氣候變化下貴州省極端氣候事件與植被覆蓋的時(shí)空分異及預(yù)測(cè)

摘 要：隨著全球氣候變暖及人類活動(dòng)，喀斯特地區(qū)極端氣候事件發(fā)生頻次增多。以貴州省為研究區(qū)，基于貴州省31個(gè)國(guó)家氣象站的日氣象數(shù)據(jù)、SPOT/VGT NDVI數(shù)據(jù)集以及CMIP6未來氣候模式，綜合運(yùn)用極端氣候指數(shù)、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）來探討貴州省不同情景下的未來極端氣候?qū)DVI的影響，利用全子集回歸方法建立多元回歸模型預(yù)估了未來植被覆蓋的變化特征，結(jié)果表明2021—2100年：①與暖指數(shù)相關(guān)的極端氣溫事件均有上升的趨勢(shì)，與冷指數(shù)相關(guān)的極端氣溫事件均有下降的趨勢(shì)；②在年總降水量增加的趨勢(shì)下，年內(nèi)降水日數(shù)增加，但中雨日數(shù)發(fā)生頻次減少，發(fā)生極端降水的頻次可能會(huì)增加；③在SSP245情景和SSP585情景下，貴州省大部分地區(qū)植被覆蓋度將呈增加趨勢(shì)。

關(guān)鍵詞：極端氣候指數(shù)；NDVI；CMIP6；時(shí)空變化；貴州省

中圖分類號(hào)：TV213. 4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-9235（2024）10-0065-11

Spatial-temporal Differentiation and Prediction of Extreme Weather Events and VegetationCover in Guizhou Province Under Climate Change

LI Xi'nan1， HE Linhong2，3*， XUE Lianqing2

（1. Guizhou Water & Power Survey-Design Institute Co.， Ltd， Guiyang 550002， China; 2. College of Hydrology and Water Resources， Hohai University， Nanjing 210098， China; 3. Guizhou Water Conservancy Investment （Group） Co.， Ltd， Guiyang 550002， China）

Abstract： Due to global warming and human activities， the frequency of extreme climate events in karst areas has increased. Taking Guizhou Province as the study area， based on daily meteorological data from 31 national meteorological stations， SPOT/VGT NDVI dataset， and CMIP6 future climate model in Guizhou Province， this paper explores the effects of the future extreme climate on NDVI under different scenarios in Guizhou Province by comprehensively applying the extreme climate index and the normalized difference vegetation index （NDVI）. Using the all-subsets regression method， it builds a multiple regression model to predict the variation characteristics of the future vegetation cover. The results show that between 2021 and 2100： ① the number of the extreme temperature events associated with the warm index all have an increasing trend， and the number of the extreme temperature events associated with the cold index all have a decreasing trend; ② in the future， under the trend of increasing total annual precipitation， the number of precipitation days in a year will increase， while the frequency of moderate rainy days will decrease， and the frequency of extreme precipitation may increase; ③under the SSP245 scenario and the SSP585 scenario， the vegetation cover in most parts of Guizhou Province will show an increasing trend.

Keywords： extreme climate index; NDVI; CMIP6; spatial and temporal differentiation; Guizhou Province

2023年3月，聯(lián)合國(guó)政府間氣候變化專門委員會(huì)（IPCC）發(fā)布了第六次評(píng)估綜合報(bào)告（以下簡(jiǎn)稱《綜合報(bào)告》），再次強(qiáng)調(diào)由于人類活動(dòng)造成全球氣溫升高［1-2］?！吨袊?guó)氣候變化藍(lán)皮書（2023）》指出自1961—2022年，中國(guó)極端強(qiáng)降水事件頻次逐漸增加，不同類別的極端天氣和氣候事件相較過去而言更為頻繁且強(qiáng)度更大，例如極端高溫、內(nèi)澇外患和森林火災(zāi)，對(duì)大自然和人類生活造成了普遍不利的影響［3］。Oliver等［4］使用Mann-Kendall趨勢(shì)檢驗(yàn)、線性相關(guān)等方法研究智利1966—2015年氣溫的時(shí)空演變特征，其結(jié)果表明，無論是最低氣溫還是最高氣溫，氣溫序列均呈現(xiàn)上升趨勢(shì)，但前者更為明顯，尤其是在較暖的月份。在西南地區(qū)極端降水的研究中，羅玉［5］研究表明，該地區(qū)降水總量呈減少趨勢(shì)，但降水強(qiáng)度較常年有增加趨勢(shì)，極端降水的空間趨勢(shì)呈現(xiàn)梯度特征；AR6發(fā)布了聯(lián)合國(guó)第六次耦合模型比較計(jì)劃（CMIP6）中新的氣候情景-共享經(jīng)濟(jì)路徑（Shared Socioeconomic Pathways，SSPs），由此來對(duì)未來氣候如何變化展開不同方向的模擬預(yù)測(cè)［6］。目前針對(duì)CMIP6的降水模擬評(píng)估主要分為歷史同期平均降水評(píng)估［7］與極端降水評(píng)價(jià)，以及不同未來發(fā)展情景下的降水趨勢(shì)分析。從CMIP3到CMIP5，已有眾多學(xué)者利用CMIP模型結(jié)果對(duì)其相關(guān)領(lǐng)域進(jìn)行了全面研究［8-11］。

