基于温度植被干旱指数的西南干旱河谷区干旱特征变化及影响因素分析

Analysis of drought characteristics and influencing factors in dry valley region of Southwest China based on temperature vegetation drought index

摘要

目的 识别西南地区干旱时空演变过程及主控驱动机制，对于深入探究我国干旱时空分布具有深远意义。 方法 基于温度植被干旱指数（TVDI），综合运用Theil-Sen斜率分析、Mann-Kendall检验、地理探测器及Hurst指数等方法，系统分析了2001—2024年盐源县干旱的时空变化特征及其影响因素。 结果 （1） 近24年间区域干旱程度总体趋于缓解，年际变化趋势为-0.000 3；（2） 研究区TVDI呈现东高西低、南高北低的空间分布格局，其中严重干旱占比29.5%（主要分布于中部盆地及东部）。近24年干旱总体缓解，约67.5%的区域TVDI呈下降趋势，集中分布于东部和西北部。（3） 基于地理探测器的干旱变化驱动因子分析表明，叶面积指数（q=0.34）和实际蒸散发（q=0.17）是影响研究区干旱状况的主要因素，其中叶面积指数和降水的交互作用对TVDI的影响程度相对最强，作用强度为0.41，潜在蒸散发和气温的交互作用相对较小；（4） 基于Hurst指数的本地区干旱演变趋势表明，盐源县中部盆地和东部旱情呈显著加重态势。 结论 盐源县干旱总体缓解但局部加剧，植被覆盖与蒸散发是核心驱动因素，未来中部盆地及东部旱情持续加重，应划定为干旱重点监控与风险防范区。

Abstract

Objective This study aims to identify the spatiotemporal evolution process and dominant driving mechanisms of drought in Southwest China， which is of profound significance for exploring the spatiotemporal distribution of drought in China. Methods Based on the temperature vegetation drought index （TVDI）， the spatiotemporal variation characteristics and influencing factors of drought in Yanyuan County from 2001 to 2024 were systematically analyzed using Theil-Sen slope analysis， Mann-Kendall test， geodetector， and Hurst index. Results （1） Over the past 24 years， the degree of regional drought generally showed an alleviating trend， with an interannual variation trend of -0.0003； （2） The spatial distribution pattern of TVDI in the study area showed a pattern of high in the east， low in the west， high in the south， and low in the north， with severe drought accounting for 29.5% （mainly distributed in the central basin and the eastern regions）. Drought generally alleviated over the past 24 years， with about 67.5% of the region showing a decreasing trend in TVDI， mainly concentrated in the east and northwest. （3） Based on the geodetector analysis of drought change driving factors， leaf area index （q=0.34） and actual evapotranspiration （q=0.17） were the main factors affecting drought conditions in the study area. Among them， the interaction between leaf area index and precipitation had the strongest impact on TVDI， with a strength of 0.41， while the interaction between potential evapotranspiration and temperature was relatively weak； （4） Based on the Hurst index analysis， the drought evolution trend in the study area showed that drought conditions in the central basin and eastern regions of Yanyuan County have significantly intensified. Conclusion The overall drought in Yanyuan County has alleviated， but it has intensified in some local regions. Vegetation coverage and evapotranspiration are the core driving factors. In the future， drought in the central basin and eastern regions is expected to continue worsening， and these regions should be designated as key monitoring and risk prevention zones for drought.

Graphical abstract

关键词

温度植被干旱指数（TVDI） / 时空变化 / 地理探测器 / 驱动因素 / 盐源县

Key words

temperature vegetation drought index （TVDI） / spatiotemporal variation / geodetector / driving factors / Yanyuan County

干旱是陆地上反复出现的极端气候事件，其特征是降水量在数月至数年内低于正常水平，诱发土壤退化、荒漠化、植物死亡、沙尘暴、火灾等灾害，对农业、生态、经济和社会造成严重影响^［1］。位于长江上游干支流沿岸的干旱河谷地区，是川西地区工农业活动和经济发展中心，若发生环境退化则将直接制约长江中下游的安全和发展^［2］。近年来，随着全球气候变化加剧，干旱河谷地区的干旱频率和强度呈现上升趋势，严重威胁着区域生态安全和可持续发展^［3-5］，因此，对干旱河谷区干旱的时空格局开展长时序的监测与定量分析具有重要意义。

干旱的时空演变与驱动机制具有很强的时空异质性。目前，国内外学者对干旱变化趋势及其主控因素进行了广泛研究。孙嘉敏等^［6］发现近120年我国湿润地区降水主导着地区干湿变化，而在干旱半干旱地区降水和气温同时发挥作用；安妮等^［7］研究发现金沙江流域干旱的高发区域主要集中在流域中部，且显示出明显的季节性和区域性特征；曹倩倩等^［8］研究表明我国大部分流域干湿复合事件以气象因子为主导，但其演变特征和主导因素在不同流域具有显著的区域性与季节性差异；覃艺等^［9］发现TVDI值与气温呈正相关，与降水呈负相关。

传统的干旱监测方法主要依赖于气象和水文站点数据，现已基于气象观测资料开发出了一系列植被干旱指数。常用的干旱指数，如帕默尔干旱指数（Plamer Drought Severity Index， PDSI）、标准化降水蒸散指数（Standardized Precipitation Evaporation Index， SPEI）和标准化降水指数（Standardized Precipitation Index， SPI）等用以表征干旱特征的方法已获得广泛运用^［6］，但以上方法受限于气象站点分布不均和数据覆盖范围有限，难以全面表征干旱的区域时空动态特征^［10］。遥感技术的快速发展为解决这一问题提供了新的途径。温度植被干旱指数（Temperature Vegetation Drought Index， TVDI）通过地表温度（Land Surface Temperature， LST）与归一化植被指数（Normalized Difference Vegetation Index， NDVI）的关系量化了植被蒸散与水分亏缺的关系，被广泛应用于不同地区的干旱评估^［3，11］。TVDI指标现已在吐鲁番市^［4］、西南岩溶区^［11］、松嫩平原^［12］、关中地区^［13］、新疆^［14］、云南金沙江—元江干旱河谷^［15］和鄂渝地区等^［16］地区得到广泛应用。但现有研究多聚焦我国北方干旱区，针对西南干旱河谷区干旱机理的研究相对较少；另外，对于驱动因子的解释也多侧重于气温、降水和地形等指标，如卢献健等^［11］研究发现干旱与降水和气温的相关性较弱，而与地形地貌的相关性较强，但没有进一步探究其他气象和植被因子对干旱的影响。因此，准确识别我国西南地区干旱变化趋势及其驱动机制对于深入探究我国干旱时空分布具有深远意义。

