渭河流域高温干旱对植被生长影响的概率评估

Probability assessment of impacts of high-temperature and drought events on vegetation growth in Weihe River Basin

摘要

目的 揭示渭河流域高温干旱时空变化特征，定量评估高温干旱对渭河流域植被生长的影响，为应对气候变化并有效开展防灾减灾工作提供科学依据。 方法 基于1980—2020年渭河流域最高温、降水和NDVI数据，结合趋势分析、相关分析和元高斯模型等，计算标准化温度指数（STI）和标准化降水指数（SPI），分析高温干旱的时空分布特征，并量化不同高温干旱条件下植被活动下降的概率。 结果 渭河流域近40年高温和干旱趋势明显，特别是东南部关中平原和北部黄土高原地区升温显著，而西部和北部则经历了较为严重的干旱化，总体来看，高温事件较为频繁。温度对植被生长的反馈效应在不同区域表现不同，流域中部温度升高有助于植被生长，而东南部则呈负反馈作用。超过80%的区域植被与降水呈正相关，降水增多促进植被生长。灌溉区对高温更敏感，而雨养区和草地的植被则受降水变化影响更大。随着高温干旱条件的加剧，渭河流域植被活动下降概率显著增加，高温（干旱）条件从轻微增强至中度和重度时，植被活动下降概率分别增加4%（8%）和11%（16%），复合高温干旱条件对植被影响最大，草地和雨养区表现出更强的敏感性，凸显了复合气候事件的综合效应，尤其在草地生态系统中尤为明显。 结论 渭河流域近40年高温和干旱均趋于严重，流域随着高温干旱条件的增强，植被活动下降概率明显增加，尤其是流域北部黄土高原地区，复合高温干旱事件对植被的影响较单一气候事件更为严重。

Abstract

Objective To reveal the spatiotemporal variation characteristics of high-temperature and drought events in the Weihe River Basin， quantitatively assess their impacts on vegetation growth， and provide a scientific basis for coping with climate change and effectively carrying out disaster prevention and mitigation efforts. Methods Using data from 1980 to 2020， including maximum temperature， precipitation， and NDVI （Normalized Difference Vegetation Index） in the Weihe River Basin， this study employed trend analysis， correlation analysis， and meta-Gaussian model to calculate the Standardized Temperature Index （STI） and Standardized Precipitation Index （SPI）. The spatiotemporal distribution characteristics of high-temperature and drought events were analyzed， and the probabilities of vegetation activity decline under different high-temperature and drought conditions were quantified. Results Over the past 40 years， pronounced trends of high temperature and drought were observed， with notable temperature rise in the southeastern Guanzhong Plain and the northern Loess Plateau， while relatively severe droughts occurred in the west and north. Overall， high-temperature events were more frequent. The feedback effects of temperature on vegetation growth varied across different regions. In the central part of the river basin， rising temperatures contributed to vegetation growth， while negative feedback effects were observed in the southeast. Over 80% of the region showed positive correlations between vegetation and precipitation， and increased precipitation promoted vegetation growth. Irrigated areas were more sensitive to high temperature， while vegetation in rain-fed areas and grasslands was more influenced by precipitation variations. As high-temperature and drought conditions intensified， the probability of vegetation activity decline in the Weihe River Basin increased significantly. When high temperature （drought） conditions escalated from mild to moderate and severe levels， the probability of vegetation activity decline rose by 4% （8%） and 11% （16%）， respectively. Compound high-temperature and drought conditions had the greatest impact on vegetation， and grasslands and rain-fed areas exhibited stronger sensitivity. This highlighted the combined effects of compound climate events， particularly evident in grassland ecosystems. Conclusion Over the past 40 years， high-temperature and drought conditions in the Weihe River Basin have intensified. As high-temperature and drought conditions strengthen in the river basin， the probability of vegetation activity decline significantly increases， particularly in the northern Loess Plateau region where compound high-temperature and drought events exert more severe impacts on vegetation than single climate events.

Graphical abstract

关键词

高温 / 干旱 / 渭河流域 / 植被 / 影响评估

Key words

high temperature / drought / Weihe River Basin / vegetation / impact assessment

政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）在2021年的第六次评估报告中指出，2010—2019年全球平均表面气温（Global Mean Surface Air Temperature， GSAT）比1850—1900年增高了0.9~1.2 ℃^［1］。高温、干旱等自然极端气候事件在全球范围发生的频率呈现显著上升趋势^［2］，高温、干旱都会对工业和农业、生态环境以及社会的稳定发展造成极大危害^［3］。极端高温、干旱通过影响植物的生理过程、植被生态系统的群落结构及其功能，影响作物产量、植被生长状况以及水文环境等。植被是联系土壤、大气、水分和动物界的重要纽带，也是陆地生态系统的主体和生态系统的基本组成部分^［4］，在调节气温、水土保持、物质循环中扮演重要角色，对气候变化和人类活动较为敏感^［5］。在高温干旱发生频率显著上升的背景下，植被的生长受到严重威胁^［6］。随着全球气候变暖，高温和干旱等气象灾害频发，而高温常常与干旱相伴而生，当高温干旱同时发生形成复合事件，称之为复合高温干旱事件，其负面影响可能超过单一高温或干旱事件的叠加效应。目前极端气候事件的监测、影响评估成为当前气候变化领域研究的热点之一，受到国内外学者的广泛关注。

