近20年塔里木河流域植被变化及与气候因子的关系

Vegetation Changes in Tarim River Basin over Past 20 Years and Their Relationship with Climate Factors

摘要

为了解西北“暖湿化”进程中气候因素对塔里木河流域植被变化的驱动作用，基于线性回归、变异系数、Person相关系数、Hurst指数和偏导数方法，利用MODIS卫星遥感数据和气候数据对塔里木河流域植被变化的气候驱动机制进行定量评估.结果表明：该流域植被最优长势和生产力水平呈波动上升趋势，指数NDVI、EVI、NPP增速分别为0.036 4/10a、 0.023 8/10a、12.606 1 gC/（m²·10a）.Hurst指数显示，研究区大部分区域植被存在持续变化的不确定性问题，持续改善区域分别占流域面积的19.7%、18.7%和6.1%.流域尺度上，气候因素对NDVI、EVI、NPP的贡献分别为0.0016/10a、0.0010/ 10a、2.8019 gC/（m²∙10a）.相较于气温，降水是影响植被变化的主要气候因子；辐射对植被变化有抑制作用.气候变化对植被最优长势变化的贡献有限，却促进了植被生产力的明显改善，结果揭示了塔里木河流域植被变化及气候驱动的空间特征.

Abstract

To understand the role of climatic factors in driving vegetation changes in the Tarim River Basin during the “warming and humidification” process in Northwest China, based on the linear regression, coefficient of variation, Person correlation coefficient, Hurst index and partial derivative methods, the climate-driven mechanism of vegetation change in the Tarim River Basin was quantitatively evaluated using MODIS satellite remote sensing data and meteorological data. It is found that the optimal vegetation growth and productivity levels in the basin showed a fluctuating upward trend, and the index NDVI, EVI, and NPP growth rates were 0.036 4/10a, 0.023 8/10a, and 12.606 1 gC/(m²∙10a), respectively. The Hurst index shows that the study area had the problem of uncertainty of continuous change in vegetation, and the areas of continuous improvement accounted for 19.7%, 18.7%, and 6.1% of the watershed area, respectively. At the watershed scale, the contributions of climatic factors to NDVI, EVI, and NPP were 0.001 6/10a, 0.001 0/10a, and 2.801 9 gC/(m²∙10a), respectively. Precipitation was the main climatic factor affecting vegetation change compared to air temperature; radiation had an inhibitory effect on vegetation change. Climate change contributed limitedly to the changes in optimal vegetation growth, but promoted significant improvements in vegetation productivity. The results reveal the spatial characteristics of vegetation change and climate-driven changes in the Tarim River Basin.

Graphical abstract

关键词

塔里木河流域 / 植被变化 / 驱动机制 / 定量评估 / 气候变化.

Key words

Tarim River Basin / vegetation change / driving mechanism / quantitative evaluation / climate change

植被作为陆地生态系统的重要组成部分，在反映气候变化、水土保持、全球碳平衡、人类活动强度等方面发挥着重要作用，是评价生态系统健康和土地退化的指标（Piao et al.， 2011； Newbold et al.， 2015）.近年来诸多学者针对全球和区域尺度，开展了大量的陆地生态系统监测工作，其中植被变化的影响机制一直是人们关注的焦点（Chen et al.， 2010； Jeong et al.， 2011； Zhou et al.， 2020； 王春雅等， 2021）.近年来，国内外学者在不同空间尺度上对气候变化与植被之间的关系开展研究，并取得显著进展（Piao et al.， 2011； Zhu et al.， 2020）.气候变化与植被生长状况关系密切，降水、气温、辐射强度等是影响植被变化的重要气候因子（Nemani et al.， 2003； He et al.， 2015），但植被变化对气候的响应存在空间差异.研究表明在全球尺度上，气温升高是北半球中高纬度地区植被生长期延长的主要驱动因素（Nemani et al.， 2003； Chu et al.， 2019）.区域尺度上，特别是在干旱和半干旱地区，植被变化对降水很敏感，理论上降水的增加有利于植被生长（Zhu et al.， 2020），而在中低纬度的一些地区气温和辐射可能限制植被生长（Zhang et al.， 2016）.

塔里木河流域地处欧亚大陆腹地、新疆维吾尔自治区南部，是中国粮食、棉花的主产区.作为中国最敏感和最脆弱的山地‒绿洲‒沙漠生态系统，近几十年来，塔里木河流域人类活动不断升级，土地利用发生显著变化.已有研究多使用线性回归、相关性分析、土地利用转移矩阵等方法在塔里木河流域植被变化趋势及主导因素方面基本达成共识，即近几十年来该流域植被呈波动增加趋势、土地利用转化剧烈；相较于气候变化，人类活动对该流域植被变化的影响更显著（Zhao et al.， 2013； Zhang et al.， 2020；Jiang et al.， 2022；岳胜如等，2024）.然而，自20世纪80年代以来中国西北“暖湿化”现象显著，特别是1996年以后表现出“暖湿化”加速现象（Chen et al.， 2023）.在“暖湿化”加速背景下，现有研究在流域尺度和像元尺度上量化气候因子对植被变化的贡献方面尚不充分，特别是多角度植被变化描述及气候因子定量驱动贡献研究方面（Pan et al.， 2017； Tong et al.， 2017）.

