雅鲁藏布江流域干湿转换特征及植被动态响应

刘 浏，牛乾坤，衡静霞，李 浩，徐宗学

雅鲁藏布江流域干湿转换特征及植被动态响应

刘 浏1,2，牛乾坤1,2，衡静霞1,2，李 浩1,2，徐宗学3,4

（1. 中国农业大学水利与土木工程学院，北京 100083； 2. 中国农业大学中国农业水问题研究中心，北京 100083；3. 北京师范大学水科学研究院，北京 100875； 4. 城市水循环与海绵城市技术北京市重点实验室，北京 100875）

为准确识别气候变化条件下高寒流域干湿特征及植被动态响应，该研究以青藏高原东南部的雅鲁藏布江流域为例，基于全球陆面数据同化系统（global land data assimilation system，GLDAS）数据集，计算标准化降水蒸散指数（standardized precipitation evapotranspiration index，SPEI），结合归一化植被指数（normalized difference vegetation index，NDVI）探讨了雅鲁藏布江流域干湿转换特征及其对植被的影响。结果表明：GLDAS的降水与气温数据与实测数据一致性较好，可以用于分析雅鲁藏布江流域干湿转换特征；1982－2015年间雅鲁藏布江流域总体呈现湿润化趋势，但2000年前后流域干湿时空特征发生反转现象，即时间上，2000年以前流域呈现湿润化趋势，2000年以后呈现干旱化趋势，空间上，流域内干旱地区逐渐变湿，湿润地区逐渐变干；流域内约71.83%的区域SPEI与NDVI呈正相关，流域植被受流域干湿条件影响较大，降水和气温是植被动态变化的主要驱动因素；流域内92.17%以上的区域SPEI与土壤含水量呈极显著正相关，表明土壤含水量亦是影响流域干湿特性不可忽视的因素。该研究结果可为辨识高原及高寒区水循环变化过程及其驱动机制提供科学依据。

遥感；气候变化；植被；干湿特征；GLDAS；GIMMS；青藏高原

0 引 言

全球变暖已是不争的事实[1-2]。地表温度的升高会加快地表水体的蒸散发速率，提高大气水汽含量，改变降水的时间和空间分布形态，也进一步影响了陆地干湿演变特征[3]。陆地干湿状态的改变会对流域生态环境可持续发展产生不可忽视的作用。而植被作为陆地生态系统的重要组成部分，是环境变化的指示器。研究植被变化与陆地干湿演变之间的互馈关系已经成为生态领域的研究热点[1-2]。

标准化降水蒸散指数（standardized precipitation evapotranspiration index，SPEI）综合考虑了降水和蒸散发，能够在不同时间尺度上评估干湿变化的演变特征[4-5]。戚颖等[6]利用SPEI指数研究了黑龙江地区玉米生育期内干湿变化对玉米产量的影响。罗登泽等[7]采用SPEI指数，利用多种数理统计方法分析若尔盖湿地的干湿时空演变特征。柴荣繁等[8]基于SPEI指数研究了中国干湿变化趋势，认为中国由西北向东南呈现“湿润-干旱-湿润”的空间分布形态。植被是连接土壤、水体和大气的自然纽带，能够充分反映环境演变。归一化植被指数（normalized difference vegetation index，NDVI）常常被用来反映植被生长状态及其空间分布[9]。周玉科[10]采用格兰杰效应分析研究了青藏高原植被NDVI与平均气温和降水的响应关系。张佳琦等[11]采用MODIS NDVI数据分析了三江平原地区植被时空变化特征以及对气候的响应机理。然而，针对高海拔地区的植被动态变化与干湿状态间的互馈关系研究较为少见。

