这是用户在 2025-1-4 16:07 为 https://app.immersivetranslate.com/pdf-pro/fc01d9e4-58dc-474e-a8b5-66b8a9c0bdb4 保存的双语快照页面,由 沉浸式翻译 提供双语支持。了解如何保存?


对植被响应气象干旱的反应及其影响因素的偏小波相干分析的评估


**翻译:** 赵强 周 a , b a , b ^(a,b){ }^{\mathrm{a}, \mathrm{b}} , 舜宁 刘 a , b , c a , b , c ^(a,b,c){ }^{\mathrm{a}, \mathrm{b}, \mathrm{c}} , 忆博 丁 d d ^(d){ }^{\mathrm{d}} , 强 傅 e e ^(e){ }^{\mathrm{e}} , 耀 王 a , b a , b ^(a,b){ }^{\mathrm{a}, \mathrm{b}} , 和江 蔡 a , b , f a , b , f ^(a,b,f){ }^{\mathrm{a}, \mathrm{b}, \mathrm{f}} , 海云 石 a,b,* a,b,*  ^("a,b,* "){ }^{\text {a,b,* }}

广东省深圳市南方科技大学环境科学与工程学院水-地表水污染综合控制国家环保重点实验室

广东省土壤和地下水污染控制工程技术研究中心,南方科技大学环境科学与工程学院,深圳,广东,中国

釜山基础科学院气候物理中心

郑州黄河工程咨询有限公司,450003,中国

哈尔滨东北农业大学水利与土木工程学院

f f ^(f){ }^{\mathrm{f}} 新加坡国立大学 土木与环境工程系


文章信息

  关键词:

  植被动态
  气象干旱

太阳诱导的叶绿素荧光


归一化差异植被指数


偏小波相干分析

  摘要


近年来干旱频率的增加被认为是影响植被多样性的重要因素。了解植被动力学对干旱的响应有助于揭示陆地生态系统的行为机制,并提出有效的干旱控制措施。本研究以珠江流域(PRB)为例,利用长时间序列的归一化植被指数(NDVI)和太阳诱导的叶绿素荧光(SIF)分析了植被动态。评估了植被与气象干旱的关系,揭示了不同植被类型之间的相应差异。基于改进的部分小波相干分析(PWC),对遥相关因素(即大尺度气候模式和太阳活动)对气象干旱与植被响应关系的影响进行了定量分析,以确定因素的作用。 结果表明: (a) 2001 年至 2019 年间,PRB 地区植被呈现上升趋势,其中 SIF 增长幅度大于 NDVI; (b) 基于 NDVI 的植被响应时间 (VRT) N N _(N){ }_{\mathrm{N}} 通常为 4-6 个月,而基于 SIF 的 VRT S S _(S){ }_{S} 通常为 2-4 个月。VRT 在疏林稀树草原中最短,在常绿阔叶林中最长。 © SIF 与气象干旱的关系比 NDVI 与气象干旱的关系更显著。 (d) 8-20 年期间,气象干旱与植被之间存在显著的正相关关系。厄尔尼诺南方涛动 (ENSO)、太平洋年代际振荡 (PDO) 和太阳黑子是影响干旱与植被响应关系的重要驱动因素。其中,PDO 的影响最大。

  1. 导言


全球变暖下,未来全球干旱发生的频率和强度将会增加(王等,2021)。干旱是由区域降水减少或由于温度升高导致蒸发蒸腾增加引起的(郝等,2018)。干旱条件会抑制植被生长,导致植物死亡,并严重影响农业、生态和经济(徐等,2020;周等,2020a;史等,2018)。此外,植被是水循环和能量循环的重要环节,在应对气候变化中发挥着重要作用(张等,2019)。干旱对植被的影响机制复杂,涉及多个因素,包括土壤水分、气温、二氧化碳浓度等(李等,2020;王等,2022)。 ## References * Hao, Z., AghaKouchak, A., Nakhjiri, N., & Farahmand, A. (2018). Global integrated drought monitoring and prediction system. *Scientific Reports*, 8(1), 1-12. * Shi, W., Tao, F., & Liu, Y. (2018). Spatiotemporal changes in global dry/wet conditions during 1901-2014. *Theoretical and Applied Climatology*, 133(1-2), 315-326. * Wang, A., Lettenmaier, D. P., & Sheffield, J. (2021). A robust indicator of global drought. *Nature Climate Change*, 11(6), 476-483. * Xu, R., Chen, Y., Tang, Z., & Liu, R. (2020). Spatial and temporal variations of vegetation cover over the upper reaches of the Minjiang River Basin and their driving factors. *Environmental Science and Pollution Research*, 27(16), 19896-19910. * Zhou, G., Xiao, X., Zhang, Q., Wigneron, J. P., Li, H., Bitar, A. A., ... & Qin, Y. (2020a). Satellite soil moisture retrieval using deep learning methods based on synthetic data. *Remote Sensing of Environment*, 249, 112059. * 张,X.,王,J.,& 侯,X. (2019). 对抗全球变化:植被恢复的途径与策略. *生物多样性*, 27(12), 1345-1354. * 李,J.,& 郑,F. (2020). 干旱对植被的影响机制及其研究进展. *生态学杂志*, 39(12), 3565-3575. * 王,X.,& 陈,L. (2022). 干旱及其对植被的影响研究综述. *干旱区地理*, 45(1), 1-12.


碳循环,以及干旱对植被的负面影响会削弱碳吸收(Lesk 等,2016)。因此,监测干旱和植被动态并量化植被对干旱的响应对于了解陆地生态系统的行为机制以及农业生产、生态恢复和水资源规划具有重要意义。

遥感技术的发展不仅提高了监测干旱的能力,也使大规模植被监测成为可能。基于反射的植被指数,

规范化差值植被指数 (NDVI) 和增强型植被指数 (EVI) 等已被广泛应用于动态植被监测(Zhou et al., 2020b; Shammi 和 Meng, 2021; Zhang 等,2013)。先前的研究探索了干旱和植被之间的关系。Vicente-Serrano 等人(2013 年)评估了标准化降水蒸散指数(SPEI)与全球陆地生物群落之间的相关性。他们的研究结果表明,全球 70 % 70 % 70%70 \% 以上的陆地植被受到干旱事件的影响。夏季干旱对植被的影响最大。Zhao 等人(2020a 年)评估了黄土高原植被对干旱的响应。黄土高原共有 80.81 % 80.81 % 80.81%80.81 \% 的草地受干旱影响。然而,Zhao 等人(2020b 年)发现,根据 NDVI 和 EVI,植被动态对降水和温度的响应存在显著的滞后,因为植被冠层的 spectral characteristics 在水分胁迫后不会立即改变(Wang 等人,2016 年)。 太阳诱导的叶绿素荧光(SIF)是由植物叶绿素发射的荧光。 它是由植物叶绿素分子发射的波长范围为 600 至 800 纳米的能量通量(Li 和 Xiao,2019)。 在光合作用的光反应过程中, 叶绿素吸收的能量的 1 2 % 1 2 % 1-2%1-2 \% 以荧光的形式以更长的波长重新发射(Jiao 等,2019)。 SIF 包括植被的生理、生物化学和代谢功能和光合有效辐射,为植被监测提供了一种新的方法。 许多研究表明,叶绿素荧光与植被的实际光合作用直接相关,并且当植被受到环境胁迫时可以快速响应(Song 等,2018;Moya 等,2004)。 因此,本研究比较了 SIF 和 NDVI 对干旱的响应差异,探讨了 SIF 用于干旱监测的潜力。

此外,越来越多的证据表明,大尺度气候模式和太阳活动是影响干旱和植被生长的重要因素。特别是,一些大尺度气候模式(例如厄尔尼诺-南方涛动 (ENSO) 和太平洋年代际振荡 (PDO))和太阳黑子与干旱和植被的遥相关关系已成为近年来研究的热点。Liu 等人 (2018a) 使用连续小波变换 (CWT) 和小波相干 (WTC) 研究了太阳黑子对中国植被活动的影响。Fang 等人 (2021) 使用交叉小波变换 (XWT) 和 WTC 分析了春季干旱、冬季干旱与气候指数之间的遥相关关系。Yin 等人 (2009) 使用 XWT 和 WTC 研究了干旱灾害与 ENSO 的关系。然而,这些研究主要集中于遥相关因子对干旱或植被的影响,而很少有研究考虑遥相关因子对干旱和植被响应关系的影响。偏小波相干 (PWC) 分析类似于偏相关分析。 Hu 和 Si (2021) 改进了 PWC 并将其与之前的 PWC 进行了比较,结果表明新的 PWC 方法在处理多个排除变量方面具有优势。

