EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 2: 421 - 437

DOI: https://doi.org/10.12082/dqxxkx.2023.220390

遥感科学与应用技术

北方农牧交错区干旱特征变化及其对植被总初级生产力的影响

  • 周温存 , 1, 2 ,
  • 刘正佳 , 2, 3, * ,
  • 王坤 4 ,
  • 邹时林 1 ,
  • 钟会民 2, 3 ,
  • 陈芳鑫 2
展开
  • 1.东华理工大学测绘工程学院，南昌 330013
  • 2.中国科学院地理科学与资源研究所 区域可持续发展分析与模拟重点实验室， 北京 100101
  • 3.中国科学院大学资源与环境学院，北京 100049
  • 4.中国科学院发展规划局科技政策研究室，北京 100864
* 刘正佳（1986— ），男，山东青州人，博士，副研究员，硕士生导师，主要从事农业地理方面的研究工作。 E-mail:

周温存（1997— ），女，江西九江人，硕士生，研究方向为遥感与地理信息系统应用。E-mail:

收稿日期: 2022-06-08

  修回日期: 2022-08-19

  网络出版日期: 2023-04-19

基金资助

国家自然科学基金项目(41971218)

中国科学院A类战略性先导科技专项(XDA23070302)

收起

Spatio-temporal Changes of Drought Features and Their Impacts on the Gross Primary Production in Farming-Pastoral Ecotone of Northern China

  • ZHOU Wencun , 1, 2 ,
  • LIU Zhengjia , 2, 3, * ,
  • WANG Kun 4 ,
  • ZOU Shilin 1 ,
  • ZHONG Huimin 2, 3 ,
  • CHEN Fangxin 2
Expand
  • 1. School of Surveying and Mapping Engineering, East China University of Technology, Nanchang 330013, China
  • 2. Key Laboratory of Regional Sustainable Development Analysis and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. Technology Policy Studies, Bureau of Development and Planning, Chinese Academy of Sciences, Beijing 100864, China
* LIU Zhengjia, E-mail:

Received date: 2022-06-08

  Revised date: 2022-08-19

  Online published: 2023-04-19

Supported by

National Natural Science Foundation of China(41971218)

The Strategic Priority Research Program (Class A) of the Chinese Academy of Sciences(XDA23070302)

Fold

摘要

北方农牧交错区地处半湿润/半干旱生态脆弱过渡带，干旱是影响该区植被生产力的关键因素之一。探究干旱对植被总初级生产力的影响，对深刻理解气候变化下生态系统生产力变化响应特征及优化区域碳水循环具有重要意义。为了更好地了解水分限制区不同干旱特征对GPP影响，本研究以北方农牧交错区为例，基于长时间序列的标准化降水蒸散发指数（SPEI3，1900—2020年）和植被总初级生产力（GPP，1982—2018年）等数据，首先采用小波分析明确SPEI3与GPP强相关周期，在此基础上利用游程理论识别干旱特征，进而分析了北方农牧交错区干旱特征与GPP的变化趋势，最后厘定了不同干旱特征对GPP的影响。结果表明：① 1982—2018年北方农牧交错区SPEI3与GPP在半年周期和年周期存在显著相关关系，滞后效应随时间变化而变化；年际分析能够减弱滞后效应对SPEI3与GPP相关性的影响；② 1900—2020年北方农牧交错区干旱历时、干旱烈度和烈度峰值均呈现显著增加趋势，干旱烈度随着干旱历时和烈度峰值的增加而加剧，干旱特征高值区往往具有更强的增加趋势；③ 1982—2018年北方农牧交错区GPP总体呈现增加趋势，GPP高值区表现出更强的增加趋势；④ 不同干旱特征对GPP变化的影响不同，贡献率绝对值表现为干旱烈度>干旱历时>烈度峰值；整体来看，干旱特征共同解释了GPP变化面积的18.1%，干旱历时和干旱烈度显著抑制GPP增加；⑤ 不同的土地利用上植被GPP变化对干旱特征响应不同，乔木和灌木GPP下降主要来自干旱历时的负贡献，草地和耕地GPP下降则由干旱烈度的负贡献主导。

关键词： 植被总初级生产力; 小波分析; 干旱特征; 游程理论; 趋势分析; 偏相关分析; 相对贡献率

本文引用格式

周温存 , 刘正佳 , 王坤 , 邹时林 , 钟会民 , 陈芳鑫 . 北方农牧交错区干旱特征变化及其对植被总初级生产力的影响[J]. 地球信息科学学报, 2023 , 25(2) : 421 -437 . DOI: 10.12082/dqxxkx.2023.220390

Abstract

Climate change has been projected to increase the drought duration and intensity in the future, with greater impact on the Gross Primary Production (GPP) in areas. However, despite our increasing understanding of the drought impacts on GPP in recent decades, there is still little understanding of how different drought features (i.e., duration, intensity, peak) GPP. A better understanding of the impact of different drought features on GPP under climate change can help optimize the regional carbon water cycle. In this study, we took the Farming-Pastoral Ecotone of Northern (FPEN) in China as an example and used long-term time series Standardized Precipitation Evapotranspiration Index (SPEI3) during 1900—2020 and GPP during 1982—2018. Firstly, the cross wavelet transform and wavelet coherence analysis was employed to reveal the correlation relationship between SPEI3 and GPP at different temporal scales. Then, the drought features were identified by runs theory, and the trend of drought features and GPP were analyzed using the Theil-Sen Median trend analysis with the Mann-Kandall test in FPEN. Finally, the effects and relative contributions of different drought features on GPP were determined by partial correlation analysis and multiple linear regression analysis. The results show that: (1) There was a strong correlation between SPEI3 and GPP at the scales of half year (6±1 month) and 1 year (12±2 month) in FPEN during 1982—2018, and the 1-year scale had a stronger relationship. Meanwhile the lag effect of SPEI3 and GPP changed with time. Therefore, we clarified that the interannual analysis was able to reduce the effect of lag effect on the correlation between SPEI3 and GPP; (2) The drought duration, intensity, and peak all showed a significantly increasing trend in FPEN during 1900—2020. Drought intensity increased with increasing drought duration and peak. The drought features with higher values often had a stronger increasing trend; (3) GPP showed a trend of “increase-decrease-increase”, with a significant increasing trend during 1982—2018, and the high values of GPP showed a stronger increasing trend; (4) Different drought features have different effects on GPP changes. The absolute contribution rate of drought features was in the order of intensity > duration > peak. Overall, drought features together explained 18.1% of the GPP change. Drought duration and intensity significantly inhibited GPP growth, with the relative contribution rate of -0.05 and -0.35, respectively; (5) GPP of different land covers responded differently to drought features. The drought duration and intensity has negative contribution to the GPP changes in forests/shrubs and grasslands/croplands, respectively.