本研究使用归一化植被指数（Normalized Difference Vegetation Index， NDVI）和增强植被指数（Enhanced Vegetation Index， EVI）来表征植被长势，而植被生产力使用净初级生产力（Net Primary Productivity， NPP）指标来表示.从植被最优长势和生产力两个角度，探究塔里木河流域不同空间尺度（流域尺度、像元尺度）植被变化特征和气候驱动机制.研究目标：（1）基于3种植被指数，从植被最优长势和生产力两个角度，全面评价塔里木河流域植被变化时空格局的可持续性.（2）定量分析气候因素对植被变化的影响.研究结果可深入了解塔里木河流域植被变化及其气候驱动的空间格局，并为该区域生态环境建设提供一定的理论依据.

1 材料与方法

1.1　研究区概况

塔里木河流域（73°10´E~94°05´E，34°55´N~43°08´N）位于新疆南部，天山与昆仑山、喀喇昆仑山之间，面积约68.5×10⁴ km²（不含塔克拉玛干沙漠，见图1）.近年来由于气候变化以及人类活动影响，特别是绿洲农业的持续开发，各支流上游用水持续增加，相继与塔里木河干流失去联系，目前只有开都‒孔雀河、阿克苏河、叶尔羌河和和田河对塔里木河干流进行补给（郭宏伟等， 2017；魏豪等，2023）.研究区海拔780~8 464 m，大部分属极端干旱气候，多年平均气温为-30.6~14.5 ℃，多年平均降水量为3.6~682.7 mm.考虑到植被在塔里木河流域的分布，本文选取塔里木河流域内NDVI大于0.1、海拔小于5 000 m（高山雪线）的区域作为研究对象（赵杰等， 2018； 邓刚， 2021）.

1.2　数据来源

本研究采用NDVI、EVI、NPP植被指数和再分析气候数据集，数据来源及说明见表1.利用MODIS重投影工具（MRT）进行图像拼接、格式和投影转换，使用MATLAB、ArcGIS对数据加工处理.为探究植被对气候变化和其他因素响应的敏感度，考虑到气候变化及物候对植被生长的影响，NDVI、EVI采用年最大值（逐月最大合成值），用以表示植被年最优长势状态，下文所有NDVI、EVI均为最大值合成，不再赘述；NPP为2001-2020年逐年植被净初级生产力数据，重采样至1 km和其他数据分辨率匹配.气温和降水数据分别来自经过空间降尺度处理的CRU和WorldClim高分辨率数据集，并进一步处理得到年均气温和年累计降水.辐射数据来自哥白尼气候数据存储系统提供的ERA5⁃Land再分析数据集，重采样处理得到1 km年均辐射.

1.3　数据处理

1.3.1　线性最小二乘回归

采用线性最小二乘回归方法对植被指数和气候因子进行一元线性回归处理，计算逐个像元观测值随时间序列变化趋势，得到趋势线的斜率（Slope），其值大于0表示趋势增加，小于0表示趋势减少，等于0表示趋势不变，计算公式为：

Slope=\frac{t\times {\sum }_{i=\mathrm{1}}^{t}i\times f_i-{\sum }_{i=\mathrm{1}}^{t}i{\sum }_{i=\mathrm{1}}^t{f}_i}{t\times {\sum }_{i=\mathrm{1}}^t{i}^{\mathrm{2}}-{({\sum }_{i=\mathrm{1}}^{t}i)}^{\mathrm{2}}},（1）

式中：Slope表示2001-2020年平均变化率；t为时间序列长度，取值为20；i取值为1~20，表示2001-2020年；f_i 表示第i年植被指数或气候因子观测值.

1.3.2　变异系数

变异系数（Coefficient of Variation， CV）是用来衡量植被指数观测值变异程度的统计量，计算公式为：

CV=\sigma /\mu,（2）

式中：σ为观测值标准差；μ为观测值算术平均值.

