张金亭，董艳超，叶宗达

·土地保障与生态安全·

基于地形改进NPP指数的县域耕地产能测算

张金亭1，董艳超1，叶宗达2

（1. 武汉大学资源与环境科学学院，武汉 430000； 2. 广西壮族自治区自然资源生态修复中心，南宁 530000）

为了快速准确测算耕地产能，开展耕地质量和产能评价工作，落实“三位一体”的耕地占补政策，该研究尝试将耕地初级净生产力（NPP，Net Primary Productivity）运用于耕地产能测算。在具体提取NPP指数时，使用顾及地形要素对于太阳辐射影响改进的CASA模型，并在此基础上运用地理加权回归以及空间相关性的方法比较了NPP数据与耕地利用指数数据以验证NPP数据运用于耕地产能计算的可行性。研究结果表明：基于NPP获得的耕地产能数据总体呈现中部东南-西北轴线方向以及南部平原NPP指数较高东北、西南两侧较低的布局，而通过与耕地利用指数的地理加权回归发现两者有较强相关性。NPP指数可以直接用于耕地产能评价，能够提高工作效率和准确性。

遥感；地形；NPP；耕地产能；耕地质量；地理加权回归

0 引 言

为深化耕地占补平衡工作，准确客观评价耕地质量，中国各县每年均要进行耕地等别更新工作，耕地产能测算作为耕地评价中的重要一环，其工作依赖于耕地质量评价体系。现状耕地产能评价主要有2种方法，首先是传统的农用地分等定级计算农用地的自然等、利用等，并通过样点获取指定作物的产量进行修正获得。其中自然等是在一县一个光温生产潜力的基础上，利用耕地对于标准作物的自然质量分进行修正，获得的是在现状自然条件下耕地理论生产能力，而利用等则是在自然等的基础上根据样点实测数据获取各种作物单位面积实际产量与基准作物实际产量之比，是在现有生产技术和社会条件下的理论生产能力估计[1]。另外一种是2018年进行试点的耕地质量产能调查方法，构建包括气候条件、地形特征、土壤性状、耕作条件、健康状况、生物特征的耕地自然条件以及技术水平的评价指标体系，改进了农用地分等定级计算的系统性，同时加入对技术水平的考量，符合现代农产品种植技术水平提高对于农产品产能提高产生的极大促进。两套体系均存在指标体系建立主观化明显，小区域特殊性被忽视的缺陷，另外各项指标数据必须通过样点实测的手段获取，耗费大量人力物力，要获得覆盖全区域的指标数据还需要通过插值获取，与实际情况可能存在较大误差。

净第一生产力（Net Primary Productivity，NPP）是单位时间内生物通过光合作用所吸收的有机干物质除植物自身呼吸的碳损耗所剩的部分[2]，包括植物的枝、叶和根等生产量及植物枯落部分的数量，虽然包括根、茎、叶、果等部分的养分，但本质上养分都是为果实以及叶片生长存贮，即进行农产品产出的部分，将其赋于耕地系统上可理解为一年内耕地上农作物能够给提供人类消费的能量。由于NPP直接代表耕地系统一年内累计的农作物有机干物质，解决传统耕地产能评价耕作制度差异以及作物差异产生的产能转化困难问题。同时NPP的计算模型具有全遥感数据的模型的研究基础，使得数据获取更加便捷，数据精度更高。因此将NPP计算引入耕地产能可在一定程度上解决指标体系下耕地产能计算的缺陷。而现有的NPP研究多强调研究方法的突破[3-8]与时空变化分析[9-12]，多为尺度较大的生态保护区域[13-15]，而缺少对于NPP数据的利用，使得NPP局限于从表面上表现碳平衡问题[4,16]。将NPP运用于耕地产能计算研究较少，商令杰[17]和洪长桥等[18-19]对此进行了研究，其中洪长桥等主要是将其运用于土地整治前后耕地产能比较，体现遥感数据的动态性和及时性，但直接将NPP约等于耕地产能，其与现状下的耕地产能结果的衔接性有待讨论。

因此本文选取基于地形改进的CASA模型利用遥感数据对宾阳县的NPP数据进行计算，并通过地理加权回归对比NPP结果与耕地等别年度更新结果，分析NPP计算耕地生产力与现有耕地产能结果的相关性以及衔接度，明确将NPP应用于耕地产能计算的可行性。

1 研究区概况与研究方法

1.1 研究区概况

宾阳县位于广西中南部，南宁市东北部，为南宁市管辖县。地处22°54′～23°37′N、108°32′～109°15′E之间，东邻贵港市，南偏东与横县接壤，西南部与南宁市兴宁区、青秀区交界，西部与武鸣县相连，西北部连接上林县，东北部与来宾市相邻。

县域在地质构造上处于广西弧形山脉顶部西侧之北缘，南部紧靠弧形山脉西翼之西南端—昆仑关—白花山低山丘陵，东南紧靠广西弧顶—镇龙山，整个地势自南向北倾斜，形成东、南、西三面环山，中部北部为开阔平原，海拔低于50 m的平原1 193.79 km2，占全县的51.6%，是各种地貌类型的主体，灌溉条件良好的平原已开垦为本县高产稳产的良田。