Key words： gross primary production; wavelet analysis; drought features; runs theory; trend analysis; partial correlation analysis; relative contribution rate

1 引言

IPCC第六次报告指出全球气温相较于工业革命前水平，由人类活动引起的气温升高约为1.07 ℃[1-2]。植被作为陆地生态系统的重要组成部分，通过光合作用吸收约30%~40%的人类活动排放的CO2，减缓CO2引起的全球气候变暖速率[3]。植被总初级生产力（Gross Primary Production，GPP）被定义为单位面积的绿色植被在单位时间内吸收CO2生成有机物的能力，受大气中CO2浓度、太阳辐射、温度、降水等因素影响[4⇓-6]。虽然不同区域影响GPP变化的主导因素有所区别[7]，但越来越多的研究表明，干旱是影响陆地生态系统碳循环的关键因素，特别是在水分限制区[8-9]。
由于干旱成因复杂且难以直接观测，通常需要通过建立干旱指数来监测干旱事件[10]。目前常用的干旱指数有标准化降水指数（Standardized Precipitation Index, SPI）、帕尔默干旱指数（Palmer Drought Severity Index, PDSI）和标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index, SPEI）等[10-11]。其中，SPI将干旱定义为降水量与其长期平均值的偏离程度，它的优点是计算简单，能够较好的反映降水不足引起的干旱事件，缺点是无法准确刻画升温引起的蒸散发量增加对干旱的进一步影响[12⇓-14]。相比之下，考虑了蒸散发的干旱指数PDSI和SPEI能更加准确地描述了升温背景下干旱特征变化[11]。Cook等[15]指出与PDSI相比SPEI对蒸散发的变化更加敏感，Vicente等[16]也强调PDSI可能不适合用于监测蒸散发量较大地区的干旱变化。因此，在蒸散发量高于年降水量的半干旱地区，SPEI更适用于描述了升温背景下干旱特征变化。
干旱作为最具破坏性的自然灾害之一，它主要通过水分胁迫抑制植被生长、减慢光合作用速率来降低GPP[17]。干旱的发生往往伴随着升温、辐射增加、土壤含水量减少等其它因素变化[6]，这些因素会因土地利用类型、地理环境等不同而影响干旱对GPP的抑制作用[7]。因此，相比于其他气候因子，干旱对GPP的影响往往更为复杂，不确定性更高[18-19]。特别是在气候变化背景下干旱事件在频率、持续时间、强度和影响面积上都表现出显著增加的趋势，因此量化不同干旱特征（持续时间、强度等）对GPP的影响尤为重要[18⇓⇓⇓-22]。然而现有研究大多直接使用干旱指数或仅考虑GPP对单一干旱特征（干旱频率、干旱严重程度）的响应，鲜有研究分别考虑不同干旱特征对GPP的影响，因此亟需区分各类干旱特征对GPP影响的差异[18,23-24]。
在探究干旱对GPP影响方面，现阶段主要采用的研究方法有相关分析、小波分析、多元回归分析和陆面过程模型等[8,19,25⇓-27]。相关分析包括简单相关和偏相关分析，相比于简单相关分析，偏相关分析能够在控制其余干旱特征对GPP影响的条件下，量化某一干旱特征对GPP的影响，但相关性分析只能用于描述两者线性关系[28-29]。小波分析则能够描述不同周期上干旱特征对GPP影响的具体细 节[30]。陆面过程模型需要比较不同情景设置下的模拟结果，从而量化气候因子对GPP的影响，复杂的模拟过程、较多的输入参数，使模型的不确定性增加，限制了模型模拟精度，同时基于陆面过程模型的方法无法直接描述干旱特征对GPP的影响，它仅能描述基本的气候要素或者植被与外界进行物质交换的因子对GPP的影响[31]。相比之下，多元回归分析能够相对容易的分离不同干旱特征对GPP变化的影响[19]。
北方农牧交错区位于我国半湿润/半干旱的生态脆弱区，水分是限制该区植被生长的重要因子[32]。随着气候变化和人类活动加剧，该区面临着生态环境恶化、植被退化以及水资源短缺等一系列生态问题[33]。为此中国政府自1979年开始陆续实施了“三北工程”、“退耕还林还草”以及“禁牧封育”等生态恢复工程[34-35]。虽然近期研究表明北方农牧交错区植被覆盖度迅速增加，但仍不清楚升温与植被增加带来的蒸散发量增加是否加剧了该区干旱与植被生产力之间的冲突[34,36-37]。此外，干旱与GPP的周期性变化也为研究带来了难度，分季节或者年度讨论是解决二者周期性变化的常用方式，却并未指出干旱对GPP的影响在不同周期上相关性强弱[38-39]。
综上，本研究以北方农牧交错区为例，在明确SPEI3与GPP在周期上的相关性后，以两者强相关周期为研究的基本时间单位，探究受水分限制的典型生态脆弱区不同干旱特征对GPP的影响，这项研究对全面理解在气候变化下水分限制区域陆地生态系统碳水循环有重要意义。

2 研究区概况与数据来源

2.1 研究区概况

北方农牧交错区地处我国北方半湿润/半干旱生态脆弱过渡带，横跨10个省份，从北向南依次为黑龙江、吉林、内蒙古、辽宁、河北、山西、陕西、宁夏、甘肃和青海，总面积约为72.5×104 km2。地势东北低西南高，东北从往西南依次跨过东北平原、内蒙古高原、黄土高原、青藏高原的部分地区。研究区年降雨量在272.6~550 mm，年均温为6.8 ℃，降雨主要集中在夏季。虽然雨热同期的气候特点为草本植物和农作物生长发育提供了良好的自然条件，但年总降雨量较少、地理环境复杂，植被覆盖率低，使该区对气候变化（特别是干旱）和人类活动十分敏感（图1）。
图1 研究区概况

Fig. 1 The geographical position of farming-pastoral ecotone of northern China

2.2 数据来源

研究使用Wang等[40]利用卫星近红外反射率反演得到的每月GPP产品，该产品充分考虑了CO2浓度增加对植被生长的施肥效应，同时站点级别数据验证实验也证明了该产品在刻画年际变化与趋势方面优于其他GPP产品。SPEI数据来源于Global SPEI database，该数据包含了1~48月尺度的月度SPEI，n（n=1，…，48）月尺度SPEI表示前n个月累积的降水与潜在蒸散发之差[41]。不同时间尺度SPEI对GPP的影响存在差异，现有研究表明，在全国范围内，3月尺度SPEI与GPP的相关性最强，故本研究使用3月尺度的月度SPEI研究GPP对干旱的响应关系，在后文将以SPEI3表示3月尺度SPEI[42⇓-44]。植被归一化指数（Normalized Difference Vegetation Index, NDVI）来源于中国科学院资源环境科学与数据中心，该指数用于描述研究区自1999年实施退耕还林还草等生态工程以来，区域植被的基本情况。土地利用数据来源于CCI土地利用数据集，用于分析各土地利用上不同植被类型GPP对干旱特征的响应情况。需要说明的是，由于NDVI和土地利用数据都是对GPP变化以及GPP对干旱特征响应的进一步分析，故均与最新的GPP数据（2018年）匹配。高程、温度和降水数据用于描述北方农牧交错区地形和气候的基本情况。研究使用数据详细信息如表1所示。
表1 本文研究使用数据说明

Tab. 1 Data description

数据类型 时间 空间分辨率 时间分辨率 来源
总初级生产力 1982—2018年 0.5° 逐月 https://doi.org/10.1016/j.scitotenv.2020.142569
标准化降水蒸散发指数 1900—2020年 0.5° 逐月 https://spei.csic.es/spei_database
高程 2000年 30″ - https://earthdata.nasa.gov/
植被归一化指数 1998—2018年 1 km 逐月 https://www.resdc.cn/
温度 1992—2020年 0.25° 逐月 https://cds.climate.copernicus.eu
降水 1992—2020年 0.25° 逐月 https://cds.climate.copernicus.eu
土地利用数据 2018年 300 m 逐年 https://cds.climate.copernicus.eu

3 研究方法

3.1 研究框架

本研究基于1900—2020年SPEI3和1982—2018年GPP的卫星遥感数据集，监测了气候变暖以来北方农牧交错区长期干旱特征与GPP的时空变化趋势以及干旱特征对GPP的影响，主要包括5个步骤：① 利用交叉小波变换与小波相干分析揭示不同周期上SPEI3与GPP的相关关系及其滞后效应，并找出二者强相关周期，为后续研究提供基础； ② 利用游程理论识别干旱事件并定义干旱特征，干旱特征包括干旱历时、干旱烈度和烈度峰值；③ 通过Theil-Sen Median趋势分析与Mann-Kandall检验明晰北方农牧交错区干旱特征与GPP的时空变化趋势；④ 利用偏相关探究不同干旱特征与GPP的相关关系；⑤ 基于多元线性回归模型量化不同干旱特征对GPP变化影响的相对贡献率，并进一步分析了不同的土地利用上植被GPP变化对各类干旱特征的响应。技术路线图如图2所示。
图2 技术路线