雅鲁藏布江位于青藏高原东南部，海拔高，地形复杂，气候多样，是研究气候变化的热点地区，且近年来气候变化显著。周顺武等[12]分析表明雅鲁藏布江流域中游地区夏季气温存在明显上升趋势，1980年突变增暖较为显著；而夏季降水存在下降趋势。You等[13]基于站点实测数据分析了雅鲁藏布江流域气温、降水和潜在蒸散发的长时间变化趋势，发现流域变暖幅度相对较高，降水和潜在蒸散发降低趋势更强，表现出对全球变暖的强烈敏感性。因此，本研究聚焦于青藏高原东南部的雅鲁藏布江流域，基于SPEI指数研究流域干湿演变特征，采用NDVI反映植被动态变化，最后分析流域内植被变化与陆地干湿状态间的互馈关系，旨在明晰气候变化背景下雅鲁藏布江流域干湿演变特征和植被动态变化之间的响应关系，为高海拔地区的生态环境可持续发展提供科学依据。

1 研究区域与研究方法

1.1 研究区域概况

雅鲁藏布江流域是世界上海拔最高的流域之一，位于青藏高原东南部（28°00′～31°16′N，82°00′～97°07′E），主要由多雄藏布河、年楚河、拉萨河、尼洋河以及帕隆藏布河等5条主要支流组成，流域面积约24万km2，平均海拔在4 000 m以上，地形复杂，气候多变[14]。流域气候主要受孟加拉湾和印度洋的暖湿气流影响，区域差异明显，自东南向西北、自下游到上游降水及气温呈现逐渐减少的空间分布形态。流域多年平均降水量为300～500 mm，但降水年内分布不均，6—9月期间降水量约占整个流域年平均降水量的60%～90%。受高程起伏影响，流域气候和植被空间差异性较大，呈现明显的垂直地带性，随着海拔增高，植被覆盖逐渐减少，研究区自高向低形成了高山冰雪带、高山寒冻风化带、高山寒带、山地寒温带、山地温带、山地亚热带、热带等。研究区域概况如图1所示。

图1 雅鲁藏布江流域概况

1.2 研究数据

NDVI已被广泛应用于检测和量化大范围的植被动态变化[15]，目前已有多种遥感卫星遥感仪可提供NDVI数据，与其他植被指数数据集相比，本研究采用的美国航空航天局（NASA）开发的GIMMS NDVI第三代数据集（global inventory modeling and mapping studies，GIMMS-NDVI3g，http://ecocast.arc.nasa.gov/data/pub/gimms/ 3g/）时间数列更长，覆盖范围更广，具有较强的植被动态变化表征能力，已被证明是描述植被生长动态变化最好的数据集之一[16]，且有研究表明GIMMS NDVI数据集在青藏高原地区在反映动态变化方面明显好于MODIS NDVI[17]。空间分辨率为8 km×8 km，时间从1982年1月至2015年12月。同时为进一步降低云、大气、太阳辐射角等对NDVI数值的影响，本研究采用Savitzky-Golay滤波，最大值合成等方法对GIMMS NDVI3g数据进行预处理，以保证研究数据的可靠性和研究结果的准确性。

全球陆面数据同化系统GLDAS（global land data assimilation system）是由美国戈达德空间飞行中心和环境预报中心联合开发的高分辨的陆面数据同化系统（http://ldas.gsfc.nasa.gov/gldas/GLDAS vegetation.php)，该数据集融合了地面观测资料及遥感卫星观测资料，数据来源比较广泛，其空间分辨率为0.25°×0.25°，时间分辨率为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种不同模式的数据[18]。与其他遥感数据相比GLDAS数据空间分辨率及时间分辨率较高，时间跨度长（1970至今），共包含降水、气温、土壤含水量等在内的28个数据变量，数据变量丰富，同时由于雅鲁藏布江流域内气象数据匮乏，尤其上游地区基本没有气象站点分布，因而本研究选取GLDAS-NOAH数据提供的月平均气温、降水、及土壤含水量数据分析雅鲁藏布江流域干湿变化特征，时间范围保持与GIMMS数据一致，即1982—2015年。

本研究使用的实测气象数据来源于中国气象数据网（http://data.cma.cn/），包括雅鲁藏布江流域及其周边20个国家基本气象站的降水和平均气温的日序列资料，时间为1982—2015年，统一处理为月降水和月平均气温，用于评估GLDAS-NOAH数据在雅鲁藏布江流域的适用性。

