中国元江干热河谷区干旱时空变化特征及驱动力分析：基于TVDI的实证研究

本文基于温度植被干旱指数（TVDI）系统分析了2000–2020年中国元江干热河谷区干旱的时空演变规律，结合Theil–Sen趋势分析、M–K检验、稳定性分析、Hurst指数及地理探测器等方法，揭示了该区域整体呈中度干旱但缓慢缓解的趋势（年递减率0.0011），并识别出潜在蒸散（PET）为最关键驱动因子（q=0.3768）。研究为干热河谷生态脆弱区的干旱监测预警与防灾减灾提供了科学依据。

　　

1 引言

干旱作为一种由持续降水短缺引起的气象灾害，会导致土壤退化、荒漠化、水资源短缺、植被死亡等一系列灾害现象。与洪水和飓风等极端气象灾害相比，干旱具有持续时间长、影响范围广和危害形式多样等特点，对农业发展、生态环境保护和人类生存环境构成严重威胁，特别是在生态结构单一、恢复能力弱的干旱和半干旱地区。政府间气候变化专门委员会（IPCC）第六次评估报告（AR6）指出，到本世纪中叶，全球气温上升将达到至少1.5°C。在全球变暖的背景下，干旱灾害的可能性、严重性和频率将显著增加。据统计，干旱灾害占中国自然灾害的40%以上，是我国最显著的自然灾害之一。中国西南地区的干热河谷是重要的生态功能区和典型的生态脆弱区。由于特殊气候和复杂地理环境的共同影响，干热河谷的水土流失和生态系统退化严重，长期制约着该地区的可持续发展。近年来，干热河谷地区干旱频率和强度的增加导致了水资源短缺、植被退化和生物多样性下降等问题，威胁着当地的农业、生态环境和经济。因此，监测干旱状况并研究其空间分布模式，对于了解干旱趋势变化、合理配置水资源、恢复生态环境、灾害预警以及促进区域可持续发展以推动有效经济增长具有重要意义。

目前，干旱监测主要分为两类：基于地面站点的监测和遥感监测。地面站点监测依赖于气象站提供的降水、蒸发、温度和湿度等关键气象要素，构建标准化降水蒸散指数（SPEI）、标准化降水指数（SPI）和帕尔默干旱严重程度指数（PDSI）等指标。这些指标通过对长期气象数据的标准化处理，能够反映区域干旱的发生、发展和强度。然而，传统的地面站点监测数据也面临着不可避免的挑战，例如监测站分布不均以及单点数据无法准确代表周围大面积区域的情况。近年来，随着遥感技术的快速发展，基于多源遥感影像的干旱指数已被应用于土壤湿度状况和干旱特征的研究。这些方法有效解决了站点覆盖不足的限制，已成为大中尺度、多时间尺度动态干旱监测的重要工具。遥感数据克服了使用单一方法进行土壤湿度监测的限制以及地面站点数据的空间覆盖和时间性限制。利用地表温度（LST）和归一化植被指数（NDVI）的特征空间构建的温度植被干旱指数（TVDI）能够更好地反映表层土壤湿度状况。它已被证明是一种高效的干旱监测方法，并广泛应用于不同的气候带和生态系统。

TVDI具有精度高、易于实现的优点，因此在干旱监测研究中得到了广泛的应用和验证。TVDI在国内外干旱监测应用中表现出显著的有效性，成为全球干旱防灾减灾工作中不可或缺的工具，已在世界范围内被广泛用于干旱监测。中国干热河谷地区的干旱研究已初步开展。先前的研究利用TVDI调查了金沙江下游干热河谷地区干旱的时空变化，证明了其在该地区准确表征干旱条件的能力。此外，一些学者通过改进的神经网络模型反演土壤湿度，在评估干热河谷地区干旱状况方面取得了一定进展。然而，目前对独特干热河谷地区干旱变化及其原因的研究仍然相对有限。本研究以中国元江干热河谷地区为例，利用遥感数据、气象数据、地形数据、植被覆盖度和蒸散数据，以及人口密度和夜间灯光数据等多源数据，采用Theil–Sen趋势分析、Mann–Kendall趋势检验、稳定性分析和地理探测器等方法，深入分析了2000年至2020年间的时空干旱变化。此外，该研究系统地探讨了潜在的干旱诱发因素。本研究的目标是：（1）探测2000年至2020年中国元江干热河谷地区干旱的时空动态趋势；（2）确定影响中国元江干热河谷地区干旱变化的主导因素。本研究旨在为全球气候变化背景下典型干热河谷地区的干旱灾害防治和风险控制提供科学依据。

