近20年中国TVDI变化特征及影响因素分析

刘观鹏，樊晶晶，赵彦芳，刘 阳，3，田家琦

（1.河北工程大学水利水电学院，河北 邯郸 056038；2.河北工程大学河北省智慧水利重点实验室，河北 邯郸 056038；3.水利部海委漳卫南运河卫河河务局，河南 濮阳 457000）

干旱是一种波及范围广、发展速度慢、影响时间长的一种自然灾害，严重影响我国农牧业的正常发展[1]。因此，深入挖掘干旱事件的时空变化特征及影响因素对于合理应对干旱具有重要意义。近些年遥感技术的迅速发展使得人们可以实时、大范围、有效监测干旱,其中可见光-近红外遥感与热红外遥感是目前国内外研究中最常用的2 种方法[2]，对于可见光-近红外遥感，部分研究指出[3]采用光-近红外遥感确定出的归一化植被指数（Normalized Difference Vegetation Index，NDVI）可以通过植被覆盖情况间接表示并明晰其地面干旱特征，但其受植被生长过程影响，其往往并不能及时地反应土壤水分。因此，Sandholt 等[4]根据地表温度和NDVI 的Ts-NDVI 的特征空间，建立的温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）可以有效地模拟土壤水分，使估测干旱事件的历时更加清晰。在此基础上，齐述华等[5]利用TVDI 开展了全国旱情监测，经验证后认为TVDI 与土壤湿度关系显著，适合于旱情监测，杜灵通等[6]在研究生态干旱时，引用了TVDI指数并对宁夏的干旱情况进行探究，结果表明生态干旱受到不同气象因子的影响。Liang 等[7]使用MODIS 数据计算TVDI，并借助平均温度、平均降水量、平均日照时数和平均相对湿度数据研究了中国2001 年—2010 年不同地区干旱与气象因子的关系。

我国位于东亚季风区，气候环境复杂。进入21 世纪后，干旱事件频发，造成严重的经济损失[8]。在以往对中国TVDI的研究中，不同学者主要聚焦于小流域，且长时间序列的研究较少。我国幅员辽阔，不同流域的农业生态、土地类型等很多方面的都有较大差异，为了更系统、细致地研究中国流域干旱灾害演变特征，本文基于2000 年—2019 年TVDI 时间序列，基于流域尺度探究中国生态干旱情况及气象因子对生态干旱的影响，为我国制定应对气候变化的策略和生态文明建设提供科学依据。

2 数据来源及研究方法

2.1 数据来源、预处理及流域划分

温度植被干旱指数数据集来源于国家科技基础条件平台—国家地球系统科学数据中心，其时间尺度为月尺度，时间序列为2000 年—2019 年，该产品像素精度为0.008 9°，其数据完整性、逻辑性及精度等均符合有关技术规定和标准的要求[9]。

本文使用的降水气温栅格数据来源于国家科技基础条件平台—国家地球系统科学数据中心-黄土高原分中心；其时间尺度为月尺度，时间序列为2000 年—2019 年，空间分辨率为0.008 333 3°（约1 km），降水数据单位为mm，气温数据单位为℃，并使用496个独立气象观测点数据进行验证，验证结果可信[10]。

TVDI 数据集与气象数据集空间分辨率并不相同，且为全球尺度。本文借助Arcgis平台，经过裁剪，重采样后使两者具有相同分辨率（0.008 333 3°），方便后期相关性分析。流域划分依照中国科学院地理科学与资源研究所资源环境科学与数据中心的标准，将中国划分为9大流域。

2.2 温度植被干旱指数的计算

温度植被干旱指数数据序列基于MOD13A2 NDVI 与MOD11A2 LST 数据计算所得，来表征土壤表层含水量，其计算公式为[11]：

式中：LST——地表温度（℃），LSTmax，LSTmin分别表示某NDVI 像元上LST 的最高值与最低值，℃；a、b、c、d分别为干湿边拟合系数。

TVDI 值的范围为（0，1），其值越接近1，表明该地区越干旱，反之则表明该地区越湿润。

2.3 趋势分析

本文一元线性回归法计算某像元随着时间变化的变化趋势，其计算方法如下：

式中：S——倾向斜率，当S>0时，表示某像元随时间变化呈现增长趋势，反之呈下降趋势，t为年份，TVDIi为第i年的TVDI值。

2.4 相关性分析

相关分析可以明晰2 个或2 个以上变量的关系密切程度，本文采用偏相关性分析分别计算TVDI 与降水和气温的偏相关系数及复相关性分析计算TVDI 与降水气温的相关关系。其计算方法如下：

