2009—2011年我國西南地區旱災程度及其對植被凈初級生產力的影響

趙志平，吳曉莆，李 果，李俊生

中國環境科學研究院, 北京 100012

2009—2011年我國西南地區旱災程度及其對植被凈初級生產力的影響

趙志平，吳曉莆，李 果，李俊生*

中國環境科學研究院, 北京 100012

2009—2011年，我國西南地區遭受了極端干旱氣候影響。利用1980—2011年氣象站點觀測數據和基于光能利用率的植被凈初級生產力估算模型GloPEM，研究了2009—2011年西南地區干旱災害過程和程度及其對植被凈初級生產力的影響，結果顯示：2009—2011年西南地區年均降水量和濕潤指數明顯低于1980—2008年均值。受干旱氣候影響，研究區植被凈初級生產力比2001—2011年均值低12.55 gC m-2a-1，總計低0.017 PgC/a，造成的碳損失約占我國總碳匯的7.91%。2001—2011年西南地區植被凈初級生產力與蒸散量變化顯著相關(R2= 0.44，P< 0.05)，而降水量和濕潤指數變化過程與植被凈初級生產力和蒸散量不同步，可能是由于該地區森林覆蓋率較高，具有較強的涵養水源功能，導致土壤濕度變化滯后于降水量和濕潤指數變化，從而使降水量變化過程與植被凈初級生產力變化不同步。

西南干旱；濕潤指數；凈初級生產力；GloPEM模型

干旱是一種表現為降水減少、偏離正常狀況并持續一段時間的災害性天氣現象[1- 2]，分為天氣干旱、土壤干旱和生理干旱。這3種干旱都會對生態系統結構和功能產生不同程度的影響[3]。近年來，受全球氣候變化的影響，我國干旱等極端氣候出現的頻率明顯增加[4]。嚴重的干旱會導致農業生產無法正常進行[5]、植被生產力急劇下降[6- 8]、河流斷流、湖泊干涸[9]，使區域生態環境進一步退化。

2009年秋季以來，我國西南地區遭受了極端干旱氣候影響，降水量自2009年8月以來較多年同期偏少50%以上，氣溫也較常年同期偏高[10]，受影響區域包括云南、廣西、貴州、四川和重慶5省(直轄市、自治區)。干旱已造成較大的糧食減產、經濟林和天然植被大面積枯死[11]。西南地區是我國重要的生態屏障區，也是全球生物多樣性保護的熱點地區[12]。該地區擁有干熱河谷、溶巖地貌等復雜地理環境下孕育的多種脆弱生態系統類型[13- 16]。極端干旱事件將改變區域水、熱條件，影響農、林、草等植被生長，進而影響生態系統結構和功能，威脅區域生態系統安全[17]。因此，科學評估干旱程度及其導致的生態影響，對進一步避免和預防干旱造成的損失具有重要意義。

有關西南地區干旱災害特征及其影響，目前已有一些研究，如李強子等[18]利用遙感技術對2010年春季西南地區干旱災害影響程度進行了監測與評估，杞金華[19]以哀牢山森林生態系統為例，研究了常綠闊葉林水源涵養功能及其在應對西南干旱中的作用，穆興民等[20]則分析了人類活動對干旱災害程度的影響，并認為生態系統水源涵養功能較差、礦產開發破壞地質水文環境、水利設施功能減退等加劇了旱情；其它有關的干旱災害影響評估研究則主要是利用MODIS遙感數據分析2009年秋至2010年春西南地區旱災對地表植被覆蓋影響的時空變化特征[17,21- 22]。有關西南地區干旱狀況和程度的時空過程及其對植被凈初級生產力的影響尚未見相關報道。

本研究利用1980—2011年氣象站點觀測數據和基于光能利用率的NPP (Net Primary Productivity)估算模型GloPEM，通過與研究區歷史狀況進行對比，揭示2009—2011年西南地區干旱災害過程和程度，及其對植被凈初級生產力的影響。

圖1 研究區位置及氣象站點分布示意圖 Fig.1 Location and meteorological observatory distribution of research area

1 研究區概況

研究區域包括貴州省、云南省、廣西壯族自治區、四川省和重慶市5省(市、自治區)(圖1)，西部屬青藏高原邊緣地帶，云貴高原屬于我國第2階梯，廣西和四川盆地屬于3三階梯，地理上介于東經96°21′—112°04′、北緯20°54′—34°19′之間，總面積136.40×104km2，占全國總面積的14.20%[11]。該區以亞熱帶季風氣候和熱帶季雨林氣候為主，水熱條件良好，適合生物生長發育，是我國生物種類和生態系統類型最為豐富的地區之一，中國44%的樹種和北半球主要生態系統類型均分布在該區域[23]。