喀斯特地貌存在大量發(fā)育的裂隙和管道等多孔介質(zhì)，使得該地區(qū)的水快速流失，難以儲(chǔ)存和利用［12］。貴州省地處西南巖溶集中分布區(qū)和高原山地，全省地形復(fù)雜多變，降水時(shí)空分布極不均勻，年際變化大，降水難以在土層中儲(chǔ)存，區(qū)域性干旱經(jīng)常發(fā)生［13］。植被系統(tǒng)是陸地上生態(tài)系統(tǒng)里不可缺少的組成部分，在水土保持、氣候調(diào)節(jié)等生態(tài)系統(tǒng)服務(wù)中發(fā)揮著重要作用［14］。眾多學(xué)者利用NDVI數(shù)據(jù)分析植被生長(zhǎng)趨勢(shì)及其物候的研究［15-16］。He等［17］指出平均降水對(duì)全球干旱區(qū)植物發(fā)育作用最大，干旱區(qū)植物生長(zhǎng)對(duì)極端降水、極端暖溫事件的響應(yīng)較其他極端事件響應(yīng)更大。例如Muradyn等［18］利用SPOT/VGT NDVI研究了亞美尼亞山區(qū)生態(tài)系統(tǒng)的氣溫和降水對(duì)植被的影響。在1998—2013年的生長(zhǎng)期，NDVI都有顯著的增長(zhǎng)趨勢(shì)，降水對(duì)亞美尼亞山區(qū)植被NDVI有促進(jìn)作用，高溫對(duì)植被有促進(jìn)作用，低溫有抑制作用。總體而言，極端氣候事件對(duì)NDVI的影響不僅具有明顯的時(shí)空差異，而且由于喀斯特地區(qū)植被類型的不同而表現(xiàn)出不同的結(jié)果［19］。

目前關(guān)于貴州省植被覆蓋的研究主要集中氣溫和降水的影響等方面，而針對(duì)極端氣候?qū)χ脖蛔兓绊懙难芯枯^少，因此，本文選取貴州省1961—2019年的31個(gè)氣象站資料和1999—2019年的遙感數(shù)據(jù)建立多元回歸模型，通過CMIP6模式對(duì)貴州省未來極端氣候事件的變化進(jìn)行相關(guān)研究，探討未來貴州省植被的變化趨勢(shì)，可為氣候變化背景下貴州省植被生態(tài)系統(tǒng)保護(hù)提供防災(zāi)減災(zāi)、農(nóng)業(yè)生產(chǎn)等應(yīng)對(duì)氣候變化方面的理論與實(shí)踐提供參考依據(jù)。

1 研究區(qū)概況

貴州省地形以高原、丘陵和山地為主（圖1），貴州省的地貌類型以喀斯特地貌居多，類型極為豐富，幾乎所有的喀斯特地貌類型在貴州省都能見到。因此貴州省也被稱為中國(guó)的“巖溶大省”。

貴州省屬亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)，多年年平均氣溫為15 ℃，降雨量在1 000～1 400 mm。由于省內(nèi)地形高度差大，高山和河谷階地多，氣候變化顯著，氣候呈多樣性，有“一山分四季，十里不同天”的諺語(yǔ)；植被類型多樣，有亞熱帶植被常綠闊葉林和大面積次生落葉闊葉林。

2 研究方法

2. 1 數(shù)據(jù)來源及指標(biāo)定義

本文站點(diǎn)觀測(cè)數(shù)據(jù)采用中國(guó)氣象局國(guó)家氣象信息中心提供的《中國(guó)國(guó)家地面氣象站基本氣象要素日值數(shù)據(jù)集（V3. 0）》，使用的NDVI數(shù)據(jù)集是在SPOT/VEGETATION PROBA-V 1 KM PRODUCTS旬1 km植被指數(shù)數(shù)據(jù)的基礎(chǔ)上，將旬尺度NDVI數(shù)據(jù)集利用最大值合成法生成的1999—2019年的月尺度NDVI數(shù)據(jù)集，未來數(shù)據(jù)采用第6次全球耦合模式比較計(jì)劃（https：//esgfnode. llnl. gov/search/cmip6/）模式ScenarioMIP（未來情景模式對(duì)比計(jì)劃）數(shù)據(jù)作為未來氣候情景預(yù)測(cè)數(shù)據(jù)，選取了CMIP6的歷史（1961—2014年）和未來（2021—2100年）4個(gè)氣候模式數(shù)據(jù)（表1）。