1.2 研究方法

1.2.1 NPP测算模型选择

基于遥感数据估算NPP模型在现有研究下主要有4种类型：统计模型、光能利用率模型、过程模型和拟合模型[18]。其中遥感光能利用率模型由于模型简单、全遥感数据源、可实现动态评价，成为了NPP估算的一种重要而广泛接受的研究方法，主要有3-PGS、NPP-EMSC、GLOPEM和CASA模型[20]，应用最广的是CASA模型。CASA模型中估算的NPP由光合有效辐射（APAR，Absorbed Photosynthetic Active Radiation）和实际光能利用率（）2个因子决定[21-22]。

光合有效辐射（APAR）受太阳总辐射量、植被层对入射光合有效辐射的吸收比例（FPAR，Fraction of absorbed Photosynthetic Active Radiation）以及太阳有效辐射占太阳总辐射的比例（为常数0.5）3个因素决定，其中太阳辐射总量取太阳天文辐射；植被层对入射光合有效辐射吸收比例与植被茂盛程度有直接关系，可用与NDVI和比值植被指数（SR，Simple Ratio Index）有关的模型计算[23]，直接反映现实植被生长情况。

实际光能利用率利用气温、地表水分状况等因子对理想条件下最大光能利用率进行修正获得[24]，其中气温的影响通过低温和高温对光能利用率的胁迫作用表现[25]，而地表水分状况利用（LSWI，Land Surface Water Index）[26]衡量地表蒸散水平。

1.2.2 基于地形数据校正CASA模型

常规方法下的NPP指数中，太阳辐射总量通过地面辐射站点插值或模型拟合2种方法获取。在地形起伏较大区域通过地面辐射站点插值易忽略地形特征，同时山地区域观测太阳辐射站点本身就较少，且多分布在开阔的山顶，插值后数据具有较大误差。

通过模型拟合太阳天文辐射的方法一般使用白昼长度、天文辐射作为参数，但实际上太阳日辐射总量受到所在区域的光照时长而非白昼长度的影响。无地形起伏的情况下小区域内的光照时长约等于白昼长度，但当地形较为复杂时，不同坡度、坡向以及地形遮蔽下的像元间可照时间就有较大差异，白昼下同一时间段位于阴坡或受到地形遮挡的区域无法受到太阳直接辐射的影响，因此本文使用光照时长代替白昼长度。

光照时间可化为无限个微分时段的可照时间总和。通过离散化的方式结合太阳方位角、太阳高度角以及地形关系分别计算每一个微分时间段内该像元地形遮蔽系数以及坡度入射角，并用坡面入射角与地形遮蔽系数修正太阳天文辐射[27-29]。

通过地形修正太阳天文辐射计算的NPP指数，可充分体现地形起伏较大区域小气候影响下的产能差异，对于实现精细化农业针对地块特征进行种植有着重要意义。

1.2.3 NPP与耕地质量年度更新结果衔接度比较

在研究NPP结果与耕地质量年度更新结果的相关性问题上，使用地理加权回归，避免传统加权回归只关注2个变量间的线性关系，忽略地理事物的地理位置对应关系[30]，可在全局视角下分析对应地块间的NPP与耕地利用等指数的相关性。同时能够找出相关性较差的区域，结合地块地理社会经济特征，分析2种产能计算方式的优缺点。

1.3 数据来源

基于上述研究方法，本文利用能够反映太阳辐射的遥感数据，反映区域温度以及降水的气象数据，在验证计算结果的可靠性时使用已有的耕地质量数据进行对比。其中遥感数据来自地理空间数据云，气象数据来自中国气象数据网，耕地利用等数据来自2018年宾阳县耕地等别更新数据库。遥感数据包括landsat-8数据以及DEM数据，空间分辨率均达30 m×30 m，Landsat 8数据选取2017－2018年一年期内云量小于10%的数据，共筛选出4期符合条件的数据，包括2017年3月2日、2017年10月28日、2018年2月1日、2018年5月8日，涉及广西早稻播种与成熟的2、3、5月以及晚稻成熟的10月。对遥感数据进行辐射定标、大气校正、去云等预处理。气象数据使用宾阳县的历史气象数据，由于研究范围较小，全县范围内的温度差异较小，因此将遥感数据对应月份的全县平均温度作为常量带入计算。最终NPP数据采取4期数据的均值。30 m×30 m的空间分辨率对照耕地图斑大小，该县耕地图斑面积均值为28654m2，约为32个像元大小，3.73%的图斑面积小于900m2，因此空间分辨率基本可以满足图斑级别的运算，且LANDSAT空间分辨率优于MODIS数据的100 m×100 m，由于宾阳县中部为平原，高差在10 m之内，可忽略，西南、东南丘陵区起伏较大，山坡相对高度一般在100 m左右，30 m×30 m 的空间分辨率可满足丘陵区10 m的高差，因此DEM空间分辨率基本可以满足宾阳县地形需求。

