黄土高原植被水分利用效率对气候和植被指数的敏感性研究

裴婷婷，李小雁，吴华武，吴秀臣，陈 英，谢保鹏



黄土高原植被水分利用效率对气候和植被指数的敏感性研究

裴婷婷1,2，李小雁3,4，吴华武1,5，吴秀臣3,4，陈 英2，谢保鹏2

（1. 草业生态系统教育部重点实验室（甘肃农业大学），兰州 730070；2. 甘肃农业大学管理学院，兰州 730070；3. 北京师范大学地表过程与资源生态国家重点实验室，北京 100875；4. 北京师范大学地理科学学部资源学院，北京 100875；5. 中国科学院南京地理与湖泊研究所, 南京 210008）

生态系统水分利用效率（water use efficiency，WUE）连接了碳循环和水循环，是碳水耦合的重要参数。全面深入理解WUE的时空分布及其影响因素对预测陆地表面-大气相互作用和陆地生态系统的动态变化至关重要。该文基于大尺度遥感归一化植被指数（normalization difference vegetation index，NDVI）以及温度和降水栅格数据，采用中分辨率成像光谱仪的总初级生产力和蒸散产品计算2000—2014年黄土高原生态系统WUE，运用岭回归探究黄土高原WUE对温度、降水和NDVI的敏感性。结果表明：1）沿西北-东南随降水量的增加，黄土高原多年均WUE逐渐降低，且黄土高原西南部高海拔地区WUE最低；同时，WUE的年际变化明显，以2011年为转折点，2012—2014年WUE明显高于其他年份。2）WUE对温度的敏感性在整个黄土高原呈现正值，WUE对降水和NDVI的敏感性存在阈值效应，即小于500 mm降水量，WUE随降水和NDVI的增加而升高，超过550 mm降水量，WUE则随降水和NDVI增加而降低。3）草地和灌丛WUE与NDVI正相关，森林WUE与NDVI负相关；灌丛WUE对温度和降水的敏感度明显高于森林和草地。

温度；降水；回归；植被指数；水分利用效率；敏感性；黄土高原

0 引 言

水分利用效率（water use efficiency，WUE）是指植物消耗单位质量的水分所能固定的CO2或者生产的干物质的量，是碳水耦合的重要指标。生态系统WUE（本研究中定义为总初级生产力和蒸散发之比）连接碳循环和水循环，是生态系统生产力对水分有效性响应的关键变量[1]。因此，在全球气候变化的背景下，量化生态系统WUE的时空变化及其影响对理解陆地生态系统对气候变化的响应具有重要的意义，对水资源可持续的管理以及生态系统服务具有一定的指示作用[2]。

近年来，对于WUE的研究得到广泛关注，研究尺度从叶片尺度扩展到生态系统尺度[3]，研究方法则趋于多元化，包括直接测定法、气体交换法、稳定同位素技术[4-5]，涡度相关观测[6]，遥感数据测量以及地表模型等[7]。但是，传统的点尺度观测和模拟不能满足碳水耦合的大尺度研究，因此，遥感数据测量被越来越广泛地运用在区域尺度和全球尺度WUE的研究中。

研究表明，WUE存在明显时空间分异，温度和降水是影响WUE的主要因素，但二者对WUE的影响存在一定争议。随着降水量增加，WUE可能会增加、降低或者不变[8-10]，同样，温度对WUE的影响随着气候区的改变发生变化[11]。当然，CO2浓度，氮营养等也是影响区域水分利用效率的重要气候因素。植被对WUE的影响主要取决于植被类型及研究尺度[12-13]。综上，气候是影响WUE的主导因素，且不同植被类型的WUE差异较大，但以往学者同时探究生态系统尺度WUE对气候和植被生长的敏感性研究较少，尤其是在干旱半干旱区域，水分亏缺是该区域植被生长的主要限制因素，全面理解该区域气候和植被对WUE的驱动作用对于未来预测陆地表面-大气相互作用和陆地生态系统的动态变化至关重要。