世界氣候變化檢測(cè)、監(jiān)測(cè)和指標(biāo)專家組（ETCCDMI）共定義了27個(gè)極端氣候指數(shù)，基于研究?jī)?nèi)容和極端氣候在喀斯特的實(shí)際意義，在本研究中選取了22個(gè)極端氣候指標(biāo)用于建立極端氣候指數(shù)與NDVI多元回歸模型，見表2。

2. 2 研究方法

2. 2. 1 Mann-Kendall檢驗(yàn)及Sen’s斜率估計(jì)

世界氣象組織推薦的Mann-Kendall秩次相關(guān)非參數(shù)檢驗(yàn)法［20］對(duì)時(shí)間序列的趨勢(shì)變化有很好的定量分析作用，從水文角度考慮，即水文變量統(tǒng)計(jì)參數(shù)長(zhǎng)期、系統(tǒng)的增減變化，國(guó)內(nèi)外已有不少學(xué)者［21-22］都已經(jīng)使用Mann-Kendall法來分析氣溫、降水。Mann-Kendall法還是一種非參數(shù)研究方法［23］，少數(shù)離群值根本無法干擾該方法的正確性。因此可以使用任意分布的樣本，評(píng)估趨勢(shì)的統(tǒng)計(jì)意義是相對(duì)的，見式（1）：

S的正值和負(fù)值分別代表時(shí)間序列的上升和下降趨勢(shì)。在假設(shè)x中的所有元素都是隨機(jī)排列且相互獨(dú)立的情況下，利用［Var（S）］計(jì)算趨勢(shì)顯著性Z值大小。

當(dāng)|Z|>|Z1 - 2/α|，拒絕原假設(shè)，說明有明顯的變化趨勢(shì)；本研究設(shè)定α=0. 05的顯著性水平，所以當(dāng)|Z|≤1. 96時(shí)，序列趨勢(shì)不顯著；當(dāng)Z>1. 96時(shí)，它呈現(xiàn)顯著上升的趨勢(shì)，Z<-1. 96時(shí)，呈顯著下降趨勢(shì)。

Mann-Kendall趨勢(shì)分析只能判斷序列趨勢(shì)的正負(fù)性和顯著性，不能得到趨勢(shì)的大小情況，因此引入Sen’s斜率估計(jì)法，它可以知道序列的精確趨勢(shì)大?。?0］，見式（4）：

2. 2. 2 偏差校正

為更精確得到小尺度區(qū)域氣候變量的時(shí)空變化特征，必須借助該區(qū)域?qū)崪y(cè)氣象數(shù)據(jù)來對(duì)模式數(shù)據(jù)進(jìn)行偏差校正，可以將不同氣候模式的系統(tǒng)誤差降低，提高不同氣候模式在小尺度區(qū)域氣候變化情景預(yù)測(cè)方面的能力［25］。將實(shí)測(cè)的多年月平均氣溫?cái)?shù)據(jù)對(duì)不同氣候模式的日氣溫?cái)?shù)據(jù)進(jìn)行校正，見式（5）：

Td（t）=TR（t）+ （ （5）式中：t對(duì)應(yīng)每年的不同月份；Td（t）為偏差校正后對(duì)應(yīng)年份的逐日最高氣溫；TR（t）為不同的氣候模式在對(duì)應(yīng)年份的逐日最高氣溫；Tobs為率定期實(shí)測(cè)的多年

月平均最高氣溫；TR為率定期氣候模式的多年月平均最高氣溫。日最低氣溫的偏差校正過程與日最高氣溫的偏差校正一致。

為了更加精準(zhǔn)地使用CMIP6多模式的降水?dāng)?shù)據(jù)，因此對(duì)各模式的降水?dāng)?shù)據(jù)進(jìn)行偏差校正［26］。分位數(shù)映射法（Quantile Mapping，QM）將實(shí)測(cè)降水和歷史GCMs降水的分布頻率視為一致，再計(jì)算實(shí)測(cè)降水和歷史GCMs降水之間的統(tǒng)計(jì)關(guān)系和傳遞函數(shù)，將該傳遞函數(shù)計(jì)算未來模式降水的可能值。

CF=ECD-1 Fobs（Pr） -ECD-1 Fm（Pr） （6）

XCDR=Xm-CF （7）

2. 2. 3 泰勒?qǐng)D

泰勒?qǐng)D法用于比較CMIP6模式的模擬能力，泰勒?qǐng)D中的3個(gè)元素包含：模擬值與觀測(cè)值之間相關(guān)系數(shù)（R）、標(biāo)準(zhǔn)差之比（σ）和均方跟誤差（RMSE）f 。σf和RMSE反映模擬值和觀測(cè)值之間的偏差程度，R反映模擬值與觀測(cè)值之間的相關(guān)程度［27］，見式（8）—（10）：

2. 2. 4 全子集回歸

全子集回歸法（All Subsets Regression）又叫最優(yōu)子集法和全局擇優(yōu)法?？紤]數(shù)據(jù)集中所有可能的回歸模型，并根據(jù)AIC、SBIC等評(píng)估每個(gè)模型的性能，以選擇最佳的模型。以下是進(jìn)行全子集回歸法