Fig. 2 Technology road map

3.2 确定强相关周期

SPEI3和GPP具有明显的周期性变化特征，在不同的周期上（如季节、年际上）干旱特征对GPP的影响存在一定的差异[38]。因此，在量化干旱特征对GPP的影响前，我们需要确定两者在何周期上具有强相关性，以便更准确的描述干旱特征对GPP的影响。众所周知，SPEI3和GPP在不同周期上的震荡行为难以通过简单线性相关描述其相关关系[45]，相比之下，小波分析可以获得SPEI3和GPP相关性随时间和频率变化的具体细节，以反映二者在不同周期上的相关程度。因此，本研究采用Morlet小波对SPEI3和GPP数据进行分解，通过计算交叉小波变换和小波相干分析系数检测SPEI3与GPP在不同周期上相关关系[30]。SPEI3和GPP的时间序列分别为 X = x 1 , x 2 , … , x n和 Y = y 1 , y 2 , … , y n，假设 W n X s和 W n Y s为SPEI3和GPP的连续小波变换，则SPEI3和GPP的交叉小波变换如式（1）所示。
W n X Y s = W n X s × W n Y * s
式中： W n Y * s为 W n Y s的复共轭；s为伸缩尺度。
小波相干分析如式（2）所示。
R n 2 s = S s - 1 W n X Y s 2 S s - 1 W n X s 2   ·   S s - 1 W n Y s 2
式中：S为平滑算子。

3.3 干旱特征识别

干旱可以从多个维度对GPP产生影响，具体包括干旱持续时间、强度以及峰值等[46]。仅通过干旱指数描述干旱事件难以进一步区分不同干旱特征对GPP影响的差异。因此，本研究利用游程理论识别干旱事件，并定义不同的干旱特征[47-48]。选取SPEI3值yα= -1为截取水平，当月SPEI3序列 D = d 1 , d 2 , … , d n小于yα时视为发生干旱事件。SPEI3值连续小于yα的长度为干旱历时，也称干旱持续时间；该时间段内SPEI3绝对值之和（负游程面积）为干旱烈度，或者为干旱严重程度；干旱持续时间内|SPEI3|最大值则是烈度峰值或干旱峰值（图3）。
图3 游程理论提取干旱特征示意图

Fig. 3 Drought features extraction using runs theory

3.4 干旱事件趋势分析

Theil-Sen Median趋势分析与Mann-Kandall检验是世界气象组织（WMO）推荐的趋势分析方法之一，被广泛应用于计算气候要素随时间变化的趋势研究中[45,49]。栅格尺度的干旱事件趋势分析是观测区域干旱事件时间变化与地理空间分布特征的重要手段。Theil-Sen Median计算如式（3）所示。
β = m e d i a n D i - D j i - j       （ ∀   i < j ,   1 < i < j < t ）
式中： β为邻近时间序列的斜率中位数； D i、 D j分别为干旱特征变量在第i月和第j月的值。当 β>0时，表示在研究期t内干旱特征变量随着时间变化而增加， β值越大，增加趋势越明显，反之则随时间变化而减小。
使用Mann-Kendall对时间序列趋势进行显著性检验，计算公式如式（4）所示。
Z = S V a r ( S )                       ( S > 0 )                 0                                     ( S = 0 ) S + 1 V a r ( S )                       ( S < 0 )
式中：Z为检验统计量。本文以 α = 0.05的置信水平为阈值，当 Z > Z 1 - α 2时，表示由Theil-Sen Median计算的趋势具有显著性。S计算公式为式（5），其中 s g n为符号函数（式（6））， V a r S计算公式为式（7）。
S = ∑ i = 1 t - 1 ∑ j = i + 1 t s g n ( x j - x i )
s g n x j - x i = 1                 ( x j - x i > 0 ) 0                 ( x j - x i = 0 ) - 1           ( x j - x i < 0 )
V a r S = t ( t - 1 ) ( 2 t + 5 ) 18

3.5 GPP与干旱特征偏相关分析

干旱对GPP的影响是由多个干旱特征共同作用的结果，某一干旱特征的变化必将对其余干旱特征产生一定的影响。因此，使用简单相关无法准确量化GPP与某一干旱特征之间的线性关系[28]。偏相关分析能够在剔除其余干旱特征影响的条件下分析GPP与某一干旱特征的相关关系[29]。本文利用二阶偏相关分析GPP与各干旱特征间的相关关系。计算公式如式（8）所示。
R x y . z 1 z 2 = R x y . z 1 - R x z 2 . z 1 R y z 2 . z 1 1 - R x z 2 . z 1 2 1 - R y z 2 . z 1 2
式中： R x y . z 1 z 2为二阶偏相关系数；y为GPP。当x为干旱历时时，z1和z2分别为干旱烈度和烈度峰值， R x y . z 1 z 2表示在剔除干旱烈度和烈度峰值时，干旱历时与GPP的二阶偏相关系数。 R x y . z 1、 R x z 2 . z 1和 R y z 2 . z 1分别对应干旱历时与GPP一阶偏相关系数、干旱历时与烈度峰值一阶偏相关系数和烈度峰值与GPP一阶偏相关系数，一阶偏相关计算公式为式（9）。
R x y . z 1 = R x y - R x . z 1 R y . z 1 1 - R x . z 1 2 1 - R y . z 1 2
式中： R x y、 R x . z 1和 R y . z 1分别为干旱历时与GPP、干旱历时与干旱烈度以及干旱烈度与GPP的相关关系，其余一阶偏相关系数依此类推。

3.6 GPP与干旱特征变量回归分析

多元线性回归分析是研究GPP对气候变化响应常用的统计方法之一。为保证回归系数的可比性，以及能够反映干旱特征每变化一个单位所引起的GPP变化的量，分别对GPP和干旱特征进行标准化[19,50-51]。标准化后的各多元回归系数与其绝对值之和的比值表示不同干旱特征对GPP变化的贡献率。计算公式如式（10）和式（11）所示。
Y i = α 1 i X D i + α 2 i X S i + α 3 i X M i + ε i
C o n j i = α j i ∑ j = 1 3 α j i × 100 %
式中： Y i为标准化GPP序列； X D i、 X S i、 X M i分别为标准化的干旱历时、烈度和烈度峰值； α 1 i、 α 2 i、 α 3 i分别为各干旱特征变量的回归系数。 C o n j i为干旱特征对GPP变化的相对贡献率，正值表明该特征促进GPP增加，负值表明该特征抑制GPP增加，绝对值越大表明促进（抑制）作用越强， ε i为残差，离差标准化计算公式为式（12）。
Y i = Y i - M i n Y i M a x Y i - M i n Y i
式中： M i n Y i和 M a x Y i分别表示时间序列第i个栅格上最小和最大的GPP值。其余标准化时间序列依此类推。

4 结果及分析

4.1 SPEI3与GPP相关关系

1982—2020年北方农牧交错区月尺度SPEI3的时间演化特征显示（图4（c）），该区SPEI3值呈现减小趋势，自1994年以来该区变干倾向明显。交叉小波变换与小波相干分析结果表明，在半年（6±1月）周期和年（12±2月）周期内，SPEI3与GPP存在显著相关关系，其中，交叉小波变换系数显示年周期内SPEI3与GPP的相关关系更强（图4（a）、图4（b）。SPEI3与GPP的滞后或超前关系随时间变化而变化。就年周期而言，1982—1990年、1999—2001年主要以显著正相关为主；2002—2004年、2006—2011年以显著负相关为主；1991—1993年SPEI3滞后GPP 2.5~4个月左右；1994—1998年、2012—2018年SPEI3超前GPP 2.5~4个月左右，而GPP年内变化相对稳定。
图4 月度SPEI 3与GPP小波分析以及月度SPEI 3时间变化特征

