近40年（1982年—2018年）中国草原区干湿变化趋势分析

近40年（1982年—2018年）中国草原区干湿变化趋势分析 Spatial and temporal variation characteristics of the drought index in China grasslands in the recent 40 years （1982—2018） 1 first-author 底凯，研究方向为生态遥感和全球变化。E-mail： dik90@m.scnu.edu.cn 底凯，研究方向为生态遥感和全球变化。E-mail： dik90@m.scnu.edu.cn dik90@m.scnu.edu.cn 1 corresp 胡中民，研究方向为全球变化生态学。E-mail： huzm@m.scnu.edu.cn 胡中民，研究方向为全球变化生态学。E-mail： huzm@m.scnu.edu.cn huzm@m.scnu.edu.cn 2 3 1 1 1 4 5 华南师范大学 地理科学学院, 广州 510631 华南师范大学 地理科学学院, 广州 510631 School of Geography, South China Normal University, Guangzhou 510631, China School of Geography, South China Normal University, Guangzhou 510631, China 中交四航工程研究院有限公司, 广州 510230 中交四航工程研究院有限公司, 广州 510230 CCCC Fourth Harbor Engineering Institute Co., Ltd; Guangzhou 510230, China CCCC Fourth Harbor Engineering Institute Co., Ltd; Guangzhou 510230, China 中交交通基础工程环保与安全重点实验室, 广州 510230 中交交通基础工程环保与安全重点实验室, 广州 510230 Key Laboratory of Environmental Protection & Safety of Communication Foundation Engineering, CCCC,Guangzhou 510230, China Key Laboratory of Environmental Protection & Safety of Communication Foundation Engineering, CCCC,Guangzhou 510230, China 中国科学院地理科学与资源研究所 生态系统观测与模拟重点实验室, 北京 100101 中国科学院地理科学与资源研究所 生态系统观测与模拟重点实验室, 北京 100101 Synthesis Research Center of Chinese Ecosystem Research Network, Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China Synthesis Research Center of Chinese Ecosystem Research Network, Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China 中国科学院大学 资源与环境学院, 北京 100049 中国科学院大学 资源与环境学院, 北京 100049 College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China 在全球变暖影响下，由降水、气温等气象要素所主导的干湿条件在全球或区域上均发生了明显变化，中国草原区对气候变化敏感、具有明显的生态脆弱性特征，因此研究中国草原区的干湿变化趋势非常重要。本研究基于干旱指数分析了1982年—2018年中国草原区的干湿程度时空变化趋势。结果表明，1982年—2018年中国草原区的干旱指数呈不显著上升趋势。2005年前后两个时期中国草原区表现出显著的趋势差异，1982年—2005年中国草原区干旱指数呈下降趋势，即干旱程度增加，而2006年—2018年呈增加趋势，该时段湿润化明显。2006年之后的中国草原区湿润化趋势源于该地区降水持续增多，而增温停滞导致潜在蒸散发不再升高。分区域来看，1982年—2005年内蒙古草原区干旱指数呈下降趋势，2006年—2018年呈上升趋势；西北草原区在1982年—2005年和2006年—2018年两个时间段干旱指数均呈上升趋势；青藏草原区在1982年—1994年干旱指数呈下降趋势，1995年—2018年呈上升趋势。 The dry/wet conditions dominated by precipitation, air temperature, and other meteorological factors have globally or regionally changed as a result of global warming. Grasslands cover around 40% of China and are vulnerable to climate change and ecological susceptibility. Accordingly, the dry/wet condition change trend of grasslands in China must be studied. Many studies on drought have been conducted in China, but two defects continue to persist: (1) most studies did not take into account the dry and wet changes of grassland in China as a whole; (2) the time range of research has not been extended to recent years. This study analyzed the temporal variation of drought-wet degree and its causes in this region during 1982—2018 based on the drought index and meteorological factors. The optimal drought index is the maximum correlation coefficient of soil moisture and multi drought index, and the optimal drought index was used for subsequent analysis. The piecewise regression approach was used to examine whether a turning point of the trend of drought index developed, and ordinary least squares was used to test the significance. The least square method was used to estimate the trend of the drought index. Pearson correlation analyses were conducted to quantify the relationship between drought index and climatic factors. Our results indicated the drought index based on the station ratio of precipitation and GLEAM potential evapotranspiration, which can reflect the change of dry/wet degree in China’s grasslands. The drought index had no significant increase trend from 1982 to 2018, and a trend shift occurred in 2005. The drought index of grasslands in China decreased by -0.0005 a -1 from 1982 to 2005 and increased by 0.009 a -1 from 2006 to 2018. The reason is that the increased water consumption causes increased the temperature and enhanced the evapotranspiration from 1982 to 2005. The water consumption of evapotranspiration was alleviated from 2006 to 2018 due to the continuous increase in precipitation and stagnation of temperature increase. The drought index of Mongolia grasslands showed a decreasing trend from 1982 to 2005 and an increasing trend from 2006 to 2018. Meanwhile, the drought index of Northwest grasslands showed an increasing trend from 1982 to 2005 and 2006 to 2018, respectively. The drought index of the Tibetan plateau showed a decreasing trend from 1982 to1994, and an increasing trend from 1995 to 2018. The drought index trend change was positively correlated with precipitation in China grasslands. The drought index was a ratio of precipitation on station and GLEAM PET, which can reflect the temporal dynamics of the dry/wet conditions of grasslands in China. The grasslands in China showed a drought trend from 1982 to 2005 and a wet trend from 2006 to 2018. The turning point year of Mongolia and Northwest grasslands are the same. The Mongolia grasslands and Tibetan plateau transitioned from dry to wet between before and after turning point in two periods. Meanwhile, the Northwest grasslands experienced continuous wetness in two periods. The changes of dry/wet in China grasslands was mainly dominated by Mongolia grasslands. Moreover, the change of trend is mainly dominated by precipitation. 