1.3 研究方法

SPEI是在SPI（standardized precipitation index）的基础上引入潜在蒸散发量（potential evapotranspiration，PET）构建的，与SPI相似，是基于概率模型的干旱指数[5,19]。SPEI主要考虑水资源投入和水资源产出，其计算结果表示在一定时期内生态系统中的水量过剩或水分亏缺情况。本研究中SPEI计算步骤可分为：基于Thornthwaite方法计算潜在蒸散发量（PET），计算降水与蒸散的差值；基于“历史同月的累积水分亏缺量服从Log-logistic分布”这一假说，计算概率密度函数和累积概率，进而转化为标准正态分布求得SPEI。具体计算方法如下[5]：

首先，计算潜在蒸散发量以及降水与潜在蒸散发的差值

式中为选择的时间尺度；为序列的样本数，=1,2,3…,；D为降水量与潜在蒸散量的差值；P为月降水量，mm；PET为月潜在蒸散量，mm。

其次，D数据序列的标准化：类似于SPI，SPEI采用3个参数的Log-logistic对D数据序列进行标准化，得到概率分布函数()，其具体计算公式如下

式中()为概率分布函数，，，分别为尺度参数、形状参数和位置参数，可由线性距法估算得到。

最后对拟合的概率分布函数进行标准正态分布转换，获得对应的SPEI值。

=1−()（3）

其中，常数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负值表示干燥状态，正值表示潮湿状态。表1列出了基于SPEI的干旱等级分类标准。

表1 SPEI气象干旱指数分类[20]

为描述SPEI和NDVI在1982—2015年间的时空变化趋势，采取一元线性回归法对研究区域内的SPEI和NDVI的进行分析。其具体计算公式如下

式中slope表示NDVI和SPEI的变化趋势，表示研究时间范围，34，C表示第年的SPEI或NDVI。对NDVI和SPEI的变化趋势进行显著性检验（<0.01，极显著变化；<0.05，显著变化；>0.05，变化不显著）。

本研究基于像元尺度分析NDVI和SPEI的相关性，相关系数的计算公式如下

GLDAS-NOAH降水、气温数据在雅鲁藏布江流域的适用性评估，采用相关系数（）、均方根误差（RMSE）、平均偏差（MB）、Nash-Sutcliffe效率系数（NSE），计算公式如下

2 结果与分析

2.1 GLDAS-NOAH数据适用性评估

本研究采用1982—2015年雅鲁藏布江流域内及其周边20个气象站点月降水量和平均气温，对应各气象站点所在网格的GLDAS-NOAH月数据，通过、RMSE、MB，NSE 4个统计指标，综合评估GLDAS-NOAH数据在雅鲁藏布江流域的适用性。

2.1.1 GLDAS-NOAH降水数据适用性评估

实测降水数据与GLDAS-NOAH降水数据的、RMSE、MB，NSE4个统计指标计算结果如表2所示。

表2 GLDAS-NOAH降水与站点实测数据的统计指标

除波密站外（=0.57），GLDAS-NOAH月降水与站点实测月降水相关系数较高（0.80），表明GLDAS-NOAH可以较好地捕捉流域降水时态分布特征。吕洋等[21]对TRMM卫星降水数据在雅鲁藏布江流域的适用性研究中关于波密站降水也得出了相似的结论。除嘉黎、波密、丁青、类乌奇、那曲5个站点外，其余站点MB均大于0，表明GLDAS-NOAH月降水数据要偏大于站点实测月降水，变幅为−22.99～49.95 mm，占对应站点实测多年平均降水量的0.07%～17.47%。RMSE范围在21.23～81.45 mm，占对应站点实测多年平均降水量的4.20%～29.44%。NSE变幅为−4.7～0.84，其中NSE小于0的4个站点与MB、RMSE偏差最大的4个站点保持一致（波密站除外），主要归因于站点周边地形起伏剧烈，落差可高达4 000m以上，而测站本身地处河谷地区，测站的点尺度降水量无法准确反映GLDAS-NOAH网格（0.25°×0.25°，约625 km2）平均降水量。因此，应进一步评估GLDAS-NOAH对于雅鲁藏布江流域降水垂直带性的模拟能力。