以往关于黄土高原WUE的研究主要是以点尺度的人工作物研究为主[14]，且影响因素主要以气候因素为主，较少考虑植被指数对WUE的影响。本文运用遥感数据和气候插值数据首先探究2000—2014年黄土高原WUE的时空分异特征，其次运用岭回归分析WUE对气候因素和植被生长的敏感程度，以期为深入理解未来气候和土地利用覆盖变化背景下黄土高原高原生态系统的气候适应机制提供理论基础。

1 材料和方法

1.1 研究区概况

黄土高原位于100°54¢～114°33¢E，33°43¢～41°l6¢N，是世界上分布最集中且面积最大的黄土区（图1a）。东西长约1 300 km，南北宽约 700 km，总面积64万km2，海拔高度在89～5 210 m之间，该区年降水量为150～800 mm（图1b），且多集中于6—9 月，属于典型的大陆季风气候特征，年均气温为3.6～14.3 ℃，其水平分布和垂直分布差异较大（图1c）。黄土高原的蒸发量普遍高于实际降水量，年蒸发量为1 400～2 000 mm，其总体趋势是南低北高，东低西高。由于过度地毁林开荒、过度放牧以及脆弱的自然环境，使得地表植被覆盖迅速减少，且土地退化较为严重，同时，黄土高原表土疏松，进一步加剧了水土流失以及荒漠化，黄土高原生态环境趋于恶化。为改善黄土高原的生态环境，中国在1999年开始实施退耕还林还草工程，据报道，自退耕还林还草工程实施以来，黄土高原的植被覆盖度发生了显著变化。

图1 黄土高原植被类型、多年平均降水量及气温空间分布

1.2 数据来源

1.2.1 气候数据

本文的气候数据基于中国气象站点，运用专业气候插值软件ANUSPLIN插值得到黄土高原2000—2014年的气温和降水栅格数据，该数据空间分辨率为1 km，时间分辨率为月。

1.2.2 归一化植被指数

归一化植被指数（normalization difference vegetation index, NDVI）是应用最广且能够较好反映植被生长及生产力的植被指数。NDVI被定义为近红外波段与可见光红波段数值之差和这2个波段数值之和的比值。即

本文使用的GIMMS NDVI 3g来源于超高分辨率辐射仪（advanced very high resolution radiometer，AVHRR）/ 美国国家海洋和大气局卫星（National Oceanographic and Atmospheric Agency, NOAA）），从全球库存建模和映射研究组（Global Inventory Modeing and Mapping Studies Group, GIMMS）获得。和上一代产品一样，NDVI3g数据运用经验模型分解消除了不同传感器之间的差异，并移除由于太阳天顶角引起的轨道漂移。同时运用最大值合成法（maximum value composites，MVC）消除大气水汽、非火山岩气溶胶和云覆盖等影响[15]。本文对该数据进行重采样，得到空间分辨率为1 km，时间分辨率为月，时间尺度为2000—2014年。

1.2.3 总初级生产力和蒸散发数据

总初级生产力（goss primary productivity，GPP）和蒸散发（evapotranspiration，ET）源于遥感数据。MODIS GPP（MOD17A3）是根据光利用效率模型估算得到的空间分辨率为1 km的数据集，它的输入数据来源于NASA数据同化办公室（NASA’s Data Assimilation Office）的气候数据，其中详细的植被信息（土地利用和光合有效辐射的比值FAPAR）来源于2000年到目前的MODIS遥感数据[16-18]。时间分辨率为8 d，时间尺度为2000—2014年。

MODIS ET（MOD16A3）数据是根据彭曼公式，使用增强的植被指数作为输入参数而计算得到的一套全球且空间分辨率为1 km，时间分辨率为8 d的数据集[19]，论文采用的时间序列是2000—2014年。

1.2.4 土地利用覆盖数据

数据来源于由NASA提供的MODIS土地利用覆盖图（MCD12Q1产品），数据的空间分辨率为250 m，时间为2013年。MODIS土地覆盖数据能够较好地反映区域土地覆盖变化[20-21]。通过合并，得到森林、灌丛、草地、农作物以及其他5种植被类型，本论文运用的是前3种自然植被类型。

