黄河流域横跨中国北方东、中、西三大地理阶梯，是重要生态屏障的密集区和“一带一路”陆地的重要地带，而黄河含沙量大的问题一直是科学界关注的焦点^［1-3］。黄河上中游穿越众多沙漠和沙漠化区域，沿岸风沙运动活跃，大量沙物质输入河道和水库^［4-6］，造成严重的泥沙淤积危害^［7］。龙羊峡水库地处青藏高原东北缘的共和盆地，风力强劲，周围沙地连片，每年有大量风沙涌入水库^［8］，特别是在气候变暖的背景下，该区风沙活动可能持续加剧，给水库带来安全隐患，进一步威胁黄河的生态安全^［9］。习近平主席在青海考察调研时指出：“生态是我们的宝贵资源和财富，要守护好自然生态，保育好自然资源，维护好生物多样性，积极推进黄河流域生态保护和高质量发展”。因此，准确评估龙羊峡库区风沙活动及潜在风沙入库量对防治黄河上游梯级水库的风沙灾害和水沙调控均具有重要的环境、生态和经济学意义。

20世纪80年代末已有学者对风沙入黄量^［10-11］和风沙入库量^［8，12］进行估算，其中风沙流入库/入黄量主要基于地面气象观测数据建立经验公式，再结合积沙数据估算输沙通量^［13-17］，但这种基于单点同步测量和移步通量观测数据计算的风沙流入库/入黄量误差大且效率低，使得在低温、高海拔和大尺度区域准确评估风沙流入库/入黄量存在较大困难。21世纪前后在风蚀模型的支持下，风沙流入库/入黄量的估算取得了新的进展。基于对1998年美国农业部（USDA）开发的RWEQ（Revised Wind Erosion Equation）模型^［18］和2001年Shao^［19］提出的IWEMS（Integrate Wind Erosion Modelling System）模型的修正，李振全^［20］评估了石嘴山-巴彦高勒河段的风沙入黄量，结果显示该模型经过实地观测数据的修正可以反映风沙入黄特征。但此种计算方法繁杂，需要大量元数据及厘定参数以建立多个经验公式，因此并未得到广泛应用。而随着深空探测时代的到来，大量空间数据的不断涌现为地球科学的研究奠定了坚实的基础^［21-22］，同时拓宽了风沙入库/入黄的研究思路和方法。何京丽等^［23］利用三维激光扫描仪得到的数字高程模型（DEM）数据，测量了一个月内乌兰布和沙漠的风沙流入黄和坍塌入黄量。该方法计算精度较高，但三维激光扫描仪不仅昂贵，费时费力，且存在对高密度植被无法穿越、受潮湿环境影响较大、数据处理对软硬件要求较高等不足，因此使用三维激光扫描仪来计算风沙入黄量同样未被普及。

准确计算风沙流入库/入黄量的关键在于能否直接获得区域尺度的输沙通量，然而传统的剖面多点同步观测法^［10］和异步法^［12］在观测时仅通过测量有限个样本点的输沙通量来上推到整个区域，并不能获得区域输沙通量的准确值，因此所计算的风沙流入库/入黄量存在较大的误差。光学影像配准与关联（Co-registration of Optically Sensed Images and Correlation， COSI-Corr）技术的出现为长时空尺度区域输沙通量的测算提供了契机。基于高效率、高精度且可以应用于大时空尺度范围的优点，COSI-Corr技术已广泛地应用于地震^［24-25］、滑坡^［26］、海浪波速^［27］和沙丘移动^［28-29］等地貌演变和地质灾害的监测与研究中。Vermeesch等^［30］和Scheidt等^［31］利用COSI-Corr技术将沙丘的整体移动和风沙流联系在一起，实现大时空尺度范围内输沙通量的计算。邵梅等^［32］的实地检验结果证明COSI-Corr技术在大时空尺度的沙丘移动监测中具有绝对的优势。

据此，本文首先运用COSI-Corr技术反演了1987—2019年龙羊峡库区沙丘的历史移动特征，并在无人机摄影与三维重建技术（Unmanned aerial vehicles-Structure from Motion， UAV-SfM）的支持下对COSI-Corr计算的沙丘移动速率及基于ASTER GDEM数据采用插值法提取的沙丘高度进行了精度检验，最后结合卫星影像测量的区域有效输沙宽度重新评估了过去32 a龙羊峡库区的潜在风沙入库量时空变化特征，为水库的风沙灾害评估与防治提供必要的基础数据和理论支撑。

