孔冬冬,張 強(qiáng),*,顧西輝,王 月,李華貞

1 中山大學(xué)水資源與環(huán)境系, 廣州 510275 2 中山大學(xué)華南地區(qū)水循環(huán)與水安全廣東省普通高校重點(diǎn)實(shí)驗(yàn)室, 廣州 510275 3 中山大學(xué)廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室, 廣州 510275

植被對(duì)不同時(shí)間尺度干旱事件的響應(yīng)特征及成因分析

孔冬冬1,2,3,張 強(qiáng)1,2,3,*,顧西輝1,2,3,王 月1,2,3,李華貞1,2,3

1 中山大學(xué)水資源與環(huán)境系, 廣州 510275 2 中山大學(xué)華南地區(qū)水循環(huán)與水安全廣東省普通高校重點(diǎn)實(shí)驗(yàn)室, 廣州 510275 3 中山大學(xué)廣東省城市化與地理環(huán)境空間模擬重點(diǎn)實(shí)驗(yàn)室, 廣州 510275

利用標(biāo)準(zhǔn)化降雨蒸散發(fā)指數(shù)(SPEI)與歸一化植被指數(shù)(NDVI)系統(tǒng)研究了中國(guó)不同區(qū)域、不同土地利用類型的植被對(duì)不同時(shí)間尺度干旱事件的響應(yīng)特征,并對(duì)成因做出探討。研究表明：(1)全國(guó)大部分區(qū)域NDVI與SPEI呈顯著正相關(guān),表明中國(guó)大部分區(qū)域植被生物量變化受干旱時(shí)空特征的影響。而沿北緯30度附近的長(zhǎng)江流域區(qū)域,尤其是長(zhǎng)江流域東南部、珠江流域下游等降水相對(duì)豐沛區(qū)域；黑龍江東北部及長(zhǎng)白山地區(qū)、四川西部等高寒區(qū)域,NDVI與SPEI表現(xiàn)出弱相關(guān)性,受干旱影響較?。?2)多年平均水平衡是影響植被對(duì)干旱響應(yīng)的關(guān)鍵因素,土壤水分變化是植被活力與生物量變化的關(guān)鍵影響因子。多年平均日照時(shí)數(shù)較長(zhǎng)的區(qū)域,植被變化受干旱影響較大。從對(duì)干旱影響敏感性程度來講,越是水量豐沛的區(qū)域,植被受干旱的影響越小,其中,草地對(duì)干旱的影響最為敏感,其次為灌木與森林。

SPEI；NDVI；模糊聚類分析；干旱事件；多時(shí)間尺度

干旱通常是指可利用水分在一連續(xù)時(shí)段內(nèi)顯著低于正常值,且水分供應(yīng)不能滿足當(dāng)前需求的自然現(xiàn)象[1]。在全球變暖影響下,干旱發(fā)生的頻率和強(qiáng)度都有明顯增加,嚴(yán)重干旱和極端干旱災(zāi)害自20世紀(jì)90年代后期變得愈益嚴(yán)重[2],干旱對(duì)生態(tài)系統(tǒng)的影響越來越突出。生態(tài)系統(tǒng)對(duì)干旱事件的響應(yīng)是近年來的研究熱點(diǎn)。盡管不同陸地生態(tài)系統(tǒng)對(duì)干旱的敏感性不同[3],但干旱在不同陸地生態(tài)系統(tǒng)種無疑是驅(qū)動(dòng)地上凈初級(jí)生產(chǎn)力(ANPP)減少的主要因素之一[4],ANPP減少可能會(huì)導(dǎo)致地球上有些地區(qū)從碳匯變成碳源。如果氣候變化誘導(dǎo)的干旱持續(xù)增強(qiáng),將會(huì)通過“碳-氣候”正反饋調(diào)節(jié)而加速全球變暖[5- 6],從而產(chǎn)生更加嚴(yán)重的干旱,并且可能會(huì)導(dǎo)致生態(tài)系統(tǒng)不可逆的退化[5]。干旱同時(shí)也影響生態(tài)系統(tǒng)中的植被生長(zhǎng),不同植被在應(yīng)對(duì)干旱時(shí)的不同生理反應(yīng)決定了對(duì)水虧損的抵抗力穩(wěn)定性和恢復(fù)力穩(wěn)定性的水平[1]。最終影響干旱損害的類型,如減緩生長(zhǎng)、減少綠色、損失單位面積生物量、或者植被死亡[1]。干旱對(duì)生態(tài)系統(tǒng)具有較大的負(fù)面影響,徹底理解生態(tài)系統(tǒng),尤其是植被對(duì)干旱的響應(yīng),變得尤為重要。研究植被對(duì)不同時(shí)間尺度干旱的響應(yīng),以及不同氣象因素對(duì)植被干旱響應(yīng)的影響對(duì)于提高全球氣候變化情景下植被轉(zhuǎn)移預(yù)測(cè)精度具有重要理論意義[1,7],同時(shí),對(duì)于理解植被對(duì)干旱的響應(yīng)機(jī)制,對(duì)提高氣候波動(dòng)和氣候變化對(duì)植被造成的脆弱性的認(rèn)知具有重要科學(xué)價(jià)值[1]。

