中南半島植被物候與極端降水的變化特征及關聯

朱彤彤，王紹強,，李 卉，李 霞，劉偵海，錢釗暉，王小博，劉媛媛，涂勇凱

[1.中國地質大學（武漢）地理與信息工程學院 區域生態過程與環境演變實驗室，武漢 430074；2.中國科學院地理科學與資源研究所生態系統網絡觀測與模擬重點實驗室，北京 100101；3.中國科學院大學 資源與環境學院，北京 100049；4.生態環境部對外合作與交流中心，北京 100035]

極端降水通常指在某一地區一定時間內出現的罕見強降水或弱降水事件（概率＜10%）（IPCC,2007），具有突發性、復雜性和區域性等特點，并易引發洪澇、泥石流、滑坡和干旱等自然災害。在全球氣候變暖大背景下，極端降水事件的頻次、強度及持續時間不斷增加（IPCC, 2013），且在熱帶地區趨勢加強（Cui et al., 2019），對農業、生態和社會經濟等方面造成巨大損失（Limsakul et al.,2016）；如2015 年的強厄爾尼諾事件導致的極端降水，對巴西、東南亞等多地的植被造成大規模的破壞和死亡（Huijnen et al., 2016; Rifai et al., 2019）。

植被物候是植被群落受氣候和其他環境因素的年際和季節變化影響而反復發生的周期性事件，可以有效表達植被生長發育的季節特征（Schwartz,2013）。氣候因素是植被生長的主要驅動因子之一（代武君 等，2020），植被物候對氣候變化的響應將直接影響陸地碳、水、養分的循環和植被生產力（Keenan et al., 2014; Du et al., 2019）。同時，植被物候對極端氣候變化敏感（Badeck et al., 2004；付陽等，2021）。極端氣候事件可以在短時間內迅速改變植被的生長條件、生產力和死亡率，從而影響植被生長（Deng et al., 2019），如干旱會使中國西南地區植被生長季長度縮短（Lai et al., 2020），洪澇災害可以抑制植被正常的呼吸和光合作用（張彬等，2014），但適宜的極端降水會促進植被生產力的增加（Fay et al., 2008）。因此，探討極端降水與植被物候之間的聯系，有利于應對突發的異常降水事件、制定防災減災政策，從而有效避免生態破壞、減少人民財產損失。

中南半島地區位于印度次大陸與西北太平洋之間，受到印度季風和東亞季風的影響（Ge et al.,2016；陳海山 等，2020）。近幾十年來，整個東南亞極端旱澇現象多發、極端降水強度和頻率增強（Ge et al., 2019），是氣候變化研究的熱點地區（Miyan, 2015）；湄公河流域極端氣候事件（特別是干旱）頻發且多在農業區，具有破壞性和脆弱性，并有向中下游國家蔓延的趨勢（Miyan, 2015;Zhang et al., 2020）；且相較于東南亞其他地區，中南半島的植被類型更加豐富（Ding et al., 2020），植被物候的周期性更加明顯（Ye et al., 2021），適合開展研究。中南半島屬熱帶季風氣候，植被物候相較于氣溫和光照的變化，對降水的變化更敏感（Roongroj et al., 2008; Rudiyanto et al., 2019）。目前，對于中南半島地區植被物候學研究相對較豐富，但已有研究多基于單一植被類型（Zhang et al.,2016; Rudiyanto et al., 2019），并未從整體對中南半島物候特征進行詳細分析；Suepa 等（2016）得出中南半島的植被物候特征與降水正相關，但并未考慮極端降水事件對植被物候影響。中南半島不僅是構建“一帶一路”倡議的重要區域，還是孟加拉灣水汽向中國輸送的通道，揭示中南半島地區植被物候與極端降水的關聯，可為推進“中國-中南半島”經濟帶的發展以及進行基礎設施建設提供較詳細的物候與氣候的信息參考，同時為中國進行區域氣候災害的預防和應對提供科學參考。

因此，本文以中南半島為研究區域，基于2001-2018 年的MCD12Q2 數據和TRMM 降水數據，提取3 個植被物候指標和11 個極端降水指標，主要探討：1）中南半島地區植被物候指標和極端降水指標的時空變化特征；2）該區域極端降水與生長季的聯系，分析不同極端降水指標對物候指標的相對影響程度；3）預測各物候指標的未來變化趨勢。

