长江中游总初级生产力对干旱胁迫的响应程度及敏感性研究

摘要

干旱作为典型的极端气候事件，在全球变暖背景下呈现出日益频发和加剧的趋势，严重威胁区域生态系统稳定性与陆地碳循环功能.总初级生产力（gross primary productivity， GPP）是衡量植被碳汇能力的重要指标，量化其对干旱胁迫的响应特征，对于理解碳循环对气候变化的敏感性具有重要意义.本文以长江中游地区为研究对象，基于MODIS GPP产品和构建的多时间尺度的标准化降水蒸散指数（standardized precipitation evapotranspiration index， SPEI）数据集，系统评估区域GPP对干旱胁迫的响应强度与敏感性特征.结果表明：1） 研究期间，区域GPP整体呈显著上升趋势，SPEI虽略有回升，但仍处于水分亏缺状态，干旱事件频发；2） GPP对不同时间尺度干旱的响应存在明显差异，短期干旱对GPP具有一定促进效应，随着干旱持续时间延长，部分农田与草地区域的响应由促进转为抑制，表明累积干旱对碳吸收能力具有持续抑制作用；3） 草地、森林与农田三类典型生态系统在干旱响应中呈现出显著差异性.草地对干旱敏感性最高；森林具有较强水分调节与缓冲能力，响应相对滞后但波动性较小；农田则受自然条件与人为管理双重影响，呈现高度空间异质性与复杂响应模式.本研究通过多时间尺度干旱指标分析不同生态系统GPP的响应特征，揭示了不同生态系统对累积干旱的差异化响应机制，为理解区域碳循环敏感性、提升碳汇能力及制定精细化气候适应策略提供了科学依据.

Abstract

Drought， as a typical extreme climatic event， has shown increasing frequency and intensity under global warming， posing serious threats to regional ecosystem stability and terrestrial carbon cycle functioning. Gross primary productivity （GPP）， a key indicator of vegetation carbon sequestration capacity， is critical for understanding the sensitivity of the carbon cycle to climate change. This study focuses on the middle reaches of the Yangtze River and systematically assesses the response intensity and sensitivity of GPP to cumulative drought stress， based on MODIS GPP products and multi-timescale standardized precipitation evapotranspiration index （SPEI）. The results indicate that during the study period， regional GPP exhibited a significant upward trend， while SPEI showed a slight recovery but generally remained in a state of moisture deficit with frequent drought events. GPP responded differently to droughts of varying timescales. Short-term drought （SPEI_01） exhibited a slight promotion effect on GPP， but with prolonged drought duration， the responses in some cropland and grassland areas shifted from promotion to suppression， suggesting that cumulative drought has a persistent negative effect on carbon uptake.GPP responses of grassland， forest， and cropland ecosystems to drought stress exhibited marked differences. Grasslands exhibit the highest sensitivity to drought. Forests demonstrated stronger water regulation and buffering capacities， with more delayed but smaller fluctuations. Croplands， influenced by both natural conditions and human management， showed pronounced spatial heterogeneity and complex response patterns. By analyzing multi-time-scale drought indices and the corresponding responses of GPP， this study elucidates the divergent mechanisms underlying the cumulative drought responses among different ecosystem types. These findings enhance the understanding of drought response mechanisms across different ecosystems and provide a scientific basis for improving regional carbon sink capacities and formulating targeted climate adaptation strategies.

Graphical abstract

关键词

GPP / 干旱胁迫 / 累积效应 / 敏感性 / 长江中游

Key words

GPP / drought stress / cumulative effect / sensitivity / middle reaches of the Yangtze River

陆地植被通过光合作用吸收大气中的CO₂，在全球碳循环中发挥着关键作用，是应对气候变化和维持生态系统稳定性的核心组成部分^［1-2］.总初级生产力（gross primary productivity， GPP）代表植被从大气中固定的碳总量，是衡量生态系统光合作用水平及其碳吸收潜力的关键指标^［3］.在过去几十年中，气候变暖和大气CO₂浓度上升带来的“施肥效应”被认为是全球GPP提升的重要驱动因素^［4-5］.然而，日益加剧的热胁迫与水分限制正在削弱这一正效应，导致GPP的增长趋势趋缓，甚至在部分地区出现下降^［6-7］.

干旱作为最具广泛性和破坏力的气候胁迫因素之一，正日益成为影响GPP的主要限制因子.干旱通过限制气孔导度、抑制光合酶活性以及破坏植物水力结构，从而显著抑制植物的光合作用过程，进而降低GPP^［8-9］.研究表明，大量森林枯死和作物歉收均与干旱诱导的水力失衡与碳饥饿密切相关^［10］.全球变暖加剧水文循环的不稳定性，干旱事件在频率、强度和持续时间上的升高可能对全球碳汇格局产生深远影响^［11］.干旱的影响通常具有显著的时间累积性，其对植被生产力的影响不仅限于发生当期，往往伴随着滞后响应甚至跨季节、跨年度的生态反馈.根据以往的研究，长期干旱会导致恢复期延长甚至无法恢复到干旱前水平，其中GPP的增长速度明显小于短期干旱恢复期^［12-13］.持续变暖背景下，量化植被响应干旱的不同生理参数特征及其差异，有利于深入分析气候变化对植被生长影响的机制.评估干旱对植被生长的影响通常使用量化特定时期缺水的指数，例如标准化降水指数 （standardized precipitation index， SPI）^［14］、标准化降水蒸散指数（standardized precipitation evapotranspiration index， SPEI）和帕尔默干旱严重程度指数 （palmer drought severity index， PDSI）^［15］.不同时间尺度的SPEI包含当月和前几个月期间的水平衡量信息，可以量化干旱的累积影响^［8］.此外，由于考虑蒸散发，SPEI被认为在干旱表征中优于其他两个指标.

