2026, Vol. 47
2. 韶关市气象局，韶关 512028
2. Shaoguan Meteorological Bureau, Shaoguan 512028, China
极端气候事件的频率、强度和持续时间增加是全球变化的重要特征之一，其所具备的突发性和破坏性将给陆地生态系统带来严重、持久甚至不可恢复的影响[1~3]. 作为表征地表生态质量的关键指标，植被净初级生产力（net primary productivity，NPP）不仅是开展生态系统物质和能量运转研究的基础，也是判定生态系统碳汇功能的主要因子，它的变化直接影响大气二氧化碳浓度，从而对气候变化产生影响[4~6]. 同时，植被NPP对极端气候事件高度敏感，后者通过改变土壤水分和养分状况、影响植物生长发育周期与生理特性，进而调控植被生产力和碳循环过程[7]. 因此，探究极端气候与植被NPP之间的关系已成为国际社会广泛关注的科学问题.
目前，植被NPP对极端气候响应的研究大致可以分为两类：一是NPP对单个或多个气候事件的响应研究，二是NPP对极端气候指数的响应研究[8，9]. 在全球或区域尺度上，干旱被认为是影响植被碳汇功能的最主要胁迫因子之一，可显著削弱植被碳汇功能，甚至使生态系统由碳汇转为碳源[10，11]. 极端高温事件对植被的影响通常表现为抑制光合作用、增强呼吸作用及削弱碳汇功能[12]. 极端降水对植被NPP的影响因地理位置而异，在半干旱区域可能增加土壤水分进而提升生态系统生产力，在湿润地区则可能因涝渍胁迫减弱碳汇功能[13~15]. 学者们还从多个尺度研究了植被NPP与极端气候之间的相关性与时滞效应，旨在揭示其内在响应机制[16，17]. 21世纪初，气候变化检测和指数专家组ETCCDI提出27个具有代表性的极端气候指数，可全面描述极端事件发生频率、持续时间和强度变化，已被广泛应用于全球极端气候事件时空变化研究[18~21]. 张艳军等[22]挑选了14个核心极端气候指数，用以研究成渝地区NPP对极端气候的响应规律. 苏日罕等[23]从强度、持续时间和频率这3个维度出发计算了18个极端气候指数，定量评价极端气候对内蒙古地区植被的影响. 郝成元等[24]利用多元线性回归方法，量化研究极端气候指数对NPP变化趋势的贡献量. 与基于单一气候事件的研究相比，基于极端气候指数的研究优势在于可整合多个变量的影响，为全面评估极端事件对植被NPP的影响程度提供了解决方案.
广东省地处中国大陆最南端，GDP总量排名全国第一，人口全国排名第三，拥有丰富的植被种类和气候资源，是我国受台风影响最多的省份，同时也是汛期最长、暴雨发生最多的地区，可谓是研究植被对极端气候响应规律的天然实验室[25]. 目前学者们已围绕广东省植被对气候要素的响应规律开展诸多研究，但针对植被对极端气候的综合响应机制仍缺乏系统探讨. 因此，本文基于长期气候观测资料计算极端气候指数，利用统计方法分析广东省植被NPP、极端气候指数的时空变化特征，并基于随机森林模型进行特征重要性排序，揭示广东省植被NPP对极端气候的响应规律，研究结果对于广东省筑牢生态安全屏障、提升生态环境质量具有重要意义.
1 材料与方法 1.1 数据来源本文以广东省为研究区域，所使用的2000~2024年植被NPP数据来源于中国气象局国家气象中心提供的全国NPP月产品. 该产品利用太阳光合有效辐射、植被吸收光合有效辐射比例和实际光能利用率等数据，驱动TEC模型，估算植被NPP，数据经过了严格的精度验证，已在全国生态气象业务中广泛使用[26，27]，其空间分辨率为0.01°，投影方式为等经纬度投影（Geographic Lat/Lon）. 利用遥感图像处理平台ENVI完成NPP数据预处理，使用广东省行政边界对其进行裁剪，得到广东省植被NPP月产品，并对月产品进行逐像元累加得到年产品.
日最高气温、日最低气温、日平均气温和日降水量等气象数据来自于广东省气候中心，由广东省86个国家气象站观测得到. 本文根据气候变化检测和指数专家组（expert team for climate change detection and indices，ETCCDI）对27个极端气候指数的定义（表 1）[28]，以1961~1990年气象数据为基准值，计算出2000~2024年广东省27个极端气候指数，并采用克里金插值法将其插值为空间分辨率为0.01°的格点数据.
|
表 1 极端气候指数 Table 1 Extreme climate indices |
1.2 研究方法 1.2.1 Theil-Sen斜率分析
Theil-Sen斜率估计是一种统计学中常用的非参数方法[29]，用于分析某一要素在长时间序列中的变化趋势，较之简单的线性回归分析，它可以减少异常值的影响. 其计算公式如下：
| (1) |
式中，Median（）表示取中位数，β为Theil-Sen斜率，β > 0表示时间序列呈现上升趋势，β < 0表示时间序列呈现下降趋势，β=0表示保持不变；Ni和Nj为不同时间的植被NPP数据，i、j表示时间.