1 材料和方法

1.1 研究區概況

中南半島位于0°-29° N 和92°-110° E（圖1），主要包括緬甸、泰國、老撾、柬埔寨、越南和西馬來西亞，總面積為205.3 萬km2，平均海拔約430 m；地處熱帶季風氣候區，受東北和西南季風影響，旱雨季明顯（雨季多在5-10月），雨季降水豐沛，旱季干燥少雨，多年平均降水量為800～4 500 mm；主要植被類型為常綠闊葉林、農田、落葉闊葉林和稀疏林。

圖1 中南半島土地覆蓋類型空間分布Fig.1 Spatial distribution of land cover types in Indo-China Peninsula

1.2 數據來源與預處理

1.2.1 遙感數據預處理及物候指標獲取 采用美國NASA①https://ladsweb.modaps.eosdis.nasa.gov提供的MCD12Q2 物候數據產品（2001-2018年），空間分辨率為500 m。對數據進行投影轉換、拼接、裁剪，逐年提取植被生長季開始（SGS）和生長季結束（EGS），并計算生長季長度（LGS）。MCD12Q2 是基于增強型植被指數（EVI）獲得的植被物候反演產品，EVI 相較于歸一化植被指數（NDVI）降低了大氣和土壤背景的影響，對植被冠層變化的敏感性更高，對植被生長動態變化的響應更積極（Huete et al., 2002; Zhang et al., 2003;Karkauskaite et al., 2017；王曉利 等，2019），因此，EVI數據在多云以及森林火災頻發的熱帶地區研究植被物候的動態變化更具優勢（Suepa et al., 2016）。MCD12Q2 物候產品具有較好的普適性，已在全球多地得到應用，Xiao等（2013）利用地面觀測資料對MCD12Q2物候產品進行驗證，表明兩數據相關性很高（R2>0.9）；Vintrou 等（2014）利用物候模型數據驗證西非地區的衛星物候產品，認為MCD12Q2 的生長季始期指標適合表現物候期的時空變化；Peng等（2017）在美國利用國家物候網絡與多衛星物候產品進行比較，證明MCD12Q2適合提取2001年以來的植被物候指標。

1.2.2 降水數據預處理及極端降水指標提取 利用熱帶降水測量衛星（TRMM②https://disc.gsfc.nasa.gov）提供的日累計降水量數據產品TRMM3B42（空間分辨率為0.25°，時間序列為2001-2018 年）計算極端降水指標。TRMM衛星降水數據產品克服了站點觀測數據空間連續性差的缺點，且與站點數據具有較好的一致性（Roongroj et al., 2008; Suepa et al., 2016），Chen 等（2018）在湄公河流域對比了地面觀測數據、3個再分析產品和2個衛星產品，結果表明TRMM數據的準確性更高。

根據國際氣候診斷與指數小組（ETCDD-MI）提供的極端氣候指標（任福民 等，2014），利用其中11 個極端降水指標定量描述極端降水事件的強度、持續情況及頻率等（表1）。在MATLAB 中對降水數據進行格式轉換，并根據各指標定義提取中南半島地區的極端降水指標。

1.3 研究方法

1.3.1 趨勢分析 Sen 趨勢度分析可以減少數據序列噪聲的干擾，Mann-Kendall方法能對數據序列趨勢的顯著性進行檢驗，2 種方法相結合可在一定程度上提高檢驗結果的顯著性（Hong et al., 2019）。因此，利用Sen+Mann-Kendall趨勢檢驗法對研究區域2001-2018年植被物候指標和極端降水指標的空間變化趨勢進行分析。

Sen趨勢度計算公式：

式中：xi和xj為時間序列i和j的對應數據；通過β判斷指標的升降趨勢。當β> 0 時，指標時序呈上升趨勢；反之呈下降趨勢。

Mann-Kendall趨勢檢驗法計算公式：

式中：n是序列中數據個數。

使用檢驗統計量Z對統計量S進行檢驗：

式中：n是序列中數據個數；m是序列中結（重復出現的數據組）的個數；ti是結的寬度（第i組重復數據組中的重復數據個數）。采用雙邊趨勢檢驗，在給定顯著性水平α下，在正態分布表中查得臨界值時，趨 勢 不 顯 著；若 當認為趨勢顯著。