2.1.2 GLDAS-NOAH气温数据适用性评估

GLDAS-NOAH气温数据的评估结果如表3所示。相较于降水，GLDAS-NOAH对于气温时态分布特征的模拟效果更好（>0.80）；除嘉黎、那曲2个站点外，其余站点MB均小于0（−6.85℃≤MB≤−0.04℃），表明GLDAS-NOAH模拟的气温要低于站点实测气温；与降水模拟结果相似，GLDAS-NOAH模拟的月气温在波密站的效果最差（MB=6.85℃，RMSE=7.25℃，NSE=−0.63），而其他站点，GLDAS-NOAH对月气温的模拟效果明显好于降水，体现在较小的RMSE≤5.37℃和较高的NSE（0.28≤NSE≤0.97）。

表3 GLDAS-NOAH气温数据与站点实测数据的统计指标

2.1.3 流域尺度GLDAS-NOAH数据适用性评估

考虑实测站点与GLDAS-NOAH网格尺度的不匹配，以及雅鲁藏布江流域显著的气候垂直带性，本研究进一步评估了GLDAS-NOAH在流域尺度及不同高程带的模拟能力。如图2所示，GLDAS-NOAH模拟的降水、气温与实测降水、气温时间变化趋势一致性较好，相关系数分别高达0.97和0.99。然而，与站点尺度的评估结果一致，即GLDAS-NOAH模拟的流域降水较实测值偏高，而气温较实测值偏低。本研究核心问题在于辨识流域的干湿变化趋势，而非干湿状况的绝对值，并且适用性评估结果表明GLDAS-NOAH在站点尺度和流域尺度，均能较好地表征降水和气温的时程分布形态，因此GLDAS-NOAH数据可以用于开展雅鲁藏布江流域干湿趋势变化的时间特征研究。

如表4所示，将20个气象站点及其对应的GLDAS-NOAH网格按高程分为4组，即：0～3 500 m、>3 500～4 000、>4 000～4 500、>4 500～5 000 m。GLDAS-NOAH模拟的降水和气温均随高程的增加而降低，与实测数据保持一致，可以较好地表征流域气候的垂直地带分布特征。对于降水而言，GLDAS-NOAH在>3 500～4 000和>4 000～4 500 m 2个高程带模拟的均值分别为640.4和619.7 mm，而观测降水的均值分别为457.6和500.4 mm，相较于其他2个高程带误差较大，这主要归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）与所对应的GLDAS-NOAH网格平均降水的偏差较大，且流域上游高海拔地区实测站点稀疏。GLDAS-NOAH模拟的降水变幅在4个高程带均与实测数据较为接近。相较于降水，GLDAS-NOAH对于气温垂直地带性的模拟效果更好，除了误差最大的波密站（2 926 m）所处的0～3 500 m高程带，其他3个高程带的均值和变幅均与实测数据较为一致。因此，GLDAS-NOAH模拟的降水和气温数据可以用于探讨雅鲁藏布江流域干湿趋势变化的空间特征。

表4 GLDAS-NOAH模拟降水和平均气温垂直地带性特征评估

2.2 雅鲁藏布江流域干湿演变特征

本研究分别计算了1、3、6和12个月这4种时间尺度的SPEI值，如图3所示。其中SPEI 1表示计算该月SPEI时仅考虑当月的水分亏缺情况；SPEI 3表示计算该月SPEI时考虑包含当月在内的3个月的水分亏缺情况，SPEI 6、SPEI 12以此类推。流域尺度上，各 SPEI 指数的变化曲线基本吻合，SPEI与NDVI的相关性分析表明，SPEI 12与NDVI相关性高于其他时间尺度的SPEI，具有更好的代表性，因此本研究采用SPEI 12探讨流域的干湿演变特征。

