黃河流域植被對土壤水分虧缺的敏感性及影響因素分析

黃 強(qiáng)，郭雯雯，黃生志，李 沛，冷昱霖

（西安理工大學(xué)西北旱區(qū)生態(tài)水利國家重點(diǎn)實(shí)驗室，陜西西安 710048）

植被作為陸地生態(tài)系統(tǒng)的重要組成部分，其生長狀況及變化對區(qū)域生態(tài)環(huán)境具有重要指示作用。 植被通過光合作用固定有機(jī)碳，在抵消CO2排放和減緩全球變暖方面具有不可替代的作用。 葉面積指數(shù)（LAI）是表征葉片疏密程度和冠層結(jié)構(gòu)特征的一種植被指數(shù)，同時是表征土壤、植被和大氣之間物質(zhì)和能量交換的重要結(jié)構(gòu)參數(shù)，可以表征植被的生長狀態(tài)［1-2］。

受氣候變化及人類活動影響，黃河流域生態(tài)環(huán)境脆弱，針對黃河流域植被時空變化及其與氣象因子之間關(guān)系的研究較多［3-5］。 研究表明，近年來黃河流域植被面積呈增大趨勢［6-7］；王志慧等［8］研究發(fā)現(xiàn)，黃土高原58.6%的區(qū)域LAI 呈顯著增大趨勢，且LAI 增大集中在皇甫川、窟野河、無定河和延河區(qū)域；任天晨等［5］分析1982—2020 年黃河流域歸一化植被指數(shù)（NDVI）發(fā)現(xiàn)，黃河流域植被面積整體呈增大趨勢，且溫度和土地利用變化對植被的影響大于降水和地形的；QIN 等［9］評估LAI 對不同影響因子的敏感性發(fā)現(xiàn)，溫度植被干旱指數(shù)和植被水分利用效率對黃河流域LAI 的影響比較大；蘭志洋等［10］基于因果網(wǎng)絡(luò)分析發(fā)現(xiàn)，黃河流域LAI 變化受氣候要素（降水和氣溫等）的影響大于社會經(jīng)濟(jì)和土地利用要素的；李晴晴等［4］研究發(fā)現(xiàn)，季節(jié)尺度上，四季氣溫對植被覆蓋的貢獻(xiàn)均大于降水和太陽輻射的。 黃河流域土壤濕度呈減小趨勢，由土壤水分虧缺導(dǎo)致的干旱頻率和強(qiáng)度呈上升態(tài)勢，水分條件不足制約著植被生長發(fā)育［11-12］。 目前對黃河流域植被時空變化的研究較多，而關(guān)于黃河流域植被對土壤水分虧缺敏感性響應(yīng)的差異及歸因分析研究較少。 土壤水分對植被生長至關(guān)重要，土壤水分長期虧缺將減少植被根區(qū)可用水量，制約植被生理活動，進(jìn)而影響植被的結(jié)構(gòu)和功能，最終影響陸地生態(tài)系統(tǒng)的穩(wěn)定性［13-15］。 因此，在氣候變化背景下，研究黃河流域LAI 對土壤水分虧缺的敏感性，明確敏感性變化的主要驅(qū)動因子，對流域生態(tài)環(huán)境保護(hù)和高質(zhì)量發(fā)展具有重要意義。 本文以黃河流域為研究對象，基于1982—2018 年GLASS LAI 數(shù)據(jù)和氣象數(shù)據(jù)，分析黃河流域LAI 對土壤水分的響應(yīng)特征及敏感性，并探討影響敏感性變化的主導(dǎo)因素，以期為應(yīng)對水分脅迫和黃河流域生態(tài)保護(hù)提供依據(jù)。

