新疆玛纳斯河流域植被水分利用效率时空格局及影响因素研究

孔晶晶， 昝 梅,2， 王雪梅,2， 杨雪峰,2

(1.新疆师范大学 地理科学与旅游学院， 新疆 乌鲁木齐 830054； 2.新疆干旱区湖泊环境与资源重点实验室， 新疆 乌鲁木齐 830054)

1 研究背景

植被水分利用效率WUE(water use efficiency)是指生态系统消耗单位质量水分所固定的CO2[1]。WUE是陆地生态系统碳水循环及二者耦合关系的重要参数[2-3]，也是衡量气候变化对生态系统影响的重要指标之一[4]。早期学者对WUE的研究多局限于植被叶片尺度和个体水平，测定方法主要包括气体交换法、田间测定法和稳定同位素法等[4-8]。近年来很多学者利用遥感技术对WUE开展了大量研究[9]。ZHANG等[10]、艾则孜提约麦尔·麦麦提等[11]分别采用GLASS(global land surface satellite)数据和MODIS(moderate-resolution imaging spectroradiometer)数据分析得出不同区域WUE空间异质性较大；郝海超等[12]、张永永等[13]应用遥感数据研究发现不同研究区的WUE在时间尺度上反映出不同的变化趋势；王姣月等[14]将遥感数据与CASA(Carnegie-Ames-stanford approach)模型结合研究发现太阳辐射、降水量、风速和气温对WUE的影响程度依次减弱。以上研究结果表明，不同区域WUE的时空格局和变化趋势差异较大，影响WUE的因子和影响程度也不同。但这些研究选取影响WUE的因子代表性不足，缺少影响因子对WUE的定量化分析，并且忽视了多因子交互作用对复杂生态系统植被WUE时空变化的影响。

新疆玛纳斯河流域具有干旱区最典型的“山地-绿洲-荒漠”复合生态系统，是中国第4大灌溉农业区[15]，水资源是该区域粮食生产和生态安全的关键制约因子。因此，本文以玛纳斯河流域为研究区，基于2001-2019年MODIS数据的植被净初级生产力(net primary productivity，NPP)和蒸散发(evapotranspiration，ET)产品估算流域植被WUE，采用规避误差能力较强的泰尔森中位数(Theil-Sen median)趋势分析、Mann-kendall(M-K)显著性检验以及Hurst指数等方法分析WUE的时空分布格局。针对研究区特点选取具有代表性的气象因素(降水、温度)、土壤湿度(soil moisture，SM)、温度植被干旱指数(temperature vegetation dryness index，TVDI)、饱和水汽压差(vapor pressure deficit，VPD)、CO2和归一化植被指数(normalized difference vegetation index，NDVI)，并借助地理探测器定量分析以上因子对WUE的影响，本文研究结果可以为玛纳斯河流域农业水资源合理利用与开发以及对该流域生态系统保护和碳水循环的研究提供参考。

2 数据来源与研究方法

2.1 研究区概况

玛纳斯河流域位于天山北麓中部，准噶尔盆地南缘(43°04′N～45°58′N，84°40′E～86°40′E)，研究区面积为3.40×104km2，地貌复杂，地势南高北低，自南向北依次为山地、绿洲和荒漠。研究区属于典型的温带干旱大陆性气候，年均气温为7.7 ℃，年均降水量为114～200 mm，年蒸发量为1 500～2 100 mm，气候干燥，气温年较差较大，降雨量少，蒸发量大。研究区是新疆维吾尔自治区最大的绿洲农耕区，水资源利用率较高[1,16]，其主要水源为高山冰雪融水和上游山区降水。研究区水系及主要植被类型分布见图1。

