雅魯藏布江流域干濕轉換特征及植被動態響應

劉 瀏，牛乾坤，衡靜霞，李 浩，徐宗學

雅魯藏布江流域干濕轉換特征及植被動態響應

劉 瀏1,2，牛乾坤1,2，衡靜霞1,2，李 浩1,2，徐宗學3,4

（1. 中國農業大學水利與土木工程學院，北京 100083； 2. 中國農業大學中國農業水問題研究中心，北京 100083；3. 北京師范大學水科學研究院，北京 100875； 4. 城市水循環與海綿城市技術北京市重點實驗室，北京 100875）

為準確識別氣候變化條件下高寒流域干濕特征及植被動態響應，該研究以青藏高原東南部的雅魯藏布江流域為例，基于全球陸面數據同化系統（global land data assimilation system，GLDAS）數據集，計算標準化降水蒸散指數（standardized precipitation evapotranspiration index，SPEI），結合歸一化植被指數（normalized difference vegetation index，NDVI）探討了雅魯藏布江流域干濕轉換特征及其對植被的影響。結果表明：GLDAS的降水與氣溫數據與實測數據一致性較好，可以用于分析雅魯藏布江流域干濕轉換特征；1982－2015年間雅魯藏布江流域總體呈現濕潤化趨勢，但2000年前后流域干濕時空特征發生反轉現象，即時間上，2000年以前流域呈現濕潤化趨勢，2000年以后呈現干旱化趨勢，空間上，流域內干旱地區逐漸變濕，濕潤地區逐漸變干；流域內約71.83%的區域SPEI與NDVI呈正相關，流域植被受流域干濕條件影響較大，降水和氣溫是植被動態變化的主要驅動因素；流域內92.17%以上的區域SPEI與土壤含水量呈極顯著正相關，表明土壤含水量亦是影響流域干濕特性不可忽視的因素。該研究結果可為辨識高原及高寒區水循環變化過程及其驅動機制提供科學依據。

遙感；氣候變化；植被；干濕特征；GLDAS；GIMMS；青藏高原

0 引 言

全球變暖已是不爭的事實[1-2]。地表溫度的升高會加快地表水體的蒸散發速率，提高大氣水汽含量，改變降水的時間和空間分布形態，也進一步影響了陸地干濕演變特征[3]。陸地干濕狀態的改變會對流域生態環境可持續發展產生不可忽視的作用。而植被作為陸地生態系統的重要組成部分，是環境變化的指示器。研究植被變化與陸地干濕演變之間的互饋關系已經成為生態領域的研究熱點[1-2]。

標準化降水蒸散指數（standardized precipitation evapotranspiration index，SPEI）綜合考慮了降水和蒸散發，能夠在不同時間尺度上評估干濕變化的演變特征[4-5]。戚穎等[6]利用SPEI指數研究了黑龍江地區玉米生育期內干濕變化對玉米產量的影響。羅登澤等[7]采用SPEI指數，利用多種數理統計方法分析若爾蓋濕地的干濕時空演變特征。柴榮繁等[8]基于SPEI指數研究了中國干濕變化趨勢，認為中國由西北向東南呈現“濕潤-干旱-濕潤”的空間分布形態。植被是連接土壤、水體和大氣的自然紐帶，能夠充分反映環境演變。歸一化植被指數（normalized difference vegetation index，NDVI）常常被用來反映植被生長狀態及其空間分布[9]。周玉科[10]采用格蘭杰效應分析研究了青藏高原植被NDVI與平均氣溫和降水的響應關系。張佳琦等[11]采用MODIS NDVI數據分析了三江平原地區植被時空變化特征以及對氣候的響應機理。然而，針對高海拔地區的植被動態變化與干濕狀態間的互饋關系研究較為少見。

雅魯藏布江位于青藏高原東南部，海拔高，地形復雜，氣候多樣，是研究氣候變化的熱點地區，且近年來氣候變化顯著。周順武等[12]分析表明雅魯藏布江流域中游地區夏季氣溫存在明顯上升趨勢，1980年突變增暖較為顯著；而夏季降水存在下降趨勢。You等[13]基于站點實測數據分析了雅魯藏布江流域氣溫、降水和潛在蒸散發的長時間變化趨勢，發現流域變暖幅度相對較高，降水和潛在蒸散發降低趨勢更強，表現出對全球變暖的強烈敏感性。因此，本研究聚焦于青藏高原東南部的雅魯藏布江流域，基于SPEI指數研究流域干濕演變特征，采用NDVI反映植被動態變化，最后分析流域內植被變化與陸地干濕狀態間的互饋關系，旨在明晰氣候變化背景下雅魯藏布江流域干濕演變特征和植被動態變化之間的響應關系，為高海拔地區的生態環境可持續發展提供科學依據。

1 研究區域與研究方法

1.1 研究區域概況

雅魯藏布江流域是世界上海拔最高的流域之一，位于青藏高原東南部（28°00′～31°16′N，82°00′～97°07′E），主要由多雄藏布河、年楚河、拉薩河、尼洋河以及帕隆藏布河等5條主要支流組成，流域面積約24萬km2，平均海拔在4 000 m以上，地形復雜，氣候多變[14]。流域氣候主要受孟加拉灣和印度洋的暖濕氣流影響，區域差異明顯，自東南向西北、自下游到上游降水及氣溫呈現逐漸減少的空間分布形態。流域多年平均降水量為300～500 mm，但降水年內分布不均，6—9月期間降水量約占整個流域年平均降水量的60%～90%。受高程起伏影響，流域氣候和植被空間差異性較大，呈現明顯的垂直地帶性，隨著海拔增高，植被覆蓋逐漸減少，研究區自高向低形成了高山冰雪帶、高山寒凍風化帶、高山寒帶、山地寒溫帶、山地溫帶、山地亞熱帶、熱帶等。研究區域概況如圖1所示。

