孟印緬地區農田生產力脆弱性變化及氣候影響機制
——基于1982—2015年GIMMS3g植被指數

王春雨,王軍邦,孫曉芳,王猛,王紹強,崔惠娟

1 中國科學院地理科學與資源研究所,中國科學院生態系統網絡觀測與模擬重點實驗室,北京 100101 2 曲阜師范大學地理與旅游學院,日照 276800

近幾十年來,在自然條件變化和人類活動共同影響下,全球氣候正在經歷一場以變暖為主要特征的顯著變化[1]。氣候變化引起的生態系統脆弱性是生態系統敏感性和適應性綜合響應的結果。科學評估氣候變化對生態系統的影響,識別生態系統敏感性和脆弱性,可為生態系統管理及其可持續發展提供科學依據,是適應和減緩氣候變化影響的關鍵和基礎,也是全球環境變化和實現可持續發展研究的核心問題之一[2-3]。農田生態系統作為對氣候變化敏感的生態系統之一,極易因氣候變化改變其對外部壓力的敏感性及自身適應能力,導致氣候脆弱性上升,造成農產品減產、糧食有效供給不足,威脅區域糧食安全[4-5]。位于南亞季風區的孟加拉國、印度和緬甸是受氣候變化影響嚴重的典型農業大國[6-8],根據IPCC報告,該地區未來50年以干旱和洪澇為主的極端氣候事件發生頻率上升[9],將會對農業生產造成更大的影響和威脅[10-11]。同時,該地區作為孟中印緬經濟走廊及“一帶一路”建設的關鍵地帶與節點,對該地區農田生態系統脆弱性及氣候影響進行評估,為有效應對和減緩氣候變化影響的適應性管理和可持續發展措施的提出提供科學基礎,對保障區域糧食安全,積極推動“一帶一路”發展,支撐“孟中印緬經濟走廊”建設,具有非常重要的現實和科學意義。

系統的脆弱性被認為是系統在壓力或脅迫環境中的暴露程度、對壓力或脅迫的敏感性及系統本身對壓力或脅迫的彈性或恢復力的綜合反應[12-13]。目前,生態系統脆弱性評價面臨的主要困難之一是難以確定生態系統變化的閾值[14]。於琍等[15]從植被分布和生態系統功能兩方面,對中國陸地生態系統的脆弱性進行相應的評價,解決了生態系統變化閾值的問題。然而由于長時間序列數據資料的缺乏,對脆弱性形成的區域差異性和時間動態性研究鮮見報導[16]。

衛星遙感的歸一化植被指數(NDVI)被認為是反映植被現實狀況的指標而廣泛應用于植被動態監測等研究。GIMMS NDVI3g數據集是目前最長時間序列的NDVI數據集,已應用于全球和區域植被動態變化及對氣候變化響應研究[17-20]。累積NDVI可表征作物生產力,同時還避免了由NDVI到NPP換算引起的不確定性[21]。因此,本研究利用遙感動態監測優勢,基于年累積NDVI的變率及變化趨勢構建了農田生產力脆弱性指數,進而分析1982—2015年孟印緬三國農田生態系統脆弱性空間格局,定量分析其動態變化的氣候影響機制,以期為該地區農業適應性管理措施的提出和“孟中印緬經濟走廊”建設提供決策參考,同時為生態系統氣候脆弱性的動態研究提供新的方法。

1 數據與方法

1.1 研究區概況

研究區孟加拉國、印度和緬甸是南亞和東南亞國家,地理范圍約為68°7′—101°10′ E,8°24′—37°36′N。大部分位于低緯度地區,主要氣候類型為熱帶季風氣候,全年高溫,有明顯的旱雨季之分。孟加拉國地處恒河下游,境內多為沖擊平原,且擁有極其發達的水系,農業優勢明顯,但低平地勢易引發洪澇。印度耕地面積居亞洲之首,是世界上最大的糧食生產國之一,恒河平原和德干高原地勢平坦、土壤肥沃,是主要的農耕區。緬甸地勢北高南低,中部河谷平原非常適宜農耕(圖1)。孟印緬地區主要糧食作物為水稻、小麥和玉米,據2017年FAO統計該地區水稻產量位居世界前列。但過去50年,溫度的持續上升與雨季降雨量的減少,致使孟印緬大部分地區干旱趨勢加劇;而雨季極端降水事件顯著增加,致使印度中部、東部和孟加拉國西北部洪澇災害風險突增[9]。