2 基于地形修正的NPP计算耕地产能

2.1 地形修正前后NPP耕地产能计算结果

基于NPP耕地产能经过地形修正前后的计算结果整体分布具有一致性（图1、表1），两者整体上均与宾阳县的地形分布基本一致，高指数耕地集中分布在中部平原区域且呈西北—东南走向，东北西南两侧山地丘陵区耕地NPP指数较低，另外最南端耕地较集中的平坦区域耕地NPP指数也较高。而地形修正前后的NPP指数分布在局部具有一定差异。地形修正前NPP指数分布在0.03～1.55之间，地形修正后NPP指数分布在0.06～3.72之间，主要呈现数据整体差异性扩大、极值变化突出以及地类间差异近一步扩大的特征，地形差异对耕地产能影响的反应更加灵敏。

图1 宾阳县地形修正前后NPP指数分布图

表1 宾阳不同地类NPP指数、耕地利用等指数及两者间相关系数

1）差异性扩大。相对NPP指数较高的耕地数量增加，主要分布在中部北部平原地区，地形平坦海拔低有利于对于太阳辐射的接受，因此耕地等别提高；NPP指数较低的耕地增加情况则主要分布在中部平原靠近东部山地地区即东部山地山脚山体背阴处，山体遮挡影响了地表太阳辐射的接受。由于地理要素间的相互影响，原本太阳辐射较低区域的土壤演化速度较慢，有机质含量、土壤蒸散均较同区域要差，而太阳辐射较高的区域具有生物活动明显、有机质积累好等优势，因此在FPAR以及地表水分状况指数方面已经有一定体现。而通过地形修正后太阳辐射计算的NPP叠加了太阳辐射差异以及原本的太阳辐射带来的其他因素差异，使得差异性扩大。

2）极值变化突出。原本NPP指数最高的区域中位于背阴区域的耕地NPP指数下降明显。例如甘棠镇南桥村以及武陵镇六蒙村的耕地NPP指数下降，其地形平坦，但由于位于山地阴影处，地形遮蔽对于太阳辐射有一定的影响。NPP指数较低区域的NPP指数近一步降低。经过地形修正的NPP较低分布区向中部平原中靠近西南、东南山地背阴地区扩张，西南山地山谷地区的耕地NPP指数进一步相对降低，即易受地形遮挡太阳辐射的区域NPP指数降低，其更加明显反应地形对于地表接受太阳辐射的影响。西南山地与东南山地相夹的南部丘陵地区以及东部山地以北的山地阴面处分布的耕地有较多由NPP指数较低变为了全县相对最低。

3）地类间变化差异较大。经过地形修正的同一区域内旱地与水田的指数均值差异要大于地形修正以前，扩大了旱地与水田差异，较典型地分布在山地丘陵区域，中华和思陇镇的水田与旱地NPP指数差异大于5%。这与旱地与水田分布区域特征有关，由于地形坡度较大地形复杂区域的水利设施建设难度较大，自然储水难度大，排水难度也较大，所以山地丘陵区域多分布旱地，平原区域河谷周边多分布水田，因此旱地分布区的太阳辐射较弱，水田分布区太阳辐射较好。

2.2 耕地NPP产能空间分布差异因素分析

将NPP指数分布的空间特征与对实际上影响耕地的因素包括地形、土壤、太阳辐射以及灌排水等技术条件的分布特征进行相关对比分析发现，NPP指数的空间分布差异与传统耕地产能影响因子具有较强的一致性。

1）整体上NPP指数产能分布与地形分布具有一致性。具有以下3个特征：第一，平原低海拔区域NPP指数普遍高，山区海拔较高处NPP指数较低；第二，山区内部阳坡大于阴坡；第三，海拔坡度相近的区域山谷间耕地NPP指数低于其余相似条件下的平原区域耕地。平原低海拔地区的产能高于山区高海拔处。NPP指数均值最高区域是大桥镇、古辣镇和王灵镇，位于广西四大冲积平原之一的宾阳-武陵山前平原，是由一系列洪积扇或冲洪积扇发展形成的平原，太阳天文辐射可全部吸收，坡度较小易于植物生长。且在地形平坦情况下耕地集中连片程度高，有利于规模化、机械化种植。思陇镇、陈平镇位于宾阳县地形起伏最大的大明山余脉，其NPP产能也是全县最低。山区内部阳坡大于阴坡。武陵镇位于宾阳—武陵山前平原上的耕地NPP指数相对大桥、古辣和王灵要低，主要由于位于平原上的耕地处于山地背阴面受到山脉遮蔽，在一定程度上影响了太阳辐射。海拔坡度类似的区域，山谷间耕地NPP指数低于平原区域耕地。思陇镇内山间河流冲积小平原NPP指数远小于同纬度的武陵、大桥、王灵的开阔平原，其地形破碎耕地呈细长条带状，不利于集中机械化耕作，排水条件较差易发生洪涝灾害，且太阳辐射受到地形遮蔽影响明显。