2 數據和方法

2.1 數據

本研究中的氣象數據來源于中國氣象局氣象科學數據共享服務網中1980—2011年西南地區141個氣象站點的觀測數據(http://cdc.cma.gov.cn)，包括日平均溫度、日最高溫度、日最低溫度、風速、相對濕度、降水和日照時數等。經計算得到各氣象站點1980—2011年間每16d總輻射、月降水、年降水、年潛在蒸散和濕潤指數后，利用ANUSPLIN軟件插值生成1 km分辨率空間柵格數據[24- 26]。本研究采用基于光能利用率的GloPEM模型估算植被NPP，其中植被吸收的光合有效輻射比率(FPAR)是模型的重要參數，其結果直接影響模型的精度。MODIS產品始于2000年第49天，用于計算該參數的MODIS NDVI產品自2001年以來數據序列完整，因此本研究模擬的植被NPP時間跨度為2001—2011年。

2.2 方法

2.2.1 濕潤指數

潛在蒸散值(ET0)計算是利用聯合國糧農組織(FAO)1998年對Penman-Monteith的修訂模型[27- 30]，計算公式為：

式中,Rn為凈輻射(MJ m-2d-1)，G為土壤通量(MJ m-2d-1)，γ為干濕常數(kPa/℃)，Δ為飽和水氣壓曲線斜率(kPa/℃)，U2為2m高處的風速(m/s)，ea為實際水汽壓(kPa)，es為平均飽和水汽壓(kPa)。

土壤熱通量

Gmonth=0.14(Tmonth,i-Tmonth,i-1)

其中Tmonth,i為第i月的平均氣溫(℃)，Tmonth, i-1為第i-1月的平均氣溫(℃)。

2m高處的風速U2=0.75U10，其中U10為觀測到的10m風速。

大氣壓強

式中，h為海拔高度(m)。

干濕常數

γ=CpP/ελ

其中，Cp為空氣比熱容1.013×10-3(MJ kg-1℃-1)，ε為水汽分子量與干空氣的分子量之比，其值為0.622，蒸發潛熱λ=2.501-0.002361T。

平均溫度

Tmean=(Tmax+Tmin)/2

飽和水汽壓

eo(T)=0.6108exp[17.27T/(T+237.3)]

飽和水氣壓曲線斜率

Δ=4098eo(Tmean)/(Tmean+237.3)2

平均飽和水汽壓

es=[eo(Tmax)+eo(Tmin)]/2

實際水汽壓

ea=RHmeanes/100

凈輻射Rn的計算公式如下：

式中,σ為Stefan-Boltzmann常數(4.903×10-9MJ K-4m-2d-1)，Tmax,k、Tmin,k分別為絕對溫標的最高和最低氣溫，n為實際日照時數，N為可照時數，Rso為晴天輻射，Rso=(0.75+2×10-5h)Ra，可照時數N=24ωs/π，天文輻射Ra由太陽常數Gsc(0.082MJ/m2min)、日地相對距離dr、太陽日落角ωs(rad)、緯度φ(rad)、太陽赤緯δ(rad)和天數J計算：

在計算潛在蒸散的基礎上，可用濕潤指數來劃分氣候的濕潤程度，并采用下列計算濕潤指數(Im)的公式來定量表示區域濕潤程度[31]：

式中,P為年降水量(mm/a)，ET0為年潛在蒸散(mm/a)。

2.2.2 植被凈初級生產力模擬

GloPEM是一個基于光能利用率的NPP估算模型，由冠層輻射吸收、利用、自養呼吸以及環境限制因子等幾個相互聯系的部分組成[32- 34]。GloPEM模型中NPP可以表示為

NPP=PAR×FPAR×ε-Ra

式中,PAR為光合有效輻射，根據氣候學輻射計算方法估算[28]。本研究利用西南地區141個氣象站點觀測數據運用ANUSPLIN軟件插值成1km柵格數據來計算PAR。FPAR是植被吸收的光合有效輻射比率，采用下式計算[35]。

FPAR=α×EVI

式中，ε是現實光能利用率，Ra是植被自養呼吸(包括維持性呼吸Rm和生長性呼吸Rg)。

其中現實光能利用率的計算公式如下：

ε=ε*×σT×σE×σS

式中，ε*為植被潛在光能利用率；T為空氣溫度對植被生長的影響系數[36]；E為大氣水汽對植物生長的影響系數[37]；S為植被和土壤水分缺失對植物生長的影響系數[38- 39]。

