气候变化下贵州省极端气候事件与植被覆盖的时空分异及预测

摘 要：随着全球气候变暖及人类活动，喀斯特地区极端气候事件发生频次增多。以贵州省为研究区，基于贵州省31个国家气象站的日气象数据、SPOT/VGT NDVI数据集以及CMIP6未来气候模式，综合运用极端气候指数、归一化植被指数（Normalized Difference Vegetation Index，NDVI）来探讨贵州省不同情景下的未来极端气候对NDVI的影响，利用全子集回归方法建立多元回归模型预估了未来植被覆盖的变化特征，结果表明2021—2100年：①与暖指数相关的极端气温事件均有上升的趋势，与冷指数相关的极端气温事件均有下降的趋势；②在年总降水量增加的趋势下，年内降水日数增加，但中雨日数发生频次减少，发生极端降水的频次可能会增加；③在SSP245情景和SSP585情景下，贵州省大部分地区植被覆盖度将呈增加趋势。

关键词：极端气候指数；NDVI；CMIP6；时空变化；贵州省

中图分类号：TV213. 4 文献标识码：A 文章编号：1001-9235（2024）10-0065-11

Spatial-temporal Differentiation and Prediction of Extreme Weather Events and VegetationCover in Guizhou Province Under Climate Change

LI Xi'nan1， HE Linhong2，3*， XUE Lianqing2

（1. Guizhou Water & Power Survey-Design Institute Co.， Ltd， Guiyang 550002， China; 2. College of Hydrology and Water Resources， Hohai University， Nanjing 210098， China; 3. Guizhou Water Conservancy Investment （Group） Co.， Ltd， Guiyang 550002， China）

Abstract： Due to global warming and human activities， the frequency of extreme climate events in karst areas has increased. Taking Guizhou Province as the study area， based on daily meteorological data from 31 national meteorological stations， SPOT/VGT NDVI dataset， and CMIP6 future climate model in Guizhou Province， this paper explores the effects of the future extreme climate on NDVI under different scenarios in Guizhou Province by comprehensively applying the extreme climate index and the normalized difference vegetation index （NDVI）. Using the all-subsets regression method， it builds a multiple regression model to predict the variation characteristics of the future vegetation cover. The results show that between 2021 and 2100： ① the number of the extreme temperature events associated with the warm index all have an increasing trend， and the number of the extreme temperature events associated with the cold index all have a decreasing trend; ② in the future， under the trend of increasing total annual precipitation， the number of precipitation days in a year will increase， while the frequency of moderate rainy days will decrease， and the frequency of extreme precipitation may increase; ③under the SSP245 scenario and the SSP585 scenario， the vegetation cover in most parts of Guizhou Province will show an increasing trend.

Keywords： extreme climate index; NDVI; CMIP6; spatial and temporal differentiation; Guizhou Province

2023年3月，联合国政府间气候变化专门委员会（IPCC）发布了第六次评估综合报告（以下简称《综合报告》），再次强调由于人类活动造成全球气温升高［1-2］。《中国气候变化蓝皮书（2023）》指出自1961—2022年，中国极端强降水事件频次逐渐增加，不同类别的极端天气和气候事件相较过去而言更为频繁且强度更大，例如极端高温、内涝外患和森林火灾，对大自然和人类生活造成了普遍不利的影响［3］。Oliver等［4］使用Mann-Kendall趋势检验、线性相关等方法研究智利1966—2015年气温的时空演变特征，其结果表明，无论是最低气温还是最高气温，气温序列均呈现上升趋势，但前者更为明显，尤其是在较暖的月份。在西南地区极端降水的研究中，罗玉［5］研究表明，该地区降水总量呈减少趋势，但降水强度较常年有增加趋势，极端降水的空间趋势呈现梯度特征；AR6发布了联合国第六次耦合模型比较计划（CMIP6）中新的气候情景-共享经济路径（Shared Socioeconomic Pathways，SSPs），由此来对未来气候如何变化展开不同方向的模拟预测［6］。目前针对CMIP6的降水模拟评估主要分为历史同期平均降水评估［7］与极端降水评价，以及不同未来发展情景下的降水趋势分析。从CMIP3到CMIP5，已有众多学者利用CMIP模型结果对其相关领域进行了全面研究［8-11］。

