基于数据融合的植被NPP时空变化及驱动因素分析

陈仔明; 岳春芳; 刘坤; 刘湘茹; CHEN Zi-ming; YUE Chun-fang; LIU Kun; LIU Xiang-ru

doi:10.12396/jsgg.2023463

节水灌溉 ›› 2024 ›› (6) : 11-18. DOI: 10.12396/jsgg.2023463

基于数据融合的植被NPP时空变化及驱动因素分析

作者信息 +

Spatio-temporal Changes and Driving Factors of Vegetation Net Primary Productivity Based on Data Fusion : A Case Study of Baicheng Basin

Author information +

稿件信息 +

摘要

植被净初级生产力（NPP）是区域生态系统保护及生态环境治理的重要参考指标，针对拜城盆地植被NPP时空变化特征及其与气候变化的响应关系不明这一问题，利用STARFM时空数据融合模型，估算拜城盆地30 m空间分辨率的植被NPP，同时使用Sen斜率估计及M-K检验，分析植被NPP的时空变化趋势特征，并通过偏相关系数法量化气候要素的影响程度。结果显示：时间上，研究区2000-2020年植被NPP均值为152.1 g/（m²•a），总体呈不显著下降趋势；空间上，植被NPP值表现为南北高，中部河谷区域低，其中69.03%的区域呈不显著变化，11.44%呈显著增加趋势，19.53%呈显著减小趋势；研究区植被NPP变化与降雨总量、太阳辐射总量呈正相关，与平均气温呈现负相关关系，其中，太阳辐射是影响植被NPP变化的主导因素。研究结果表明：改进的CASA模型对于模拟研究区植被净初级生产力具有较好的适用性，有助于更好地揭示拜城盆地NPP的变化特征及驱动因素，并为估算与定期监测中小尺度区域的NPP提供了新方法。

Abstract

Net primary productivity (NPP) of vegetation is an important reference index for regional ecosystem protection and ecological environment governance. Aiming at the problem that the spatial and temporal variation characteristics of vegetation NPP and its response to climate change in Baicheng Basin are unknown, this study used the STARFM spatial and temporal data fusion model to estimate the vegetation NPP of 30 m spatial resolution in Baicheng Basin.At the same time, Sen slope estimation and M-K test were used to analyze the spatial and temporal variation characteristics of vegetation NPP, and the influence degree of climate factors was quantified by partial correlation coefficient method. The results showed that: Temporally, the average NPP of vegetation in the study area from 2000 to 2020 was 152.1 g C•m^-2•a^-1, showing an insignificant downward trend. Spatially, the NPP value of vegetation is high in the northern and southern regions, and low in the central valley. Out of the total area, 69.03 % of the areas showed no significant change, 11.44 % showed a significant increase trend, and 19.53 % showed a significant decrease trend. The change of vegetation NPP in the study area exhibited a positive correlation with total rainfall and total solar radiation, while they displayed a negative correlation with average temperature. Among these factors, solar radiation was the dominant factor affecting the change of vegetation NPP. The results show that the improved CASA model has good applicability to simulate the net primary productivity of vegetation in the study area, which is helpful to better reveal the variation characteristics and driving factors of NPP in Baicheng Basin, offering a new method for estimating and regularly monitoring NPP in small and medium-sized areas.

导出引用

陈仔明 , 岳春芳 , 刘坤 , 刘湘茹. 基于数据融合的植被NPP时空变化及驱动因素分析[J].节水灌溉, 2024(6): 11-18 https://doi.org/10.12396/jsgg.2023463

CHEN Zi-ming , YUE Chun-fang , LIU Kun , LIU Xiang-ru. Spatio-temporal Changes and Driving Factors of Vegetation Net Primary Productivity Based on Data Fusion : A Case Study of Baicheng Basin[J].Water Saving Irrigation, 2024(6): 11-18 https://doi.org/10.12396/jsgg.2023463

0 引言

陆地植被净初级生产力（Net Primary Productivity，NPP）反映了在一定生长环境下，植物群落固定碳的能力，对于判断生态系统的生产力和稳定性以及了解生态系统的功能和机构具有重要作用，是生态系统过程的调节器，是陆地碳汇的关键决定性因素^[1-4]，也是陆地生态系统中物质与能量转换研究的基石^[5]。定量识别区域NPP变化趋势及其驱动因素对当地生态系统保护及生态环境治理具有重要意义。

估算NPP的方法有实验法、通过站点观测的方法和模型估算等，早期利用APAR-NPP(Absorbed Photosynthetically Active Radiation)之间的关系，在特定的实验区内估算植被 NPP并取得了一定的成功，但是，在较大区域乃至全球尺度上其限制较多^[6]。随着遥感技术的快速发展，改进的CASA(Carnegie Ames Stanford Approach)模型被广泛使用，将遥感数据归一化植被指数（NDVI）和土地覆盖分类作为模型参数，结合月均气温、太阳总辐射量、降水量等气象数据模拟并估算NPP，不仅优化了参数的选取，而且提高了对大尺度NPP模拟的精确度。改进的CASA模型已经得到广泛的验证，并取得一定的研究成果^[7-9]，众多学者如朱玉果^[10]、杨晗^[11]、朴世龙等^[12]基于改进的CASA模型对植被净初级生产力进行了模拟，并分析了其时空变化特征及其影响。