2.2 数据来源

从美国航空航天局数据系统(https://ladsweb.modaps.eosdis.nasa.gov/)平台上下载了研究区2001-2019年19期空间分辨率为500 m的植被净初级生产力(NPP，MOD17A3)、蒸散发(ET，MOD16A2)和植被类型数据(MCD12Q1)。对于植被类型数据本文结合了玛纳斯河流域植被分布特征，采用第五类植被功能型(plant functional type，PFT)分类方案，将研究区植被类型具体划分为针叶林、阔叶林、草地、农作物和裸地。研究区2001-2019年空间分辨率为1 km的月尺度归一化植被指数(NDVI，MOD13A3)、温度植被干旱指数(TVDI)、CO2数据和土壤湿度数据(SM)分别来自于美国航空航天局数据系统、国家基础条件平台-国家地球系统科学数据中心(http://www.geodata.cn)、全球环境研究中心(https://db.cger.nies.go.jp/dataset/ODIAC/DL_odiac2020b.html)和Google Earth Engine(GEE)平台。研究区空间分辨率为0.5°，月尺度的气温(temperature,TMP)、降水(precipitation,PRE)和蒸汽压数据来自于英国国家大气科学中心(https://crudata.uea.ac.uk/cru/data/hrg/)。本文使用的饱和水汽压差(VPD)是由气温、降水和蒸汽压数据计算并插值获得。大量研究表明，以上数据具有较高的精度，对本研究区的适应性较好[11-12,17]。此外，本文对以上数据分别进行了投影变换、裁剪和无效值去除。利用站点数据通过反距离权重空间插值法获得了研究区CO2空间分布数据。为了统一时空分辨率本文对NDVI、TVDI、CO2、SM、TMP、PRE数据进行了重采样并将月尺度数据处理为年尺度数据。

图1 研究区水系及主要植被类型分布

2.3 研究方法

2.3.1WUE估算 本文水分利用效率(WUE)的估算采用植被光合作用产生的净初级生产力(NPP)与蒸散发(ET)的比值来表示，表示单位面积上植物每蒸散1 mm水所能固定的有机碳克数[5]。具体公式如下[6]：

(1)

式中：WUE的单位为g/(mm·m2)；NPP的单位为g/m2；ET的单位为mm。

2.3.2 变化趋势分析法 使用变异系数(coefficient of variation，CV)定量地表征2001-2019年玛纳斯河流域WUE的波动程度，其计算公式如下[10]：

(2)

利用Theil-Sen median趋势分析法结合M-K检验法综合提取2001-2019年研究区WUE的时空变化特征。具体公式如下[10]：

(3)

式中：β为变化趋势； median为中位数函数；i、j为时间序数；WUEi、WUEj分别为第i年、第j年对应的WUE值。当β>0时，表明WUE呈增大趋势；反之，呈下降趋势。给定显著性水平α=0.05，判断WUE变化趋势是否显著。

采用Hurst指数H预测未来的变化趋势，即过去的变化趋势是否具有可持续性。H可利用最小二乘法拟合得到。H的值域为[0, 1]，当0≤H<0.5时，表示相比过去该时间序列数据在未来呈相反的持续性趋势(反持续性)；当0.5

2.3.3 地理探测器 地理探测器是探测空间分异性以及揭示变量背后驱动力的影响程度及因子间交互作用的工具[7]。本文使用因子探测器和交互探测器分析不同因子对水分利用效率的影响程度。

因子探测用于识别引起空间分异性的驱动因子，其影响程度计算公式如下[7]：

(4)

交互探测可以识别不同影响因子X之间的交互作用，即评估两因子共同作用时是否会增强或减弱对因变量Y的解释力。其评估结果通过比较单因子对Y的q值和它们交互时的q值得出。交互作用结果可分为不同类型，如表1所示。

表1 因子交互作用结果类型[7]

3 结果与分析

3.1 WUE的时空分布特征

3.1.1WUE的时间分布特征 2001-2019年研究区WUE年均值的变化趋势如图2所示。由图2可以看出，研究期内玛纳斯河流域年均WUE整体呈降低趋势，降幅为6.82%，年均WUE在0.74～1.08 g/(mm·m2)之间波动，WUE多年平均值为0.88 g/(mm·m2)。研究区年均WUE的最小值出现在2015年，为0.74 g/(mm·m2)，比多年平均值小15.91%；其次是2017年，为0.77 g/(mm·m2)，比多年平均值小12.50%；2003和2009年研究区年均WUE呈现峰值，分别为1.08和1.07 g/(mm·m2)，分别比平均值大22.72%和21.59%。

图2 2001-2019年玛纳斯河流域年均WUE的时间变化趋势

3.1.2WUE的空间分布特征 2001-2019年研究区WUE年均值及其波动性的空间分布如图3所示。由图3(a)可以看出，2001-2019年研究区WUE年平均值的空间分布呈显著的空间差异性，表现出中部和北部高、南部低以及流域中游高、上游和下游低的空间格局。WUE的高值区主要分布在流域中部和北部的草地区域，具体分布在沙湾县的北部和中南部、玛纳斯县的中南部和西北部、石河子市的南部、克拉玛依市的中部和南部地区，占流域总面积的16.45%；低值区主要分布在玛纳斯河流域的南部高海拔山区及耕地北部，包括和静县、沙湾县及玛纳斯县北部部分地区，占流域总面积的14.99%；接近均值的区域主要集中在玛纳斯河流域中部的耕地、林地及东北部的草地区域。