時間序列長度為18年（2001-2018年），所以序列個數設為18，顯著水平取α= 0.05，即Z1-α/2=Z0.975=1.96。當β> 0 且|Z| > 1.96，序列呈顯著上升趨勢，當β> 0 且|Z|≤1.96，序列呈不顯著上升趨勢，同理當β< 0 且|Z| > 1.96，序列呈顯著下降趨勢，當β< 0 且|Z|≤1.96，序列呈下降但不顯著趨勢。

1.3.2 灰色關聯分析 灰色關聯分析具有不受樣本類型和概率分布限制的特點，能在眾多因素中找到影響目標對象的主要因素，以及在眾多對象特征中找出與影響因素最為密切的特征（Huang et al.,2019）。灰色關聯分析已被廣泛應用于氣象（Huang et al., 2019）、物候（Sa et al., 2021）及生態（劉偵海 等，2021）等領域。因此，本文利用灰色關聯分析明確極端降水指標與物候指標之間的關聯程度，定量探討不同極端降水指標對物候指標的影響程度。具體實現過程為（Liu et al., 2020）：

1）確定比較序列與參考序列。將每個像元的3個物候指標的時間序列分別作為參考序列，極端降水 指 標CDD、CWD、PRCPTOT、R10、R25、R50、RX1day、RX5day、R95pTOT、R99pTOT、SDII作為比較序列；

2）無量綱化處理。由于各序列間單位不同，為增強序列間可比性，擬采用均值化變換進行數據處理；

3）計算關聯系數：

式中：m是每類指標的個數；n是指標的類數；x0代表參考序列；xi為比較序列，代表第i個指標的整個序列；x′i(k)是第i個指標的第k個原始數據；xi(k)代表第i個指標的第k個無量綱處理后的結果（i=0，1，…，n；k=1，2，…，m）；ρ為分辨系數，值越小，關聯系數間差異越大，區分能力越強，通常取值0.5。

將具有最大灰色關聯度的影響變量，作為影響某一目標變量的主導影響因素，即主控要素（劉偵海 等，2021）。

1.3.3 持續性預測 Hurst 指數最早由英國水文學家Hurst 提出，用于定量描述時間序列數據的持續性，Hong（2020）和董滿宇（2020）等已將其應用于對極端降水指標以及物候指標的預測。具體計算過程為：

定義指標A的時間序列為A(t)，其中t（t=1，2，…，n）為時間序列長度，對于任意整數τ≥1，該時間序列的均值序列Aˉ()t為：

式中：H即為Hurst指數；c為比例參數。

當H= 0.5時，表明時間序列A是完全獨立的，沒有相關性或只是短程相關；當0

2 結果分析

2.1 時間變化特征分析

根據2001-2018年中南半島地區的極端降水與物候指標的變化趨勢（圖2），從降水量及降水強度看，研究區域PRCPTOT（圖2-a）與SDII（圖2-b）均無顯著趨勢變化（P>0.1），但其距平趨勢逐年變大，其中PRCPTOT 的波動范圍更大，極差達到391 mm，RX1day（圖2-c）和R99pTOT（圖2-h）均呈波動下降趨勢，前者趨勢顯著（P<0.1），均在2015 年前后達到最小值，下降速率分別為0.35 和0.12 mm/a；從降水的持續情況看，CDD（圖2-d）在均值54.4 d 上下波動、無明顯趨勢變化，CWD（圖2-e）呈顯著上升趨勢（P<0.1），而RX5day（圖2-f）呈不顯著下降趨勢；從降水頻率看，R10（圖2-i）及R25（圖2-j）有所上升，而R50（圖2-k）呈不顯著下降趨勢（P>0.1）。總體而言，除CWD和R50時間變化趨勢顯著外（P<0.1），其他降水指標在時間上無明顯趨勢變化，降水的波動更加強烈，極強降水事件減少，中等強度降水事件增多，降水事件的持續時間更長。

圖2 2001—2018年中南半島地區極端降水與物候指標的時間序列Fig.2 Time series of vegetation phenology index changes in Indo-China Peninsula from 2001 to 2018

中南半島地區的物候指標的時間變化趨勢均不顯著，SGS（圖2-l）在DOY 98～121 之間波動（均值為DOY 106.4），無明顯時間變化趨勢，而EGS（圖2-m）呈現不顯著提前趨勢，多在DOY 339～353，均值為DOY 346.2；兩指標均在2015 年前后達到最大值；SGS延后、EGS提前，導致LGS（圖2-n）呈現顯著縮短趨勢（P<0.1），縮短速率為0.6 d/a。