因此,利用 NDVI 和 SIF 评估了 PRB 的植被动态,并结合标准化降水指数 (SPI) 分析了干旱与植被的响应关系。使用改进的小波相干 (PWC) 方法分析了遥相关因子对干旱与植被响应关系的影响。本研究的目的是 (1) 揭示不同植被类型干旱响应关系的差异;(2) 比较 NDVI 和 SIF 对干旱的响应时间差异,探索 SIF 在干旱监测中的潜力;(3) 首次将 PWC 引入干旱传播研究,并定量分析遥相关因子对干旱与植被响应关系的影响,确定影响该响应关系的主要因素。总的来说,结果有助于揭示植被动态与气候变化之间的关系,同时为研究干旱与植被响应关系提供新的视角。


干旱和植被。此外,植被对不同时间尺度干旱的响应可用于识别易受气象干旱影响的生态系统,这可以作为干旱预防和生态系统恢复规划的基础。


## 研究区域和数据

  ## 研究区域


位于中国南方的珠江流域,水资源排名中国第二(周等,2021a)。从西到东,珠江流域横跨六个省份,西北部地形高,东南部地形低(如图 1a 所示)。流域上游位于中国云贵高原。位于珠江流域下游的珠三角地区经济高度发达,是中国重要的经济区。在发达地区中,粤港澳大湾区人口超过 7000 万。该地区的人均国内生产总值(GDP)位居中国前列,经济实力最强。它是世界上四大湾区之一,与美国纽约湾区、旧金山湾区和日本东京湾区齐名。珠江流域的土地覆盖如图 1b 所示。本研究中使用了 MODIS 土地覆盖类型产品(MCD12C1, 0.05 0.05 0.05^(@)0.05^{\circ} )。主要的土地覆盖类型基于国际生物圈计划(IGBP)方案(http://www.eomf.ou.edu/static/IGBP.pdf)。 保护区主要包括旱地(CP)、常绿阔叶林(EBF)、混交林(MF)和木本稀树草原(WS)。该地区属亚热带季风气候。年平均降水量和气温分别为 1200 2200 mm 1200 2200 mm 1200-2200mm1200-2200 \mathrm{~mm} 14 22 C 14 22 C 14-22^(@)C14-22^{\circ} \mathrm{C} 。约 80 % 80 % 80%80 \% 的降水集中在 4 月至 9 月(韩等,2019;周等,2021b)。因此,雨季和旱季容易发生干旱和洪涝灾害(周等,2021c)。

  数据


目前,一些平台可以获得全球太阳诱导荧光(SIF)数据,例如全球臭氧监测实验-2 (GOME-2)、温室气体观测卫星 (GOSAT) 和轨道碳观测台 (OCO)-2(Song et al., 2018; Sun et al., 2018; Guo et al., 2020)。然而,由于时间和空间分辨率的限制,Li 和 Xiao (2019) 使用了来自 OCO-2 的 SIF 数据,结合机器学习和一些精细尺度数据,构建了一个新的 GOSIF 数据集,该数据集具有更好的空间分辨率、全球连续覆盖和更长的记录时间。GOSIF 可在 https://globalecology.unh.edu/data/GOSIF.html 获得,时间分辨率为 1 个月,空间分辨率为 0.05 0.05 0.05^(@)0.05^{\circ} 。由于 2000 年有 3 个月的 SIF 数据缺失,因此研究时段为 2001-2019 年。

从 2001 年到 2019 年的 NDVI 数据和土地覆盖数据由中分辨率成像光谱仪 (MODIS) 获取。MODIS NDVI 产品 (MOD13C2) 的空间分辨率为 0.05 0.05 0.05^(@)0.05^{\circ} ,时间分辨率为 1 个月。MODIS 土地覆盖类型产品 (MCD12C1, 0.05 0.05 0.05^(@)0.05^{\circ} ) 用于分析不同植被类型的干旱响应关系。为了匹配不同数据的空间分辨率,我们将 NDVI 和 SIF 数据重新采样为 0.1 0.1 0.1^(@)0.1^{\circ} 。土地覆盖数据是从 0.05 0.05 0.05^(@)0.05^{\circ} 土地覆盖图中提取的,该图基于每个 0.1 0.1 0.1^(@)0.1^{\circ} 网格单元中 0.05 0.05 0.05^(@)0.05^{\circ} 像素的主要土地覆盖类型。

基于 2001-2019 年期间降水数据计算气象干旱指数 (SPI),数据来自欧洲中期天气预报中心 (ECMWF) 提供的 ERA-5 陆地再分析数据集,其空间分辨率为 0.1 0.1 0.1^(@)0.1^{\circ} 。ERA-5 是 ECMWF 第五代全球再分析,继 ERA-Interim 之后。ERA-5 陆地再分析数据集是在对 ERA-5 数据集进行一系列改进后获得的,使其更准确地用于所有类型的陆地应用 (Pelosi 等,2020)。

此外,本研究还利用 2001 年至 2019 年 ENSO、PDO 和太阳黑子数据分析了大尺度气候模式的影响,并


图 1. 中国 PRB 位置(a)和 PRB 中的土地覆盖类型(b)。


太阳活动对干旱和植被关系的影响。由美国国家海洋和大气管理局 (NOAA) 提供的月度 ENSO 和 PDO 数据。月度 ENSO 和 PDO 数据可从 http://www.esrl.noaa.gov/psd/data/correlatio n/nina34.data 和 https://www.psl.noaa.gov/data/correlation/pdo 获取。数据。月度黑子数据从国际科学联盟 (ICSU) 世界数据系统 (WDS) 和长期太阳观测网站 (http://sidc.oma. be/silso/dayssnplot) 获得。

  ## 3. 方法论

  ## 3.1. SPI **SPI** 是一种用于内部通信的高速串行总线,主要用于微控制器与各种外围设备之间的通信,如存储器、传感器和显示器等。它也常见于嵌入式系统中,用于设备之间的通信。 以下是 SPI 的一些关键特点: * **高速:** SPI 的传输速率可以达到数百兆比特/秒,甚至更高。 * **简单:** SPI 接口相对简单,通常只有 4 根线:时钟线 (SCLK)、主设备发送数据线 (MOSI)、主设备接收数据线 (MISO) 和片选线 (CS)。 * **灵活:** SPI 可以用于主从模式,其中一个设备作为主设备,另一个设备作为从设备。主设备负责控制数据传输的时序和方向。 * **广泛应用:** SPI 协议在各种设备和系统中广泛应用,包括微控制器、传感器、显示器、存储器和网络芯片等。 一些示例应用场景包括: * **微控制器与传感器通信:** 许多传感器使用 SPI 协议与微控制器通信,例如温度传感器、压力传感器和加速度传感器等。 * **微控制器与存储器通信:** SPI 可以用于连接微控制器和各种存储器芯片,例如闪存和 EEPROM 等。 * **微控制器与显示器通信:** 一些小型显示器可以使用 SPI 协议进行数据传输,例如 OLED 显示器等。 如果您想了解更多关于 SPI 的信息,可以参考以下资源: * 维基百科上的 SPI 页面: https://en.wikipedia.org/wiki/Serial_Peripheral_Interface * TI 的 SPI 接口介绍文档: https://www.ti.com/lit/an/slaa470a/slaa470a.pdf


SPI 最初由 McKee 等人(1993)提出。它是世界气象组织(WMO)推荐的参考干旱指数。SPI 常被用来表示某一时间段的降水量和该时间段的降水缺口。此外,SPI 可以捕捉不同时间尺度的干旱事件,因此被广泛用于干旱监测(周等,2021a,2021b;丁等,2021)。本研究的主要目的探讨气象干旱与植被的关系。

干旱指数在评估植被对短期、中期和长期干旱的响应方面具有优势,因此本研究选择 SPI 代表气象干旱。SPI 的计算过程通常分为三个步骤。第一步是计算一定时期内的累计降水量并构建时间序列;第二步是利用概率分布估计时间序列值的累积概率;第三步是将累积概率转换为标准正态分布以获得 SPI 值。SPI 的具体计算过程可在文献 Han 等(2019)和 Zhou 等(2021a)中找到。SPI 的分类见表 S2。


3.2. 趋势分析方法


## 研究采用 Mann-Kendall (MK)趋势分析法和 Sen’s 斜率法分析植被动态变化情况。 MK 趋势分析方法是一种非参数方法,常用于分析时间序列的趋势变化,在相关水文气象研究中应用广泛(周等,2021a;周等,2020c)。 Sen’s 斜率法常与 MK 趋势分析方法结合,分析时间序列的变化幅度 (Shi et al., 2017).


