近60年來印江河流域極端氣候演變及其對凈初級生產力和歸一化植被指數的影響

吳路華,王世杰,白曉永,*,周 苗,宋小慶,田義超,羅光杰,李匯文,操 玥,李 琴,陳 飛,鄧元紅

1 銅仁學院經濟管理學院,銅仁 554300 2 中國科學院地球化學研究所,貴陽 550081 3 中國科學院大學,北京 100049 4 中國科學院普定喀斯特生態系統觀測研究站,安順 562100 5 天津大學表層地球系統科學研究院,天津 300072 6 貴州省地質礦產勘查開發局111地質大隊,貴陽 550000 7 北部灣大學資源與環境學院,欽州 535099 8 貴州省地理國情監測重點實驗室,貴陽 550018 9 西安交通大學人居環境與建筑工程學院, 西安 710049 10西安地球環境創新研究院, 西安 710061

當前,全球持續增溫,并可能在未來很長一段時間保持著變暖趨勢。全球變暖加快了水文循環,同時也增大了極端氣候事件發生的頻率和幅度,導致旱澇事件增多[1—2]。據統計,過去40年,全球氣候變化及相關的極端氣候事件所造成的經濟損失平均上升了10倍[3—4]。2007年IPCC[5]最新評估報告表明,在過去50年中,極端氣候事件特別是強降雨、極端高溫、熱浪等事件的頻率和強度分別呈現不斷增多與增強的趨勢。根據我國發布的《氣候變化國家評估報告》預測,氣候變暖可能會導致各流域未來年蒸發量增大,旱澇等災害的出現頻率增加,并加劇水資源的時空不穩定性與供需矛盾[6—7]。因此,研究極端氣候事件的發生演變規律對于緩解極端氣候事件引起的各種旱澇災害,預防和監測自然災害有重要意義,而且也是當前研究氣候變化的重點。

極端氣候的演變特征、原因和機制在各個區域乃至全球都進行了大量的研究[8—11]。這些研究發現,全球變暖導致了極端氣候事件發生頻率增大,幅度增強,且極端降雨事件卻有較大的時空差異[12—14]。在全球變暖的背景下,極端氣候事件發生的原因極其復雜,與多種因素密切相關,尤其是極端降雨事件的演變特征、未來變化情景預估以及影響極端氣候演變的因素均存在一定的復雜性、不確定性和區域差異性[15—17],這些因素導致極端氣候事件發生機理、演變過程和影響機制的研究受到了長期的制約。而現今,關于極端氣候指數的研究也主要集中在極端氣候事件發生的頻率、幅度和非穩定性變異等領域[18—21]。而在地域上也主要集中全球大尺度區域,在中國多集中于東部、北部和西北干旱半干旱地區[22—26],在喀斯特地區主要以省市等行政區為單元,而以流域尺度的研究相對缺乏。此外,長時間尺度上極端氣候的演變規律及其對流域生態環境的影響也尚不明晰,如極端氣候事件的變化趨勢、突變時間、周期性特征和未來演變規律及其對生態環境變化的影響等,這嚴重制約了喀斯特槽谷流域極端氣候事件的模擬預測,對于槽谷區流域水資源優化管理及其生態環境恢復產生了重要的影響。

鑒于此,本文以中國南方典型喀斯特槽谷區的印江河流域作為研究對象,運用Men-Kendall趨勢及突變檢驗法、連續小波變換和Hurst指數揭示了印江河流域極端氣候指數的演變趨勢、突變特征、周期性以及未來持續性特征,并利用Lindeman-Merenda-Gold模型定量評估了極端氣候對生態環境變化的相對貢獻率。研究主要解決以下三個問題:(1)闡明極端氣候指數演變特征；(2)揭示極端氣候事件之間發生演變的關聯性；(3)揭示極端氣候演變對流域生態環境的影響。研究結果可為國內同行研究極端氣候事件演變特征及其影響下的生態環境恢復和流域管理提供科學依據。

