1982—2016年西南地区变干、变绿趋势分析

张林林

(1.南京信息工程大学地理科学学院，江苏 南京 210044; 2.南京市力人学校，江苏 南京 210009)

【研究意义】通过遥感植被指数，包括叶面积指数(LAI)和归一化差异植被指数(NDVI)等，从地区到全球范围内都广泛的报道全球变绿的现象[1-3]。然而，极端气候对植被和相应的初级生产力有显著影响[4-5]。在这些极端事件中，干旱的影响尤其广泛和严重[6]。极端事件对植被的短期破坏作用非常显著[7-8]，同时基于物理和统计模型发现，植被的长期变化仍然主要受气候变化和人类活动的影响[9-10]。最近研究表明，受全球变化的影响，植被的活动已经发生改变[10]。从大气中CO2浓度的变化发现北半球的植被有显著的增加趋势[11]。【前人研究进展】张佳华等[12]基于全球LAI数据研究植被对于温度和降水变化的响应，发现温度在北半球的中高纬度地区与植被呈现正相关。彭飞[13]研究了中国地区LAI和气候变化之间的关系，发现温度变化是LAI变化的主要原因。Chen[14]基于2000年以来的LAI数据，分析发现全球1/3的植被面积都在变绿，变绿区域主要分布在中国和印度。其中中国的绿化主要来自森林和农田，其中就包括西南地区林地的贡献。西南地区以温带半湿润气候为主[15]，水资源丰富。但在过去的几十年里，西南地区经历了严重的干旱灾害，特别是2009—2012年之间严重干旱[16-17]，对当地植被产生了严重的破坏。但是根据长期遥感植被数据发现，短期极端气候事件对于植被长期生长并未产生较大的影响。此外，影响西南地区植被长期变化因素是多种多样的，包括自然活动和人类活动[18]。【本研究切入点】本研究用温度、降水、标准降水蒸散指数(SPEI)和LAI来表征1982—2016间西南地区气候特征和植被状况，并用Mann-Kendall检验确定趋势的重要性。【拟解决的关键问题】通过计算Pearson相关系数和偏相关系数，分析LAI与其它气候要素之间的关系，找出植被在长期变化中对哪些气象因子更敏感。

1 材料与方法

1.1 研究区概况

西南地区包括四川、云南、贵州、广西四省和重庆市(图1-a，N20°～N35°；E97°～E112°)面积约13.77×104km2，占中国国土面积的约14.3%。西北临青藏地区，海拔跨度大，由东南向西北递增。在受亚洲季风影响的西南地区，夏季高温多雨，雨热同期[19](Li et al。2018年)，7月达到峰值(图1-c)。研究区间全区域年均降水量为(1147.68±75.56) mm，年均温为(12.32±0.45)℃。西南地区地形复杂，包括四川盆地、广西丘陵、横断山脉和云贵高原等。西南地区喀斯特地貌分布广泛，植被稀疏，水土流失严重[20]，使得近年来频繁发生的干旱和人为干扰使该地区的陆地生态系统非常脆弱[21]。

为了减少海拔对温度和降水的影响[22-23]，并更好地分析植被响应，选择海拔高度小于3000 m的区域作为研究区[24-25]，包括图1中红线包括的区域。

使用中国科学院资源与环境数据中心提供的2015年1 km分辨率土地利用类型数据(http://www.resdc.cn/)，基于中国1︰10万土地利用数据库[26]。土地利用类型分为6个类别(表1)和25个类别，是基于陆地卫星TM/EM图像而生成的[27]。

1.2 供试数据

1.2.1 气象数据 本研究使用的温度(℃)和降水量(mm)数据是由中国气象局和国家气象信息中心基于观测数据开发的数据集(网格数据集V2.0，https://data.cma.cn)，空间分辨率为0.5度，时间分辨率是月尺度，时间范围为1982—2016年。

1.2.2 干旱指数——标准降水蒸散指数 基于中国气象局的气象数据(温度和降水)计算1982—2016年的标准化降水-蒸散指数(SPEI)数据[28]，该数据时间分辨率为月尺度，空间分辨率为0.5度。由于SPEI是具有多尺度性，1个月、6个月和12个月尺度能较好地反映西南地区植被的干旱特征，本研究选取了SPEI-01、SPEI-06和SPEI-12多个时间尺度数据。

标准降水蒸散指数(SPEI)是通过计算月降水量与潜在蒸散量(PET)之间的差值来计算，用概率分布函数拟合，然后进行正态归一化计算。

第1步，降水量(PPT)与潜在蒸散量PET之间的差异：

D=PPT-PET

(1)

