高寒气候区生长季NDVI与昼夜不对称增温的Copula分析

李忠良 何光鑫 李勋

摘要 利用1982—2016年的青海地区归一化植被指数和气象数据，基于马尔科夫链蒙特卡罗的Copula函数方法，深入探索昼夜增温不对称性与植被活动之间的复杂关系，揭示了昼夜增温和NDVI之间的联合概率分布及其季节性差异。研究结果表明，昼夜增温与NDVI之间的关系在不同季节呈现显著差异。尤其在秋季，昼夜增温对NDVI的影响最为显著，其次是夏季和春季。通过Copula函数模型，发现昼夜增温与NDVI在特定温度区间内呈现正相关，表明适宜的温度条件下昼夜增温对植被生长具有促进作用。然而，当昼夜增温超过某一阈值时，其对NDVI的促进作用转变为抑制作用，从而限制了植被的生长。同时，还揭示了重现期与昼夜增温及NDVI之间的关系。在较低的重现期下，昼夜增温与NDVI的联合概率较高，表明在这些条件下，植被生长良好的情况出现的频率较高。反之，较高的重现期对应于昼夜增温与NDVI较低的联合概率，表明植被生长受到抑制。本研究通过Copula函数提供了一个全新的视角来理解昼夜增温与植被动态之间的相互作用，强调了气温变化对植被生长影响的复杂性。

关键词昼夜增温;归一化植被指数（NDVI）;非对称性增温;Copula;重现期

气候变暖导致极端气候事件频发，使得陆地生态系统对全球变化的响应备受关注（Gong et al.，2017）。植被作为连接大气、土壤水分和能量循环的重要组成部分（Kalisa et al.，2019），通过生物物理和地球化学活动，在调节区域和全球气候变化中发挥重要作用（Chen et al.，2018）。归一化植被指数（Normalized Difference Vegetation Index，NDVI）作为表征地表植被生长状况的重要指标，是地表环境与气候变化的指示器。研究植被的动态变化及其对气候变化的响应，对于深入理解地表辐射平衡（Silva et al.，2017;Zhang et al.，2020）、碳氮循环（Del Grosso et al.，2018）、维持生态系统稳定性（Lu et al.，2019）以及动态监测陆地生态系统变化（He et al.，2017）等方面具有重要意义。温度作为控制植物生理活动的重要因素之一（Cong et al.，2017;Zhang H X et al.，2018），近几十年由于生长季温度升高导致北半球植被生态系统的光合作用能力增强更为显著（Wu et al.，2016;Reich et al.，2018;Park et al.，2019）。由于地理要素的复杂性以及气候要素间相互作用，全球变暖存在明显的不一致性（Davy et al.，2017），表现为昼夜增温速率非对称性和季节增温速率不一致性。生长季的气温变化与植被活动之间存在紧密联系（Piao et al.，2006;Kong et al.，2017），对植被的影响随着昼夜交替表现出时间上非一致性的特征。全球大部分地区夜间增温速率快于白天，季节上的增温也存在同样特征（Karl et al.，1993;Easterling et al.，1997;Davy et al.，2017;Barton and Schmitz，2018）。北半球高纬度地区夏季增温速率大于春季和秋季，这种非对称性变暖在未来几十年会持续增强（Su et al.，2015）。昼夜温度对植被生理活动的影响机制不同，其增温的非对称性对植被的影响程度不同，植被活动对温度的变化表现出不确定性（Shen et al.，2018;Deng et al.，2019），温度的变化特征如何影响植物的生理活动亟须进一步研究。

关于气候变化对植被影响的研究主要集中于气候的平均态对植被的影响（刘向培等，2015;Zhang Y L et al.，2018;Li et al.，2019;Meng et al.，2020）。气候变暖使得极端气候事件对NDVI的影响逐渐增强（Tan Z Q et al.，2015；Marcelino et al.，2020），温度极值对植被变化的影响具有区域差异性和多样性（Iglesias et al.，2012;Tan J G et al.，2015;Baumbach et al.，2017;Treharne et al.，2020）。多数学者基于传统线性方法研究气候因子与NDVI的相互作用关系，但此方法不能较好地反映时间序列的非平稳、非线性特征（Baumbach et al.，2017），在环境空间异质性较大的地区此问题更加凸显（Miller，2012）。

大多数植物的光合作用发生在白天，但呼吸作用昼夜持续进行，昼夜温度及其增温速率的不一致性对植被的生理活动的影响是不同的。近50年地表夜间增温速率为白天的1.4倍（Peng et al.，2013），昼夜增温速率的差异性使得植被的固碳活动也呈现出非对称性（Atkin et al.，2013）。昼夜增温通过影响植被生态系统的结构、功能和过程，加强了植被对昼夜增温速率不对称性的响应（Xia et al.，2018;Du et al.，2019;Ma et al.，2019a）。目前，关于昼夜增温速率不对称性对植被动态影响的研究较少（Xia et al.，2018），且忽略了季节的不一致性对植被的影响（Rossi and Isabel，2017;Wang et al.，2020），可能掩盖植被对昼夜增温响应的季节性差异。因此，昼夜增温的非对称性及其季节性差异对植被活动影响的研究仍然较为匮乏。

青海是我国生物物种形成和演化中心之一，是气候变化的“敏感区”和生态环境的“脆弱区”（Chang et al.，2018;Tang et al.，2018）。青海特殊的高原气候和环境，使得高原植被的变化能够比其他地区更快速地揭示全球气候变化。由于地理和社会环境的差异，不同地区植被覆盖动态变化特征有所不同。全球变暖加剧了区域的昼夜增温变化差异，由此使得植被对昼夜增温的响应在区域尺度上表现得更为明显。深入探讨高寒气候区域的植被对昼夜增温不对称性的响应，可以丰富全球变化的区域响应研究，对于了解区域生态环境的变化趋势，进而制定合理的生态环境保护政策和措施具有一定的参考价值。同时，有助于加深理解昼夜增温对农作物的作用机制，对于改进作物模型也提供了理论支撑。迄今为止，青海地区长时间尺度的植被动态变化及其对极端气候的响应尚不明确。本文应用Copula方法分析其NDVI时空动态变化，研究其对昼夜增温非对称性和季节性增温不一致性的响应，揭示了昼夜增温的非对称性对植被活动的控制机制，为深入理解地表水热过程及预测植被动态变化提供科学依据，对认识该地区生态系统演变、保护当地生态环境等具有重要意义。

1 研究区与研究方法

1.1 研究区概况

青海地处青藏高原东北部，位于89°35′～103°04′E、31°9′～39°19′N，是长江、黄河、澜沧江的发源地，享有“中华水塔”的美誉。地势由西向东呈阶梯型下降趋势，平均海拔3 000 m。青海省属高原大陆性气候，具有气温低、昼夜温差大、降雨少而集中、日照长、太阳辐射强等特点。年平均气温在-5.6～8.6 ℃，降水量从东南向西北递减，季节分配不均匀。受地形和气候条件限制，植被类型多以高寒灌丛、高寒草甸及高寒草原为主，荒漠和山地草原次之，森林植被则比较少。