2.2 空間特征與趨勢特征分析

除CDD與R50外，其他指標的空間分布特征與PRCPTOT（圖3-a）相似，指標數值整體呈現西高東低的分布特征，高值區域零散分布在中南半島的中部和西部，柬埔寨東部以及越南紅河三角洲等地區，低值區域連片分布在研究區的東部和北部。R50（圖3-k）指標的高值區僅在緬甸中部分布，CDD（圖3-d）數值由研究區西部向東部及東南部逐漸降低。

圖3 中南半島地區極端降水與物候指標多年均值的空間分布Fig.3 Spatial distribution of annual mean values of extreme precipitation and growing season indices over Indo-China Peninsula

研究區域極端降水指數的趨勢變化具有較強的空間異質性（圖4）。從極端降水強度變化趨勢看，PRCPTOT（圖4-a）在研究區東南部和北部以上升趨勢為主（面積占比45.26%），西部為顯著下降趨勢（4.24%），其余地區為下降趨勢（48.02%）；SDII （圖4-b）高值區和低值區呈下降趨勢（54.71%），中 值 區 呈 上 升 趨 勢（33.74%）；RX1DAY （圖4-c）的高值區以上升趨勢為主（27.20%），其余為下降趨勢（61.53%）；R95pTOT（圖4-g）與R99 pTOT（圖4-h）在研究區東南部和北部以上升趨勢為主（分別為36.44%和26.50%），西部為顯著下降趨勢（分別為7.00%和13.30%），其余地區為下降趨勢（分別為55.02%和59.68%）。從極端降水持續指數的變化趨勢看，CDD（圖4-d）高值區以上升趨勢為主（49.77%），低值區以下降趨勢為主（36.58%）；CWD（圖4-e）低值區無明顯變化，高值區呈上升趨勢（27.55%）；RX5DAY（圖4-f）在研究區北部和中部以上升趨勢為主（38.75%），其余地區為下降趨勢（53.45%）。從降水頻率變化趨勢看，R10（圖4-i）高值區以上升趨勢為主（37.42%），低值區以下降趨勢為主（26.71%）；而R25（圖4-j）的低值區無明顯變化，高值區呈下降趨勢（21.67%），R50（圖4-k）則無明顯變化。綜上所述，強度指數（PRCPTOT、SDII、RX1day）、相 對 指 數（R95pTOT、R95 pTOT）以及RX5day在研究區東南部和北部以上升趨勢為主，其余地區為下降趨勢；CWD 在中部和南部（研究區南部僅指馬來半島）呈上升趨勢；而CDD在西部呈上升趨勢，東部為下降趨勢；R10在中部和北部以上升趨勢為主，其余地區呈下降趨勢，R25 和R50 無明顯變化；大部分趨勢變化顯著地區出現在伊洛瓦底河及湄公河流域等人類活動強度較大的地區，表明研究區極端降水事件的發生強度呈下降趨勢、持續時間呈延長趨勢。

中南半島物候指標具有明顯的空間分異特征（圖3），生長季由半島東部先開始而西部后開始（圖3-l），開始時間自3月向6月逐漸推遲；EGS 與SGS的空間分布規律相似（圖3-m），指標值自半島東部的10月逐漸延后至西部的次年2月；除伊洛瓦底江、紅河、湄公河以及湄南河流域等農田集中地區的LGS 在3～7 個月外，其余以8～9 個月為主（圖3-n）。從變化趨勢看（圖4），SGS在研究區中部和東南部較集中呈現延后趨勢，其余地區以提前趨勢為主（圖4-l）；EGS 僅在研究區中部集中呈現延后趨勢，其余地區呈現提前趨勢（圖4-m）。整體上，SGS與EGS以提前趨勢為主，占比分別為48.6%和53.5%；LGS 以縮短趨勢為主（圖4-n），面積占比高達50.5%。

2.3 生長季與極端降水的關聯分析

通過對物候指標與各極端降水指標間關聯度的比較，獲得中南半島地區影響生長季的主控極端降水指標的分布情況以及各主控指標的面積占比情況。影響3個物候指標的主控極端降水指標類型及分布情況大致相似，且在空間上集中分布，從北向南可近似分為3個區域（圖5）。其中，研究區北部（Ⅰ區）的主控指標為絕對指數，與物候指標關聯度最大的面積占該區域約為70%；研究區西南及中部（Ⅱ區）的主控指標為相對指數，其主控范圍的面積約占該區域的56%；研究區南部及東南沿海（Ⅲ區）的主控指標為持續指數，在物候指標中的影響面積約占該區域的65%。

