DOI: https://doi.org/10.1029/2025ef006419
تاريخ النشر: 2026-01-30
المؤلف: Mulun Na وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم هذه الورقة البحثية تقييمًا شاملاً لضعف المراعي الجبلية تجاه تغير المناخ والأنشطة البشرية، باستخدام بيانات الاستشعار عن بعد، وتوقعات المناخ CMIP6، ومؤشرات التعديل البشري. تستخدم الدراسة نماذج التعلم الآلي، بما في ذلك الغابات العشوائية، وزيادة التدرج القصوى (XGBoost)، وذاكرة طويلة وقصيرة الأجل (LSTM)، لتحليل ديناميات الغطاء النباتي من 2000 إلى 2021. تكشف النتائج الرئيسية أن حوالي 35.1% من المراعي ظلت مستقرة، و32.1% تحسنت، و32.7% تدهورت، مع تحديد نقاط تدهور كبيرة في هضبة التبت، ومرتفعات إثيوبيا، والأنديز. ومن الجدير بالذكر أن سلاسل الجبال في الشرق الأوسط أظهرت علامات على التحسن.
تشير التوقعات المستقبلية إلى تغييرات محدودة في الغطاء النباتي على نطاق عالمي بحلول عام 2050 عبر مسارات اجتماعية اقتصادية مشتركة (SSPs) مختلفة، ومع ذلك فإن الفجوات الإقليمية واضحة. من المتوقع أن تشهد هضبة التبت نموًا كبيرًا في الغطاء النباتي بسبب فترات نمو ممتدة وزيادة توفر الرطوبة، بينما قد تشهد مناطق أخرى، مثل الأنديز والجبال الصخرية، تغييرات طفيفة أو تراجعات طفيفة. تؤكد الدراسة على ضرورة وجود استراتيجيات مصممة إقليميًا تجمع بين التكيف مع المناخ وإدارة الأراضي المستدامة لتعزيز مرونة المراعي الجبلية، وبالتالي الحفاظ على خدماتها البيئية الحيوية للمجتمعات المحلية والتنوع البيولوجي العالمي.
مقدمة
تسلط المقدمة الضوء على الأهمية البيئية للمراعي الجبلية، التي تشكل حوالي 33% من المناطق العالمية للمراعي وتوفر خدمات النظام البيئي الأساسية مثل احتجاز الكربون، وتنظيم المياه، ودعم التنوع البيولوجي. هذه النظم البيئية مهددة بشكل متزايد بسبب تغير المناخ، الذي يتميز بالاحترار المعتمد على الارتفاع، وتغير أنماط الهطول، والأنشطة البشرية، بما في ذلك الرعي المفرط وتطوير البنية التحتية. تؤدي الضغوط المزدوجة إلى تحولات بيئية كبيرة، مثل الهجرة الصاعدة للأنواع ذات الارتفاع المنخفض وزيادة مخاطر الانقراض للنباتات الجبلية، بينما تقدم أيضًا فوائد محتملة مثل فترات نمو ممتدة وزيادة نمو النباتات بسبب ارتفاع مستويات CO₂ في الغلاف الجوي.