长江中游地区作为我国典型的农林交错生态过渡带，气候湿润、生态系统类型多样，具备较高的植被生产力与碳汇潜力^［16］.该区域不仅是国家经济发展与生态保护并重的重要战略地带，亦是对气候变化高度敏感的生态脆弱区，频繁经历不同程度的气象和农业干旱，植被对水分胁迫表现出显著响应特征^［17-18］.近年来，伴随土地利用格局的快速演变，城市扩张、农田开发与生态修复并行推进，导致区域下垫面结构持续变化，进一步扰动水热平衡，加剧了植被对干旱胁迫的敏感性.特别是在2000—2020年，长江中游地区多次遭遇典型干旱过程，其中2003年、2011年和2019年发生的严重干旱事件对农业生产、生态系统稳定性及水资源安全产生了深远影响^［19-20］.基于此，本文以长江中游地区为研究对象，构建多时间尺度的SPEI数据集，系统评估GPP对干旱胁迫的响应程度及敏感性特征.本研究包括三个方面：1） 引入多时间尺度SPEI系统刻画干旱过程，揭示其对GPP的累积效应；2） 定量比较不同植被类型GPP对干旱的响应强度与敏感性差异；3） 结合典型极端干旱事件与长期序列趋势，阐明气候背景下水分胁迫与区域碳循环的耦合机制.研究结果有望深化对气候变化背景下区域碳循环调控机制的理解，为生态系统适应性管理与气候政策制定提供科学支撑.

1 研究区概况及数据

1.1 研究区概况

长江中游（28°~33°N，110°~117°E）地处中国中部地区，涵盖湖北、湖南、江西三省的核心城市及其周边区域，主要包括武汉都市圈、长株潭城市群和南昌都市圈，总面积约32.61\times {\mathrm{10}}^{\mathrm{4}} km².区域地形以丘陵、平原与低山为主，长江及其支流广泛分布，形成典型的长江冲积平原，地势相对平坦，土地资源丰富，是中国重要的农业和生态功能区.该区域属于典型的亚热带季风气候，四季分明，雨热同期.年均气温在14~18 ℃之间，年降水量介于1 000~1 800 mm，降水主要集中于春夏季，梅雨期和夏季暴雨频发.近年来受气候变化和人类活动双重驱动，区域内干旱事件频次和强度呈上升趋势，尤其是春季和初夏阶段的气象干旱愈发显著，显著影响了植被的生长节律与固碳潜力.

1.2 数据来源与预处理

1.2.1 植被指数数据集

MODIS GPP产品是当前应用最广泛的遥感估算植被 GPP的数据集之一^［21-22］.本研究采用的MOD17A2HGF为MODIS第四层级（Level-4）GPP产品，基于改进的光能利用率模型（carnegie-ames-stanford approach， CASA）和生态地球化学循环模型（Biome-BGC）进行模拟，综合考虑了气象驱动因子、植被特征参数及遥感观测数据.在数据处理过程中，该产品经过大气校正、辐射校正及多项质量控制，具有较高的可靠性与一致性，已在全球和区域尺度的碳循环研究中被广泛应用.本研究选取2001—2020年间的MOD17A2HGF GPP数据，空间分辨率为500 m，时间分辨率为8 d，用于评估长江中游地区植被总初级生产力时空变化特征.该数据来源于美国航空航天局网站（https：//search.earthdata.nasa.gov/search），采用求和法将原始8 d尺度GPP数据合成为月尺度和年尺度数据集.

1.2.2 土地覆被类型

本研究所采用的土地利用类型数据来源于MODIS卫星产品MCD12Q1（https：//ladsweb.modaps.eosdis.nasa.gov/search/order/1/MCD12C1-6），其基于国际地圈-生物圈计划（International Geosphere-Biosphere Programme， IGBP）提供的土地覆盖分类体系，将全球地表覆盖划分为17类^［23］.为突出主要地表类型特征并简化分析维度，本文对MCD12Q1原始的17类地表覆盖类型进行重新分类与整合，最终划分为7大类：森林、农田、水体、草地、建筑用地、裸地和湿地.整合后的土地利用数据经重采样、投影转换及掩膜裁剪处理，确保其在空间分辨率和坐标系统上与其他遥感和气象数据一致，从而为后续的土地利用动态分析及生态响应评估提供统一的数据基础.为降低土地利用类型变化带来的不确定性，本文仅选取研究时段内地表覆盖类型保持不变的像元进行分析.