1.2.2 Mann-Kendall检验Mann-Kendall是一种非参数统计检验方法，由于其不受缺失值和异常值的影响，因而在长时序的水文、气象数据分析中广泛应用. 对一个数据序列N={N1，N2，…，Nn}，使用检验统计量Z进行趋势检验，计算公式如下[30]：
| (2) |
| (3) |
| (4) |
| (5) |
式中，n为时间序列中数据个数，且n≥10. 当Z=0时，表示变量无变化趋势，当
值得注意的是，NPP与极端气候指数长时序数据可能存在自相关，进而放大趋势的显著性，因此在进行Mann-Kendall趋势检验之前，本文采用预置白处理法（trend-free pre-whiteing，TFPW）对数据序列进行预处理[31]，去除其自相关性.
1.2.3 随机森林重要性排序随机森林回归模型可以基于决策树实现变量重要性评分，进而评价各个自变量对因变量的影响程度. 本文在Python平台下调用Scikit-learn库，以极端气候指数为自变量，以植被NPP为因变量，构建决策树，采用均方误差衡量决策树节点分裂时的不纯度减少量，并以此进行特征重要性评分及排序，进而揭示每个极端气候指数对植被NPP的影响. 决策树数量设置为200，不设置树的最大深度，最小分裂样本数为2，最小叶节点样本数为1，每棵决策树随机选择的特征比例为100%. 采用5折交叉验证法对模型泛化能力和稳定性进行评价，得到拟合系数R2为0.233 6，标准差为0.040 9，OOB得分为0.233 1.
2 结果与分析 2.1 植被NPP的时空变化规律从广东省植被NPP年际变化可知（图 1），2000~2024年广东省植被NPP呈波动上升趋势，其增长速率为57.35 g·（m2·10 a）-1（P < 0.05），最大值为1 114.73 g∙m-2（2023年），最小值为865.86 g∙m-2（2005年）. 其中，2005年广东省降水时空分布极不均匀，春季、秋季和冬季持续干旱少雨，气象条件对植被NPP生态质量的影响表现为显著的负向驱动[32]，导致当年植被NPP远低于近25 a平均值；2023年气候特征表现为气温偏高，汛期持续时间长，全年光、温、热条件有利于植被生长，加之绿美广东生态建设成效显著，使得全省植被NPP达到近25 a最高值.
|
图 1 2000~2024年广东省植被NPP年际变化、空间分布及变化趋势 Fig. 1 Interannual variation, spatial distribution, and change trend of NPP in Guangdong Province from 2000 to 2024 |
从广东省多年平均NPP空间分布可知（图 1），广东省植被NPP总体处于较高水平，近25 a平均值达1 018.51 g∙m-2，其中，NPP < 500 g∙m-2区域占比4.65%，500 g∙m-2≤NPP < 1 000 g∙m-2区域占比31.18%，NPP≥1 000 g∙m-2区域占比64.17%. 低值区主要分布在珠三角的佛山、中山、东莞和广州南部等地，以及粤东局部区域，以上区域经济发达和人口集中，人类活动对植被干扰相对强烈；高值区主要分布在粤北地区的韶关、河源、梅州、清远和云浮等地，以及粤西的北部区域，以上区域位于南岭山脉或云开大山山脉，海拔较高，为广东省重要的生态屏障，因而植被生态质量优于省内其他区域.
利用2000~2024年广东省植被NPP时间序列数据，进行TFPW-MK检验，将检验结果划分为5个等级：显著增加、不显著增加、无变化、不显著减少和显著减少. 从图 1可知，2000~2024年广东省植被NPP增加区域的面积占比高达89.47%，其中显著增加的区域为57.96%，不显著增加的区域为31.51%；减少区域的面积占比仅为10.26%，其中显著减少区域占比为3.34%，不显著减少区域为6.92%. 从空间分布来看，NPP显著增加区域主要分布在粤北的云浮、梅州大部和河源东北部，珠三角的肇庆、惠州、广州北部和江门西部，以及粤西的阳江和茂名；NPP显著减少区域则零星分布在粤东及珠三角局部地区，与NPP低值区基本吻合，主要是因为在以上经济高度发展区域人类生产、生活及社会活动对植被造成了持续的干扰与破坏作用[33].
2.2 极端气候指数的时空变化规律 2.2.1 气温类指数时空变化从2000~2024年气温类指数的年际变化来看（图 2），由于广东省处于低纬度地区，气候总体偏暖，霜冻、结冰事件很少发生，ID在近25 a均为0 d，故后续研究不再考虑该指数，FD亦仅以0.05 d·（10 a）-1的速率微弱增加，未通过显著性检验. TR以4.89 d·（10 a）-1的速率显著增加，SU以2.94 d·（10 a）-1的速率增加（未通过显著性检验），表明夏季呈潜在变长和变热趋势，且夏季夜间升温尤为明显. TXx和TNx分别以0.22 ℃·（10 a）-1和0.13 ℃·（10 a）-1的速率略增，TXn和TNn分别以0.29 ℃·（10 a）-1和0.12 ℃·（10 a）-1的速率略降，DTR以0.11 ℃·（10 a）-1的速率略降，上述指数均未通过显著性检验，表明极端暖事件和冷事件强度呈潜在增强态势，年平均日较差呈潜在下降趋势. TX90p和TN90p分别以8.56 d·（10 a）-1和15.56 d·（10 a）-1的速率显著增加，表明极端暖事件发生频率显著增加，且暖夜发生频率增加尤为突出；TX10p和TN10p分别以1.28 d·（10 a）-1（未通过显著性检验）和4.64 d·（10 a）-1的速率减少，表明极端冷事件频率整体减少，且冷夜减少显著、冷昼减少不显著，昼夜差异明显. WSDI以7.52 d·（10 a）-1的速率显著上升，表明极端暖事件持续时间明显增加. 此外，CSDI和GSL的变化速率较低且未通过显著性检验. 由此可见，2000~2024年广东省表征高温的指数普遍呈上升趋势，表征低温的指数普遍呈下降趋势，凸显了研究区极端暖事件发生频率增加、持续时间明显延长，极端冷夜发生频率减少，且夜间增温效应显著，昼夜增温呈现出不对称性的气候变化特征[34].
