔内相互作用。

2.4. 湖面面积提取

NDWI是一种遥感指数，用于检测水体的存在或监测一个区域内的水含量变化。NDWI是利用水和其他材料在某些光谱带中反射光的方式的差异，通过卫星或航空图像计算得出的。NDWI的公式包括用于提取水体表面的近红外（NIR）和绿色或蓝色光谱带[25,56]1986年至2022年。其原理是，水体的反射率高于其他材质，从而突出水体信息。公式如下：

N个 D类 W公司 我 = \frac{ρ_{G公司 第页 e（电子） e（电子） n个} - ρ_{N个 我 R（右）}}{ρ_{G公司 第页 e（电子） e（电子） n个} + ρ_{N个 我 R（右）}}

(3)

从陆地卫星图像中提取水体信息的过程涉及不同代卫星的特定波段：

陆地卫星TM 4-5：采用绿色、近红外（NIR）和短波红外（SWIR）波段。
陆地卫星7 ETM SLC-off：利用波段2、波段4和波段7。
陆地卫星8-9 OLI/TIRS C2 L2：利用波段3、波段5和波段7。

从图像中提取水体面积的步骤如下：

（i）: 将水体的原始遥感图像导入ArcGIS。利用地图代数中的光栅计算器，计算了归一化差值水指数（NDWI），生成了1986年至2022年的NDWI数据。
（ii）: 对上一步骤中获得的NDWI数据进行重新分类。将类别设置为2，断点值为0.1，将值0–1分配给1，并将其他值标记为Nodata。随后，通过将其转换为Nodata来处理任何丢失的数据。将重新分类的结果投影到表面上，以便进行可视化和评估。对结果文件的属性表进行了审查，以选择感兴趣的区域，从而可以确定相应年份的每个湖泊面积。日期和面积以平方公里为单位记录，精度为0.01。

值得注意的是，在NDWI计算期间，遥感图像可能会显示其他特征，如支流或周围小型水体。因此，在本研究中，根据实际值图像对NDWI处理图像结果进行裁剪，以获得最终的准确结果。

3.结果和讨论

3.1. 卫星衍生湖区数据评估

根据观测到的湖区数据和水位对卫星衍生的湖区测量值进行验证，取得了令人信服的结果（如图2). 对比分析显示，这两个数据集之间的线性相关性非常高。具体而言，卫星衍生的湖区数据与观测湖区数据之间的线性相关系数为0.99。这一异常高的相关系数突显了卫星衍生湖泊面积估算的准确性和可靠性。

此外，当根据水位测量值进行验证时，还建立了强线性相关性，相关系数为0.93。这表明卫星得出的湖泊面积与地面站记录的水位之间存在着牢固的关系。略低但仍然显著的相关系数增强了卫星数据准确捕捉湖区波动的能力。

3.2. 湖区的季节变化与气象要素

青海湖是典型的内陆咸水湖，自1986年以来，其面积发生了显著变化(图3a） ●●●●。1986年，该湖面积为4346.89公里²2004年达到最低程度，年收缩率为−6.21 km²(表2). 到2022年，青海湖面积扩大到222.32公里²大于1986年和309.40公里²大于2004年最低值，年增长率为4.98 km²和19.01公里²分别为(表2).

自1986年以来，青海湖地区呈现出总体扩张趋势，秋季增长最快，其次是夏季，春季和冬季扩张最慢。1986年至2004年期间，该湖经历了一个减少阶段，秋季减少最多，其次是春季和冬季，夏季减少最少。

2004年后，青海湖进入了持续增长期，与早期研究结果一致。秋季的生长速度最高，其次是春季和冬季，而夏季的生长速度最低。

1986年至2022年，年平均降水量呈逐渐上升趋势，夏季降水量最多，春秋次之，冬季最少(图3b）。然而，降水量的显著增加主要出现在秋季，其次是夏季。春季和冬季没有明显的增长趋势(表2).

温度和ET表现出相对一致的趋势，从最高到最低依次为：夏季>秋季>春季>冬季。在所有季节中，夏季最高，春季次之，秋季和冬季最低(图3c、 d）。值得注意的是，在1986年至2004年和2004年至2022年期间，冬季温度都有轻微下降的趋势。

图4显示了1986年至2022年（a）湖泊面积、（b）降雨量、（c）温度和（d）ET的差分积分。自1986年以来，湖泊面积的累积变化逐渐偏离平均值，呈现出持续下降的趋势，表明在此期间湖泊的规模不断缩小。然而，2011年左右，数据显示趋势发生了变化，表明湖泊面积的累积变化呈上升趋势。这表明青海湖的面积有可能扩大或恢复。这种波动可能受到各种因素的影响，包括气候变化、水文特征、人类活动以及该地区的其他环境因素。

从降雨量的角度来看，冬季降雨量变化不大。然而，在夏季和秋季，在1986年有所下降之后，1987年有所上升，随后从1989年开始持续下降。到1999年，降雨量达到最大偏差，然后又开始增加。这种降水变化模式类似于湖区的变化，似乎也表现出类似的趋势，尽管秋季和夏季的提前期分别约为五年和两年。虽然趋势相似，但降水量的变化似乎比湖区的变化早2-5年左右。这可能意味着湖区对降水变化的响应滞后，也可能表明其他复杂的环境因素也会影响这些趋势。