1.3 研究方法

1.3.1 岭回归

本文采用岭回归（ridge regression）来探究WUE对气候和植被的敏感性。岭回归被证明是消除自变量之间共线性的有效方法[22]，它实际是一种改进的最小二乘法，其摒弃了最小二乘方法的不偏性，放弃了部分精度，寻求更符合实际的回归过程。以下为岭回归的原理。

多元线性回归模型为

=+（2）

式中为岭参数，通常为≥0，当=0时，岭估计是最小二乘估计，是单位矩阵。在式（4）中，矩阵的对角线上增加1组岭系数，降低原最小估计的病态程度，使反演相对稳定。

本文WUE是因变量，温度，降水和NDVI是自变量，所有的变量在进行岭回归之前用MATLAB软件进行线性去趋势，计算得到的回归系数是各自变量对因变量的敏感系数。本文选择生长季的变量进行岭回归，生长季定义为3—10月。

岭回归在R语言中完成。

1.3.2 空间插值法

目前存在的空间插值法较多，但是精度却相差较大，研究表明ANUSPLIN软件插值得到的数据精度较高，可信度较强[23]。ANUSPLIN是澳大利亚国立大学（Australia National University）利用FORTRAN开发的空间插值模型，利用优化薄板平滑样条函数来拟合气象数据，这一模型对所需的气象站点数量没有限制，模型要求输入气象站点的位置和高程。这一方法已经被广泛应用于气候变量的插值当中[23-24]。论文采用ANUSPLIN方法对黄土高原周围以及内部的150个气象站点进行空间插值。

2 结果与分析

2.1 黄土高原GPP、ET和WUE的时空分布特征

2000—2014年黄土高原生长季GPP随降水量增加而增加（图2a）。GPP多年平均值为（323.65± 184.23）g/m2（以C计，下同），变化范围为9.55～1442.44 g/m2。不同植被类型的GPP差异明显，森林GPP最高（（702.36 ± 180.64）g/m2），灌木GPP最低（（162.73 ± 91.72）g/m2）（图2b）。2000—2014年黄土高原生长季ET的空间分布格局和GPP相似，即沿西北-东南方向随降水量的增加，ET逐渐增加。同时，ET波动较大，最低值为22.80 mm，最高值为848.51 mm，生长季的多年平均ET为（233.78 ± 123.09）mm（图2c）。另外，生长季ET在不同植被类型之间分异明显，森林最高（（442.61 ± 91.09）mm），草地次之（（183.18 ± 94.16）mm），灌木最低（（113.47 ± 65.11）mm）（图2d）。2000—2014年黄土高原GPP和ET的年际变化明显（图3），ET呈波动变化，GPP在2011年以后增加迅速，2012—2014年明显高于其他年份，从2011年的（263.10 ± 167.39）g/m2上升到2012年（512.07 ± 244.96）g/m2。

注：GPP以C计，下同。

图3 黄土高原2000—2014年GPP和ET年际变化图

2000—2014年黄土高原生长季植被WUE空间分异明显（图4a），沿西北-东南随降水量的增加，黄土高原多年均WUE逐渐降低，且研究区西南部（以高寒草甸为主）WUE最低，为（0.94 ± 0.28）g/(m2·mm)，研究区东南部的森林分布区，WUE明显高于周围地区。

图4 黄土高原2000—2014年平均水分利用效率时空分布

研究期内3种植被类型的WUE从2000—2014年呈波动式的变化趋势（图4b），整体表现出森林WUE高于灌丛和草地，但在部分年份也会出现灌丛的WUE高于森林。另外，从2012年开始，3种植被的WUE呈现了明显的增加趋势，这和GPP时间变化趋势一致，说明这3a GPP的快速增加导致了3种植被WUE的快速增加。

2.2 黄土高原植被WUE对温度、降水量和NDVI的敏感性分析

黄土高原2000—2014年WUE对于温度、降水量以及NDVI敏感性的空间分布如图5所示。WUE对于温度的敏感性（TEM）具有明显的空间差异，且整个区域普遍呈现显著正TEM（<0.01），同时，TEM较高的区域主要集中在黄土高原的西北和东南地区（图5a）。WUE对于降水敏感性（PRE）的空间分布规律较为明显，整体呈现出随着降水量的增加，PRE降低，同时，正负并存，正占了整个区域的82%，主要分布在黄土高原的西北以及中部地区，而显著性负主要分布在黄土高原降水量较多的东南地区（图5b）。WUE对于NDVI敏感性（NDVI）的空间分布与PRE的空间分布格局相似，即NDVI在整个黄土高原呈现出正值和负值并存，尽管黄土高原的西部和北部的部分区域出现负NDVI，但只有东南地区的负NVDI通过了显著性检验（图5c）。