Fig. 4 Monthly SPEI 3 and GPP wavelet analysis and Monthly SPEI 3 time change

综上，交叉小波变换和小波相干分析均表明SPEI3与GPP在年周期内高度相关，即年尺度能够很好地反映SPEI3与GPP的相关关系。同时这项结果表明，在年尺度上探究干旱特征与GPP的关系能够减弱二者间滞后效应的影响（超前滞后的时间不超过一年）。
因此，本文接下来以年为单位，探究干旱特征对GPP变化的影响。

4.2 干旱特征与GPP时空变化特征分析

4.2.1 干旱特征时空变化特征分析

使用游程理论识别干旱历时、干旱烈度和烈度峰值，进一步分析北方农牧交错区年尺度干旱特征与GPP变化特征。1900—2020年北方农牧交错区干旱历时整体呈现显著增加的趋势（p<0.01），年均增速约为0.02/a（图5（c）)。其中，1900—1941年干旱历时持续增加，由1900年的2.2月增加为1941年的7.5月，年均增速达0.05/a；1942—1953年北方农牧交错区干旱历时出现短暂的减少趋势，年均变化率约为-0.3/a；1954—2020年干旱历时呈持续增加的态势，年均增速约为0.03/a，相比1900—1941年速率约减少0.02/a。1900—2020年北方农牧交错区干旱烈度呈显著增加趋势（p<0.01），年均变化率约为0.03/a（图5（b））。从趋势方向发生变化的时间节点上看，研究期间干旱烈度变化趋势与干旱历时变化趋势具有一致性。其中，干旱烈度在1900—1941年期间增加速率最快，约为整个研究时间段干旱烈度变化趋势的3倍，为0.09/a。1900—2020年北方农牧交错区烈度峰值变化最小，年均增速约为0.004/a（p<0.01）（图5（a））。
图5 1900—2020年北方农牧交错区干旱特征时空变化特征

Fig. 5 Spatial-temporal changes trend of drought features in the farming-pastoral ecotone of northern China from 1900 to 2020

空间上，1900—2020年北方农牧交错区干旱特征均呈现显著增加趋势（p<0.05），不同干旱特征变化趋势空间分布具有一致性。干旱特征变化趋势的空间分布格局与年均降水量的空间分布格局相似，大致呈现由南部向东北部递增的态势（图1（c）、图5（g）—图5（i））。1900—2020年干旱特征均值的高值区主要分布在研究区东部和西部地区（图5（d）—图5（f））。由图可知，1900—2020年研究区干旱持续时间均值介于2.8~3.7月之间，其中内蒙古、宁夏和甘肃地区干旱持续时间较长，河北和黑龙江干旱持续时间较短（图5（d））。1900—2020年干旱烈度均值介于4.0~5.6之间，高值区主要分布在内蒙古、宁夏、甘肃和青海（图5（e））。烈度峰值均值与干旱烈度均值空间分布相似，高值范围更小，呈现两端高中部低的空间分布格局，年均烈度峰值在1.38~1.47（图5（f））。
上述研究结果表明，位于年降水量低于400 mm的东部地区和远离海洋的内陆地区（西部）干旱更加严重。干旱烈度（严重程度）受干旱历时和烈度峰值共同作用，其中干旱历时变化趋势是导致干旱烈度变化的重要原因。

4.2.2 GPP时空变化特征分析

1982—2018年北方农牧交错区GPP呈现“增-减-增”的变化趋势，年均增速约为11.4(gC·m-2)/a（p<0.05）（图6（c））。从图中可以看出，研究区1982—1996年北方农牧交错区GPP年增加速度相对较慢，年均增速约为9.02(gC·m-2)/a(p≥0.05)；1996—2001年研究区GPP呈现显著减少趋势（p<0.05），年均下降速度约为-107.0(gC·m-2)/a；自2001年以来GPP呈现显著增加趋势（p<0.05），年均增速约为44.3(gC·m-2)/a，接近整个研究期间GPP增速的4倍。空间上，1982—2018年北方农牧交错区超过55%的地区GPP变化趋势通过显著性检验，其中有88.1%的像元表现为显著增加趋势，主要分布在研究区北部（辽宁、河北、陕西、宁夏和甘肃）；呈现显著减少趋势的GPP面积总面积的11.9%，主要分布在内蒙古自治区（图6（b））。GPP均值分布与其变化趋势具有一致性（图6（a）），除内蒙古东部外，高值区与GPP增加趋势区域基本重叠，高值主要分布在研究区东北部（内蒙古北部、辽宁和河北），低值区则主要分布在西南部（陕西、宁夏和甘肃）。
图6 1982—2018年北方农牧交错区GPP时空变化特征

Fig. 6 Spatial-temporal changes trend of GPP in the farming-pastoral ecotone of northern China from 1982 to 2018

4.3 干旱特征对GPP的影响

为分析干旱特征与GPP的相关关系，将GPP与干旱特征进行偏相关分析，得到不同干旱特征与GPP的线性相关关系（图7（a）—图7（c）、表2）。1982—2018年北方农牧交错区GPP与烈度峰值显著相关（p<0.05）面积最大（71.9×103 km2），占总面积的9.9%；研究区大部分地区GPP值与烈度峰值呈正相关关系，面积为68.8×103 km2，占总面积的9.4%，主要分布在内蒙古西部、陕西和甘肃（图7（c））。干旱烈度与GPP显著相关（p<0.05）面积仅次于烈度峰值，为42.0×103 km2，占总面积的5.7%；干旱烈度与GPP以负相关关系为主，主要分布在山西和陕西，面积为29.8×103 km2，占总面积4.1%，呈正相关关系的面积为12.2×103 km2，零星分布在研究区东部和西部（图7（b））。1982—2018年北方农牧交错区干旱历时与GPP显著相关（p<0.05）面积最小，仅为37.1×103 km2；干旱历时与GPP以负相关关系为主，面积为27.6×103 km2，占总面积的3.8%，主要分布在宁夏和甘肃（图7（a））。
图7 1982—2018年北方农牧交错区干旱特征对GPP变化的影响与贡献率

Fig. 7 Effects and Contributions of drought features on GPP changes in the farming-pastoral ecotone of northern China from 1982 to 2018

表2 1982—2018年北方农牧交错区干旱特征与GPP的相关关系以及干旱特征对GPP变化的相对贡献率

Tab. 2 The correlation between drought features and GPP and relation contributions of drought features on GPP changes in the farming-pastoral ecotone of northern China from 1982 to 2018

变量 偏相关分析模型 多元回归模型
偏相关系数 正相关面积/km2 负相关面积/km2 相对贡献率/% 正贡献面积/km2 负贡献面积/km2
干旱历时 -0.20* 9477 27 621 -13.95* 58 239 73 629
干旱烈度 -0.17* 12 231 29 808 -20.44* 48 762 83 106
烈度峰值 0.38* 68 850 3078 4.16* 77 922 53 946

