2001—2020年东北三省土壤水分时空动态及其气候响应

Spatial-temporal Dynamics of Soil Moisture and its Climate Response in Three Provinces of Northeast China from 2001 to 2020

摘要

基于2001—2020年逐月ESA CCI微波土壤水分数据，采用趋势分析法分析近20年东北三省土壤水分时空动态特征，利用偏相关分析探讨土壤水分与气候因子中的气温、降水、日照时数及潜在蒸散发的相关性，借助地理探测器进一步探究影响土壤水分时空变化的主要气候驱动因子。研究表明：（1）东北三省土壤水分呈西部平原低，北部及东南山地高的空间分布格局，以林地为代表的高植被覆盖区土壤水分含量相对最高，草地土壤水分最低。（2）土壤水分呈波动上升趋势，未来土壤水分以持续上升为主，约16.6%的地区后期有干旱风险。（3）东北三省土壤水分与降水呈正相关，与气温、日照时数及潜在蒸散发呈负相关。降水是影响土壤水分时空动态的主导因子，依次为潜在蒸散发、气温及日照时数。

Abstract

Using monthly ESA CCI soil moisture data from 2001 to 2020, this study analyzed the spatial-temporal dynamics of soil moisture in Northeast China over the past two decades. Trend analysis was employed to identify changes in soil moisture patterns, while partial correlation analysis was used to explore relationships between soil moisture and climatic factors, including temperature, precipitation, sunshine hours, and potential evapotranspiration. Geographical detectors were further applied to identify the main climatic drivers influencing soil moisture variations. The key findings are as follows: (1) The spatial distribution pattern of soil moisture in the three northeastern provinces was "low in the western plain and high in the northern and southeast mountains". The soil moisture content in the high vegetation cover area represented by woodland was the highest, while the grassland soil moisture was the lowest. (2) The soil moisture showed a fluctuating upward trend, and will continue to rise in the future, but about 16.6% of the areas will have drought risk in the future. (3) On the whole, soil moisture in Northeast China was positively correlated with precipitation, but negatively correlated with temperature, sunshine hours and potential evapotranspiration. Precipitation was the main factor affecting the spatial-temporal dynamics of soil moisture, followed in order of influence by potential evapotranspiration, air temperature and sunshine hours.

Graphical abstract

关键词

ESA CCI / 土壤水分 / 东北三省 / 气候响应

Key words

ESA CCI / soil moisture / three provinces of Northeast China / climate response

土壤水分在连接土壤、植被和大气之间起着重要的作用，是地上生态系统中水循环和水资源转化的关键环节，也是表征干旱和半干旱区植被生长状态和农业干旱的重要指标^[1]。土壤水分与气候变化之间的相互作用是复杂的过程。土壤水分不仅在地表水循环中起到重要作用，也对整个生态系统的稳定性和生物多样性产生深远影响^[2]。因此，定量评估土壤水分的时空变化规律及其气候影响因素，对干旱监测预警、应对气候变化制定相关措施具有重要意义。

目前点尺度测量不同深度土壤水分的方法主要有烘干法、时域反射仪法、中子仪法、频率反射仪法等^[3]，这些方法能够观测不同深度土壤水分且具有较高精度，但由于土壤水分在不同空间尺度上呈现高度异质性，点测数据无法充分代表邻近地区的情况，量化区域和更大范围内土壤水分的时空分布仍面临较大困难和不确定性。近年来，遥感技术的快速发展，使实时动态监测区域范围土壤水分成为可能。不同于光学遥感，星载微波卫星受云雾影响较小，对植被和土壤具有一定穿透能力，在土壤水分监测中具有独特优势^[4]。在气候变化背景下，众多学者基于星载微波遥感数据开展了土壤水分变化及气候响应方面的相关研究，如王生春等^[5]基于SMOS数据分析三江源地区土壤水分的变化特征，发现土壤水分季节性差异明显，夏季显著高于春季，长江源区相对干旱。周林康等^[6]利用2000—2015年ESA CCI土壤水分数据，分析山西省土壤水分多年变化特征，发现山西省土壤水分变化总体呈不显著上升趋势，土壤水分与 NDVI、降水量、气温呈正相关，与风速呈负相关。拉巴等^[7]利用SMAP土壤水分产品和ERA5再分析数据，分析青藏高原春季土壤水分时空演变特征及其与气温和降水的相关性，发现青藏高原春季土壤水分呈微弱的减少趋势，与同期气温、降水主要呈负相关。