1.2 数据及预处理

1.2.1 气象数据预处理

研究采用青海1982年1月1日—2016年12月31日的气温数据，包括最高气温和最低气温2个要素。根据气象数据时间序列长度，数据完整性（缺失值小于5％）和空间分布情况，选择青海省内气象站点。通过质量控制测试识别所有站点的异常值，并以质量控制标志进行标记。

根据青海省植被生长规律，将生长季时段内的4—5月、6—8月、9—10月分别划分为春季、夏季和秋季，大致对应植被从变绿到成熟，成熟到衰老，衰老到休眠3个生理过程（Tan J G et al.，2015）。考虑到大部分地区每日极端最高气温出现在14：00（北京时，下同）左右，而每日极端最低气温出现在日出前，因此分别将最高气温（Tmax）、最低气温（Tmin）作为昼夜温度。

1.2.2 NDVI数据预处理

NDVI数据的时间跨度为1982—2016年，分别采用AVHRR数据和MODIS数据。其中，AVHRR数据来自美国航空航天局戈达德太空中心，数据时间跨度为1982—2010年。MODIS地表反射率数据来自NASA MODIS陆地产品组开发的Terra卫星每日地表反射率产品MOD09GA，本研究使用了2010—2016年生长季（4—10月）MOD09GA地表反射率数据。

对于AVHRR数据，通过辐射定标、云检测与过滤、大气校正及双向反射率分布函数（BRDF）处理后生成逐日格网（5 km）数据集。对于MOD09GA数据，由于AVHRR NDVI和MODIS NDVI数据的空间分辨率不同，为了与LTDR数据时空相匹配，将MODIS 1-2波段地表反射率数据空间分辨率重采样为5 km。然后经过质量检验、图像镶嵌、子集提取、裁剪、格式和投影转换等预处理过程，得到MODIS NDVI数据集。这样就把AVHRR数据集的时间跨度延长为1982—2016年。为了尽可能消除每日NDVI图像中云或噪声的影响，通过最大合成法将LTDR和MODIS逐日NDVI分别合成为逐旬NDVI数据。

1.3 方法介绍

1.3.1 最大值合成法

最大值合成法（Maximum Value Composite，MVC）由Holben（1986）提出，MVC具体公式如下：

NDVIi=max（NDVIij）。（1）

式中：NDVIi是指第i个月或者第i年的NDVI;NDVIij是指第i月的第j个时间段的NDVI数据或者第i年的第j月的NDVI数据。

1.3.2 Copula函数理论

Copula函数由Sklar（Genest and Favre，2007）提出，它可以利用边缘分布和相关性框架构建多维联合分布Copula函数模型（Li et al.，2013）。在众多的刻画两个变量相关关系的统计方法和模型中，选择以Copula函数来刻画变量之间的相依关系，是因为Copula函数具有明显的优势：Copula函数拟合的变量相依关系可以无须假定变量符合某些统计分布特征;Copula给出的是变量之间的联合概率分布函数，而非两者之间简单的相关系数，这有利于细致研究变量在不同区间上的动态相关关系;Copula函数可以获得两个变量在极值区域上的相关关系，为讨论变量之间极值相关性提供了途径。研究选取了8种Copula函数簇（Genest and Rivest，1993;Sraj et al.，2015;Sadegh et al.，2017，2018）：1）BB1（Ben Nasr and Fateh，2019）;2）Clayton（Clayton，1978）;3）Frank（Li et al.，2013）;4）Gaussian（Li et al.，2013）;5）Gumbel（Li et al.，2013）;6）Joe（Li et al.，2013）;7）t（Li et al.，2013）;8）Tawn（Gródek et al.，2019），这8种形式的Copula函数由于其性能，一直是相关模型的常用选择。利用选取的Copula函数建立气候要素与NDVI的二维联合分布。

利用Copula联合概率分布研究两个变量之间的关系，需要经过参数估计（Chen and Sun，2015）、最优Copula函数簇的选择和评估、相关性分析和估计单变量的边缘分布函数（Singh et al.，2017；Sadegh et al.，2018）、构建双变量联合概率分布（Chen and Sun，2015）和回归期的计算（Singh and Zhang，2018）等5个步骤。

2 结果分析

2.1 季节性昼夜增温和NDVI趋势

青海省独特的自然环境决定了其植物区系和植被类型特征，境内植被具有典型的高寒性特点，草地为当地的主要植被类型，生态系统的结构和功能较为单一。因此，其典型的高原高寒气候对植被的影响与其他区域具有明显差异。图1展现了青海省1982—2016年生长季NDVI和昼夜温度变化情况。

近35年青海省植被表现为明显增高趋势，NDVI增长速率达到0.035 （10 a）-1，说明当地生态环境呈现逐渐好转的发展态势。青海NDVI年际变化较大，但波动较小。在2000年左右，NDVI发生了一个明显的跃迁，这可能与当时全球变暖加剧有关。青海省昼夜温度均呈现出增加趋势，而且表现为昼夜增温的不对称性，最低温的增加速率大于最高温。其中，最高温的增温速率为0.511 ℃／（10 a），最低温的增温速率为0.581 ℃／（10 a），最低温增温速率为最高温的1.14倍。青海昼夜温度的年际变化较大，且波动也较大，受全球变暖影响明显。

图2为青海省1982—2016年生长季时段内不同季节的NDVI变化趋势。NDVI表现为夏季最高，其次为秋季，春季次之。NDVI的增长速率由大到小依次为夏季>春季>秋季。不同季节的NDVI表现出明显的年际波动，春季尤为剧烈，其标准差和变异系数均很大;而秋季的年际波动次之，夏季的年际波动较为平缓。主要是由于青海的水热条件所决定，当地的景观以草地为主，夏季植物生长茂盛，增长相对其他季节不明显。而春季气温波动较大，生长季的开始和结束时间会发生明显的振荡。此外，NDVI的饱和效应对于夏季NDVI波动幅度较小也会产生很大影响。总体而言，青海地区各季节NDVI呈现增长趋势，且在2000年前后产生了巨大跃迁。

图3为青海地区1982—2016年NDVI突变识别检验的结果，可知，青海地区的NDVI整体上呈现先下降后上升的变化趋势，其中1997年是NDVI产生突变的年份。植被生长所需的能量来自太阳辐射，受纬度地带分异的影响，其生长状况和分布格局受气候变化的影响较大。通过研究全球区域内NDVI与气候的相关性，发现温度对NDVI的变化有显著影响，特别在北半球中纬度以上地区，存在着季节尺度上的春、秋季的NDVI受温度影响尤为显著。小范围的气候突变不易引起局地的NDVI发生突变，而大范围的气候突变现象，例如厄尔尼诺事件的发生会导致NDVI产生突变。1998年发生厄尔尼诺／南方涛动（ENSO）事件，全球温度大幅度升高。中国东部沿海地区冬季和春季温度的升高会促进植物的光合作用、延长植被的生长期，有利于植被的生长发育和营养物质的累积。因此，青海地区的NDVI于1997年发生了巨大的跃迁。