空氣溫度對植被生長的影響系數σT按下式計算：

式中,T為空氣溫度，Tmin，Topt和Tmax分別為光合作用的最低，最優和最高溫度。在模型中C3植物的最高和最低溫度分別為50℃和-1℃，C4植物的最高和最低溫度分別為50℃和0℃，最適溫度被定義為生長季多年平均溫度。大氣水汽對植物生長的影響系數E按下式計算：

σE=1-0.05δq0<δq≤15

σE=0.25δq>15

δq=Qw(T)-q

式中,Qw(T)是在指定溫度條件下的飽和濕度，q為當前大氣下濕度。

式中,ρnir和ρswir為近紅外和短波紅外波段的反射率，LSWImax是該區域生長季最大的LSWI。

本研究中將植物的自養呼吸Ra區分為維持性呼吸Rm和生長性呼Rg[40]。

式中,i表示不同的植物器官，i=1、2、3分別為葉、莖、根。維持性呼吸Rm和溫度相關：

Mi=VGC×ra,i×(1-1/Turnover)

式中,Mi為植物的第i器官的生物量，可由碳分配系數(ra,i)及碳周轉比率(Turnoveri)得到，分配系數及碳周轉比率由BGC模型獲得[41]，VGC是植被碳庫。γ是植物器官i的維持性呼吸系數；Q10是溫度影響因子，Tb是積溫。

植物的生長性呼吸(Rg)一般認為和溫度無關，而只與總初級生產力(GPP)成比例關系，分植被器官(葉、莖、根)給定維持性呼吸系數：

Rg=rg×GPP

式中,rg為植物總的生長性呼吸占總生長量的比例，本文采用Chen的研究結果[42]取值0.35。

3 結果

3.1 降水量時空變化特征

圖2 1980—2011西南地區季節降水量變化 Fig.2 Seasonal precipitation variations in southwestern China from 1980 to 2011

利用ArcGIS軟件統計區域降水量均值，結果顯示1980—2011年西南地區年均降水量為1147 mm，2009年年降水量為992 mm，相對多年均值減少156mm，其中夏、秋、冬三季降水量低于多年均值(圖2)。2010年年降水量為1128 mm，相對多年均值減少19 mm，其中春、夏季略低于多年均值，秋、冬季略高于多年均值。2011年年降水量為967 mm，相對多年均值減少180 mm，為近32年來最低值，其中春、夏、冬三季低于多年均值，秋季略高于多年均值。

2009年云南、貴州和廣西地區降水量較多年均值(1980—2008年)減少幅度較大(圖3)，大部分地區減少幅度達200—300 mm，部分地區在300 mm以上，四川南部、成都平原地區降水量減少幅度為100—200 mm，局部地區達200—300 mm；2010年貴州大部分地區年降水量較多年均值減少0—100 mm，云南省大部分地區年降水量減少100—200 mm，而四川、重慶和廣西局部地區年降水量則有所增加；2011年西南地區干旱程度和范圍有所增加，除四川和重慶北部地區外，大部分地區年降水量均較多年均值減少。

3.2 濕潤指數時空變化特征

圖4 西南地區1980—2011年潛在蒸散和濕潤指數變化 Fig.4 Potential evapotranspiration and Moisture index variations in southwestern China from 1980 to 2011

圖5 2009—2011年西南地區濕潤指數相對于1980—2008年均值的差值Fig.5 Moisture index of southwestern China from 2009 to 2011 different from the average of 1980 to 2011

1980—2011年西南地區均值為65，近32年來該地區濕潤指數呈極顯著下降趨勢(P< 0.01)，年均下降0.78(圖4)。2009—2011年年均濕潤指數則分別為36、 57和33，均低于近32年均值。2009—2011年西南地區潛在蒸散值分別為754、742和749 mm，均高于近32年均值。

圖5顯示，2009年西南大部分地區濕潤指數均低于多年均值(1980—2008年)，其中云南、貴州和廣西部分地區濕潤指數比多年均值的差值低40以上，此3個區域的干旱程度較為嚴重；2010年西南地區濕潤指數總體回升，大部分地區比多年均值低0—20，但云南大部分地區低20—40，局部低40以上；2011年西南大部分地區濕潤指數比多年均值低40以上，部分地區低20—40。