注：γ为敏感系数。

为了进一步探明WUE对降水的敏感性随着降水量的变化，以50 mm降水量为间隔，对黄土高原多年平均降水量进行划分，并提取每一降水间隔内的PRE，结果如表1所示。WUE对降水的敏感性存在阈值效应，降水量在100～400 mm之间，PRE为正值且变化较为稳定，即在这个区间内，WUE随着降水量的增多而提高。从450 mm开始，PRE开始降低，超过550 mm时，PRE出现负值，即WUE随着降水量的增加而降低。同样的，以50 mm降水量为间隔，提取每一降水间隔内的NVDI，发现降水量大于550 mm时NDVI也出现负值。因此，WUE对降水和NDVI的敏感性可能均存在阈值效应，即在某一降水梯度内，WUE随着降水量或NDVI的增加而增加，但是超过了这一阈值，WUE会随着降水或NDVI的增加而降低。

表1 2000—2014年WUE对降水量和NDVI敏感性随降水梯度变化

另外，对比分析不同植被WUE对降水、温度和NDVI的敏感性（表2），发现灌木和草地的PRE和TEM均高于森林，表明每单位降水量和温度变化引起灌丛和草地WUE的改变大于森林WUE的改变。对比3种植被的NDVI，发现森林WUE对NDVI的敏感性为负值，即随着NDVI升高，森林WUE降低，而灌木和草地WUE则随着NDVI的增大而正向提高。这和NDVI随降水量变化的阈值效应一致，即出现负NDVI的区域主要以森林为主，而出现正NDVI的区域以灌木和草地为主。因此， WUE对于气候和植被的敏感性在不同植被类型下差异较大，灌木和草地WUE对植被生长的敏感性为正值，森林WUE对植被生长的敏感性为负值，灌木WUE对降水和温度的敏感度明显高于草地和森林。

表2 不同植被类型WUE对于温度、降水和植被指数的敏感性

3 讨 论

温度、降水和NDVI是影响WUE时空分异的重要因素。本文发现WUE在时间序列上出现突变点，即2012—2014年WUE明显高于其他年份，这和以往研究结果一致，邹杰等在对中亚地区生态系统WUE的研究中发现2012年以后WUE显著增加[25]。为了探究WUE升高的原因，运用广义线性模型（generalized linear model，GLM）进一步分析发现：相比温度，降水对GPP和ET起主导作用（图6a），且降水对GPP的贡献高于降水对ET的贡献（<0.05），加之2012年以后降水明显升高（图6b），因此，由于降水升高引起的GPP的增加幅度大于ET的增加幅度[1,6,11,25-26]，这在一定程度上能够解释了2012年以后WUE的显著升高。另外，黄土高原WUE存在明显的空间差异，尤其是在黄土高原的西部地区，WUE明显低于其他干旱半干旱地区，这和以往的研究结果一致，Van de Water et al.（2002）发现植物在冷湿环境下的δ13C值要低于干旱半干旱区[27]，而黄土高原西部主要位于青海省的东北部，属于高海拔湿冷地区，因此该区域WUE较低。

图6 黄土高原2000—2014年降水动态变化及降水和温度对GPP和ET的贡献

Zhang等[2]对黄土高原WUE的研究表明森林和草地WUE对降水敏感，温度主导灌丛WUE，本文研究表明灌木WUE对温度和降水的敏感程度相比森林和草地达到最高，但森林WUE对于NDVI 呈现负敏感。尽管均是对黄土高原WUE的研究，但研究结果有相似也有差异，造成差异的原因有：1）WUE的计算方法不同，本研究WUE由GPP和ET之比计算得到，而Zhang等的研究中WUE则由NPP和ET之比得到，且NPP数据是根据CASA模型计算得到；2）对WUE影响因素的选择不同，Zhang 等主要考虑的是气候因素对WUE的影响，而本研究将植被生长作为WUE的重要影响因素之一。综上，WUE的计算方法以及影响因素的选择，均会对结果产生影响。