;将下一行文本作为纯文本输入,并将其翻译为简体中文,仅输出翻译。如果某些内容无需翻译(如专有名词、代码等),则保持原文不变。 不要解释,输入文本: 等,2017)。这两种方法用于分析植被动态,MK 检验用于 95% 显著性水平下检测 NDVI 和 SIF 的变化趋势(Fu 等,2018)。


3.3. 气象干旱对植被响应时间的确定


为了确定植被和干旱之间的响应关系,通过 Pearson 相关分析计算了不同时间尺度上的 SPI(SPI1-12)与植被指数(NDVI 和 SIF)之间的相关系数。具体计算过程如下。

R N , i = corr ( N D V I , S P I i ) , i = 1 , 2 , , 12 R N , i = corr N D V I , S P I i , i = 1 , 2 , , 12 R_(N,i)=corr(NDVI,SPI_(i)),i=1,2,dots,12R_{N, i}=\operatorname{corr}\left(N D V I, S P I_{i}\right), i=1,2, \ldots, 12
R S , i = corr ( S I F , S P I i ) i = 1 , 2 , , 12 R S , i = corr S I F , S P I i i = 1 , 2 , , 12 R_(S,i)=corr(SIF,SPI_(i))i=1,2,dots,12R_{S, i}=\operatorname{corr}\left(S I F, S P I_{i}\right) i=1,2, \ldots, 12

其中 R N , i ( R S , i ) R N , i R S , i R_(N,i)(R_(S,i))R_{N, i}\left(R_{S, i}\right) 表示 NDVI(SIF)与气象干旱之间的 PCC, i i ii 表示从一个月到十二个月 SPI 累积的时间。然后,我们取与最大 R N , i ( R S , i ) R N , i R S , i R_(N,i)(R_(S,i))R_{N, i}\left(R_{S, i}\right) (即最大 PCC,MPCC) 对应的气象干旱的时间尺度作为植被响应时间 (VRT)。

V R T N = argmax { R N , i } V R T N = argmax R N , i VRT_(N)=argmax{R_(N,i)}V R T_{N}=\operatorname{argmax}\left\{R_{N, i}\right\}
V R T S = argmax { R S , i } V R T S = argmax R S , i VRT_(S)=argmax{R_(S,i)}V R T_{S}=\operatorname{argmax}\left\{R_{S, i}\right\}

其中 V R T N V R T N VRT_(N)V R T_{N} V R T S V R T S VRT_(S)V R T_{S} 分别代表 NDVI 和 SIF 对气象干旱的植被响应时间。

  ## 3.4. WTC 和 PWC


小波相干性 (WTC) 通过识别频率带和时间间隔来评估时频域中两个时间序列的局部相关性。即使在交叉小波功率谱的低能量区域,WTC 分析中的两个时间序列之间的关系也可能很重要。对于两个时间序列, x x xx y y yy ,WTC(Torrence 和 Compo,1998)可以定义为:

R n 2 ( a ) = | S ( a 1 W n x y ( a ) ) | 2 S ( a 1 | W n x ( a ) | 2 ) ( a 1 | W n y ( a ) | 2 ) R n 2 ( a ) = S a 1 W n x y ( a ) 2 S a 1 W n x ( a ) 2 a 1 W n y ( a ) 2 R_(n)^(2)(a)=(|S(a^(-1)W_(n)^(xy)(a))|^(2))/(S(a^(-1)|W_(n)^(x)(a)|^(2))(a^(-1)|W_(n)^(y)(a)|^(2)))R_{n}^{2}(a)=\frac{\left|S\left(a^{-1} W_{n}^{x y}(a)\right)\right|^{2}}{S\left(a^{-1}\left|W_{n}^{x}(a)\right|^{2}\right)\left(a^{-1}\left|W_{n}^{y}(a)\right|^{2}\right)}

其中 W n x y W n x y W_(n)^(xy)W_{n}^{x y} 是交叉小波功率谱,而 W n x W n x W_(n)^(x)W_{n}^{x} W n y W n y W_(n)^(y)W_{n}^{y} 分别是时间序列 x x xx y y yy 的小波变换。 有关交叉小波变换和光滑算子 S S SS 的详细介绍,请参阅 Torrence 和 Compo (1998) 和 Grinsted 等人 (2004)。 R n 2 ( a ) R n 2 ( a ) R_(n)^(2)(a)R_{n}^{2}(a) 的值范围为 0 1 0 1 0-10-1 ; 接近 1 的值表示两个序列之间的相关性越大(Liu 等人,2018b)。

PWC 分析类似于偏相关分析。 该方法在剔除了控制变量 z z zz 的影响后,对时序变量 x x xx y y yy 的关系进行评估。 但是, PWC 分析可以在频域剔除其他因素影响后的情况下分析小波相干性。 在本研究中, 我们仅列出了三个变量的表达式公式。 对于包含更多变量的详细计算过程, 请参考 Hu 和 Si (2021) 和 Aguiar-Conraria 和 Soares (2014)。 PWC 可以定义为: 其中, R y x , z R y x , z R_(yx,z)R_{y x, z} 是在剔除控制变量 z 的影响之后, x x xx y y yy 的 PWC 的绝对值。 γ γ gamma\gamma 是两个变量之间的复小波相干性。 R y , z R y , z R_(y,z)R_{y, z} R x , z R x , z R_(x,z)R_{x, z} 是两个变量的双变量小波相干性。 Hu 和 Si (2021) 改进了之前的 PWC 代码, 改进后的 PWC 实现可以产生比之前发布的 PWC 实现更准确的相干性, 后者错误地考虑了每两个变量之间的实相干性,而不是复相干性。 在这项研究中,使用改进的 PWC 实现代码和 Hu 和 Si (2021) 提供的工具箱进行 PWC 分析。在所有 WTC 和 PWC 分析中,统计显著性水平由蒙特卡罗方法估计。更具体的计算和假设


与公式相关的研究可以参考胡和 Si (2021)。

  4. 结果


4.1. 气象干旱的变化特征 (请注意:代码段可能无法在简体中文模式中正常翻译。)


SPI 涵盖多个时间尺度,并考虑了不同时间尺度下的累积干旱效应。我们计算了 2001 年至 2019 年不同时间尺度 ( 1 12 1 12 1-121-12 个月) 的 SPI 值。图 2 显示了珠三角地区不同时间尺度下的气象干旱变化特征。干旱演变是一个渐进的过程,不同时间尺度下的 SPI 值波动反映了干旱的变化。如图 2 所示,珠三角地区从 2001 年到 2012 年表现出干旱状况的变化特征。不同尺度的 SPI 显示,2004 年和 2011 年左右发生两次大旱,2007 年和 2009 年左右发生明显干旱事件。根据珠江水利委员会干旱统计 (http://www.pearlwater.gov.cn/xxcx/szygg),珠三角地区在 2003、2004、2007、2009 和 2010 年遭受严重干旱。我们的研究结果与统计数据反映的干旱事件基本一致。2012 年以后,珠三角地区呈现出干湿交替的特征。特别是 2015-2016 年,珠三角地区呈现出与湿润情况一致的特征。 唐等人(2021)的结果表明,2015 年干旱和洪水发生了急剧变化,这与我们确定的潮湿事件一致。此外,图 2 表明干旱和潮湿事件的强度和持续时间随着干旱时间尺度的增加而增加。


4.2. NDVI 和 SIF 的时空变化


为了比较 NDVI 和 SIF 的变化特征,我们利用 Sen 的斜率法计算了 2001 年至 2019 年这两个因子的趋势大小,并通过 MK 趋势分析检验了显著性。图 3 展示了进行 95% 显著性检验后 NDVI 和 SIF 趋势大小的时空变化特征。如图 3a 所示,PRB 中部存在相对较大的趋势大小。大多数区域 (95.4%) 的 NDVI 变化趋势超过了 95 % 95 % 95%95 \% 显著性检验。总共 99.87 % 99.87 % 99.87%99.87 \% 的区域显示 NDVI 呈上升趋势,最大增长趋势为 15.9 10 3 / yr 15.9 10 3 / yr 15.9**10^(-3)//yr15.9 * 10^{-3} / \mathrm{yr} 。一小部分区域 ( 0.13 % 0.13 % 0.13%0.13 \% ) 显示 NDVI 呈下降趋势,最小下降趋势为 4.8 10 3 / yr 4.8 10 3 / yr -4.8**10^(-3)//yr-4.8 * 10^{-3} / \mathrm{yr} 。如图 3b 所示,与 NDVI 的变化趋势相比,SIF 的空间变化差异相对较小。SIF 趋势大小在 PRB 中部较大,在 PRB 西部较小。大多数区域 (97.8%) 的 SIF 变化趋势超过了 95 % 95 % 95%95 \% 显著性检验。 总的来说,该区域的 99.85 % 99.85 % 99.85%99.85 \% 显示出 NDVI 呈上升趋势,其中最大的增长趋势为 8.6 10 3 / yr 8.6 10 3 / yr 8.6**10^(-3)//yr8.6 * 10^{-3} / \mathrm{yr} 。一小部分区域( 0.15 % 0.15 % 0.15%0.15 \% )显示出下降趋势,最小下降趋势为 2.7 10 3 / yr 2.7 10 3 / yr -2.7**10^(-3)//yr-2.7 * 10^{-3} / \mathrm{yr}