除冬季温度外，温度变化趋势与降水趋势一致。自1986年以来，春季、夏季和秋季的温度都呈现出先下降后上升的波动模式，在不同时间达到最低点：2001年春季，2004年至2005年夏季和秋季。冬季的温度与其他季节不同。从1986年开始，冬季温度相对于平均值增加，并在1994年之前一直在2°C左右波动。然而，1994年之后，冬季温差开始稳步下降，在2001年达到最低值，之后又开始向上波动。

秋季和夏季的ET差异显示出相反的趋势，这也适用于春季和冬季。2000年夏季和秋季ET之间完全相反的趋势消失了。随后，秋季ET表现出正差异值，而夏季ET表现出负差异。最大和最小差异分别出现在2014/2021年（秋季）和2014年（夏季）。

3.3. 湖区异常与气象要素

在地球系统科学领域，30年的周期通常被视为气候平均状态。对于涵盖1986年至2022年的本文，选择1991年至2020年的时间框架作为计算异常的气候平均状态。图5说明了湖区、降水、温度、LWST、ET和径流随时间变化的异常演变。

1987年湖区异常由正变为负，1989年至1991年短暂变为正。随后，它逐渐变回负值，在2004年达到最低值。从2012年起，它开始从消极向积极转变，并稳步增长。

降水和径流异常的演变反映了在湖区观察到的趋势，从1989年至2012年左右为负值，然后变为正值。表面温度和ET具有一致的特征，但在1994年、2003年和2014年出现了差异。这可能归因于ET不仅包括地表蒸发，还包括植被蒸腾。

与地表气温相比，LSWT的波动较小，这在一定程度上可以更准确地描述湖泊蒸发的影响。

3.4. 湖泊面积与气象要素的关系

表3表示青海湖地区与各种气象要素的相关系数。湖泊面积与降雨量的相关系数为0.41，而湖泊面积与径流的相关系数则为0.58。这两种相关性分别在95%和99%置信水平下通过了显著性检验。这表明湖泊面积与降雨量和径流之间存在适度的正相关关系。降雨量的相关性为0.41，表明与径流的相关性为0.58相比，降雨量的相关性是正的，但相对较弱。与径流的较高相关性可能表明径流的直接影响更大，这表明湖区的变化受径流而不仅仅是降水的影响更大。

降水与温度（0.41）和径流（0.59）之间存在中度正相关，而与冰深（-0.55）和冻结期（-0.68）之间则表现出较强的负相关。这表明降水量的变化可能与温度和径流有一定程度的关联，但与冰层深度和冻结期有较强的反向关系。

温度和湖面温度之间存在中度正相关（0.39），表明其变化具有一定程度的同步性。与ET的较高相关性表明，温度波动可能会显著影响水蒸气从湖面向大气的转移。此外，与冰深和冻结期显著负相关（分别为-0.58和-0.74）表明，随着温度的升高，冰深和结冰持续时间有减少的趋势。这种关系表明，较高的温度可能会导致冰层深度减少和冻结时间缩短，从而影响湖泊的水文特征。

这些相关系数表明了径流与冰深和冻结期之间的负关系。径流增加可能与冰层深度减少和冻结期缩短有关。此外，冰深和冻结期之间的负相关表明，冰深的减少可能伴随着较短的冻结期。

图6显示了青海湖地区及其相关气象要素之间的滞后相关系数。负号表示湖区主导气象要素，正号表示相反，数值表示持续时间（年）。总体而言，主导湖区的气象因子的相关系数高于反之，表明湖区主要受气象条件的影响。

径流和降水的相关系数持续变化，在降雨和径流领先1-2年时相关性最大，相关系数分别达到0.63和0.70。这些实质性数值表明，在一年或两年后，特定年份的降水和径流可能对湖区产生更大的影响。

ET与湖泊面积的相关性不明显。相比之下，温度与湖泊面积的相关系数呈现出先负后正的趋势。这表明，当前年份的湖泊面积可能会影响6年后的温度，而较大的湖泊面积则可能与较低的温度有关。此外，3-4年前的温度相关系数达到0.45，表明当年的温度可能在3-4年后影响湖区。

3.5。湖区和气象要素的年内变化

图7说明了1986年至2022年青海湖地区和相关气象要素的年内变化。从年内分布来看，考虑到非冰冻期，湖泊面积在4月份最小，在9月份最大。相应地，降雨量、温度和ET呈单峰分布，最大值分别出现在7月、7月至8月和7月至八月。

4月，湖区面积最小，降雨量、温度和ET均较低。尽管7月降雨量最高，但由于同时出现高温和ET，本月湖区并未达到最大值。9月是全年最大的湖区，伴随着相对较高的降水量和较低的温度以及ET。这表明青海湖地区受到降水量和ET的共同影响，9月是这些因素导致湖泊最大规模的时期。

图8描述了不同年代湖区和相关气象要素的年内变化。研究结果表明，2001年至2010年，湖泊面积最小，1991年至2000年次之，2011年至2020年达到峰值。这一趋势反映了季节性降水分布。几十年来，湖泊面积一直在4月达到最小值，9月达到最大值。以降水量大幅波动为标志的年份与湖区的重大变化相吻合。

