下载:
-
植被属于陆地生态系统中的主要组成部分，同时也是生物圈及其所在的生态系统的核心部分，它在进行气候调节、空气净化，实现水土保持等方面都发挥了重要的作用。其变化是衡量生态环境变化的重要指标之一，对全球的能量循环、物质的生物化学循环产生了重的大影响[1-4]。
极端气候事件是指某一地方的气候严重地偏离其平均状态，如年极端最低温度、极端最高温度和年极端最大降水等[5]，相对于均态气候而言，极端气候事件对气候变化的响应更加地显著。如中国的夏季和冬季气温每升高 1℃，国内的普通降水和极端降水就会分别增加15.4%与22.6%[6]，全球范围内如寒潮、冷昼及冷夜等极端冷事件的发生时间不断降低，而热浪、暖昼及暖夜等极端暖事件的发生时间却不断提高，从而也引发更多极端降水事件[7-8]。这类事件由于其突发性强、不易防范，一旦发生会对社会经济系统、自然生态系统带来强烈且显著的影响[9]。
为了使极端气候变化研究在时间和范围上具有可比性，气候变化检测与指标专家组设立了27个极端气候指数,其中包括16个极端气温指数和11个极端降水指数，这些指数已在国内外极端气候的研究中得到了广泛的应用[10]，而这27个极端气候指数大多是应用RClimDex模型进行计算[11-13]。随着全球变暖，大部分地区均表现为以暖昼、暖夜日数为代表的极端高温日数的增加，以冷昼、冷夜日数为代表的极端低温日数的减少[14]；Manton等就有研究发现东南亚地区与南太平洋地区的温暖昼夜数在增多，而寒冷昼夜数在减少[15]， Vincent等分析发现南美洲地区日最低气温与日最高气温有增加的趋势[16]。而气温的变化对植被生长也会产生必然的影响，所以，进一步地研究气候的变化及其对植被生长产生的影响是有所必要的。
目前，气侯变化对植被的动态影响的研究主要集中在平均气温、平均降水上，但植被的光合作用通常是在白天进行，储存能量，晚上则用储存的能量生长，所以，对昼夜温度变化对植被产生的影响进行研究则是十分必要的，如马利群等研究黄土高原地区得出夜间增温对植被的影响比白天增温显著[17]；但不同植被对昼夜温度变化的响应更是不同，如曾红霞等发现西北地区白天气温增高对针叶林、阔叶林、草地的生长更有利，而气温在夜间增高更有利于灌丛等植被的生长 [18]；最近几年，越来越多的学者重视对极端气候事件的研究，相比于均态气候，极端气候事件对气候的变化的响应更加明显，研究极端气温指数的昼夜变化对植被的动态影响具有一定意义。
三峡库区对于中国西部甚至整个中国来说都是一个十分特殊的地区，拥有富饶繁多的生物资源，是我国生态环境保护和生物多样性保护的重点区域之一[4, 19]。同时，三峡库区也属于我国生态环境极度脆弱及敏感的地区之一，在三峡水库修建后，库区及其周边周围植被生长受到了不同程度的影响。因此分析三峡库区极端气温的昼夜变化及其对植被的影响，以期为三峡库区的生态环境保护提供理论支持与参考。
-
三峡库区位于长江上游地段，位于105°50′E—111°40′E、28°31′N—31°44′N之间，西起重庆市江津区，东至湖北省夷陵区，面积约5.8万km²。库区属于我国第二级阶梯的东部，地势起伏较大，地貌复杂多样，有山地、丘陵、台地、平原等地形（见图1）。其气候为亚热带季风性湿润气候，该气候季节变化特征明显，年平均气温在16~18℃之间，年平均降水量集中在1000~1300 mm，雨热同期，集中在夏秋两季。
图 1 研究区区位及植被类型图
Figure 1. Location and distribution map of vegetation types in the study area
-
气象数据来自中国气象局国家气象信息中心（http://data.cma.cn/），共选取22个气象站点，并选取了2000—2019年各个气象站点的日最高气温、日最低气温、日平均气温以及日降水量等数据，并控制数据质量，具体做法为：检验日降水量为异值的数据，一天中最低气温比最高气温大的值，以及对个别缺失的数据采用相邻日期数据进行填补，以EXCEL进行统计。
-
NDVI数据源于美国国家航天局（NASA，https://adsweb.nascom.nasa.gov/）所提供的2000—2019年中分辨率成像光谱仪（MODIS）光谱反射率数据产品，产品名为MOD13A3月合成植被指数，其空间分辨率为1 km，时间分辨率为30 d，此数据集已经采用几何校正、辐射校正以及大气校正等方法进行了初步的处理。此数据集缺失了MODIS NDVI 2000年1月份的数据，因此使用2001年1月份的数据进行了填补。