圖1 基于2010年土地利用與覆蓋遙感數據產品(MOD12)的孟印緬耕地空間分布格局Fig.1 The distribution of the cultivated land from the remotely sensed land use/cover product (MOD12) in 2010 in Bangladesh, India and Myanmar

1.2 數據及處理

NDVI采用1982至2015年每半月合成的GIMMS NDVI 3g.v1數據。該數據集是NASA′ s Goddard Space Flight Center 15d合成數據,空間分辨率為0.083°×0.083°,通過分析時間序列下地物NDVI變化進行了數據集質量評價,取得了較好的驗證結果[19]。為了消除作物種植和收獲時間不一致導致的NDVI的非氣候因素引起的波動,本研究采用全年每半月NDVI值累積得到的全年總值來表征農田全年生產力,通過預處理得到空間分辨率為8km的年NDVI數據。

氣候數據來自美國國家環境預報中心(NCEP)和國家大氣研究中心(NCAR)協作提供的再分析數據集NCEP2,數據空間分辨率為1.875°×1.875°,要素包括全球逐日氣溫、降水和太陽短波輻射數據[22]。為了與NDVI數據空間分辨率相匹配且盡可能保留NDVI的空間細節信息,本文采用Zhao和Running[23]的算法將氣候數據插值為0.083°×0.083°經緯度空間分辨率,通過預處理得到時空范圍、分辨率和投影與NDVI一致的年平均氣溫、年降水量和年太陽短波輻射數據。

土地利用數據采用中分辨率成像光譜儀(MODIS)數據的土地利用/覆被變化數據產品(MOD12Q1),空間分辨率為1000m。孟印緬地區面積最大的國家—印度1985—1995年耕地面積變化小于0.1%[24],2000—2010年印度耕地面積變化幅度小于0.5%[25],耕地面積年際變化較小,因此,以2010年土地利用與覆蓋數據來提取研究區農田。

1.3 脆弱性計算與分級

以於琍等所用的系統功能特征量變率及變化趨勢定量評價法[15]為基礎,利用年累積NDVI計算農田生產力適應性、敏感性和脆弱性。該方法基于IPCC第三次評估報告中給出的脆弱性的定義,即脆弱性取決于系統對氣候變化的敏感性和系統對氣候變化的適應能力,可表達為：

V=S-A

(1)

式中,V為系統的脆弱性(Vulnerability),S為系統的敏感性(Sensitivity),A為系統的適應性(Adaptation)。V越小,表示該生態系統脆弱性越低,反之,脆弱性越高。其中敏感性S為該系統的某一方面對氣候變化的響應程度,以系統特征量相對特定時間尺度內的離散程度表示,計算公式為：

(2)

式中,Fi表示第i年的年累積NDVI,F表示在研究時段內年累積NDVI的n年平均值。

一個開放或半開放的動態系統對外界脅迫或干擾的自我調節能力被認為是系統的適應性,在對其定量化時,采用系統功能特征的變率在一定時段內的變化趨勢作為系統偏離穩定狀態的一種度量。若變率的變化趨勢減小或保持不變,則表示系統是趨向相對穩定的狀態,能夠較好地適應氣候變化;反之,則表明系統對氣候變化不適應,可能導致系統脆弱性增加。具體地,本文中適應性A采用農田年累積NDVI的相對距平在一定時段內年際變化線性擬合趨勢線的斜率來表示：

y=Ax+b

(3)

(4)

式中,y為年累積NDVI的相對距平即(Fi-F)/F,;A表示變率的變化趨勢,即系統的自適應能力,x表示給定時間段內的年序。

脆弱度分級采用1倍標準差分級法,根據研究區內V的相對大小,將研究區農田生產力脆弱性劃分為5個等級,脆弱等級范圍分別是-0.99—-0.88,-0.88—-0.48,-0.48—0.09,0.09—0.30,0.30—0.97,相應分為不脆弱、輕度脆弱、中度脆弱、高度脆弱和極度脆弱。