1.2.3 气象数据集

本研究所采用的气象数据来自中国气象科学数据共享服务网提供的《中国地面气候资料月值数据集（V3.0）》（CMA，https：//data.cma.cn/），时间范围为1961年1月至2020年12月.为构建SPEI数据集，选取了2001—2020年间覆盖长江中游及其周边地区的50个国家级气象观测站点的月尺度气象要素，包括降水量、平均气温、最高气温、最低气温、风速和日照时数等.在数据预处理过程中，采用MATLAB软件对原始站点数据进行空间插值（反距离加权法）、投影转换、重采样与掩膜裁剪等操作，以实现与遥感产品在空间分辨率和坐标系统上的统一，确保气象数据可与植被指数和土地利用数据在空间尺度上有效融合.

2 研究方法

2.1 趋势分析及显著性检验

本研究采用Theil-Sen来计算研究时段内GPP和SPEI时空变化趋势.Theil-Sen非参数趋势法不要求时间序列满足序列自相关和正态分布，计算效率高，对测量误差和异常值不敏感，是趋势变化检测的常用方法^［24-25］.该方法通过计算时间序列两两数据对之间的斜率，将斜率中值作为时间序列变化的总体趋势.计算公式如下：

\beta =\mathrm{M}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{V_j-V_i}{j-i}\right),\forall j>i,（1）

式中，\beta代表所有数据对斜率的中值，\beta>0 代表GPP/SPEI年际变化呈现上升趋势，当\beta<0 代表GPP/SPEI年际变化呈现下降趋势，V_j 和V_i 分别代表NDVI在时间序列中第j和i年的值，Median表示取中值.

Mann-Kendall检验是一种非参数方法，可作为Theil-Sen斜率计算的补充，用来检测时间序列趋势的显著性^［26］.

给定的时间序列：\left\{V_i\right\},i=\mathrm{1},\mathrm{2},\cdots ,n，采用以下公式计算标准化检验统计量Z：

\begin{array}{l}Z=\left\{\begin{array}{c}\frac{S-\mathrm{1}}{\sqrt[]{\mathrm{v}\mathrm{a}\mathrm{r}(S)}},S>\mathrm{0},\\ \mathrm{0},S=\mathrm{0},\\ \frac{S+\mathrm{1}}{\sqrt[]{\mathrm{v}\mathrm{a}\mathrm{r}(S)}},S>\mathrm{0},\end{array}\right.\\ \mathrm{v}\mathrm{a}\mathrm{r}\left(s\right)=\frac{n(n-\mathrm{1})(\mathrm{2}n+\mathrm{5})}{\mathrm{18}}.\end{array}（2）

S统计量定义如下：

S={\displaystyle \sum _{i=\mathrm{1}}^{n-\mathrm{1}}}{\displaystyle \sum _{j=i+\mathrm{1}}^n}\mathrm{s}\mathrm{g}\mathrm{n}(V_j-V_i)，（3）

（4）

式中，n为数据集的长度；V_j 和V_i 表示样本时间序列的集合；在一定显著性水平α下，当|Z|>Z_1~α/2时，序列在α水平上发生显著变化.当|Z|值大于1.96和2.58时，分别表明时间序列的变化趋势通过了置信度为95%（p<0.05）和99%（p< 0.01）的显著性检验.

2.2 多时间尺度干旱指数构建

本研究采用SPEI表征干旱状况.该指数通过引入不同时间尺度上的气候水分平衡，能够有效识别多尺度的干旱过程.其核心思想是以降水量与潜在蒸散发量（potential evapotranspiration， PET）之间的差值来刻画特定时期内的水分盈亏状况.当 SPEI 为负值时表示水分亏缺，为正值时则代表水分充足.不同时间尺度的 SPEI 可反映不同类型的干旱：SPEI_01 至 SPEI_03 主要用于刻画季节性水分亏缺所导致的短期干旱胁迫；SPEI_04 至 SPEI_06 更加侧重于反映土壤水分状况；SPEI_07 至 SPEI_11 可作为长期干旱监测指标，反映河流径流减少、地下水位下降等水文干旱过程；SPEI_12 则用于表征区域气候干湿状况的长期持续性或周期性变化^{［12-13， 27］}.

在具体计算过程中，为提高 PET 估算的准确性，采用联合国粮农组织推荐的彭曼·蒙特斯（Penman Monteith， PM）方法，替代传统的桑斯维特（Thornthwaite， TW）经验法.具体过程如下.

首先，计算潜在蒸散发（PET）.Monteith^［28］在1982年将Penman公式改进为PM方程，PM方程可用于计算不同气象区域、不同时长的参考作物蒸发量，联合国粮农组织（Food and Agriculture Organization of the United Nations， FAO）在1998年提出将PM公式作为计算PET的唯一标准方法.计算公式如下：

E_{\mathrm{p}}=\frac{\mathrm{0.408}∆\left(R_n-G\right)+\gamma \frac{\mathrm{900}}{T+\mathrm{273}}{u}_{\mathrm{2}}(e_s-e_a)}{∆+\gamma (\mathrm{1}+\mathrm{0.34}{u}_{\mathrm{2}})},（5）

式中，E_{\mathrm{p}}表示潜在蒸散量（mm·d^-1），Δ表示水汽压曲线斜率（kPa·°C^-1），R_n 是净辐射（MJ·（m²·d）^-1），G是土壤热通量（MJ·（m²·d）^-1），γ表示气象学常数（kPa·°C^-1），T是日平均气温（°C），u₂ 表示高度为2 m处的风速（m·s^-1），e_s 表示平均饱和水汽压（kPa），e_a 表示实际水汽压（kPa）.