式中：Rxy,z——固定自变量z以后因变量x和自变量y之间的偏相关系数；Rxz——x，y之间的相关系数。

复相关分析法计算方法如下：

式中：Rx,yz——因变量x与自变量y、z的复相关系数。

在探究气象因子对于TVDI 变化的驱动方式的研究中，不同区域TVDI 受到降水与气温的影响不同，在某些区域，TVDI 可能只受降水影响，气温影响较低，而某些区域则为降水、气温共同作用下的变化。因此，本文将气象因子的驱动类型分为5 类，划分依据为偏相关与复相关检验时的显著标准[12]，如降水驱动则表示为降水是TVDI 变化的主要驱动因子，气象因子强驱动则为TVDI变化与降水与气温有关，且为主要的影响因素。其具体划分准则见表1。

表1 TVDI驱动类型划分Tab.1 Division of TVDI driver types

2.5 集合经验模态分解

集合经验模态分解是在EMD（Empirical Mode Decomposition）的基础上增加了白噪声，可以有效地解决尺度混合误差，其具备EMD 自适应性；其基本原理为将原始特征信号分解为不同时间尺度的本征模态函数分量和一个残差分量。其具体计算步骤可见文献[13]。本文将TVDI 时间序列经EEMD分解后所得RSE分量表示其变化趋势。

3 结果与分析

3.1 中国气象因子时空变化

由图1可知，我国2000年—2019年年均降水193.69 mm，虽然在个别年份有所波动，但整体呈显著增长趋势；我国2000 年—2019 年平均气温为6.93℃，在2006 年—2013 年发生了较大波动，其中2007 年平均气温最高，超出了多年平均值，为7.42℃；使用EEMD 分解并将趋势项标注于图中，虽然降水和气温都呈现出增长趋势，但降水的变化率自2012年逐渐增长，而气温的变化率在2016 年减小，表明自2016 年后，气温增加趋势较2016年前呈减弱。

图1 中国2000年—2019年均降水、气温变化趋势Fig.1 Trends of annual average precipitation and temperature in China from 2000 to 2019

中国幅员辽阔，跨纬度较广，距海远近差距较大，加之地势高低不同，降水与气温产生了较明显的南北、东西差异，具体见图2。在流域尺度上，东南诸河流域多年平均降水量最大，见表2，达到142.79 mm；其次为珠江流域，为124.58 mm；内陆河流域多年平均降水量最少，仅为12.01 mm。相较于东南诸河流域，相差有近12 倍。这主要是由于向西海拔增高，水汽输送受到地形影响呈下降趋势。故其多年平均降水量差异较大。2000年—2019年除淮河流域与西南诸河流域外，其余流域降水均呈增长趋势，其中珠江流域降水增长速率最快，为每10年6.57 mm，其次为东南诸河流域，为每10年6.28 mm。

位于我国南部的珠江流域及东南诸河流域纬度较低，年均气温分别为20.01℃与19.92℃，具体见图2。内陆河流域南部、西南诸河流域、长江流域东部因其海拔较高，地势起伏较大，故气温常年较低。其中松辽流域及内陆河流域年均气温为2.96℃与3.05℃南北差异明显。这主要是由于我国东部与南部地形平缓，越往南部，日照时数增加，故气温呈现出南高北低、东高西低的态势。在2000 年—2019 年中，各流域气温均为增长趋势，具体见表2，其中海河流域增大速率最快，为每10年0.28℃，其次为东南诸河流域，相较于南部流域，位于北部的松辽流域、黄河流域等增长速率较慢。

图2 2000年—2010年中国各流域年均降水气温时间变化图Fig.2 Temporal variation of annual precipitation and temperature in various river basins in China from 2000 to 2010