降水量、温度和ET呈单峰分布，在所有几十年中，其峰值分别出现在7月、7月至8月和7月至八月。尽管湖泊面积与融雪之间存在明显的相关性，但青海湖地区4月和4月之前的平均温度仍保持在0°C以下，与较小的湖泊面积一致。从11月到12月，类似的趋势持续存在。

3.6. 每月湖泊面积和相关气象要素的NA-MEMD结果

图9,图10,图11和图12说明了NA-MEMD应用于1986年至2022年湖泊面积、降水量、温度和ET的月时间序列的结果。每个变量都会分解为七个分量（IMF1~7）以及一个残差项（IMF8）。剩余项封装了序列中包含的总体变化趋势。IMF1至IMF7描述了变量行为中的振幅变化和变化周期等特征，说明了从季节尺度到年代际尺度的波动。

湖区内的IMF1–IMF3数据可视为代表高频振荡，其特征是波动周期为4个月至12个月(图9). 这些波动的幅度在1990年、1996年、2015年和2020年显著达到峰值。IMF4的周期约为2.5年，而IMF5的周期约3.3年，在1990年、1996年和2020年达到最大振幅。

另一方面，低频振荡标度（IMF7）的平均观测周期约为16年。这一部分描绘了一种先减少后增加的趋势(图9). 从1986年到2004年，湖泊面积呈逐渐下降趋势。随后，它出现了显著的变化，其特点是迅速增加。分析IMF8显示，1986年至2022年，湖区整体呈上升趋势。1986年至1995年期间，增长最小，2000年至2020年期间，出现了大幅加速的增长趋势。

1986年至2022年青海湖地区月降水量的NA-MEMD分析得出了7个分量和一个残差项(图10). 一般来说，随着时间尺度的增加，振荡频率、振幅和变化周期呈下降趋势。从趋势项（IMF8）来看，从1986年到2022年，降雨量呈上升趋势，分为三个不同的阶段：不明显增长、显著增长和逐渐增长。

在1986年至1995年和2010年至2022年期间，降雨量几乎没有增加。相反，从1995年到2010年，观测到降雨量有明显的上升趋势。降水的高频振荡持续了12个月的时间，并保持在相对稳定的振幅范围内。然而，IMF3分量在1989年和1996年出现了最低值，2011年后振幅迅速增加。

低频振荡周期大约为3至5年，而IMF6的振荡周期约为6年，表明存在年代际振荡。值得注意的是，最小的振荡幅度出现在1992年至1998年期间。

1986年至2022年青海湖地区月气温的NA-MEMD分析显示，这一时期气温呈上升趋势(图11). 最初，从1986年到1995年，增长缓慢，随后在2022年之前迅速增长。温度与降水量表现出一致性，表现出约12个月的振荡周期，振幅相对稳定。值得注意的是，在1990年、2014年和2020年观察到了较大的振幅。

低频振荡持续了大约3至5年。此外，IMF7显示了大约10年的振荡周期，表明存在年代际振荡。有趣的是，2000年至2012年这段以高温值为特征的时期正好与振荡幅度最小的阶段相吻合。

1986年至2022年青海湖地区月ET的NA-MEMD分析显示，在此期间，ET呈逐渐上升的趋势(图12). 最初，ET经历了4个月至12个月的波动，在2014年和2020年观察到最高振幅，大约每隔1.8年出现一次。

IMF6和IMF5的振荡周期分别约为6年和3.3年，在1990年、2010年、2015年和2020年出现最大振幅。低频振荡量表（以IMF7为代表）的平均周期约为16年，呈现出先增加后减少的模式，振幅的减少不如增加明显。从1986年到2004年，ET呈现出显著的上升趋势，其特点是变化迅速。

3.7. 小波分析

湖区与气象要素之间的关系在不同的时间尺度上呈现出不同的模式。简单的线性相关分析可以深入了解整个研究期间这些要素之间的整体联系。然而，在有效剖析不同时空尺度上的相关性方面还存在不足。因此，本节使用小波相关分析来探索湖区、降水、气温和ET在周期性和局部时间尺度上的振荡特征。这种方法可以更细致地检查它们在不同时间维度上的相互依赖性。

图13和图14展示了湖区与降水、温度和ET之间的WT、WTX和XWT分析。横轴表示时间，纵轴表示周期，图例显示相关系数。实心粗黑线表示相关性通过95%显著性检验，而细黑线圆锥体描绘了小波影响圆锥体，限制了因边界效应而超出其界限的干扰。箭头方向表示湖区与各个变量之间的相位关系：右侧表示正相关或同时相关，左侧表示负相关或反向相关，向下表示湖区的波动早于相关变量的四分之一周期，而向上则表明，这种波动将在一个季度周期之后出现。

1986年至2022年间，青海湖地区总体上没有明显的周期性模式(图13a） ●●●●。然而，在特定年份，如1988年、1991年、1995年至1996年、2015年和2020年（跨越0-8个月），它确实表现出较弱的周期性特征。与此同时，降水量、温度和ET在8至16个月内表现出强劲的振荡，尽管降水量在某些年份表现出较弱的波动，在1999年、2008年和2015年约为0至4个月(图13b–d）。