2 材料与方法

2.1 研究区概况

元江干热河谷地区位于中国云南省中南部，红河中上游，属于亚热带低纬高原季风气候，主要以深切河谷为主，地势陡峭，海拔变化显著，范围在174至2735米之间。它是中国最集中、最连续的典型干热河谷地区。该地区年平均气温为20°C–24°C，降水量在500至800毫米之间，蒸发量达到2892毫米。超过80%的降水集中在5月至10月之间，而旱季（11月至4月）干旱条件显著。至关重要的是，蒸发量显著超过降水量（干燥指数>3.0），表征了该环境的超干旱性质。土壤分布表现出垂直地带性特征。沿山坡从低到高海拔，土壤类型依次分布为：燥红土、赤红壤、红壤和黄棕壤。分布面积也遵循垂直模式。分布最广的土壤类型是燥红土，主要位于易受侵蚀的河谷斜坡上。其次是赤红壤，分布于河谷内，而红壤和其他类型相对较少。元江干热河谷地区由于其独特的地理位置和气候条件，被公认为中国西南典型的生态脆弱带。自然植被主要以稀树灌木草原和多汁荆棘灌木草原为特征。群落以耐旱草本植物为主，间有灌木和散生的小树，优势种包括余甘子、清香木、虾子花、厚皮树、霸王鞭和扭黄茅等。

2.2 数据来源与预处理

本研究使用的MOD11A2和MOD13Q1数据从美国国家航空航天局（NASA）地球数据搜索门户的LAADS DAAC（Level–1和大气档案与分发系统分布式活动存档中心）获取，覆盖时间从2000年到2020年。LST MOD11A2数据是8天合成产品，空间分辨率为1公里。MOD13Q1 NDVI数据是16天合成产品，空间分辨率为250米。使用Modis重投影工具（MRT）对图像进行解码、重投影和重新格式化。投影从正弦投影转换为WGS84/Albers等面积圆锥投影，原始HDF格式重新格式化为GeoTIFF。通过最近邻分配法将MOD13Q1数据（250米）重采样至1公里，以匹配LST MOD11A2数据。通过重投影、重采样和最大值合成（MVC）技术，NDVI和LST数据集被处理为统一的16天时间分辨率和1公里空间分辨率。

研究区的数字高程模型（DEM）数据来自地理空间数据云。1公里分辨率的年平均温度数据集、1公里分辨率的年降水数据集、250米分辨率的年植被覆盖度数据集和潜在蒸散数据来源于国家青藏高原科学数据中心。1公里分辨率的人口空间分布数据来自LandScan数据集。夜间灯光数据和土地利用/土地覆盖（LULC）数据来源于中国科学院资源环境科学数据中心。

2.3 研究方法

2.3.1 TVDI模型

本研究应用TVDI模型对遥感数据进行反演处理。基于NDVI–LST散点图中观察到的三角形分布模式，揭示了LST与NDVI之间存在显著的负相关关系。随着植被覆盖度的增加，蒸腾作用降低地表温度，从而提出了TVDI。TVDI由植被指数和地表温度计算得出，公式如下：

TVDI = (t_s - t_smin) / (t_smax - t_smin)

其中t_s是地表温度值（°C），t_smin是相同植被覆盖条件下所有栅格值中的最小地表温度值，t_smax是相同植被覆盖条件下所有栅格值中的最大地表温度值。对植被指数进行线性拟合，得到特征空间中的干边方程和湿边方程：

t_smax = a₁ + b₁ × NDVI

t_smin = a₂ + b₂ × NDVI

其中，a₁和b₁是湿边方程的系数，a₂和b₂是干边方程的系数。TVDI的取值范围为（-1, 1），反映了表层土壤的水分状况。TVDI值增加表明土壤湿度减少，地区干旱条件加剧；而TVDI值减少则表示土壤湿度较高，条件较湿润。值越接近1表示土壤干旱越严重，而值越接近0表示土壤湿度越高。基于先前的研究和研究区的当前条件，将TVDI分为五个等级。