2）NPP指数分布与土壤性质相关。宾阳东北部受到土壤性质影响，NPP指数整体较低。其耕地集中分布区地形起伏不大，但NPP指数相较于同纬度中部冲积平原要低，主要是由于北部为石灰岩组成的喀斯特地貌下的残峰平原，土层较薄，有机质含量低，土壤难以储水水分含量低。相应地，位于中部冲积平原的耕地NPP指数较高，一方面是由于地形因素易于植物生长，另一方面也是由于冲积平原为河流冲积、洪积成土以及红土母质成土，耕地耕作层厚，有机质含量高，土壤黏性较适宜，保水性好，土壤酸碱度适宜。

3）NPP指数差异与地类差异一致。区别水田、旱地的标准为有无灌溉水源以及灌溉排水水平，水田具有水源优势且有较好的灌溉排水条件，而旱地水资源条件就较差，在一定程度上可在地表水分状况上体现。按耕地地类进行各乡镇NPP指数统计可以发现，旱地NPP指数均小于该乡镇的水田NPP指数，一方面灌溉和排水条件较好的耕地具有更高的生产潜力，另一方面在不同灌排水条件下适宜种植的作物有差异，水田作物水稻的碳含量是远大于旱地作物小麦、玉米等的。

4）NPP指数沿交通线路具有明显峰值。通过分析NPP指数分布图可以发现，在相同的自然环境下交通线沿线的耕地质量普遍高于远离交通线的区域。主要由于交通线沿线地区居民点聚集，且在交通线连接的基础上，耕地耕作可达性较高；同时产品也更易到达市场；种植历史较为悠久，先进种植技术运用也较早，往往具有大农场的集中高水平经验。在基本农田划定标准中要求划定距离城镇较近的耕地为基本农田，因此相应区域更早接受耕地提质改造的配套设施建设，有利于耕地产能的增加。

3 NPP耕地产能对比耕地利用等指数优势分析

3.1 基于地理加权回归的NPP耕地产能与耕地利用等指数相关性分析

耕地利用等数据来自2018年宾阳县耕地等别更新数据库（见图2a），可以发现整体呈现丘陵区向平原过渡区利用等指数较高，旱地镇域均值最低的为思陇镇，最高的为黎塘镇，较低的镇宾州、新圩、大桥，水田镇域均值最低的为甘棠，最高的为新桥，较低的镇甘棠、露圩、陈平，均位于南部边缘丘陵区。水田与旱地差异较大的为新桥、新圩、宾州、大桥、中华以及思陇。黎塘旱地利用等指数高于1 000，主要由于该镇经济发达，旱地经济作物种植广泛，产能较高。

对基于NPP指数计算的耕地产能指数与耕地利用指数的进行地理加权回归分析（表1，由于思陇镇旱地指数唯一因此无法进行GWR（Geographically Weighted Regression）分析，比较两者间的相关性，并验证NPP耕地产能与现有的耕地利用指数的衔接性。两者相关系数为旱地0.87，水田0.80，相关系数均较高，带宽在地形修正前后，旱地为1 831.54，水田为1 573.16，带宽适中，大于平均耕地图斑长度，但均在2 km以内，具有局部回归分析的意义，也能够体现小区域间的区域差异。因此，使用NPP指数计算耕地产能与现状耕地利用等指数具有较好的相关性，NPP指数计算耕地产能具有一定的可信度。

整体上同一行政区内旱地的相关系数要高于水田的相关系数，主要由于旱地地表覆盖较为单一，遥感反演较为准确，而水田由于种植作物的特殊性导致耕地表面种植水稻等的同时水面分布影响辐射，因此旱地运用NPP指数进行耕地产能计算更加精准。

3.2 基于局部相关系数的NPP耕地产能与耕地利用指数的优劣分析

对地形修正的NPP指数与耕地利用等指数的地理加权回归分析发现其相关性较好，但存在局部相关系数较低的区域，通过区域分布特征，结合耕地产能影响因素分布特征，可分析局部相关系数较低处差异较大的原因，以耕地产能影响因素进行原因解释，从而体现不同测算方式下，测算结果对影响因素反映灵敏性的差异，分析不同测算方法的优劣。经过结果比较可以发现，局部相关系数较低的区域主要为铁路公路沿线地区、西南丘陵区、南端郁江支流沿岸，东北部溶蚀平原区4部分（图2b）。结合影响耕地产能的常规因素比较4个部分的耕地特征，从而获得两者差异产生的原因，从而选择更具有现实可靠性的计算方法计算耕地产能。

图2 宾阳县耕地利用等指数分布及其与NPP间的局部相关系数分布

1）地形地貌特征差异下NPP优于耕地利用指数

耕地地形和NPP指数间相关性为0.146 903，高于耕地地形与经济等指数间的相关性0.026 767，以及与利用等0.026 054，即NPP指数对于耕地地形变化的反应灵敏于经济等指数，经济等指数基本不受地形因素的影响。整体西南丘陵区局部相关系数低，耕地利用指数计算获得的耕地产能明显较高。此区域内有63.52%的耕地利用等为8等，仅2.55%的3、4等耕地分布，该县内耕地质量整体较好，而全宾阳县地形修正后NPP指数小于0.7的耕地有17.84%分布在此处，整体NPP指数较低。此处为典型山地丘陵区，地形起伏较大，山沟狭窄，耕地均分布在河流侵蚀而成的山沟谷地上，侵蚀地形导致土层浅薄，夏季易遭水涝，丘陵遮挡导致地表对于太阳辐射的吸收系数较低，不利于植物光合作用；耕地地块破碎沿等高线呈细长条带状，不利于机械化种植，耕地利用难度较大。本文基于NDVI数据的初始NPP值在一定程度上反映了植物覆盖程度，通过地形修正纠正了地形对于植物吸收太阳辐射的影响，因此基于NPP指数计算获得的耕地产能有效地修正了该问题。

