近60年来印江河流域极端气候演变及其对净初级生产力和归一化植被指数的影响

吴路华,王世杰,白晓永,*,周 苗,宋小庆,田义超,罗光杰,李汇文,操 玥,李 琴,陈 飞,邓元红

1 铜仁学院经济管理学院,铜仁 554300 2 中国科学院地球化学研究所,贵阳 550081 3 中国科学院大学,北京 100049 4 中国科学院普定喀斯特生态系统观测研究站,安顺 562100 5 天津大学表层地球系统科学研究院,天津 300072 6 贵州省地质矿产勘查开发局111地质大队,贵阳 550000 7 北部湾大学资源与环境学院,钦州 535099 8 贵州省地理国情监测重点实验室,贵阳 550018 9 西安交通大学人居环境与建筑工程学院, 西安 710049 10西安地球环境创新研究院, 西安 710061

当前,全球持续增温,并可能在未来很长一段时间保持着变暖趋势。全球变暖加快了水文循环,同时也增大了极端气候事件发生的频率和幅度,导致旱涝事件增多[1—2]。据统计,过去40年,全球气候变化及相关的极端气候事件所造成的经济损失平均上升了10倍[3—4]。2007年IPCC[5]最新评估报告表明,在过去50年中,极端气候事件特别是强降雨、极端高温、热浪等事件的频率和强度分别呈现不断增多与增强的趋势。根据我国发布的《气候变化国家评估报告》预测,气候变暖可能会导致各流域未来年蒸发量增大,旱涝等灾害的出现频率增加,并加剧水资源的时空不稳定性与供需矛盾[6—7]。因此,研究极端气候事件的发生演变规律对于缓解极端气候事件引起的各种旱涝灾害,预防和监测自然灾害有重要意义,而且也是当前研究气候变化的重点。

极端气候的演变特征、原因和机制在各个区域乃至全球都进行了大量的研究[8—11]。这些研究发现,全球变暖导致了极端气候事件发生频率增大,幅度增强,且极端降雨事件却有较大的时空差异[12—14]。在全球变暖的背景下,极端气候事件发生的原因极其复杂,与多种因素密切相关,尤其是极端降雨事件的演变特征、未来变化情景预估以及影响极端气候演变的因素均存在一定的复杂性、不确定性和区域差异性[15—17],这些因素导致极端气候事件发生机理、演变过程和影响机制的研究受到了长期的制约。而现今,关于极端气候指数的研究也主要集中在极端气候事件发生的频率、幅度和非稳定性变异等领域[18—21]。而在地域上也主要集中全球大尺度区域,在中国多集中于东部、北部和西北干旱半干旱地区[22—26],在喀斯特地区主要以省市等行政区为单元,而以流域尺度的研究相对缺乏。此外,长时间尺度上极端气候的演变规律及其对流域生态环境的影响也尚不明晰,如极端气候事件的变化趋势、突变时间、周期性特征和未来演变规律及其对生态环境变化的影响等,这严重制约了喀斯特槽谷流域极端气候事件的模拟预测,对于槽谷区流域水资源优化管理及其生态环境恢复产生了重要的影响。

鉴于此,本文以中国南方典型喀斯特槽谷区的印江河流域作为研究对象,运用Men-Kendall趋势及突变检验法、连续小波变换和Hurst指数揭示了印江河流域极端气候指数的演变趋势、突变特征、周期性以及未来持续性特征,并利用Lindeman-Merenda-Gold模型定量评估了极端气候对生态环境变化的相对贡献率。研究主要解决以下三个问题:(1)阐明极端气候指数演变特征；(2)揭示极端气候事件之间发生演变的关联性；(3)揭示极端气候演变对流域生态环境的影响。研究结果可为国内同行研究极端气候事件演变特征及其影响下的生态环境恢复和流域管理提供科学依据。

