降水是控制生态系统结构与功能动态变化, 影响生态系统生物多样性的关键因素^[1]。在干旱半干旱区, 降水对植被的生长起着尤为重要的作用。植被作为生态环境变化的指示器, 是干旱半干旱区生态系统最活跃、最重要的组成部分之一。植被降水利用效率(Precipitation use efficiency, PUE)被定义为植被净初级生产力(Net primary productivity, NPP)与降水量的比值, 反映了植被利用水分将营养物质转化为生物量的能力, 能够反映当地生态环境的变化^[1]。研究PUE时空特征及其变化的驱动因素可为植被退化监测、气候变化风险预警奠定基础, 并为减缓植被退化、改善干旱区生态环境提供参考, 是气候变化对干旱半干旱区生态系统影响研究的重要议题^[2]。

对于干旱半干旱地区植被降水利用效率的相关研究, 近年来国内外学者^[1—13]大致从两个方面来进行: 植被PUE的时空特征及其变化的驱动因素；不同植被类型PUE的差异研究。对于植被PUE的变化趋势分析, 有研究认为中国干旱区自然植被的PUE呈衰减趋势^[3—4], 相反, 在其他研究中^[5—6]中国干旱区自然植被PUE却整体表现出增大趋势。可见由于研究所选取的空间尺度的差异, 得到的结论并不统一。对于PUE变化的驱动因子研究, 先前的结果表明, 在一定空间内植被的PUE会随降水等自然因素的变化而变化^[1], 目前对于驱动植被PUE变化的影响因素研究主要集中在干旱程度、潜在蒸散量、降水、气温等因素上。研究表明, 在一定空间内随着干旱程度和潜在蒸散量的增加会导致植被PUE呈降低趋势^[7]。通常认为, 对生态系统而言, 随着降水量的增加, PUE呈下降趋势^{[1, 7]}。但是基于实测数据研究^[2]和通过模拟相关性分析^[3]的研究发现中国干旱区自然植被PUE与年降水呈正相关。事实上, 沿一定的降水梯度, 植被PUE呈先上升后下降的趋势, 且在一定的降水量会达到峰值^[8], 两者相关性不会一直呈正相关或负相关。而对于气温因子的研究, 一般认为PUE对降水的响应敏感性强于气温^[5], PUE年际波动与降水呈强相关, 与气温则无明显相关性^[6]；其他研究则表明气温与植被PUE呈负相关^[9]。由于区域实测数据和气象数据的缺乏、误差等原因, 以上研究在选取研究区域、分析气象因子对植被PUE的影响时, 可能受到了不同程度的限制, 从而在得出相关结论时存在差异。

通常来说, 不同植被除了气候变化外, 也会因自身群落结构差异、地形等因素造成植被PUE的差异^[1], 同时地形变化也可能会影响气候因子对植被PUE的作用能力。一般认为, 在海拔高度相同时, 各植被类型PUE均值大小会有较大差异, 导致此现象的原因是植被自身结构的影响^[9]。研究表明, 海拔高度越高时, 植被的PUE越低^[9], 但也有研究认为植被PUE的分布随着海拔的不断升高, 呈现先升高后降低的变化趋势^[10], 可见当前研究关于海拔对植被PUE影响的意见尚不统一, 且缺少因地形变化导致的气候因子对植被PUE的影响分析。近年来在中国干旱半干旱地区的人类活动越来越剧烈也造成了土地利用格局的变化^[11], 甚至导致了土地荒漠化等问题^[12], 导致受影响植被的生产能力下降。然而, 基于遥感数据和模型估算的, 针对地形和不同土地利用类型对中国干旱半干旱地区植被PUE影响分析的研究还较少, 有待于进一步完善。