近年来，国内外学者在高温（热浪）、干旱以及复合高温干旱对植被的影响方面已取得积极进展。在高温（热浪）对植被的影响方面，Park等^［7］基于GOSIF-GPP以及ERA5-Land再分析数据集，调查了2020年西伯利亚高温对植被生产力的影响，研究发现春季高温对西伯利亚年度GPP产生了积极影响，春季温度的敏感性在西西伯利亚高于在东西伯利亚，西部地区伴随着强烈变暖GPP增加可能更加明显。姜颖迪等^［8］基于中国712个气象站点日平均气温资料和NDVI数据进行分析，发现高温呈显著上升趋势，并且高温在东南沿海、内蒙古东部地区高温抑制对植被生长，而在中国西部、青藏和西南地区则对植被有促进作用。在干旱对植被的影响方面，Jiao等^［9］利用SIF数据和4种气象干旱指数（SPEI，SPI，TCI和PDSI）进行相关分析，发现SIF对气象干旱的敏感性在不同植被类型中表现出显著差异，耕地对气象干旱的响应更为迅速。张华等^［10］基于西北地区2001—2018年NDVI数据，研究发现该地区植被对气象干旱的响应呈现增长趋势，且干旱的整体强度有所减弱，东部地区的植被尤其易受到干旱的影响，草地则是最敏感的植被类型。近几十年来，全球范围内复合高温干旱发生频率显著上升^［11］，并且气候变化预计将进一步加剧这些复合事件的发生风险，成为全球气候研究的一个重要议题。Hao等^［12］基于STI， SPI和SNDVI，利用元高斯模型量化1982—2015年全球植被对生长季高温、干旱和复合高温干旱事件的响应，结果表明复合高温干旱对植被影响大于单一高温和干旱的影响，温带草原易受到复合高温干旱的影响。Dannenberg等^［13］分析了2020年美国西南地区高温干旱对植被生产力的影响，研究发现高温干旱频率和严重程度增加对植被GPP产生负面影响，高温加剧土壤水分损失限制植物碳吸收，未来高温干旱可能更频繁，导致更严重的GPP损失。Zhang等^［14］基于STI， SPEI和kNDVI， EVI等数据，利用Vine copula条件概率模型计算复合高温干旱条件下植被损失概率，发现在北美中南部，南美东南部，非洲南部等地区植被损失概率较高，草地的损失概率高于其他植被。目前高温干旱对植被的影响在全球、国家等空间尺度已有一些研究成果，但针对中小尺度流域，尤其是干旱半干旱地区的研究较为匮乏，且大多数研究侧重于高温干旱的时空特征分析，而对高温干旱对植被的影响分析相对较少。随着气候变化的加剧，未来高温干旱事件的发生风险将进一步上升，尤其对农业、水资源、生态系统及社会稳定发展构成严重威胁，尤其在干旱半干旱地区。因此，本文基于中小流域尺度，综合利用元高斯模型，系统评估单一高温、干旱和复合高温干旱对植被的影响。

渭河流域位于我国西北地区东部，气候变化较为敏感，气象灾害多发，近40年来渭河流域高温日数显著增加，高温热浪强度持续上升^［15］。此外，渭河流域整体上呈变干趋势，干旱面积显著上升^［16］，对流域植被正常生长和生态系统的稳定产生严重威胁。同时，渭河流域还是我国重要的农业生产区，频发的高温和干旱对农业生产和作物产量也会产生不利影响。因此，本文选择渭河流域为研究区，定量评估复合高温干旱胁迫下植被活动下降的差异，综合分析高温干旱对植被的影响，对于流域合理开展防灾减灾及植被保护具有重要的科学意义。

1 材料与方法

1.1 研究区概况

渭河流域位于中国西北地区黄土高原的东南部，地理位置位于104°00′—110°20′E和33°40′—37°30′N，面积约13.47万km^2［17］，具有西高东低的地貌特征，从西到东，地貌渐趋平缓，沟道宽度逐渐加大。渭河流域位于秦岭山脉的北缘和南缘，上游地区以黄土丘陵为主，中下游北部为陕北黄土高原，中部为关中盆地，南边为秦岭石山区^［18］。渭河流域是典型的大陆性季风气候。多年平均气温7.8~13.5 ℃，多年平均降水量450~700 mm。在气候变化背景下，流域升温明显，高温干旱等气象灾害多发（图1）。

1.2 数据来源及预处理

1.2.1 气象数据来源及处理

本文气象数据为最高温和降水量数据，来自国家地球系统科学数据中心（http：∥www.geodata.cn/）。数据集为中国逐月最高温数据和逐月降水量，空间分辨率为0.008 3 333°（约1 km），时间为1 901.1-2 021.12。该数据是基于CRU发布的全球0.5°分辨率气候数据和WorldClim发布的全球高分辨率气候数据，本文使用的数据时段为1980—2020年。

1.2.2 NDVI数据来源及处理

本研究使用的NDVI产品有两种：AVHRR NDVI3g数据和MODIS NDVI数据，前者是由美国国家航天局（https：∥www.nasa.gov/）全球监测与模拟研究组（Global Inventory Modeling and Mapping Studies， GIMMS）发布，时间序列为1982—2015年，时间和空间分辨率分别为15 d和1/12°（约8 km），后者来源于NASA官网（https：∥modis.gsfc.nasa.gov/）下载的MODIS遥感数据的MOD13A3C6产品，时间序列为2000—2020年，时间和空间分辨率分别为16 d和1 km。由于两种数据在近红外波段NIR、红光波段R以及时间和空间分辨率方面有差异，需要对数据进行重构和一致性检验。