1.4 氣候影響機制分析方法

采用多元線性回歸分析法[26],確定氣候對農田生態系統生產力的影響程度,及降水、氣溫和太陽短波輻射變化的貢獻,進而分析農田生態系統脆弱性的氣候影響機制。具體多元線性回歸方程如式(5)所示：

F=bpP+bTT+bRR+b0

(5)

F為年累積NDVI的距平百分比,P、T、R分別為年降水、年均溫和年太陽輻射的距平百分比,bP、bT、bR為回歸系數,表征NDVI對降水、氣溫和輻射的敏感性,b0為截距?；貧w方程的復相關系數R2表示擬合的回歸方程對因變量變化的解釋能力,這里表征氣候因素對農田生產力的影響程度;回歸方程的統計顯著性水平P值為0.1。

2 結果與分析

2.1 氣候變化

1982—2015年孟印緬地區氣候變化出現變暖趨緩現象,同時降水和輻射也出現2000年前后不同的變化趨勢,從暖干化變為不顯著的變暖和變濕(圖2)。2000年前表現為暖干化趨勢,年降水量以5.7mm/a的速率減少,年均溫以0.02℃/a的速率上升,年總太陽輻射以19.8MJ/m2的速率增加;2000后降水以19.0mm/a的速率增加,溫度變化趨勢不顯著,輻射以21.0MJ/m2的速率減少;且氣候變化的空間格局存在差異。

圖2 1982—2015年孟印緬年累積NDVI、年總降水量、年平均氣溫和年太陽輻射年際變化Fig.2 The inter-annual variability of annual accumulative NDVI, annual total precipitation, annual mean temperature and annual solar radiation in Bangladesh, India and Myanmar from1982 to 2015

2.2 脆弱性格局及變化

1982—2000年,孟印緬農田生態系統以中度脆弱為主,主要分布在印度(圖3)。中度脆弱面積占整個研究區農田面積的45.37%,重度和極度脆弱區面積分別占8.43%和9.49%(圖4)。孟加拉和緬甸均以輕度脆弱和中度脆弱為主,分別占研究區農田面積的4.44%和1.75%;印度農田面積的60.14%處于中度及以上脆弱區,其中高度和極度脆弱農田比例分別為16.8%和24.15%。

相較于前一時段,2000—2015年農田脆弱程度略有上升，高度和極度脆弱比例分別上升0.42%和1.12%,但分布格局發生顯著變化,高度和極度脆弱農田分布發生北移(圖3和圖4)。如在印度,中度及以上脆弱程度農田的比例變化小于5%,但空間分布格局變化明顯,由2000年前的德干高原地區轉移到西北地區,成為主要的高度和極度脆弱區;南部農田脆弱度下降。

圖3 基于年累積NDVI的孟印緬農田生產力在1982至2000年期間和2000至2015年期間脆弱性空間格局Fig.3 The vulnerability of the period of 1982—2000 and 2000—2015 for the farmland productivity based on the annual accumulated NDVI in Bangladesh, India and Myanmar

圖4 孟印緬三國不同等級脆弱性農田占研究區農田總面積的比例Fig.4 The proportion of farmland with different vulnerability grades to the total area of farmland in the study area

2.3 氣候影響機制分析

2.3.1氣候影響程度

在象元水平上根據式(5)進行線性回歸分析,2000年前后置信度水平高于90%區域的復相關系數(R2)空間格局如圖5所示,較之前一時段,2000年后氣候變化的影響范圍略有減小,空間分布表現為向東擴展,氣候變化對農田生產力變化的解釋程度提高。置信度水平高于90%氣候變化影響區域占全區農田面積的比例減小了8.1%,其中孟加拉和緬甸占各自國家農田面積的比例分別增加了21.32%和16.73%,印度減少了10.51%;但氣候變化對全區農田生產力變化的解釋程度提高了12%,其中印度和孟加拉分別增加16%和13%,緬甸較低,近為9%(表1)。結果表明,2000年后緬甸和孟加拉國農田生產力受氣候變化影響的范圍擴大且程度增強;而印度受氣候變化影響的范圍減小但程度增強。

表1 孟印緬三國年累積NDVI距平與氣候因子距平多元線性回歸關系統計置信度90%以上區域占各國農田總面積的比例和區域平均復相差系數(R2)