遥感 中国草原区 干旱指数 动态变化 转变 气候变化 remote sensing China grasslands drought index dynamic change shift climate change 1　引言 1 气候变暖导致全球降水和气温格局发生了改变（ Huang 等，2016 Huang 等，2016 ），干旱区域面积持续扩大 （ Sheffield 等，2012 Sheffield 等，2012 ），近年来中国也呈现干旱加剧趋势（ Chen和Sun，2015 Chen和Sun，2015 ），干旱半干旱区域面积持续增大（ Zhang 等，2016 Zhang 等，2016 ）。干旱的加剧影响了区域水资源供需矛盾，导致一系列自然灾害发生，严重影响了陆地生态系统稳定性（ Tong 等，2018 Tong 等，2018 ； Vicente-Serrano 等，2012 Vicente-Serrano 等，2012 ）。因此，监测干湿程度变化趋势具有重要意义。 草地生态系统覆盖率了全球超过30%的陆地面积，是陆地生态系统中面积最大、分布最广的生态系统（ Zhao 等，2020 Zhao 等，2020 ）。地处干旱半干旱的中国草原区占了国土陆地面积的40%左右，生境脆弱易受外界干扰，对降水变化敏感（ Seddon 等，2016 Seddon 等，2016 ； Stanimirova 等，2019 Stanimirova 等，2019 ）。虽然，现在对中国草原区干湿程度已有许多研究，但还有以下两点不足：（1）大部分研究主要集中在局部区域，例如，西北（ Liu 等，2013 Liu 等，2013 ）、西北中某几省（ Tan 等，2015 Tan 等，2015 ； Yao 等，2018 Yao 等，2018 ）或青藏区域（ Gao 等，2015 Gao 等，2015 ），没有从整体考虑中国草原区的干湿变化；（2）研究的时间范围大部分集中在20世纪80年代中期—21世纪初前10年左右（ Zhang 等，2016 Zhang 等，2016 ； Gao 等，2015 Gao 等，2015 ）。 气候的干湿程度通常用干旱指数（Drought Index）来量化，其中，最常用的干旱指数为联合国环境署提出的干燥度指数AI（Aridity Index），即降水与潜在蒸散发的比值，被广泛应用于干湿程度的量化与评估（Asadi Zarch 等，2015）；该指数刻画了陆地生态系统对水分的供应（降水）与需求（潜在蒸散发）的差异，由于含义明确，计算相对简便而被广泛采用（Asadi Zarch 等，2015； Huang 等，2016 Huang 等，2016 ； Liu 等，2013 Liu 等，2013 ）。然而，研究表明，不同研究采用该指数所描述的干湿程度变化趋势往往不一致（ Vicente-Serrano 等，2012 Vicente-Serrano 等，2012 ），其原因可能是不同研究用于计算干燥度指数气象数据的来源不同，导致对干燥度指数变化趋势的结论不一致（ Liu 等，2019 Liu 等，2019 ）；另外，本研究也比较了另一个被广泛采用的干旱指数，自校正帕尔默干旱指数指数scPDSI（Self-Calibrated Palmer Drought Severity Index）在本区域的适用性（ Dai，2013 Dai，2013 ）。 为了准确刻画中国草原区干湿程度的变化趋势与空间格局，本研究以目前精度最高的土壤湿度主被动探测SMAP（Soil Moisture Active Passive）卫星所监测到的土壤含水量产品作为参照（ Mohanty 等，2017 Mohanty 等，2017 ； Kim 等，2018 Kim 等，2018 ； Ma 等，2019 Ma 等，2019 ），评估不同数据源得到的干燥度指数的可信度，在此基础上遴选最佳的干旱指数，评估中国草原区近40年来干湿程度的变化趋势和空间格局。 2　材料与方法 1 2.1　研究区域 2 中国草原区地处中国西部，位于26°50′°N—53.33°N和73.40°E—126.04°E，境内有内蒙古自治区、宁夏回族自治区、甘肃省、新疆维吾尔自治区、青海省和西藏自治区，面积约为5.29×10 6 km 2 。该区域多年平均气温为5.82 ℃，多年平均降水为315.27 mm，冬季寒冷干燥、夏季高温多雨，主要属大陆性气候或高原山地气候，生态系统脆弱，对全球变化敏感（ Seddon 等，2016 Seddon 等，2016 ； Stanimirova 等，2019 Stanimirova 等，2019 ）。草地分布及其类型依照《中华人民共和国植被图（1∶100万）》（中国植被图编委会和中国科学院，2007）划分，见 图1 图1 （审图号：GS（2021）8551号。中国草原区另划分3个子研究区分别为：内蒙古草原区、西北草原区和青藏草原区，其中内蒙古草原区为内蒙古自治区，青藏草原区内含青海省和西藏自治区，西北草原区内含宁夏回族自治区、甘肃省及新疆维吾尔自治区。 （审图号：GS（2021）8551号） 2.2　干旱指数计算 2 干燥度指数AI（Aridity Index）的计算方法为年降水量与年潜在蒸散发的比值： <math display="block" id="M1"><mi mathvariant="normal">A</mi><mi mathvariant="normal">I</mi><mo>=</mo><mfrac><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">12</mn></mrow></munderover></mstyle><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mrow><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">12</mn></mrow></munderover></mstyle><mrow><mi>P</mi><mi>E</mi><msub><mrow><mi>T</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420168&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420166&type= 20.57399940 17.86466599 式中， <math id="M2"><msub><mrow><mi>P</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420172&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420170&type= 3.04800010 3.72533321 与 <math id="M3"><mi>P</mi><mi>E</mi><msub><mrow><mi>T</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420176&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420174&type= 7.36600018 3.72533321 分别为月降水量与潜在蒸散发（每年12个月）； <math id="M4"><mi mathvariant="normal">A</mi><mi mathvariant="normal">I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420182&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420179&type= 3.72533321 2.62466669 越大表明气候越湿润 （ Huang 等，2016 Huang 等，2016 ）。 潜在蒸散发是计算AI的关键变量，现有研究多常采用Penman-Monteith （Van Der Schrier 等，2011）公式计算： <math display="block" id="M5"><mi>P</mi><mi>E</mi><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi mathvariant="normal">m</mi></mrow></msub><mo>=</mo><mfrac><mrow><mn mathvariant="normal">0.408</mn><mo>∆</mo><mo stretchy="false">(</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>n</mi></mrow></msub><mo>-</mo><mi>G</mi><mo stretchy="false">)</mo><mo>+</mo><mi>γ</mi><mfrac><mrow><mn mathvariant="normal">900</mn></mrow><mrow><mi>T</mi><mo>+</mo><mn mathvariant="normal">273</mn></mrow></mfrac><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">(</mo><msub><mrow><mi>e</mi></mrow><mrow><mi>s</mi></mrow></msub><mo>-</mo><msub><mrow><mi>e</mi></mrow><mrow><mi>a</mi></mrow></msub><mo stretchy="false">)</mo></mrow><mrow><mo>∆</mo><mo>+</mo><mi>γ</mi><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>+</mo><mn mathvariant="normal">0.34</mn><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420186&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420184&type= 75.09933472 12.19200039 式中， <math id="M6"><mi>P</mi><mi>E</mi><msub><mrow><mi>T</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi mathvariant="normal">m</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420190&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420188&type= 9.22866726 3.72533321 为参考蒸腾速率（mm）； <math id="M7"><mi mathvariant="normal">Δ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420193&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420192&type= 2.53999996 2.70933342 是温度随饱和水汽压变化的斜率（kPa/℃）； <math id="M8"><msub><mrow><mi>R</mi></mrow><mrow><mi>n</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420195&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420194&type= 3.47133350 3.72533321 是作物表面的净辐射通量（MJ/m 2 ）； <math id="M9"><mi>G</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420197&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420196&type= 2.37066650 2.62466669 是土壤热通量（MJ/m 2 ）； T 为2 m高度处的平均气温（℃）； <math id="M10"><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420199&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420198&type= 3.04800010 3.72533321 为2 m高度的风速（m/s）； <math id="M11"><msub><mrow><mi>e</mi></mrow><mrow><mi>s</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420201&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420200&type= 2.28600001 3.72533321 为饱和水汽压（kPa）； <math id="M12"><msub><mrow><mi>e</mi></mrow><mrow><mi>a</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420203&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420202&type= 2.62466669 3.72533321 为实际水汽压（kPa）； <math id="M13"><msub><mrow><mi>e</mi></mrow><mrow><mi>s</mi></mrow></msub><mo>-</mo><msub><mrow><mi>e</mi></mrow><mrow><mi>a</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420205&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420204&type= 9.39799976 3.72533321 为空气饱和水汽压差（kPa）； γ 为干湿表常数（kPa/℃），本文为0.674（ Akumaga和Alderman，2019 Akumaga和Alderman，2019 ）。 2.3　数据来源与处理 2 2.3.1　CRU全球气象数据 3 本研究使用了英国东英吉利大学气候变化研究小组的CRU（Climatic Research Unit）TS 4.03（ https：//crudata.uea.ac.uk/cru/data/hrg/ https://crudata.uea.ac.uk/cru/data/hrg/ ［2020-09-24］）降水和潜在蒸散发数据产品，空间分辨率为0.5°×0.5°，时间分辨率为月尺度（ Rodell 等，2004 Rodell 等，2004 ），该数据集已被广泛应用于全球变化研究（ Huang 等，2016 Huang 等，2016 ； Vicente-Serrano 等，2012 Vicente-Serrano 等，2012 ；Van Der Schrier 等，2013）。CRU_AI的计算为CRU PPT除以CRU PET。 2.3.2　GLDAS全球气象数据产品 3 全球陆面数据同化系统数据产品GLDAS（Global Land Data Assimilation System）是基于卫星遥感和地面观测数据作为驱动数据，用陆面模式与数据同化生成全球地表气象数据产品。本研究使用质量最高的GLDAS-2.0 Noah和GLDAS-2.1 Noah数据集中的降水、气温、相对湿度、风速、短波辐射、长波辐射、土壤热通量和反照率共8个数据集（ https：//disc.gsfc.nasa.gov/datasets？keywords=gldas&page=1 https://disc.gsfc.nasa.gov/datasets?keywords=gldas&page=1 ［2020-09-24］），空间分辨率为0.25°×0.25°，时间分辨率为日。GLDAS-2.0 Noah为1948年3月—2014年12月数据（ Rodell 等，2004 Rodell 等，2004 ），最新版本的GLDAS-2.1 Noah从2000年1月1日更新至今。以2000年—2014年重叠时段的GLDAS-2.1 Noah为自变量，GLDAS-2.0 Noah为因变量逐格点构建一元线性回归方程，再利用所构建的方程校正1982年—1999年的数据，基于计算校正后的气象数据用Penman-Monteith公式（Van Der Schrier 等，2011）计算中国草原区的潜在蒸散发。GLDAS_AI的计算为GLDAS PPT除以GLDAS PET。 2.3.3　GLEAM全球潜在蒸散发数据产品 3 阿姆斯特丹全球陆地蒸散发产品GLEAM（Global Land-surface Evaporation：the Amsterdam Methodology）是基于卫星观测和模型模拟的数据产品（ Martens 等，2017 Martens 等，2017 ）。本研究使用最新版的GLEAM v3.2a数据集（ https：//www.gleam.eu/ https://www.gleam.eu/ ［2020-09-24］），PET的时间分辨率为月，空间分辨率0.25°×0.25°（ Martens 等，2017 Martens 等，2017 ），时间范围是1980年—2018年。 因该数据集不包括降水，为了计算AI，本研究所使用的1982年—2018年的时间序列台站降水量数据获取自中国气象局—国家气象信息中心（ http：//data.cma.cn/en http://data.cma.cn/en ［2020-09-24］），并使用ANUSPLIN软件插值，插值栅格精度为0.5°×0.5°。该数据集和插值方法在中国草原区已被广泛应用（ Zhao 等，2020 Zhao 等，2020 ； Cao 等，2020 Cao 等，2020 ）。GLEAM_AI的计算为插值后PPT除以GLEAM PET；此外，结果分析用到的气温数据也来源于中国气象局—国家气象信息中心并用ANUSPLIN软件插值成栅格精度为0.5°×0.5°。 2.3.4　SMAP全球土壤含水量数据产品 3 土壤含水量主被动卫星SMAP（Soil Moisture Active Passive）搭载了L波段1.26 GHz主动式遥感雷达和L波段被动 式1 式1 .41 GHz遥感微波辐射仪，用于观测土壤含水量及冻融情况（ Mohanty 等，2017 Mohanty 等，2017 ； 孙灏 等，2021 孙灏 等，2021 ）。本研究应用了SMAP Level 3（ https：//nsidc.org/data/smap/smap-data.html https://nsidc.org/data/smap/smap-data.html ［2020-09-24］）土壤含水量日数据集，空间分辨率为36 km×36 km（ Ma 等，2019 Ma 等，2019 ），时间范围为2015年5月1日至2018年12月31日（ Chan 等，2016 Chan 等，2016 ）。该数据是目前可靠性最高的土壤含水量卫星遥感产品，已在全球不同区域得到验证（ Kim 等，2018 Kim 等，2018 ； Ma 等，2019 Ma 等，2019 ）。 2.3.5　scPDSI全球干旱指数产品 3 scPDSI是基于PDSI（The Palmer Drought Severity Index）发展而来，综合考虑了水分亏缺量和持续时间对干湿程度的影响（ 王先伟 等，2014 王先伟 等，2014 ），其计算需要用到前期降水量、土壤含水量、径流和潜在蒸散发（Van Der Schrier 等，2011）。scPDSI数据产品为全球月尺度，空间分辨率为0.5°×0.5°，获取自英国气候研究中心（ https：//crudata.uea.ac.uk/cru/data/drought/ https://crudata.uea.ac.uk/cru/data/drought/ ［2020-09-24］），该数据产品使用CRU TS 3.10.01为驱动数据，时间范围是1901年1月至2018年12月（Van Der Schrier 等，2013； Dai，2013 Dai，2013 ）。 2.4　数据处理和分析 2 （1） 统一空间分辨率。使用双线性（bilinear）重采样方法将SMAP土壤含水量、计算GLDAS AI所需的变量和GLEAM PET的空间分辨率统一到0.5°×0.5°。 （2） 数据分析。使用2015年—2018年6—10月各干旱指数的月均值分别与相同时间的SMAP 0—10 cm土壤含水量均值进行相关性检验，遴选最优干旱指数。后续分析采用最小二乘法来估算最优干旱指数年均值、年降水和年均气温计算各变量的时间序列变化趋势（ 式（3） 式（3） ），用Student-t检验其趋势的显著性。 <math display="block" id="M14"><mi>y</mi><mo>=</mo><mi>a</mi><mo>+</mo><mi>b</mi><mi>t</mi><mo>+</mo><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420207&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420206&type= 21.75933456 3.47133350 式中， <math id="M15"><mi>y</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420209&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420208&type= 1.77800000 3.47133350 是干旱指数或气候因子， <math id="M16"><mi>t</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420212&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420211&type= 1.10066664 2.62466669 是时间（年）， <math id="M17"><mi>a</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420215&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420213&type= 1.86266661 2.62466669 是截距， <math id="M18"><mi>b</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420218&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420217&type= 1.69333339 2.62466669 是速率， <math id="M19"><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420222&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420220&type= 1.94733346 2.62466669 是残差。 为了确定干旱指数与气候因子趋势发生改变的转变年份，采用常用的分段线性回归方法确定是否有存在趋势转变以及转变的时间节点（ Piao 等，2011 Piao 等，2011 ； Wang等，2011 Wang等，2011 ； Hu等，2018 Hu等，2018 ； Chen等，2014 Chen等，2014 ）： <math display="block" id="M20"><msub><mrow><mi>y</mi></mrow><mrow><mi>t</mi></mrow></msub><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable columnalign="left"><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub><mo>+</mo><mi>ε</mi><mo>,</mo><mtext>      </mtext><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub><mo><</mo><mi>j</mi><mo>,</mo><mtext> </mtext><mi>j</mi><mo>∈</mo><mo stretchy="false">{</mo><mn mathvariant="normal">4,5</mn><mo>,</mo><mn mathvariant="normal">6</mn><mo>,</mo><mo>…</mo><mo>,</mo><mi>N</mi><mo>-</mo><mn mathvariant="normal">4</mn><mo stretchy="false">}</mo></mtd></mtr><mtr><mtd><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub><mo>+</mo><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><mo stretchy="false">(</mo><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub><mo>-</mo><mi>j</mi><mo stretchy="false">)</mo><mo>+</mo><mi>ε</mi><mo>,</mo><mtext>      </mtext><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub><mo>≥</mo><mi>j</mi></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420226&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420224&type= 73.74466705 9.90600014 式中， <math id="M21"><msub><mrow><mi>y</mi></mrow><mrow><mi>t</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420228&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420227&type= 2.45533323 4.57200003 为最优干旱指数与气候因子时间序列， <math id="M22"><msub><mrow><mi>x</mi></mrow><mrow><mi>t</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420230&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420229&type= 2.45533323 3.72533321 是时间（年）， <math id="M23"><mi>j</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420240&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420239&type= 1.52400005 3.47133350 是预估的时间序列最优干旱指数的转变点年份， <math id="M24"><msub><mrow><mi>a</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420234&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420233&type= 3.04800010 3.72533321 是截距， <math id="M25"><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420236&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420235&type= 2.87866688 3.72533321 和 <math id="M26"><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420238&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420237&type= 2.87866688 3.72533321 分别是转变前后的速率，用最小二乘法估测了上述系数和 <math id="M27"><mi>j</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420240&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420239&type= 1.52400005 3.47133350 。如果拒绝原假设 <math id="M28"><msub><mrow><mi>b</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">0</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420242&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40420241&type= 9.22866726 3.80999994 并且转变前后差异满足 p < 0.05，则转变前后具有显著性差异。 3　结果 1 3.1　不同数据源干旱指数对比 2 各干旱指数和SMAP土壤含水量的月时间序列相关分析结果表明，GLEAM_AI干旱指数与SMAP土壤含水量相关性最高（ 图2 图2 ，审图号GS（2021）8551号），全区平均的相关系数（ r ）为0.7，其次为CRU_AI（ r =0.57），scPDSI（ r =0.53）和GLDAS_AI（ r =0.38）；另外，年尺度上（2015年—2018年）基于GLEAM的AI的年际变化趋势SMAP土壤含水量的年际变化趋势一致性也最高（ 图3 图3 ，审图号GS（2021）8551号），这说明基于GLEAM的AI量化研究区干湿程度最为可靠。因此，本研究使用GLEAM_AI进一步分析研究区干湿程度的动态变化和空间格局。 审图号： GS（2021）8551号 （插图为空间上不同相关系数的频率分布） 1,2;3,4; （审图号：GS（2021）8551号） 1,2;3,4;5; 进一步分别比较了CRU、GLDAS和中国气象局的降水，以及CRU、CLDAS和GLEAM的潜在蒸散发表明，几个数据产品的年降水尽管数值上有一定差异，但变化趋势一致（ 图4（a） 图4（a） ）；1982年—2018年年潜在蒸散发都呈整体上升趋势（ 图4（b） 图4（b） ），与AI发生趋势转变的年份一样（ 图4（b） 图4（b） 和 图5（a） 图5（a） ），年潜在蒸散发都呈先快速上升后缓慢上升趋势，GLEAM潜在蒸散发的趋势转变都通过了显著性检验（ P < 0.05），这说明GLEAM数据产品的潜在蒸散发可信度最高。 1,2; 3.2　干旱指数和相关气候因子的动态变化趋势 2 1982年—2018年中国草原区AI整体呈不显著的上升趋势（0.0015 a -1 ， p = 0.054），但年降水（1.15 mm/a， p < 0.05）、年潜在蒸散发（0.68 mm/a， p < 0.05）和年均气温（0.02 ℃/a， p < 0.05）都整体呈显著增加趋势（ 图5 图5 ）。在1982年—2018年之间AI在2005年发生趋势转变（ p < 0.05），1982年—2005年呈下降趋势（-0.0005 a -1 ），但在2006年—2018年呈上升趋势（0.009 a -1 ）。年降水、年潜在蒸散发和年均气温在1982年—2005年均呈上升趋势，年降水和年均气温在2006年—2018呈上升趋势，但年潜在蒸散发呈下降趋势（ 图5 图5 ）。1982年—2018年内蒙古草原区、西北草原区的AI、年降水和年潜在蒸散发的趋势转变年份均发生在2005年，但青藏草原区的AI和年降水趋势转变发生在1994年，年潜在蒸发在2005年（ 图6 图6 ）。