依据2001—2015年NDVI重叠数据，对植被NDVI数据进行一致性检验，得到两者的相关系数0.867，在0.001置信水平上显著相关。参考Zhang等^［19］的研究中偏差校正的方法，基于MODIS NDVI数据，采用线性回归模型对2016—2020年AVHRR GIMMS NDVI数据进行重构，根据重叠时段两组数据，得到线性回归方程，决定系数R²=0.751，与同类研究相比，本研究的决定系数在合理范围内，因此，利用重构结果对2016—2020年NDVI数据进行插补，将数据的时间跨度延伸为1982—2020年。最后将气象以及植被数据采用双线性内插法统一为8 km空间分辨率的月尺度数据。

1.2.3 土地利用类型数据来源及处理

土地利用数据采用中国科学院地理科学与资源研究所（http：∥www.resdc.cn）提供的2020年土地覆盖遥感监测数据CNLUCC，空间分辨率为30 m。将原始数据进行重分类处理，得到渭河流域的土地利用类型由耕地、林地、草地、水域、居民用地和未利用土地组成，并利用灌溉区划数据（http：∥www.nesdc.org.cn/）将耕地分为雨养区和灌溉区（图1），后续分析中去除无植被覆盖或植被覆盖较低的水域、居民用地和未利用土地。

1.3 研究方法

1.3.1 STI和SPI指数计算

本研究识别高温和干旱分别利用STI，SPI指数。以SPI指数计算为例，标准化降水指数（Standardized Precipitation Index， SPI）原理是基于降水量分布，在得到某时段内降水量的分布概率后，再进行正态标准化处理，最终用标准化降水累计频率分布来划分干旱等级，具体算法参考Mckee等^［20］研究。

STI计算方法与SPI相同，其中降水量（mm）变为温度（℃）。本文使用的STI/SPI时间尺度有：STI-1（SPI-1），STI-3（SPI-3），STI-7（SPI-7）及STI-12（SPI-12），分别表示月、季、生长季和年尺度的STI和SPI，月、季尺度主要反映短期高温干旱的影响，生长季和年尺度则能反映出高温干旱的生长季以及年际变化特征。当STI值为正时表示温度上升，STI值为负时表示温度下降；SPI值为正时表示降水增多，为负时表示降水减少^［21］。按照《GB/T20481-2006气象干旱等级》中的分级标准，STI/SPI数值等级划分见表1。

1.3.2 NDVI标准化

为了便于统计建模，对NDVI进行标准化，定义了标准化归一化差异植被指数SNDVI（Standardized Normalized Digital Vegetation Index）来跟踪植被状况，即将NDVI进行标准化，当SNDVI<0表示植被活动下降^［12］。

利用趋势分析的方法，计算出研究区内每个像元点TVDI的年际变化趋势，若slope>0，表示TVDI呈现增加趋势，slope<0则表示呈下降趋势。计算公式如下：

X{(i,j)}^{\text{'}}=\frac{〔X(i,j)-\overline{X}(i,j)〕}{\sigma 〔X(i,j)〕}（1）

式中：X{(i,j)}^{\text{'}}为像元(i,j)的标准化值；X(i,j)为像元(i,j)的原始值；\overline{X}(i,j)为1982—2020年同一时段像元(i,j)处的平均值；\sigma 〔X(i,j)〕为1982—2020年像元(i,j)处的标准差。

1.3.3 复合高温干旱特征指标

（1） 高温干旱指数的趋势分析：采用 Mann-Kendall（M-K）趋势检验方法分别对渭河流域内1980—2020年高温干旱变化趋势显著性进行检验。M-K趋势检验是一种非参数统计检验方法，具有计算简单，实用性强等特点，在趋势变化研究领域中得到了广泛应用。

（2） 高温/干旱频率：计算渭河流域1980—2020年生长季的高温/干旱频率，计算公式如下：

F=\frac{n}{N}\times \mathrm{100}\mathrm{\%}（2）

式中：F表示高温/干旱发生频率（%）；n为数据序列中的高温/干旱次数；N为数据序列数。

（3） 高温/干旱影响面积比：本研究中为生长季内发生高温/干旱的像元数占所有像元数的比例，反映区域内高温/干旱影响范围的大小，计算公式如下：

P_s=\frac{s}{S}\times \mathrm{100}\mathrm{\%}（3）

式中：P_s表示高温/干旱影响面积比（%）；s为发生高温/干旱的像元数；S为像元总数。

1.3.4 复合高温干旱的判别

本研究中利用高温干旱指数STI，SPI来判别复合高温干旱，由于研究是基于栅格，定义为在像元尺度上，对于任一像元，当STI≥0.5且SPI≤0.5时，则该像元发生了复合高温干旱。由于复合高温干旱一般在夏季发生，且对生长季植被影响为明显，本文中主要研究生长季，即4—10月的高温干旱。

1.3.5 相关分析

为分析高温、干旱与植被的关系，采用Pearson相关系数分析法计算高温指数、干旱指数（STI，SPI）分别与植被指数（SNDVI）的关系，得到两者之间的相关性并检验其显著性。计算公式如下：