目前针对新疆地区植被NPP的研究，主要集中于NPP的空间分布格局变化特征分析以及其对气候变化的响应上^[13-16]。新疆拜城盆地地处西北干旱区，独特的地形地貌以及复杂多变的气候环境使其更易受到气候变化的影响^[17]。而在干旱区NPP变化及其影响因素分析的研究中，有学者在青藏高原地区^[18]、天山北坡地区^[19]及叶尔羌河流域^[20]NPP的变化趋势及其影响因素中认为降水与气温等气象因子存在空间差异，目前，关于NPP气候影响因素的研究主要集中于平均气温、累积降雨量以及太阳辐射3个要素^{[2, 3]}。由于卫星本身的条件限制以及特殊天气的影响，导致高时空分辨率遥感数据缺失，而多源遥感数据的时空融合技术因弥补了这一缺陷而得到快速的发展及应用^{[21, 22]}。其中，时空数据融合模型(STARFM)因参数简单、融合效果较好成为目前应用较为广泛的时空融合模型，张亚军^[23]基于中分辨成像光谱仪和Landsat 8的亮温融合及反演，进一步验证了STARFM融合模型的融合精度。因此区别于前人使用低精度NPP数据产品，本研究将Landsat NDVI和MODIS NDVI遥感数据通过时空数据融合模型进行融合，得到拜城盆地时间间隔为16 d、空间分辨率为30 m的NDVI数据，模拟并获取高时空分辨率的植被净初级生产力总值，精准识别拜城盆地NPP的时空变化特征，并定量分析植被NPP的驱动因素，这将对探究拜城盆地NPP时空变化特征，厘清影响盆地NPP变化的气候因素，并评估气候变化对拜城盆地生态系统NPP的影响具有重要意义，对区域可持续发展以及相关环境治理政策的制定起着一定的借鉴作用。

1 材料与方法

1.1 研究区概况

拜城盆地位于新疆天山山脉中部，由拜城县与温宿县共同组成，为典型的凹陷盆地地貌，整体呈现为西北向东南展延的条带状盆地，拜城县占据了拜城盆地的大部分区域（图1）。研究区气候属于大陆性亚热带干燥气候，气象要素差异较大，多年平均气温7.6 ℃，极端情况下，最低气温与最高气温分别达到-28.0和38.3 ℃，全年无霜期133～163 d，年均降水量171.13 mm^[24]。研究区北靠天山主干，空气湿度较大，蒸发较小；中部河谷盆地光照充足，昼夜温差大，气候干燥，蒸散量较高。其地形复杂，季节性变化大，生态环境十分脆弱^[25]，植物种类稀少，类型结构简单。至2020年末，研究区植被（图2）覆盖区占比约为46.3%，其中草地面积最大，占比约为80.3%，耕地约为17.0%。

图1 研究区概况

Fig.1 Map of study area

Full size|PPT slide

图2 研究区土地利用情况

Fig.2 Land use map of study area

Full size|PPT slide

1.2 数据来源

本研究遥感数据包括MODIS归一化植被指数(NDVI)数据产品MOD13Q1，分辨率为250 m，时间间隔为16 d；MODIS 植被净初级生产力(NPP)产品MOD17A2；Landsat地表反射率数据Landsat 5、Landsat 7、Landsat 8，空间分辨率为30 m，时间间隔为16 d，源自美国国家航空航天局NASA/EOS LPDAAC数据中心(https://lpdaac.usgs.gov/)；土地覆盖数据集CLCD(China Land Cover Dataset)产品，空间分辨率为30 m，时间跨度为2000-2020年。气象数据选取拜城盆地及周围共6个气象站[拜城（51633）、阿克苏（51628）、阿拉尔（51730）、沙雅（51639）、库车（51644）]2000-2020年逐日气象观测资料，包括日平均气温、日照时数、降水等气象数据[来源于国家气象信息中心（http://data.cma.cn/）]，并对逐日数据去除异常值，使用插值法补充数据，获得月均气温、月总日照时数以及月总降雨量，通过克里金插值法，得到气象要素空间分布。

1.3 研究方法

1.3.1 时空数据融合模型

时空数据融合算法的核心基于数据重建思想，目前，具有代表性的STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)模型是GAO^[26]等提出的一种算法，能够根据不同的时空条件，自动调整融合反射率，贡献函数在综合分析时间、空间以及光谱等众多因素的基础上，建立多时相数据之间的时空关联模型。本研究通过融合Landsat NDVI 与 MODIS NDVI数据，来构建具有高时空分辨率的NDVI数据。计算公式如下：

L (x_{w / 2}, y_{w / 2}, t_{1}) = \sum_{i = 1}^{w} \sum_{j = 1}^{w} \sum_{k = 1}^{n} w_{i j k} [M (x_{i}, y_{j}, t_{1}) + L (x_{i}, y_{j}, t_{0}) - M (x_{i}, y_{j}, t_{0})]

（1）

式中：

L

和

M

分别表示Landsat与MODIS像元的NDVI值；

w

表示权重函数；

(x_{i}, y_{j}, t_{0})

表示在时间

t_{0}

时刻对应的

(x_{i}, y_{j})

位置的像元；

(x_{i}, y_{j}, t_{1})

表示为

t_{1}

时刻

(x_{i}, y_{j})

像元的位置；

(x_{w / 2}, y_{w / 2}, t_{1})

表示

t_{1}

时刻，移动窗口的中心像元。

1.3.2 NPP模型

采用基于改进的CASA光能利用率的模型^[6]模拟估算2000-2020年逐月、逐年拜城盆地植被NPP，通过各月累加得到年NPP。模型的计算公式如下：

N P P (x, t) = P A R (x, t) F P A R (x, t) ε (x, t)