龙羊峡水库位于青海省共和盆地内，35°19′52″—36°33′19″N、100°12′02″—101°29′34″E，长达106 km，库容247亿 m³，自东北向西南蜿蜒于本区中部，总面积7 721.22 km²，是中国第二大水库^{［10，33］}。库区海拔2 500—3 600 m，年降水量311—402 mm，多年平均蒸发量远大于降雨量，属高原温带半干旱草原和干旱荒漠草原的过渡性生物气候亚带。整个研究区除周边山地和下切河谷外，较为平坦，略呈波状起伏，区内植被以干旱、半干旱的温性草原类、温性荒漠草原类、温性荒漠类植被为主，植被覆盖度低，土地沙漠化普遍发生^［34］，塔拉滩分布的大片流动沙丘和活化风蚀坑所提供的沙物质，在强劲的风力作用下涌向库区^［35-36］，对河道健康和库区安全造成巨大的隐患（图1）。

基于ENVI平台支持的COSI-Corr技术，利用共和盆地1987、1995、2003、2013、2019年5期Landsat 卫星影像，监测了库区沙丘的历史迁移特征，在ArcGIS平台支持下使用ASTER GDEM数据提取沙丘高度以计算区域输沙通量，最后基于Landsat卫星数据测量各区域有效输沙宽度，估算龙羊峡库区潜在风沙入库量。

本研究在COSI-Corr中基于回溯算法对龙羊峡库区沙丘历史移动速率和方向进行了监测，元数据参数见表1。为了确定COSI-Corr计算中的最佳关联窗口，共设置10组对比实验，采用信噪比（SNR）和手动数字化测量的沙丘移动距离与COSI-COrr计算的沙丘移动距离之差来衡量最佳的关联窗口尺寸^［30-32］，根据实验结果使用32×16关联窗口来完成沙丘移动特征的监测和后续计算。COSI-Corr其他关联参数设置：步长设为1，信噪比阈值设为0.9，鲁棒性迭代为3。经过COSI-Corr的关联计算，最后得到1987—1995年、1995—2003年、2003—2013年和2013—2019年区域4期沙丘位移。

由于原始影像之间存在光学差异（影像的太阳高度角、方位角、云量、卫星姿态差异等），因此COSI-Corr计算结果存在噪声和误差。为了更准确地探测沙丘的位移，需对原始关联结果进行后处理以降低噪声和误差。后处理步骤包括^{［31，37-38］}：①使用信噪比（SNR）值小于0.9的像元作为掩膜筛选原始关联结果；②对上述筛选结果以速率1 m·a^-1为阈值进行二次筛选；③采用角密度量级过滤器对噪声进行过滤，角密度（R）值设为0.5。具体计算过程可参考文献［39］。

沙丘年均移动速率计算公式如下：

式中：v表示沙丘年均移动速率，单位m·a^-1；d表示沙丘移动位移，单位m；t表示沙丘移动的时间，单位a。

由于COSI-Corr仅能输出4个方位（东/西，南/北）的位移结果，直接按照反函数求解只能得到 -90°—90°的角度值，而沙丘移动方向范围为0°—360°，因此需要使用公式对角度值进行转换。基于对角度的象限分析，本文提出了沙丘移动方向的转换公式，具体计算方法如下：

首先，分象限计算沙丘移动方向：

式中：j表示象限，j=1，2，3，4；θj'表示经过后处理的某一象限中的角度值。

然后，根据转换公式（3）求解沙丘移动方向：

式中：θ₁，θ₂，θ₃，θ₄分别表示上述计算的第一、二、三、四象限角度值。

鉴于研究区地形起伏较大，且沙丘高度分布不均，本研究依地形起伏状况和沙丘移动特征将流沙区划分为10个区域（图1，Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ，Ⅵ，Ⅶ，Ⅷ₁，Ⅷ₂，Ⅸ，Ⅹ），使用插值法、参考平面法和真值统计法3种方法完成沙丘高度的提取。在地形起伏不大的7个区域（Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ，Ⅵ，Ⅹ）使用克里金插值法提取沙丘高度^［30-31］（图2）。区域Ⅷ₁和区域Ⅸ地形起伏较大且丘间地范围较小，使用参考平面法提取沙丘高度：先按1 km间隔将上述区域分别划分为8个亚区（Ⅷ_11-1—Ⅷ_11-8）和10个亚区（Ⅸ₁—Ⅸ₁₀），再在亚区内沿纵向（WN-SE）提取高程剖面，划定各亚区内丘间地高程值，最后将原始高程值与丘间地高程值相减即得区域沙丘的相对高度。区域Ⅶ和Ⅷ₁₂地形起伏较大（高程差超过250 m）且丘间地不易分辨，使用真值统计法：先将这两个区域分别划分为5个（Ⅶ₁—Ⅶ₅）和7个亚区域（Ⅷ_12-1—Ⅷ_12-7），在各亚区内沿纵向随机提取5个高程剖面，再量取每个剖面内所有沙丘高度，最后对各剖面沙丘高度计算平均值。