为了探究研究区多年WUE的稳定性，将2001-2019年研究区年均WUE根据自然断点法分为高波动、中高波动、中波动、中低波动、低波动5类。由图3(b)可以看出，研究区WUE在流域上中游波动较低，下游波动较高。波动较低的区域主要分布在研究区的草地和林地区域，占流域总面积的28.71%；高波动区主要分布在流域中北部的耕地区域，占流域总面积的5.19%。由于耕地种植结构和灌溉用水量的多少受人为干预性强，不确定因素较多，变化较大，因此波动性较高；而天然林地和草地主要靠地下水、河水和降水供给，WUE波动较低的林地和草地处于流域上游，水分条件相对充足，稳定性较强。表明水分条件相对丰富地区的WUE比供水受限的地区更为稳定。

图3 2001-2019年玛纳斯河流域年均WUE及其波动性的空间分布

Theil-Sen斜率估计用于计算趋势值，通常与M-K非参数检验结合使用，即先计算Sen趋势值，然后使用M-K方法判断趋势显著性。利用Theil-Sen方法分析得到的研究区WUE多年空间变化趋势和利用M-K检验法得到的研究区变化趋势显著性分别见图4(a)和4(b)。由图4(a)可知，2001-2019年玛纳斯河流域大部分区域WUE表现出降低的趋势，少部分区域呈增大趋势，其中呈降低和增大趋势的面积分别占流域总面积的42.71%和30.63%，流域中部和南部主要表现为降低趋势。通过对图4(b)中的变化趋势显著性分析可知，区域中部WUE呈显著降低趋势，降低趋势显著的面积占流域总面积的比例为15.01%；降低趋势不显著的面积占流域总面积的27.70%，主要分布在流域南部。WUE呈显著增大趋势的区域主要分布于北部与沙漠接壤的草地植被区域，占流域总面积的3.29%；中部耕地的WUE变化趋势不显著，占流域总面积的26.66%。总之，上述WUE的空间分布特征说明2001-2019年流域内部不同区域WUE的变化趋势也不相同。

采用Hurst指数H预测、分析未来研究区WUE变化趋势的空间分布，结果见图4(c)和表2。由图4(c)和表2可知，研究区Hurst指数的范围为0.10～0.88，平均值为0.44。相比现状，WUE未来表现出反持续性(0≤H<0.5)的区域占总面积的33.94%，主要分布在流域北部的裸地以及南部山地和中部农作物区域；WUE未来表现出正持续性(0.5

图4 2001-2019年研究区植被年均WUE变化趋势及其显著性和未来趋势的空间分布

表2 未来玛纳斯河流域WUE的可持续性和变化趋势分析

3.2 不同植被类型的WUE

3.2.1 不同植被类型WUE的特征 不同植被类型消耗等量的水所能固定的有机碳的数量不同，因此研究不同植被类型的WUE特征具有重要意义。玛纳斯河流域不同植被类型的WUE均值统计计算结果见表3。表3中显示，草地占研究区面积的59.34%，为玛纳斯河流域最典型的植被类型，在研究区分布广泛，其WUE均值为1.05 g/(mm·m2)；其次是农作物，占研究区面积的23.96%，主要分布在流域中部，农作物WUE最小，平均值为0.56 g/(mm·m2)；针叶林和阔叶林分别占研究区总面积的1.08%和0.08%，所有植被类型中针叶林的WUE最高，平均值为1.52 g/(mm·m2)；阔叶林的WUE仅次于针叶林，平均值为1.29 g/(mm·m2)。