圖5 中南半島地區物候指標的主控指標分布Fig.5 Distribution of main indexes of growing season indices over Indo-China Peninsula

2.4 生長季趨勢持續性分析

基于R/S法計算2001-2018年研究區物候指標的H 指數，并將各指標變化趨勢（見圖4）與H 指數進行耦合分析，對每對組合進行統計，進一步了解各指標變化趨勢的可持續性情況（表2）。未來與SGS延后趨勢相反的區域占比為27.77%，與提前趨勢相反的區域占比高達31.03%；僅有24.15%的區域呈現持續性，維持其原有變化趨勢；EGS與LGS變化趨勢呈現持續性的區域占比分別為23.42%和23.26%，而未來與EGS延后、LGS延長趨勢相反的區域占比分別為26.49%和25.74%，與EGS 提前、LGS 縮短趨勢相反的區域占比高達34.02% 和35.47%；整體上各物候指標的未來變化以SGS 和EGS 延后、LGS 延長趨勢為主，與過去變化趨勢相反。

表2 中南半島地區物候指標的未來變化趨勢面積占比Table 2 Future trend of growing season index in Indo-China Peninsula %

圖4 中南半島地區極端降水與物候指標變化趨勢Fig.4 Trends of extreme precipitation and growing season indices over Indo-China Peninsula

3 討論與結論

3.1 討論

MCD12Q2 物候產品在熱帶地區具有較高的實用性，本文基于MCD12Q2 提取的中南半島地區SGS、EGS 和LGS （圖3）與 基 于AVHRR 衛 星（Garonna et al., 2016）計算的植被物候參數在數值及時空分布上基本一致。本研究中，中南半島地區2001-2018年SGS延后，EGS提前，LGS縮短（見圖2）。而Suepa 等（2016）通過EVI 提取2000-2010年中南半島植被物候趨勢發現，SGS整體呈延后的趨勢，EGS整體呈延后趨勢，LGS整體呈延長趨勢；EGS 和LGS 的時間變化趨勢與本研究相反，研究時段不同而產生的不同氣候變化趨勢可能是相關結論差異的主要原因，特別是2010年后發生了持續21個月的超強厄爾尼諾事件。厄爾尼諾等熱帶氣候模態會通過“遙相關”機制影響降水活動（Jiang et al., 2019; Ezaz et al., 2022）。2015年超強厄爾尼諾事件于2014 年10 月開始，2016 年6 月結束，且在同年7 月轉為拉尼娜事件，并持續至次年1 月。受該次厄爾尼諾事件的潛在影響，植被物候指標和多個極端降水指標的曲線在2015-2016 年出現谷值，在2017年出現峰值（見圖2）。發生于12月至次年1月的厄爾尼諾事件會造成降水偏少、溫度偏高，從而抑制植被光合作用（Luo et al., 2018），影響次年中南半島植被生長。而發生于12月至次年1月的拉尼娜事件則有利于次年植被的生長（陳海山 等，2020；Arjasakusuma et al., 2021）。因此，發生在2014 和2015 年冬季的厄爾尼諾事件，使2015 和2016年中南半島植被生長季開始時間及結束時間推遲；而2016 年冬季的拉尼娜事件使2017 年中南半島植被活動增強，生長季開始及結束時間顯著提前（見圖2）。

