Spatio-temporal variation of atmospheric vapor pressure deficit in Mt. Qomolangma region from 1981 to 2023

doi:10.11755/j.issn.1006-7639-2024-06-0878

Abstract

Abstract:

As one of the main driving factors of evapotranspiration, the VPD (Vapor Pressure Deficit) reflects the atmospheric capacity to extract water from the surface. Understanding the spatio-temporal variation of VPD is crucial for exploring the response of regional atmospheric dryness and wetness to climate change. Based on data from 11 meteorological stations in the Mt. Qomolangma region of China during 1981-2023, including monthly sunshine duration, average air temperature, maximum and minimum air temperature, precipitation, relative humidity, vapor pressure, and wind speed, this study analyzed the spatio-temporal characteristics and influencing factors of VPD using climate tendency rate, stepwise regression, and the Mann-Kendall test. Results show that the annual and seasonal averages of VPD in the Mt. Qomolangma region generally exhibited lower values in the southwest and higher values in the northeast. Monthly VPD showed a bimodal pattern, with peaks in June and September and a minimum in January. Seasonally, VPD was characterized by higher values in summer, followed by spring, autumn, and the lowest in winter. Over the past 43 years, annual VPD increased at a rate of 0.029 kPa·(10 a)^-1, with the most significant growth observed in summer. On a decadal scale, VPD values were relatively low in the 1980s and 1990s, particularly during the 1990s. In the 2000s, VPD was lower in spring and autumn and higher in summer and winter. The 2010s saw elevated VPD values across all seasons, especially in summer and autumn. Spring and flood season VPD mutations occurred in the late 2000s, while mutations in the other three seasons and annual averages appeared in the early 2010s. Changes in VPD were primarily driven by saturated water vapor pressure, particularly in spring and autumn. The significant increase in VPD was dominated by rising air temperatures across all seasons and annually. Additionally, the decrease in water vapor pressure during the flood season contributed to the VPD increase.

Key words: Mt.Qomolangma, vapor pressure deficit, change trend, inter-decadal change, climate mutation, impact factors

摘要：

作为蒸散的主要驱动因子之一，饱和水汽压差（Vapor Pressure Deficit，VPD）反映了大气从地表获取水分的能力。掌握VPD的时空变化特征对于理解区域大气干湿状态对气候变化的响应具有重要意义。本文利用1981—2023年中国珠穆朗玛峰地区（简称“珠峰地区”）11个气象站逐月日照时数、平均气温、平均最高气温、平均最低气温、降水量、相对湿度、水汽压和平均风速等资料，采用气候倾向率、逐步回归分析和Mann-Kendall检验，分析了近43 a珠峰地区VPD的时空分布特征及影响因子。结果表明，珠峰地区年、季平均VPD总体呈西南低、东北高的分布特征，VPD月变化呈双峰型分布，峰值分别出现在6月、9月，最小值出现在1月；季变化表现为夏季>春季>秋季>冬季。近43 a珠峰地区年平均VPD以0.029 kPa·（10 a）^-1的速率呈上升趋势，夏季增幅最大；20世纪80、90年代VPD相对较低，以90年代最明显；21世纪最初十年，春秋季VPD偏低、夏冬季VPD偏高；21世纪10年代VPD偏高，特别是夏秋两季；春季和汛期VPD的突变发生在21世纪最初十年的后期，而其他3季和年平均VPD的突变发生在21世纪10年代初。珠峰地区VPD的变化主要由饱和水汽压驱动，尤其是春、秋季。四季和年平均气温显著升高是引起VPD显著增加的主导因子，而汛期水汽压的下降也对VPD增大起到重要作用。

关键词: 珠峰, 饱和水汽压差, 变化趋势, 年代际变化, 气候突变, 影响因子

CLC Number:

P467

TENTINWOESER, DU Jun, HUANG Zhicheng, PASANG. Spatio-temporal variation of atmospheric vapor pressure deficit in Mt. Qomolangma region from 1981 to 2023[J]. Journal of Arid Meteorology, 2024, 42(6): 878-888.

旦增维色, 杜军, 黄志诚, 巴桑. 1981—2023年珠穆朗玛峰地区大气饱和水汽差的时空分布特征[J]. 干旱气象, 2024, 42(6): 878-888.