\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{r}(X,Y)=\frac{\mathrm{c}\mathrm{o}\mathrm{v}(X,Y)}{{\sigma }_x{\sigma }_y}=\frac{E〔(X-{\mu }_x)(Y-{\mu }_y)〕}{{\sigma }_x{\sigma }_y}（4）

式中：\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{r}(X,Y)表示Pearson相关系数；\mathrm{c}\mathrm{o}\mathrm{v}(X,Y)为两个随机变量X\mathrm{和}Y的协方差；{\mu }_x表示X的期望E\left(X\right);{\mu }_y表示Y的期望E\left(Y\right)；{\sigma }_x\mathrm{与}{\sigma }_y分别为X\mathrm{、}Y变量的标准差。

1.3.6 元高斯模型

利用元高斯模型，量化近40年来不同高温干旱条件下植被NDVI下降的概率，分析单一高温、单一干旱和复合高温干旱3种条件下植被活动变化的差异，当某一时间尺度STI≥0.5时表示发生高温，SPI≤-0.5时表示发生干旱，而当SNDVI<0时，表示当前植被NDVI低于NDVI均值，出现植被活动下降。

植被和气候指标的联合分布是根据元高斯模型估计的，该模型捕捉了多变量之间的相关性，并允许灵活的边缘分布形式。对于两个连续随机变量，基于正态分位数变换获得两个标准化正态随机变量，元高斯模型的二元联合分布可以表示为^［22-23］：

\begin{array}{l}P\left(Z_{\mathrm{1}}\le z_{\mathrm{1}};Z_{\mathrm{2}}\le z_{\mathrm{2}}\right)=\stackrel{z_{\mathrm{2}}}{\underset{-\mathrm{\infty }}{\int }}\stackrel{z_{\mathrm{1}}}{\underset{-\mathrm{\infty }}{\int }}\frac{\mathrm{1}}{(\mathrm{2}\mathrm{\pi })\sqrt[]{(\mathrm{1}-{\rho }^{\mathrm{2}})}}\bullet \\ \mathrm{e}\mathrm{x}\mathrm{p}\left\{-\frac{s^{\mathrm{2}}-\mathrm{2}\mathrm{p}\mathrm{s}\mathrm{t}+t^{\mathrm{2}}}{\mathrm{2}(\mathrm{1}-{\rho }^{\mathrm{2}})}\right\}\mathrm{d}s\mathrm{d}t\end{array}（5）

式中：P表示z_{\mathrm{1}}\mathrm{、}{z}_{\mathrm{2}}的皮尔逊相关系数；s\mathrm{、}t表示积分变量。

为了评估植被对高温和干旱条件的响应，使用三变量情况下的条件分布来估计给定不同水平的高温和干旱情况下植被活动下降的概率。通过将联合概率扩展到三维来获得，即给定单一高温、单一干旱和复合高温干旱条件下植被活动下降（SNDVI<0）的条件概率分别表示为以下3个公式^［12］：

（6）

（7）

（8）

式中：表示两变量的联合分布函数；表示SNDVI的边缘分布函数。

2 结果与分析

2.1 渭河流域高温和干旱的时空分布特征

2.1.1 高温和干旱的多时间尺度指数演变

利用渭河流域月尺度最高温和降水数据，分别计算1980—2020年STI-1（SPI-1）、STI-3（SPI-3）、STI-7（SPI-7）和STI-12（SPI-12）。图2（A—D）可以看出，STI-1月值呈现正负交替，但周期较短、规律不明显，正值在1998年9月达到最高，为1.87。随着STI时间尺度的增大，可以看出2000—2020年正值明显增多。渭河流域近40年来高温占比较大，且2000年以后明显增多。由图2（E—H）可见，其多尺度规律和STI相同，SPI-1中最低值在2013年3月出现，为-1.85。总体表现为1995—2005年的干旱月份相对较多。由此可见，用不同时间尺度高温和干旱指数反映渭河流域高温以及干湿状况时，月尺度对变化周期反映不明显，但随着时间尺度增大，其周期变化特点越来越明显。

为了在空间上探究1980—2020年渭河流域不同尺度STI、SPI的变化情况，分别对两者进行逐栅格M-K检验（图3）。可以看出，渭河流域不同时间尺度STI整体上都呈上升趋势，SPI整体上都呈下降趋势，表明1980—2020年渭河流域气温整体在上升，降水整体减少。从变化趋势的空间差异来看，随着STI时间尺度的增加，渭河流域STI上升的趋势更加明显，且东南部关中平原和北部黄土高原地区升温较为明显。干旱化区域主要分布在渭河流域的西部和北部，且该地区大部分区域都通过0.01水平的显著性检验；湿润化区域主要集中在渭河流域南部，随着SPI时间尺度的增加，渭河流域的SPI下降趋势更为明显。

2.1.2 高温干旱发生频率和影响范围

从渭河流域高温干旱发生频率来看，空间上流域高温频率范围处于14.63%~43.20%，平均值为28.92%，干旱频率范围为25.78%~36.24%，且呈条带状分布（图4）。其中流域西部地区高温频率最低，流域东南部和北部高温频率最高，说明最易发生高温，这与STI显著上升区域一致，渭河流域东南部主要是关中平原，这可能与该地区城市化进程加快以及热岛效应有密切关系，而北部黄土高原则可能与气候变暖的大背景有关系；流域最南部秦岭山区干旱频率最低，流域北部、西部以及东部地区干旱频率较高。整体上，流域北部以及东部部分地区是高温频率和干旱频率高值区。