近年来，国内外卫星研发机构纷纷推出各自的微波土壤水分遥感产品，其中欧洲空间局（European Space Agency，ESA）气候变化项目（Climate Change Initiative，CCI）结合主、被动微波传感器的优点，生成的ESA CCI土壤水分数据自发布以来备受关注，是全球已知时间序列最长的遥感数据^[8]。东北三省是我国重要的生态安全屏障，也是最主要的农业产区之一。受全球气候变化影响，该地区植被受干旱、洪涝及低温冷害等气象灾害威胁日益严重^[9]，进一步影响土壤水分的分布及其可利用性，目前鲜有针对东北三省土壤水分多年变化的研究，利用ESA CCI数据开展土壤水分时空动态分析，可进一步分析陆表生态环境变化，为该地区大尺度农业墒情评估和预警研究提供支撑。以往关于土壤水分气候影响因素的研究多集中在气温和降水，忽略了日照时数和蒸散发的影响。

本文基于ESA CCI微波土壤水分数据，采用趋势分析法分析2001—2020年东北三省土壤水分空间分布格局及多年时空变化特征，利用偏相关分析法探讨土壤水分与气候因子中的气温、降水、日照时数及潜在蒸散发的相关性，并运用地理探测器模型进一步探究影响土壤水分时空变化的主要气候因子，为东北三省相关部门农业及生态管理决策提供科学依据。

1 研究区概况

东北三省包括黑龙江省、吉林省和辽宁省，位于我国中高纬度区（38.6°～53.6°N，118.6°～135.1°E），南邻黄海与渤海，东北部被鸭绿江、图们江、乌苏里江和黑龙江环绕，西部与内蒙古接壤，总面积约78.7万 km²，包括大兴安岭、小兴安岭、东北平原（包括三江平原、松嫩平原、辽河平原）和长白山山脉地区。土壤类型主要包括黑土、黑钙土、潮土、白浆土和草甸土。海拔在1～2 667 m，土地利用以耕地、林地、草地、水域和未利用地为主（图1）。东北三省四季分明，冬季漫长夏季短暂，温热、降水相对集中，年降水量为400～800 mm，属温带季风气候^[9]。

2 资料与方法

2.1 资料来源

微波土壤水分数据来自Sun等^[10]制作的逐月填充ESA CCI组合土壤水分数据（https://www.scidb.cn/en），空间分辨率为0.25°，数据表达方式为体积含水量（m³/m³）。该数据由XGBoost生成，使用的土壤水分协变量包括来自CMA-RA/Land再分析数据的降水、反照率、地表温度、气温和土壤湿度等。选取我国东北、华中、华南、西南、西北5个区域共计192个站点5 cm深度观测资料进行数据质量检验，总的相关系数R和均方根误差（RMSE）分别为0.554和0.097 7 cm³/cm³，略好于原始CCI资料。

气象数据包括2001—2020年中国1 km分辨率逐月平均气温、降水量和潜在蒸散发数据集，数据来源于国家科技基础条件平台—国家地球系统科学数据中心（http://www.geodata.cn/）。数据均利用ArcGIS 10.8重采样至0.25°，按研究区范围剪裁。日照时数采用东北三省国家级基本气象站逐日数据，使用Anusplin软件进行插值，生成空间分辨率为0.25°的栅格数据。

归一化植被指数（Normalized Difference Vege- tation Index，NDVI）月度数据集来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），空间分辨率为1 km，时间序列为2001—2020年。土地利用数据为资源环境科学数据注册与出版系统（https://www.resdc.cn/）2018年中国土地利用遥感监测数据集（CNLUCC）。土地利用类型以耕地、林地、草地、水域、居民用地、未利用地为主，根据研究需要，主要选取耕地、林地、草地和未利用地。

插图均使用审图号为GS(2020)4619号标准地图，底图无修改。

2.2 研究方法

2.2.1 植被覆盖度等级划分

通过NDVI表征东北三省植被覆盖度，参考NDVI与植被覆盖关系的相关研究^[11]，结合研究区植被覆盖情况，将NDVI划分为3个等级，分别代表低、中和高植被覆盖。