地表输沙通量是风对沙粒运输能力大小的度量，被定义为单位时间内经过垂直于主风向单位长度内沙子的体积或质量^{［30，40］}，即对于宽度为w（单位：m），高度为h（单位：m），移动时间为t（单位：a），移动距离为d（单位：m）的沙丘来说，输沙通量为：

式中：q为输沙通量，单位为m³·m^-1·a^-1；v为沙丘年均移动速率，单位为m·a^-1。

该公式不仅能够计算单个沙丘的输沙通量，就沙丘的不同部位而言，该方法同样适用。由于文中使用的元数据分辨率为30 m，因此本文在计算输沙通量时并非以单个沙丘为计算单元，而是以像元为单位进行计算，该计算方法较好地考虑了大沙丘不同部位的移动速率和高度差异。值得注意的是，本文的计算方法受限于元数据分辨率的影响，在估算小沙丘（面积不足一个像元）输沙通量时可能因未考虑不同部位的移动速率和高度差异而存在一定误差。本研究使用公式（4）计算龙羊峡库区10个区域的输沙通量。

根据邵梅等^［32］的研究结果，以无人机摄影与三维重建技术（UAV-SfM）获取的沙丘移动速率为参照，使用COSI-Corr计算沙丘迁移速率的精度可以达到所使用影像的1/30像元。本文以16个典型沙丘为例检验COSI-Corr的计算精度，结果显示使用UAV-SfM（水平、垂直误差0.05—0.08 m，分辨率为0.02 m）监测得到的16个沙丘迁移速率的平均值为8.90 m·a^-1，而使用COSI-Corr计算得到的同一区域沙丘的平均移动速率为7.78 m·a^-1，两者存在1.18 m·a^-1的偏差，误差约为1/30像元。

根据Vermeesch等^［30］的研究结果，使用插值法提取沙丘高度的精度为9 m，就其研究区而言（沙丘高度>50 m）满足测量要求。本文研究区沙丘高度主要为2—30 m，为了验证该插值方法在本区域是否具有适用性，将使用插值方法获取的23个沙丘的高度与使用数字表面模型（DSM）数据（由UAV-SfM获取）提取的沙丘高度进行了线性拟合分析。拟合结果显示（图2），高度>5 m的沙丘拟合斜率为0.96（值越接近于1表明两者误差越接近于0），拟合优度可以达到0.77。而高度<5 m的沙丘拟合结果较差（R²=-0.18，斜率为0.71），因此插值法不适用于小沙丘（高度<5 m）高度的提取。

上述检验结果证明高度小于5 m的小沙丘使用克里金插值法进行提取的方法是不可取的，因此，参考Scheidt等^［31］利用沙丘尺度估算沙丘高度的方法，本文针对该部分沙丘采取利用沙丘移动速度和高度的拟合关系来反推沙丘高度的办法计算输沙通量（图3）。具体计算步骤为：①利用无人机监测并获取的13个小沙丘的数据，得到小沙丘的移动速度与其高度符合线性函数关系（y=-0.24x+7.63，R²=0.67，其中y为沙丘高度，x为沙丘移动速度）；②提取所有区域中高度小于5 m的沙丘像元，利用该部分像元作为掩膜提取各自像元的沙丘移动速度；③根据线性函数中沙丘移动速度和高度的关系，反算出上述像元的沙丘高度；④根据新计算出的沙丘高度和原有沙丘移动速度计算该部分沙丘的输沙通量。最后将该部分输沙通量与高度大于5 m沙丘的输沙通量进行镶嵌，得到整个区域沙丘的输沙通量。