Vicente-Serrano等利用SPEI指標(biāo)量化干旱、GIMMS-NDVI、ANPP、樹木徑向生長(zhǎng)量化植被活動(dòng),在全球范圍內(nèi)研究植被對(duì)干旱的響應(yīng)。但是Vicente-Serrano僅考慮水平衡對(duì)植被干旱響應(yīng)的影響。通過降水和潛在蒸發(fā)量化的水平衡,被證明是影響植被響應(yīng)的地理分布的主要因素[8]。同時(shí)很多研究指出NDVI與降水具有很強(qiáng)的相關(guān)性[9],雖然植被脅迫也可能受其他因素的影響,如洪水、病蟲害、養(yǎng)分、放牧、失火和人類活動(dòng)等,但它們的相關(guān)性主要受區(qū)域降水機(jī)制、土壤類型、植被類型的影響[9]。其次,有效積溫、光照時(shí)數(shù)也會(huì)明顯的影響植被活動(dòng)。此外植被對(duì)干旱響應(yīng)的研究多集中在熱帶森林[10]和一些國(guó)家的局部地區(qū)[6],中國(guó)區(qū)域植被對(duì)干旱的響應(yīng)研究尚未開展。國(guó)內(nèi)很多學(xué)者針對(duì)局部區(qū)域植被對(duì)干旱的響應(yīng)進(jìn)行研究,于泉洲等利用NDVI和MNDWI研究了南四湖濕地干旱響應(yīng)特征[11]；葉春等對(duì)鄱陽湖濕地植被的干旱響應(yīng)及影響因素進(jìn)行了研究分析[12]；牟成香對(duì)青藏高原高寒草甸植物開花物候?qū)O端干旱的響應(yīng)進(jìn)行了探討[13]；由于不同生態(tài)系統(tǒng)對(duì)干旱的敏感性不同,不同植被對(duì)干旱的抵抗力穩(wěn)定和恢復(fù)力穩(wěn)定性存在差異,因此更加細(xì)致的研究需要在分區(qū)、分植被類型進(jìn)行研究。但是國(guó)內(nèi)大多數(shù)研究集中在某一時(shí)間、或某一區(qū)域的干旱事件,我國(guó)不同區(qū)域、不同植被類型對(duì)干旱的響應(yīng)機(jī)制依然不明朗。

本文利用GIMMS-NDVI數(shù)據(jù)與SPEI指標(biāo),研究中國(guó)不同區(qū)域、不同植被類型對(duì)干旱的響應(yīng)機(jī)制。本文研究目的：通過歸一化植被指數(shù)NDVI與SPEI干旱指標(biāo)的最大相關(guān)性,研究干旱對(duì)植被活動(dòng)的影響；通過NDVI指標(biāo)與SPEI指標(biāo)最大相關(guān)系數(shù)對(duì)應(yīng)的干旱時(shí)間尺度,研究植被對(duì)干旱的敏感性和響應(yīng)快慢程度等；本文選擇4種氣象要素：水平衡、降水、有效積溫、光照時(shí)數(shù),來進(jìn)一步研究氣象要素對(duì)植被干旱響應(yīng)的影響。本文研究將為氣候變化對(duì)中國(guó)生態(tài)系統(tǒng)的影響研究提供重要理論依據(jù)。

1 數(shù)據(jù)

1.1 氣象數(shù)據(jù)

氣象數(shù)據(jù)來源于中國(guó)氣象數(shù)據(jù)共享服務(wù)中心(http://cdc.nmic.cn/)提供的地面氣候資料日值數(shù)據(jù)集824個(gè)氣象站點(diǎn),數(shù)據(jù)已由中國(guó)氣象共享服務(wù)中心進(jìn)行質(zhì)量檢測(cè)與控制。氣象數(shù)據(jù)包含逐日降水、最高溫度、最低溫度、風(fēng)速、光照時(shí)數(shù)、相對(duì)濕度、氣壓等要素。提取1980—2006年的氣象數(shù)據(jù)。數(shù)據(jù)缺失大于1年的站點(diǎn)直接剔除,余下的693個(gè)氣象站點(diǎn)分布如圖1所示。挑出的693個(gè)站點(diǎn)數(shù)據(jù)缺測(cè)極少,大多數(shù)站點(diǎn)缺測(cè)小于0.5%,最高不超過0.9%。對(duì)于缺失值只有1—2d的余下站點(diǎn),采用該站點(diǎn)相鄰日期的數(shù)據(jù)進(jìn)行插值；其余缺失采用歷史同時(shí)期的多年均值來替代[14- 15]。

為了便于NDVI與SPEI的相關(guān)性分析,利用站點(diǎn)氣象資料計(jì)算的SPEI指標(biāo)采用反距離權(quán)重插值為柵格數(shù)據(jù),柵格數(shù)據(jù)精度與NDVI數(shù)據(jù)相同。

圖1 氣象站點(diǎn)分布示意圖Fig.1 Locations of the meteorological stations considered in this study

1.2 指標(biāo)歸一化指標(biāo)(NDVI)

本文所分析的歸一化植被指數(shù)主要依據(jù)全球監(jiān)測(cè)與模型組(Global Inventor Modeling and Mapping Studies, GIMMS)利用NOAA系列衛(wèi)星(NOAA 7,9,11,14和16)合成分辨率為8km的15d最大值NDVI數(shù)據(jù)集(截取時(shí)間為1982年1月至2006年12月),數(shù)據(jù)經(jīng)過幾何粗較正、輻射較正和大氣校正等預(yù)處理,再進(jìn)一步對(duì)每日、每軌圖像進(jìn)行幾何精校正、除云、除壞線等處理。

為避免不同來源的白噪點(diǎn),GIMMS-NDVI半月數(shù)據(jù)融合到逐月時(shí),選上半月與下半月中的最大值作為逐月值[1]。同時(shí)為減輕運(yùn)算復(fù)雜程度,使用bilinear插值把NDVI指數(shù)柵格大小重采樣至0.1°×0.1°。一般認(rèn)為生長(zhǎng)季節(jié)NDVI大于0.1的區(qū)域才有植被覆蓋,NDVI增加表示綠色植被的增加；0.1以下表示地表無植被覆蓋,如建設(shè)用地、裸土、沙漠、戈壁、水體、冰雪和云等[16](圖2)。

