2000—2015年滦河流域植被净初级生产力时空分布特征及其驱动因子分析*

2021-04-14张贵军张蓬涛

中国生态农业学报(中英文) 2021年4期

刘婧, 汤峰, 张贵军**, 张蓬涛

刘婧1, 汤峰2, 张贵军1**, 张蓬涛1

(1. 河北农业大学国土资源学院/河北省农田生态环境重点实验室保定 071001; 2. 中国地质大学(北京)土地科学技术学院北京 100083)

植被净初级生产力(NPP)可以反映植被生长状况, 是表征地区生态质量的重要指标。本文以滦河流域为研究区, 调查采集植被NPP、气象、土地利用结构及变化等多时空数据, 利用Sen趋势、Hurst指数及残差分析等多种方法, 综合考虑自然环境和人为利用的影响, 对2000—2015年植被NPP的时空变化特征、未来演变趋势及驱动因子进行分析和研究, 并定量识别不同区域内的主导驱动因子, 旨在为该流域的生态环境治理工作提供依据。研究结果表明: 1)2000—2015年, 滦河流域植被NPP年均值为455.04 g(C)·m-2·a-1, 整体呈波动上升趋势, 显著增加区占流域总面积的32.94%, 且未来同向变化趋势略强于反向变化趋势; 2)该流域植被NPP空间差异较为显著, 表现为东南高西北低的格局, 受地形影响较大, 流域中游的低山丘陵区为植被NPP高值区; 3)驱动机制上, 流域植被NPP变化与温度和降水均为正相关关系, 水热耦合共同作用于植被NPP的积累,人类活动则是通过改变土地利用强度或生态建设工程等影响植被NPP的变化, 且在不同地形区域内, 植被NPP变化的主导驱动因子不同, 整体上以气候和人类活动共同正向促进作用为主, 但在平原区以单因子的反向抑制作用为主。

净初级生产力; 时空分布; 驱动因子; 残差分析; 滦河流域

植被净初级生产力(net primary productivity, NPP)是陆地生态系统中碳循环的重要组成部分和调节生态过程的重要因子[1], 可以直观地反映自然条件下植被群落的生产能力。因此, 开展植被净初级生产力时空变化分析及其与驱动因子的响应机制研究对探索碳循环过程, 开展生态适宜性调控, 维持生态系统的安全与可持续发展具有重要意义[2]。

国际上对NPP的大规模研究始于20世纪60年代, 国内学术界则于20世纪70年代开始涉及此方面的研究[3], 国内外关于NPP的研究已经取得长足进展。区域NPP数据在早期主要是通过站点实测获取[4], 由于站点实测在当前技术条件下尚无法在全球尺度上开展全面实时监测, 因此现阶段采用的方法主要是构建遥感模型对陆地生态系统生产力进行估算[5-8]。国外学者大多从碳循环的角度出发[9], 探究不同生态系统的碳储量水平及影响因素[10], 特别关注碳封存的生物和非生物机制, 以期缓解人和气候变化的关系[11], 恢复各生态区的碳同化潜力[12]。国内学者主要基于两大视角即不同驱动因子和不同区域环境的植被NPP研究。研究成果表明: 在全球变暖的大环境中, 气候变化下的植被NPP变化研究成为热点[13-14], 其中温度和降水被视为植被NPP变化的主要驱动因素; 人类活动对植被NPP的影响多从土地利用变化及格局优化[15]、城市扩张[16]的角度进行分析。研究区域的选取一般为省域[17]、县域[18]等行政区单元, 或是从流域[19]、盆地[20]、丘陵[21]和沙地[22]等景观或自然地理区域着手, 也有针对干旱区[14]、人工绿洲[23]等生态脆弱区进行专项研究。对NPP的驱动因素的研究或是单独考虑自然因素, 采用相关分析[17]、回归分析[14]、经验正交函数(EOF)和奇异值分解(SVD)的方法[24]分析气候因素与植被NPP之间的关系, 或是利用土地利用转移矩阵分析土地利用变化导致的NPP的变化[17], 或是采用地理探测器方法识别植被NPP变化的主导因子[25], 但是都未能明确识别气候变化和人类活动影响植被NPP变化的控制区域。

鉴于此, 本文以滦河流域为研究区域, 采用Sen趋势度分析、Mann-Kendall非参数检验、Hurst指数及多元回归残差分析等多方法融合, 探讨了滦河流域植被NPP的时空演变机理, 并从气候、地形及人类活动等多角度进行驱动因素分析, 定量识别不同区域内的主导驱动因子, 旨在为滦河流域未来的生态环境管治和可持续发展提供一定的理论支持。

1 研究区概况

滦河流域(39°10~42°35′N, 115°20~119°15′E)位于华北地区的东北部, 发源于河北省丰宁县, 于乐亭县注入渤海, 全长约877 km, 流域总面积448.8万hm², 涉及内蒙古自治区的多伦县、太仆寺旗、辽宁省的建昌县、绥中县和河北省的迁西县、滦县等31个县市(图1)。由于所跨纬度较大, 流域内地貌类型复杂多样, 有坝上高原、燕山山地与河北平原, 地势由西北向东南倾斜, 气候类型由寒温带干旱和半干旱气候过渡到暖温带半湿润气候, 年平均气温为1~11 ℃, 年均降水量为400~800 mm。滦河流域作为京津冀地区重要的水源涵养区和生物多样性保护区,其生态支持能力的强弱对维护区域生态安全发挥着重要作用。