区域潜在风沙入库/入黄量等于输沙通量与有效输沙宽度的乘积^{［8，10，12］}。基于COSI-Corr计算的输沙通量，本研究使用公式（5）计算各区域的潜在风沙入库量，利用公式（6）—（9）计算整个研究区的潜在风沙入库量。如图4所示，区域平均输沙通量与区域有效输沙宽度相乘即为潜在风沙入库量，然而并非所有计算单元（像元）都代表向水库的风沙输移。沙丘移动包含各个方向的结果，对于水库上风向的流沙区而言，向水库输送的仅为其中与主风向一致的部分，而对位于水库下风向的流沙区而言，其风沙入库方向与主风向相反且朝向水库方向。因此，在考量区域主风向和各研究区域位置的基础上，本文认为上风向区域（Ⅰ—Ⅸ）中沙丘移动方向位于第二象限（90°—180°），下方向区域（Ⅹ）中沙丘移动方向位于第四象限（270°—360°）的单元（像元）对风沙入库有贡献。

式中：Q表示龙羊峡库区年均潜在风沙入库量；Q_k表示区域k的年均潜在风沙入库量，单位为m³，k取I—X；n表示区域数量，本研究中n取10；L_k表示区域k的有效输沙宽度，单位为m；qk¯代表区域k的平均输沙通量，单位为m³·m^-1·a^-1；a_k代表区域k内第二或第四象限沙丘移动像元占全部沙丘移动像元的比例，单位为%；m_k代表区域k中第二或第四象限沙丘移动像元数量；M_k代表区域k所有沙丘移动像元数量；Lk'表示区域k的宽度，单位m；b_k表示区域k在顺风方向上与其他区域的重叠度；m表示重叠区域的数量。

风沙入库量是指每年在风力作用下输入龙羊峡水库的沙量和风成沙坍塌入库量的总和，风沙入库表现为风沙流和岸边坍塌两种形式，其中坍塌入库主要发生在洪水期，风沙流入库主要发生在风季^［10］。潜在风沙入库量是指库区内在风力作用下沙以风沙流的形式能够向水库输送的最大沙量，由于并未考虑坍塌所造成的入库量，因此潜在风沙入库量主要反映了风沙活动可能对水库造成的影响，而非实际入库量。

如图5所示，1987—2019年龙羊峡库区沙丘整体自西北向东南移动，方向在132.81°—165.82°变化，与该区域主风向^［41］和合成输沙方向（RDD=136°，由该区域气象站数据计算得到）一致。1987—2019年区内沙丘平均移动速率为5.81 m·a^-1，其中区域II的沙丘移动速率最小，为5.9 m·a^-1，区域IV的沙丘移动速率最大，可达8.67 m·a^-1。监测期内龙羊峡库区沙丘移动速率表现出明显的时空差异。从空间上看，库区沙丘移动速率呈现西北快东南慢的空间分布特征，水库西北侧塔拉滩的沙丘移动速率最大，平均值为7.34 m·a^-1，集中在5—10 m·a^-1，部分沙丘移动速率在10 m·a^-1以上，甚至可达30 m·a^-1。水库南侧的木格滩沙丘移动速率较上风向塔拉滩移动速率更小，主要集中在5 m·a^-1以下，平均值为4.64 m·a^-1。龙羊峡水库北岸的沙丘移动速率在整个盆地内最慢，平均移动速率仅为3.80 m·a^-1。从时间上看，随时间的推移代表沙丘移动方向的箭头数量有减少趋势，说明流动沙丘的数量有所减少。但从年均移动速率看，整个研究区内沙丘年均移动速率在1987—2003年呈现加速趋势，2003—2013年出现减速现象，2013—2019年再次出现加速趋势。出现这种沙丘数量减少但沙丘移动速率增加现象的原因可能是部分沙丘出现了碰撞合并现象，具体原因仍需进一步观测和研究。

龙羊峡库区10个区域输沙通量平均值在41—154.55 m³·m^-1·a^-1，时空分布特征由沙丘移动速率和沙丘高度决定。受到ASTER GDEM数据的限制，本文假定在监测时段内沙丘高度并未变化，因此输沙通量的时间变化与沙丘移动速率时间变化趋势一致，具体表现为在4个监测时段内输沙通量先增加后降低再增加（图6）。空间上，区域Ⅳ的平均输沙通量最大而区域II的平均输沙通量最小，前者为116.85 m³·m^-1·a^-1，后者为61.80 m³·m^-1·a^-1，与沙丘移动速率的最高值与最低值区域一致，表明在空间分布上该区域沙丘移动速率对输沙通量的影响起决定性作用。