1.3 土地利用數(shù)據(jù)

土地利用數(shù)據(jù)來源于歐盟聯(lián)合研究中心(JRC)空間應(yīng)用研究所(SAI)開發(fā)的GLC2000數(shù)據(jù)集(http://bioval.jrc.ec.europa.eu/products/glc2000/products.php)[17- 18],該數(shù)據(jù)利用2000年的1km空間分辨率的SPOT- 4 VGT S10數(shù)據(jù)與DEM、積溫和降水等通過AHP 法合成[17]。為保證NDVI與土地利用數(shù)據(jù)間的一致性,土地利用數(shù)據(jù)用生長(zhǎng)季多年平均大于0.1的NDVI做掩膜處理。本研究將土地利用分為5種類型：森林、耕地、草地、灌木、其他(圖3)。

圖3 土地利用類型數(shù)據(jù)分布Fig.3 Spatial patterns of land use types across China

2 方法

2.1 SPEI干旱指標(biāo)

Vicente-Serrano等[19]提出了標(biāo)準(zhǔn)化降水蒸散指數(shù)(Standardized Precipitation Evapotranspiration Index,簡(jiǎn)稱SPEI)。SPEI的計(jì)算是基于降水與溫度資料,并且具有多尺度的特點(diǎn),其最核心的概念是構(gòu)造一個(gè)氣象水循環(huán)去描述累積的水分缺失或剩余,從而描述干旱。與標(biāo)準(zhǔn)化降水指數(shù)指標(biāo)相比,SPEI指標(biāo)加入了潛在蒸散發(fā),綜合考慮了溫度對(duì)干旱的影響,能夠更準(zhǔn)確的刻畫干旱,在氣候顯著升溫的區(qū)域更能反應(yīng)真實(shí)的干旱情況[15]；與帕默爾指標(biāo)相比,SPEI指標(biāo)計(jì)算簡(jiǎn)單靈活,且具有多時(shí)間尺度特征,適用性廣[20]。具體計(jì)算方法參見文獻(xiàn)[21]。

2.2 模糊聚類分析

由于我國(guó)東西南北跨度較大、地形復(fù)雜以及下墊面特征多樣,氣象環(huán)境以及植被情況復(fù)雜。本文先采用模糊聚類分析對(duì)中國(guó)進(jìn)行分區(qū),然后再在各均一性分區(qū)研究植被對(duì)干旱的響應(yīng)機(jī)制。Ruspini[21]提出模糊聚類的概念,Dunn[22]進(jìn)一步發(fā)展此方法。1981年,Bezdek[23]在Dunn[22]的基礎(chǔ)上將FCM算法進(jìn)行推廣。聚類分析是根據(jù)數(shù)據(jù)相似性,將其歸到不同集合中的方法。而模糊聚類分析則是建立在模糊理論之上,超越 “非此即彼”的傳統(tǒng)硬聚類分析,更貼近實(shí)際數(shù)據(jù)內(nèi)在結(jié)構(gòu)。最常用模糊聚類為模糊C均值算法(fuzzy c-means算法,簡(jiǎn)稱FCM)。

根據(jù)FCM算法得到的隸屬矩陣,可以根據(jù)一定的標(biāo)準(zhǔn)獲得分區(qū)成果。閾值Ti的選取帶有一定的主觀因素,本文試圖選擇一個(gè)經(jīng)實(shí)踐檢驗(yàn)的合理值[24- 25]。因而,Srinivas[24]提出的劃分閾值被應(yīng)用于文中。

2.3 相關(guān)分析

本文采用皮爾遜相關(guān)系數(shù)研究干旱與NDVI植被指數(shù)的相關(guān)性[1]。研究區(qū)域的每個(gè)格點(diǎn)有12個(gè)NDVI(1—12月)序列,分別計(jì)算與1—24月時(shí)間尺度SPEI指標(biāo)的相關(guān)系數(shù),這樣對(duì)于每個(gè)格點(diǎn)將有288個(gè)相關(guān)系數(shù)值。自然界植物現(xiàn)象同環(huán)境周期性變化,為了剔除物候?qū)W對(duì)相關(guān)性結(jié)果的干擾[1],每年1—12月份,1—24月時(shí)間尺度這288個(gè)相關(guān)系數(shù)中最大值定義為年最大相關(guān)系數(shù)Rmax：

Ri,j=cor(NDVIi,j,SPEIi,j),Rmax=max1≤i≤24, 1≤j≤12(Rij)

式中,cor代表皮爾遜相關(guān)函數(shù),i代表時(shí)間尺度,1, 2, ..., 24;j代表月份,1, 2, …, 12。

年最大相關(guān)系數(shù)對(duì)應(yīng)的時(shí)間尺度i定義為Rscale。本研究主要對(duì)年最大相關(guān)系數(shù)和其對(duì)應(yīng)時(shí)間尺度的SPEI進(jìn)行分析。

3 結(jié)果與討論

3.1 模糊聚類分區(qū)結(jié)果

本文聚類分析把693個(gè)氣象站點(diǎn)1—12月多年平均溫度、降雨,以及對(duì)應(yīng)站點(diǎn)位置的多年平均NDVI作為輸入氣象變量和植被變量。

為了消除不同變量間的方差、數(shù)量級(jí)、重要程度對(duì)聚類分析帶來的影響,輸入變量首先進(jìn)行標(biāo)準(zhǔn)化處理,否則那些具有較大方差和數(shù)量級(jí)的變量將對(duì)分區(qū)的形成占據(jù)控制作用[25]。關(guān)于輸入聚類分析的變量為什么要進(jìn)行標(biāo)準(zhǔn)化處理,Dunn 和Hosking[26- 27]有更加詳細(xì)的描述。