-
采取国家地球系统科学数据中心（http://www.geodata.cn/）发布的2019年1km植被类型空间分布数据，主要采用的植被种类有针叶林、阔叶林、灌丛、草丛。
-
RClimDex模型是一个专门的极端气候计算模型，它是由加拿大气象局气候研究部所研发的，这种模型在国际上有一定的影响力，通过输入编好格式的逐日的降水量、逐日的最低温以及逐日的最高温数据，便可得出代表极端降水的11个指数以及代表极端气温的16个指数。其中代表昼夜极端温度变化的指数见表1[20-22]。
表 1 极端气温指数
Table 1. Overview of extreme temperature index
英文 名称 定义 单位 TN10p 冷夜日数 日最低气温低于10%分位数的日数 d TX10p 冷昼日数 日最高气温低于10%分位数的日数 d TN90p 暖夜日数 日最低气温高于90%分位数的日数 d TX90P 暖昼日数 日最高气温高于90%分位数的日数 d -
趋势分析是指时间序列的气候要素在长时期内呈现出来的持续增加或者减少的变化分析。本研究拟采用一次线性方程表示极端气候的变化趋势[23~25]，即：
$${\theta _{slope}} = \dfrac{{n*\displaystyle\sum\nolimits_{i = 1}^n {i*{T_i} - \displaystyle\sum\nolimits_{i = 1}^n {i*\displaystyle\sum\nolimits_{i = 1}^n {{T_i}} } } }}{{n*\displaystyle\sum\nolimits_{i = 1}^n {{i^2}} - {{\left( {\sum\nolimits_{i = 1}^n i } \right)}^2}}} $$ 式中，θslope表示的是线性趋势，其单位是℃·10a−1、mm·10a−1等；n研究年份；Ti表示某一年份的NDVI或极端气候指数。θslope>0表示研究对象随时间上升，θslope<0表示研究对象随时间减少，θslope的值越大代表研究对象的变化幅度就越大。
-
在MATLAB平台中利用 Pearson 相关系数来度量极端气候事件与植被覆盖之间的相关性。该方法是英国统计学家 Pearson提出的一种计算直线相关的方法。若随机变量X，Y的联合分布是二维正态分布
$\left( {{x_1},{y_1}} \right),\left( {{x_2},{y_2}} \right), \cdots ,\left( {{x_n},{y_n}} \right) $ 为n次独立观测值，r代表 Pearson 相关系数[26-27]，其计算公式为：$${\rm{r = }}\dfrac{{\displaystyle\sum\nolimits_{i = 1}^n \left( {{x_i} - \bar x} \right)\left( {{y_i} - \bar y} \right)}}{{\sqrt {\displaystyle\sum\nolimits_{i = 1}^n {{\left( {{x_i} - \bar x} \right)}^2}} \sqrt {\displaystyle\sum\nolimits_{i = 1}^n {{\left( {{y_i} - \bar y} \right)}^2}} }}$$ 其中，相关系数的取值介于[−1,1]之间，|r|越大则代表研究变量间的相关程度越高。
-
据图2，三峡库区白天与夜间的极端气温变化呈不对称性，冷夜日数（TN10p）、暖夜日数（TN90p）、冷昼日数（TX10p）和暖昼日数（TX90p）的年际变化率分别为：−6.59 d·10a−1、 6.53 d·10a−1、−2.67 d·10a−1、5.54 d·10a−1。因全球变化的原因，可以看出TN10p、TX10p两个冷指数呈现减少的趋势，TN90p、TX90p两个暖指数呈现增加的趋势；而以昼夜来看，TN10p、TN90p两个夜间温度指数的变化幅度要比TX10p、TX90p两个白天温度指数的变化幅度大。
图 2 2000~2019年三峡库区极端气温的变化趋势
Figure 2. Variation trend of extreme temperature in the Three Gorges reservoir area from 2000 to 2019
-