1 研究區

圖1 印江河流域海拔高程及水文氣象觀測站點Fig.1 Elevation and hydrometeorological observation stations in Yinjiang river basin

印江河流域(108°21′21″—108°47′27″E,27°53′17″—28°13′57″N)位于貴州省東北部,貴州武陵山區腹地,是印江縣喀斯特石漠化綜合治理示范區的一個典型喀斯特槽谷型流域。印江河流域隸屬于長江流域烏江水系的一個重要分支流域,面積691.56 km2。流域地形梯度大,東南高,中部和西北部相對偏低,海拔范圍439—2466 m(圖1),平均海拔1033 m。流域內擁有1個水文觀測站,1個氣象觀測站,3個雨量觀測站。槽谷區僅有一條河流,為流域主河道印江河,并經過槽谷底部。此外,還擁有從上游從梵凈山西麓流下的3條主要支流。流域地表陡峭而破碎,以順層坡和逆層坡為主。盡管印江河流域水熱條件豐富,但流域內地形起伏大,喀斯特坡面連通著大量地下裂隙管道,導致徑流和降雨地下漏失非常嚴重。此外,流域喀斯特地區植被覆蓋低,土壤淺薄,人類活動極其頻繁,水土流失嚴重,且集水區域小,河網密度低,因而流域內徑流量較小,多年平均年徑流量僅達4.62×108m3/a。由于受濕潤的亞熱帶季風氣候的影響,流域溫度高,降雨豐富,蒸發強度大,多年平均氣溫17.14℃,最高氣溫40.4℃,最低氣溫-4.1℃,多年平均降雨量和蒸發量分別高達1103.44 mm/a和667.01 mm/a,最大降水量151.5 mm/d,總降雨量以0.89 mm/a的速率上升。2000年以后,全年35℃以上的高溫天數平均達30天以上,25℃以上高溫天數達150天以上,并分別以0.3、0.12 d/a的速率上升,極端高溫和極端低溫分別以0.1℃/10a和0.3℃/10a的速率上升。極端降雨事件發生頻率總體上也有上升趨勢,在近20年來引發了非常嚴重的洪澇災害。

2 材料與方法

2.1 數據來源與預處理

本文選用典型喀斯特槽谷區印江河流域的逐日最高氣溫、最低氣溫、平均氣溫和降雨資料計算極端氣候指數,時間跨度從1961年1月1日至2015年12月31日,長達55a。氣溫數據來源于中國氣象共享平臺(http://cdc.cma.gov.cn/),雨量站及氣象站降雨數據來自于貴州省水文水資源局(http://www.gzswj.gov.cn/hydrology_gz_new/index.phtml)。所有氣象資料精度高、觀測歷時長,缺失數據少于0.01%。較少的缺失數據用同站點同期臨近時段數據的均值進行填補[27]。其中,氣溫資料利用SNHT[28—29]和TPR方法[30]進行均一化檢驗和訂正處理。數據質量控制利用R軟件程序包“RClimDex”(http://etccdi.pacificclimate.org/software.shtml)來完成。此外,在對降雨數據進行均一性檢驗時,由于日降雨噪聲較大,因而對非均一性斷點很難判斷,因此,本文先對經過對數轉換的月數據進行均一性檢驗,以此為依據,再對日降雨數據進行均一性判斷[31]。均一性檢驗利用程序包“RHtestsV4”(http://etccdi.pacificclimate.org/software.shtml)來完成。結果顯示所有數據不存在均一性斷點。最后,利用“RClimDex”程序包在R平臺[32]下進行極端氣候指數計算。此外,本文基于MATLAB平臺和C語言程序對各個極端氣候指數進行了Men-Kendall趨勢及突變檢驗、小波周期性和Hurst指數分析。

生態環境質量數據主要為2000—2015年的凈初級生產力(NPP)和歸一化植被指數(NDVI)數據。其中,NDVI是基于SPOT/VEGETATION NDVI衛星遙感數據在月數據基礎上采用最大值合成法生成的年度空間數據集[33](http://www.resdc.cn/),而NPP數據來自于MODIS17A3數據集的16天合成產品經最大值合成法形成的年度NPP產品(http://www.ntsg.umt.edu/)。兩個數據集的空間分辨率均為1000 m。