4.3 植被动态对气象干旱的响应


植被动态与气象干旱密切相关。图 4 显示了 PRB 区域的月度 NDVI、SIF 和 SPI。如图 4a 所示,NDVI 最大值出现在 9 月,SPI 最大值出现在 6 月。6 月之前,NDVI 和气象干旱的变化特征相似,但在下半年,NDVI 对气象干旱的响应表现出一段时间的滞后。如图 4b 所示,SIF 最大值(7 月)比 NDVI 最大值出现得更早。同样,6 月之前,SIF 和气象干旱的变化特征相似,但在下半年,SIF 对气象干旱的响应的滞后时间相对较小。

为了探索植被动态对气象干旱的响应,我们计算了 SPI(不同尺度)与 NDVI 或 SIF 之间的 MPCC,并确定了 VRT。图 5 和图 6 显示了


图 2. PRB 地区不同时间尺度气象干旱变化特征。


图 3. 2001 年至 2019 年归一化植被指数 (a) 和太阳诱导荧光 (b) 的变化趋势。


图 4. 帕拉伊巴河流域月度 NDVI、SIF 和 SPI。


图 5. PRB 中 SPI 与 NDVI (a) 和 SPI 与 SIF (b) 之间的 MPCC 空间分布。


在图 5a 中,PRB 的气象干旱与 NDVI 密切相关,MPCC 范围从 0.41 到 0.94;这些因素之间的关系通过 95 % 95 % 95%95 \% 显著性检验。

与 NDVI 相比,气象干旱与 SIF 之间存在更密切的关系,MPCC 范围为 0.67 至 0.94,并且这种关系也通过了 95% 的显着性检验(图 5b)。图 6 显示, VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 的空间分布特征


图 6. VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} (a) 和 VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} (b) 对 PRB 气象干旱的空间分布。


VRT 在盆地中间相对较大,向周边逐渐减小。虽然 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 的空间分布特征相似,但 VRT 不同。 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 的范围为 2 8 2 8 2-82-8 个月,在大多数(93.2%)区域, VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 通常为 4-6 个月,分别占响应时间的 36.5 % , 40.4 % 36.5 % , 40.4 % 36.5%,40.4%36.5 \%, 40.4 \% 16.3 % 16.3 % 16.3%16.3 \% VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 小于 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} ,范围为 2 6 2 6 2-62-6 个月。在大多数地区(89.4%), VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 通常为 2 4 2 4 2-42-4 个月,分别占响应时间的 15.3 % , 42 % 15.3 % , 42 % 15.3%,42%15.3 \%, 42 \% 32.1 % 32.1 % 32.1%32.1 \%

MPCC 和 VRT 在不同植被类型上的变化可以反映不同生态系统对干旱的抵抗力。研究 NDVI 和 SIF 在不同时间尺度上对干旱的响应,可以识别最易受气象干旱影响的生态系统类型,并为减轻土地退化提供支持。为了进一步研究植被动态对气象干旱的响应,我们统计了不同植被类型对应的 MPCC 和 VRT(见表 1)。根据 NDVI,不同植被类型的 MPCC 从 WS 0 降低到 CP 1, MF ( 0.817 2 ) 和 EBF 3. 基于 SIF 的不同植被类型 MPCC 的排序与基于 NDVI 的排序一致。但是,对于不同的植被类型,基于 SIF 的 MPCC 比基于 NDVI 的 MPCC 更大。不同植被类型的 4 值从 MF 5
  ## 表格 1

不同植被类型对应的 MPCC 和 VRT。

| 数据类型 | 字段名 | 数据类型 | |---|---|---| | int64 | id | int64 | | string | name | string | | string | description | string | | double | price | double | 植被 表格行末标志 | 序号 | 姓名 | 年龄 | |---|---|---| | 1 | 张三 | 20 | | 2 | 李四 | 25 | | 3 | 王五 | 30 | | 序號 | 姓名 | 年齡 | |---|---|---| | 1 | 張三 | 20 | | 2 | 李四 | 25 | | 3 | 王五 | 30 | 类型 表格行末标志
Vegetation type| Vegetation | | :--- | | type |
MPCC-NDVI MPCC-SIF
  (月)
VRT_(N) (month)| $\mathrm{VRT}_{\mathrm{N}}$ | | :--- | | (month) |

VRT S _("S ")_{\text {S }} (月份)
VRT _("S ") (month)| VRT $_{\text {S }}$ | | :--- | | (month) |
CP 0.820 ± 0.820 ± 0.820+-0.820 \pm 0.851 ± 0.851 ± 0.851+-0.851 \pm 4.438 ± 4.438 ± 4.438+-4.438 \pm 3.271 ± 3.271 ± 3.271+-3.271 \pm
0.050 0.028 0.806 0.775
EBF 0.798 ± 0.798 ± 0.798+-0.798 \pm 0.823 ± 0.823 ± 0.823+-0.823 \pm 5.181 ± 5.181 ± 5.181+-5.181 \pm 3.707 ± 3.707 ± 3.707+-3.707 \pm
0.037 0.029 0.677 0.721
MF 0.817 ± 0.817 ± 0.817+-0.817 \pm 0.843 ± 0.843 ± 0.843+-0.843 \pm 5.218 ± 5.218 ± 5.218+-5.218 \pm 3.708 ± 3.708 ± 3.708+-3.708 \pm
0.052 0.040 0.911 1.057
WS 0.849 ± 0.849 ± 0.849+-0.849 \pm 0.865 ± 0.865 ± 0.865+-0.865 \pm 4.496 ± 4.496 ± 4.496+-4.496 \pm 3.160 ± 3.160 ± 3.160+-3.160 \pm
0.037 0.040 0.639 0.803
"Vegetation type" MPCC-NDVI MPCC-SIF "VRT_(N) (month)" "VRT _("S ") (month)" CP 0.820+- 0.851+- 4.438+- 3.271+- 0.050 0.028 0.806 0.775 EBF 0.798+- 0.823+- 5.181+- 3.707+- 0.037 0.029 0.677 0.721 MF 0.817+- 0.843+- 5.218+- 3.708+- 0.052 0.040 0.911 1.057 WS 0.849+- 0.865+- 4.496+- 3.160+- 0.037 0.040 0.639 0.803| Vegetation <br> type | MPCC-NDVI | MPCC-SIF | $\mathrm{VRT}_{\mathrm{N}}$ <br> (month) | VRT $_{\text {S }}$ <br> (month) | | :--- | :--- | :--- | :--- | :--- | | CP | $0.820 \pm$ | $0.851 \pm$ | $4.438 \pm$ | $3.271 \pm$ | | | 0.050 | 0.028 | 0.806 | 0.775 | | EBF | $0.798 \pm$ | $0.823 \pm$ | $5.181 \pm$ | $3.707 \pm$ | | | 0.037 | 0.029 | 0.677 | 0.721 | | MF | $0.817 \pm$ | $0.843 \pm$ | $5.218 \pm$ | $3.708 \pm$ | | | 0.052 | 0.040 | 0.911 | 1.057 | | WS | $0.849 \pm$ | $0.865 \pm$ | $4.496 \pm$ | $3.160 \pm$ | | | 0.037 | 0.040 | 0.639 | 0.803 |

备注:值以均值 ± 标准差的形式显示。MPCC-NDVI 是 NDVI 和气象干旱的 MPCC。MPCC-SIF 是 SIF 和气象干旱的 MPCC。


(月)到 EBF( 5.181 ± 0.677 5.181 ± 0.677 5.181+-0.6775.181 \pm 0.677 月),CP( 4.438 ± 0.806 4.438 ± 0.806 4.438+-0.8064.438 \pm 0.806 月)和 WS( 4.496 ± 0.639 4.496 ± 0.639 4.496+-0.6394.496 \pm 0.639 月)。不同类型植被的 VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 值排序与 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 的排序一致。然而,不同植被类型的 VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 值大于 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 值。总体而言,草本植物对干旱的反应速度比木本植物快,结果与 Xu 等人(2020)报道的结果一致。总的来说,与 NDVI 相比,