四川省盐源县是我国西南典型干旱河谷区——金沙江流域^［7］、横断山区^［17］和攀西地区等^［18］的重要组成部分。同时，盐源县还是长江上游重要的生态屏障区和四川省重要农业生产基地，其耕地多集中于中部盆地区域。由于地处干旱河谷，水资源匮乏，加之人类活动的加剧和气候变暖的趋势，盐源县常年面临严重的干旱问题，对地区农业生产和生态系统造成了严重威胁。

本文以盐源县为研究区，基于长时间尺度LST以及NDVI数据，利用趋势分析、Mann-Kendall检验和地理探测器等方法，探究2001—2024年盐源县TVDI时空变化特征及其驱动因素，并进一步应用Hurst指数揭示该区域干旱指数的未来演变趋势。研究结果将有助于深入了解西南干旱河谷地区的干旱机理，给当地政府制定科学合理的抗旱减灾措施提供决策支持，并为其他类似地区的干旱研究提供重要参考和借鉴。

1 材料与方法

1.1 研究区概况

盐源县位于中国四川省西南部，青藏高原东南缘，雅砻江下游西岸，地处横断山脉与云贵高原的过渡地带，为四川、云南两省交界处；地理坐标为27°06′—28°16′N，100°42′—102°03′E。全县东西长约133.6 km，南北宽约129.4 km，总面积8398.6 km^2［19］。该地区地处川西南典型干旱河谷核心区，地势由西北向东南倾斜，地貌以山地、河谷和盆地为主，最高海拔4 236 m，最低海拔1 169 m，区域内地形以山凹、陡坡、谷深、盆地居中为总特征（图1A）。其中，盆地面积1 049 km²，约占全县总面积的12.5%，一般海拔2 300~2 800 m^［20］。气候类型为亚热带季风气候，但由于地形复杂，局地气候差异显著，统计分析盐源县气象站历史时期（1956—2018）的气温和降水观测数据可知（图1B），研究区年均气温为12.1 ℃，年均降水量约797.4 mm，降水分布不均，干湿季分明，旱季（11月至次年4月）降水量为49.7 mm，不足全年的7%；雨季（6—9月）降水量为638.4 mm，高达年均降水量的80.1%。盐源县主要农作物包括玉米、马铃薯和荞麦，经济作物主要有苹果、花椒、核桃和烤烟。

1.2 数据来源及处理

1.2.1 DEM数据和气温-降水观测数据

高程数据来自地理空间数据云（https://www.gscloud.cn/）提供的空间分辨率为30 m的结果。

盐源县气象站历史时期（1956—2018）每月平均气温数据和降水统计数据由国家气象信息中心（https://data.cma.cn/）提供的逐日数据统计而来。

1.2.2 地表温度和NDVI数据

本研究地表温度数据使用2001—2024年中等分辨率成像光谱仪（Moderate-Resolution Imaging Spectroradiometer， MODIS）数据产品所提供的MOD11A1 LST数据，其空间分辨率为1 km，时间分辨率为8 d，采用均值合成逐月结果。归一化植被指数（NDVI）数据来源于MOD13A1产品，空间分辨率为250 m，时间分辨率为16 d，采用最大法合成至月尺度结果。

1.2.3 气象数据和植被数据

研究区2001—2022年逐月的气温（Temperature， TMP，℃）、降水（Precipi-tation， PRE， mm）和潜在蒸散发（Potential Evapotr-anspiration， PET， mm）数据均来源于青藏高原科学数据中心（https://data.tpdc.ac.cn/home），空间分辨率为1 km，时间分辨率为逐月。实际蒸散发（Evapotr-anspiration， ET， mm）和叶面积指数（Leaf Area Index， LAI， m²/m²）均来自NASA Earth data （https://www.earthdata.nasa.gov/）的MOD16A2数据集，空间分辨率500 m，时间分辨率为8 d。

利用ArcGIS 10.8对盐源县DEM数据进行重分类和统计分析，并且结合Excel和Origin分析研究区长时间气温-降水数据；LST数据和NDVI数据采用MRT软件对原始的hdf数据进行重采样、重投影与裁剪获得研究区的数据；使用ArcGIS 10.8和ENVI5.6软件对气象数据和植被数据分别进行裁剪、重投影、计算像元均值（PRE， LAI），通过栅格计算器求和（TMP， PET， ET）和重采样等。然后，结合ArcGIS 10.8，Excel， Origin， ENVI 5.6等软件对上述数据进行分析和可视化处理。

1.3 研究方法

1.3.1 TVDI模型构建

TVDI是用以表征土壤干湿状况的一种方法，可有效表征土壤含水量，由Sandholt提出，通常采用LST与NDVI计算获得，公式为^［21］：

\mathrm{T}\mathrm{V}\mathrm{D}\mathrm{I}=\frac{T_{\mathrm{s}}-T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}}{T_{\mathrm{s}\mathrm{m}\mathrm{a}\mathrm{x}}-T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}}（1）

式中：T_{\mathrm{s}}为研究区单一像元的地表温度（℃）；T_{\mathrm{s}\mathrm{m}\mathrm{a}\mathrm{x}}为地表温度的最大值；T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}为地表温度最小值；T_{\mathrm{s}\mathrm{m}\mathrm{a}\mathrm{x}}和T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}的计算公式如下：

T_{\mathrm{s}\mathrm{m}\mathrm{a}\mathrm{x}}=a_{\mathrm{1}}+b_{\mathrm{1}}·\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}（2）

T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}=a_{\mathrm{2}}+b_{\mathrm{2}}·\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}（3）

其中： T_{\mathrm{s}\mathrm{m}\mathrm{a}\mathrm{x}}和T_{\mathrm{s}\mathrm{m}\mathrm{i}\mathrm{n}}依次为干边方程和湿边方程；a_{\mathrm{1}}、b_{\mathrm{1}}和a_{\mathrm{2}}、b_{\mathrm{2}}分别为干、湿边方程的截距和斜率。

