中国不同植被区对极端气候的响应差异

吴欣宇,朱秀芳1,,*

1 北京师范大学遥感科学国家重点实验室,北京 100875 2 北京师范大学地理科学学部,北京 100875

#本研究尚缺中国港澳台气象数据。

在全球气候变暖加剧的背景下,更严重、更频繁发生的极端气候事件为全球各地区带来日趋严重的风险[1]。极端气候所具有的变异性、突发性、破坏性使得其比气候平均态有更强的威胁[2],对陆地生态系统造成持久、严重且不可恢复的破坏[3]。植被作为连接陆地生态系统各要素的关键,在气候调节、生物多样性保护等生态服务中至关重要[4-5]。极端气候与植被之间的关系是国际社会普遍关注的重大科学问题。

关于极端气候与植被关系的研究大致可以分为两类:基于极端气候事件的分析和基于极端指数的分析。前者识别发生的极端气候事件,例如干旱、暴雨等,进而分析极端事件对植被生态系统的影响[6-7]。这类研究往往聚焦在单种的极端事件类型上,少数同时考虑两种或多种极端气候事件类型(比如高温干旱)。后者往往同时分析各类极端气候指标和植被生长的关系,例如植被指数与极端气候指数的相关性[8-9]。该类方法便于比较和评价不同极端气候对植被影响的程度,然而相关分析无法捕捉植被与极端气候之间的非线性复杂关系。

从研究尺度上看,各国学者在全球尺度[10-13]、国家尺度[14-16]和区域尺度[17-19]均展开了植被对气候因子变化的响应研究,而国内在进行植被对极端气候响应分析时,大多基于区域尺度,集中于中国局部地区或流域,例如针对陕西省[5]、内蒙古[20]、沿海地区[21]、黄土高原[22]等区域。不同区域的研究均表明,气候对植被生长与覆盖变化有重要意义[23-24],但受植被类型、土壤等因素的影响,植被的具体响应机制具有区域差异和特征[25]。中国地形地貌复杂,气候类型多样,具有多种植被类型,不同植被与气候的关系复杂且时空异质性大[26],有必要分区理清影响不同区域植被生长的主导极端气候。然而,总体来说,目前在全国尺度的研究较少,不同区域之间的对比分析不足。

在分区探究植被变化及其驱动因素时,以往研究常常根据不同植被覆盖类型[27-28]或生态地理分区[29-30]对区域进行划分,探究不同区域的植被对气候的响应。然而,不同植被类型在空间上是不连续的,同一像元在不同年份的植被类型可能发生变化,需要长时间序列的每年的高精度的植被类型图作为基础数据。生态地理分区是基于地理地带分异规律并根据非生物与生物要素进行划分的,其划分方式可能造成同一植被类型在不同区域重复出现,从而缩小不同区域植被对气候的响应差异性。相比之下,植被分区是空间上完整、连续和不重复出现的植被类型或其组合的地理单位,区内部具有相对一致的植被类型。根据我国植被区划数据将全国划分为多个植被区进行研究,既考虑了不同植被类型对气候的响应差异,又降低了对长时间序列高质量植被类型图的依赖。以植被区划的视角探讨我国范围内极端气候与植被之间的关系、深入研究不同植被区植被对极端气候的响应,可以为地区植被的开发利用、经营保护和极端气候应对措施的制定等提供理论支撑,对促进生态保护、推进可持续发展具有重要意义[31]。

基于上述考虑,本文以不同植被区为分析单元,基于长期历史观测气候数据、卫星遥感的归一化差异植被指数(NDVI)数据等,分析2001-2020年我国植被NDVI与极端气候指数的时空变化特征,探讨不同极端气候指数与植被NDVI的关系,研究各植被区的植被对极端气候的响应特征与响应差异性。