中国干旱半干旱区是对气候变化非常敏感的区域^[13], 在我国生态安全、资源保护方面占据着极其重要的地位。当前全球气候变化、人为活动造成的土地利用格局变化, 在深刻影响着陆地植被, 尤其是干旱半干旱区植被的生长变化。目前对于中国干旱半干旱区的长时序植被PUE时空特征及其驱动因子的研究和探讨较少。本研究以中国干旱半干旱区为研究对象, 结合遥感影像数据和降水、温度、地形等数据, 解析植被降水利用效率在2000—2020年的时空分布格局, 识别降水及温度因子的变化以及不同土地利用类型下植被类型和不同地形对植被降水利用效率的影响及调控作用, 有利于深化对中国干旱半干旱地区植被降水利用效率的认识, 为全球变化背景下干旱、半干旱区生态系统保护、植被恢复与生态可持续提供科学依据。

1 数据准备与研究方法 1.1 研究区概况

研究区(图 1)为中国干旱半干旱地区(73°33′E—124°30′E, 31°58′N—50°1′N), 该区域包括新疆、青海、甘肃、宁夏全境和陕西秦岭以北、内蒙古西部以及山西西部地区, 约占中国陆地国土面积的53%。本文干旱半干旱区范围根据多年平均干旱指数(降水量与潜在蒸散量的比值, Aridity Index, AI)界定。干旱区通常依据干旱指数分为四个梯度: 干旱半湿润区(0.5＜AI≤0.65)、半干旱区(0.2＜AI≤0.5)、干旱区(0.05＜AI≤0.2)、极端干旱区(AI≤0.05)^[14], 本文选取干旱指数处于0-0.5之间的区域作为研究区。研究区以温带大陆性气候为主, 年平均降水量呈从东南向西北递减的特征, 年平均气温呈西南低北部高的特征(图 2)。该区域年均降水量为210.39 mm, 年均温为4.65℃。土地利用类型主要以草原和荒漠为主, 植被类型多为旱生丛生禾草、旱生和超旱生小半灌木及灌木。

1.2 数据来源与预处理

本研究所采用数据如表 1所示, 其中降水数据集采用中国逐月降水量数据, 气温数据集为中国逐月温度数据^[15—18]。土地利用类型数据来源于中国土地覆盖数据集产品(China Land Cover Dataset, CLCD)。本研究所用2000—2020年LAI(Leaf Area Index)和NPP数据来自北京师范大学生产的GLASS-LAI和GLASS-NPP数据集^[19], FPAR和FVC数据是由GLASS-LAI数据利用植被冠层辐射传输模型计算得到^[20—21]。GLASS数据集是目前全世界时间跨度最长的全球地表特征产品之一, 是基于多源遥感数据和地面实测数据, 反演得到的高精度的全球地表遥感产品。数据空间分辨率为500 m, 时间分辨率为8 d。中国海拔高度(DEM)空间分布数据来源于美国奋进号航天飞机的雷达地形测绘SRTM(Shuttle Radar Topography Mission, SRTM)数据。本研究运用Matlab平台对上述数据进行批量拼接、投影转换、裁剪、重采样等预处理, 利用最大值合成法将NPP合成为年度数据, 并利用累计求和的方法将降水和气温数据合成为年度数据, 再利用最邻近法将NPP、土地利用类型数据、叶面积指数数据重采样为1000 m分辨率。

1.3 研究方法 1.3.1 植被NPP模型与估算

本研究采用MuSyQ-NPP^[22](Multi-source data Synergized Quantitative remote sensing production system-Net Primary Productivity)模型估算植被NPP。MuSyQ-NPP中将GPP的形成与自养呼吸过程看作两个相对独立的过程。其中GPP通过光能利用率模型来进行计算, 主要取决于植被的光合有效辐射和光能利用率。GPP中扣除自养呼吸的部分即为NPP, 计算公式如下:

(1)

(2)

式中, ε_g为植被最大光能利用率, 本研究ε_g取值参考MODIS NPP算法取值^[22—23]；PAR为光合有效辐射。FPAR为植物吸收的光合有效辐射比例, 是植被冠层吸收的PAR占入射PAR的比例；f₁(T)为依据CASA模型^[24]计算公式得出的温度胁迫因子；f₂(β)为通过地表实际蒸散量与潜在蒸散量的比值求得的水分胁迫因子, 实际蒸散量采用Penman-Monteith公式, 利用FVC、LAI及比湿数据进行计算, 潜在蒸散则采用Priestley-Taylor方程^[22]计算；自养呼吸R_a计算公式^[25]如下:

(3)

(4)

(5)

式中, R_m为维持呼吸, R_g为生长呼吸。i代表植被的根、茎、叶三部分。M_i为植被i部分参与呼吸的生物量, r_{m, i}为植被第i部分的维持呼吸系数, Q_{10, i}为植被i部分的温度敏感因子, T_b为基温, T为平均温度。其中γ为生长呼吸系数, R_g与温度无关, 与总初级生产力成一定的比例关系^[25]。

1.3.2 PUE计算

PUE为年净初级生产力(NPP)与年降水量的比值:

(6)

式中, NPP、PPT为年植被净初级生产力(g C m^-2 a^-1)和年降水量(mm)。

1.3.3 Pearson相关系数

本研究运用Pearson相关系数表征降水和气温与PUE的相关性, 该系数在植被与气候变化响应的研究中应用广泛^[26—28]。本研究基于MATLAB R2022a软件平台进行编程, 从而实现逐像元相关系数的计算, 其中Pearson相关系数计算公式如下:

(7)

式中, n为总的年数, x_i和y_i分别表示第i年的气候因子(降水、气温)和植被物理量, x和y分别为气象因子和植被物理量的均值, r_{x, y}表征x与y的相关系数。通过P＜0.1的相关性结果可以通过显著性检验。本研究采取的相关系数r判断标准如表 2所示^[29]:

1.3.4 Theil-Sen meidan与Mann-Kendall趋势分析

Theil Sen median与Mann-Kendall趋势分析法是目前基于植被长时间序列趋势分析判断的一种非参数统计的有效计算方法^[30—32]。本研究采用Theil Sen median与Mann-Kendall趋势分析法分析植被降水利用效率的时间变化趋势。时间序列数据趋势的计算如下:

(8)

式中, β为时间序列数据趋势性大小的计算值；x_i和x_j为时间序列数据中年份i和j所对应的数值^[20—22]。

(9)

(10)

(11)

sgn(x_j-x_i)是符号函数, 检验统计量S是由公式(9)计算得出, 当n＜10时, 若S＞0, 认为序列存在上升趋势；S=0时, 无趋势；S＜0认为序列存在下降趋势。当n≥10时, 统计量S大致服从正态分布, Var(S)是S统计量的方差, 其计算见公式(10), 检验统计量Z由公式(11)计算。

Man-Kendall非参数检验法计算统计量Z:

(12)

式中, 对于序列X_t=(x₁, x₂, …, x_n), , 先确定所有对偶值(x_i, x_j, j＞i)中x_i与x_j的大小关系(设为S),

本研究将Theil-Sen median趋势分析结果和Mann-Kendall检验结果进行叠加, 得到PUE变化趋势数据, 并将结果划分为如表 3中的5种变化类型:

2 结果分析 2.1 NPP与PUE空间分布特征

中国干旱半干旱区植被NPP的空间分布格局总体上为东南向西北递减, 其中西北部新疆天山、阿尔泰山地区NPP较高。PUE具有明显的空间异质性^[1](图 3), PUE高值区域主要分布在内蒙古高原东部、塔里木河沿河区域、天山、阿尔泰山附近, 空间分布格局总体表现出NPP高则PUE高的规律(图 3)。

根据PUE的计算结果, 2000—2020年中国干旱半干旱区平均PUE为0.41 g C m^-2 mm^-1 a^-1。图 3表明, 祁连山脉东部、天山、阿尔泰山、昆仑山西段PUE大多高于2.0 g C m^-2 mm^-1 a^-1；内蒙古地区东部、黄土高原PUE多处于0.5—2.0 g C m^-2 mm^-1 a^-1范围；研究区中西部塔里木盆地、吐鲁番盆地、准噶尔盆地、柴达木盆地, 内蒙古高原西部和青藏高原西北部大部分区域PUE总体小于0.5 g C m^-2 mm^-1 a^-1。