注：*表示显著性检验p<0.05。

为量化不同干旱特征对北方农牧交错区GPP变化的影响，将GPP作为因变量，干旱历时、干旱烈度与烈度峰值作为自变量，利用多元回归模型，求得干旱特征对GPP值的相对贡献率（图7（d）—图7（f）、 表1）。1982—2018年北方农牧交错区干旱特征共同解释GPP变化面积的18.1%，其中干旱烈度对北方农牧交错区GPP变化贡献最大（绝对值），干旱历时次之，相对贡献率分别为20.44%和13.95%，烈度峰值对研究区GPP变化的贡献最小，相对贡献率为4.16%。1982—2018年研究区干旱烈度对GPP变化的影响以负贡献率为主，占总面积的11.4%，主要分布在内蒙古与河北交界处、山西、陕西和甘肃，干旱烈度对GPP值呈正贡献的面积约为负贡献面积的 1/2，主要分布在内蒙古东部、陕西、宁夏和甘肃交界处（图7（e））。1982—2018年研究区干旱历时对GPP变化的影响以负贡献为主，占总面积的10.1%，主要分布在陕西、宁夏和甘肃；干旱历时对GPP值呈正影响的面积（58.3×103km2）低于负影响的面积，主要分布在陕西与山西交界处、内蒙古西部以及河北省（图7（d））。1982—2018年研究区烈度峰值的相对贡献率介于-96.60%~53.46%之间。期间烈度峰值对GPP的变化的影响主要表现为正贡献（77.9×103km2），占总面积的10.7%，主要分布在内蒙古西部、河北、陕西、宁夏和甘肃（讨论部分将进一步详述原因）；呈负贡献的面积为53.9×103km2，占总面积的7.4%（图7（f））。
研究发现不同的土地利用上植被对不同干旱特征的敏感程度存在差异，林地GPP下降主要来自干旱历时的贡献，而草地和耕地GPP下降主要受干旱烈度的影响（表3）。干旱烈度对耕地影响最大，相对贡献率为-15.19%，乔木主要受干旱历时的影响，相对贡献率接近40%（-39.06%），与乔木类似灌木GPP的下降主要来自干旱历时的影响，相对贡献率为-17.11%，草地则受干旱烈度影响较大（-16.71%）。相反，各类土地利用类型上，烈度峰值对植被的相对贡献率均为正值，其中受人类活动影响较大的耕地、草地和灌木相对贡献率远高于乔木（5.43%）。
表3 2018年北方农牧交错区不同土地利用类型上干旱特征对GPP的相对贡献率

Tab. 3 Relation contributions of drought features to GPP on different land use types in the farming-pastoral ecotone of northern China in 2018

植被类型 相对贡献率/%
干旱历时 干旱烈度 烈度峰值
耕地 -12.70* -15.19* 10.94*
林地 乔木 -39.06* -6.22* 5.43*
灌木 -17.11* -12.67* 9.07*
草地 -12.59* -16.71* 12.35*

注：*表示显著性检验p<0.05。

5 讨论

北方农牧交错区植被总初级生产力GPP增加是气候变化与人类活动共同作用的结果[13]。在气候变化背景下，北方农牧交错区干旱特征呈现显著增加趋势（图5（a）—图5（c））。对于不同干旱特征对GPP变化敏感性不同的问题，本文通过分析干旱特征与GPP变化的偏相关关系，发现不同干旱特征与GPP呈现出不同的相关关系，研究区大部分地区干旱历时、干旱烈度与GPP呈负相关关系；相反，研究区大部分地区烈度峰值则与GPP呈正相关关系（图7（a）—图7（c）；干旱历时、干旱烈度和烈度峰值共同解释北方农牧交错区GPP变化面积的18.1%，其中干旱烈度是抑制GPP增加的主要干旱特征（图7（d)—图7（f））。虽然GPP增加受到干旱的抑制作用，但干旱事件的发生并未改变北方农牧交错区GPP总体的增加趋势，这可以归因于1999年以来北方农牧交错区实施的退耕还林还草等生态修复工程，使该区植被覆盖增加（图8），进而提高了该区植被总初级生产力，这与先前学者研究结论一致[26,52⇓⇓⇓ -56]。
图8 1998—2018年北方农牧交错区NDVI时空变化特征

Fig. 8 Spatial-temporal changes trend of NDVI in the farming-pastoral ecotone of northern China from 1998 to 2018

1982—2018年北方农牧交错区中、西部烈度峰值对GPP贡献为正值。对于造成这一现象可能的原因是：
（1）地理环境因素。干旱抑制GPP增加是众所周知的，但GPP对于干旱的响应通常也取决于控制植被生长的自然因素[9,38,57]。研究区中、西部地区年降水量较多、海拔较高（图1），因此，在全球变暖的背景下，干旱烈度小幅度加剧可能被升温、辐射和CO2浓度增加的积极效应所抵消[9,58]。
（2）土地利用类型的影响。由于1992—2018年北方农牧交错区不同土地利用类型（耕地、林地、草地和未利用地）上，干旱特征对GPP贡献值的正负面积占比差异较小，同时受限于文章篇幅，本文仅使用2018年土地利用类型数据进行分析。通过将2018年土地利用类型与干旱特征贡献值叠加分析，发现烈度峰值对GPP变化的正贡献主要分布在耕地和草地上，面积分别为27.9×103 km2和39.7×103 km2，而干旱烈度对GPP变化的负贡献主要分布在林地和未利用地上（图9）。在以农耕和畜牧业作为重要的经济来源之一的北方农牧交错区，耕地和草地是农牧活动的载体。人类在从事农牧作业时，会在极短的时间内对已发生的干旱做出积极的反应（如灌溉），同时为提高粮食产量，人们会通过施肥等一系列措施来进一步促进作物生长，进而促进GPP增加[59]。此外，烈度峰值是指干旱发生期间最高的|SPEI3|值，相比于干旱历时和干旱烈度，烈度峰值能影响GPP的时间很短。因此，在耕地和草地用地类型上，人类活动会极大地干扰烈度峰值对GPP的影响，即烈度峰值对GPP的消极作用可能被人类活动对GPP变化的积极作用所抵消。相反，在人类活动干预最小的未利用地上，烈度峰值对GPP变化的影响以负贡献为主，面积为1137.8 km2（图9（d））。
图9 2018年北方农牧交错区相对贡献率在不同用地类型上的占比

Fig. 9 Relative contribution of proportion in different land use in the farming-pastoral ecotone of northern China in 2018

（3）植被覆盖度的提高。在退耕还林还草等生态工程的影响下，北方农牧交错区NDVI由 1998年的0.56增加为2018年的0.68，增幅达20.9%（图7（c））。空间上，NDVI变化趋势呈现由西南向东北增加的态势，中、西部大部分地区NDVI年均增速在0.01/a以上，为1998—2018年研究区NDVI增速的7倍（图6（a））。同时，本研究发现，虽然年内干旱历时、干旱烈度和烈度峰值都呈现显著增加趋势，但年内NDVI值仍相较于前期有所增加（图7（d））。
综上，1982—2018年北方农牧交错区烈度峰值对GPP的负效应可能被地理环境因素、人类活动和植被覆盖度增加的积极作用所抵消。
不同的土地利用上植被对不同干旱特征的敏感程度存在差异，对于乔木和灌木来说，干旱历时的负贡献是引起其GPP下降的主要原因，而对草地和耕地来说，干旱的严重程度才是导致其GPP下降的主导因素。这些差异可能与植物自身的生理特征有关。植物通过叶面上的气孔与环境进行物质交换，如光合作用和呼吸作用。不同植物的气孔对干旱的敏感性不同，有些植物（草本植物和农作物）在对干旱极为敏感，它在受到干旱胁迫时会迅速关闭气孔，减少叶面蒸腾作用以减少水分流失[60-61]。相反，另一些植物（乔木和灌木），它们的根茎深深的扎入土壤中，土壤水分和地下水会在干旱发生初期（短时间内）为植物提供水分，使这类植物在受到干旱胁迫仍能保持一定的气孔导度，以维持基本的物质交换作用[8,62⇓-64]。植物GPP对干旱的响应还受到其它因素的影响，例如，叶面积、叶面厚度、植物水分调节行为以及土壤含水量、大气水汽压亏缺等因素影响[60]。本研究不足之处是，本文仅分析了干旱特征变化（历时、烈度和峰值）及对年际GPP影响，并未结合植被生长季节分析GPP年内变化对干旱特征的响应。此外，GPP变化不仅仅受到干旱这一个极端气候的影响，还有极端温度、极端降水等其它事件和驱动因素的影响。本研究更关注干旱特征变化及其对GPP影响，因此未包含其他驱动因素。但进一步的研究可以从上述方面更加全面、准确的量化GPP对气候变化的响应。