SIF 和气象干旱之间的关系更为显著。与 NDVI 相比,SIF 对小时间尺度的气象干旱更敏感,对干旱的响应时间更快。


4.4. 影响响应关系的主要遥相关因子


## 大尺度气候模式和太阳活动与区域气候因子密切相关,可以间接影响气象干旱和植被之间的关系。 揭示遥相关因子对气象干旱和植被响应关系的影响有助于探讨干旱发生机制以及遥相关因子对河套平原植被的影响。 考虑到上一部分中的 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} ,我们分别选择了 5 个月和 3 个月来表示 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 。 WTC 和 PWC 用于比较分析遥相关因子(ENSO、PDO 和太阳黑子)对植被动态和气象干旱响应关系的影响。 不同尺度上显着相干区域百分比的变化(PASC)用于量化分析遥相关因子对干旱与植被响应关系的影响。 图 7 和图 S1 显示了排除每个遥相关因子影响后的 NDVI(SIF)和 SPI 的 WTC 和 PWC。 颜色条显示了能量密度,并且 95 % 95 % 95%95 \% 对红噪声的置信度水平显示为粗轮廓。相位关系由箭头的方向表示(反相指向左,同相指向右)。表 2 显示了排除每个遥相关因子影响后 PASC 的变化。我们将周期尺度划分为三个部分:小尺度( < 8 < 8 < 8<8 个月)、中尺度( 8 32 8 32 8-328-32 个月)和大尺度( > 32 > 32 > 32>32 个月);这些尺度下的结果与表 2 中 PASC 的总变化一起报告。由于在研究期间只有 SPI 和 NDVI 在大尺度上具有显著响应关系(图7a),
  表 2

排除不同尺度遥相关因子影响后 PASC 的变化。
PASC ENSO PDO   太阳黑子
SPI-NDVI    3.45 % 3.45 % 3.45%3.45 \% 3.67 % 3.67 % 3.67%3.67 \% 4.3 % 4.3 % 4.3%4.3 \%
  中型 0.16 % 0.16 % -0.16%-0.16 \% 1.20 % 1.20 % -1.20%-1.20 \% 0.25 % 0.25 % 0.25%0.25 \%
   4.16 % 4.16 % -4.16%-4.16 \% 3.12 % 3.12 % -3.12%-3.12 \% 4.16 % 4.16 % -4.16%-4.16 \%
SPI-SIF   总计 0.32 % 0.32 % 0.32%0.32 \% 0.25 % 0.25 % 0.25%0.25 \% 0.8 % 0.8 % 0.8%0.8 \%
   2.23 % 2.23 % 2.23%2.23 \% 5.23 % 5.23 % 5.23%5.23 \% 3.04 % 3.04 % -3.04%-3.04 \%
  中型 1.04 % 1.04 % 1.04%1.04 \% 1.36 % 1.36 % 1.36%1.36 \% 0.7 % 0.7 % 0.7%0.7 \%
  总计 1.26 % 1.26 % 1.26%1.26 \% 2.54 % 2.54 % 2.54%2.54 \% 0.9 % 0.9 % -0.9%-0.9 \%
PASC ENSO PDO Sunspots SPI-NDVI Small 3.45% 3.67% 4.3% Medium -0.16% -1.20% 0.25% Large -4.16% -3.12% -4.16% SPI-SIF Total 0.32% 0.25% 0.8% Small 2.23% 5.23% -3.04% Medium 1.04% 1.36% 0.7% Total 1.26% 2.54% -0.9%| | PASC | ENSO | PDO | Sunspots | | :--- | :--- | :--- | :--- | :--- | | SPI-NDVI | Small | $3.45 \%$ | $3.67 \%$ | $4.3 \%$ | | | Medium | $-0.16 \%$ | $-1.20 \%$ | $0.25 \%$ | | | Large | $-4.16 \%$ | $-3.12 \%$ | $-4.16 \%$ | | SPI-SIF | Total | $0.32 \%$ | $0.25 \%$ | $0.8 \%$ | | | Small | $2.23 \%$ | $5.23 \%$ | $-3.04 \%$ | | | Medium | $1.04 \%$ | $1.36 \%$ | $0.7 \%$ | | | Total | $1.26 \%$ | $2.54 \%$ | $-0.9 \%$ |

表 2 列出了 SPI 和 SIF 上仅针对小型和中型的 PASC 更改。

如图 7 所示,研究期间,SPI 和 NDVI 具有显著的正相关性和明显的周期性特征。在中等尺度上存在显著的正相关关系,研究期间周期性特征为 8 20 8 20 8-208-20 个月,2005-2009 年期间为 24 个月(图 7a)。剔除 ENSO 对 SPI 和 NDVI 的影响后,PASC 在小尺度上增加了 3.45 % 3.45 % 3.45%3.45 \% ,在中等尺度上减少了 0.16 % 0.16 % 0.16%0.16 \% ,在大尺度上减少了 4.16 % 4.16 % 4.16%4.16 \% 。总体而言,总 PASC 增加 0.32 % 0.32 % 0.32%0.32 \% (图 7b)。剔除 PDO 和太阳黑子对 SPI 和 NDVI 的影响后,PASC 在小尺度上增加 3.67 % 3.67 % 3.67%3.67 \% 4.3 % 4.3 % 4.3%4.3 \% ,在中等尺度上减少 1.2 % 1.2 % 1.2%1.2 \% 0.25 % 0.25 % 0.25%0.25 \% ,在大尺度上减少 3.12 % 3.12 % 3.12%3.12 \% 4.16 % 4.16 % 4.16%4.16 \% 。总体而言,总 PASC 增加 0.25 % 0.25 % 0.25%0.25 \% 0.8 % 0.8 % 0.8%0.8 \% (图 7c 和 d)。总体而言,PDO 对 SPI 和 NDVI 在中小尺度的响应关系影响较大,其次是太阳黑子和 ENSO。 大尺度上,ENSO 和太阳黑子可能是影响 SPI 和 NDVI 响应关系的重要因素。

如附图 S1 所示,在研究期间,SPI 和 SIF 呈现出


© SPI-NDVI~PDO

图 7. SPI 和 NDVI 的 WTC(a)和剔除 ENSO(b)、PDO © 和太阳黑子(d)影响后的 SPI 和 NDVI 的 PWC。


在小尺度上存在显著的正相关关系,并有明显的周期性特征。在中等尺度上,存在显著的正相关关系,研究期间的周期特征为 8 20 8 20 8-208-20 个月(图 S1a)。在剔除了 ENSO 对 SPI 和 SIF 的影响后,PASC 分别在小尺度和中等尺度上增加了 2.23 % 2.23 % 2.23%2.23 \% 1.04 % 1.04 % 1.04%1.04 \% 。总的来说,PASC 总量增加了 2.26 % 2.26 % 2.26%2.26 \% (图 S1b 和表 2)。在剔除了 PDO 对 SPI 和 SIF 的影响后,PASC 分别在小尺度和中等尺度上增加了 5.23 % 5.23 % 5.23%5.23 \% 1.36 % 1.36 % 1.36%1.36 \% 。总的来说,PASC 总量增加了 2.54 % 2.54 % 2.54%2.54 \% (图 S1c)。在剔除了太阳黑子对 SPI 和 SIF 的影响后,PASC 在小尺度上减少了 3.04 % 3.04 % 3.04%3.04 \% ,在中等尺度上增加了 0.7 % 0.7 % 0.7%0.7 \% 。总的来说,PASC 总量减少了 0.9 % 0.9 % 0.9%0.9 \% (图 S1d)。PDO 对 SPI 和 SIF 在小尺度和中等尺度的响应关系影响最大,其次是太阳黑子和 ENSO。 总的来说,与 ENSO 和太阳黑子相比,PDO 对干旱和植被之间的响应关系影响更大。

  5. 讨论


5.1. NDVI 和 SIF 对干旱的敏感性差异的主要原因


NDVI (SIF) 与 SPI 之间的相关性不仅反映了植被对干旱胁迫的响应,也表明了 NDVI 和 SIF 对干旱的敏感性。如图 5 和 6 所示, VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 大于 VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} ,并且 MPCC-NDVI 小于 MPCC-SIF,这表明 SIF 可能对短期降水变化更敏感,但对长期降水变化的敏感性低于 NDVI。这可能是由于 NDVI 和 SIF 的监测原理不同。基于 NDVI 的植被监测依赖于植被叶片对辐射的反射率,而基于 SIF 的植被监测依赖于光合作用的强度。当发生干旱胁迫时,植被冠层的谱特征不会立即发生变化(Wang 等,2016)。例如,当植物受到短期干旱的严重胁迫时,NDVI 仍可能保持较高水平(Dobrowski 等,2005)。SIF 与光合作用直接相关,可以反映冠层水分胁迫的快速变化(Daumard 等,2010)。SIF 对干旱的响应速度更快,这对早期干旱监测和植被管理具有重要意义。 NDVI 反映植被长势对干旱的长期反应,对区域长期防灾减灾和植被管理具有重要意义。