1 研究区及数据获取

1.1 研究区域

本文研究区为中国(73°33′E-135°05′E,3°51′N-53°33′N)地区。中国水热条件的时空差异明显,气候类型复杂多样。根据中国科学院资源环境科学数据中心提供的植被区划数据,将研究区域分为8个植被区(图1),包括寒温带针叶林区(I),温带针叶、落叶阔叶混交林区(II),暖温带落叶阔叶林区(III),亚热带常绿阔叶林区(IV),热带季风雨林、雨林区(V),温带草原区(VI),温带荒漠区(VII)和青藏高原高寒植被区(VIII)。

图1 中国植被区划分和植被分布Fig.1 Vegetation regions and vegetation distribution in China

1.2 数据来源与预处理

土地利用覆盖数据来源于美国国家航空航天局(NASA)提供的土地覆盖类型产品(MCD12Q1)。选取2001-2020年的土地利用覆盖数据,将其中植被区域的交集作为本文所研究的植被区域(图1),从而保证研究区域的一致性。

归一化植被指数NDVI数据来源于NASA提供的2001-2020年NDVI栅格数据(MOD13A1),空间分辨率为500米,时间分辨率为16天。本文利用全年的NDVI数据,逐像元计算每年NDVI最大值即NDVImax,得到各植被像元逐年NDVImax数据。和NDVI平均值相比,NDVI最大值可以移除大部分云、大气等因素的影响,能够较好地表示地表植被覆盖状况[32]。

气象数据来源于中国气象局国家气候中心建立的一套0.25°分辨率的长时间序列格点化数据集CN05.1[33]。本文通过2001-2020年数据中的日平均气温、最高和最低气温、降水数据,计算出27个极端气候指数[34-35](表1),并基于年尺度,计算各像元的各极端气候指数,得到像元尺度的27个极端气候指数的时间序列。这些指数不仅能够对极端气候事件的不同方面进行表征,而且其稳健性较好、显著性较强、噪声较低,在国内外关于极端气候事件的变化特征研究中得到了广泛应用[19]。

表1 极端气候指数Table 1 Extreme climate indicators

2 研究方法

2.1 趋势分析

本文采用Theil-Sen Median斜率估计和Mann-Kendall趋势检验结合的方法分析NDVImax和极端气候指数的时空变化趋势。Theil-Sen median是一种稳健的非参数统计的趋势计算方法,能够降低噪声对斜率的干扰,同时能够较好地规避离散数据和测量误差的影响,常用于长时间序列数据的趋势分析中[36]。Mann-Kendall检验可以计算时间序列变化的显著性,能够一定程度上避免离群值影响,适用于长时间序列的趋势检验和分析,已被广泛用于检测气象和水文序列的非参数统计[37-38]。

2.2 去趋势处理

植被NDVI的变化受到气候因素和人类活动的共同影响。去趋势处理可以去除长期趋势,从而得到更加平稳的时间序列,对于研究变量波动性有重要意义。为了减少人类活动对植被NDVI的影响,本文采用去趋势化方法对每个植被区的NDVImax数据进行处理[39]。该方法在一定程度上可以将气候因素对植被的影响与非气候因素的影响解耦,适用于研究植被与气候因子之间的关系[40]。对每个植被区的NDVImax时间序列进行线性趋势去除:

ytTr=α0+α1t

(1)

ytD=yt-ytTr

(2)

式中,α0和α1分别是NDVImax与时间序列线性拟合的截距和斜率,t为研究期内的时序数据,ytTr为经过线性拟合得到的NDVImax序列,yt为植被区NDVImax的实际值,ytD为去除了线性趋势的序列数据。

2.3 相关分析

Pearson相关系数表示两个变量之间的相关性,可以用来表征植被NDVImax与极端气候指数间的线性相关关系。本文将NDVImax数据聚合至0.25°分辨率后,在两个尺度(植被区内逐栅格和逐植被区)计算了NDVImax与各极端气候指数的Pearson相关关系,并进行显著性检验。