6 结论

本文利用1900—2020年的SPEI3数据、1982—2018年的GPP数据分析了北方农牧交错区SPEI3和GPP在不同时间尺度下的相关关系，以及年尺度干旱特征（历时、烈度和峰值）与GPP变化趋势的时空特征，探讨了在半湿润/半干旱地区不同干旱特征对GPP的影响。结果表明：
（1）本研究比较了各类干旱特征对GPP的影响差异，相比以往直接使用干旱指数或仅考虑单一干旱特征对GPP影响的研究，本文加深了GPP对不同干旱特征响应差异的理解，为水分限制区域干旱与GPP的研究提供了新的思路。
（2）1982—2018年北方农牧交错区SPEI3呈现下降趋势，该区变干倾向明显。小波分析结果表明，1982—2018年研究区SPEI3与GPP在半年周期和年周期存在显著相关关系，两者超前滞后效应随时间变化而变化。
（3）1900—2020年北方农牧交错区干旱历时、干旱烈度和烈度峰值均呈现增加趋势，年均增速分别为0.02/a、0.03/a和0.004/a；空间上，北方农牧交错区干旱历时、干旱烈度和烈度峰值均呈现显著增加趋势，干旱特征变化趋势均呈现由西南低东北高的分布特征；研究区干旱特征均值的高低与干旱特征变化趋势的快慢具有一致性，干旱特征均值高值区往往具有更强的增加趋势。
（4）1982—2020年北方农牧交错区GPP呈现“增-减-增”的变化趋势，以上升趋势为主，年均增速约为11.4(gC·m-2)/a；相比于GPP值较低的区域，GPP高值区呈现更强的增加趋势；空间上，研究区GPP变化趋势呈北部低南部高的分布特征。
（5）不同的干旱特征对GPP变化的影响不同。从偏相关分析结果来看，干旱峰值与GPP相关性最强，干旱烈度与GPP的相关性最弱。从多元回归分析结果来看，干旱历时、干旱烈度和烈度峰值共同解释了GPP变化面积的18.1%，其中，干旱历时和干旱烈度均显著抑制GPP增加，而人类活动和自然环境对GPP的积极作用可能抵消烈度峰值对GPP的消极影响。
（6）不同的土地利用上植被对不同干旱特征的敏感程度存在差异，干旱历时是导致乔木和灌木GPP下降的主要原因，草本植被和农作物GPP下降则主要来自干旱烈度的负贡献。烈度峰值对GPP的正相对贡献率在受人类活动影响较大的耕地、草地和灌木远高于受人类活动影响较小的乔木。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
孙颖. 人类活动对气候系统的影响——解读IPCC第六次评估报告第一工作组报告第三章[J]. 大气科学学报, 2021, 44(5):654-657.

[ Sun Y. Impact of humanactivities on climate system: An interpretation of Chapter Ⅲ of WG Ⅰ report of IPCC AR6[J]. Transactions of Atmospheric Sciences, 2021, 44(5):654-657. ] DOI:10.13878/j.cnki.dqkxxb.20210816009

DOI

[2]
周波涛. 全球气候变暖:浅谈从AR5到AR6的认知进展[J]. 大气科学学报, 2021, 44(5):667-671.

[ Zhou B T. Global warming: Scientific progress from AR5 to AR6[J]. Transactions of Atmospheric Sciences, 2021, 44(5):667-671. ] DOI:10.13878/j.cnki.dqkxxb.20210815009

DOI

[3]
Friedlingstein P, O'Sullivan M, Jones M, et al. Global carbon budget 2020[J]. Earth Syst Sci Data, 2020, 12(4):3269-3340. DOI:10.5194/essd-12-3269-2020

DOI

[4]
He M Z, Kimball J S, Running S, et al. Satellite detection of soil moisture related water stress impacts on ecosystem productivity using the MODIS-based photochemical reflectance index[J]. Remote Sensing of Environment, 2016, 186:173-183. DOI:10.1016/j.rse.2016.08.019

DOI

[5]
Xu C G, McDowell N G, Fisher R A, et al. Increasing impacts of extreme droughts on vegetation productivity under climate change[J]. Nature Climate Change, 2019, 9(12):948-953. DOI:10.1038/s41558-019-0630-6

DOI

[6]
Nemani R R, Keeling C D, Hashimoto H, et al. Climate-driven increases in global terrestrial net primary production from 1982 to 1999[J]. Science, 2003, 300(5625):1560-1563. DOI:10.1126/science.1082750

DOI PMID

[7]
Wang R, Gamon J A, Emmerton C A, et al. Detecting intra- and inter-annual variability in gross primary productivity of a North American grassland using MODIS MAIAC data[J]. Agricultural and Forest Meteorology, 2020, 281:107859. DOI:10.1016/j.agrformet.2019.107859

DOI

[8]
Huang L, He B, Chen A F, et al. Drought dominates the interannual variability in global terrestrial net primary production by controlling semi-arid ecosystems[J]. Scientific Reports, 2016, 6:24639. DOI:10.1038/srep24639

DOI PMID

[9]
Beer C, Reichstein M, Tomelleri E, et al. Terrestrial gross carbon dioxide uptake: Global distribution and covariation with climate[J]. Science, 2010, 329(5993):834-838. DOI:10.1126/science.1184984

DOI PMID

[10]
Shen Z X, Zhang Q, Singh V P, et al. Agricultural drought monitoring across Inner Mongolia, China: Model development, spatiotemporal patterns and impacts[J]. Journal of Hydrology, 2019, 571:793-804. DOI:10.1016/j.jhydrol.2019.02.028

DOI

[11]
Vicente-Serrano S M, Beguería S, López-Moreno J I. A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index[J]. Journal of Climate, 2010, 23(7):1696-1718. DOI:10.1175/2009jcli2909.1

DOI

[12]
Sheffield J, Wood E F. Projected changes in drought occurrence under future global warming from multi-model, multi-scenario, IPCC AR4 simulations[J]. Climate Dynamics, 2008, 31(1):79-105. DOI:10.1007/s00382-007-0340-z

DOI

[13]
Tirivarombo S, Osupile D, Eliasson P. Drought monitoring and analysis: Standardised precipitation evapotranspiration index (SPEI) and standardised precipitation index (SPI)[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2018, 106:1-10. DOI:10.1016/j.pce.2018.07.001

DOI

[14]
Gurrapu S, Chipanshi A, Sauchyn D, et al. Comparison of the SPI and SPEI on predicting drought conditions and streamflow in the Canadian Prairies[M]. 2014.

[15]
Cook B I, Smerdon J E, Seager R, et al. Global warming and 21st century drying[J]. Climate Dynamics, 2014, 43(9):2607-2627. DOI:10.1007/s00382-014-2075-y

DOI

[16]
Vicente-Serrano S M, van der Schrier G, Beguería S, et al. Contribution of precipitation and reference evapotranspiration to drought indices under different climates[J]. Journal of Hydrology, 2015, 526:42-54. DOI:10.1016/j.jhydrol.2014.11.025

DOI

[17]
McDowell N, Pockman W T, Allen C D, et al. Mechanisms of plant survival and mortality during drought: Why do some plants survive while others succumb to drought?[J]. The New Phytologist, 2008, 178(4):719-739. DOI:10.1111/j.1469-8137.2008.02436.x

DOI

[18]
Chen S L, Huang Y F, Wang G Q. Detecting drought-induced GPP spatiotemporal variabilities with Sun-induced chlorophyll fluorescence during the 2009/2010 droughts in China[J]. Ecological Indicators, 2021, 121:107092. DOI:10.1016/j.ecolind.2020.107092

DOI

[19]
张世喆, 朱秀芳, 刘婷婷, 等. 气候变化下中国不同植被区总初级生产力对干旱的响应[J]. 生态学报, 2022, 42(8):3429-3440.

