中国东部两熟制农田NDVI不对称年际变化趋势及其潜在气候成因

张慧娴　陈铁喜　江晓东　施婷婷　王国杰

摘要：一年两熟制是我国东部农业区主要的耕作形式和增产方式。利用长序列遥感归一化植被指数（NDVI），研究我国东部两熟制农田1982—2015年间植被变化趋势。研究区域为31°～39°N范围内的东部5省区，包括河北省、河南省、山东省、江苏省以及安徽省。NDVI的多年季节平均显示，1年中有2个峰值，分别出现在5月与8月，对应两季作物各自生长的峰期。在1982—2015年，研究区NDVI呈现显著上升趋势，增速为1.703×10-3/年。根据两熟制种植期，定义6—10月的夏秋作物期和11月至次年5月的冬春种植期。结果发现，NDVI的年际增长主要由冬春作物期贡献，其增长率为2.436×10-3/年，并且远大于夏秋作物期0.676×10-3/年的变率。结合该地区的气温与降水数据发现，在2个作物期，降水并未出现显著变化，而温度都呈现出显著增加趋势。其中冬春作物期温度增速大于夏秋作物期，分别为0.042 ℃/年和0.029 ℃/年。由于冬春作物期平均溫度相对较低，同时增温速率更高，因此，增温对植被生长的促进作用在该时期更强，从而造成了NDVI的不对称变化。

关键词：双季种植制度;农田;NDVI;植被变化

中图分类号： S127;S162.5文献标志码： A

文章编号：1002-1302（2019）08-0242-06

植被监测是生态环境研究的重点之一，同时植被在陆气相互作用中扮演着重要角色，是能量交换、水文循环、碳循环等过程中的主要组成部分[1-2]。植被变化受到气候系统与人类活动等诸多要素影响，其中主要影响气候要素的有水分、温度和光照[3]，同时受到大气中CO2浓度增加带来的施肥效应[4]、氮循环的养分作用[5]以及土地利用变化[6]等的影响。因此，如何有效识别植被动态变化的研究也是地球系统研究的重要发展方向之一[7-8]。

农田是陆地植被重要的组成部分，约占全球非冰冻陆地总面积的12%。随着对粮食需求的进一步增加，农田的面积处于整体上不断增加的状态[9]。Zeng等发现，由于农田面积扩大和农业技术的发展，农作物的生长是大气CO2季节性变化幅度增加的主要原因之一[10]。傅强等结合当地气候环境条件，建立了一个符合该区域持续发展的农业生态系统，提高粮食产量的同时也可对大气的CO2浓度进行调节，成为强有力的碳汇[11-12]。因此，对农田植被过程描述的细化，是降低植被模式不确定性的有效潜在手段之一[13]。

多熟制种植制度是全球作物种植制度的重要特征，提高了全球作物产量。随着全球变暖，中纬度地区中更多区域的气候条件会满足多熟制种植制度的环境需求，例如气温升高使农作物生长季加长。我国是世界上多熟制面积最大、历史最悠久的国家之一。Duan等发现1961—2010年我国双季稻种植的气候适宜面积增加[14]。赖纯佳等发现麦-稻两熟制气候适宜性对全球变暖有明显的响应[15]。Liu等研究显示，我国潜在复种指数在1960—2010年增加7%～13%[16]，虽然三熟制适宜区有所增加，但实际上双季种植制度是我国多熟制种植制度中的主要存在类型。两熟制种植面积的增大，提高了作物产量，同时植被的生长状态也有相应的改变。实际上农田的农业活动，作物的种植与收割会使农田植被情况在这2个时段下出现急剧的变化。在双季种植制度下，2种作物种植季节将1年的生长季分成了2段生长季，并且在这一年的植被生长期间预计有2个植被的高峰期，这一物候特征与自然植被的物候情况有很大的不同[17]。

自20世纪70年代末以来，遥感技术已成为持续监测区域和全球尺度范围内的植被状况的必要手段。目前，有许多植被指数可用于度量地表的植被状况，归一化差异植被指数（NDVI）是应用最广泛的遥感植被指标[18]。过去的研究表明1982—2006年全球植被生长季NDVI总体呈上升趋势[19]，同时1982—1999年间我国大多数地区的NDVI都呈现不同程度的增加趋势[20]。然而复种农田地区由于轮作期间的收割与播种等活动，造成其与单季种植和自然植被在物候上具有巨大差异，一般采用生长季等分类并不能体现该区域的特点。该现象前人研究较少，例如Chen等作为探索，仅研究淮河流域NDVI在2个作物期的年际变化问题[21]。而我国两熟制农田分布十分广泛，但针对2个作物期的植被变化研究仍然较少。因此，进行该方面的研究，将有利于进一步深化探讨植被对气候变化和人类活动的响应。