2.4 随机森林重要性排序

随机森林回归模型可以基于决策树以变量重要性评分来评价各个自变量对因变量的影响程度,是一种集成学习算法[41]。本文通过随机森林重要性排序的方法,以均方误差增加的百分比表示植被区中各极端气候指数的重要程度并对其进行排序,以评估每个极端气候指数对植被NDVImax的影响。在同一植被区中,均方误差增加的百分比数值越大,表示该极端气候指数对NDVImax的影响越大;不同植被区的均方误差增加的百分比数值没有可比性。

3 结果分析

3.1 植被NDVI的时空格局分析

2001-2020年研究区NDVImax的均值空间分布和整体趋势如图2、图3所示。研究区植被NDVImax自东南向西北逐渐减少,其中II区多年平均NDVImax最高,为0.88,而VIII区最低,为0.44。在各植被区中,I区多年平均NDVImax的方差最小,仅为0.0007,相比之下VIII区方差最大,为0.0448,表明VIII区植被生长状况整体较差且在区域内部存在比较大的差异。另外,全国和各植被区的NDVImax均呈显著上升趋势,其中全国的增长速率为0.027/10a。呈增加趋势的栅格占整个研究区总栅格数量的59.75%,其中显著增加的占32.62%,大多分布在中部、东北部和南部地区。呈减少趋势的栅格占总栅格数量的11.47%,其中显著减少的仅占1.66%。各植被区中,NDVImax增加最为明显的为II区,而VIII区的增加趋势最弱。整体而言,我国超过一半的植被区域的植被生长状况得到改善,各植被区NDVImax均呈增长趋势,其中II区植被改善最为明显。

图2 2001-2020年NDVImax的空间分布与年际变化Fig.2 The spatial distribution and interannual variation trend of NDVImax from 2001 to 2020

图3 2001-2020年NDVImax的趋势空间分布及各植被区不同趋势的像元个数占总像元的比例Fig.3 The spatial distribution of NDVImax variation trend, and the proportion of pixels with different NDVImax variation trends to the total number of pixels in different vegetation regions of the study area from 2001 to 2020

3.2 极端气候指数的变化趋势分析

3.2.1极端气温指数的变化趋势分析

由图4可知,表征高温的SU、TR、TX90p、TN90p、TNx等指数在研究区内多呈增加趋势,其中TN90p的增加趋势最为明显,呈显著增加趋势的栅格数量占41.42%,主要分布于II区、IV区、VIII区,表明这些区域的夜间温度升高显著,暖夜日数明显增加。表征低温的FD、TN10p、CSDI在研究区内多呈减少趋势,其中FD呈显著减少的栅格数量占比为16.35%,主要分布于VIII区和IV区西北部,表明这些地区的霜冻天数减少。其余低温指数的变化趋势大多未通过显著性检验。除II区、III区外,其余植被区的气温日较差DTR大多呈减少趋势。总体而言,大多极端高温指数在研究区内呈明显升高趋势,部分极端低温指数呈下降趋势,整个研究区处于变暖状态,其中III区、IV区南部变暖较为明显,VIII区夜间温度明显上升。

图4 极端气温指数变化趋势Fig.4 Variation trends in extreme temperature indicatorsFD:霜冻天数;SU:夏季天数;ID:结冰天数;TR:热夜天数;TX10p:冷昼日数;TN10p:冷夜日数;TX90p:暖昼日数;TN90p:暖夜日数;TXx:最高高温;TNx:最高低温;TXn:最低高温;TNn:最低低温;GSL:生长季节长度;WSDI:温暖时间持续指数;CSDI:寒冷时间持续指数;DTR:每日温度范围

3.2.2极端降水指数的变化趋势分析

由图5可知,表征降水量的Rx1day、Rx5day、SDII、R95pTOT、R99pTOT、PRCPTOT均在研究区东北部和中部地区呈增加趋势,在西部呈减少趋势。表征降水日数的R10mm、R20mm、R25mm在东南部地区大多呈增加趋势,其中显著增加的栅格数量占比分别为17.69%、7.49%、5.04%,表明极端降雨日数增多。CDD在东南部地区呈减少趋势,表明东南部的最大干旱持续时长减少,即降水频率增加,而CWD的变化趋势则与CDD相反。综上,除CDD之外,各极端降水指数的空间变化趋势相对一致,均显示研究区降水量和降水频率在东部增加、西南部减少。