的一般步驟。①選擇模型評(píng)估指標(biāo)：全子集回歸法需要評(píng)估每個(gè)模型的性能。常用的評(píng)估指標(biāo)包括均方誤差（RMSE）、調(diào)整后的R2（Adjusted R-

squared）和交叉驗(yàn)證誤差等。②生成所有可能的模型：如果有4個(gè)自變量，那么模型空間將包括單變量模型（每個(gè)自變量單獨(dú)一個(gè)模型）、雙變量模型（從4個(gè)自變量中選擇2個(gè)的組合模型）、三變量模型（從4個(gè)自變量中選擇3個(gè)的組合模型），以及四變量模型（所有4個(gè)自變量都包含的模型）。③模型選擇：根據(jù)模型評(píng)估結(jié)果，選擇性能最佳的模型。

3 實(shí)證分析

3. 1 貴州省NDVI年際變化特征

貴州省1999—2019年NDVI變化趨勢(shì)見圖2。從變化趨勢(shì)來看，貴州省年NDVI值整體呈波動(dòng)上升趨勢(shì)，說明省內(nèi)植被覆蓋水平增加，植被狀況總體趨好，年際變化率為0. 06/10a。

3. 1. 1 NDVI值多年空間分布

為方便分析植被覆蓋水平的空間規(guī)律，根據(jù)前人研究成果，本節(jié)將NDVI劃分為5個(gè)等級(jí)：低植被覆蓋（NDVI≤0. 30）、中低植被覆蓋（0. 30）、中植被覆蓋（0. 45）、中高植被覆蓋（0. 60）和高植被覆蓋（0. 75），貴州省植被覆蓋度的空間分布特征（圖3）可歸納為：高植被覆蓋度占主導(dǎo)地位，中高植被覆蓋度次之，其他的低植被覆蓋和中低植被覆蓋范圍太少，主要集中在貴州省省會(huì)貴陽(yáng)市附近。貴州東部和北部大部分地區(qū)NDVI值較高，由于西南部喀斯特發(fā)育較好，所以NDVI值較低，其中畢節(jié)市西部地區(qū)表現(xiàn)為大面積的中高植被覆蓋。近21 a貴州省NDVI空間分布差異明顯。貴州省植被覆蓋度總體呈現(xiàn)東部高、西南部及西部靠近云南邊緣低的分布特征，這主要與貴州省的自然條件和氣候有關(guān)，貴州省東南部多為迎風(fēng)面，受季風(fēng)影響，降水量豐富，貴州省西南部和畢節(jié)市靠近云南邊境一帶，持續(xù)無雨日數(shù)偏多，土壤含水量較其他地區(qū)偏低，不適宜植被生長(zhǎng)發(fā)育。

3. 1. 2 NDVI值變化趨勢(shì)空間分布

本文給定顯著性水平α=0. 05，則臨界值為1. 96，當(dāng)Z的絕對(duì)值大于1. 65、1. 96和2. 58時(shí)，表示趨勢(shì)分別通過了置信度為90%、95%和99%的顯著性檢驗(yàn)，分別對(duì)應(yīng)微顯著、顯著和極顯著。結(jié)果顯示除了省內(nèi)中部少數(shù)地區(qū)外，貴州省內(nèi)大部分地區(qū)呈極顯著增加趨勢(shì)；而貴州省中部城市及黔西南州發(fā)展地區(qū)的NDVI值呈顯著減少趨勢(shì)和極顯著減少趨勢(shì)，以貴陽(yáng)市和遵義市為代表，城市附近的NDVI表現(xiàn)為極顯著減少趨勢(shì)；貴州省植被退化面積分布較為分散。從圖4可以看出，貴州省植被改善面積遠(yuǎn)大于退化面積，雖然部分城市區(qū)域由于發(fā)展建設(shè)項(xiàng)目的增加而呈現(xiàn)出NDVI減少的變化，但總體上增加的區(qū)域比例相對(duì)較高，說明退耕還林工程和封山保林等保護(hù)工程后的貴州省的植被覆蓋水平極大地提高，所以合理的規(guī)劃和對(duì)行為的限制能夠有效降低生態(tài)環(huán)境遭受破壞的風(fēng)險(xiǎn)，有利于生態(tài)環(huán)境的可持續(xù)發(fā)展。對(duì)于一些NDVI出現(xiàn)不同程度減少的地區(qū)，主要原因是城市化的快速發(fā)展侵占了周邊植被空間，導(dǎo)致植被生存空間變小。

3. 2 極端氣候事件與NDVI的相關(guān)性

如果極端氣候指數(shù)之間沒有相關(guān)性或沒有顯著相關(guān)性，則可根據(jù)相關(guān)系數(shù)的大小來排列極端氣候指數(shù)對(duì)植被的影響重要性。利用相關(guān)分析法探討年尺度極端氣候指數(shù)對(duì)NDVI的影響，本小節(jié)使用22個(gè)極端氣候指數(shù)與貴州省NDVI做相關(guān)性分析，可以從圖5得到，與NDVI呈正相關(guān)的極端氣候指數(shù)里，按它們之間的相關(guān)性大小排序如下（從大到?。?/p>