1.3.3　Person相关性系数

采用Person相关性系数来表示植被指数和气候因子之间的相关性，并在0.05水平下进行显著性检验，计算公式为：

r=\frac{{\displaystyle \sum _{i=\mathrm{1}}^t}(x_i{y}_i)-\frac{{\displaystyle \sum _{i=\mathrm{1}}^t}{x}_i{\displaystyle \sum _{i=\mathrm{1}}^t}{y}_i}{n}}{\sqrt[]{({\displaystyle \sum _{i=\mathrm{1}}^t}(x_i{)}^{\mathrm{2}}-\frac{{({\displaystyle \sum _{i=\mathrm{1}}^t}{x}_i)}^{\mathrm{2}}}{n})({\displaystyle \sum _{i=\mathrm{1}}^t}(y_i{)}^{\mathrm{2}}-\frac{{({\displaystyle \sum _{i=\mathrm{1}}^t}{y}_i)}^{\mathrm{2}}}{n})}},（3）

式中：r为Person相关性系数；x代表气候因子；y代表植被指数；t为时间序列长度.

1.3.4　Hurst指数

赫斯特指数是由英国水文学家赫斯特提出（Hurst， 1951），经多人完善发展，用来评估长时间序列数据变化的持久性，已广泛应用于水文、气候学和植被等研究领域（Jiang et al.， 2017），计算公式为（Qu et al.， 2020）：

H=(\mathrm{l}\mathrm{o}\mathrm{g}(R/S)-\mathrm{l}\mathrm{o}\mathrm{g}\mathrm{c})/\mathrm{l}\mathrm{o}\mathrm{g}(n),（4）

式中：H为赫斯特指数；c为常数；n为观察值的个数.H值范围从0到1，分为三种类型.当H=0.5时，则该序列为标准的随机游走序列，即过去的增量和未来的增量没有关系.当0≤H<0.5时，则该序列不是随机游走，是一种反相关性的时间序列，即过去的增量和未来的增量是负相关，当H值越接近0，这种反相关性表现得越明显.当0.5<H≤1，则该序列不是随机游走，是一种正相关的时间序列，即过去的增量和未来的增量是正相关，当H值越接近1，这种正相关性表现得越明显.

1.3.5　驱动因子对植被变化的贡献

为进行2001-2020年塔里木河流域植被时空变化及驱动因子贡献分析，采用偏导数的方法估算驱动因子对植被指数年际变化的贡献（Zhang et al.， 2016； Qu et al.， 2020）.影响植被变化的因素可分为气候因子（气温、降水、辐射）和其他因素（包括但不限于开垦农田、植树造林、城镇化等人类活动，CO₂排放，及其他潜在因素）两部分（Zhang et al.， 2014； Tian et al.， 2015；Chen et al.， 2021； Wang et al.， 2021）.气候因子和其他因素的贡献计算公式为：

\begin{array}{l}\frac{\mathrm{d}V}{\mathrm{d}t}={\epsilon }_{\mathrm{1}}\frac{\mathrm{d}T}{\mathrm{d}t}+{\epsilon }_{\mathrm{2}}\frac{\mathrm{d}P}{\mathrm{d}t}+{\epsilon }_{\mathrm{3}}\frac{\mathrm{d}R}{\mathrm{d}t}+OF=T^{\mathrm{*}}+\\ P^{\mathrm{*}}+R^{\mathrm{*}}+OF\end{array},（5）

式中：T^* 、P^* 、R^* 分别代表气温、降水、辐射对植被指数变化率的贡献；dV/dt为植被指数在时间变量t上的年变化率，由公式（1）计算；dT/dt、dP/dt、dR/dt可视为气温、降水、辐射在像元尺度上对时间t的线性回归的斜率；系数ɛ₁、ɛ₂、ɛ₃可以用ɛ₁=əV/əT、ɛ₂=əV/əP、ɛ₃=əV/əR估算，即植被指数与气温、降水、辐射线性回归的斜率；OF是植被指数变化与气候因子贡献之间的残差，即其他因素对植被变化的贡献.

2 结果分析

2.1　植被格局和动态特征

2.1.1　植被指数的空间格局

2001-2020年塔里木河流域植被长势和生产力水平较低，且空间差异显著.平均NDVI、EVI和NPP分别为0.272、0.182、62.196 gC/（m²∙a），均呈现北高南低、西高东低的空间分布特征（图2a、图2b、图2c）.高值区域主要分布在北部开都‒孔雀河源流区、阿克苏河、渭干河、喀什噶尔河及叶尔羌河沿岸；而东部的开都‒孔雀河东南部、车尔臣河东北部，南部高山区3种指数均接近于0.