喀斯特地貌存在大量发育的裂隙和管道等多孔介质，使得该地区的水快速流失，难以储存和利用［12］。贵州省地处西南岩溶集中分布区和高原山地，全省地形复杂多变，降水时空分布极不均匀，年际变化大，降水难以在土层中储存，区域性干旱经常发生［13］。植被系统是陆地上生态系统里不可缺少的组成部分，在水土保持、气候调节等生态系统服务中发挥着重要作用［14］。众多学者利用NDVI数据分析植被生长趋势及其物候的研究［15-16］。He等［17］指出平均降水对全球干旱区植物发育作用最大，干旱区植物生长对极端降水、极端暖温事件的响应较其他极端事件响应更大。例如Muradyn等［18］利用SPOT/VGT NDVI研究了亚美尼亚山区生态系统的气温和降水对植被的影响。在1998—2013年的生长期，NDVI都有显著的增长趋势，降水对亚美尼亚山区植被NDVI有促进作用，高温对植被有促进作用，低温有抑制作用。总体而言，极端气候事件对NDVI的影响不仅具有明显的时空差异，而且由于喀斯特地区植被类型的不同而表现出不同的结果［19］。

目前关于贵州省植被覆盖的研究主要集中气温和降水的影响等方面，而针对极端气候对植被变化影响的研究较少，因此，本文选取贵州省1961—2019年的31个气象站资料和1999—2019年的遥感数据建立多元回归模型，通过CMIP6模式对贵州省未来极端气候事件的变化进行相关研究，探讨未来贵州省植被的变化趋势，可为气候变化背景下贵州省植被生态系统保护提供防灾减灾、农业生产等应对气候变化方面的理论与实践提供参考依据。

1 研究区概况

贵州省地形以高原、丘陵和山地为主（图1），贵州省的地貌类型以喀斯特地貌居多，类型极为丰富，几乎所有的喀斯特地貌类型在贵州省都能见到。因此贵州省也被称为中国的“岩溶大省”。

贵州省属亚热带湿润季风气候区，多年年平均气温为15 ℃，降雨量在1 000～1 400 mm。由于省内地形高度差大，高山和河谷阶地多，气候变化显著，气候呈多样性，有“一山分四季，十里不同天”的谚语；植被类型多样，有亚热带植被常绿阔叶林和大面积次生落叶阔叶林。

2 研究方法

2. 1 数据来源及指标定义

本文站点观测数据采用中国气象局国家气象信息中心提供的《中国国家地面气象站基本气象要素日值数据集（V3. 0）》，使用的NDVI数据集是在SPOT/VEGETATION PROBA-V 1 KM PRODUCTS旬1 km植被指数数据的基础上，将旬尺度NDVI数据集利用最大值合成法生成的1999—2019年的月尺度NDVI数据集，未来数据采用第6次全球耦合模式比较计划（https：//esgfnode. llnl. gov/search/cmip6/）模式ScenarioMIP（未来情景模式对比计划）数据作为未来气候情景预测数据，选取了CMIP6的历史（1961—2014年）和未来（2021—2100年）4个气候模式数据（表1）。

世界气候变化检测、监测和指标专家组（ETCCDMI）共定义了27个极端气候指数，基于研究内容和极端气候在喀斯特的实际意义，在本研究中选取了22个极端气候指标用于建立极端气候指数与NDVI多元回归模型，见表2。

2. 2 研究方法

2. 2. 1 Mann-Kendall检验及Sen’s斜率估计

世界气象组织推荐的Mann-Kendall秩次相关非参数检验法［20］对时间序列的趋势变化有很好的定量分析作用，从水文角度考虑，即水文变量统计参数长期、系统的增减变化，国内外已有不少学者［21-22］都已经使用Mann-Kendall法来分析气温、降水。Mann-Kendall法还是一种非参数研究方法［23］，少数离群值根本无法干扰该方法的正确性。因此可以使用任意分布的样本，评估趋势的统计意义是相对的，见式（1）：

S的正值和负值分别代表时间序列的上升和下降趋势。在假设x中的所有元素都是随机排列且相互独立的情况下，利用［Var（S）］计算趋势显著性Z值大小。

当|Z|>|Z1 - 2/α|，拒绝原假设，说明有明显的变化趋势；本研究设定α=0. 05的显著性水平，所以当|Z|≤1. 96时，序列趋势不显著；当Z>1. 96时，它呈现显著上升的趋势，Z<-1. 96时，呈显著下降趋势。