1材料与方法

1.1研究区域

图1为我国东部主要两熟制农业区。我国气候适宜两熟制种植的区域分布广泛，并且随着全球变暖有扩大的趋势[16]。而在实际耕作中采用双季种植的地区相对集中，本研究范围选取的依据主要参考Yan等的研究成果[22]，提供了我国基于遥感观测提取的实际复种分布情况。研究区域主要包括31°～39°N范围内的东部5个省区，包括河北省、河南省、山东省、江苏省以及安徽省。该区域是我国两熟制农田所占比重最大、分布较为连续的农业区。另外一处是我国的四川平原[22]，但面积远小于本研究所选区域。

该区域是我国典型的夏季风区，在研究期间，即1982—2015年间，该地区年平均降水量为831 mm，并且季节分布不均。降水集中在夏季的6—8月，占年总量一半以上，约为53%。降水最大值出现在7月份，约为184 mm。研究区在1982—2015年间年平均温度为14.3 ℃，其中7月温度最高，约为26.8 ℃，1月温度最低，约为0.2 ℃。

研究区农田分布广泛，非农田地区主要集中在城市、湖泊和部分山区。参考前人研究成果[21]，笔者使用了GlobCover-2009的土地利用分布数据[23]进行农田分布提取。该地区的秋播作物以冬小麦为主，部分地区有油菜种植。夏播作物主要为玉米、棉花和水稻等。因此，按照作物生长习性，主要轮作季节发生在6月以及10—11月份。因此，1年按照2季种植期，即6—10月定为夏播作物生长期，11月至次年5月定为秋播作物生长期。为了体现两熟作物生长期所在季节，将2个时期分别称为夏秋作物期和冬春作物期[18]。

1.2数据获取及利用

本研究采用NDVI来研究植被状态。NDVI是（RNIR-Rred）/（RNIR+Rred）的归一化比率，其中RNIR和Rred分别表示近红外和红色光谱波段的反射率。采用的是GIMSS（global inventory modeling and mapping studies）组最新的NDVI3g版本[24]。该数据覆盖期间为1982—2015年，时间分辨率为半月，空间分辨率为1/12°。NDVI选取数据质量较好的部分（Flag=1，2，3），其余部分采用三维插值方法进行插值[25]。

本研究降水和气温数据来自中国气象局，于国家气象科学数据共享服务平台下载（http：//data.cma.cn/）。该数据空间分辨率为0.5°，时间分辨率为逐月数据。线性趋势显著性检验采用Mann-Kendall趋势检验法，P<0.1 视为趋势显著。

2结果与分析

2.11982—2015年研究区NDVI、降水量和气温均值的空间分布

图2显示了研究区植被、降水以及温度在1982—2015年间多年平均状况的空间分布形态。由图2可知，夏秋作物期NDVI数值要普遍大于冬春作物期。NDVI的高值集中在河南、山东西北部以及江苏东部等地，数值上大于0.5。而冬春作物期NDVI值往往在0.4以下。夏秋作物期的热量及降水条件也明显优于冬春作物期。而降水的空间分布呈现较为明显的南高北低形态，南部降水可达北部的2倍左右。温度在全年以及冬春种植期也呈现出南高北低的形态，河北与山东地区的温度相对较低。但是在夏秋作物期，温度在研究区整体分布较为均一，其中泰山地区与山东半岛地区温度相对较低。

2.2NDVI、降水量和气温多年平均季节特征

两熟制农业区由于秋播作物收获与夏播作物种植发生在夏季，会造成农田NDVI即使在气候条件下的生长旺季也会出现典型的下降现象。而2个作物期，作物生长旺季的NDVI会大于收割和播种期，从而会产生典型的NDVI双峰结构。由图3可知，NDVI在1982—2015年间的季节平均状况。NDVI呈现典型的双峰结构，并对应于2个作物期。在逐半月尺度上，峰值出现在5月上半月和8月上半月。相应的，在月尺度上，峰值分别出现在5月和8月。此时正值作物的孕穗期与开花期，作物生长旺盛，叶面积指数（LAI）达到最大。6月是一个典型的谷值，与秋播作物收获期和夏播作物种植期相对应，与实际农业活动一致。11月至次年1月是另一个估值，这主要是秋播作物种植以及冬季温度低，秋播作物生长量小[CM（25]造成的。 结合气候分析可以发现，  温度和降水在6月也仅仅低于7月和8月。因此，该地区农田物候与自然水热条件的季节特征并不一致，主要是双季轮作导致的。同时也表明，双季轮作是该地区的主要种植形式。降水与气温呈现单峰季节特征，而降水和温度的峰值都出现在7月。