2.2 極端氣候指數計算方法

氣候變化檢測、監測和指標專家組(ETCCDMI)共定義了10個極端降雨指數和16個極端氣溫指數。本文共計算了26個極端氣候指數,以及5個根據“RClimDex”程序系統監測閾值確定的極端氣候指數[6, 34],具體包括11個極端降雨指數(表1)和20個極端氣溫指數(表2)。極端氣候指數的百分位數值分別選取90%(10%)和95%(5%)作為極端氣候指數的上下限閾值確定標準。日最高溫上限閾值為34.4℃,下限閾值為6.4℃,日最低溫上限閾值為23.8℃,下限閾值為0.6℃,日最高降雨閾值為17.3 mm。

表1 本文所使用的極端降雨指數定義

表2 本研究所使用的極端氣溫指數定義

2.3 極端氣候演變分析及貢獻評估方法

本文結合Theil-Sen趨勢分析和Mann-Kendall秩相關趨勢檢驗法分析時間序列,能夠定量地檢測時間序列的變化趨勢和顯著性[35—36]。并利用基于Morlet的連續小波分析法揭示極端氣候指數在不同時間尺度上的周期性變化特征[37—41]。最后運用Hurst指數研究極端氣候指數時間序列的長期記憶性[42—43]。為了定量描述未來趨勢性成分的強度大小,本文根據Hurst系數進行強度分級,由弱到強分為5級,具體詳見Wu 等[44]。最后,利用Lindeman-Merenda-Gold模型定量評估了極端氣候對生態環境變化的相對貢獻率[45—47],該模型能夠很好地避免回歸變量的階次效應,并準確地計算出各個因子對目標因子的相對重要性,目前已被廣泛應用于生態水文領域研究[48—49]。

3 結果分析

3.1 極端氣候演變特征

3.1.1趨勢性

大部分極端氣溫指數通過了95%置信度標準檢驗,呈現顯著性上升趨勢(圖2),系統閾值炎熱夜數(TR23.8)上升最快,上升速率為0.46 d/a,系統閾值夏日日數(SU34.4)上升速率次之,為0.30 d/a,系統閾值霜凍日數(FD0.6)下降速率最快為-0.32 d/a。這表明印江河流域極端溫度顯著上升,極端高溫事件頻率有增多趨勢。對于極端降雨指數,只有年最大連續無降雨天數(CDD)存在明顯下降趨勢,僅通過90%的顯著性檢驗。其中,年最大連續降雨天數(CWD)、年總雨日降水量(PRCPTOT)、極強降雨日數(R20)、年強降雨量(R95p)、年最大1日降雨量(Rx1day)、年最大連續5日降雨量(Rx5day)呈上升趨勢,而CDD、強降雨日數(R10)、系統閾值大雨日數(R17.3)、年極強降雨量(R99p)、年平均日降雨強度(SDII)呈現下降趨勢。此外,PRCPTOT上升速率最快,為0.90 mm/a,R95p上升次之,上升速率為0.81 mm/a,R99p下降速率最快,為-0.28 mm/a。由此可見,印江河流域極端強度降雨和連續無雨日數均有緩慢下降趨勢。此外,強降雨日數及年平均日降雨強度均減小,但降水總量增加,年最大連續降雨天數,說明年內下雨天數增多,這表明流域氣候逐漸呈現著多熱濕潤的特征。