南端郁江支流沿岸局部相关系数同样较低，但耕地利用指数小于基于NPP指数获取的耕地产能。在耕地利用指数计算中此处分值不高，主要是受整体丘陵地形区的影响，然而这样的计算结果忽略了小区域地形特征，郁江支流-斑江沿岸地形相对平坦，是郁江下游沉积地貌，水土以及地形条件具有一定优势，单纯的耕地利用指数计算在一定程度上低估了沿河的小区域耕作自然优势。

2）土壤条件差异下NPP指数优于耕地利用等

建立土壤性状和NPP间的相关性为0.461 153，高于土壤性状与经济等指数间的相关性0.324 617，以及与利用等的0.411 198，即NPP指数对于土壤性状变化的反应灵敏于经济等指数。东北部溶蚀平原局部相关系数较低，利用等指数计算的产能相对NPP指数要高，NPP指数计算的中部与北部耕地产能的差异要远大于耕地利用指数。宾阳县东北部是典型喀斯特平原，主要土壤为石灰土和红壤，但土层浅薄，有机质含量低，砾石含量高、岩石裸露较为严重，土壤容重较小，土壤不易存水，地表裂隙较多，地表水下渗严重，且不利于作物扎根。

在此情况下，通过遥感数据反演的耕地植被的生长状况可以体现地貌土壤特点对于耕地产能的影响，而通过指标体系推算的耕地利用指数未考虑土壤存水功能，且通过土壤类型得出的红黏土属于较为优质土壤，有利于作物生长。

3）交通条件差异下NPP指数优于耕地利用等指数

铁路以及公路沿线区域相关系数较低，耕地利用等指数计算的耕地产能低于NPP指数。首先铁路与公路沿线区域具有交通优势以及市场优势，靠近居民点，交通通达度高，土地开发较早，土壤成熟度高；且依据土壤环境数据，铁路沿线区域的耕地土壤环境较优，且道路沿线地形坡度较小。耕地利用指数中将南部铁路沿线的耕地区域划为全县耕地质量最差区域值得商榷。

4）作物差异下NPP指数优于耕地利用等指数

整体上旱地相关系数要高于水田，主要由于水田表面对波段数据有影响，但武陵镇、中华镇、古辣镇、露圩镇、王灵镇的水田相关系数要高于旱地，以上各镇的旱地耕地利用指数相对较低而NPP指数计算下的旱地产能则普遍较高。以上各镇均位于本县的中部偏南，耕地质量较高，是当年糖料蔗建设基地，导致旱地利用能力有所提高，秀山村、坐椅村以及王灵农场都于2018年进行了双高基地的建设，旱地大规模改种甘蔗。根据2018年南宁市统计年鉴，宾阳县早稻产量比系数为1，晚稻为0.815，甘蔗为15.051，而宾阳县甘蔗的光温生产潜力为5 652，早稻为1 345，晚稻1 622，可见种植甘蔗的旱地产能要高于早稻-晚稻的水田，同时通过野外走访可知，旱地种植经济作物的产能也高于水田种植水稻。

因此NPP指数计算的耕地产能免去了不同作物之间产能转化问题，均以光合作用产生的有机物质总量中扣除自养呼吸后剩余部分的净含碳量作为标准，能够提高耕地产能评价的效率和准确性，并能够及时反应耕地提质改造带来的耕地质量提升，具有一定合理性。

4 结 论

1）通过基于地形改进的CASA模型计算得出宾阳县的耕地产能结果可以体现地形、土壤、灌排水以及交通条件差异带来的影响，与现实情况具有较好的相符性。通过地形修正前后对比，地形修正前NPP指数分布在0.03～1.55之间，地形修正后NPP指数分布在0.06～3.72之间，极值更加突出；中北部无地形遮蔽平原区域优势更加明显；山地丘陵区乡镇地形修正后水田与旱地差异扩大，差异大于5%。充分体现了复杂地形对于耕地产能的影响。通过与耕地利用指数的进一步对比分析发现基于NPP计算获得的耕地产能数据与耕地利用指数有较强相关性，与旱地相关系数可达0.87，与水田达0.80。因此本文利用基于地形改进的CASA模型计算耕地NPP指数从而衡量耕地现实生产能力是可行的。

2）对比NPP指数与耕地利用指数，地形条件与NPP指数的相关系数为0.146 903，高于经济等的0.026 767，土壤性状与NPP间的相关性为0.461 153，高于经济等指数的0.324 617，NPP指数改进了经济等对以上因素反映不敏的状况。在交通条件、种植作物也实现了空间相关性增强，更加贴近实际。

加强基于NPP指数计算获得的耕地生产力还需要进一步考虑耕地遭遇的突发情况，例如病虫害等情况影响产量，同时减少对于遥感数据的处理偏差，加强遥感数据的修正。计算光能辐射时未针对旱地和水田进行差别化处理，同时需要考虑旱地和水田不同种植时期地表覆盖的阶段变化。另外由于不同作物产出部分有差别，果实、叶片、根茎都可能作为农产品，因此对于不同作物的产能修正需要进一步研究。

[1] 伍育鹏，郧文聚，邹如. 基于耕地质量评价的耕地产能核算方法及分布[J]. 农业工程学报，2008，24(增刊1)：85-89.