2.3研究区NDVI、降水和气温年际变化特征

笔者进一步研究了两熟制农业区的植被多年变化趋势，NDVI、降水和温度的年际变化曲线如图4所示，表1总结了它们的年际变率。NDVI在1982—2015年呈现显著的增加趋势，变率为1.703×10-3/年。而这种增加趋势主要由冬春作物期贡献。冬春作物期，NDVI年际增率为2.436×10-3/年，远大于夏秋作物期的0.676×10-3/年，前者是后者的3.6倍。降水在年均和2个作物期都没有呈现出显著变化，但是具有较大的年际变率。气温在年均和2个作物期都出现了显著性增加。气温增长主要出现在冬春作物期，为 0.042 ℃/年。其相比夏秋作物期的0.029 ℃/年高 44.8%。同時由于冬春季节，平均温度本身就比夏秋作物期要明显偏低，因此，冬春季节气温增幅的比重相对更高。

为了研究季节变化的细节，笔者进一步研究了逐月的变化趋势。由图5可知，NDVI在各月均呈现了上升趋势。然而在2个作物期，它的变化趋势差异很大。NDVI在7月和8月变率最小并且不显著。NDVI增长最快的月份出现在3月与4月，正是冬春作物期农作物生长最为旺盛的月份。冬春作物期所有月份NDVI都显著增长。在夏秋作物期，NDVI显著性增长出现在6月、9月和10月。而降水在各月的变率分布并无显著性规律，增加与减少的月份基本均等，仅仅在10月份呈现最大的下降速率。在气温方面，各月都呈现出增加趋势。增温最大的月份是3月。全年中呈现显著性增加的有7个月。因此，整体形态上，温度与NDVI变率在各月的分布形态较为相似，而降水量与NDVI、温度变率不同。

图6为NDVI、降水量与温度变化趋势的空间分布形态。由图6可知，NDVI在年际变化与冬春作物期呈现了较为一致的上升趋势。各地区的上升强度有较大差异，其中增加最快的区域位于河北南部、河南和安徽的大部分地区。然而在夏秋作物期，NDVI在研究区同时存在上升地区和下降地区，尽管整体上NDVI在夏秋作物期也呈现较小的上升趋势（图4）。其中，NDVI下降区域主要出现在河南、河北西南部以及江苏东南部等地区;而上升区域主要位于河北东南部、山东大部分地区以及安徽中部地区。因此，NDVI在夏秋作物期的变化形态与冬春作物期和年平均差异较大。降水与区域平均结果类似，除了个别各点外基本上没有显著性变化。只有位于山东的少数地区出现了显著增加。而温度在研究区呈现了整体的显著增长趋势。其中年平均分布上，增温较高的区域出现在东南地区;在冬春作物期，增长率较高的地区出现在山东中部和江苏南部;而在夏秋作物期，增温较高的区域出现在研究区的东南部。

3讨论与结论

本研究的研究区域是我国最大的一片分布较为集中和连续的两熟制农业区[22]。本研究探讨了该区域在1982—2015年间的植被变化趋势，特别关注两熟作物的2个生长期。Chen等的研究仅关注了淮河流域，本研究与之相比，采用了更长的数据，并且在研究范围上更具一般性，因此结果更具有代表性[21]。

农作物地区的植被与自然植被相比，最大的特点是物候的差异，受到耕种、收割以及品种选择等诸多要素的作用。以本研究的两熟制农田为例，6月作为轮作转换期，冬春作物的收割和夏秋作物的播种主要集中发生在该月份，导致该月NDVI出现谷值。而该月份的水热自然条件却是十分的丰富，这就造成了一般采用的自然生长期并不能有效地分析出两熟制农田植被的特征。因此，在研究这类地区的植被变化情况时，必须针对作物期进行重新划分季节，而非简单实用一般意义的生长期。

约束植被生长的气候要素主要包括温度、降水和光照[3]，以及其他一系列要素，包括CO2的施肥效应、氮循环的养分效应等。人类活动尤其是土地利用变化也会对植被产生直接的影响。本研究仅就温度与降水2个气候要素进行分析。结果显示，理论上温度的变化可以产生前述所发现的NDVI在2个作物期的差异性年际变化趋势。如果需要进一步分离其他要素的贡献，一种比较可行的方案是使用动态植被模式（DGVM），通过试验设计模拟，在不同情境下，查看各类要素对植被变化的贡献比重。而从分析的角度，研究众多要素的贡献具有一定的困难。同时，本研究所发现的温度变化差异，在理论上能够对NDVI的非对称变化趋势进行解释。

总结本研究内容与结果，在我国东部主要的双季种植农田地区，NDVI在1982—2015年间呈现出显著的上升趋势，变率为1.703×10-3/年。年际变化增长主要由冬春作物期贡献，增长率为2.436×10-3/年。这一增长率是夏秋作物期增长率0.676×10-3/年的3.6倍。因此，在1982—2015年間，NDVI在研究区两熟制的2个作物期，呈现出非对称变化。理论上，气温可能是造成这种非对称年际变率的气候要素。

参考文献：

[1]张云霞，李晓兵，陈云浩. 草地植被盖度的多尺度遥感与实地测量方法综述[J]. 地球科学进展，2003，18（1）：85-93.