WTC分析的结果揭示了1988-1992年和1993-1995年的特定共振周期，表明湖面面积、降水量、温度和ET在大约9-12个月的时间内呈现出显著的一致性(图14a、 c、e）。同样，在1999-2016年期间，出现了另一个共振阶段，大约在8-16个月左右振荡。这些主共振周期的相干度超过0.8，表明存在显著相关性。此外，降雨量、温度和ET还出现了其他高一致性峰值，出现在0-7个月和20-40个月的时间尺度上。

XWT分析的结果表明，在8-16个月的时间尺度内，湖区、降水、温度和ET之间存在显著的正相位关系。具体来说，在1987年至1992年期间，湖泊面积、温度和降雨量显示为向左箭头，而在2008年至2016年期间，它们显示为向上和向右箭头（如图14b、 d），分别表示反向相位和同步相位。

在湖泊面积增加阶段（2008年至2016年），湖泊面积的变化落后于降水量和温度的变化，滞后时间不到周期的1/4，大约为3个月。相反，湖面面积与ET之间的关系呈现出相反的模式。从1987年到1992年，它显示了一个不完整的水平向右箭头，而从2007年到2016年和2018年到2022年，它表示一个向左箭头(图14e） ●●●●。这意味着在这些期间，湖区和ET之间存在明显的延迟，ET滞后于湖区的变化，延迟时间约为3-6个月。

4.结论

本研究探讨了青海湖水面面积与相关气候因素之间的相关性。利用来自Landsat TM 4-5卫星、Landsat 7 ETM SLC离星和Landsat 8-9 OLI/TIRS C2 L2卫星的遥感图像数据，使用NDWI方法计算了1986年至2022年的青海湖表面积。这项调查进一步审视了湖区和各种气象要素之间的相互作用。

从1986年到2004年，青海湖的表面积出现了下降，随后在2022年之前出现了扩张趋势，其特征是以−6.21 km的速度萎缩²/a和随后以19.52 km的速度增长²/a。与这一趋势相一致的是，同期降雨量、温度和ET持续增加。
湖泊面积与降雨量和径流量之间存在中度正相关，与径流量之间的联系更强。降水量与气温和径流呈中度正相关，与冰层深度和冻结期呈强负相关。温度的升高与ET的增加密切相关，并可能导致冰层深度降低和冻结期缩短。
当径流和降水超前1-2年时，相关系数最高。这表明，在接下来的1年或2年里，特定年份的降水和径流经验可能对湖泊面积产生最显著的影响。温度与湖泊面积的相关系数呈现出先负后正的变化模式。这种模式表明，在不同的时间跨度上存在双向影响：给定年份的湖区可能会在大约6年后影响温度，而给定年份的温度可能会在2-3年的滞后后影响湖区。
青海湖9月最大，4月最小。相应地，降雨量、温度和ET峰值分别出现在7月、7-8月和7-8月。
湖面面积表现出不一致的周期性特征，特别是在某些年份（1988年、1991年、1995年至1996年、2015年和2020年），短期波动范围为0至8个月。降水量、温度和ET等气象因素存在明显的8-16个月振荡。值得注意的是，湖区的变化对降水量和温度的变化表现出3个月的延迟，而对ET的影响则表现出3-6个月的推迟。

由于卫星数据周期性和云量的限制，影响了不同月份和年份遥感图像的一致性，数据采集的这种可变性可能会影响结果的准确性和可靠性。此外，研究的重点主要是气象因素对湖区的影响，而其他重要影响，如人类活动，则没有得到彻底检查。未来的研究可以通过纳入更多不同的因素（包括人类影响）来解决这些差距，以便更全面地了解湖区的变化。

作者贡献

形式分析与调查，X.L.和Z.T。；概念化，X.L。；方法学，X.L.和J.G。；书面原稿编制，X.L.、J.G.和Z.T。；写作审核和编辑，X.L.、C.L.和W.L.所有作者都已阅读并同意手稿的出版版本。

基金

本研究由国家自然科学基金（42075114，41705101）、江苏省高等学校重点学科发展计划（140119001）和徐州市初级研发计划现代农业一般项目（KC21132）共同资助。

数据可用性声明

青海湖水文和气象数据（1956-2020）下载自中国国家科学技术基础设施国家地球系统科学数据中心湖水科学分中心(http://gre.geodata.cn，于2023年10月10日访问）。本研究中使用的降雨量和温度数据来自中国国家科技基础设施国家地球系统科学数据中心（可通过http://www.geodata.cn，于2023年5月6日查阅）。欧洲中期天气预报中心（ECMWF）第五代陆面再分析数据集（ERA5-land）下载自https://cds.climate.copernicus.eu/（2023年10月10日访问）。

致谢

我们要感谢编辑和匿名审稿人，他们的评论和建议非常周到，极大地改进了本文。感谢“中国国家科技基础设施国家地球系统科学数据中心”的数据支持(http://www.geodata.cn，于2023年5月6日查阅）。