表1 主成分分析解釋方差

為了避免變量自相關(guān)帶來的數(shù)據(jù)冗余,以及維數(shù)過高帶來的計(jì)算災(zāi)難,使用主成分分析進(jìn)行降維[25]。由表1看出,4個(gè)主成分的解釋方差已超過95%,因此本文選擇前4個(gè)主因子外加站點(diǎn)地理信息要素(經(jīng)度、緯度、高程)作為模糊聚類分析的輸入變量。關(guān)于分區(qū)個(gè)數(shù)c的確定,本文考慮了6種常用指標(biāo)[25,28]優(yōu)選分區(qū)個(gè)數(shù)：MPC、FPI、NCE、S、SC和XBm[25,29]。由圖4看出,MPC、FPI、NCE指標(biāo)在c=7處達(dá)到最優(yōu),S、SC和XBm指標(biāo)隨著分區(qū)個(gè)數(shù)c的增大,接近單調(diào)遞減,但是基本在c=7處達(dá)到穩(wěn)定,之后變化幅度較小,因此選擇c=7作為最佳分區(qū)個(gè)數(shù)。

圖4 模糊聚類分析分區(qū)個(gè)數(shù)率定Fig.4 The validity of cluster number (horizontal axis represent cluster number c)

圖5a為初始分區(qū)結(jié)果,由圖5a可知,初始分區(qū)G區(qū)重疊模糊的站點(diǎn)較多,根據(jù)氣候、高程等把C區(qū)劃分為兩個(gè)區(qū)域。調(diào)整后的分區(qū)結(jié)果如圖5b所示。最終分區(qū)結(jié)果與肖名忠等人劃分的氣候分區(qū)大致相同[14],也進(jìn)一步驗(yàn)證了模糊聚類分區(qū)的可靠性。

圖5 模糊聚類分區(qū)結(jié)果:初始分區(qū)結(jié)果(a)；調(diào)整后的最終分區(qū)結(jié)果(b)Fig.5 Regionalization by the Fuzzy C-means technique： Initial regionalization results (a); Adjusted regionalization (b)A: 西北區(qū),B: 青藏高原區(qū),C: 內(nèi)蒙古及黃土高原區(qū),D: 東北區(qū),E: 華北區(qū),F: 長(zhǎng)江中下游地區(qū),G: 華南地區(qū),H: 四川云南區(qū)

3.2 干旱對(duì)植被空間分布的影響

SPEI與GIMMS-NDVI(下文簡(jiǎn)稱NDVI)年最大相關(guān)系數(shù)反映了干旱控制的植被活動(dòng)的多少,而年最大相關(guān)系數(shù)對(duì)應(yīng)的干旱時(shí)間尺度反映了植被變化對(duì)相應(yīng)時(shí)間尺度干旱影響的敏感性[1]。短時(shí)間尺度SPEI相關(guān)性越大說明植被對(duì)干旱影響響應(yīng)較快；相應(yīng)的,長(zhǎng)時(shí)間尺度SPEI相關(guān)性越大則說明植被對(duì)干旱影響的響應(yīng)越慢,生態(tài)系統(tǒng)對(duì)干旱的抵抗力或恢復(fù)力穩(wěn)定性也越強(qiáng)。

圖6 1982—2006年SPEI與NDVI 相關(guān)系數(shù)空間分布特征Fig.6 Spatial patterns of correlation coefficient between SPEI and NDVI during 1982—2006a: 1—24月時(shí)間尺度SPEI與NDVI的年最大相關(guān)系數(shù)空間分布圖(r > 0.40為95%顯著性水平上的正相關(guān)；r > 0.51為99%顯著性水平的正相關(guān))；b: 年最大相關(guān)系數(shù)對(duì)應(yīng)的干旱時(shí)間尺度

由圖6(a)看出,全國(guó)大部分區(qū)域NDVI與SPEI呈顯著正相關(guān),特別是在內(nèi)蒙古、寧夏、北疆地區(qū)、西藏西南部等地,兩者相關(guān)性較強(qiáng)。而沿北緯30度附近的長(zhǎng)江流域區(qū)域,特別是長(zhǎng)江流域東南部區(qū)域,NDVI與SPEI相關(guān)性較弱,另外,珠江流域下游、黑龍江東北部、長(zhǎng)白山地區(qū)、四川西部,NDVI與SPEI也表現(xiàn)出弱的相關(guān)性。研究表明,降水量變化為地表植被狀況或地表生物量的最佳預(yù)測(cè)變量[30],但植被變化對(duì)干旱事件的響應(yīng)與干旱時(shí)間尺度有顯著相關(guān)性。由圖6b看出,C區(qū)、H區(qū)、E區(qū)大部分地區(qū)、D區(qū)西南北、A區(qū)北部等區(qū)域(區(qū)域位置參見圖5b),NDVI對(duì)3—6個(gè)月SPEI響應(yīng)敏感。3—6月SPEI干旱變化反映季節(jié)尺度土壤水分的變化[9],表明上述區(qū)域植被受季節(jié)性降水和土壤水分變化影響較大。同時(shí),上述區(qū)域也是參照蒸發(fā)[31]與蒸發(fā)皿蒸發(fā)[28]呈增加趨勢(shì)的區(qū)域,以SPEI反映的干旱變化受蒸發(fā)影響大,植被變化極易受降水及蒸發(fā)變化導(dǎo)致的干旱狀況的影響。另外,由圖3可以看出,對(duì)3—6個(gè)月SPEI響應(yīng)敏感的區(qū)域也是以草地與耕地為主的區(qū)域,草地及農(nóng)作物生長(zhǎng)周期的季節(jié)性顯著,尤其是3個(gè)月或半年為時(shí)間尺度的時(shí)間變化明顯,這也是上述區(qū)域內(nèi)植被變化對(duì)3—6個(gè)月SPEI響應(yīng)敏感的主要原因。