圖1 雅魯藏布江流域概況

1.2 研究數據

NDVI已被廣泛應用于檢測和量化大范圍的植被動態變化[15]，目前已有多種遙感衛星遙感儀可提供NDVI數據，與其他植被指數數據集相比，本研究采用的美國航空航天局（NASA）開發的GIMMS NDVI第三代數據集（global inventory modeling and mapping studies，GIMMS-NDVI3g，http://ecocast.arc.nasa.gov/data/pub/gimms/ 3g/）時間數列更長，覆蓋范圍更廣，具有較強的植被動態變化表征能力，已被證明是描述植被生長動態變化最好的數據集之一[16]，且有研究表明GIMMS NDVI數據集在青藏高原地區在反映動態變化方面明顯好于MODIS NDVI[17]。空間分辨率為8 km×8 km，時間從1982年1月至2015年12月。同時為進一步降低云、大氣、太陽輻射角等對NDVI數值的影響，本研究采用Savitzky-Golay濾波，最大值合成等方法對GIMMS NDVI3g數據進行預處理，以保證研究數據的可靠性和研究結果的準確性。

全球陸面數據同化系統GLDAS（global land data assimilation system）是由美國戈達德空間飛行中心和環境預報中心聯合開發的高分辨的陸面數據同化系統（http://ldas.gsfc.nasa.gov/gldas/GLDAS vegetation.php)，該數據集融合了地面觀測資料及遙感衛星觀測資料，數據來源比較廣泛，其空間分辨率為0.25°×0.25°，時間分辨率為3 h和月，包含CLM（community land model），NOAH（NCEP，OSU，air force and office of hydrology），MOSAIC和VIC（variable infiltration capacity）4種不同模式的數據[18]。與其他遙感數據相比GLDAS數據空間分辨率及時間分辨率較高，時間跨度長（1970至今），共包含降水、氣溫、土壤含水量等在內的28個數據變量，數據變量豐富，同時由于雅魯藏布江流域內氣象數據匱乏，尤其上游地區基本沒有氣象站點分布，因而本研究選取GLDAS-NOAH數據提供的月平均氣溫、降水、及土壤含水量數據分析雅魯藏布江流域干濕變化特征，時間范圍保持與GIMMS數據一致，即1982—2015年。

本研究使用的實測氣象數據來源于中國氣象數據網（http://data.cma.cn/），包括雅魯藏布江流域及其周邊20個國家基本氣象站的降水和平均氣溫的日序列資料，時間為1982—2015年，統一處理為月降水和月平均氣溫，用于評估GLDAS-NOAH數據在雅魯藏布江流域的適用性。

1.3 研究方法

SPEI是在SPI（standardized precipitation index）的基礎上引入潛在蒸散發量（potential evapotranspiration，PET）構建的，與SPI相似，是基于概率模型的干旱指數[5,19]。SPEI主要考慮水資源投入和水資源產出，其計算結果表示在一定時期內生態系統中的水量過剩或水分虧缺情況。本研究中SPEI計算步驟可分為：基于Thornthwaite方法計算潛在蒸散發量（PET），計算降水與蒸散的差值；基于“歷史同月的累積水分虧缺量服從Log-logistic分布”這一假說，計算概率密度函數和累積概率，進而轉化為標準正態分布求得SPEI。具體計算方法如下[5]：

首先，計算潛在蒸散發量以及降水與潛在蒸散發的差值

式中為選擇的時間尺度；為序列的樣本數，=1,2,3…,；D為降水量與潛在蒸散量的差值；P為月降水量，mm；PET為月潛在蒸散量，mm。

其次，D數據序列的標準化：類似于SPI，SPEI采用3個參數的Log-logistic對D數據序列進行標準化，得到概率分布函數()，其具體計算公式如下

式中()為概率分布函數，，，分別為尺度參數、形狀參數和位置參數，可由線性距法估算得到。

最后對擬合的概率分布函數進行標準正態分布轉換，獲得對應的SPEI值。

=1?()（3）

其中，常數0=2.515 5，1=0.802 9，2=0.010 3，1= 1.432 8，2=0.189 2和3=0.001 3[19]。SPEI負值表示干燥狀態，正值表示潮濕狀態。表1列出了基于SPEI的干旱等級分類標準。

表1 SPEI氣象干旱指數分類[20]

為描述SPEI和NDVI在1982—2015年間的時空變化趨勢，采取一元線性回歸法對研究區域內的SPEI和NDVI的進行分析。其具體計算公式如下

式中slope表示NDVI和SPEI的變化趨勢，表示研究時間范圍，34，C表示第年的SPEI或NDVI。對NDVI和SPEI的變化趨勢進行顯著性檢驗（<0.01，極顯著變化；<0.05，顯著變化；>0.05，變化不顯著）。

本研究基于像元尺度分析NDVI和SPEI的相關性，相關系數的計算公式如下

GLDAS-NOAH降水、氣溫數據在雅魯藏布江流域的適用性評估，采用相關系數（）、均方根誤差（RMSE）、平均偏差（MB）、Nash-Sutcliffe效率系數（NSE），計算公式如下