为表征塔里木河流域植被波动变化特征，计算了2001-2020年像元尺度植被指数变异系数（CV），空间特征见图2d、图2e、图2f，分类及统计结果见表2.塔里木河流域植被波动表现出一定的空间聚集性，且与海拔关系密切.其中NDVI和EVI变异系数空间分布特征基本一致，表现出北部变异强度高于南部的空间特征.中度及以上变异区域分别占流域总面积的10.4%、7.4%，主要分布在开都‒孔雀河上游的高寒草场、渭干河、塔里木河干流、阿克苏河中下游、喀什噶尔河及叶尔羌河，且在南部植被较低地区，NDVI的变异敏感性高于EVI.NPP中度及以上变异分布在塔里木河干流中下游、阿克苏河、叶尔羌河和和田河交汇区域占总面积的1.6%；此外，波动较大区域还出现在北部天山及南部昆仑山.植被指数及其变异系数随海拔的变化规律如图2g、图2h、图2i所示.3种植被指数均随海拔升高呈波动变化趋势，即在1 000~1 500 m、2 500~3 500 m出现峰值，但其最大值出现的海拔范围则存在差异，NDVI和EVI最大值出现在海拔1 000~1 500 m之间，而NPP最大值出现在海拔2 500~3 500 m之间.植被在 3 000~3 500 m内稳定性最高，当海拔超过 3 500 m时，植被指数呈急剧下降趋势.变异系数随海拔的增加出现先降低后升高的趋势，NPP变化在700~2 000 m之间较NDVI和EVI更剧烈.

2.1.2　植被指数的动态特征

2001-2020年塔里木河流域植被长势和生产力有明显改善，NDVI、EVI、NPP年际变化均呈波动增加趋势，增长率分别为0.036 4/10a、0.023 8/10a、12.606 1 gC/（m²∙10a）（为准确反映NPP特征，下文统计仅包含NPP有值区），但在2006-2009年及2014-2015年有所下降（图3g、图3h、图3i）.此外，NDVI、EVI、NPP呈上升趋势区域分别占总面积的88.6%、86.7%、96.63%（图3a、图3b、图3c）.其中具有显著增加趋势区域（S>0，p< 0.05）分别占总流域面积的46.6%、43.7%、41.58%，主要分布在研究区西北部各河流两岸、天山南麓和昆仑山北麓地带；NDVI、EVI、NPP呈显著下降区域分别仅占总面积的1.6%、1.9%、1.39%，其中NPP呈明显下降区域主要集中在渭干河下游及塔里木河干流中游附近，NDVI、EVI呈显著下降区域主要环塔克拉玛干沙漠边缘分布（图3d、图3e、图3f）.

2.2　植被变化趋势一致性分析

基于Hurst指数，将植被指数趋势分析结果叠加其上，得到持续性波动与变化趋势的叠加信息，结果分为9种，如图4所示，统计结果见表3.塔里木河流域植被变化主要呈反持续趋势，且不确定性问题较大.NDVI、EVI和NPP变化持续面积分别占总面积的34.1%、25.2%和15.5%，其中退化面积分别占2.7%、4.9%和2.1%.持续退化区域分布在环塔克拉玛干沙漠边缘区，特别是塔里木河干流的中下游，结合图3f和图4f发现，该区域植被波动大、呈持续减少趋势，这可能与上游开垦农田致使下游可利用水资源减少，从而导致土地利用类型转变有关（Chen et al.， 2008； Liu et al.， 2022）.对于NDVI和EVI而言，反持续增加是主要变化形式，分别占总面积的58.5%和56.4%.而NPP则有研究区面积的54.2%呈基本稳定或随机游走分布，这与研究区土地利用类型主要为荒地有关.此外，由于Hurst指数接近于0.5，且NDVI、EVI和NPP变化的Hurst指数在0.4~0.6范围的面积占比分别为65.4%、66.4%、65.4%，这说明研究区大部分区域植被存在持续变化的不确定性问题.

2.3　气候因子对植被指数年际变化的贡献

2.3.1　气候变化趋势及其对植被指数的影响

2001-2020年间塔里木河流域降水、气温和辐射强度变化速率为4.71 mm/10a 、0.07 ℃/10a、 0.13 kJ/（m²∙10a），均不显著，如图5d、图5e、图5f所示.降水变化空间特征为北部、西北部增加而东部和东南部减少.高海拔区域气温基本不变，气温升高区域主要集中在1 000~2 000 m附近，气温降低区域则主要集中在海拔低于1 000 m的塔里木河干流中下游及其附近.流域绝大部分区域辐射强度增加，降低区域则分布在北部高寒草场、塔里木河干流中下游以及研究区西部（图5a、图5b、图5c）.降水、气温和辐射强度呈上升趋势区域分别占总面积的74.78%、70.30%、86.73%，这与前人研究结果基本一致（Su et al.， 2017； 李哲等， 2020）.

为探究气候变化对植被的影响，对植被指数和气候因子进行相关性分析，发现气候因子对NDVI、EVI、NPP的相关性表现出一定的规律性，但也存在空间和强度上的异质性（图6a~图6i）.气候因子对NDVI、EVI的影响在空间特征上基本一致，但作用强度方面仍有区别.降水对NDVI、EVI的作用在空间上表现为西正东负，气温则表现为西负东正的空间格局，辐射对NDVI、EVI的作用则表现为四周负而中部正的空间格局.降水对NPP的作用则表现为北高南低，气温对北部高寒草场有明显的促进作用，辐射对NPP的抑制作用主要分布在北部高寒草场、西部天山山脉、叶尔羌河中下游地区，以及和田河、克里雅河靠近沙漠区域.