注：SPEI 1、SPEI 3、SPEI 6和SPEI 12分别指1、3、6和12个月尺度的SPEI指数值。

2.2.1 干湿转换节点

本研究基于年和生长季2个时间尺度探讨雅鲁藏布江流域干湿转换特征，并根据雅鲁藏布江植被生长状况选取5—9月为生长季。为确定流域干湿转换节点，本研究选取Yamamoto、滑动t、Mann-Kendall（M-K）3种突变检验方法[22]，分别对研究区年及生长季SPEI进行突变检验，如表5所示。对于年SPEI，Yamamoto和滑动检测出SPEI分别于1998年、1997年发生突变；对于生长季SPEI，滑动检测到SPEI于1997年发生突变。已有研究表明雅鲁藏布江流域降水、气温、潜在蒸散发在2000年前后均发生了显著变化[23-24]，结合SPEI的突变检验结果，本研究推断雅鲁藏布江流域干湿状况在20世纪90年代末发生了转变。

表5 年和生长季SPEI突变检验结果

干湿转换年份的确定是本研究的核心，SPEI突变检验已推断出流域干湿转换发生在上世纪90年代末。SPEI的线性变化趋势（图4）进一步表明，若以2000年为分界点，年SPEI在2000年前后呈现相反的变化趋势，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），研究区日趋干旱。与年SPEI相似，生长季SPEI在2000年前后也呈现出相反的变化趋势，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。总体而言，1982－2015年雅鲁藏布江流域总体呈现湿润化趋势，但进入21世纪以后流域表现出显著的干旱化趋势。

图4 SPEI在年和生长季的变化情况

径流作为流域干湿状况最直接的指示因子，已被广泛用于流域干湿转换特征研究[14,24-25]。为进一步验证流域干湿转换是否发生在2000年，本研究选取奴下水文站1982－2015年径流资料进行趋势分析。奴下水文站位于雅鲁藏布江流域下游，控制约80%的流域面积，其径流量可以有效反映全流域干湿状况。奴下水文站径流量M-K趋势检验结果如图5所示：以2000年为分界点，1982—1999年径流量呈显著增加趋势（<0.1），2000—2015年径流量呈显著减少趋势（<0.1）。若以1998—1999或其他任一年份为分界点，对所划分的2个时间段的径流量进行趋势检验，均无法同时得出显著增加和显著减少趋势。因此，本研究确定雅鲁藏布江流域干湿转换发生在2000年。

注：阴影代表SPEI突变检验推断出的干湿转换时期

2.2.2 干湿转换空间特征

雅鲁藏布江流域气象条件空间变异性大，为准确反映流域内干湿变化趋势，本研究通过克里金插值分别得出2000年前后雅鲁藏布江流域年以及生长季SPEI的空间分布图，如图6所示。对于年和生长季SPEI，2000年前研究区干旱地区主要集中于流域上游东部和中游地区，湿润地区主要集中于上游西部和下游东南部，在2000年后研究区干旱地区主要集中于上游西部和下游东南部，表明雅鲁藏布江流域2000前后干湿地区在空间上发生反转。雅鲁藏布江流域1982－2015年间呈现湿润化趋势主要与中游地区变湿有关，而2000年以后流域呈现干旱化趋势主要归因于上游西部以及下游东南部变干。

图6 年和生长季SPEI的空间分布

为进一步探讨2000年前后雅鲁藏布江流域干湿特性空间反转的原因，本研究基于像元尺度分析1982－2015年的年和生长季SPEI的变化趋势并对其进行显著性检验，如图7所示。可以看出雅鲁藏布江流域上游西部和下游东南部呈现干旱化趋势，而上游东部和中游地区呈现湿润化趋势，与图6干湿状况空间分布特征一致。就年SPEI而言，研究区内55.47%的区域SPEI呈现上升的趋势，即趋于湿润化。其中，呈极显著增加和显著增加区域主要分布在中游地区；呈极显著减少和显著减少区域主要分布在研究区上游西北部及下游东南部地区。与年SPEI相似，研究区55.62%的区域生长季SPEI呈上升趋势，其显著性检验的空间分布特征与年SPEI的保持一致。