2.2.2 趋势分析法

结合Theil-Sen Median趋势分析和Mann-Kendall检验方法，从像元尺度判断东北三省长时序土壤水分变化趋势（SSM）。优势在于无需假设数据符合特定的分布，对数据误差具有较好的适应性。该方法对显著性水平的检验有坚实的统计学理论基础，得出的结果更具科学性和可靠性^[12]。公式如下：

S_{\mathrm{S}\mathrm{M}}=\mathrm{M}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{x_j-x_i}{j-i}\right),\forall j>i。（1）

式中：Median为中值函数，i、j为土壤水分的时间序数（2001≤i≤j≤2020），S_SM为土壤水分变化趋势，当S_SM>0时，表示土壤水分呈上升趋势，反之为下降趋势。

利用Mann-Kendall检验判断多年变化趋势的显著性，将检验值在0.05置信水平上的显著性检验结果划分为变化显著 (标准化后的统计检验量Z的绝对值＞1.96)和变化不显著(Z的绝对值≤1.96)。

2.2.3 Hurst指数

Hurst指数常用来定量化说明长时间序列数据的持续性特征，指示其未来的发展趋势，计算公式采用雷旭等^[13]研究的结果。Hurst指数（H值）取值通常包括3种形式：0.5＜H＜1时，表明土壤水分时间序列为持续性序列，其未来变化趋势与过去变化趋势一致，H值越接近1，持续性越强；若H=0.5，表明土壤水分未来变化趋势未知；若0＜H＜0.5，土壤水分时间序列具有反持续性。

2.2.4 偏相关分析

基于像元尺度，将土壤水分时序数据与4种不同的气候因子（气温、降水、日照时数和潜在蒸散发）分别进行三阶偏相关分析。运用t检验评估关联因子与土壤水分的显著性水平。公式如下^[14]：

R_{y{x}_{\mathrm{1}}.x_{\mathrm{2}}{x}_{\mathrm{3}}{x}_{\mathrm{4}}}=\frac{R_{y{x}_{\mathrm{1}}.x_{\mathrm{2}}{x}_{\mathrm{3}}}-R_{x_{\mathrm{1}}{x}_{\mathrm{4}}.x_{\mathrm{2}}{x}_{\mathrm{3}}}{R}_{y{x}_{\mathrm{4}}.x_{\mathrm{2}}{x}_{\mathrm{3}}}}{\sqrt[]{\left(\mathrm{1}-R_{x_{\mathrm{1}}{x}_{\mathrm{4}}.x_{\mathrm{2}}{x}_{\mathrm{3}}}^{\mathrm{2}}\right)\left(\mathrm{1}-R_{y{x}_{\mathrm{4}}.x_{\mathrm{2}}{x}_{\mathrm{3}}}^{\mathrm{2}}\right)}}，（2）

t=\frac{R_{y{x}_{\mathrm{1}}.x_{\mathrm{2}}{x}_{\mathrm{3}}{x}_{\mathrm{4}}}}{\sqrt[]{\left(\mathrm{1}-R_{y{x}_{\mathrm{1}}.x_{\mathrm{2}}{x}_{\mathrm{3}}{x}_{\mathrm{4}}}^{\mathrm{2}}\right)}}\sqrt[]{n-m-\mathrm{1}}。（3）

式中：x₁、x₂、x₃、x₄分别代表气温、降水、日照时数和潜在蒸散发4种不同的气候因子，y代表土壤水分，R_{y{x}_{\mathrm{1}}.x_{\mathrm{2}}{x}_{\mathrm{3}}{x}_{\mathrm{4}}}为排除x₂、x₃、x₄的影响下，y与x₁的偏相关系数；n代表样本数，m表示自变量个数。

2.2.5 地理探测器

地理探测器是一种统计学方法，用于揭示空间分异性背后的驱动因子。该方法主要通过分析各类型地理空间的整体差异性量化自变量对因变量的影响程度，已在社会经济和生态环境领域得到广泛应用。本文主要使用其中的因子探测器开展研究，探测各气候因子对土壤水分空间分异的解释力，即气候影响因子在多大程度上解释土壤水分因变量的空间分异，公式如下^[15]：

q=\mathrm{1}-\frac{\mathrm{1}}{N{\sigma }^{\mathrm{2}}}{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}。（4）

式中：q为气候影响因素对土壤水分的解释力强度，L为因变量土壤水分和自变量因子的分级数，N_h 和N分别代表不同分级区域和全域的样本数，{\sigma }_h^{\mathrm{2}}和{\sigma }^{\mathrm{2}}分别为不同分级的区域和全区域内土壤水分的方差。q的取值为[0,1]，q越接近1，表示气候因子对土壤水分影响越大。