Figures/Tables 11

References 48

[1]	白宇轩, 杜军, 王挺, 等, 2022. 1971—2020年藏东南极端降水指数的时空变化特征[J]. 高原山地气象研究, 42(3): 31-40.
[2]	曹晓云, 周秉荣, 周华坤, 等, 2022. 气候变化对青藏高原植被生态系统的影响研究进展[J]. 干旱气象, 40(6):1068-1 080
[3]	程梦琦, 左志燕, 蔺邹兴, 等, 2023. 全球陆地饱和水汽压差的年代际突变[J]. 中国科学:地球科学, 53(7):1536-1 549
[4]	杜军, 路红亚, 袁雷, 等, 2016. 近42 a珠穆朗玛峰地区极端气温事件的时空变化[J]. 干旱区研究, 33(1): 20-27.
[5]	杜军, 翁海卿, 李春燕, 等, 2009. 1971—2006年珠穆朗玛峰地区蒸发皿蒸发量的变化及其影响因素[J]. 冰川冻土, 31(4): 597-604.
[6]	符淙斌, 王强, 1992. 气候突变的定义和检测方法[J]. 大气科学, 16(4): 482-493.
[7]	郭仲英, 吴英楠, 刘晓英, 等, 2023. 不同冠层阻力模型对冬小麦返青-成熟期蒸散量估算的影响[J]. 中国农业气象, 44(1): 1-12.
[8]	黄晓, 范广洲, 2024. 多元夏季风协同作用对青藏高原夏季降水的影响[J]. 高原山地气象研究, 44(2): 9-18.
[9]	黄志诚, 杜军, 白宇轩, 等, 2024. 1981—2020年西藏高原汛期降水量时空变化特征[J]. 高原山地气象研究, 44(2): 83-90.
[10]	贾志军, 宋长春, 王跃思, 等, 2007. 三江平原典型沼泽湿地蒸散量研究[J]. 气候与环境研究, 12(4): 496-502.
[11]	康世昌, 张玉兰, 张强弓, 2020. 探索地球之巅:60年来珠峰气候环境变化[J]. 自然杂志, 42(5): 355-363.
[12]	李得宴, 杨维芳, 高志钰, 等, 2020. 不同饱和水汽压模型对GNSS反演可降水量的影响分析[J]. 全球定位系统, 45(6): 55-63.
[13]	李晴晴, 曹艳萍, 苗书玲, 2022. 黄河流域植被时空变化及其对气候要素的响应[J]. 生态学报, 42(10):4041-4 054
[14]	李素雲, 祁栋林, 温婷婷, 等, 2023. 1961—2020年青海省饱和水汽压差变化特征及影响因子分析[J]. 干旱区研究, 40(2): 173-181. DOI
[15]	李晓琳, 2024. 青藏高原雪盖次季节变率的季节进程[J]. 高原山地气象研究, 44(3): 120-128.
[16]	路红亚, 杜军, 袁雷, 等, 2014. 1971—2012年珠穆朗玛峰地区极端降水事件变化研究[J]. 冰川冻土, 36(3): 563-572. DOI
[17]	宁梓妤, 徐宪立, 杨东, 等, 2022. 中国西南地区饱和水汽压差的年际变化及其影响因素[J]. 农业现代化研究, 43(1): 172-179.
[18]	彭丽晓, 2023. 中国饱和水汽压差对植被生长的影响与未来情景预测[D]. 兰州: 西北师范大学.
[19]	桑玉强, 李龙, 施光耀, 等, 2021. 太行低山区荆条耗水特征及其与参考作物蒸散量的关系[J]. 中国农业气象, 42(8): 657-665.
[20]	王顺久, 唐信英, 邓彪, 等, 2023. 珠峰地区近50年极端降水变化特征分析[J]. 高原山地气象研究, 43(1): 1-7.
[21]	王顺久, 唐信英, 王鸽, 等, 2021. 近53 a珠峰地区气温降水变化特征分析[J]. 高原山地气象研究, 41(4): 1-7.
[22]	王祎宸, 贺洁, 何亮, 等, 2024. 黄河流域2001—2020年植被物候及其对气候变化的响应[J]. 生态学报, 44(2): 844-857.
[23]	魏凤英, 2007. 现代气候统计诊断与预测技术[M]. 2版. 北京: 气象出版社.
[24]	吴荣军, 郑有飞, 赵泽, 等, 2010. 基于气孔导度和臭氧吸收模型的冬小麦干物质累积损失评估[J]. 生态学报, 30(11):2799-2 808
[25]	邢红艳, 何清, 普宗朝, 等, 2023. 西北干旱区乌鲁木齐河流域植被生长季降水特征分析[J]. 干旱气象, 41(1): 34-42. DOI
[26]	杨续超, 张镱锂, 张玮, 等, 2006. 珠穆朗玛峰地区近34年来气候变化[J]. 地理学报, 61(7): 687-696.
[27]	於嘉禾, 王卫光, 陈泽峰, 2024. 全球旱地饱和水汽压差和根区土壤水分变化对植被生产力的影响及其成因[J]. 生态学报, 44(11):4808-4 819
[28]	袁瑞瑞, 黄萧霖, 郝璐, 2021. 近40年中国饱和水汽压差时空变化及影响因素分析[J]. 气候与环境研究, 26(4): 413-424.
[29]	张娟娟, 李星志, 王亚楠, 等, 2024. 太阳辐射对陆地生态系统凋落物分解影响的研究进展[J]. 应用生态学报, 35(9):2463-2 472
[30]	张强, 杨金虎, 马鹏里, 等, 2023. 西北地区气候暖湿化增强东扩特征及其形成机制与重要环境影响[J]. 干旱气象, 41(3): 351-358. DOI
[31]	张震, 刘时银, 魏俊锋, 等, 2018. 1974—2012年珠穆朗玛峰地区冰川物质平衡遥感监测研究[J]. 遥感技术与应用, 33(4): 731-740. DOI
[32]	赵卉忱, 贾根锁, 王鹤松, 等, 2020. 中国半干旱区草甸草原和典型草原碳通量日变化特征[J]. 气候与环境研究, 25(2): 172-184.
[33]	中国气象局气候变化中心, 2023. 中国气候变化蓝皮书2023[M]. 北京: 科学出版社.
[34]	ALLEN R G, PEREIRA L S, RAES D, et al, 1998. Crop evapotranspiration: Guidelines for computing crop water requirements[M]. Rome: Food and Agriculture Organization of the United Nations.