3.3 干旱對植被凈初級生產力的影響

2001—2011年西南地區植被凈初級生產力均值為540.33 gC m-2a-1(圖6)。2009年該地區植被凈初級生產力比近11年均值(2001—2011年)高13.69 gC m-2a-1，2010年該地區植被凈初級生產力比近11年均值低35.36 gC m-2a-1，2011年該地區植被凈初級生產力比近11年均值低16.00 gC m-2a-1。因此，2009—2011年干旱期間西南地區植被凈初級生產力與年降水量和濕潤指數變化過程并不同步。總體上2009—2011年干旱發生期間，西南地區植被凈初級生產力比近11年均值低12.55 gC m-2a-1，累積生物量低0.051 PgC，其中2010年生物量低0.048 PgC。

圖6 西南地區2001—2011年植被凈初級生產力變化Fig.6 Net primary productivity variations in southwestern China from 2001 to 2011

2009年四川省和重慶市大部分地區NPP比近11年均值(2001—2011年)低(圖7)；云南省、廣西壯族自治區和貴州省大部分地區NPP比近11年均值高，只有部分地區NPP低于近11年均值。2010年西南大部分地區NPP比近11年均值低，只有四川北部、云南西南部、廣西南部和西南地區中部地區NPP比近11年均值高。2011年西南地區NPP比2010年高，其中四川省和重慶市NPP明顯上升。

圖7 2009—2011年西南地區植被凈初級生產力相對于2001—2011年均值的差值Fig.7 Net primary productivity of southwestern China from 2009 to 2011 different from the average of 2001—2011

4 討論

基于光能利用率的NPP估算模型，總輻射是模型的重要參數，其模擬結果直接影響模型的精度。2001—2011年西南地區共有17個數據序列完整的輻射觀測站點，本研究總輻射模擬結果與之進行對比，結果顯示模擬年總輻射與觀測結果具有極顯著相關關系(P< 0.01)(圖8)，表明本研究總輻射估算方案可行。本研究模擬的NPP與實測結果[43]進行對比，結果顯示模擬NPP與實測結果具有極顯著相關關系(P< 0.01)(圖9)，表明本研究利用GloPEM模型模擬的NPP結果是合理的。

統計年鑒結果[44- 46]顯示(圖10)，2010年西南地區農業旱災受災面積和成災面積均最大，分別是2009和2011年的1.93、3.13倍和1.39、1.75倍。蒸散量是衡量植被生命旺盛程度的指標之一。MODIS蒸散量產品[47]分析結果顯示，干旱期間研究區2009年蒸散量最大，其次為2011年，2010年蒸散量最小，本研究模擬的研究區NPP變化過程與之同步，相關分析顯示本研究2001—2011年NPP模擬結果與MODIS蒸散量產品具有顯著相關性(P< 0.05)(圖11)。因此本研究NPP模擬結果基本能夠反映2009—2011年西南地區NPP變化特征以及極端干旱氣候對其影響。

圖8 模擬年總輻射與觀測值對比結果 Fig.8 Total radiation comparison between simulation and observed value

圖9 本研究模擬NPP與實測NPP對比結果Fig.9 NPP comparison between simulation and field value

干旱災害會影響植被生產力，導致植被碳匯功能降低[48]。Ciais[49]發現2003年干旱天氣導致歐洲植被總初級生產力降低30%；Phillips等人[50]的研究則表明2005年極端干旱天氣使亞馬遜熱帶雨林失去了1.2—1.5 PgC，該區當年由碳匯轉變為碳源。本次研究發現2009—2011年干旱期間西南地區植被NPP較近11年均值低0.017 PgC/a，樸世龍[51]認為我國碳匯大小在0.19—0.24 PgC/a之間，按此值計算，由于2009—2011年西南地區極端干旱導致的該地區碳匯大量損失，其損失量約占我國總碳匯的7.91%，其中2010年碳匯損失22.33%。

圖10 2009—2011西南地區年農業旱災受災和成災面積統計Fig.10 Statistical result of areas covered and affected by drought from 2009 to 2011

圖11 本研究模擬NPP與MODIS 蒸散量相關分析Fig.11 Correlation analysis of simulated NPP and MODIS evapotranspiration