由图4可见，青海省不同季节的Tmax均表现为明显上升趋势，Tmax增温幅度呈现明显差异，在春、夏、秋3季的增长率分别为0.602 ℃／（10 a）、0.529 ℃／（10 a）和0.392 ℃／（10 a），增温速率表现为春季>夏季>秋季。同理，Tmin在各个季节均表现为显著增长趋势，其增长率分别为0.564 ℃／（10 a）、0.652 ℃／（10 a）和0.491 ℃／（10 a），增温速率由大到小依次为夏季>春季>秋季。不同季节的昼夜增温速率呈现出季节差异性。青海地区春、夏和秋的Tmin与Tmax增温速率之比分别为0.9、1.23和1.25。3个地区昼夜增温在不同季节均表现出不对称变化特征，存在明显的季节性差异。

图5为青海地区春、夏、秋3季的昼夜温差变化趋势可知，青海省昼夜温差的变化呈现出季节性差异，春、夏、秋3季的昼夜温差波动很大。春季的昼夜温差呈上升趋势，增加速率为0.038 ℃／（10 a），而夏季和秋季的昼夜温差则表现为相反的变化规律，其中夏季昼夜温差的下降速率大于秋季。这表明春季昼夜温差逐渐加大，而夏秋两季昼夜温差逐渐缩小。结合图1和图4可知，近35年来青海最高温的升温速率小于最低温。春季白昼增温速率大于夜间，夏季和秋季则是夜间增温速率大于白昼。

表1为青海不同季节昼夜增温差异与NDVI的相关系数。所有季节的昼夜温差和NDVI的相关关系均通过了统计学显著性检验。春季和秋季的昼夜温差与NDVI呈现负相关，夏季的昼夜温差与NDVI呈现正相关。由于青海的高寒气候特征，加之海拔较高，在长期的生态演化中其植物生长的温度三基点较低。夏季由于辐射强，日照时数长，地表的热通量大，温度就处于植被适宜生长的温度区间。昼夜温差大能更好地满足植物生长的温周期需求。秋季由于夜间增温为白天的1.25倍，导致夜温较高，增加了呼吸作用对有机物的消耗，不利于根的生长和细胞分裂素的合成，降低了整株植物的生长速率。

2.2 构建最高温、最低温和NDVI Copula函数簇

本文分别对青海地区不同季节最高温、最低温和NDVI进行相关分析，并采用Kendall秩相关系数、Pearson相关系数、Spearman秩相关系数3种方法度量变量间的相关性，计算结果见表2和表3，均通过P<0.01统计学显著性检验。

根据表2和表3可知，青海地区春季、夏季和秋季昼夜增温与NDVI的相关性均呈现为极显著正相关关系（P<0.01）。最高温、最低温和NDVI相关性强弱呈现出秋季>夏季>春季的规律。各季节最高温和NDVI的相关性都强于最低温和NDVI的相关性。由此可知，昼夜增温在整体上对青海地区NDVI的影响程度较强，尤其是秋季昼夜增温对NDVI影响最大。白天增温和夜间增温对青海地区植被的影响差异显著，白天增温影响强于夜间增温。

不同单变量边缘分布函数组合拟合Copula函数时，需要对Copula函数结构进行优选，利用AIC、BIC和RMSE3个标准选择昼夜温度与NDVI的最优Copula函数簇。

由表4可知，青海地区3个季节的Tmax-NDVI最优Copula函数分别为BB1、BB1和Frank，它们对应的3种评价指标数值均小于其余Copula函数的评价指标数值。同理，对于Tmin-NDVI最优Copula函数分别为BB1、BB1和Frank，说明这些Copula函数的拟合效果最好，更适合描述Tmax-NDVI、Tmin-NDVI的联合分布特征。因此，本文选用BB1 Copula、BB1 Copula和Frank Copula函数分别建立3个季节最高温、最低温和NDVI的二维联合概率分布模型。

2.3 最高温、最低温和NDVI联合概率分布特征

根据最优Copula函数，分别计算青海地区生长季时段内春季、夏季和秋季的Tmax-NDVI以及Tmin-NDVI的联合概率分布及其重现期。

图6显示了青海1982—2016年生长季内春、夏和秋季最高温和NDVI之间的联合概率分布关系。从图6中可以获取任意点最高温与NDVI的联合概率。联合概率分布函数可以清晰反映最高温和NDVI在不同值域范围上的相关关系。图中最显著的特征是数据的不对称和倾斜的依存结构，并且Tmax、Tmin取极小值时对NDVI影响较小，取极大值时对NDVI影响显著。

根据等值线图可以得出联合概率为0.1～0.9时最高温与NDVI的区间分布情况。当最高温取固定值，NDVI越大，或NDVI取值固定，最高温越大，其联合概率越大。同一等值线上不同区间的最高温和NDVI的联合概率也呈现明显差异。出现最高温极小值和NDVI极小值、最高温极小值和NDVI极大值以及最高温极大值和NDVI极小值这3种情景的联合概率较小;而出现最高温极大值和NDVI极大值的联合概率较大。当青海春、夏和秋季最高温位于分别位于10～14、17～24和12～20 ℃区间时，NDVI值较大的概率较高（大于0.6）相对较大，表明此时植被生长相对良好。

图7为青海春季、夏季和秋季Tmax-NDVI联合超越概率的等值线图。根据等值线图可以获取最高温与NDVI为任意值时的联合超越概率。图中显示了联合超越概率分别为0.1～0.9时最高温与NDVI同时大于等于某一特定值的不同组合情况。最高温与NDVI的取值越小，其联合超越概率越大;反之亦然。说明最高温与NDVI同时超过较小值发生的概率，大于同时超过较大值时的概率。综上表明植物生长都存在适宜的温度区间。

图8表示青海地区春季、夏季和秋季Tmax-NDVI的联合重现期的二维等值线。利用联合重现期图可以计算最高温或者NDVI大于等于特定值对应的重现期。图中反映了重现期分别为2、5、10、25和50 a时最高温或者NDVI大于等于特定值的组合情况。联合重现期越小，最高温与NDVI的取值范围越大，说明当最高温一定时，NDVI出现较小重现期的可能性更大。春季、夏季和秋季Tmax位于较高区间：8～13、16～21和10～16 ℃，NDVI出现较小重现期的概率最大。上述气温区间下3个季节的NDVI值分别大于0.1、0.225和0.175，说明该气温条件下植物生长良好的情景出现频次最高。

图9表示青海春季、夏季和秋季Tmax-NDVI的同现重现期。由同现重现期图可知最高温与NDVI同时大于等于特定值的重现期。图中展现了重现期为2、5、10、25、50 a时最高温与NDVI同时大于等于特定值的组合情况。对于最高温和NDVI取值固定的情况，它们的同现重现期明显大于联合重现期。对于同现重现期，给定的重现期越大，则最高温与NDVI的值越大，甚至当最高温与NDVI的值足够大时，其同现重现期超过50 a。这说明气温超出植物生长的适宜区间后，NDVI的值较大的情景出现频次较低，植物生长生长发育状况较大概率比较差。