2 研究方法

2.1 数据来源

本文使用的植被净初级生产力数据来源于美国国家航空航天局网站(https://modis.gsfc.nasa.gov/)提供的MODIS17A3数据产品, 空间分辨率为1 km, 单位为g(C)·m-2·a-1; 研究区涉及的行列号为h26v04、h27v04和h27v05, 2000—2015年共48景影像, 通过ENVI5.1对数据进行拼接、裁剪等预处理, 并将无效值剔除。土地利用、年平均温度、年平均降水量等数据均来源于中国科学院资源环境科学数据中心( http://www.resdc.cn), 包括2000年、2005年、2010年和2015年共4期数据, 数据格式均为1 km×1 km分辨率的空间分布栅格数据。参照中国科学院的“土地利用/土地覆盖遥感监测数据分类系统”和植被NPP的相关文献资料, 本文根据研究需要和滦河流域的实际土地利用分异情况将土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地6类。DEM高程数据来源于中国科学院资源环境科学数据中心提供的1 km分辨率数据, 坡度数据利用ArcGIS 10.2中Spatial Analyst工具从高程数据中提取生成。

2.2 研究方法

2.2.1 植被NPP时空变化分析方法

2.2.1.1 基于像元的植被NPP趋势分析

用非参数化趋势度(Sen)方法模拟每个像元植被NPP的变化趋势, 分析不同时期单个像元的空间变化特征, 并采非参数检验法(Mann-Kendall)进行变化趋势的显著性检验, 以综合表征一定时间序列内滦河流域植被NPP演变规律。Sen斜率估计和Mann-Kendall检验方法如下:

以时间为序列的样本12x, x为第年的植被NPP值, 研究时段长度为=15年。其变化趋势大小的计算公式为:

式中:为趋势度, median为中位数函数。当>0时, 表示NPP随时间增加呈上升趋势; 当<0时, 表示NPP随时间增加呈下降趋势。

构造检验统计量:

式中:为正态分布, Var()为方差。在给定的显著性水平下, 若<Z/2, 则表示通过了相应置信度的显著性检验。

2.2.1.2 基于像元的植被NPP变异系数分析

变异系数是用来描述数据离散程度的指标, 可以反映植被NPP变化的稳定性[17], 公式为:

2.2.1.3 基于像元的植被NPP未来趋势分析

基于重标极差(/)分析方法的Hurst指数()是定量描述非常数长周期序列信息依赖性的有效方法[26], 其基本原理是:

确定累积离差:

求得极差:

样本标准差:

由于子区间的长度可变, 求得不同的分段情况对应不同的/, 可建立如下关系:

式中: k为常数,R/S为重标极差,为Hurst指数。以log()序列为自变量, log(R/S)序列为因变量做线性回归可得到Hurst指数的估计值, 其反映的是时间序列均值的累计离差随时间变化的范围。

时间序列的Hurst指数介于0~1, 主要可分为3种情况: 1)属于(0, 0.5), 表明植被NPP将来的总体趋势与过去相反, 即具有反持续性, 且这种反持续性取决于与0的距离, 距离越小, 反持续性越强; 2)=0.5, 表明植被NPP随时间序列是随机游走的, 现在的变化不会对未来产生影响; 3)属于(0.5, 1), 表明植被NPP将来的总体趋势与现在同方向变化, 即具有持续性, 且随着越接近于1, 趋势增强行为的强度越大。

2.2.2 植被NPP变化驱动因子分析方法

2.2.2.1 人类活动强度估算

随着人类活动强度增加, 土地利用方式发生显著变化, 可以通过土地覆被和利用类型来反映人类对自然资源的开发利用程度。徐勇等[27]和盛晓雯等[28]将人类活动强度最大、程度最高的土地利用类型——建设用地作为度量的基本单位即建设用地当量, 并依据人类利用和开发活动使土地表层自然属性的变化程度折算不同地类与建设用地当量的系数。本文在其研究的基础上, 结合滦河流域的实际情况和本研究的需要, 将滦河流域不同土地利用类型的人类活动强度进行分级, 具体如表1所示。

2.2.2.2 相关性分析

相关分析是揭示两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法, 偏相关分析是在控制其他相关变量的线性影响条件下分析两变量间的线性相关性的分析方法[18]。基于像元分别计算植被NPP与其影响因子的相关系数及偏相关系数, 公式如下:

表1 滦河流域不同土地利用类型的人类影响强度系数

式中:R为控制变量之后与的偏相关系数,R、R、R分别为与、,与的相关系数。

2.2.2.3 多元回归残差分析

残差分析法是通过建立气温、降水与植被NPP的二元线性回归模型, 将气候变化和人类活动对植被NPP的影响分离并定量分析, 公式如下:

NPPCC=´+´+(14)

NPPHA=NPPobs−NPPcc(15)

式中: NPPCC和NPPobs分别为基于回归模型的NPP预测值和实际值,、、为模型参数,、分别为平均气温和降水量, NPPHA为残差。

2.2.2.4 植被NPP变化的驱动因素判定

根据公式(1)计算得到2000—2015年NPPCC和NPPHA的变化趋势, 若趋势值为正则代表气候变化或人类活动对植被NPP变化起正向促进作用, 反之则为反向抑制作用。依据NPPCC、NPPHA及NPPobs的变化趋势可判定不同区域植被NPP的主要驱动因素: 当NPPobs>0, NPPCC>0, NPPHA>0时为气候和人类活动起共同正向驱动作用; 当NPPobs>0, NPPCC>0, NPPHA<0时为气候因子的正向驱动作用; 当NPPobs>0, NPPCC<0, NPPHA>0时为人类活动的正向驱动作用; 当NPPobs<0, NPPCC<0, NPPHA<0时为气候和人类活动起共同反向作用; 当NPPobs<0, NPPCC<0, NPPHA>0时为气候因子的反向抑制作用; 当NPPobs<0, NPPCC>0, NPPHA<0时为人类活动的反向抑制作用。

3 结果与分析

3.1 滦河流域植被NPP时空演化分析结果

3.1.1 植被NPP空间分布格局

由2000—2015年平均植被NPP分布图(图2)可知, 滦河流域植被NPP年平均值为455.04 g(C)·m-2·a-1, 年均值分布在0~200 g(C)·m-2·a-1、200~ 400 g(C)·m-2·a-1、400~600 g(C)·m-2·a-1、600~ 800 g(C)·m-2·a-1、>800 g(C)·m-2·a-1的区域分别占总面积的12.89%、28.38%、31.57%、21.64%、5.35%。从空间分布来看, 流域植被NPP呈现东南高、西北低的分布特征。从行政区划来看高值区主要位于河北省的承德县、卢龙县, 该区域多为中小起伏的低山丘陵, 植被资源丰富, 局部区域植被NPP超过800 g(C)·m-2·a-1; 低值区主要位于内蒙古的正蓝旗、多伦县和唐山市辖区南部, 唐山市辖区受到城市化扩张等人类活动的影响较大, 植被退化严重, 局部地区NPP低于200 g(C)·m-2·a-1。

3.1.2 植被NPP时间变化特征

2000—2015年滦河流域植被NPP总体处于增长态势(图3a), 平均值由405.04 g(C)·m-2·a-1波动上升至501.43 g(C)·m-2·a-1。根据Sen趋势分析和Mann-Kendall检验结果, 将研究区分为无显著上升/下降区、弱显著上升/下降区(<0.1)、显著上升/下降区(<0.05)和极显著上升/下降区(<0.01)(图3b)。植被NPP极显著增加和显著增加的区域占研究区总面积的32.94%, 主要分布在研究区中部的河北省隆化县、滦平县、宽城满族自治县、青龙满族自治县, 这些地区位于京津冀水源涵养生态功能保护区内, 保护区内生态工程的大力建设加快了地区生产方式的转变和生态治理的步伐, 生态环境明显改善, 植被NPP增加明显; 植被NPP极显著下降区域和显著下降区域仅占6.98%, 主要分布在研究区南部的河北省迁安市、卢龙县、滦县、昌黎县和乐亭县等, 这些地区地势较为平坦开阔, 2000—2015年间经济不断发展, 处于土地利用强度快速上升期, 生态破坏和环境问题日益突出。

滦河流域植被NPP的变异系数介于0.03~2.07 (图4a), 一般认定变异系数小于0.1为弱变异, 0.1~1.0为中等变异, 大于1为强变异, 说明滦河流域植被NPP变异的空间差异性显著, 但大部分区域变异系数值较低, 植被NPP相对稳定。变异系数较高值区出现在流域上游的内蒙古锡林郭勒盟正蓝旗, 该地区多为草地, 适应干旱策略等异质性较强, 生境条件变化会使草地调整响应策略[29], 引起植被NPP的变化。

通过计算滦河流域植被NPP的Hurst指数, 可以将其未来的变化趋势具体量化, 从而更好地对滦河流域未来的生态环境进行监测和预警。滦河流域植被NPP的Hurst指数介于0.17~0.95, 随时间序列呈持续性变化的区域占54.13%, 呈反持续性变化的区域占40.25%。研究将Hurst指数分为6个等级, 结合Sen趋势度得到滦河流域植被NPP未来变化趋势(图4b), 植被NPP增长且未来呈持续性变化的区域占研究区的41.90%, 植被NPP增长但呈反持续性变化的区域占33.57%。流域上游的内蒙古围场满族蒙古族自治县、丰宁满族自治县主要表现为较强持续性变化, 且该地区多为林地和草地, 生态本底条件优越, NPP不断良性积累, 生态系统价值逐年增加; 流域下游的河北省迁安市、唐山市等地也表现为持续性变化, 但其植被NPP大部分处于下降趋势, 这些地区处于平原缓坡区, 人类活动对土地生态系统的干扰不断增强, 城乡建设用地大量侵占林地和耕地, 生态环境持续恶化; 得益于森林和草地资源的管护, 滦河流域中游段大部分区域在研究期间植被NPP呈现递增变化, 但未来变化呈现出弱持续与弱反持续特征, 尤其是部分区域表现为较强反持续, 说明该区域未来生态环境存在恶化的可能性。

