黄河流域植被对土壤水分亏缺的敏感性及影响因素分析

黄 强，郭雯雯，黄生志，李 沛，冷昱霖

（西安理工大学西北旱区生态水利国家重点实验室，陕西西安 710048）

植被作为陆地生态系统的重要组成部分，其生长状况及变化对区域生态环境具有重要指示作用。 植被通过光合作用固定有机碳，在抵消CO2排放和减缓全球变暖方面具有不可替代的作用。 叶面积指数（LAI）是表征叶片疏密程度和冠层结构特征的一种植被指数，同时是表征土壤、植被和大气之间物质和能量交换的重要结构参数，可以表征植被的生长状态［1-2］。

受气候变化及人类活动影响，黄河流域生态环境脆弱，针对黄河流域植被时空变化及其与气象因子之间关系的研究较多［3-5］。 研究表明，近年来黄河流域植被面积呈增大趋势［6-7］；王志慧等［8］研究发现，黄土高原58.6%的区域LAI 呈显著增大趋势，且LAI 增大集中在皇甫川、窟野河、无定河和延河区域；任天晨等［5］分析1982—2020 年黄河流域归一化植被指数（NDVI）发现，黄河流域植被面积整体呈增大趋势，且温度和土地利用变化对植被的影响大于降水和地形的；QIN 等［9］评估LAI 对不同影响因子的敏感性发现，温度植被干旱指数和植被水分利用效率对黄河流域LAI 的影响比较大；兰志洋等［10］基于因果网络分析发现，黄河流域LAI 变化受气候要素（降水和气温等）的影响大于社会经济和土地利用要素的；李晴晴等［4］研究发现，季节尺度上，四季气温对植被覆盖的贡献均大于降水和太阳辐射的。 黄河流域土壤湿度呈减小趋势，由土壤水分亏缺导致的干旱频率和强度呈上升态势，水分条件不足制约着植被生长发育［11-12］。 目前对黄河流域植被时空变化的研究较多，而关于黄河流域植被对土壤水分亏缺敏感性响应的差异及归因分析研究较少。 土壤水分对植被生长至关重要，土壤水分长期亏缺将减少植被根区可用水量，制约植被生理活动，进而影响植被的结构和功能，最终影响陆地生态系统的稳定性［13-15］。 因此，在气候变化背景下，研究黄河流域LAI 对土壤水分亏缺的敏感性，明确敏感性变化的主要驱动因子，对流域生态环境保护和高质量发展具有重要意义。 本文以黄河流域为研究对象，基于1982—2018 年GLASS LAI 数据和气象数据，分析黄河流域LAI 对土壤水分的响应特征及敏感性，并探讨影响敏感性变化的主导因素，以期为应对水分胁迫和黄河流域生态保护提供依据。

1 研究数据与方法

1.1 数据来源

本研究采用1982—2018 年长时间序列叶面积指数（GLASS LAI，http：／／www.glass.umd.edu／Download.html）衡量植被状态，该数据集时间分辨率为8 d，空间分辨率为0.05°×0.05°。 采用的根区土壤水（SM）和净短波辐射（Swnet）数据来自全球陆地数据同化系统（GLDAS，https：／／disc.gsfc.nasa.gov／datasets？ keywords ＝GLDAS＆page ＝1），空间分辨率为0. 25° × 0. 25°。1982—2018 年逐月降水量（Pre）、逐月气温（Tmp）、月潜在蒸散发（Pet）和饱和水汽压数据来自于英国东英吉利大学气候研究中心（CRU TS v4.05），空间分辨率为0.5°×0.5°，其中气温和饱和水汽压数据用来计算饱和水汽压差（Vpd）。 植被光合有效辐射吸收系数（Fapar）数据集来源于GLASS（http：／／www.glass.umd.edu／FAPAR／AVHRR），空间分辨率为0.05°×0.05°。 为保证空间分辨率的一致性，采用最大值合成法得到月值LAI 和Fapar 数据集，LAI、Fapar、SM 和Swnet 均被重采样至0.5°×0.5°的空间分辨率。