其次，计算i个月尺度的水分亏缺量D_i ：

D_i=P_i-E_{\mathrm{p},i}，（6）

式中，P_i 是i个月的累计降水量，E_{\mathrm{p},i}为i个月的累计潜在蒸散量.i个月尺度的SPEI指数基于当月和前（i-1）个月的D_i，例如，7月份的6个月尺度的SPEI表征的是1-7月的水分亏缺量D₆ .

最后，使用三参数的对数逻辑分布（log-logistic）计算D_i 的概率分布函数F（x），并对其进行标准正态化处理，得到SPEI值.概率分布函数的表达式为：

F\left(x\right)={\left[\mathrm{1}+{\left(\frac{\alpha }{x-y}\right)}^{\beta }\right]}^{-\mathrm{1}}，（7）

式中，参数α、β和γ采用以下公式得到：

F_i=\frac{i-\mathrm{0.35}}{N}，（8）

w_s=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}(\mathrm{1}-F_i{)}^s{D}_i,（9）

\beta =\frac{\mathrm{2}{w}_{\mathrm{1}}-w_{\mathrm{0}}}{\mathrm{6}{w}_{\mathrm{1}}-w_{\mathrm{0}}-\mathrm{6}{w}_{\mathrm{2}}},（10）

\alpha =\frac{\left(w_{\mathrm{0}}-\mathrm{2}{w}_{\mathrm{1}}\right)\beta }{\tau (\mathrm{1}+\mathrm{1}/\beta )\tau (\mathrm{1}-\mathrm{1}/\beta )}，（11）

\gamma =w_{\mathrm{0}}-\alpha \tau (\mathrm{1}+\mathrm{1}/\beta )\tau (\mathrm{1}-\mathrm{1}/\beta )，（12）

式中，N表示参加运算的月份数量，w₀ 、w₁ 和w₂ 分别是D_i 的加权概率矩阵，τ表示阶乘.之后采用以下公式标准化累积概率密度：

P=\mathrm{1}-F(x).（13）

当累积概率P≤0.5时：

w=\sqrt[]{-\mathrm{2}\mathrm{l}\mathrm{n}P},（14）

I_{\mathrm{S}\mathrm{P}\mathrm{E}}=w-\frac{c_{\mathrm{0}}+c_{\mathrm{1}}w+c_{\mathrm{2}}{w}^{\mathrm{2}}}{\mathrm{1}+d_{\mathrm{1}}w+d_{\mathrm{2}}{w}^{\mathrm{2}}+d_{\mathrm{3}}{w}^{\mathrm{3}}};（15）

当累积概率P>0.5时：

w=\sqrt[]{-\mathrm{2}\mathrm{l}\mathrm{n}(\mathrm{1}-P)},（16）

I_{\mathrm{S}\mathrm{P}\mathrm{E}}=\frac{c_{\mathrm{0}}+c_{\mathrm{1}}w+c_{\mathrm{2}}{w}^{\mathrm{2}}}{\mathrm{1}+d_{\mathrm{1}}w+d_{\mathrm{2}}{w}^{\mathrm{2}}+d_{\mathrm{3}}{w}^{\mathrm{3}}}-w.（17）

式中，c₀ = 2.515517，c₁ = 0.802853，c₂ = 0.010328，d₁ = 1.432788，d₂ = 0.189269，d₃ = 0.001308.

2.3 植被生产力对干旱敏感性

由于GPP和SPEI的量纲及数值范围不同，直接对比可能影响分析结果准确性.因此，在开展干旱对植被绿度和生产力响应分析前，对数据进行标准化处理以提高可比性.本研究采用Z-Score方法进行标准化，其公式为：

Z=\frac{x-\mu }{\sigma }，（18）

式中，Z为标准化后的值，x为变量值，μ为均值，σ为标准差^［29］.

在标准化处理后，首先计算GPP与多尺度SPEI的Pearson相关系数 ^{［12， 30］}.逐像元分别计算1~12个月尺度下的相关系数R_k ：

R_k=\frac{{\displaystyle \sum _{n=\mathrm{1}}^m}(V_n-\overline{V})(I_{\mathrm{S}\mathrm{P}\mathrm{E}}{}_n^k-\overline{I_{\mathrm{S}\mathrm{P}\mathrm{E}k}})}{\sqrt[]{{\displaystyle \sum _{n=\mathrm{1}}^m}(V_n{-\overline{V})}^{\mathrm{2}}{\displaystyle \sum _{n=\mathrm{1}}^m}(I_{\mathrm{S}\mathrm{P}\mathrm{E}}{}_n^k-I_{\mathrm{S}\mathrm{P}\mathrm{E}k}{)}^{\mathrm{2}}}}（19）

式中，V_n 为第n个月的GPP，\overline{V}为其均值；I_{\mathrm{S}\mathrm{P}\mathrm{E}}{}_n^k为在k个月时间尺度下的I_{\mathrm{S}\mathrm{P}\mathrm{E}}，\overline{{I_{\mathrm{S}\mathrm{P}\mathrm{E}}}_k}为其均值，m为总月数（20×12月=240月）.