而山東半島、中國(guó)東南沿海、青藏高原以及天山南北坡、東北地區(qū)的東北部與北部區(qū)域,NDVI對(duì)SPEI響應(yīng)的時(shí)間較長(zhǎng),達(dá)12—24個(gè)月,表明這些區(qū)域植被變化對(duì)干旱反映的時(shí)間尺度較大,在此種現(xiàn)象背后的原因較為復(fù)雜。在長(zhǎng)江中下游、珠三角,京津冀等地區(qū),由于經(jīng)濟(jì)快速發(fā)展、城市化程度高,植被覆蓋變化在很大程度上受人類活動(dòng)影響[32- 33]。山東半島及淮河流域,農(nóng)作物一年兩熟,加上農(nóng)業(yè)灌溉的影響,使該區(qū)域植被變化與長(zhǎng)時(shí)間尺度的SPEI相關(guān)性較好。而中國(guó)東南部大部分地區(qū),主要是由該區(qū)域氣候濕潤(rùn),雨量大,降水與蒸發(fā)變化不是該區(qū)域影響植被變化的主要影響因子,導(dǎo)致NDVI與SPEI相關(guān)程度不高。在黑龍江的東北部、長(zhǎng)白山地區(qū),其植被主要以針葉林為主,此類植被耐旱、耐寒,一年四季常綠,導(dǎo)致植被對(duì)干旱的響應(yīng)不敏感。四川西部、天山南北坡以及青藏高原地區(qū),植被以林地、高原草甸、草地等為主,該區(qū)域以凍土占優(yōu)勢(shì),水壤水分的變化除受降水影響以外,還有降雪以及隨氣溫而變化的冰雪融水及凍土凍融變化的影響,這是導(dǎo)致上述區(qū)域NDVI與SPEI相關(guān)性較差的主要原因。

3.3 影響植被對(duì)干旱響應(yīng)的因素

從圖7看出,影響植被干旱響應(yīng)的主要因素有多年平均水平衡、降雨、光照時(shí)數(shù),上述因子與年最大相關(guān)系數(shù)的線性相關(guān)均通過了99%的顯著性檢驗(yàn)。如圖7,水平衡綜合考慮降雨與潛在蒸散發(fā),對(duì)于年最大相關(guān)系數(shù),多年平均水平衡解釋的變化(R2=0.64)、多年平均降水(R2=0.61)以及多年平均日光照時(shí)數(shù)(R2=0.58)對(duì)植被變化影響的區(qū)域差性最大,而多年平均有效積溫對(duì)植被影響的區(qū)域差異性影響較小。其中多年平均水平衡相對(duì)單純的降水變化來講,是影響NDVI與SPEI相關(guān)關(guān)系的關(guān)鍵因素。所以,由降水與蒸發(fā)之差的水量平衡所反映的土壤水分變化以及土壤持水力,是影響植被變化的關(guān)鍵氣象因子,而水量平衡對(duì)植被活動(dòng)的影響在干旱以及半干旱區(qū)尤為顯著[9]。正是基于這一關(guān)系,有研究直接利用植被覆蓋程度來研究干旱時(shí)空特征演化的檢測(cè)[34- 35]。由圖7看出,從干旱區(qū)、半濕潤(rùn)半干旱區(qū)、濕潤(rùn)區(qū),多年平均水平衡對(duì)植被影響的強(qiáng)度逐減,從定量角度進(jìn)一步解釋了圖6所示現(xiàn)象。光照時(shí)數(shù)也對(duì)年最大相關(guān)系數(shù)有較強(qiáng)的影響,由7可看出,光照時(shí)數(shù)對(duì)植被變化的影響在青藏高原、新疆、華北以及內(nèi)蒙等高寒地區(qū)最為顯著,而在中國(guó)東南部地區(qū),光照時(shí)數(shù)并非是影響植被變化的主要影響因子。有效積溫對(duì)植被的影響較為復(fù)雜,當(dāng)一個(gè)區(qū)域有效積溫小于3000℃時(shí),有效積溫則成為植被變化的關(guān)鍵因素,由圖7可知,青藏高原以及內(nèi)蒙與華北部分地區(qū),有效積溫是決定植被覆蓋變化的重要因子。對(duì)于有效積溫大于3000℃的區(qū)域,有效積溫則不是影響植被變化的重要因子。