(2)

\begin{array}{l} F P A R (x, t) = \frac{1}{2} [(\frac{(N D V I (x, t) - N D V I_{i, m i n})}{(N D V I_{i . m a x} - N D V I_{i, m i n})} (F P A R_{m a x} - F P A R_{m i n}) + F P A R_{m i n}) + \\ (\frac{(\frac{1 + N D V I (x . t)}{1 - N D V I (x, t)}) - (\frac{1 + N D V I_{i, m i n}}{1 - N D V I_{i, m i n}})}{(\frac{1 + N D V I_{i, m a x}}{1 - N D V I_{i, m a x}}) - (\frac{1 + N D V I_{i, m i n}}{1 - N D V I_{i, m i n}})} (F P A R_{m a x} - F P A R_{m i n}) + F P A R_{m i n})] \end{array}

(3)

ε (x, t) = T_{ε 1} (x, t) T_{ε 2} (x, t) W_{ε} (x, t) ε_{m a x}

(4)

式中：

P A R

为光合有效辐射,约为太阳总辐射量的0.45倍；

F P A R

为光合有效辐射吸收比例；

N D V I_{i, m i n}

和

N D V I_{i, m a x}

对应第

i

类型植被的最小值及最大值；

F P A R_{m i n}

和

F P A R_{m a x}

的取值分别为0.001和0.95；

ε (x, t)

表示实际光能利用率；

T_{ε 1} (x, t)

和

T_{ε 2} (x, t)

为不同温度（低温和高温）对光能利用率的胁迫系数；

W_{ε}

为水分胁迫影响系数；

ε_{m a x}

表示理想状态下的最大光能利用率；

x

代表单个像元；

t

表示月份。

1.3.3 Sen + MK趋势分析

Theil-Sen Median方法是一种稳健、高效、适用于长时间序列数据的趋势计算方法。计算公式为：

S e n_{s i o p e} = m e d i a n (\frac{N P P_{j} - N P P_{i}}{j - i}), \forall j > i

(5)

式中：

S e n_{s l o p e}

为NPP变化趋势；

i

、

j

分别代表对应的时间；

N P P_{i}

、

N P P_{j}

分别为第

i

、

j

时间的NPP的值；

S e n_{s l o p e}

＞0表明NPP呈上升趋势，

S e n_{s l o p e}

<0表明NPP呈下降趋势。

结合非参数统计检验Mann-Kendall方法判断NPP趋势显著性^{[27, 28]}，具体判断方法见表1。

表1 Mann-Kendall 趋势检验显著性判断

Tab.1 Mann-Kendall trend test significance judgment table

$S e n_{s l o p e}$	Z	趋势特征
$S e n_{s l o p e} > 0$	2.58<Z	极显著增加
	1.96<Z≤2.58	显著增加
	Z≤1.96	无显著变化
$S e n_{s l o p e} = 0$		无显著变化
$S e n_{s l o p e} < 0$	Z≤1.96	无显著变化
	1.96<Z≤2.58	显著减少
	2.58<Z	极显著减少

1.3.4 NPP与气候因素相关性

偏相关系数在消除其他变量影响的条件下，计算某两变量之间的相关系数，能更加真实、有效地反映出驱动因素对NPP的影响程度。因此使用基于像元的空间分析法，通过对遥感影像和气象数据（平均气温、总降雨量、太阳总辐射）进行空间分析，来获取相关性信息^{[29, 30]}。计算公式如下：

r = \frac{\sum_{j = 1}^{n} [(x_{j} - x_{k}) (y_{i} - y_{k})]}{\sqrt[]{\sum_{j = 1}^{n} (x_{j} - x_{k})^{2} \sum_{j = 1}^{n} (y_{j} - y_{k})^{2}}}

(6)

式中：

r

表示

x 、 y

变量间的相关关系；

x_{j}

为第

j

年的NPP；

y_{i}

表示第

i

年变量

y

的值；

x_{k}

为多年NPP的平均值；

y_{k}

为变量

y

多年平均值；

n

为样本数。

r_{z n \cdot m o} = \frac{r_{z n \cdot m} - r_{z o \cdot m} r_{n o \cdot m}}{\sqrt[]{(1 - {r_{z o \cdot m}}^{2}) (1 - {r_{n o \cdot m}}^{2})}}

(7)

式中：

r_{z n \cdot m o}

表示消除因子

m

和

o

的影响，

z

和

n

之间的二阶偏相关系数。

r_{z n \cdot m o}

大于0代表气候因子与NPP呈正相关关系，

r_{z n \cdot m o}

小于0则表示气候因子与NPP呈负相关关系。

显著性水平取α=0.05^[31]，显著性分为显著正相关(r>0, P<0.05)、不显著正相关(r>0, P≥0.05)、显著负相关(r<0, P<0.05)和不显著负相关(r<0, P≥0.05)。

2 结果与分析

2.1 植被NPP计算精度改进与结果

2.1.1 NDVI融合结果验证

利用STARFM融合模型，通过融合MODIS数据与Landsat数据，得到时间间隔为16 d，空间分辨率为30 m的NDVI遥感数据。同时选取时间相近的融合数据影像和清晰影像Landsat进行比较，对融合结果进行验证。图3为同一时间或相近时期的MODIS NDVI、Landsat NDVI和基于STARFM融合模型的NDVI遥感影像，可以看出融合的NDVI数据空间分辨率明显优于MODIS NDVI数据，并且与Landsat NDVI数据空间信息分布趋于一致。

图3 研究区植被 NDVI

Fig.3 Vegetation NDVI in the study area

Full size|PPT slide

对数据进一步验证：选取模型模拟的NDVI影像（2010年7月28日NDVI和2017年5月25日）以及同一时间Landsat NDVI遥感影像，在植被区选取随机点，分别提取上述遥感影像的NDVI值。基于融合模型模拟的NDVI值与Landsat NDVI值的散点图见图4，两者判定系数分别为0.886与0.712，表明模型模拟的NDVI值，与实际NDVI值相比较，整体差异较小，模型模拟值质量较高，因此，基于数据融合模型的NDVI值能较好地模拟研究区植被NDVI值的变化情况，为研究区获取高时空分辨率NPP提供了条件，并且可为NPP时空变化趋势特征及其驱动因素分析提供更精确的结果。