從各物候指標與各極端降水指標的關聯度看，中南半島植被物候指標的主控降水指標在空間分布上具有區域集中性，說明植被物候與區域氣候密切相關。Ⅰ區包含北部山地及東部內陸區域，主控指標為絕對指數（圖5），R10、R25和SDII相對較大，說明該區域的降水量比較集中，該區域植被以熱帶季雨林為主，其生長存在明顯的季節變化，雨季生長、旱季落葉，因此，充沛的降水利于植被的生長。Ⅱ區包括伊洛瓦底江和湄南河下游，是主要的農業耕作區，主控指標為相對指數；濱海地區的1和5 d降水量較多，但伊洛瓦底江流域地區CDD值較高且呈延長趨勢（圖4-d），表明該地區旱雨兩季明顯且呈變干趨勢、短時強降水較多，難以快速轉化為植被可利用水（馮磊 等，2020），且降水增多會導致葉片氣孔關閉，減少植被呼吸和光合作用，不利于植被生長，影響植被生長季；另外，該區域多種植水稻等農作物，第二季水稻的種植時間多在11 月，且多種植生長120 d 左右的短期高產水稻（Son et al., 2016），導致該區域的EGS 推遲，使得EGS出現跨年現象。Ⅲ區包括湄公河三角洲及馬來半島等沿海地區，降水豐沛，主控指標為持續指數；其中，湄公河三角洲是典型沿海洪泛區，沿海極端降水常伴有風暴、洪水等自然災害事件（Wu et al., 2021），持續降水導致植被淹水，影響植被的生長發育，除此之外，EGS較小可能是由于該區域每年種植三季作物，而MCD12Q2物候產品最多檢測2個植被物候周期，因此，湄公河三角洲生長季結束時間被記錄為第二個植被周期的結束時間（9月），而不是第三個植被物候周期的結束時間（次年2月）（Clauss et al., 2018）；馬來半島植被主要為熱帶稀樹草原，禾草植物的生長依賴雨季提供的濕氣，但持續降水會沖擊表層沙質土壤，不利于禾本植物生長和休眠（Lehmann et al., 2011）。

近年來，利用遙感數據反演植被物候的模型比較豐富，包括閾值法、函數擬合法等，但每種模型都有其不確定性；MCD12Q2 和其他遙感物候產品相同，都面臨分辨率低、觀測植被周期少、產品驗證不充分等挑戰（張曉萱 等，2019），盡管存在這些問題，但MCD12Q2利用EVI2和動態閾值法，提高了物候產品在熱帶生態系統的可靠性，并保留了植被物候的跨年信息（Josh et al., 2019），其數據仍有價值。此外，本文僅從頻率、強度和持續性分析極端降水的對植被物候的影響，但極端降水發生的時間，以及生態系統中的水文條件等因素也會影響植被的生長，未來還需利用更高質量的遙感數據提取植被物候及細化極端降水事件發生的時間及類型，結合其他本底數據，從多角度分析不同極端降水事件對植被物候的驅動機制。同時，非氣候因素也會增加未來植被生長的不確定性，如火災、病蟲害及人類活動等，還需通過建立更全面的指標體系，進一步分析中南半島地區植被物候變化的影響因素。

3.2 結論

本文利用MCD12Q2數據提取了2001-2018年中南半島的植被物候指標，并分析了物候指標與極端降水指標的時空變化特征及關聯，以及物候指標的未來變化趨勢，得到以下結論：

1）時間上，2001-2018 年中南半島地區物候指標中，SGS在均值上下波動，EGS與LGS分別呈提前、縮短趨勢；極端降水指標中，RX1day、R95pTOT、R99pTOT 和R50 均呈下降趨勢，R10、R25 和CWD 指標均呈上升趨勢，表明中南半島極強降水事件減少，中等強度降水事件增加，降水事件更加連續。

2）空間上，物候指標中，中南半島SGS 與EGS 空間分布規律相似，均自東向西逐漸延后；LGS與植被類型相關，農業區LGS在3～7個月，其余地區生長季多持續8～9 個月；極端降水指標中，R50 的高值區集中在緬甸中部；除CDD 與R50 外，其他指標的空間分布特征與年降水總量指標的空間分布相似，指標數值大致呈現西高東低的分布特征。趨勢上，除研究區南部物候指標無明顯變化外，其余地區的SGS與EGS以提前趨勢為主，LGS則整體呈縮短趨勢。研究區西部和南部極端降水事件的強度呈降低趨勢，而東部和北部則呈現上升趨勢，這表明研究區西部和北部干旱事件持續時間變長，南部降水事件持續時間變長，東部干濕事件的持續時間均變短。

3）關聯性上，根據主控指標類型可劃分絕對指數、相對指數和持續指數3個典型區，各物候指標的主控極端降水指標類型相似、空間分布集中，表明植被物候與植被類型、地形地貌和區域氣候等特征密切相關。

4）持續性上，中南半島大部分地區的植被生長季變化具有反持續性，即各物候指標過去的變化趨勢未來不再延續，反持續性區域面積占比約58.8%～61.21%；同時，各物候指標未來變化以SGS和EGS延后、LGS延長趨勢為主。