1 研究区

图1 印江河流域海拔高程及水文气象观测站点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)位于贵州省东北部,贵州武陵山区腹地,是印江县喀斯特石漠化综合治理示范区的一个典型喀斯特槽谷型流域。印江河流域隶属于长江流域乌江水系的一个重要分支流域,面积691.56 km2。流域地形梯度大,东南高,中部和西北部相对偏低,海拔范围439—2466 m(图1),平均海拔1033 m。流域内拥有1个水文观测站,1个气象观测站,3个雨量观测站。槽谷区仅有一条河流,为流域主河道印江河,并经过槽谷底部。此外,还拥有从上游从梵净山西麓流下的3条主要支流。流域地表陡峭而破碎,以顺层坡和逆层坡为主。尽管印江河流域水热条件丰富,但流域内地形起伏大,喀斯特坡面连通着大量地下裂隙管道,导致径流和降雨地下漏失非常严重。此外,流域喀斯特地区植被覆盖低,土壤浅薄,人类活动极其频繁,水土流失严重,且集水区域小,河网密度低,因而流域内径流量较小,多年平均年径流量仅达4.62×108m3/a。由于受湿润的亚热带季风气候的影响,流域温度高,降雨丰富,蒸发强度大,多年平均气温17.14℃,最高气温40.4℃,最低气温-4.1℃,多年平均降雨量和蒸发量分别高达1103.44 mm/a和667.01 mm/a,最大降水量151.5 mm/d,总降雨量以0.89 mm/a的速率上升。2000年以后,全年35℃以上的高温天数平均达30天以上,25℃以上高温天数达150天以上,并分别以0.3、0.12 d/a的速率上升,极端高温和极端低温分别以0.1℃/10a和0.3℃/10a的速率上升。极端降雨事件发生频率总体上也有上升趋势,在近20年来引发了非常严重的洪涝灾害。

2 材料与方法

2.1 数据来源与预处理

本文选用典型喀斯特槽谷区印江河流域的逐日最高气温、最低气温、平均气温和降雨资料计算极端气候指数,时间跨度从1961年1月1日至2015年12月31日,长达55a。气温数据来源于中国气象共享平台(http://cdc.cma.gov.cn/),雨量站及气象站降雨数据来自于贵州省水文水资源局(http://www.gzswj.gov.cn/hydrology_gz_new/index.phtml)。所有气象资料精度高、观测历时长,缺失数据少于0.01%。较少的缺失数据用同站点同期临近时段数据的均值进行填补[27]。其中,气温资料利用SNHT[28—29]和TPR方法[30]进行均一化检验和订正处理。数据质量控制利用R软件程序包“RClimDex”(http://etccdi.pacificclimate.org/software.shtml)来完成。此外,在对降雨数据进行均一性检验时,由于日降雨噪声较大,因而对非均一性断点很难判断,因此,本文先对经过对数转换的月数据进行均一性检验,以此为依据,再对日降雨数据进行均一性判断[31]。均一性检验利用程序包“RHtestsV4”(http://etccdi.pacificclimate.org/software.shtml)来完成。结果显示所有数据不存在均一性断点。最后,利用“RClimDex”程序包在R平台[32]下进行极端气候指数计算。此外,本文基于MATLAB平台和C语言程序对各个极端气候指数进行了Men-Kendall趋势及突变检验、小波周期性和Hurst指数分析。

生态环境质量数据主要为2000—2015年的净初级生产力(NPP)和归一化植被指数(NDVI)数据。其中,NDVI是基于SPOT/VEGETATION NDVI卫星遥感数据在月数据基础上采用最大值合成法生成的年度空间数据集[33](http://www.resdc.cn/),而NPP数据来自于MODIS17A3数据集的16天合成产品经最大值合成法形成的年度NPP产品(http://www.ntsg.umt.edu/)。两个数据集的空间分辨率均为1000 m。

2.2 极端气候指数计算方法

气候变化检测、监测和指标专家组(ETCCDMI)共定义了10个极端降雨指数和16个极端气温指数。本文共计算了26个极端气候指数,以及5个根据“RClimDex”程序系统监测阈值确定的极端气候指数[6, 34],具体包括11个极端降雨指数(表1)和20个极端气温指数(表2)。极端气候指数的百分位数值分别选取90%(10%)和95%(5%)作为极端气候指数的上下限阈值确定标准。日最高温上限阈值为34.4℃,下限阈值为6.4℃,日最低温上限阈值为23.8℃,下限阈值为0.6℃,日最高降雨阈值为17.3 mm。

