EN中文

地理学报 >

2024 , Vol. 79 >Issue 3: 747 - 764

DOI: https://doi.org/10.11821/dlxb202403012

国土资源与“双碳”研究

澜沧江—湄公河流域干旱趋势及其对生态系统碳固定的影响

  • 陈世亮 , 1, 2 ,
  • 李霞 3 ,
  • 钱钊晖 3 ,
  • 王绍强 , 1, 2, 4, 5 ,
  • 王苗苗 6 ,
  • 刘侦海 5 ,
  • 李卉 1, 2 ,
  • 夏烨 1, 2 ,
  • 赵紫祺 1, 2 ,
  • 李亭谕 1, 2 ,
  • 朱彤彤 1, 2 ,
  • 陈璇 1, 2 ,
  • 蒋赟浩 1, 2 ,
  • 谷鹏 1, 2
展开
  • 1.中国地质大学（武汉）地理与信息工程学院 区域生态过程与环境演变湖北省重点实验室，武汉 430074
  • 2.自然资源部国土碳汇智能监测与空间调控工程技术创新中心，武汉 430074
  • 3.生态环境部对外合作与交流中心，北京 100035
  • 4.中国地质大学（武汉） 生物地质与环境地质国家重点实验室，武汉 430074
  • 5.中国科学院地理科学与资源研究所 中国科学院生态系统网络观测与模拟重点实验室，北京 100101
  • 6.福建省农业科学院数字农业研究所，福州 350000
王绍强(1972-), 男, 湖北襄樊人, 研究员, 研究方向为生态系统生态学、全球变化生态学、生态学模型、生态遥感。E-mail:

陈世亮(1999-), 男, 贵州铜仁人, 硕士生, 主要从事生态系统变化与生态模拟相关工作。E-mail:

收稿日期: 2023-05-23

  修回日期: 2024-02-01

  网络出版日期: 2024-04-02

基金资助

中国地质大学(武汉)“地大学者”人才岗位科研启动经费(2019004)

生态环境部对外合作与交流中心澜沧江—湄公河流域项目

收起

Drought trend and its impact on ecosystem carbon sequestration in Lancang-Mekong River Basin

  • CHEN Shiliang , 1, 2 ,
  • LI Xia 3 ,
  • QIAN Zhaohui 3 ,
  • WANG Shaoqiang , 1, 2, 4, 5 ,
  • WANG Miaomiao 6 ,
  • LIU Zhenhai 5 ,
  • LI Hui 1, 2 ,
  • XIA Ye 1, 2 ,
  • ZHAO Ziqi 1, 2 ,
  • LI Tingyu 1, 2 ,
  • ZHU Tongtong 1, 2 ,
  • CHEN Xuan 1, 2 ,
  • JIANG Yunhao 1, 2 ,
  • GU Peng 1, 2
Expand
  • 1. Hubei Key Laboratory of Regional Ecology and Environmental Change, School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China
  • 2. Engineering Technology Innovation Center for Intelligent Monitoring and Spatial Regulation of Land Carbon Sinks, Ministry of Natural Resources, Wuhan 430074, China
  • 3. Foreign Environmental Cooperation Center, Ministry of Ecology and Environment, Beijing 100035, China
  • 4. State Key Laboratory of Biogeology and Environmental Geology, China University of Geosciences, Wuhan 430074, China
  • 5. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 6. Institute of Digital Agriculture, Fujian Academy of Agricultural Sciences, Fuzhou 350000, China

Received date: 2023-05-23

  Revised date: 2024-02-01

  Online published: 2024-04-02

Supported by

The "CUG Scholar" Scientific Research Funds at China University of Geosciences(2019004)

Lancang-Mekong River Basin Project supported by the Foreign Environmental Cooperation Center of the Ministry of Ecology and Environment

Fold

摘要

全球变暖导致干旱事件频发，强度不断增大，对陆地生态系统碳收支产生了重大影响。本文评估了2000—2019年澜沧江—湄公河（澜湄）流域的干旱趋势，并通过标准化异常指数（SAI）、标准化降水蒸散指数（SPEI）、潜在蒸散（PET）、饱和水汽压差（VPD）和土壤水分（Soilw）评价了干旱对该流域净生态系统生产力（NEP）的影响。结果表明：① 2000—2019年澜湄流域向暖干化发展，主要受降水减少的影响，近1/4的区域遭受了中度以上干旱，其中2009—2016年间干旱事件频发，干旱热点地区位于澜沧江上游和湄公河中下游地区；② 尽管澜湄流域碳汇整体上随着气候变暖而增加，但干旱年份植被光合作用降低，生态系统呼吸增加，导致2005年、2010年和2019年湄公河流域生态系统碳源汇发生转变，其中2010年干旱使得GPP减少5.68%，生态系统呼吸增加3.15%，NEP呈现重度异常；③ 干旱对流域NEP普遍具有滞后效应，整体滞后时间为1~4个月，面积占比为57.82%；④ 不同水文气候要素对NEP的影响表现出显著的空间差异，其中澜湄流域NEP与VPD整体呈负相关，云南省、缅甸西部、柬埔寨和越南南部的NEP与SPEI呈正相关，而青藏高原NEP主要受到土壤干旱的影响。干旱对澜湄流域生态系统碳固定的影响存在显著的空间异质性，量化干旱对碳固定的影响可以为气候变暖背景下澜湄流域不同地区的生态管理提供参考。

关键词： 干旱; 固碳速率; 净生态系统生产力; 澜湄流域; 标准化降水蒸散指数; 地理加权回归

本文引用格式

陈世亮 , 李霞 , 钱钊晖 , 王绍强 , 王苗苗 , 刘侦海 , 李卉 , 夏烨 , 赵紫祺 , 李亭谕 , 朱彤彤 , 陈璇 , 蒋赟浩 , 谷鹏 . 澜沧江—湄公河流域干旱趋势及其对生态系统碳固定的影响[J]. 地理学报, 2024 , 79(3) : 747 -764 . DOI: 10.11821/dlxb202403012

Abstract

Global warming leads to increased frequency and severity of droughts, profoundly affecting the carbon budget of terrestrial ecosystems. We conducted a comprehensive assessment of drought trends within the Lancang-Mekong River Basin (LMRB) and quantified the impacts of standardized precipitation evapotranspiration index (SPEI), potential evapotranspiration (PET), vapor pressure deficit (VPD) and soil moisture (Soilw) on net ecosystem productivity (NEP) using geographically weighted regression (GWR) method. The GWR analysis demonstrated that drought indices have a significant impact on NEP. From 2000 to 2019, with the decrease of precipitation, LMRB experienced a rise in temperature and a drop in humidity, leading to moderate or extreme drought in around 25% of the LMRB, especially between 2009 and 2016. Drought hotspots were identified in the upper reaches of the Lancang River and the middle and lower reaches of the Mekong River. Drought events in 2005, 2010, and 2019 altered the carbon source/sink of the Mekong River Basin ecosystem by decreasing plant photosynthesis and increasing ecosystem respiration. In 2010, for example, drought reduced GPP by 5.68% and increased ecosystem respiration by 3.15%, resulting the anomalies of NEP. The impact of drought on NEP in the LMRB often exhibited a lag effect, with an overall lag duration of 1 to 4 months, covering approximately 57.82% of the area. Spatial differences of the influence of different hydroclimatic factors on NEP were observed. NEP was negatively correlated with VPD in the LMRB, and positively correlated with SPEI in China's Yunnan province, western Myanmar, Cambodia and southern Vietnam. The NEP in the Qinghai-Tibet Plateau was mainly affected by soil drought. This study highlights the significant spatial heterogeneity in the impact of drought on ecosystem carbon sequestration within the LMRB, providing essential insights for ecological management in drought-affected areas.