TVDI值域为0~1，该值越大表明干旱程度越严重，反之亦然。本文以TVDI作为干旱分级指标，利用ArcGIS 10.8的空间分析工具对2001—2024年的TVDI数据进行逐像元统计分析，再依据研究区TVDI值及干湿等级划分为以下等级^{［11，15］}（表1）。

1.3.2 Theil-Sen斜率和Mann-Kendall检验

本研究采用Theil-Sen斜率趋势分析法与Mann-Kendall（M-K）非参数检验分析2001—2024年研究区TVDI的年际变化趋势和显著性。M-K检验是一种非参数统计方法，它不要求数据呈正态分布，且不易受样本统计异常值的影响^［22］。为分析干旱空间演变特征，根据TVDI计算趋势率，选择 0.05置信水平作为盐源县TVDI变化趋势的显著性进行检验，得出趋势变化，表达公式为^［23］：

\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}=\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(\frac{x_j-x_k}{j-k}\right),\forall j>k（4）

式中：x_j和x_k分别表示时间j和时间k的TVDI值。\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}是TVDI时间序列的趋势^［15］；若\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}>0，则表示干旱程度加剧；若\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}<0，则表示干旱程度减弱。将Theil-Sen斜率和M-K检验结合，把TVDI趋势变化分为4类^［4］：若\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}>0，p<0.05，呈显著增加趋势；\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}>0，p>0.05时，呈不显著增加趋势；当\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}<0，p<0.05时，呈显著减少趋势；\mathrm{S}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}<0，p>0.05时，呈不显著减少趋势。

1.3.3 相关性分析

本研究基于逐像元相关系数来探究TVDI与各驱动因素的关系，计算公式如下^［24］：

r=\frac{\sum (X-\overline{X})(Y-\overline{Y})}{\sqrt[]{\sum {(X-\overline{X})}^{\mathrm{2}}\sum {(Y-\overline{Y})}^{\mathrm{2}}}}（5）

式中：r为Pearson相关系数，其值域为-1~1，|r|越大代表相关性越强，反之越弱。X为TVDI值，Y为影响因子的值，\overline{X}和\overline{Y}分别表示TVDI与影响因子的均值。

运用ENVI 5.6和Origin 2024完成相关性分析和显著性检验，数据可视化使用ArcGIS 10.8实现。

1.3.4 地理探测器

地理探测器是探测空间分异性以及揭示其驱动因子的一种统计学方法，既能够探测数值型数据，也可以探测定性数据^［25］。其原理是把研究区分为若干个子区域，如果子区域的方差之和小于区域总方差，则具有空间分异性；如果两个变量的空间分布趋于一致，则两者存在统计关联性；其中q值表示因子探测、空间差异和因子的关系^［26］。表达式为^［25］：

q=\mathrm{1}-\frac{{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}}{N_{\sigma }^{\mathrm{2}}}（6）

式中：q为因子解释力，值域在\left[\mathrm{0,1}\right]，q值越大表明TVDI的空间分异性越明显，反之则越不明显。h=\mathrm{1},\dots ,L是驱动因子分层数，L为驱动因子分层总数；N_h和N分别为层h和全区的单元数；{\sigma }_h^{\mathrm{2}}和{\sigma }_{}^{\mathrm{2}}分别是层h的方差和全区方差。

本文利用地理探测器的因子探测模块与交互作用模块来研究干旱指数与气象、植被因子的关系及解释程度。因子交互探测分析可以识别不同因子的交互作用，评估出2个因子共同作用时对TVDI的影响力是上升、下降还是相互独立^［25］。该研究选用TMP， PRE， PET， ET和LAI共5个变量来探究TVDI与各驱动因子的交互作用，深入分析盐源县干旱变化的主要影响因素。

运用ArcGIS 10.8对上述5个变量进行网格点信息提取^［25］，其中对TMP， PRE， PET， ET和LAI均采用自然断点法分级，分为5类；然后在研究区建立1 km×1 km网格，提取出8 400个采样点，再对数据进行处理去除异常值，最终得到7 993个有效值用于地理探测器分析。

1.3.5 Hurst指数

Hurst指数（Hurst index）是一种用于量化时间序列长期依赖性和持续性的统计指标，由英国水文学家Harold Edwin Hurst提出，用于研究时间序列的持续性、反持续性和随机性特征，能够表明基于时间序列的长期趋势和稳定性，已被广泛应用于水文学、经济学、气候学等领域^［27］。本研究采用重标极差法计算 Hurst指数，计算方法如下^［28］：

（1） 给定长期时间序列｛TVDI_（i）｝，i=1，2，…，n。对于任意正整数p，定义均值序列：

\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(p)}=\frac{\mathrm{1}}{p}{\displaystyle \sum _{i=\mathrm{1}}^p}\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i)}（7）

（2） 计算累积差序列\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i,p)}，即

\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i,p)}={\displaystyle \sum _{i=\mathrm{1}}^p}\left(\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i)}-\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(p)}\right)（8）

（3） 计算极差序列R_{(p)}和标准差序列S_{(p)}：

R_{(p)}={}_{\mathrm{1}\le i\le p}{}^{\mathrm{m}\mathrm{a}\mathrm{x}}\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i,p)}-{}_{\mathrm{1}\le i\le p}{}^{\mathrm{m}\mathrm{i}\mathrm{n}}\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i,p)}（9）

S_{(p)}=\sqrt[]{\frac{\mathrm{1}}{p}{\displaystyle \sum _{i=\mathrm{1}}^p}(\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(i)}-\mathrm{T}\mathrm{V}\mathrm{D}{\mathrm{I}}_{(p)}{)}^{\mathrm{2}}}（10）

（4） 计算重标极差R/S_{(P)}：

R/S_{(P)}=\frac{R(p)}{S(p)}（11）

（5） 对数图线性关系\mathrm{l}\mathrm{g}\left(R/S(p)\right)：

\mathrm{l}\mathrm{g}\left(R/S(p)\right)=H\mathrm{l}\mathrm{g}(p)+C（12）

式中：H为Hurst指数；C为常数。

Hurst指数的取值范围为0~1，其意义如下^［28-29］：当0<H<0.5，时间序列具有反持续性，即未来TVDI变化趋势与过去24 a变化趋势相反；当H=0.5时，时间序列为随机游走（无长期依赖性），即无法判断变化趋势；当0.5<H<1，时间序列具有长期依赖性（持续性），即过去的变化趋势倾向于持续到未来，H值越接近1，其持续性越强。