NDVI与TX10p在绝大部分地区呈负相关性，同时重庆东北部和东南部的相关性较大，两者的相关性多在−0.6~−0.2区间（见图3），而通过显著性检验的地区主要的分布在渝东北的奉节、巫溪、云阳、开州与渝东南丰都、石柱南部；呈正相关负相关性的地区主要在重庆主城区及湖北巴东的南部区域，但仅有27个像元通过了显著性检验，并且其零散分布。
图 3 植被与极端气温的相关系数
Figure 3. Correlation coefficient between vegetation and temperature extremes.
NDVI和TX90p多呈现正相关的关系，多集中在0.2~0.6区间（见图3），主要分布在江津区、巫山县、巫溪县以及湖北段西部等区域，通过显著性检验的区域在渝东北巫山、巫溪、奉节南部，渝东南武隆、石柱北部以及江津；呈负相关的地区主要分布在重庆主城区及其周边的涪陵北部、丰都中部，湖北宜昌的西南部地区，通过显著性检验的地区主要在丰都中部与宜昌西南部。
NDVI和TN10p几乎均为负相关的关系，渝东北部区域和渝东南部区域的相关系数相对而言较高，大多在−0.4~−0.6区间（见图3），通过显著性检验的地区主要为渝东南的丰都石柱、渝东北巫山、巫溪、奉节、云阳等地；而重庆主城区的NDVI与TN10p多呈正相关，同时通过显著性检验的像元也多分布在重庆主城区，此外在涪陵北部、巴东南部也有较为零散的地区呈正相关。
NDVI和TN90p之间多呈现出正相关性，大约有一半的地区相关系数是0.4~0.8（见图3），其中有40%的区域通过了显著性检验，表明库区内近4成地区的NDVI与TN90p之间存在极为显著的相关性，且主要集中在重庆主城周边的江津、长寿和渝东北的忠县至湖北巴东一带；呈负相关的区域为重庆主城、涪陵北部、宜昌西南部等地区，通过了显著性检验的负相关系数较少，在重庆主城及宜昌西南部有较少显著负相关地区。
通过上述分析, 可见三峡库区植被对昼夜极端气温指数的变化具有不同的响应特征, 其中NDVI对夜间极端气温指数的响应更加显著。
-
通过对三峡库区不同植被类型的NDVI与冷昼日数（TX10p）和暖昼日数（TX90p）、冷夜日数（TN10p）、暖夜日数（TN90p）的相关性分析（见表2），发现不同类型的植被对昼夜极端气温变化的相关性存在着差异。TX10p、TN10p对针叶林和草丛的生长起的阻碍作用最大，TX90p、TN90p的增加对各植被类型的生长均产生了积极的作用，且TN90p的增多所产生的积极影响更多，尤其是对阔叶林和草丛。
表 2 不同植被类型与极端气温的相关系数
Table 2. Correlation coefficient between different vegetation types and extreme temperature
植被类型 TX10p TX90p TN10p TN90p 针叶林 −0.235 0.246 −0.279 0.353* 阔叶林 −0.185 0.311* −0.241 0.384* 灌丛 −0.215 0.242 −0.254 0.349* 草丛 −0.305* 0.311 −0.354* 0.436* 注：*表示通过p<0.05显著性检验 -
三峡库区2000—2019年昼夜温度均呈上涨的趋势与全球气候变暖具有一致性，同时也引起TN10p、TX10p两个冷指数呈减少趋势，TN90p、TX90p两个暖指数呈现了增加的趋势，以昼夜为划分，TX10p、TX90p两个昼指数的变化趋势不如TN10p、TN90p两个夜指数的变化趋势明显，但是植被的光合作用通常发生在白天，夜间进行生长，因此晚上的气温变化对植被的影响作用更大，而这种昼夜指数的不对称增减对植被生长的影响程度必然会加深。
整个库区范围内，渝东北的巫山、巫溪、奉节、云阳等地及重庆主城区的核心对这四个指数的响应更加明显；渝东北地区因自然植被较多以及山地较多，植被生长对气候变化的响应较强烈，也符合植被与冷指数呈负相关、与暖指数呈正相关的一般规律，而重庆主城区的核心则因城市化高，这一区域内的植被多为栽培的观赏性植物，受人为影响的程度较高，因此重庆主城的部分地区植被与冷指数呈正相关，而与暖指数则呈负相关。而库区湖北段、重庆主城区周围的江津、涪陵、长寿等地对这四个指数的响应较弱。
以2000—2019年三峡库区内22个气象站点的逐日最高温、最低温、平均温等气象数据，归一化植被指数数据（NDVI）以及植被类型数据，采用RClimDex极端气候指数模型、趋势分析法以及Pearson相关分析法，分析了三峡库区白天与夜间极端气温的不对称变化及其对植被的动态影响，得出以下结论：