在流域尺度上降水与NDVI、EVI、NPP的相关系数分别为0.199、0.194、0.256；气温与NDVI、EVI、NPP的相关系数分别为-0.002、-0.019、0.018；辐射与NDVI、EVI、NPP的相关系数分别为-0.131、-0.115、-0.114，即流域尺度上降水促进了植被生长，气温对植被影响不明显，而辐射抑制了植被生长，但降水对NPP的作用强度明显高于对NDVI、EVI的作用（图6j、图6k、图6l）.

2.3.2　气候因子对植被指数年际变化的贡献

相关系数描述了植被指数与气候变量之间可能存在的关系，但未能量化各气候因子对植被指数年际变化的贡献（Zhang et al.， 2016），因此，利用偏导数方法研究气候驱动因子对植被指数年际变化趋势的贡献，即平均每年贡献值，如图7所示.流域尺度上，降水对NDVI、EVI、NPP变化的贡献分别为 0.002 2/10a、0.001 4/10a、1.697 3 gC/（m²∙10a）；气温对NDVI、EVI、NPP变化的贡献分别为 -0.000 1/10a、-0.000 1/10a、0.662 6 gC/（m²∙10a）；辐射对NDVI、EVI、NPP变化的贡献分别为-0.000 6/10a、-0.000 2/10a、-0.340 2 gC/（m²∙10a）.总的来说，降水对3种指数呈现积极作用且强度最大，对NDVI、EVI有积极作用区域主要分布在研究区中西部，而在除北部高寒草场、和田河部分区域外的大部分地区降水主要对NPP有积极作用.气温对NDVI、EVI在研究区四周主要呈消极作用，在中部有积极作用，而对NPP作用的空间分布则大致相反.辐射对3种指数呈消极作用.

基于气温、降水和辐射对植被变化的贡献和公式（5），得到气候因子和其他因素对NDVI、EVI、NPP年际变化的贡献的空间分布，如图8所示.2001-2020年NDVI、EVI、NPP变化率分别为0.036 4/10a、0.023 8/10a、12.606 1 gC/（m²∙10a），其中气候因子贡献分别为0.001 6/10a、0.001 0/10a、2.801 9 gC/（m²∙10a），其他因素贡献分别为0.034 8/10a、0.022 8/10a、9.804 2 gC/（m²∙10a）.由此可得，对于NDVI、EVI和NPP而言，气候变化对塔里木河流域植被最优长势变化的解释力有限，贡献率分别仅占4.4%、4.2%；但对植被生产力变化有较高解释力，贡献率为22.2%.

在植被长势方面，气候变化对北部高寒草场、开都河、渭干河流域和塔里木河干流中游三者交汇处以及研究区西南地区昆仑山北麓草地产生显著积极影响.在描述研究区西南部草地受气候变化影响的过程中，NDVI相较于EVI表现出更为敏感的特点；而在研究区北部高植被覆盖区，EVI对气候变化的响应相较于NDVI更为敏感（图8a、图8b）.在植被生产力方面，气候变化对北部边缘的高寒草场、塔里木河干流中下游、阿克苏河东南部及叶尔羌河等地区植被生产力有消极影响（图8c）.其他因素主导流域植被变化，其对开都河中上游、塔里木河干流中下游、渭干河下游、阿克苏河下游、喀什噶尔河流域、叶尔羌河、研究区南部的昆仑山北侧地区植被长势产生显著积极影响（图8d、图8e）；而对塔里木河干流中游以及喀什噶尔河流域、叶尔羌河中游地区植被生产力有消极影响（图8f）.

综上所述，塔里木河流域降水对植被变化有积极影响，且作用大于气温和辐射.气候变化对植被长势和生产力的影响存在强度和空间的差异.

3 讨论

3.1　植被变化及对驱动因子的响应

NDVI、EVI、NPP的空间格局基本一致，高值分布在北部高寒草场和各绿洲，中低值则分布在中海拔山区和绿洲边缘.这是因为降水、冰雪融水及相对适宜气温和辐射条件为北部高寒草场及中海拔山区植被生长提供了保障，人类活动对水资源的分配则决定了绿洲植被格局（邓铭江和石泉， 2014； Jiang et al.， 2022）.流域尺度上，植被增加趋势显著，且在气候驱动因素中，降水对植被变化的影响最大，这表明在干旱的塔里木河流域，水是植被生长的关键限制因素，这与以往的研究结果一致（Liu et al.， 2020； Zhu et al.， 2020）.降水的增加及气温升高所引起的冰雪融水增加可能是塔里木河流域植被改善的重要驱动因素（Jiang et al.， 2022；Yue et al.， 2024）.此外，虽然有研究表明中海拔山区的植被改善可能与降水和温度增加有关，但天山中段开都河流域高寒草场的退化与过度放牧和局部干旱有关（Bai et al.， 2021）.其他因素在绿洲区及其周边驱动强度较高，这与塔里木河流域人口增长、经济发展和产业政策等人类活动所引起的土地利用变化关系密切（Wang et al.， 2021）.

