1 引言
干旱被定义为由气象因素引起的极端气候事件， 会对植被生长、 水文循环（降水、 径流及土壤水分的减少）、 水资源系统、 农业生产及自然生态系统等产生严重影响（González and Valdés， 2006）。干旱通常源于降水不足（气象干旱）， 通过水文循环传播， 导致地下水、 地表径流和土壤水分的减少， 对人类社会和生态环境产生深远影响（Trenberth et al， 2014）。干旱会降低植被覆盖度， 导致土地退化和荒漠化（Vicente-Serrano et al， 2020）， 甚至改变生物多样性（Clark et al， 2016）。基于对生态系统结构和功能的破坏程度， 干旱被视为在全球范围内最具复杂影响的水文和气候灾害之一（Ledger et al， 2013）。全球气候变化加速了水文过程， 增加了降水过程的变异性， 使全球干旱的发生越发频繁（Dai， 2013； Mukherjee et al， 2018）。在未来气候变化和人类活动加剧的背景下， 预计全球干旱的强度、 发生频率和影响范围都将增加， 会对生态系统产生更为严重和复杂的影响（Sheffield and Wood， 2008）。为了应对干旱对生态系统的影响， 提高气候适应能力和保障可持续发展， 人们必须深入了解生态系统在干旱期间的变化及响应。
植被对陆地碳循环、 能量分配和水循环等具有重要的调节作用（Fathi-Taperasht et al， 2023）， 是生态系统的关键组成部分， 也是维持全球陆地生态系统的生态平衡的重要因素（Ji et al， 2024）。干旱会对生态系统结构和功能产生严重影响，会显著改变土壤-植物-大气连续体（SPAC）内的水文与植物生理过程， 降低叶片气孔导度和光合作用效率（Novick et al， 2016）， 从而抑制植被生长。研究干旱期间植被的变化和响应对理解干旱对生态系统的影响及制定应对措施至关重要。
中国西南地区植被类型以亚热带植被为主， 区内植被茂密且类型丰富多样， 是我国最大的陆地碳汇（Piao et al， 2009； Liu et al， 2016a）， 但受到广泛分布的喀斯特地貌影响， 土壤储水能力受限， 该区域植被生长极易受到干旱的抑制（Heilman et al， 2014； Liu et al， 2016b）。21世纪以来， 西南地区干旱事件频发， 对西南地区植被生长和我国的生态安全造成了严重影响。对西南地区干旱成因的研究发现， 2011年夏季干旱是由阿拉伯海-孟加拉湾一带对西南地区水汽贡献降低导致的， 而2009年秋季干旱是由南海-太平洋西北部一带水汽贡献率降低导致的（朱家宁等， 2023）。在干旱频率的研究方面， 葛元凯等（2023）通过计算SPEI干旱指标发现， 20世纪80年代以来， 西南地区进入显著变干阶段， 这一变化表现在降水量的减少和气温的升高， 导致西南地区自2001年来干旱发生的频率和持续时间明显增加， 到2016年后才有所缓解。1961 - 2022年， 西南地区极端高温持续期为全国最长， 增长最为迅速（卢珊等， 2025）。综合1961年来我国多次的干旱事件来看， 2001 -2022年西南地区的平均干旱强度与全国其他地区相比强度明显更大， 其中云南和四川南部平均干旱强度尤为突出（陈逸骁等， 2024）。也有研究指出， 2001年起， 我国大部分极端干旱发生在西南地区， 东北部、 内蒙古及西北部只发生少部分极端干旱事件（Liu et al， 2024）。
历史时期西南地区的干旱已对研究区植被生长产生显著影响， 严重威胁西南生态安全屏障和生态系统稳定性。Zhou et al （2019）使用不同干旱指标数据和遥感数据计算2009 -2010年西南地区干旱事件对植被NPP和GPP的影响， 发现2009年和2010年的干旱事件分别导致NPP下降14.7%和8.4%， 常绿林、 灌木林和落叶林的GPP降幅分别达到150 gC·m-2、 92 gC·m-2及103 gC·m-2。Wang et al （2010）使用遥感数据生成NDVI来分析2009 - 2010年干旱事件对自然植被的影响， 发现干旱导致自然植被NDVI发生严重异常， 且强变异区（NDVI差值<0.1）集中在贵州西南部、 云南中、 东部地区以及四川南部地区。Liu et al （2023）对西南地区不同植被类型的GPP对干旱的抵抗能力进行分析， 结果表明森林和草地在干旱期间GPP的下降趋势分别为82%和92%， 强于人造植被（人造林76%和人工植草82%）， 且喀斯特地区自然植被和人工植被的GPP下降速度快于非喀斯特地区。Ge et al （2021）研究干旱对云贵高原植被生产力的影响发现， 高原不同地区对干旱响应的敏感程度不同， 西南部和东部高原的GPP对干旱的响应较为迟缓， 而西北高原的GPP对干旱的响应敏感性较高。Jiang et al （2022）对西南地区森林的旱后恢复力进行研究， 发现严重干旱后6个月， 40%~50%的森林具有异常低的恢复力， 且这种恢复力的空间分布与2009 -2011年干旱严重地区具有良好的空间一致性。以上基于遥感监测数据的研究揭示了西南地区近年频发的干旱事件已对西南地区植被生长造成了显著影响， 而当前动态植被模型能否模拟出西南地区植被对干旱的响应未知。