Wu Yupeng, Yun Wenju, Zou Ru. Productivity calculation methods and distribution regulation based on cultivated land quality appraisal[J]. Transactions of the Chinese Society of Agricultural Engineering (Transaction of the CSAE), 2008, 24(Supp.1): 85-89. (in Chinese with English abstract)

[2] 周广胜，张新时. 自然植被净第一性生产力模型初探[J].植物生态学报，1995(3)：193-200.

[3] 朱文泉，陈云浩，徐丹，等. 陆地植被净初级生产力计算模型研究进展[J]. 生态学杂志，2005(3)：296-300.

Zhu Wenquan, Chen Yunhao, Xu Dan, et al. Advances in terrestrial net primary productivity (NPP) estimation models[J].Chinese Journal of Ecology, 2005(3): 296-300. (in Chinese with English abstract)

[4] 杨延征，马元丹，江洪，等. 基于IBIS模型的1960－2006年中国陆地生态系统碳收支格局研究[J]. 生态学报，2016，36(13)：3911-3922.

Yang Yanzheng, Ma Yuandan, Jiang Hong, et al. Evaluating the carbon budget pattern of Chinese terrestrial ecosystem from 1960 to 2006 using Integrated Biosphere Simulator[J]. Acta Ecologica Sinica, 2016, 36(13): 3911-3922. (in Chinese with English abstract)

[5] 李传华，曹红娟，范也平，等. 基于校正的CASA模型NPP遥感估算及分析：以河西走廊为例[J]. 生态学报，2019，39(5)：1616-1626.

Li Chuanhua, Cao Hongjuan, Fan Yeping, et al. Remote sensing estimation and analysis of net primary productivity (NPP) based on corrected CASA model: A case study of Hexi Corridor[J]. Acta Ecologica Sinica, 2019, 39(5): 1616-1626. (in Chinese with English abstract)

[6] 曾慧卿，刘琪璟，冯宗炜，等. 基于BIOME-BGC模型的红壤丘陵区湿地松（Pinus elliottii）人工林GPP和NPP[J].生态学报，2008, 28(11)：5314-5321.

Zeng Huiqing, Liu Qijing, Feng Zongwei, et al. GPP and NPP study of Pinus elliottii forest in red soil hilly region based on BIOME-BGC model[J]. Acta Ecologica Sinica, 2008, 28(11): 5314-5321. (in Chinese with English abstract)

[7] 毛学刚，焦裕欣，张颖. 基于BEPS模型的东北三省森林生态系统NPP模拟[J]. 森林工程，2017，33(1)：22-27.

Mao Xuegang, Jiao Yuxin, Zhang Ying. NPP simulation of forest ecosystem in three provinces of Northeast China based on BEPS model[J]. Forest Engineering, 2017, 33(1): 22-27.(in Chinese with English abstract)

[8] 何丽鸿，王海燕，雷相东. 基于BIOME-BGC模型的长白落叶松林净初级生产力模拟参数敏感性[J]. 应用生态学报，2016，27(2)：412-420.

He Lihong, Wang Haiyan, Lei Xiangdong. Parameter sensitivity of simulating net primary productivity of Larix olgensis forest based on BIOME-BGC model[J].Chinese Journal of Applied Ecology, 2016, 27(2): 412-420. (in Chinese with English abstract)

[9] 陈峰，李红波，刘亚静. 基于GIS和CASA的滇南山区植被NPP时空分异及其影响因素：以云南省元阳县为例[J].生态学杂志，2018，37(7)：2148-2158.

Chen Feng, Li Hongbo, Liu Yajing. Spatio-temporal differentiation and influencing factors of vegetation net primary productivity using GIS and CASA: A case study in Yuanyang County, Yunnan[J].Chinese Journal of Ecology, 2018, 37(7): 2148-2158. (in Chinese with English abstract)

[10] 李登科，王钊. 基于MOD17A3的中国陆地植被NPP变化特征分析[J]. 生态环境学报，2018，27(3)：397-405.

Li Dengke, Wang Zhao. The characteristics of NPP of terrestrial vegetation in China based on MOD17A3 data[J]. Ecology and Environmental Sciences, 2018, 27(3): 397-405. (in Chinese with English abstract)

[11] 王强，张廷斌，易桂花，等. 横断山区2004－2014年植被NPP时空变化及其驱动因子[J]. 生态学报，2017，37(9)：3084-3095.