为量化干旱累计效应，对1~12个月尺度的相关系数取绝对值，并选择最大绝对值（R_max）及其对应的时间尺度（cumulative effect duration，CED），分别表示累积干旱对GPP的影响程度与最佳响应时间尺度^［30］.具体公式如下：

R_k=\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{r}\left(V,k{I}_{\mathrm{S}\mathrm{P}\mathrm{E}}\right),\mathrm{1}\le k\le \mathrm{12};（20）

R_{\mathrm{m}\mathrm{a}\mathrm{x}}=\mathrm{m}\mathrm{a}\mathrm{x}\left(\left|R_k\right|\right),\mathrm{1}\le k\le \mathrm{12}.（21）

在逐像元计算过程中，本研究对相关性结果进行显著性检验（显著性水平为p<0.05）.仅当相关性通过检验，才将其纳入R_max和CED的判定范围；未通过显著性检验的像元被视为对干旱无显著响应.

当R_k > 0时，表明GPP在k个月尺度上随SPEI增加而增加；当R_k < 0时，则表明GPP在k个月尺度上随SPEI减少而减少.R_max反映了累积干旱对GPP的作用强度，而CED则表征GPP对干旱的敏感性.

3 结果与分析

3.1 GPP及SPEI时空分布及演变特征

2001—2020年期间，研究区GPP的多年平均值为0.52 kg（C）·m^-².其中，年最高值出现在2013年［0.58 kg（C）·m^-²］，最低值出现在2001年［0.47 kg（C）·m^-²］.总体来看，GPP呈显著上升趋势，年均增长率为0.041 8 kg（C）·m^-²·a^-1（p < 0.05），表明区域植被生产力在近20年内总体提升.相较之下，SPEI在研究期内虽呈现不显著的上升趋势，但年均值大部分区域为负，反映出区域普遍存在水分亏缺，干旱特征依然明显.2001年、2006年、2013年和2019年分别出现了较为严重的干旱事件，尤其在2003—2013年间，区域经历了一段持续多年的干旱胁迫过程（图2）.

在空间分布特征上，长江中游地区年均GPP较高的区域主要分布于九岭山、幕阜山以及区域西北部和东部的丘陵-山地地带.这些地区地势较高、降水充沛，植被以常绿阔叶林和落叶阔叶林为主，具备较强的光合作用潜力.区域边缘分布的草地GPP处于中等水平，受限于较低的植被生物量和明显的季节性水分波动^［29］.西北部部分农田覆盖区GPP相对较低，可能与耕作制度频繁更替、作物类型单一以及水分供给不稳定有关（图3a）.SPEI多年均值显示，长江中游约96%的像元多年平均值为负，表明整体水分供需关系失衡，处于易旱状态.其中，南部和东南部，干旱压力更强，中部和西北部相对湿润（图3b）.

在年际变化上，GPP整体呈现上升态势.92.34%的像元呈现增长趋势，其中64.05%达到统计显著水平（p < 0.05），广泛分布于研究区，表明该区域碳吸收能力持续增强（图3c）.仅有7.66%的像元呈下降趋势，其中1.98%显著下降，这些区域主要集中在西北部农田区及中心城市周边，可能与耕地利用变化、城市扩张和人为干扰有关.SPEI则显示96.15%的像元增加，反映区域趋于湿润化，但仅有0.5%的像元增长趋势达到显著水平，说明尽管趋势明显，幅度有限且存在年际波动（图3d）.

3.2 不同累积尺度下GPP对干旱的非线性响应

图4为GPP与不同时间尺度SPEI的相关系数空间分布特征.结果表明，GPP对不同时间尺度干旱的响应存在显著差异.短时间尺度干旱（如SPEI_01）对GPP整体呈现促进作用，而随着干旱持续时间的延长，植被生产力逐渐表现出受抑制的趋势.约94.35%的像元在SPEI_01尺度上与GPP呈负相关，显著负相关区域主要集中于研究区的南部、东部和北部的森林覆盖区.这些区域位于亚热带湿润季风气候区，年降水量较高、水分供应充足.高湿条件常导致多雨季节云量增加，从而减少地表太阳辐射，成为限制光合作用的重要环境因子^［32-33］.在此背景下，短期干旱往往伴随气温升高和辐射增强，有助于缓解辐射受限带来的限制作用，从而短暂提高光合效率并提升GPP.然而，随着干旱持续时间的延长，GPP与SPEI之间的呈现正相关的像元比例逐渐增加，在12个月时间尺度上，呈正相关的像元比例上升至38.72%.这些由正向转变为负向相关的像元主要分布在研究区北部和东部的草地和农田区域.由于草地和农田生态系统对降水依赖程度较高，土壤水分变化直接影响植被的生长状况^［34］.短期干旱可能通过升高气温和增加日照，短暂促进作物光合作用潜力；但干旱一旦持续，水分胁迫加剧，植株根系吸水受限，气孔关闭，导致光合速率下降，从而显著抑制GPP.此外，农田区域耕作制度具有强烈的季节性，地表覆盖度较低，尤其在非生长季或作物轮作更替期间，其抗旱能力相对较弱，更易受到长期干旱的不利影响.这一变化强调了多时间尺度干旱对不同生态系统功能的差异性影响，也揭示了干旱持续时间作为调控植被生产力响应方向和强度的重要因子^［35］.