Table 1 The farmland area percent of the region where the confidence level is above 90% for the linear regression between the annual accumulated NDVI and the climatic factors, and the mean multiple correlation coefficient (R2) of the corresponding area in Bangladesh, Myanmar and India

國家Country1982—20002000—2015變化Change面積 Area/%R2面積 Area/%R2面積 Area/%R2孟加拉 Bangladesh32.20.4453.50.5721.30.13印度 India43.40.4832.90.64-10.50.16緬甸 Myanmar7.60.4224.30.5116.70.09孟印緬Bangladesh,Myanmar and India41.40.4533.30.57-8.10.12

圖5 孟印緬三國農田生產力與氣候要素多元回歸模型的R2空間格局Fig.5 The spatial pattern of multiple correlation coefficient (R2) of multiple linear regression analyzed between the productivity and climate

孟印緬三國農田生產力對氣溫、降水和輻射變化響應的敏感性空間格局及其前后兩個時段的變化如圖6所示,較之前一時段,2000—2015年,氣候對全區農田生產力的影響從前期的以降水為主轉變為以氣溫為主,但緬甸受降水影響增強。印度西部和東北部農田生產力對氣溫變化的敏感度顯著增強,而印度南部對降水敏感度增強,孟加拉農田生產力對氣溫變化的敏感度顯著增強,而緬甸則對降水和輻射變化敏感。

圖6 孟印緬三國農田生產力對氣候變化響應的敏感性空間格局Fig.6 The spatial pattern of sensitivity of crop productivity to the change of climate in Bangladesh, India and Myanmar

2.3.2年降水量變化的影響

根據式(5)中降水的回歸系數(bP),研究區農田年累積NDVI對降水變化總體為正響應,且回歸系數從2000年前的0.011增大至后期的0.02,即降水較均值每增加一倍,年累積NDVI增加0.02倍(圖8);全區受降水正影響的區域從前期的53.19%擴大到2000年后的61.83%,相應地,全區受降水負影響的區域面積減少了8.6%(圖7)。前期降水負影響區主要分布在印度西部和德干高原北部與東南部,約占印度農田面積的47.6%。孟加拉國東部也是受降水負效應顯著影響的地區。2000年后孟加拉國負響應區增加了2.23%,印度減少了11.16%,緬甸增加了2.22%,降水負響應區主要分布在孟加拉國大部分地區,印度德干高原大部分地區及緬甸東部地區。

2.3.3年均溫變化的影響

整個研究區農田年累積NDVI對氣溫變化均以負響應為主,但2000年后負響應程度減弱,回歸系數(bT)由前期的-1.32降低到后期的-0.93(圖8)。1982—2000年,孟印緬年累積NDVI對溫度變化負響應的區域約占62.7%,主要集中在印度西部的印度沙漠周邊,及德干高原西北部,平均敏感程度為-2及以下范圍內,即溫度較均值每增加1倍,年累積NDVI較均值減少2倍以上(圖7)。2000年之后,除孟加拉國和印度東北部以外,孟印緬大部分地區年累積NDVI對氣溫變化表現為負響應,負響應區面積增加了6.34%,但平均敏感度有所下降。其中,印度年累積NDVI對氣溫變化負響應的高敏感(bT<-2)區面積比例降低了20.89%。

2.3.4年太陽輻射量變化的影響

除緬甸2000年前后農田生產力對輻射變化均表現為正響應以外,孟加拉國和印度在2000年前均以正響應為主,而2000年后均轉變為負響應(圖8);2000—2015年,孟印緬地區太陽輻射量對生產力的影響發生顯著變化,回歸系數bR由前期的0.75轉變為-0.71,全區80.77%的地區年累積NDVI受輻射量的負效應影響,較前期增長了68.41%(圖7)。1982—2000年,僅印度北部和西部及孟加拉國東部部分地區年累積NDVI對輻射變化表現為負響應,其余地區均為正響應。2000年后,除印度沙漠東北部部分地區和緬甸外,其余地區均以負響應為主。

圖7 孟印緬三國年累積NDVI對降水、氣溫及太陽輻射的響應及占研究區農田面積的比例Fig.7 The regression coefficiencies and area percent of the accumulated NDVI to precipitation, temperature and solar radiation in Bangladesh, India and Myanmar in the two periods of 1982—2000 and 2000—2015