|
图 2 2000~2024年气温类指数年际变化 Fig. 2 Interannual variation of extreme temperature indices from 2000 to 2024 |
从2000~2024年广东省气温类指数的空间分布来看（图 3），不同指数存在明显的区域性差异. SU、TR、TNx和GSL等高温指数，呈现随纬度增加而降低的趋势，在粤东沿海、珠三角平原或粤西沿海地区明显高于粤北山区. FD、TX10p和TN10p等低温指数呈现随纬度增加而升高的趋势，由于粤北山区海拔高且纬度相对较高，低温事件发生频率明显高于其他地区. TX90p、TN90p、WSDI和CSDI的纬度地带性并不显著，但TX90p、TN90p和WSDI在珠三角地区存在明显高值区，可能是受人类活动影响所致.
|
图 3 2000~2024年气温类指数空间分布及变化趋势 Fig. 3 Spatial distribution and variation trend of extreme temperature indices in Guangdong Province from 2000 to 2024 |
从TFPW-MK检验结果可知（图 3），广东省高温类指数普遍呈增加趋势，其中，TN90p在全省75.58%的站点呈增加趋势，其中显著增加站点占比为54.65%；WSDI与TR分别有80.23%、79.07%的站点呈增加趋势，其中显著增加站点占比分别为37.21%和29.07%. 这表明广东省夏季极端暖事件增强，暖夜的频率与极端暖事件的持续时间发生了统计显著且空间广泛的增加. 与TN90p相比，TX90p虽有69.77%的站点呈增加趋势，但显著增加站点占比仅为23.26%，进一步揭示了极端暖事件的昼夜不对称特征，即暖夜频率在全省范围内普遍、显著增加，而暖昼的增加则空间异质性较强. SU、TXx和TNx三者虽有超过58%的站点呈增加趋势，但均未形成统计显著的空间一致信号. 全省低温类指数普遍呈减少趋势，TN10p最为突出，呈减少趋势的站点占比高达93.02%，其中呈显著减少趋势的站点占比为53.49%，说明冷夜发生频率在全省普遍减小；CSDI、FD、TX10p、TXn和TNn虽普遍呈减少趋势，但呈显著减少趋势的站点占比极低. 正是因为昼夜增温的不对称性，导致DTR在全省73.26%的站点呈现减少趋势，其中呈显著减少趋势站点占比为31.40%. 此外，GSL的变化趋势在所有站点均未通过显著性检验.
2.2.2 降水类指数时空变化从2000~2024年降水类指数的年际变化可知（图 4），2000~2024年广东省降水类指数普遍呈增长趋势（Rx1day除外），但均未通过P < 0.05显著性检验. 在降水总量与强度方面，PRCPTOT以41.11 mm·（10 a）-1的速率增加，表明年降水量呈潜在增长趋势；Rx5day、SDII、R95pTOT和R99pTOT增长率分别为9.12 mm·（10 a）-1、0.10 mm·（d·10 a）-1、27.89 mm·（10 a）-1和37.59 mm·（10 a）-1，共同指示了极端降水过程的强度和量级呈潜在增长趋势. 从表征降水日数的指数而言，R10mm、R20mm和R25mm增长速率分别为1.22、0.65和0.47 d·（10 a）-1，表明各级别强降水日数均呈潜在增多趋势，增长速率随降水强度等级的提升递减. 表征干湿持续性的指数中，CDD的增长速率为0.24 d·（10 a）-1，表明连续降水在时间分布上更加不均匀，最大干旱持续日数有所增加；CWD的变化趋势十分微弱，增长率仅为0.08 d·（10 a）-1. 综合分析表明，由于受热带气旋、季风等天气系统以及复杂地形的影响，2000~2024年间广东省极端降水指数年际变率较大，未呈现统计上显著的长期变化趋势[35]，但多项指标表现出极端降水事件强度增强、频率增加及持续时间延长的特征，表明广东省降水格局正朝着强降水更强、极端事件更频发的方向演变.