1 研究數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

本研究采用1982—2018 年長時間序列葉面積指數(shù)（GLASS LAI，http：／／www.glass.umd.edu／Download.html）衡量植被狀態(tài)，該數(shù)據(jù)集時間分辨率為8 d，空間分辨率為0.05°×0.05°。 采用的根區(qū)土壤水（SM）和凈短波輻射（Swnet）數(shù)據(jù)來自全球陸地數(shù)據(jù)同化系統(tǒng)（GLDAS，https：／／disc.gsfc.nasa.gov／datasets？ keywords ＝GLDAS＆page ＝1），空間分辨率為0. 25° × 0. 25°。1982—2018 年逐月降水量（Pre）、逐月氣溫（Tmp）、月潛在蒸散發(fā)（Pet）和飽和水汽壓數(shù)據(jù)來自于英國東英吉利大學(xué)氣候研究中心（CRU TS v4.05），空間分辨率為0.5°×0.5°，其中氣溫和飽和水汽壓數(shù)據(jù)用來計算飽和水汽壓差（Vpd）。 植被光合有效輻射吸收系數(shù)（Fapar）數(shù)據(jù)集來源于GLASS（http：／／www.glass.umd.edu／FAPAR／AVHRR），空間分辨率為0.05°×0.05°。 為保證空間分辨率的一致性，采用最大值合成法得到月值LAI 和Fapar 數(shù)據(jù)集，LAI、Fapar、SM 和Swnet 均被重采樣至0.5°×0.5°的空間分辨率。

1.2 研究方法

1.2.1標(biāo)準(zhǔn)化土壤濕度指數(shù)

選取適當(dāng)?shù)姆植己瘮?shù)（伽馬分布、正態(tài)分布、對數(shù)正態(tài)分布、指數(shù)分布、威布爾分布、廣義極值分布）對黃河流域內(nèi)各柵格SM 時間序列進(jìn)行擬合。 根據(jù)K-S檢驗及均方根誤差最小準(zhǔn)則，選取各柵格的最優(yōu)分布函數(shù)計算各柵格SM 序列的累積概率，并對累積分布函數(shù)進(jìn)行類似標(biāo)準(zhǔn)化降水指數(shù)（SPI）的標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化土壤濕度指數(shù)（SSI）。 對于不符合上述分布的少數(shù)柵格，采用GPP 算法計算SM 的邊緣概率［16］，并在標(biāo)準(zhǔn)正態(tài)分布基礎(chǔ)上轉(zhuǎn)化得到非參數(shù)的標(biāo)準(zhǔn)化土壤濕度指數(shù)。 為評估植被對不同程度土壤水分虧缺的敏感性，對SSI 進(jìn)行分級：輕度脅迫，-1＜SSI≤-0.5；中度脅迫，-1.5＜SSI≤-1；重度脅迫，-2＜SSI≤-1.5；極端脅迫，SSI≤-2。

1.2.2Mann-Kendall 趨勢檢驗

采用Mann-Kendall 趨勢檢驗法分析LAI 逐月變化。 Mann-Kendall 趨勢檢驗是一種非參數(shù)檢驗方法，其優(yōu)點(diǎn)是樣本序列不需要遵循特定的分布，常用于檢驗變量時間序列的趨勢［17］。 具體原理如下：

式中：xi、xj分別為第i、j時間序列LAI；S為統(tǒng)計量；n為序列的長度；Z為檢驗統(tǒng)計量，Z＞0 表明序列呈上升趨勢，Z＜0 表明序列呈下降趨勢，｜Z｜≥1.96 說明序列變化趨勢通過95%顯著性檢驗。

1.2.3敏感性分析

為了研究不同程度土壤水分虧缺對植被損失的影響，同時減少季節(jié)性和其他因素的影響，對逐月LAI 序列去除線性趨勢。 植被損失定義為去趨勢LAI 低于-0.5倍標(biāo)準(zhǔn)差（-0.5SD）［18］。 例如，選取1982—2018年1 月LAI 序列，去除該序列線性趨勢，計算標(biāo)準(zhǔn)差，當(dāng)去趨勢LAI 低于-0.5SD 時，則發(fā)生植被損失。

由于地理位置、降水分布以及植被類型等不同，因此土壤水分虧缺對植被產(chǎn)生的影響通常存在一定滯后性。 采用最大Spearman 相關(guān)系數(shù)確定去趨勢LAI 和不同時間尺度SSI 的最佳響應(yīng)時間，并采用Copula 函數(shù)構(gòu)造對應(yīng)尺度SSI 與去趨勢LAI 序列的最優(yōu)聯(lián)合分布。 根據(jù)確定好的聯(lián)合分布函數(shù)計算植被損失在不同程度土壤水分虧缺（輕度、中度、重度和極端）情景下的概率，用條件概率的大小表示植被對土壤水分的敏感性。 其中，不同土壤水分虧缺時植被損失的條件概率為