年最大相關(guān)系數(shù)對(duì)應(yīng)的干旱事件的時(shí)間尺度反映了植被對(duì)不同時(shí)間尺度干旱響應(yīng)的敏感性。不同植被對(duì)特定時(shí)間尺度干旱響應(yīng)的敏感性存在明顯差異。相對(duì)于多年平均有效積溫以及多年平均日光照時(shí)數(shù)來講,一個(gè)區(qū)域與土壤水分及持水力有關(guān)的多年平均水平衡以及降水量變化對(duì)于該區(qū)域植被與干旱事件的時(shí)間尺度的相關(guān)性較大(圖7)。同時(shí),由圖7可以看出,不同植被類型,植被對(duì)干旱事件的響應(yīng)的快慢也有不同。草地較林地對(duì)干旱影響更為敏感,降水量較少區(qū)域的植被對(duì)干旱的影響更為敏感。多年平均水平衡大于零的區(qū)域,植被變化所對(duì)應(yīng)的干旱時(shí)間尺度更大,進(jìn)一步說明一個(gè)區(qū)域水量平衡變化是決定該區(qū)域植被變化的關(guān)鍵因子。一個(gè)區(qū)域日光照時(shí)數(shù)與有效積溫狀況,是影響植被對(duì)干旱響應(yīng)的重要因子,且這種影響關(guān)系較為復(fù)雜。對(duì)于有效積溫來講,當(dāng)多年有效平均積溫低于3000℃時(shí),不同植被類型對(duì)于不同時(shí)間尺度干旱影響的敏感性差異顯著,其中以華北、內(nèi)蒙、青藏高原地區(qū)最為明顯,隨著多年平均有效積溫的增加,林地、灌木、草地對(duì)應(yīng)的干旱時(shí)間尺度漸次縮短,表明草地受干旱影響最為敏感,其次為灌木與林地。在多年平均積溫大于3000℃的區(qū)域,不同植被類型對(duì)干旱敏感性的影響差異不大,而多年平均積溫越高,植被對(duì)干旱的影響越不敏感,尤其是華南地區(qū),各植被類型對(duì)干旱的影響最不敏感。由圖7h可以看出,在多年平均日照時(shí)數(shù)低于6h的區(qū)域,如華南及中國(guó)東南部地區(qū),各植被類型對(duì)干旱時(shí)間尺度的變化受多年平均日照時(shí)數(shù)的影響較小,而多年平均日照時(shí)數(shù)大于6h的區(qū)域,如華北的西北部、內(nèi)蒙以及西北地區(qū),不同植被類型對(duì)不同時(shí)間尺度干旱的影響較為明顯,其中草地受干旱的影響最為敏感,其次為灌木、林地。

圖7 多年平均水平衡、多年平均降雨量、多年平均有效積溫、多年平均日光照時(shí)數(shù)對(duì)不同土地利用類型、不同區(qū)域NDVI與SPEI相關(guān)程度的影響；多年平均水平衡、多年平均降雨、多年平均有效積溫、多年平均日光照時(shí)數(shù)對(duì)不同土地利用類型、不同區(qū)域植被相關(guān)系數(shù)對(duì)應(yīng)的不同時(shí)間尺度干旱的響應(yīng)Fig.7 Illustrate influences of long-term average water balance, long-term mean precipitation, long-term average effective accumulative temperature, land long-term average sunshine hours on vegetation responses to SPEI in different regions with different land use types; demonstrate influences of long-term average water balance, long-term mean precipitation, long-term average effective accumulative temperature, land long-term average sunshine hours on vegetation responses to SPEI with different time scales in different regions with different land use types標(biāo)記物的大小代表植被面積[log(面積)],形狀代表不同的植被類型,顏色代表不同的分區(qū); 誤差線代表±0.5倍標(biāo)準(zhǔn)差,黑色實(shí)線表示一元線性擬合,陰影部分表示95%置信區(qū)間

4 結(jié)論

本文利用模糊聚類分析把中國(guó)劃分了8個(gè)氣候分區(qū),對(duì)各分區(qū)及代表性區(qū)域的植被NDVI指標(biāo)對(duì)SPEI干旱指標(biāo)的響應(yīng)進(jìn)行了全面分析,同時(shí)探討了水平衡、降雨、有效積溫、日光照時(shí)數(shù)對(duì)不同土地利用類型、不同區(qū)域NDVI與SPEI相關(guān)程度的影響。上述分析得出如下幾點(diǎn)重要的結(jié)論：

(1)我國(guó)大部分區(qū)域NDVI與SPEI呈顯著正相關(guān)關(guān)系,表明降水及蒸發(fā)變化是中國(guó)植被覆被變化的關(guān)鍵性因素。NDVI與SPEI相關(guān)性顯著的區(qū)域主要在干旱、半干旱地區(qū),且上述區(qū)域NDVI對(duì)3—6個(gè)月SPEI響應(yīng)敏感。沿北緯30度附近的長(zhǎng)江流域區(qū)域(尤其是長(zhǎng)江流域東南部地區(qū))、珠江流域下游、黑龍江東北部、長(zhǎng)白山地區(qū)、四川西部等區(qū)域,NDVI與SPEI相關(guān)性不顯著。

(2)定量研究影響NDVI與SPEI相關(guān)程度的影響因子后發(fā)現(xiàn),影響植被干旱響應(yīng)的主要因素有水平衡、降雨、光照時(shí)數(shù)。研究發(fā)現(xiàn)水平衡相對(duì)單純的降水變化來講,是影響NDVI與SPEI相關(guān)關(guān)系的關(guān)鍵因素,在干旱以及半干旱區(qū)尤為顯著。光照時(shí)數(shù)也對(duì)NDVI與SPEI相關(guān)性有較強(qiáng)影響,光照時(shí)數(shù)對(duì)植被變化的影響在青藏高原、新疆、華北以及內(nèi)蒙等高寒地區(qū)及干旱與半干旱地區(qū)最為顯著。

(3)不同區(qū)域植被對(duì)干旱時(shí)間尺度響應(yīng)的敏感性差異較大,降水與水平衡是影響植被對(duì)干旱響應(yīng)敏感性的主要因素。另外,不同植被類型對(duì)不同時(shí)間尺度干旱事件的響應(yīng)也有不同,草地較林地對(duì)干旱影響更為敏感,而降水量較少區(qū)域的植被對(duì)干旱的影響更為敏感。對(duì)有效積溫的影響來講,當(dāng)多年有效平均積溫低于3000℃時(shí),不同植被類型對(duì)于不同時(shí)間尺度干旱影響的敏感性差異顯著,草地受干旱影響最為敏感,其次為灌木與林地。對(duì)于日照時(shí)數(shù)來講,多年平均日照時(shí)數(shù)低于6h的區(qū)域,各植被類型對(duì)干旱時(shí)間尺度的變化受多年平均日照時(shí)數(shù)的影響較小,而多年平均日照時(shí)數(shù)大于6h的區(qū)域,草地受干旱的影響最為敏感,其次為灌木、林地。