进一步把2001—2024年盐源县TVDI变化趋势结果和Hurst空间分布结果进行叠加分析，得到Hurst变化趋势图，将盐源县TVDI未来变化趋势分为反持续减少（即可能增加）、持续增加、反持续增加（即可能减少）和持续减少4类^{［10，30］}。

通过RStudio软件的“raster”和“pracma”包，计算盐源县2001—2024年的Hurst指数，而数据可视化通过ArcGIS 10.8实现。

2 结果与分析

2.1 基于TVDI指数的干旱时空变化特征

2.1.1 干旱时间变化趋势

2001—2024年盐源县TVDI的时间变化见图2A。盐源县的年际TVDI均值为0.57，范围为0.54~0.59。研究期内TVDI整体上呈波动下降趋势，年际变化趋势为-0.0003，在2003年、2007年、2012年、2017年以及2019年均出现局部上升。最大TVDI值出现在2007年和2012年，分别是0.58，0.59，最小值出现在2004年、2015年，依次为0.55，0.54。TVDI变化最强烈的年份为2012—2015年其值由0.59减少到0.54。

近24年盐源县每年各月干旱情况1—12月总体上呈现先加剧后变缓的变化趋势，其中，干旱主要集中在春季（3月、4月、5月）和夏季（6月、7月、8月），且干旱程度类型以中旱和重旱为主。研究区2001—2014年遭遇的干旱情况较为严重，之后逐渐趋于缓解状态（图2B）。

2001—2024年研究区不同干旱面积占比结果表明（图3），盐源县整体上干旱呈现出缓解趋势，严重干旱和中度干旱面积占比分别从2001年的28.9%和21.7%波动减少到2024年的27.2%和20%，轻度干旱面积变化趋势相对稳定，正常和湿润面积占比分别从2001年的13.6%，17.1%增加到2024年的15.8%，18.2%。

研究期内盐源县重旱和中旱类型的TVDI值面积占比最大，其中，重旱面积占比25.6%~34.3%，最小值出现在2015年（25.6%），2012年重旱面积占比最大，为研究区总面积的34.3%，干旱情况最为严重；中旱面积占比19.8%~24.5%，最小值出现在2022年，为19.8%，而2011年中旱面积占比最大，为24.5%；其次是轻度干旱TVDI的面积占比15.5%~21.2%，其最小值和最大值分别出现在2022年（15.5%）和2023年（21.2%）；正常类型值域为11.6%~15.8%，最小值和最大值依次为2012年的11.6%和2024年的15.8%；湿润类型的TVDI值面积占比为15.1%~19.8%，最小值出现在2023年，为15.1%，2022年面积占比最大，为19.8%。

2.1.2 干旱空间变化特征

研究区2001—2024年的月尺度干旱指数分布呈现显著的空间分异（图4）。盐源地区旱情变化趋势存在明显的东西差异和中部盆地与四周间差异，东部和中部盆地发生干旱的范围分别大于西部地区和盆地四周，此外，北部地区的旱情亦较轻。

盐源地区不同季节TVDI的空间分布也存在显著差异，季节性干旱主要集中在春—夏季。夏、秋季东部和中部盆地干旱主要以重旱为主，中部盆地四周湿润和轻度干旱类型分布较广。春、冬季中部、东部干旱状况分别以中旱、重旱为主，盆地四周为轻度干旱或正常（图4）。

2001—2024年盐源县TVDI多年平均值的空间分布格局表明，研究区的干旱分布表现出明显的空间分异，整体上呈现中间盆地高，而盆地周边情况为东高西低、南高北低的分布特征。结合图1A、表1和图5A分析研究区多年TVDI空间像元均值可知，研究期内盐源地区各类型干旱面积占比主要以严重干旱为主，24年间重旱面积占比为29.5%，空间分布上主要集中于研究区中部盆地以及东部的绝大部分区域，范围在1 169~2 700 m的中低海拔地区；其次是中度干旱，其分布面积占整个盐源县总面积的22.4%，主要分布于盐源县北部和中部盆地边缘，海拔高度2 700~3 100 m；湿润和轻度干旱面积占比相对较小为 16.7%和17.6%，主要分布在海拔3 100~4 236 m的陡坡和山谷；正常类型面积占比最低，为13.8%，主要集中于研究区北部、西部和盆地四周。

通过趋势分析逐像元计算24 a盐源县的年际变化趋势，由TVDI变化趋势图（图5B）可知，研究区TVDI呈减小趋势的区域约67.5%，相对集中分布于盐源县西北部以及中部盆地四周；而呈上升趋势的面积占比约32.5%，散落于研究区中间和西南区域，表明盐源县大部分区域处于干旱缓解状态。为进一步评价24 a盐源县干旱变化趋势，将Theil-Sen′s Slope趋势分析结果和M-K显著性检验结果叠加，可以看出，研究区从西到东整体上表现为先减少后增加再减少的趋势；降低变化趋势的面积约占64.6%，主要分布在东部、西部以及盐源盆地周围；而升高趋势的面积为35.4%，散落分布在南部、东部和中部盆地；表明盐源县在过去24 a的干旱变化趋势总体上以缓解为主。其中，不显著减少面积占43.3%，显著减少变化趋势的面积为21.3%，不显著增加面积占23.1%，显著增加面积占12.3%。

2.2 TVDI变化趋势主控因素分析

2.2.1 基于气象和植被数据的干旱河谷干热状况表征

为探究研究区TVDI变化趋势与气象和植被因素的关系，本文主要选取2001—2022年盐源县TMP， PRE， PET， ET和LAI共5个因子，作为分析TVDI变化与气象和植被因子关系的指标。将各因子的变化趋势和显著性检验结果进行叠加分析，得到2001—2022年盐源县驱动因子年度变化趋势空间分布图（图6）。