1982年—2018年内蒙古草原区、西北草原区和青藏高原区3个区域的AI和年降水变化趋势均一致，但AI和年潜在蒸散发变化趋势不一致（ 图5 图5 ）。内蒙古草原区AI和年降水在1982年—2005年呈下降趋势，在2006年—2018年呈上升趋势，年潜在蒸散发在这两个时间段均呈上升趋势（图 6（a） 6（a） — 6（c） 6（c） ）。西北草原区AI、年降水和年潜在蒸散发在1982年—2005年和2006年—2018年两个时间段均呈上升趋势（图 6（d） 6（d） — 6（f） 6（f） ）。青藏高原区AI、年降水在1982年—1994年均呈下降趋势，在1995年—2018年呈上升趋势，但年潜在蒸散发在1982年—2005年呈上升趋势，在2006年—2018年呈下降趋势（图 6（g） 6（g） — 6（i） 6（i） ）。 1,2;3,4; 1,2,3;4,5,6;7,8,9; 3.3　AI和气候因子变化的空间分布格局 2 在1982年—2005年和2006年—2018年两个时间段，中国草原区AI和年降水的空间变化趋势均呈相似的空间分布格局，1982年—2005年AI和年降水在内蒙古草原区东部、青藏高原东北部呈下降趋势，2006年—2018年AI和年降水在大部分区域呈上升趋势除青藏高原中部外（图 7（a） 7（a） — 7（d） 7（d） ）。整体看来，1982年—2005年中国草原区AI整体呈减小趋势（ 图7（a） 图7（a） ），2006年—2018年AI呈增加趋势（ 图7（b） 图7（b） ）。 在1982年—2005年和2006年—2018年两个时间段，中国草原区AI和年降水全部呈强正相关（ r > 0.6）关系（图 8（a） 8（a） 和 8（b） 8（b） ）；AI和年潜在蒸散发整体呈负相关关系（ r =-0.20）（图 8（c） 8（c） 和 8（d） 8（d） ）。 （黑点为 p < 0.05具有显著性差异区域；插图为空间上不同变化速率的频率分布） 1,2;3,4;5,6; 1,2;3,4; 4　讨论 1 4.1　中国草原区干湿程度的变化趋势 2 中国草原区AI、年降水和年潜在蒸散发在1982年—2018年整体均呈上升趋势（ 图5 图5 ），虽然年降水和年潜在蒸散发都呈上升趋势，但年降水的增加速率（1.15 mm/a）是年潜在蒸散发增加速率（0.68 mm/a）的两倍，导致AI呈上升趋势，说明了该地区整体变得更加湿润（ 马柱国 等，2018 马柱国 等，2018 ）。中国草原区AI在2005年发生转变，但研究区域的不同和研究时段的差异可能会导致结果有差异（ 图5 图5 ），例如： 马柱国等（2018） 马柱国等（2018） 对1951年—2016年中国北方研究表明AI在2001年发生转变， 杨舒畅和杨恒山（2019） 杨舒畅和杨恒山（2019） 的研究表明内蒙古在1982年和2012年发生两次趋势突变。中国草原区AI在2005年发生转变的原因是：1982年—2005年缓慢增多的年降水（0.65 mm/a）和升温导致快速增多的年潜在蒸散发（1.10 mm/a）加剧了地面水分消耗，使得AI呈下降趋势（ 符淙斌和马柱国，2008 符淙斌和马柱国，2008 ），但2005年—2018年降水的增多（4.27 mm/a）和年潜在蒸散发的减少（-0.07 mm/a）导致AI呈上升趋势，中国草原区AI变化主要受降水量变化的影响（ Liu 等，2019 Liu 等，2019 ； Gao 等，2015 Gao 等，2015 ； Huo 等，2013 Huo 等，2013 ）。 本研究表明，2006年—2018年中国草原区为整体呈现出湿润化的趋势，其原因可能是印度洋季风和西风环流对研究区影响有所加强（ Sun 等，2019 Sun 等，2019 ； Li 等，2020 Li 等，2020 ），把更多的水蒸气从海洋表面输送到该地区，从而产生更多的降水。另外，在此期间中国草原区出现了增温停滞，导致年潜在蒸散发增速放缓，这也缓解了干旱。增温停滞的原因有待深入，这将有助于预测未来该区域的干湿度的变化趋势。 4.2　中国草原区干湿变化的空间格局 2 内蒙古草原区和青藏草原区在转变前后年两个时间段AI均呈先下降后上升趋势，因为转变前年降水增速比年潜在蒸散发增速慢，而转变后年降水比年潜在蒸散发增速快（图 6（a） 6（a） — 6（c） 6（c） 和图 6（g） 6（g） — 6（i） 6（i） ）（ Li 等，2020 Li 等，2020 ），内蒙古草原区、西北草原区两个区域和青藏高原区年潜在蒸散发的变化趋势不一致是因为西北草原区和内蒙古草原区相较于青藏高原常年受干热风影响（图 6（f） 6（f） 和 6（i） 6（i） ）（ 候启 等，2019 候启 等，2019 ）。内蒙古草原区AI趋势转变年份和中国草原区的一致都为2006年，说明内蒙古草原区主导了中国草原区的干湿条件变化（ 图5（a） 图5（a） 和 图6（a） 图6（a） ）。 中国草原区1982年—2005年和2006年—2018年两个时间段AI和年降水的空间变化趋势较为一致，但AI与年潜在蒸散发的空间变化趋势存在较大差异（ 图7 图7 ），因为AI和年降水量的相关系数呈显著正相关关系（图 8（a） 8（a） 和 8（b） 8（b） ），这说明了中国草原区的干湿程度变化受降水主导（ Ramarao 等，2019 Ramarao 等，2019 ）。 1982年—2005年中国草原区干旱加剧的同时，也表现出该时段末期比前期，干旱或湿润的区域面积的增加或减少（ 图7（a） 图7（a） ），有52%的区域呈干旱加剧趋势，之前的研究也发现在中国西北部干旱面积的扩张（ Chen和Sun，2015 Chen和Sun，2015 ； Zhang 等，2016 Zhang 等，2016 ），2006年—2018年整体呈干旱缓解趋势（ 图6（b） 图6（b） ），有82%面积呈湿润化趋势，干旱面积缩小（ Chen和Sun，2015 Chen和Sun，2015 ）。 4.3　研究中的不足与展望 2 本研究所采用的干燥度指数的降水数据是基于全国756个国家级台站数据插补得到，在新疆、西藏等地区台站数量相对较少，这可能导致降水和干燥度指数的空间分布在这些区域存在一定的误差。今后的研究中需要采用更多的地面降水观测数据或其他降水数据产品，进而提高干燥度指数空间格局的可信度。本研究验证各干旱指数的SMAP土壤含水量数据时间跨度为2015年—2018年，年限偏少，仅能评估各干旱指数在研究区的整体适用性，未来随着该数据所积累的年限的增加，对于干旱指数在研究区效果的空间分布有更深入的认识。基于干燥度指数的动态变化特征得出，2008年以来，中国北方草原区湿润程度增加，如果同时考虑CO 2 浓度升高对植物水分需求的下降，其改善效果可能比干燥度指数所表现的趋势更为明显，今后可基于长期地面和遥感数据对研究区植被生长的水分限制强度的变化做深入分析。 5　结论 1 干旱指数中的干燥度指数比scPDSI更能反映中国草原区的干湿变化。潜在蒸散发是导致不同数据源产品干旱指数变化趋势不一致的主要因素，在中国草原区，基于GLEAM产品得到的干燥度指数可靠性最高。1982年—2018年中国草原区因年降水是年潜在蒸散发增速的两倍，导致呈湿润化趋势，干燥度指数另在2005年发生趋势转变，1982年—2005年中国草原区呈较弱的干旱化趋势，其主要原因是气温升高导致地表蒸散耗水压力持续增加，2006年—2018年呈明显的湿润化趋势，其主要原因是该区域降水持续升高，而气温升高表现出停滞使蒸散耗水压力得到一定缓解。就分区域而言，内蒙古草原区和西北草原区干燥度指数都在2005年发生趋势转变，但青藏草原区则在1994年，内蒙古草原区在2005年前后和青藏草原区在1994年前后两个时期均发生趋势转变，而西北草原区在1982年以来一直呈现出湿润化的趋势，而在2005年以后这种趋势尤为明显。中国草原区的干湿条件变化主要受内蒙古草原区主导。 参考文献（References） Akumaga U and Alderman P D . 2019 . Comparison of Penman-Monteith and Priestley-Taylor evapotranspiration methods for crop modeling in Oklahoma . Agronomy Journal , 111 ( 3 ): 1171 - 1180 [ DOI: 10.2134/agronj2018.10.0694 http://dx.doi.org/10.2134/agronj2018.10.0694 ] Comparison of Penman-Monteith and Priestley-Taylor evapotranspiration methods for crop modeling in Oklahoma Asadi Zarch M A , Sivakumar B and Sharma A . 2015 . Assessment of global aridity change . Journal of Hydrology , 520 : 300 - 313 [ DOI: 10.1016/j.jhydrol.2014.11.033 http://dx.doi.org/10.1016/j.jhydrol.2014.11.033 ] Assessment of global aridity change Cao R C , Hu Z M , Jiang Z Y , Yang Y T , Zhao W , Wu G N , Feng X M , Chen R R and Hao G C . 2020 . Shifts in ecosystem water use efficiency on China’s loess plateau caused by the interaction of climatic and biotic factors over 1985 — 2015 . Agricultural and Forest Meteorology , 291 : 1 - 9 [ DOI: 10.1016/j.agrformet.2020.108100 http://dx.doi.org/10.1016/j.agrformet.2020.108100 ] Shifts in ecosystem water use efficiency on China’s loess plateau caused by the interaction of climatic and biotic factors over Chan S K , Bindlish R , O’Neill P E , Njoku E , Jackson T , Colliander A , Chen F , Burgin M , Dunbar S , Piepmeier J , Yueh S , Entekhabi D , Cosh M H , Caldwell T , Walker J , Wu X L , Berg A , Rowlandson T , Pacheco A , Mcnairn H , Thibeault M , Martínez-Fernández J , González-Zamora Á , Seyfried M , Bosch D , Starks P , Goodrich D , Prueger J , Palecki M , Small E E , Zreda M , Calvet J C , Crow W T and Kerr Y . 