WUE对降水量和NDVI的敏感性均存在阈值效应，即在一定降水范围内，WUE随着降水量或NDVI的增加而增加，但是超出这一范围，WUE则会随着降水量或NDVI的增加而降低，且WUE对于降水量和NDVI敏感性的阈值范围可能在500～550 mm降水量之间。Liu等对中国陆地生态系统WUE的研究表明，不同植被和WUE的关系呈现先增加后降低的趋势，且大部分植被的突变点为500 mm降水量线，这和本文的研究结果基本吻合[27]。同时也有研究得到相应的结果，基于通量塔数据的中国生态系统WUE的研究结果表明，年降水量低于500 mm时，WUE随着降水量的增加快速增加，而当降水量大于500 mm时，WUE基本趋于饱和[28]。降水量对WUE的阈值效应可能和区域内的有效降水有关。降水并不能完全反映植被的有效用水，湿润半湿润区植被对降水的利用率未必会高于干旱半干旱区植被对降水的利用[29]，相反，降水越多的区域降水以径流、冠层截留以及土壤蒸发等形式耗散，从而可能产生更多的无效水，因此该区域WUE随着降水的增加而降低[30-31]。此外，在一定降水区间内，大部分降水为生产性用水，且用于产生GPP的有效水要大于用于蒸腾的有效水，因此，使得WUE随着降水的增加而增加[1]，但是超过一定的降水区间，即在湿润半湿润地区，降水不再是植被生长的限制因素，降水的增加通常对应的是该区域用于碳吸收的向下短波辐射的减少[31]，使得GPP下降，从而使得WUE随降水的增加而降低。

另外，WUE对植被生长的敏感性也存在阈值效应，而这个阈值范围和降水阈值一致，在相关研究中也得到类似结果。Liu等的研究结果表明当LAI较低时，LAI的增加能够导致植被蒸腾与蒸散发的比值（Tr/ET）以及光合的增加，从而使得WUE提高，而当LAI超过一定的范围，Tr/ET就会受到限制，因此，从而造成WUE对LAI的变化不敏感。WUE对LAI的响应模式在通量塔和模型研究中均有体现[27]。尽管本文使用植被指数NDVI，但是同样存在阈值效应，而这种阈值效应可能和NDVI对于ET以及GPP的直接影响有关。当降水量小于500 mm时，NDVI增加引起的GPP的增加可能大于NDVI增加引起的ET的增加，因此使得WUE随着NDVI的增加而升高，但是超过550 mm降水量，NDVI趋于饱和，由此产生的GPP基本不变，但是植被对降水的拦截作用增强，加之蒸腾作用的增加，使得WUE降低[31]。因此，黄土高原2000—2014年平均WUE的变化既与气候因子有关，还与植被因子有关，同时还应考虑气候和植被因子对WUE的阈值效应。

尽管本研究对黄土高原生态系统WUE的时空分布及其影响因素做了较为全面的分析，但是由于数据源和空间尺度存在不确定性，在今后探究WUE影响机理的过程中应该将试验观测数据、高精度的遥感数据和生态系统模型等进行综合应用，以提高分析的精确性。

4 结 论

1）黄土高原2000—2014年生态系统GPP、ET以及WUE的时空分异明显。ET的空间分布格局和GPP相似，即沿西北-东南方向随降水量的增加，GPP和ET逐渐增加。研究区西南部WUE最低，北部WUE基本呈现出沿西北-东南随降水量的增加而降低，但是在东南部的林地分布区，WUE明显高于周围地区；同时，WUE的年际变化明显，尤其在2012—2014年，整个黄土高原的WUE明显高于其他年份。

2）气候和植被生长对WUE影响具有明显的空间差异。WUE对温度的敏感性在整个黄土高原呈现正值；WUE对降水和NDVI的敏感性存在阈值效应，即小于500 mm降水量，WUE随降水和NDVI的增加而升高；超过550 mm降水量 WUE则随降水量和NDVI增加而降低。

3）不同植被类型WUE对温度、降水和NDVI的敏感程度差异较大。草地和灌木WUE与NDVI正相关，森林WUE与NDVI负相关；灌木WUE对于降水和温度的敏感度明显高于草地和森林。

[1] Yang Yuting, Guan Huade, Batelaan Okke, et al. Contrasting responses of water use efficiency to drought across global terrestrial ecosystems[J]. Scientific Reports, 2016, 6: 1－8.

