基于日光诱导叶绿素荧光探测植被光合对气象干旱的响应*

齐晓雯，苗 晨，王鹤松,3**

基于日光诱导叶绿素荧光探测植被光合对气象干旱的响应*

齐晓雯1，苗 晨2，王鹤松1,3**

（1. 北京林业大学生态与自然保护学院，北京 100083；2. 国家遥感中心，北京 100036；3. 新疆农业大学林学与风景园林学院，乌鲁木齐 830052）

干旱是世界范围内最常见、最复杂的气象灾害，一定程度上会削弱陆地生态系统的碳汇功能。开展植被对干旱响应的研究并选择敏感的干旱探测因子，有助于掌握干旱对植被的影响规律、理解植被对干旱胁迫的响应过程和机理。本研究以日光诱导叶绿素荧光（SIF）数据和标准化降水蒸散发指数（SPEI）为基础，利用最大相关系数法分析中国区域内2000−2018年生长季植被光合对气象干旱的响应，比较不同干旱梯度、不同植被对干旱响应的敏感性以及SPEI响应时间尺度的变化特征。结果表明：（1）SIF与SPEI具有很好的相关性，显著正相关的面积达到75.05%，主要分布在东北、西南和青藏高原地区，且大部分地区对SPEI的响应时间尺度以中短期为主。（2）SIF在春季对SPEI显著相关的区域占比最少，夏季达到最高，秋季又略有下降。对干旱响应的时间尺度在春季以短期为主，而夏季响应时间尺度长的区域较春季有所增加。（3）半干旱区对干旱的敏感性最强，干旱区最弱，不同气候区对干旱的响应时间尺度均以短期为主。（4）研究所选植被类型均能较早地对干旱做出响应，其中，草地对干旱最敏感，林地和农田相对较弱，阔叶林比针叶林对干旱更敏感。研究结果表明在不同干旱梯度和不同植被类型下SIF均能快速反映环境胁迫对植被光合作用的影响。

日光诱导叶绿素荧光；气象干旱；标准化降水蒸散发指数；植被对干旱的响应

干旱是世界范围内最常见、最复杂的气象灾害，20世纪90年代末以来，全球气候变化以及东亚季风的持续减弱导致中国各地干旱灾害频发[1−3]。2004− 2015年干旱造成的直接经济损失平均每年超过640亿元，2019年西南、华北、东北和西北地区也发生了较重的区域性干旱事件[4]。未来随着全球变暖的加剧，干旱事件的频率和强度可能会随之增加[5]，频繁的干旱会引起水资源短缺和土地荒漠化，进而对植被的光合固碳造成影响，在一定程度上削弱陆地生态系统的碳汇功能[6]。因此，开展植被对干旱响应的监测、评估与预测等研究对深入理解陆气相互作用的机理具有重大意义。

根据发生原因的不同，可将干旱分为大气干旱、土壤干旱和生理干旱，目前普遍使用干旱指数来描述大气干旱。常用的干旱指数有帕尔默干旱指数（Palmer Drought Severity Index, PDSI）[7]、标准化降水指数（Standardized Precipitaion Index, SPI）、标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index, SPEI）[8]及可自定义的干旱强度指数、水分亏缺指数等。其中，SPEI由降水和潜在蒸散（PET）的差值计算得来，该指数结合了PDSI对蒸散的敏感性以及SPI适合多尺度、多空间比较的优点[9]，能够全面监测全球变暖背景下干旱的变化特征，因此本研究选用SPEI作为衡量干旱程度的指标。

由降水不足引起的大气干旱会对土壤、植被、径流和地下水产生不同程度的影响，继而引起农业干旱和生态系统干旱[10]。植物遭受干旱胁迫会引发水分亏缺，产生渗透胁迫，进而影响植物的生长发育以及作物产量，严重时还会导致植物死亡。国内许多学者针对局部区域尺度开展植被对干旱响应的研究，在黄土高原[11−12]、内蒙古[13]、东北[14]、西北[15]等地区的研究结果均揭示了干旱对植被生产力的显著影响，但局部尺度的研究不利于认识植被受气候变化影响的宏观格局，而且植被对干旱的响应十分复杂，与植被类型[16−17]、干湿环境和干旱的时间尺度[18]密切相关。为进一步理解不同气候区和不同类型植被对干旱响应的差异，越来越多学者在大尺度范围内开展植被对干旱响应的研究[16−18]。

传统的遥感植被指数如归一化植被指数（Normalized Differential Vegetation Index，NDVI）、增强植被指数（Enhanced Vegetation Index，EVI）已被广泛用于大规模的植被干旱监测，分析干旱对植被的影响[16,19]。但是上述指数表征的是植被的绿度和冠层结构，与植被光合作用缺乏直接的联系，当植被遭受水分胁迫时，无法及时反映出由干旱胁迫等引起的植被光合作用的短期变化，有田间试验表明，当植被受到短期严重干旱胁迫时，NDVI仍保持较高水平，有明显的滞后现象[20]。选择敏感的指示因子探测植被对干旱的响应有利于及早掌握植被受干旱影响的情况，帮助理解植被对干旱胁迫的响应过程，大量研究证明日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）能够快速反映水分胁迫对植被生理生长状况的影响[21−22]。