圖2 極端氣候指數Mann-Kendall趨勢Fig.2 Mann-Kendall trend of extreme climate indexes CDD：年最大連續無降雨天數;CSDI：冷持續指數;CWD：年最大連續降雨天數;DTR：平均溫差;FD0：霜凍日數;FD0.6：系統閾值霜凍日數;GSL：生長期長度;ID0：結冰日數;ID6.4：系統閾值結冰日數;PRCPTOT：年總雨日降水量;R10：強降雨日數;R17.3：系統閾值大雨日數;R20：極強降雨日數;R95p：年強降雨量;R99p：年極強降雨量;Rx1day：年最大1日降雨量;Rx5day：年最大連續5日降雨量;SDII：年平均日降雨強度;SU25：夏日日數;SU34.4：系統閾值夏日日數;TN10p：冷夜日數;TN90p：暖夜日數;TNn：年日最低溫的最小值;TNx：年日最低溫的最大值;TR20：炎熱夜數;TR23.8：系統閾值炎熱夜數;TX10p：冷晝日數;TX90p：暖晝日數;TXn：年日最高溫的最小值;TXx：年日最高溫的最大值;WSDI：熱持續指數

3.1.2突變性

對于極端氣溫指數,除冷持續指數(CSDI)、結冰日數(ID0)、熱持續指數(WSDI)外,其他18個指數均發生了突變(圖3),但只有平均溫差(DTR)、系統閾值霜凍日數(FD0.6)和霜凍日數(FD0)三個指數突變通過了95%水平顯著性檢驗,年日最低溫的最小值(TNn)突變通過了99%水平顯著性檢驗。其他極端氣溫指數均表現為非顯著性突變特征。從突變時間上看,大部分極端氣溫指數的突變年份集中在1990和2000年左右,處于全球氣溫上升階段。對于極端降雨指數,除CWD沒有突變年份外,其他9個極端降雨指數均存在突變年份,但均沒有通過顯著性水平檢驗,突變年份在1990年以后居多,表明極端降雨事件發生受到了極端氣溫事件的影響。

圖3 極端氣候指數突變時間特征Fig.3 Abrupt change time of extreme climate indexes Z為檢驗統計量

3.1.3極端氣候指數周期性

印江河流域極端氣溫指數均存在不同時間尺度的周期性變化(圖4),主要極端氣溫指數存在著28 a左右的周期性。由于多時間尺度特征,印江河流域極端氣溫事件發生較為頻繁。對于極端降雨指數,除CWD沒有明顯的周期性外,其他的極端降雨指數均有明顯的周期性,其中CDD具有三個明顯的主周期。

從時間尺度上看,印江河流域極端降雨指數與極端氣溫指數都存在28 a時間尺度的周期性。PRCPTOT、R17.3、R20具有相同的第一主周期(28 a)和第二主周期(18 a)。CDD、R95p、R99p、Rx1day具有時間尺度為6 a的第二主周期,表明連續無雨期和極端降雨期均比較集中,且存在小時間尺度的周期性變化。此外,本文發現大部分極端氣溫指數與極端降雨指數在25—32 a時間尺度上具有10 a一次,交叉出現的偏多偏少中心。隨著年份遞增,FD0和FD0.6在各個時間尺度上的周期性均有減弱,在2000年后周期性極不明顯。而ID0周期性則越加明顯,在5 a時間尺度以下卻基本沒有周期性特征。

3.1.4未來持續性

根據Hurst指數結果(圖5、圖6),所有極端氣候指數的Hurst指數均大于0.5,呈正持續性,這表明未來印江河流域極端氣候指數將持續過去的趨勢。無論從持續等級還是持續強度上看,極端氣溫指數的持續等級更高,持續強度更強,這表明未來極端氣溫事件會增多。從持續時間看,未來極端氣溫都將有所上升,由于限制持續年份的指數不多,因而,印江河流域未來將有可能出現嚴重的連續性高溫事件。

圖5 極端氣候指數Hurst指數特征Fig.5 Characteristics of Hurst Index of extreme climate indexes R為極差序列，S為標準差序列，lg(R/S)表示對極差序列與標準差序列的比值R/S取十進對數;t為時間序列，lg(t)表示對時間序列t取十進對數