3.2 滦河流域植被NPP时空变化归因

3.2.1 气候因子对植被NPP的驱动特征

气候因素通过温度变化、降水机制作用于植物的生长与分布, 影响植物光合作用和呼吸作用而改变植被NPP。通过计算2000—2015年植被NPP与年气温、年降水逐像元的相关系数和偏相关性系数并进行空间化显示, 分析降水量与温度对植被NPP的影响。计算结果显示滦河流域植被NPP与温度的相关系数介于-0.74~0.86, 控制降水影响后, 偏相关系数介于-0.72~0.84(图5a、5b), 相差不大, 而呈显著相关(<0.05)的区域占总面积的比例由9.25%上升至34.38%, 表明水热条件共同作用于植被NPP的积累。控制温度影响后, 植被NPP与降雨呈正相关的区域显著减少, 呈负相关的区域由27.19%增至60.26%, 显著相关的区域面积比例无显著变化但分布有所不同, 这是由于强降水会影响植物光合作用, 抑制植被NPP的积累(图5c、5d)。

3.2.2 地形因子对植被NPP的驱动特征

自然地理环境会随地形的不同而出现分异, 不同高程和坡度的水热、土壤条件的分异都会影响区域植被格局, 引起植被NPP的变化。从图6可以看出, NPP随着高程和坡度而变化显著, 在一定的高程范围内, 植被NPP随高程增加波动上升, 但达到一定高度后由于水热条件的变化会导致植被的垂直性地带变化, 进而影响NPP的积累, 且表现出随着坡度增大植被NPP波动增强。根据国际地理学会地貌调查与制图委员会对高程及坡度的划分标准并结合滦河流域实际情况, 对滦河流域2000—2015年植被NPP平均值、变化趋势及未来变化趋势按高程和坡度进行分类统计(表2)。

高程200 m以下的平原区多为耕地和建设用地, 受人类活动干扰较强, 植被NPP与高程的相关系数仅为0.03; 200~1000 m的低山、丘陵区主要位于流域中游, 属于京津水源涵养生态功能保护区, 地表覆被多为林地, NPP均值达491.69 g(C)·m-2·a-1, 且呈波动式缓慢上升; 流域上游的中山区和高山区主要为草地和耕地, 位于阴山山麓-浑善达克沙地生态功能保护区, 因为过度放牧导致土壤沙化问题, 该区域的生态敏感性和脆弱性都较高, NPP随高程增加迅速减少, 需切实加强生态建设, 恢复和繁育植被, 并通过优化产业结构适当降低土地开发利用强度。

坡度小于0.5°的地区, 植被NPP与坡度的相关系数仅为0.0033, 故不予考虑; 0.5°~2°的微斜坡地区植被NPP值降至最低的398.89 g(C)·m-2·a-1, 且未来变化趋势为下降; 2°~5°、5°~15°、15°~35°的植被NPP均值呈递增趋势, 且未来变化趋势均表现为弱持续性, 说明对坡度较大不宜耕作区退耕还林还草工程的实施起到了较好的生态治理效果; 而大于35°的峭坡由于过陡对植被生长产生限制, NPP均值出现了下降。

3.2.3 人类活动对植被NPP的驱动特征

为了进一步探究人类活动对植被NPP损益的影响, 利用2000年和2015年的土地利用现状及强度进行空间分析得到土地利用强度变化, 结合植被NPP残差及残差变化趋势分布(图7), 统计各变化单元的植被NPP损益情况(表3)。2000—2015年滦河流域发生土地利用强度变化的面积为8.07万hm2, 占流域总面积的1.49%。土地利用强度的增强主要发生在流域的源头及下游地区, 基本位于NPP残差的负值区域, 主要表现为耕地向建设用地的转化, 人类活动对植被NPP变化起到反向抑制作用, 因此, 在未来发展中应该控制城镇村及工矿用地规模扩展对耕地、林地的占用, 并同时开展生态修复, 提高生态效应; 流域中游的京津冀水源涵养生态功能保护区自然本地条件优越, 加之不断深化的生态环境治理, 发生土地利用强度变化的区域较少, 人类活动对植被NPP的增长起到有效的促进作用; 土地利用强度减弱的区域较少, 主要发生于流域源头的多伦县, 皆因近年来该区域大力开展防风固沙等生态建设工程, 植被得到了较好恢复。

表2 滦河流域不同地形下的NPP比较

表3 滦河流域2000—2015年土地利用强度变化及导致的植被NPP变化

面积变化小于0.01´104hm²的未在表格中表示。Areas with a change less than 0.01´104hm² are not represented in the table.