3 结果与分析

3.1 土壤水分时空动态特征

3.1.1 土壤水分空间分布格局

由2001—2020年东北三省土壤水分多年均值空间分布（图2）可知，土壤水分多年均值为0.153～0.306 m³·m^-3，空间分布大致呈西部平原低，北部及东南山地高的格局，具有明显的空间分异性。土壤水分高值区主要分布在大兴安岭、三江平原和长白山山脉地区，低值区主要分布在松嫩平原的中西部及辽河平原西北部。植被覆盖等级方面，高植被覆盖度地区土壤水分均值最高，低植被覆盖度地区相对最低。土地覆被类型方面，土壤水分均值由高到低排序依次为林地、耕地、未利用地和草地。

3.1.2 土壤水分时间变化特征

2001—2020年东北三省年均土壤水分为0.243 m³·m^-3，历年均值为0.227～0.258 m³·m^-3。近20年土壤水分总体呈不显著上升趋势（P=0.056，P＞0.05），增长斜率为0.000 9 a^-1，表明土壤总体向湿化发展。各地表覆盖类型土壤水分均在波动中呈上升趋势，除耕地以外，其他地类的线性增长趋势均未达到显著水平，耕地、林地、草地和未利用地的P值分别为0.014、0.079、0.071、0.062，其中耕地年际增长率最高，为0.001 1 a^-1（图3）。

由图4可知，东北三省土壤水分整体从4月进入持续增长状态，9月达到最大值（0.27 m³·m^-3），之后土壤水分不断减少。在土壤冻融期（11月—次年3月）水分变化明显，冻结期土壤表层含水率相对较高，冻结层对土壤蒸发起抑制作用，2月之后，春季气温升高、风力较大且降水偏少，较强的蒸散发导致融化期土壤失墒明显，土壤水分呈下降趋势。各地类月均土壤水分在3月均为全年最低，耕地月均土壤水分在9月为全年最高，林地、草地及未利用地均在7月为全年最高。

由图5可知，2001—2020年东北三省土壤水分大部分呈上升趋势（UF＞0），UF与UB曲线在2004年有交点，表明2004年为土壤水分上升突变时间点。土壤水分呈上升趋势（Sen趋势值＞0）的区域面积占研究区面积的90.4%，其中显著上升区域占比为50.9%，主要分布在黑龙江省大部和吉林省中部地区。土壤水分呈下降趋势（Sen趋势值＜0）的区域面积占总面积的9.6%，主要分布在吉林省东部零星地区及辽宁省中部，其中显著下降地区仅占研究区面积的0.9%（图6）。

3.1.3 土壤水分未来发展趋势

由图7可知，东北三省土壤水分Hurst指数为0.304～0.726。Hurst指数＜0.5的地区占总面积的9.2%，说明东北三省少部分地区的土壤水分变化趋势与过去相反，主要零散分布在辽宁省和吉林省的西部和东部以及黑龙江省局部地区。Hurst指数＞0.5的区域占总面积的90.8%，即东北三省大部地区土壤水分的未来变化趋势与过去一致。

参考朱玉果等^[16]将Hurst指数的空间分布与其多年空间变化趋势相叠加，东北三省未来土壤水分变化趋势可分为持续上升（SSM＞0，0.5＜H＜1）、上升转下降（SSM＞0， 0＜H＜0.5）、持续下降（SSM＜0，0.5＜H＜1）、下降转上升（SSM＜0，0＜H＜0.5）4种类型（图7），分别占总面积的82.3%、8.1%、8.5%和1.1%。表明东北三省土壤水分未来以持续上升为主，但需要注意的是约16.6%的地区未来有下降趋势，主要分布于辽宁省中西部和吉林省东部的局部地区。