（1）三峡库区近20年来昼夜温度均为上升趋势，但夜间极端气温指数的变化幅度大于白天极端气温指数的变化幅度。
（2）三峡库区植被生长对昼夜极端气温的响应具有一定的差异性，植被对夜极端气温指数的响应比对昼极端气温指数的响应更加突出。
（3）三峡库区植被生长对昼夜极端气温的响应在空间上具有较大的差异，重庆主城区的核心以及渝东北对极端气温的响应更加明显，库区湖北段、重庆主城区周围的江津、涪陵、长寿等地对极端气温的响应较弱。
（4）三峡库区不同植被类型与昼夜极端气温具有不同的相关性，TX10p、TN10p两个冷指数对植被生长多起阻碍作用，尤其对针叶林和草丛的阻碍作用最大；TX90p、TN90p两个暖指数对各植被类型的生长均产生了积极的作用，且TN90p的增多所产生的积极影响更多，尤其是对阔叶林和草丛。
植被的动态变化会受到地形地貌、气候条件及人为因子的影响，本文主要探讨了气温和植被间的关系特征，而未将降水、地形等因素考虑进去；此外使用的归一化植被指数数据分辨率为1km，且植被类型的划分是根据2019年的数据，对结果的精度会形成一定的影响。所以在今后的研究中应对多个要素综合考虑，从而尽可能地减少误差。
Response of Vegetation to Extreme Temperature in the Three Gorges Reservoir Area
More Information-
摘要: 本文选取2000~2019年三峡库区内22个气象站点的逐日最高温、最低温、平均温等气象数据，归一化植被指数数据（NDVI）以及植被类型数据为基础，采用RClimDex极端气候指数模型、趋势分析法以及Pearson相关分析法，分析了三峡库区白天与夜间极端气温的不对称变化及其对植被的动态影响。结果表明：（1）三峡库区20年来夜间极端气温指数的变化幅度大于白天极端气温指数的变化幅度；（2）植被对极端气温指数的响应在时间上夜晚比白昼更加明显；（3）植被类型不同与昼夜极端气温的相关性不同，TX10p、TN10p两个冷指数对植被生长多起阻碍作用，尤其对针叶林和草丛的阻碍作用最大；TX90p、TN90p两个暖指数对各植被类型的生长均产生了积极的作用， TN90p的增加而产生的积极影响更多，尤其是对阔叶林和草丛。Abstract: Based on the daily meteorological data of the highest temperature, lowest temperature, average temperature data from 22 meteorological stations, normalized vegetation index data (NDVI) and vegetation type data in the Three Gorges reservoir area from 2000 to 2019, this paper analyzed the asymmetric change of extreme temperature during day and night in the Three Gorges reservoir area, and its dynamic effects on vegetation using the RClimDex extreme weather index model, trend analysis and Pearson's correlation analysis method.. The results showed that: (1) Over the past 20 years, the change range of extreme temperature index at night was greater than that during the day in the Three Gorges reservoir area; (2) The response of vegetation to the extreme temperature index at night was more pronounced than that during the day; (3) Different vegetation types had different correlations with the extreme temperature during the day and night. Two cold