Key words： drought; carbon sequestration rate; net ecosystem productivity; Lancang-Mekong River Basin; standardized evapotranspiration index of precipitation; geographically weighted regression

1 引言

陆地生态系统可以吸收人类碳排放，减少大气二氧化碳（CO2）浓度，减缓全球变暖速率，是全球碳计划和全球环境变化的研究重点，净生态系统生产力（NEP）是定性和定量表征生态系统碳源汇特征的重要指标[1]。全球变暖背景下干旱事件频发，干旱频率和持续时间的增加将对陆地生态系统产生剧烈影响[2]，可能使得生态系统碳源汇状态发生转变[3]，生态系统碳循环异常事件中，半数为干旱事件引起[4]。例如，2003年欧洲高温、干旱导致陆地生态系统变为净碳源[5]；而在森林砍伐和干旱的共同影响下，亚马逊热带雨林碳源汇发生转变[6]。因此，明确陆地生态系统碳固定对干旱事件的响应，将有利于准确评估气候变暖背景下陆地生态系统碳汇能力。
澜沧江—湄公河发源于中国，流经缅甸、老挝、泰国、柬埔寨、越南后注入南海，河流全长约4880 km，是世界第十二大河流[7]。基于TerraClimate数据，2000—2019年澜沧江—湄公河澜湄流域（澜湄流域）年均温为10.95±0.25 ℃，并以0.02 ℃ a-1的速度显著上升；而受季风气候影响，2000—2019年降水主要分布于沿海地区，年总降水量超过1600 mm，部分西部沿海地区年总降水可达到4000 mm，但平均年总降水（1057.47±74.23 mm）以2.88 mm a-1的速度显著下降。在温度持续上升和降水逐渐下降的影响下，澜湄流域受到干旱影响的可能性不断增加[8]。受到东南亚异常东北风的影响，印度洋水汽向东传播减弱，2010—2019年间东南亚重度和极端干旱事件发生频率是2000—2009年的两倍多[9]。厄尔尼诺—南方涛动（ENSO）事件是热带地区气候年际变化和极端事件发生的重要驱动因素，2015—2016年厄尔尼诺事件是21世纪迄今最强烈的厄尔尼诺事件之一，使得全球超过20%的热带地区发生了强烈的干旱[10]。2015年的历史性干旱导致湄公河水位降至过去100 a的历史新低[11]。此外，受区域气候季节性变化差异的控制，越南的干旱具有显著的时空分异特征[12]。
干旱通过影响植被的生长和健康状况来影响植被碳吸收，几个水文气候要素对植被碳固定具有重要影响，包括温度、土壤湿度（Soilw）、饱和水汽压差（VPD）和蒸散发等[13-14]。其中土壤湿度会影响养分运输和其他供水相关的生理过程，直接反映植被水分可用性[15]，并与土壤温度共同影响土壤呼吸[16]。而VPD是大气需水量指标，并通过调节气孔和木质部电导率影响植被光合作用和蒸腾作用[17]，高VPD可能会诱使植物气孔关闭，以减少叶片的水分损失，进而抑制植被光合作用[18]。蒸散发是导致地表储水量变化的原因[19]，而实际蒸散发量一般根据潜在蒸散（PET）进行估算。根据蒸散互补理论，干旱地区的PET和实际蒸散呈反比；而在湿润地区，实际蒸散受到PET的控制，两者几乎相等[20]。蒸散量可以通过控制植物的光合作用和呼吸作用来影响GPP和生态系统呼吸，最终对区域NEP的变化产生影响。澜湄流域干旱事件频发将影响植被生产力，其中湄公河流域2005年和2010年干旱导致NPP分别下降14.7%和8.4%，且重度干旱比轻度干旱具有更为严重的危害性[21]。此外，干旱还会改变生态系统的分布、组成和丰度，增加病虫害侵袭的可能性[22-23]，并诱发森林火灾和树木死亡[24]，导致生态系统碳循环异常。但是，当前研究多集中于使用单一干旱指数研究干旱对澜湄流域生产力的影响，不同干湿指标对植被碳固定的影响及其空间差异尚不清楚。特别是在气候剧烈变化的背景下，开展植被水分胁迫综合研究对于理解生态系统稳定性和优化陆地表面模型具有重要意义。
因此，本文以澜湄流域为研究区（图1），基于标准化降水蒸散指数等指标综合评估了2000—2019年澜湄流域干旱的时空特征，采用标准化异常指数和Sen+Mann-Kendall趋势分析法定量评估了澜湄流域植被生产力的变化趋势，利用地理加权回归模型和相关性分析揭示了干湿变化对植被生产力的影响强度及响应时间的变化趋势，为评估未来气候对澜湄流域生态系统碳汇变化趋势及可持续发展提供数据支撑。
图1 澜沧江—湄公河流域示意

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 1 Geographical overview of the Lancang-Mekong River Basin

2 数据和方法

2.1 数据介绍

温度、降水、PET和VPD变量数据来源于TerraClimate月尺度数据集[25-26]，空间分辨率为(1/24)°（约为4 km）。Soilw数据来源于ERA5-Land表层土壤水（0~7 cm）再分析数据，空间分辨率为0.1°。GPP和NEP数据来源于国家生态科学数据中心（http://www.nesdc.org.cn），该数据集基于BEPS模型模拟得到每日GPP和NEP数据产品[27]，空间分辨率为0.072°×0.072°（约8 km×8 km）。所有数据均采用双线性插值法转换为0.072°×0.072°空间分辨率。