SIF是植物在光合作用过程中，捕获光量子之后的叶绿素处于激发态时释放的红光和远红光波段的光信号，与植被光合速率直接相关，是植被光合作用的“伴生产物”。SIF具有极佳的干旱动态监测潜力[23]，比传统植被指数有更大的优势，已经成为遥感监测植被环境胁迫的全新手段[24]，但是有研究发现，不同植被类型的SIF信息对干旱事件的响应情况存在差异[25]。随着遥感技术的进步，现已有一系列成熟的SIF产品，目前主要的卫星SIF数据有GOME-2、TanSat、OCO-2、OCO-3以及TROPOMI等，但是以上卫星SIF产品不能同时保证高空间分辨率和空间连续性，新一代的TROPOMI虽有较好的时空分辨率，但发射时间较晚，导致时间序列短，在干旱监测方面的应用受限。GOSIF是将OCO-2探测到的离散SIF、中分辨率成像光谱仪（MODIS）遥感数据和气象再分析数据集成后开发出的具有更高空间分辨率、全球连续覆盖的长时间序列SIF数据[26]，兼具了时间序列长和空间分辨率高的优势，可用来开展植被对干旱响应的研究。

本研究基于卫星遥感集成的SIF数据和表征气象干旱强度的SPEI数据，分析中国典型植被对干旱响应的敏感性及响应时间尺度特征，包括植被对干旱响应的空间特征和季节变化，不同干旱梯度下植被对干旱的响应特征以及不同植被类型对干旱的响应特征，旨在加深植被对干旱响应过程的理解，探究SIF捕捉短期干旱对植被光合影响的潜力。

1 资料与方法

1.1 数据及其来源

Li等[26]基于OCO-2 SIF（日光诱导叶绿素荧光）数据，结合MODIS的遥感数据和气象再分析数据开发了高空间分辨率、空间连续的长时间序列GOSIF数据，该数据的分辨率为0.05°×0.05°，使用2000− 2018年中国区域的GOSIF月尺度产品（http:// globalecology .unh.edu），为了匹配SPEI数据的空间分辨率，被重采样为0.5°×0.5°。

SPEI指数（标准化降水蒸散发指数）是Vicente- Serrano等基于降水和潜在蒸散提出的[8]，通过构造气象水循环来描述累积的水分缺失或盈余，从而反映干旱强度。SPEI数据集来自气候研究委员会（Climate Research Unit，网址：http://hdl.handle.net/ 10261/202305），空间分辨率为0.5°×0.5°。参照曹银轩等的方法[11]，选取1～12个月时间尺度的SPEI，分别记作SPEI01-SPEI12，不同时间尺度的SPEI代表了不同长度的干旱累积。

土地覆盖数据来源于欧洲航空航天局的CCI LC PUG v2数据集，该数据集源自气候变化倡议的第二期项目，空间分辨率为300m。主要选取了常绿阔叶林（Evergreen Broad-leaved Forests, EBF）、常绿针叶林（Evergreen Needle-leaved Forests, ENF）、落叶阔叶林（Deciduous Broad-leaved Forest, DBF）、落叶针叶林（Deciduous Needle-leaved Forest, DNF）、草地（Grassland, GRA）以及农田（Cropland, CRO）（图1）6种植被类型，为了与SPEI数据的空间分辨率保持一致，重采样到0.5°×0.5°。

干湿气候区划分数据来源于中国科学院资源环境科学与数据中心的中国生态地理分区图，该数据包含了温度带、干湿地区和自然区的划分。主要使用干湿状况的划分结果（图1），将该区划图中的湿润/半湿润地区划分为半湿润地区，干湿状况基于年干燥度指数（AI）划分，根据联合国环境规划署（UNEP）提出的标准格式，AI被定义为年均降水量和年潜在蒸散量的比值，被广泛应用于气候区和气候类型的划分，划分标准见表1。

图1 2018年土地覆盖数据和基于AI的气候干湿状况区划结果

注：A1为干旱区，A2为半干旱区，A3为半湿润区，A4为湿润区。

Note: A1 represents arid area, A2 represents semi-arid area, A3 represents semi-humid area and A4 represents humid area.

1.2 研究方法

利用Pearson相关系数分析生长季SIF与1～12个月时间尺度SPEI的关系，其中，SPEI01指当月干旱指数，SPEI02是指当月和前一个月干旱指数的累积值，SPEI03是指当月和前两个月干旱指数的累积值，以此类推，数值越大代表干旱累积效应越长，最长选取到12个月，即SPEI12。

表1 基于年干燥度指数（AI）的气候干湿区域划分指标

注：该表参考中国科学院资源环境科学与数据中心中国生态地理分区图的表3干湿状况的划分指标。

Notes：This table is quotedfrom table 3 division index of dry and wet conditions in China's ecological geographical zoning map of resources and environment science and data center.