式中：lai為植被損失，u1和u2分別為SSI 的上限和下限，F(xiàn)SSI，LAI為兩變量的聯(lián)合分布，F(xiàn)SSI為SSI 的邊緣分布。

1.2.4影響因素重要性

隨機(jī)森林模型是Breiman［19］提出的基于分類樹的機(jī)器學(xué)習(xí)算法，具有對多重共線性不敏感、不需要對數(shù)據(jù)進(jìn)行預(yù)處理的優(yōu)點(diǎn)。 本研究采用隨機(jī)森林回歸算法，探究黃河流域各月LAI 對土壤水分脅迫敏感的主導(dǎo)因素，選取Pre、Pet、Tmp、Fapar、Swnet 和Vpd 等因素進(jìn)行分析。 構(gòu)建敏感性與影響因素之間的隨機(jī)森林回歸模型，采用網(wǎng)格尋優(yōu)方法確定最優(yōu)參數(shù)，基于優(yōu)化參數(shù)建立模型來識別驅(qū)動因素對敏感性的響應(yīng)，得到影響因素的重要性評分，并進(jìn)一步量化影響因素的相對重要性。

2 研究結(jié)果

2.1 LAI 趨勢變化

統(tǒng)計黃河流域1982—2018 年各月LAI 年際變化趨勢（見圖1）發(fā)現(xiàn)，各月LAI 均呈增大趨勢，表明黃河流域植被狀況整體趨于改善。 其中，6—8 月LAI 增大趨勢顯著（p＜0.05，通過95%顯著性檢驗）），線性傾向率分別為0.139／10 a、0.171／10 a 和0.165／10 a。 6—8月LAI 最大值分別為1.543、1.948、1.992，最小值分別為0.886、1.183、1.250，多年平均值分別為0.911、1.611、1.664。

圖1 黃河流域1982—2018 年各月LAI 年際變化

對黃河流域1982—2018 年各月LAI 序列進(jìn)行Mann-Kendall 趨勢檢驗，結(jié)果見圖2。 4 月LAI 呈增大趨勢的區(qū)域占比增大，5 月LAI 顯著增大（p＜0.05）的區(qū)域占比最大，達(dá)92.40%，且植樹造林重點(diǎn)區(qū)增幅最大。 1—3 月、11—12 月LAI 變化趨勢的空間分布相似，在黃河流域中部的陜西北部和山西部分區(qū)域LAI呈減小趨勢，內(nèi)蒙古和黃河下游區(qū)域LAI 則呈增大趨勢。 總體來看，在植被生長季（4—10 月），研究區(qū)LAI整體呈顯著增大趨勢，其中植樹造林重點(diǎn)區(qū)LAI 的增大趨勢最為顯著。

圖2 黃河流域1982—2018 年各月LAI 趨勢檢驗結(jié)果

2.2 響應(yīng)時間

本研究采用最大Spearman 相關(guān)系數(shù)確定去趨勢LAI 和不同時間尺度SSI 的最佳響應(yīng)時間，以便更好確定植被狀態(tài)和土壤水分虧缺之間的關(guān)系。 對于每個柵格點(diǎn)，將各月去趨勢LAI 序列與多時間尺度SSI 序列（1—12 月）進(jìn)行相關(guān)性分析，最大相關(guān)系數(shù)對應(yīng)的SSI 時間尺度確定為該月植被對SSI 的響應(yīng)時間。