Mann-Kendall趋势分析只能判断序列趋势的正负性和显著性，不能得到趋势的大小情况，因此引入Sen’s斜率估计法，它可以知道序列的精确趋势大小［20］，见式（4）：

2. 2. 2 偏差校正

为更精确得到小尺度区域气候变量的时空变化特征，必须借助该区域实测气象数据来对模式数据进行偏差校正，可以将不同气候模式的系统误差降低，提高不同气候模式在小尺度区域气候变化情景预测方面的能力［25］。将实测的多年月平均气温数据对不同气候模式的日气温数据进行校正，见式（5）：

Td（t）=TR（t）+ （ （5）式中：t对应每年的不同月份；Td（t）为偏差校正后对应年份的逐日最高气温；TR（t）为不同的气候模式在对应年份的逐日最高气温；Tobs为率定期实测的多年

月平均最高气温；TR为率定期气候模式的多年月平均最高气温。日最低气温的偏差校正过程与日最高气温的偏差校正一致。

为了更加精准地使用CMIP6多模式的降水数据，因此对各模式的降水数据进行偏差校正［26］。分位数映射法（Quantile Mapping，QM）将实测降水和历史GCMs降水的分布频率视为一致，再计算实测降水和历史GCMs降水之间的统计关系和传递函数，将该传递函数计算未来模式降水的可能值。

CF=ECD-1 Fobs（Pr） -ECD-1 Fm（Pr） （6）

XCDR=Xm-CF （7）

2. 2. 3 泰勒图

泰勒图法用于比较CMIP6模式的模拟能力，泰勒图中的3个元素包含：模拟值与观测值之间相关系数（R）、标准差之比（σ）和均方跟误差（RMSE）f 。σf和RMSE反映模拟值和观测值之间的偏差程度，R反映模拟值与观测值之间的相关程度［27］，见式（8）—（10）：

2. 2. 4 全子集回归

全子集回归法（All Subsets Regression）又叫最优子集法和全局择优法。考虑数据集中所有可能的回归模型，并根据AIC、SBIC等评估每个模型的性能，以选择最佳的模型。以下是进行全子集回归法

的一般步骤。①选择模型评估指标：全子集回归法需要评估每个模型的性能。常用的评估指标包括均方误差（RMSE）、调整后的R2（Adjusted R-

squared）和交叉验证误差等。②生成所有可能的模型：如果有4个自变量，那么模型空间将包括单变量模型（每个自变量单独一个模型）、双变量模型（从4个自变量中选择2个的组合模型）、三变量模型（从4个自变量中选择3个的组合模型），以及四变量模型（所有4个自变量都包含的模型）。③模型选择：根据模型评估结果，选择性能最佳的模型。

3 实证分析

3. 1 贵州省NDVI年际变化特征

贵州省1999—2019年NDVI变化趋势见图2。从变化趋势来看，贵州省年NDVI值整体呈波动上升趋势，说明省内植被覆盖水平增加，植被状况总体趋好，年际变化率为0. 06/10a。

3. 1. 1 NDVI值多年空间分布

为方便分析植被覆盖水平的空间规律，根据前人研究成果，本节将NDVI划分为5个等级：低植被覆盖（NDVI≤0. 30）、中低植被覆盖（0. 30）、中植被覆盖（0. 45）、中高植被覆盖（0. 60）和高植被覆盖（0. 75），贵州省植被覆盖度的空间分布特征（图3）可归纳为：高植被覆盖度占主导地位，中高植被覆盖度次之，其他的低植被覆盖和中低植被覆盖范围太少，主要集中在贵州省省会贵阳市附近。贵州东部和北部大部分地区NDVI值较高，由于西南部喀斯特发育较好，所以NDVI值较低，其中毕节市西部地区表现为大面积的中高植被覆盖。近21 a贵州省NDVI空间分布差异明显。贵州省植被覆盖度总体呈现东部高、西南部及西部靠近云南边缘低的分布特征，这主要与贵州省的自然条件和气候有关，贵州省东南部多为迎风面，受季风影响，降水量丰富，贵州省西南部和毕节市靠近云南边境一带，持续无雨日数偏多，土壤含水量较其他地区偏低，不适宜植被生长发育。