利益冲突

作者声明没有利益冲突。

更正声明

这篇文章已经再版，对基金会做了一些小的修改。“中国国家科学基金”应为“中国国家自然科学”。这一变化并不影响文章的科学内容。

工具书类

纳西里，A。；Khosravian，M。；赞迪，R。；Entezari，A。；Baaghide，M.伊朗塔什克Bakhtegan，利用遥感技术分析与气候参数相关的Fars省水域的物理变化。埃及。J.遥感。 2023,26，851–861页。[谷歌学者] [交叉参考]
Wang，L.M。；王J.X。；王，L.C。；Zhu，L.P。；Li，X.G.藏内高原湖泊蒸发及其对流域蒸散和湖泊蓄水的影响。水资源。物件。 2023,59，e2022WR034030。[谷歌学者] [交叉参考]
Qu，L.L。；刘，Y.S。；李，Y.R。；王J.Y。；Yang，F。；Wang，Y.S.可持续利用沟壑农业用地和水资源实现可持续发展目标：中国黄土高原的案例研究。土地退化。开发。 2023,34，4935–4949。[谷歌学者] [交叉参考]
Wang，Y.H。；Yang，K。；贾，T.F。；罗勇。过去30年来自然因素和土地利用变化对中国主要湖泊地区变化的影响。Ecol公司。印度。 2023,155, 111005. [谷歌学者] [交叉参考]
吴振华。；冯J.X。；乔，F.L。；Tan，Z.M.用于分析大型时空数据集的快速多维集合经验模式分解。菲洛斯。事务处理。R.Soc.A公司 2016,374, 20150197. [谷歌学者] [交叉参考] [公共医学]
Xu，J.Y。；Wang，Y.X。；M.J.滕。；王，P.C。；严，Z.G。；Wang，H.湖泊湿地生态系统服务在多湖泊特大城市中表现出显著的时空异质性和规模效应。Ecol公司。印度。 2023,154, 110843. [谷歌学者] [交叉参考]
马英杰。；Li，X.Y。；刘，L。；杨，X.F。；Wu，X.C。；王，P。；林，H。；张，G.H。；Miao，C.Y.青藏高原东北部青海湖流域沿海拔梯度的蒸发蒸腾及其主要控制因素。J.水文学。 2019,575, 257–268. [谷歌学者] [交叉参考]
刘，C。；Zhu，L.P。；王J.B。；Ju，J.T。；马，Q.F。；寇，Q.Q.基于遥感模型反演的2000年至2019年青藏高原湖泊盐度下降。国际期刊数字。地球 2023,16, 2644–2659. [谷歌学者] [交叉参考]
Pang，S.Y。；Zhu，L.P。；Yang，R.M.西藏高原不同地区湖泊面积和水量的年际变化及其对气候变化的响应。前面。地球科学。 2021,9, 738018. [谷歌学者] [交叉参考]
M.J.保罗。；科菲，R。；斯坦普，J。；Johnson，T.《水质对气温和降水变化的响应评论1：流量、水温、盐水入侵》。J.Am.水资源。协会。 2019,55, 824–843. [谷歌学者] [交叉参考]
Wang，W.S。；Sun，医学博士。；Che，Y.J。；姚晓杰。；张，M.J。；Niu，S.T.东昆仑微气象分析和冰川消融模拟。水 2023,15, 3517. [谷歌学者] [交叉参考]
李，H。；罗，Z.L。；Xu，Y。；朱S.Y。；陈，X。；耿，X.Z。；肖，L。；Wan，W。；Cui，Y.K.一个基于遥感的区域数据集，大约40年来，基于谷歌地球引擎揭示了乍得湖的水文异步性。J.水文学。 2021,603，126934页。[谷歌学者] [交叉参考]
任，L。；X.Y.Xiang。；Ni，J.J.基于遥感图像的鄱阳湖水域面积与水位关系研究。Lahs-Aish出版物。 2011,350, 660–665. [谷歌学者]
S.C.J.帕尔默。；Kutser，T。；Hunter，P.D.《内陆水域遥感：挑战、进展和未来方向》。遥感环境。 2015,157, 1–8. [谷歌学者] [交叉参考]
刘，T.Y。；戴，J.J。；Zhao，Y.Y。；田，S.F。；聂，Z。；Ye，C.Y.使用遥感技术监测气候变化和冰川融化导致的盐湖变化：西藏扎布耶盐湖的见解。海洋石油杂志。利莫尔。 2023,41, 1258–1276. [谷歌学者] [交叉参考]
Wulder，文学硕士。；北卡罗来纳州Coops卫星：开放地球观测。自然 2014,513, 30–31. [谷歌学者] [交叉参考]
Gao，H.L.大型湖泊和水库的卫星遥感：从海拔和面积到蓄水。威利跨学科。版次-水 2015,2, 147–157. [谷歌学者] [交叉参考]
梁，Y.T。；温，X.F。；刘克强。；Tan，D.B。；基于遥感技术的洪湖近40年水面面积动态变化及其驱动力分析。2013年1月16日至17日在中国香港举行的2013年第五届测量技术和机电一体化国际会议记录；第500–506页。[谷歌学者] [交叉参考]