注：P<0.01表示极显著变化，P<0.05表示显著变化，P>0.05表示变化不显著，↓表示下降，↑表示上升，下同。

综上所述，雅鲁藏布江流域年及生长季SPEI时空变化特征基本一致，即在2000年前后流域干湿转换的时空特征均发生反转的现象。时间上，2000年以前流域呈现湿润化趋势，2000年以后呈现干旱化趋势（图4）；空间上，2000年以前湿润地区主要集中在上游东部和下游东南部，2000年以后湿润地区转为上游西部和中游地区，干旱地区逐渐变湿，湿润地区日趋干旱。

2.3 植被动态变化特征

根据雅鲁藏布江流域SPEI时间变化特性，以2000年为分界点，分析年和生长季NDVI的时间变化趋势，如图8所示。就年平均NDVI而言，流域多年平均NDVI为0.27，1982－2015年间NDVI在0.25～0.28之间波动，整体以0.0002/a的速率显著上升（<0.1，=34)，流域植被覆盖度逐渐提高。但在2000年前后年平均NDVI呈完全相反的变化趋势，即在2000年前NDVI以0.001/a的速率显著上升（<0.1，=18），2000年后NDVI以0.0006/a的速率显著降低（<0.1，=16)。生长季NDVI多年平均值0.34，变幅为0.31～0.35，以0.0002/a的速率不显著上升（>0.1，=34）。与年NDVI相似，生长季NDVI在2000年前后也呈现出完全相反的变化趋势，即2000年前NDVI以0.0015/a的速率显著上升（<0.1，=18），2000年后NDVI以0.0009/a的速率显著降低（<0.1，=16）。1982－2015年流域植被动态变化与干旱的时间变化趋势保持一致，表明2000年以前流域植被覆盖增加主要与流域逐渐变湿有关，而2000年以后流域植被覆盖逐渐降低则与流域日趋干旱化有关。

图8 年和生长季NDVI变化情况

年和生长季的NDVI空间分布如图9所示。就年平均NDVI而言，雅鲁藏布江流域约61.08%的区域NDVI值在0.1～0.3之间，多集中于中上游地区及下游高海拔地区，仅有5.59%的区域NDVI值在0.7以上，多集中于中游地区和下游东南部地区。流域内从西北向东南NDVI逐渐升高，植被覆盖逐渐增强，生长季流域内植被覆盖情况与年平均情况保持一致。

图9 年和生长季NDVI空间分布

年和生长季NDVI在1982－2015年间的slope值及其显著性空间分布如图10所示。就年平均NDVI而言，流域内约有60.1%区域NDVI的slope值大于0，即植被覆盖度提升逐渐升高。其显著性检验结果表明，NDVI呈极显著增加和显著增加的区域主要分布于中游地区，极显著减少和显著减少的区域主要分布于上游西北部及下游东南部地区。与年尺度NDVI变化特性相似，生长季NDVI呈增加趋势（slope>0）的区域约占整个流域面积的58.35%，其显著性检验的空间分布特征与年平均NDVI的保持一致。

图10 年和生长季NDVI空间变化趋势及显著性检验

雅鲁藏布江上游地区植被覆盖几乎不发生变化或变化不显著，这可能是由于雅鲁藏布江流域上游地区土地覆盖类型多为戈壁滩、冰川及高原草甸，受气候变化影响较小；而在中游地区，除区域边缘当雄等高海拔地区外，其余地区植被覆盖多呈显著上升趋势；流域下游地区，植被覆盖多呈现出极显著降低的趋势，这与吕洋等[26]针对雅鲁藏布江流域NDVI时空变化研究成果一致。结合流域干湿状况的空间变化特征，可以发现流域中游地区和上游东部等逐渐湿润地区的植被覆盖逐渐增强，而下游地区和上游西部等干旱化地区的植被覆盖逐渐降低。