2.2 植被PUE时间变化特征与趋势

图 4表明, 2000—2020年研究区内PUE平均值整体上呈现波动上升趋势, 上升速率为0.004 g C m^-2 mm^-1 a^-1, 多年的平均值为0.415 g C m^-2 mm^-1 a^-1, 其中最大值出现在2020年, 达到0.479 g C m^-2 mm^-1 a^-1, 最小值出现在2003年, 为0.325 g C m^-2 mm^-1 a^-1。

将PUE变化趋势根据以往研究经验和研究区S_PUE的实际情况, 按照PUE趋势变化分类表(表 3)划分为显著增加、轻微增加、稳定不变、轻微减少、明显减少等5个等级^[33]。如图 5所示, 明显增加和轻微增加集中在黄河流域上游地区和黄土高原附近, 分别占研究区面积的12.24%和26.36%；稳定不变趋势占研究区面积的44.47%, 主要分布在塔里木盆地、内蒙古高原中西部和柴达木盆地；显著减少和轻微减少区域主要集中在内蒙古高原东部和华北平原北部, 分别占研究区面积的1.81%和15.12%。

2.3 植被PUE与气候变化的关联

以2000—2020年中国干旱半干旱区PUE与年降水量、年平均气温进行Pearson相关性分析, 识别植被PUE与气候因子的关联程度(图 6)。相关分析显示, 气温与PUE的相关系数介于在-0.87—0.89间, 降水与PUE的相关系数介于-0.98—0.77区间内, 气温、降水同PUE间的相关系数的平均值分别为0.08和-0.18。气温与PUE间呈现显著相关(P＜0.1)的区域占总面积的64.18%, 降水与PUE间呈现显著相关(P＜0.1)的区域占总面积的82.22%。

2.4 气候变化背景下植被PUE的影响因素 2.4.1 土地利用对植被PUE的影响

在全球气候变化背景下, 气候因子是影响植被PUE的重要因素^[1]。由表 4可知, 不同土地利用类型植被的2000—2020年平均PUE差异较大, 植被PUE均值范围0.41—1.22 g C m^-2 mm^-1 a^-1。其中林地平均PUE最高, 达到1.22 g C m^-2 mm^-1 a^-1, 植被PUE由小到大依次为: 草地＜湿地＜灌木＜耕地＜林地。

总体来看, 中国干旱半干旱区不同土地利用类型年均PUE变化的差异显著(图 7)。耕地、灌木、湿地、建设用地的植被PUE呈现上升趋势, 其余土地利用类型的植被PUE维持不变。林地和耕地年平均PUE在所有土地类型中均大于1.00 g C m^-2 mm^-1 a^-1, 林地年平均PUE为1.00—1.40 g C m^-2 mm^-1 a^-1范围内, 维持在1.20 g C m^-2 mm^-1 a^-1左右；耕地年平均PUE为1.00—1.20 g C m^-2 mm^-1 a^-1范围内, 有波动上升的趋势, 在2014年和2020年出现超过林地PUE的现象；灌木年平均PUE在0.80—1.00 g C m^-2 mm^-1 a^-1范围内, 在2008—2020年内变化幅度小, 维持在1.00 g C m^-2 mm^-1 a^-1总体趋向稳定；湿地植被的PUE在2000—2019年处于0.40—0.80 g C m^-2 mm^-1 a^-1, 在2019—2020年增大到1.3 0g C m^-2 mm^-1 a^-1, 变化幅度较大；草地PUE维持在0.60 g C m^-2 mm^-1 a^-1, 波动幅度较稳定。

如表 5所示, 不同土地利用类型的植被PUE与气温均呈正相关, 相关系数范围为0.02—0.23, 正相关强度大小依次为湿地＜草地＜耕地＜灌木＜林地, 不同土地利用类型的植被PUE与降水均呈负相关, 相关系数范围为-0.50—-0.26, 负相关强度大小依次为湿地＜草地＜灌木＜耕地＜林地。