利用逐年10月份STI-7和SPI-7，分别计算高温和干旱面积比，表示渭河流域1980—2020年生长季高温干旱影响范围（图5）。图5A看出，高温影响范围以15.28%/10 a的速度上升，多年均值为38.47%，研究时段内共有15 a全流域无高温发生，但1997—2020年高温影响范围明显变大，时段内有8 a高温影响范围均超过90%，可以看出高温影响范围在1997年达到最高值99.67%，表明渭河流域近40年来高温影响范围整体呈增加趋势，且1997年后影响全流域的高温年份增多。图5B看出，干旱影响范围年际波动较大，但总体以4.09%/10 a的速度平稳下降，多年均值为31.37%。研究时段内共有12 a全流域未发生干旱，有16 a干旱影响范围超过该均值，其中尤以1986年、1991年、1997年干旱影响范围最大，达到研究时段最高值。总体来看，在研究时段内高温的影响范围大于干旱的影响范围，且两者在1997年均达到最高值。

2.2 渭河流域植被NDVI与高温和干旱的相关关系

厘清植被NDVI与高温和干旱的相关关系，是定量评估高温干旱对植被影响的基础。将NDVI标准化为SNDVI，分别计算SNDVI与STI，SPI的相关系数，并检验其显著性（图6）。统计结果显示，植被和高温之间，61%以上的区域以正相关关系为主，其中显著正相关区域主要位于流域中部地区，占流域面积41.98%，说明这些区域的植被活动对温度有正反馈效应，在一定的温度范围内，温度越高，植被活动越强；还有39%的区域以负相关关系为主，其中显著负相关区域主要位于流域东南部关中平原地区，占流域面积的21.16%，说明这些区域的植被活动对温度有负反馈效应，超过了一定温度阈值后，温度越高，植被活动越弱。植被和降水之间，80%以上的区域为正相关关系，其中显著正相关占63.57%，位于流域西部和北部，仅流域中部5.42%区域为显著负相关，表明渭河流域大部分区域植被符合降水越多，植被生长越好的规律。

在不同土地利用类型上，分别统计不同土地利用类型STI-SNDVI（图7A）和SPI-SNDVI（图7B）显著正相关、正相关、负相关和显著负相关所占渭河流域面积比例。从图7A可知，雨养区、林地、草地均为STI与SNDVI显著正相关大于显著负相关，其中雨养区显著正相关和显著负相关所占面积比分别为13.0%和9.5%；林地显著正相关和显著负相关所占面积比分别为10.8%和3.2%；草地显著正相关和显著负相关所占面积比分别为17.7%和6.1%，表明这3种植被类型均在一定的温度范围内，温度越高，植被活动越强，但温度升高超过某一阈值，则表现出对植被的抑制作用。灌溉区显著负相关面积大于显著正相关面积，即灌溉区相较其他植被易受高温影响。图7B显示，雨养区、灌溉区、林地和草地都是显著正相关所占面积高于其他3种相关关系，其中雨养区和草地显著正相关占比远高于其他3种相关关系。即降水升高，渭河流域不同类型植被NDVI均上升，但雨养区和草地上升最明显，即降水对雨养区和草地影响最大。总体上，灌溉区STI（SPI）与SNDVI相关性相较于其他类型来说都不高。

2.3 渭河流域高温和干旱对植被的影响

2.3.1 高温和干旱条件下植被NDVI下降的概率

根据STI和SPI分级标准（表1）可知，当某一时间尺度STI≥0.5时表示发生高温，SPI≤-0.5时表示发生干旱，而当SNDVI<0时，表示当前植被NDVI低于NDVI均值，出现植被活动下降。在高温条件下，分别统计不同高温等级下植被NDVI下降的概率（图8）。统计结果发现，在轻微高温条件下，渭河流域植被活动下降概率均值为58%，最大值达到88%，其中流域北部下降概率较高；在中度高温条件下，流域植被活动下降概率均值增至62%，最大值为94%；当高温为重度时，植被活动下降概率均值达到69%，最高值为100%，东南部植被活动下降概率显著上升；极端高温条件下，流域部分区域没有发生极端高温，空间上流域西部和东南部下降概率较高。当高温条件从轻微升至中度和重度时，渭河流域植被活动下降概率分别升高了4%和11%。

在干旱条件下，对不同等级干旱植被NDVI下降的概率进行统计（图9），发现在轻微干旱条件下，流域内植被活动下降概率均值为65%，最高值为88%，北部地区下降概率较高；当干旱程度升至中度时，植被活动下降概率均值增至73%，最高值达到96%；当干旱为重度条件时，流域植被活动下降概率均值为81%，最高值达到100%，西北部地区下降概率高于其他地区；极端干旱时，也为西部地区植被活动下降概率最大，即轻微干旱和中度干旱主要影响流域北部植被，重度干旱和极端干旱则对流域西部植被影响较大。可以发现，当干旱条件从轻微升至中度和重度时，渭河流域植被活动下降概率分别升高了8%和16%，总体来看，干旱导致植被活动下降概率大于高温，空间上表现为北部地区下降概率均高于其他地区。