2 結果與分析

2.1 GLDAS-NOAH數據適用性評估

本研究采用1982—2015年雅魯藏布江流域內及其周邊20個氣象站點月降水量和平均氣溫，對應各氣象站點所在網格的GLDAS-NOAH月數據，通過、RMSE、MB，NSE 4個統計指標，綜合評估GLDAS-NOAH數據在雅魯藏布江流域的適用性。

2.1.1 GLDAS-NOAH降水數據適用性評估

實測降水數據與GLDAS-NOAH降水數據的、RMSE、MB，NSE4個統計指標計算結果如表2所示。

表2 GLDAS-NOAH降水與站點實測數據的統計指標

除波密站外（=0.57），GLDAS-NOAH月降水與站點實測月降水相關系數較高（0.80），表明GLDAS-NOAH可以較好地捕捉流域降水時態分布特征。呂洋等[21]對TRMM衛星降水數據在雅魯藏布江流域的適用性研究中關于波密站降水也得出了相似的結論。除嘉黎、波密、丁青、類烏奇、那曲5個站點外，其余站點MB均大于0，表明GLDAS-NOAH月降水數據要偏大于站點實測月降水，變幅為?22.99～49.95 mm，占對應站點實測多年平均降水量的0.07%～17.47%。RMSE范圍在21.23～81.45 mm，占對應站點實測多年平均降水量的4.20%～29.44%。NSE變幅為?4.7～0.84，其中NSE小于0的4個站點與MB、RMSE偏差最大的4個站點保持一致（波密站除外），主要歸因于站點周邊地形起伏劇烈，落差可高達4 000m以上，而測站本身地處河谷地區，測站的點尺度降水量無法準確反映GLDAS-NOAH網格（0.25°×0.25°，約625 km2）平均降水量。因此，應進一步評估GLDAS-NOAH對于雅魯藏布江流域降水垂直帶性的模擬能力。

2.1.2 GLDAS-NOAH氣溫數據適用性評估

GLDAS-NOAH氣溫數據的評估結果如表3所示。相較于降水，GLDAS-NOAH對于氣溫時態分布特征的模擬效果更好（>0.80）；除嘉黎、那曲2個站點外，其余站點MB均小于0（?6.85℃≤MB≤?0.04℃），表明GLDAS-NOAH模擬的氣溫要低于站點實測氣溫；與降水模擬結果相似，GLDAS-NOAH模擬的月氣溫在波密站的效果最差（MB=6.85℃，RMSE=7.25℃，NSE=?0.63），而其他站點，GLDAS-NOAH對月氣溫的模擬效果明顯好于降水，體現在較小的RMSE≤5.37℃和較高的NSE（0.28≤NSE≤0.97）。

表3 GLDAS-NOAH氣溫數據與站點實測數據的統計指標

2.1.3 流域尺度GLDAS-NOAH數據適用性評估

考慮實測站點與GLDAS-NOAH網格尺度的不匹配，以及雅魯藏布江流域顯著的氣候垂直帶性，本研究進一步評估了GLDAS-NOAH在流域尺度及不同高程帶的模擬能力。如圖2所示，GLDAS-NOAH模擬的降水、氣溫與實測降水、氣溫時間變化趨勢一致性較好，相關系數分別高達0.97和0.99。然而，與站點尺度的評估結果一致，即GLDAS-NOAH模擬的流域降水較實測值偏高，而氣溫較實測值偏低。本研究核心問題在于辨識流域的干濕變化趨勢，而非干濕狀況的絕對值，并且適用性評估結果表明GLDAS-NOAH在站點尺度和流域尺度，均能較好地表征降水和氣溫的時程分布形態，因此GLDAS-NOAH數據可以用于開展雅魯藏布江流域干濕趨勢變化的時間特征研究。

如表4所示，將20個氣象站點及其對應的GLDAS-NOAH網格按高程分為4組，即：0～3 500 m、>3 500～4 000、>4 000～4 500、>4 500～5 000 m。GLDAS-NOAH模擬的降水和氣溫均隨高程的增加而降低，與實測數據保持一致，可以較好地表征流域氣候的垂直地帶分布特征。對于降水而言，GLDAS-NOAH在>3 500～4 000和>4 000～4 500 m 2個高程帶模擬的均值分別為640.4和619.7 mm，而觀測降水的均值分別為457.6和500.4 mm，相較于其他2個高程帶誤差較大，這主要歸因于流域上游的隆子站（3 922 m），尼木站（3 813 m）和江孜站（4 025 m）與所對應的GLDAS-NOAH網格平均降水的偏差較大，且流域上游高海拔地區實測站點稀疏。GLDAS-NOAH模擬的降水變幅在4個高程帶均與實測數據較為接近。相較于降水，GLDAS-NOAH對于氣溫垂直地帶性的模擬效果更好，除了誤差最大的波密站（2 926 m）所處的0～3 500 m高程帶，其他3個高程帶的均值和變幅均與實測數據較為一致。因此，GLDAS-NOAH模擬的降水和氣溫數據可以用于探討雅魯藏布江流域干濕趨勢變化的空間特征。

表4 GLDAS-NOAH模擬降水和平均氣溫垂直地帶性特征評估

2.2 雅魯藏布江流域干濕演變特征

本研究分別計算了1、3、6和12個月這4種時間尺度的SPEI值，如圖3所示。其中SPEI 1表示計算該月SPEI時僅考慮當月的水分虧缺情況；SPEI 3表示計算該月SPEI時考慮包含當月在內的3個月的水分虧缺情況，SPEI 6、SPEI 12以此類推。流域尺度上，各 SPEI 指數的變化曲線基本吻合，SPEI與NDVI的相關性分析表明，SPEI 12與NDVI相關性高于其他時間尺度的SPEI，具有更好的代表性，因此本研究采用SPEI 12探討流域的干濕演變特征。