图10显示了青海1982—2016年生长季内春、夏、秋季最低温和NDVI之间的联合概率分布关系。从图中可以获取任意点的最低温与NDVI的联合概率。联合概率分布函数可以清晰反映出最低温和NDVI在不同值域范围上的相关关系。图中最显著的特征是数据的不对称和倾斜的依存结构，并且最低温取极小值时对NDVI影响较小，取极大值时对NDVI影响显著。

根据等值线图可以得出联合概率为0.1～0.9时最低温与NDVI的区间分布情况。当最低温取固定值，NDVI越大，或者当NDVI取值固定，最低温越大，其联合概率越大。同一等值线上不同区间的最低温和NDVI的联合概率也呈现明显差异。出现最低温极小值和NDVI极小值、最低温极小值和NDVI极大值以及最低温极大值和NDVI极小值这3种情景的联合概率较小;而出现最低温极大值和NDVI极大值的联合概率较大。当青海3个季节最低温分别位于-2～4、7～11和1～8 ℃区间时，NDVI的值较高概率相对较大（大于0.6），表明此时植被生长相对良好。

图11为青海春季、夏季和秋季Tmin-NDVI联合超越概率的等值线图。根据等值线图可以获取最低温与NDVI为任意值时的联合超越概率。图中显示了联合超越概率分别为0.1～0.9时最低温与NDVI同时大于等于某一特定值的不同组合情况。最低温与NDVI的取值越小，其联合超越概率越大;反之亦然。这说明当最低温与NDVI同时超过某个较小值发生的概率大于同时超过一个较大值对应的概率。青海3个季节在适宜的温度条件下，植被生长相对良好的情景出现频次最高。

图12表示青海春季、夏季和秋季Tmin与NDVI的联合重现期的二维等值线。从联合重现期二维图可知最低温或者NDVI大于等于特定值的重现期情况，从联合重现期的等值线图可以查出给定重现期2、5、10、25和50 a，

最低温或者NDVI大于等于特定值的各种组合情况。可以看出，联合重现期越小，最低温与NDVI的取值范围越大，这说明当最低温一定时，NDVI出现较小重现期的可能性更多。当青海省春季、夏季和秋季温度值分别位于较高时的温度区间-4～3、7～10和-0.5～6 ℃，较小重现期出现的概率最大，在这些温度区间下，3个季节植物生长良好的情况出现频次最高。

图13表示青海春、夏、秋季最低温与NDVI的同现重现期。从同现重现期二维图可知最低温与NDVI同时大于等于特定值的重现期，从等值线图可以查出给定重现期2、5、10、25、50 a，最低温与NDVI同时大于等于特定值的各种组合情况。相同组合下，最低温与NDVI的同现重现期明显大于联合重现期，组合值越大，其同现重现期越成倍大于联合重现期。对于同现重现期，给定重现期越大，则最低温与NDVI的值越大，甚至当最低温与NDVI的值足够大时，其同现重现期超过50 a。由此可知，在适宜温度条件下，最低温能促进植被的生长。随着最低温上升，其同现重现期也越大，植被生长良好情景出现频次越低。因此，最低温过高时并不一定能促进植物的生长，超过一定阈值时，较大的概率会抑制植物生长。

3 讨论

3.1 NDVI变化趋势分析及原因

近35年来青海地区植被表现出明显增高趋势，说明当地生态环境呈现逐渐好转的态势，这与青海地区暖湿化的气候变化趋势及实施的一系列环境保护政策有关。2000年左右，其NDVI发生明显跃迁，这可能与20世纪末全球变暖加剧有关（沈永平和王国亚，2013）。21世纪初青海地区启动了生态治理工程，退耕还林（还草）、禁牧以及控制载畜量，促进草地恢复（刘栎杉等，2014）。研究表明，青海地区NDVI虽然局部出现退化情况，但整体仍保持稳定趋势（卓嘎等，2018;韩炳宏等，2019）。青海地区的年降水呈现增加趋势，气候在朝暖湿化演变过程中，植被覆盖对气温响应的敏感性高于降水（张戈丽等，2010），可能是由于降水空间分布极不均匀（杨阳等，2020），温度的升高有利于积雪和冰川融水。温度通过改变外界环境和影响植物代谢活动作用于植被，气候变暖改变了高寒植被生态系统的物候期，使得返青期提前（马晓芳等，2016）。由于气温升高，尤其是昼夜温度的增高深刻地影响了当地冻土地面的热量条件，季节冻土层热量条件显著升高，冻土层深度变薄，冻结时间缩短，这些都直接作用于植被生长。

较低的NDVI反映了青海地区植被覆盖较差。青海生长季相对短暂，地上生物量普遍较小，其平均值较低。另一方面，青海内部植被类型多样，复杂的地形和气候类型状况使得区域间的植被生长情况具有显著差异。有些地区由于增温而改善了植被生长条件，有些地区因为生态环境恶化而导致NDVI降低，在整体区域上的平均值就有可能相互抵消而偏低，NDVI变化趋势的波动性不大。

3.2 昼夜增温非对称性对植被活动影响

大部分植物的光合作用在白天进行，而呼吸作用贯穿全天。昼夜不对称增温速率通过作用于植被的生理过程进而影响植被动态变化（Jing et al.，2016;Yang et al.，2017;Wang et al.，2019）。北半球夏季白天增温不利于温带干旱地区植被的生长，但春季白天增温却能够利于寒带地区植被NDVI的提高（Tan J G et al.，2015）。

青海地区春季、夏季和秋季的夜间最低温增温速率分别是白天最高温增温速率的0.94倍、1.23倍和1.25倍，季节性昼夜增温呈现出明显的不对称特征。过去50年中，夜间全球表面温度的升高明显快于白天，并且Tmin比Tmax高1.4倍（Peng et al.，2013）。青海省夏、秋季变暖趋势与全球趋势一致，春季则相反。植物在夜间一般不能进行光合作用，Tmin升高只能引起植物呼吸作用的增强和体内养分代谢速率的增加，造成植物体内有机质损耗增加，表现为NDVI降低;白天植被进行光合作用，理想的水分条件以及Tmax的升高能够促进植被叶片气孔更大地张开，使植被在增大蒸腾的同时也增加了CO2进入叶片参与光合作用的概率，因此促进了植被生长，表现为NDVI升高。这表明热量是影响北半球中高纬度地区植被生长的关键因子。

温带高寒、山地和荒漠植被对夜间温度的响应较为积极（Xia et al.，2018）。最高温和最低温对植被生长发育都起促进作用，这是由于最高温的升高有助于促进光合作用合成更多的有机物来满足植物生长发育的需求。虽然夜间呼吸作用使得有机物净累积量减少，但是其夜间自养呼吸加剧而产生的补偿作用会使其生产力得以提高。青海地区Tmin的增加有助于次日植物体内碳封存的利用，促进植被生长，延长生长季时间，同时夜间增温降低了霜冻的风险（Wan et al.，2009）。