动态全球植被模型可以用来模拟全球尺度下植被动态变化和气候变化条件下植被生产力、 叶面积指数的变动等， 对研究生态系统植被动态变化以及生态系统对特定干旱事件的响应有重要意义。目前， 已有研究使用Community Atmosphere Biosphere Land Exchange Model （CABLE）， the Organizing Carbon and Hydrology in Dynamic Ecosystems Model （ORCHIDEE）和Lund-Potsdam-Jena Dynamics Global Vegetation Model （LPJ）等模型对2009 -2010年干旱对西南地区碳通量的影响进行了模拟研究， 揭示了其在干旱期间标准化异常指数的空间分布， 推动了对极端干旱对西南地区碳通量的空间异质性影响的认识（Li et al， 2019）。通过与遥感数据的对比验证， 发现了这些模型在土壤水文等模块进一步发展的空间（Vetter et al， 2008； Reichstein et al， 2007； Ringeval et al， 2012； Yang et al， 2016）。由美国国家大气研究中心发布的通用陆面模式CLM是目前较为先进的模式之一（Ke et al， 2012）。其CLM5.0版本在历史版本的基础上综合生物圈-大气圈传输方案陆面模型 BATS、 中国科学院大气物理研究所陆面过程模型IAP94等模型的优点进行了优化（Lawrence et al， 2019）， 对土壤水文、 植物水力等模块都进行了显著修改。CLM5.0更新了土地覆盖和土壤厚度数据， 提升土壤层分辨率的同时改进了土壤蒸发阻力的参数化方案和土壤水数值解的准确性（Clark and Kavetski， 2010； Swenson and Lawrence， 2014）。此外， CLM5.0引入了植物水力（PHS）配置， 允许蒸腾作用在模型中基于叶片水势进行衰减， 从而捕捉到植被对土壤水分和大气蒸发需求动态响应的水利用调节机制， 提升了模型的物理基础和模拟精度（Kennedy et al， 2019）。在中国区域应用CLM模式的研究表明， CLM5.0可以较好地模拟出西南地区植被叶面积指数（Leaf Area Index， LAI）和总初级生产力（Gross Primary Productivity， GPP）的季节变化， 并呈现出与遥感数据相似的空间分布（王黎欢等， 2024）。对青藏高原地区的模拟验证也揭示了其对GPP空间分布趋势及土壤温湿度特征的良好模拟效果（Deng et al， 2022； 张哲浩等， 2025）。鲍艳等（2023）通过CLM4.5对青藏高原植被LAI进行模拟发现， 模型对南部和东部LAI的模拟偏高， 地表水循环对植被变化起主要作用。目前在西南地区使用CLM5.0与遥感数据的对比研究主要为验证模型对植被指数区域平均模拟值或空间分布特征的模拟适用性。而植被与干旱的相关性、 对干旱的滞后响应、 干旱的累积效应及抗旱性和恢复力等的模拟， 对理解植被对干旱的多方面响应特征， 从而较为全面地评估干旱造成的生态影响至关重要。因此， 本研究综合采用CLM5.0和多源遥感数据的手段， 对西南地区植被对干旱事件的多方面响应情况进行研究。
结合以上考虑， 并避免单一遥感数据在模拟验证和准确反映干旱对西南地区植被影响的局限， 本研究综合采用多源遥感数据及CLM5.0模型模拟手段， 研究西南地区植被对干旱事件的多方面响应特征， 主要聚焦以下问题： （1）2009 -2010年极端干旱事件的持续时间和严重程度的时空分布特征如何？（2）西南地区植被对2009 -2010年极端干旱事件做出了何种响应？（3）与多源遥感验证数据相比， CLM5.0对西南地区植被对干旱事件的多方面响应的模拟适用性如何？
2 材料与方法
2.1 研究区域
研究区位于97°21′E -112°04′E， 20°54′N - 34°19′N， 由云南、 贵州、 四川3个省以及重庆市组成。中国西南地区地势西北高东南低， 西邻青藏高原， 地跨三级阶梯（图1）。地形复杂多样， 包括川西高原、 四川盆地、 云贵高原和横断山脉等。该区地貌以山地、 高原为主， 且分布有广泛的喀斯特地貌。受复杂的地形地貌条件影响， 部分地区气候复杂多变， 空间差异显著。研究区气候类型以干湿分明的亚热带季风气候为主， 降水丰富且雨热同期， 但降水的时空分布极不均匀。区域内植被类型丰富， 植被覆盖度较高， 土地利用类型包括常绿林、 落叶林、 草原、 灌丛和耕地等。其茂密的植被具有很强的固碳能力， 但由于其复杂多样的地形地貌以及气候条件， 西南地区的植被生长很容易受到干旱灾害的影响（Heilman et al， 2014）。本节涉及的研究区域地图是基于标准地图服务系统（http： //bzdt.ch.mnr.gov.cn/）下载的中国地图［审图号GS（2019）1822］制作而成， 底图无修改。DEM数据来源于中国科学院资源环境科学与数据中心（https： //www.resdc.cn/）发布的全国DEM 1 km数据， 土地利用数据来自国家冰川冻土沙漠科学数据中心（https： //www.ncdc.ac.cn/）。
2.2 数据描述
2.2.1 大气数据
本研究使用中国区域地面气象要素驱动数据集（CMFD）（阳坤等， 2019）作为模式的驱动数据， 该数据在Princeton再分析资料、 GLDAS资料、 TRMM降水资料以及GEWEX-SRB辐射资料的基础上， 融合了中国气象局气象观测资料制作而成， 其精度位于观测数据与遥感数据之间， 且高于国际现存的再分析数据的精度（He et al， 2020； Yang et al， 2010）。
2.2.2 遥感LAI和GPP产品
LAI遥感数据包括GLASS-LAI、 GLOBMAP-LAI以及GIMMS-LAI。其中， 全球陆表特征参量数据产品（GLASS产品）由北京师范大学自主研发。GLASS-LAI为其中的叶面积指数（LAI）产品， 时间分辨率为8 d， 空间分辨率为0.05°（https： //www.geodata.cn）； GLOBMAP-LAI是全球尺度的长时间序列LAI产品。该产品由两套不同时间跨度的产品组成， 包括AVHRR LAI（1981 -2000年）和MODIS LAI（2001 -2019年）， 空间分辨率均为0.08°， 时间分辨率则分别为8 d和半月（Liu et al， 2012）； GIMMS-LAI是由GIMMS、 AVHRR等利用人工神经网络模型（ANN）合成（Zhu et al， 2013）。该数据集时间分辨率为半月， 空间分辨率为1/12°。