2.4.2 地形对植被PUE的影响

地形是PUE的另一个重要影响因素。不同海拔下的植被PUE, 呈现先减后增再减的趋势(表 6), 在5001m及以上海拔时植被PUE为最小值0.03 g C m^-2 mm^-1, 在3001—4000m海拔时植被PUE达到最大值0.64 g C m^-2 mm^-1。

表 7表明, 不同海拔的植被PUE与气温均呈正相关, 相关系数范围为0.01—0.14, 不同海拔的植被PUE与降水均呈负相关, 相关系数范围为-0.32—-0.01。

总体来看, 不同海拔高度下的植被PUE差别较大(图 8), 其中0—1000 m、2001—3000 m和3001—4000 m三个海拔梯度的植被PUE值较大, 且伴随着较大的波动；而1001—2000 m、4001—5000 m和5001—6928 m三个海拔梯度下植被PUE较小, 波动也相对稳定。

3 讨论 3.1 中国干旱半干旱地区PUE时空特征

中国旱区植被PUE的空间分布具有明显的空间分异。塔里木盆地存在PUE环状高值集中区域, 原因可能是塔里木河流域自然条件相对较好, 又由于干旱地区植物根系发达, 利用下层的土壤水分的能力强^[1], 同时具有低冠层导度, 每消耗单位水量的生产量较高, 因而生态系统的PUE较高^[34]；黄土高原北部PUE稍高, 主要原因是该地区地处内陆, 气候干旱少雨, 但紧邻黄河流域, 植被生产能力受水的促进作用显著, 植被生产量较高^[35], NPP稍高于其他区域, 以致表现出极高的PUE；内蒙古高原地区东部PUE相对较低, 原因是植被NPP增加速率小于降水增加速率^[34], 与欧阳玲^[36]的研究结果相似。

降水、水资源和人为因素是干旱半干旱区影响植被的重要因素, 也会在时间尺度上造成植被PUE的增加或减少。本研究发现内蒙古高原东部存在大面积显著减少区域和轻微减少区域, 其原因可能是由于受人类放牧活动和气候变化等多重因素影响, 使该区域损失草地面积远大于恢复面积^[36]；祁连山西部出现集中连片的PUE显著减少区域, 原因是该区域内大量的农田灌溉挤占了有限的生态用水^[37], 加剧了该地区水源紧张, 随着水资源的减少, 导致该地区荒漠植被趋于旱化类型, 湿生、中生植物减少^[38], 从而导致该地区植被PUE呈现显著减少的趋势；此外, 伊犁河谷也出现了PUE轻微减少的破碎区域, 过度放牧、乱砍滥伐等人类活动造成的植被破坏也是PUE变化的重要驱动因素^[39], 牲畜存栏的快速增长以及由此而产生的长期过度放牧是导致伊犁河谷草地减少持续加剧的主要原因^[39—41]；华北平原北部PUE呈现显著下降趋势则是由于近年来该区域城市化进程的加快, 人类影响的土地利用快速扩张是致使植被NPP损失的重要原因, 所以PUE呈现显著下降趋势^[42]；塔里木盆地、内蒙古高原中西部和柴达木盆地为稳定不变区域, 原因可能是该区域具有大面积的荒漠地区以及稀少的降水量^[43—45], 气候条件稳定, 植被的类型以及生长状况基本不变^[4]；天山北坡地区、准噶尔盆地、青藏高原北部、黄河流域上游地区和黄土高原呈现PUE增加趋势, 原因可能是近些年生态修复提高了植被覆盖度有关, 也可能是黄土高原的暖湿化趋势增加了植被生长条件^[46], 同时, 植被恢复工程的实施可以增加植被生长条件, 进而提升植被PUE, 如天山北坡地区随着“退耕还林”等政策和生态工程的实施, 使植被覆盖度呈现增加趋势^[47], 而植被覆盖度增加会促进植被净初级生产力增加^[48], 进而促进PUE的增加。