على الرغم من أن الدراسات السابقة ركزت على مناطق أو ضغوط معينة، إلا أن التقييمات العالمية الشاملة للمراعي الجبلية تحت تأثيرات المناخ والأنشطة البشرية لا تزال محدودة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال فحص التفاعلات بين تغير المناخ والأنشطة البشرية عبر ست مناطق جبلية تمثيلية باستخدام منهجيات متقدمة، بما في ذلك الاستشعار عن بعد والتعلم الآلي. تسعى الدراسة للإجابة على أسئلة حاسمة تتعلق بديناميات الغطاء النباتي، والدوافع الرئيسية للتغيير، والمسارات المستقبلية للمراعي الجبلية تحت سيناريوهات مناخية مختلفة، مما يوفر في النهاية رؤى وتوصيات للحفاظ عليها وإدارتها المستدامة في مواجهة التحديات البيئية.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة في التجارب، لضمان إمكانية إعادة الإنتاج. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. بشكل عام، يخدم هذا القسم لتوفير إطار شامل لفهم كيفية إجراء البحث والأساس الذي تم بناء عليه الاستنتاجات المستخلصة.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات المنفذة. يوضح نتائج الدراسة، مع تسليط الضوء على الاتجاهات البيانية المهمة، والتحليلات الإحصائية، وأي ارتباطات أو أنماط ملحوظة. عادةً ما تدعم النتائج بالرسوم البيانية، والجداول، أو المعادلات التي توضح النتائج بشكل كمي.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم بالنسبة للفرضيات المطروحة في بداية الدراسة. قد يقدمون مقارنات مع الأبحاث السابقة، مع التأكيد على كيفية مساهمة نتائجهم في المعرفة الحالية. بشكل عام، تعتبر النتائج حاسمة لفهم فعالية المنهجيات المستخدمة وصحة الاستنتاجات المستخلصة في الدراسة.
المناقشة
تستكشف هذه الدراسة ديناميات الغطاء النباتي في المراعي الجبلية التي تزيد عن 600 متر فوق مستوى سطح البحر عبر ستة أنظمة جبلية رئيسية في خمس قارات، باستخدام بيانات من Google Earth Engine ونماذج مناخية مختلفة. تستخدم التحليل بيانات NDVI التاريخية من MODIS والمتغيرات المناخية من ERA5 لتقييم اتجاهات الغطاء النباتي من 2000 إلى 2021، بينما يتم نمذجة التوقعات المستقبلية باستخدام بيانات CMIP6 تحت مسارات اجتماعية اقتصادية مشتركة (SSPs) مختلفة. تكشف النتائج أن حوالي ثلث المراعي الجبلية العالمية أظهرت قيم NDVI مستقرة، بينما أظهر ثلث آخر تحسنًا، وواجه الثلث المتبقي تدهورًا. ومن الجدير بالذكر أن مناطق مثل جبال الألب الأوروبية وسلاسل الجبال في الشرق الأوسط أظهرت استجابات نباتية مميزة للعوامل المناخية، مع ارتباطات إيجابية قوية بين NDVI ومتغيرات درجة الحرارة، وارتباطات سلبية مع تدفق الحرارة الكامنة وإجمالي التبخر.
تسلط الدراسة أيضًا الضوء على التأثير الكبير للتعديل البشري على ديناميات الغطاء النباتي، حيث ترتبط قيم مؤشر التعديل البشري العالمي (gHM) الأعلى بتدهور NDVI. تصنف التحليل اتجاهات NDVI بناءً على حجم الميل والأهمية الإحصائية، مما يكشف أن المناطق التي تتعرض لضغوط بشرية عالية هي أكثر عرضة لتجارب تدهور صحة الغطاء النباتي. يعزز دمج نماذج التعلم الآلي، بما في ذلك الغابات العشوائية، وXGBoost، وذاكرة طويلة وقصيرة الأجل (LSTM)، فهم ديناميات NDVI من خلال التقاط التفاعلات المعقدة بين العوامل المناخية والبشرية. يوفر هذا النهج الشامل رؤى قيمة حول دوافع التغيير في المراعي الجبلية، مما يبرز الحاجة إلى استراتيجيات إدارة مستهدفة للتخفيف من آثار تغير المناخ والأنشطة البشرية على هذه النظم البيئية الحساسة.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على الأداء التنبؤي لنموذج XGBoost، على الرغم من دقته العالية في التحقق. أولاً، فإن استخدام مؤشر التعديل البشري (gHM) كمتغير ثابت يفشل في حساب الديناميات الزمنية للتغيرات في المناظر الطبيعية البشرية، مما قد يقلل من تقدير جهود الحفظ الأخيرة وزيادة الضغوط البشرية التي تؤثر على مسارات الغطاء النباتي. قد تتجاهل الدقة الزمنية الخشنة لبيانات gHM، مع فترات زمنية تبلغ خمس سنوات، التغيرات السريعة في المناطق الديناميكية مثل مرتفعات إثيوبيا ومنحدرات الأنديز.