3.2　局限性和不确定性

很多指标可以用来表征植被状态，但是不同指标或相同指标的不同处理方式反映植被状态的角度并不相同（Piao et al.， 2011； Qu et al.， 2020； 王春雅等， 2021； 何旭洋等， 2022）.选取多个指标有利于全面反映植被生长状态，但考虑到植被的结转效应及对气候变化响应的异质性等因素（Nemani et al.， 2003；Lian et al.， 2021），与之匹配的气候数据选择和处理方法有必要进一步讨论.氮沉积、CO₂施肥、极端气候等因素对植被变化的定量评估（Nemani et al.， 2003； Chen et al.， 2020； Chen et al.， 2021），多种因素对植被动态的耦合效应将是下一步研究目标.考虑到数据本身的不确定性及驱动估算模型的局限性，本研究所得结论存在一定偏差，但仍基于3个植被指标，从植被最优长势、植被生产力两个方面评价了气候因子的定量贡献，这对深入了解塔里木河流域植被动态和气候驱动机制有一定意义.

4 结论

本文利用MODIS卫星遥感数据、再分析气候数据，基于线性回归、变异系数、Hurst指数和偏导数处理，分析了2001-2020年塔里木河流域植被指数NDVI、EVI、NPP变化的空间格局及气候对植被动态的相对贡献.主要结论有：在流域尺度上，NDVI、EVI、NPP均呈波动上升趋势，增长率分别为0.036 4/10a、0.023 8/10a、12.606 1 gC/（m²∙10a）.研究区大部分区域植被指数存在持续变化的不确定性问题.流域尺度上，气候因素对NDVI、EVI、NPP的贡献分别为0.001 6/10a、0.001 0/10a、2.801 9 gC/（m²∙10a），降水对植被变化有积极影响且强度大于气温和辐射.相较于植被最优长势，气候变化对植被生产力的解释力更高.

参考文献

[1] Bai, J., Li, J. L., Bao, A. M., et al., 2021. Spatial⁃Temporal Variations of Ecological Vulnerability in the Tarim River Basin, Northwest China. Journal of Arid Land, 13(8): 814-834. https://doi.org/10.1007/s40333⁃021⁃0079⁃0

[2] Chen, F. H., Xie, T. T., Yang, Y. J., et al., 2023. Discussion of the “Warming and Wetting” Trend and Its Future Variation in the Drylands of Northwest China under Global Warming. Science China Earth Sciences, 66(6): 1241-1257. https://doi.org/10.1007/s11430⁃022⁃1098⁃x

[3] Chen, S. Y., Zhang, Y. L., Wu, Q. L., et al., 2021. Vegetation Structural Change and CO₂ Fertilization More than Offset Gross Primary Production Decline Caused by Reduced Solar Radiation in China. Agricultural and Forest Meteorology, 296: 108207. https://doi.org/10.1016/j.agrformet.2020.108207

[4] Chen, X. X., Wang, L. C., Niu, Z. G., et al., 2020. The Effects of Projected Climate Change and Extreme Climate on Maize and Rice in the Yangtze River Basin, China. Agricultural and Forest Meteorology, 282: 107867. https://doi.org/10.1016/j.agrformet.2019.107867

[5] Chen, Y. N., Chen, Y. P., Xu, C. C., et al., 2010. Effects of Ecological Water Conveyance on Groundwater Dynamics and Riparian Vegetation in the Lower Reaches of Tarim River, China. Hydrological Processes, 24(2): 170-177. https://doi.org/10.1002/hyp.7429

[6] Chen, Y. N., Pang, Z. H., Hao, X. M., et al., 2008. Periodic Changes of Stream Flow in the last 40 Years in Tarim River Basin, Xinjiang, China. Hydrological Processes, 22(21): 4214-4221. https://doi.org/10.1002/hyp.7024

[7] Chu, H. S., Venevsky, S., Wu, C., et al., 2019. NDVI⁃Based Vegetation Dynamics and Its Response to Climate Changes at Amur⁃Heilongjiang River Basin from 1982 to 2015. Science of the Total Environment, 650: 2051-2062. https://doi.org/10.1016/j.scitotenv.2018.09.115

[8] Deng, G., 2021. Temporal and Spatial Dynamics of Snow Cover and Its Influencing Factors in High Mountain Areas of Asia (Dissertation). Hunan University of Science and Technology, Xiangtan, 24-27 (in Chinese with English abstract).