TN90p>TR>TNn>R30>RX5day>R99p>PRCPTOT>R10>SU>R95p>TX90p>TXx>SDII>RX1day。與NDVI呈負(fù)相關(guān)的極端氣候指數(shù)里，按照相關(guān)系數(shù)大小排序如下（從大到小）：TN10p>DTR>TX10p>CDD>CWD>ID?？傮w而言，在氣溫和降水方面，極端氣溫指數(shù)與NDVI的相關(guān)性高于極端降水指數(shù)。假設(shè)極端氣候指數(shù)之間相互獨(dú)立，那么通過相關(guān)系數(shù)值來建立極端氣候指數(shù)對(duì)植被的多元回歸方程，但分析發(fā)現(xiàn)極端氣候指數(shù)不僅與NDVI存在相關(guān)性，氣候指數(shù)之間也相互存在相關(guān)性。所以，不能根據(jù)相關(guān)系數(shù)值的大小來分析極端氣候指數(shù)對(duì)NDVI的影響程度，同時(shí)不能忽視各極端氣候指數(shù)相互影響的性質(zhì)。所以，不能只根據(jù)圖5所示的相關(guān)系數(shù)的大小來判斷極端氣候指數(shù)與NDVI之間的相關(guān)關(guān)系，需要多方位考慮來搭建相關(guān)關(guān)系模型，因此利用全子集回歸法選擇最佳的模型。

3. 3 NDVI未來預(yù)測(cè)回歸模型

利用1999—2019年的22個(gè)極端氣候指數(shù)與NDVI進(jìn)行全子集回歸，圖6以R2adj為評(píng)價(jià)標(biāo)準(zhǔn)的貴州省年尺度極端氣候指數(shù)與NDVI不同子集大小的22個(gè)模型。圖6可知，不是所有極端氣候指數(shù)都參與建模情況下的模型才是最佳模型，使模型R2adj達(dá)到最大，只需要單日最大降雨（RX1day）、5日最大降雨（RX5day）、日平均溫差（DTR）、強(qiáng)降水量（R95p）、極強(qiáng)降水量（R99p）、冷夜日數(shù)（TN10p）、暖晝?nèi)諗?shù)（TX90p）、熱夜日數(shù)（TR）這8個(gè)極端氣候指數(shù)參與的變量組合的R2adj最高為0. 88，這8個(gè)指數(shù)多元線性組合的模型模擬效果最優(yōu)，減少或增加任何其他極端氣候指數(shù)都會(huì)降低這8個(gè)指數(shù)組成的模型的模擬效果。

利用全子集回歸法選取的8個(gè)極端氣候指數(shù)，貴州省NDVI的回歸得出的最佳回歸模型及最佳回歸模型的回歸系數(shù)見表3，該表顯示了極端氣候指數(shù)與NDVI在貴州省整個(gè)年尺度上的最佳回歸模型的回歸系數(shù)，除TN10p和TR外，其他系數(shù)均在p<0. 05水平顯著，表明NDVI不僅受極端降水的影響，也受極端溫度的影響。

利用貴州省年尺度NDVI和年極端氣候指數(shù)，建立的未標(biāo)準(zhǔn)化最優(yōu)回歸模型見式（11）：

NDVI = 0.887 - 0.229× 10-2RX1day +

0.17× 10-2RX5day - 0.407× 10-1DTR + 0.47×

（11）10-3R95p - 0.974× R99p - 0.487× 10-2TN10p +

0.708× 10-2TX90p + 0.191× 10-2TR

3. 4 貴州省極端氣候事件及NDVI的未來預(yù)估

3. 4. 1 CMIP6數(shù)據(jù)偏差校正

泰勒?qǐng)D對(duì)模式模擬氣溫和降水要素的結(jié)果進(jìn)行評(píng)估（圖7），模式1為MIROC6模式；模式2為MPI-ESM1-2-LR模式；模式3為MRI-ESM2-0模

溫（圖7c）的STD值約為7. 3，R在0. 8～0. 9，RMSE值位于0. 3～0. 4；MME在日低溫（圖7e）的STD值約為7. 2，R在0. 90～0. 95，RMSE值位于0. 8～0. 9。經(jīng)過

偏差校正后（圖7），各模式模擬相對(duì)于校正前的分散形式表現(xiàn)得更為集中，多模式集合MME的模擬結(jié)果最接近觀測(cè)值。

CMIP6的全球氣候模式對(duì)降水的模擬效果較差，而溫度的模擬效果明顯優(yōu)于降水。其中MME的模擬結(jié)果比單一模式更接近實(shí)測(cè)值，標(biāo)準(zhǔn)偏差和均方根誤差優(yōu)于絕大部分模式，模擬性能得到了顯著增強(qiáng)。因此采用MME模式數(shù)據(jù)進(jìn)行下一步研究。