此項(xiàng)研究系統(tǒng)研究了不同氣候區(qū)、不同水熱條件等對(duì)NDVI與SPEI相關(guān)性影響,探討了不同植被類型對(duì)不同時(shí)間尺度干旱的響應(yīng)敏感性及可能原因。研究結(jié)果將對(duì)中國(guó)區(qū)域植被保育、農(nóng)業(yè)與林業(yè)及畜牧業(yè)等的規(guī)劃、管理與發(fā)展提供重要理論依據(jù)。同時(shí),對(duì)理解氣候波動(dòng)和氣候變化下植被的脆弱性具有重要意義,可以提高在全球氣候變化情景下植被轉(zhuǎn)移預(yù)測(cè)的精度[1,7]。

致謝：文本使用的氣象數(shù)據(jù)來源于中國(guó)氣象數(shù)據(jù)共享服務(wù)中心,GIMMS NDVI數(shù)據(jù)來源于國(guó)家自然科學(xué)基金委員會(huì)中國(guó)西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心,土地利用數(shù)據(jù)來源于歐盟聯(lián)合研究中心(JRC)空間應(yīng)用研究所(SAI)開發(fā)的GLC2000數(shù)據(jù)集。

[1] Vicente-Serrano S M, Gouveia C, Camarero J J, Begueria S, Trigo R, Lopez-Moreno J I, Azorin-Molina C, Pasho E, Lorenzo-Lacruz J, Revuelto J, Moran-Tejeda E, Sanchez-Lorenzo A. Response of vegetation to drought time-scales across global land biomes. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(1): 52- 57.

[2] Yu M X, Li Q F, Hayes M J, Svoboda M D, Heim R R. Are droughts becoming more frequent or severe in China based on the Standardized Precipitation Evapotranspiration Index: 1951- 2010? International Journal of Climatology, 2014, 34(3): 545- 558.

[3] Knapp A K, Smith M D. Variation among biomes in temporal dynamics of aboveground primary production. Science, 2001, 291(5503): 481- 484.

[4] Zhao M, Running S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009. Science, 2010, 329(5994): 940- 943.

[5] Ivits E, Horion S, Fensholt R, Cherlet M. Drought footprint on European ecosystems between 1999 and 2010 assessed by remotely sensed vegetation phenology and productivity. Global Change Biology, 2014, 20(2): 581- 593.

[6] Ma Z, Peng C, Zhu Q, Chen H, Yu G, Li W, Zhou X, Wang W, Zhang W. Regional drought-induced reduction in the biomass carbon sink of Canada′s boreal forests. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(7): 2423- 2427.

[7] Fang J Y, Piao S L, Tang Z Y, Peng C H, Wei J. Interannual variability in net primary production and precipitation. Science, 2001, 293(5536): 1723.

[8] Bevan S L, Los S O, North P R J. Response of vegetation to the 2003 European drought was mitigated by height. Biogeosciences, 2014, 11(11): 2897- 2908.

[9] Ji L, Peters A J. Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices. Remote Sensing of Environment, 2003, 87(1): 85- 98.

[10] Engelbrecht B M J, Comita L S, Condit R, Kursar T A, Tyree M T, Turner B L, Hubbell S P. Drought sensitivity shapes species distribution patterns in tropical forests. Nature, 2007, 447(7140): 80- 82.

[11] 于泉洲, 劉煜杰, 梁春玲, 周蕾, 張祖陸, 王永生. 基于遙感的南四湖濕地干旱響應(yīng)特征研究. 資源科學(xué), 2014, 36(7): 1519- 1526.

[12] 葉春, 吳桂平, 趙曉松, 王曉龍, 劉元波. 鄱陽湖國(guó)家級(jí)自然保護(hù)區(qū)濕地植被的干旱響應(yīng)及影響因素. 湖泊科學(xué), 2014, 26(2): 253- 259.

[13] 牟成香, 孫庚, 羅鵬, 王志遠(yuǎn), 羅光榮. 青藏高原高寒草甸植物開花物候?qū)O端干旱的響應(yīng). 應(yīng)用與環(huán)境生物學(xué)報(bào), 2013, 19(2): 272- 279.

[14] Xiao M Z, Zhang Q, Singh V P, Chen X H. Regionalization-based spatiotemporal variations of precipitation regimes across China. Theoretical and Applied Climatology, 2013, 114(1/2): 203- 212.

[15] Zhang Q, Qi T Y, Singh V P, Chen Y D, Xiao M Z. Regional frequency analysis of droughts in China: a multivariate perspective. Water Resources Management, 2015, 29(6): 1767- 1787.

[16] 宋怡, 馬國(guó)明. 基于GIMMS AVHRR NDVI數(shù)據(jù)的中國(guó)寒旱區(qū)植被動(dòng)態(tài)及其與氣候因子的關(guān)系. 遙感學(xué)報(bào), 2008, 12(3): 499- 505.

[17] 徐文婷, 吳炳方, 顏長(zhǎng)珍, 黃慧萍. 用SPOT-VGT數(shù)據(jù)制作中國(guó)2000年度土地覆蓋數(shù)據(jù). 遙感學(xué)報(bào), 2005, 9(2): 204- 214.

[18] Bartholomé E, Belward A S. GLC2000: a new approach to global land cover mapping from Earth observation data. International Journal of Remote Sensing, 2005, 26(9): 1959- 1977.

[19] Vicente-Serrano S M, Beguería S, López-Moreno J I. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index. Journal of Climate, 2010, 23(7): 1696- 1718.

[20] 王林, 陳文. 標(biāo)準(zhǔn)化降水蒸散指數(shù)在中國(guó)干旱監(jiān)測(cè)的適用性分析. 高原氣象, 2014, 33(2): 423- 431.