图5 极端降水指数变化趋势Fig.5 Change trends of extreme precipitation indicatorsRx1day:最大1日降水量;Rx5day:最大5日降水量;SDII:简单降水强度指数;R95pTOT:年降水量(95p);R99pTOT:年降水量(99p);PRCPTOT:年降水量(总量);R10mm:降水日数(10mm);R20mm:降水日数(20mm);R25mm:降水日数(25mm);CWD:最大湿润持续时长;CDD:最大干旱持续时间

3.3 植被NDVI对极端气候的响应

3.3.1植被NDVI与极端气候指数的相关性

通过极端气温指数与各植被区的相关分析(图6和图7)可知,总体而言,极端高温指数SU、TX90p、TXx、TNx与植被NDVImax相关性较高的区域大多集中分布在VI区且为负相关,表明极端高温的发生对VI区植被造成不利影响,另外,部分极端低温指数,如FD、TN10p,与IV区南部存在较为明显的负相关关系。具体来说,在I区,植被NDVImax与SU、TXx、TX90p、WSDI等极端高温指数呈显著正相关关系,其中,与WSDI相关性最高,相关系数为0.656。I区纬度较高,气温较低,极端高温的发生在一定程度上为植被生长提供了热量条件,从而促进植被NDVImax提高。在II区,TNx与植被NDVImax呈正相关关系且相关性最高,这表明最高低温的增加有利于II区植被生长。另外,与I区相比,气温对II区植被生长的限制已大大减弱。在III区,植被NDVImax与TXx、TX90p、WSDI等极端高温指数呈负相关关系,其中与WSDI相关性最强,相关系数为-0.426,表明部分极端高温的发生对III区植被生长起一定的制约作用。在IV区,植被NDVImax与极端气温指数的相关性较低,表明温度对IV区植被的影响较弱。在V区,植被NDVImax与TNn相关性最强且呈正相关,相关系数为0.404。在VI区,植被NDVImax与TXx、TX90p、WSDI等极端高温指数呈显著负相关,其中与TXx相关性最强,相关系数-0.605。VI区水分条件较差,极端高温事件会造成土壤水分蒸发,引发干旱,对植被生长造成不利影响。在VII区,植被NDVImax与TN90p相关性最强,相关系数为0.586。VII区暖夜日数的增加,即夜间温度的升高,能够促进荒漠植被的生长[42]。在VIII区,植被NDVImax与TN90p呈显著正相关,与FD呈显著负相关,表明暖夜日数的增加和霜冻日数的减少都对植被NDVI的增加起到积极影响。

图6 极端气温指数与NDVImax的相关性的空间分布Fig.6 Spatial distribution of correlation between extreme temperature index and NDVImax

图7 极端气温指数与各植被区NDVImax的相关性Fig.7 Correlation between extreme temperature indicators and NDVImax in each vegetation region*代表显著性水平P<0.05

通过极端降水指数与各植被区的相关分析(图8和图9)可知,总体来看,除CDD、CWD外,其余极端降水指数与中国北方地区植被NDVImax的相关性较强,其中与VI区呈显著正相关,表明极端降水对北方地区影响较大且在一定程度上有利于VI区植被的生长。具体来说,在I区,除CDD之外,植被NDVImax与极端降水指数均呈负相关关系,其中,与R10mm负相关性最强,相关系数为-0.430。I区植被生长主要受温度制约,而极端降水可能会造成温度进一步降低等不利影响,进而限制植被生长。在II区,植被NDVImax与极端降水指数相关性较弱。在III区,植被NDVImax与极端降水指数多呈正相关关系,其中,与SDII相关性最强,相关系数为0.621,而与CDD呈负相关。极端降水能够为III区提供植物生长所需的水分,促进植被生长。在IV区,植被NDVImax与极端降水指数多呈正相关关系,其中与SDII相关性最强,表明极端降水在一定程度上有利于IV区植被生长。在V区,植被NDVImax与Rx5day、R99pTOT呈负相关关系。在VI区,植被NDVImax与极端降水指数均呈较强正相关关系,其中,与R10mm相关性最强,相关系数为0.620。VI区水分条件较差,极端降水有利于VI区植被NDVI的提高。在VII区,植被NDVImax与极端降水指数多呈较强正相关关系,与CDD呈负相关。VII区气候干旱,降水稀少,水分为植被覆盖变化的主要影响因素,极端降水可以缓解当地水资源匮乏的状况。在VIII区,植被NDVImax与R95pTOT、PRCPTOT呈正相关,即强降水量和年降水总量的增加对VIII区植被生长具有一定的正效应。