Wang Qiang, Zhang Tingbin, Yi Guihua,et al. Tempo-spatial variations and driving factors analysis of net primary productivity in the Hengduan mountain area from 2004 to 2014[J]. Acta Ecologica Sinica, 2017, 37(9): 3084-3095. (in Chinese with English abstract)

[12] 崔林丽，杜华强，史军，等. 中国东南部植被NPP的时空格局变化及其与气候的关系研究[J]. 地理科学，2016，36(5)：787-793.

Cui Linli, Du Huaqiang, Shi Jun, et al. Spatial and temporal pattern of vegetation NPP and its spatial and temporal pattern of vegetation NPP and its relationship with climate in the Southeastern China[J]. Scientia Geographica Sinica, 2016, 36(5): 787-793. (in Chinese with English abstract)

[13] 李猛，何永涛，付刚，等. 基于TEM模型的三江源草畜平衡分析[J]. 生态环境学报，2016，25(12)：1915-1921.

Li Meng, He Yongtao, Fu Gang, et al. Livestock-forage balance in the Three River Headwater region based on the terreatrial ecosystem model[J]. Ecology and Environmental Scinces, 2016, 25(12): 1915-1921. (in Chinese with English abstract)

[14] 尤南山，董金玮，肖桐，等. 退耕还林还草工程对黄土高原植被总初级生产力的影响[J]. 地理科学，2020，40(2)：315-323.

You Nanshan, Dong Jinwei, Xiao Tong, et al. The effects of the “grain for green” project on gross primary productivity in the loess plateau[J]. Scientia Geographica Sinica, 2020, 40(2): 315-323. (in Chinese with English abstract)

[15] 王莺，夏文韬，梁天刚. 基于CASA模型的甘南地区草地净初级生产力时空动态遥感模拟[J]. 草业学报，2011，20(4)：316-324.

Wang Ying, Xia Wentao, Liang Tiangang. Spatial-temporal dynamics simulation of grassland net primary productivity using a satellite data-driven CASA model in Gannan prefecture[J]. Acta Prataculturae Sininca, 2011, 20(4): 316-324. (in Chinese with English abstract)

[16] 师庆三，王智，吴友均，等. 新疆生态系统服务价值测算与NPP的相关性分析[J]. 干旱区地理，2010，33(3)：427-433.

Shi Qingsan, Wang Zhi, Wu Youjun, et al. Calculation of ecosystem services value and correlation with net primary production (NPP) in Xinjiang[J]. Arid Land Geography, 2010, 33(3): 427-433. (in Chinese with English abstract)

[17] 商令杰. 基于NPP数据的山东省耕地产能时空格局分析[D]. 济南：山东师范大学，2018：9-10.

Shang Lingjie. Spatio-Temporal Pattern Analysis of Cultivated Land Productivity in Shandong Province Based on NPP Data[D]. Jinan: Shandong Normal University, 2018: 9-10. (in Chinese with English abstract)

[18] 洪长桥，金晓斌，陈昌春，等. 基于多源遥感数据融合的土地整治区产能动态监测：方法与案例[J]. 地理研究，2017，36(9)：1787-1800.

Hong Changqiao, Jin Xiaobin, Chen Changchun, et al. Dynamically monitoring productivity of cultivated land enrolled in land consolidation programs based on fusing multi-source remote sensing data: Methodology and a case study[J]. Geographical Research, 2017, 36(9): 1787-1800. (in Chinese with English abstract)

[19] 洪长桥. 基于NPP的土地整治对耕地产能影响研究[D]. 南京：南京信息工程大学，2018.

Hong Changqiao. Impact of Land Consolidation on Farmland Productivity Based on NPP[D]. Nanjing: Nanjing University of Information Science & Technology, 2018. (in Chinese with English abstract)

[20] 董丹，倪健. 利用CASA模型模拟西南喀斯特植被净第一性生产力[J]. 生态学报，2011，31(7)：1855-1866.

Dong Dan, Ni Jian. Modeling changes of net primary productivity of karst vegetation in southwestern China using the CASA model[J]. Acta Ecologica Sinica, 2011, 31(7): 1855-1866. (in Chinese with English abstract)

[21] 张镱锂，祁威，周才平，等. 青藏高原高寒草地净初级生产力（NPP）时空分异[J]. 地理学报，2013，68(9)：1197-1211.

Zhang Lili, Qi Wei, Zhou Caiping, et al. Spatial and temporal variability in the net primary production (NPP) of alpine grassland on Tibetan Plateau from 1982 to 2009[J]. Acta Geographica Sinica, 2013, 68(9): 1197-1211. (in Chinese with English abstract)

[22] 邹德富. 基于CASA模型的青藏高原NPP时空分布动态研究[D]. 兰州：兰州大学，2012.

Zou Defu. Spatio-Temporal Dynamics of Tibet Plateau Net Primary Production Using CASA Model[D]. Lanzhou: Lanzhou University, 2012. (in Chinese with English abstract)

[23] Potter C S, Klooster S A, Matson P A. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[24] 朱文泉，潘耀忠，张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报，2007，31(3)：413-424.