2.2 干旱趋势评估

选用标准化降水蒸散指数（SPEI）评价2000—2019年澜湄流域的干旱情况及对生态系统NEP的影响，以月水分亏缺量（式（1））来量化区域干旱程度，基于Log-logistic分布假设，将月水分亏缺量的累积量转换为概率密度，再将其转换为标准正态分布来确定最终的SPEI数值[28]。本文使用月尺度降水和潜在蒸散数据计算1个月尺度的SPEI。
D i = P i - P E T i
式中：Di为水分亏缺量；Pi为月降水量；PETi为月潜在蒸散量；i为时间尺度（月）。
根据SPEI指数计算了4个干旱特征指标：干旱频率（DF）、干旱持续时间（DD）、干旱严重程度（DS）和干旱空间范围（SE）。干旱月份是指SPEI值低于特定阈值的月份，干旱事件被定为连续干旱月份的时期（干旱等级≥ 2，表1）。DF被定义为干旱事件的次数；DD是连续干旱的总月份；DS是特定情境下所有干旱月份中SPEI值的总和；SE是发生干旱的网格点的百分比。
表1 基于SPEI的干旱等级划分

Tab. 1 Drought severity classification based on SPEI

干旱等级 干旱类型 SPEI数值
1 正常 SPEI > -0.5
2 轻旱 -1.0 < SPEI ≤ -0.5
3 中旱 -1.5 < SPEI ≤ -1.0
4 重旱 -2.0 < SPEI ≤ -1.5
5 特旱 SPEI ≤ -2.0
区域干旱主要受到温度和降水的调控，为进一步评估澜湄流域干旱的影响因子，采用多元线性回归的方法进行敏感性分析[29]，取标准化回归系数表征不同因子对干旱的贡献大小：
y = a x 1 + b x 2 + ε
式中：y、x1和x2分别为标准化后的SPEI、温度和降水数据，标准化处理可去除各个变量间度量衡单位；a、b分别为标准化回归系数；ε为残差。

2.3 干旱对NEP影响评价

2.3.1 标准化异常指数

标准化异常指数（SAI）可识别序列数据异常值，被广泛用于表征干旱对生态系统生产力的影响[30]：
S A I n = N E P n - N E P ¯ σ N E P
式中：SAIn是第n年NEP的变异值；NEPn是2000—2019年第n个年份NEP值； N E P ¯和 σ N E P分别为多年NEP平均值和标准差。SAIn的正值和负值分别表示NEP的升高或者降低，绝对值越大表示异常情况越严重。SAIn的异常区间分为：正常（|SAIn| ≤ 0.5）、轻度异常（0.5 < |SAIn| ≤ 1）、中度异常（1 < |SAIn| ≤ 1.5）、重度异常（1.5 < |SAIn| ≤ 2）和极端异常（|SAIn| > 2）。

2.3.2 地理加权回归（GWR）

生态系统生产力变化趋势通过线性拟合实现，一般线性回归表征全局变化趋势，但是无法刻画局部特征，然而不同的环境因子对不同区域NEP的影响具有显著的空间异质性。GWR模型是一种局部空间分析方法，可以识别区域局部空间（核带宽）的变化关系，定量描述该局域内的主要影响指标[31]。本文基于SPEI、PET、VPD和Soilw构建GWR模型以评估干旱对澜湄流域NEP的变化贡献。GWR模型可以表示为：
y i = β 0 μ i ,   v i + ∑ k = 1 p β k μ i ,   v i x i k + ε i
式中：yi、xi和εi分别表示点i的因变量、自变量和随机误差；μi和νi是点i的空间位置；k是自变量的数量；βk是点i处的回归系数；β0是截距。
自变量间的多重共线性将会严重影响GWR模型的准确性，因此，多重共线性诊断是回归分析准确有效的先决条件。方差—膨胀因子（VIF）方法已经被广泛用于诊断GWR模型的多重共线性，一般认为VIF > 10，此时R2 > 0.9，说明模型存在较强的共线性[32]。

2.3.3 干旱对NEP影响的时滞效应

生态系统生产力对干旱的响应往往具有滞后性，为深入刻画澜湄流域干旱的时滞效应，采取1个月尺度的SPEI指数和NEP的相关性系数评价干旱对净生态系统生产力的滞后效应，相应月份相关性系数绝对值越大，干旱对植被生产力的滞后效应越强[33]。
R i = c o r r N E P ,   S P E I i ,                 1 ≤ i ≤ 12
式中：i代表干旱滞后月份；Ri为干旱滞后第i月的相关性系数。

2.4 趋势变化检验

Mann-Kendall检验是一种基于秩系统的非参数模型，已广泛用于检测水文气候序列数据的趋势。Sen方法是一种抵抗时间序列异常值的非参数方法，用于估计趋势的真实斜率，可以较好地减少数据噪声的干扰。本文采用Sen+Mann-Kendall[34-35]对长时序NEP数据进行变化趋势检验分析。

3 研究结果

3.1 澜湄流域干旱时空变化

2000—2019年澜湄流域不同水文气候要素（PET、Soilw和VPD）具有显著的变化差异（图2）。流域大部分区域的PET和VPD呈现上升趋势，年均PET和VPD分别以0.59 mm a-1和0.03 kPa a-1的速率增加，其中PET在青藏高原中西部地区和泰国北部地区表现为显著上升趋势，VPD在青藏高原中部地区、老挝北部和南部地区以及柬埔寨东部地区表现为显著上升趋势。但Soilw在澜湄流域大部分地区呈现下降趋势（年均Soilw的变化速率为-0.01 m3 m-3 a-1），其中青藏高原中西部地区表现为显著下降。PET和VPD的升高会增加蒸散量，加快土壤干燥；而Soilw的减少会降低水分可获得性，使得干旱可能性增加。
图2 2000—2019年澜湄流域水文气候要素时空变化

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 2 Spatial and temporal analysis of hydroclimatic variables in the Lancang-Mekong River Basin in 2000-2019

基于SPEI指数发现2000—2019年澜湄全流域均遭遇轻度干旱（图3），流域下游干旱持续时间远高于上游地区，其中缅甸西部和泰国东部轻度干旱持续时间每10 a超过35个月，两个地区的干旱强度（每10 a累计SPEI低于-35）也高于其他国家和地区。中度干旱主要集中于青藏高原北部、缅甸、柬埔寨和越南南部地区，干旱持续时间每10 a超过20个月，干旱强度（每10 a累计SPEI低于-30）显著高于其他区域。重度干旱和极端干旱主要发生在青藏高原地区，干旱持续时间每10 a低于10个月。湄公河流域中上游地区存在重度干旱和极端干旱事件，但干旱持续时间较短，干旱强度也低于青藏高原地区。
图3 2000—2019年澜湄流域气候干旱特征

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 3 Assessment of climate-induced drought characteristics in the Lancang-Mekong River Basin in 2000-2019