各月最大相關(guān)系數(shù)及其響應(yīng)時間見圖3。 5—10月相關(guān)系數(shù)逐漸增大且流域內(nèi)大多數(shù)區(qū)域LAI 與SSI正相關(guān)，正相關(guān)系數(shù)高值區(qū)位于寧夏、陜西北部及內(nèi)蒙古東部。 相較于其他幾個月份，5—8 月響應(yīng)時間短，平均響應(yīng)時間分別為4.60、3.10、3.33、4.46 個月。 較強(qiáng)的相關(guān)性與較短的響應(yīng)時間表明，5—8 月植被對土壤水分虧缺的變化敏感。 其他月份存在更長的響應(yīng)時間和更明顯的空間異質(zhì)性，說明土壤水分變化對植被作用慢，植被對土壤水分虧缺影響的抵抗力強(qiáng)。 在較冷月份黃河流域中部的陜西北部以及內(nèi)蒙古南部LAI與SSI 負(fù)相關(guān)。

圖3 去趨勢LAI 與SSI 相關(guān)系數(shù)及響應(yīng)時間

2.3 敏感性及影響因素分析

根據(jù)匹配的植被狀態(tài)和土壤水分虧缺序列，逐月分析發(fā)生土壤水分虧缺時，植被對不同程度土壤水分虧缺的敏感性，即不同程度土壤水分脅迫發(fā)生時植被損失的概率。 當(dāng)去趨勢LAI 低于-0.5SD 時，植被發(fā)生損失，植被損失在不同土壤水分虧缺程度的概率見表1、圖4。 從表1 可以看出，相同月份，隨著土壤水分脅迫程度的加劇，植被損失概率增大。 同一土壤水分虧缺程度下，6—10 月植被對土壤水分的敏感性較高。其中：6 月發(fā)生中、重、極端脅迫時植被損失概率均值最大，分別為48.59%、54.60%、60.00%。

表1 黃河流域不同土壤水分虧缺程度時植被損失概率均值%

圖4 不同土壤水分虧缺程度時植被損失發(fā)生概率

從不同程度土壤水分脅迫下植被損失概率的空間分布看，1—3 月以及12 月植被損失概率的高值區(qū)位于黃河上游，說明黃河上游在該時段內(nèi)植被對土壤水分虧缺的敏感性高。 4—11 月，隨著溫度的升高，植被損失概率高值區(qū)逐漸擴(kuò)大且東移，黃河流域內(nèi)蒙古東北部、寧夏和陜西北部是植被損失概率的高值區(qū)，這些地區(qū)植被在土壤水分脅迫發(fā)生時的易損性更高。 綜合來看，6 月和7 月植被受土壤水分虧缺的影響最大，重度脅迫發(fā)生時6 月和7 月植被損失概率的最大值分別為89.59%和96.38%，極端脅迫發(fā)生時植被損失概率的最大值分別達(dá)97.86%和98.74%。

為進(jìn)一步探析各月植被損失概率受哪種因素主導(dǎo)，采用隨機(jī)森林回歸模型分析重度脅迫和極端脅迫兩種情景下影響因素的相對重要性，結(jié)果見圖5。 重度脅迫情景下，1—3 月和12 月植被對土壤水分虧缺的敏感性受Tmp 主導(dǎo)，說明在寒冷季節(jié)植被生長對溫度變化極其敏感。 4 月和9—11 月植被對土壤水分虧缺敏感性的主導(dǎo)因素為Fapar，5 月主導(dǎo)因素為Pre，6—8 月則主要受Pet 的影響。 極端脅迫情景下植被對土壤水分虧缺敏感性的主導(dǎo)因素相對重要性與重度脅迫情景相比存在略微差異，但與重度脅迫情景下的影響因素排序類似。 以重度脅迫情景為例分析發(fā)現(xiàn)，1—3 月第二和第三影響因素分別是Fapar 和Pre，4 月第二和第三影響因素分別是Pre 和Tmp，5 月第二和第三影響因素分別為Tmp 和Pet，6—8 月第二影響因素為Pre，9 月和11 月第二和第三影響因素分別是Tmp和Pre，10 月第二和第三影響因素分別是Pre 和Vpd，12 月第二和第三影響因素分別是Swnet 和Fapar。 綜上所述，植被損失對土壤水分虧缺的敏感性在較冷月份主要受Tmp 影響，在夏季主要受Pet 和Pre 控制，在秋季受Fapar 影響最大。