Liu，X.L。；石，Z.T。；黄，G.C。；Bo，Y.C。；Chen，G.J.基于时间序列遥感数据的内陆湖表面积变化主导因素识别：人为活动还是自然事件？远程传感器。 2020,12, 612. [谷歌学者] [交叉参考]
张，G。；谢浩。；Kang，S。；Yi，D。；Ackley，S.F.使用ICESat测高数据监测青藏高原湖泊水位变化（2003-2009年）。远程传感器环境。 2014,150, 82–95. [谷歌学者] [交叉参考]
Kameyama，S。；张杰。；王，Q。；Xu，K。；加藤，T。；Watanabe，M.使用Terra/MODIS数据估算洞庭湖水位和水量的方法。ACTA地质。罪。 2004,59, 88–94. [谷歌学者]
李，J。；李，J。；黄，S。；Zuo，C.Terr/MODIS时间序列数据在Lke水域变化动态监测中的应用。《自然资源杂志》。 2009,24, 923–933. [谷歌学者]
吴，M。；张伟。；王，X.J。；Luo，D.G.MODIS卫星数据在中国巢湖水质参数监测中的应用。环境。莫尼特。评估。 2009,148, 255–264. [谷歌学者] [交叉参考] [公共医学]
克雷托克斯，J.F。；Abarca-del-Río，R。；Berge-Nguyen，M。；阿尔森，A。；Drolon，V。；克洛斯，G。；Maisongrande，P.从空间监测湖泊水量。Surv公司。地球物理学。 2016,37, 269–305. [谷歌学者] [交叉参考]
McFeeters，S.K.在描述开阔水域特征时使用归一化差值水指数（NDWI）。《国际遥感杂志》。 1996,17, 1425–1432. [谷歌学者] [交叉参考]
尼尔梅杰，J。；莫塔，M。；Wetzel，H.-U.使用TerraSAR–X数据估算中亚Inylchek冰川表面运动学的时空变化。远程传感器。 2014,6, 9239–9259. [谷歌学者] [交叉参考]
蔡，X。；甘·W。；魏杰。；X.赵。；王，X。；Chen，X.优化基于遥感的大型湖泊湿地水平区域建模：鄱阳湖案例研究。IEEE J.选择。顶部。申请。地球目标遥感。 2015,8, 471–479. [谷歌学者] [交叉参考]
马，M。；王，X。；Veroustraete，F。；Dong，L.1998年至2005年期间艾比湖面积的变化。《国际遥感杂志》。 2007,28, 5523–5533. [谷歌学者] [交叉参考]
卞，D。；卞，B。；La，B。；Wang，C.Y。；Chen，T.1975–2008年塞林公司水位对气候变化的响应。ACTA地质。罪。 2010,65, 313–319. [谷歌学者]
埃尔·阿萨马尔，H.M。；在此，M.E.利用遥感技术对尼罗河三角洲东部海岸带进行变化探测。环境。地球科学。 2011,62, 769–777. [谷歌学者] [交叉参考]
蒋Z.Y。；王J.R。；Cai，X.B。；Zhao，J.L。；张，H.W。；Zhang，Y。；Wang，C.S.哈拉湖水文特征变化及其对气候变化的响应，1987-2018年。远程传感器。 2022,14, 2886. [谷歌学者] [交叉参考]
阿兹纳雷兹，C。；Jimeno-Sáez，P。；洛佩斯·巴列斯特罗斯，A。；帕切科，J.P。；Senent-Aparicio，J.使用SWAT模型和遥感数据分析气候变化对Laguna del Sauce（乌拉圭）水文生态系统服务的影响。远程传感器。 2021,13, 2014. [谷歌学者] [交叉参考]
Koebsch，F。；朱拉辛斯基（G.Jurasinski）。；科赫，M。；霍夫曼，J。；Glatzel，S.控制永久淹没沼泽生长季节生态系统甲烷交换的多尺度时间变化。农业。对于。美托洛尔。 2015,204, 94–105. [谷歌学者] [交叉参考]
R.R.巷。；戴，J.W。；沙弗，G.P。；亨特，R.G。；戴，J.N。；木材，W.B。；Settoon，P.《东乔伊斯湿地的水文和水量预算分析：过去的历史和未来的展望》。Ecol公司。工程师。 2016,87, 34–44. [谷歌学者] [交叉参考]
德索萨，A.M.L。；新墨西哥州卡斯特罗。；Canales，F.A。；Louzada，J.A.S。；Vitorino，医学博士。；de Souza，E.B.亚马逊东部蒸散量的多尺度变化。大气。科学。莱特。 2010,11, 192–198. [谷歌学者] [交叉参考]
潘，X。；Liu，S.Y。；Tansey，K。；风扇，X.W。；杨，Z。；袁杰。；王，Z.C。；Yang，Y.B。；Liu，Y.B.中国最大淡水湖湿地蒸散量的时空变化及其与环境因素的联系。J.水解-注册螺柱。 2023,47, 101424. [谷歌学者] [交叉参考]