2016 . Assessment of the SMAP passive soil moisture product . IEEE Transactions on Geoscience and Remote Sensing , 54 ( 8 ): 4994 - 5007 [ DOI: 10.1109/tgrs.2016.2561938 http://dx.doi.org/10.1109/tgrs.2016.2561938 ] Assessment of the SMAP passive soil moisture product Chen H P and Sun J Q . 2015 . Changes in drought characteristics over China using the standardized precipitation evapotranspiration index . Journal of Climate , 28 ( 13 ): 5430 - 5447 [ DOI: 10.1175/jcli-d-14-00707.1 http://dx.doi.org/10.1175/jcli-d-14-00707.1 ] Changes in drought characteristics over China using the standardized precipitation evapotranspiration index Chen B Z , Xu G , Coops N C , Ciais P , Innes J L , Wang G Y , Myneni R B , Wang T L , Krzyzanowski J , Li Q L , Cao L and Liu Y . 2014 . Changes in vegetation photosynthetic activity trends across the Asia–Pacific region over the last three decades . Remote Sensing of Environment , 144 : 28 - 41 [ DOI: 10.1016/j.rse.2013.12.018 http://dx.doi.org/10.1016/j.rse.2013.12.018 ] Changes in vegetation photosynthetic activity trends across the Asia–Pacific region over the last three decades Dai A G . 2013 . Increasing drought under global warming in observations and models . Nature Climate Change , 3 ( 1 ): 52 - 58 [ DOI: 10.1038/nclimate1633 http://dx.doi.org/10.1038/nclimate1633 ] Increasing drought under global warming in observations and models Fu C B and Ma Z G . 2008 . Global change and regional aridification . Chinese Journal of Atmospheric Sciences , 32 ( 4 ): 752 - 760 Global change and regional aridification 符淙斌 , 马柱国 . 2008 . 全球变化与区域干旱化 . 大气科学 , 32 ( 4 ): 752 - 760 [ DOI: 10.3878/j.issn.1006-9895.2008.04.05 http://dx.doi.org/10.3878/j.issn.1006-9895.2008.04.05 ] 全球变化与区域干旱化 Gao Y H , Li X , Leung L R , Chen D L and Xu J W . 2015 . Aridity changes in the Tibetan Plateau in a warming climate . Environmental Research Letters , 10 ( 3 ): 1 - 13 [ DOI: 10.1088/1748-9326/10/3/034013 http://dx.doi.org/10.1088/1748-9326/10/3/034013 ] Aridity changes in the Tibetan Plateau in a warming climate Hu Z M , Guo Q , Li S G , Piao S L , Knapp A K , Ciais P , Li X R and Yu G R . 2018 . Shifts in the dynamics of productivity signal ecosystem state transitions at the biome-scale . Ecology Letters , 21 ( 10 ): 1457 - 1466 [ DOI: 10.1111/ele.13126 http://dx.doi.org/10.1111/ele.13126 ] Shifts in the dynamics of productivity signal ecosystem state transitions at the biome-scale Huang J P , Yu H P , Guan X D , Wang G Y and Guo R X . 2016 . Accelerated dryland expansion under climate change . Nature Climate Change , 6 ( 2 ): 166 - 171 [ DOI: 10.1038/nclimate2837 http://dx.doi.org/10.1038/nclimate2837 ] Accelerated dryland expansion under climate change Huo Z L , Dai X Q , Feng S Y , Kang S Z and Huang G H . 2013 . Effect of climate change on reference evapotranspiration and aridity index in arid region of China . Journal of Hydrology , 492 : 24 - 34 [ DOI: 10.1016/j.jhydrol.2013.04.0111 http://dx.doi.org/10.1016/j.jhydrol.2013.04.0111 ] Effect of climate change on reference evapotranspiration and aridity index in arid region of China Hou Q , Zhang B , He H , Ma B and Ma S Q . 2019 . Spatiotemporal variation of dry-hot wind events in the Hexi region in recent 50 years . Arid Zone Research , 36 ( 2 ): 403 - 411 Spatiotemporal variation of dry-hot wind events in the Hexi region in recent 50 years 候启 , 张勃 , 何航 , 马彬 , 马尚谦 . 2019 . 近50多年河西地区干热风事件时空变化特征 . 干旱区研究 , 36 ( 2 ): 403 - 411 [ DOI: 10.13866/j.azr.2019.02.16 http://dx.doi.org/10.13866/j.azr.2019.02.16 ] 近50多年河西地区干热风事件时空变化特征 Kim H , Parinussa R , Konings A G , Wagner W , Cosh M H , Lakshmi V , Zohaib M and Choi M . 2018 . Global-scale assessment and combination of SMAP with ASCAT (active) and AMSR2 (passive) soil moisture products . Remote Sensing of Environment , 204 : 260 - 275 [ DOI: 10.1016/j.rse.2017.10.026 http://dx.doi.org/10.1016/j.rse.2017.10.026 ] Global-scale assessment and combination of SMAP with ASCAT (active) and AMSR2 (passive) soil moisture products Li P L , Hu Z M and Liu Y W . 2020 . Shift in the trend of browning in southwestern Tibetan Plateau in the past two decades . Agricultural and Forest Meteorology , 287 : 1 - 9 [ DOI: 10.1016/j.agrformet.2020.107950 http://dx.doi.org/10.1016/j.agrformet.2020.107950 ] Shift in the trend of browning in southwestern Tibetan Plateau in the past two decades Liu L B , Wang Y , You N S , Liang Z , Qin D H and Li S C . 2019 . Changes in aridity and its driving factors in China during 1961 — 2016 . International Journal of Climatology , 39 ( 1 ): 50 - 60 [ DOI: 10.1002/joc.5781 http://dx.doi.org/10.1002/joc.5781 ] Changes in aridity and its driving factors in China during Liu X M , Zhang D , Luo Y Z and Liu C M . 2013 . Spatial and temporal changes in aridity index in Northwest China: 1960 to 2010 . Theoretical and Applied Climatology , 112 ( 1/2 ): 307 - 316 [ DOI: 10.1007/s00704-012-0734-7 http://dx.doi.org/10.1007/s00704-012-0734-7 ] Spatial and temporal changes in aridity index in Northwest China: 1960 to 2010 Ma H L , Zeng J Y , Chen N C , Zhang X , Cosh M H and Wang W . 