2.4 植被对流域干湿转换的响应

本研究基于像元尺度，对1982－2015年雅鲁藏布江流域年和生长季SPEI与NDVI进行相关性分析，结果如图11所示。

注：P<0.01表示极显著相关，P<0.05表示显著相关，P>0.05表示相关不显著，“+”表示正相关，“-”表示负相关，下同

年尺度上，流域约71.83%的区域SPEI和NDVI呈正相关。其显著性检验结果表明，SPEI与NDVI呈极显著正相关和显著正相关的区域主要集中在中游和上游地区的交界处以及下游地区的东南部；SPEI与NDVI呈极显著负相关和显著负相关的区域多集中于中游的东部地区和下游的西北部地区。生长季内，流域约66.15%的区域SPEI与NDVI呈正相关，生长季SPEI与NDVI不同相关程度的空间分布与年NDVI与SPEI相关性的空间分布保持一致。

综上所述，雅鲁藏布江流域植被动态变化与流域干湿时空变化特征基本保持一致，即时间上，2000年以前流域呈现湿润化趋势，流域内植被覆盖逐渐增强，2000年后呈现干旱化趋势，流域植被覆盖逐渐降低；空间上，流域上游西部和下游东南部地区呈现变干趋势，植被覆盖逐渐降低，中游地区和上游东部地区呈现湿润化趋势，植被覆盖逐渐增强。

2.5 流域干湿转换的驱动因素

流域干湿特性是降水、气温等变化的综合效应，全球气候变暖已导致干旱等极端事件频发[2]。此外，土壤含水量是连接水循环、碳循环、能量循环的纽带[27-28]，也是将植被生长和降水联系起来的关键因素[29-30]。因此，辨识流域干湿特性变化的驱动因素，对生态环境、农业生产、资源配置和社会经济等方面具有重要意义[31]。本研究基于GLDAS-NOAH数据，分析了雅鲁藏布江流域年和生长季降水、气温、潜在蒸散发的空间变化特征，结果表明年和生长季各气候要素空间变化趋势基本一致。如图12所示，上游西部和下游东南部地区降水逐渐减少，气温和潜在蒸散发则呈升高趋势；上游东部和中游西部地区降水、气温、潜在蒸散发均呈上升趋势；中游东部地区降水呈增加趋势，而气温和潜在蒸散发则呈降低趋势。对比SPEI的空间分布及空间变化趋势分析可以看出，流域内湿润化地区，降水呈增加趋势，气温和潜在蒸散发呈降低趋势，而流域内干旱化地区，降水呈降低趋势，气温和潜在蒸散发则呈升高趋势。因此，流域2000年前后干湿特征的空间反转现象，主要归因于研究区降水、气温及潜在蒸散发的空间特征变化。

本研究提取GLDAS-NOAH数据集中的4层土壤含水量数据，土层深度分别为0～10、>10～40、>40～100、>100～200 cm，以4层土壤含水率之和表征研究区的土壤水含量。研究区域年和生长季的土壤含水量和SPEI之间的相关性分析及其显著性检验如图13所示，就年平均土壤含水率和SPEI的相关分析可知，流域土壤含水率与SPEI的相关系数范围为−0.204～0.923，且流域约99.59%区域的土壤含水率与SPEI之间呈正相关关系。其显著性检验结果表明，流域内土壤含水率与SPEI呈极显著正相关的区域约占整个流域面积的92.17%。生长季土壤含水量与SPEI的相关系数范围为−0.206～0.938，流域约99.65%的区域土壤含水率与SPEI呈正相关关系，其中，呈极显著正相关的区域约占整个流域面积的97.66%。由此可见雅鲁藏布江流域干湿变化除受降水、气温影响外，土壤含水量也是不可忽视的驱动因素。

图12 降水、气温、潜在蒸散发空间变化趋势及其显著性分析

图13 年和生长季SPEI与土壤含水量相关性分析及显著性检验

3 结 论

基于全球陆面同化系统数据GLDAS-NOAH，在其适应性分析的基础上，采用SPEI和NDVI，通过slope指数和相关分析探讨1982－2015年雅鲁藏布江流域干湿时空演变特征及植被的动态响应，得出以下主要结论：