3.2 土壤水分与气候因子的响应关系

3.2.1 土壤水分与气候因子的相关性

基于像元尺度对东北三省土壤水分与气温、降水、日照时数及潜在蒸散发之间的关系进行偏相关分析（图8）。东北三省土壤水分总体上与降水呈正相关，与气温、日照时数及潜在蒸散发呈负相关。气温与土壤水分呈负相关区域的面积占总面积的76.6%，显著负相关区域面积占比为10.8%，主要分布在松嫩平原西南部及辽河平原中部。降水与土壤水分呈正相关区域占比为96.9%，显著正相关区域占40.2%，主要分散分布在黑龙江省大部、吉林省西部及辽宁省大部地区。日照与土壤水分呈负相关区域占比为88.9%，显著正相关区域占36.3%，主要分布在松嫩平原大部及辽河平原中部。土壤水分与潜在蒸散发呈负相关的区域占97.7%，显著负相关区域占42.5%，主要分布在三江平原北部、松嫩平原中南部及辽河平原大部。

3.2.2 主要气候影响因子

基于因子探测器，以土壤水分作因变量，将研究区内气温、降水、日照时数和潜在蒸散发作为自变量，对土壤水分的影响因素进行探测分析。所有探测因子的P值均＜0.05，各气候因子对土壤水分的空间分异特征具有显著影响，可作为影响因素对其分异性进行分析（表2）。2001、2010和2020年降水始终为解释力最高的气候因子，其次为潜在蒸散发，气温和日照时数解释力强度交替变化。2001—2020年气温、降水、日照时数和潜在蒸散发的解释力均＞60%，解释力由高至低分别是降水（80.8%）、潜在蒸散发（72.7%）、气温（63.1%）、日照时数（60.2%）。

4 讨论与结论

4.1 讨论

文章基于ESA CCI土壤水分数据产品开展长时序动态变化评估，能较好地弥补地面站点分布不均、实测数据缺失等不足。土壤水分多年均值空间分布总体呈西部平原低，北部及东南山地高的格局，总体呈波动上升趋势，与姜淇等^[17]的研究结果较为一致。年平均气温和降水量与土壤水分动态具有较为明显的相关性，与李健明等^[18]针对长江源区土壤水分影响因素研究的观点一致。未来土壤水分呈下降趋势的地区主要分布在辽宁省中西部地区。多年来辽宁省各地区平均气温呈显著增加趋势，降水量变化趋势不显著，除东部丹东地区呈增加趋势外，中西部大部地区呈减少趋势，导致了辽宁省中西部地区未来可能出现土壤水分降低的风险。

由于多种气候因素相互作用，共同决定了不同植被系统土壤水分变化，其中降雨是影响土壤水分状况的最重要因素之一，降水量的多少直接决定了土壤水分的补给和蒸发蒸腾的强度。受降水、地面蒸发和作物耗水的影响，土壤含水量变化最大的层次为0～10 cm土层，即微波卫星探测的土壤层深。东北三省每年8月降水量最大，相应雨热同季，草地和林地蒸发蒸散较高，7月仅次于8月，气温相对8月偏低^[19]，因此森林、草原和未利用地土壤水分在7月为全年最高。此外，由于东北地区70%以上旱田为玉米作物，玉米作物在7—8月大喇叭口到抽穗期干物质积累快，植被需水量为全年最大，因此8月虽然降水量大，但田中土壤湿度相对偏低。9月降水量仅次于8和7月，进入9月后作物进入灌浆后期到成熟期，作物需水量明显下降，降水量明显大于作物需水量，因此9月农田土壤水分偏高^[20]。

东北三省历年降水最高值集中在8月，土壤水分多年月均值在9月达到最大，土壤水分与降水可能存在1个月左右的滞后^[21]，土壤水分对降雨响应的滞后效应是今后有待研究的科学问题。植被覆盖、地形地貌和人类活动也是影响土壤水分空间异质性的重要因素，文章尚未考虑这些因素的影响，后续研究中应对这些内容进行分析加以补充完善。

4.2 结论

本文基于2001—2020年逐月ESA CCI微波土壤水分数据，采用趋势分析法和偏相关分析法研究东北三省近20年土壤水分时空动态及其气候响应，得出以下结论：

（1）东北三省土壤水分多年均值空间分布总体呈西部平原低，北部及东南山地高的格局。高植被覆盖度地区土壤水分相对较高，低植被覆盖区最低。各植被类型方面，林地土壤水分相对最高，草地土壤水分最低。

（2）东北三省历年水分总体呈波动上升趋势，3月土壤水分月均值最低，9月最高。近20年土壤水分呈上升趋势区域面积占研究区面积的90.4%，未来土壤水分以持续上升为主，但约16.6%的地区未来有下降趋势，主要分布于辽宁省中西部和吉林省东部的局部地区。

（3）东北三省土壤水分总体上与降水呈正相关，与气温、日照时数及潜在蒸散发呈负相关。近20年土壤水分动态变化解释力最强的气候因子为降水，其次是潜在蒸散发，气温及日照时数在不同时段有不同的解释力程度。

参考文献

[1] 王培娟,马玉平,霍治国,等.土壤水分对冬小麦叶片光合速率影响模型构建[J].应用气象学报,2020,31(3):267-279.