表1 本文所使用的极端降雨指数定义

表2 本研究所使用的极端气温指数定义

2.3 极端气候演变分析及贡献评估方法

本文结合Theil-Sen趋势分析和Mann-Kendall秩相关趋势检验法分析时间序列,能够定量地检测时间序列的变化趋势和显著性[35—36]。并利用基于Morlet的连续小波分析法揭示极端气候指数在不同时间尺度上的周期性变化特征[37—41]。最后运用Hurst指数研究极端气候指数时间序列的长期记忆性[42—43]。为了定量描述未来趋势性成分的强度大小,本文根据Hurst系数进行强度分级,由弱到强分为5级,具体详见Wu 等[44]。最后,利用Lindeman-Merenda-Gold模型定量评估了极端气候对生态环境变化的相对贡献率[45—47],该模型能够很好地避免回归变量的阶次效应,并准确地计算出各个因子对目标因子的相对重要性,目前已被广泛应用于生态水文领域研究[48—49]。

3 结果分析

3.1 极端气候演变特征

3.1.1趋势性

大部分极端气温指数通过了95%置信度标准检验,呈现显著性上升趋势(图2),系统阈值炎热夜数(TR23.8)上升最快,上升速率为0.46 d/a,系统阈值夏日日数(SU34.4)上升速率次之,为0.30 d/a,系统阈值霜冻日数(FD0.6)下降速率最快为-0.32 d/a。这表明印江河流域极端温度显著上升,极端高温事件频率有增多趋势。对于极端降雨指数,只有年最大连续无降雨天数(CDD)存在明显下降趋势,仅通过90%的显著性检验。其中,年最大连续降雨天数(CWD)、年总雨日降水量(PRCPTOT)、极强降雨日数(R20)、年强降雨量(R95p)、年最大1日降雨量(Rx1day)、年最大连续5日降雨量(Rx5day)呈上升趋势,而CDD、强降雨日数(R10)、系统阈值大雨日数(R17.3)、年极强降雨量(R99p)、年平均日降雨强度(SDII)呈现下降趋势。此外,PRCPTOT上升速率最快,为0.90 mm/a,R95p上升次之,上升速率为0.81 mm/a,R99p下降速率最快,为-0.28 mm/a。由此可见,印江河流域极端强度降雨和连续无雨日数均有缓慢下降趋势。此外,强降雨日数及年平均日降雨强度均减小,但降水总量增加,年最大连续降雨天数,说明年内下雨天数增多,这表明流域气候逐渐呈现着多热湿润的特征。

图2 极端气候指数Mann-Kendall趋势Fig.2 Mann-Kendall trend of extreme climate indexes CDD：年最大连续无降雨天数;CSDI：冷持续指数;CWD：年最大连续降雨天数;DTR：平均温差;FD0：霜冻日数;FD0.6：系统阈值霜冻日数;GSL：生长期长度;ID0：结冰日数;ID6.4：系统阈值结冰日数;PRCPTOT：年总雨日降水量;R10：强降雨日数;R17.3：系统阈值大雨日数;R20：极强降雨日数;R95p：年强降雨量;R99p：年极强降雨量;Rx1day：年最大1日降雨量;Rx5day：年最大连续5日降雨量;SDII：年平均日降雨强度;SU25：夏日日数;SU34.4：系统阈值夏日日数;TN10p：冷夜日数;TN90p：暖夜日数;TNn：年日最低温的最小值;TNx：年日最低温的最大值;TR20：炎热夜数;TR23.8：系统阈值炎热夜数;TX10p：冷昼日数;TX90p：暖昼日数;TXn：年日最高温的最小值;TXx：年日最高温的最大值;WSDI：热持续指数

3.1.2突变性

对于极端气温指数,除冷持续指数(CSDI)、结冰日数(ID0)、热持续指数(WSDI)外,其他18个指数均发生了突变(图3),但只有平均温差(DTR)、系统阈值霜冻日数(FD0.6)和霜冻日数(FD0)三个指数突变通过了95%水平显著性检验,年日最低温的最小值(TNn)突变通过了99%水平显著性检验。其他极端气温指数均表现为非显著性突变特征。从突变时间上看,大部分极端气温指数的突变年份集中在1990和2000年左右,处于全球气温上升阶段。对于极端降雨指数,除CWD没有突变年份外,其他9个极端降雨指数均存在突变年份,但均没有通过显著性水平检验,突变年份在1990年以后居多,表明极端降雨事件发生受到了极端气温事件的影响。