|
图 4 2000~2024年降水类指数年际变化 Fig. 4 Interannual variation of extreme precipitation indices from 2000 to 2024 |
从2000~2024年降水类指数的空间分布可知（图 5），降水量和降水日数总体呈现南多北少趋势. Rx1day、Rx5day和SDII在沿海地区明显高于内陆地区，特别是汕尾、中山和阳江有明显高值区. R95pTOT和R99pTOT在沿海和珠三角地区相对高值区连接成片，在潮州、梅州、河源、韶关、肇庆和云浮等地存在相对低值区. PRCPTOT、R10mm、R20mm和R25mm在汕尾、广州中北部-惠州北部-清远东南部和阳江-江门交界处存在明显高值区，以上高值区的分布与广东省气象局在防灾减灾工作中密切关注的三大暴雨中心的位置基本一致[36]. CDD在东部沿海存在明显高值区，潮州、汕头、揭阳、汕尾、惠州和深圳等地市从东往西基本连成带状，而在韶关北部和清远北部存在明显低值区. CWD在汕尾、广州中北部-惠州北部-清远东南部和阳江-江门交界处存在明显高值区，在潮州、中山、云浮和湛江等地存在明显低值区.
|
图 5 2000~2024年降水类指数空间分布及变化趋势 Fig. 5 Spatial distribution and variation trend of extreme precipitation indices in Guangdong Province from 2000 to 2024 |
从TFPW-MK检验结果可知（图 5），广东省极端强降水事件呈增强趋势，且呈现显著增强趋势的站点主要集中于粤北山区. 表征极端降水强度的指数增强信号最为明确，R99pTOT呈增加趋势站点占比最高，为77.91%，其中呈显著增加趋势的站点占比为9.30%；R95pTOT亦有60.47%的站点呈增加趋势，其中呈显著增加趋势的站点占比为4.65%，其大多集中于粤北的韶关、清远等地，表明粤北地区全年由极端降水及强降水事件所带来的总雨量正在显著增加. 与此同时，SDII在全省65.12%的站点呈增加趋势，其中呈显著增加趋势的站点占比为5.81%，其同样位于韶关和清远地区，表明粤北地区降水的平均强度也在普遍提升. 在表征不同历时极端降水的指数上，Rx5day与Rx1day呈现出不同的空间格局，Rx5day有72.09%的站点呈增加趋势，其中呈显著增加趋势的站点占比为5.81%，绝大多数集中于粤北韶关，揭示了该地区持续性极端降水的显著增强；Rx1day虽有62.79%的站点呈增加趋势，但仅1.16%的站点显著增加，该站点位于佛山市，表明短时极端降水显著增强的特征更具局地性. R10mm呈增加趋势的站点为62.79%，其中呈显著增加趋势的站点占比为2.33%，集中于粤西的云浮市，表明该区域强降水频率显著增加. CWD在全省高达80.23%的站点呈减少趋势，然而呈显著减少趋势的站点占比仅为1.16%. 其余指数在所有站点均未通过显著性检验.
2.3 植被NPP对极端气候的响应为系统评估广东省植被NPP对极端气候的响应规律，本文基于随机森林模型，采用平均不纯度减少方法，对除ID之外的26个极端气候指数进行特征重要性评分（图 6），重要性评分越高表示该指数对植被NPP的影响越大.
|
图 6 极端气候指数对NPP影响的重要性排序 Fig. 6 Importance ranking of extreme climate indices based on their impact on NPP |
从全省尺度来看，TNx和DTR重要性评分分别为15.63和9.32，远高于其他指数，表明二者是影响植被NPP的最关键气候因子[37]；SU、TX90p、WSDI、TN90p、TXx、TR、TXn和TN10p等8个极端气温指数的重要性评分介于3.99~5.79之间，对NPP的影响程度中等. 相比之下，降水类指数仅CDD对NPP表现出中等程度的影响（评分为3.71），其余降水指数如R99PTOT、PRCPTOT和Rx1day等重要性评分普遍低于3.14，表明其对植被NPP的影响相对有限.
从区域尺度来看，极端气候指数对植被NPP的影响存在明显的空间异质性. 在粤北地区DTR和TNx为最重要的影响因子，评分分别为12.64和10.00，TN90p和TXn对NPP的影响也较为突出（评分分别为7.35和6.84），反映出该地区植被生长对低温事件和夜间温度的敏感性；在粤东地区，DTR和TXx的重要性最高，评分分别为20.99和11.65，其次为TNx和SU（评分分别为11.57和6.43），反映出该地区植被对气温日较差和极端高温的响应尤为强烈；在粤西地区，TNx和TN90p的影响最为显著，评分分别为10.78和7.55，同时TN10p、TR的重要性评分亦高于其他区域（评分分别为7.13和6.59），说明该地区植被对夜间温度的响应较强；在珠三角地区，DTR和TNx的重要性评分分别为20.67和14.45，居主导地位，同时TX90p和WSDI的影响也较为突出（评分分别为6.79和4.52），反映出在珠三角高度城市化区域，植被对持续性和极端高温的响应尤为敏感.
3 讨论《2024年全球气候状况》报告显示，2024年是有气象记录175 a以来最热的一年，全球平均气温比工业化前水平高出1.55℃，首次超过1.5℃的临界变暖阈值[38]. 在全球变暖大背景下，中国的气候变化呈现显著异常特征，干旱、高温等极端天气气候事件频繁发生，且复合型灾害趋于更加易发且多发[39，40]. 本研究基于长期气候观测资料计算极端气候指数，用以量化分析广东省极端气候条件，研究结果表明，2000~2024年广东省表征高温的指数均呈增加趋势，表征低温的指数除FD以外，其余均呈减少趋势，降水量指数除Rx1day之外，均呈增加趋势，降水日数指数亦全部呈增加趋势. 这与前人研究结论保持一致，在全球变暖背景下，气候特征表现为暖事件增多、冷事件减少、降水量更大和降水过程更加集中[41].