[2] WANG Peijuan, MA Yuping, HUO Zhiguo,et al.Construction of the model for soil moisture effects on leaf photosynthesis rate of winter wheat[J].Journal of Applied Meteorological Science,2020,31(3):267-279.(in Chinese)

[3] Fuentes I, Padarian J, Vervoort R W.Towards near real-time national-scale soil water content monitoring using data fusion as a downscaling alternative[J].Journal of Hydrology,2022,609:127705.

[4] 李建平,马云飞,马艳敏,等.基于自动土壤水分观测数据的吉林省西部干旱预报方法研究[J].气象灾害防御,2021,28(3):24-28.

[5] LI Jianping, MA Yunfei, MA Yanmin,et al.Study on drought forecasting method in western Jilin Province based on automatic soil moisture observation data[J].Meteorological Disaster Prevention,2021,28(3):24-28.(in Chinese)

[6] Dorigo W, Wagner W, Albergel C,et al.ESA CCI Soil Moisture for improved Earth system understanding:state-of-the art and future directions[J].Remote Sensing of Environment,2017,203:185-215.

[7] 王生春,魏加华,万佳华,等.基于SMOS数据的三江源土壤水分时空变化[J].南水北调与水利科技,2019,17(6):20-27.

[8] WANG Shengchun, WEI Jiahua, WAN Jiahua,et al.Spatiotemporal variation of soil moisture in the Three River Headwaters region based on SMOS data[J].South-to-North Water Transfers and Water Science & Technology,2019,17(6):20-27.(in Chinese)

[9] 周林康,郭磊,晋华.基于ESA CCI遥感数据的山西省土壤水时空变化特征及影响因子分析[J].节水灌溉,2023(7):52-59, 66.

[10] ZHOU Linkang, GUO Lei, JIN Hua.Spatial-temporal variation characteristics and influencing factors of soil moisture in Shanxi Province based on ESA CCI remote sensing data[J].Water Saving Irrigation,2023(7):52-59, 66.(in Chinese)

[11] 拉巴,边巴次仁,拉珍,等.青藏高原土壤水分时空变化特征及其与气候变化的关系研究[J].高原科学研究,2023,7(1):1-8.

[12] Lhaba,Bianba-Ciren,Lhazhen,et al.Spatiotemporal variation characteristics of soil moisture and its relationship with climate change on the Qinghai-Tibet Plateau[J].Plateau Science Research,2023,7(1):1-8.(in Chinese)

[13] 胡蝶,沙莎,王丽娟,等.欧空局主被动微波土壤水分融合产品在甘肃省干旱监测中的应用[J].干旱气象,2019,37(4):517-528.

[14] HU Die, SHA Sha, WANG Lijuan,et al.Drought monitoring applications of the European space agency climate change initiative soil moisture combined product in Gansu Province[J].Journal of Arid Meteorology,2019,37(4):517-528.(in Chinese)

[15] 梁洪海,徐士琦,杨雪艳,等.东北地区春季透雨早晚年的环流特征及与前期海温的关系[J].沙漠与绿洲气象,2022,16(2):137-143.

[16] LIANG Honghai, XU Shiqi, YANG Xueyan,et al.Circulation characteristics of early and late spring soaking rain in northeast China and its relationship with previous SST[J].Desert and Oasis Meteorology,2022,16(2):137-143.(in Chinese)

[17] SUN H, XU Q.Evaluating machine learning and geostatistical methods for spatial gap-filling of monthly ESA CCI soil moisture in China[J].Remote Sensing,2021,13(14):2848.

[18] 陶帅,邝婷婷,彭文甫,等.2000—2015年长江上游NDVI时空变化及驱动力——以宜宾市为例[J].生态学报,2020,40(14):5029-5043.