對于極端降雨指數,除CWD表現為無時間限制的增長趨勢外,其他的極端降雨指數的持續性均受到時間限制。其中PRCPTOT、R20、R95p、Rx1day和Rx5day分別為23、22、22、14、25 a,持續等級較低,持續強度較弱,這表明降雨量在未來20 a左右將會持續增多,可能引發集中性大雨,甚至洪澇事件發生。而CDD、R10、R17.3、R99p和SDII的持續時間也多為20—30 a左右的持續減小趨勢,持續等級低于III級,持續性強度分別為弱、較弱和較強等級,表明降雨量呈現持續增多,但未來極強暴雨事件頻率和降雨強度將有所減小,即干旱時段減少,而濕熱多雨事件將增多。

圖6 極端氣候指數未來持續性變化特征Fig.6 Characteristics of the continuous change of extreme climate index in the future Vn為引入的統計值，用來定量描述時間序列未來變化趨勢的平均周期;對于正持續性(H>0.5)的時間序列， Vn-lgt 曲線為上升曲線;反之，對于逆持續性(Hurst<0.5)的時間序列， Vn-lgt 曲線向下傾斜;如果Vn在Vn-lgt曲線上隨lgt的變化而出現轉折點時，歷史狀態對未來狀態的影響即將消失

此外,極端氣溫指數平均Hurst值為0.78,持續等級為IV,持續強度為強；極端降雨指數平均Hurst值為0.58,持續等級為II,持續強度為較弱。與極端降雨指數相比,極端氣溫指數未來持續等級更高,強度更強。總體來看,無論是持續性時間、持續性強度和等級,極端氣溫指數均比極端降雨指數變化顯著,這表明印江河流域極端氣溫事件的發生頻率將遠大于極端降雨事件的頻率,其氣候可能多為連續性極端高溫下濕熱多雨事件。

3.2 生態環境變化特征

由于數據時間分辨率和流域空間限制,本文以NPP和NDVI作為生態環境指標,探討2000—2015年極端氣候對生態環境變化的影響(圖7)。印江河流域NDVI平均值為0.59,總體上以0.0013/a的速率上升,2004、2007和2012年分別為NDVI的三個突變點。2000—2012年間,NDVI平均以-0.0003/a的速率降低,之后以0.0082/a的速率增長。流域平均NPP為598.53 g C m-2a-1,在研究時段內呈現減少趨勢,平均減少速率為-3.32 g C m-2a-1,在2011年達到最低值(500.81 g C m-2a-1),2004和2012年分別為NPP的兩個突變點。2000—2012年間,NPP平均以-8.46 g C m-2a-1的速率降低,之后以22.68 g C m-2a-1的速率增長。研究發現在2012年突變年份之后無論是NDIV還是NPP均有猛增的趨勢,而在之前均出現了降低趨勢,但在總體上趨勢卻相反,這表明極端氣候變化對NDVI和NPP的影響有著一定的差異。

圖7 凈初級生產力和歸一化植被指數變化特征Fig.7 Change characteristics of net primary production (NPP) and normalized difference vegetation index (NDVI)

3.3 極端氣候對生態環境變化的影響

基于NPP、NDVI與31個極端氣候指數的相關性表明同類型的極端氣候指數(極端氣溫指數或極端降雨指數)的相關性較高(圖8),且大多表現為正相關。而極端氣溫指數與極端降雨指數間的相互影響并不明顯,并多表現為負相關,且相關系數都較低。以上表明極端氣溫事件中各種單一事件之間會相互影響,且這種影響既有正面影響也有負面影響。極端降雨事件之間也存在相互影響,且均為正面影響,即不同程度的降雨事件將可能會引發其他程度的降雨事件,而極端氣溫與極端降雨事件的之間的影響極小。