国内外大量研究表明，气候要素是NPP的重要影响因素，但随着气候变暖加剧和极端气候事件增加，NPP对极端气候的响应存在显著的地域差异性[42，43]. 在增暖、增湿且降水时空差异越发显著的气候背景之下，2000~2024年广东省植被NPP呈现波动上升趋势，增长速率为57.35 g·（m2·10 a）-1，增加区域面积占比高达89.47%. 这与朴世龙等[44]、王升红等[45]和李彬等[46]的研究结论一致，即在青藏高原、黄河流域和厦漳泉等不同地区，气候变暖总体上促进了植被生产力发展、增强了生态系统碳汇功能. 基于随机森林模型的分析结果表明，对广东省植被NPP影响重要性排在前十位的均为温度类指数，可见，在广东省这一特定研究区域，温度对植被NPP的影响程度远高于降水，但需要注意高温事件对NPP的影响具有双重性，适度增温（如TX90p增加）可能促进植被生长，但极端高温（如TXx增加）会对植被NPP产生抑制作用. 这一结论与王捷纯等[47]、陈鹏等[48]研究所得广东省植被生态质量对气象因子的响应规律基本一致.
总体而言，本文采用极端气候指数量化广东省极端气候条件，基于统计分析方法和随机森林模型，研究广东省植被NPP对极端气候的响应规律，在研究方法上有所创新，研究结论可供相关领域学者参考. 由于植被NPP的变化不仅受气候因子驱动，还受人类活动（如生态工程、土地利用变化）和CO2施肥效应等因素的影响[49]，未来研究需进一步量化各驱动因素的贡献率. 此外，极端气候事件对植被的影响可能存在时滞效应[50]，后续可通过进一步完善随机森林模型深化相关研究.
4 结论（1）2000~2024年，广东省植被NPP总体处于较高水平，多年平均值为1 018.51 g∙m-2，并呈现显著的波动上升趋势，增长速率达57.35 g·（m2·10 a）-1. NPP高值区主要分布在粤北和粤西北部区域；低值区主要分布在珠三角及粤东等经济发达地区. 变化趋势分析结果显示，全省植被NPP增加区域面积占比高达89.47%，其中显著增加区域占57.96%，主要分布在粤北、粤西和珠三角地区；减少区域面积占比为10.26%，其中显著减少区域占3.34%，空间分布上与NPP低值区基本吻合.
（2）2000~2024年，广东省极端气候指数变化特征显著，且昼夜和区域差异明显. 气温类指数中，表征高温的指数普遍呈上升趋势，其中WSDI、TR和TN90p呈增加趋势的站点占比分别高达80.23%、79.07%和75.58%；表征低温的指数总体呈下降趋势，其中TN10p呈减少趋势的站点占比高达93.02%. 降水类指数年际变率较大，未呈现统计上显著的长期变化趋势，但多项指标指示极端降水事件在增强，其中R99pTOT、Rx5day和SDII呈增加趋势的站点占比分别为77.91%、72.09%和65.12%，且呈显著增加趋势的站点主要集中于粤北山区.
（3）基于随机森林模型的特征重要性排序表明，极端气候指数对植被NPP的影响存在明显的空间异质性，但气温类指数的影响显著大于降水类指数. 在全省范围内，TNx和DTR是影响NPP的最关键气候因子，其次为SU、TX90p、WSDI、TN90p、TXx、TR、TXn和TN10p等8个极端温度指数. 在降水类指数中，仅CDD对NPP表现出中等影响，其余降水指数作用相对较弱. 就区域而言，在粤北和珠三角地区影响NPP的最关键气候因子为DTR和TNx，在粤东地区为DTR和TXx，在粤西地区则为TNx和TN90p.