将生长季进一步细化为春季、夏季和秋季，基于前人的研究将生长季定义为4−10月，春季为4−5月，夏季为6−8月，秋季为9−10月[27]。首先逐月计算SIF与各时间尺度SPEI指数的相关系数（式1），利用P值对相关系数进行显著性检验（P<0.05），显著相关的像元数占总像元数的比例为显著性面积占比，其次，根据春季、夏季和秋季的定义将月尺度的相关系数进行最大值合成（式2），分析季节尺度SIF与不同时间尺度SPEI的相关性，将4−10月所有的相关系数进行最大值合成视为年尺度，相关系数最大时对应的SPEI时间尺度定义为响应时间尺度。不同气候区和不同植被类型的平均最大相关系数和SPEI响应时间尺度的占比均基于年尺度进行统计分析。

式中，Rij表示某像元第i月SIF值与第j个月SPEI值的相关系数，i的范围为4～10，j的范围为1～12，Rmax表示该像元在不同季节或年内所有Rij的最大值。

2 结果与分析

2.1 年尺度和季节尺度植被光合对气象干旱的响应

2.1.1 年尺度SIF与SPEI的最大相关系数及响应时间尺度

根据最大相关系数的定义，将生长季的SIF与SPEI的相关系数进行最大值合成，结果见图2。

图2 各像元4−10月植被SIF值与不同时间尺度SPEI相关系数最大值的分布（2000−2018年数据，0.5°×0.5°）

由图可知，全国75.05%的区域植被SIF与SPEI呈显著正相关，显著正相关的区域主要分布在东北地区、青藏高原和西南地区，最大相关系数在0.45～0.86，平均最大相关系数为0.50。植被SIF对干旱较敏感的区域主要分布在黑龙江中西部和甘肃中部地区，年尺度的最大相关系数在新疆西部存在小部分的负相关，相关系数在−0.02～0.11。大部分地区植被SIF对干旱响应的时间尺度较短，1～3个月时间尺度的面积占比达到46.51%，且集中分布在湿润区，对SPEI的响应时间尺度为3～6个月的区域主要分布在青藏高原中部、青海部分地区以及西南地区，响应时间尺度较长的地区主要集中在黄淮海平原以及新疆北部（图3）。

2.1.2 季节尺度SIF与SPEI的最大相关系数及响应时间尺度

在不同季节，SIF对干旱的响应情况有较大的区别（图4a），春季、夏季和秋季的平均最大相关系数分别为0.32、0.43和0.41。春季通过显著性检验的面积占比为35.76%，夏季稍有增加，为46.31%，秋季较夏季稍有下降，为37.47%，夏季较春季增加的区域主要集中在东北地区、青藏高原地区和西南地区。不同季节SIF对干旱的响应时间尺度不同（图4b），总体上来看，春季、夏季和秋季的响应时间尺度以1～3个月为主，面积占比分别为41.88%、50.11%和47.94%，其次是10～12个月的面积占比较高，分别为春季（23.00%）、夏季（27.05%）、秋季（22.49%）。随着SPEI时间尺度的增加，不同季节的面积占比均呈现先减少后增加的趋势，春季在4～6个月时出现最低值，夏季和秋季则是在7～9个月时出现最低值。

图3 4−10月植被SIF与SPEI最大相关系数对应的SPEI尺度的空间分布

注：相关系数最大时对应的SPEI时间尺度定义为响应时间尺度。SPEI01指当月干旱指数，SPEI02是指当月和前一个月干旱指数的累积值，SPEI03是指当月和前两个月干旱指数的累加值，以此类推，数值越大代表干旱累积效应越长。最长选取到12个月，即SPEI12。SPEI01-03是指相关系数最大时对应的SPEI时间尺度为1～3个月，SPEI04-SPEI06是指相关系数最大时对应的SPEI时间为4～6个月，SPEI07-SPEI09和SEPI10-SPEI12同上。

Note: The SPEI time scale corresponding to the maximum correlation coefficient is defined as the response time scale. SPEI01 refers to the drought index of the current month, SPEI02 means the cumulative value of the drought index of the current month and the previous month, and SPEI03 is the cumulative value of the drought index of the current month and the previous two months. By analogy, the larger the value, the longer the cumulative effect of drought. The maximum selection is 12 months, namely SPEI12. SPEI01-03 means that the SPEI time scale corresponding to the maximum correlation coefficient is 1-3 months; SPEI04-SPEI06 means that the SPEI time scale corresponding to the maximum correlation coefficient is 4−6 months; SPEI07-SPEI09 and SEPI10-SPEI12 are the same as above.