GPP遥感数据则包括GLOBMAP-GPP、 GIMMS-GPP以及GLASS-GPP产品。其中， GLOBMAP-GPP是通过使用双叶光利用效率模型（TL-LUE）， 添加CO2浓度的规则标量和修改后的温度标量合成的（Bi et al， 2022）。该产品时间分辨率为月， 空间分辨率为0.05°； GIMMS-GPP产品则是基于光利用效率方程（LUE）， 结合优化的LUE、 GIMMS3g、 光合有效辐射比例（FRAR）以及Modern-Era Retrospective analysis for Research and Applications， Version 2 （MERRA-2）推导得出（Madani and Parazoo， 2020）。时间分辨率为月， 空间分辨率为1/12°； GLASS-GPP是由北京师范大学发布的GLASS产品之一， 采用改良的Eddy Covariance-Light Use Efficiency （EC-LUE）模型使相对误差维持在25%以下， 能够对全球植被生产力的时空分布及变化格局进行良好模拟。时间分辨率为8 d， 空间分辨率为0.05°（http： //www.geodata.cn）。
2.2.3 IMERG降水数据及中国1 km分辨率气温数据集
本文使用的卫星观测数据IMERG是由Global Precipitation Measurement （GPM）制作的IMERG Final V07B （https： //disc.gsfc.nasa.gov/）（Hou et al， 2014； Liu et al， 2017）， 空间分辨率为0.1°×0.1°， 时间分辨率为0.5 h。IMERG数据的应用主要是参与计算西南地区SPEI干旱指数， 并检验CLM5.0驱动数据的降水和干旱表征情况。
本文使用的中国1 km分辨率气温数据集（Peng et al， 2018， 2017， 2019； Ding and Peng， 2020）由时空三极环境大数据平台发布， 该数据是中国区域的逐月平均气温数据， 空间分辨率约为1 km， 单位为0.1 ℃， 时间为1901 -2021年。该数据集应用Delta空间降尺度方案， 对CRU的全球0.5°分辨率气候数据集和WorldClim发布的全球高分辨率气候数据集在中国地区降尺度形成的， 经过496个独立气象观测点数据验证后， 保证结果真实可靠。该数据在本文的应用包括参与计算西南地区SPEI干旱指数， 检测CLM5.0驱动数据的气温和干旱表征情况。本文的数据使用情况如表1所示。
表1 数据使用情况Table 1 Data utilization |
| 数据名称 | 空间分辨率 | 时间分辨率 |
|---|---|---|
| GLASS-LAI | 0.05° | 8 d |
| GIMMS-LAI | 1/12° | 半月 |
| GLOBMAP-LAI | 0.08° | 8 d/半月 |
| GLASS-GPP | 0.05° | 8 d |
| GIMMS-GPP | 1/12° | 月 |
| GLOBMAP-GPP | 0.05° | 月 |
| 中国1 km分辨率逐月平均气温数据集 | 1 km | 月 |
| IMERG | 0.1° | 0.5 h |
| 中国区域地面气象要素驱动数据集 | 0.1° | 3 h |
2.3 方法
2.3.1 干旱监测及极端干旱事件的识别
标准化降水蒸散指数（SPEI）具有多尺度性， 可以刻画多种干旱情景， 已被证实是其他干旱指数中更适用于西南地区的指标。LAI和GPP对6个月SPEI尺度最为敏感（Deng et al， 2021）。因此， 本文选择6个月时间尺度的SPEI及其标准化异常来识别西南地区2001 -2016年期间极端干旱事件。基于SPEI值的干旱分类标准（GB/T 20481-2017）如表2所示。
表2 气象干旱分类标准Table 2 Meteorological drought classification criteria |
| 等级 | 类型 | SPEI |
|---|---|---|
| 1 | 无旱 | SPEI>-0.5 |
| 2 | 轻旱 | -1<SPEI≤-0.5 |
| 3 | 中旱 | -1.5<SPEI≤-1 |
| 4 | 重旱 | -2<SPEI≤-1.5 |
| 5 | 特旱 | SPEI≤-2 |
第一步， 计算潜在蒸散（PET）。最广泛使用的计算方法是Thornthwaite方法， 该方法的优点是考虑了温度变化和纬度因子（日照时数）， 能够更好地反映地表潜在蒸散情况。本文使用的是中国1 km分辨率逐月平均气温数据集来作为Thornthwaite函数的输入变量计算PET， 见式（1） 。
式中： i为月； PET为月的潜在蒸散量（单位： mm·mon-1）； Ti 指月的平均气温（单位： ℃）； H指年热量指数； A为常数。各月热量指数 由式（2） 计算：
年热量指数H计算见式（3） ：
常数A由式（4） 计算：
式中： 当月平均气温T≤0 ℃， 月热量指数H=0， 潜在蒸散量PET=0 mm·mon-1。
第二步， 根据降水数据和PET数据计算SPEI。本文使用的降水数据是卫星观测数据IMERG。为计算网格单元级别的SPEI， 便于进行后续分析， 本文采用的是James Adams等人于Python发布的“climate_indices”库（https： //github.com/monocongo/climate_indices）来计算多时间尺度的SPEI。该程序库可计算包括Standardized Precipitation Index （SPI）、 Palmer Drought Severity Index （PDSI）、 Standardized Precipitation Evapotranspiration Index （SPEI）等多个气候指数， 已被广泛应用于不同区域气候指数的计算中。其中对SPEI的计算， 以每月降水和PET数据为输入， 可以对1~48个月时间尺度的SPEI进行计算， 计算方法可见（https： //github.com/monocongo/climate_indices）。