图4 模拟植被 NDVI 与Landsat NDVI 散点图

Fig.4 Simulated vegetation NDVI and Landsat NDVI scatter plot

Full size|PPT slide

2.1.2 植被NPP 估算结果验证

对模型模拟的结果进行验证是模型在实际应用中的必要前提条件，由于大尺度生物量检测数据的缺乏，本研究选取2000-2020年，MODIS时间间隔为1 a，空间分辨率为500 m的NPP成品遥感影像数据，对改进的CASA模型模拟的NPP进行验证，通过随机选取样本点，提取对应时间MODIS NPP值与模拟NPP值，两者散点图如图5所示。MODIS NPP值和改进的CASA模型模拟NPP值判定系数为0.723，表明改进的CASA模型，适合模拟本研究区植被NPP。

图5 模拟植被 NPP 与MODIS NPP 散点图

Fig.5 Simulated vegetation NPP and MODIS NPP scatter plot

Full size|PPT slide

2.2 植被 NPP时空变化特征

2.2.1 植被NPP 时间尺度变化特征

基于改进的CASA模型模拟了拜城盆地2000-2020年近21 a植被NPP，其变化结果如图6所示。2000-2020年，研究区植被NPP平均值呈现下降趋势，下降速率为0.62 g/（m²•a），其中，在2000-2010年下降速率为4.39 g/（m²•a），2010-2020年呈增加趋势，速率为4.91 g/（m²•a）。近21 a来NPP均值为152.1 g/（m²•a），最大最小值分别出现在2003与2010年，为183.2 g/（m²•a）和97.4 g/（m²•a），其中，耕地NPP平均值为351.2 g/（m²•a），灌丛NPP平均值为135.0 g/（m²•a），草地NPP平均值为129.4 g/（m²•a）。

图6 2000-2020年拜城盆地植被 NPP 年际变化

Fig.6 Interannual variation of vegetation NPP in Baicheng Basin from 2000 to 2020

Full size|PPT slide

2.2.2 植被NPP 空间分布特征

2000-2020年21 a的拜城盆地植被NPP均值空间分布如图7所示，整体呈现南北高、中间低的分布格局。耕地主要分布于研究区南部；灌丛主要分布在研究区北部高海拔区域，面积较小；草地面积分布最大。其中耕地区域NPP的不同值所占比例分别为：300~450 g/（m²•a）区域占比为14.69%，450~600 g/（m²•a）区域占比为3.66%。不同海拔草地区域的NPP分布可以看出，中部地区草地NPP值普遍低于其他草地NPP值，北部海拔较高地区的草地NPP值为150~300 g/（m²•a），高于中部草地区域NPP。研究区植被NPP值大多为0~150 g/（m²•a），占总体区域的59.42%，主要分布在中部区域。大于600 g/（m²•a）的NPP高值主要出现在灌丛区域，占比较少为0.07%。可以看出NPP的大小除了与不同植被种类相关外，还与海拔有着密切关系。

图7 拜城盆地植被 NPP 空间分布

Fig.7 Spatial distribution of vegetation NPP in Baicheng Basin

Full size|PPT slide

2.2.3 植被NPP空间变化趋势分析

为揭示拜城盆地植被NPP年际空间变化特征，对研究区2000-2020年植被NPP进行逐像元趋势分析。采用M-K检验法对其趋势进行显著性检验，结果如图8所示。可以看出，近21 a来植被NPP发生显著性变化的区域主要分布在西南与东北区域，河谷盆地植被NPP发生显著性变化的区域较少。具体来看，研究区植被NPP呈不显著变化趋势的区域面积占比69.03%，超过植被区面积的一半；呈显著增加趋势的区域面积为858.58 km²，占植被区面积的11.44%，其中，极显著增加趋势区域面积占比6.48%；呈显著减少趋势区域面积占比为19.53%，其中极显著减小区域面积占比为11.87%。

图8 拜城盆地植被 NPP 2000-2020年显著性检验

Fig.8 The significance test of vegetation NPP in Baicheng Basin from 2000 to 2020

Full size|PPT slide

2.3 植被NPP驱动因素分析

2.3.1 年均气温对植被NPP 的变化影响

对拜城盆地植被NPP与年均气温进行偏相关分析，结果如图9所示，可以看出研究区从西南至东北的大部分区域植被NPP与平均气温呈现不显著相关关系，偏相关系数介于-0.900~0.802，平均值为-0.063。其中呈正相关的区域占植被区域总面积的40.20%，达到显著正相关关系的面积占比为2.18%；呈负相关的区域占植被区域总面积的59.80%，分布范围较广，其中达到显著负相关关系的面积占比为10.61%，主要集中于河谷盆地。

图9 拜城盆地植被NPP与平均气温偏相关系数及其显著性检验

Fig.9 The partial correlation coefficient and its significance test between vegetation NPP and average temperature in the Baicheng Basin

Full size|PPT slide

2.3.2 年累积降雨量对植被NPP的变化影响

通过对研究区植被NPP与年总降水量进行偏相关分析，结果如图10所示，植被NPP与年总降雨量的偏相关系数介于-0.778~0.789，平均值为0.011。呈现正相关的区域面积占总研究区植被总面积的52.23%，负相关的区域面积较少，占比为47.77%，其中，表现为显著负相关与显著正相关所占区域分别为3.59%和5.84%。由图10可知，研究区植被NPP与研究区南部的耕地区域，大部分呈现不显著负相关，而北部依靠天山主干区域，以及南部耕地区域，绝大部分呈现正相关。