表2 中国各流域2000年—2019年年均降水气温值及变化趋势斜率Tab.2 The average annual precipitation and temperature values and trend slopes of each basin in China from 2000 to 2019

3.2 TVDI时空变化趋势

2000 年—2019 年，全国年均TVDI 值见图3-a，其多年平均值为0.57；最大值发生在2000 年，为0.58；最小值为0.56，发生在2016 年。在20 年间，TVDI 在2009 年产生较大波动，线性趋势项显示为减小趋势，即越来越湿润状态；使用EEMD对TVDI进行分解，其趋势项显示自2000年—2009年TVDI为增长趋势；2009年以后呈下降趋势。

在流域尺度上，我国东北部的松辽流域至我国中部的黄河流域、淮河流域及海河流域其TVDI值逐渐增加，即越往南部干旱化趋势愈加明显；我国东北部的松辽流域TVDI 均值最小，南部的珠江流域TVDI 均值最大，整体为松辽流域的1.4 倍；我国西北部的内陆河流域与西南部的西南诸河流域差异显著。这是由于位于北部的内陆河流域是我国沙漠的主要分布地区，TVDI 值较大，而南部的高原地区山脉较多，地形变化较大，故其南部与北部TVDI值呈现出明显差异。

使用一元线性回归法研究我国2000年—2019年TVDI的变化趋势见图3-b。其中，TVDI值减小的区域主要集中在东北部的松辽流域与西部的内陆河流域，松辽流域约93.49%的区域呈减小趋势，内陆河流域次之，约87.89%；位于我国南部的流域TVDI 值增长趋势较北部流域更明显，即干旱化越来越明显，其中西南诸河流域增长面积最大（57.44%），其次为长江流域（55.72%）、珠江流域（42.69%）以及东南诸河流域（33.91%）。在显著性分析中，松辽流域显著性减小区域最多，为90.01%，海河流域次之，为70.5%；而位于西南诸河流域和长江流域通过显著性检验所占面积较高，分别为67.13%和52.89%。

图3 全国及9大流域多年平均TVDI及显著性变化面积占比Fig.3 Annual average TVDI and the proportion of significant change area in 9 major river basins

3.3 TVDI变化的影响因素分析

使用偏相关检验法可以有效的剔除其他变量的影响[14]，在中国2000年—2019年TVDI与降水及气温的偏相关性分析中，我国偏相关系数集中在[-0.99，0.98]，全国平均偏相关系数为-0.45。在显著性水平α=0.05 水平下，全国约有52.20%的像元通过了显著性检验。

位于我国北部、中部及西部的流域主要为负相关，其中黄河流域TVDI 与降水呈现负相关的像元数量占通过显著性检验的像元数最多，约占流域总面积98.60%，且偏相关性最高，系数为-0.73 见图4a；松辽流域次之，约有91.16%的像元为负相关，主要集中在流域的北部、中部与南部，其偏相关系数为-0.66。位于我国南部的流域如珠江流域与东南诸河流域TVDI 与降水则主要呈正相关，呈正相关像元比例分别为48.37%与44.34%，主要集中在珠江流域的东部、南部及东部部分地区与东南诸河的东南部及南部地区，整体偏相关系数较低，分别为-0.04与-0.07。整体来看，相较于北方的松辽流域、海河流域等，位于我国南部的珠江流域、东南诸河流域TVDI 与降水的正偏相关系数比例有较大差别，整体趋势为越靠近南部，偏相关系数绝对值越小。

TVDI 与气温的偏相关分析见图4b。全国平均偏相关系数值为-0.33。在显著性水平α=0.05 水平下，全国约有50.98%的像元通过了显著性检验。在流域尺度上，位于我国北部及西部的流域主要为负相关，这与降水的偏相关系数有较大差别，其中海河流域TVDI 与降水呈现负相关的像元数量最多，约为99.49%,且偏相关性最高，系数为-0.67；松辽流域次之，约有97.98%的像元为负相关,偏相关系数为-0.66。西南诸河流域约有78.06%的像元呈现出正相关性，主要集中在流域的东南部与中部地区；长江流域约有66.28%的像元表现为正相关，主要集中在流域的西南、中部与东部地区，其偏相关系数分别为0.39与0.24。整体来看，TVDI与气温呈正相关的区域主要集中在我国的中部与西南部，其余地区则主要以负相关为主。