1）雅鲁藏布江流域整体呈湿润化趋势，但2000年前后SPEI的时空特征均发生反转现象，即时间上，2000年以前流域呈现湿润化趋势，2000年以后呈现干旱化趋势；空间上，流域内干旱地区逐渐变湿，湿润地区逐渐变干，干湿地区空间分布发生反转。

2）雅鲁藏布江流域NDVI整体上呈现上升趋势，即植被覆盖逐渐升高，但2000年前后NDVI的时空特征也发生反转现象，即时间上，2000年以前流域内植被覆盖逐渐增强，2000年以后流域内植被覆盖逐渐减弱；空间上，在植被覆盖较好的区域，NDVI逐渐降低，植被覆盖较弱的地区，NDVI呈现升高趋势。

3）流域内约71.83%的地区SPEI与NDVI呈正相关，且主要集中于中下游地区等植被覆盖较好的地区，流域内SPEI与NDVI呈负相关关系的区域所占面积较少，且不显著。雅鲁藏布江流域植被动态受干湿特征影响较大，气温和降水是影响植物覆盖的主要因素。此外，流域内92.17%以上的区域SPEI与土壤含水量呈正相关，表明土壤含水量也是反映流域干湿状况不可忽视的驱动因素。

[1]沈永平，王国亚. IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J]. 冰川冻土，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，潘学标，等. 1961—2014年中国干湿气候时空变化特征及成因分析[J]. 农业工程学报，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]刘珂，姜大膀. 基于两种潜在蒸散发算法的SPEI对中国干湿变化的分析[J]. 大气科学，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]戚颖，白雪峰，李铁男. 气候变化对黑龙江省生育期内玉米产量的影响[J]. 农业机械学报，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]罗登泽，靳晓言，强皓凡，等. 基于SPEI的若尔盖湿地干湿时空演变特征分析[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]柴荣繁，陈海山，孙善磊. 基于SPEI的中国干湿变化趋势归因分析[J]. 气象科学，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]孙红雨，王长耀，牛铮，等. 中国地表植被覆盖变化及其与气候因子关系：基于NOAA时间序列数据分析[J]. 遥感学报，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对气候因子响应的格兰杰效应分析[J]. 地理科学进展，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]张佳琦，张勃，马彬，等. 三江平原NDVI时空变化及其对气候变化的响应[J]. 中国沙漠，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]周顺武，吴萍，王传辉，等. 青藏高原夏季上空水汽含量演变特征及其与降水的关系[J]. 地理学报，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，高艳红，王婉昭，等. 黄河源区气候变化与GLDAS数据适用性评估[J]. 地球科学进展，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]王兆礼，黄泽勤，李军，等. 基于 SPEI 和 NDVI 的中国流域尺度气象干旱及植被分布时空演变[J]. 农业工程学报，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]吕洋，杨胜天，蔡明勇，等. TRMM卫星降水数据在雅鲁藏布江流域的适用性分析[J]. 自然资源学报，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]魏凤英. 现代气候统计诊断与预测技术[M]. 北京：气象出版社，1999.

[23]汪磊. 雅鲁藏布江流域水化学特征及影响因素研究[D]. 北京：中国科学院大学，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]刘湘伟. 雅鲁藏布江流域水文气象特性分析[D]. 北京：清华大学，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]杨庆，李明星，郑子彦，等. 7种气象干旱指数的中国区域适应性[J]. 中国科学：地球科学，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]吕洋，董国涛，杨胜天，等. 雅鲁藏布江流域NDVI时空变化及其与降水和高程的关系[J]. 资源科学，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]柳钦火，辛景峰，辛晓洲，等. 基于地表温度和植被指数的农业干旱遥感监测方法[J]. 科技导报，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

刘 浏,牛乾坤,衡静霞,李 浩，徐宗学. 雅鲁藏布江流域干湿转换特征及植被动态响应[J]. 农业工程学报，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

国家自然科学基金项目（91647202，51961145104）

刘 浏，博士，副教授，研究方向：水文学及水资源。Email：liuliu@cau.edu.cn

10.11975/j.issn.1002-6819.2020.02.021

S127

A

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