[2] Zhang Tian, Peng Jian, Liang Wei, et al. Spatial–temporal patterns of water use efficiency and climate controls in China's Loess Plateau during 2000–2010[J]. Science of The Total Environment, 2016, 565: 105－122.

[3] Niu Shuli, Xing Xuerong, Zhang Zhe, et al. Water‐use efficiency in response to climate change: from leaf to ecosystem in a temperate steppe[J]. Global Change Biology, 2011, 17(2): 1073－1082.

[4] 胡中民，于贵瑞，王秋凤，等. 生态系统水分利用效率研究进展[J]. 生态学报, 2009，29(3)：1498－1507. Hu Zhongmin, Yu Guirui, Wang Qiufeng, et al. Ecosystem level water use efficiency: A review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498－1507. (in Chinese with English abstract)

[5] 王云霓，熊伟，王彦辉，等. 干旱半干旱地区主要树种叶片水分利用效率研究综述[J]. 世界林业研究, 2012，25(2)：17－23. Wang Yunni, Xiong Wei, Wang Yanhui, et al. A review on leaf water use efficiency of major trees species in arid and semi-arid area[J]. World Forestry Research, 2012, 25(2): 17－23. (in Chinese with English abstract)

[6] Yu G R, Zhu X J, Fu Y L, et al. Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China[J]. Global Change Biology, 2013, 19(3): 798－810.

[7] 王庆伟，于大炮，代力民，等. 全球气候变化下植物水分利用效率研究进展[J]. 应用生态学报，2010，21(12)：3255－3265. Wang Qingwei, Yu Dapao, Dai Limin, et al. Research progress in water use efficiency of plants under global climate change[J]. Chinese Journal of Applied Ecology, 2010, 21(12): 3255－3265. (in Chinese with English abstract)

[8] Bai Yongfei, Wu Jianguo, Xing Qi, et al. Primary production and rain use efficiency across a precipitation gradient on the Mongolia plateau[J]. Ecology, 2008, 89(8): 2140－2153.

[9] Huxman Travis E, Cable Jessica M, Ignace Danielle D, et al. Response of net ecosystem gas exchange to a simulated precipitation pulse in a semi-arid grassland: The role of native versus non-native grasses and soil texture[J]. Oecologia, 2004, 141(2): 295－305.

[10] Scanlon Todd M, Albertson John D. Canopy scale measurements of CO2and water vapor exchange along a precipitation gradient in southern Africa[J]. Global Change Biology, 2004, 10(3): 329－341.

[11] Sun Yan, Piao Shilong, Huang Mengtian, et al. Global patterns and climate drivers of water-use efficiency in terrestrial ecosystems deduced from satellite-based datasets and carbon cycle models[J]. Global Ecology and Biogeography, 2016, 25, 311－323.

[12] Farquhar Graham D, Sharkey Thomas D. Stomatal conductance and photosynthesis[J]. Annual Review of Plant Physiology, 1982, 33(1): 317－345.

[13] Xie Jing, Zha Tianshan, Zhou Caixian, et al. Seasonal variation in ecosystem water use efficiency in an urban-forest reserve affected by periodic drought[J]. Agricultural and Forest Meteorology, 2016, 221: 142－151.

[14] Chen Yanlong, Liu Ting, Tian Xiaohong, et al. Effects of plastic film combined with straw mulch on grain yield and water use efficiency of winter wheat in Loess Plateau[J]. Field Crops Research, 2015, 172: 53－58.

[15] Anyamba Assaf, Small Jenniefer L, Tucker Compton J, et al. Thirty-two years of Sahelian zone growing season non-stationary NDVI3g patterns and trends[J]. Remote Sensing, 2014, 6(4): 3101－3122.