对于增暖放大现象，存在一种解释机制可以对昼夜增温速率的不对称性进行说明（Zhou et al.，2007）。植被通过覆盖度来影响地表反照率的变化，进而影响地表能量平衡。在植被稀疏地区，其覆盖度低，导致反照率降低，减少地表吸收的太阳辐射，由于云量减少而引起的增暖加速在一定程度上被抵消了（Knorr et al.，2001）。同时，植被覆盖度降低也会导致地表发射率下降。夜间地表长波辐射减少，加速了夜间温度升高（Zhou et al.，2003）。对于植被覆盖度较高地区，由于地表反照率的升高导致白天地表气温上升加速;同时，地表发射率也表现出增加趋势，使得夜间地表长波辐射增加，减缓了这类区域的夜间增温速度。青海地区整体NDVI呈现出由西北向东南增加的趋势，NDVI的波动性具有明显的区域差异。其中柴达木盆地周边及青南牧区西北部属于植被覆盖度较低区域，NDVI的波动性大;祁连山东部、青南牧区东南部和东部农业区的植被覆盖度较高，NDVI波动性较小。因此，对于不同植被覆盖度以及不同植被类型的区域，其昼夜增温的不对称性影响NDVI的程度是有差异的。

3.3 不同季节增温非一致性对植被活动影响

青海地区NDVI表现为夏季最大，其次为秋季，春季最小。这表明夏季水热条件最利草地植被的生长，而春季植被生长需要一定温度的积累，易受倒春寒等天气的影响使温度升高较慢。

青海地区春季、夏季和秋季昼夜增温与NDVI的相关性均呈现为极显著正相关关系（P<0.01），这是因为热量资源是植被生长的基础。最高温、最低温和NDVI的相关性强弱均表现为秋季>夏季>春季。夏季的水热条件均利于植被生长，气候要素对NDVI影响差异不显著，而春季温度相对于秋季波动大，随着温度升高蒸发增加，春季的水热组合并不一定利于植被生长。另外，温度对NDVI的影响有一定的滞后性（王艳召等，2020），夏季温度的积累有利于秋季的NDVI，若秋季寒潮强或影响早，会导致植被较早进入枯黄期。

研究发现白天增温往往能促进植被的光合作用，而更有利于提高植被的NDVI（Peng et al.，2013;Ma et al.，2019b）。本文发现昼夜增温对青海地区植被的影响程度存在季节性差异。从季节昼夜增温的影响程度来看，秋季昼夜增温对青海地区植被的影响程度高于夏季和春季，并且白天增温和夜间增温对青海地区NDVI的影响程度也不同，表现为白天增温影响强于夜间增温。

青海地区春夏两季昼夜温度和NDVI呈现正相关，可能与全球变暖引起的大部分地区春季生长季普遍提前有关（Piao et al.，2007），也可能是白天增温导致植被展叶期、返青期提前（Piao et al.，2015）。植物通常在日平均温度上升到5 ℃的时候开始发育，进入夏季青海地区温度迅速升高，这可促进酶的活性，加快植物发育进程。夏季是青海省水热条件最好的季节，植被生长旺盛，昼夜增温对植被生长的影响显然大于春季。Peng et al.（2013）发现白天温度升高有利于大部分寒带、温带湿润地区植被生长及其生态系统碳汇功能;夜晚温度升高对植被的影响正好与白天相反。Shen et al.（2016）发现，夏季白天增温利于青藏高原地区的植被生长，而该季节夜间温度的上升对植被的生长起到消极作用。这可能是由于研究区域和时间的差异导致研究结果不同。或因为夜间增温虽然会提升植被暗呼吸，增加其体内养分代谢速度，使其体内有机质损耗增加，从而降低植被生产力。与夏季相比，秋季昼夜温差与NDVI的相关程度更高，这可能是因为夏季Tmax和Tmin在青海地区已接近植被生长的最适温度，使得NDVI对它们的敏感程度较低。

3.4 利用Copula函数探索气温与NDVI动态变化

相关系数作为研究变量间相关性的方法被广泛采用，但它无法判别变量在不同区间上的动态相关关系，而且无法排除变量之间存在“伪相关”的可能性。这些问题利用Copula函数理论可以得到很好的解决，采用Copula函数可以发现气温和NDVI更为细致和真实的动态变化规律。青海地区春季、夏季和秋季昼夜增温在不同温度区间条件下与对应的NDVI相依性强弱差异明显，即对植物生长的影响差异较大。但当它们位于适宜温度区间时，与NDVI的相依性较强，对植物生长的影响较大。当Tmax或者当Tmin位于适宜的温度区间时，此时NDVI的较小重现期出现概率最大，说明植物生长良好的情况出现频次最高。但当Tmax、Tmin与NDVI的值足够大时，其重现期甚至会超过50 a，说明气温超过一定的阈值时，NDVI较高的值出现的概率降低，植物生长受抑制现象出现，气温越高，对植物生长抑制作用越大，其显现良好状况的概率越低。昼夜增温以不同的扰动机制增强和抑制植被生长。Tmax、Tmin接近最佳温度，显著促进植被光合作用，延长植被生长季周期。当Tmax、Tmin增温不断加强，超出植被生长所需最佳温度，植被生长受到抑制，Tmax、Tmin的持续升高会加快土壤水分蒸发，加重土壤干旱状况（Melillo et al.，2002;Park et al.，2013），植被无法从土壤中得到生长必需的水分，植被生长对Tmax、Tmin的响应就会转化为显性负相关。

青海作为青藏高原的主要部分，是全球气候变化的敏感区，高原高寒生态系统对气候变化脆弱而敏感，又会对气候系统产生反馈，是多圈层耦合过程中的关键因子。近30多年来，随着青藏高原持续变暖，高原生长季植被活动呈持续增强趋势（Huang et al.，2016;Zou et al.，2020）。增强的植被活动降低了地表生长季白天温度，对生长季夜间温度的影响不显著，总体上降低了局地生长季平均温度。这种局地降温效应，主要是由于植被增加导致局地蒸腾作用增强，从而降低了地表能量;青藏高原植被活动对气候变化形成了“负反馈”。高原植被对气候的这种“负反馈”作用能够减缓气候变暖带来的负面影响（Liu et al.，2018），但是当气温变暖强度超过高原高寒生态系统自身的调节适应能力后，会对当地生态系统造成重大影响。因此，需要密切关注当地的气候变暖，动态监测NDVI，积极应对全球变暖带来的挑战。

由于遥感数据分辨率较低，同一地区植被类型的异质性等问题，难以取得理想结果。在未来研究中需引入更高分辨率的植被分类数据。针对不同植被类型提出不同气候变化应对政策，因地制宜地建立合适的植被保护措施，将更有利于维护自然生态系统平衡。

4 结论

1）近35年来青海地区生长季内季节性昼夜增温趋势显著，昼夜增温速率具有不对称性。春季白天的增温速率快于夜间，夏、秋季夜间的增温速率都快于白天。

2）青海地区各季节昼夜增温对植被的影响在昼夜和季节尺度呈现出明显非对称性。昼夜增温在整体上对青海地区植被影响程度较强，尤其是秋季昼夜增温对NDVI影响最大，夏季次之，春季最小。白天增温和夜间增温对青海地区植被影响程度存在差异，白天增温的影响大于夜间增温。

3）青海地区各季节的Tmax和Tmin与NDVI的联合概率分布函数均呈现一定的规律：当Tmax、Tmin一定，NDVI越大时，或者当NDVI一定，Tmax、Tmin越大时，其联合概率越大，说明Tmax、Tmin取极小值时对NDVI影响较小，Tmax、Tmin取极大值时对NDVI的影响明显。

4）重现期越小，昼夜增温与NDVI的取值范围越大，这说明当昼夜增温一定时，NDVI出现较小重现期的可能性更多。昼夜增温越大，则重现期越大，表明昼夜增温超过一定的阈值，植物生长受抑制现象出现的概率更大。

参考文献（References）

Atkin O K，Turnbull M H，Zaragoza-Castells J，et al.，2013.Light inhibition of leaf respiration as soil fertility declines along a post-glacial chronosequence in New Zealand：an analysis using the Kok method［J］.Plant Soil，367（1）：163-182.doi：10.1007／s11104-013-1686-0.