3.2.4 不同驱动因素对植被NPP变化的相对贡献

通过残差趋势分析得到气候和人类活动对植被NPP变化的作用区域(图8), 并结合地形因素将滦河流域分为平原区、低山丘陵区及中高山区, 得到不同地形下植被NPP变化的主导驱动因子(表4)。从滦河流域全域来看气候和人类活动共同作用引起植被NPP正向变化的占比最大, 占总面积的35.79%, 气候和人类活动共同起反向抑制作用所占比例最小,为1.74%; 流域下游的平原区表现为植被NPP的减少趋势, 人类活动的反向抑制作用范围主要发生在唐山市市辖区及周边, 占总面积的1.44%, 占平原区面积的15.72%, 气候变化对植被NPP增加起抑制作用的区域范围更广, 占总面积的5.88%, 占平原区面积的35.91%; 滦河流域的低山丘陵区驱动因子作用面积最大的为气候和人类活动的共同正向驱动,占流域总面积的15.96, 占低山丘陵区面积的43.01%, 其次为人类活动的正向驱动作用, 占流域总面积的10.26%, 占低山丘陵区面积达27.63%; 中高山区各驱动因素起正向促进作用的范围占比略低于中山丘陵区, 起反向抑制作用的区域所占面积比例更大。

4 讨论与结论

4.1 讨论

MODIS数据具有空间覆盖面广和观测频次高的优势, 本文采用MOD17A3 1 km分辨率的NPP数据, 得到滦河流域2000—2015年平均NPP为455.04 g(C)·m-2·a-1, 高于李登科等[30]研究得到的同期全国陆地植被平均NPP的273.5 g(C)·m-2·a-1, 略高于李肖等[31]研究得到的河北省年NPP均值, 这主要是因为滦河流域是京津冀地区重要的水源涵养区和生物多样性保护区, 境内有塞罕坝、木兰围场等多个国家森林公园, 植被覆盖率较高。变化趋势上, 本研究结果与赵苗苗等[7]同时期研究中黄淮海区结果基本一致, 表现为波动上升趋势, 该结果表明滦河流域的植被覆盖度增加, 生态环境得到明显改善, 这可能我国近年来实行的退耕还林、还草等生态建设工程密切相关。研究期间, 滦河流域气温与年降水量变化趋势均不明显, 但有暖湿化趋势, 充足的降水和适宜的温度为植物生长带来良好的水热条件,增强了光合作用效率, 有利于有机干物质的积累, 但在流域中游降雨充沛的地区, 由于地势较陡易引起水土流失, 破坏地区植被生态系统。另外地形因子还通过影响气候垂向分带, 使植被的分布呈地带性分异, 研究区内植被NPP均值由大到小的植被类型大致为森林植被-灌溉栽培植被-灌丛植被-草原植被-沼泽, 与刘婵等[32]对植被水分利用效率的研究结论一致。可见气候和地形因子都是影响植被NPP变化的重要影响因素。

表4 滦河流域不同区域驱动因子对植被NPP变化的影响

本研究采用土地利用强度和残差分析法探究人类活动对植被NPP变化的影响, 但土地利用强度的确定仅从土地利用类型角度考虑, 尚不足以衡量人类对土地开发利用、保护和管理等干扰强度, 残差分析法虽能定量分离气候和人类活动对植被NPP变化的影响, 但影响植被NPP变化的自然因素较多, 如蒸散量、土壤水分、植被需水差异等, 如何合理选择要素尚无定论, 对人类活动的分析也没有细化, 使研究结果存在一定的不确定性。

4.2 结论

1)时间尺度上, 2000—2015年滦河流域植被NPP多年平均值介于405.04~501.43 g(C)·m-2·a-1, 整体呈波动上升趋势且以低波动性为主。未来变化趋势上, 表现为同向特征略强于反向特征, 植被NPP未来持续增加的趋势不明显, 部分区域存在生态环境持续恶化的可能。

2)空间分布上, 植被NPP均值为东南高西北低的格局, 高值区主要分布在流域中游的京津冀水源涵养生态功能保护区内, 低值区分布在土地利用强度较大的下游平原区及生态脆弱性较高的上游农牧区。

3)驱动机制上, 气候和人类活动对植被NPP的影响在不同地形上具有较强的空间异质性。大部分区域植被NPP与气候因子呈正相关关系, 且温度的影响要强于降水, 随着高程的增加, 植被NPP表现为“波动上升-陡降-上升”的变化规律, 坡度越大植被NPP波动上升的起伏也越大; 人类活动通过改变土地利用强度或生态建设工程等影响植被NPP的变化。整体上, 平原区以气候的反向抑制作用和人类活动的反向抑制作用为主, 低山丘陵及中高山区以气候和人类活动共同的正向驱动作用为主。

[1] 卢伟, 范文义, 田甜. 不同步长尺度下BEPS碳循环模型的协同应用[J]. 应用生态学报, 2016, 27(9): 2771–2778 LU W, FAN W Y, TIAN T. Collaborative application of BEPS at different time steps[J]. Chinese Journal of Applied Ecology, 2016, 27(9): 2771–2778