注：SPEI 1、SPEI 3、SPEI 6和SPEI 12分別指1、3、6和12個月尺度的SPEI指數值。

2.2.1 干濕轉換節點

本研究基于年和生長季2個時間尺度探討雅魯藏布江流域干濕轉換特征，并根據雅魯藏布江植被生長狀況選取5—9月為生長季。為確定流域干濕轉換節點，本研究選取Yamamoto、滑動t、Mann-Kendall（M-K）3種突變檢驗方法[22]，分別對研究區年及生長季SPEI進行突變檢驗，如表5所示。對于年SPEI，Yamamoto和滑動檢測出SPEI分別于1998年、1997年發生突變；對于生長季SPEI，滑動檢測到SPEI于1997年發生突變。已有研究表明雅魯藏布江流域降水、氣溫、潛在蒸散發在2000年前后均發生了顯著變化[23-24]，結合SPEI的突變檢驗結果，本研究推斷雅魯藏布江流域干濕狀況在20世紀90年代末發生了轉變。

表5 年和生長季SPEI突變檢驗結果

干濕轉換年份的確定是本研究的核心，SPEI突變檢驗已推斷出流域干濕轉換發生在上世紀90年代末。SPEI的線性變化趨勢（圖4）進一步表明，若以2000年為分界點，年SPEI在2000年前后呈現相反的變化趨勢，即2000年前以0.022/a的速率上升，2000年后以0.025/a的速率下降（<0.1，=16），研究區日趨干旱。與年SPEI相似，生長季SPEI在2000年前后也呈現出相反的變化趨勢，即2000年前以0.016/a的速率上升，2000年后以0.021/a的速率下降。總體而言，1982－2015年雅魯藏布江流域總體呈現濕潤化趨勢，但進入21世紀以后流域表現出顯著的干旱化趨勢。

圖4 SPEI在年和生長季的變化情況

徑流作為流域干濕狀況最直接的指示因子，已被廣泛用于流域干濕轉換特征研究[14,24-25]。為進一步驗證流域干濕轉換是否發生在2000年，本研究選取奴下水文站1982－2015年徑流資料進行趨勢分析。奴下水文站位于雅魯藏布江流域下游，控制約80%的流域面積，其徑流量可以有效反映全流域干濕狀況。奴下水文站徑流量M-K趨勢檢驗結果如圖5所示：以2000年為分界點，1982—1999年徑流量呈顯著增加趨勢（<0.1），2000—2015年徑流量呈顯著減少趨勢（<0.1）。若以1998—1999或其他任一年份為分界點，對所劃分的2個時間段的徑流量進行趨勢檢驗，均無法同時得出顯著增加和顯著減少趨勢。因此，本研究確定雅魯藏布江流域干濕轉換發生在2000年。

注：陰影代表SPEI突變檢驗推斷出的干濕轉換時期

2.2.2 干濕轉換空間特征

雅魯藏布江流域氣象條件空間變異性大，為準確反映流域內干濕變化趨勢，本研究通過克里金插值分別得出2000年前后雅魯藏布江流域年以及生長季SPEI的空間分布圖，如圖6所示。對于年和生長季SPEI，2000年前研究區干旱地區主要集中于流域上游東部和中游地區，濕潤地區主要集中于上游西部和下游東南部，在2000年后研究區干旱地區主要集中于上游西部和下游東南部，表明雅魯藏布江流域2000前后干濕地區在空間上發生反轉。雅魯藏布江流域1982－2015年間呈現濕潤化趨勢主要與中游地區變濕有關，而2000年以后流域呈現干旱化趨勢主要歸因于上游西部以及下游東南部變干。

圖6 年和生長季SPEI的空間分布

為進一步探討2000年前后雅魯藏布江流域干濕特性空間反轉的原因，本研究基于像元尺度分析1982－2015年的年和生長季SPEI的變化趨勢并對其進行顯著性檢驗，如圖7所示。可以看出雅魯藏布江流域上游西部和下游東南部呈現干旱化趨勢，而上游東部和中游地區呈現濕潤化趨勢，與圖6干濕狀況空間分布特征一致。就年SPEI而言，研究區內55.47%的區域SPEI呈現上升的趨勢，即趨于濕潤化。其中，呈極顯著增加和顯著增加區域主要分布在中游地區；呈極顯著減少和顯著減少區域主要分布在研究區上游西北部及下游東南部地區。與年SPEI相似，研究區55.62%的區域生長季SPEI呈上升趨勢，其顯著性檢驗的空間分布特征與年SPEI的保持一致。

注：P<0.01表示極顯著變化，P<0.05表示顯著變化，P>0.05表示變化不顯著，↓表示下降，↑表示上升，下同。

綜上所述，雅魯藏布江流域年及生長季SPEI時空變化特征基本一致，即在2000年前后流域干濕轉換的時空特征均發生反轉的現象。時間上，2000年以前流域呈現濕潤化趨勢，2000年以后呈現干旱化趨勢（圖4）；空間上，2000年以前濕潤地區主要集中在上游東部和下游東南部，2000年以后濕潤地區轉為上游西部和中游地區，干旱地區逐漸變濕，濕潤地區日趨干旱。