2.2 不同气候区植被光合对气象干旱的响应

由图5可见，在不同气候区，SIF对SPEI的敏感性不同，干旱区与SPEI的相关性最弱，平均最大相关系数为0.42，半干旱、半湿润区和湿润区的平均最大相关系数较为接近，分别为0.51、0.50和0.50，不同气候区SIF与SPEI显著正相关的面积占比很接近，分别为72.31%、70.58%、76.99%和77.49%。干旱区最大相关系数小于0.35的区域主要分布在新疆西部地区，其他地区最大相关系数较大，最高可达0.82，半干旱区最大相关系数较大的区域集中分布在西藏中部、青海东部及西部地区，内蒙古地区较小。半湿润地区最大相关系数较大的区域主要分布在东北及河北大部分地区，最大相关系数较小的区域主要集中在河南省和四川省等地，湿润区最大相关系数的空间分布较分散，其中东北北部地区及西南部分区域最大相关系数较大。

不同气候区对干旱的响应时间尺度以1～6个月为主，干旱、半干旱、半湿润和湿润区1～6个月尺度面积占比分别为64.99%、56.43%、54.70%和69.27%，其次响应时间尺度集中在10～12个月（图5b）。结合图3来看，干旱区响应时间尺度较短的区域主要是草地分布区，而在新疆泰加林地区响应时间尺度为10～12个月，半干旱区响应时间尺度较短的区域主要在内蒙古草地区，响应时间尺度较长的区域主要分布在青藏高原地区。半湿润区除青藏高原地区外多农田分布，农田对干旱的响应时间尺度较长，草地的响应时间尺度相对较短，湿润区响应时间尺度较长的主要集中在林地。

2.3 不同类型植被光合对气象干旱的响应

由图6a可见，草地对干旱的敏感性最强，林地和农田对干旱的敏感性相对较弱，结合图1和图2可知，草地SIF与SPEI大部分呈显著正相关，面积占比为71.26%，平均最大相关系数为0.51，对干旱敏感性强的区域主要集中在西藏中部、青海南部、甘肃和宁夏等地，而内蒙古、新疆和四川地区草地对干旱的敏感性较弱。半干旱区草地SIF与SPEI的平均最大相关系数最大为0.47，干旱区域较弱，为0.43。草地对干旱的响应时间尺度以1～3个月为主，其次是10～12个月，农田对干旱的响应时间尺度与草地相似。结合图3来看，内蒙古大部分区域、黄土高原和新疆地区的草地SIF对干旱的响应时间尺度较短，集中在1～3个月，响应时间尺度较长的地区主要集中在西藏中部、青海省南部及东部地区。农田响应时间尺度较长的区域集中分布在河北，其他地区农田与干旱的响应时间尺度相对较短。

图4 季节尺度SIF与不同时间尺度SPEI的最大相关系数及其通过0.05水平显著性检验的像元面积占比（a），季节尺度最大相关系数对应的SPEI尺度的像元面积占比（b）

图5 不同气候区植被SIF与不同时间尺度SPEI的最大相关系数（a）及最大相关系数对应的SPEI尺度的像元面积占比（b）

按照不同森林类型来分析林地对干旱的响应，常绿阔叶林对干旱的敏感性最强，而常绿针叶林最弱。林地SIF与SPEI的最大相关系数在0.05～0.79，显著正相关的面积占比为71.55%，相关性较强的林地主要分布在内蒙古、黑龙江、云南和广西地区，较弱的主要分布在东南部、甘肃和四川地区。不同森林类型的SIF对干旱的响应时间尺度不同，森林中1～3个月的响应时间尺度占比最高，其次是10～12个月（图6b），响应时间尺度较长的区域主要分布在东北地区的部分落叶林和西南地区的常绿林中，辽宁、吉林东部、黑龙江北部以及东南沿海地区林地响应时间尺度较短。

3 结论与讨论

3.1 讨论

植被响应干旱的机制十分复杂，Damm等研究表明，植物应对干旱时在短期内主要是气孔导度、光合作用的变化，中期主要通过色素分解或改变叶片含水量来适应干旱[28]。SIF是光合作用过程中的伴生产物，相比于传统的植被指数，SIF能更直接反应植被的光合和生理过程[22,29]。本研究表明SIF具有评估干旱胁迫对植被光合作用影响的潜力[11,23]，从空间分布上看，东北地区、青藏高原地区和西南地区SIF与SPEI呈显著正相关。侯鑫等的研究也证明了大兴安岭地区和西南地区的森林对干旱较敏感[30]，青藏高原地区多为草地，草地根系较短，对干旱较敏感[16,31]。

图6 不同植被类型的SIF与不同时间尺度SPEI的最大相关系数（a）及最大相关系数对应的SPEI尺度的像元面积占比（b）

研究发现，在生长季的不同季节，植被SIF对SPEI的响应情况不同，在生长季前期干旱对植被显著影响的区域占比较小，生长季中期占比最大，后期稍有下降，这与曹银轩等的研究结果一致[11,14]。有研究表明，温度和太阳辐射是中国北方春季植被生长的主要气候驱动因子[32]，在一些高海拔、高纬度地区（如东北地区和青藏高原地区）气温较低，不能满足植被生长的需求。夏季干旱对植被生长的影响更显著[33]，夏季温度升高，大部分植物生长所需的积温得到了满足，温度不再是限制植物生长的主要因子，况且温度升高加剧了潜在蒸发，提高了植被用水的需求，导致植被对水分更加敏感。进入秋季，植被大都到了生长末期，对干旱的敏感性有所下降，此时植被生长变缓，北方落叶树种已经陆续进入落叶期，植被的叶绿素含量明显减少，干旱对植被的影响不明显。