图4 中国TVDI与降水气温偏相关性分析Fig.4 Analysis of partial correlation between TVDI and precipitation temperature in China

在我国不同区域尺度下，TVDI 受到降水和气温的影响存在一定差异。为此，本文使用复相关分析计算了在降水和气温双重影响下TVDI 对气候因子的响应程度。我国TVDI与降水气温的复相关系数集中在[0.54，0.99],且在显著性水平α=0.05 水平下,全国约有78.21%的像元通过了显著性检验,表明我国大部分地区TVDI 受到降水气温的影响。在流域尺度上,松辽流域约有94.27%的像元通过了显著性检验，在九大流域中占比最高,整体相关系数为0.85，且有74.29%的像元复相关系数超过了0.8，主要集中在流域的中部、西南部、南部与东北部;黄河流域约有92.55%的像元通过了显著性检验，仅次于松辽流域,整体相关系数为0.85，其中72.69%的像元复相关系数超过了0.8,主要集中在流域的东部、中部与北部。其中东南诸河流域通过显著性检验的像元较少,远低于全国平均水平,约为53.66%,主要集中在流域的东南部，且相关系数相交其余流域最低，为0.71。西南诸河流域与珠江流域像元占比大致相同,分别为64.40%与65.78%，其相关系数分别为0.74 和0.73。整体来看,我国北部TVDI与降水气温复相关系数较高,说明受两者影响较大。

图5 中国TVDI与降水气温复相关性分析Fig.5 Complex correlation analysis between TVDI and precipitation temperature in China

在同时考虑降水与气温的影响下，探究气象因子对于TVDI变化的驱动方式研究。根据其划分标准可分为5类，具体划分准则见表1。由表3 可知，我国约有78.75%的区域TVDI受到气象因子的影响，其中34.97%的区域为Ⅴ类，即降水和气温为强驱动因素，其次为Ⅲ类驱动，即降水为TVDI变化的主要驱动因素，占全国面积的23.34%左右。在流域尺度，我国东部及南部沿海流域如东南诸河流域、淮河流域、西南诸河流域及珠江流域TVDI 受Ⅰ类驱动面积占比最多；黄河流域、内陆河流域TVDI的驱动类型主要以降水驱动为主，长江流域、海河流域则为气象因子强驱动占比最多，体现出较明显的流域差异。

表3 各流域不同气候类型驱动类型面积占比Tab.3 The proportion of areas driven by different climate types of each basin %

4 讨论与结论

4.1 讨论

本文通过2000年—2019年TVDI数据集及降水气温数据集，将我国划分为9 大流域，探讨流域间气象因子与TVDI 的关系，揭示了中国生态干旱的驱动机制，对合理制定干旱对策提供了理论依据。

2000年—2019年，我国大部分区域TVDI呈现减小趋势，即干旱化情况得到改善，主要集中在我国北部和西北部，而我国南部近20年来则呈现出干旱化严重趋势，这与部分学者研究一致[15]。在以往研究中，已经表明TVDI 与土壤水分呈显著的负相关关系[16]，但并不意味着降水对TVDI 有决定性影响，这在不同区域间就有明显差异。王德应[17]等表示在河南省TVDI 与降水呈负相关，与气温呈正相关；黄静[18]等研究表明新疆TVDI与年降水气温相关性较小。

本文在探究TVDI 的影响因子中，只考虑了降水与气温的影响，实际上，在个别区域日照时数、辐射量也会影响TVDI 变化，且在不同土地利用情况下，其影响因子也有不同，在下一步研究中可以增加以上变量的研究。

4.2 结论

（1）根据TVDI 分级标准，我国西北部及南部地区干旱情况较为严重，在流域尺度上，北部流域TVDI 值小于南部流域。2000 年—2019 年TVDI 整体为下降趋势，处于增长的区域主要集中在我国南部。

（2）我国降水南多北少，气温为南高北低，有较大的空间差异。在TVDI 与气象因子的相关性分析中，我国约有78.21%的区域TVDI 与降水气温通过了显著性检验，北部相关系数大于南部；在驱动类型上，强气象因子驱动占比最多，其次为降水驱动。