图10 拜城盆地植被NPP与总降雨量偏相关系数及其显著性检验

Fig.10 The partial correlation coefficient and its significance test between vegetation NPP and total rainfall in the Baicheng Basin

Full size|PPT slide

2.3.3 年太阳辐射总量对植被NPP的变化影响

研究区植被NPP与年太阳辐射总量偏相关关系如图11所示，偏相关系数介于-0.860~0.852，平均值为0.079。呈正相关的区域占植被总面积的65.88%，其中，显著正相关区域主要集中于中偏北部区域，占比为9.06%，显著负相关主要分布于中部河谷盆地，占比为7.84%。由此可知，研究区年太阳辐射总量与植被NPP偏相关性大于年降雨总量与平均气温，是植被NPP产生变化的主要影响因素。

图11 拜城盆地植被 NPP 与太阳总辐射量偏相关系数及其显著性检验

Fig.11 The partial correlation coefficient and its significance test between vegetation NPP and total solar radiation in Baicheng Basin

Full size|PPT slide

3 讨论

改进的CASA模型综合考虑了植被生长环境及其生理过程。光能利用率表示植物截获的光能转化为化学能的效率，是模型输入重要变量之一，它主要受到温度和土壤水分的影响。因此模型参数的确定对模型的模拟结果具有至关重要的影响。本研究模型参数采用朱文泉^[32]等人的研究成果，模拟估算研究区植被NPP。通过融合多源遥感数据，获取研究区2000-2020年，空间分辨率为30 m，时间间隔为16 d的植被归一化指数（NDVI），并结合其他变量，利用改进的CASA模型，模拟并估算研究区30 m分辨率的植被净初级生产力，与分辨率为500 m的MODIS NPP相比，模型模拟的NPP值较高，两者相关系数达到0.723，具有较好的一致性。模型估算的植被NPP与MODIS产品相比，不仅提高了时空分辨率，对空间细节表达更加精细，同时也提高了时间序列的连续性。

拜城盆地植被NPP 21 a来平均值为152.1 g/（m²•a），变化范围为97.4~183.2 g/（m²•a），变化趋势十分微弱，整体呈现下降趋势，这与陈宸^[33]等新疆未变草地与稳定高覆盖度草地等NPP平均值均表现为下降趋势结论相一致。通过综合分析认为：这是由于同一时期，累计降雨量与累积太阳辐射量整体呈现微弱下降趋势共同作用的结果。其中，2010年，研究区植被NPP均值为近21 a来最低值，自2010年以后，研究区植被呈现上升趋势。这与徐雪等^[34]关于干旱气候带NPP突变时间点为2009年的研究结论相吻合。造成这一问题的原因是拜城盆地年降雨量于2010年较高，为241.4 mm，而21 a均值仅为183.2，潮湿的环境以及充沛的水量会抑制植物的光合作用^[35]，进而影响植被NPP。

对研究区植被NPP与年均气温、年降雨总量和年太阳辐射总量的偏相关分析表明，呈现正相关的区域分别达到40.20%、52.23%和65.88%，平均偏相关系数分别为-0.063、0.011和0.079。而任丽雯^[36]等对石羊河流域植被NPP变化的研究表明：植被NPP与降水总量和平均气温均呈现正相关；也有研究表明植被NPP与年降水量呈现正相关，与年均气温呈现负相关，如FANG等^[37]得出2000-2010年新疆生长季节植被NPP与年总降水量呈正相关，与年均温度呈负相关。均温作为影响生态系统的驱动因素之一，可作用于植被进而影响植被NPP，当超过或低于其生长温度阈值时，会导致植被的光合作用酶活性降低，从而抑制植被的生长发育，从而表现为负相关状态。昼夜温差大作为河谷盆地的一个显著特征，可能是导致河谷盆地植被NPP与年均温呈现负相关的主要原因之一。拜城盆地地形复杂，气候差异大，温度的升高会导致积雪的融化，而在温度胁迫与水分胁迫的作用下，植被进行呼吸作用从而降低光能利用率，而此时光能利用率会伴随有效水分的增加而增加，从而出现研究区植被NPP与年均气温负相关，却与年降雨总量呈现正相关的现象。

拜城盆地的植被NPP空间上表现为南部区域高于北部区域高于中部河谷盆地的分布格局。研究区南部区域土地覆盖类型主要以耕地为主，水分比较充沛，再加上人类有效的治理与干预，从而促进植被的生长，也可能是NPP值较高的原因之一。中部区域作为河谷盆地，地势结构十分复杂，更有“盆中盆”之称，向北部区域随着海拔的增加，草地NPP值也随着增高，而且北部区域依靠天山主干，降雨量较为充沛，因此，在地理环境、植被类型、气候因素和人类活动等共同作用下，形成了拜城盆地植被NPP值南北高，中间低的分布格局。

植被NPP变化的影响因素众多，部分研究表明农田种植结构^[28]、实际蒸散量^[38]等变化也会影响植被NPP，本文只是分析了年均气温、年降水总量和年太阳辐射总量对植被NPP的影响，今后还应更加系统地分析影响植被NPP变化的各个因素，并从微观的角度，更加细致分析各个因素对植被NPP的贡献大小，以期能为研究区实行科学治理，实现生态稳定提供更加科学的参考依据。