2.3 植被動態變化特征

根據雅魯藏布江流域SPEI時間變化特性，以2000年為分界點，分析年和生長季NDVI的時間變化趨勢，如圖8所示。就年平均NDVI而言，流域多年平均NDVI為0.27，1982－2015年間NDVI在0.25～0.28之間波動，整體以0.0002/a的速率顯著上升（<0.1，=34)，流域植被覆蓋度逐漸提高。但在2000年前后年平均NDVI呈完全相反的變化趨勢，即在2000年前NDVI以0.001/a的速率顯著上升（<0.1，=18），2000年后NDVI以0.0006/a的速率顯著降低（<0.1，=16)。生長季NDVI多年平均值0.34，變幅為0.31～0.35，以0.0002/a的速率不顯著上升（>0.1，=34）。與年NDVI相似，生長季NDVI在2000年前后也呈現出完全相反的變化趨勢，即2000年前NDVI以0.0015/a的速率顯著上升（<0.1，=18），2000年后NDVI以0.0009/a的速率顯著降低（<0.1，=16）。1982－2015年流域植被動態變化與干旱的時間變化趨勢保持一致，表明2000年以前流域植被覆蓋增加主要與流域逐漸變濕有關，而2000年以后流域植被覆蓋逐漸降低則與流域日趨干旱化有關。

圖8 年和生長季NDVI變化情況

年和生長季的NDVI空間分布如圖9所示。就年平均NDVI而言，雅魯藏布江流域約61.08%的區域NDVI值在0.1～0.3之間，多集中于中上游地區及下游高海拔地區，僅有5.59%的區域NDVI值在0.7以上，多集中于中游地區和下游東南部地區。流域內從西北向東南NDVI逐漸升高，植被覆蓋逐漸增強，生長季流域內植被覆蓋情況與年平均情況保持一致。

圖9 年和生長季NDVI空間分布

年和生長季NDVI在1982－2015年間的slope值及其顯著性空間分布如圖10所示。就年平均NDVI而言，流域內約有60.1%區域NDVI的slope值大于0，即植被覆蓋度提升逐漸升高。其顯著性檢驗結果表明，NDVI呈極顯著增加和顯著增加的區域主要分布于中游地區，極顯著減少和顯著減少的區域主要分布于上游西北部及下游東南部地區。與年尺度NDVI變化特性相似，生長季NDVI呈增加趨勢（slope>0）的區域約占整個流域面積的58.35%，其顯著性檢驗的空間分布特征與年平均NDVI的保持一致。

圖10 年和生長季NDVI空間變化趨勢及顯著性檢驗

雅魯藏布江上游地區植被覆蓋幾乎不發生變化或變化不顯著，這可能是由于雅魯藏布江流域上游地區土地覆蓋類型多為戈壁灘、冰川及高原草甸，受氣候變化影響較小；而在中游地區，除區域邊緣當雄等高海拔地區外，其余地區植被覆蓋多呈顯著上升趨勢；流域下游地區，植被覆蓋多呈現出極顯著降低的趨勢，這與呂洋等[26]針對雅魯藏布江流域NDVI時空變化研究成果一致。結合流域干濕狀況的空間變化特征，可以發現流域中游地區和上游東部等逐漸濕潤地區的植被覆蓋逐漸增強，而下游地區和上游西部等干旱化地區的植被覆蓋逐漸降低。

2.4 植被對流域干濕轉換的響應

本研究基于像元尺度，對1982－2015年雅魯藏布江流域年和生長季SPEI與NDVI進行相關性分析，結果如圖11所示。

注：P<0.01表示極顯著相關，P<0.05表示顯著相關，P>0.05表示相關不顯著，“+”表示正相關，“-”表示負相關，下同

年尺度上，流域約71.83%的區域SPEI和NDVI呈正相關。其顯著性檢驗結果表明，SPEI與NDVI呈極顯著正相關和顯著正相關的區域主要集中在中游和上游地區的交界處以及下游地區的東南部；SPEI與NDVI呈極顯著負相關和顯著負相關的區域多集中于中游的東部地區和下游的西北部地區。生長季內，流域約66.15%的區域SPEI與NDVI呈正相關，生長季SPEI與NDVI不同相關程度的空間分布與年NDVI與SPEI相關性的空間分布保持一致。

綜上所述，雅魯藏布江流域植被動態變化與流域干濕時空變化特征基本保持一致，即時間上，2000年以前流域呈現濕潤化趨勢，流域內植被覆蓋逐漸增強，2000年后呈現干旱化趨勢，流域植被覆蓋逐漸降低；空間上，流域上游西部和下游東南部地區呈現變干趨勢，植被覆蓋逐漸降低，中游地區和上游東部地區呈現濕潤化趨勢，植被覆蓋逐漸增強。

2.5 流域干濕轉換的驅動因素

流域干濕特性是降水、氣溫等變化的綜合效應，全球氣候變暖已導致干旱等極端事件頻發[2]。此外，土壤含水量是連接水循環、碳循環、能量循環的紐帶[27-28]，也是將植被生長和降水聯系起來的關鍵因素[29-30]。因此，辨識流域干濕特性變化的驅動因素，對生態環境、農業生產、資源配置和社會經濟等方面具有重要意義[31]。本研究基于GLDAS-NOAH數據，分析了雅魯藏布江流域年和生長季降水、氣溫、潛在蒸散發的空間變化特征，結果表明年和生長季各氣候要素空間變化趨勢基本一致。如圖12所示，上游西部和下游東南部地區降水逐漸減少，氣溫和潛在蒸散發則呈升高趨勢；上游東部和中游西部地區降水、氣溫、潛在蒸散發均呈上升趨勢；中游東部地區降水呈增加趨勢，而氣溫和潛在蒸散發則呈降低趨勢。對比SPEI的空間分布及空間變化趨勢分析可以看出，流域內濕潤化地區，降水呈增加趨勢，氣溫和潛在蒸散發呈降低趨勢，而流域內干旱化地區，降水呈降低趨勢，氣溫和潛在蒸散發則呈升高趨勢。因此，流域2000年前后干濕特征的空間反轉現象，主要歸因于研究區降水、氣溫及潛在蒸散發的空間特征變化。