[2] 冯险峰, 孙庆龄, 林斌. 区域及全球尺度的NPP过程模型和NPP对全球变化的响应[J]. 生态环境学报, 2014, 23(3): 496–503 FENG X F, SUN Q L, LIN B. NPP process models applied in regional and global scales and responses of NPP to the global change[J]. Ecology and Environmental Sciences, 2014, 23(3): 496–503

[3] 蒋冲, 王飞, 穆兴民, 等. 气候变化对渭河流域自然植被净初级生产力的影响研究(Ⅱ)——渭河流域自然植被净初级生产力的研究[J]. 干旱区资源与环境, 2013, 27(5): 53–57 JIANG C, WANG F, MU X M, et al. Effect of climate change on net primary productivity (NPP) of natural vegetation in Wei river basin (Ⅱ). NPP of natural vegetation in Wei river basin[J]. Journal of Arid Land Resources and Environment, 2013, 27(5): 53–57

[4] 袁文平, 蔡文文, 刘丹, 等. 陆地生态系统植被生产力遥感模型研究进展[J]. 地球科学进展, 2014, 29(5): 541–550 YUAN W P, CAI W W, LIU D, et al. Satellite-based vegetation production models of terrestrial ecosystem: An overview[J]. Advances in Earth Science, 2014, 29(5): 541–550

[5] 周磊, 李刚, 贾德伟, 等. 基于光能利用率模型的河南省冬小麦单产估算研究[J]. 中国农业资源与区划, 2017, 38(6): 108–115 ZHOU L, LI G, JIA D W, et al. Yield estimation of winter wheat in Henan province based on the vegetation photosynthesis model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(6): 108–115

[6] 平晓莹, 马俊, 刘淼, 等. 基于VPM模型的长白山自然保护区植被总初级生产力动态变化[J]. 应用生态学报, 2019, 30(5): 1589–1598 PING X L, MA J, LIU M, et al. Dynamics of gross primary productivity with VPM model in Changbai Mountain Natural Reserve, Northeast China[J]. Chinese Journal of Applied Ecology, 2019, 30(5): 1589–1598

[7] 赵苗苗, 刘熠, 杨吉林, 等. 基于HASM的中国植被NPP时空变化特征及其与气候的关系[J]. 生态环境学报, 2019, 28(2): 215–225 ZHAO M M, LIU Y, YANG J L, et al. Spatio-temporal patterns of NPP and its relations to climate in China based on HASM[J]. Ecology and Environmental Sciences, 2019, 28(2): 215–225

[8] 杨会巾, 李小玉, 刘丽娟, 等. 基于耦合模型的干旱区植被净初级生产力估算[J]. 应用生态学报, 2016, 27(6): 1750–1758 YANG H J, LI X Y, LIU L J, et al. Estimation of net primary productivity in arid region based on coupling model[J]. Chinese Journal of Applied Ecology, 2016, 27(6): 1750–1758

[9] CHEN J M, JU W M, CIAIS P, et al. Vegetation structural change since 1981 significantly enhanced the terrestrial carbon sink[J]. Nature Communications, 2019, 10(1): 4259

[10] PAYNE N J, CAMERON D A, LEBLANC J D, et al. Carbon storage and net primary productivity in Canadian boreal mixed wood stands[J]. Journal of Forestry Research, 2019, 30(5): 1667–1678

[11] LAL R. Carbon cycling in global drylands[J]. Current Climate Change Reports, 2019, 5(3): 221–232

[12] LEES K J, QUAIFE T, ARTZ R R E, et al. A model of gross primary productivity based on satellite data suggests formerly afforested peatlands undergoing restoration regain full photosynthesis capacity after five to ten years[J]. Journal of Environmental Management, 2019, 246: 594–604

[13] 仲晓春, 陈雯, 刘涛, 等. 2001~2010年中国植被NPP的时空变化及其与气候的关系[J]. 中国农业资源与区划, 2016, 37(9): 16–22 ZHONG X C, CHEN W, LIU T, et al. Spatial and temporal change of vegetation net primary productivity and its relationship with climate from 2001 to 2010 in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(9): 16–22

[14] 姬盼盼, 高敏华, 杨晓东. 中国西北部干旱区NPP驱动力分析——以新疆伊犁河谷和天山山脉部分区域为例[J]. 生态学报, 2019, 39(8): 2995–3006 JI P P, GAO M H, YANG X D. Analysis of NPP driving force in an arid region of Northwest China: A case study in Yili Valley and parts of Tianshan Mountains, Xinjiang, China[J]. Acta Ecologica Sinica, 2019, 39(8): 2995–3006

[15] 赵晓, 周文佐, 田罗, 等. 土地利用变化对三峡库区重庆段植被净初级生产力的影响[J]. 生态学报, 2018, 38(21): 7658–7668 ZHAO X, ZHOU W Z, TIAN L, et al. Effects of land-use changes on vegetation net primary productivity in the Three Gorges Reservoir Area of Chongqing[J]. Acta Ecologica Sinica, 2018, 38(21): 7658–7668