對于2000—2015年間的NPP變化,DTR和CSDI與NPP的相關系數最大,冷夜日數(TN10p)次之,生長期長度(GSL)、年日最高溫的最大值(TXx)、夏日日數(SU25)、暖晝日數(TX90p)和WSDI五個極端氣溫指數也表現為正相關,其他極端氣溫指數對NPP均為負相關。此外,所有極端降雨指數均與NPP具有正相關。由于NPP呈下降趨勢,可見該時段的極端降雨指數降低限制了NPP的增長。對于NDVI,WSDI、TX90p和暖夜日數(TN90p)對 NDVI表現為較強的正相關,其他極端氣溫指數的正相關較弱,或表現為負相關。WSDI、TN90p、ID6.4與NDVI負相關最強,而極端降雨指數中,CDD和DTR與NDVI的正相關較大,部分表征強降水的極端降雨指數則表現為負相關。這表明該時段降水減少對NDVI增長有限制作用。盡管NPP和NDVI變化趨勢相反,但卻表現為正相關,表明NDVI與NPP的階段性波動變化可能都受到某種極端氣候事件的影響。

3.4 極端氣候對生態環境變化的相對貢獻

基于Lindeman-Merenda-Gold模型計算得到印江流域各極端氣候指數對NPP和NDVI的相對貢獻率(圖9)。CSDI對NPP變化的貢獻最大,其貢獻率占到了12.64%,其次為DTR,貢獻率為11.50%。此外,ID6.4、GSL、TN10p、炎熱夜數(TR20)、SDII和R17.3的貢獻也不容忽視,剩余的極端氣候指數對NPP變化的貢獻都不超過5%。ID6.4和TN90p對NDVI變化表現出較大的貢獻率,分別為13.67%和13.54%。WSDI和TX90p對NDVI變化的貢獻相對次之,分別為12.95%和10.02%。其他極端氣候指數貢獻偏小。ID6.4對NPP和NDVI均表現為較大的負貢獻,CWD、TX10p和Rx5day對NPP和NDVI都表現為較低的負貢獻。而CDD、CSDI、DTR、FD0.6、GSL、ID0、SDII、SU25、TN10p、TN90p、TX90p、TXx和WSDI對NPP和NDVI均表現為正貢獻其余的極端氣候指數對兩者則表現為相反的貢獻。總體上看,多數的極端氣溫指數對NPP累積有限制作用,而對NDVI具有促進作用,而極端降雨指數多對NDVI表現為限制作用,而對NPP表現為促進作用。

圖9 不同極端氣候指數對NPP和NDVI影響的相對貢獻率Fig.9 Relative contribution rate of different extreme climate indexes to NPP and NDVI 對于NPP,藍色表示正貢獻,黃色表示負貢獻；對于NDVI,紅色表示負貢獻,綠色表示正貢獻

4討論4.1極端氣候演變的潛在關聯性

印江河流域極端高溫、極端低溫及暖晝暖夜日數增加,冷晝冷夜日數驟減,平均溫差降低,表明白天和夜晚的極端氣溫都有升高的趨勢,且晝夜溫差呈現不斷減小。SDII減小,而PRCPTOT增加,CDD減少,而CWD增加,都表明降雨總量及連續性有雨日數均增加,而連續無雨期減少,即流域內呈現濕熱多雨氣候特征。此外,本文雖然與往研究的時間尺度有所不同,但大部分極端氣候的演變過程均與以往的研究結果較為一致[8,50—51]。GSL、CDD、ID6.4和PRCPTOT的突變年份與年總降雨量的突變年份相近(圖3)。TN10p和TXx的突變年份與DTR相近,而SDII與PRCPTOT和DTR的突變年份都比較接近。從圖8的相關性上看,同類型極端氣候指數之間都具有一定的相關性,這表明同類型極端氣候事件的發生具有一定的關聯。以往的研究表明Rx1day、Rx5day、R95p、SDII和R20之間存在良好的相關性,極端降雨指數與降水總量之間存在顯著的正相關[51—52]。這表明同類的極端氣候事件之間存在相互的影響。甚至部分極端降雨事件與極端氣溫事件也存在相互的影響,如CDD和CWD的發生分別CSDI與WSDI有關。