第2步，D根据时间尺度计算如下：

(2)

其中，k是时间，从1个月到48个月不等。

第3步，用三参数对数Logistic分布拟合D序列。其表达式是：

(3)

表1 西南地区土地利用类型及其面积占比(以2015年为例)

其中，α,β和γ分别代表尺度、形状和原点参数。该分布函数是L-矩比图法选择的最独特的函数。

第4步，最后通过归一化F(x)得到SPEI指数。有关SPEI计算的更多详细信息，请参考Vicente Serrano以前的研究[29]。

1.2.3 植被指数 数据相比常用于分析植被动态变化的NDVI，植被叶面积指数(LeafArea Index, LAI)的生态学意义更加明显，即投影到单位陆面面积上的叶片总面积[30]。因此，LAI数据集是植被年际动态的可靠“指标”，研究LAI空间分布、变化及其和气候因子之间的关系能够研究全球气候变化下植被如何进行响应。本文使用LAI数据来自美国AVHRR GIMMS LAI3g[31]，时间范围为1982—2016年，其空间分辨率为1/12°×1/12°，时间分辨率为15 d。为了匹配降水和温度数据集，将LAI数据(1/12°)提升到0.5°，并将其聚合到月尺度。

表2 本研究中使用的CMIP6模型说明

1.2.4 未来气候数据——CMIP6气温和降水数据 基于第六次国际耦合模式比较计划(CMIP6)中的子计划——年代际气候预测计划(DCPP)中的数据，来预测西南地区未来的气候变化状况。本文选择了4个模拟精度较高模式的数据[32]，如表2所示，使用了CMIP6情景模型相互比较项目中SSP2-4.5(共享社会经济路径)情景下2015—2100年预测未来的月温度、月降水数据。首先，通过空间分解方法，将模型输出降到分辨率为0.5°×0.5°的网格大小，然后根据EWEMBI数据集[33]通过等距累积分布函数法校正偏差，这些方法在以前的研究中得到了广泛的应用，并且可以提高仿真的性能[34]。

1.3 试验方法

1.3.1 一元线性回归趋势分析 一元线性回归的本质是最小二乘法，本文以对温度、降水、LAI、SPEI-01、SPEI-06和SPEI-12多年变化趋势分析为例，时间t作为自变量，以温度、降水、LAI、SPEI-01、SPEI-06和SPEI-12为因变量，方程的斜率即所研究变量的变化趋势。

y=a0+a1t+μ

(1)

其中，y为温度、降水、LAI、SPEI-01、SPEI-06和SPEI-12时间序列，t为时间，a0、a1是回归系数，μ是回归的残差随机误差。

1.3.2 Manner-Kendall(M-K检验) Manner-Kendall(M-K检验)是一种非参数检验法，其不要求样本遵循一定的分布，且结果不受小部分异常值影响。因此，本文中将一元线性回归分析和M-K检验结合来对1982—2016的时间序列数据进行趋势分析。

1.3.3 Pearson相关系数 相关系数能反映两个变量之间的相关关系密切程度，为了研究植被在长期变化中对哪些气候要素更敏感，对LAI和温度、降水量之间进行分析，计算出两者之间的Pearson相关系数：

(2)

2 结果与分析

2.1 西南地区气温、降水和LAI的多年平均季节特征

由图2可以看出，1982—2016年西南地区气温、降水和LAI的季节平均特征。西南地区的温度、降水和LAI均具有单峰季节特征。气温和降水峰值均出现在7月，而LAI峰值出现在8月，明显滞后1个月。结合气候分析，8月气温仅低于7月，而6月降水量和LAI均高于8月，低于7月，因此该区植被特征与自然水热条件的季节特征不一致。此外，研究期间西南地区大部分时间气温低于25 ℃，未能达到植被的最佳生理温度25 ℃。因此，当水分条件迅速减少但热条件仍然充足时，植被可能仍会继续生长。

2.2 西南地区多年平均气温、降水和LAI的空间分布

由图3显示，研究期间，西南地区气温从东南向西北整体呈下降趋势，多年来在2.6～22.8 ℃。广西中南部夏季最高气温可达28.6 ℃，四川中部冬季最低气温-4.5 ℃，年平均降雨量500～2150 mm。川北地区最低降雨量在600 mm以下。西南地区LAI的空间分布呈南高北低的格局，多年来在0.98～4.95。在云南省南部，LAI的最大值可达5.2，而在四川西北部，LAI最小，小于0.45，研究区LAI总体分布较为均匀。