中国地形复杂多样，植被类型丰富，在不同的气候区植被对干旱的响应还受地形、植被类型、温度等因素的影响[34]。不同气候区SIF对SPEI的响应情况有很大差别，半干旱区植被对干旱的敏感性最强，干旱区最弱，刘洋洋等对中国草地NDVI与SPEI关系的研究也证实了这一点[31]。湿润区和半湿润区差别不大，干旱区的植被由于长期缺水，形成了适应干旱的各种生理特征以抵御干旱，因此干旱对干旱区植被光合的影响较小[18]。相比之下，半干旱区和半湿润区植被对干旱更加敏感，该地区主要以草地、农田、荒漠植被和落叶林为主，因为植被根系较短，主要以土壤表层水维持生存，导致对干旱比较敏感。袁先雷等的研究表明湿润地区干旱对植被生长的影响较小，但其研究局限于新疆地区[35]，本研究中湿润区植被对干旱较敏感，可能由于本研究中湿润区包括的区域更大，植被类型更加复杂，且近年南方地区干旱的频度和强度明显增加，研究表明西南地区的植被SIF对干旱较敏感[29]，该地区植被分布以森林为主，森林的复杂冠层结构会导致对SIF数据的低估，因此湿润区SIF对干旱的响应情况有待进一步探讨。

本研究主要分析了草地、林地和农田，总体来看，与其他学者的研究结果一致[11,18,36]，草地对干旱的敏感性最强，林地和农田较弱。史晓亮等发现草地与SPEI01的相关性最强[29]，说明草地对短期干旱较敏感，但本研究中青藏高原地区，草地对SPEI12的响应较好，Wu等研究发现，草地对干旱响应的最大滞后约为1a[37]，这主要由于青藏高原地区冰川积雪的融化，为植被提供了更多的水分，缓解了干旱的影响[31,18]。林地对干旱响应的最大滞后长达4a[37]，一般来说林地根系较发达，主要靠吸收深层地下水维持生长，而降水补充地下水需要一定的时间，因此，林地对干旱的响应时间更长[38]。此外不同林地类型对干旱的响应也有所区别，由于植被所处的地形不同，温度和辐射等因素对其产生了影响，针叶树种和阔叶树种对抗干旱的机制也有所不同，Liu等研究发现，阔叶林比针叶林对干旱更加敏感[39]，Li等研究也发现，裸子植物具有更强的干旱抵抗力[40]，但是SIF数据受植被冠层结构的影响，在林地中有较多的损失，因此林地对干旱响应的研究还有待深入进行。相比于南方地区，北方农业干旱更加频繁[41]，灌溉、施肥、收获等管理措施一定程度上缓解了干旱对农田的影响[42]。

总体来看，本研究结果表明在不同的气候区和不同植被类型中植被SIF能够快速反应植被光合对干旱的响应，且SIF与SPEI的最大相关系数和响应时间尺度的空间分布特征与其他学者的研究结果基本一致。但研究过程中仍存在一些不足，本研究中使用的SPEI数据空间分辨率较低，而土地覆盖数据精度高达300m，空间分辨率的巨大差异在分析不同植被类型对干旱响应的过程中可能会产生误差，且本研究默认研究时期内土地覆盖分布没有发生变化，但实际上气候变化和人类活动会改变植被的分布状况，这可能对研究结果有一定影响。GOSIF数据是基于OCO-2 SIF观测数据、MODIS数据、气象再分析数据开发而来的，并不是直接观测的SIF数据，该数据产品存在一定的不确定性，未来更高时空分辨率的SIF观测数据如OCO-3、TROPOMI、Tansat等将有助于更好地对植被干旱进行动态监测，理解区域尺度植被光合对干旱的响应机制。

3.2 结论

（1）SIF与气象干旱指标SPEI有很好的相关性，显著正相关的区域主要分布在东北、西南和青藏高原地区，且大部分地区植被SIF对干旱响应的时间尺度以中短期为主，研究结果表明，SIF能够迅速反应干旱对植被光合的影响。

（2）在生长季的不同季节，SIF对SPEI的敏感性存在差异，春季SIF对SPEI显著相关的区域占比最少，夏季达到最高，秋季略有下降，且不同季节对干旱的响应时间尺度存在差别，春季对干旱响应的时间尺度以短期为主，夏季响应时间尺度较长的区域较春季有所增加。

（3）在不同气候区SIF对SPEI的响应存在区别，半干旱区对干旱的敏感性最强，干旱区最弱，半湿润和湿润区差别不大，且响应的时间尺度均以短期为主。

（4）草地对干旱最敏感，林地和农田相对较弱，阔叶林比针叶林对干旱更加敏感，不同植被类型的响应时间尺度均以SPEI01-03为主，草地中响应时间尺度较长的区域主要分布在西藏中部和青海等以冰川、冻土为主的区域，农田对干旱的响应时间尺度受人类活动影响较大。

[1] 杨睿,耿广坡,周洪奎,等.基于SPEI_PM指数的渭河流域气象干旱时空演变特征[J].中国农业气象,2021,42 (11):962-974.