2.3.2 复合高温干旱条件下植被NDVI下降的概率

当某一时间尺度STI≥0.5且SPI≤-0.5时发生复合高温干旱，对不同复合条件下SNDVI<0的概率进行分析（图10）。结果表明，渭河流域没有发生极端高温和极端干旱复合事件（STI≥2且SPI≤-2），流域西部和东南部没有发生重度高温干旱复合事件（STI≥1.5且SPI≤-1.5），这是因为重度高温和极端高温主要分布于流域东南部，而重度干旱和极端干旱主要分布于流域西部。轻微高温和干旱复合下，流域植被活动下降概率均值为71%；中度高温和干旱复合下，植被活动概率均值增至83%，可以看出，当复合条件从轻微增至中度时，植被活动下降概率上升了12%，且均为流域北部植被活动下降概率较高。

在不同高程范围上（图11A），基于渭河流域DEM数据，将其划分为4个高程区间，可以看出，随着复合高温干旱等级增强，高程2 000 m以下植被活动下降概率逐渐升高；而高程2 000~3 299 m则表现出植被活动下降概率先升高后降低的态势，且不同条件下植被活动下降概率均比其他高程范围略小，原因可能是海拔较高地区绝对高温发生次数很少，并且这一高程范围森林较多，而森林对于高温干旱的抵御能力较强。从不同土地利用类型来看（图11B），随着复合高温干旱等级增加，雨养区和草地植被活动下降概率逐渐增加，说明复合高温干旱对雨养区和草地植被活动影响较大；灌溉区植被活动下降的概率呈减小趋势，这与灌溉区在严重干旱时通过灌水缓解作物干旱有密切关系，同时也可以看出，即使有灌溉活动，灌溉区NDVI依然有下降的可能；林地则表现为植被活动下降的概率先增加后减小的态势。

2.3.3 单一和复合条件植被NDVI下降概率对比

为比较单一条件和复合条件对植被NDVI影响的差异，对不同高温干旱复合条件下SNDVI<0的概率进行统计分析（图12）。由于渭河流域没有发生极端高温干旱复合事件（STI≥2且SPI≤-2），故对该条件下植被活动下降概率不做统计。可以看出，单一干旱对植被的影响大于单一高温，但单一高温和单一干旱的影响均小于复合高温干旱，且随着高温干旱条件的加剧，植被活动下降概率逐渐增加。具体表现为轻微、中度、重度干旱条件较高温条件下，植被活动下降概率分别升高了7%，11%和12%，轻微高温干旱复合和中度高温干旱复合比单一高温（单一干旱）分别升高了13%（6%）和21%（10%）。

从不同高程范围来看（图13A），除330~500 m高程区域外，其他高程区域均呈现复合高温干旱导致植被活动下降的概率高于单一高温和单一干旱，对于高程小于500 m的区域，高温条件下植被活动下降的概率是最大的，超过了60%，而此区域主要位于渭河流域东南部关中平原，该地区高温对植被影响较大，但干旱表现出对植被的促进作用，这与该区域灌溉区较多，发生干旱时有人为灌溉有关。500~2 000 m这一高程范围则表现为干旱对植被的影响大于高温对植被的影响，但二者的影响均小于复合高温干旱，并且在这一范围内高程越高，高温、干旱及复合高温干旱条件下植被活动下降的概率越高。2 000 m以上高程表现出高温对植被的促进作用，出现这种现象的原因是高寒地区温度低，适当上升的温度有利于植被的生长。从不同土地利用类型来看（图13B），除灌溉区外，其余土地利用类型均呈现出复合高温干旱导致的植被活动下降概率大于单一高温和单一干旱。其中，雨养区和草地干旱条件对植被活动下降的影响大于高温条件；林地也表现为高温条件和干旱条件都会造成植被活动下降概率升高，但高温条件对植被活动下降的影响大于干旱条件；灌溉区呈现为高温条件下植被活动下降概率升高，干旱条件下植被活动下降概率降低。由此可以看出，干旱对草地和雨养区植被影响较大。

3 讨论与结论

3.1 讨 论

渭河流域位于我国西北地区东部，是我国重要的农业生产区，近年来频繁遭遇高温干旱，严重影响植被生长，进而影响区域生态平衡与经济发展。本文基于STI、SPI与NDVI数据，分析了渭河流域1982—2020年高温干旱时空变化。在这类研究中，高温干旱监测指标的选取非常关键，以确保能够准确反映高温干旱过程中的气候与生态影响。传统的高温研究常使用绝对或相对阈值法^［24］，其定义基于绝对温度识别，限制了高温的定义范围，主要针对夏季高温^［25］。然而，这种方法忽略了高温对整个生长季的影响，且难以全面捕捉温度变化的空间和时间异质性。相比之下，STI能将高温根据标准分为不同等级，量化整个生长季的温度变化，而不仅仅局限于夏季极端高温^［26］，STI相比传统的绝对温度方法，具有更高的灵活性和精确度，尤其在长期和复合气候事件的监测中表现出更大的优势。STI和SPI作为温度和降水的的标准化指标，能够对多个时间尺度上的高温和干旱进行监测，更准确地反映渭河流域等地区高温干旱的动态变化。