2.3.2 趋势分析

本研究采用Theil–Sen趋势分析方法来分析2000年至2020年元江干热河谷地区TVDI的变化趋势。使用Mann–Kendall（M–K）检验评估TVDI变化趋势的显著性。这两种方法的结合应用可以有效减少异常值对TVDI趋势分析的影响。具体方法如下所示。

Slope = median((x_i - x_j) / (i - j)), 对于所有 i > j

其中x_i和x_j分别是时间i和j的NDVI值。median是中位数函数。斜率为负值表示NDVI呈负趋势，斜率为正值表示研究期内NDVI呈正趋势。

Mann–Kendall检验用于检验变化趋势的显著性。将斜率与M–K检验结果结合进行综合分析。为了进一步分析TVDI变化的趋势，采用Mann–Kendall显著性检验，使用以下公式确定时间序列中的时间趋势是否具有统计显著性。

Z = { (S - 1) / √var(S) if S > 0; 0 if S = 0; (S + 1) / √var(S) if S < 0 }

其中S = ∑_i=1^n-1 ∑_j=i+1ⁿ sign(TVDI_j - TVDI_i)

var(S) = [n(n+1)(2n+5)] / 18

sign(TVDI_j - TVDI_i) = { 1 if TVDI_j - TVDI_i > 0; 0 if TVDI_j - TVDI_i = 0; -1 if TVDI_j - TVDI_i < 0 }

在公式中，n代表数据的长度，TVDI_i和TVDI_j分别是年份i和j对应的TVDI时间序列中的TVDI值。在本研究中，Z值大于2.58表示变化趋势极显著，Z值在1.96至2.58之间视为显著，Z值在1.645至1.96之间被归类为 marginally significant，而Z值小于1.645则表明无统计学显著趋势。

在本研究中，通过结合应用Theil–Sen趋势分析和Mann–Kendall趋势检验，将2000年至2020年元江干热河谷地区TVDI的变化分为九类：极显著增加（Slope>0, Z > 2.58, p < 0.01）、显著增加（Slope>0, 1.96 < Z ≤ 2.58, 0.01 < p < 0.05）、轻微显著增加（Slope>0, 1.645 < Z ≤ 1.96, 0.05 < p < 0.1）、不显著增加（Slope>0, Z ≤ 1.645, p > 0.1）、无变化（Slope = 0）、不显著减少（Slope<0, Z ≤ 1.645, p > 0.1）、轻微显著减少（Slope<0, 1.645 < Z ≤ 1.96, 0.05 < p < 0.1）、显著减少（Slope<0, 1.96 < Z ≤ 2.58, 0.01 < p < 0.05）和极显著减少（Slope>0, Z > 2.58, p < 0.01）。

2.3.3 稳定性分析

变异系数（CV）定义为数据集的标准差与均值的比率，用于评估时间序列数据的稳定性和波动性。在本研究中，我们使用以下公式计算了2000年至2020年元江干热河谷地区的CV，以评估其时间稳定性：

CV = σ / X?

其中σ代表TVDI的标准差，反映数据的离散程度，而X?代表TVDI的均值，表明其整体水平。较高的CV值表明TVDI数据分布更分散，年际波动更大（即稳定性较低），而较低的CV值意味着TVDI数据分布更集中，年际变化更平滑（即稳定性较高）。

基于自然断点分类法，TVDI变异性分为六类：CV < 0.038为极高稳定性，0.038–0.064为高稳定性，0.064–0.114为较高稳定性，0.114–0.193为中等稳定性，0.193–0.749为较低稳定性。超过0.749的值被归类为低稳定性。