[16] Running Steven W, Nemani Ramakrishna R, Faith Ann Heinsch, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. Bioscience, 2004, 54(6): 547－560.

[17] Turner David P, Ritts William D, Cohen Warren B, et al. Evaluation of MODIS NPP and GPP products across multiple biomes[J]. Remote Sensing of Environment, 2006, 102(3): 282－292.

[18] Zhao Maosheng, Faith Ann Heinsch, Nemani Ramakrishna R, et al. Improvements of the MODIS terrestrial gross and net primary production global data set[J]. Remote Sensing of Environment, 2005, 95(2): 164－176.

[19] Mu Qiaozhen, Zhao Maosheng, Running Steven W. Improvements to a MODIS global terrestrial evapotranspiration algorithm[J]. Remote Sensing of Environment, 2011, 115(8): 1781－1800.

[20] 刘向培，王汉杰，何明元，等. 三种土地覆盖遥感数据在中国区域的精度分析[J]. 农业工程学报，2012，28(24)：252－259. Liu Xiangpei, Wang Hanjie, He Mingyuan, et al. Precision analysis of three land-cover types in China region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 252－259. (in Chinese with English abstract)

[21] 曹明，张友静，郑淑倩，等. MODIS土地覆盖数据产品精度分析：以黄河源区为例[J]. 遥感信息，2012，27(4)：22－27. Cao Ming, Zhang Youjing, Zheng Shuqian, et al. Accuracy analysis of MODIS land cover data product: A case study of Yellow River Source region[J]. Remote Sensing Information, 2012, 27(4): 22－27. (in Chinese with English abstract)

[22] Walker Esteban, Birch Jeffery B. Influence measures in ridge regression[J]. Technometrics, 1988, 30(2): 221－227.

[23] Feng Xiaoming, Fu Bojie, Piao Shilong, et al. Revegetation in China’s Loess Plateau is approaching sustainable water resource limits[J]. Nature Climate Change, 2016, 6(11): 1019－1022.

[24] Hou Wenjuan, Gao Jiangbo, Wu Shaohong, et al. Interannual variations in growing-season NDVI and its correlation with climate variables in the southwestern karst region of China[J]. Remote Sensing, 2015, 7(9): 11105－11124.

[25] 邹杰，丁建丽，秦艳，等. 遥感分析中亚地区生态系统水分利用效率对干旱的响应[J]. 农业工程学报，2018，34(9)：145－152. Zou Jie, Ding Jianli, Qin Yan, et al. Response of water use efficiency of Central Asia ecosystem to drought based on remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 145－152. (in Chinese with English abstract)

[26] Liu Yibo, Xiao Jingfeng, Ju Weimin, et al. Water use efficiency of China’s terrestrial ecosystems and responses to drought[J]. Scientific reports, 2015, 5. doi: 10.1038/srep13799.

[27] Van de Water Peter K, Leavitt Steven W, Betancourt Julio L. Leaf δ13C variability with elevation, slope aspect, and precipitation in the southwest United States[J]. Oecologia, 2002, 132: 332－343.

[28] Zhang Fangmin, Ju Weimin, Shen Shuanghe, et al. How recent climate change influences water use efficiency in East Asia[J], Theoretical and Applied Climatology, 2014, 116(1): 359－370.

[29] Zhang Xin, Moran M Susan, Zhao Xiang, et al. Impact of prolonged drought on rainfall use efficiency using MODIS data across China in the early 21st century[J]. Remote Sensing of Environment, 2014, 150: 188－197.

[30] Hu Zhongmin, Yu Guirui, Fu Yuling, et al. Effects of vegetation control on ecosystem water use efficiency within and among four grassland ecosystems in China[J]. Global Change Biology, 2008, 14(7): 1609－1619.

[31] Heitman J L, Horton R, Sauer T J, et al. Sensible heat observations reveal soil-water evaporation dynamics[J]. Journal of Hydrometeorology, 2008, 9(1): 165－171.