3.3.2极端气候指数对不同植被区植被NDVI的影响

本文通过随机森林重要性排序法,以均方误差增加的百分比表示27个极端气候指数对NDVImax影响的相对大小程度并进行排序,结果如图10所示。对于研究区整体而言,SDII对NDVImax的影响最大,即降水量的增加有利于我国植被NDVImax整体的增加。在I区,WSDI对植被NDVImax的影响最大,SU、TXx次之,表明对于气温相对偏低的I区来说,WSDI等暖指数的增加为植被创造了更良好的生长条件。在II区,TNx、DTR、GSL等极端气温指数对植被NDVImax影响较大。在III区,SDII、R10mm、R20mm对植被NDVImax影响最大,即极端降水指数的增加对植被生长具有一定的正效应。在IV区,SDII、TX10p、R99pTOT等极端降水指数对植被NDVImax影响最大。在V区,TNx对植被NDVImax的影响最大,GSL、TNn次之。在VI区,TXx对植被NDVImax的影响最大,WSDI、R99pTOT次之。在VII区,PRCPTOT、R99pTOT、R95pTOT对植被NDVImax的影响最大,表明年降水总量等降水量指数的增加能够缓解VII区干旱少雨的情况,对植被生长提供一定水分从而有利于植被NDVImax的增加。在VIII区,ID、R99pTOT、TN90p对植被NDVImax的影响最大。

图10 基于随机森林的极端气候指数重要性排序Fig.10 Importance ranking of extreme climate index based on random forest

4 讨论

4.1 与已有研究结果的对比

通过对我国NDVImax时空变化分析发现,我国植被NDVImax呈上升趋势,其中III区西北部与VI区南部NDVImax存在显著的上升趋势,这与以往研究所发现的黄土高原NDVI显著增加的结果一致[43-44]。极端气温指数中,TN90p的变化趋势最为显著,其变化趋势表明我国超过40%的地区的暖夜日数呈显著增加趋势,与以往发现的全球70%陆地呈暖夜日数持续增加的结论[35]相符。任正果等[45]对我国南方地区极端降水事件的研究结果表明,极端降水指数变化具有一致性且在我国南方地区呈增加趋势,这一发现与本文中降水指数变化的研究结果十分吻合。

与其他区域相比,极端气候指数尤其是极端降水指数与VI区NDVImax存在最强的相关关系。VI区NDVImax与表征高温的指数多呈负相关,与表征降水的指数多呈较强正相关,表明极端高温制约了VI区植被生长,而降水的增加则对其产生有利影响,这与许旭等[46]发现的内蒙古温带草原生长季平均盖度与降水呈显著正相关性的结果相符。另外,Guo等[47]通过对东亚东北部植被与极端气候关系的分析发现,该地区植被对受降水影响显著,极端降水对该地区东部植被起抑制作用、有利于中西部植被生长,这一结论与本研究中极端降水指数与NDVImax关系的研究结果一致,表明我国北方地区植被对极端降水的响应较为敏感。