图3 极端气候指数突变时间特征Fig.3 Abrupt change time of extreme climate indexes Z为检验统计量

3.1.3极端气候指数周期性

印江河流域极端气温指数均存在不同时间尺度的周期性变化(图4),主要极端气温指数存在着28 a左右的周期性。由于多时间尺度特征,印江河流域极端气温事件发生较为频繁。对于极端降雨指数,除CWD没有明显的周期性外,其他的极端降雨指数均有明显的周期性,其中CDD具有三个明显的主周期。

从时间尺度上看,印江河流域极端降雨指数与极端气温指数都存在28 a时间尺度的周期性。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具有时间尺度为6 a的第二主周期,表明连续无雨期和极端降雨期均比较集中,且存在小时间尺度的周期性变化。此外,本文发现大部分极端气温指数与极端降雨指数在25—32 a时间尺度上具有10 a一次,交叉出现的偏多偏少中心。随着年份递增,FD0和FD0.6在各个时间尺度上的周期性均有减弱,在2000年后周期性极不明显。而ID0周期性则越加明显,在5 a时间尺度以下却基本没有周期性特征。

3.1.4未来持续性

根据Hurst指数结果(图5、图6),所有极端气候指数的Hurst指数均大于0.5,呈正持续性,这表明未来印江河流域极端气候指数将持续过去的趋势。无论从持续等级还是持续强度上看,极端气温指数的持续等级更高,持续强度更强,这表明未来极端气温事件会增多。从持续时间看,未来极端气温都将有所上升,由于限制持续年份的指数不多,因而,印江河流域未来将有可能出现严重的连续性高温事件。

图5 极端气候指数Hurst指数特征Fig.5 Characteristics of Hurst Index of extreme climate indexes R为极差序列，S为标准差序列，lg(R/S)表示对极差序列与标准差序列的比值R/S取十进对数;t为时间序列，lg(t)表示对时间序列t取十进对数

对于极端降雨指数,除CWD表现为无时间限制的增长趋势外,其他的极端降雨指数的持续性均受到时间限制。其中PRCPTOT、R20、R95p、Rx1day和Rx5day分别为23、22、22、14、25 a,持续等级较低,持续强度较弱,这表明降雨量在未来20 a左右将会持续增多,可能引发集中性大雨,甚至洪涝事件发生。而CDD、R10、R17.3、R99p和SDII的持续时间也多为20—30 a左右的持续减小趋势,持续等级低于III级,持续性强度分别为弱、较弱和较强等级,表明降雨量呈现持续增多,但未来极强暴雨事件频率和降雨强度将有所减小,即干旱时段减少,而湿热多雨事件将增多。

图6 极端气候指数未来持续性变化特征Fig.6 Characteristics of the continuous change of extreme climate index in the future Vn为引入的统计值，用来定量描述时间序列未来变化趋势的平均周期;对于正持续性(H>0.5)的时间序列， Vn-lgt 曲线为上升曲线;反之，对于逆持续性(Hurst<0.5)的时间序列， Vn-lgt 曲线向下倾斜;如果Vn在Vn-lgt曲线上随lgt的变化而出现转折点时，历史状态对未来状态的影响即将消失

此外,极端气温指数平均Hurst值为0.78,持续等级为IV,持续强度为强；极端降雨指数平均Hurst值为0.58,持续等级为II,持续强度为较弱。与极端降雨指数相比,极端气温指数未来持续等级更高,强度更强。总体来看,无论是持续性时间、持续性强度和等级,极端气温指数均比极端降雨指数变化显著,这表明印江河流域极端气温事件的发生频率将远大于极端降雨事件的频率,其气候可能多为连续性极端高温下湿热多雨事件。

3.2 生态环境变化特征

由于数据时间分辨率和流域空间限制,本文以NPP和NDVI作为生态环境指标,探讨2000—2015年极端气候对生态环境变化的影响(图7)。印江河流域NDVI平均值为0.59,总体上以0.0013/a的速率上升,2004、2007和2012年分别为NDVI的三个突变点。2000—2012年间,NDVI平均以-0.0003/a的速率降低,之后以0.0082/a的速率增长。流域平均NPP为598.53 g C m-2a-1,在研究时段内呈现减少趋势,平均减少速率为-3.32 g C m-2a-1,在2011年达到最低值(500.81 g C m-2a-1),2004和2012年分别为NPP的两个突变点。2000—2012年间,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的速率增长。研究发现在2012年突变年份之后无论是NDIV还是NPP均有猛增的趋势,而在之前均出现了降低趋势,但在总体上趋势却相反,这表明极端气候变化对NDVI和NPP的影响有着一定的差异。