图4为2000—2020年澜湄流域2个次级区域和整个流域干旱空间范围（SE）的时间变化，两个次级区域按照青藏高原边界划分为高寒地区和非高寒地区。2000—2019年SE在2个次级区域和整个流域范围整体保持稳定的状态，但高寒地区的极端干旱事件呈现增加趋势。高寒地区的中度干旱和重度干旱事件的SE较为一致，约占区域面积的1/4。非高寒地区主要为中度干旱事件高发区域，2005年中度干旱约占非高寒地区面积的75%，是2000—2019年波及范围最广的一次。2009—2016年非高寒地区干旱具有持续高发性，中度干旱的SE超过1/2，但重度干旱和极端干旱的SE只在部分年份较高，2019年夏季极端干旱的SE为9.81%，是2000—2019年最严重的一次。纵观整个澜湄流域，接近1/4的区域面积遭受中度干旱，且2009—2016年期间干旱事件的波及范围似乎更为广泛，极端干旱事件的发生也更为频繁。
图4 2000—2019年澜湄流域及次级区域干旱特征的时间变化

Fig. 4 Temporal variation in drought characteristics across the Lancang-Mekong River Basin and subregions in 2000-2019

澜湄流域干旱敏感性结果表明降水对干旱的敏感性为1.35，而温度的敏感性为-0.59（表2），表明降水主导澜湄流域干旱变化趋势。但由于高寒地区和非高寒地区存在显著的地理环境差异，两地区干旱对气候因子的敏感性也不尽相同，其中温度和降水对高寒地区干旱的敏感性分别为-1.09和0.50，对非高寒地区分别为-0.19和1.11，表明温度变化是高寒地区干旱的主导因子，降水是非高寒地区干旱的主要影响因子，但降水变化对高寒地区干旱也具有重要贡献。
表2 澜湄流域及其次级区域干旱敏感性分析

Tab. 2 Analysis of drought sensitivity in Lancang-Mekong River Basin and subregions

区域 温度 降水 R2 p
高寒地区 -1.09 0.50 0.45 < 0.001
非高寒地区 -0.19 1.11 0.96 < 0.001
全流域 -0.59 1.35 0.72 < 0.001

3.2 澜湄流域植被固碳变化

2000—2019年澜湄流域年均总碳汇为109.41±83.23 TgC a-1，整体表现为碳汇（NEP > 0），特别是在澜湄流域中游表现为强碳汇，年均固碳速率超过100 gC m-2 a-1。但同期在柬埔寨、老挝南部和泰国西部表现为碳源（NEP < 0）。澜湄流域上游青藏高原地区呈现弱碳汇，固碳速率为0~30 gC m-2 a-1（图5a）。
图5 2000—2019年澜湄流域及其次级区域碳通量时空变化

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 5 Spatial and temporal dynamics of carbon fluxes in the Lancang-Mekong River Basin and subregions in 2000-2019

NEP是生态系统总初级生产力（GPP）与生态系统呼吸（Re）的差值，2000—2019年澜湄流域GPP整体为上升趋势（2.02 gC m-2 a-2），年均GPP为379.56±16.60 gC m-2 a-1，但2005年、2010年和2019年的GPP显著下降。与GPP变化一致，年均Re也保持上升趋势（1.25 gC m-2 a-2），但由于Re整体低于GPP，因此，澜湄流域生态系统碳汇整体持续增加，年均NEP范围为23.67±18.01 gC m-2 a-1，增长速度为0.77 gC m-2 a-2，固碳速率在2017年达到最大值63.49 gC m-2 a-1（图5c）。但在2010年，由于GPP的显著减少和Re的显著增加，整个流域生态系统表现为碳源，NEP为-9.12 gC m-2 a-1。从不同区域来看，高寒地区呈现弱碳汇，固碳速率范围为2~16 gC m-2 a-1；非高寒地区生态系统碳汇能力显著高于高寒地区，且表现为增加趋势，但在2005年、2010年和2019年呈现碳源（分别为-1.70 gC m-2 a-1、-25.16 gC m-2 a-1和-0.32 gC m-2 a-1，图5d）。基于Sen+Mann-Kendall趋势分析法发现，澜湄流域NEP的空间变化整体为增加趋势，其中在中国云南地区显著增加，而在柬埔寨地区显著下降（图5b），这反映出生态系统碳汇功能的差异与变化。

3.3 澜湄流域植被固碳对干旱的响应

澜湄流域温度与NEP存在显著负相关关系（图6a），温度每增加0.1 ℃，植被固碳速率约减少33.66 gC m-2 a-1。但降水与NEP呈现显著正相关关系（图6b），每增加100 mm降水，植被固碳速率增加约17 gC m-2 a-1。2000—2019年澜湄流域NEP年际波动幅度较大，但呈现出显著上升趋势，NEP的年际异常值与年均SPEI指数的变化趋势保持一致（R2 = 0.60，图6c），表明干旱在一定程度上影响澜湄流域NEP的变化。在2010年的干旱中，GPP比2000—2019年平均值低5.68%，Re比过去20年平均值高3.15%，澜湄流域年际NEP的减少呈现重度异常（SAI = -1.82），其中青藏高原西部、云南省、缅甸、泰国和老挝北部NEP显著降低（SAI < -1.5），但青藏高原东部地区NEP显著增加（SAI > 1.5，图6d）。
图6 2000—2019年澜湄流域温度和降水与NEP的关系及NEP异常值变化

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 6 Influence of temperature and precipitation on NEP and the dynamics of NEP anomalies in the Lancang-Mekong River Basin in 2000-2019

2000—2019年澜湄流域不同干湿指标与NEP具有显著的相关关系（图7），PET、Soilw和VPD与NEP的关系具有显著的空间差异，在高寒地区呈现出正相关关系，其中PET和NEP呈现强相关关系（R > 0.6），而在非高寒地区整体呈现负相关关系，表明PET、Soilw和VPD对NEP的影响随区域的不同而差异显著。但SPEI与NEP的相关关系整体呈现负相关关系，表明干旱整体抑制澜湄流域生态系统固碳能力。
图7 2000—2019年澜湄流域去趋势化后不同干湿指标与NEP的相关关系及显著性

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 7 Correlation and significance of aridity indices with detrended NEP in the Lancang-Mekong River Basin in 2000-2019

除使用不同干湿指标分析对NEP的影响外，本文还使用GWR模型综合评估了干湿指标对NEP的影响。首先，本文构建了基于普通最小二乘法（OLS）的全局回归模型，结果发现SPEI、PET、VPD和Soilw与NEP之间的VIF均小于10，表明变量间不存在多重共线性。同时，根据模型诊断信息（表3），GWR相对于OLS具有更显著的优势，GWR模型使得R2从0.21提高至0.90，这表明GWR模型可以更好解释不同干湿指标对NEP的贡献。GWR模型使用了一个自适应的空间核，核带宽为80。OLS和GWR诊断均在ArcMAP 10.8中完成。
表3 OLS和GWR模型诊断结果

Tab. 3 The results of the diagnosis analyses in OLS and GWR models

诊断信息 OLS GWR
残差绝对值总和 79527.19 52906.74
AICc 33270.59 329.70
R2 0.21 0.90
调整后R2 0.21 0.88