Pasho等[52]研究干旱對森林植被生長的影響發現，干旱地區的森林生長與氣候干旱指數變化一致，而濕潤地區的森林生長受干旱影響時間較短，這可能與濕潤地區的森林生態系統自身具有較高的涵養水源功能以減緩氣候干旱影響有關。在西南地區，杞金華[21]研究了哀牢山常綠闊葉林水源涵養功能及其在應對西南干旱中的作用，并證實了常綠闊葉林主要樹種自干旱發生后至2010年初并未遭受水分脅迫，其充足的地下水和土壤水儲存使得常綠闊葉林中的樹木在百年一遇的干旱中依然有足夠的水分供應。本次研究也發現在干旱氣候脅迫下，西南地區NPP(圖6)和蒸散量與降水量和濕潤指數變化(圖4)并不同步，即NPP和蒸散量最低值出現在降水量(圖12)和濕潤指數最高的2010年，而不是降水量和濕潤指數較低的2009年和最低的2011年。NPP和蒸散量與土壤濕度關系緊密[7]，本研究獲取了AMSR-E地表土壤2cm濕度數據(2002年第170天至2011年第270天)，經過處理得到2009—2011年研究區土壤濕度與多年均值差(圖12)，并與月降水量結果進行對比發現干旱發生期間二者變化并不同步，相關分析顯示二者沒有顯著相關關系。同時把2009—2011年每16d NPP模擬結果和土壤濕度與多年均值差進行相關分析，發現二者具有極顯著相關關系(P< 0.001)(圖13)，因此我們可以判定西南地區干旱發生期間，該地區森林覆蓋率較高，具有較強的涵養水源功能，可能導致土壤濕度變化滯后于降水量和濕潤指數變化，從而使降水量變化過程與NPP變化不同步。

圖12 西南地區干旱期間月降水量和土壤濕度與多年(1980—2008年)均值差Fig.12 Month precipitation and soil moisture difference between drought and long period average

圖13 2009—2011年每16d NPP和土壤濕度與多年均值差的相關分析Fig.13 Correlation analysis of simulated NPP and soil moisture per 16 days difference between drought and long period average

5 結論

(1)2009—2011年西南地區遭受了罕見的干旱災害，其中云南、貴州、廣西西北部和四川南部干旱災害嚴重。2009年西南地區年降水量和濕潤指數大幅下降，2010年該地區年降水量和濕潤指數有所上升，2011年該地區年降水量和濕潤指數又降至近32年最低值。

(2)受干旱災害影響，西南地區植被凈初級生產力比近11年均值低12.55 gC m-2a-1，總計低0.017 PgC/a。按照我國碳匯大小0.19—0.24 PgC/a計算，干旱期間我國每年損失碳匯約占總碳匯的7.91%，其中2010年損失碳匯22.33%。

(3)干旱期間西南地區植被凈初級生產力變化與蒸散量顯著相關(P< 0.05)，而降水量和濕潤指數變化過程與植被凈初級生產力和蒸散量不同步，很可能與生態系統水分涵養功能導致土壤濕度變化滯后于降水量和濕潤指數變化有關。

[1] 顧穎, 劉靜楠, 林錦. 近60年來我國干旱災害特點和情勢分析. 水利水電技術, 2010, 41(1): 71- 74.

[2] 《第二次氣候變化國家評估報告》編寫委員會. 第二次氣候變化國家評估報告. 北京: 科學出版社, 2011.

[3] 田漢勤, 徐小鋒, 宋霞. 干旱對陸地生態系統生產力的影響. 植物生態學報, 2007, 31(2): 231- 241.

[4] IPCC. Climate Change 2007: Synthesis Report // Core Writing Team, Pachauri R K, Reisinger A, eds. Contribution of Working Groups I, II and III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva, Switzerland: IPCC, 2007: 104- 104.

[5] 徐聯. 干旱對我國農業的影響及應對措施. 廣東農業科學, 2011, 38(12): 201- 203.

[6] Krishnan P, Black T A, Grant N J, Barr A G, Hogg E H, Jassal R S, Morgenstern K. Impact of changing soil moisture distribution on net ecosystem productivity of a boreal aspen forest during and following drought. Agricultural and Forest Meteorology, 2006, 139(3): 208- 223.

[7] Granier A, Reichstein M, Bréda N, Janssens I A, Falge E, Ciais P, Grünwald T, Aubinet M, Berbigier P, Bernhofer C, Buchmann N, Facini O, Grassi G, Heinesch B, Ilvesniemi H, Keronen P, Knohl A, K?stner B, Lagergren F, Lindroth A, Longdoz B, Loustau D, Mateus J, Montagnani L, Nys C, Moors E, Papale D, Peiffer M, Pilegaard K, Pita G, Pumpanen J, Rambal S, Rebmann C, Rodrigues A, Seufert G, Tenhunen J, Vesala T, Wang Q. Evidence for soil water control on carbon and water dynamics in European forests during the extremely dry year: 2003. Agricultural and Forest Meteorology, 2007, 143(1): 123- 145.

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

[9] Piao S L, Ciais P, Huang Y, Shen Z H, Peng S S, Li J S, Zhou L P, Liu H Y, Ma Y C, Ding Y H, Friedlingstein P, Liu C Z, Tan K, Yu Y Q, Zhang T Y, Fang J Y. The impacts of climate change on water resources and agriculture in China. Nature, 2010, 467(7311): 43- 51.