2019 . Satellite surface soil moisture from SMAP, SMOS, AMSR2 and ESA CCI: a comprehensive assessment using global ground-based observations . Remote Sensing of Environment , 231 : 1 - 14 [ DOI: 10.1016/j.rse.2019.111215 http://dx.doi.org/10.1016/j.rse.2019.111215 ] Satellite surface soil moisture from SMAP, SMOS, AMSR2 and ESA CCI: a comprehensive assessment using global ground-based observations Ma Z G , Fu C B , Yang Q , Zheng Z Y , Lü M X , Li M X , Duan Y W and Chen L . 2018 . Drying trend in northern China and its shift during 1951 - 2016 . Chinese Journal of Atmospheric Sciences , 42 ( 4 ): 951 - 961 Drying trend in northern China and its shift during 马柱国 , 符淙斌 , 杨庆 , 郑子彦 , 吕美霞 , 李明星 , 段亚雯 , 陈亮 . 2018 . 关于我国北方干旱化及其转折性变化 . 大气科学 , 42 ( 4 ): 951 - 961 [ DOI: 10.3878/j.issn.1006-9895.1802.18110 http://dx.doi.org/10.3878/j.issn.1006-9895.1802.18110 ] 关于我国北方干旱化及其转折性变化 Martens B , Miralles D G , Lievens H , van der Schalie R , de Jeu R A M , Fernández-Prieto D , Beck H E , Dorigo W A and Verhoest N E C . 2017 . GLEAM v3: satellite-based land evaporation and root-zone soil moisture . Geoscientific Model Development , 10 ( 5 ): 1903 - 1925 [ DOI: 10.5194/gmd-10-1903-2017 http://dx.doi.org/10.5194/gmd-10-1903-2017 ] GLEAM v3: satellite-based land evaporation and root-zone soil moisture Mohanty B P , Cosh M H , Lakshmi V and Montzka C . 2017 . Soil moisture remote sensing: state-of-the-science . Vadose Zone Journal , 16 ( 1 ): 1 - 9 [ DOI: 10.2136/vzj2016.10.0105 http://dx.doi.org/10.2136/vzj2016.10.0105 ] Soil moisture remote sensing: state-of-the-science Piao S L , Wang X H , Ciais P , Zhu B , Wang T and Liu J . 2011 . Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006 . Global Change Biology , 17 ( 10 ): 3228 - 3239 [ DOI: 10.1111/j.1365-2486.2011.02419.x http://dx.doi.org/10.1111/j.1365-2486.2011.02419.x ] Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006 Ramarao M V S , Sanjay J , Krishnan R , Mujumdar M , Bazaz A and Revi A . 2019 . On observed aridity changes over the semiarid regions of India in a warming climate . Theoretical and Applied Climatology , 136 ( 1/2 ): 693 - 702 [ DOI: 10.1007/s00704-018-2513-6 http://dx.doi.org/10.1007/s00704-018-2513-6 ] On observed aridity changes over the semiarid regions of India in a warming climate Rodell M , Houser P R , Jambor U , Gottschalck J , Mitchell K , Meng C J , Arsenault K , Cosgrove B , Radakovich J , Bosilovich M , Entin J K , Walker J P , Lohmann D and Toll D . 2004 . The global land data assimilation system . Bulletin of the American Meteorological Society , 85 ( 3 ): 381 - 394 [ DOI: 10.1175/bams-85-3-381 http://dx.doi.org/10.1175/bams-85-3-381 ] The global land data assimilation system Seddon A W R , Macias-Fauria M , Long P R , Benz D and Willis K J . 2016 . Sensitivity of global terrestrial ecosystems to climate variability . Nature , 531 ( 7593 ): 229 - 232 [ DOI: 10.1038/nature16986 http://dx.doi.org/10.1038/nature16986 ] Sensitivity of global terrestrial ecosystems to climate variability Sheffield J , Wood E F and Roderick M L . 2012 . Little change in global drought over the past 60 years . Nature , 491 ( 7424 ): 435 - 438 [ DOI: 10.1038/nature11575 http://dx.doi.org/10.1038/nature11575 ] Little change in global drought over the past 60 years Stanimirova R , Arévalo P , Kaufmann R K , Maus V , Lesiv M , Havlík P and Friedl M A . 2019 . Sensitivity of global pasturelands to climate variation . Earth's Future , 7 ( 12 ): 1353 - 1366 [ DOI: 10.1029/2019ef001316 http://dx.doi.org/10.1029/2019ef001316 ] Sensitivity of global pasturelands to climate variation Sun B L , Ma L , Feng Q , Liu T X , Liang L T , Li H Y , Zhou Y and Liu Y . 2019 . Response of the warming hiatus to changing influences over the Inner Mongolia Autonomous Region . China Environmental Science , 39 ( 5 ): 2131 - 2142 [ DOI: 10.1002/met.1937 http://dx.doi.org/10.1002/met.1937 ] Response of the warming hiatus to changing influences over the Inner Mongolia Autonomous Region Sun H ， Zhou B C ， Li H and Ruan L . 2021 . A primary study on downscaling microwave soil moisture with MOD16 and SMAP . National Remote Sensing Bulletin ， 25 （ 3 ）： 776 - 790 A primary study on downscaling microwave soil moisture with MOD16 and SMAP 孙灏 , 周柏池 , 李欢 , 阮琳 . 2021 . 耦合MOD16和SMAP的微波土壤湿度降尺度研究 . 遥感学报 , 25 （ 3 ）: 776 - 790 [ DOI: 10.11834/jrs.20209253 http://dx.doi.org/10.11834/jrs.20209253 ] 耦合MOD16和SMAP的微波土壤湿度降尺度研究 Tan C P , Yang J P and Li M . 2015 . Temporal-spatial variation of drought indicated by SPI and SPEI in Ningxia Hui autonomous region, China . Atmosphere , 6 ( 10 ): 1399 - 1421 [ DOI: 10.3390/atmos6101399 http://dx.doi.org/10.3390/atmos6101399 ] Temporal-spatial variation of drought indicated by SPI and SPEI in Ningxia Hui autonomous region, China Tong S Q , Lai Q , Zhang J Q , Bao Y H , Lusi A , Ma Q Y , Li X Q and Zhang F . 