注：AICc为校正后的赤池信息标准，作为衡量模型拟合优度的标准，AICc越小表示模型越好。

GWR模型结果表明不同干湿特征因子对澜湄流域生态系统NEP的影响具有显著的空间异质性（图8）。Soilw和VPD对NEP的影响大于SPEI和PET，但Soilw和VPD对NEP作用（促进或抑制）的空间连续性较低。Soilw对NEP的促进区域位于西藏南部、云南、越南北部、老挝北部、泰国和柬埔寨地区（Soilw对NEP的回归系数大于20），而抑制区域主要位于水资源丰富的澜沧江—湄公河周围地区以及泰国、缅甸和越南部分沿海地区。VPD与流域NEP整体呈负相关，其中对西藏南部、老挝和越南北部以及柬埔寨东部地区NEP具有更为明显的抑制作用（VPD对NEP的回归系数小于-40）。SPEI对NEP的影响具有较为显著的空间差异，对云南省、缅甸西部、柬埔寨和越南南部的NEP表现为正向贡献，而在越南东北部呈现负向贡献。NEP与PET变化的回归系数位于-1和1之间，表明PET波动对NEP的影响相对较小，但PET高值区对NEP整体表现为抑制作用。
图8 2000—2019年澜湄流域GWR模型中干湿指标对澜湄流域生态系统NEP的贡献

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 8 Impact of aridity indices on NEP in the Lancang-Mekong River Basin using GWR model in 2000-2019

2000—2019年澜湄流域干旱存在滞后效应，从空间整体看，澜湄流域NEP与滞后SPEI呈现正相关（图9a），滞后月份为1~4个月（图9c），占总面积的57.82%，主要位于青藏高原西部、云南省和湄公河内陆地区（图9b）。青藏高原中、东部地区和部分沿海地区NEP受干旱影响的滞后月份为10~12个月，NEP与滞后SPEI呈现负相关，表明该区域净生态系统生产力受干旱影响的滞后月份较长，且干旱在一定程度上将促进区域NEP。
图9 2000—2019年澜湄流域干旱对NEP影响的滞后效应的空间分布

注：基于自然资源部标准地图服务网站GS(2020)4618号标准地图制作，底图边界无修改。

Fig. 9 Spatial distribution of the lagged effects of drought on NEP in the Lancang-Mekong River Basin in 2000-2019

4 讨论

4.1 干旱胁迫加剧的气候归因

本文研究结果表明澜湄流域大多数地区经历了频繁的中度干旱甚至重度干旱，其中2009—2016年间湄公河流域干旱更为突出，这与年际降水和西印度洋海温的波动变化有关[9]。在2009—2010年的干旱事件中，由于南亚季风性垂直环流异常减弱导致降水严重不足[36]，使得南亚地区近75%的区域遭受中度干旱。此外，近些年不断增加的厄尔尼诺—南方涛动现象可以部分解释东南亚地区的干旱现状[10]，热带地区降水的季节性延迟效应也可能进一步加剧湄公河流域干旱[37]。而2000—2019年青藏高原地区干旱趋势整体呈现增强趋势，这可能是由于该地区显著的气候敏感性及较高的气候变暖速率所致[38]。青藏高原极端干旱事件主要集中于中东部地区，这是由于SPEI指数具有显著的海拔依赖性（呈正相关关系），4000 m左右的干旱变化趋势相差6.3倍[39]。同时，藏南流域和横断山脉气象干旱强度不断增大，导致青藏高原干旱灾害不断扩大[40]。在温度持续上升和极端气候事件频发的背景下，干旱事件所产生的影响将不断增大[41]。基于CMIP6气候数据的分析表明未来澜湄流域旱季的干旱强度将进一步加剧，持续时间将更长，这将对流域生态系统产生更为严重的影响[42]。

4.2 澜湄流域碳汇变化调控机制分析

澜湄流域是世界热带雨林区域之一，2000—2019年地区人口与国内生产总值的快速上升增加了化石燃料的碳排放[43]，且1997—2010年间湄公河流域农业用地减少4%，落叶林和常绿林面积共增加了约4%[44]；在CO2施肥效应、土地利用变化及气候变化的综合影响下，澜湄流域陆地生态系统碳汇呈增加趋势。但显著的海拔差异使得流域NEP具有显著的空间异质性，上游青藏高原地区具有海拔高、温度低的特性，主要植被类型为高寒草甸，生态系统固碳能力较弱，整体呈现为弱碳汇。而流域中下游属于热带地区，具有良好的水热条件，森林资源丰富，生态系统固碳能力强于上游地区。其中云南省具有更强碳吸收潜力的再生林面积不断扩大[45-46]，使得2000—2019年碳汇能力呈现显著增加趋势。但柬埔寨超过90%的区域遭受着持续的中度干旱，加之柬埔寨生态系统具有较高的洪涝灾害脆弱性[47-48]，该地区的植被生长将面临更加严峻的环境挑战，这在一定程度上可以解释过去20年柬埔寨呈现碳源，且NEP表现为显著下降趋势（图5）。
尽管2000—2019年青藏高原极端干旱事件不断增多，但其生态系统仍保持弱碳汇，这可能是冰川融雪提供了水分补给，导致该地区的水文干旱弱于气象干旱[49]。此外，青藏高原较高的变暖速率会使得蒸发增强，较暖的空气中也能容纳更多的水蒸气，产生更多降水的可能性进一步增加[50]，这将降低植被的水分胁迫，维持生态系统碳汇功能的稳定性。但由于受到极端气候事件影响，湄公河流域在少数几个年份中出现碳源汇转换。如2005年受到厄尔尼诺气候事件影响，季风性降雨出现延迟[51]，湄公河流域中度干旱显著增加，生态系统呈现为弱碳源。2009—2010年马登—朱利安涛动持续异常导致南亚季风环流异常减弱[36]，降水显著减少，中国西南地区和湄公河流域重度干旱事件显著增加，使得2010年呈现强碳源，这与前人的研究结果一致[21,52]。而由于2019年之前几年具有丰沛的降水，土壤中储存的水分可能缓解干旱胁迫，致使2019年的干旱事件对NEP的影响较小，湄公河流域呈现弱碳源。