[10] 王素琴. 西南部分地區氣象干旱呈三大特點. 中國氣象報, 2010-03-04(3) [2013-03- 27]. http://www.zgqxb.com.cn/xwbb/yw/201003/t20100302_5831.htm.

[11] 馬建華. 西南地區近年特大干旱災害的啟示與對策. 人民長江, 2010, 41(24): 7- 12.

[12] Myers N, Mittermeier R A, Mittermeier C G, da Fonseca G A B, Kent J. Biodiversity hotspots for conservation priorities. Nature, 2000, 403(6772): 853- 858.

[13] 黃秋昊, 蔡運龍, 王秀春. 我國西南部喀斯特地區石漠化研究進展. 自然災害學報, 2007, 16(2): 106- 111.

[14] 楊兆平, 常禹. 我國西南主要干旱河谷生態及其研究進展. 干旱地區農業研究, 2007, 25(4): 90- 93, 99- 99.

[15] 倪雪波, 劉榮高, 王世杰. 干旱影響石漠化地區植被生長的遙感觀測. 西南大學學報: 自然科學版, 2009, 31(12): 140- 144.

[16] 蘇維詞, 楊漢奎. 貴州巖溶區生態環境脆弱性類型的初步劃分. 環境科學研究, 1994, 7(6): 35- 41.

[17] Wang W, Wang W J, Li J S, Wu H, Xu C, Liu T. The impact of sustained drought on vegetation ecosystem in Southwest China based on remote sensing. Procedia Environmental Sciences, 2010, 2: 1679- 1691.

[18] 李強子, 閆娜娜, 張飛飛, 常勝, 吳炳方. 2010年春季西南地區干旱遙感監測及其影響評估. 地理學報, 2010, 65(7): 771- 780.

[19] 杞金華, 章永江, 張一平, 劉玉洪, 楊秋云, 宋亮, 鞏合德, 魯志云. 哀牢山常綠闊葉林水源涵養功能及其在應對西南干旱中的作用. 生態學報, 2012, 32(6): 1692- 1702.

[20] 穆興民, 王飛, 馮浩, 張睿, 魯向暉, 高鵬. 西南地區嚴重旱災的人為因素初探. 水土保持通報, 2010, 30(2): 1- 4.

[21] 白開旭, 劉朝順, 施潤和, 高煒. 2010年中國西南旱情的時空特征分析——基于MODIS數據歸一化干旱指數. 地球信息科學學報, 2012, 14(1): 32- 40, 48- 48.

[22] Zhang J H, Jiang L G, Feng Z M, Li P. Detecting effects of the recent drought on vegetation in Southwestern China. Journal of Resources and Ecology, 2012, 3(1): 43- 49.

[23] 李文華. 我國西南地區生態環境建設的幾個問題. 林業科學, 2000, 36(5): 10- 11.

[24] Hustchinson M F. Anusplin Version 4. 2 User Guide. Canberra: Centre for Resource and Environment Studies, Australian National University, 2002.

[25] Hutchinson M F. Interpolation of rainfall data with thin plate smoothing splines Part I: two dimensional smoothing of data with short range correlation. Journal of Geographic Information Decision Analysis, 1998, 2(2): 153- 167.

[26] 王英, 曹明奎, 陶波, 李克讓. 全球氣候變化背景下中國降水量空間格局的變化特征. 地理研究, 25(6): 1031- 1040.

[27] Penman H L. Natural evaporation from open water, bare soil and grass. Proceedings of the Royal Society A, 1948, 193(1032): 120- 145.

[28] Richard G A, Luis S P, Dirk R, Martin S. Crop evapotranspiration-guidelines for computing crop water requirements. FAO irrigation and drainage paper 56, 1998，Rome, Italy，http://www.fao.org/docrep/X0490E/X0490E00.htm

[29] Wu S H, Yin Y H, Zheng D, Yang Q Y. Moisture conditions and climate trends in China during the period 1971- 2000. International Journal of Climatology, 2006, 26(2): 193- 206.

[30] Yin Y H, Wu S H, Zheng D, Yang Q Y. Radiation calibration of FAO56 Penman-Monteith model to estimate reference crop evapotranspiration in China. Agricultural Water Management, 2008, 95(1): 77- 84.

[31] Thornthwaite C W. An approach toward a rational classification of climate. Geographical Review, 1948, 38(1): 55- 94.

[32] Prince S D, Goward S N. Global primary production: a remote sensing approach. Journal of Biogeography, 1995, 22(4): 815- 835.