Yang R,Geng G P,Zhou H K,et al.Spatial-temporal evolution of meteorological drought in the Wei River Basin based on SPEI_PM[J].Chinese Journal of Agrometeorolgy, 2021,42 (11):962-974.(in Chinese)

[2] 黄浩,张勃,马尚谦,等.甘肃河东地区气象干旱时空变化及干旱危险性分析[J].中国农业气象,2020,41(7):459-469. Huang H,Zhang B,Ma S Q,et al.Temporal and spatial variations of meteorological drought and drought risk analysis in Hedong area of Gansu province[J].Chinese Journal of Agrometeorolgy,2020,41(7):459-469.(in Chinese)

[3] 廖要明,张存杰.基于MCI的中国干旱时空分布及灾情变化特征[J].气象, 2017,43(11):1402-1409.

Liao Y M,Zhang C J.Spatio-temporal distribution characteristics and disaster change of drought in China based on meteorological drought composite index[J]. Meteorological Monthly,2017,43(11):1402-1409.(in Chinese)

[4] Zhang X,Duan Y W,Duan J P,et al.A daily drought index based on evapotranspiration and its application in regional drought analyses[J].Science China(Earth Sciences),2022,65 (2):317-336.

[5] Sergio M.V,Fernando D C,Tim R.M,et al.Global characterization of hydrological and meteorological droughts under future climate change: The importance of timescales, vegetation-CO2feedbacks and changes to distribution functions[J]. International Journal of Climatology, 2019,40(5):2557-2567.

[6] Hagedorn F,Joseph J,Peter M,et al.Recovery of trees from drought depends on belowgroung sink control[J].Nature Plants,2016,2(8):16111.

[7] Palmer W C.Meteorological drought[M].Washington,D C: US Department of Commerce,Weather Bureau,1965．

[8] Vicente-Serrano S M,Beguería S,López-Moreno. A multiscalar drought index sensitive to global warming:the standardized precipitation evapotranspiration index[J].Journal of Climate,2010,23:1696-1718.

[9] 吴志勇,程丹丹,何海,等.综合干旱指数研究进展[J].水资源保护,2021,37(1):36-45.

Wu Z Y,Cheng D D,He H,et al.Research progress of composite drought index[J].Water Resources Protection, 2021, 37(1):36-45.(in Chinese)

[10] 马明卫,韩宇平,严登华,张小丽.特大干旱事件灾害孕育机理及影响研究进展[J].水资源保护,2020,36(5):11-21.

Ma M W,Han Y P,Yan D H,et al.Research progress on the mechanism and influence of extreme drought -induced disasters[J].Water Resources Protection,2020,36(5):11-21. (in Chinese)

[11] 曹银轩,黄卓,徐喜娟,等.黄土高原植被日光诱导叶绿素荧光对气象干旱的响应[J/OL].应用生态学报,2022:1-11. Cao Y X,Huang Z,Xu X J,et al.Responses of solar-induced chlorophyll fluorescence to meteorological drought across the Loess Plateau,China[J/OL].Chinese Journal of Applied Ecology,2022:1-11.(in Chinese)

[12] 史尚渝,王飞,金凯,等.黄土高原地区植被指数对干旱变化的响应[J].干旱气象,2020,38(1):1-13.

Shi S Y,Wang F,Jin K,et al.Response of vegetation index to meteorological drought over Loess Plateau[J].Journal of Arid Meteorology,2020,38(1):1-13.(in Chinese)

[13] 康振山,张莎,白雲,等.内蒙古草地净初级生产力时空变化及其对干旱的响应[J].草地学报,2021,29(1):156-165.

Kang Z S,Zhang S,Bai Y,et al.Spatio-temporal changes of grassland Net Primary Productivity(NPP) in Inner Mongolia and its response to drought[J].Acta Agrestia Sinica,2021,29(1):156-165.(in Chinese)

[14] 罗新兰,李英歌,殷红,等.东北地区植被NDVI对不同时间尺度SPEI的响应[J].生态学杂志,2020,39(2):412-421.

Luo X L,Li Y G,Yin H,et al.Response of NDVI to SPEI at different temporal scales in Northeast China[J].Chinese Journal of Ecology,2020,39(2):412-421.(in Chinese)

[15] 姜田亮,粟晓玲,郭盛明,等.西北地区植被耗水量的时空变化规律及其对气象干旱的响应[J].水利学报,2021,52(2): 229-240.

Jiang T L,Su X L,Guo S M,et al.Spatiotemporal variation of vegetation water consumption and its response to meteorological drought in Northwest China[J].Journal of Hydraulic Engineering,2021,52(2):229- 240.(in Chinese)

[16] 孔冬冬,张强,顾西辉,等.植被对不同时间尺度干旱事件的响应特征及成因分析[J].生态学报,2016,36(24): 7908-7918.