4 结论

本文以时空数据融合的方法，应用改进的CASA模型模拟了拜城盆地植被NPP，通过对其时空变化特征以及驱动因素进行分析，得出如下结论。

（1）2000-2020年拜城盆地植被NPP多年平均值为152.1 g/（m²•a），最大最小值分别出现在2003与2010年，为183.2 g/（m²•a）和97.4 g/（m²•a），其整体呈不显著下降趋势。

（2）拜城盆地植被NPP均值空间上呈现为中间河谷盆地较低，向南北两侧依次增高的分布格局。植被NPP值为0~150 g/（m²•a）的区域占研究区总面积一半以上，主要位于研究区中部，北部草地NPP值[150~300 g/（m²•a）]略高于中部草地区域，占比为22.16%，而南部耕地区域NPP值普遍高于草地NPP值。

（3）研究区植被NPP与年累积降雨量、年太阳辐射总量呈正相关关系，平均偏相关系数分别为0.079和0.011，与年均气温呈现负相关，平均相关系数为-0.063。研究区植被NPP变化主要受到太阳辐射的制约，研究区可根据监测数据，作出合理判断，通过适当延长植被光照时间，促进植被光合作用，从而达到植被合理吸收二氧化碳(CO₂)以及保护植被的目的。

结果表明本文基于时空数据融合模型获取的长时序、高精度30 m分辨率植被归一化指数数据质量较好，通过对植被NPP模拟结果进行对比分析，认为改进的CASA模型对于估算及模拟拜城盆地植被NPP的时空变化具有较好的适用性，提高精度的植被NPP数据为中小尺度区域的NPP动态变化分析提供了参考。同时研究表明区域植被NPP呈现出随着海拔的升高而增高的趋势，研究区不同植被NPP平均值的大小依次为耕地[351.2 g/（m²•a）]>灌丛[135.0 g/（m²•a）]>草地[129.4 g/（m²•a）]，在拜城盆地植被NPP变化对太阳辐射变化的响应显著。因此，研究区可适当调整植被种植结构，增加耕地种植面积，并结合降雨量合理分配水资源，从而实现区域碳达峰以及碳中和。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

李霞,张国壮,陈永昊,等. 农牧交错带辽河流域 2010-2019 年植被覆盖变化及驱动因素分析[J]. 农业工程学报,2022,38(22): 63-72.

, ZHANG

G Z

, CHEN

Y H

, et al. Vegetation cover change and driving factors in the agro-pastoral ecotone of Liaohe River Basin of China from 2010 to 2019[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022,38(22): 63-72.

本文引用 [1]

2	栗忠飞,王小莲,徐钰涛,等. 1996-2015年滇西北香格里拉植被净初级生产力变化[J]. 生态学报,2022,42(1): 266-276. LI Z F, WANG X L, XU Y T, et al. Changes of net primary productivity of vegetation from 1996 to 2015 in Shangri-La region, China[J]. Acta Ecologica Sincia,2022,42(1):266-276. 本文引用 [1]

陈玉森,艾柯代·艾斯凯尔,王永东,等. 1994-2018年哈萨克斯坦首都圈植被NPP时空变化特征及驱动因素[J]. 干旱区研究, 2022,39(6): 1 917-1 929.

CHEN

Y S

, ASKARL

, WANG

Y D

, et al. Characteristics and drivers of the spatial-temporal change of net primary productivity in the capital area of Kazakhstan from 1994 to 2018[J]. Arid Zone Research, 2022,39(6): 1 917-1 929.

本文引用 [1]

4	王茜,查元源. 华北平原农田生态系统的Noah-MP模型参数敏感性分析[J]. 节水灌溉,2023(10): 1-10, 17. WANG Q, ZHA Y Y. Parameter sensitivity analysis of Noah-MP model for farmland ecosystem in the North China Plain[J]. Water Saving Irrigation, 2023(10): 1-10, 17. 本文引用 [1]

5	李俊豪,梁娟珠. 基于CASA模型长江流域植被NPP时空演变及与地形因子的关系[J]. 贵州大学学报(自然科学版), 2023,40(3):30-40. LI J H, LIANG J Z. Spatiotemporal evolution of vegetation NPP and topographic factors based on CASA model[J]. Journal of Guizhou University (Natural Sciences), 2023,40(3):30-40. 本文引用 [1]

6	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(3):413-424. ZHU W Q, PAN Y Z, ZHANG J S. Estimation of net paimary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Chinese Journal of Plant Ecology,2007(3):413-424. 本文引用 [2]

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):1 616-1 626.

C H

, CAO

H J

, FAN

Y P

, 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 Sincia, 2019,39(5): 1 616-1 626.

本文引用 [1]

8	张鑫彤,吴秀芹.基于CASA模型的2005-2019年云南断陷盆地NPP时空变化研究[J].地球学报,2021,42(3):426-434. ZHANG X T, WU X Q. Research on the spatial-temporal variation of NPP in Yunnan fault-depression basins based on CASA model in 2015-2019[J]. Acta Geoscientica Sinica, 2021,42(3):426-434.

9	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): 1 855-1 866. DONG D, NI J. Modeling changes of net primary productivity of karst vegetation in southwestern China using the CASA model[J]. Acta Ecologica Sincia, 2011,31(7): 1 855-1 866. 本文引用 [1]

朱玉果, 杜灵通, 谢应忠, 等. 2000-2015 年宁夏草地净初级生产力时空特征及其气候响应[J]. 生态学报, 2019, 39(2): 518-529.

ZHU

Y G

, DU

L T

, XIE

Y Z

, et al. Spatiotemporal characteristics of grassland net primary production in Ningxia Province from 2000 to 2015 and its response to climate change[J]. Acta Ecologica Sincia,2019, 39(2): 518-529.

本文引用 [1]

杨晗, 周伟, 石佩琪, 等. 内蒙古草地NPP时空变化格局及其与水热因子耦合关系[J]. 水土保持研究, 2019, 26(2): 234-240.