图7 净初级生产力和归一化植被指数变化特征Fig.7 Change characteristics of net primary production (NPP) and normalized difference vegetation index (NDVI)

3.3 极端气候对生态环境变化的影响

基于NPP、NDVI与31个极端气候指数的相关性表明同类型的极端气候指数(极端气温指数或极端降雨指数)的相关性较高(图8),且大多表现为正相关。而极端气温指数与极端降雨指数间的相互影响并不明显,并多表现为负相关,且相关系数都较低。以上表明极端气温事件中各种单一事件之间会相互影响,且这种影响既有正面影响也有负面影响。极端降雨事件之间也存在相互影响,且均为正面影响,即不同程度的降雨事件将可能会引发其他程度的降雨事件,而极端气温与极端降雨事件的之间的影响极小。

对于2000—2015年间的NPP变化,DTR和CSDI与NPP的相关系数最大,冷夜日数(TN10p)次之,生长期长度(GSL)、年日最高温的最大值(TXx)、夏日日数(SU25)、暖昼日数(TX90p)和WSDI五个极端气温指数也表现为正相关,其他极端气温指数对NPP均为负相关。此外,所有极端降雨指数均与NPP具有正相关。由于NPP呈下降趋势,可见该时段的极端降雨指数降低限制了NPP的增长。对于NDVI,WSDI、TX90p和暖夜日数(TN90p)对 NDVI表现为较强的正相关,其他极端气温指数的正相关较弱,或表现为负相关。WSDI、TN90p、ID6.4与NDVI负相关最强,而极端降雨指数中,CDD和DTR与NDVI的正相关较大,部分表征强降水的极端降雨指数则表现为负相关。这表明该时段降水减少对NDVI增长有限制作用。尽管NPP和NDVI变化趋势相反,但却表现为正相关,表明NDVI与NPP的阶段性波动变化可能都受到某种极端气候事件的影响。

3.4 极端气候对生态环境变化的相对贡献

基于Lindeman-Merenda-Gold模型计算得到印江流域各极端气候指数对NPP和NDVI的相对贡献率(图9)。CSDI对NPP变化的贡献最大,其贡献率占到了12.64%,其次为DTR,贡献率为11.50%。此外,ID6.4、GSL、TN10p、炎热夜数(TR20)、SDII和R17.3的贡献也不容忽视,剩余的极端气候指数对NPP变化的贡献都不超过5%。ID6.4和TN90p对NDVI变化表现出较大的贡献率,分别为13.67%和13.54%。WSDI和TX90p对NDVI变化的贡献相对次之,分别为12.95%和10.02%。其他极端气候指数贡献偏小。ID6.4对NPP和NDVI均表现为较大的负贡献,CWD、TX10p和Rx5day对NPP和NDVI都表现为较低的负贡献。而CDD、CSDI、DTR、FD0.6、GSL、ID0、SDII、SU25、TN10p、TN90p、TX90p、TXx和WSDI对NPP和NDVI均表现为正贡献其余的极端气候指数对两者则表现为相反的贡献。总体上看,多数的极端气温指数对NPP累积有限制作用,而对NDVI具有促进作用,而极端降雨指数多对NDVI表现为限制作用,而对NPP表现为促进作用。

图9 不同极端气候指数对NPP和NDVI影响的相对贡献率Fig.9 Relative contribution rate of different extreme climate indexes to NPP and NDVI 对于NPP,蓝色表示正贡献,黄色表示负贡献；对于NDVI,红色表示负贡献,绿色表示正贡献