3. 1. 2 NDVI值变化趋势空间分布

本文给定显著性水平α=0. 05，则临界值为1. 96，当Z的绝对值大于1. 65、1. 96和2. 58时，表示趋势分别通过了置信度为90%、95%和99%的显著性检验，分别对应微显著、显著和极显著。结果显示除了省内中部少数地区外，贵州省内大部分地区呈极显著增加趋势；而贵州省中部城市及黔西南州发展地区的NDVI值呈显著减少趋势和极显著减少趋势，以贵阳市和遵义市为代表，城市附近的NDVI表现为极显著减少趋势；贵州省植被退化面积分布较为分散。从图4可以看出，贵州省植被改善面积远大于退化面积，虽然部分城市区域由于发展建设项目的增加而呈现出NDVI减少的变化，但总体上增加的区域比例相对较高，说明退耕还林工程和封山保林等保护工程后的贵州省的植被覆盖水平极大地提高，所以合理的规划和对行为的限制能够有效降低生态环境遭受破坏的风险，有利于生态环境的可持续发展。对于一些NDVI出现不同程度减少的地区，主要原因是城市化的快速发展侵占了周边植被空间，导致植被生存空间变小。

3. 2 极端气候事件与NDVI的相关性

如果极端气候指数之间没有相关性或没有显著相关性，则可根据相关系数的大小来排列极端气候指数对植被的影响重要性。利用相关分析法探讨年尺度极端气候指数对NDVI的影响，本小节使用22个极端气候指数与贵州省NDVI做相关性分析，可以从图5得到，与NDVI呈正相关的极端气候指数里，按它们之间的相关性大小排序如下（从大到小）：

TN90p>TR>TNn>R30>RX5day>R99p>PRCPTOT>R10>SU>R95p>TX90p>TXx>SDII>RX1day。与NDVI呈负相关的极端气候指数里，按照相关系数大小排序如下（从大到小）：TN10p>DTR>TX10p>CDD>CWD>ID。总体而言，在气温和降水方面，极端气温指数与NDVI的相关性高于极端降水指数。假设极端气候指数之间相互独立，那么通过相关系数值来建立极端气候指数对植被的多元回归方程，但分析发现极端气候指数不仅与NDVI存在相关性，气候指数之间也相互存在相关性。所以，不能根据相关系数值的大小来分析极端气候指数对NDVI的影响程度，同时不能忽视各极端气候指数相互影响的性质。所以，不能只根据图5所示的相关系数的大小来判断极端气候指数与NDVI之间的相关关系，需要多方位考虑来搭建相关关系模型，因此利用全子集回归法选择最佳的模型。

3. 3 NDVI未来预测回归模型

利用1999—2019年的22个极端气候指数与NDVI进行全子集回归，图6以R2adj为评价标准的贵州省年尺度极端气候指数与NDVI不同子集大小的22个模型。图6可知，不是所有极端气候指数都参与建模情况下的模型才是最佳模型，使模型R2adj达到最大，只需要单日最大降雨（RX1day）、5日最大降雨（RX5day）、日平均温差（DTR）、强降水量（R95p）、极强降水量（R99p）、冷夜日数（TN10p）、暖昼日数（TX90p）、热夜日数（TR）这8个极端气候指数参与的变量组合的R2adj最高为0. 88，这8个指数多元线性组合的模型模拟效果最优，减少或增加任何其他极端气候指数都会降低这8个指数组成的模型的模拟效果。

利用全子集回归法选取的8个极端气候指数，贵州省NDVI的回归得出的最佳回归模型及最佳回归模型的回归系数见表3，该表显示了极端气候指数与NDVI在贵州省整个年尺度上的最佳回归模型的回归系数，除TN10p和TR外，其他系数均在p<0. 05水平显著，表明NDVI不仅受极端降水的影响，也受极端温度的影响。

利用贵州省年尺度NDVI和年极端气候指数，建立的未标准化最优回归模型见式（11）：

NDVI = 0.887 - 0.229× 10-2RX1day +

0.17× 10-2RX5day - 0.407× 10-1DTR + 0.47×

（11）10-3R95p - 0.974× R99p - 0.487× 10-2TN10p +

0.708× 10-2TX90p + 0.191× 10-2TR

3. 4 贵州省极端气候事件及NDVI的未来预估

3. 4. 1 CMIP6数据偏差校正

泰勒图对模式模拟气温和降水要素的结果进行评估（图7），模式1为MIROC6模式；模式2为MPI-ESM1-2-LR模式；模式3为MRI-ESM2-0模

温（图7c）的STD值约为7. 3，R在0. 8～0. 9，RMSE值位于0. 3～0. 4；MME在日低温（图7e）的STD值约为7. 2，R在0. 90～0. 95，RMSE值位于0. 8～0. 9。经过