[9] Deng, M. J.,Shi, Q., 2014. Management and Regulation Pattern of Water Resource in Inland Arid Regions. Advances in Earth Science, 29(9):1046-1054 (in Chinese with English abstract).

[10] Guo, H.W., Xu, H.L., Ling, H.B., 2017. Study of Ecological Water Transfer Mode and Ecological Compensation Scheme of the Tarim River Basin in Dry Years. Journal of Natural Resources, 32(10): 1705-1717 (in Chinese with English abstract).

[11] He, B., Chen, A. F., Wang, H. L., et al., 2015. Dynamic Response of Satellite⁃Derived Vegetation Growth to Climate Change in the Three North Shelter Forest Region in China. Remote Sensing, 7(8): 9998-10016. https://doi.org/10.3390/rs70809998

[12] He, X. Y., Zhang, F. P., Li, L., et al., 2022. Quantitative Analysis of the Impact of Climate Changes and Human Activities on the NPP of Vegetation in the Inland River Basins of Northwest China.Journal of Lanzhou University (Natural Sciences), 58(5): 650-660 (in Chinese with English abstract).

[13] Hurst, H. E., 1951. Long⁃Term Storage Capacity of Reservoirs. Transactions of the American Society of Civil Engineers, 116(1): 770-799. https://doi.org/10.1061/taceat.0006518

[14] Jeong, S. J., Ho, C. H., Gim, H. J., et al., 2011. Phenology Shifts at Start vs. End of Growing Season in Temperate Vegetation over the Northern Hemisphere for the Period 1982-2008. Global Change Biology, 17(7): 2385-2399. https://doi.org/10.1111/j.1365⁃2486.2011.02397.x

[15] Jiang, L. L., Guli·Jiapaer, Bao, A. M., et al., 2017. Vegetation Dynamics and Responses to Climate Change and Human Activities in Central Asia. Science of the Total Environment, 599: 967-980. https://doi.org/10.1016/j.scitotenv.2017.05.012

[16] Jiang, N., Zhang, Q. Q., Zhang, S. C., et al., 2022. Spatial and Temporal Evolutions of Vegetation Coverage in the Tarim River Basin and Their Responses to Phenology. Catena, 217: 106489. https://doi.org/10.1016/j.catena.2022.106489

[17] Li, Z., Ding, Y.J., Chen, A.J., et al., 2020. Hiatus Phenomenon and Its Characteristics in Climate Change in Northwest China from 1960 to 2019. Acta Geographica Sinica, 75(9): 1845-1859 (in Chinese with English abstract).

[18] Lian, X., Piao, S. L., Chen, A. P., et al., 2021. Seasonal Biological Carryover Dominates Northern Vegetation Growth. Nature Communications, 12: 983. https://doi.org/10.1038/s41467⁃021⁃21223⁃2

[19] Liu, C., Liu, B., Zhao, W. Z., et al., 2020. Temporal and Spatial Variability of Water Use Efficiency of Vegetation and Its Response to Precipitation and Temperature in Heihe River Basin. Acta Ecologica Sinica, 40(3): 1-12. https://doi.org/10.5846/stxb201810282323

[20] Liu, Q., Liu, Y., Niu, J., et al., 2022. Prediction of the Irrigation Area Carrying Capacity in the Tarim River Basin under Climate Change. Agriculture, 12(5): 657. https://doi.org/10.3390/agriculture12050657

[21] Nemani, R. R., Keeling, C. D., Hashimoto, H., et al., 2003. Climate⁃Driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999. Science, 300(5625): 1560-1563.https://doi.org/10.1126/science.1082750

[22] Newbold, T., Hudson, L. N., Hill, S. L. L., et al., 2015. Global Effects of Land Use on Local Terrestrial Biodiversity. Nature, 520(7545): 45-50. https://doi.org/10.1038/nature14324

[23] Pan, T., Zou, X. T., Liu, Y. J., et al., 2017. Contributions of Climatic and Non⁃Climatic Drivers to Grassland Variations on the Tibetan Plateau. Ecological Engineering, 108: 307-317. https://doi.org/10.1016/j.ecoleng.2017.07.039

[24] Piao, S. L., Wang, X. H., Ciais, P., et al., 2011. Changes in Satellite⁃Derived Vegetation Growth Trend in Temperate and Boreal Eurasia from 1982 to 2006. Global Change Biology, 17(10): 3228-3239. https://doi.org/10.1111/j.1365⁃2486.2011.02419.x

[25] Qu, S., Wang, L. C., Lin, A. W., et al., 2020. Distinguishing the Impacts of Climate Change and Anthropogenic Factors on Vegetation Dynamics in the Yangtze River Basin, China. Ecological Indicators, 108: 105724. https://doi.org/10.1016/j.ecolind.2019.105724