近年来的多项研究指出，全球范围内的气温升高与降水减少趋势已经在大部分地区产生显著影响^［27］，尤其是在干旱和半干旱地区^［28］。在复合高温干旱条件下，植被活动显著下降，草地表现出较高的敏感性，并且复合高温干旱对植被的影响要大于单一的高温干旱。Wang等^［29］探讨中国不同区域（包括渭河流域）复合气候极端事件对植被的影响，研究表明在复合高温干旱条件下植被活动显著下降，尤其是在干旱和草地区域，复合气候胁迫的负面影响要大于单一气候因素，进一步验证了本研究的结论。本研究定量分析了高温干旱复合条件对植被活动下降的概率，为进一步研究气候变化对生态系统的影响提供了依据。

由于数据限制，本研究使用的是月尺度数据，无法细化到具体日期，也未考虑雾霾、植树造林等人为和自然因素的影响。未来研究应采用更高时间分辨率的数据（旬、周、天尺度），并结合更多的影响因子（如SIF， GPP等），以提高分析精度。此外本研究中数据源的不确定性也需要进一步考虑，由于GIMMS NDVI数据分辨率为8 km，降尺度处理可能影响数据的可靠性，因此本研究存在由于尺度较大引起结果的不确定性，同时研究中使用的NDVI数据为GIMMS与MODIS数据的组合，虽然对2001—2015年数据进行了偏差校正，但仍存在传感器误差。若未来有同一传感器更高分辨率的植被数据作为数据源，将有助于提高结果的准确性。

3.2 结 论

本文以渭河流域为研究区，利用1980—2020年月尺度高温、降水和1982—2020年植被NDVI数据，计算不同时间尺度STI和SPI，分析复合高温干旱的时空变化特征。基于元高斯模型，分析不同高温和干旱条件下植被NDVI下降的概率，比较不同高程和土地利用类型下单一和复合条件NDVI下降的概率。主要得到以下结论：

（1） 1980—2020年渭河流域高温和干旱趋势加剧，呈现明显的冷热和干湿周期变化。自2000年起，发生高温的时间显著增多，而干旱发生时间则集中在1995—2015年；空间上流域东南部关中平原和北部黄土高原升温较为显著，干旱化趋势主要出现在西部和北部地区。总体来看，高温频率及影响范围呈现上升趋势，干旱则表现为平稳下降，流域东北部分地区高温频率和干旱频率均为流域最高值，影响范围在1997年达到最大值。

（2） 渭河流域41.89%的区域温度与植被呈显著正相关，21.16%的区域呈显著负相关，表明温度对植被的影响具有显著区域差异。流域中部地区温度升高有助于植被生长，而东南部地区则呈负反馈效应。此外流域80%以上的区域降水与植被NDVI呈正相关关系，表明降水增加对植被生长具有促进作用，灌溉区相较其他土地类型对高温更为敏感，降水对草地和雨养区的影响尤为显著。

（3） 随着渭河流域高温干旱条件的加剧，植被活动下降概率显著增加，轻微、中度、重度高温（干旱）条件下，植被下降概率分别为58%，62%，69%（65%，73%，81%），复合高温干旱条件下，植被下降概率显著增加，轻微和中度条件下分别为71%和83%。单一干旱对植被影响大于单一高温，但均小于复合高温干旱的影响，流域北部地区下降概率均高于其他地区，草地和雨养区对复合高温干旱更敏感；除灌溉区外，草原和雨养区在3种条件下植被下降概率影响范围最为明显。

参考文献

[1] 周波涛，钱进.IPCC AR6报告解读：极端天气气候事件变化［J］.气候变化研究进展，2021，17（6）：713-718.

[2] Zhou B T， Qian J. Changes of weather and climate extremes in the IPCC AR6［J］. Climate Change Research， 2021，17（6）：713-718.

[3] Ye L， Shi K， Xin Z H， et al. Compound droughts and heat waves in China［J］. Sustainability， 2019，11（12）：3270.

[4] 孙艺杰，刘宪锋，任志远，等.1960—2016年黄土高原干旱和热浪时空变化特征［J］.地理科学进展，2020，39（4）：591-601.

[5] Sun Y J， Liu X F， Ren Z Y， et al. Spatiotemporal changes of droughts and heatwaves on the Loess Plateau during 1960—2016［J］. Progress in Geography， 2020，39（4）：591-601.

[6] Chen B Z， Xu G， Coops N C， et al. Satellite-observed changes in terrestrial vegetation growth trends across the Asia-Pacific region associated with land cover and climate from 1982 to 2011［J］. International Journal of Digital Earth， 2016，9（11）：1055-1076.

[7] 涂又，姜亮亮，刘睿，等.1982—2015年中国植被NDVI时空变化特征及其驱动分析［J］.农业工程学报，2021，37（22）：75-84.

[8] Tu Y， Jiang L L， Liu R， et al. Spatiotemporal changes of vegetation NDVI and its driving forces in China during 1982—2015［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021，37（22）：75-84.

[9] Liu D， Wang T， Peñuelas J， et al. Drought resistance enhanced by tree species diversity in global forests［J］. Nature Geoscience， 2022，15：800-804.

[10] Park S B， Park C E， Kim J S， et al. The 2020 heatwave led to a larger enhancement in annual gross primary production in west Siberia than in east Siberia［J］. Journal of Geophysical Research： Biogeosciences， 2025，130（2）：e2024JG008487.

[11] 姜颖迪，王卫光，魏佳，等.1961—2017年中国热浪特征及其对植被的影响［J］.中国农村水利水电，2022（3）：25-31，38.