2018 . Spatiotemporal drought variability on the Mongolian Plateau from 1980 — 2014 based on the SPEI-PM, intensity analysis and Hurst exponent. Science of the Total Environment , 615 : 1557 - 1565 [ DOI: 10.1016/j.scitotenv.2017.09.121 http://dx.doi.org/10.1016/j.scitotenv.2017.09.121 ] Spatiotemporal drought variability on the Mongolian Plateau from Van Der Schrier G , Barichivich J , Briffa K R and Jones P D . 2013 . A scPDSI-based global data set of dry and wet spells for 1901 — 2009 . Journal of Geophysical Research : Atmospheres , 118 ( 10 ): 4025 - 4048 [ DOI: 10.1002/jgrd.50355 http://dx.doi.org/10.1002/jgrd.50355 ] A scPDSI-based global data set of dry and wet spells for Van Der Schrier G , Jones P D and Briffa K R . 2011 . The sensitivity of the PDSI to the Thornthwaite and Penman-Monteith parameterizations for potential evapotranspiration . Journal of Geophysical Research : Atmospheres , 116 ( D3 ): 1 - 16 [ DOI: 10.1029/2010jd015001 http://dx.doi.org/10.1029/2010jd015001 ] The sensitivity of the PDSI to the Thornthwaite and Penman-Monteith parameterizations for potential evapotranspiration Vicente-Serrano S M , Beguería S , Lorenzo-Lacruz J , Camarero J J , López-Moreno J I , Azorin-Molina C , Revuelto J , Morán-Tejeda E and Sanchez-Lorenzo A . 2012 . Performance of drought indices for ecological, agricultural, and hydrological applications . Earth Interactions , 16 ( 10 ): 1 - 27 [ DOI: 10.1175/2012ei000434.1 http://dx.doi.org/10.1175/2012ei000434.1 ] Performance of drought indices for ecological, agricultural, and hydrological applications Wang X W , Liu M and Liu L . 2014 . Responses of MODIS spectral indices to typical drought events from 2000 to 2012 in Southwest China . Journal of Remote Sensing , 18 ( 2 ): 432 - 452 Responses of MODIS spectral indices to typical drought events from 2000 to 2012 in Southwest China 王先伟 , 刘梅 , 柳林 . 2014 . MODIS光谱指数在中国西南干旱监测中的应用 . 遥感学报 , 18 ( 2 ): 432 - 452 [ DOI: 10.11834/jrs.20143023 http://dx.doi.org/10.11834/jrs.20143023 ] MODIS光谱指数在中国西南干旱监测中的应用 Wang X H , Piao S L , Ciais P , Li J S , Friedlingstein P , Koven C and Chen A P . 2011 . Spring temperature change and its implication in the change of vegetation growth in North America from 1982 to 2006 . Proceedings of the National Academy of Sciences of the United States of America , 108 ( 4 ): 1240 - 1245 [ DOI: 10.1073/pnas.1014425108 http://dx.doi.org/10.1073/pnas.1014425108 ] Spring temperature change and its implication in the change of vegetation growth in North America from 1982 to 2006 Yang S C and Yang H S . 2019 . Drought evolution and vegetation response in Inner Mongolia from 1982 to 2013 . Journal of Natural Disasters , 28 ( 1 ): 175 - 183 Drought evolution and vegetation response in Inner Mongolia from 1982 to 2013 杨舒畅 , 杨恒山 . 2019 . 1982—2013年内蒙古地区干旱变化及植被响应 . 自然灾害学报 , 28 ( 1 ): 175 - 183 [ DOI: 10.13577/j.jnd.2019.0121 http://dx.doi.org/10.13577/j.jnd.2019.0121 ] 1982—2013年内蒙古地区干旱变化及植被响应 Yao J Q , Zhao Y , Chen Y N , Yu X J and Zhang R B . 2018 . Multi-scale assessments of droughts: a case study in Xinjiang, China . Science of the Total Environment , 630 : 444 - 452 [ DOI: 10.1016/j.scitotenv.2018.02.200 http://dx.doi.org/10.1016/j.scitotenv.2018.02.200 ] Multi-scale assessments of droughts: a case study in Xinjiang, China Zhang L , Xiao J F , Zhou Y , Zheng Y , Li J and Xiao H . 2016 . Drought events and their effects on vegetation productivity in China . Ecosphere , 7 ( 12 ): 1 - 20 [ DOI: 10.1002/ecs2.1591 http://dx.doi.org/10.1002/ecs2.1591 ] Drought events and their effects on vegetation productivity in China Zhao W , Hu Z M , Guo Q , Wu G N , Chen R R and Li S G . 2020 . Contributions of climatic factors to interannual variability of the vegetation index in Northern China Grasslands . Journal of Climate , 33 ( 1 ): 175 - 183 [ DOI: 10.1175/jcli-d-18-0587.1 http://dx.doi.org/10.1175/jcli-d-18-0587.1 ] Contributions of climatic factors to interannual variability of the vegetation index in Northern China Grasslands 10.11834/jrs.20220433 P2 1007-4619（2022）12-2629-13 底凯，胡中民，郝珖存，曹若臣，梁敏琪，韩道瑞，吴戈男.2022.近40年（1982年—2018年）中国草原区干湿变化趋势分析.遥感学报，26（12）： 2629-2641 底凯，胡中民，郝珖存，曹若臣，梁敏琪，韩道瑞，吴戈男.2022.近40年（1982年—2018年）中国草原区干湿变化趋势分析.遥感学报，26（12）： 2629-2641 Di K，Hu Z M，Hao G C，Cao R C，Liang M Q，Han D R and Wu G N. 2022. Spatial and temporal variation characteristics of the drought index in China grasslands in the recent 40 years （1982—2018）. National Remote Sensing Bulletin， 26（12）：2629-2641 Di K，Hu Z M，Hao G C，Cao R C，Liang M Q，Han D R and Wu G N. 2022. Spatial and temporal variation characteristics of the drought index in China grasslands in the recent 40 years （1982—2018）. National Remote Sensing Bulletin， 26（12）：2629-2641 国家重点研发计划（编号：2017YFA0604801）；国家自然科学基金（编号：31922053， 32001142） Supported by National Key Research and Development Program of China (No. 2017YFA0604801) ; National Natural Science Foundation of China (No. 31922053, 32001142) 2020-09-29 2022-12-07 2023-02-28 2021-03-29 遥感学报 12 26