偏差校正后（图7），各模式模拟相对于校正前的分散形式表现得更为集中，多模式集合MME的模拟结果最接近观测值。

CMIP6的全球气候模式对降水的模拟效果较差，而温度的模拟效果明显优于降水。其中MME的模拟结果比单一模式更接近实测值，标准偏差和均方根误差优于绝大部分模式，模拟性能得到了显著增强。因此采用MME模式数据进行下一步研究。

3. 4. 2 极端气候事件未来变化分析

分析极端降水指数，持续无雨日数（CDD）的变化特征（图8a）。在SSP245情景，CDD呈减少趋势；在SSP585情景下，CDD减幅增大，均小于历史实测式；模式4为NESM3模式；模式5为多模式集合平均模式（Multi-Model Ensemble，MME）。

3个综合指标里，未偏差校正前降水（图7a）的STD以及R表现较差，MME在降水的STD最大值约为3. 2，R约为0. 2，RMSE在0. 8～1. 5；MME在日高值，说明未来贵州省最大干旱发生日数减少，年内降水日数增加。图8b分析了未来年降水量（PRCPTOT），贵州省未来80 a的PRCPTOT呈增加趋势，2021—2060年2种情景的PRCPTOT多年均值均高于历史PRCPTOT，不同排放情景下的PRCPTOT差异性小，但随着时间的推移，排放路径情景越高，增幅越大。2061—2100年PRCPTOT的多年均值与历史期相比显著增加，波动强度大，SSP585情景的PRCPTOT变化最大，增幅较大。2021—2060年的中雨日数（R10）与2061—2100年的R10相比，后者呈明显增加趋势，但R10总体小于基于实测数据所计算的指数，说明未来贵州省的中雨发生频次较过去趋于减少。表明未来在年总降水量增加的趋势下，年内降水日数增加，但中雨日数发生频次减少，发生极端降水的频次可能会增加。

分析极端气温指数，在SSP245情景下，未来前期的暖昼指数（TX90p）变化（图8d），小于历史实测期的TX90p值；未来后期呈增加趋势。SSP585情景下的TX90p变幅显著大于SSP245情景，对比历史实测期呈大幅增加趋势，未来后期比未来前期的变幅更大，但稳定性也更差。分析上下四分位数的分布，SSP245情景下的TX90p稳定性小于SSP585情景。图8e表示未来前期和后期在2种情景下贵州省SU均呈增加趋势，且随辐射强迫水平不断增加，SU增幅增加。在中强迫情景（SSP245）下，SU增幅随时间的推移不显著；在高强迫情景（SSP585）下，SU增幅均大于中强迫情景。总体的在SSP585和SSP245情景下，未来前期SU的变化与历史期SU的增幅小于未来后期，SSP585情景下的变化要比SSP245情景下的上升幅度大，未来SU均值较历史值增加60 d不等。在2种气候情景下，最低气温（TNn）的变化特征一致，由图8f得到未来前期和未来后期TNn无论中位数还是上下四分位数均高于历史期TNn值。在SSP245情景下，未来前期最低气温大约将上升4. 0 °C，未来后期最低气温将上升4. 3 °C至5. 8 °C左右，在SSP585情景下，未来后期最低气温将上升5. 5 °C至7. 0 °C左右，总的表现为随时间和辐射强迫水平的增加，最低气温升高。

总体上，贵州省未来气温普遍高于历史气温，未来降水量也呈增加趋势，原因可能在于该全球气温升高的背景下，蒸发速度明显加快，地球上的陆地、大洋和大气之间非常频繁的流通过程进而引起水文循环，所以未来80 a贵州省的总降水量可能会增加，进而发生强降水次数相比历史期可能会偏多。不同极端气候指数在不同情景下的变化不同，但总体上表现为随着辐射强迫的变幅增加但稳定性逐渐降低。