[16] 乔旭宁, 顾羊羊, 邹长新, 等. 基于夜间灯光数据的太湖流域城镇扩张对净初级生产力的影响研究[J]. 生态学报, 2018, 38(16): 5883–5893 QIAO X N, GU Y Y, ZOU C X, et al. The impact of urban expansion on net primary productivity in the Taihu Lake basin based on nighttime light images[J]. Acta Ecologica Sinica, 2018, 38(16): 5883–5893

[17] 王芳, 汪左, 张运. 2000—2015年安徽省植被净初级生产力时空分布特征及其驱动因素[J]. 生态学报, 2018, 38(8): 2754–2767 WANG F, WANG Z, ZHANG Y. Spatio-temporal variations in vegetation Net Primary Productivity and their driving factors in Anhui Province from 2000 to 2015[J]. Acta Ecologica Sinica, 2018, 38(8): 2754–2767

[18] 王钊, 李登科. 2000—2015年陕西植被净初级生产力时空分布特征及其驱动因素[J]. 应用生态学报, 2018, 29(6): 1876–1884 WANG Z, LI D K. Spatial-temporal distribution of vegetation net primary productivity and its driving factors from 2000 to 2015 in Shaanxi, China[J]. Chinese Journal of Applied Ecology, 2018, 29(6): 1876–1884

[19] 陈强, 陈云浩, 王萌杰, 等. 2001—2010年黄河流域生态系统植被净第一性生产力变化及气候因素驱动分析[J]. 应用生态学报, 2014, 25(10): 2811–2818 CHEN Q, CHEN Y H, WANG M J, et al. Change of vegetation net primary productivity in Yellow River watersheds from 2001 to 2010 and its climatic driving factors analysis[J]. Chinese Journal of Applied Ecology, 2014, 25(10): 2811–2818

[20] 杜梦洁, 郑江华, 任璇, 等. 地形对新疆昌吉州草地净初级生产力分布格局的影响[J]. 生态学报, 2018, 38(13): 4789–4799 DU M J, ZHENG J H, REN X, et al. Effects of topography on the distribution pattern of net primary productivity of grassland in Changji Prefecture, Xinjiang[J]. Acta Ecologica Sinica, 2018, 38(13): 4789–4799

[21] 陈晓玲, 曾永年. 亚热带山地丘陵区植被NPP时空变化及其与气候因子的关系——以湖南省为例[J]. 地理学报, 2016, 71(1): 35–48 CHEN X L, ZENG Y N. Spatial and temporal variability of the net primary production (NPP) and its relationship with climate factors in subtropical mountainous and hilly regions of China: A case study in Hunan Province[J]. Acta Geographica Sinica, 2016, 71(1): 35–48

[22] 安妮, 宁小莉, 海全胜, 等. 基于MODIS数据的近15年浑善达克沙地植被净初级生产力时空分布研究[J]. 干旱区资源与环境, 2020, 34(4): 168–175 AN N, NING X L, HAI Q S, et al. Optical model for estimating the spatial and temporal distribution of vegetation net primary productivity in HunShandake Sandyland in recent 15 years[J]. Journal of Arid Land Resources and Environment, 2020, 34(4): 168–175

[23] 张芳, 熊黑钢, 冯娟, 等. 基于遥感的新疆人工绿洲扩张中植被净初级生产力动态变化[J]. 农业工程学报, 2017, 33(12): 194–200 Zhang F, Xiong H G, Feng J, et al. Dynamic change of net primary productivity during process of new artificial oasis expansion in Xinjiang based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(12): 194–200

[24] 刘刚, 孙睿, 肖志强, 等. 2001—2014年中国植被净初级生产力时空变化及其与气象因素的关系[J]. 生态学报, 2017, 37(15): 4936–4945 LIU G, SUN R, XIAO Z Q, et al. Analysis of spatial and temporal variation of net primary productivity and climate controls in China from 2001 to 2014[J]. Acta Ecologica Sinica, 2017, 37(15): 4936–4945

[25] 左丽媛, 高江波, 基于地理探测器的喀斯特植被NPP定量归因[J]. 生态环境学报, 2020, 29(4): 686–694 ZUO L Y, GAO J B. Quantitative attribution analysis of NPP in Karst peak cluster depression based on geographical detector[J]. Ecology and Environmental Sciences, 2020, 29(4): 686–694

[26] 孙锐, 陈少辉, 苏红波. 2000—2016年黄土高原不同土地覆盖类型植被NDVI时空变化[J]. 地理科学进展, 2019, 38(8): 1248–1258SUN R, CHEN S H, SU H B. Spatiotemporal variations of NDVI of different land cover types on the Loess Plateau from 2000 to 2016[J]. Progress in Geography, 2019, 38(8): 1248–1258

[27] 徐勇, 孙晓一, 汤青. 陆地表层人类活动强度: 概念、方法及应用[J]. 地理学报, 2015, 70(7): 1068–1079 XU Y, SUN X Y, TANG Q. Human activity intensity of land surface: Concept, method and application in China[J]. Acta Geographica Sinica, 2015, 70(7): 1068–1079

