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} 和 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} 和 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 和 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} 和 W n y W n y W_(n)^(y)W_{n}^{y} 分别是时间序列 x x xx 和 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 和 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 和 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} 和 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}} 和 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}} 和 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 \% 和 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 \% 和 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  _("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}} 和 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}} 和 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   小 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 \%
  大 − 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 \%
  小 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 \%