表3 玛纳斯河流域不同植被类型的WUE均值

3.2.2 不同植被类型WUE的变化趋势 2001-2019年玛纳斯河流域不同植被类型的年均WUE差异明显，整体均呈波动降低趋势，如图5所示。图5中不同植被类型年均WUE波动变化趋势与研究区整体WUE年均值的变化趋势(图2)具有较高的一致性。其中，针叶林和农作物的WUE年际变化相对明显，年变化率分别为-0.011 8和-0.013 3 g/(mm·m2)，阔叶林和草地WUE年际变化相对较小。进一步分析可知，2001-2008年4种植被类型的WUE均呈现波动降低趋势，波动区间为0.22～0.46 g/(mm·m2)，2008年4种植被类型的WUE均明显降低，其中农作物WUE最低，为0.35 g/(mm·m2)。2009年农作物和草地的WUE达到最高值。2012年针叶林、阔叶林和草地的WUE出现高值，分别为1.65、1.50和1.22 g/(mm·m2)，而农作物的WUE却较小，为0.51 g/(mm·m2)。2013年之后，4种植被类型的WUE变化趋势基本趋于一致，年际变化范围较小，在0.12～0.24g/(mm·m2)之间。

图5 2001-2019年玛纳斯河流域不同植被类型的年均WUE变化趋势

3.3 WUE的影响因子分析

将研究区土壤湿度(SM)、饱和水汽压差(VPD)、CO2、温度植被干旱指数(TVDI)、温度(TMP)、降水(PRE)、归一化植被指数(NDVI)7个因子作为自变量，WUE作为因变量，分别提取自变量和因变量的多年平均值，创建研究区范围内3 km×3 km的格网，以每个格网作为样本点，共计3 795个。并采用自然断点法对自变量数值进行分级，利用地理探测器进行因子探测分析得到各因子对WUE的影响程度，结果见表4。

表4 影响研究区植被WUE的单因子探测结果

表4中P值反映了影响因子对主因子的影响是否显著；q值表示对WUE的影响力，也是对空间分异特征的解释力。由表4可以看出，单因子P值均为0，表示对WUE的影响较显著，可作为影响因素对其分异性进行分析。不同因子对研究区WUE影响程度由大到小的顺序为：CO2>SM>TVDI>VPD>TMP>PRE>NDVI，其中CO2、SM、TVDI和VPD是研究区WUE的主要驱动因子，q值分别为0.824、0.794、0.713和0.594。TMP和PRE是研究区植被WUE的次要影响因子，q值分别为0.482和0.475。NDVI对应的q值最低，为0.276。总之，除了WUE的主要驱动因子CO2、SM、TVDI和VPD外，其他因子对WUE也有影响但影响程度相对较弱。

图6为影响研究区植被WUE的多因子交互探测结果。图6显示，研究区多因子交互探测结果呈现显著的双因子增强关系，解释力均达到60%以上，且因子间交互作用的解释力均大于单因子独立作用的解释力。交互作用解释力达到90%的为CO2∩SM和CO2∩TMP，其余从大到小依次是CO2∩PRE(0.894)>VPD∩CO2(0.884)>SM∩TMP(0.875)>TVDI∩CO2(0.864)>SM∩VPD(0.863)>SM∩TVDI(0.856)>SM∩NDVI(0.851)，且解释力均在85%以上。从表4可以看出，NDVI的单因子解释力最低，但与其他因子发生交互作用时对WUE的影响程度却增强到60%以上。总之，研究区WUE的变化特征是多因子交互作用的结果。

图6 影响研究区植被WUE的多因子交互探测结果

4 讨 论

4.1 WUE时空变化特征的原因分析

本文研究结果表明，2001-2019年玛纳斯河流域植被WUE整体呈缓慢降低趋势，不同植被类型年均WUE也呈波动降低趋势，该结论与前人研究得出的变化趋势相同[11]。此外，研究区植被WUE均值在空间上由南向北依次呈现低-高-低-高分布的特征与孙琪等[18]的研究结果一致。说明本文WUE估算结果和提取的时空分布特征可信度较高。其中，2008-2009年WUE波动较大的原因主要是2008年5月至2009年12月新疆维吾尔自治区发生了严重的干旱事件[19-21]，极端干旱导致温度升高，降水量减少，植被呼吸作用增强，植被只能维持个体的水碳代谢平衡，NPP下降，导致WUE降低[19,22]。此外，研究区裸地和荒地面积较大，其地表植被生长条件差，WUE值较小。