對于演變周期,CDD、R95p、R99p、Rx1day的第二主周期為6 a,Rx5day為9 a。而根據陳學凱等[52]研究表明,極端降水普遍存在6—7 a的主周期和10—12 a的次周期,且極端降水的周期變化與太陽黑子活動周期11 a和ENSO事件2—7 a發生周期相似[53]。TR20、TXx、年日最低溫的最大值(TNx)、SU25、GSL和DTR等具有相似的周期性演變特征,以及極長的持續時間,這也表明極端氣溫事件在演變周期上具有一定的關聯性。本文通過進一步對比研究發現,極端氣溫指數與極端降雨指數在25—32 a時間尺度間顯著的偏多中心年份也大多數對應一致,這表明極端氣溫事件與極端降雨事件在演變過程中也存在一定的關聯性。

4.2 極端氣候對植被演變的影響機制

在2000—2015年間。印江河流域NPP呈下降趨勢而NDVI呈上升趨勢,兩者具有相反的趨勢。本文通過相關系數矩陣圖(圖8)揭示了各個極端氣候指數與NPP和NDVI的相關性。極端降雨指數與NPP多呈正相關,與NDVI多呈負相關,這表明極端降水事件對NDVI和NPP增長有著不同的影響。總體上看,印江河流域極端氣候事件的發生改變了年內降水分配格局,縮短了晝夜溫差,使得氣候呈現濕熱多雨的特征。溫度升高導致的暖晝和暖夜日數增多對NDVI增長產生了積極的影響。但是對NPP卻帶來負面的作用,主要是因為暖夜日數比暖晝日數增多得快,夜晚溫度過高加快了植被呼吸強度[54—58],這可能導致植被夜晚的呼吸消耗超過白天的光合作用,進而導致NPP降低。研究中發現極端降雨事件對NDVI表現為負貢獻,而對NPP表現為正貢獻,主要是因為在2000—2011年間,極端降雨指數大多處于降低趨勢,與NDVI的變化趨勢相反,而與NPP變化趨勢相同。水分脅迫制約了植被光合作用,但是溫度升高卻延長了植被的生長期,同時也加快了呼吸消耗,因而NDVI是增長的,但是NPP是降低的。而2012—2015年間極端降雨事件頻率及降雨總量均有所增加,NDVI和NPP也相對增加,整個過程中兩者的波動特征與極端降雨指數的基本一致。然而,從相關性上看,NNPP明顯受降雨事件影響較大,而NDVI受氣溫事件影響明顯。Lindeman-Merenda-Gold模型計算結果表明TN90p、WSDI和TX90p對NDVI增長具有很大的正貢獻,超過了10%,主要是因為氣候變暖,暖夜(TN90p)和暖晝(TX90p)日數增加,加快了植被新陳代謝[59],從而促進NDVI增長。NDVI和NPP的突變年份與對其貢獻較大的極端氣候指數(CDD、R95p、DTR、SDII、SU25、SU34.4、TN10p、TN90p、TNx、TR23.8和TXx等)的突變年份接近,這也間接證實了這些極端氣候事件的影響。此外,圖7顯示NDVI和NPP在2008年和2011年左右有明顯的轉折,這主要是因為2008年1月中旬至2月中旬,印江河流域乃至中國南方均遭受了50—100年一遇的大范圍的持續低溫雨雪冰凍天氣,而在2011年又遭受了大范圍的干旱影響,低溫限制了植被參與光合作用的酶活性,進而降低葉片的光合速率,而干旱則會引發水分脅迫,導致氣孔關閉以從而水分損失,但同時也減少了CO2的吸收,降低了光合作用。低溫凝凍和干旱缺水均會導致植被生態系統損失嚴重,尤其是對NPP的影響更為顯著。由此可見,流域內NPP和NDVI均受到極端氣候變化的共同影響,但不同極端氣候事情影響貢獻也存在顯著差異。總體上看,在2000—2015年間,印江河流域濕熱多雨的氣候對NDVI增長有促進作用,但是由于溫度升高和降雨量增加的原因,植被呼吸消耗顯著增加,對NPP的累積產生了較大的負面影響。