3. 4. 3 不同排放情景下的植被覆盖度预测

分析2种SSP情景下贵州省2021—2100年NDVI的时间变化趋势（图9），不同SSP情景下2021—2100年NDVI的变化趋势差异性较小。在2种情景下，NDVI的年际变化均呈增加趋势，为0. 04～0. 05 /10a。在SSP245情景下（图9a），NDVI先呈快速增长趋势后呈缓慢增长趋势，2021—2060年NDVI的变化率为0. 04 /10a，2061—2100年变化率为0. 01 /10a；在SSP585情景下（图9b），NDVI先快速增长后缓慢增长，2021—2060年NDVI的趋势为0. 06 /10a，变化率为0. 02 /10a，总结出，未来贵州省NDVI的变化趋势呈增加趋势，但增幅呈下降趋势。

SSP585情景下的NDVI变化率大于SSP245情景。分析NDVI最高值和最低值出现的年份，2种情景的NDVI最低值都出现在前40 a，而最高值出现在后40 a，随着辐射强迫的增加，最高值出现的年份逐渐提前，最高值也逐渐增加。从前后40 a的变化趋势来看，在不同情景下，2021—2060年的NDVI平均值均小于2061—2100年的平均值，且随着辐射强迫的增加，未来前期NDVI平均值略微减小，未来后期NDVI平均值明显增大。

4 结论

a））近21 a来，贵州省植被覆盖整体往良好的方向发展，呈显著增加的趋势，以高植被覆盖度为主，NDVI多年均值为0. 776，年增长率为0. 06 /10a。空间上，贵州省植被覆盖水平总体呈东高西低分布，喀斯特区低分布的格局。大部分地区植被覆盖呈显著增加趋势，揭示了在全球气候变暖的外部环境及近年来的退耕还林和封山保林工程，贵州省植被发展良好，但城市扩张区NDVI呈显著减少趋势。在降水充沛区域，气温是影响植被生长的主要约束条件，极端暖温指数对植被起促进作用，极端冷温指数对植被有抑制作用。

b））MME能有效提高模拟贵州省未来极端气候事件变化的效果，MME对气温的模拟效果最好，降水次之。2021—2100年贵州省气候以增暖增湿为主，其中夏天日数和最低气温的上升幅度显著，极端冷温指数多呈下降趋势，代表干旱的极端降水频率指数多呈不显著减少趋势，代表湿润的极端降水频率指数呈显著增加趋势。极端气候事件在SSP585情景下的变化幅度大于SSP245情景。植被覆盖度随未来年平均气温和年总降水量增加，2种情景下未来NDVI总体呈增加趋势，在高辐射强迫情景下趋势更显著，说明气候变暖的温室效应相比极端气候事件带来的负向作用影响力更大，但历史期植被变化率较未来期偏大，说明极端气候事件也有一定抑制作用。

本文主要通过相关回归探讨极端气候事件对NDVI的影响，在多元回归模型中忽略了未参与模型的指数的贡献。在今后的工作中，将尝试建立更多的模型，尽可能量化各极端气候指数对植被NDVI的影响，并在今后进一步分析极端气候事件对植被生理结构的具体机制，同时开展不同植被类型区极端气候指数对植被 NDVI的影响。

参考文献：

［1］ IPCC第六次评估报告第一工作组报告发布［N］. 中国气象报，2021-08-10（1） .

［2］KIKSTRA J S， NICHOLLS Z R J， SMITH C J， et al. The IPCCSixth Assessment Report WGIII climate assessment of mitigation pathways： from emissions to global temperatures［J］. Geoscientific Model Development， 2022， 15（24）： 9075-9109.

［3］王蕾，张百超，石英，等. IPCC AR6报告关于气候变化影响和风险主要结论的解读［J］. 气候变化研究进展，2022，18（4）： 389-394.

［4］MESEGUER-RUIZ O， CORVACHO O， TOSETTI A T， et al. Analysis of the trends in observed extreme temperatures in mainland Chile between 1966 and 2015 using different indices［J］. Pure and Applied Geophysics， 2019， 176： 5141-5160.

［5］罗玉. 西南地区极端降水和气温的变化特征及其与高原夏季风的关系研究［D］.成都：成都信息工程大学，2015.

［6］赵树云，袁畅，张华，等. 基于多源证据估算气候敏感度最新研究进展： IPCC AR6解读［J］. 大气科学学报，2023，46（6）： 848-863.