Barton B T，Schmitz O J，2018.Opposite effects of daytime and nighttime warming on top-down control of plant diversity［J］.Ecology，99（1）：13-20.doi：10.1002／ecy.2062.

Baumbach L，Siegmund J F，Mittermeier M，et al.，2017.Impacts of temperature extremes on European vegetation during the growing season［J］.Biogeosciences，14（21）：4891-4903.doi：10.5194／bg-14-4891-2017.

Ben Nasr I，Chebana F，2019.Multivariate L-moment based tests for Copula selection，with hydrometeorological applications［J］.J Hydrol，579：124151.doi：10.1016／j.jhydrol.2019.124151.

Chang B，He K N，Li R J，et al.，2018.Trends，abrupt changes，and periodicityof streamflow in Qinghai Province，the northeastern Tibetan Plateau，China［J］.Pol J Environ Stud，27（2）：545-555.doi：10.15244／pjoes／76037.

Chen C，He B，Guo L L，et al.，2018.Identifying critical climate periods for vegetation growth in the Northern Hemisphere［J］.J Geophys Res Biogeosci，123（8）：2541-2552.doi：10.1029／2018JG004443.

Chen H P，Sun J Q，2015.Changes in drought characteristics over China using the standardized precipitation evapotranspiration index［J］.J Climate，28（13）：5430-5447.doi：10.1175／jcli-d-14-00707.1.

Clayton D G，1978.A model for association in bivariate life tables and its application in epidemiological studies of familial tendency in chronic disease incidence［J］.Biometrika，65（1）：141-151.doi：10.1093／biomet／65.1.141.

Cong N，Shen M G，Yang W，et al.，2017.Varying responses of vegetation activity to climate changes on the Tibetan Plateau grassland［J］.Int J Biometeorol，61（8）：1433-1444.doi：10.1007／s00484-017-1321-5.

Davy R，Esau I，Chernokulsky A，et al.，2017.Diurnal asymmetry to the observed global warming［J］.Int J Climatol，37（1）：79-93.doi：10.1002／joc.4688.

Del Grosso S J，Parton W J，Derner J D，et al.，2018.Simple models to predict grassland ecosystem C exchange and actual evapotranspiration using NDVI and environmental variables［J］.Agric For Meteorol，249：1-10.doi：10.1016／j.agrformet.2017.11.007.

Deng G R，Zhang H Y，Guo X Y，et al.，2019.Asymmetric effects of daytime and nighttime warming on boreal forest spring phenology［J］.Remote Sens，11（14）：1651.doi：10.3390／rs11141651.

Du Z Q，Zhao J，Liu X J，et al.，2019.Recent asymmetric warming trends of daytime versus nighttime and their linkages with vegetation greenness in temperate China［J］.Environ Sci Pollut Res Int，26（35）：35717-35727.doi：10.1007／s11356-019-06440-z.

Easterling D R，Horton B，Jones P D，et al.，1997.Maximum and minimum temperature trends for the globe［J］.Science，277（5324）：364-367.doi：10.1126／science.277.5324.364.

Genest C，Rivest L P，1993.Statistical inference procedures for bivariate Archimedean Copulas［J］.J Am Stat Assoc，88（423）：1034-1043.doi：10.1080／01621459.1993.10476372.

Genest C，Favre A C，2007.Everything you always wanted to know about Copula modeling but were afraid to ask［J］.J Hydrol Eng，12（4）：347-368.doi：10.1061／（asce）1084-0699（2007）12：4（347）.

Gong Z N，Zhao S Y，Gu J Z，2017.Correlation analysis between vegetation coverage and climate drought conditions in North China during 2001—2013［J］.J Geogr Sci，27（2）：143-160.doi：10.1007／s11442-017-1369-5.

Gródek-Szostak Z，Malik G，Kajrunajtys D，et al.，2019.Modeling the dependency between extreme prices of selected agricultural products on the derivatives market using the linkage function［J］.Sustainability，11（15）：4144.doi：10.3390／su11154144.

韩炳宏，周秉荣，颜玉倩，等，2019.2000—2018年间青藏高原植被覆盖变化及其与气候因素的关系分析［J］.草地学报，27（6）：1651-1658. Han B H，Zhou B R，Yan Y Q，et al.，2019.Analysis of vegetation coverage change and its driving factors over Tibetan Plateau from 2000 to 2008［J］.Acta Agrestia Sin，27（6）：1651-1658.doi：10.11733／j.issn.1007-0435.2019.06.023.（in Chinese）.

He B，Chen A F，Jiang W G，et al.，2017.The response of vegetation growth to shifts in trend of temperature in China［J］.J Geogr Sci，27（7）：801-816.doi：10.1007／s11442-017-1407-3.

Holben B N，1986.Characteristics of maximum-value composite images from temporal AVHRR data［J］.Int J Remote Sens，7（11）：1417-1434.doi：10.1080／01431168608948945.

Huang K，Zhang Y J，Zhu J T，et al.，2016.The influences of climate change and human activities on vegetation dynamics in the Qinghai-Tibet Plateau［J］.Remote Sens，8（10）：876.doi：10.3390／rs8100876.

Li C，Singh V P，Mishra A K，2013.A bivariate mixed distribution with a heavy-tailed component and its application to single-site daily rainfall simulation［J］.Water Resour Res，49（2）：767-789.

Iglesias A，Garrote L，Quiroga S，et al.，2012.A regional comparison of the effects of climate change on agricultural crops in Europe［J］.Climate Change，112（1）：29-46.doi：10.1007／s10584-011-0338-8.

Jing P P，Wang D，Zhu C W，et al.，2016.Plant physiological，morphological and yield-related responses to night temperature changes across different species and plant functional types［J］.Front Plant Sci，7：1774.doi：10.3389／fpls.2016.01774.

Kalisa W，Igbawua T，Henchiri M，et al.，2019.Assessment of climate impact on vegetation dynamics over East Africa from 1982 to 2015［J］.Sci Rep，9（1）：16865.doi：10.1038／s41598-019-53150-0.

Karl T R，Knight R W，Gallo K P，et al.，1993.A new perspective on recent global warming：asymmetric trends of daily maximum and minimum temperature［J］.Bull Amer Meteor Soc，74（6）：1007-1023.doi：10.1175／1520-0477（1993）074<1007：anporg>2.0.co;2.