4.3 干旱胁迫对澜湄流域碳汇的影响

尽管澜湄流域碳汇能力整体不断上升，但干旱年份会使得湄公河流域碳源汇发生转变，这是因为干旱会对植被生长及环境产生影响。一方面，干旱胁迫会加剧植物叶片蒸发，使得植物水力失衡，进而导致植物茎中水柱出现气栓，影响细胞活力[53]。气孔为防止水分丧失而关闭，但这也导致植物光合作用被迫降低，植物生长也随之降低。当光合作用固定的碳和非结构性碳水化合物持续小于呼吸作用及抵抗逆境所消耗的碳时，便会引发植被碳饥饿现象，甚至导致植被死亡[54]。如2009—2010年干旱事件通过降低光合作用减少了云南省植被绿度，显著抑制植被生产力[55]，这与本文2010年NEP异常值识别结果一致。但2010干旱事件中青藏高原东部和中部地区植被生产力不断增加，这可能是由于该地区生长季降水的增加缓解了区域性干旱[56]。另一方面，干旱事件也可能会增加澜湄流域生态系统呼吸。尽管干旱会改变温度敏感性Q10来减少土壤呼吸碳排放量，但土壤呼吸对土壤水分变化具有高度敏感性[57]，湄公河流域处于湿润地区，降水量相对较为丰沛，重新湿润（干旱后降水）会使得土壤水分变化更为剧烈，土壤水分的增加促进了可溶性有机物在土壤中的扩散及土壤微生物的活动[58]，可能导致干旱年份的土壤呼吸出现增加。此外，干旱事件引发的土壤水分不足导致热带雨林的自养呼吸增加以响应干旱胁迫[59]，最终使得整个生态系统呼吸在干旱年份出现上升。
以往的研究多是将干旱指数与植被生产力单独关联分析，没有考虑到不同驱动因子的相互作用[21,55]。本文确认了澜湄流域NEP与不同干湿指标存在显著的相关性，其中土壤水分和VPD的变化对澜湄流域NEP的敏感性比SPEI和PET更高。在澜湄流域周围以及沿海等水资源丰富的地区，土壤水分的增加将抑制NEP增加；相反，在水资源匮乏的地区，土壤水分的增加将缓解水分胁迫，提高区域NEP。此外，土壤水分变化会影响植物根系呼吸及微生物活性，进而对区域NEP产生促进或抑制作用。而澜湄流域不断升高的VPD会导致植物气孔闭合和蒸散减少，从而进一步降低植物光合作用速率，并增加植物的水力负荷[60]，最终通过影响GPP的变化来影响NEP。尽管PET与流域NEP的回归系数波动较小，但潜在蒸散作为土壤干旱的驱动因子之一[61]，PET高值地区表现为抑制NEP，未来潜在蒸散的持续增加可能加剧对NEP的抑制作用。
本文还明确了澜湄流域干旱对NEP的影响存在不同程度的滞后效应，整体的滞后时间为1~4个月，与前人的研究结果保持一致[33]。但在澜湄流域西部沿海地区和澜沧江流域周围，干旱对NEP影响的滞后时间超过8个月，这可能与该地区土壤湿度有关，因为土壤水分胁迫具有持续性[62]，前期土壤水分条件对下一阶段的植被生长会产生影响。此外，干旱滞后效应也会因不同植被类型而异，由于较深的根系能获取更深层的土壤水分以维持植物生长[63]，深根生态系统（森林）对干旱的响应慢于浅根生态系统（灌木和草地）。

5 结论

本文对2000—2019年澜沧江—湄公河流域干旱变化特征以及干旱对生态系统碳汇功能的影响进行了分析。主要结论如下：
（1）受降水减少的影响，流域近1/4的区域遭受了中度以上干旱，其中2009—2016年间干旱强度和波及范围显著高于其他时间段。湄公河流域近1/2的区域经历了中度干旱，青藏高原地区极端干旱事件具有高频发、广覆盖和持续增加的特征。
（2）流域整体呈现碳汇，年均NEP以0.77 gC m-2a-2的速度上升。但干旱会降低植被光合作用，增加生态系统呼吸，其中2010年干旱使得GPP减少5.68%，生态系统呼吸增加3.15%，导致流域NEP出现重度异常。2000—2019年云南地区NEP显著上升，但柬埔寨部分地区NEP显著下降。
（3）流域植被生产力异常可归因于干旱事件的发生，2005年、2010年和2019年的干旱事件使得湄公河流域由碳汇转变为碳源。但干旱对流域NEP普遍具有滞后效应，整体滞后时间为1~4个月，面积占比为57.82%，表明流域植被生长对短期干旱具有高度敏感性。
（4）SPEI、PET、VPD和Soilw对NEP的影响表现出显著的空间异质性。其中VPD与NEP整体呈负相关，表明高VPD将抑制植被碳固定。SPEI与云南省、缅甸西部、柬埔寨和越南南部的NEP呈正相关，而青藏高原植被碳固定主要受到土壤干旱影响。PET的波动对NEP无显著影响。
在全球变暖的趋势下，未来澜沧江—湄公河流域干旱事件的强度和波及范围将进一步增加，对生态系统碳汇功能的挑战将更加严峻，本文通过评估干旱对澜湄流域碳汇功能的影响程度及特征可为流域生态系统可持续发展提供参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Le Quere C, Moriarty R, Andrew R M, et al. Global carbon budget 2014. Earth System Science Data, 2015, 7(1): 47-85.

DOI

[2]
Liu Q Y, Peng C H, Schneider R, et al. Drought-induced increase in tree mortality and corresponding decrease in the carbon sink capacity of Canada's boreal forests from 1970 to 2020. Global Change Biology, 2023, 29(8): 2274-2285.

DOI

[3]
Kurz W A, Stinson G, Rampley G J, et al. Risk of natural disturbances makes future contribution of Canada's forests to the global carbon cycle highly uncertain. PNAS, 2008, 105(5): 1551-1555.

DOI PMID

[4]
Reichstein M, Bahn M, Ciais P, et al. Climate extremes and the carbon cycle. Nature, 2013, 500(7462): 287-295.

DOI

[5]
Ciais P, Reichstein M, Viovy N, et al. Europe-wide reduction in primary productivity caused by the heat and drought in 2003. Nature, 2005, 437(7058): 529-533.

DOI

[6]
Gatti L V, Basso L S, Miller J B, et al. Amazonia as a carbon source linked to deforestation and climate change. Nature, 2021, 595(7867): 388-393.

DOI

[7]
Fan X M, Luo X. Precipitation and flow variations in the Lancang-Mekong river basin and the implications of monsoon fluctuation and regional topography. Water, 2019, 11(10): 2086. DOI: 10.3390/w11102086.

[8]
Sun C, Xiao Z N, Sun J Q, et al. Projection of temperature change and extreme temperature events in the Lancang-Mekong river basin. Atmospheric and Oceanic Science Letters, 2020, 13(1): 16-25.

DOI

[9]
Wang L, Huang G, Chen W, et al. Decadal background for active extreme drought episodes in the decade of 2010-19 over southeastern mainland Asia. Journal of Climate, 2022, 35(9): 2785-2803.

DOI

[10]
Rifai S W, Li S H, Malhi Y. Coupling of El Niño events and long-term warming leads to pervasive climate extremes in the terrestrial tropics. Environmental Research Letters, 2019, 14(10): 105002. DOI: 10.1088/1748-9326/ab402f.