如上所述， 将计算出的SPEI值求取其标准化异常（SPEISA）， 基于6个月尺度的SPEI， 将极端干旱事件定义为SPEISA<-0.5且至少持续6个月。文中将阈值设置为-0.5， 因为它很好地捕捉了中国西南地区干旱事件的极端干旱异常（Li et al， 2019）。在极端干旱事件的识别中， 干旱的开始定义为SPEISA低于阈值的第一个月， 干旱的结束则是SPEISA向上越过阈值的第一个月， 干旱期间则为干旱开始和结束之间的时间段。SPEISA的计算公式如式（5） 。
式中： SPEIi 为第i个月的SPEI； mean（SPEIi ）是参照期（2001 -2016年）第i个月的SPEI的均值； σ（SPEIi ）是参照期第i个月SPEI的标准差（SD）。
2.3.2 分析方法
（1） 关键植被指标
叶面积指数LAI和总初级生产力GPP是评估生态系统健康和功能的重要参数， 不仅可以反映植被的生长状况和动态变化， 还与关键生态系统过程， 如碳循环、 能量平衡等密切相关（Beer et al， 2010； Yao et al， 2018； Zhang et al， 2023； Sellers et al， 1997）。因此， 使用LAI和GPP作为植被活动指标可以更好地捕捉干旱对植被活动的直接影响， 了解植被活动对气候变化响应的内部过程。
（2） 植被与干旱的相关性分析
已有很多学者通过计算干旱期间SPEI指数与植被指标的Pearson相关系数来确定植被对干旱的响应情况。相关系数越接近于1代表植被LAI和GPP与干旱的正相关性越显著， 说明干旱事件的发展对植被产生了较强的不利影响。前文述及， 植被LAI、 GPP对6个月尺度SPEI的响应最为敏感， 我们首先对极端干旱期间6个月尺度的SPEI与对应时期LAI和GPP进行相关性分析， 以确定不同地区LAI和GPP对干旱的即时响应情况。计算方法见式（6） 。
式中： Rxy 为变量x和y之间的相关系数； xi 为第i月LAI或GPP； yi 为第i月SPEI； 和 分别是LAI或GPP的均值和SPEI的均值。
（3） 植被对干旱的时滞响应
有研究表明， 植被对干旱的响应大多存在滞后性。有学者对2006 -2010年多个干旱事件下西南地区区域平均GPP与干旱进行对比研究发现， 西南地区植被对多次干旱的滞后响应期均表现为1~3个月（Zhou et al， 2019）。因此， 为确定干旱对西南地区植被LAI和GPP的时间滞后影响， 将当期LAI和GPP与LAI和GPP时间序列的前1~3个月的SPEI指数计算相关性（包括当期）， 并找出最大相关性所对应的月数， 作为植被对干旱响应的滞后月。计算公式如下：
式中： ri 是滞后i个月的Pearson相关系数； i是滞后时间（取值为0~3， 单位是月， i为0时， x和SPEI对应月相关， 不存在滞后性）； x是当期的LAI或GPP， SPEIi 是滞后i个月的SPEI指数； R maxlag是所有滞后月数的最大相关性。
（4） 干旱对植被的累积效应
植被对干旱的时滞效应只考虑了前一个时期某时间段的干旱情况， 而忽略了在一定时间内能够持续影响植被生长的持续性的动态气候条件， 而累积效应恰恰反映了干旱从开始到结束对植被生长的持续影响， 即考虑连续一段时间的干旱影响（Wei et al， 2022）。SPEI的不同时间尺度代表了过去不同时间的累积水平衡状况（盈余或亏损）， 其中， SPEI的短期时间尺度（3、 6和9个月）被广泛用于研究植被对干旱响应的有效指标（Chen et al， 2013； Wu et al， 2018）。因此， 本文计算了植被LAI和GPP与1、 3、 6和9个月时间尺度SPEI的相关系数， 找出最大相关系数对应的时间尺度， 以研究植被对干旱的累积响应情况。计算公式如下：
式中： Rj 是LAI或GPP与同期但多时间尺度（j）的SPEI之间的Pearson相关系数； x是LAI或GPP； j分别为1、 3、 6和9个月的累积时间； SPEIj 代表1、 3、 6和9个月时间尺度的SPEI； R max-cum是所有考虑的时间尺度中， 最大的相关系数。
2.3.3 植被对干旱的抵抗力和恢复力
本文使用抵抗力和恢复力这两个指标来衡量植被对干旱响应的稳定性。其中， 抵抗力（Rt）表示生态系统在干旱干扰下保持其正常原始状态的能力（Ivits et al， 2016）， 而恢复力（RS）表示生态系统从干旱干扰后恢复到正常状态的能力（De et al， 2015）。这种方法计算的Rt和RS是无单位的， 可以在生产力水平不同的研究区间进行比较； 是具有对称性的， 可以直接在正负扰动之间进行比较（Isbell et al， 2015）。计算公式如下：
式中： 是正常年份（所有非极端干旱期间）LAI或GPP的平均值； Ye 和Ye +1是极端干旱发生当期和极端干旱事件发生后一年的LAI或GPP值。较高的Rt表示耐旱性更高， 较高的RS代表更强的恢复力。
2.3.4 CLM模拟方案
本文使用CLM5.0-BGC对西南地区进行区域LAI、 GPP等模拟。BGC模块建立在CLM4.0和CLM4.5的碳氮循环耦合的基础之上（Cheng et al， 2021）， 综合考虑生态系统特征以及生理生态参数的差异， 更好地模拟不同植被类型的植被生长过程。CLM5.0-BGC是目前CLM陆面模式中主要的植被模拟模块， 可以根据不同的研究问题调整模型参数， 更好地评估生态系统在各种气候环境下的变化， 是生态系统模拟的重要工具。
驱动数据、 初始化文件是模拟的重要基础。本文使用中国区域地面气象要素驱动数据集（CMFD）作为模式的驱动数据， 包括降水、 近地面温度、 近地面压强、 近地面比湿、 近地面风速、 向下短波辐射、 向下长波辐射。初始状态对模型性能的影响显著， 在开始模拟之前要对模型进行初始化（spinup）， 使模型在模拟周期内与大气驱动充分适应， 达到水热状态平衡， 降低因初始场不稳定而产生的模拟偏差。本文将CLM的默认初始文件设为初始场， 以2000 -2016年为模拟周期， 设置模拟结果为月输出， 空间分辨率为0.1°×0.1°， 循环驱动模式17次（680模型年）， 使模型达到稳定状态。将spinup后的文件作为新的初始场来模拟2000 -2016年的LAI及GPP等。