Knorr W，Schnitzler K G，Govaerts Y，2001.The role of Bright Desert Regions in shaping North African climate［J］.Geophys Res Lett，28（18）：3489-3492.doi：10.1029／2001gl013283.

Kong D D，Zhang Q，Singh V P，et al.，2017.Seasonal vegetation response to climate change in the Northern Hemisphere （1982—2013）［J］.Glob Planet Change，148：1-8.doi：10.1016／j.gloplacha.2016.10.020.

Li C，Singh V P，Mishra A K，2013.A bivariate mixed distribution with a heavy-tailed component and its application to single-site daily rainfall simulation［J］.Water Resour Res，49（2）：767-789.doi：10.1002／wrcr.20063.

Li H，Liu L，Liu X，et al.，2019.Greening implication inferred from vegetation dynamics interacted with climate change and human activities over the southeast Qinghai-Tibet Plateau［J］.Remote Sens，11（20）：2421.doi：10.3390／rs11202421.

Liu D，Li Y，Wang T，et al.，2018.Contrasting responses of grassland water and carbon exchanges to climate change between Tibetan Plateau and Inner Mongolia［J］.Agric For Meteorol，249：163-175.doi：10.1016／j.agrformet.2017.11.034.

刘栎杉，延军平，李双双，2014.2000—2009年青海省植被覆盖时空变化特征［J］.水土保持通报，34（1）：263-267. Liu L S，Yan J P，Li S S，2014.Spatial-temporal characteristics of vegetation restoration in Qinghai Province from 2000 to 2009［J］.Bull Soil Water Conserv，34（1）：263-267.（in Chinese）.

刘向培，刘烈霜，史小康，等，2015.中国东北植被动态变化及其与气候因子的关系［J］.大气科学学报，38（2）：222-231. Liu X P，Liu L S，Shi X K，et al.，2015.Dynamic variation of vegetation over Northeast China and its relationship with climate factors［J］.Trans Atmos Sci，38（2）：222-231.doi：10.13878／j.cnki.dqkxxb.20120509001.（in Chinese）.

Lu Q，Zhao D S，Wu S H，et al.，2019.Using the NDVI to analyze trends and stability of grassland vegetation cover in Inner Mongolia［J］.Theor Appl Climatol，135（3）：1629-1640.doi：10.1007／s00704-018-2614-2.

Ma L Q，Qin F，Wang H，et al.，2019a.Asymmetric seasonal daytime and nighttime warming and its effects on vegetation in the Loess Plateau［J］.PLoS One，14（6）：e0218480.doi：10.1371／journal.pone.0218480.

Ma L Q，Xia H M，Meng Q M，2019b.Spatiotemporal variability of asymmetric daytime and night-time warming and its effects on vegetation in the Yellow River Basin from 1982 to 2015［J］.Sensors，19（8）：1832.doi：10.3390／s19081832.

马晓芳，陈思宇，邓婕，等，2016.青藏高原植被物候监测及其对气候变化的响应［J］.草业学报，25（1）：13-21. Ma X F，Chen S Y，Deng J，et al.，2016.Vegetation phenology dynamics and its response to climate change on the Tibetan Plateau［J］.Acta Prataculturae Sin，25（1）：13-21.doi：10.11686／cyxb2015089.（in Chinese）.

Marcelino J，Silva J P，Gameiro J，et al.，2020.Extreme events are more likely to affect the breeding success of lesser kestrels than average climate change［J］.Sci Rep，10（1）：7207.doi：10.1038／s41598-020-64087-0.

Melillo J M，Steudler P A，Aber J D，et al.，2002.Soil warming and carbon-cycle feedbacks to the climate system［J］.Science，298（5601）：2173-2176.doi：10.1126／science.1074153.

Meng L，Gao S，Li Y S，et al.，2020.Spatial and temporal characteristics of vegetation NDVI changes and the driving forces in Mongolia during 1982—2015［J］.Remote Sens，12（4）：603.doi：10.3390／rs12040603.

Miller J A，2012.Species distribution models［J］.Prog Phys Geogr Earth Environ，36（5）：681-692.doi：10.1177／0309133312442522.

Park T，Chen C，Macias-Fauria M，et al.，2019.Changes in timing of seasonal peak photosynthetic activity in northern ecosystems［J］.Glob Chang Biol，25（7）：2382-2395.doi：10.1111／gcb.14638.

Park W A，Allen C D，Macalady A K，et al.，2013.Temperature as a potent driver of regional forest drought stress and tree mortality［J］.Nat Climate Change，3：292-297.doi：10.1038／nclimate1693.

Peng S S，Piao S L，Ciais P，et al.，2013.Asymmetric effects of daytime and night-time warming on Northern Hemisphere vegetation［J］.Nature，501（7465）：88-92.doi：10.1038／nature12434.

Piao S L，Friedlingstein P，Ciais P，et al.，2006.Effect of climate and CO2 changes on the greening of the Northern Hemisphere over the past two decades［J］.Geophys Res Lett，33（23）.doi：10.1029／2006gl028205.

Piao S L，Friedlingstein P，Ciais P，et al.，2007.Growing season extension and its impact on terrestrial carbon cycle in the Northern Hemisphere over the past 2 decades［J］.Glob Biogeochem Cycles，21（3）.doi：10.1029／2006gb002888.

Piao S L，Tan J G，Chen A P，et al.，2015.Leaf onset in the Northern Hemisphere triggered by daytime temperature［J］.Nat Commun，6：6911.doi：10.1038／ncomms7911.

Reich P B，Sendall K M，Stefanski A，et al.，2018.Effects of climate warming on photosynthesis in boreal tree species depend on soil moisture［J］.Nature，562（7726）：263-267.doi：10.1038／s41586-018-0582-4.

Rossi S，Isabel N，2017.Bud break responds more strongly to daytime than night-time temperature under asymmetric experimental warming［J］.Glob Chang Biol，23（1）：446-454.doi：10.1111／gcb.13360.

Sadegh M，Moftakhari H，Gupta H V，et al.，2018.Multihazard scenarios for analysis of compound extreme events［J］.Geophys Res Lett，45（11）：5470-5480.doi：10.1029／2018gl077317.

Sadegh M，Ragno E，AghaKouchak A，2017.Multivariate Copula Analysis Toolbox （MvCAT）：describing dependence and underlying uncertainty using a Bayesian framework［J］.Water Resour Res，53（6）：5166-5183.doi：10.1002／2016wr020242.

Shen M G，Piao S L，Chen X Q，et al.，2016.Strong impacts of daily minimum temperature on the green-up date and summer greenness of the Tibetan Plateau［J］.Glob Chang Biol，22（9）：3057-3066.doi：10.1111／gcb.13301.

Shen X J，Liu B H，Henderson M，et al.，2018.Asymmetric effects of daytime and nighttime warming on spring phenology in the temperate grasslands of China［J］.Agric For Meteorol，259：240-249.doi：10.1016／j.agrformet.2018.05.006.

沈永平，王国亚，2013.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，35（5）：1068-1076. Shen Y P，Wang G Y，2013.Key findings and assessment results of IPCC WGI fifth assessment report［J］.J Glaciol Geocryol，35（5）：1068-1076.doi：10.7522／j.issn.1000-0240.2013.0120.（in Chinese）.