Zhu Wenquan, Pan Yaozhong, Zhang Jingshui. Estimation of net primary productivity of Chinese terreatrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. (in Chinese with English abstract)

[25] Field C B, Randerson J T, Malmstrom C M. Globel net primary production: Combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51: 74-88.

[26] 马佳妮，张超，吕雅慧，等. 基于长时间序列遥感数据反演NPP的耕地质量评价[J]. 农业机械学报，2019，50(1)：202-208.

Ma Jiani, Zhang Chao, Lü Yahui, et al. Cultivated land quality evaluation based on inversion of NPP based on long-term sequence remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1):202-208. (in Chinese with English abstract)

[27] 刘玉安，黄波，易成功，等. 基于地形校正的植被净初级生产力遥感模拟及分析[J]. 农业工程学报，2013，29(13)：130-141.

Liu Yu’an, Huang Bo, Yi Chenggong, et al. Simulation by remote sensing and analysis of net primary productivity of vegetation based on topographical correction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 130-141. (in Chinese with English abstract)

[28] 李净，李新. 基于DEM的坡地太阳总辐射估算[J]. 太阳能学报，2007，28(8)：905-911.

Li Jing, Li Xin. Estimating solar radiation on slope using DEM[J]. Acta Energiae Solaris Sinica, 2007, 28(8): 905-911. (in Chinese with English abstract)

[29] 杨昕，汤国安，王雷. 基于DEM的山地总辐射模型及实现[J]. 地理与地理信息科学，2004，20(5)：41-44.

Yang Xin, Tang Guoan, Wang Lei. Modeling of global radiation over rugged areas based on DEM[J]. Gepgraphy and Geo-Information Science, 2004, 20(5): 41-44. (in Chinese with English abstract)

[30] 覃文忠. 地理加权回归基本理论与应用研究[D].上海：同济大学，2007.

Qin Wenzhong. The Basic Theoretic and Application Research on Geographically Weighted Regression[D]. Shanghai: Tongji University, 2007.

Calculation of county-level cultivated land productivity based on NPP index corrected by topography

Zhang Jinting1, Dong Yanchao1, Ye Zongda2

(1.,,430000,; 2.,530000,)

This study aims to estimate the productivity of arable land in a quick, accurate and cost-saving way, for the quality/productivity evaluation of arable land, and the implementation of the “trinity” policy, i.e., requisition-compensation balance of cultivated land. An attempt was made to calculate the productivity of cultivated land by using the net primary productivity (NPP) index, in order to increase the accuracy of the evaluation system, while saving time and cost. Taking the county level as the research scale, and Binyang County as the research area, the obvious terrain difference can indicate the variation of solar radiation subjected to topographic factors, and fill the research lack of NPP database at the county level. A CASA (Carnegie-Ames-Stanford Approach) model was used to calculate the remote sensing and meteorological data when extracting NPP index. The influence of topographic factors (terrain) on solar radiation was also considered in a modified CASA model. A geographic weighted regression approach was selected to compare the obtained NPP data with the utilization index of cultivated land, in order to verify the application of NPP data for the production of cultivated land. A comparison analysis of local correlation coefficient was made to determine the region with a large difference between the terrain and solar radiation, further to find the main advantages of the modified CASA model. The results showed that in the productivity distribution of cultivated land, the high NPP index was generally in the direction of southeast-northwest axis in the central region, and on the southern plain, whereas the low NPP index was on both sides of northeast and southwest in the research area. There was little change in the topographically modified NPP index, but the concentration of distribution increased, while the productivity has been extended to dry land and paddy fields. The geographic weighted regression between the indexes of cultivated land use and NPP showed that there was a strong correlation in the same geographical location,and the correlation coefficient of dry land can reach 0.87, while paddy field was 0.80, indicating that NPP index can well connect with the original cultivated land use index. It infers that the spatial autocorrelation of NPP index can be strongand sensitive to the factors affecting the productivity of cultivated land, such as soil conditions, terrain characteristics, crop differences, and transportation. The calculation of NPP index can be directly applied to the evaluation for the productivity of cultivated land, with the high efficiency and accuracy in the system. The proposed method can be more quickly and accurately applied to the dynamic estimation of cultivated land, the delimitation of basic farmland, the evaluation of land improvement benefits, and the transformation of medium and low yield farmland.

remote sensing; topography; NPP; cultivated land productivity; quality of cultivated land; geographically weighted regression

张金亭，董艳超，叶宗达. 基于地形改进NPP指数的县域耕地产能测算[J]. 农业工程学报，2020，36(10)：227-234.doi：10.11975/j.issn.1002-6819.2020.10.028 http://www.tcsae.org

Zhang Jinting, Dong Yanchao, Ye Zongda. Calculation of county-level cultivated land productivity based on NPP index corrected by topography[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 227-234. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.10.028 http://www.tcsae.org

2020-01-16

2020-03-30

国家自然基金项目（41571385）；中央高校自主科研项目（2042016kf0175）

张金亭，博士，副教授。主要研究方向为土地规划、土地评价、地籍测绘工程及土地信息。Email：whuzjt@whu.edu.cn

10.11975/j.issn.1002-6819.2020.10.028

F329.9

A

1002-6819(2020)-10-0227-08