| [1] |
焦鹏华, 牛健植, 苗禹博, 等. 2001~2020年全球植被对极端气候的响应[J]. 应用生态学报, 2024, 35(11): 2992-3004. Jiao P H, Niu J Z, Miao Y B, et al. Global vegetation response to extreme climate from 2001 to 2020[J]. Chinese Journal of Applied Ecology, 2024, 35(11): 2992-3004. |
| [2] |
崔嵩, 贾朝阳, 郭亮, 等. 不同海拔梯度下极端气候事件对松花江流域植被NPP的影响[J]. 环境科学, 2024, 45(1): 275-286. Cui G, Jia Z Y, Guo L, et al. Impacts of extreme climate events at different altitudinal gradients on vegetation NPP in Songhua River Basin[J]. Environmental Science, 2024, 45(1): 275-286. DOI:10.13227/j.hjkx.202301118 |
| [3] |
张亚丽, 黄柱军, 田义超, 等. 极端气候对西南地区植被覆盖度变化的时滞与累积效应[J]. 生态环境学报, 2025, 34(5): 665-677. Zhang Y L, Huang Z J, Tian Y C, et al. Time-lag and accumulation responses of fractional vegetation coverage change to extreme climate in southwestern China[J]. Ecology and Environmental Sciences, 2025, 34(5): 665-677. |
| [4] | Guo E L, Liu X P, Zhang J Q, et al. Assessing spatiotemporal variation of drought and its impact on maize yield in Northeast China[J]. Journal of Hydrology, 2017, 553: 231-247. DOI:10.1016/j.jhydrol.2017.07.060 |
| [5] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: Methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [6] | Cao Y, Li H W, Liu Y L, et al. Regional contribution and attribution of the interannual variation of net primary production in the Yellow River Basin, China[J]. Remote Sensing, 2023, 15(21). DOI:10.3390/rs15215212 |
| [7] | Zhang X, Wang J, Gao Y, et al. Variations and controlling factors of vegetation dynamics on the Qingzang Plateau of China over the recent 20 years[J]. Geography and Sustainability, 2021, 2(1): 74-85. DOI:10.1016/j.geosus.2021.02.001 |
| [8] | Cao Y P, Xie Z Y, Huang X H, et al. Vegetation dynamics and its trends associated with extreme climate events in the Yellow River Basin, China[J]. Remote Sensing, 2023, 15(19). DOI:10.3390/rs15194683 |
| [9] |
卫璇, 魏芳莉, 王晓峰. 秦巴山区植被NPP时空演变及其对极端气候的响应[J]. 生态学报, 2025, 45(24): 12236-12261. Wei X, Wei F L, Wang X F. Spatial-temporal evolution of NPP and its response to extreme climate in Qinba Mountains[J]. Acta Ecologica Sinica, 2025, 45(24): 12236-12261. |
| [10] | Phillips O L, Aragao L E O C, Lewis S L, et al. Drought sensitivity of the Amazon rainforest[J]. Science, 2009, 323(5919): 1344-1347. DOI:10.1126/science.1164033 |
| [11] | Xu L, Samanta A, Costa M H, et al. Widespread decline in greenness of Amazonian vegetation due to the 2010 drought[J]. Geophysical Research Letters, 2011, 38(7). DOI:10.1029/2011GL046824 |
| [12] | Salvucci M E, Crafts-Brandner S J. Inhibition of photosynthesis by heat stress: the activation state of Rubisco as a limiting factor in photosynthesis[J]. Physiologia Plantarum, 2004, 120(2): 179-186. DOI:10.1111/j.0031-9317.2004.0173.x |
| [13] | Knapp A K, Fay P A, Blair J M, et al. Rainfall variability, carbon cycling, and plant species diversity in a mesic grassland[J]. Science, 2002, 298(5601): 2202-2205. DOI:10.1126/science.1076347 |
| [14] | Zeppel M J B, Wilks J V, Lewis J D. Impacts of extreme precipitation and seasonal changes in precipitation on plants[J]. Biogeosciences, 2014, 11(11): 3083-3093. DOI:10.5194/bg-11-3083-2014 |
| [15] | 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 |
| [16] | Tang W X, Liu S G, Kang P, et al. Quantifying the lagged effects of climate factors on vegetation growth in 32 major cities of China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108290 |
| [17] | Liu M, Zhai H L, Zhang X C, et al. Time-lag and accumulation responses of vegetation growth to average and extreme precipitation and temperature events in China between 2001 and 2020[J]. Science of the Total Environment, 2024, 945. DOI:10.1016/j.scitotenv.2024.174084 |
| [18] | Li C L, Wang J, Hu R C, et al. Relationship between vegetation change and extreme climate indices on the Inner Mongolia Plateau, China, from 1982 to 2013[J]. Ecological Indicators, 2018, 89: 101-109. DOI:10.1016/j.ecolind.2018.01.066 |
| [19] | Islam A R M T, Islam H M T, Shahid S, et al. Spatiotemporal nexus between vegetation change and extreme climatic indices and their possible causes of change[J]. Journal of Environmental Management, 2021, 289. DOI:10.1016/j.jenvman.2021.112505 |