本研究提取GLDAS-NOAH數據集中的4層土壤含水量數據，土層深度分別為0～10、>10～40、>40～100、>100～200 cm，以4層土壤含水率之和表征研究區的土壤水含量。研究區域年和生長季的土壤含水量和SPEI之間的相關性分析及其顯著性檢驗如圖13所示，就年平均土壤含水率和SPEI的相關分析可知，流域土壤含水率與SPEI的相關系數范圍為?0.204～0.923，且流域約99.59%區域的土壤含水率與SPEI之間呈正相關關系。其顯著性檢驗結果表明，流域內土壤含水率與SPEI呈極顯著正相關的區域約占整個流域面積的92.17%。生長季土壤含水量與SPEI的相關系數范圍為?0.206～0.938，流域約99.65%的區域土壤含水率與SPEI呈正相關關系，其中，呈極顯著正相關的區域約占整個流域面積的97.66%。由此可見雅魯藏布江流域干濕變化除受降水、氣溫影響外，土壤含水量也是不可忽視的驅動因素。

圖12 降水、氣溫、潛在蒸散發空間變化趨勢及其顯著性分析

圖13 年和生長季SPEI與土壤含水量相關性分析及顯著性檢驗

3 結 論

基于全球陸面同化系統數據GLDAS-NOAH，在其適應性分析的基礎上，采用SPEI和NDVI，通過slope指數和相關分析探討1982－2015年雅魯藏布江流域干濕時空演變特征及植被的動態響應，得出以下主要結論：

1）雅魯藏布江流域整體呈濕潤化趨勢，但2000年前后SPEI的時空特征均發生反轉現象，即時間上，2000年以前流域呈現濕潤化趨勢，2000年以后呈現干旱化趨勢；空間上，流域內干旱地區逐漸變濕，濕潤地區逐漸變干，干濕地區空間分布發生反轉。

2）雅魯藏布江流域NDVI整體上呈現上升趨勢，即植被覆蓋逐漸升高，但2000年前后NDVI的時空特征也發生反轉現象，即時間上，2000年以前流域內植被覆蓋逐漸增強，2000年以后流域內植被覆蓋逐漸減弱；空間上，在植被覆蓋較好的區域，NDVI逐漸降低，植被覆蓋較弱的地區，NDVI呈現升高趨勢。

3）流域內約71.83%的地區SPEI與NDVI呈正相關，且主要集中于中下游地區等植被覆蓋較好的地區，流域內SPEI與NDVI呈負相關關系的區域所占面積較少，且不顯著。雅魯藏布江流域植被動態受干濕特征影響較大，氣溫和降水是影響植物覆蓋的主要因素。此外，流域內92.17%以上的區域SPEI與土壤含水量呈正相關，表明土壤含水量也是反映流域干濕狀況不可忽視的驅動因素。

[1]沈永平，王國亞. IPCC第一工作組第五次評估報告對全球氣候變化認知的最新科學要點[J]. 冰川凍土，2013，35(5)：1068－1076.

Shen Yongping, Wang Guoya. Key findings and assessment results of IPCC WGI Fifth assessment report[J]. Journal of Glaciology and Geocryology, 2013, 35(5): 1068—1076. (in Chinese with English abstract)

[2]Stocker T F, Qin D, Plattner G K, et al. Climate Change 2013: The Physical Science Basis[M]. Cambridge: Cambridge University Press, 2014.

[3]胡琦，董蓓，潘學標，等. 1961—2014年中國干濕氣候時空變化特征及成因分析[J]. 農業工程學報，2017，33(6)：124－132.

Hu Qi, Dong Bei, Pan Xuebiao, et al. Spatiotemporal variation and causes analysis of dry-wet climate over period of 1961—2014 in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 124—132. (in Chinese with English abstract)

[4]劉珂，姜大膀. 基于兩種潛在蒸散發算法的SPEI對中國干濕變化的分析[J]. 大氣科學，2015，39(1)：23—36.

Liu Ke, Jiang Dabang. Analysis of dryness/wetness over China using standardized precipitation evapotranspiration index based on two evapotranspiration algorithms[J]. Chinese Journal of Atmospheric Sciences, 2015, 39(1): 23—36. (in Chinese with English abstract)

[5]Beguería S, Vicente-Serrano S M, Reig F, et al. Standardized precipitation evapotranspiration index (SPEI) revisited: Parameter fitting, evapotranspiration models, tools, datasets and drought monitoring[J]. International Journal of Climatology, 2014, 34(10): 3001—3023.

[6]戚穎，白雪峰，李鐵男. 氣候變化對黑龍江省生育期內玉米產量的影響[J]. 農業機械學報，2019，50(9)：1—13.

Qi Ying, Bai Xuefeng, Li Tienan. Effect of climate change on maize yield in maize growth period in Heilongjiang Province[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 1—13. (in Chinese with English abstract)

[7]羅登澤，靳曉言，強皓凡，等. 基于SPEI的若爾蓋濕地干濕時空演變特征分析[J]. 水土保持研究，2019，26(2)：227—233.