indexes, TX10p and TN10p, played obstructive roles on vegetation growth, especially on coniferous forest and grass. TX90p and TN90p had positive effects on the growth of all vegetation types, and TN90p had more positive effects, especially on broad-leaved forests, cultivated plants, and grasses.
-
Key words:
- The Three Gorges reservoir area;
- Temperature extremes;
- NDVI
-
图 1 研究区区位及植被类型图
Fig. 1 Location and distribution map of vegetation types in the study area
图 2 2000~2019年三峡库区极端气温的变化趋势
Fig. 2 Variation trend of extreme temperature in the Three Gorges reservoir area from 2000 to 2019
图 3 植被与极端气温的相关系数
Fig. 3 Correlation coefficient between vegetation and temperature extremes.
表 1 极端气温指数
Tab. 1 Overview of extreme temperature index
英文 名称 定义 单位 TN10p 冷夜日数 日最低气温低于10%分位数的日数 d TX10p 冷昼日数 日最高气温低于10%分位数的日数 d TN90p 暖夜日数 日最低气温高于90%分位数的日数 d TX90P 暖昼日数 日最高气温高于90%分位数的日数 d 
下载: 导出CSV
表 2 不同植被类型与极端气温的相关系数
Tab. 2 Correlation coefficient between different vegetation types and extreme temperature
植被类型 TX10p TX90p TN10p TN90p 针叶林 −0.235 0.246 −0.279 0.353* 阔叶林 −0.185 0.311* −0.241 0.384* 灌丛 −0.215 0.242 −0.254 0.349* 草丛 −0.305* 0.311 −0.354* 0.436* 注：*表示通过p<0.05显著性检验
下载: 导出CSV
-
[1] 赵安周, 张安兵, 赵延旭, 等. 基于MODISNDVI数据的陕甘宁地区植被覆盖时空变化及其对极端气候的响应[J]. 水土保持研究, 128(03): 224-231+2. [2] 田义超,梁铭忠. 北部湾沿海地区植被覆盖对气温和降水的旬响应特征[J]. 自然资源学报,2016,031(003):488−502. [3] 丛楠,沈妙根. 1982-2009年基于卫星数据的北半球中高纬地区植被春季物候动态及其与气候的关系[J]. 应用生态学报,2016(9):2737−2746. [4] 易浪,任志远,张翀,等. 黄土高原植被覆盖变化与气候和人类活动的关系[J]. 资源科学,2014,36(1):166−174. [5] 罗亚丽. 极端天气和气候事件的变化[J]. 气候变化研究进展,2012,8(02):90−98. [6] 孙建奇,敖娟. 中国冬季降水和极端降水对变暖的响应[J]. 科学通报,2013,58(08):674−679. [7] 周晓宇,赵春雨,王颖,等. 1961-2012年辽宁省极端气温事件气候变化特征[J]. 冰川冻土,2015,37(04):876−887. [8] Ozturk T, Turp M T, M Türkeş, et al. Projected changes in temperature and precipitation climatology of Central Asia CORDEX Region 8 by using RegCM4.3. 5[J]. Atmospheric Research, 2017: 183. [9] 胡宜昌,董文杰,何勇. 21世纪初极端天气气候事件研究进展[J]. 