[ Zhang S Z, Zhu X F, Liu T T, et al. Respones of gross primary production to drought under climate change in different vegetation regions of China[J]. Acta Ecologica Sinica, 2022, 42(8):3429-3440. ]

[20]
Thomas A C, Reager J T, Famiglietti J S, et al. A GRACE-based water storage deficit approach for hydrological drought characterization[J]. Geophysical Research Letters, 2014, 41(5):1537-1545. DOI:10.1002/2014gl059323

DOI

[21]
靖娟利, 和彩霞, 王永锋, 等. 西南地区1902—2018年干旱时空演变特征分析[J]. 水土保持研究, 2022, 29(3):220-227.

[ Jing J L, He C X, Wang Y F, et al. Spatiotemporal evolution characteristics of meteorological drought in southwest China from 1902 to 2018[J]. Research of Soil and Water Conservation, 2022, 29(3):220-227. ] DOI:10.1 3869/j.cnki.rswc.2022.03.007

DOI

[22]
Samantaray A K, Ramadas M, Panda R K. Changes in drought characteristics based on rainfall pattern drought index and the CMIP6 multi-model ensemble[J]. Agricultural Water Management, 2022, 266:107568. DOI:10.1016/j.agwat.2022.107568

DOI

[23]
Su B D, Huang J L, Fischer T, et al. Drought losses in China might double between the 1.5 ℃ and 2.0 ℃ warming[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(42):10600-10605. DOI:10.1073/pnas.1802129115

DOI

[24]
Xu K, Yang D W, Yang H B, et al. Spatio-temporal variation of drought in China during 1961-2012: A climatic perspective[J]. Journal of Hydrology, 2015, 526:253-264. DOI:10.1016/j.jhydrol.2014.09.047

DOI

[25]
Piao S L, Sitch S, Ciais P, et al. Evaluation of terrestrial carbon cycle models for their response to climate variability and to CO2 trends[J]. Global Change Biology, 2013, 19(7):2117-2132. DOI:10.1111/gcb.12187

DOI PMID

[26]
原媛, 母艳梅, 邓钰洁, 等. 植被覆盖度和物候变化对典型黑沙蒿灌丛生态系统总初级生产力的影响[J]. 植物生态学报, 2022, 46(2):162-175.

DOI

[ Yuan Y, Mu Y M, Deng Y J, et al. Effects of land cover and phenology changes on the gross primary productivity in an Artemisia ordosica shrubland[J]. Chinese Journal of Plant Ecology, 2022, 46(2):162-175. ]

DOI

[27]
王大为, 周伟, 韩涛, 等. 2000—2019年石羊河流域植被总初级生产力变化及其气候特征[J/OL]. 生态学杂志.https://kns.cnki.net/kcms/detail/21.1148.Q.20220617.1438.010.html.

[ Wang D W, Zhou W, Han T, et al. Spatial-temporal dynamics of gross primary productivity and responding to climate change in Shiyang River Basin during 2000-2019[J/OL]. Chinese Journal of Ecology,.https://kns.cnki.net/kcms/detail/21.1148.Q.20220617.1438.010.html.

[28]
Sun Y L, Shan M, Pei X R, et al. Assessment of the impacts of climate change and human activities on vegetation cover change in the Haihe River Basin, China[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2020, 115:102834. DOI:10.1016/j.pce.2019.102834

DOI

[29]
王永财, 孙艳玲, 王中良. 1998—2011年海河流域植被覆盖变化及气候因子驱动分析[J]. 资源科学, 2014, 36(3):594-602.

[ Wang Y C, Sun Y L, Wang Z L. Spatial-temporal change in vegetation cover and climate factor drivers of variation in the Haihe River Basin 1998-2011[J]. Resources Science, 2014, 36(3):594-602. ]

[30]
Wang F, Wang Z M, Yang H B, et al. Comprehensive evaluation of hydrological drought and its relationships with meteorological drought in the Yellow River Basin, China[J]. Journal of Hydrology, 2020, 584:124751. DOI:10.1016/j.jhydrol.2020.124751

DOI

[31]
Xie S D, Mo X G, Hu S, et al. Contributions of climate change, elevated atmospheric CO2 and human activities to ET and GPP trends in the Three-North Region of China[J]. Agricultural and Forest Meteorology, 2020, 295:108183. DOI:10.1016/j.agrformet.2020.108183

DOI

[32]
Zhang G L, Chen X, Zhou Y, et al. Aridification in a farming-pastoral ecotone of Northern China from 2 perspectives: Climate and soil[J]. Journal of Environmental Management, 2022, 302:114070. DOI:10.1016/j.jenvman.2021.114070

DOI

[33]
Wang X Y, Li Y Q, Gong X W, et al. Changes of soil organic carbon stocks from the 1980s to 2018 in Northern China's agro-pastoral ecotone[J]. CATENA, 2020, 194:104722.

DOI

[34]
Li J J, Peng S Z, Li Z. Detecting and attributing vegetation changes on China's Loess Plateau[J]. Agricultural and Forest Meteorology, 2017, 247:260-270. DOI:10.1016/j.agrformet.2017.08.005

DOI

[35]
Zhang G L, Dong J W, Xiao X M, et al. Effectiveness of ecological restoration projects in Horqin Sandy Land, China based on SPOT-VGT NDVI data[J]. Ecological Engineering, 2012, 38(1):20-29. DOI:10.1016/j.ecoleng.2011.09.005

DOI

[36]
Cao S X, Chen L, Shankman D, et al. Excessive reliance on afforestation in China's arid and semi-arid regions: Lessons in ecological restoration[J]. Earth-Science Reviews, 2011, 104(4):240-245. DOI:10.1016/j.earscirev.2010.11.002

DOI

[37]
Feng X M, Fu B J, Piao S L, et al. Revegetation in China's Loess Plateau is approaching sustainable water resource limits[J]. Nature Climate Change, 2016, 6(11):1019-1022. DOI:10.1038/nclimate3092

DOI

[38]
Von Buttlar J, Zscheischler J, Rammig A, et al. Impacts of droughts and extreme-temperature events on gross primary production and ecosystem respiration: A systematic assessment across ecosystems and climate zones[J]. Biogeosciences, 2018, 15(5):1293-1318. DOI:10.5194/bg-15-1293-2018

DOI

[39]
Zeng Z Q, Wu W X, Ge Q S, et al. Legacy effects of spring phenology on vegetation growth under preseason meteorological drought in the Northern Hemisphere[J]. Agricultural and Forest Meteorology, 2021, 310:108630. DOI:10.1016/j.agrformet.2021.108630

DOI

[40]
Wang S H, Zhang Y G, Ju W M, et al. Tracking the seasonal and inter-annual variations of global gross primary production during last four decades using satellite near-infrared reflectance data[J]. Science of the Total Environment, 2021, 755:142569. DOI:10.1016/j.scitotenv.2020.142569

DOI

[41]
Peng J, Wu C Y, Zhang X Y, et al. Satellite detection of cumulative and lagged effects of drought on autumn leaf senescence over the Northern Hemisphere[J]. Global Change Biology, 2019, 25(6):2174-2188. DOI:10.1111/gcb.14627

DOI PMID

[42]
Deng Y, Wu D H, Wang X H, et al. Responding time scales of vegetation production to extreme droughts over China[J]. Ecological Indicators, 2022, 136:108630. DOI:10.1016/j.ecolind.2022.108630

DOI

[43]
Ivits E, Horion S, Erhard M, et al. Assessing European ecosystem stability to drought in the vegetation growing season[J]. Global Ecology and Biogeography, 2016, 25(9):1131-1143. DOI:10.1111/geb.12472

DOI

[44]
Chen Q, Timmermans J, Wen W, et al. A multi-metric assessment of drought vulnerability across different vegetation types using high resolution remote sensing[J]. Science of the Total Environment, 2022, 832:154970. DOI:10.1016/j.scitotenv.2022.154970

DOI

[45]
董伯纲, 于洋. 近60年山西省极端降水时空变化特征[J]. 水土保持学报, 2022, 36(1):135-41.