[11]
Kang H, Sridhar V. A near-term drought assessment using hydrological and climate forecasting in the Mekong river basin. International Journal of Climatology, 2021, 41: E2497-E2516.

[12]
Le P, Phan-Van T, Mai K V, et al. Space-time variability of drought over Vietnam. International Journal of Climatology, 2019, 39(14): 5437-5451.

DOI

[13]
Ding J Z, Yang T, Zhao Y T, et al. Increasingly important role of atmospheric aridity on Tibetan alpine grasslands. Geophysical Research Letters, 2018, 45(6): 2852-2859.

DOI

[14]
Piao S L, Tan K, Nan H J, et al. Impacts of climate and CO2 changes on the vegetation growth and carbon balance of Qinghai-Tibetan grasslands over the past five decades. Global and Planetary Change, 2012, 98-99: 73-80.

DOI

[15]
Liu H, Tian F, Hu H C, et al. Soil moisture controls on patterns of grass green-up in Inner Mongolia: An index based approach. Hydrology and Earth System Sciences, 2013, 17(2): 805-815.

DOI

[16]
Falloon P, Jones C D, Ades M, et al. Direct soil moisture controls of future global soil carbon changes: An important source of uncertainty. Global Biogeochemical Cycles, 2011, 25(3): GB3010. DOI: 10.1029/2010gb003938.

[17]
Konings A G, Williams A P, Gentine P. Sensitivity of grassland productivity to aridity controlled by stomatal and xylem regulation. Nature Geoscience, 2017, 10(4): 284-288.

DOI

[18]
Oren R, Sperry J S, Katul G G, et al. Survey and synthesis of intra- and interspecific variation in stomatal sensitivity to vapour pressure deficit. Plant, Cell & Environment, 1999, 22(12): 1515-1526.

[19]
Liu Y, Jiang Q, Wang Q Y, et al. The divergence between potential and actual evapotranspiration: An insight from climate, water, and vegetation change. Science of the Total Environment, 2022, 807: 150648. DOI: 10.1016/j.scitotenv.2021.150648.

[20]
Han Songjun, Zhang Baozhong. Advances of evapotranspiration research based on the Penman approach and complementary principle. Journal of Hydraulic Engineering, 2018, 49(9): 1158-1168.

[ 韩松俊, 张宝忠. 基于Penman方法和互补原理的蒸散发研究历程与展望. 水利学报, 2018, 49(9): 1158-1168.]

[21]
Zhang B H, Zhang L, Guo H D, et al. Drought impact on vegetation productivity in the Lower Mekong Basin. International Journal of Remote Sensing, 2014, 35(8): 2835-2856.

DOI

[22]
Alon M, Sternberg M. Effects of extreme drought on primary production, species composition and species diversity of a Mediterranean annual plant community. Journal of Vegetation Science, 2019, 30(6): 1045-1055.

DOI

[23]
Rouault G, Candau J N, Lieutier F, et al. Effects of drought and heat on forest insect populations in relation to the 2003 drought in Western Europe. Annals of Forest Science, 2006, 63(6): 613-624.

DOI

[24]
Buotte P C, Levis S, Law B E, et al. Near-future forest vulnerability to drought and fire varies across the western United States. Global Change Biology, 2019, 25(1): 290-303.

DOI PMID

[25]
Abatzoglou J T, Dobrowski S Z, Parks S A, et al. Data descriptor: TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015. Scientific Data, 2018, 5: 170191. DOI: 10.1038/sdata.2017.191.

[26]
Willmott C J, Rowe C M, Mintz Y. Climatology of the terrestrial seasonal water cycle. Journal of Climatology, 1985, 5(6): 589-606.

DOI

[27]
Chen J M, Liu J, Cihlar J, et al. Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications. Ecological Modelling, 1999, 124(2/3): 99-119.

[28]
Shen Guoqiang, Zheng Haifeng, Lei Zhenfeng. Applicability analysis of SPEI for drought research in Northeast China. Acta Ecologica Sinica, 2017, 37(11): 3787-3795.

[ 沈国强, 郑海峰, 雷振锋. SPEI指数在中国东北地区干旱研究中的适用性分析. 生态学报, 2017, 37(11): 3787-3795.]

[29]
Ding Y X, Peng S Z. Spatiotemporal trends and attribution of drought across China from 1901-2100. Sustainability, 2020, 12(2): 477. DOI: 10.3390/su12020477.

[30]
Pei F S, Li X, Liu X P, et al. Assessing the impacts of droughts on net primary productivity in China. Journal of Environmental Management, 2013, 114: 362-371.

DOI PMID

[31]
Liu C X, Wu X L, Wang L. Analysis on land ecological security change and affect factors using RS and GWR in the Danjiangkou Reservoir area, China. Applied Geography, 2019, 105: 1-14.

DOI

[32]
Zhang Tianpeng, Bao Wankui, Lei Qiuliang, et al. Characteristics of spatio-temporal changes in soil temperature in China from 1951 to 2010 and its influencing factors. Acta Geographica Sinica, 2022, 77(3): 589-602.

DOI

[ 张天鹏, 保万魁, 雷秋良, 等. 1951—2010年中国土壤温度时空变化特征及其影响因素. 地理学报, 2022, 77(3): 589-602.]

DOI

[33]
Wang Y X, Chen T T, Wang Q, et al. Time-lagged and cumulative effects of drought and anthropogenic activities on China's vegetation greening from 1990 to 2018. International Journal of Digital Earth, 2023, 16(1): 2233-2258.

DOI

[34]
Fuller D O, Wang Y. Recent trends in satellite vegetation index observations indicate decreasing vegetation biomass in the southeastern saline Everglades wetlands. Wetlands, 2014, 34: 67-77.

DOI

[35]
Li Hui, Zhu Tongtong, Liu Zhenhai, et al. Stability differences of coastal and inland vegetation to flood events in Southeast Asia. Acta Ecologica Sinica, 2022, 42(16): 6745-6757.

[ 李卉, 朱彤彤, 刘侦海, 等. 东南亚沿海与内陆植被对洪水事件响应的稳定性差异. 生态学报, 2022, 42(16): 6745-6757.]

[36]
Lv J M, Ju J H, Ren J Z, et al. The influence of the Madden-Julian Oscillation activity anomalies on Yunnan's extreme drought of 2009-2010. Science China-Earth Sciences, 2012, 55(1): 98-112.

DOI

[37]
Song F F, Leung L R, Lu J, et al. Emergence of seasonal delay of tropical rainfall during 1979-2019. Nature Climate Change, 2021, 11(7): 605-612.

[38]
Kang S C, Xu Y W, You Q L, et al. Review of climate and cryospheric change in the Tibetan Plateau. Environmental Research Letters, 2010, 5(1): 15101. DOI:10.1088/1748-9326/5/1/015101.