22年间研究区TMP的年际变化趋势值范围为0.007~0.02 ℃/a，其低值主要分布在研究区西部，较高值分布在东部（图6A），且以每年0.013 ℃的速度上升（图6F）；盐源县PRE的空间分布总体上呈现出由西向东递增的趋势，呈条带状分布，其斜率值域范围为-2.6~4 mm/a（图6B），变化趋势速度为-0.42 mm/a（图6F）；PET的斜率Slope（0.87~2.4 mm/a）由南向北逐渐增加（图6C），并且以1.84 mm/a的速度增长（图6F），在研究区西北部观测到显著上升趋势（p<0.05）；结合图6D和图6F得出，ET的Slope值域在-3.5~15 mm/a，负值部分呈现散点式分布在区域内，研究区正值部分面积占比大，且表现为正高值的地区主要集中在盐源县东部和南部，区域内大部分表现为显著增加趋势（p<0.05），最显著的增长趋势主要集中在东部、中部和西南部地区，上升速度为3.55 mm/a， ET变化幅度相对强烈；图6E显示盐源县LAI的Slope取值-0.06~0.07 m²/m²，其中，LAI下降变化趋势呈现零星式分布且主要出现在研究区北部，LAI显著增长（p<0.05）区域占绝大部分，主要分布在东部、西部，年际增长变化趋势速度为0.014 m²/m²（图6F）。

2.2.2 TVDI与影响因子偏相关性分析

为进一步分析盐源县TVDI与上述影响因素的关系，采用偏相关分析法对2001—2022年研究区TVDI与各因子进行逐像元分析，结果如图7所示。

近22年来盐源县TVDI和TMP偏相关系数表现为正相关的区域主要分布在研究区中部、西部和西北部，负相关区域多数位于北部和东部（图7A），二者空间均值相关系数为0.24（图7F）；TVDI和PRE呈正相关的区域主要分布于盐源县中部以及西南等地，呈负相关区域集中于北部和东部（图7B），相关系数为0.28（图7F）；TVDI和PET的偏相关性分析呈现正相关的区域主要位于盐源县西南部和中部，负相关区域大体分布于盐源县的西北部、北部和东部（图7C），空间均值相关系数为0.19（图7F）；TVDI和ET呈正相关的区域主要位于盐源县中部盆地和西南部，二者负相关的区域主要分布在西部、东部和中部盆地四周（图7D），相关系数为0.32（图7F）；TVDI和LAI的偏相关性分析整体上呈现正负相关并存，自西向东大致呈现出“负相关—正相关—负相关—正相关”的规律性分布，其中，呈正相关的区域主要位于盐源县西北部、北部以及东部的绝大部分地方，负相关的区域以研究区西南部和中部为主（图7E），相关系数为0.28（图7F）。

2.2.3 TVDI主控因子及交互作用

因不同因子时间序列的限制，选取2001—2022年TVDI来探究干旱演变特征的影响因素。通过分析TMP， PRE， PET， ET和LAI共5个因子对研究区TVDI年均值影响的地理探测器结果可知，各因子对盐源县干旱指数的影响强弱依次为LAI>ET>TMP>PRE>PET，其中，LAI和ET的q统计值分别为0.34，0.17，而TMP（q=0.1）、PRE（q=0.07）、PET（q=0.02）的影响相对较弱（图8A）。

盐源县TVDI空间分异驱动因子交互探测结果表明，任意2个因子的交互作用对TVDI的影响相比于单因素，均表现为增强，说明驱动因素间的交互作用会增加对TVDI空间分布变化的解释。交互作用解释力较强的是LAI， ET与其他驱动因子的协同作用，其中，LAI与其余因子的交互作用最强，如LAI∩TMP=0.39，LAI∩PRE=0.41，LAI∩PET=0.36，LAI∩ET=0.36；其次是ET与其余因子的交互作用，如ET∩TMP=0.27，ET∩PRE=0.31，ET∩PET=0.19；而TMP和PET的交互作用相对最弱，交互作用强度为0.12，表明PET和TMP对研究区干旱的影响较小（图8B）。

2.3 TVDI时空演变趋势分析

趋势分析表明（图9A），2001—2024年盐源县Hurst指数整体上持续性趋势明显，反持续性相对较弱。Hurst指数值域范围为0.29~0.77，平均值为0.56，大于0.5的区域占研究区有效总面积的76.3%，而小于0.5的区域为23.7%。

基于趋势分析，在像元尺度上分析盐源县2001—2024年TVDI变化趋势，将Theil-Sen斜率分为减少（Slope<0）和增加（Slope>0）两种情况。研究发现，盐源县TVDI呈减少和增加变化趋势的面积分别占比55.7%和44.3%，整体上表现为干旱缓解趋势（图9A）。观察图9B可知，可能增加、持续增加的面积分别为16.2%，28.1%；可能减少和持续减少的面积分别为7.4%和48.3%；从空间分布上看，研究区TVDI呈增加趋势的区域主要分布在东部、西南部以及中部，而呈减少趋势的区域主要分布在北部、东南部和西北部。

3 讨 论

3.1 盐源县TVDI时空变化特征

本文以2001—2024年的MODIS产品为数据源，从时间和空间的角度对西南典型干旱河谷区—盐源县干旱状况进行时空演变分析，构建TVDI对四川盐源地区进行长时间序列干旱动态监测，通过研究发现盐源县TVDI时空分布差异较为明显。时间上，近24年来盐源地区干旱指数整体上呈现下降趋势（p<0.001），这与前人的研究基本一致^{［3，15，18，31］}，即研究区干旱情况整体呈缓解状态。空间上，盐源县24 a的干旱状况表现出明显的差异性，整体呈东高西低、南高北低的空间分异规律，大部分区域处于TVDI下降变化趋势，吕胤锋等^［3］强调横断山区的南部干旱河谷区（如攀枝花、元谋）干旱程度整体上高于北部以及干旱河谷周围的林地干旱化趋势显著，可能与区域资源开发利用有关。其中，盐源县干旱指数面积占比以严重干旱为主，范建容等^［32］提出干旱发生可能与人类活动（如农业扩张、植被破坏）加剧区域水土流失和生态退化有关；邓锦山等^［18］指出攀西地区耕地干旱频发可能与灌溉不足或作物耗水结构相关。研究期内盐源县季节性干旱主要集中在春—夏季，这与安妮等^［7］对金沙江流域的研究一致，饶智杰等^［33］的研究也表明四川盆地夏季干旱频发。但现有研究多依赖MODIS数据，时空分辨率有限，以后可融合Sentinel等高分辨率数据^［3］；再者，由于MODIS时间序列有限，构建的TVDI时间尺度较短。因此，在未来的研究中可融合多源遥感数据和多尺度模型，进一步优化TVDI模型，实现更长时间序列的干旱指数开展区域干湿状况评估，以提升干旱监测数据的精准性与应用性。