[28] 盛晓雯, 曹银贵, 周伟, 等. 京津冀地区土地利用变化对生态系统服务价值的影响[J]. 中国农业资源与区划, 2018, 39(6): 79–86 SHENG X W, CAO Y G, ZHOU W, et al. Impact of land use change on ecosystem service value in Beijing-Tianjin-Hebei Region[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(6): 79–86

[29] 郭灵辉, 郝成元, 吴绍洪, 等. 内蒙古草地NPP变化特征及其对气候变化敏感性的CENTURY模拟研究[J]. 地理研究, 2016, 35(2): 271–284 GUO L H, HAO C Y, WU S H, et al. Analysis of changes in net primary productivity and its susceptibility to climate change of Inner Mongolian grasslands using the CENTURY model[J]. Geographical Research, 2016, 35(2): 271–284

[30] 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 D K, WANG Z. The characteristics of NPP of terrestrial vegetation in China based on MOD17A3 data[J]. Ecology and Environmental Sciences, 2018, 27(3): 397–405

[31] 李肖, 袁金国, 孟丹. 河北省2005—2014年植被NPP时空演变及其与气候因子的关系[J]. 水土保持研究, 2018, 25(6): 109–114 LI X, YUAN J G, MENG D. Spatiotemporal distribution of vegetation net primary productivity and its relationship with climate factors in Hebei Province from 2005 to 2014[J]. Research of Soil and Water Conservation, 2018, 25(6): 109–114

[32] 刘婵, 刘冰, 赵文智, 等. 黑河流域植被水分利用效率时空分异及其对降水和气温的响应[J]. 生态学报, 2020, 40(3): 888–899LIU C, LIU B, ZHAO W Z, et al. Temporal and spatial variability of water use efficiency of vegetation and its response to precipitation and temperature in Heihe River Basin[J]. Acta Ecologica Sinica, 2020, 40(3): 888–899

Spatio-temporal distribution of net primary productivity and its driving factors in the Luanhe River Basin from 2000 to 2015*

LIU Jing1, TANG Feng2, ZHANG Guijun1**, ZHANG Pengtao1

(1. College of Land and Resources, Hebei Agricultural University / Key Laboratory for Farmland Eco-Environment of Hebei Province, Baoding 071001, China; 2. College of Land Science and Technology, China University of Geosciences (Beijing), Beijing 100083, China)

Net primary productivity (NPP) is an important indicator of regional ecological quality and can reflect the growth status of vegetation. We selected the Luanhe River Basin as the study area, and used trend analysis, Hurst index, and residual trend analysis to examine the spatio-temporal distribution of NPP and investigated the effects of climate change, topographic factors, and human activities. This study analyzed NPP based on meteorological data, land use maps, and remote sensing data MOD17A3 from 2000 to 2015 and aimed to provide a basis for the ecological environmental governance of the river basin. The results showed that: 1) The average annual NPP was 455.04 g(C)·m−2·a−1, and the inter-annual variability showed overall growth from 2000 to 2015. Of the total basin area, 32.94% had a significant increase in NPP, whereas 6.98% had a significant decrease. The Hurst index analysis indicated that most NPP changes were in the same direction. 2) There were regional NPP differences in the Luanhe River Basin; the multi-year NPP average was lowest in the low hilly area, intermediate in the plain country, and highest in the middle mountain region. The maximum NPP was in Chengde and Lulong Counties in the Beijing-Tianjin-Hebei water conservation ecological function reserve, with characteristically superior natural environmental conditions. 3) The watershed NPP was positively correlated with the annual average precipitation and the annual average temperature, indicating that temperature was the main climatic factor affecting NPP in the Luanhe River Basin. The accumulation of vegetation NPP was affected by the combined effects of temperature and precipitation. Human activities affected the vegetation NPP by changing the land use intensity, ecological construction, and improving the environment, with positive and negative effects on NPP. Among the different terrain areas, the dominant factors affecting vegetation NPP varied. Overall, the prevailing reasons for NPP increases were climatic factors and human activities; only 1.74% of the regional climate and anthropogenic activities contributed to NPP reduction. The driving characteristics were similar in the low hilly area and the middle and high mountain areas. However, in the low-altitude plain areas, climatic factors or human activity alone led to more significant NPP reductions, accounting for 51.63% of the area. Taken together, this study showed that spatial distribution of NPP was determined by climatic and topographic characteristics, and climate change and human activities strongly affected vegetation NPP.

Net primary productivity; Spatio-temporal distribution; Driving factors; Residual trend analysis; Luanhe River Basin

10.13930/j.cnki.cjea.200701

刘婧, 汤峰, 张贵军, 张蓬涛. 2000—2015年滦河流域植被净初级生产力时空分布特征及其驱动因子分析[J]. 中国生态农业学报(中英文), 2021, 29(4): 659-671

LIU J, TANG F, ZHANG G J, ZHANG P T. Spatio-temporal distribution of net primary productivity and its driving factors in the Luanhe River Basin from 2000 to 2015[J]. Chinese Journal of Eco-Agriculture, 2021, 29(4): 659-671

Q948