[ Dong B G, Yu Y. Tempo-spatial variation characteristics of extreme precipitation in Shanxi Province in recent 60 years[J]. Journal of Soil and Water Conservation, 2022, 36(1):135-41. ]

[46]
Zhang L, Xiao J F, Zhou Y, et al. Drought events and their effects on vegetation productivity in China[J]. Ecosphere, 2016, 7(12):e01591. DOI:10.1002/ecs2.1591

DOI

[47]
冯瑞瑞, 荣艳淑, 吴福婷. 基于Copula函数的宜昌水文干旱特征分析[J]. 水文, 2020, 40(2):23-30,71.

[ Feng R R, Rong Y S, Wu F T. Analysis of hydrological drought characteristics in Yichang based on copula function[J]. Journal of China Hydrology, 2020, 40(2):23-30,71. ] DOI:10.19797/j.cnki.1000-0852.20190284

DOI

[48]
杨少康, 刘冀, 魏榕, 等. 长江上游流域生长季气象干旱分异特征[J]. 水土保持研究, 2022, 29(2):184-191.

[ Yang S K, Liu J, Wei R, et al. Differentiation characteristics of meteorological drought in the growing season in the upper reaches of the Yangtze River Basin[J]. Research of Soil and Water Conservation, 2022, 29(2):184-191. ] DOI:10.13869/j.cnki.rswc.20210607.001

DOI

[49]
钟洋洋, 钱诚. 中国地区春霜冻的变化趋势和未来情景预估[J]. 气候与环境研究, 2022, 27(1):50-62.

[ Zhong Y Y, Qian C. Historical change and future projection of spring frost in China[J]. Climatic and Environmental Research, 2022, 27(1):50-62. ]

[50]
张彦, 程锐, 邹磊, 等. 气候变化和人类活动对灌区地下水埋深的影响[J]. 灌溉排水学报, 2022, 41(2):91-100.

[ Zhang Y, Cheng R, Zou L, et al. The effects of climate change and anthropogenic activities on groundwater in irrigation district[J]. Journal of Irrigation and Drainage, 2022, 41(2):91-100. ] DOI:10.13522/j.cnki.ggps.2021435

DOI

[51]
李肖, Bounthong P, 康文辉, 等. 近几十年来冀西北山地白桦次生林径向生长对气候变化的响应[J]. 植物生态学报, 2022(44):1-13.

[ Li X, Pialuang B, Kang W H, et al. Responses of radial growth to climate change over the past decades in secondary Betula platy-phylla forests along an elevation gradient in the mountains of northwest Hebei, China[J]. Chinese Journal of Plant Ecology, 2022(44):1-13. ]

[52]
尤南山, 董金玮, 肖桐, 等. 退耕还林还草工程对黄土高原植被总初级生产力的影响[J]. 地理科学, 2020, 40(2):315-323.

DOI

[ You N S, Dong J W, Xiao T, et al. The effects of the “grain for green“ project on gross primary productivity in the loess plateau[J]. Scientia Geographica Sinica, 2020, 40(2):315-323. ] DOI:10.13249/j.cnki.sgs.2020.02.017

DOI

[53]
Liu Z J, Liu Y S, Li Y R. Anthropogenic contributions dominate trends of vegetation cover change over the farming-pastoral ecotone of Northern China[J]. Ecological Indicators, 2018, 95:370-378. DOI:10.1016/j.ecolind.2018.07.063

DOI

[54]
Du L T, Zeng Y J, Ma L L, et al. Effects of anthropogenic revegetation on the water and carbon cycles of a desert steppe ecosystem[J]. Agricultural and Forest Meteorology, 2021, 300:108339. DOI:10.1016/j.agrformet.2021.108 339

DOI

[55]
王丽霞, 史园莉, 张宏伟, 等. 2000—2020年北方农牧交错区植被生态功能变化及驱动因子分析[J]. 生态环境学报, 2021, 30(10):1990-1998.

[ Wang L X, Shi Y L, Zhang H W, et al. Analysis of vegetation ecological function changes and driving factors in farming-pastoral ecotone in Northern China from 2000 to 2020[J]. Ecology and Environmental Sciences, 2021, 30(10):1990-1998. ] DOI:10.16258/j.cnki.1674-5906.2021.10.006

DOI

[56]
杜金燊, 于德永. 气候变化和人类活动对中国北方农牧交错区草地净初级生产力的影响[J]. 北京师范大学学报(自然科学版), 2018, 54(3):365-372.

[ Du J S, Yu D Y. Impacts of climate change and human activities on net primary productivity of grassland in agropastoral transitional zone in Northern China[J]. Journal of Beijing Normal University(Natural Science), 2018, 54(3):365-372. ] DOI:10.16360/j.cnki.jbnuns.2018.03.013

DOI

[57]
Seddon A W R, Macias-Fauria M, Long P R, et al. Sensitivity of global terrestrial ecosystems to climate variability[J]. Nature, 2016, 531(7593):229-232. DOI:10.1038/nature16986

DOI

[58]
He Q N, Ju W M, Dai S P, et al. Drought risk of global terrestrial gross primary productivity over the last 40 years detected by a remote sensing-driven process model[J]. Journal of Geophysical Research: Biogeosciences, 2021, 126(6): e2020JG005944. DOI:10.1029/2020JG005944

DOI

[59]
Reichstein M, Bahn M, Ciais P, et al. Climate extremes and the carbon cycle[J]. Nature, 2013, 500(7462):287-295. DOI:10.1038/nature12350

DOI

[60]
罗丹丹, 王传宽, 金鹰. 植物水分调节对策:等水与非等水行为[J]. 植物生态学报, 2017, 41(9):1020-1032.

DOI

[ Luo D D, Wang C K, Jin Y. Plant water-regulation strategies: Isohydric versus anisohydric behavior[J]. Chinese Journal of Plant Ecology, 2017, 41(9):1020-1032. ] DOI:10.17521/cjpe.2016.0366

DOI

[61]
Wang Y H, Fu Z, Hu Z M, et al. Tracking global patterns of drought-induced productivity loss along severity gradient[J]. Journal of Geophysical Research: Biogeosciences, 2022, 127(6):e2021JG006753. DOI:10.1029/2021JG006753

DOI

[62]
Teuling A J, Seneviratne S I, Stöckli R, et al. Contrasting response of European forest and grassland energy exchange to heatwaves[J]. Nature Geoscience, 2010, 3(10):722-727. DOI:10.1038/ngeo950

DOI

[63]
Schenk H J, Jackson R B. The global biogeography of roots[J]. Ecological Monographs, 2002, 72(3):311-328. DOI:10.1890/0012-9615(2002)072[0311:tgbor]2.0.co;2

DOI

[64]
Wei X N, He W, Zhou Y L, et al. Global assessment of lagged and cumulative effects of drought on grassland gross primary production[J]. Ecological Indicators, 2022, 136:108646. DOI:10.1016/j.ecolind.2022.108646

DOI

Options
文章导航

/

〈 〉