3.2 盐源县TVDI驱动因素

探讨盐源县TVDI驱动因子对防治区域干旱化具有重大战略意义，本文采用地理探测器模型定量分析盐源县2001—2022年气象和植被因子对研究区TVDI时空演变的影响。发现研究期内LAI和ET的q统计值最高，分别为0.34，0.17，且二者整体呈现上升变化趋势，这与杨正兰等^［34］对横断山区LAI时空变化特征的研究结果一致。同时ET和LAI以及二者分别与其他因子交互作用对TVDI表现出显著影响；王慧等^［35］研究发现植被的LAI在很大程度上影响着土壤含水量的大小，从而影响区域干旱状况；Li等^［36］研究则表明PRE和LAI是控制ET变化的主导因子，而TMP则通过促进LAI的增长间接影响ET的变化。

进一步探究盐源县22年间气象因子PRE（slope=-0.42 mm/a）和TMP（slope=0.013 ℃/a）的趋势变化发现，降水减少和气温上升也是引起研究区干旱加剧的重要原因，这一结论与前人的研究发现一致^［37-38］。同时TMP和PRE， TMP和PET， PRE和PET， LAI和PET， LAI和ET的共同作用对干旱指数影响显著（p<0.05），相关系数依次为0.52，0.82，0.69，0.51，0.63，表明干旱程度与5个驱动因素以及它们复杂的相互作用有关。综上，从地理探测器分析结果可知，22年间盐源县TVDI演化趋势主要受气象与植被变化的交替影响，其中LAI和ET是主要驱动因子。这说明在盐源县干旱演变过程中气象因子和植被因子贡献较大，因此在治理干旱化过程中要结合当地实际情况，精准实施抗旱减灾等措施，以期为区域粮食安全和高质量发展提供科学依据。

4 结 论

本文采用TVDI作为监测西南干旱河谷区干旱动态变化的指标，以四川省盐源县为研究对象，基于2001—2024年的MODIS遥感数据，计算不同时空尺度上的TVDI，结合趋势分析、M-K检验及Hurst指数分析方法研究盐源县24 a的干旱时空变化特征和未来演变趋势；通过地理探测器单因子与多因子交互分析等方法，探究TVDI与TMP， PRE， PET， ET和LAI的相关性关系，揭示干旱与气象和植被要素影响下的时空演变特征。主要结论如下：

（1） 时间上，2001—2024年盐源县干旱情况整体上呈波动下降趋势，年际变化趋势为-0.000 3。近24年间盐源县TVDI最大值和最小值分别出现在2012年（0.59）和2015年（0.54），干旱情况在2003年、2007年、2012年、2017年、2019年均出现局部上升，每年各月干旱情况从1—12月呈先加剧后变缓的变化趋势。

（2） 从空间分布来看，盐源县24年间的干旱分布存在明显的差异性，整体上呈中部区域高，而周边地区的情况呈东高西低、南高北低的分布规律。研究区重旱和中旱类型面积分别约占县域面积的29.5%和22.4%，二者主要分布在东部、南部以及中部盆地的绝大部分区域。研究期内空间趋势分析结果表明盐源县整体处于干旱缓解状态，TVDI下降趋势的面积约占研究区总面积的67.5%，相对集中分布于盐源县东部和西北部；而为上升趋势的面积占比约为32.5%，散落分布于研究区中部和西南区域。

（3） 单因子探测结果表明，q统计值重要性排序依次为LAI>ET>TMP>PRE>PET， LAI和ET的q统计值分别是0.34，0.17，PET的q值为0.02，说明LAI和ET对盐源县干旱状况具有主导作用。通过因子交互探测分析，发现任意2个因子的交互作用对TVDI的影响，相比于单因素的影响，均表现为增强；LAI和PRE的交互作用对TVDI的影响程度相对最强，作用强度为0.41；PET和TMP的交互作用相对最弱，其值为0.12，在一定程度上体现出PET和TMP二者交互作用对研究区干旱指数的影响较小。

（4） 盐源县干旱时空演变趋势分析中，干旱变化趋势从西向东整体上呈先减少后增加再减少的趋势；全区不显著减少、显著减少、不显著增加和显著增加变化趋势面积占比依次为43.3%，21.3%，23.1%和12.3%。未来变化趋势表明，盐源县干旱整体上呈持续性变化，干旱可能增加、持续增加的面积分别为16.2%，28.1%，主要分布在研究区中部和东部等区域；干旱可能减少和持续减少的面积分别为7.4%，48.3%，相对集中于东南部和西北部。

参考文献

[1] Dai A G. Drought under global warming： a review［J］. Wiley Interdisciplinary Reviews： Climate Change， 2011，2（1）：45-65.

[2] 沈茂英.川西干旱河谷区生态环境建设的社会保障机制研究［J］.四川林业科技，2003，24（1）：19-25.

[3] Shen M Y. A research on the social guarantee mechanism for the ecological environment construction in arid river valleys of western Sichuan［J］. Journal of Sichuan Forestry Science and Technology， 2003，24（1）：19-25.

[4] 吕胤锋，周佳怡，孙鹏，等.基于TVDI的横断山区干旱时空演变特征及影响因子研究［J］.北京师范大学学报：自然科学版，2022，58（6）：926-935.

[5] Lü Y F， Zhou J Y， Sun P， et al. Spatial-temporal characteristics and possible impacts of drought in Hengduan Mountain： a TVDI study［J］. Journal of Beijing Normal University： Natural Science， 2022，58（6）：926-935.

[6] 周孝明，张喆，张越，等.基于TVDI的近20a吐鲁番市干旱及影响因素分析［J］.干旱区地理，2024，47（12）：2104-2114.

[7] Zhou X M， Zhang Z， Zhang Y， et al. TVDI-based analysis of drought and influencing factors in Turpan City in the last 20 years［J］. Arid Land Geography， 2024，47（12）：2104-2114.

[8] 李红勋，王玥.地球四分之三陆地因气候变化逐渐干旱［J］.生态经济，2025，41（2）：5-8.

[9] Li H X， Wang Y. Three quarters of the earth′s land is gradually dry due to climate change［J］. Ecological Economy， 2025，41（2）：5-8.