2.3 西南地区LAI和其他气象因子空间变化趋势

由图4显示，西南地区多年平均气温呈显著上升趋势，上升趋势为3.2×10-2℃/a，西南地区整体变暖，特别是四川中部地区，高达5.06×10-2℃/a。与温度的变化趋势不同，除广西南部地区外，年总降水量皆呈现明显的下降趋势，在云南西南部地区下降趋势达到最大，为-15.8 mm/a(图4-b)。然而，1982—2016年间西南地区LAI却呈现出显著的上升趋势，为1.03×10-2/a，表明西南地区显著变绿。广西南部地区变化最大，为2.41×10-2/a。LAI在四川中部、云南东部和贵州中部和南部极少部分地区呈减少的趋势，结合土地利用数据可以发现，受城市化影响，建设用地的区域LAI有明显的减少。

1982—2016年，西南地区除广西外，其余地区的SPEI-01与降水量空间变化基本一致，整体上呈下降趋势，表明西南地区整体变干。SPEI-06和SPEI-12的空间变化趋势与SPEI-01的总体分布趋势一致，但其值大于SPEI-01，即西南地区干旱的区域更加干，湿润区相对更加湿润，这更加有利于植被生长。

2.4 西南地区植被LAI和气候的时间变化趋势

进一步研究了西南地区植被的长期变化趋势。LAI、温度、降水、SPEI-01、SPEI-06和SPEI-12的年际变化曲线如图5所示，表3总结了它们的年际变化。

自1982年以来，西南地区年均温度呈显著的上升趋势，增长率为3.41×10-2℃/a(P<0.05)。近年来，在2009—2010年的严重干旱期间，气温略有下降，随后又持续上升。降水却呈显著的下降趋势，年际变化趋势为-1.001 mm/a(P<0.1)，2011年降水量为历史最低，年降水量在1000 mm以下。在2010年大旱之后，西南地区降水呈微弱的上升趋势，而年均LAI呈显著增加趋势，年际变化趋势为8.5×10-3/a(P<0.05)，说明西南地区植被整体呈增加趋势，研究期间西南地区总体变绿。

研究期间，西南地区的SPEI-01、SPEI-06和SPEI-12均呈下降趋势，年际变化为-6.2×10-3/a, -1.1×10-2/a和-1.45×10-2/a(P<0.1)。此外，值得注意的是，自21世纪初以来，SPEI急剧下降，表明西南地区正变得越来越干旱。

2.5 西南地区未来气候变化状况

由图6显示，选择CMIP6中4个模式的温度和降水数据，对其均值作为未来气候变化状况的依据，并对未来西南地区的气候变化状况进行预测。可以看出在SSP2-4.5(共享社会经济路径)情景下，西南地区在2015—2100年间温度和降水皆呈显著的上升趋势，变化趋势分别为3.16×10-2℃/a(P<0.05)和1.592 mm/a(P<0.05)，气温升高2.3 ℃，降水呈波动上升。由温度和LAI的相关性可知，在温度升高时，有利于西南地区植被生长。因此，未来西南地区可能持续变绿。

表3 1982—2016年西南地区平均LAI及气候因子年际变化趋势

3 讨 论

植被生长长期受到气候变化的影响，西南地区的干旱与该地区降水量的减少和气温的升高密切相关，并对这些响应之间的相关性进行定量和深入的探讨，从而厘清植被在长期变化中对哪些气候要素更敏感(图7)。计算1982—2016年西南地区LAI与气象因子的相关性见表4。

LAI与温度显著相关，相关系数为0.71(P<0.1，表4)，表明温度对西南地区植被生长起着至关重要的积极作用，这与其他人结论一致[35]。尤其在重庆和贵州北部，LAI与气温的相关系数甚至达到0.76。而秋季，LAI与气温相关性最低，仅为0.4且不显著。LAI与年降水量的相关系数为0.02。夏季，LAI的负系数为-0.26。除云南北部、重庆地区LAI与降水呈弱正相关外，西南地区其他区域夏季LAI与降水呈显著负相关，说明降水抑制了夏季植被生长。在西南这样湿润地区，供水可能不是植被动态的主要驱动力。虽然降水量在极端干旱期间急剧减少，但仍足以满足植被需求，于是当温度持续上升，达到植被最佳生理温度植被仍然增长。因此，温度是控制植被生长的一个更重要的气候因素。