圖8 孟印緬三國年累積NDVI對降水、氣溫和太陽短波輻射的平均敏感性Fig.8 The average response of farmland productivity to precipitation, temperature and solar shortwave radiation in Bangladesh, India and Myanmar

3 討論

3.1 脆弱性研究方法

損失函數法[27]、農業風險評估[28]、產量差[29]等概念以及CERES[30]、YIELD[31]作物模型和GCM、PERECIS氣候模式等被廣泛應用于農業生態系統的氣候脆弱性評價。但由于建立區域尺度跨時段的脆弱性評價指標體系較困難,有關生態系統脆弱性的動態研究較少,且多缺乏對脆弱性機理方面的探討。本研究采用國際上目前時間序列最長的基于衛星遙感的NDVI數據用于農田生產力脆弱性定量評價,能夠反映氣候變化及極端氣候事件對其影響的信息,也使農田生產力及氣候影響的空間異質性得以體現;還消除了作物耕作制度等因素導致的NDVI的波動的影響,對于認識和理解系統狀態的相對穩定程度有更明確的指示意義。

3.2 對氣候變化的敏感性

農作物對氣候變化的敏感性,主要與作物類型、品種、管理措施等有關,本研究中累積NDVI對氣候變化的響應,在2000年前后出現變化,其變化的原因在于多個方面。首先,可能是作物類型和品種發生了變化。研究表明,不同作物類型對氣候變化的響應存在差異,同種作物不同品種對氣候變化的敏感性也存在差異[32]。近年來,在國際水稻研究所(IRRI)和國際玉米小麥改良中心(CIMMYT)育種工作的支持下,印度引入耐旱水稻品種Sahbhagi dhan[33]和防銹、半矮、高產小麥品種[34],緬甸伊洛瓦底三角洲栽種如Pawsan Hmway、Pawsan Baygyar、Pharpon Pawsan等耐鹽、耐澇、深水水稻[32],在一定程度上緩解了氣候變化及極端氣候事件對糧食產量帶來的不利影響。其次,種植制度改變,如緬甸中部實行混合種植制度,以提高土壤肥力,提高作物總體產量[35],2000年后該地區農田生產力脆弱度較前一時段下降。上述表明,作物品種改良和合理的種植制度,是積極適應氣候變化的有效途徑之一。

3.3 極端氣候事件因素

除生態系統自身敏感性外,氣候變化也會影響系統的脆弱性,包括溫度和降水的自然變異與異常變化導致的極端天氣事件兩個方面的影響[36]。首先氣候變率增大導致農田生產力脆弱性升高。如在印度西部的古吉拉特邦和中部的中央邦地區,及孟加拉國西北部的拉杰沙希、北部的朗布爾和達卡專區,2000年之后這些地區氣溫和降水變率均較前一時段增大,脆弱性隨之升高;印度南部的卡納塔克邦在2000年之后對氣溫變化的敏感性減弱,對降水和輻射的敏感性增強,其脆弱性因太陽輻射變率的下降而明顯下降;緬甸中部對降水和輻射波動敏感,2000年后降水和輻射變率的降低使農田脆弱性降低,特別是曼德勒省地區。

洪澇、干旱和高溫等極端氣候事件頻發是脆弱性變化的另一個因素。如農田脆弱性長期處于較高水平的印度西部的拉賈斯坦邦,降水量相對較少,灌溉使地下水位下降,河渠干涸[37],河流流量減少降低了地下蓄水層再補給,進一步加劇農田脆弱性。孟加拉國的拉杰沙希專區降水變異系數在全國居首,局部高強度降雨和河流泛濫易引發洪水[32],至1999年,孟加拉國大約1百萬公頃耕地為高度易發洪水,近5百萬公頃耕地為中等易發洪水[38],而雨季降水量減少易引發干旱,洪澇和干旱均會加劇農田脆弱程度。同樣,在緬甸,氣候變化對當地水稻產量影響最大的是高溫和干旱極端氣候事件[35]。