[10] 孙嘉敏，王爱慧.近120年中国干旱年际变化特征及主要的影响因子［J］.气候与环境研究，2024，29（6）：681-694.

[11] Sun J M， Wang A H. Interannual variability and key influencing factors of drought in China over the past 120 years［J］. Climatic and Environmental Research， 2024，29（6）：681-694.

[12] 安妮，张会兰，许杨，等.金沙江流域气象干旱与农业干旱的时空演变特征［J］.水土保持研究，2025，32（4）：176-188.

[13] An N， Zhang H L， Xu Y， et al. Spatiotemporal evolution characteristics of meteorological and agricultural droughts in Jinsha River Basin［J］. Research of Soil and Water Conservation， 2025，32（4）：176-188.

[14] 曹倩倩，黄生志，邓晓雅，等.中国九大流域干湿复合事件时空演变及其驱动力分析［J］.农业工程学报，2025，41（7）：111-120.

[15] Cao Q Q， Huang S Z， Deng X Y， et al. Spatial and temporal evolution of regional wet-dry compound events and their driving forces in China［J］. Transactions of the Chinese Society of Agricultural Engineering， 2025，41（7）：111-120.

[16] 覃艺，张廷斌，易桂花，等.2000年以来内蒙古生长季旱情变化遥感监测及其影响因素分析［J］.自然资源学报，2021，36（2）：459-475.

[17] Qin Y， Zhang T B， Yi G H， et al. Remote sensing monitoring and analysis of influencing factors of drought in Inner Mongolia growing season since 2000［J］. Journal of Natural Resources， 2021，36（2）：459-475.

[18] 吴英杰，全强，陈晓俊，等.2000—2018年锡林郭勒地区干旱时空变化及其气候响应［J］.干旱区地理，2020，43（5）：1289-1297.

[19] Wu Y J， Quan Q， Chen X J， et al. Temporal and spatial variations of drought and climatic response in the Xilingol grassland from 2000 to 2018［J］. Arid Land Geography， 2020，43（5）：1289-1297.

[20] 卢献健，黎振宝，晏红波，等.基于TVDI的不同类型岩溶区干旱时空演变及其影响因素分析［J］.遥感技术与应用，2024，39（3）：669-678.

[21] Lu X J， Li Z B， Yan H B， et al. Spatial-temporal evolution and influencing factors of drought in different karst areas based on TVDI［J］. Remote Sensing Technology and Application， 2024，39（3）：669-678.

[22] 吴欣睿，那晓东，臧淑英.温度植被干旱指数在2000—2015年松嫩平原土壤湿度中的应用［J］.生态学报，2019，39（12）：4432-4441.

[23] Wu X R， Na X D， Zang S Y. Application of temperature vegetation dryness index in the estimation of soil moisture of the Songnen Plain［J］. Acta Ecologica Sinica， 2019，39（12）：4432-4441.

[24] 尹本酥，李振发，岳蓉，等.基于温度植被干旱指数的关中地区旱情监测［J］.农业工程学报，2024，40（17）：111-119.

[25] Yin B S， Li Z F， Yue R， et al. Monitoring drought in Guanzhong areas using temperature-vegetation drought index［J］. Transactions of the Chinese Society of Agricultural Engineering， 2024，40（17）：111-119.

[26] 李晓鹏，李康，雷双，等.基于TVDI的新疆地区干旱时空变化特征［J］.干旱区研究，2025，42（4）：589-599.

[27] Li X P， Li K， Lei S， et al. Spatiotemporal variations in drought conditions in Xinjiang based on TVDI［J］. Arid Zone Research， 2025，42（4）：589-599.

[28] 霍红，赵轩，雷文文，等.典型干热河谷区干旱时空变化特征及驱动力分析［J］.灌溉排水学报，2025，44（7）：80-88.

[29] Huo H， Zhao X， Lei W W， et al. Spatiotemporal variability of drought in representative dry-hot valley regions of Southwest China［J］. Journal of Irrigation and Drainage， 2025，44（7）：80-88.

[30] 张治梅，雷馨雨，吴立新.基于优化温度植被干旱指数的亚热带干旱遥感分析：以鄂渝地区为例［J］.地理与地理信息科学，2025，41（3）：27-34.

[31] Zhang Z M， Lei X Y， Wu L X. Remote sensing analysis of subtropical drought based on optimized temperature vegetation drought index： a case study of Hubei-Chongqing region［J］. Geography and Geo-Information Science， 2025，41（3）：27-34.

[32] 卞耀劲，孙鹏，张强，等.横断山区极端气候变化的时空格局［J］.水利水电技术（中英文），2021，52（9）：1-15.

[33] Bian Y J， Sun P， Zhang Q， et al. Spatial distribution characteristics of extreme climatic events in the Hengduan mountains Region［J］. Water Resources and Hydropower Engineering， 2021，52（9）：1-15.

[34] 邓锦山，李卓蔓，陈尚书，等.基于TVDI的攀西地区干旱时空变化特征研究［J］.干旱地区农业研究，2024，42（1）：252-260，269.

[35] Deng J S， Li Z M， Chen S S， et al. Temporal and spatial variation characteristics of drought in Panxi region based on TVDI［J］. Agricultural Research in the Arid Areas， 2024，42（1）：252-260，269.

[36] 陈睿，孙志辉，郑永霞，等.2015年盐源盆地考古调查简报［J］.成都考古发现，2015（00）：126-142.

[37] Chen R， Sun Z H， Zheng Y X， et al. Brief report on archaeological survey of Yanyuan Basin in 2015［J］. Archaeological Discoveries in Chengdu， 2015（00）：126-142.

[38] 余茹贵，杨隆英，郭雪樱.几个中晚熟葡萄品种在盐源县的引种表现［J］.四川农业科技，2004（2）：14.

[39] Yu R G， Yang L Y， Guo X Y. Introduction performance of several mid-late ripening grape varieties in Yanyuan County［J］. Sichuan Agricultural Science and Technology， 2004（2）：14.

[40] Sandholt I， Rasmussen K， Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］. Remote Sensing of Environment， 2002，79（2/3）：213-224.

[41] Li Y T， Li Z L， Wu H， et al. Biophysical impacts of earth greening can substantially mitigate regional land surface temperature warming［J］. Nature Communications， 2023，14：121.

[42] Cong D M， Zhao S H， Chen C， et al. Characterization of droughts during 2001–2014 based on remote sensing： A case study of Northeast China［J］. Ecological Informatics， 2017，39：56-67.