Kong D D,Zhang Q,Gu X H,et al.Vegetation responses to drought at different time scales in China[J].Acta Ecologica Sinica,2016,36(24): 7908-7918.(in Chinese)

[17] 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.Response of gross primary production to drought under climate change in different vegetation regions of China[J]. Acta Ecologica Sinica,2022,42(8):3429-3440.(in Chinese)

[18] Sun S,Du W,Song Z,et al.Response of gross primary productivity to drought time-scales across China[J].Journal of Geophysical Research:Biogeosciences,2021,126(4): e2020JG005953.

[19] 杨思遥,孟丹,李小娟,等.华北地区2001-2014年植被变化对SPEI气象干旱指数多尺度的响应[J].生态学报, 2018,38(3):1028- 1039.

Yang S Y,Meng D,Li X J,et al.Multi-scale responses of vegetation changes relative to the SPEI meteorological drought index in North China in 2001-2014[J].Acta Ecologica Sinica,2018,38(3):1028-1039.(in Chinese)

[20] Liu L,Yang X,Zhou H,et al.Evaluating the utility of solar-induced chlorophyll fluorescence for drought monitoring by comparison with NDVI derived from wheat canopy[J].Science of the Total Environment,2018,625: 1208-1217.

[21] Wang S H,Huang C P,Zhang L F,et al.Monitoring and assessing the 2012 drought in the great plains:analyzing satellite-retrieved solar-induced chlorophyll fluorescence drought indices and gross primary production[J].Remote Sensing,2016,8(2):61.

[22] 王冉,刘志刚,杨沛琦.植物日光诱导叶绿素荧光的遥感原理及研究进展[J].地球科学进展,2012,27(11):1221-1228.

Wang R,Liu Z G,Yang P Q.Principle and progress in remote sensing of vegetation solar-induced chlorophyll fluorescence [J]Advances in Earth Science,2012,27(11):1221-1228.(in Chinese)

[23] Sun Y,Fu R,Dickinson R,et al.Drought onset mechanisms revealed by satellite solar-induced chlorophyll fluorescence: insights from two contrasting extreme events[J].Journal of Geophysical Research:Biogeosciences,2016,120(11):2427- 2440.

[24] Lee J E,Frankenberg C,Tol C,et al.Forest productivity and water stress in Amazonia:observations from GOSAT chlorophyll fluorescence[J].Proceedings of the Royal Society B: Biological Sciences,2013,280:20130171.

[25] Jiao W Z,Chen Q,Wang L X.The Sensiticity of satellite solar-induced chlorophyll fluorescence to meteorological drought[J]. Earths Future, 2021,7(5):558-573.

[26] Li X,Xiao J.A global,0.05-degree product of solar-induced chlorophyll fluorescence derived from OCO-2,MODIS,and reanalysis data[J].Remote Sensing,2019(11):517.

[27] 赵杰,杜自强,武志涛,等.中国温带昼夜增温的季节性变化及其对植被动态的影响[J].地理学报,2018,73(3): 395-404.

Zhao J,Du Z Q,Wu Z T,et al.Seasonal variations of day- and nighttime warming and their effects on vegetation dynamics in China's temperate zone[J].Acta Geographica Sinica,2018,73(3):395-404.(in Chinese)

[28] Damm A,Cogliati S,Colombo R,et al.Response times of remote sensing measured sun-induced chlorophyll fluorescence, surface temperature and vegetation indices to evolving soil water limitation in a crop canopy[J].Remote Sensing of Environment, 2022,273:112957.

[29] 史晓亮,吴梦月,丁皓.SPEI和植被遥感信息监测西南地区干旱差异分析[J].农业机械学报,2020,51(12):184-192. Shi X L,Wu M Y,Ding H.Difference analysis of SPEI and vegetation remote sensing information in drought monitoring in Southwest China[J].Transactions of the Chinese Society for Agricultural Machinery,2020,51(12): 184-192.(in Chinese)

[30] 侯鑫,赵杰,赵洪飞,等.2003-2018年干旱对中国森林绿度异常的影响[J].中国环境科学,2022,42(1):336-344.

Hou X,Zhao J,Zhao H F,et al.Drought effects on forest greenness anomalies in China from 2003 to 2018[J].China Environmental Science,2022,42(1):336-344.(in Chinese)

[31] 刘洋洋,任涵玉,呼天明,等.中国草地NDVI时空动态对多尺度干旱的响应[J].水土保持研究,2022,29(1):153-161.

Liu Y Y,Ren H Y,Hu T M,et al.Spatiotemporal dynamics of NDVI of grassland and its response to multi-scale drought in China[J].Research of Soil and Water Conservation, 2022,29(1):153-161.(in Chinese)

[32] Xu H J,Wang X P,Yang T B.Trend shifts in satellite-derived vegetation growth in Central Eurasia,1982-2013[J].Science of the Total Environment,2017,579:1658-1674.

[33] Hua T,Wang X M,Zhang C X,et al.Response of vegetation activity to drought in northern China[J].Land Degradation & Development,2017,28(7):1913-1921.