4.2 研究特色

植被对气候的响应具有区域差异性,分区进行植被的响应研究能更好反映植被与气候的关系。以往的研究或根据不同的植被覆盖类型[27-28],或基于生态地理分区[29-30]等来进行划分。而植被区划既考虑了植被本身的特点和空间分布的规律性,又能充分指示植被与环境的关系。因此,本文使用我国植被区划数据,将全国划分为8个植被区,探究各植被区对极端气候的响应差异。

在植被NDVI与极端气候指数的关系研究方面,以往研究多使用相关分析来评估植被对气候的响应[47],而本文将相关分析和随机森林重要性排序两种方法的结果进行对比,进而发现植被与极端气候之间更复杂的响应关系。对比结果发现,二者之间存在一定的异同点。在I区、II区、III区和IV区,两种方法得出的对NDVImax影响最大的极端气候指数相同,分别为WSDI、TNx、SDII、SDII。而在V区、VI区、VII区和VIII区,二者得出的对NDVImax影响最大的极端气候指数则存在差异。相关分析结果显示与上述四个植被区NDVImax相关性最高的极端指数分别是Rx5day、R10mm、R99pTOT和TN90p,而随机森林的结果则显示为TNx、TXx、PRCPTOT和ID。由于皮尔逊相关只能反映变量间的线性关系,无法捕捉和描绘变量间复杂的非线性关系,因此可以看出TNx、TXx、PRCPTOT和ID和植被NDVImax之间不是简单的线性关系,而是存在更复杂的非相关性关系。相比I区、II区、III区和IV区,极端气候指数和NDVImax之间的关系在V区、VI区、VII区和VIII区更复杂。

4.3 研究不足

本文仍然存在一些不足之处。首先,植被NDVI在植被覆盖度较高的地区容易出现过饱和现象,该现象可能对热带季风雨林、雨林区域(V)等区域NDVImax的变化趋势以及对极端气候响应的结果造成影响。因此,今后可选择适合表征热带地区植被覆盖的指数来进一步评估我国热带地区植被对极端气候的响应,例如增强型植被指数EVI[48]能够克服过饱和现象,利用EVI表征高植被覆盖度地区的植被生长状况并对植被生长进行监测。另外,植被NDVI的变化与多种因素有关。除气温和降水外,极端气候所带来的太阳辐射[49]等因素的变化也会对植被NDVI产生重要的影响。今后可综合考虑多种因素对植被NDVI的影响。

5 结论

本文以不同植被区为分析单元,通过趋势分析探讨2001-2020年我国植被NDVImax以及极端气候的时空变化基本特征,采用相关分析和随机森林重要性排序分析不同极端气候指数与植被NDVImax的关系,研究各植被区植被对极端气候的响应特征与响应差异性,得到以下结论:

(1)研究区及各植被区的NDVImax均呈显著上升趋势。研究区内NDVImax呈增加趋势的栅格数量占59.75%,其整体增长速率为0.027/10a。各植被区中,NDVImax增加最为明显的为II区,而VIII区的增加趋势最弱。

(2)极端高温指数在研究区内多呈明显的升高趋势,表明研究区整体处于变暖状态,其中III区、IV区南部变暖较为明显。除表示干旱的CDD外,极端降水指数大多在东部地区呈升高趋势,在西南部呈减少趋势,表明降水量和降水频率在东部增加、西南部减少。

(3)植被NDVImax对极端气候的响应具有空间差异。纬度较高的I区、II区对表征高温的指数较为敏感,表征降水的指数对III区、IV区的影响最大,气候相对干旱的VI区、VII区与降水指数呈显著正相关,VIII区与TN90p显著正相关、与FD显著负相关,表明VIII区植被对夜间温度较为敏感。

(4)相关分析与随机森林两种方法的结论在V区、VI区、VII区和VIII区中存在差异。相关分析结果显示在上述区域中与NDVImax相关性最高的极端指数分别是Rx5day、R10mm、R99pTOT和TN90p,而随机森林的结果为TNx、TXx、PRCPTOT和ID,说明在上述区域极端气候指数和NDVImax之间可能存在更加复杂的关系。