[2]何勇. 中国气候、陆地生态系统碳循环研究[M]. 北京：气象出版社，2006：137-162.

[3]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.

[4]Yuan W P，Piao S L，Qin D H，et al. Influence of vegetation growth on the enhanced seasonality of atmospheric CO2[J]. Global Biogeochemical Cycles，2018，32（1）：32-41.

[5]Tian H，Lu C，Ciais P，et al. The terrestrial biosphere as a net source of greenhouse gases to the atmophere[J]. Nature，2016，531（7593）：225-228.

[6]刘纪远，邵全琴，延晓冬，等. 土地利用变化对全球气候影响的研究进展与方法初探[J]. 地球科学进展，2011，26（10）：1015-1022.

[7]Bonan G B，Williams M，Fisher R A，et al. Modeling stomatal conductance in the earth system：linking leaf water-use efficiency and water transport along the soil-plant-atmosphere continuum[J]. Geoscientific Model Development，2014，7（5）：2193-2222.

[8]Weiss M，Miller P A，van den Hurk B J，et al. Contribution of dynamic vegetation phenology to decadal climate predictability[J]. Journal of Climate，2014，27（22）：8563-8577.

[9]Doelman J C，Stehfest E，Tabeau A，et al. Exploring SSP land-use dynamics using the IMAGE model：regional and gridded scenarios of land-use change and land-based climate change mitigation[J]. Global Environmental Change-Human and Policy Dimensions，2018，48：119-135.

[10]Zeng N，Zhao F，Collatz G J，et al. Agricultural green revolution as a driver of increasing atmospheric CO2 seasonal amplitude[J]. Nature，2014，515（7527）：394-397.

[11]傅强，康文星，吴湘雄. 江西省农作物对大气CO2吸收能力的研究[J]. 中南林业科技大学学报，2012，32（4）：117-121.

[12]王修兰. 全球农作物对大气CO2及其倍增的吸收量估算[J]. 气象学报，1996，54（4）：466-473.

[13]Chen T，van der Werf G R，Gobron N，et al. Global cropland monthly gross primary production in the year 2000[J]. Biogeosciences，2014，11（14）：3871-3880.

[14]Duan J Q，Zhou G S. Dynamics of decadal changes in the distribution of double-cropping rice cultivation in China[J]. Chinese Science Bulletin，2013，58（16）：1955-1963.

[15]賴纯佳，千怀遂，段海来，等. 淮河流域小麦-水稻种植制度的气候适宜性[J]. 中国农业科学，2011，44（14）：2868-2875.

[16]Liu L，Xu X L，Zhuang D F，et al. Changes in the potential multiple cropping system in response to climate change in China from 1960—2010[J]. PLoS One，2013，8（12）：e80990.

[17]李正国，杨鹏，周清波，等. 基于时序植被指数的华北地区作物物候期/种植制度的时空格局特征[J]. 生态学报，2009，29（11）：6216-6226.

[18]Thcker C J，Pinzon J E，Brown M E，et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing，2005，26：4485-4498.

[19]孙进瑜，彭书时，王旭辉，等. 1982—2006年全球植被生长时空变化[J]. 第四纪研究，2010，30（3）：522-530.

[20]方精云，朴世龙，贺金生，等. 近20年来中国植被活动在增强[J]. 中国科学（C辑），2003，33（6）：554-565.

[21]Chen T X，Wang G J，Yuan W P，et al. Asymmetric NDVI trends of the two cropping seasons in the Huai River basin[J]. Remote Sensing Letters，2016，7（1）：61-70.

[22]Yan H M，Xiao X G，Huang H Q，et al. Multiple cropping intensity in China derived from agro-meteorological observations and MODIS data[J]. Chinese Geographical Science，2014，24（2）：205-219.

[23]Bontemps S，Defourny P，Bogaert E V，et al. GLOBCOVER2009-Products description and validation report[EB/OL]. [2018-01-09]. http：//due.esrin.esa.int/page_globcover.php.

[24]Pinzon J E，Tucker C J. A Non-Stationary 1981—2012 AVHRR NDVI3g time series[J]. Remote Sensing，2014，6（8）：6929-6960.

[25]Wang G J，Garcia D，Liu Y，et al. A three-dimensional gap filling method for large geophysical datasets：application to global satellite soil moisture observations[J]. Environmental Modelling & Software，2012，30（1）：139-142.