YAN

, ZHOU

, SHI

P Q

, et al. Analysis of temporal-spatial variations of NPP and coupling relationship with hydrothermal factors in grasslands of Inner Mongolia[J]. Research of Soil and Water Conservation, 2019, 26(2): 234-240.

本文引用 [1]

12	朴世龙,方精云,郭庆华.利用CASA模型估算我国植被净第一性生产力[J].植物生态学报,2001(5):603-608, 644. PIAO S L, FANG J Y, GUO Q H. Application of CASA Model to the estimation of Chinese terrestrial net primary productivity[J]. Chinese Journal of Plant Ecology, 2001(5):603-608, 644. 本文引用 [1]

陈宸,许玉凤.天山北坡经济带稳定草地净初级生产力时空变化特征及其驱动力[J].草业科学,2023,40(5):1 154-1 167.

CHEN

, XU

Y F

. Temporal and spatial variation characteristics and driving forces of stable grassland net primary productivity in the northern slope of Tianshan Mountains economic zone[J]. Pratacultural Science, 2023,40(5):1 154-1 167.

本文引用 [1]

14	陈春波,李刚勇,彭建.近20 a新疆天然草地NPP时空分析[J].干旱区地理,2022,45(2):522-534. CHEN C B, LI G Y, PENG J. Spatiotemporal analysis of net primary productivity of natural grassland in Xinjiang in the past 20 yeaes[J]. Arid Land Geography, 2022,45(2):522-534.

15	任恬柱,盛建东,轩俊伟,等.北疆草地近10年净初级生产力时空变化分析[J].新疆农业大学学报,2020,43(6):414-421. REN T Z, SHENG J D, XUAN J W, et al. Analysis of space-temporal change of NPP in Northern Xinjiang grassland in recent 10 years[J]. Journal of Xinjiang Agricultural University, 2020,43(6):414-421.

赵鹏,陈桃,王茜,等. 气候变化和人类活动对新疆草地生态系统NPP影响的定量分析[J].中国科学院大学学报,2020,37(1):51-62.

ZHAO

, CHEN

, WANG

, et al. Quantitative analysis of the impact of climate change and human activities on grassland ecosystem NPP in Xinjiang[J]. Journal of University of Chinese Academy of Sciences, 2020,37(1):51-62.

本文引用 [1]

17	杨红飞,刚成诚,穆少杰,等. 近10年新疆草地生态系统净初级生产力及其时空格局变化研究[J].草业学报,2014,23(3):39-50. YANG H F, GANG C C, MU S J, et al. Analysis of the spatio-temporal variation in net primary productivity of grassland during the past 10 years in Xinjiang[J]. Acta Prataculturae Sinica, 2014,23(3):39-50. 本文引用 [1]

陈舒婷,郭兵,杨飞,等. 2000-2015年青藏高原植被NPP时空变化格局及其对气候变化的响应[J].自然资源学报,2020,35(10):2 511-2 527.

CHEN

S T

, GUO

, YANG

, et al. Spatial and temporal patterns of NPP and its response to climate change in the Qinghai-Tibet Plateau from 2000 to 2015[J]. Journal of Natural Resources, 2020,35(10):2 511-2 527.

本文引用 [1]

尹小君,祝宏辉, Gao

Gerry

,等. 气候变化和人类活动对天山北坡净初级生产力变化的影响[J].农业工程学报,2020,36(20): 195-202.

YIN

X J

, ZHU

H H

, GAO

, et al. Effects of climate change and human activities on net primary productivity in the Northern slope of Tianshan, Xinjiang, China[J]. Transactions of the Chinese Society of, 2020,36(20):195-202.

本文引用 [1]

乔鹏,孙从建,李亚新,等. 典型“高山-绿洲-荒漠”生态区植被净初级生产力时空变化特征分析[J].光谱学与光谱分析,2022,42(8): 2 595-2 602.

QIAO

, SUN

C J

, LI

Y X

, et al. Analysis on temporal and spatial changes of vegetation net primary productivity in typical “alpine-oasis-desert” ecological region[J]. Spectroscopy and Spectral Analysis, 2022,42(8): 2 595-2 602.

本文引用 [1]

21	贺玉麟,姚宜斌,张豹.GRACE反演格陵兰冰盖质量变化的不确定性分析与数据融合[J].测绘地理信息,2023,48(3):25-29. HE Y L， YAO Y B， ZHANG B. Uncertainty analysis and data fusion for GRACE inversion of Greenland ice sheet mass change[J]. Journal of Geomatics, 2023,48(3):25-29. 本文引用 [1]

22	匡中正,涂超,李江沙,等.基于多源数据融合的城市雨污排水WebGIS系统及应用[J].测绘地理信息,2023,48(6):138-141. KUANG Z Z, TU C, LI J S,et al. Urban rainwater and sewage drainage WebGIS system based on multi-source data fusion application[J]. Journal of Geomatics, 2023,48(6):138-141. 本文引用 [1]

23	张亚军,李大成.基于Landsat8与MODIS的亮温融合-反演策略[J]. 测绘科学,2020,45(4):71-80. ZHANG Y J, LI D C. Optimal strategies of fusion-inversion based on Landsat 8 and MODIS brightness temperature[J]. Science of Surveying and Mapping, 2020,45(4): 71-80. 本文引用 [1]

王正伟,王宏卫,杨胜天,等. 基于生态系统服务功能的新疆绿洲生态安全格局识别及优化策略: 以拜城县为例[J]. 生态学报,2022,42(1):91-104.