[33] Goetz S J, Prince S D, Goward S N, Thawley M M, Small J. Satellite remote sensing of primary production: an improved production efficiency modeling approach. Ecological Modelling, 1999, 122(3): 235- 255.

[34] Wang J B, Liu J Y, Cao M K, Liu Y F, Yu G R, Li G C, Qi S H, Li K R. Modelling carbon fluxes of different forests by coupling a remote-sensing model with an ecosystem process model. International Journal of Remote Sensing, 2011, 32(21): 6539- 6567.

[35] Yan H M, Fu Y L, Xiao X M, Huang H Q, He H L, Ediger L. Modeling gross primary productivity for winter wheat-maize double cropping system using MODIS time series and CO2eddy flux tower data. Agriculture, Ecosystems and Environment, 2009, 129(4): 391- 400.

[36] Raich J W, Rastetter E B, Melillo J M, Kicklighter D W, Steudler P A, Peterson J. Potential net primary productivity in south America: application of a global model. Ecological Application, 1991, 1(4): 399- 429.

[37] Cao M, Prince S D, Small J, Goetz S J. Satellite remotely sensed interannual variability in terrestrial net primary productivity from 1980 to 2000. Ecosystems, 2004, 7(3): 233- 242.

[38] Xiao X M, Hollinger D, Aber J, Goltz M, Davidson E A, Zhang Q Y, Moore B. Satellite-based modeling of gross primary production in an evergreen needle leaf forest. Remote Sensing of Environment, 2004, 89(4): 519- 534.

[39] Xiao X M, Zhang Q Y, Braswell B, Urbanski S, Boles S, Wofsy S, Moore B, Ojima D. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, 2004, 91(2): 256- 270.

[40] Ryan M G. A simple method for estimating gross carbon budgets for vegetation in forest ecosystems. Tree Physiology, 1991, 9(1): 255- 266.

[41] Running S W, Coughlan J C. A general model of forest ecosystem processes for regional application I. Hydrological balance, canopy gas exchange and primary production processes. Ecological Modelling, 1988, 42(2): 125- 154.

[42] Chen J M, Liu J, Cihlar J, Goulden M L. Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications. Ecological Modelling, 1999, 124(2): 99- 199.

[43] 史軍, 劉紀遠, 高志強, 崔林麗. 造林對土壤碳儲量影響的研究. 生態學雜志, 2005, 24(4): 410- 416.

[44] 國家統計局. 中國統計年鑒2010. 北京: 中國統計出版社, 2010.

[45] 國家統計局. 中國統計年鑒2011. 北京: 中國統計出版社, 2011.

[46] 國家統計局. 中國統計年鑒2012. 北京: 中國統計出版社, 2012.

[47] Mu Q Z, Zhao M S, Running S W. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sensing of Environment, 2011, 115(8): 1781- 1800.

[48] Pan Y, Richard B, Fang J, Houghton R, Kauppi P E, Kurz W A, Phillips O L, Shvidenko A, Lewis S L, Canadell J G, Ciais P, Jackson R B, Pacala S W, McGuire A D, Piao S, Rautiainen A, Sitch S, Hayes D. A large and persistent carbon sink in the world′s forests. Science, 2011, 333(6045): 988- 993.

[49] Ciais P, Reichstein M, Viovy N, Granier A, Ogée J, Allard V, Aubinet M, Buchmann N, Bernhofer C, Carrara A, Chevallier F, De Noblet N, Friend A D, Friedlingstein P, Grünwald T, Heinesch B, Keronen P, Knohl A, Krinner G, Loustau D, Manca G, Matteucci G, Miglietta F, Ourcival J M, Papale D, Pilegaard K, Rambal S, Seufert G, Soussana J F, Sanz M J, Schulze E D, Vesala T, Valentini R. Europe-wide reduction in primary productivity caused by the heat and drought in 2003. Nature, 2005, 437(7058): 529- 533.

[50] Phillips O, Arag?o L E O C, Lewis S L, Fisher J B, Lloyd J, López-González G, Malhi Y, Monteagudo A, Peacock J, Quesada C A, van der Heijden G, Almeida S, Amaral I, Arroyo L, Aymard G, Baker T R, Bánki O, Blanc L, Bonal D, Brando P, Chave J, de Oliveira A C A, Cardozo N D, Czimczik C I, Feldpausch T R, Freitas M A, Gloor E, Higuchi N, Jiménez E, Lloyd G, Meir P, Mendoza C, Morel A, Neill D A, Nepstad D, Patio S, Peuela M C, Prieto A, Ramírez F, Schwarz M, Silva J, Silveira M, Thomas A S, Steege H T, Stropp J, Vásquez R, Zelazowski P, Dávila E A, Andelman S, Andrade A, Chao K J, Erwin T, Di Fiore A C E H, Keeling H, Killeen T J, Laurance W F, Cruz A P, Pitman N C A, Vargas P N, Ramirez-Angulo H, Rudas A, Salam?o R, Silva N, Terborgh J, Torres-Lezama A. Drought sensitivity of the Amazon rainforest. Science, 2009, 323(5951): 1344- 1347.