1.2 研究方法

1.2.1标准化土壤湿度指数

选取适当的分布函数（伽马分布、正态分布、对数正态分布、指数分布、威布尔分布、广义极值分布）对黄河流域内各栅格SM 时间序列进行拟合。 根据K-S检验及均方根误差最小准则，选取各栅格的最优分布函数计算各栅格SM 序列的累积概率，并对累积分布函数进行类似标准化降水指数（SPI）的标准化处理，得到标准化土壤湿度指数（SSI）。 对于不符合上述分布的少数栅格，采用GPP 算法计算SM 的边缘概率［16］，并在标准正态分布基础上转化得到非参数的标准化土壤湿度指数。 为评估植被对不同程度土壤水分亏缺的敏感性，对SSI 进行分级：轻度胁迫，-1＜SSI≤-0.5；中度胁迫，-1.5＜SSI≤-1；重度胁迫，-2＜SSI≤-1.5；极端胁迫，SSI≤-2。

1.2.2Mann-Kendall 趋势检验

采用Mann-Kendall 趋势检验法分析LAI 逐月变化。 Mann-Kendall 趋势检验是一种非参数检验方法，其优点是样本序列不需要遵循特定的分布，常用于检验变量时间序列的趋势［17］。 具体原理如下：

式中：xi、xj分别为第i、j时间序列LAI；S为统计量；n为序列的长度；Z为检验统计量，Z＞0 表明序列呈上升趋势，Z＜0 表明序列呈下降趋势，｜Z｜≥1.96 说明序列变化趋势通过95%显著性检验。

1.2.3敏感性分析

为了研究不同程度土壤水分亏缺对植被损失的影响，同时减少季节性和其他因素的影响，对逐月LAI 序列去除线性趋势。 植被损失定义为去趋势LAI 低于-0.5倍标准差（-0.5SD）［18］。 例如，选取1982—2018年1 月LAI 序列，去除该序列线性趋势，计算标准差，当去趋势LAI 低于-0.5SD 时，则发生植被损失。

由于地理位置、降水分布以及植被类型等不同，因此土壤水分亏缺对植被产生的影响通常存在一定滞后性。 采用最大Spearman 相关系数确定去趋势LAI 和不同时间尺度SSI 的最佳响应时间，并采用Copula 函数构造对应尺度SSI 与去趋势LAI 序列的最优联合分布。 根据确定好的联合分布函数计算植被损失在不同程度土壤水分亏缺（轻度、中度、重度和极端）情景下的概率，用条件概率的大小表示植被对土壤水分的敏感性。 其中，不同土壤水分亏缺时植被损失的条件概率为

式中：lai为植被损失，u1和u2分别为SSI 的上限和下限，FSSI，LAI为两变量的联合分布，FSSI为SSI 的边缘分布。

1.2.4影响因素重要性

随机森林模型是Breiman［19］提出的基于分类树的机器学习算法，具有对多重共线性不敏感、不需要对数据进行预处理的优点。 本研究采用随机森林回归算法，探究黄河流域各月LAI 对土壤水分胁迫敏感的主导因素，选取Pre、Pet、Tmp、Fapar、Swnet 和Vpd 等因素进行分析。 构建敏感性与影响因素之间的随机森林回归模型，采用网格寻优方法确定最优参数，基于优化参数建立模型来识别驱动因素对敏感性的响应，得到影响因素的重要性评分，并进一步量化影响因素的相对重要性。

2 研究结果

2.1 LAI 趋势变化

统计黄河流域1982—2018 年各月LAI 年际变化趋势（见图1）发现，各月LAI 均呈增大趋势，表明黄河流域植被状况整体趋于改善。 其中，6—8 月LAI 增大趋势显著（p＜0.05，通过95%显著性检验）），线性倾向率分别为0.139／10 a、0.171／10 a 和0.165／10 a。 6—8月LAI 最大值分别为1.543、1.948、1.992，最小值分别为0.886、1.183、1.250，多年平均值分别为0.911、1.611、1.664。