3. 4. 2 極端氣候事件未來變化分析

分析極端降水指數(shù)，持續(xù)無雨日數(shù)（CDD）的變化特征（圖8a）。在SSP245情景，CDD呈減少趨勢(shì)；在SSP585情景下，CDD減幅增大，均小于歷史實(shí)測(cè)式；模式4為NESM3模式；模式5為多模式集合平均模式（Multi-Model Ensemble，MME）。

3個(gè)綜合指標(biāo)里，未偏差校正前降水（圖7a）的STD以及R表現(xiàn)較差，MME在降水的STD最大值約為3. 2，R約為0. 2，RMSE在0. 8～1. 5；MME在日高值，說明未來貴州省最大干旱發(fā)生日數(shù)減少，年內(nèi)降水日數(shù)增加。圖8b分析了未來年降水量（PRCPTOT），貴州省未來80 a的PRCPTOT呈增加趨勢(shì)，2021—2060年2種情景的PRCPTOT多年均值均高于歷史PRCPTOT，不同排放情景下的PRCPTOT差異性小，但隨著時(shí)間的推移，排放路徑情景越高，增幅越大。2061—2100年P(guān)RCPTOT的多年均值與歷史期相比顯著增加，波動(dòng)強(qiáng)度大，SSP585情景的PRCPTOT變化最大，增幅較大。2021—2060年的中雨日數(shù)（R10）與2061—2100年的R10相比，后者呈明顯增加趨勢(shì)，但R10總體小于基于實(shí)測(cè)數(shù)據(jù)所計(jì)算的指數(shù)，說明未來貴州省的中雨發(fā)生頻次較過去趨于減少。表明未來在年總降水量增加的趨勢(shì)下，年內(nèi)降水日數(shù)增加，但中雨日數(shù)發(fā)生頻次減少，發(fā)生極端降水的頻次可能會(huì)增加。

分析極端氣溫指數(shù)，在SSP245情景下，未來前期的暖晝指數(shù)（TX90p）變化（圖8d），小于歷史實(shí)測(cè)期的TX90p值；未來后期呈增加趨勢(shì)。SSP585情景下的TX90p變幅顯著大于SSP245情景，對(duì)比歷史實(shí)測(cè)期呈大幅增加趨勢(shì)，未來后期比未來前期的變幅更大，但穩(wěn)定性也更差。分析上下四分位數(shù)的分布，SSP245情景下的TX90p穩(wěn)定性小于SSP585情景。圖8e表示未來前期和后期在2種情景下貴州省SU均呈增加趨勢(shì)，且隨輻射強(qiáng)迫水平不斷增加，SU增幅增加。在中強(qiáng)迫情景（SSP245）下，SU增幅隨時(shí)間的推移不顯著；在高強(qiáng)迫情景（SSP585）下，SU增幅均大于中強(qiáng)迫情景。總體的在SSP585和SSP245情景下，未來前期SU的變化與歷史期SU的增幅小于未來后期，SSP585情景下的變化要比SSP245情景下的上升幅度大，未來SU均值較歷史值增加60 d不等。在2種氣候情景下，最低氣溫（TNn）的變化特征一致，由圖8f得到未來前期和未來后期TNn無論中位數(shù)還是上下四分位數(shù)均高于歷史期TNn值。在SSP245情景下，未來前期最低氣溫大約將上升4. 0 °C，未來后期最低氣溫將上升4. 3 °C至5. 8 °C左右，在SSP585情景下，未來后期最低氣溫將上升5. 5 °C至7. 0 °C左右，總的表現(xiàn)為隨時(shí)間和輻射強(qiáng)迫水平的增加，最低氣溫升高。

總體上，貴州省未來氣溫普遍高于歷史氣溫，未來降水量也呈增加趨勢(shì)，原因可能在于該全球氣溫升高的背景下，蒸發(fā)速度明顯加快，地球上的陸地、大洋和大氣之間非常頻繁的流通過程進(jìn)而引起水文循環(huán)，所以未來80 a貴州省的總降水量可能會(huì)增加，進(jìn)而發(fā)生強(qiáng)降水次數(shù)相比歷史期可能會(huì)偏多。不同極端氣候指數(shù)在不同情景下的變化不同，但總體上表現(xiàn)為隨著輻射強(qiáng)迫的變幅增加但穩(wěn)定性逐漸降低。

3. 4. 3 不同排放情景下的植被覆蓋度預(yù)測(cè)

分析2種SSP情景下貴州省2021—2100年NDVI的時(shí)間變化趨勢(shì)（圖9），不同SSP情景下2021—2100年NDVI的變化趨勢(shì)差異性較小。在2種情景下，NDVI的年際變化均呈增加趨勢(shì)，為0. 04～0. 05 /10a。在SSP245情景下（圖9a），NDVI先呈快速增長(zhǎng)趨勢(shì)后呈緩慢增長(zhǎng)趨勢(shì)，2021—2060年NDVI的變化率為0. 04 /10a，2061—2100年變化率為0. 01 /10a；在SSP585情景下（圖9b），NDVI先快速增長(zhǎng)后緩慢增長(zhǎng)，2021—2060年NDVI的趨勢(shì)為0. 06 /10a，變化率為0. 02 /10a，總結(jié)出，未來貴州省NDVI的變化趨勢(shì)呈增加趨勢(shì)，但增幅呈下降趨勢(shì)。