4讨论4.1极端气候演变的潜在关联性

印江河流域极端高温、极端低温及暖昼暖夜日数增加,冷昼冷夜日数骤减,平均温差降低,表明白天和夜晚的极端气温都有升高的趋势,且昼夜温差呈现不断减小。SDII减小,而PRCPTOT增加,CDD减少,而CWD增加,都表明降雨总量及连续性有雨日数均增加,而连续无雨期减少,即流域内呈现湿热多雨气候特征。此外,本文虽然与往研究的时间尺度有所不同,但大部分极端气候的演变过程均与以往的研究结果较为一致[8,50—51]。GSL、CDD、ID6.4和PRCPTOT的突变年份与年总降雨量的突变年份相近(图3)。TN10p和TXx的突变年份与DTR相近,而SDII与PRCPTOT和DTR的突变年份都比较接近。从图8的相关性上看,同类型极端气候指数之间都具有一定的相关性,这表明同类型极端气候事件的发生具有一定的关联。以往的研究表明Rx1day、Rx5day、R95p、SDII和R20之间存在良好的相关性,极端降雨指数与降水总量之间存在显著的正相关[51—52]。这表明同类的极端气候事件之间存在相互的影响。甚至部分极端降雨事件与极端气温事件也存在相互的影响,如CDD和CWD的发生分别CSDI与WSDI有关。

对于演变周期,CDD、R95p、R99p、Rx1day的第二主周期为6 a,Rx5day为9 a。而根据陈学凯等[52]研究表明,极端降水普遍存在6—7 a的主周期和10—12 a的次周期,且极端降水的周期变化与太阳黑子活动周期11 a和ENSO事件2—7 a发生周期相似[53]。TR20、TXx、年日最低温的最大值(TNx)、SU25、GSL和DTR等具有相似的周期性演变特征,以及极长的持续时间,这也表明极端气温事件在演变周期上具有一定的关联性。本文通过进一步对比研究发现,极端气温指数与极端降雨指数在25—32 a时间尺度间显著的偏多中心年份也大多数对应一致,这表明极端气温事件与极端降雨事件在演变过程中也存在一定的关联性。

4.2 极端气候对植被演变的影响机制

在2000—2015年间。印江河流域NPP呈下降趋势而NDVI呈上升趋势,两者具有相反的趋势。本文通过相关系数矩阵图(图8)揭示了各个极端气候指数与NPP和NDVI的相关性。极端降雨指数与NPP多呈正相关,与NDVI多呈负相关,这表明极端降水事件对NDVI和NPP增长有着不同的影响。总体上看,印江河流域极端气候事件的发生改变了年内降水分配格局,缩短了昼夜温差,使得气候呈现湿热多雨的特征。温度升高导致的暖昼和暖夜日数增多对NDVI增长产生了积极的影响。但是对NPP却带来负面的作用,主要是因为暖夜日数比暖昼日数增多得快,夜晚温度过高加快了植被呼吸强度[54—58],这可能导致植被夜晚的呼吸消耗超过白天的光合作用,进而导致NPP降低。研究中发现极端降雨事件对NDVI表现为负贡献,而对NPP表现为正贡献,主要是因为在2000—2011年间,极端降雨指数大多处于降低趋势,与NDVI的变化趋势相反,而与NPP变化趋势相同。水分胁迫制约了植被光合作用,但是温度升高却延长了植被的生长期,同时也加快了呼吸消耗,因而NDVI是增长的,但是NPP是降低的。而2012—2015年间极端降雨事件频率及降雨总量均有所增加,NDVI和NPP也相对增加,整个过程中两者的波动特征与极端降雨指数的基本一致。然而,从相关性上看,NNPP明显受降雨事件影响较大,而NDVI受气温事件影响明显。Lindeman-Merenda-Gold模型计算结果表明TN90p、WSDI和TX90p对NDVI增长具有很大的正贡献,超过了10%,主要是因为气候变暖,暖夜(TN90p)和暖昼(TX90p)日数增加,加快了植被新陈代谢[59],从而促进NDVI增长。NDVI和NPP的突变年份与对其贡献较大的极端气候指数(CDD、R95p、DTR、SDII、SU25、SU34.4、TN10p、TN90p、TNx、TR23.8和TXx等)的突变年份接近,这也间接证实了这些极端气候事件的影响。此外,图7显示NDVI和NPP在2008年和2011年左右有明显的转折,这主要是因为2008年1月中旬至2月中旬,印江河流域乃至中国南方均遭受了50—100年一遇的大范围的持续低温雨雪冰冻天气,而在2011年又遭受了大范围的干旱影响,低温限制了植被参与光合作用的酶活性,进而降低叶片的光合速率,而干旱则会引发水分胁迫,导致气孔关闭以从而水分损失,但同时也减少了CO2的吸收,降低了光合作用。低温凝冻和干旱缺水均会导致植被生态系统损失严重,尤其是对NPP的影响更为显著。由此可见,流域内NPP和NDVI均受到极端气候变化的共同影响,但不同极端气候事情影响贡献也存在显著差异。总体上看,在2000—2015年间,印江河流域湿热多雨的气候对NDVI增长有促进作用,但是由于温度升高和降雨量增加的原因,植被呼吸消耗显著增加,对NPP的累积产生了较大的负面影响。