圖5 兩種土壤水分脅迫情景下敏感性影響因素的相對重要性

2.4 討論

研究表明，氣候變暖背景下，土壤水分脅迫在一定程度上使得植被光合作用減弱和氣孔關(guān)閉，影響植被碳的合成進(jìn)而對植被產(chǎn)生不利影響［20-22］。 本文研究發(fā)現(xiàn)，在寒冷月份（1—3 月與12 月）植被生長主要受溫度影響。 該階段植被對土壤水分虧缺的響應(yīng)慢，由于氣溫低，植被的生理活動不活躍，對水分需求低，氣溫的變化更能增強(qiáng)植被光合作用，因此LAI 呈增大趨勢。 隨著氣溫升高，植被進(jìn)入生長季，植被冠層水分蒸散發(fā)量增大，對水分的需求增大，尤其是6—8 月，植被對土壤水分的響應(yīng)時間短，潛在蒸散發(fā)主導(dǎo)植被對土壤水分的敏感性，該階段較強(qiáng)植被蒸騰作用使土壤水分不斷消耗。 當(dāng)土壤水分低于閾值時，植被受水分脅迫的約束增大，這時土壤水分供應(yīng)不足將顯著減弱植被光合作用。

研究發(fā)現(xiàn)，黃河流域1982—2018 年LAI 呈增大趨勢，與李晴晴等［4］研究黃河流域植被呈增加態(tài)勢的結(jié)果一致，說明黃河流域生態(tài)建設(shè)工程的實(shí)施在水土流失治理和防治生態(tài)系統(tǒng)退化等方面取得了顯著成效。然而，有研究發(fā)現(xiàn)隨著植被覆蓋的增加，植被的蒸騰作用增強(qiáng)，區(qū)域耗散水量增加，進(jìn)而影響區(qū)域土壤水分和地表干燥程度，造成土層干燥，反過來抑制了植被生長，不利于黃河流域生態(tài)環(huán)境可持續(xù)發(fā)展［9，23-24］。

黃河流域水資源短缺，生態(tài)環(huán)境脆弱。 盡管生態(tài)恢復(fù)措施在一定程度上改善了區(qū)域植被生長狀況，但高植被覆蓋地區(qū)生長季的耗散水量可能會加劇水分限制地區(qū)的水資源供需矛盾，不利于區(qū)域生態(tài)可持續(xù)發(fā)展。 因此，在進(jìn)行生態(tài)保護(hù)時應(yīng)合理規(guī)劃，因地制宜，在受水分限制嚴(yán)重的地區(qū)應(yīng)避免過度植樹造林。

3 結(jié)論

以黃河流域為研究對象，基于1982—2018 年土壤濕度數(shù)據(jù)計算了標(biāo)準(zhǔn)化土壤濕度指數(shù)SSI，通過Copula函數(shù)和條件概率，根據(jù)植被損失，分析了植被葉面積指數(shù)LAI 對不同程度土壤水分虧缺的敏感性。 在此基礎(chǔ)上，分析了植被對土壤水分脅迫敏感的主導(dǎo)因素。 主要結(jié)論如下：在植被生長季（4—10 月），各月LAI 整體呈顯著增大趨勢，其中植樹造林重點(diǎn)區(qū)LAI 的增大趨勢最為顯著；黃河流域大部分區(qū)域去趨勢LAI 與SSI正相關(guān)，5—8 月LAI 對SSI 的響應(yīng)時間短，平均響應(yīng)時間分別為4.60、3.10、3.33、4.46 個月；相同植被損失條件下，隨著土壤水分脅迫程度加劇，植被損失概率增大；同一土壤水分虧缺條件下，6—10 月植被對土壤水分的敏感性高；1—3 月、12 月植被受土壤水分脅迫的敏感性高值區(qū)位于黃河上游，4—11 月植被易受損失區(qū)域位于內(nèi)蒙古東北部、寧夏和陜西北部；1—3 月和12 月植被對土壤水分虧缺的敏感性受Tmp 主導(dǎo)，4 月和9—11 月敏感性主導(dǎo)因素為Fapar，6—8 月敏感性主導(dǎo)因素為Pet。