[26] Su, B. D., Jian, D. N., Li, X. C., et al., 2017. Projection of Actual Evapotranspiration Using the COSMO⁃CLM Regional Climate Model under Global Warming Scenarios of 1.5 ℃ and 2.0 ℃ in the Tarim River Basin, China. Atmospheric Research, 196: 119-128. https://doi.org/10.1016/j.atmosres.2017.06.015

[27] Tian, H. J., Cao, C. X., Chen, W., et al., 2015. Response of Vegetation Activity Dynamic to Climatic Change and Ecological Restoration Programs in Inner Mongolia from 2000 to 2012. Ecological Engineering, 82: 276-289. https://doi.org/10.1016/j.ecoleng.2015.04.098

[28] Tong, X. W., Wang, K. L., Yue, Y. M., et al., 2017. Quantifying the Effectiveness of Ecological Restoration Projects on Long⁃Term Vegetation Dynamics in the Karst Regions of Southwest China. International Journal of Applied Earth Observation and Geoinformation, 54: 105-113. https://doi.org/10.1016/j.jag.2016.09.013

[29] Wang, C.Y., Wang, J.N., Cui, X., et al., 2021. Spatio⁃Temporal Change in Vegetation Patterns and Its Climatic Drivers in the Core Region of Three Parallel Rivers in Southeast Tibet. Geographical Research, 40(11): 3191-3207 (in Chinese with English abstract).

[30] Wang, Y., Xia, T. T., Shataer, R., et al., 2021. Analysis of Characteristics and Driving Factors of Land⁃Use Changes in the Tarim River Basin from 1990 to 2018. Sustainability, 13(18): 10263. https://doi.org/10.3390/su131810263

[31] Wei, H., Li, J. G., Tan, H. C., 2023. Channel Morphological Evolution in Confluence Area of Hotan River in Tarim Basin. Earth Science，48(1):359-374 (in Chinese with English abstract).

[32] Yue, S. R., Wang, L. C., Cao, Q., et al., 2024.Vegetation Dynamics and Potential Factors Driving Mechanisms in the Tarim River Basin.Earth Science, 49(9):3399-3410 (in Chinese with English abstract).

[33] Yue, Y. M., Wang, L., Zhang, X. B., et al., 2024. Towards Achieving Carbon Neutrality: The Role of Vegetation Restoration in Karst Regions of Southwest China. Journal of Earth Science, 35(3): 1044-1048. https://doi.org/10.1007/s12583⁃024⁃2010⁃z

[34] Zhang, H., Xue, L. Q., Wei, G. H., et al., 2020. Assessing Vegetation Dynamics and Landscape Ecological Risk on the Mainstream of Tarim River, China. Water, 12(8): 2156. https://doi.org/10.3390/w12082156

[35] Zhang, Y.L., Song, C.H., Zhang, K.R., et al., 2014. Spatial⁃Temporal Variability of Terrestrial Vegetation Productivity in the Yangtze River Basin during 2000-2009. Journal of Plant Ecology, 7(1): 10-23. https://doi.org/10.1093/jpe/rtt025

[36] Zhang, Y., Zhang, C. B., Wang, Z. Q., et al., 2016. Vegetation Dynamics and Its Driving Forces from Climate Change and Human Activities in the Three⁃River Source Region, China from 1982 to 2012. Science of the Total Environment, 563: 210-220. https://doi.org/10.1016/j.scitotenv.2016.03.223

[37] Zhao, J., Du, Z.Q., Wu, Z.T., et al., 2018. Seasonal Variations of Day⁃ and Nighttime Warming and Their Effects on Vegetation Dynamics in China’s Temperate Zone. Acta Geographica Sinica, 73(3): 395-404 (in Chinese with English abstract).

[38] Zhao, R. F., Chen, Y. N., Shi, P. J., et al., 2013. Land Use and Land Cover Change and Driving Mechanism in the Arid Inland River Basin: A Case Study of Tarim River, Xinjiang, China. Environmental Earth Sciences, 68(2): 591-604. https://doi.org/10.1007/s12665⁃012⁃1763⁃3

[39] Zhou, Z. Q., Ding, Y. B., Shi, H. Y., et al., 2020. Analysis and Prediction of Vegetation Dynamic Changes in China: Past, Present and Future. Ecological Indicators, 117: 106642. https://doi.org/10.1016/j.ecolind.2020.106642

[40] Zhu, L. J., Meng, J. J., Zhu, L. K., 2020. Applying Geodetector to Disentangle the Contributions of Natural and Anthropogenic Factors to NDVI Variations in the Middle Reaches of the Heihe River Basin. Ecological Indicators, 117: 106545. https://doi.org/10.1016/j.ecolind.2020.106545

基金资助

国家自然科学基金项目(41975044)

国家自然科学基金项目(42001314)

湖北省自然科学基金项目(2023AFB020)

兵团科技计划项目(2024AB064)