3 研究结果
3.1 驱动数据干旱表征的验证
驱动数据的逐月和年均降水量、 气温和SPEI干旱指数与验证数据具有较高的一致性， 驱动数据对干旱的表征情况较好， 可用于驱动CLM5.0来模拟植被对干旱响应情况。降水和气温是西南地区变干以来干旱频发的主要原因， 对驱动数据的降水、 气温和SPEI干旱指数的验证， 可排除因驱动数据对干旱表征的偏差导致模拟植被对干旱响应的不准确性。图2显示了驱动数据的降水、 气温和干旱表征（SPEI）的验证情况。驱动数据的月度降水和气温与验证数据的季节变化特征吻合度较高， 均表现为单峰变化， 且相关性均超过0.99［图2（a）， （b）］。由驱动数据和验证数据计算的两种SPEI干旱指数的一致性较高［图2（c）］， 二者拟合线接近1∶1线， 具有较高的R 2值（0.8311）， 且相关性超过0.9， 因此该数据可以支持CLM模拟植被对干旱的响应。
图2 驱动数据干旱表征情况的验证 （a）驱动数据 （CMFD-TEMP）与验证数据（TEMP-1 km） 气温的逐月变化， （b）驱动数据（CMFD-Pre）与IMERG数据（IMERG-Pre）降水的逐月变化， （c） 驱动数据与验证数据的SPEI拟合关系， 左上方COR为两种数据间的相关性系数Fig.2 Validation of drought characterization scenarios for driving data.（a） monthly variation in temperature between driving data （CMFD-TEMP） and validation data （TEMP-1 km）； （b） monthly variation in precipitation between driving data （CMFD-Pre） and IMERG data （IMERG-Pre）； （c） fit relationship of the SPEI between driving data and validation data； the correlation coefficient （COR） between the two datasets is shown in the upper left corner |
3.2 极端干旱事件的时空特征
2001-2016年中国西南地区共发现了3例极端干旱事件。从图3（a）中可以看出， 从2001 -2016年， SPEISA总体呈现下降趋势， 表明西南干旱的严重程度增加。其中最严重和持续时间最长的极端干旱事件发生在2009年5月至2010年6月。此后的2011 -2016年， SPEISA呈上升趋势， 干旱严重程度逐渐缓解。2009 -2010年干旱的空间分布特征， 此次干旱的严重程度和持续时间均呈现由南向北递减的趋势［图3（b）， （c）］。如图3（b）所示， 这次严重干旱影响了超过80%的研究区域 （SPEI≤-0.5）， 最严重的干旱发生在四川南部、 云南和贵州大部分地区（研究区南部）干旱持续12个月及以上［图3（c）］， 四川北部受干旱影响较小， 持续时间不超过3个月。因此， 文中选择2009 -2010年作为案例， 研究此次极端干旱对植被LAI和GPP的影响以及CLM5.0模型中植被对干旱响应的模拟状况。
图3 西南地区极端干旱的时空分布 （a） 区域平均SPEI的标准化异常的趋势线； （b）极端干旱严重程度的空间特征； （c）极端干旱持续时间的空间特征（单位： 月）Fig.3 Spatial and temporal distribution of extreme droughts in Southwest China.（a） trend lines of standardized anomalies of regional mean SPEI； （b） spatial distribution of extreme drought severity； （c） spatial distribution of extreme drought duration （unit： month） |
3.3 西南地区2009 -2010年极端干旱下CLM5.0模拟验证
3.3.1 干旱期间LAI和GPP的空间分布特征
2009 -2010年干旱期间， 三套遥感LAI和GPP数据显示出了相似的空间分布特征， CLM5.0可以捕捉到与遥感数据类似的空间分布趋势。图4显示了遥感数据和CLM模拟的LAI和GPP在干旱期间的空间分布情况， 三套遥感数据均显示出， 西南地区LAI和GPP在此次干旱期间呈现出从东南向西北递减的分布趋势， 且表现为云南南部地区LAI和GPP最高， 四川盆地地区低于盆地周边地区的分布特点［图4（a）~（c）， （e）~（g）］。这种分布特征与植被类型的分布有关， 云南南部地区的植被类型以常绿阔叶林为主， 具有较高的LAI和GPP值， 而四川西部地区植被类型以高寒草甸为主， 因而LAI和GPP值较低。此外， 不同遥感产品间存在一定的差异， GLASS产品在四川盆地地区的GPP［图4（f）］与GIMMS和GLOBMAP相比偏低， 差异达到25 gC·m-2·mon-1以上， 可能与遥感产品间不同的算法、 处理方式等有关。在模拟验证方面， CLM5.0模拟的干旱期间LAI和GPP的空间分布特征与遥感数据的描述基本相同， 可以模拟出植被在干旱期间与遥感数据相似的分布特征。但对部分地区， 主要是贵州和云南地区的LAI和GPP的模拟值存在一定程度的偏差， 体现在对云南东部和贵州南部的LAI模拟偏高［图4（d）］和GPP模拟偏低［图4（h）］， 其他地区的模拟情况相对较好。