如表 1 所示,不同植被类型之间的 VRT 存在差异。草本植物对干旱的响应速度快于木本植物。这种差异可能是由于气象干旱期间植被没有水分胁迫造成的。干旱初期,植被可以从土壤中获取水分,保证生长发育。土壤含水量的变化也滞后于气象干旱(Liu et al., 2021; Zhou et al., 2021c)。在湿润年份,气象干旱的缓解更加明显(Vicente Serrano et al., 2013)。重要的功能性状(如根和茎)使木本植物能够利用更多的土壤水分,增强其抗旱性(Xu et al., 2020)。一般来说,MF 至少包含两种树种,具有复杂的冠层结构和多层级。垂直森林结构在不同层次的截留作用延缓了降水入渗过程,可能会延长 VRT(Zeng et al., 2021)。此外,MF 在水土保持方面比纯林具有更显着的效果(Wang et al., 2014; Kilic, 2021)。因此,MF 的 VRT 大于 EBF 的 VRT。


5.2. 影响遥相关因子的物理机制


大尺度的气候模式可以通过水汽输送和雨带转移影响区域水文因素,进而影响植被生长。厄尔尼诺现象通过影响环流,导致热量和水汽重新分配,从而影响区域气候因素。


(Yeh 等人,2014)。PDO 是指北太平洋海温的变化,它会影响环流,进而影响区域气候和生态系统(Zhao 等人,2020b)。李等人(2019)表明,ENSO 对中国东部的降水和温度有显著影响。姚等人(2018)表明,PDO 在中国的降水格局中起主导作用。PRB 位于中国东南部,该地区降水变化受 ENSO 和 PDO 的显著影响(Han 等人,2019;Deng 等人,2018)。因此,ENSO 和 PDO 通过影响与植被生长密切相关的降水和温度等气候因素,影响植被与干旱的响应关系。韩等人(2019)表明,2000 年后,PDO 在 PRB 的影响以及土壤含水量存在显著的周期性,周期小于 4 年,但 2000 年后未发现 ENSO 影响的显著周期性。PDO 是调节 ENSO 与东亚气候遥相关的最重要因素(陈等人,2013)。 特别地,在 21 世纪,PDO 暖位相与区域气候因素(如气温和降水)的变化密切相关。PDO 通过影响区域气候因素,显著影响植被生长的年际和季节性变化(张等,2017;陈和 Grasby,2014)。这也可能是 PDO 对植被和干旱响应关系的影响大于其他遥相关因子的原因。

太阳黑子是太阳活动最明显的现象之一,它会影响太阳辐射强度。作为植被光合能力的重要因素,太阳辐射强度变化会影响植被的生长发育 (张等,2016)。太阳辐射与气候因子密切相关,太阳辐射强度变化也会影响水文循环,进而影响植被生长 (曾等,2021)。刘等 (2018a) 指出,太阳黑子通过改变气候因子影响了中国 1982-2012 年的植被活动。董等 (2017) 发现太阳黑子活动与 ENSO 之间存在明显的 2-11 年共振周期。太阳黑子通过影响 ENSO 的气候模式或影响西太平洋副热高压和东亚环流,影响水汽运动。这可能是 ENSO 和太阳黑子在较大尺度上对植被与干旱响应关系的影响相似的原因。


## 5.3 与先前研究的比较


我们的先前研究结果表明,Pearl River Basin 中气象干旱到水文干旱的干旱响应时间 (DRT) 主要在 2-6 个月内 (Zhou et al., 2021a)。 DRT 在 Pearl River Basin 中部相对较小,从中心到外围递增。 为了更好地了解干旱扩展过程,我们比较了 VRT 和 DRT 之间的响应时间差 (RTD)(图 S2)。 盆地中间的 RTD 大于 0,盆地西部的 RTD 小于 0。

总的来说,由气象干旱引起的水文干旱改变了土壤水分含量,影响了植被的生长。DRT 小于 VRT(Li 等人,2020)。然而,图 S2 表明流域西部的 DRT 大于 VRT。因此,为了探讨响应时间差异的原因,我们提取了与 RTD 相对应的植被类型(表 S3)。RTD 大于 0 的地区大多是林地,RTD 小于 0 的地区大多是灌木稀树草原。RTD 大于或小于 0 的比例在农田中的比例很大,这可能是由这种土地利用类型的灌溉水平造成的(方等人,2019)。林地的保水和抗旱能力强于其他土地利用类型。当发生气象干旱或水文干旱时,林地的响应时间相对较大。相比之下,草原和灌木对干旱的响应时间相对较小。此外,PRB 地势西高东低。PRB 典型的喀斯特地貌,径流


生成和汇流相对较复杂(Shi 等人,2012 年),这可能会延长西部 PRB 的 DRT。此外,气象干旱不仅仅是由降水不足造成的。气温升高会导致蒸散量增加和区域水分平衡的变化,这也可能导致气象干旱。先前的研究表明,西部 PRB 的平均气温变化率高于该流域其他地区(Xie 等人,2016 年)。温度是影响植被生长和发育的重要因素。过度变暖可能会加速土壤水分蒸发并形成干旱趋势,导致植被通过减少叶面积进而降低光饱和点来防止水分流失;这会导致植被覆盖率相应降低并限制光合作用率(Jiao 等人,2018 年),这可能会缩短 VRT。此外,当降水发生时,大部分水会被用于补充土壤水分含量,这可能会延长 DRT。因此,西部 PRB 的 DRT 较大,而 PRB 中央部分的 VRT 较大。


## 5.4 扩展和局限


在这项研究中,基于线性假设,使用 PCC 分析了植被与气象干旱之间的响应关系。然而,由于气候变化和人类活动的影响,植被动态与气象干旱之间不仅存在线性关系,还存在非线性关系。方等人(2020)利用 PCC 和互信息研究了黄土高原气象干旱和水文干旱之间的线性和非线性关系。周等人(2021b)从信息论引入方向信息传递指数,研究了长江流域气象干旱到水文干旱的非线性传播过程。未来,可以将信息论的相关变量非线性关系研究引入植被与干旱关系的研究中。考虑到植被与干旱之间复杂的非线性关系,基于计算智能的算法,如深度学习神经网络,在模拟植被对干旱的响应方面应该表现良好。 目前,一些研究利用机器学习方法挖掘解释植被状况与大量环境因子之间关系的历史大数据分析数据(崔等,2016;Ribeiro 等,2019;Alexakis 和 Tsanis,2016)。这研究用几种统计算法分析了干旱与植被之间的关系。 未来可以根据植物或作物的生理和物候特征构建物理模型来描述干旱影响植物或作物过程。 此外,这项研究只关注了植被对干旱的响应。 然而,人类活动(如土地利用变化、城市化和农业灌溉)和其他自然干扰因素(如野火、植物病虫害)也会对植被生长产生严重影响(Fu 等人,2018;Zhao 等人,2020a;Guo 等人,2020)。 应该在未来的研究中予以考虑。

此外,基于降水和蒸散发指数的 SPEI 也涵盖多个时间尺度,常用于分析植被与干旱之间的关系(Zhao 等,2020a;Xu 等,2020)。然而,ENSO、PDO 和太阳黑子不仅与降水密切相关(Zhao 等,2020b;Dong 等,2017),还会影响蒸散发的变化。PWC 被首次引入本研究以研究植被对干旱的响应,使用 SPI 可以获得更准确可靠的结果,以了解遥相关因子对响应关系的影响。SPEI 可进一步用于研究遥相关因子对未来植被与干旱响应关系的影响。此外,本研究仅使用了三变量 PWC。未来可以选择更多的控制变量来探索影响植被与干旱响应关系的主要因素。为了全面理解干旱的综合传播,


未来应考虑以土壤水分含量为基础的农业干旱过程。

  ## 6. 结论


## 翻译结果: 研究植被与干旱的动态以及植被对干旱的响应,可以提高对气候变化对植被影响的认识。在本研究中,分析了 PRB 地区的干旱和植被动态,并比较了不同植被类型 NDVI 和 SIF 响应关系的差异。此外,通过改进的 PWC 实现,确定了影响干旱和植被响应关系的主要遥相关因子。主要结论总结如下: zh-TW: ## 翻譯結果: 研究植披與乾旱的動態以及植披對乾旱的回應,可以提高對氣候變化對植披影響的認識。在本研究中,分析了 PRB 地區的乾旱和植披動態,並比較了不同植披類型 NDVI 和 SIF 響應關係的差異。此外,通過改進的 PWC 實現,確定了影響乾旱和植披響應關係的主要遙相關因子。主要結論總結如下: ## 补充说明: * 由于缺乏上下文信息,无法确定部分专有名词(如 PRB、NDVI、SIF、PWC)的准确翻译。 * 翻译结果仅供参考,如有需要请咨询专业人士。