應對極端氣候事件影響的有效措施之一是建設水利設施。孟加拉國近30年來年降水量持續上升,沖擊平原低地極易受季節性洪澇災害影響,基礎設施建設水平較低,導致其受降水負效應影響的范圍較前一時段有所增加。緬甸中部的曼德勒省年降水量超過了2000mm,受洪水災害影響頻繁,其后一時段受降水負效應影響面積較前一時段增加了2.22%。而印度則相反,水利工程、設施建設縮小了降水負效應的影響范圍;截至2000年,印度共建設3.36×104km堤防、3.79×104km排灌渠,使2337個城鎮受到了保護,4713個村鎮的洪水保護標準得到了提高[39]。

本研究中累積NDVI對溫度的響應既存在負響應,也存在正響應;而負響應可能與該地區的高溫脅迫有關。有研究表明,高溫會使作物光合作用減弱,會對作物籽粒灌漿造成嚴重損害,同時,高溫會導致病蟲害發生率增加以及成熟期提前導致干粒重降低而造成減產[40]。模型模擬也表明,平均氣溫在32℃以上時,溫度每上升1℃,水稻產量減少5%左右[41]。在降水量較少地區,高溫脅迫也會通過干旱放大其負效應[42-43],降水量增加時,有可能會緩解高溫脅迫[35, 44-45]。正響應區域一般是溫度較低的區域,如印度南部、喜馬拉雅南麓和孟加拉國北部地區,多年平均氣溫均低于25℃,生產力對氣溫變化表現為正響應。

由于極端氣候事件在生態系統脆弱性的形成及變化中起到重要作用,今后需針對性地開展極端氣候事件對農田生產力的影響,通過加強地面調查,選取如干旱指數和洪澇指數等進行研究。氣候變化還會通過影響作物的收獲頻率影響生產力,而且氣候變化對作物生產力的影響還會因病蟲害被放大或抑制[46]。此外,Wang等[43]的研究表明熱帶植被的光合作用在干、濕季對溫度和降水的響應存在顯著差異,因此區分干濕季進行脆弱性-氣候關系研究具有重要意義。未來要著重從以上方面開展農田生產力脆弱性研究。

3.4 土地利用變化的影響

本研究中2000—2015年孟印緬地區高度和極度脆弱農田面積及在整個研究區農田面積中所占比例較前一時段上升的原因,除受氣候要素影響程度增強以外,還可能與土地利用變化有關。林地或建設用地轉化為耕地后,其生產力脆弱性一般會增大。印度作為孟印緬三國中面積最大的國家,相關研究顯示1985—1995年耕地面積比例下降0.1%,但1995—2005年上升1.9%[24];2000—2010年,印度耕地面積以小于0.5%的幅度呈微弱增長趨勢[25],因此在本研究中土地利用變化對農田脆弱性變化的影響相對較小。

4 結論

本研究根據IPCC給定的脆弱性定義,基于長時間序列衛星遙感數據的植被指數年際變率及其變化趨勢定義生態系統功能對氣候變化的敏感性和適應性,分時段建立了孟印緬三國農田生態系統脆弱性空間分布格局,分析了氣候變化對農田生產力的影響。研究發現,2000年之后研究區農田脆弱程度較前一時段總體上升,高度和極度脆弱范圍擴大,空間分布發生北移。后一時段農田生產力受氣候影響程度較前一時段總體增強,孟加拉和緬甸地區氣候影響范圍和程度均增加,印度地區氣候影響范圍雖有所縮小,但影響程度增強。具體而言,近30年來整個研究區農田生產力對降水總體表現為正響應,對氣溫表現為負響應。而對輻射前一時段表現為正響應,后一時段轉變為負響應,不同地區、前后時段間也存在差異。農田高脆弱度的形成主要與氣候要素的高變異性有關,雖然不同地區高脆弱度形成的主導氣候要素不同,但高溫、不均勻降水及其引發的旱澇災害是兩個關鍵因素。需完善氣象綜合監測體系,加強農業災害預報與預警,加強農業基礎水利設施建設,培育和選用抗旱抗澇、耐高溫和低溫等品種也是降低農田脆弱性,有效應對氣候變化的方法之一[47]。本文基于長時間序列衛星遙感數據分析農田脆弱性的時空變化,不僅對該地區應對氣候變化提供決策依據,支撐“一帶一路”建設,同時也為其他區域開展生態系統對全球氣候變化響應及適應研究提供了很好的方法和理論參考。