SPEI-01、SPEI-06和SPEI-12与植被呈弱负相关，未能通过显著性检验。夏季SPEI-01与植被呈负相关，相关系数为-0.26。在空间相关性上，除重庆和贵州北部外，SPEI-01与其他地区植被呈负相关，冬季相关系数-0.1～-0.7。在多年尺度上，除四川中部、重庆西部、云南北部、贵州东部和广西全区呈正相关外，SPEI-06和SPEI-12与植被的空间相关性基本一致，其他地区呈负相关。在季节尺度上，两者有很大的不同。春、秋、冬三季SPEI-06与LAI的空间相关性与SPEI-12一致，呈弱正相关。而在夏季，SPEI-06、SPEI-12和LAI之间的相关性在广西呈现出完全不同的关系。

全球陆地生态系统中，植被的变化近年来受到广泛的关注，众多研究发现，气候条件、土地利用的变化以及CO2的施肥效应等都对不同区域的植被生长产生较大的影响[36]。张永恒[37]发现西南地区植被存在较明显的季节和区域差异，且植被和温度、降水之间存在时滞相关性。蒙吉军[38]基于AVHRR GIMMS NDVI和AVHRR GloPEM NPP数据，研究发现20世纪80年代以来，西南喀斯特地区植被和NPP总体上升，且主要受温度影响较大。熊巧利[39]基于MaxEnt模型对西南地区高山植被变化，并评价植被对气候变化的适应性，发现温度是限制高山植被地理分布的主要气候因子。本文计算了不同时间尺度上，LAI和多气象因子的相关系数，发现西南地区温度对于植被生长有极大的促进作用，增温有利于植被生长。但是在研究西南地区植被长时间变化时，也不能忽视人类活动作用，例如灌溉、施肥等农业现代化活动对西南部分地区LAI的增加起到重要作用。

4 结 论

本文基于1982—2016年间的遥感资料GIMMS LAI3g数据，分析了西南地区植被变化并结合同期气候变化对植被变化的驱动要素进行分析。

表4 1982—2016年西南地区平均LAI及气候因子相关系数

(1)研究期间，LAI在西南大部分地区具有增加趋势，温度升高是LAI增加的主要原因之一。伴随着西南地区显著变暖，西南地区植被整体呈增加趋势，研究期间西南地区总体变绿。西南地区温度和LAI都呈显著的上升趋势，变化趋势分别为3.22×10-2℃/a(P<0.05)和1.03×10-2/a(P<0.05)。而降水、SPEI-01、SPEI-06和SPEI-12均呈下降趋势，年际变化为-1.029 mm/a，-6.2×10-3/a， -1.1×10-2/a和-1.45×10-2/a(P<0.1)。此外，值得注意的是，自21世纪初以来，SPEI急剧下降，表明西南地区正变得越来越干旱。

(2)西南地区的LAI变化趋势空间差异十分明显，这和区域气候变化差异和季节变动有关。空间上，LAI在四川中部、云南东部和贵州中部和南部极少部分地区呈显著减少的趋势，结合土地利用数据可以发现，受城市化影响，建设用地的区域LAI有明显的减少。除广西外，其余地区的SPEI-01与降水量空间变化基本一致，整体上呈下降趋势，表明西南地区整体变干。SPEI-06和SPEI-12的空间变化趋势与SPEI-01的总体分布趋势一致。

(3)根据Pearson相关分析，西南大部分地区LAI变化主要和温度变化有关，该地区植被变化对温度最敏感，相关系数为0.71(P<0.1)，且春季的植被生长与温度相关性最大，为0.72(P<0.1)。因此，西南地区的的植被绿化和气候干化都与增温有关，今后应更加注意干旱的频率和明显的破坏性。降水仅在春季和LAI呈微弱的正相关，其余季节的降水都与LAI呈负相关。SPEI-01、SPEI-06和SPEI-12与植被呈微弱负相关，且未能通过显著性检验。

(4)基于CMIP6数据，分析在SSP2-4.5(共享社会经济路径)情景下未来西南地区的气候变化状况，发现在2015—2100年间温度和降水皆呈显著的上升趋势，变化趋势分别为3.16×10-2℃/a(P<0.05)和1.592 mm/a(P<0.05)，气温升高2.3 ℃，降水呈波动上升。根据由温度和LAI的Pearson相关系数分析得出，在温度升高时，有利于西南地区植被生长。因此，未来西南地区可能植被持续变绿、气候持续变干。