3.3 GPP对干旱胁迫的响应程度及敏感性

基于GPP与不同累积时间尺度SPEI之间的相关性分析，本研究逐像元提取了最大相关系数及其对应的最佳时间尺度，从而进一步量化了长江中游地区GPP对干旱胁迫的响应程度与敏感性.结果表明，GPP与累积SPEI最大相关系数主要呈负相关关系，平均相关系数为 -0.09.GPP对干旱胁迫的平均响应时间为4.14个月，表明植被对累积水分状况存在显著的滞后性.其中，约50%的像元响应时间为1个月，响应时间为6个月的像元比例最少，仅占1.76%.这一分布特征反映出区域植被对不同尺度干旱信号的敏感性差异.从空间分布来看，GPP对干旱的响应强度与时间尺度在区域内表现出明显的空间异质性.研究区西北部丘陵区、东南部山地及南部草地过渡带等边缘区域，GPP与SPEI之间多呈显著负相关，最佳响应时间集中在1个月，说明短期干旱在这些区域可能对GPP具有一定程度的促进作用.这种现象可能与该区域常年多雨、多云、太阳辐射受限的气候背景相关.短期干旱所带来的降水减少与晴天增多有助于提升光照强度，从而增强光合作用效率，短暂提升GPP.相比之下，中部地区如洞庭湖平原、江汉平原和鄱阳湖周边，相关性表现为不显著正相关，响应时间主要分布在6~12个月，体现出更强的响应滞后性与复杂性.这可能受到多种因素的共同作用，包括土地利用类型的多样化、灌溉条件的相对完善，以及水系网络的调蓄与补给功能.例如，在干旱初期，部分农田通过灌溉可维持较稳定的土壤水分，从而延缓植被生理过程受损；同时，平原地区的地形条件有利于降水汇集及水资源调控，有助于缓冲干旱带来的不利影响.

进一步地，本研究系统比较草地、森林和农田三类典型植被类型在干旱情境下的GPP响应强度与敏感性差异.结果表明，三类生态系统的GPP与SPEI整体均呈负相关，但在响应幅度与时间尺度上存在显著差异.在草地生态系统中，GPP与SPEI的相关系数范围为-0.52 ~ 0.40，均值为 -0.11，平均响应时间为 3.89 月，是三类植被中响应最快的类型.这表明草地对干旱胁迫高度敏感，且生理调节反应迅速.由于草地植被以浅根性多年生草本为主，生物量较低、根系分布浅，使其对土壤水分波动极为敏感.尽管这种“快速响应”机制在短期内有利于适应水分胁迫，但也揭示其抗旱能力有限、生态系统稳定性较低^［36］.

森林生态系统中，GPP与SPEI的相关系数范围为-0.36 至 0.30，均值为 -0.13，是三类植被中负相关程度最强的类型，表明短期干旱所引发的温度升高与辐射增强对森林GPP具有更显著的促进作用.其平均响应时间为 4.09 月，略长于草地，反映出一定的响应滞后性.森林通常具有较高的生物量、致密的冠层和发达的深根系，能够增强对短期水分亏缺的缓冲作用.较长的响应时滞可能源于其复杂的水分调控机制和较强的抗胁迫能力，使其在干旱初期仍能维持较高的生产力水平，从而展现出更强的干旱适应性^［13］.

农田生态系统则表现出更高的空间差异性.其GPP与SPEI的相关系数范围为-0.52 至 0.42，均值为 -0.07，平均响应时间最长，为 4.42个月.农田对干旱的响应既受自然水分条件影响，也显著依赖人为干预（如耕作方式、作物类型与灌溉措施）.在灌溉条件较好的地区，短期干旱可能因云量减少和辐射增强而促进作物光合作用；而在缺乏水资源保障的地区，则会迅速导致生产力下降.较长的响应时间说明农田系统在干旱初期具备一定缓冲能力，但一旦水分亏缺超过阈值，GPP下降往往更为剧烈^［32-33］.

综上，不同植被类型在干旱背景下的响应机制存在显著差异.草地具有快速且敏感的响应特征，森林展现出较强的缓冲与适应能力，而农田在自然与人为双重作用下呈现出高度异质性.这些差异对于区域干旱风险评估和生态系统适应性管理具有重要参考价值.