2.3.4 Hurst指数

Hurst指数方法由英国水文学家Hurst提出，并由Mandelbrot和Wallis改进，是一种检测时间序列数据可持续性的方法。Hurst指数是基于重标极差（R/S）分析方法的关键指标，量化时间序列数据的长期记忆性和持续性，从而能够利用长期历史记录预测未来趋势。基本原理如下。

建立一个TVDI时间序列TVDI(τ)，τ = 1, 2, …, n。定义时间序列的均值序列：

TVDI(τ) = (1/τ) ∑_t=1^τ TVDI(τ), τ = 1,2,...,n

计算累积偏差：

X(t,τ) = ∑_u=1^t (TVDI(u) - TVDI(τ)), 1 ≤ t ≤ τ

建立极差序列：

R(τ) = max_1≤t≤τ X(t,τ) - min_1≤t≤τ X(t,τ), τ = 1,2,...,n

建立标准差序列：

S(τ) = [ (1/τ) ∑_t=1^τ (TVDI(t) - TVDI(τ))² ]^1/2, τ = 1,2,...,n

如果存在 R/S ∝ τ^H，这表明TVDI时间序列中存在Hurst现象。Hurst指数（记为H）通过最小二乘拟合定量确定。

Hurst指数（H）范围从0到1，有三种不同的情况。H > 0.5表示时间序列具有持续性。H越接近1，持续性越强。H = 0.5表示时间序列是随机的（不相关的）。H < 0.5表现出反持续性行为。H越接近0，反持续性越强。

2.3.5 地理探测器

地理探测可以分析不同自变量对特定因变量空间分布格局的影响。它包含以下四个探测器：因子探测、交互作用探测、风险探测和生态探测。

1. 1.
   因子探测
   因子探测可以确定检测植被变化空间异质性的效果。X对Y的空间异质性可以表示为q × 100%，数值越大，检测因子对植被变化的影响越大，如下所示：
   q = 1 - [ ∑_h=1^L N_hσ_h² ] / [Nσ²]
   其中h是植被变化或检测因子的层级；N是h类或总区域单元的数量；Y是h类或总区域Y值的变化。σ_h²和σ²分别是h区和整个区域NDVI的方差。q值大表明X对NDVI的空间异质性解释得更好，反之亦然。
2. 2.
   交互作用探测
   交互作用探测用于评估两个因子之间的交互作用。首先分别计算单个因子的q值（q(X1)和q(X2)），然后计算双因子交互的q值（q(X1 ∩ X2)）。通过比较单个因子和双因子交互的q值来定义结果。

选择植被覆盖度、植被蒸散、降水、温度、海拔、坡度、人口密度和夜间灯光来调查影响元江干热地区TVDI变化的决定因素及其解释力。

3 结果

3.1 基于TVDI的干旱时空分布特征

3.1.1 干旱的空间分布特征

过去21年元江干热河谷地区TVDI平均值为0.66，表明整体处于中度干旱状态。干旱的空间分布如图所示，中度干旱区域占比最大，为75.66%，其次是轻度干旱区域，占21.11%。中央河谷地区干旱条件更为严重，而轻度干旱区主要分布在河谷的外围区域，特别是研究区的西北部分和河谷边缘。严重干旱主要集中在干热河谷的中央区域，位于红河州和玉溪市之间的行政边界沿线。

3.1.2 干旱的时间变化趋势

2000年至2020年间，元江干热河谷地区的TVDI在0.49至0.81之间波动，平均值为0.67，表明整体处于中度干旱条件。TVDI的最大值0.81出现在2004年，而最小值0.49出现在2011年。在21年期间，研究区的干旱严重程度呈现逐渐减弱的趋势，TVDI以每年0.0011的速度减少。然而，在特定区间内观察到上升趋势：从2000年到2004年，2005年到2010年，2011年到2014年，以及2017年到2019年，表明干旱条件暂时加剧。变化通常呈现大约5年间隔的周期性模式。

为探究研究区干旱的年内变化，基于遥感影像，将年内TVDI划分为23个时段，时间单位为16天。分别计算并分析了2000年至2020年23个时段数据的平均值。研究区全年主要经历干旱条件，只有6月份保持正常气候状态。该地区从9月到次年5月持续处于中度和重度干旱水平，其中3月至4月呈现严重干旱。从4月下旬开始，TVDI迅速下降，在6月达到最低值，表明干旱条件有所缓解。随后，TVDI开始波动并逐渐上升，在11月初达到峰值，标志着最严重的干旱时期。