图1 黄河流域1982—2018 年各月LAI 年际变化

对黄河流域1982—2018 年各月LAI 序列进行Mann-Kendall 趋势检验，结果见图2。 4 月LAI 呈增大趋势的区域占比增大，5 月LAI 显著增大（p＜0.05）的区域占比最大，达92.40%，且植树造林重点区增幅最大。 1—3 月、11—12 月LAI 变化趋势的空间分布相似，在黄河流域中部的陕西北部和山西部分区域LAI呈减小趋势，内蒙古和黄河下游区域LAI 则呈增大趋势。 总体来看，在植被生长季（4—10 月），研究区LAI整体呈显著增大趋势，其中植树造林重点区LAI 的增大趋势最为显著。

图2 黄河流域1982—2018 年各月LAI 趋势检验结果

2.2 响应时间

本研究采用最大Spearman 相关系数确定去趋势LAI 和不同时间尺度SSI 的最佳响应时间，以便更好确定植被状态和土壤水分亏缺之间的关系。 对于每个栅格点，将各月去趋势LAI 序列与多时间尺度SSI 序列（1—12 月）进行相关性分析，最大相关系数对应的SSI 时间尺度确定为该月植被对SSI 的响应时间。

各月最大相关系数及其响应时间见图3。 5—10月相关系数逐渐增大且流域内大多数区域LAI 与SSI正相关，正相关系数高值区位于宁夏、陕西北部及内蒙古东部。 相较于其他几个月份，5—8 月响应时间短，平均响应时间分别为4.60、3.10、3.33、4.46 个月。 较强的相关性与较短的响应时间表明，5—8 月植被对土壤水分亏缺的变化敏感。 其他月份存在更长的响应时间和更明显的空间异质性，说明土壤水分变化对植被作用慢，植被对土壤水分亏缺影响的抵抗力强。 在较冷月份黄河流域中部的陕西北部以及内蒙古南部LAI与SSI 负相关。

图3 去趋势LAI 与SSI 相关系数及响应时间

2.3 敏感性及影响因素分析

根据匹配的植被状态和土壤水分亏缺序列，逐月分析发生土壤水分亏缺时，植被对不同程度土壤水分亏缺的敏感性，即不同程度土壤水分胁迫发生时植被损失的概率。 当去趋势LAI 低于-0.5SD 时，植被发生损失，植被损失在不同土壤水分亏缺程度的概率见表1、图4。 从表1 可以看出，相同月份，随着土壤水分胁迫程度的加剧，植被损失概率增大。 同一土壤水分亏缺程度下，6—10 月植被对土壤水分的敏感性较高。其中：6 月发生中、重、极端胁迫时植被损失概率均值最大，分别为48.59%、54.60%、60.00%。

表1 黄河流域不同土壤水分亏缺程度时植被损失概率均值%

图4 不同土壤水分亏缺程度时植被损失发生概率

从不同程度土壤水分胁迫下植被损失概率的空间分布看，1—3 月以及12 月植被损失概率的高值区位于黄河上游，说明黄河上游在该时段内植被对土壤水分亏缺的敏感性高。 4—11 月，随着温度的升高，植被损失概率高值区逐渐扩大且东移，黄河流域内蒙古东北部、宁夏和陕西北部是植被损失概率的高值区，这些地区植被在土壤水分胁迫发生时的易损性更高。 综合来看，6 月和7 月植被受土壤水分亏缺的影响最大，重度胁迫发生时6 月和7 月植被损失概率的最大值分别为89.59%和96.38%，极端胁迫发生时植被损失概率的最大值分别达97.86%和98.74%。