[21] Ruspini E H. A new approach to clustering. Information and Control, 1969, 15(1): 22- 32.

[22] Dunn J C. A fuzzy relative of the ISODATA process and its use in detecting compact, well-separated clusters. Journal of Cybernetics, 1974, 3(3): 32- 57.

[23] Bezdek J C. A convergence theorem for the fuzzy ISODATA clustering algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1980, 1(2): 1- 8.

[24] Srinivas V V, Tripathi S, Ramachandra Rao A, Govindaraju R S. Regional flood frequency analysis by combined self-organizing feature map and fuzzy clustering. Journal of Hydrology, 2008, 348(1/2): 148- 166.

[25] Satyanarayana P, Srinivas V V. Regionalization of precipitation in data sparse areas using large scale atmospheric variables-A fuzzy clustering approach. Journal of Hydrology, 2011, 405(3/4): 462- 473.

[26] Dunn D M, Landwehr J M. Analyzing clustering effects across time. Journal of the American Statistical Association, 1980, 75(369): 8- 15.

[27] Hosking J R M, Wallis J R. Regional Frequency Analysis: An Approach Based on L-moments. Cambridge: Cambridge University Press, 2005.

[28] Zhang Q, Qi T Y, Li J F, Singh V P, Wang Z Z. Spatiotemporal variations of pan evaporation in China during 1960- 2005: changing patterns and causes. International Journal of Climatology, 2014, 35(6): 903- 912.

[29] Dave R N. Validating fuzzy partitions obtained through c-shells clustering. Pattern Recognition Letters, 1996, 17(6): 613- 623.

[30] Wang J, Price K P, Rich P M. Spatial patterns of NDVI in response to precipitation and temperature in the central Great Plains. International Journal of Remote Sensing, 2001, 22(18): 3827- 3844.

[31] Zhang Q, Xu C Y, Chen X H. Reference evapotranspiration changes in China: natural processes or human influences? Theoretical and Applied Climatology, 2011, 103(3/4): 479- 488.

[32] 樸世龍, 方精云. 1982—1999年我國(guó)陸地植被活動(dòng)對(duì)氣候變化響應(yīng)的季節(jié)差異. 地理學(xué)報(bào), 2003, 58(1): 119- 125.

[33] 張學(xué)珍, 戴君虎, 葛全勝. 1982—2006年中國(guó)東部春季植被變化的區(qū)域差異. 地理學(xué)報(bào), 2012, 67(1): 53- 61.

[34] Garik Gutman G. Towards monitoring droughts from space. Journal of Climate, 1990, 3(2): 282- 295.

[35] Tucker C J. Comparing SMMR and AVHRR data for drought monitoring. International Journal of Remote Sensing, 1989, 10(10): 1663- 1672.

Vegetation responses to drought at different time scales in China

KONG Dongdong1,2,3, ZHANG Qiang1,2,3,*, GU Xihui1,2,3, WANG Yue1,2,3, LI Huazhen1,2,3

1DepartmentofWaterResourcesandEnvironment,SunYat-senUniversity,Guangzhou510275,China2KeyLaboratoryofWaterCycleandWaterSecurityinSouthernChinaofGuangdongHighEducationInstitute,SunYat-senUniversity,Guangzhou510275,China3GuangdongProvincialKeyLaboratoryofUrbanizationandGeo-simulation,SchoolofGeographyandPlanning,SunYat-senUniversity,Guangzhou510275,China

NDVI and SPEI drought index are collected and analyzed to investigate vegetation responses to drought regimes at different time scales in different regions and vegetation types across China, and the causes of changes are discussed. The results show that: 1) SPEI and NDVI are significantly positively correlated in most regions of China, indicating that the changes in vegetation biomass are influenced mainly by spatiotemporal characteristics of available water. The southeastern Yangtze River basin and the lower Pearl River basin are characterized by abundant precipitation and vegetation that is not sensitive to drought. The northeastern Heilongjiang Province, the Changbai Mountains, and the western Sichuan Province are characterized by weak correlation between NDVI and SPEI, indicating small effect of drought on vegetation. (2) The effects of the average water balance, average annual rainfall, average annual effective accumulated temperature, and average daily sunshine hours on correlations between NDVI and SPEI show that the average water balance is the key factor behind the changes in vegetation vigor. Hence, it can be concluded that change in soil moisture is the key factor determining the changes in vegetation activity and biomass. Regional precipitation or water balance is related significantly to the correlation between SPEI and NDVI, whereas vegetation in the regions with longer sunshine hours is more sensitive to droughts. In general, grasslands are the most sensitive to droughts, followed shrubs and forest.

SPEI; NDVI; fuzzy c-means; drought event; multi-time scale

國(guó)家杰出青年科學(xué)基金項(xiàng)目(51425903)；香港特別行政區(qū)研究資助局資助項(xiàng)目(CUHK441313)；中山大學(xué)濱海小流域自然地理綜合過程觀測(cè)與實(shí)驗(yàn)平臺(tái)建設(shè)資助項(xiàng)目(2012年度)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目；廣東省教育部產(chǎn)學(xué)研結(jié)合項(xiàng)目(2012B091100471)

2015- 06- 11;

日期:2016- 04- 13

10.5846/stxb201506111182

*通訊作者Corresponding author.E-mail:zhangq68@mail.sysu.edu.cn

孔冬冬,張強(qiáng),顧西輝,王月,李華貞.植被對(duì)不同時(shí)間尺度干旱事件的響應(yīng)特征及成因分析.生態(tài)學(xué)報(bào),2016,36(24):7908- 7918.

Kong D D, Zhang Q, Gu X H, Wang Y, Li H Z.Vegetation responses to drought at different time scales in China.Acta Ecologica Sinica,2016,36(24):7908- 7918.