[12] Jiang Y D， Wang W G， Weihe J， et al. Characteristics of heat waves in China from 1961 to 2017 and their impacts on vegetation［J］. China Rural Water and Hydropower， 2022（3）：25-31，38.

[13] 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.

[14] 张华，徐存刚，王浩.2001—2018年西北地区植被变化对气象干旱的响应［J］.地理科学，2020，40（6）：1029-1038.

[15] Zhang H， Xu C G， Wang H. Response of vegetation change to meteorological drought in northwest China from 2001 to 2018［J］. Scientia Geographica Sinica， 2020，40（6）：1029-1038.

[16] Cohen I， Zandalinas S I， Huck C， et al. Meta-analysis of drought and heat stress combination impact on crop yield and yield components［J］. Physiologia Plantarum， 2021，171（1）：66-76.

[17] Hao Y， Hao Z C， Fu Y S， et al. Probabilistic assessments of the impacts of compound dry and hot events on global vegetation during growing seasons［J］. Environmental Research Letters， 2021，16（7）：074055.

[18] Dannenberg M P， Yan D， Barnes M L， et al. Exceptional heat and atmospheric dryness amplified losses of primary production during the 2020 U.S. Southwest hot drought［J］. Global Change Biology， 2022，28（16）：4794-4806.

[19] Zhang G X， Zhang S Y， Wang H M， et al. Biodiversity and wetting of climate alleviate vegetation vulnerability under compound drought-hot extremes［J］. Geophysical Research Letters， 2024，51（10）：e2024GL108396.

[20] 邓甜甜，耿广坡，杨睿，等.1980—2020年渭河流域高温热浪时空变化特征［J］.干旱区地理，2023，46（2）：211-221.

[21] Deng T T， Geng G P， Yang R， et al. Temporal and spatial variation characteristics of high temperature and heat wave in the Weihehe River Basin from 1980 to 2020［J］. Arid Land Geography， 2023，46（2）：211-221.

[22] 杨睿，耿广坡，周洪奎，等.基于SPEI_PM指数的渭河流域气象干旱时空演变特征［J］.中国农业气象，2021，42（11）：962-974.

[23] Yang R， Geng G P， Zhou H K， et al. Spatial-temporal evolution of meteorological drought in the Weihe River Basin based on SPEI_PM［J］. Chinese Journal of Agrometeorology， 2021，42（11）：962-974.

[24] 邹磊，余江游，夏军，等.基于SPEI的渭河流域干旱时空变化特征分析［J］.干旱区地理，2020，43（2）：329-338.

[25] Zou L， Yu J Y， Xia J， et al. Temporal-spatial variation characteristics of drought in the Weihehe River Basin based on SPEI［J］. Arid Land Geography， 2020，43（2）：329-338.

[26] Fan J J， Xu F F， Sun X， et al. Construction and application of hydrometeorological comprehensive drought index in Weihehe river［J］. Atmosphere， 2022，13（4）：610.

[27] Zhang H， Ding J， Wang Y S， et al. Investigation about the correlation and propagation among meteorological， agricultural and groundwater droughts over humid and arid/semi-arid basins in China［J］. Journal of Hydrology， 2021，603：127007.

[28] Mckee T， Doesken N， Kleist J. The relationship of drought frequency and duration to time scales［J］. Eighth Conference on Applied Climatology， 1993，17（22）：17-22.

[29] 许昕彤，朱丽，吕潇雨，等.MSWEP降水产品在黄河流域气象干旱监测中的适用性评价［J］.干旱区地理，2023，46（3）：371-384.

[30] Xu X T， Zhu L， Lyu X Y， et al. Applicability evaluation of MSWEP product for meteorological drought monitoring in the Yellow River Basin［J］. Arid Land Geography， 2023，46（3）：371-384.

[31] Hao Z C， Hao F H， Singh V P， et al. A multivariate approach for statistical assessments of compound extr-emes［J］. Journal of Hydrology， 2018，565：87-94.

[32] Feng S F， Hao Z C， Zhang X， et al. Probabilistic evaluation of the impact of compound dry-hot events on global maize yields［J］. Science of the Total Environment， 2019，689：1228-1234.

[33] Raei E， Nikoo M R， AghaKouchak A， et al. GHWR， a multi-method global heatwave and warm-spell record and toolbox［J］. Scientific Data， 2018，5：180206.

[34] Stefanon M， D′Andrea F， Drobinski P. Heatwave classification over Europe and the Mediterranean region［J］. Environmental Research Letters， 2012，7（1）：014023.

[35] Hao Z C， AghaKouchak A， Phillips T J. Changes in concurrent monthly precipitation and temperature extr-emes［J］. Environmental Research Letters， 2013，8（3）：034014.

[36] IPCC（Intergovernmental Panel on Climate Change）. Climate Change 2021：The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press， 2021.

[37] Chen J， Zhao T， Zhang X， et al. Impacts of extreme temperature and drought on vegetation growth in China： a satellite-based analysis［J］. Environmental Research Letters， 2019，14（7）：074022.

[38] Wang G， Liu J， Zhao T， et al. The impacts of compound climate extremes on vegetation in China［J］. Environmental Research Letters， 2020，15（7）：074016.

基金资助

国家自然科学基金(41807503)

陕西省哲学社会科学研究专项(2025YB0239)