[19] TAO Shuai, KUANG Tingting, PENG Wenfu,et al.Analyzing the spatio-temporal variation and drivers of NDVI in upper reaches of the Yangtze River from 2000 to 2015:a case study of Yibin City[J].Acta Ecologica Sinica,2020,40(14):5029-5043.(in Chinese)

[20] 袁丽华,蒋卫国,申文明,等.2000—2010年黄河流域植被覆盖的时空变化[J].生态学报,2013,33(24):7798-7806.

[21] YUAN Lihua, JIANG Weiguo, SHEN Wenming,et al.The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J].Acta Ecologica Sinica,2013,33(24):7798-7806.(in Chinese)

[22] 雷旭,谢平,吴子怡,等.基于Hurst系数与Bartels统计量的水文变异度及其敏感性[J].应用生态学报,2018,29(4):1051-1060.

[23] LEI Xu, XIE Ping, WU Ziyi,et al.Hydrologic variability and sensitivity based on Hurst coefficient and Bartels statistic[J].Chinese Journal of Applied Ecology,2018,29(4):1051-1060.(in Chinese)

[24] 石淞,李文,丁一书,等.东北地区植被时空演变及影响因素分析[J].中国环境科学,2023,43(1):276-289.

[25] SHI Song, LI Wen, DING Yishu,et al.Spatiotemporal evolution and influencing factors of vegetation in Northeast China[J].China Environmental Science,2023,43(1):276-289.(in Chinese)

[26] 马含,符素华,董丽霞,等.基于地理探测器的土壤侵蚀空间分异关键影响因子分析[J].中国水土保持科学(中英文),2023,21(2):33-38.

[27] MA Han, FU Suhua, DONG Lixia,et al.Analysis of key affecting factors in soil erosion spatial differentiation based on GeoDetector[J].Science of Soil and Water Conservation,2023,21(2):33-38.(in Chinese)

[28] 朱玉果,杜灵通,谢应忠,等.2000—2015年宁夏草地净初级生产力时空特征及其气候响应[J].生态学报,2019,39(2):518-529.

[29] ZHU Yuguo, DU Lingtong, XIE Yingzhong,et al.Spatiotemporal characteristics of grassland net primary production in Ningxia Province from 2000 to 2015 and its response to climate change[J].Acta Ecologica Sinica,2019,39(2):518-529.(in Chinese)

[30] 姜淇,姚晓磊,李卢祎,等.基于CCI数据的中国北方地区土壤水分时空变化特征分析[J].北京师范大学学报(自然科学版),2020,56(2):177-187.

[31] JIANG Qi, YAO Xiaolei, LI Luyi,et al.Temporal and spatial variations in soil moisture in Northern China as demonstrated by CCI data[J].Journal of Beijing Normal University (Natural Science),2020,56(2):177-187.(in Chinese)

[32] 李健明,鄯仁欠姐,杨颖,等.气候变化对长江源区土壤水分影响的预测[J].云南大学学报(自然科学版),2022,44(4):775-784.

[33] LI Jianming, SHAN Renqianjie, YANG Ying,et al.Effects of climate change on soil moisture in the source region of the Yangtze River[J].Journal of Yunnan University (Natural Sciences Edition),2022,44(4):775-784.(in Chinese)

[34] 邹文秀,陆欣春,陈旭,等.东北黑土区农田土壤水分剖面分布与大气降水关系的研究[J].土壤通报,2019,50(2):267-273.

[35] ZOU Wenxiu, LU Xinchun, CHEN Xu,et al.Relationship between distribution of soil water contents within soil profiles and precipitation in farmland of black soil region of northeast China[J].Chinese Journal of Soil Science,2019,50(2):267-273.(in Chinese)

[36] 孟鑫,张瑜,高松影,等.东北近60年盛夏降水特征及其与不同类型厄尔尼诺的联系[J].水土保持研究,2022,29(2):170-178.

[37] MENG Xin, ZHANG Yu, GAO Songying,et al.Characteristics of midsummer precipitation in northeast China during the last 60 years and its relationship with different types El Niňo events[J].Research of Soil and Water Conservation,2022,29(2):170-178.(in Chinese)

[38] 杨志成,柯奇画,马芊红,等.喀斯特地区黄壤坡面土壤水分对降雨的响应[J].水土保持学报,2021,35(2):75-79.

[39] YANG Zhicheng, KE Qihua, MA Qianhong,et al.Response of soil moisture to rainfall on karst yellow soil slope[J].Journal of Soil and Water Conservation,2021,35(2):75-79.(in Chinese)