SSP585情景下的NDVI變化率大于SSP245情景。分析NDVI最高值和最低值出現(xiàn)的年份，2種情景的NDVI最低值都出現(xiàn)在前40 a，而最高值出現(xiàn)在后40 a，隨著輻射強(qiáng)迫的增加，最高值出現(xiàn)的年份逐漸提前，最高值也逐漸增加。從前后40 a的變化趨勢(shì)來看，在不同情景下，2021—2060年的NDVI平均值均小于2061—2100年的平均值，且隨著輻射強(qiáng)迫的增加，未來前期NDVI平均值略微減小，未來后期NDVI平均值明顯增大。

4 結(jié)論

a））近21 a來，貴州省植被覆蓋整體往良好的方向發(fā)展，呈顯著增加的趨勢(shì)，以高植被覆蓋度為主，NDVI多年均值為0. 776，年增長(zhǎng)率為0. 06 /10a?？臻g上，貴州省植被覆蓋水平總體呈東高西低分布，喀斯特區(qū)低分布的格局。大部分地區(qū)植被覆蓋呈顯著增加趨勢(shì)，揭示了在全球氣候變暖的外部環(huán)境及近年來的退耕還林和封山保林工程，貴州省植被發(fā)展良好，但城市擴(kuò)張區(qū)NDVI呈顯著減少趨勢(shì)。在降水充沛區(qū)域，氣溫是影響植被生長(zhǎng)的主要約束條件，極端暖溫指數(shù)對(duì)植被起促進(jìn)作用，極端冷溫指數(shù)對(duì)植被有抑制作用。

b））MME能有效提高模擬貴州省未來極端氣候事件變化的效果，MME對(duì)氣溫的模擬效果最好，降水次之。2021—2100年貴州省氣候以增暖增濕為主，其中夏天日數(shù)和最低氣溫的上升幅度顯著，極端冷溫指數(shù)多呈下降趨勢(shì)，代表干旱的極端降水頻率指數(shù)多呈不顯著減少趨勢(shì)，代表濕潤(rùn)的極端降水頻率指數(shù)呈顯著增加趨勢(shì)。極端氣候事件在SSP585情景下的變化幅度大于SSP245情景。植被覆蓋度隨未來年平均氣溫和年總降水量增加，2種情景下未來NDVI總體呈增加趨勢(shì)，在高輻射強(qiáng)迫情景下趨勢(shì)更顯著，說明氣候變暖的溫室效應(yīng)相比極端氣候事件帶來的負(fù)向作用影響力更大，但歷史期植被變化率較未來期偏大，說明極端氣候事件也有一定抑制作用。

本文主要通過相關(guān)回歸探討極端氣候事件對(duì)NDVI的影響，在多元回歸模型中忽略了未參與模型的指數(shù)的貢獻(xiàn)。在今后的工作中，將嘗試建立更多的模型，盡可能量化各極端氣候指數(shù)對(duì)植被NDVI的影響，并在今后進(jìn)一步分析極端氣候事件對(duì)植被生理結(jié)構(gòu)的具體機(jī)制，同時(shí)開展不同植被類型區(qū)極端氣候指數(shù)對(duì)植被 NDVI的影響。

參考文獻(xiàn)：

［1］ IPCC第六次評(píng)估報(bào)告第一工作組報(bào)告發(fā)布［N］. 中國(guó)氣象報(bào)，2021-08-10（1） .

［2］KIKSTRA J S， NICHOLLS Z R J， SMITH C J， et al. The IPCCSixth Assessment Report WGIII climate assessment of mitigation pathways： from emissions to global temperatures［J］. Geoscientific Model Development， 2022， 15（24）： 9075-9109.

［3］王蕾，張百超，石英，等. IPCC AR6報(bào)告關(guān)于氣候變化影響和風(fēng)險(xiǎn)主要結(jié)論的解讀［J］. 氣候變化研究進(jìn)展，2022，18（4）： 389-394.

［4］MESEGUER-RUIZ O， CORVACHO O， TOSETTI A T， et al. Analysis of the trends in observed extreme temperatures in mainland Chile between 1966 and 2015 using different indices［J］. Pure and Applied Geophysics， 2019， 176： 5141-5160.

［5］羅玉. 西南地區(qū)極端降水和氣溫的變化特征及其與高原夏季風(fēng)的關(guān)系研究［D］.成都：成都信息工程大學(xué)，2015.

［6］趙樹云，袁暢，張華，等. 基于多源證據(jù)估算氣候敏感度最新研究進(jìn)展： IPCC AR6解讀［J］. 大氣科學(xué)學(xué)報(bào)，2023，46（6）： 848-863.