Luo Dengze, Jin Xiaoyan, Qiang Haofan, et al. Analysis on the spatial and temporal evolution characteristics of dry-wet conditions in Zoige Wetland based on SPEI[J]. Research of Soil and Water Conservation, 2019, 26(2): 227—233. (in Chinese with English abstract)

[8]柴榮繁，陳海山，孫善磊. 基于SPEI的中國干濕變化趨勢歸因分析[J]. 氣象科學，2018，38(4)：423—431.

Chai Rongfan, Chen Haishan, Sun Shanlei. Attribution analysis of dryness/wetness change over China based on SPEI[J]. Journal of the Meteorological Sciences, 2018, 38(4): 423—431. (in Chinese with English abstract)

[9]孫紅雨，王長耀，牛錚，等. 中國地表植被覆蓋變化及其與氣候因子關系：基于NOAA時間序列數據分析[J]. 遙感學報，1998，2(3)：204—210.

Sun Hongyu, Wang Changyao, Niu Zheng, et al. Analysis of the vegetation cover change and the relationship between NDVI and environmental factors by using NOAA time series data[J]. Journal of Remote Sensing, 1998, 2(3): 204—210. (in Chinese with English abstract)

[10]周玉科. 青藏高原植被NDVI對氣候因子響應的格蘭杰效應分析[J]. 地理科學進展，2019，38(5)：718—730.

Zhou Yuke. Detecting granger effect of vegetation response to climatic factors on the Tibetan Plateau[J]. Progress in Geography, 2019, 38(5): 718—730. (in Chinese with English abstract)

[11]張佳琦，張勃，馬彬，等. 三江平原NDVI時空變化及其對氣候變化的響應[J]. 中國沙漠，2019，39(3)：206—213.

Zhang Jiaqi, Zhang Bo, Ma Bin, et al. Spatial-temporal variation of NDVI in Sanjiang Plain and its response to climate change[J]. Journal of Desert Research, 2019, 39(3): 206—213. (in Chinese with English abstract)

[12]周順武，吳萍，王傳輝，等. 青藏高原夏季上空水汽含量演變特征及其與降水的關系[J]. 地理學報，2011，66(11)：1466—1478.

Zhou Shunwu, Wu Ping, Wang Chuanhui, et al. Spatial distribution of atmospheric water vapor and its relationship with precipitation in summer over the Tibetan Plateau[J]. Acta Geographica Sinica, 2011, 66(11): 1466—1478. (in Chinese with English abstract)

[13]You Qinglong, Kang Shichang, Wu Yanhong, et al. Climate change over the Yarlung Zangbo River Basin during 1961—2005[J]. Journal of Geographical Sciences, 2007, 17(4): 409—420.

[14]Liu Zhaofei, Yao Zhijun, Huang Heqing, et al. Land use and climate changes and their impacts on runoff in the Yarlung Zangbo River Basin, China[J]. Land Degradation & Development, 2014, 25(3): 203—215.

[15]Zhong Lei, Ma Yaoming, Salama M S, et al. Assessment of vegetation dynamics and their response to variations in precipitation and temperature in the Tibetan Plateau[J]. Climatic Change, 2010, 103(3/4): 519—535.

[16]Beck P S A, Goetz S J. Satellite observations of high northern latitude vegetation productivity changes between 1982 and 2008: Ecological variability and regional differences[J]. Environmental Research Letters, 2011, 6(4): 45501—45510.

[17]Wang Yongfang, Liu Guixiang, Guo Enliang. Spatial distribution and temporal variation of drought in Inner Mongolia during 1901－2014 using standardized precipitation evapotranspiration index[J]. Science of the Total Environment, 2019, 654: 850—862.

[18]李霞，高艷紅，王婉昭，等. 黃河源區氣候變化與GLDAS數據適用性評估[J]. 地球科學進展，2014，29(4)：531—540.

Li Xia, Gao Yanhong, Wang Wanzhao, et al. Climate change and applicability of GLDAS in the headwater of the Yellow River Basin[J]. Advances in Earth Science, 2014, 29(4): 531—540. (in Chinese with English abstract)

[19]王兆禮，黃澤勤，李軍，等. 基于 SPEI 和 NDVI 的中國流域尺度氣象干旱及植被分布時空演變[J]. 農業工程學報，2016，32(14)：177—186.

Wang Zhaoli, Huang Zeqin, Li Jun, et al. Assessing impacts of meteorological drought on vegetation at catchment scale in China based on SPEI and NDVI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 177—186. (in Chinese with English abstract)

[20]Jiang Yelin, Wang Ranghui, Peng Qing, et al. The relationship between drought activity and vegetation cover in Northwest China from 1982 to 2013[J]. Natural Hazards, 2018, 92: 145—163.

[21]呂洋，楊勝天，蔡明勇，等. TRMM衛星降水數據在雅魯藏布江流域的適用性分析[J]. 自然資源學報，2013，28(8)：1414—1425.

Lü Yang, Yang Shengtian, Cai Mingyong, et al. The applicability analysis of TRMM precipitation data in the Yarlung Zangbo River Basin[J]. Journal of Natural Resources, 2013, 28(8): 1414—1425. (in Chinese with English abstract)

[22]魏鳳英. 現代氣候統計診斷與預測技術[M]. 北京：氣象出版社，1999.

[23]汪磊. 雅魯藏布江流域水化學特征及影響因素研究[D]. 北京：中國科學院大學，2016.

Wang Lei. Study on Hydrochemical Characteristics and Its Influencing Factors in Yarlung Tsangpo River Basin[D]. Beijing: University of Chinese Academy of Sciences, 2016. (in Chinese with English abstract)

[24]劉湘偉. 雅魯藏布江流域水文氣象特性分析[D]. 北京：清華大學，2015.