3.3.2 植被LAI与GPP对干旱的响应
将6个月尺度SPEI与LAI和GPP进行相关性分析（不包含滞后）， 发现三种遥感LAI和GPP对干旱的响应情况呈现出相似的空间分布特征。图5描述了遥感数据显示的LAI和GPP对此次干旱的响应强度， 相关系数越接近于1代表植被LAI和GPP与干旱的正相关性越显著， 表示干旱指数的下降（干旱强度的提升）与植被LAI和GPP的下降存在明显的正相关， 即干旱事件的发展加剧了植被的退化。我们观察到， 三种遥感数据均显示出， 植被对干旱的响应程度呈现从东南向西北递减的特征， LAI和GPP对干旱的显著响应（R>0.8）出现在重庆市、 贵州省、 四川北部及云南中部地区。特别是在贵州， 超过90%的地区均观察到植被对干旱的响应较强， 干旱的发展显著加剧了这些地区植被LAI和GPP的退化。相比之下， 四川中部（包括四川盆地及周边地区）与干旱的相关性较弱（R<0.2）， 表明该地植被退化并没有因干旱的发展而加剧， 可能与当地的农业灌溉和生态恢复工作等有关。
LAI和GPP对干旱事件的响应强度在CLM的模拟中得到了较为精确的捕捉， 与遥感数据有较高的一致性。从图5（d， h）中可以看出， CLM模拟的LAI和GPP对干旱的响应情况， 与遥感数据的描述相似， CLM与遥感数据均显示出重庆、 四川北部、 云南中部和贵州地区植被LAI和GPP对干旱较强的响应（R max>0.8）， 也显示出四川中部和云南西北部地区与干旱较弱的相关性（R<0.2）。特别是CLM捕捉到超过90%贵州地区的植被LAI和GPP与干旱的正相关性， 这也与遥感数据的描述有较高的相似性。
3.3.3 干旱对植被LAI和GPP的时间滞后影响
三套遥感数据对干旱滞后响应的表现基本相同， LAI和GPP对干旱的滞后响应在空间具有相似性， 且不同地区植被的滞后响应程度存在显著差异。图6是使用6个月尺度的SPEI计算的遥感LAI和GPP与干旱的最大相关性（R maxlag）所对应的滞后月份。全区域68.35%的植被对干旱表现出1~3个月的滞后性响应， 其中， R maxlag表现为3个月时滞所覆盖的面积最大（LAI： 49.69%； GPP： 52.92%）， 主要分布于云南和四川的中部地区、 四川盆地的周边地区以及贵州南部等地。相比之下， 西南植被对干旱响应较快（滞后月数0~1个月）的地区占比较小（31.65%）， 主要分布在重庆市和贵州北部等地。此外， 植被LAI和GPP的R maxlag在干旱期间均表现为大范围的正相关［图7（a）~（c）， （e）~（g）］： LAI（67.38%）及GPP（73.72%）。具有正效应强度的面积比例明显超过负效应的面积比例， 表明干旱的滞后效应显著加剧了西南大范围面积的植被LAI和GPP的退化。
图6 遥感和模拟的LAI（a~d）和GPP（e~h）对干旱的滞后响应月数Fig.6 Months of lagged response of remote sensing and simulated LAI（a~d） and GPP（e~h） to drought |
CLM较好地模拟了西南地区植被对干旱的滞后响应， 不同地区LAI和GPP对干旱的滞后响应与遥感数据的表现相似。图6（d， h）显示了CLM对LAI和GPP滞后响应的模拟情况， 与遥感数据相似， 模拟结果显示出大范围面积比例的滞后响应（68.66%）。CLM较为精准地捕捉到了贵州东北部、 重庆市和四川北部地区植被对干旱的较快响应（0~1个月）， 并模拟出云南和四川的中部地区、 四川盆地周边以及贵州南部等地对干旱较长月数（2~3个月）的滞后响应。此外， 模拟的植被LAI和GPP的R maxlag在三次干旱下也都表现为大范围的正相关［图7（d）， （h）］： LAI（78.21%）及GPP（77.82%）， CLM对植被的滞后响应强度的模拟表现较为出色。
3.3.4 干旱对植被LAI和GPP的累积效应
遥感数据之间对干旱累积效应的表现基本相同， 不同地区植被对干旱累积响应的时间尺度存在显著的空间差异。图8（a）~（c）和（e）~（g）显示了多时间尺度下（1、 3、 6和9个月）的SPEI与遥感LAI和GPP的最大相关性对应的时间尺度的空间分布情况。干旱期间， 研究区北部（四川及重庆大部分地区）以短期累积效应（1个月和3个月）为主， 该地植被对累积水平衡的变化较为敏感， 对干旱的耐受性较差。而研究区南部（云南和贵州大部分地区）则以中到长期累积效应（6个月和9个月）为主， 该地植被可以容忍更长的干旱时间尺度。与时滞性相似， 但累积效应比时滞性对应的影响范围要更大， 因为时滞性忽略了在一段时间内持续影响植被生长的持续性动态气候条件， 而累积效应考虑了连续时间内的干旱影响， 即从干旱开始到结束对植被的持续影响。此外， 植被LAI和GPP的R max-cum表现为正相关的面积范围显著大于负相关［图9（a）~（c）， （e）~（g）］： LAI（82.1%）及GPP（88.65%）， 即干旱的累积效应会对西南大范围地区的植被LAI和GPP造成严重破坏。
图8 干旱对植被LAI （a~d）和GPP （e~g）的累积效应时间尺度的模拟验证Fig.8 Simulation validation of the timescale of cumulative effects of drought on vegetation LAI （a~d） and GPP （e~g） |
CLM对干旱对植被累积效应的模拟表现较为出色， 可以模拟出干旱对LAI和GPP累积效应的相似性以及不同地区植被对干旱累积响应的空间差异。2009 -2010年干旱影响下， 与遥感数据［图8（a）~（c）， （e）~（g）］的表现相似： CLM模拟出了研究区北部（四川及重庆大部分地区）的短期（1个月和3个月）累积效应， 对贵州和云南大部分地区的中到长期（6个月和9个月）累积效应的模拟表现也较为出色［图8（d）， （h）］。特别的， CLM模拟出了贵州超90%地区的植被对干旱中到长期的累积响应， 这也与遥感数据的表现基本一致。此外， 模拟的植被LAI和GPP的R max-cum表现为正相关的面积范围均大于负相关［图9（d）， （h）］， CLM对植被对干旱累积效应的响应强度的模拟表现也较好。