［7］ LI J L F， XU K M， RICHARDSON M， et al. Annual andseasonal mean tropical and subtropical precipitation bias in CMIP5 and CMIP6 models［J］. Environmental Research Letters， 2020， 15（12）. DOI：10. 1088/1748-9326/abc7dd.

［8］劉珊珊，劉布春，劉園，等. CMIP6全球氣候模式對(duì)山東極端氣溫模擬能力評(píng)估［J］. 中國(guó)農(nóng)業(yè)氣象，2024，45（1）： 91-100.

［9］ FU Y H， LIN Z D， WANG T. Simulated relationship between wintertime ENSO and East Asian summer rainfall： From CMIP3 to CMIP6［J］. Advances in Atmospheric Sciences， 2021， 38（2）： 221-236.

［10］呂桂軍，冷險(xiǎn)險(xiǎn)，劉小剛，等. 基于CMIP5多模式集合預(yù)估貴州省干旱時(shí)空變化［J］. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（2）： 221-228.

［11］吳晶，王寶鑒，楊艷芬，等. CMIP3與CMIP5模式對(duì)中國(guó)西北干旱區(qū)氣溫和降水的模擬能力比較［J］. 氣候變化研究進(jìn)展，2017，13（3）： 198-212.

［12］ZHANG R F， XU X L， LIU M X， et al. Comparing evapotranspiration characteristics and environmental controls for three agroforestry ecosystems in a subtropical humid karst area［J］. Journal of Hydrology， 2018， 563： 1042-1050.

［13］康為民，羅宇翔，向紅瓊，等. 貴州喀斯特山區(qū)的NDVI-Ts特征及其干旱監(jiān)測(cè)應(yīng)用研究［J］. 氣象，2010，36（10）：78-83.

［14］GOTFRIED M，PAULI H，F(xiàn)UTSCHIK A，et al. Continent-wide response of mountain vegetation to climate change［J］. Nature Climate Change， 2012（2）： 111-115.

［15］王茜，趙筱青，普軍偉，等. 滇東南喀斯特區(qū)域生態(tài)脆弱性時(shí)空演變與影響因素［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2021，32（6）： 2180-2190.

［16］昝瑛，馬竟文，余鈺淋，等. 降雨極端化對(duì)喀斯特草本植物功能性狀的影響［J］. 西南大學(xué)學(xué)報(bào)（ 自然科學(xué)版），2022，44（9）： 20-31.

［17］HE L， GUO J B， YANG W B， et al. Multifaceted responses of vegetation to average and extreme climate change over global drylands［J］. Science of The Total Environment， 2023， 858. DOI：10. 1016/j. scitotenv. 2022. 159942.

［18］MURADYAN V， TEPANOSYAN G， ASMARYAN S， et al. Relationships between NDVI and climatic factors in mountain ecosystems： A case study of Armenia［J］. Remote Sensing Applications： Society and Environment， 2019， 14：158-169.

［19］吳運(yùn)力， 張鈺，田佳榕. 氣候變化和人類活動(dòng)對(duì)內(nèi)蒙古高原不同植被類型NDVI的影響［J］. 中國(guó)農(nóng)業(yè)氣象，2023，44（12）： 1155-1168.

［20］符淙斌，王強(qiáng). 氣候突變的定義和檢測(cè)方法［J］. 大氣科學(xué)，1992（4）： 482-493.

［21］劉子堂，李謝輝，楊靜坤. 四川盆地極端降水事件時(shí)空變化特征及未來趨勢(shì)分析［J］. 成都信息工程大學(xué)學(xué)報(bào)，2022，37（4）： 456-463.

［22］GUO M， LI J， HE H S， et al. Detecting global vegetation changes using mann-kendal （MK） trend test for 1982-2015 time period［J］. Chinese Geographical Science， 2018， 28（6）： 907-919.

［23］吳晶璐，吳建秋，黃文彥，等. 近50年華東地區(qū)極端氣溫變化特征［J］. 湖北農(nóng)業(yè)科學(xué)，2021，60（S1）： 96-100，114.

［24］SEN P K. Estimates of the regression coefficient based on Kendall's tau［J］. Journal of the American Statistical Association，1968，63（324）： 1379-1389.

［25］朱世峰，王衛(wèi)光，丁一民，等. 基于CMIP6的長(zhǎng)江中下游未來水稻高溫?zé)岷r(shí)空變化特征［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（3）： 113-122.

［26］LI H B，SHEFFIELD J， WOOD E F. Bias correction of monthlyprecipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching［J］. Journal of Geophysical Research： Atmospheres， 2010， 115. DOI：10. 1029/2009JD012882.

［27］胡一陽(yáng)，徐影，李金建，等. CMIP6不同分辨率全球氣候模式對(duì)中國(guó)降水模擬能力評(píng)估［J］. 氣候變化研究進(jìn)展，2021，17（6）： 730-743.