3.1.3 2000年至2020年干旱变化趋势的空间分布

通过Theil–Sen估计量和Mann–Kendall显著性检验，在像元尺度上计算了2000年至2020年元江干热河谷地区TVDI趋势的空间分布。在研究期间，TVDI值整体呈现轻微下降趋势，平均斜率为-0.001。64.34%的区域呈现干旱缓解，而35.66%的区域显示干旱加剧。就空间分布而言，从2000年到2020年，元江干热河谷地区的西北部分呈现上升趋势，干旱加剧，而东南部分显示下降趋势，干旱条件缓解。尽管西北地区的TVDI相对较低，但呈上升趋势，表明该地区日益干旱并将持续干燥。基于显著性检验，TVDI的变化呈现以下空间格局：西北大部分地区呈现不显著增加趋势，某些区域显示显著和极显著增加。相反，东南部分主要呈现不显著减少趋势，而东南河谷的中部区域在一些地区呈现显著减少趋势。“不显著减少”的比例最大，为43.66%，其次是“不显著增加”，占26.85%。8.80%的区域显示TVDI显著减少趋势，而3.39%的区域显示显著增加趋势。

基于自然断点分类法，研究区TVDI变异性分为六类：极高稳定性、高稳定性、较高稳定性、中等稳定性、较低稳定性和低稳定性。通过稳定性分析，元江干热河谷地区TVDI趋势的稳定性整体较高。绝大部分区域（65.92%）表现出较高稳定性。中等稳定性在一些中央区域观察到，而极小的区域表现出较低稳定性。高稳定性和极高稳定性主要分布在研究区的外围区域。这些高海拔区域与谷底相比具有优越的水热条件，导致TVDI值高度稳定。因此，这些地区的干旱状况不太可能发生显著变化。

3.1.4 元江干热河谷地区干旱的未来变化趋势

从2000年到2020年，元江干热河谷地区的Hurst指数范围在0.22到0.73之间，平均值为0.44。Hurst指数结果分为四个等级：强反持续性（0 < H ≤ 0.25）、弱反持续性（0.25 < H < 0.5）、随机（H = 0.5）和弱持续性（0.5 < H ≤ 0.75）。弱反持续性占比最大，为79.16%，其次是弱持续性，占20.63%。研究区大部分表现出弱反持续性行为，而一小部分显示弱持续性。反持续性的程度超过持续性，表明该地区TVDI变化存在明显的反向趋势。表现出弱持续性的区域主要分布在严重干旱集中的河谷区域。这些干旱条件预计将持续并在未来恶化。

为探究研究区干旱趋势的持续性，将Theil–Sen趋势分析与Hurst指数分类结果相结合，得出六种不同的情景。研究结果表明，研究区大部分区域的TVDI表现出弱持续性，未来趋势预计大体遵循历史模式。在西北地区，弱持续增加占主导地位，表明未来TVDI将逐渐持续增加，加剧干旱条件。相反，大多数东南地区显示弱持续减少，表明未来干旱持续缓解，生态环境逐步改善。

3.2 元江干热河谷地区TVDI变化的影响因素分析

基于现有关于干旱因子选择的研究，本研究综合考虑了气象、地形和人为因素对研究区干旱动态的影响。对于元江干热河谷地区，我们选择植被覆盖度、蒸散、降水、温度、海拔、坡度、人口密度和夜间灯光作为自变量。该框架能够识别区域干旱模式背后的主要驱动力。通过空间采样提取和地理探测器分析，我们量化了每个因素对整个研究区干旱严重程度时空分布的相对影响。

3.2.1 因子探测

q值衡量给定因子对TVDI的解释力，范围在0到1之间。较高的值表示对TVDI变化的解释力较强，而较低的值表示影响较弱。p值反映因子的显著性，其中低于0.05的值表示具有统计学显著效应。