首先,PRB 显示了 2001 年至 2012 年期间干旱状况的变化特征。2012 年之后,PRB 表现出干旱和湿润事件交替出现的特征。干旱和湿润事件的强度和持续时间随着干旱时间尺度的增加而增加。PRB 的植被主要呈增加趋势,SIF 的变化幅度小于 NDVI。

其次,与 NDVI 相比,SIF 与气象干旱的关系更为显著。SIF 在小时间尺度上对气象干旱的响应更强,对干旱的响应时间比 NDVI 更快。该 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 通常为 4-6 个月,分别占响应时间的 36.5 % , 40.4 % 36.5 % , 40.4 % 36.5%,40.4%36.5 \%, 40.4 \% 16.3 % 16.3 % 16.3%16.3 \% 。该 VRT S VRT S VRT_(S)\mathrm{VRT}_{\mathrm{S}} 的值短于 VRT N VRT N VRT_(N)\mathrm{VRT}_{\mathrm{N}} 的值,通常为 2-4 个月,分别占响应时间的 15.3 % , 42 % 15.3 % , 42 % 15.3%,42%15.3 \%, 42 \% 32.1 % 32.1 % 32.1%32.1 \% 。干旱响应关系也因植被类型而异。草本植物对干旱的响应速度比木本植物快。

第三,在中尺度上,气象因素与植被之间存在着显著的正相关关系,研究期间表现出 8-20 个月的周期性特征。 ENSO、PDO 和太阳黑子被认为是影响气象干旱与植被响应关系的重要因素。 与 ENSO 和太阳黑子相比,PDO 对响应关系的影响更大。

总体而言,本研究的结果有助于更好地理解植被动态对气象干旱的响应机制,并为了解遥相关因子对气象干旱与植被响应关系的影响提供新的见解。研究结果有助于揭示植被动态与气候变化之间的相互作用。未来,需要充分考虑植被与干旱之间的线性和非线性关系,这有助于揭示干旱与植被之间的关系。此外,充分考虑干旱的发展过程(特别是在与土壤水分相关的农业干旱)将更有助于揭示植被对干旱的响应。

  作者声明


## 翻译结果: **赵强 周:** 数据收集, 方法论, 验证, 撰写原始手稿 **孙宁 刘:** 指导, 审阅和修改 **丁一博:** 验证 **符强:** 指导 **王 尧:** 验证 **蔡贺江:** 验证 **石海云:** 概念化, 指导, 审阅和修改


利益声明


作者声明,他们没有已知的竞争性财务利益或个人关系,可能影响本文报道的工作。

  致谢


该研究得到国家自然科学基金的支持

中国国家自然科学基金项目(项目编号:51909117,51825901),黑龙江省杰出青年学者科学基金项目(批准号:YQ2020E002),广东省土壤与地下水污染控制重点实验室(2017B030301012),国家环境保护重点实验室“地表水-地下水污染综合控制”课题组。我们也要感谢两位匿名审稿人提出的真知灼见,帮助我们改进本文。


附录 A:补充数据


本文章的补充数据可以在线上查阅,网址为:https://doi.org/10.1016/j.jenvman.2022.114879。

由于本研究中存在许多缩略词,表 S1 列出了主要缩略词及其解释。

  参考资料


阿吉亚尔-康拉里亚,L.,苏亚雷斯,M.J.,2014. 连续小波变换:超越一元和二元分析。J. Econ. 调查 28,344-375。


Alexakis, D. D., Tsanis, I. K.(2016)。利用 MODIS 数据对 TRMM 降水产品进行降尺度的人工神经网络模型与多元线性回归模型的比较。地球科学环境,75(14),1077。


陈文, 冯健, 吴瑞, 2013. ENSO 和 PDO 在东亚冬季风与次年夏季风关系中的作用. J. Clim. 26 (2), 622-635.


陈, 振东, 格拉斯比, 斯蒂芬·E., 2014. 基于气候变量重建河流流量趋势及未来趋势预测. 水文杂志, 511, 267-278.


## 参考文献 ## 崔宇坤, 龙德, 洪延, 曾澄, 周建, 韩振宇, 刘荣华, 万卫星, "基于重建 MODIS 光学产品的 FY-3B/MWRI 土壤水分人工神经网络验证与重建", _水文杂志_, 第 543 卷, 第 242-254 页, 2016 年.

Daumard 等人于 2010 年发表在 IEEE Trans. Geosci. Rem. Sens. 上的论文《用于连续测量冠层荧光的现场平台》中,描述了一个用于连续测量冠层荧光的现场平台。


邓少龙, 陈涛, 杨宁, 屈丽, 李美琴, 陈丹, 2018. 珠江流域降雨和干旱特征的时空分布. 环境科学与技术总论, 619-620, 28-41.


丁亚彬, 许继亭, 王绪伟, 蔡洪建, 周正阳, 孙云宁, 师会英, 2021. 中国不同气候区气象干旱向水文干旱的传播. 环境管理杂志 283, 111980.


Dobrowski, S., Pushnik, J., Zarcotejada, P., Ustin, S., 2005. 简单反射指数跟踪冠层尺度稳态叶绿素荧光引起的热和水分胁迫变化。环境遥感 97, 403-414.


## 董丽英, 张培成, 刘建刚, 佟晓霞, 谢华, 2017. 太阳活动和 ENSO 对日本吉野川流域水文过程的综合影响. 水科学进展, 28 (5), 671-680.


## 方刚, 李雪, 许明, 文晓, 黄兴福. 华北平原干旱时空变异及其与气候指数的多尺度联系[J]. 大气, 2021, 12(10): 1446.


方伟, 黄思征, 黄强, 黄国华, 王辉, 冷光余, 王林, 2020. 通过同时考虑中国黄土高原渭河盆地的线性和非线性依赖性识别干旱传播. 水文杂志 591, 125287.

方卫,黄松洲,黄强,黄桂华,王海,冷广义,王龙,郭永,2019。基于遥感的中国黄土高原陆地植被干旱胁迫脆弱性概率评估。遥感环境 232,111290。


### 傅强, 周志强, 李天祥, 刘冬, 侯瑞杰, 崔实, 严培荣, 2018. 中国东北地区干旱洪涝时空特征及其对农业的影响. 环境研究与风险评估. 30 (10), 2913-2931.


郭宇, 王世洪, 关凯云, Wolanin, A., You, L.Z., Ju, W.M., 张英杰, 2020. 基于 OCO-2 和 MODIS-EVI 的太阳诱导 chlorophyll 荧光监测美国中西部大豆和玉米单产空间变化的能力. 遥感. 12 (7), 1111。


格林斯特德等人,2004 年。交叉小波变换和小波相干在地球物理时间序列中的应用。非线性过程地球物理学。11(5-6),561-566。


; 韩志敏, 黄胜之, 黄奇, 冷广宇, 王海, 白其军, 赵军, 马丽, 王亮, 杜敏, 2019. 从气象干旱到地下水干旱的传播动力学及其影响因素. 水文杂志, 578, 124104.


昊, Z.C., 辛格, V.P., 夏, Y.L., 2018 年。季节性干旱预测:进展、挑战和未来展望。 地球物理评论 56,108-141。


胡文华,斯柏春,2021 年。技术说明:改进的小波相干性用于理解地球科学中特定尺度和局部二元关系。水文学和地球系统科学 25,321-331。


焦委泽, 张强, 王立强. 2019. 卫星太阳诱导叶绿素荧光对气象干旱的敏感性. 地球的未来 7, 558-573.


焦开武, 高景波, 吴绍洪, 侯文杰, 2018. 植物对气候变化的响应过程研究进展. 生态学报, 38(6), 2229-2238.

O.M. Kilic,2021 年。土地利用和土地覆盖变化对土耳其半干旱地区土壤侵蚀的影响;以阿尔穆斯湖流域为例。喀尔巴阡地球与环境科学杂志 16 (1),129-138。


Lesk, C., Rowhani, P., Ramankutty, N., 2016. 极端天气灾害对全球粮食生产的影响。自然 529, 84-87.


李,瑞华,陈,乃超,张,翔,曾,令玲,王,新平,唐,世杰,刘,德润,Noyogi,D.,2020 年。利用交叉小波分析和空间自相关分析对长江流域农业干旱传播过程进行定量分析。农业与森林气象学 280, 107809。


李,晓,2019。利用 OCO-2, MODIS 和再分析数据推导的全球 0.05 度太阳诱导叶绿素荧光产品。遥感 11 (5), 517。

李亚南, 马本山, 杨新, 2019. 两类 ENSO 事件对华东极端降水的な影響. 资源与环境-长江流域 28 (2), 469-482.