本文使用公式（5）—（9）计算了龙羊峡库区1987—2019年近32 a潜在风沙入库量，使用的参数值如表2所示。研究区内a_k值除区域X外均在0.61—0.99范围内分布，区域X向龙羊峡水库输送沙物质的方向为东南-西北向，与区域盛行风向相反，在该风向下沙丘移动不显著，因而区域X的a_k值偏小。库区内所有区域b_k值在0.17—1分布，值为1表示顺风向仅存在一个区域向龙羊峡水库输送沙物质，b_k值小于1则表示顺风向存在多个区域对水库进行风沙输送，值越大表示其贡献的潜在风沙输送量越大。

图7表明，1987—2019年库区沙丘每年向水库输送的潜在风沙量约为2.44×10⁶ m³ （3.76×10⁶ t，M=ρS×Q，M为潜在风沙入库质量，Q为潜在风沙入库体积量，ρS为沙粒体积密度，本研究实测值为1.54×10³ kg·m^-3），近32 a累计潜在风沙入库量约为7.82×10⁷ m³ （1.20×10⁸ t）。各监测时段总潜在风沙入库量差值在2%—8%（图7饼图），年均潜在风沙入库量存在显著时空分异。1987—2013年年均潜在风沙入库量从2.44×10⁶ m³减少至2.28×10⁶ m³，2013—2019年均潜在风沙入库量增加至2.86×10⁶ m³。库区上风向西北侧塔拉滩的潜在年风沙入库量可达2.33×10⁶ m³，尤以区域III和区域IX的风沙输送最为强烈。下风向木格滩年均潜在风沙入库量仅为1.4×10⁵ m³，表明该区域的风沙输移对水库的影响较小。

潜在风沙入库量由输沙通量、输沙方向和区域有效输沙宽度决定，其中龙羊峡库区内沙丘移动方向变化不显著，而区域有效输沙宽度在各监测时段内假设为常量，因此决定各监测时段潜在风沙入库量时空差异的主要因素为输沙通量。如前所述，输沙通量由沙丘移动速率和沙丘高度共同决定，该区域沙丘高度0—80 m^［39］，塔拉滩沙丘高度显著低于龙羊峡水库北岸和下风向木格滩的沙丘高度，前者沙丘高度集中分布在0—20 m，后者大多数沙丘高度超过20 m，且部分沙丘高度在50 m以上。水库北岸和木格滩沙丘发育较高与其丰富的沙源有关，一方面水库两岸古沙丘活化提供部分沙源，另一方面风将上风向塔拉滩的大量沙物质携带至此处，使沙丘发育为更大的尺寸。沙丘高度的空间分异特征对风沙输移具有非常重要的作用，它影响了输沙通量随沙丘移动速率变化的空间分布，导致了风沙输移量在空间上的重新分配。

沙丘移动速率对潜在风沙入库量的作用非常重要，在很大程度上决定了风沙输移的时空分布，而沙丘移动的时间变化受植被、风况和气候条件等多个因素的共同影响^［42-43］。植被通过增加表面粗糙度参数以增大临界摩阻速度来影响沙丘的迁移率^［44］，本文使用1987、1995、2003、2013年和2019年5期Landsat影像分别计算了该区域各时段的植被盖度^［45-46］，计算结果显示本区植被盖度为0.15—0.45（图8A）。在1987—2019年，植被盖度呈现先减小后增加再减小的趋势，与沙丘移动速率的变化情况相反，这是因为植被盖度越高，地表的粗糙度越大，越难形成风沙流，从而减缓了沙丘的移动速率^［47-48］。如图8B所示，1997—2003年的风速总体大于1987—1995年的风速，这可能是对沙丘移动速率产生加速作用的主要原因。风速在2004年迅速下降，与1995—2013年沙丘移动速率的下降相符。

气候变化同样会影响沙丘的活动性，气温和降水是不可忽视的两个重要气象因子^［49］。从收集的气象数据可以看出，整个监测期间（1987—2019年）共经历两次显著的降水增加事件，第一次在2004年，第二次发生在2014年（图8C）。第一次降水增加的时间与风速和气温降低的时间一致（图8B—D），这可能是2003—2013年沙丘移动速率下降的重要原因。虽然自2014年降水有所增加，但同时气温也在上升，而温度的上升可能会是盆地荒漠化的间接诱发因子之一^［50］，从而成为某一时段内沙丘移动速率变化的触发条件。显然，2012—2015年降水偏少（图8C），同期气温呈跳跃式上升（图8D），降水和气温的耦合作用共同导致了沙丘移动的加速。从整个监测时段来看，研究区的气温整体呈现缓慢升温趋势，正如前人研究结果，温度的上升应该延长牧草的生长期，从而促进该区域的沙漠化逆转，但事实上，气候变暖会增加地表的蒸发，加重干旱和沙漠化过程，同时气温升高会减弱降水的影响，因为降水的增加不足以抵消温度升高所引起的蒸发量增加的负面影响^［51］。所以，在未来气候变暖情景下，共和盆地的风沙活动还会逐渐增强，持续对龙羊峡库区的安全运营形成潜在的威胁^［52］。