此外,由于流域具有两种不同的地质背景,其上游为非喀斯特区,而下游为喀斯特区。相较于非喀斯特区植被,喀斯特区植被的生长由于受到了岩性的强烈制约,植被生态系统极其脆弱[60—61]。印江河流域连续高温和湿热多雨的气候会使得碳酸盐风化更加显著,这虽然能增加了钙镁等营养元素的输入,但是由于流域破碎的地表、大量存在的裂隙和管道,土壤侵蚀极为严重,营养元素流失也变得更加快速。由此可见,极端气候演变对槽谷下游喀斯特区的植被生长更加不利,因此在该地区植被恢复过程中应尽量选择能与地质背景和气候变化相适应的植被品种。

4.3 研究局限与展望

本文揭示了典型喀斯特槽谷区印江河流域极端气候演变的特征及其对生态环境变化的影响贡献。然而,本文在以下几个方面存在着一定的局限。其一,在研究极端气候演变互馈影响时仅通过相关分析阐明了极端气候事件之间的相互影响,而没有考虑多个事件的影响。极端气候在时间尺度上可能存在着协同和竞争机制,以及时空演变过程上的不一致性,即极端气候事件之间的影响可能会存在着重叠效应。其二,本文侧重于极端气候演变过程及其对生态环境变化的影响研究,因而缺乏深入揭示极端气候事件发生演变的驱动因子研究。其三,本文虽然依托于典型喀斯特槽谷流域,但并没有揭示流域内喀斯特与非喀斯特区极端气候演变在驱动机制上的关系和区别。最后，由于流域面积较小,气候资料难以满足流域上游非喀斯特区与下游喀斯特区的对比研究,因而本文没有具体阐明不同区域上极端气候演变对植被生长的影响机理差异。下一步将重点选取两个邻近的非喀斯特与喀斯特流域做对比研究,以揭示不同地质背景下极端气候演变对植被变化的驱动机制和影响贡献。

5 结论

本文采用Mann-Kendall趋势及突变检验法、连续小波变换和Hurst指数阐明了典型喀斯特槽谷印江河流域近60年来极端气候的变化趋势、突变时间、周期性特征和未来演变规律,并利用Lindeman-Merenda-Gold模型定量评估了极端气候对生态环境变化的相对贡献率。结果表明:

(1)印江河流域极端气温显著上升,降雨量持续增多,极强度降雨事件和连续无雨日数均呈缓慢下降趋势,其气候表现为湿热多雨的气候特征。相对于极端降雨指数，未来极端气温指数的持续等级将更高,持续强度也将更强。

(2)极端气温指数的突变年份主要集中在1990—2000年间,极端降雨指数突变年份集中在20世纪90年代以后,大部分极端气候指数都存在突变年份,但突变特征不显著。大部分极端气候指数在25—32 a时间尺度上具有交叉出现的偏多偏少中心,时间跨度约为20 a。

(3)同类型极端气候事件具有潜在的关联性,相关系数较高,但不同类型间的影响较小,且多呈负相关。

(4)在2000—2015年间印江河流域平均NPP和NDVI呈现相反的变化趋势,NPP平均为598.53 g C m-2a-1,平均减少速率为-3.32 g C m-2a-1。NDVI平均值为0.59,平均增长速率为0.0013/a。从相关性看,NPP受降雨事件影响较大,而NDVI受极端气温事件影响明显。

(5)CSDI、DTR、ID6.4和GSL对NPP变化的贡献较大,贡献率分别12.64%、11.50%、11.05%和7.4%。CSDI、DTR、GSL对NPP变化表现为负贡献,而ID6.4表现为正贡献,大部分极端气候指数对NPP变化的贡献都不超过5%。ID6.4、TN90p、WSDI和TX90p对NDVI变化的影响相对较大,贡献率分别为13.67%、13.54%、12.95%和10.02%。总体上看,在2000—2015年间,印江河流域湿热多雨的气候对NDVI增长有促进作用,但由于气温升高和降雨量增加的原因,对NPP累积产生了较大的负面影响。