为进一步探析各月植被损失概率受哪种因素主导，采用随机森林回归模型分析重度胁迫和极端胁迫两种情景下影响因素的相对重要性，结果见图5。 重度胁迫情景下，1—3 月和12 月植被对土壤水分亏缺的敏感性受Tmp 主导，说明在寒冷季节植被生长对温度变化极其敏感。 4 月和9—11 月植被对土壤水分亏缺敏感性的主导因素为Fapar，5 月主导因素为Pre，6—8 月则主要受Pet 的影响。 极端胁迫情景下植被对土壤水分亏缺敏感性的主导因素相对重要性与重度胁迫情景相比存在略微差异，但与重度胁迫情景下的影响因素排序类似。 以重度胁迫情景为例分析发现，1—3 月第二和第三影响因素分别是Fapar 和Pre，4 月第二和第三影响因素分别是Pre 和Tmp，5 月第二和第三影响因素分别为Tmp 和Pet，6—8 月第二影响因素为Pre，9 月和11 月第二和第三影响因素分别是Tmp和Pre，10 月第二和第三影响因素分别是Pre 和Vpd，12 月第二和第三影响因素分别是Swnet 和Fapar。 综上所述，植被损失对土壤水分亏缺的敏感性在较冷月份主要受Tmp 影响，在夏季主要受Pet 和Pre 控制，在秋季受Fapar 影响最大。

图5 两种土壤水分胁迫情景下敏感性影响因素的相对重要性

2.4 讨论

研究表明，气候变暖背景下，土壤水分胁迫在一定程度上使得植被光合作用减弱和气孔关闭，影响植被碳的合成进而对植被产生不利影响［20-22］。 本文研究发现，在寒冷月份（1—3 月与12 月）植被生长主要受温度影响。 该阶段植被对土壤水分亏缺的响应慢，由于气温低，植被的生理活动不活跃，对水分需求低，气温的变化更能增强植被光合作用，因此LAI 呈增大趋势。 随着气温升高，植被进入生长季，植被冠层水分蒸散发量增大，对水分的需求增大，尤其是6—8 月，植被对土壤水分的响应时间短，潜在蒸散发主导植被对土壤水分的敏感性，该阶段较强植被蒸腾作用使土壤水分不断消耗。 当土壤水分低于阈值时，植被受水分胁迫的约束增大，这时土壤水分供应不足将显著减弱植被光合作用。

研究发现，黄河流域1982—2018 年LAI 呈增大趋势，与李晴晴等［4］研究黄河流域植被呈增加态势的结果一致，说明黄河流域生态建设工程的实施在水土流失治理和防治生态系统退化等方面取得了显著成效。然而，有研究发现随着植被覆盖的增加，植被的蒸腾作用增强，区域耗散水量增加，进而影响区域土壤水分和地表干燥程度，造成土层干燥，反过来抑制了植被生长，不利于黄河流域生态环境可持续发展［9，23-24］。

黄河流域水资源短缺，生态环境脆弱。 尽管生态恢复措施在一定程度上改善了区域植被生长状况，但高植被覆盖地区生长季的耗散水量可能会加剧水分限制地区的水资源供需矛盾，不利于区域生态可持续发展。 因此，在进行生态保护时应合理规划，因地制宜，在受水分限制严重的地区应避免过度植树造林。

3 结论

以黄河流域为研究对象，基于1982—2018 年土壤湿度数据计算了标准化土壤湿度指数SSI，通过Copula函数和条件概率，根据植被损失，分析了植被叶面积指数LAI 对不同程度土壤水分亏缺的敏感性。 在此基础上，分析了植被对土壤水分胁迫敏感的主导因素。 主要结论如下：在植被生长季（4—10 月），各月LAI 整体呈显著增大趋势，其中植树造林重点区LAI 的增大趋势最为显著；黄河流域大部分区域去趋势LAI 与SSI正相关，5—8 月LAI 对SSI 的响应时间短，平均响应时间分别为4.60、3.10、3.33、4.46 个月；相同植被损失条件下，随着土壤水分胁迫程度加剧，植被损失概率增大；同一土壤水分亏缺条件下，6—10 月植被对土壤水分的敏感性高；1—3 月、12 月植被受土壤水分胁迫的敏感性高值区位于黄河上游，4—11 月植被易受损失区域位于内蒙古东北部、宁夏和陕西北部；1—3 月和12 月植被对土壤水分亏缺的敏感性受Tmp 主导，4 月和9—11 月敏感性主导因素为Fapar，6—8 月敏感性主导因素为Pet。