3.3.5 CLM对植被的干旱抵抗力和恢复力模拟情况
不同遥感数据之间对植被抗旱力和恢复力的表现存在一定差异， CLM中植被对干旱抵抗力和恢复力的模拟都在与遥感数据相当的合理范围内。图10描述了三种遥感数据和CLM模拟的LAI和GPP的抵抗力（Rt）和恢复力（RS）。CLM模拟的LAI对干旱表现出较弱的抵抗力， 这与GLASS-LAI的表现相似， 而GIMMS-LAI表现出最强的抗旱性。CLM模拟的GPP的抗旱性与GIMMS和GLASS产品基本相同， 而GLOBMAP的GPP表现出较弱的干旱抵抗力。在恢复力的模拟方面， CLM对GPP的旱后恢复力模拟效果较为出色， 与GIMMS和GLASS的表现基本一致， CLOBMAP同样表现为较弱的恢复力。相对于GPP， CLM对LAI的恢复力的模拟存在一定程度的高估， 但与遥感数据的差异较小（RS difference<1）， 在较合理的误差范围内。
3.4 CLM对不同植被类型的干旱抵抗力和恢复力模拟情况
表3 西南地区主要植被类型Table 3 Main vegetation types in the Southwest China |
| 植被功能类型编号 | 植被类型 | 简称 |
|---|---|---|
| PFT1 | 温带针叶林 | NEM Tr |
| PFT5 | 温带常绿阔叶林 | BEM Tr |
| PFT10 | 温带落叶阔叶灌木 | BDM Tr |
| PFT12 | 高寒C3草甸 | C3 AR |
| PFT13 | 非高寒C3草甸 | C3 NA |
在对不同植被类型的旱后恢复力的模拟方面， CLM也较好地展现了预期结果。图12描述的是CLM对西南地区几种主要植被类型的恢复力的模拟， 灌木（PFT10）和非高寒C3草甸（PFT13）的旱后恢复力相比于其他植被类型更高， 且森林（PFT1和PFT5）的旱后恢复力相对较弱。此外， 抗旱性最高的森林植被（PFT1和PFT5）的LAI的恢复力反而最弱， 树木的恢复力和抗旱性表现出了相反的结果。CLM的这一模拟结果也表明， 具有高抗旱性的植被不一定同时具备高恢复力， 抵抗力和恢复力会随着植被指标（LAI或GPP）和植被类型（PFT）而动态变化。
4 讨论与结论
4.1 讨论
以往的研究表明， 在多年平均LAI和GPP的模拟方面， CMIP6的地球系统模式普遍存在对LAI的高估现象（Song et al， 2021）。在中国区域内， 模型对GPP的低估主要存在于西南地区和青藏高原南部（王黎欢等， 2024）， 但这些研究往往缺乏对模式在LAI和GPP干旱响应模拟方面的验证。本文对干旱期间西南地区LAI和GPP空间分布的模拟也发现了上述问题（图4）。然而， 值得注意的是， 虽然在量值的模拟方面存在偏差（主要是云南地区）， 但CLM5.0在模拟LAI和GPP对干旱的响应方面表现出较高的可靠性（图5~12）， 可能是因为模式内生态或水文过程较好地反映了植被对干旱的响应特性。因此， 文中对CLM内部参数化方案的相关研究进行分析。研究表明， 水力再分配机制被认为是植被在干旱期间提升水分利用效率的重要过程， 该机制可以使植被在缺水期间将更多的水输送到细根更丰富的浅层土壤中来吸取更多的水分， 从而增强植被的抗旱性（Richards and Caldwell， 1987； Caldwell and Richards， 1989； Lee et al， 2005； Oliveira et al， 2005； Prieto et al， 2010）。与默认模型（CTL）相比， 考虑水力再分配的模型可以更好地捕捉植被对干旱的抵抗力（Yan and Dickinson， 2014）。从CLM4.0版本开始， 水力再分配的参数化方案被纳入考虑， 并在后续版本不断完善（Ryel et al， 2002）。本研究进一步发现， CLM5.0不仅对西南地区植被对干旱抵抗力的模拟效果较好［图10（a）］， 对滞后性、 累积效应的模拟也表现得较为出色（图6~9）， 这与（Yan and Dickinson， 2014）使用CLM4.0在亚马逊河流域的发现一致。
不同植被类型对极端干旱的抵抗力存在差异。森林， 尤其是常绿林具有比其他植被更强的干旱抵抗力。以往的研究表明， 常绿林可以加速老叶流失， 在旱季维持幼叶生长， 以维持光合利用效率， 因此具有更强的干旱抵抗力（Wu et al， 2016； Wei et al， 2017）。本研究中， CLM模拟结果显示出常绿阔叶林的LAI以及常绿针叶林的GPP相比于其他植被更强的抗旱性（图11）， 这与Shao et al（2022）使用卫星数据对西南地区植被抗旱性的描述相符。
在抵抗力和恢复力的关系方面， 有研究表明， 树木对极端干旱的抵抗力和恢复力相反， 抵抗力越高， 恢复力反而越低， 这一结果与树木对极端干旱响应策略的改变相关（Fang and Zhang， 2019； Li et al， 2020）。在德国南部和奥地利（Zang et al， 2014）以及西班牙中部（Zas et al， 2020）基于树轮的研究也观察到了这一现象。本研究通过CLM5.0对不同植被类型恢复力的模拟结果与上述研究相符。CLM5.0的模拟结果显示（图12）， 抗旱性最高的森林树木（PFT1和PFT5）LAI的恢复力反而最弱， 在GPP方面， 森林的恢复力也明显弱于灌木和非高寒草甸， 较为准确地捕捉到了树木的干旱抵抗力和恢复力的相反趋势。有研究表明， 抵抗力和恢复力之间的这种权衡关系具有普遍性和生态学机制。青藏高原的草地、 森林等植被具有较高的抗旱性， 使得其在干旱后的植被覆盖率与旱前差异较小， 因此恢复力较低（Zhu et al， 2023）。 基于ITRDB树轮数据的研究Gazol et al （2017）揭示了北半球具有高抗旱性的树木往往具有较低的恢复力， 反之亦然。Li et al （2020）的研究揭示了决定这种权衡关系的性状和环境因子， 发现其与植物的水分利用策略和植被在干旱期间提升栓塞耐受性的策略有关（Choat et al， 2012； Firn et al， 2019； McDowell et al， 2008； Liu et al， 2017）。Fang and Zhang （2019）使用树木年轮宽度数据的研究补充道， 这种权衡关系也与生物多样性有关， 个体生长差异较大的群落在干旱期间， 部分个体可缓冲干旱对群落总体的影响， 但在恢复阶段的资源竞争也会使得群落总体的恢复力被稀释（Mori et al， 2013）。