ثانيًا، تسلط الدراسة الضوء على التحديات التي تطرحها البيانات الرصدية النادرة في التضاريس الجبلية المعقدة، مما يعيق المعايرة الدقيقة للنموذج والتحقق منه. تعقد عوامل مثل التضاريس الوعرة، وتغطية السحب، ومشكلات الوصول كل من الملاحظات الساتلية والقياسات الأرضية. بالإضافة إلى ذلك، قد تلتقط الدقة الخشنة لبيانات المناخ تأثيرات أوروجرافية حرجة أو تدرجات مناخية معتمدة على الارتفاع ضرورية لنمذجة الغطاء النباتي، خاصة في المناطق ذات التغيرات السريعة في الارتفاع مثل الأنديز. أخيرًا، تقدم القيود في توقعات المناخ CMIP6 مزيدًا من عدم اليقين، خاصة فيما يتعلق بحدوث هطول الأمطار الشديد وتقلبات درجة الحرارة، مما قد يشوه تقديرات مدخلات مؤشر مساحة الأوراق (LAI). على الرغم من أن إطار عمل XGBoost-LSTM فعال في تحديد الأنماط المكانية الزمنية المعقدة، إلا أنه لا يحاكي ردود الفعل البيئية الرئيسية، مثل تكيف الغطاء النباتي وتفاعلات الأرض والغلاف الجوي، مما قد يؤدي إلى تحيزات منهجية في توقعات استجابة الغطاء النباتي تحت سيناريوهات المناخ المتطرفة. يجب أن تركز الأبحاث المستقبلية على تعزيز التغطية الرصدية ودمج بيانات استخدام الأراضي عالية الدقة لتحسين واقعية النموذج ومرونته في أنظمة المراعي الجبلية الحساسة للمناخ.
DOI: https://doi.org/10.1029/2025ef006419
Publication Date: 2026-01-30
Author(s): Mulun Na et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This research paper provides a comprehensive assessment of the vulnerability of mountain grasslands to climate change and human activities, utilizing remote sensing data, CMIP6 climate projections, and human modification indices. The study employs machine learning models, including Random Forest, eXtreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM), to analyze vegetation dynamics from 2000 to 2021. Key findings reveal that approximately 35.1% of grasslands remained stable, 32.1% improved, and 32.7% degraded, with significant degradation hotspots identified in the Tibetan Plateau, Ethiopian Highlands, and Andes. Notably, the Middle Eastern Mountain Ranges exhibited signs of improvement.
Future projections indicate limited global-scale vegetation changes by 2050 across various Shared Socioeconomic Pathways (SSPs), yet regional disparities are pronounced. The Tibetan Plateau is expected to experience substantial vegetation growth due to extended growing seasons and increased moisture availability, while other regions, such as the Andes and Rocky Mountains, may see minimal changes or slight declines. The study emphasizes the necessity for regionally tailored strategies that combine climate adaptation with sustainable land management to enhance the resilience of mountain grasslands, thereby preserving their critical ecological services for local communities and global biodiversity.
Introduction
The introduction highlights the ecological importance of mountain grasslands, which constitute about 33% of global grassland areas and provide essential ecosystem services such as carbon sequestration, water regulation, and biodiversity support. These ecosystems are increasingly threatened by climate change, characterized by elevation-dependent warming, altered precipitation patterns, and human activities, including overgrazing and infrastructure development. The dual pressures result in significant ecological shifts, such as the upward migration of low-altitude species and increased extinction risks for alpine plants, while also presenting potential benefits like extended growing seasons and enhanced plant growth due to rising atmospheric CO₂ levels.