4 结论

本研究基于2001—2020年MODIS GPP与多时间尺度SPEI数据，系统评估了长江中游地区GPP对干旱胁迫的响应特征.结果表明，GPP对干旱具有显著的时间尺度依赖性与空间异质性.短期干旱对GPP主要呈现促进作用，随着干旱持续时间延长，部分农田与草地区域则由促进转为抑制作用，植被碳吸收能力显著下降.GPP对累积干旱胁迫的响应具有明显空间异质性，对水分亏缺的适应能力存在差异，其中丘陵与山地响应敏感且迅速，而平原地区则因灌溉和水系调蓄作用呈现出更长的滞后性与复杂性.此外，草地、森林与农田三类生态系统在响应强度与响应时间上表现出显著差异，反映出生态系统结构与人类活动干预对干旱胁迫响应机制的共同调节作用.本研究有助于深化对气候变化背景下干旱-碳循环耦合机制的理解，为提升区域碳汇功能和制定更具针对性的生态管理与气候适应策略提供理论支撑.

参考文献

[1] PIAO S L， FRIEDLINGSTEIN P， CIAIS P， et al. Effect of climate and CO2 changes on the greening of the Northern Hemisphere over the past two decades［J/OL］. Geophysical Research Letters， 2006， 33（23）［2025-09-11］.

[2] FORZIERI G， ALKAMA R， MIRALLES D G， et al. Satellites reveal contrasting responses of regional climate to the widespread greening of Earth［J］. Science， 2017， 356（6343）： 1180-1184.

[3] ANAV A， FRIEDLINGSTEIN P， BEER C， et al. Spatiotemporal patterns of terrestrial gross primary production： a review［J］. Reviews of Geophysics， 2015， 53（3）： 785-818.

[4] ZHU Z C， PIAO S L， MYNENI R B， et al. Greening of the Earth and its drivers［J］. Nature Climate Change， 2016， 6（8）： 791-795.

[5] SONG L S， LIU S M， KUSTAS W P， et al. Monitoring and validating spatially and temporally continuous daily evaporation and transpiration at river basin scale［J］. Remote Sensing of Environment， 2018， 219： 72-88.

[6] ZHAO M S， RUNNING S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009［J］. Science， 2010， 329（5994）： 940-943.

[7] HE C Y， LIU Z F， WU J G， et al. Future global urban water scarcity and potential solutions［J］. Nature Communications， 2021， 12： 4667.

[8] VICENTE-SERRANO S M， BEGUERÍA S， LÓPEZ-MORENO J I. A multiscalar drought index sensitive to global warming： the standardized precipitation evapotranspiration index［J］. Journal of Climate， 2010， 23（7）： 1696-1718.

[9] ZHANG Y L， SONG C H， SUN G， et al. Development of a coupled carbon and water model for estimating global gross primary productivity and evapotranspiration based on eddy flux and remote sensing data［J］. Agricultural and Forest Meteorology， 2016， 223： 116-131.

[10] MCDOWELL N， POCKMAN W T， ALLEN C D， et al. Mechanisms of plant survival and mortality during drought： why do some plants survive while others succumb to drought？［J］. New Phytologist， 2008， 178（4）： 719-739.

[11] FORZIERI G， DAKOS V， Mcdowell N G， et al. Emerging signals of declining forest resilience under climate change［J］. Nature， 2022， 608（7923）： 534-539.

[12] ZHANG Z Y， JU W M， ZHOU Y L， et al. Revisiting the cumulative effects of drought on global gross primary productivity based on new long-term series data （1982–2018）［J］. Global Change Biology， 2022， 28（11）： 3620-3635.

[13] XU H J， WANG X P， ZHAO C Y， et al. Diverse responses of vegetation growth to meteorological drought across climate zones and land biomes in northern China from 1981 to 2014［J］. Agricultural and Forest Meteorology， 2018， 262： 1-13.

[14] DING J Z， YANG T， ZHAO Y T， et al. Increasingly important role of atmospheric aridity on Tibetan alpine grasslands［J］. Geophysical Research Letters， 2018， 45（6）： 2852-2859.

[15] TIAN Q， LU J Z， CHEN X L. A novel comprehensive agricultural drought index reflecting time lag of soil moisture to meteorology： a case study in the Yangtze River basin， China［J/OL］. Catena， 2022， 209［2025-09-11］.

[16] 刘轩， 周杰， 卢静， 等. 多源植被遥感产品应用于干旱监测的不确定性分析［J］. 遥感学报， 2024， 28（9）： 2383-2404.

[17] LIU X， ZHOU J， LU J， et al. Analyzing the uncertainty of the multisource remote sensing-based vegetation products for drought monitoring［J］. National Remote Sensing Bulletin， 2024， 28（9）： 2383-2404. （Ch）.

[18] 陈晓玲， 吴金汝， 陆建忠. 1900—2018年“一带一路”沿线国家自然灾害时空分布特征研究［J］. 华中师范大学学报（自然科学版）， 2023， 57（1）： 46-58.

[19] CHEN X L， WU J R， LU J Z. Spatio-temporal patterns of natural disasters in countries along “The Belt and Road” from 1900 to 2018［J］. Journal of Central China Normal University （Natural Sciences）， 2023， 57（1）： 46-58. （Ch）.

[20] 陈笑笑， 黄治勇， 秦鹏程， 等. 长江中游夏季高温异常的大气环流和海温特征［J］. 干旱气象， 2024， 42（4）： 553-562.