为避免单一遥感数据在验证模拟结果的不确定性， 及站点观测数据在观测周期等方面的限制， 本研究综合采用三套遥感数据（包括GIMMS、 GLASS和GLOBMAP）和CLM5.0模型模拟手段， 探讨2009 -2010年极端干旱事件对西南地区植被生长的影响。本文研究发现， 不同遥感产品之间的差异主要体现在对干旱期间LAI和GPP空间分布的描述及对干旱的抵抗力和恢复力方面。侯吉宇等（2020）对不同遥感产品在中国的空间分布趋势的研究也发现了遥感数据之间的差异性， 可能是由于NOAA卫星轨道变化和MODIS传感器退化等（Jiang et al， 2017； 侯吉宇等， 2020）， 也进一步体现出单一遥感产品在区域尺度上量化植被对干旱响应的不确定性。遥感反演数据的优势在于可以实时评估全球尺度植被指数的变动及其对气候变化的响应。与之相比， 站点观测数据比遥感反演产品更能准确地反映站点尺度植被指数的变化情况， 但在区域尺度上， 可获取的站点监测数据少， 无法覆盖完整的干旱事件。如目前可获取的包括贡嘎山站2015 -2016年LAI及2016年GPP数据、 哀牢山站2005年LAI数据、 西双版纳站2004 -2006年及2010 -2016年LAI数据， 贵州普定站2016年GPP数据等， 不同站点的观测周期和连续性不适用于本研究， 因此本研究采用遥感数据进行对比研究。
本文结合多源遥感产品对CLM5.0的模拟结果进行验证， 发现CLM5.0对西南地区植被LAI和GPP与干旱的相关性、 对干旱的滞后响应、 干旱的累积效应及植被对干旱的抵抗力和恢复力方面的模拟效果较为出色， 但也存在着局限性与不足。CLM5.0等地球系统模式的模拟误差主要受以下因素影响： （1）模型驱动因素（驱动数据）的不确定性。为确保驱动数据的准确性， 本研究使用的是一套为支撑中国区域陆面、 水文、 生态等领域研究而研发的高精度、 高分辨率、 长时间序列数据产品（CMFD）， 已被证实具有较高的准确性（He et al， 2020； Yang et al， 2010）。（2）现阶段模型的参数化方案。CLM模型中， 植被对干旱的响应由植被水分利用策略、 土壤水文过程参数化和气孔生理参数化方案等过程控制， CLM5.0已经将上述过程引入模型参数化设计中（Lawrence et al， 2019）， 但仍需进一步完善相关参数化方案。例如， CLM5.0引入了比土壤湿度胁迫策略（SMS）更加复杂和精细的水力再分配过程-植物水力胁迫策略（PHS）（Wu et al， 2020a）， 但现实中， 根系形态和功能均会随土壤水分条件而改变（Wu et al， 2020b）， 尤其是西南地区广泛分布的喀斯特地貌使其土壤水分条件更为复杂， 模型未来需要针对不同地形土壤水分的特点， 进一步优化植被水分利用的参数化方案。在气孔生理参数化方案上， 现实中植被会通过改变叶片形态（如气孔密度减小、 角质膜增厚等）并通过改变叶绿素含量， 降低气孔导度等减少水分散失（Chimungu et al， 2014； Hughes et al， 2017； Gomes et al， 2010）。CLM5.0的气孔生理学参数化虽然已经将气孔导度与光合作用的关系及叶片C/N比等因素纳入考虑（Franks et al， 2018）， 并采用更能真实模拟气孔行为的Medlyn气孔导度模型替代之前的Ball-Berry模型（Fisher et al， 2019）。但仍需充分考虑其他因素（如叶绿素含量）对气孔行为和光合作用的影响， 并根据气候类型对Medlyn_slope参数进行区分（Yuan et al， 2024）。CLM模型的每一代发展都伴随着参数化方案的进一步精细化， 涵盖的过程也更加贴近现实。未来模型可进一步将上述参数化方案细化和优化， 有助于进一步为干旱的研究和相关决策提供更可靠的科学依据。
4.2 结论
在本研究中， 检测了2001 -2016年中国西南地区的极端干旱事件， 确定了该时期发生的持续时间最长、 最严重的2009 -2010年干旱事件， 并基于遥感和模型模拟分析了植被对2009 -2010年极端干旱的响应情况。多源数据集及CLM5.0模型模拟一致认为， 植被对干旱的响应特征存在显著的空间差异。在2009 -2010年极端干旱的胁迫下， 植被对干旱的响应强度呈现东南高、 西北低的分布特征， 对干旱表现出大规模的1~3个月的滞后响应（68.66%）， 会加剧西南大范围面积的植被退化（约78.02%）。此外， 干旱期间的累积水平衡会对植被生长产生显著影响， 植被对累积水平衡变动的敏感性存在显著的空间分异。与滞后响应相比， 考虑了累积水平衡变动的累积效应对西南地区植被的影响范围更大（约89.17%）， 研究区北部对更短时间尺度的干旱（如1个月和3个月）做出响应， 更容易受到干旱胁迫的影响。不同植被类型对极端干旱的抵抗力和旱后恢复力也各有特点， 相比于灌木和草甸， 森林对干旱的抵抗力更强， 但在旱后一年的恢复力较弱， 而灌木和草甸在干旱消退后的恢复力更强。不同数据集之间的不确定性也表明， 准确评估干旱对西南地区生态系统的影响仍需要具有长周期、 连续记录和高时空分辨率的观测数据， 并进一步开发可将人类活动和自然扰动等多种因素综合考虑的对生态系统过程表征更为现实的生态系统模型。