[34] 刘静,温仲明,刚成诚.黄土高原不同植被覆被类型NDVI对气候变化的响应[J].生态学报,2020,40(2):678-691.

Liu J,Wen Z M,Gang C C.Normalized difference vegetation index of different vegetation cover types and its responses to climate change in the Loess Plateau[J].Acta Ecologica Sinica,2020,40(2):678-691.(in Chinese)

[35] 袁先雷,彭志潮,刘雪宁.新疆地区植被对多时间尺度干旱的响应研究[J].沙漠与绿洲气象,2021,15(3):129-136.

Yuan X L,Peng Z C,Liu X N.Different time-scale responses of vegetation to the SPEI drought index in Xinjiang[J].Desert and Oasis Meteorology,2021,15(3):129- 136.(in Chinese)

[36] Xu H J,Wang X P,Zhao C Y,et al.Diverse responses of vegetation growth to meteorological drought across climate zones and land biomes in northern China from 1981 to 2014[J].Agricultural and Forest Meteorology,2018,262: 1-13.

[37] Wu X,Liu H,Li X,et al.Differentiating drought legacy effects on vegetation growth over the temperate Northern Hemisphere[J].Global Change Biology,2018,24:504-516.

[38] Anderegg W R,Schwalm C,Biondi F,et al.Pervasive drought legacies in forest ecosystems and their implications for carbon cycle models[J].Science,2015, 349:528-532.

[39] Liu G,Liu H,Yin Y.Global patterns of NDVI-indicated vegetation extremes and their sensitivity to climate extremes[J]. Environmental Research Letters,2013,8(2): 279-288.

[40] Li X,Piao S,Wang K,et al.Temporal trade-off between gymnosperm resistance and resilience increases forest sensitivity to extreme drought[J].Nature Ecology & Evolution,2020,4(8):1075-1083.

[41] 赵海燕,张文千,邹旭恺,等.气候变化背景下中国农业干旱时空变化特征分析[J].中国农业气象,2021,42(1):69-79.

Zhao H Y,Zhang W Q,Zou X K,et al.Temporal and spatial characteristics of drought in China under climate change[J].Chinese Journal of Agrometeorology,2021,42 (1):69-79.(in Chinese)

[42] Deng X P,Shan L,Zhang H,et al.Improving agricultural water use efficiency in arid and semiarid areas of China[J].Agricultural Water Management,2006,80:23-40.

Detecting Response of Vegetation Photosynthesis to Meteorological Drought Based on Solar-Induced Chlorophyll Fluorescence

QI Xiao-wen1, MIAO Chen2, WANG He-song1,3

(1. School of Ecology and Nature Conservation, Beijing Forestry University, Beijing 100083, China; 2. National Remote Sensing Center of China, Beijing 100036; 3. College of Forestry and Landscape Architecture, Xinjiang Agricultural University, Urumqi, 830052)

Drought is the most common and complex meteorological disaster in the world, which weakens the carbon sink function of terrestrial ecosystem. Exploring the response of vegetation to drought and choosing sensitive factors for drought detection will be helpful to obtain the impact of drought on vegetation and to understand the response process and the mechanism of vegetation to drought stress. Based on the Solar-Induced chlorophyll Fluorescence (SIF) and the standardized precipitation evapotranspiration index (SPEI), a maximum correlation coefficient method was used to investigate the response of vegetation photosynthesis to meteorological drought in China during the growing season from 2000 to 2018. Sensitivity and response time scale of vegetation to drought was compared for different drought levels and different vegetation types. The results showed that: (1) about 75.05% of total areas of China had a significant positive correlation between SIF and SPEI. These areas were mainly distributed in the northeast, southwest and Qinghai Tibet Plateau of China. The response time scale of most regions to SPEI was mainly medium and short term. (2) The proportion of SIF to SPEI was the lowest in spring, the highest in summer, and slightly decreased in autumn. The response time scale to drought was mainly short-term in spring, while the region with long response time scale in summer was increased compared with in spring. (3) The semi-arid region was the most sensitive to drought, while the arid region was the weakest. The response time scale of different climatic regions to drought was mainly short-term. (4) The selected vegetation types responded to drought in a short time scale. Grassland was the most sensitive to drought, while woodland and cropland were relatively weak. Besides, broad-leaved forest was more sensitive to drought than coniferous forest. The results showed that under different drought gradients and different vegetation types, SIF could quickly reflect the impact of environmental stress on vegetation photosynthesis.

Solar-induced chlorophyll fluorescence (SIF); Meteorological drought; Standardized precipitation evapotranspiration index (SPEI); Response of vegetation to drought

10.3969/j.issn.1000-6362.2023.02.005

齐晓雯,苗晨,王鹤松.基于日光诱导叶绿素荧光探测植被光合对气象干旱的响应[J].中国农业气象,2023,44(2):133-143

收稿日期：2022−03−15

国家自然科学基金项目（42265012；31770765）

通讯作者：王鹤松，教授，研究方向为全球变化生态学，E-mail: wanghs119@126.com

齐晓雯，E-mail: 1023946458@qq.com