3.2 气候变化对植被PUE的影响

气候变化是导致植被PUE变化的一大因素。气候变化是首要驱动因子, 而降水和气温是关键的气候驱动因子^[4]。气候因素对植被PUE的影响存在着很强的区域差异性, 同一气候因子对不同地区植被作用程度有着明显的差异^[2]。本研究表明, 气温、降水与植被PUE的相关性为基本无关的区域主要分布于塔里木盆地、内蒙古高原西部地区(图 7), 该区域植被较少, 多为荒漠, 对气温和降水的变化响应不敏感, 因此气候变化对于上述区域植被的影响较小。在植被相对较多的区域, 降水与PUE多呈强负相关, 这与潘换换^[3]和滑永春^[6]等得出的研究结果是一致的。上述现象产生的机制可能是由于中国干旱半干旱地区降水量稀少, 而降水是一定的生态系统内植被生长的主要限制因子, 降水量的增加会在一定程度上提升植被的生产力^[49], 但同时也会增强植被的呼吸作用^[4], 植被NPP反而可能会下降, 进而导致植被PUE的降低。此机制与Bai^[2]等通过实测数据得出的结论类似, 这可能与植被的保水保肥的能力有关, 是由于降水量高使得土壤表面冲刷而带走更多的营养物质, 而高降水量会使得植被生产力相应提高, 呼吸消耗进而增强^[2]。另外还有研究表明, 降水所致的土壤水分可能对植物根系供氧产生抑制^[5], 从而影响到植被生长^[50], 进而降低植被NPP, 从而影响植被的PUE；对于气温因素, 本研究发现, 气温多与植被PUE呈正相关(0.02＜r＜0.23), 这与黄小涛等^[51]对于青海高原植被PUE的研究结果一致, 不过其正相关相对微弱(r=0.15)。上述现象产生的原因可能是气温的升高可能导致光合的增加幅度大于蒸散的增加幅度^[52], 从而提高植被净生产量, 进而使植被PUE提高。

3.3 土地利用和地形对PUE的影响

植被PUE的变化会受到人为土地利用变化的影响^[53]。不同土地利用类型的植被类型差异较大^[1], 是导致不同土地利用类型植被PUE差异以及影响气候因子作用于植被PUE的能力的重要因素之一。对中国干旱半干旱地区的不同土地利用类型植被PUE的分析表明, 林地的植被平均PUE是最大的, 耕地的植被PUE次之, 其次是灌木、湿地和草地的植被PUE, 这与仇洁^[9]对于植被PUE值及其大小顺序的研究结果较为接近, 不同的是上述研究未研究湿地、沼泽等容易受混合像元、插值精度等干扰的土地利用类型植被。林地植被PUE最高的原因可能是部分区域夏季冰雪融水丰富^[54], 且树木根系较深可以汲取地下水, 因而林地植被固定和转化光合产物的效率高, PUE也较大。耕地植被PUE值也较大可能是由于农田化肥的施用或多数农田能够得到灌溉, 由此促进了PUE值相对较高^[55]。一般情况下, 灌木丛生长的土壤表层沙土比例较高, 降水的渗入率也随之增加, 灌木区土壤表层松散的沙土层能使灌木增加对水分的吸收得到提高植被生产率^[34], 这可能是灌木植被PUE相对较高的原因。

关于气温和降水对不同土地利用类型植被PUE的影响, 本研究发现湿地植被PUE是对气温和降水两因子最不敏感的, 正相关和负相关强度均最低(图 5), 原因可能是湿地常年不缺乏水分, 且保水调温、自我调节功能相对较强, 因此外界变化对其内部植被PUE的影响作用相对较小, 这与郭斌等^[56]研究结果相一致。林地植被PUE是对气温和降水两因子最敏感的, 正相关和负相关强度均最高(图 5), 原因可能是林地区域过于干旱, 水分条件是林地植被生长的主要限制条件, 而气温在一定程度上可以提高或缓解干旱程度^[51], 故林地植被的PUE对气温和降水的变化响应相对其他土地利用类型植被来说更敏感。