[35]	CHIANG F, MAZDIYASNI O, AGHAKOUCHAK A, 2018. Amplified warming of droughts in southern United States in observations and model simulations[J]. Science Advances, 4(8): eaat2380. DOI: 10.1126/sciadv.aat2380.
[36]	CUNNINGHAM S C, 2004. Stomatal sensitivity to vapour pressure deficit of temperate and tropical evergreen rainforest trees of Australia[J]. Trees, 18(4): 399-407.
[37]	DING J, YANG T, ZHAO Y, et al, 2018. Increasingly important role of atmospheric aridity on Tibetan alpine grasslands[J]. Geophysical Research Letters, 45(6): 2 852-2 859
[38]	FLETCHER A L, SINCLAIR T R, ALLEN L H, 2007. Transpiration responses to vapor pressure deficit in well watered ‘slow-wilting’ and commercial soybean[J]. Environmental and Experimental Botany, 61(2): 145-151.
[39]	GROSSIORD C, BUCKLEY T N, CERNUSAK L A, et al, 2020. Plant responses to rising vapor pressure deficit[J]. New Phytologist, 226(6): 1 550-1 566
[40]	JARVIS P G, 1976. The interpretation of the variations in leaf water potential and stomatal conductance found in canopies in the field[J]. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 273(927): 593-610.
[41]	LEONARDI C, GUICHARD S, BERTIN N, 2000. High vapour pressure deficit influences growth, transpiration and quality of tomato fruits[J]. Scientia Horticulturae, 84(3/4): 285-296.
[42]	LOBELL D B, HAMMER G L, MCLEAN G, et al, 2013. The critical role of extreme heat for maize production in the United States[J]. Nature Climate Change, 3: 497-501.
[43]	MATSOUKAS C, BENAS N, HATZIANASTASSIOU N, et al, 2011. Potential evaporation trends over land between 1983-2008: Driven by radiative fluxes or vapour-pressure deficit?[J]. Atmospheric Chemistry and Physics, 11(15): 7 601-7 616
[44]	REICHSTEIN M, BAHN M, CIAIS P, et al, 2013. Climate extremes and the carbon cycle[J]. Nature, 500(7462): 287-295.
[45]	WILLIAMS L E, BAEZA P, 2007. Relationships among ambient temperature and vapor pressure deficit and leaf and stem water potentials of fully irrigated, field-grown grapevines[J]. American Journal of Enology and Viticulture, 58(2): 173-181.
[46]	YUAN W P, ZHENG Y, PIAO S L, et al, 2019. Increased atmospheric vapor pressure deficit reduces global vegetation growth[J]. Science Advances, 5(8): eaax1396. DOI: 10.1126/sciadv.aax1396.
[47]	ZHANG D, DU Q, ZHANG Z, et al, 2017a. Vapour pressure deficit control in relation to water transport and water productivity in greenhouse tomato production during summer[J]. Scientific Reports, 7: 43461. DOI: 10.1038/srep43461.
[48]	ZHANG S, TAO F L, ZHANG Z, 2017b. Spatial and temporal changes in vapor pressure deficit and their impacts on crop yields in China during 1980-2008[J]. Journal of Meteorological Research, 31(4): 800-808.