Liu Xiangwei. Analysis of the Meteorological and Hydrological Charateristics in the Yarlung Zangbo River Basins[D]. Beijing: Tsinghua University, 2015. (in Chinese with English abstract)

[25]楊慶，李明星，鄭子彥，等. 7種氣象干旱指數的中國區域適應性[J]. 中國科學：地球科學，2017，47(3)：337—353.

Yang Qing, Li Mingxing, Zheng Ziyan, et al. Regional applicability of seven meteorological drought indices in China[J]. Science China Earth Sciences, 2017, 47(3): 337—353. (in Chinese with English abstract)

[26]呂洋，董國濤，楊勝天，等. 雅魯藏布江流域NDVI時空變化及其與降水和高程的關系[J]. 資源科學，2014，36(3)：603－611.

Lü Yang, Dong Guotao, Yang Shengtian, et al. Spatio-temporal variation in NDVI in the yarlung zangbo river basin and its relationship with precipitation and elevation[J]. Resources Science, 2014, 36(3): 603—611. (in Chinese with English abstract)

[27]Callaghan J, Power S B. Variability and decline in the number of severe tropical cyclones making land-fall over eastern Australia since the late nineteenth century[J]. Climate Dynamics, 2011, 37(3/4): 647—662.

[28]Mishra A, Vu T, Valiyaveettil A, et al. Drought monitoring with soil moisture active passive (SMAP) measurements[J]. Journal of Hydrology, 2017, 552: 620—632.

[29]Tucker C J, Slayback D A, Pinzon J E, et al. Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999[J]. International Journal of Biometeorology, 2001, 45(4): 184—190.

[30]Easterling D R, Wallis T W R, Lawrimore J H, et al. Effects of temperature and precipitation trends on U.S. drought[J]. Geophysical Research Letters, 2007, 34(20): 396.

[31]柳欽火，辛景峰，辛曉洲，等. 基于地表溫度和植被指數的農業干旱遙感監測方法[J]. 科技導報，2007，25(6)：12—18.

Liu Qinhuo, Xin Jingfeng, Xin Xiaozhou, et al. Monitoring agricultural drought by vegetation index and remotely sensed temperature[J]. Science & Technology Review, 2007, 25(6): 12—18. (in Chinese with English abstract)

Characteristics of dry and wet conversion and dynamic vegetation response in Yarlung Zangbo River basin

Liu Liu1,2, Niu Qiankun1,2, Heng Jingxia1,2, Li Hao1,2, Xu Zongxue3,4

(1.100083,;100083,;3.100875,;4.100875,)

Understanding the mechanisms underlying drying-wetting cycles and their consequence for vegetation dynamic is important for sustainable eco-environmental development in alpine regions. We investigated these in this paper by taking the Yarlung Zangbo River (YZR) basin in southeast Qinghai-Tibet Plateau as an example. The standardized precipitation evapotranspiration index (SPEI) in the region was calculated using the global land data assimilation system (GLDAS) from 1982 to 2015 to represent the drying-wetting cycles. The spatiotemporal variation of the dry-wet cycles and the responsive vegetation dynamic was investigated using the remotely sensed NDVI (normal difference vegetation index) from GIMMS (global inventory modeling and mapping studies). The results showed that: 1) Spatiotemporal variation of both precipitation and surface air temperature calculated from GLDAS agreed well with the ground-truth data. 2) The spatiotemporal changes in the dry-wet cycles calculated from the SPEI from 1982 to 2015 showed that the YZR basin became increasingly wet from 1982-1999 but changed course in 2000 and has been become increasingly drier since. In particular, the arid areas showed a tendency of wetting whereas the humid areas tended to become drying. 3) The overall vegetation calculated from the NDVI had been in increase from 1982 to 2000 but changed course in 2000 and has been in decline since. In terms of spatial distribution, areas with higher NDVI value represented vegetation degradation, while areas with lower NDVI represented an improvement in vegetation. 4) Approximately 71.83% of the areas saw a positive correlation between the SPEI and NDVI, mainly in the middle and low reaches of the basin which have a high vegetation coverage. Areas showing negative correlation between SPEI and NDVI were small and not statistically significant. The high consistency between spatiotemporal variation of the NDVI and SPEI indicated that the drying-wetting cycles played an important role in vegetation dynamics. 5) The driving forces of the dry-wet cycles were precipitation, surface air temperature, potential evapotranspiration and soil water content, which were consistent with that estimated from SPEI. In addition, the SPEI showed that soil water content was the dominant factor impacting the drying-wetting in 92.17% of the areas in the region. Results of this study have important implications for evaluating water cycles and the associated vegetation dynamics in alpine regions.

remote sensing; climate change; vegetation; dry-wet regime; GLDAS; GIMMS; Qinghai-Tibet Plateau

劉 瀏,牛乾坤,衡靜霞,李 浩，徐宗學. 雅魯藏布江流域干濕轉換特征及植被動態響應[J]. 農業工程學報，2020，36(2)：175－184. doi：10.11975/j.issn.1002-6819.2020.02.021 http://www.tcsae.org

Liu Liu, Niu Qiankun, Heng Jingxia, Li Hao, Xu Zongxue. Characteristics of dry and wet conversion and dynamic vegetation response in Yarlung Zangbo River basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 175－184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.021 http://www.tcsae.org

2019-04-09

2019-12-23

國家自然科學基金項目（91647202，51961145104）

劉 瀏，博士，副教授，研究方向：水文學及水資源。Email：liuliu@cau.edu.cn

10.11975/j.issn.1002-6819.2020.02.021

S127

A

1002-6819(2020)-02-0175-10