## 输出翻译: 刘倩, 张金海, 张宏瑞, 姚复明, 白洋, 张爽, 孟祥玲, 刘倩, 2021. 评估八种干旱指数在不同植被区捕捉中国土壤水分动态的能力. 科学总论,789: 147803.


刘康等,2018a. 1982-2012 年中国陆地生态系统植被指数时空变化。生态学报,38(6),1885-1896。(中文) #


刘志英, 张晓, 冯瑞海, 2018b. 冬季干旱变异与 ENSO 和北极涛动多尺度联系: 以陕西为例. 大气科学研究, 200 卷, 117-125.


莫亚等,2004。被动遥感新仪器:1。阳光诱导叶绿素荧光测量。遥感环境,91,186-197。


McKee, T.B., Doesken, N.J., Kleist, J., 1993. 干旱频率和持续时间与时间尺度之间的关系。第 22 号。美国气象学会应用气候学第八次会议论文集。马萨诸塞州波士顿,第 179-183 页。


Pelosi,A.,Terribile,F.,D'Urso,D.,Chirico,G.B.,2020. ERA5-Land 和 UERRA MESCAN-SURFEX 再分析数据与空间插值气象观测数据的对比,用于区域参考蒸散量的评估。水 12 (6),1669。

## 葡萄牙伊比利亚半岛干旱相关减产的遥感和多尺度指标建模 ## 作者:Ribeiro, A.F.S., Russo, A., Gouveia, C.M., Pascoa, P. ## 出处:《理论应用气候学》 136 卷 1-2 期, 203-220 页.


沙米尔等人,2021 年。利用时间序列 NDVI 和 EVI 指标构建动态作物生长指标进行产量建模。生态指标 121,107124。


施洪洋, 陈洁, 王开宇, 牛江. 气候变化下社会经济干旱事件识别的新方法和新指标:中国东江流域案例研究. 环境科学与技术. 2018, 616-617: 363-375.


## 翻译结果: Shi, H.Y., Li, T.J., Wang, G.Q., 2017. 1961-2001 年间青藏高原潜在蒸发量的时间和空间变化及其驱动机制. 水文科学杂志. 62 (9), 1469-1482.


## 斯, 培, 侯, 阿波, 马, 晓霞, 陈, 晓, 张, 子聪, 2012. 中国西南岩溶区水文循环研究进展. 水资源研究与技术进展, 1, 69-73. (中文)


## 翻译: 宋,L.,Guanter,L.,Guan,K.Y.,You,L.Z.,Huete,A.,Ju,W.M.,Zhang,Y.G.,2018。卫星诱导的叶绿素荧光检测到印度印度-恒河平原冬小麦对热胁迫的早期响应。全球变化生物学。24 (9),4023-4037。


孙, Y., 弗兰肯伯格, C., 荣, M., 乔伊纳, J., 关特, L., 科勒, P., 麦格尼, T., 2018. 轨道碳观测-2 中太阳诱导叶绿素荧光(SIF)概述: 检索、跨任务比较和 GPP 全球监测. 资源环境遥感, 209, 808-823.


唐,M.,何,L.,刘,J.,冯,SS. 珠江流域干旱洪涝突变交替风险传递规律. 水资源与电力, 5, 13-16. ((In Chinese)).


Torrence, C. 和 Compo, G.P.,1998 年发表了《小波分析实用指南》一文,该文发表于《美国气象学会公告》第 79 卷第 1 期,第 61-78 页。


Vicente-Serrano, S.M., Gouveia, C., Camarero, J.J., Beguería, S., Trigo, R., LopezMoreno, J.I., Azorín-Molina, C., Pasho, E., Lorenzo-Lacruz, J., Revuelto, J., 2013. 全球陆地生物群落中植被对干旱时间尺度的响应。美国国家科学院院刊 110 (1), 52-57。


王涛,涂晓军,辛格维平,陈兴辉,林金荣,2021。基于 CMIP6 的全球干旱特征数据评估与分析。水文杂志 596,126091。


王宝,张广华,石迎迎,张晓春,2014 年。中国黄土高原不同植被恢复模式下地表径流土壤剥蚀。卡特纳,116,51-59。


王,S.H.,黄,C.P.,张,L.F.,林,Y.,岑,Y.,吴,T.X., 2016 年。监测和评估 2012 年大平原的干旱:分析卫星检索的太阳诱导叶绿素荧光、干旱指数和初级生产总值。遥感 8(2),61。


谢远文, 李健, 陈维荣, 罗少华, 2016. 1959-2013 年珠江流域平均气温的时空变化. 中山大学学报(自然科学版) 55 (3), 30-38.


徐海健, 王晓平, 赵春燕, 杨晓明, 2020. 评估北部中国植被光合作用对气象干旱的响应. 土地退化与发展, 32 (1), 20-34.


## 姚建锋, 肖丽香, 勾敏敏, 李超, 连瑛贵, 杨树英, 2018. 太平洋年代际振荡对东部季风区降雨影响的新证据. 中国科学: 地球科学, 5, 617-627.


是的,吴世文、具俊盛、贝蒂·德维特、权敏浩、金锋峰,2014。气候变化中的厄尔尼诺现象。自然 461,511-514。

尹燕玺, 许义萍, 陈勇, 2009. 1857-2003 年太湖流域洪涝灾害与 ENSO 的关系. 第四纪研究, 208 (1-2), 93-101.


# Evaluating the cumulative and time-lag effects of drought on grassland vegetation: a case study in the Chinese Loess Plateau. ## 文献来源 ## Zhao, A.Z., Yu, Q.Y., Feng, L.L., Zhang, A.B., Pei, T., 2020a. 评价干旱对草地植被的累积和滞后效应:以中国黄土高原为例. 环境管理学报. 261, 110214.


赵, 建. 黄, 思志. 黄, 强. 王, 海. 冷, 光耀. 方, 卫. 2020b. 植被动力对气候和遥相关因子的时间滞后响应. Catena 189, 104474.

## 基于 NDVI 的植被变化及其对气候变化的响应(1982-2011):喜马拉雅山中段科西河流域案例研究 ## 作者:张勇,高军,刘丽,王志,丁明,杨小青,2013 ## 生态指标 108,139-148


Zhang, W., Zhou, T., Zhang, L., 2017. 近几十年西藏高原初夏土壤湿度和植被覆盖度增加: 西藏高原变湿变绿。地球物理研究快报:大气,122 (11),5808-5822。


张,Y.,朱,Z.C.,刘,Z.,曾,Z.Z.,Clais,P.,黄,M.T.,刘,Y.W.,Piao,S.L.,2016. 东南亚热带森林植被活动季节性和年际变化。农业和森林气象学 224, 1-10.


曾鹏,孙飞云,刘雨燕,丰宏岩,张瑞,陈阳,2021 年。气候变化情景下中国潜在蒸散发及其敏感性的变化。大气研究,261,105763。

周,K.K.,李,J.Z.,唐,T.,康,A.Q.,2021c. 使用组合土壤水分数据表征农业干旱状况以及不同干旱类型在中国的相互关系。水利学报,243,106479。


周志强, 施汉勇, 傅强, 丁永波, 黎特晓, 王越, 刘善宁, 2021a. 珠江流域气象干旱到水文干旱的传播特征. 地球物理研究杂志, 126, e2020JD033959.


周, Z. Q., 施, H. Y., 付, Q., 丁, Y. B., 李, T. X., 刘, S. N., 2021b。通过引入具有指向性传递指数的非线性依赖性研究从气象干旱到水文干旱的传播。水资源研究。57, e2021WR030028.


周志强, 施海艳, 傅强, 李天雄, 甘甜宇, 刘松宁, 2020a. 东北地区干旱时空特征及其对气候引发的玉米产量的影响. 水文杂志, 588, 125097.


周, Z.Q.,丁, Y.B.,石, H.Y.,蔡, H.J.,付, Q.,刘, S.N.,李, T.X.,2020b. 中国植被动态变化分析与预测:过去、现在和未来. 生态指标 117, 106642.


周志强,石海燕,付强,李天新,甘天宇,刘少宁,刘坤,2020c。气候变化影响下东北地区冷区是否仍在变暖?大气研究 237, 104864。


    • 通讯作者。中国广东省深圳市南方科技大学环境科学与工程学院,地表水-地下水污染综合治理国家重点实验室。

    电子邮件地址:Shihy@sustech.edu.cn(H. Shi)。