托雷斯-巴特洛，J。；马蒂·卡多纳，B。；Pillco-Zolá，R.绘制缩小的Poopo湖流域的蒸发蒸腾量、植被和降水趋势图。远程传感器。 2020,12, 73. [谷歌学者] [交叉参考]
岳，H。；刘，Y。；王，H.R。；张伟，青藏高原典型湖泊水位和面积动态分析。2016年IEEE国际地球科学与遥感研讨会（IGARSS）会议记录，2016年7月10日至15日，中国北京；第6807-6810页。[谷歌学者] [交叉参考]
在线可用：http://www.geodata.cn/data/datadetails.html？dataguid=34628698652201&docid=2887（2023年10月10日访问）。
彭，S.Z。；丁，Y.X。；刘伟忠。；Li，Z.1km中国1901年至2017年的月温度和降雨量数据集。地球系统。科学。数据 2019,11, 1931–1946. [谷歌学者] [交叉参考]
在线可用：http://www.geodata.cn/data/datadetails.html？dataguid=164304785536614&docId=732（2023年5月6日访问）。
在线可用：http://www.geodata.cn/data/datadetails.html？dataguid=192891852410344&docId=518（2023年5月6日访问）。
Ge，W.Y。；韩强强。；张德杰。；Wang，F.中国西南云贵高原干旱对植被物候和生产力的不同影响。Ecol公司。印度。 2021,127, 107743. [谷歌学者] [交叉参考]
牛，L。；张，Z.F。；彭，Z。；Liang，Y.Z。；刘，M。；江义忠。；魏杰。；Tang，R.L.确定中国281个城市的地表城市热岛驱动因素及其空间异质性：基于多尺度地理加权回归的实证研究。远程传感器。 2021,13, 4428. [谷歌学者] [交叉参考]
于，Z。；Ciais，P。；Piao，S.L。；霍顿，R.A。；卢，C.Q。；Tian，H.Q。；Agathokleous，E。；Kattel，G.R。；Sitch，S。；高尔，D。；自1980年以来，森林扩张主导了中国的陆地碳汇。国家公社。 2022,13, 5374. [谷歌学者] [交叉参考]
在线可用：https://cds.climate.copernicus.eu/cdsapp#!/数据集/再分析-era5-land-monthly-man？tab=概述（2023年4月8日访问）。
黄，N.E。；沈，Z。；Long，S.R。；吴，M.C。；Shih，E.H.等人。；郑琦。；东，C.C。；Liu，H.H.非线性和非平稳时间序列分析的经验模式分解和希尔伯特谱。程序。R.Soc.伦敦。 1998,454, 903–995. [谷歌学者] [交叉参考]
吴，Z。；Huang，N.E.集成经验模式分解：一种噪声辅助数据分析方法。高级自适应。数据分析。 2009,1, 1–41. [谷歌学者] [交叉参考]
北卡罗来纳州雷赫曼。；Mandic，D.P.多元经验模式分解的滤波器组特性。IEEE传输。信号处理。 2011,59, 2421–2426. [谷歌学者] [交叉参考]
Rehman，N。；Mandic，D.P.多元经验模式分解。物理学。工程科学。 2010,466, 1291–1302. [谷歌学者] [交叉参考]
刘，Q。；Hao，Y.H。；Stebler，E。；田中，N。；Zou，C.B.植物功能类型对降水和土壤水分一致性的影响：小波分析。地球物理学。Res.Lett公司。 2017,44, 12197–12207. [谷歌学者] [交叉参考]
高，H。；Jin，J.X.使用改进的Mann-Kendall检验分析1981年至2018年的水量变化。远程传感器。 2022,14, 2009. [谷歌学者] [交叉参考]
于文忠。；傅，公元。；邵，L。；刘，H.T。；姚明，X。；Chen，T.L。；张海霞。刚察县湖盆地区气候变化特征。Cmc-计算。马特。Contin公司。 2022,73，363–379页。[谷歌学者] [交叉参考]
Zhu，D.T。；Cheng，X.J。；Li，W.H。；牛，F.J。；Wen，J.H.中国漓江中下游水质指标特征及其对气候条件的响应。环境。莫尼特。评估。 2023,195, 396. [谷歌学者] [交叉参考]
格林斯特德，A。；摩尔，J.C。；Jevrejeva，S.交叉小波变换和小波相干在地球物理时间序列中的应用。非线性过程。地球物理学。 2004,11, 561–566. [谷歌学者] [交叉参考]
Xu，H.用修正归一化水指数（MNDWI）提取水体信息的研究。J.远程传感器。 2005,9, 589–595. [谷歌学者]