［7］ LI J L F， XU K M， RICHARDSON M， et al. Annual andseasonal mean tropical and subtropical precipitation bias in CMIP5 and CMIP6 models［J］. Environmental Research Letters， 2020， 15（12）. DOI：10. 1088/1748-9326/abc7dd.

［8］刘珊珊，刘布春，刘园，等. CMIP6全球气候模式对山东极端气温模拟能力评估［J］. 中国农业气象，2024，45（1）： 91-100.

［9］ FU Y H， LIN Z D， WANG T. Simulated relationship between wintertime ENSO and East Asian summer rainfall： From CMIP3 to CMIP6［J］. Advances in Atmospheric Sciences， 2021， 38（2）： 221-236.

［10］吕桂军，冷险险，刘小刚，等. 基于CMIP5多模式集合预估贵州省干旱时空变化［J］. 江苏大学学报（自然科学版），2021，42（2）： 221-228.

［11］吴晶，王宝鉴，杨艳芬，等. CMIP3与CMIP5模式对中国西北干旱区气温和降水的模拟能力比较［J］. 气候变化研究进展，2017，13（3）： 198-212.

［12］ZHANG R F， XU X L， LIU M X， et al. Comparing evapotranspiration characteristics and environmental controls for three agroforestry ecosystems in a subtropical humid karst area［J］. Journal of Hydrology， 2018， 563： 1042-1050.

［13］康为民，罗宇翔，向红琼，等. 贵州喀斯特山区的NDVI-Ts特征及其干旱监测应用研究［J］. 气象，2010，36（10）：78-83.

［14］GOTFRIED M，PAULI H，FUTSCHIK A，et al. Continent-wide response of mountain vegetation to climate change［J］. Nature Climate Change， 2012（2）： 111-115.

［15］王茜，赵筱青，普军伟，等. 滇东南喀斯特区域生态脆弱性时空演变与影响因素［J］. 应用生态学报，2021，32（6）： 2180-2190.

［16］昝瑛，马竟文，余钰淋，等. 降雨极端化对喀斯特草本植物功能性状的影响［J］. 西南大学学报（ 自然科学版），2022，44（9）： 20-31.

［17］HE L， GUO J B， YANG W B， et al. Multifaceted responses of vegetation to average and extreme climate change over global drylands［J］. Science of The Total Environment， 2023， 858. DOI：10. 1016/j. scitotenv. 2022. 159942.

［18］MURADYAN V， TEPANOSYAN G， ASMARYAN S， et al. Relationships between NDVI and climatic factors in mountain ecosystems： A case study of Armenia［J］. Remote Sensing Applications： Society and Environment， 2019， 14：158-169.

［19］吴运力， 张钰，田佳榕. 气候变化和人类活动对内蒙古高原不同植被类型NDVI的影响［J］. 中国农业气象，2023，44（12）： 1155-1168.

［20］符淙斌，王强. 气候突变的定义和检测方法［J］. 大气科学，1992（4）： 482-493.

［21］刘子堂，李谢辉，杨静坤. 四川盆地极端降水事件时空变化特征及未来趋势分析［J］. 成都信息工程大学学报，2022，37（4）： 456-463.

［22］GUO M， LI J， HE H S， et al. Detecting global vegetation changes using mann-kendal （MK） trend test for 1982-2015 time period［J］. Chinese Geographical Science， 2018， 28（6）： 907-919.

［23］吴晶璐，吴建秋，黄文彦，等. 近50年华东地区极端气温变化特征［J］. 湖北农业科学，2021，60（S1）： 96-100，114.

［24］SEN P K. Estimates of the regression coefficient based on Kendall's tau［J］. Journal of the American Statistical Association，1968，63（324）： 1379-1389.

［25］朱世峰，王卫光，丁一民，等. 基于CMIP6的长江中下游未来水稻高温热害时空变化特征［J］. 农业工程学报，2023，39（3）： 113-122.

［26］LI H B，SHEFFIELD J， WOOD E F. Bias correction of monthlyprecipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching［J］. Journal of Geophysical Research： Atmospheres， 2010， 115. DOI：10. 1029/2009JD012882.

［27］胡一阳，徐影，李金建，等. CMIP6不同分辨率全球气候模式对中国降水模拟能力评估［J］. 气候变化研究进展，2021，17（6）： 730-743.