[39]
Feng W, Lu H W, Yao T C, et al. Drought characteristics and its elevation dependence in the Qinghai-Tibet plateau during the last half-century. Scientific Reports, 2020, 10(1): 14323. DOI: 10.1038/s41598-020-71295-1.

PMID

[40]
Sun S, Zhang Q, Xu Y X, et al. Integrated assessments of meteorological hazards across the Qinghai-Tibet plateau of China. Sustainability, 2021, 13(18): 10402. DOI: 10.3390/su131810402.

[41]
Fan Keke, Zhang Qiang, Sun Peng, et al. Variation, causes and future estimation of surface soil moisture on the Tibetan plateau. Acta Geographica Sinica, 2019, 74(3): 520-533.

DOI

[ 范科科, 张强, 孙鹏, 等. 青藏高原地表土壤水变化、影响因子及未来预估. 地理学报, 2019, 74(3): 520-533.]

DOI

[42]
Dong Z Q, Liu H, Baiyinbaoligao, et al. Future projection of seasonal drought characteristics using CMIP 6 in the Lancang-Mekong River Basin. Journal of Hydrology, 2022, 610: 127815. DOI: 10.1016/j.jhydrol.2022.127815.

[43]
Cervarich M, Shu S J, Jain A K, et al. The terrestrial carbon budget of South and Southeast Asia. Environmental Research Letters, 2016, 11(10): 105006. DOI: 10.1088/1748-9326/11/10/105006.

[44]
Spruce J, Bolten J, Mohammed I N, et al. Mapping land use land cover change in the Lower Mekong Basin from 1997 to 2010. Frontiers in Environmental Science, 2020, 8: 21. DOI: 10.3389/fenvs.2020.00021.

[45]
Pugh T, Lindeskog M, Smith B, et al. Role of forest regrowth in global carbon sink dynamics. PNAS, 2019, 116(10): 4382-4387.

DOI PMID

[46]
Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data. Nature, 2020, 586(7831): 720-723.

DOI

[47]
Wang X M, Yu X R, Yu X B. Flood disaster risk assessment based on DEA model in Southeast Asia along "The Belt and Road". Sustainability, 2022, 14(20): 13145. DOI: 10.3390/su142013145.

[48]
Zhu Tongtong, Wang Shaoqiang, Li Hui, et al. Variation characteristics and correlation between vegetation phenology and extreme precipitation in Indo-China Peninsula. Tropical Geography, 2023, 43(3): 532-544.

DOI

[ 朱彤彤, 王绍强, 李卉, 等. 中南半岛植被物候与极端降水的变化特征及关联. 热带地理, 2023, 43(3): 532-544.]

DOI

[49]
Tang Q H, Lan C, Su F G, et al. Streamflow change on the Qinghai-Tibet Plateau and its impacts. Chinese Science Bulletin, 2019, 64(27): 2807-2821.

[ 汤秋鸿, 兰措, 苏凤阁, 等. 青藏高原河川径流变化及其影响研究进展. 科学通报, 2019, 64(27): 2807-2821.]

[50]
Trenberth K E. Changes in precipitation with climate change. Climate Research, 2011, 47(1/2): 123-138.

DOI

[51]
Rasanen T A, Kummu M. Spatiotemporal influences of ENSO on precipitation and flood pulse in the Mekong River Basin. Journal of Hydrology, 2013, 476: 154-168.

DOI

[52]
Liu Yuanyuan, Li Xia, Wang Xiaobo, et al. Vegetation stability in response to extreme droughts from 2001 to 2018 in the core area of China-Laos transportation corridors. Acta Ecologica Sinica, 2021, 41(7): 2537-2547.

[ 刘媛媛, 李霞, 王小博, 等. 2001—2018年中国—老挝交通走廊核心区植被稳定性对极端干旱的响应. 生态学报, 2021, 41(7): 2537-2547.]

[53]
Dong Lei, Li Jiyue. Relationship among drought, hydraulic metabolic, carbon starvation and vegetation mortality. Acta Ecologica Sinica, 2013, 33(18): 5477-5483.

DOI

[ 董蕾, 李吉跃. 植物干旱胁迫下水分代谢、碳饥饿与死亡机理. 生态学报, 2013, 33(18): 5477-5483.]

[54]
Hartmann H, Ziegler W, Kolle O, et al. Thirst beats hunger-declining hydration during drought prevents carbon starvation in Norway spruce saplings. New Phytologist, 2013, 200(2): 340-349.

DOI PMID

[55]
Li X Y, Li Y, Chen A P, et al. The impact of the 2009/2010 drought on vegetation growth and terrestrial carbon balance in Southwest China. Agricultural and Forest Meteorology, 2019, 269: 239-248.

[56]
Wang C P, Huang M T, Zhai P M. Change in drought conditions and its impacts on vegetation growth over the Tibetan Plateau. Advances in Climate Change Research, 2021, 12(3): 333-341.

DOI

[57]
Zheng P F, Wang D D, Yu X X, et al. Effects of drought and rainfall events on soil autotrophic respiration and heterotrophic respiration. Agriculture Ecosystems & Environment, 2021, 308: 107267. DOI: 10.1016/j.agee.2020.107267.

[58]
Iqbal J, Hu R G, Feng M L, et al. Microbial biomass, and dissolved organic carbon and nitrogen strongly affect soil respiration in different land uses: A case study at Three Gorges Reservoir Area, South China. Agriculture Ecosystems & Environment, 2010, 137(3-4): 294-307.

DOI

[59]
Metcalfe D B, Meir P, Aragao L, et al. Shifts in plant respiration and carbon use efficiency at a large-scale drought experiment in the Eastern Amazon. New Phytologist, 2010, 187(3): 608-621.

DOI PMID

[60]
Novick K A, Ficklin D L, Stoy P C, et al. The increasing importance of atmospheric demand for ecosystem water and carbon fluxes. Nature Climate Change, 2016, 6(11): 1023-1027.

DOI

[61]
Liu Y W, Liu Y B, Wang W, et al. Propagation of soil moisture droughts in a hotspot region: Spatial pattern and temporal trajectory. Journal of Hydrology, 2021, 593: 125906. DOI: 10.1016/j.jhydrol.2020.125906.

[62]
Peng J, Wu C Y, Zhang X Y, et al. Satellite detection of cumulative and lagged effects of drought on autumn leaf senescence over the Northern Hemisphere. Global Change Biology, 2019, 25(6): 2174-2188.

DOI PMID

[63]
Lin C, He Y L, Wang Z Y. Sensitivity of vegetation productivity to extreme droughts across the Yunnan Plateau, China. Atmosphere, 2023, 14(6): 1026. DOI: 10.3390/atmos14061026.

Options
文章导航

/

〈 〉