[21] CHEN X X， HUANG Z Y， QIN P C， et al. Atmospheric circulation and sea surface temperature characteristics of summer high temperature anomaly in the middle reaches of the Yangtze River［J］. Journal of Arid Meteorology， 2024， 42（4）： 553-562. （Ch）.

[22] 李明， 柴旭荣， 王贵文， 等. 长江中下游地区气象干旱特征［J］. 自然资源学报， 2019， 34（2）： 374-384.

[23] LI M， CHAI X R， WANG G W， et al. Research on meteorological drought in the middle and lower reaches of the Yangtze River［J］. Journal of Natural Resources， 2019， 34（2）： 374-384. （Ch）.

[24] 尹国应， 张洪艳， 张良培. 2001—2019年长江中下游农业干旱遥感监测及植被敏感性分析［J］. 武汉大学学报（信息科学版）， 2022， 47（8）： 1245-1256；1270.

[25] YIN G Y， ZHANG H Y， ZHANG L P. Remote sensing monitoring of agricultural drought and vegetation sensitivity analysis in the middle and lower reaches of the Yangtze River from 2001 to 2019［J］. Geomatics and Information Science of Wuhan University， 2022， 47（8）： 1245-1256；1270. （Ch）.

[26] RUNNING S W， ZHAO M. Daily GPP and annual NPP （MOD17A2/A3） products NASA Earth Observing System MODIS land algorithm［J］. MOD17 User’s Guide， 2015： 1-28.

[27] XIE X Y， LI A N， TAN J B， et al. Assessments of gross primary productivity estimations with satellite data-driven models using eddy covariance observation sites over the Northern Hemisphere［J/OL］. Agricultural and Forest Meteorology， 2020， 280［2025-09-16］.

[28] WANG S N， LI R P， WU Y J， et al. Effects of multi-temporal scale drought on vegetation dynamics in Inner Mongolia from 1982 to 2015， China［J/OL］. Ecological Indicators， 2022， 136［2025-09-11］.

[29] MANN H B. Nonparametric tests against trend［J］. Econometrica， 1945， 13（3）： 245-259.

[30] CHEN C， PARK T， WANG X H， et al. China and India lead in greening of the world through land-use management［J］. Nature Sustainability， 2019， 2： 122-129.

[31] CAO D， ZHANG J H， HAN J Q， et al. Projected increases in global terrestrial net primary productivity loss caused by drought under climate change［J/OL］. Earth’s Future， 2022， 10（7）［2022-07-17］.

[32] ZHENG L， LU J Z， CHEN X L. Drought offsets the vegetation greenness-induced gross primary productivity from 1982 to 2018 in China［J］. Journal of Hydrology， 2024， 632［2025-09-11］.

[33] Royal Meteorological Society （Great Britain）. Quarterly Journal of the Royal Meteorological Society［C］. Royal Meteorological Society， 1875.

[34] JIAO W Z， CHANG Q， WANG L X. The sensitivity of satellite solar-induced chlorophyll fluorescence to meteorological drought［J］. Earth’s Future， 2019， 7（5）： 558-573.

[35] GE W Y， LI X X， XIE M X， et al. Quantitative evaluation of drought risk related to vegetation productivity in China［J/OL］. Journal of Hydrology， 2023， 623［2025-09-11］.

[36] 刘家倩， 陆建忠， 田晴， 等. 干旱对鄱阳湖流域植被生态系统GEP的影响［J］. 华中师范大学学报（自然科学版）， 2022， 56（3）： 513-522.

[37] LIU J Q， LU J Z， TIAN Q， et al. Impact of drought on the GEP of Poyang Lake basin vegetation ecosystem［J］. Journal of Central China Normal University （Natural Sciences）， 2022， 56（3）： 513-522. （Ch）.

[38] DU L， MIKLE N， ZOU Z H， et al. Global patterns of extreme drought-induced loss in land primary production： identifying ecological extremes from rain-use efficiency［J］. Science of the Total Environment， 2018， 628-629： 611-620.

[39] ZHAN C， LIANG C， ZHAO L， et al. Drought-related cumulative and time-lag effects on vegetation dynamics across the Yellow River Basin， China［J/OL］. Ecological Indicators， 2022， 143［2022-09-07］.

[40] GITELSON A， ARKEBAUER T， VIÑA A， et al. Evaluating plant photosynthetic traits via absorption coefficient in the photosynthetically active radiation region［J/OL］. Remote Sensing of Environment， 2021， 258［2025-09-11］.

[41] SAUQUET E， RICHARD B， DEVERS A， et al. Water restrictions under climate change： a Rhône-Mediterranean perspective combining bottom-up and top-down approaches［J/OL］. Hydrology and Earth System Sciences， 2019， 23（9）： 3683-3710.

[42] KULMATISKI A， BEARD K H. Woody plant encroachment facilitated by increased precipitation intensity［J］. Nature Climate Change， 2013， 3（9）： 833-837.

基金资助

湖北省自然科学基金创新群体项目(2024AFA032)

国家自然科学基金项目(42071358)

国家自然科学基金项目(42501391)

国家自然科学基金项目(4250013224)

中国博士后科学基金项目(2024M761098)

湖北省博士后尖端人才引进项目(2024HBBHJD051)