地球科学进展,2007(10):1066−1075. doi: 10.3321/j.issn:1001-8166.2007.10.011 [10] Frich P L, Alexander L, Della-Marta P, et al. Observed coherent changes in climatic extremes during 2nd half of the 20th century[J]. Climate Research, 2002, 19(3): 193−212. [11] 陈昌春,张余庆,王腊春,等. 基于RClimDex模型的江西省极端降水时空变化研究[J]. 中国农村水利水电,2013(11):41−45. doi: 10.3969/j.issn.1007-2284.2013.11.011 [12] 闫慧敏,陈伟娜,杨方兴,等. 过去50年内蒙古极端气候事件时空格局特征[J]. 地理研究,2014,33(01):13−22. [13] 唐瑜聪. 深圳市极端气候时空特征及其灾害风险评估[D]. 中国地质大学(北京), 2017. [14] Gruza G, Rankova E, Razuvaev V, et al. Indicators of Climate Change for the Russian Federation[J]. Climatic Change, 1999, 42(1): 219−242. doi: 10.1023/A:1005480719118 [15] Trends in extreme daily rainfall and temperature in Southeast Asia and the South Pacific: 1961–1998[J]. International Journal of Climatology, 2001, 21(3): 269-284. [16] Vincent L A, Peterson T C, Barros V R, et al. Observed Trends in Indices of Daily Temperature Extremes in South America 1960–2000[J]. Journal of Climate, 2005, 18(23): 5011−5023. doi: 10.1175/JCLI3589.1 [17] 马利群,秦奋,孙九林,等. 黄土高原昼夜不对称性增温及其对植被NDVI的影响[J]. 资源科学,2018,040(008):1684−1692. [18] 曾红霞,刘强,赵强. 西北地区昼夜增温的不对称性对植被动态的影响[J]. 生态环境学报,2020,29(02):260−265. [19] 曾立雄,王鹏程,肖文发,等. 三峡库区植被生物量和生产力的估算及分布格局[J]. 生态学报,2008(08):328−336. [20] 陈昌春, 张余庆, 王腊春, 等. 基于RClimDex模型的江西省极端降水时空变化研究. 中国农村水利水电, 2013, (11): 41-45. [21] 高涛,谢立安. 近50年来中国极端降水趋势与物理成因研宄综述[J]. 地球科学进展,2014,29(5):577−589. doi: 10.11867/j.issn.1001-8166.2014.05.0577 [22] 刘琳,徐宗学. 西南 5 省市极端气候指数时空分布规律研究[J]. 长江流域资源与环境,2014,23(2):294−301. doi: 10.11870/cjlyzyyhj201402020 [23] 王晓利. 中国沿海极端气候变化及其对NDVI的影响特征研究[D], 中国科学院大学, 北京, 2017. [24] 张国斌,张勃,王东,等. 近14年西南地区植被季节变化及与气候关系[J]. 遥感信息,2016,000(001):89−95. [25] 张彬,朱建军,刘华民,等. 极端降水和极端干旱事件对草原生态系统的影响[J]. 植物生态学报,2014,000(009):1008−1018. [26] 卢乔倩,江涛,柳丹丽,等. 中国不同植被覆盖类型NDVI对气温和降水的响应特征[J]. 生态环境学报,2020(1):23−34. [27] 春兰. 内蒙古极端降水指数时空变化及对植被的影响分析[D], 内蒙古师范大学内蒙古, 2019. -
点击查看大图
计量
- 文章访问数: 376
- HTML全文浏览量: 155
- PDF下载量: 17
- 被引次数: 0