图1。青海湖流域的位置及其海拔分布。

图2。利用遥感湖泊面积评价(一)观察到的湖泊面积和(b条)湖泊水位。

图3。的演变和趋势(一)青海湖地区(b条)降雨量(c（c）)温度，以及(d日)1986年至2022年，不同季节的ET变化。MAM、JJA、SON和DJF分别指春季、夏季、秋季和冬季。

图3。的演变和趋势(一)青海湖区(b条)降雨量(c（c）)温度，以及(d日)1986年至2022年不同季节的ET变化。MAM、JJA、SON和DJF分别指春季、夏季、秋季和冬季。

图4。的差分积分(一)湖区(b条)降水(c（c）)温度，以及(d日)1986年至2022年。

图4。的差分积分(一)湖区(b条)降水(c（c）)温度，以及(d日)美国东部时间1986年至2022年。

图5。异常的演变(一)湖区(b条)降水(c（c）)温度(d日)湖面水温(e（电子）)ET和(（f）)径流随时间变化。图表中的红色表示负异常，而蓝色表示正异常。

图6。青海湖地区及其相关气象要素之间的滞后相关系数。

图7。1986-2022年青海湖地区及相关气象要素的年内变化。

图8。青海湖地区及相关气象要素在不同时间段的年内变化。

图9。1986年至2022年每月湖泊面积时间序列的NA-MEMD结果。

图10。1986年至2022年月降雨量时间序列的NA-MEMD结果。

图11。1986年至2022年逐月温度时间序列的NA-MEMD结果。

图11。1986年至2022年逐月气温时间序列的NA-MEMD结果。

图12。1986年至2022年每月ET时间序列的NA-MEMD结果。

图13。小波分析(一)青海湖地区(b条)降雨量(c（c）)温度，以及(d日)东部时间。

图13。小波分析(一)青海湖区(b条)降雨量(c（c）)温度，以及(d日)东部时间。

图14。湖区与气象因子的相互作用在不同的时间尺度上存在差异。

表1。陆地卫星TM 4-5、陆地卫星7和陆地卫星8-9 OLI/TIRS的波段和相应参数。

陆地卫星TM 4-5		陆地卫星7		陆地卫星8-9
乐队	波长（微米）	乐队	波长（μm）	乐队	波长（μm）
波段1-蓝色	0.45–0.52	波段1-蓝色	0.45–0.52	Band1-沿海气溶胶	0.43–0.45
波段2-绿色	0.52–0.60	波段2-绿色	0.52–0.60	波段2-蓝色	0.45–0.51
带状3-红色	0.63–0.69	带状3-红色	0.63–0.69	波段3-绿色	0.53–0.59
波段4-NIR	0.76–0.90	波段4-NIR	0.77–0.90	Band4红色	0.64–0.67
波段5-SWIR1	1.55–1.75	波段5-SWIR1	1.55–1.75	波段5-NIR	0.85–0.88
波段6-LWIR	10.40–12.50	波段6 TIRS	10.40–12.50	频带6-SWIR1	1.57–1.65
波段7-SWIR2	2.08–2.35	波段7-SWIR2	2.08–2.35	波段7-SWIR2	2.11–2.29
		波段8-全色	0.52–0.90	波段8-全色	0.50–0.68
				乐队9-Cirrus	1.36–1.38
				频带10-TIRS1	10.60–11.19
				频带11-TIRS2	11.50–12.51

表2。1986年以来湖泊面积变化趋势与气候因素。

时期	面积（km²/年份）			月降雨量（mm/年）			温度（°C/年）			每月ET（mm/年）
时期	1986年至2022年	1986–2004	2004–2022	1986–2022	1986–2004	2004–2022	1986–2022	1986–2004	2004–2022	1986–2022	1986年至2004年	2004–2022
年度	4.984	−6.213	19.010	0.118	0.053	−0.129	0.026	0.030	0.023	0.029	0.074	0.002
MAM公司	4.862	−6.212	19.205	0.044	0.005	0.078	0.035	0.060	0.014	0.049	0.097	0.006
JJA公司	5.242	−5.747	19.408	0.101	−0.486	0.040	0.037	0.040	0.051	0.068	0.095	0.205
儿子	5.426	−6.724	19.607	0.322	0.702	−0.613	0.026	0.053	0.035	−0.020	0.090	−0.231
DJF公司	4.405	−6.169	17.822	0.005	−0.007	−0.021	0.007	−0.032	−0.008	0.021	0.015	0.026

表3。青海湖地区与各种气象要素的相关系数。标有*和**的值表示相关系数分别在95%和99%置信水平下通过了显著性检验。

所有年份	湖区	降雨量	温度	LSWT公司	电子技师	径流	冰层深度	冻结期
湖区	1	0.41 *	0.20	0	0.12	0.58 **	−0.37	−0.38
降雨量		1	0.41 *	0.27	0.17	0.59 **	−0.55 *	−0.68 **
温度			1	0.39 *	0.62 **	0.39 *	−0.58*	−0.74 **
LSWT公司				1	0.16	0.33	−0.31	−0.36
电子技师					1	0.23	−0.29	−0.16
径流						1	−0.50 *	−0.63 *
冰层深度							1	−0.42*
冻结期								1

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

Ling，X。；唐，Z。；高杰。；李，C。；刘，W。青海湖面积变化及其与气候因素的相互作用。远程传感器。 2024,16, 129.https://doi.org/10.3390/rs16010129

AMA风格

Ling X，Tang Z，Gao J，Li C，Liu W。青海湖面积变化及其与气候因素的相互作用。遥感. 2024; 16(1):129.https://doi.org/10.3390/rs16010129

芝加哥/图拉宾风格

凌、小璐、唐泽瑜、高建、李成钢和刘文浩。2024.“青海湖地区的变化及其与气候因素的相互作用”遥感16，编号1:129。https://doi.org/10.3390/rs16010129

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单