Silva P F，de Sousa Lima J R，Antonino A C D，et al.，2017.Seasonal patterns of carbon dioxide，water and energy fluxes over the Caatinga and grassland in the semi-arid region of Brazil［J］.J Arid Environ，147：71-82.doi：10.1016／j.jaridenv.2017.09.003.

Singh V P，Zhang L，2018.Copula-entropy theory for multivariate stochastic modeling in water engineering［J］.Geosci Lett，5（1）：6.doi：10.1186／s40562-018-0105-z.

Singh V，Sivakumar B，Cui H J，2017.Tsallis entropy theory for modeling in water engineering：a review［J］.Entropy，19（12）：641.doi：10.3390／e19120641.

Sraj M，Bezak N，Brilly M，2015.Bivariate flood frequency analysis using the Copula function：a case study of the Litija Station on the Sava River［J］.Hydrol Process，29（2）：225-238.doi：10.1002／hyp.10145.

Su H X，Feng J C，Axmacher J C，et al.，2015.Asymmetric warming significantly affects net primary production，but not ecosystem carbon balances of forest and grassland ecosystems in Northern China［J］.Sci Rep，5：9115.doi：10.1038／srep09115.

Tan J G，Piao S L，Chen A P，et al.，2015.Seasonally different response of photosynthetic activity to daytime and night-time warming in the Northern Hemisphere［J］.Glob Chang Biol，21（1）：377-387.doi：10.1111／gcb.12724.

Tan Z Q，Tao H，Jiang J H，et al.，2015.Influences of climate extremes on NDVI （normalized difference vegetation index） in the Poyang Lake basin，China［J］.Wetlands，35（6）：1033-1042.doi：10.1007／s13157-015-0692-9.

Tang L Y，Duan X F，Kong F J，et al.，2018.Influences of climate change on area variation of Qinghai Lake on Qinghai-Tibetan Plateau since 1980s［J］.Sci Rep，8：7331.doi：10.1038／s41598-018-25683-3.

Treharne R，Bjerke J W，Tmmervik H，et al.，2020.Development of new metrics to assess and quantify climatic drivers of extreme event driven Arctic browning［J］.Remote Sens Environ，243：111749.doi：10.1016／j.rse.2020.111749.

Wan S Q，Xia J Y，Liu W X，et al.，2009.Photosynthetic overcompensation under nocturnal warming enhances grassland carbon sequestration［J］.Ecology，90（10）：2700-2710.doi：10.1890／08-2026.1.

Wang Y Q，Luo Y，Shafeeque M，2019.Interpretation of vegetation phenology changes using daytime and night-time temperatures across the Yellow River Basin，China［J］.Sci Total Environ，693：133553.doi：10.1016／j.scitotenv.2019.07.359.

Wang Y J，Shen X J，Jiang M，et al.，2020.Vegetation change and its response to climate change between 2000 and 2016 in marshes of the Songnen Plain，Northeast China［J］.Sustainability，12（9）：3569.doi：10.3390／su12093569.

王艳召，王泽根，王继燕，等，2020.近20年中国不同季节植被变化及其对气候的瞬时与滞后响应［J］.地理与地理信息科学，36（4）：33-40. Wang Y Z，Wang Z G，Wang J Y，et al.，2020.Transient and lagged response of seasonal vegetation changes to climate in China during the past two decades［J］.Geogr Geo Inf Sci，36（4）：33-40.doi：10.3969／j.issn.1672-0504.2020.04.006.（in Chinese）.

Wu X C，Liu H Y，Li X Y，et al.，2016.Seasonal divergence in the interannual responses of Northern Hemisphere vegetation activity to variations in diurnal climate［J］.Sci Rep，6：19000.doi：10.1038／srep19000.

Xia H M，Li A N，Feng G，et al.，2018.The effects of asymmetric diurnal warming on vegetation growth of the Tibetan Plateau over the past three decades［J］.Sustainability，10（4）：1103.doi：10.3390／su10041103.

杨阳，时璐，刘弢，等，2020.青海省西北诸河61a来降水演变特征及空间分布研究［J］.中国农村水利水电（8）：159-165. Yang Y，Shi L，Liu T，et al.，2020.The evolution characteristics and spatial distribution of precipitation in northwest region of Qinghai in recent 61 years［J］.China Rural Water Hydropower（8）：159-165.doi：10.3969／j.issn.1007-2284.2020.08.031.（in Chinese）.

Yang Z Y，Shen M G，Jia S G，et al.，2017.Asymmetric responses of the end of growing season to daily maximum and minimum temperatures on the Tibetan Plateau［J］.J Geophys Res Atmos，122（24）：13，278-13，287.doi：10.1002／2017JD027318.

张戈丽，欧阳华，张宪洲，等，2010.基于生态地理分区的青藏高原植被覆被变化及其对气候变化的响应［J］.地理研究，29（11）：2004-2016. Zhang G L，Ouyang H，Zhang X Z，et al.，2010.Vegetation change and its responses to climatic variation based on eco-geographical regions of Tibetan Plateau［J］.Geogr Res，29（11）：2004-2016.（in Chinese）.

Zhang H X，Chang J X，Zhang L P，et al.，2018.NDVI dynamic changes and their relationship with meteorological factors and soil moisture［J］.Environ Earth Sci，77（16）：582.doi：10.1007／s12665-018-7759-x.

Zhang W，Dscher R，Koenigk T，et al.，2020.The interplay of recent vegetation and sea ice dynamics：results from a regional earth system model over the Arctic［J］.Geophys Res Lett，47（6）：e85982.doi：10.1029／2019gl085982.

Zhang Y L，Wang X，Li C H，et al.，2018.NDVI dynamics under changing meteorological factors in a shallow lake in future metropolitan，semiarid area in North China［J］.Sci Rep，8（1）：15971.doi：10.1038／s41598-018-33968-w.

Zhou L，Dickinson R E，Tian Y，et al.，2003.A sensitivity study of climate and energy balance simulations with use of satellite-derived emissivity data over Northern Africa and the Arabian Peninsula［J］.J Geophys Res，108（D24）.doi：10.1029／2003jd004083.

Zhou L M，Dickinson R E，Tian Y H，et al.，2007.Impact of vegetation removal and soil aridation on diurnal temperature range in a semiarid region：application to the Sahel［J］.Proc Natl Acad Sci USA，104（46）：17937-17942.doi：10.1073／pnas.0700290104.

卓嘎，陈思蓉，周兵，2018.青藏高原植被覆盖时空变化及其对气候因子的响应［J］.生态学报，38（9）：3208-3218. Zhuoga，Chen S R，Zhou B，2018.Spatio-temporal variation of vegetation coverage over the Tibetan Plateau and its responses to climatic factors［J］.Acta Ecol Sin，38（9）：3208-3218.doi：10.5846／stxb201705270985.（in Chinese）.

Zou F L，Li H D，Hu Q W，2020.Responses of vegetation greening and land surface temperature variations to global warming on the Qinghai-Tibetan Plateau，2001—2016［J］.Ecol Indic，119：106867.doi：10.1016／j.ecolind.2020.106867.