海拔也是直接影响植被PUE的因素之一^[51—52], 也会间接影响气温、降水对植被PUE的作用能力。海拔的变化深刻地影响着水热组合条件的差异。研究表明, 在海拔高度相同时, 植被PUE受植被类型影响较大^[9]。本研究发现, 不同海拔的植被PUE与气温均呈正相关, 说明在不同海拔影响下, 气温始终对不同土地利用类型植被PUE的影响一致；不同海拔的植被PUE与降水均呈负相关, 说明在不同海拔影响下, 降水始终对不同土地利用类型植被PUE的影响一致。一般来说, 海拔越低, 水热组合条件越好, 随着海拔的升高, PUE应呈现降低趋势。研究发现, 在0—1000 m海拔梯度时, 植被的PUE并不是最大的, 其原因可能是干旱半干旱区植被NPP较低, 该海拔梯度降水量相对较高, 由于降水对植被PUE呈现负相关关系^{[3, 5]}, 所以植被PUE在一定程度上减小了。这与黄小涛^[51]等的研究结果存在差异, 这可能与选择的研究区域之间的差异有关。在海拔梯度2001—3000 m和3001—4000 m时, 植被PUE相对较高且比较接近。该海拔梯度下植被PUE较高的原因可能是因为海拔升高, 降水减少, 由于降水与植被PUE负相关程度增大(表 7), 导致了植被PUE的增大；而PUE比较接近的原因可能是植被类型多样, 植被PUE大小受到植被类型的影响要比海拔高度的影响要大^[9], 这与仇洁^[9]等对青藏高原植被PUE的研究结果相似。

3.4 结果的不确定性与研究展望

本研究计算植被PUE以及探究驱动因素过程中使用了不同空间分辨率的遥感数据, 空间分辨率的差异在一定程度上加大了研究的不确定性；植被PUE的影响因素是复杂的, 本研究侧重于气候因子对植被PUE的影响分析, 其他因素如地形起伏、干旱状况、大规模人类生态工程、人为治理等因素暂未考虑入内；此外, 气候条件对于植被PUE的影响可能存在滞后性, 但是受数据时间分辨率的影响, 暂难以分析滞后性带来的影响。

未来可以考虑基于时空分辨率更高的数据开展研究, 以便进一步探究植被物候变化与气候变化的关联对植被PUE的影响, 识别气候条件对植被PUE影响的滞后性与累积效应。此外, 还可以考虑将干旱状况和人类活动纳入到驱动因素分析中, 从而为气候变化和人类活动背景下的植被保护与利用提供更多的依据。

4 结论

本研究计算了中国干旱半干旱区的植被降水利用效率, 探讨了该区域植被降水利用效率的时空特征及其气候驱动因素。研究发现2000—2020年中国干旱半干旱区植被平均PUE为0.415 g C m^-2 mm^-1 a^-1, 植被PUE的空间分布总体上为东南向西北递减。植被PUE年际变化整体呈现波动上升趋势, 上升速率为0.004 g C m^-2 mm^-1 a^-1。各土地利用类型植被间的PUE差异较大, 植被PUE从小到大的顺序为: 草地＜湿地＜灌木＜耕地＜林地, 不同土地利用类型的植被PUE在时间变化趋势上存在差异。在中国干旱半干旱区的植被分布区, 气温和降水显著影响植被PUE。气温升高主要对植被PUE起不同程度的促进作用。降水增多会抑制中国干旱半干旱区绝大多数植被的PUE。植被较少的区域, 植被PUE与气温、降水两气候因子基本无关。随着海拔的升高, 植被PUE呈现出先减后增再减的趋势。海拔的变化不会影响气温、降水对植被PUE的影响方向, 但随着海拔的上升, 植被PUE与气候因子的相关性整体呈减弱趋势。研究结果可为中国干旱半干旱地区生态保护、恢复以及可持续利用提供科学参考。