| [20] | Guo Z J, Lou W, Sun C, et al. Trend changes of the vegetation activity in northeastern East Asia and the connections with extreme climate indices[J]. Remote Sensing, 2022, 14(13). DOI:10.3390/rs14133151 |
| [21] | Shiogama H, Hayashi M, Hirota N, et al. Emergent constraints on future changes in several climate variables and extreme indices from global to regional scales[J]. Scientific Online Letters on the Atmosphere, 2024, 20: 122-129. |
| [22] |
张艳军, 李子辉, 官冬杰, 等. 2000~2020年成渝双城经济圈植被生态质量变化及其对极端气候因子的响应[J]. 中国环境科学, 2023, 43(9): 4876-4885. Zhang Y J, Li Z H, Guan D J, et al. Changes of vegetation ecological quality in the Chengdu-Chongqing economic circle from 2000 to 2020 and its response to extreme climatic factor[J]. China Environmental Science, 2023, 43(9): 4876-4885. |
| [23] |
苏日罕, 郭恩亮, 王永芳, 等. 1982~2020年内蒙古地区极端气候变化及其对植被的影响[J]. 生态学报, 2023, 43(1): 419-431. Su R H, Guo E L, Wang Y F, et al. Extreme climate changes in the Inner Mongolia and their impacts on vegetation dynamics during 1982~2020[J]. Acta Ecologica Sinica, 2023, 43(1): 419-431. |
| [24] |
郝成元, 曾秋强. 量化极端气候指数对秦巴山区植被净初级生产力动态的贡献[J]. 水土保持学报, 2025, 39(2): 135-143, 154. Hao C Y, Zeng Q Q. Quantifying the contribution of extreme climate indices to the dynamics of net primary productivity of vegetation in the Qinba Mountain Area[J]. Journal of Soil and Water Conservation, 2025, 39(2): 135-143, 154. |
| [25] | 吴乃庚, 杜尧东, 邓玉娇. 广东生态气象探索与实践[M]. 北京: 气象出版社, 2023. |
| [26] |
孙应龙, 钱拴, 延昊, 等. 2000~2018年云南省典型矿区植被生态时空变化特征——以临沧市为例[J]. 生态环境学报, 2019, 28(12): 2381-2389. Sun Y L, Qian S, Yan H, et al. Spatial-temporal dynamics of vegetation ecosystem in typical coal mining area of Yunnan Province during 2000-2018: A case study in Lincang[J]. Ecology and Environmental Sciences, 2019, 28(12): 2381-2389. |
| [27] |
钱拴, 毛留喜, 侯英雨, 等. 生态气象业务服务技术进展与展望[J]. 气象研究与应用, 2022, 43(4): 1-6. Qian S, Mao L X, Hou Y Y, et al. Progress and prospect of eco-meteorological operational technology[J]. Journal of Meteorological Research and Application, 2022, 43(4): 1-6. |
| [28] |
吴欣宇, 朱秀芳. 中国不同植被区对极端气候的响应差异[J]. 生态学报, 2023, 43(24): 10202-10215. Wu X Y, Zhu X F. Differential analysis of vegetation response to extreme climate in different vegetation regions of China[J]. Acta Ecologica Sinica, 2023, 43(24): 10202-10215. |
| [29] |
余丰华, 刘正华, 黄丽, 等. 2000~2023年浙江省植被覆盖度时空演变及驱动力分析[J]. 测绘通报, 2025(7): 110-117. Yu F H, Liu Z H, Huang L, et al. Spatio-temporal variation of fraction vegetation cover and their driving factors in Zhejiang province from 2000 to 2023[J]. Bulletin of Surveying and Mapping, 2025(7): 110-117. |
| [30] |
田朋飞, 闫丰, 王宗超, 等. 太行山-燕山碳源/碳汇时空变化及驱动因素分析[J]. 环境科学, 2025, 46(7): 4403-4415. Tian P F, Yan F, Wang Z C, et al. Analysis of driving factors for spatiotemporal changes in carbon sources/sinks in Taihang and Yanshan Mountains[J]. Environmental Science, 2025, 46(7): 4403-4415. DOI:10.13227/j.hjkx.202406227 |
| [31] | Yue S, Pilon P, Phinney B, et al. The influence of autocorrelation on the ability to detect trend in hydrological series[J]. Hydrological Processes, 2002, 16(9): 1807-1829. DOI:10.1002/hyp.1095 |
| [32] |
邓玉娇, 王捷纯, 徐杰, 等. 广东省植被固碳量时空变化及气象贡献率研究[J]. 生态环境学报, 2022, 31(1): 1-8. Deng Y J, Wang J C, Xu J, et al. Spatiotemporal variation of vegetation carbon sequestration and its meteorological contribution in Guangdong Province[J]. Ecology and Environmental Sciences, 2022, 31(1): 1-8. |
| [33] |
李怡乐, 张乐艺, 李霞, 等. 基于改进遥感生态指数的粤港澳大湾区生态环境质量监测及驱动力分析[J]. 环境科学, 2026, 47(5): 3190-3202. Li Y L, Zhang L Y, Li X, et al. Ecological environment monitoring and driving factors analysis of the Greater Bay Area based on improved remote sensing ecological index[J]. Environmental Science, 2026, 47(5): 3190-3202. DOI:10.13227/j.hjkx.202504062 |
| [34] |
靖娟利, 刘癸良, 王永锋, 等. 2001~2022年长江流域极端气候演变及其对植被NDVI的影响[J]. 环境科学, 2026, 47(6): 3770-3783. Jing J L, Liu K L, Wang Y F, et al. Evolution of extreme climate and its impact on vegetation NDVI in the Yangtze River Basin from 2001 to 2022[J]. Environmental Science, 2026, 47(6): 3770-3783. DOI:10.13227/j.hjkx.202504233 |
| [35] |
张学珍, 郑景云, 郝志新. 中国主要经济区的近期气候变化特征评估[J]. 地理科学进展, 2020, 39(10): 1609-1618. Zhang X Z, Zheng J Y, Hao Z X. Climate change assessments for the main economic zones of China during recent decades[J]. Progress in Geography, 2020, 39(10): 1609-1618. |