研究表明不同植被类型(森林、草地和农作物)光合作用产生的干物质所消耗的水量不同[10]。由于海拔高度不同引起的水、热和光照差异导致同种植被在不同海拔的WUE也不同。此外，人为管理和干预对人工植被WUE的影响较大。研究区大量天然森林主要分布在南部的天山北麓，其位置处于山区河流的上游，降水和夏季冰雪融水丰富，树木根系也能汲取地下水，因而该区域森林固定和转化光合产物的效率高，WUE也较大。流域平原地区植被主要以WUE较小的草地和农作物为主，其中，玛纳斯河流域中游、下游草地WUE普遍高于农作物的WUE，这一特征与卢玲等[23]关于西部植被水分利用效率空间分布的研究发现具有一致性，同时与Law等[24]和Tian等[25]的研究结果也相同。主要是由于天然草地的生长依赖于环境降水和地下水，干旱区草地耐旱性强，在水分胁迫下草地能够提高水分利用效率，维持正常的生理生长过程[26-27]。而农作物的WUE受到种植结构、灌溉方式和薄膜覆盖等技术的影响较大，对干旱的承受能力较低。此外，物候因素对植被WUE也有影响，有研究指出干旱指数增大到一定范围时，林地和草地的WUE增长速率会发生相反的变化，这也可能对流域WUE分布的差异产生影响[28]。随着研究区自然植被和绿洲植被对水资源需求的不断增加，迫切需要提高植被水资源利用效率[29]。

4.2 WUE与影响因子的关系分析

不同因子对研究区植被WUE的影响较为复杂。本文研究结果表明，CO2、SM、TVDI和VPD对玛纳斯河流域WUE空间分布的影响较大。CO2主要通过光合作用影响植被的结构和生长；SM直接影响植被的生存、生长和分布[30-31]；TVDI反映了干旱强度，不同植被对干旱强度的耐受性和适应能力差异较大，其WUE对干旱影响的滞后效应也不同[32]。研究区植被WUE在轻微干旱条件下保持稳定，在中度至重度干旱条件下显著降低，主要还取决于植物蒸腾能力和生产力的大小。1961-2017年新疆维吾尔自治区的VPD持续增加[19]，有研究表明，VPD增大时会导致植物光合作用的气孔关闭，减缓植物生长，降低植被的覆盖度，这也可能是造成流域WUE下降的原因[33]。温度和降水对玛纳斯河流域WUE空间分布的影响较小。温度过高或过低均会影响植被的光合作用和呼吸作用，温度上升会导致VPD的增加，土壤水分的蒸发，影响植被生长，导致WUE降低；降水的增加或减少可能会改变土壤的蒸发、冠层的蒸腾和土壤的水分含量，这些因素反过来会对植物的功能以及水分的收支产生影响[33]。玛纳斯河流域耕地面积大，农作物主要依靠人工灌溉及地下水汲取，对降水的依赖较低。研究区森林大部分处于流域上游山区，降水和地下水资源相对丰富，所以水资源不是研究区山区森林生长的限制因子[31]。多种因素的共同作用决定了NDVI的大小，NDVI反映了植被覆盖度和植被生长状况，进而影响植被WUE的时空分布特征。总之，不同因子以及不同因子的交互作用对植被WUE产生了复杂多变的影响。

在今后的研究中应该考虑人类活动(土地利用变化)和自然因素对WUE的共同作用，还可以分析不同因子对植被WUE季节尺度影响的差异以及对WUE正负效应的差异。此外，还可以通过野外实测手段提高WUE的估算精度，从而为提高研究区农业和生态系统用水效率提供参考。

5 结 论

本文基于MODIS遥感产品计算得到新疆维吾尔自治区玛纳斯河流域长时间序列植被WUE，分析了WUE的时空分布特征、变化趋势和不同植被类型WUE的差异，探讨了研究区WUE驱动因子的影响程度。具体结论如下：

(1)2001-2019年玛纳斯河流域植被WUE的年均值为0.88 g/(mm·m2)，其变化范围为0.74～1.08 g/(mm·m2)，整体表现为降低趋势，降幅为6.82%。研究区WUE空间差异性显著，呈现出中部和北部高、南部低以及流域中游高、上游和下游低的分布格局。

(2)2001-2019年研究区不同植被类型年均WUE差异明显，各植被类型年均WUE均呈波动降低趋势。森林平均WUE较高，其中针叶林的平均WUE最高，为1.52 g/(mm·m2)，其次是阔叶林，平均WUE为1.29 g/(mm·m2)。相比阔叶林和草地，针叶林和农作物的WUE年际变化较明显。

(3)各影响因子对研究区植被WUE时空分异的影响程度差异明显，CO2、SM、TVDI和VPD是影响WUE的主要驱动因子。多因子交互探测呈显著的双因子增强关系，解释力均达到60%以上。其中，CO2与SM的交互作用最强，解释力为90.3%。