本文计算的龙羊峡库区年均潜在风沙入库量高于段庆光等^［8］（1.34×10⁶ m³）和高宏智等^［12］（1.41×10⁶ m³）的计算结果，主要是监测时段和监测手段不同所致。段庆光等^［8］和高宏智等^［12］分别只计算了6 a和1 a的年均潜在风沙入库量，而本文计算了1987—2019年共32 a的年均潜在风沙入库量，由于不同时段风沙输移强度不同，因此前人计算结果与本文计算结果存在一定差异。但主要原因是采用的计算方法不同，在野外进行单点/多点观测的输沙数据的基础上，高宏智等^［12］仅基于4个气象站（河卡、塘格木、共和和吾雷）所记录的气象数据，段庆光等^［8］仅使用一个气象站数据（沙珠玉）来估算风沙入库量。而根据Michele等^［42］的研究结果，使用风数据计算的输沙通量大约为使用COSI-Corr方法计算的输沙通量的65%。通过比较分析，高宏智等^［12］和段庆光等^［8］使用风数据计算出的输沙量约为本研究使用COSI-Corr方法计算结果的70%，其结果存在严重低估，导致过去对于龙羊峡水库周围沙地风沙入库的危害有所忽视。而根据本文的计算结果，百年尺度上该区潜在风沙入库量可达2.44×10⁸ m³ （3.76×10⁸ t），数量相当惊人，不得不引起相关部门的高度重视。

值得注意的是，本文所计算的潜在风沙入库量并非是各分区分时段的输沙量总和，而是以各分区各时段的输沙通量（单位长度的输沙能力）与总进库断面长度的乘积作为库区的潜在风沙入库量，该值要小于总风沙入库量。潜在风沙入库量表征的是风力对沙的最大携带能力，即总侵蚀量，因此从物质平衡的角度看，库区风沙沉积包括两部分：入滩风沙及入库风沙。入滩风沙代表在进入水库之前就发生沉积的部分，入库风沙代表经由风力吹扬和搬运后沉积在水库中的部分。入滩风沙可能在风力作用下继续发生吹扬和搬运而进入水库，甚至可能在洪水期经由水力搬运作用以沙丘的形态发生迁移和崩塌而进入水库，由于本文探讨的是潜在风沙入库量并且缺少相关基础数据的支持，因此并未对实际风沙入库量，尤其是崩塌入库展开估算和分析。但在本文估算的基础上，未来结合高清的遥感卫星影像和技术手段可以开展对实际风沙入库量的准确评估。

COSI-Corr技术是近年来监测地表形态变化和分析沙丘对气候变化响应的新工具。本研究基于COSI-Corr技术监测沙丘移动特征，结合所提取沙丘高度和区域有效输沙宽度重新评估了龙羊峡水库周围沙地1987—2019年潜在风沙入库量。估算出的龙羊峡库区周围沙地每年向水库输送的潜在风沙量约为2.44×10⁶ m³ （3.76×10⁶ t），大于前人计算结果。但本研究估算结果为潜在风沙入库量，并未考虑库区沿岸沙丘迁移崩塌入库和粉尘的沉降，因此，龙羊峡库区实际的风沙入库量应高于本文的监测结果。

龙羊峡库区上风向塔拉滩的流动沙丘和活化风蚀坑是库区风沙的主要来源。上风向沙丘的不断演化和发展将会对库区安全产生威胁，掩埋重要设施，破坏当地草场，加重土壤风蚀程度，因此塔拉滩是今后开展防沙治沙工作的重点区域。

龙羊峡水库的风沙输移受风况、气候、植被等多因素的影响。当风力越强，植被盖度越低、降水越少、温度越高时其风沙输移越强烈，但上述各环境因子间的相互作用导致风沙输移与之并非简单的线性关系，其内在耦合机制尚需进一步研究。

COSI-Corr技术估算区域潜在风沙入库量较之传统的单点、移步外推法实现了时空上的跨越发展，提高了区域风沙入库量监测的效率和精度。在未来全球变暖条件下，青藏高原风沙活动还会更加频繁，河道和水库面临的风沙灾害必须引起足够的重视，否则将造成严重的水患和生态安全问题。