| [36] |
李明华, 李超, 陈芳丽, 等. 粤东暴雨中心前汛期降水异常的环流特征及前兆性信号分析[J]. 中山大学学报(自然科学版), 2020, 59(5): 113-125. Li M H, Li C, Chen F L, et al. On the circulation feature of early rainy season and its precursors in storm center of eastern Guangdong[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2020, 59(5): 113-125. |
| [37] |
高滢, 孙虎, 徐崟尧, 等. 陕西省植被覆盖时空变化及其对极端气候的响应[J]. 生态学报, 2022, 42(3): 1022-1033. Gao Y, Sun H, Xu Y Y, et al. Temporal and spatial variation of vegetation cover and its response to extreme climate in Shaanxi Province[J]. Acta Ecologica Sinica, 2022, 42(3): 1022-1033. |
| [38] | World Meteorological Organization. State of the global climate 2024[EB/OL]. https://library.wmo.int/idurl/4/69455, 2025-04-24. |
| [39] |
袁宇锋, 翟盘茂. 全球变暖与城市效应共同作用下的极端天气气候事件变化的最新认知[J]. 大气科学学报, 2022, 45(2): 161-166. Yuan Y F, Zhai P M. Latest understanding of extreme weather and climate events under global warming and urbanization influences[J]. Transactions of Atmospheric Sciences, 2022, 45(2): 161-166. |
| [40] |
张义桐, 郝增超, 陈阳, 等. 全球多时间尺度复合高温干旱增加[J]. 中国科学: 地球科学, 2025, 55(10): 3321-3332. Zhang Y T, Hao Z C, Chen Y, et al. Increases in global hot droughts across multiple timescales[J]. Science China Earth Sciences, 2025, 55(10): 3321-3332. |
| [41] |
卢珊, 胡泽勇, 王百朋, 等. 近56年中国极端降水事件的时空变化格局[J]. 高原气象, 2020, 39(4): 683-693. Lu S, Hu Z Y, Wang B P, et al. Spatio-temporal patterns of extreme precipitation events over China in recent 56 years[J]. Plateau Meteorology, 2020, 39(4): 683-693. |
| [42] |
吴路华, 王世杰, 白晓永, 等. 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[J]. 生态学报, 2022, 42(3): 960-981. Wu L H, Wang S J, Bai X Y, et al. Extreme climate evolution and its impact on NPP and NDVI in Yinjiang River basin in recent 60 years[J]. Acta Ecologica Sinica, 2022, 42(3): 960-981. |
| [43] | Gong H B, Cao L, Duan Y F, et al. Multiple effects of climate changes and human activities on NPP increase in the Three-north Shelter Forest Program area[J]. Forest Ecology and Management, 2023, 529. DOI:10.1016/j.foreco.2022.120732 |
| [44] |
朴世龙, 张宪洲, 汪涛, 等. 青藏高原生态系统对气候变化的响应及其反馈[J]. 科学通报, 2019, 64(27): 2842-2855. Piao S L, Zhang X Z, Wang T, et al. Responses and feedback of the Tibetan Plateau's alpine ecosystem to climate change[J]. Chinese Science Bulletin, 2019, 64(27): 2842-2855. |
| [45] |
王升红, 陆东芳, 陈雨如, 等. 2001~2020年厦漳泉地区植被净初级生产力时空演变特征及其影响因素[J]. 生态学杂志, 2024, 43(3): 823-832. Wang S H, Lu D F, Chen Y R, et al. Spatial-temporal variations and influencing factors of vegetation net primary productivity in Xiamen-Zhang-Zhou-Quanzhou Region from2001 to 2020[J]. Chinese Journal of Ecology, 2024, 43(3): 823-832. |
| [46] |
李彬, 曹广超, 王苑, 等. 2001~2022年黄河流域青海段植被NPP时空变化及其对气候的响应[J]. 环境科学, 2026, 47(1): 348-359. Li B, Cao G C, Wang Y, et al. Spatial and temporal changes of vegetation NPP and its response to climate in the Qinghai Section of the Yellow River Basin from 2001 to 2022[J]. Environmental Science, 2026, 47(1): 348-359. DOI:10.13227/j.hjkx.202412233 |
| [47] |
王捷纯, 邓玉娇, 朱怀卫, 等. 广东省不同生态系统植被NPP时空变化及对气候因子的响应[J]. 生态环境学报, 2024, 33(6): 831-840. Wang J C, Deng Y J, Zhu H W, et al. Spatiotemporal variations of vegetation NPP of different ecosystems in Guangdong Province and its response to climate factors[J]. Ecology and Environmental Sciences, 2024, 33(6): 831-840. |
| [48] |
陈鹏, 马育军, 张梦雅, 等. 基于kNDVI的广东省植被动态变化分析[J]. 生态环境学报, 2025, 34(4): 499-510. Chen P, Ma Y J, Zhang M Y, et al. Analysis of vegetation dynamic in Guangdong Province based on kNDVI[J]. Ecology and Environmental Sciences, 2025, 34(4): 499-510. |
| [49] |
佘欢, 李鹏, 王孝康, 等. 三江源地区2000—2020年水土保持服务时空变化及驱动因素[J]. 水土保持通报, 2025, 45(1): 286-295, 316. She H, Li P, Wang X K, et al. Spatial and temporal changes and its driving factors of soil and water conservation services in Sanjiangyuan region during 2000~2020[J]. Bulletin of Soil and Water Conservation, 2025, 45(1): 286-295, 316. |
| [50] |
段艺芳, 任志远, 孙艺杰. 陕北黄土高原植被生态系统水分利用效率气候时滞效应[J]. 生态学报, 2020, 40(10): 3408-3419. Duan Y F, Ren Z Y, Sun Y J. Time-lay effects of climate on water use efficiency in the Loess Plateau of northern Shaanxi[J]. Acta Ecologica Sinica, 2020, 40(10): 3408-3419. |