[51] 樸世龍, 方精云, 黃耀. 中國陸地生態系統碳收支. 中國基礎科學, 2010, 12(2): 20- 22.

[52] Pasho E, Camarero J J, de Luis M, Vicente-Serranoa S. Impacts of drought at different time scales on forest growth across a wide climatic gradient in north-eastern Spain. Agricultural and Forest Meteorology, 2011, 151(12): 1800- 1811.

Drought in southwestern China and its impact on the net primary productivity of vegetation from 2009—2011

ZHAO Zhiping，WU Xiaopu，LI Guo，LI Junsheng*

ChineseResearchAcademyofEnvironmentalSciences，Beijing100012，China

Droughts are weather patterns involving prolonged reductions in precipitation that are distinct from normal weather cycles. They can be accompanied by extreme heat. There are three types of drought that affect vegetation: weather, soil, and physiology. In recent years, global climate change has significantly increased the frequency of drought and other extreme weather in China. Severe drought interferes with agricultural production and has caused a sharp decline in the net primary productivity of vegetation. It has decreased the total volume of rivers, dried up lakes, and degraded local environments. Southwestern China has suffered from a long-term drought that began in the autumn of 2009. Precipitation is half of what it was years ago. In this study, meteorological station data was used to analyze the process and magnitude of this drought from 2009—2011. Then a light-use-efficiency-based model for calculating net primary productivity called GloPEM was used to determine the impact of drought on the net primary productivity of vegetation during this time. The study area included Guizhou, Yunnan, and Sichuan Provinces, the Guangxi Zhuang Autonomous Region, and Chongqing City. The results showed that the drought was severe in Yunnan, Guizhou, northwestern Guangxi, and in southern Sichuan. And the precipitation and moisture index of 2009—2011 were obviously lower than the average of 1980—2011 in southwestern China. In 2009, the precipitation and moisture index declined sharply. In 2010, the precipitation and moisture index returned to near-normal levels. In 2011, the precipitation and moisture index fell to the lowest point in the past 32 years. For light-use-efficiency-based model, the total radiation is an important parameter. In this study, variations in simulated total radiation were closely correlated with observation results (R2= 0.84,P< 0.01). This drought may have reduced the net primary productivity of vegetation, decreasing plant′s ability to create a carbon sink. In the study area, the average of net primary productivity from 2009—2011 was 12.55 gC m-2a-1lower than the average value from 2001—2011. It was 0.017 PgC/a in total. This reduced China′s total carbon sink by 7.91%. In 2010 alone, this loss reduced China′s total carbon sink by 22.33% for that year. Variations in simulated net primary productivity were closely correlated with observation results (R2= 0.64,P< 0.01), which indicated that simulation of net primary productivity from GloPEM model was reliable and the parameters of GloPEM model were suitable in southwestern China. From 2001—2011, variations in net primary productivity were closely correlated with evapotranspiration (R2= 0.44,P< 0.05) in southwestern China. From 2009—2011, variations in net primary productivity and evapotranspiration were synchronized, but variations in precipitation and moisture index were not synchronous with those in net primary productivity or evapotranspiration. Statistical analysis of areas covered and affected by drought from 2009—2011 confirmed this. Variations of soil moisture levels were closely correlated with net primary productivity (R2= 0.25,P< 0.01). This phenomenon might have a relationship with the water conservation function of the ecosystem, which causes a delayed correlation between soil moisture levels and precipitation.

drought in southwestern China; moisture index; net primary productivity; GloPEM model

環保公益性行業科研專項項目(201209031)

2013- 04- 04;

日期:2014- 03- 25

10.5846/stxb201304040604

*通訊作者Corresponding author.E-mail: lijsh@craes.org.cn

趙志平，吳曉莆，李果，李俊生.2009—2011年我國西南地區旱災程度及其對植被凈初級生產力的影響.生態學報,2015,35(2):350- 360.

Zhao Z P，Wu X P，Li G，Li J S.Drought in southwestern China and its impact on the net primary productivity of vegetation from 2009—2011.Acta Ecologica Sinica,2015,35(2):350- 360.