[43] 赵乐鋆，王诗瑶，赵子渝，等.2008—2022年华北平原七省市AOD时空变化特征及主要影响因素分析［J］.生态环境学报，2025，34（2）：256-267.

[44] Zhao L J， Wang S Y， Zhao Z Y， et al. Spatial and temporal variation of AOD in seven provinces and cities of North China Plain from 2008 to 2022 and its main influencing factors［J］. Ecology and Environmental Sciences， 2025，34（2）：256-267.

[45] 王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.

[46] Wang J F， Xu C D. Geodetector： Principle and prospective［J］. Acta Geographica Sinica， 2017，72（1）：116-134.

[47] 孙丽蓉，周冬梅，岑国璋，等.基于地理探测器模型的疏勒河流域景观生态风险评价及驱动因素分析［J］.干旱区地理，2021，44（5）：1384-1395.

[48] Sun L R， Zhou D M， Cen G Z， et al. Landscape ecological risk assessment and driving factors of the Shule River Basin based on the geographic detector model［J］. Arid Land Geography， 2021，44（5）：1384-1395.

[49] 刘雨亭，王磊，李谢辉，等.西南地区2000—2020年植被覆盖度时空变化与影响因素分析［J］.高原气象，2024，43（1）：264-276.

[50] Liu Y T， Wang L， Li X H， et al. Analysis on spatio-temporal variability of fractional vegetation cover and influencing factors from 2000 to 2020 in southwestern China［J］. Plateau Meteorology， 2024，43（1）：264-276.

[51] 和彩霞，靖娟利，边占新，等.1982—2015年西南岩溶区NDVI时空变化及未来变化趋势［J］.桂林理工大学学报，2023，43（2）：260-268.

[52] He C X， Jing J L， Bian Z X， et al. Spatial-temporal variation of NDVI in the southwest karst areas from 1982 to 2015 and future trend［J］. Journal of Guilin University of Technology， 2023，43（2）：260-268.

[53] 刘爽，尹义星，焦阳，等.中国夏季长短周期旱涝急转的频次、强度和转换时间特征及变化研究［J］.中国农村水利水电，2026（2）：55-63.

[54] Liu S， Yin Y X， Jiao Y， et al. Study of the characteristics and changes of the frequency， intensity， and alternation timing of long-cycle and short-cycle drought-flood abrupt alternation in summer in China［J］. China Rural Water and Hydropower， 2026（2）：55-63.

[55] 李晓丽，曹敏，茆杨.基于地理探测器的西南岩溶槽谷区近20年NDVI变化特征及影响因素［J］.水土保持学报，2021，35（6）：38-44，54.

[56] Li X L， Cao M， Mao Y. Variation characteristics and influencing factors of NDVI in karst trough area of southwest China in recent 20 years based on geo-detector［J］. Journal of Soil and Water Conservation， 2021，35（6）：38-44，54.

[57] 刘观鹏，樊晶晶，赵彦芳，等.近20年中国TVDI变化特征及影响因素分析［J］.农业技术与装备，2023（3）：39-44.

[58] Liu G P， Fan J J， Zhao Y F， et al. Analysis on the spatiotemporal variation characteristics and influencing factors of China’s TVDI in the past 20 years［J］. Agricultural Technology & Equipment， 2023（3）：39-44.

[59] 范建容，杨超，包维楷，等.西南地区干旱河谷分布范围及分区统计分析［J］.山地学报，2020，38（2）：303-313.

[60] Fan J R， Yang C， Bao W K， et al. Distribution scope and district statistical analysis of dry valleys in southwest China［J］. Mountain Research， 2020，38（2）：303-313.

[61] 饶智杰，张德军，廖文超，等.基于风云3号气象卫星数据的四川盆地干旱监测［J］.沙漠与绿洲气象，2025，19（1）：49-57.

[62] Rao Z J， Zhang D J， Liao W C， et al. Drought monitoring in Sichuan Basin based on FY-3 series data［J］. Desert and Oasis Meteorology， 2025，19（1）：49-57.

[63] 杨正兰，张廷斌，易桂花，等.气候变化背景下横断山区植被叶面积指数时空变化特征分析［J］.长江流域资源与环境，2021，30（11）：2670-2681.

[64] Yang Z L， Zhang T B， Yi G H， et al. Spatio-temporal variation of vegetation LAI in Hengduan Mountains under the background of climate change［J］. Resources and Environment in the Yangtze Basin， 2021，30（11）：2670-2681.

[65] 王慧，孙亚勇，黄诗峰，等.LAI和FVC植被参数对VIC模型土壤含水量模拟的影响研究［J］.中国水利水电科学研究院学报，2018，16（2）：141-148，155.

[66] Wang H， Sun Y Y， Huang S F， et al. Study on the effects of vegetation parameters LAI and FVC on soil water content simulation using VIC model［J］. Journal of China Institute of Water Resources and Hydropower Research， 2018，16（2）：141-148，155.

[67] Li X L， Xu X F， Tian W， et al. Contribution of climate change and vegetation restoration to interannual variability of evapotranspiration in the agro-pastoral ecotone in northern China［J］. Ecological Indicators， 2023，154：110485.

[68] 尹世燕，毛方杰，周国模，等.中国亚热带干旱多尺度时空格局及演变趋势［J］.水土保持研究，2022，29（6）：242-253.

[69] Yin S Y， Mao F J， Zhou G M， et al. Multi-scalar spatiotemporal pattern and evolution trend of drought in subtropical China［J］. Research of Soil and Water Conservation， 2022，29（6）：242-253.

[70] 罗志锋，齐丹卉，欧朝蓉，等.元谋干热河谷1988—2022年参考作物蒸散量的演变趋势及其影响因素［J］.东北林业大学学报，2024，52（9）：91-98，114.

[71] Luo Z F， Qi D H， Ou C R， et al. Evolutionary trends and influencing factors of reference crop evapotranspiration in the Yuanmou dry-hot valley from 1988 to 2022［J］. Journal of Northeast Forestry University， 2024，52（9）：91-98，114.

基金资助

国家自然科学基金(41101348)

国家自然科学基金(41807075)

西华师范大学博士科研启动项目(19E066)

西华师范大学一般培育项目(416627)

西华师范大学科研创新团队(CXTD2018-10)