时段		拉孜	日喀则	聂拉木	定日	江孜
1981—2023年	春季	0.027^*	0.032^**	0	0.011	0.018
	夏季	0.041^*	0.070^***	0.006^*	0.028^**	0.051^***
	秋季	0.052^***	0.052^***	0.014^**	0.028^***	0.044^***
	冬季	0.027^***	0.024^**	0.018^*	0.018^*	0.018^*
	汛期	0.042^*	0.063^**	0.006^*	0.025^**	0.046^***
	年	0.037^***	0.045^***	0.011^***	0.021^***	0.034^***
1991—2023年	春季	0.025	0.042^*	0.003	0.015	0.037^**
	夏季	0.088^**	0.129^***	0.012^*	0.048^**	0.101^***
	秋季	0.072^***	0.084^***	0.026^***	0.045^***	0.078^***
	冬季	0.041^**	0.044^***	0.038^**	0.003^*	0.047^***
	汛期	0.074^**	0.106^***	0.010^*	0.043^*	0.087^***
	年	0.056^***	0.075^***	0.020^**	0.034^***	0.066^***

时段		拉孜	日喀则	聂拉木	定日	江孜
1981—2023年	春季	0.027^*	0.032^**	0	0.011	0.018
	夏季	0.041^*	0.070^***	0.006^*	0.028^**	0.051^***
	秋季	0.052^***	0.052^***	0.014^**	0.028^***	0.044^***
	冬季	0.027^***	0.024^**	0.018^*	0.018^*	0.018^*
	汛期	0.042^*	0.063^**	0.006^*	0.025^**	0.046^***
	年	0.037^***	0.045^***	0.011^***	0.021^***	0.034^***
1991—2023年	春季	0.025	0.042^*	0.003	0.015	0.037^**
	夏季	0.088^**	0.129^***	0.012^*	0.048^**	0.101^***
	秋季	0.072^***	0.084^***	0.026^***	0.045^***	0.078^***
	冬季	0.041^**	0.044^***	0.038^**	0.003^*	0.047^***
	汛期	0.074^**	0.106^***	0.010^*	0.043^*	0.087^***
	年	0.056^***	0.075^***	0.020^**	0.034^***	0.066^***

时段	e_s	e_a
春季	0.019^*	0.001
夏季	0.034^***	-0.005
秋季	0.034^***	-0.005
冬季	0.019^*	-0.002
汛期	0.032^***	-0.004
年	0.027^***	-0.003

时段	e_s	e_a
春季	0.019^*	0.001
夏季	0.034^***	-0.005
秋季	0.034^***	-0.005
冬季	0.019^*	-0.002
汛期	0.032^***	-0.004
年	0.027^***	-0.003

时段	1981—1990年	1991—2000年	2001—2010年	2011—2020年
春季	-0.020	-0.012	-0.008	0.021
夏季	-0.017	-0.080	0.014	0.064
秋季	-0.041	-0.058	-0.006	0.065
冬季	-0.007	-0.043	0.004	0.038
汛期	-0.029	-0.067	0.006	0.061
年	-0.022	-0.048	0	0.048