所选因子对TVDI的影响层次如下：潜在蒸散（PET）> 温度（T）> 降水（PRE）> 海拔（DEM）> 植被覆盖度（FVC）> 夜间灯光（Light）> 国内生产总值（GDP）> 人口密度（POP）> 坡度（S）。自然因子对TVDI的解释力显著高于人为因子。PET、T和PRE的q值分别为0.3768、0.2791和0.2330，构成TVDI的主要驱动因子。DEM和FVC显示出相对较低的解释力，q值分别为0.0765和0.0422。其余因子的解释影响力微乎其微（q值<0.04）。此外，S、POP和Light显示出较高的p值，表明对研究区TVDI的影响在统计上不显著。

3.2.2 生态探测结果

采用生态探测来评估所选因子对研究区TVDI空间分布的影响是否存在显著差异，用于验证因子探测的准确性。研究区生态探测的观测结果显示因子之间存在空间异质性。FVC与PET、PRE与T之间存在显著差异。然而，FVC与其他因子之间未观察到显著差异。降水和温度之间也检测到显著差异。所有其余的生态交互结果均显示无显著差异。结果表明，元江干热河谷地区TVDI的时空变化主要受自然气候变量，即温度、降水和PET的影响。降水、温度和PET通过影响植被覆盖动态来影响TVDI，进一步证实了PET、温度和降水对TVDI格局具有最显著的控制作用。

3.2.3 交互作用探测

分析了研究区TVDI影响因子之间的交互效应。因子间的交互作用表现出两种关系：非线性增强和双变量增强，没有单个因子单独运作。这表明配对因子的联合影响超过单个因子对TVDI的影响。对TVDI变化解释力最强的六种组合是PET ∩ GDP（q = 0.4900）、PET ∩ PRE（q = 0.4212）、PET ∩ DEM（q = 0.4120）、PET ∩ T（q = 0.4105）、PET ∩ FVC（q = 0.4061）和PET ∩ Light（q = 0.4024）。在双变量交互作用中，PET和GDP表现出最强的交互效应，其次是PET与温度、海拔和降水之间的显著交互作用。作为反映区域发展水平的核心经济指标，GDP代表了人类活动。GDP与PET、GDP与温度、GDP与降水之间的交互效应都超过了相应单因子对TVDI的影响。这些结果进一步证实了PET、温度和降水对TVDI的主导影响，同时揭示了人为因子通过调节自然因子施加影响。总的来说，这表明自然和人为因子之间的协同相互作用对TVDI空间分布格局施加了更显著的控制。

4 讨论

本研究基于TVDI分析了元江干热河谷地区干旱变化的特点。从2000年到2020年，TVDI值整体呈现轻微下降趋势，平均斜率为-0.001，且这种变化在统计上不显著。平均Hurst指数（H = 0.44）表明研究区存在弱反持续性。这增加了未来干旱变化趋势的不稳定性。干旱状况的未来变化仍需持续关注。然而，就空间分布格局而言，未来的干旱趋势仍显示出明显的规律性。在西北地区，TVDI预计将逐渐持续增加，表明未来干旱条件恶化。相反，大多数东南地区预计将经历TVDI的持续下降，表明干旱持续缓解，生态环境逐步改善。研究区西北部干旱条件的加剧可能是由于西部哀牢山的影响，具有明显的焚风效应。在封闭的河谷段，高温和强烈的蒸散发生，导致水分过度消耗加上相对较低的降水。地形和气候的共同影响加剧了该地区的干旱条件。相反，东南部分的干旱条件呈现逐渐缓解的趋势。这一趋势与全国TVDI整体下降趋势一致。

与TVDI一样，SPI、SPEI和PDSI指数已被用于干旱监测和评估。SPEI是在SPI基础上考虑降水和温度的潜在蒸散发展而来。基于SPI的干旱分析显示，红河州（研究区南部）的干旱频率普遍较高且加剧，与本研究的发现一致。一些研究人员指出，对于因异常高蒸散而易发生干旱的较暖地区，SPEI是比SPI更好的干旱指标。基于SPEI，从1960年到2020年，云南省在时间和空间变化上都呈现出明显的干旱化趋势。然而，SPI和SPEI的计算依赖于气象站