Sensitivity of vegetation water use efficiency to climate and vegetation index in Loess Plateau, China

Pei Tingting1,2, Li Xiaoyan3,4, Wu Huawu1,5, Wu Xiuchen3,4, Chen Ying2, Xie Baopeng2

(1730070,; 2.730070,; 3.100875,; 4.100875,; 5210008,)

Water use efficiency (WUE) refers to the amount of CO2or dry matter produced by per unit consumed water by plants, which is an important indicator of carbon-water coupling. A comprehensive understanding of spatial and temporal distribution and influencing factors of WUE is crucial for predicting land surface-atmosphere interactions and future dynamics of terrestrial ecosystems in response to future climate warming. In this study, we analyzed the response of WUE to precipitation, air temperature and vegetation index in Loess Plateau. Data were obtained from well-established products from moderate resolution imaging spectroradiometer (MODIS). The data of gross primary productivity (GPP) and evapotranspiration (ET) were from the MOD17A3 and MOD16A3, respectively. The data had been validated. WUE was the ratio of GPP to ET. Gridded precipitation and air temperature data were interpolated by ANUSPLIN software, and the satellite-derived normalized difference vegetation index (NDVI) was from Advanced Very High Resolution Radiometer (AVHRR)/ National Oceanographic and Atmospheric Agency (NOAA), all the data in this article were resampled to 1 km resolution. The duration was from the year of 2000 to 2014. Land coverage was classified by CMG products (MCD12Q1) with resolution of 1 km. The analysis focused mainly on 3 natural vegetation groups because cultivated vegetation had experienced intensive human management in Loess plateau. The growing season was consequently defined as the duration from March to October. All the variables were detrended by linear fitting before performing the ridge regression using MATLAB. When applying ridge regression to explore the sensitivity of WUE to temperature, precipitation and NDVI, WUE was dependent variable, and temperature, precipitation and NDVI were dependent variables. The results showed that: 1) GPP, ET and WUE distribution had an obvious spatial and temporal pattern in Loess Plateau. The GPP and ET gradually reduced with increasing precipitation. Forest had the highest GPP and ET and shrubland had the lowest GPP and ET. The lowest WUE was found in the southwest of Loess plateau, which was an higher altitude area. Mean annual WUE decreased with increasing precipitation. The interannual variation of GPP, ET and WUE were also obvious, the same variation trend were found in WUE and GPP, which were significantly higher in the year of 2012, 2013 and 2014 than the other years. But the ET didn’t showed obvious variation regulation. 2) The sensitivity of WUE to air temperature, precipitation and NDVI showed significant spatial divergence. the sensitivity of WUE to temperature was significantly positive in the whole Loess plateau. The sensitivity of WUE to precipitation and NDVI presented a threshold effect, i.e., WUE increased with precipitation and NDVI when precipitation was less than 500 mm, WUE decreased with precipitation and NDVI when precipitation was over 550 mm. 3) The sensitivity of WUE to air temperature, precipitation and NDVI were related to vegetation type. The NDVI was positively correlated with the WUE of grassland and shrubland, and negatively correlated with the WUE of forest. The sensitivity of WUE of shrubland to temperature and precipitation was significantly higher than that of forest and grassland. This research is helpful in understanding the climate adaptation mechanism of ecosystem under the background of future climate and land use cover change in Loess Plateau.

temperature; precipitation; regression; vegetation index; water use efficiency; sensitivity; Loess Plateau

2018-08-01

2018-11-16

国家自然科学基金（71563001）；甘肃农业大学草业学院学科建设基金资助（GAU-XKJS-2018-009和GAU-XKJS-2018-015）

裴婷婷，博士，研究方向：生态遥感，生态水文。Email：825629198@qq.com

10.11975/j.issn.1002-6819.2019.05.014

P46.22

A

1002-6819(2019)-05-0119-07

裴婷婷，李小雁，吴华武，吴秀臣，陈 英，谢保鹏. 黄土高原植被水分利用效率对气候和植被指数的敏感性研究[J]. 农业工程学报，2019，35(5)：119－125. doi：10.11975/j.issn.1002-6819.2019.05.014 http://www.tcsae.org

Pei Tingting, Li Xiaoyan, Wu Huawu,Wu Xiuchen, Chen Ying, Xie Baopeng. Sensitivity of vegetation water use efficiency to climate and vegetation index in Loess Plateau, China [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(5): 119－125. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.05.014 http://www.tcsae.org