此外,由于流域具有兩種不同的地質背景,其上游為非喀斯特區,而下游為喀斯特區。相較于非喀斯特區植被,喀斯特區植被的生長由于受到了巖性的強烈制約,植被生態系統極其脆弱[60—61]。印江河流域連續高溫和濕熱多雨的氣候會使得碳酸鹽風化更加顯著,這雖然能增加了鈣鎂等營養元素的輸入,但是由于流域破碎的地表、大量存在的裂隙和管道,土壤侵蝕極為嚴重,營養元素流失也變得更加快速。由此可見,極端氣候演變對槽谷下游喀斯特區的植被生長更加不利,因此在該地區植被恢復過程中應盡量選擇能與地質背景和氣候變化相適應的植被品種。

4.3 研究局限與展望

本文揭示了典型喀斯特槽谷區印江河流域極端氣候演變的特征及其對生態環境變化的影響貢獻。然而,本文在以下幾個方面存在著一定的局限。其一,在研究極端氣候演變互饋影響時僅通過相關分析闡明了極端氣候事件之間的相互影響,而沒有考慮多個事件的影響。極端氣候在時間尺度上可能存在著協同和競爭機制,以及時空演變過程上的不一致性,即極端氣候事件之間的影響可能會存在著重疊效應。其二,本文側重于極端氣候演變過程及其對生態環境變化的影響研究,因而缺乏深入揭示極端氣候事件發生演變的驅動因子研究。其三,本文雖然依托于典型喀斯特槽谷流域,但并沒有揭示流域內喀斯特與非喀斯特區極端氣候演變在驅動機制上的關系和區別。最后，由于流域面積較小,氣候資料難以滿足流域上游非喀斯特區與下游喀斯特區的對比研究,因而本文沒有具體闡明不同區域上極端氣候演變對植被生長的影響機理差異。下一步將重點選取兩個鄰近的非喀斯特與喀斯特流域做對比研究,以揭示不同地質背景下極端氣候演變對植被變化的驅動機制和影響貢獻。

5 結論

本文采用Mann-Kendall趨勢及突變檢驗法、連續小波變換和Hurst指數闡明了典型喀斯特槽谷印江河流域近60年來極端氣候的變化趨勢、突變時間、周期性特征和未來演變規律,并利用Lindeman-Merenda-Gold模型定量評估了極端氣候對生態環境變化的相對貢獻率。結果表明:

(1)印江河流域極端氣溫顯著上升,降雨量持續增多,極強度降雨事件和連續無雨日數均呈緩慢下降趨勢,其氣候表現為濕熱多雨的氣候特征。相對于極端降雨指數，未來極端氣溫指數的持續等級將更高,持續強度也將更強。

(2)極端氣溫指數的突變年份主要集中在1990—2000年間,極端降雨指數突變年份集中在20世紀90年代以后,大部分極端氣候指數都存在突變年份,但突變特征不顯著。大部分極端氣候指數在25—32 a時間尺度上具有交叉出現的偏多偏少中心,時間跨度約為20 a。

(3)同類型極端氣候事件具有潛在的關聯性,相關系數較高,但不同類型間的影響較小,且多呈負相關。

(4)在2000—2015年間印江河流域平均NPP和NDVI呈現相反的變化趨勢,NPP平均為598.53 g C m-2a-1,平均減少速率為-3.32 g C m-2a-1。NDVI平均值為0.59,平均增長速率為0.0013/a。從相關性看,NPP受降雨事件影響較大,而NDVI受極端氣溫事件影響明顯。

(5)CSDI、DTR、ID6.4和GSL對NPP變化的貢獻較大,貢獻率分別12.64%、11.50%、11.05%和7.4%。CSDI、DTR、GSL對NPP變化表現為負貢獻,而ID6.4表現為正貢獻,大部分極端氣候指數對NPP變化的貢獻都不超過5%。ID6.4、TN90p、WSDI和TX90p對NDVI變化的影響相對較大,貢獻率分別為13.67%、13.54%、12.95%和10.02%。總體上看,在2000—2015年間,印江河流域濕熱多雨的氣候對NDVI增長有促進作用,但由于氣溫升高和降雨量增加的原因,對NPP累積產生了較大的負面影響。