Despite previous studies focusing on specific regions or stressors, comprehensive global evaluations of mountain grasslands under combined climate and human impacts remain limited. This research aims to fill this gap by examining the interactions between climate change and human activities across six representative mountain regions using advanced methodologies, including remote sensing and machine learning. The study seeks to answer critical questions regarding vegetation dynamics, primary drivers of change, and future trajectories of mountain grasslands under various climate scenarios, ultimately providing insights and recommendations for their conservation and sustainable management in the face of environmental challenges.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used for the experiments, ensuring reproducibility. The methodology encompasses the protocols followed for data collection, including any statistical analyses applied to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. Overall, this section serves to provide a comprehensive framework for understanding how the research was conducted and the basis for the conclusions drawn.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data trends, statistical analyses, and any observed correlations or patterns. The results are typically supported by figures, tables, or equations that illustrate the findings quantitatively.
In this section, the authors may also discuss the implications of their results in relation to the hypotheses posed at the beginning of the study. They may provide comparisons with previous research, emphasizing how their findings contribute to the existing body of knowledge. Overall, the results are crucial for understanding the effectiveness of the methodologies employed and the validity of the conclusions drawn in the study.
Discussion
This study investigates vegetation dynamics in mountain grasslands above 600 m a.s.l. across six major mountain systems on five continents, utilizing data from the Google Earth Engine and various climate models. The analysis employs historical NDVI data from MODIS and climate variables from ERA5 to assess vegetation trends from 2000 to 2021, while future projections are modeled using CMIP6 data under different Shared Socioeconomic Pathways (SSPs). The findings reveal that approximately one-third of global mountain grasslands exhibited stable NDVI values, while another third showed improvement, and the remaining third experienced degradation. Notably, regions such as the European Alps and Middle Eastern Mountain Ranges displayed distinct vegetation responses to climatic factors, with strong positive correlations between NDVI and temperature variables, and negative correlations with latent heat flux and total evaporation.
The study also highlights the significant influence of human modification on vegetation dynamics, with higher Global Human Modification Index (gHM) values correlating with NDVI degradation. The analysis categorizes NDVI trends based on slope magnitude and statistical significance, revealing that regions under high human pressure are more likely to experience declines in vegetation health. The integration of machine learning models, including Random Forest, XGBoost, and Long Short-Term Memory (LSTM), enhances the understanding of NDVI dynamics by capturing complex interactions between climatic and anthropogenic factors. This comprehensive approach provides valuable insights into the drivers of change in mountain grasslands, emphasizing the need for targeted management strategies to mitigate the impacts of climate change and human activities on these sensitive ecosystems.
Limitations
The study acknowledges several limitations that may affect the predictive performance of the XGBoost model, despite its high validation accuracy. Firstly, the use of the human modification index (gHM) as a static variable fails to account for the temporal dynamics of anthropogenic landscape changes, potentially underestimating recent conservation efforts and increasing human pressures that influence vegetation trajectories. The coarse temporal resolution of gHM data, with intervals of five years, may also overlook rapid changes in dynamic regions like the Ethiopian Highlands and Andean slopes.
Secondly, the study highlights the challenges posed by sparse observational data in complex mountainous terrains, which hinder accurate model calibration and validation. Factors such as steep terrain, cloud cover, and accessibility issues complicate both satellite observations and ground-based measurements. Additionally, the coarse resolution of climate data may inadequately capture critical fine-scale orographic effects and elevation-dependent climate gradients essential for vegetation modeling, particularly in regions with rapid elevation changes like the Andes. Lastly, limitations in CMIP6 climate projections introduce further uncertainty, particularly regarding precipitation extremes and temperature variability, which can distort leaf area index (LAI) input estimates. The hybrid XGBoost-LSTM framework, while effective in identifying complex spatiotemporal patterns, does not simulate key ecological feedbacks, such as vegetation acclimation and land-atmosphere interactions, which could lead to systematic biases in vegetation response predictions under extreme climate scenarios. Future research should focus on enhancing observational coverage and integrating high-resolution land-use data to improve model realism and resilience in climate-sensitive mountain grassland systems.