WANG

Z W

, WANG

H W

, YANG

S T

, et al. Identification and optimization strategy of ecological security pattern of oasis in Xinjiang based on ecosystem service function taking Baicheng County as an example[J]. Acta Ecologica Sincia,2022,42(1):91-104.

本文引用 [1]

25	甘伟, 孙晓雷, 周艳飞,等. 基于RS和GIS的拜城县土壤侵蚀动态监测与分析[J]. 环境工程,2015,33增1 GAN W, SUN X L, ZHOU Y F, et al. Dynamic monitoring and analysis of soil erosion in Baicheng County based on RS and GIS[J]. Environmental Engineering, 2015,33(S1). 本文引用 [1]

26	GAO F, MASEK J G, SCHWALLER M R, et al. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2 207-2 218. 本文引用 [1]

27	GOCIC M, TRAJKOVIC S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Global & Planetary Change, 2013, 100(1): 172-182. 本文引用 [1]

28	黄端,闫慧敏,池泓,等. 2000-2015年江汉平原农田生态系统NPP时空变化特征[J]. 自然资源学报,2020,35(4):845-856. HUANG R, YAN H M, CHI H, et al. Research on spatiotemporal characteristics of farmland ecosystem NPP in Jianghan Plain from 2000 to 2015[J]. Journal of Natural Resources,2020,35(4):845-856. 本文引用 [2]

29	曾兴兰,陈田田. 西南地区植被动态变化的驱动力解析[J/OL]. 中国环境科学:1-10. ZENG X L, CHEN T T. Analysis of the driving forces of vegetation dynamic changes in Southwest China[J/OL]. China Environmental Science: 1-10. 本文引用 [1]

30	刘凤,曾永年.2000-2015年青海高原植被碳源/汇时空格局及变化[J].生态学报,2021,41(14): 5 792-5 803. LIU F, ZENG Y N. Analysis of the spatio-temporal variation of vegetation carbon source/sink in Qinghai Pleteau from 2000-2015[J]. Acta Ecologica Sincia, 2021,41(14): 5 792-5 803. 本文引用 [1]

吴珊珊,姚治君,姜丽光,等. 基于MODIS的长江源植被NPP时空变化特征及其水文效应[J].自然资源学报,2016,31(1): 39-51.

S S

, YAO

Z J

, JIANG

L G

, et al. The spatial-temporal variations and hydrological effects of vegetation NPP based on MODIS in the source region of the Yangtze River[J]. Journal of Natural Resources, 2016,31(1):39-51.

本文引用 [1]

32	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 W Q, CHEN Y H, XU D, et al. Advances in terrestrial net primary productivity (NPP) estimation models[J]. Chinese Journal of Ecology, 2005(3):296-300. 本文引用 [1]

33	陈宸,井长青,赵苇康,等. 新疆草地质量对气候变化的响应及其变化趋势[J]. 草业学报,2022,31(12):1-16. CHEN C, JING C Q, ZHAO W K, et al. Grassland quality response to climate change in Xinjiang and predicted future trends[J]. Acta Prataculturae Sinica, 2022,31(12):1-16. 本文引用 [1]

34	徐雪,罗娅,杨胜天,等. 全球不同气候带陆地植被净初级生产力变化趋势与可持续性[J].生态学报,2023,43(9): 3 729-3 743. XUE X, LUO Y, YANG S T, et al. Change trend and sustainability of vegetation net primary productivity of terrestrial ecosystems in different global climatic zones[J]. Acta Ecologica Sincia, 2023,43(9): 3 729-3 743. 本文引用 [1]

35	李苗,郑国保,朱金霞.不同生育期水分胁迫对干旱区枸杞果实生长产量和水分利用效率的影响[J].节水灌溉,2020(10):20-25. LI M, ZHENG B G, ZHU J X. Effects of water stress at different growth stages on growth, yield and water use efficiency of wolfberry fruits in arid region[J]. Water Saving Irrigation, 2020(10):20-25. 本文引用 [1]

36	任丽雯,王兴涛,刘明春,等. 石羊河流域植被净初级生产力时空变化及驱动因素[J]. 干旱区研究, 2023,40(5): 818-828. REN LW, WANG X T, LIU M C, et al. Temporal and spatial changes and the driving factors of vegetation NPP in Shiyang River Basin[J]. Arid Zone Research, 2023,40(5): 818-828. 本文引用 [1]

37	FANG S, YAN J, CHE M, et al. Climate change and the ecological responses in Xinjiang, China: Model simulations and data analyses[J]. Quaternary International, 2013, 311(10): 108-116. 本文引用 [1]

38	吴宏玥,杜灵通,乔成龙,等. 基于蒸散演变驱动的宁夏绿洲平原生态系统耗水变化[J]. 水土保持学报,2023,37(3): 172-180, 189. WU H Y, DU L T, QIAO C L, et al. Water consumption of ecosystem driven by evapotranspiration evolution in Ningxia oasis plain[J]. Journal of Soil and Water Conservation, 2023,37(3): 172-180, 189. 本文引用 [1]

PDF(3170 KB)

访问

引用

详细情况

段落导航

摘要
Abstract
关键词
Key words
引用本文
0 引言
1 材料与方法
1.1 研究区概况
图1 研究区概况
图2 研究区土地利用情况
1.2 数据来源
1.3 研究方法
1.3.1 时空数据融合模型
1.3.2 NPP模型
1.3.3 Sen + MK趋势分析
表1 Mann-Kendall 趋势检验显著性判断
1.3.4 NPP与气候因素相关性
2 结果与分析
2.1 植被NPP计算精度改进与结果
2.1.1 NDVI融合结果验证
图3 研究区植被 NDVI
图4 模拟植被 NDVI 与Landsat NDVI 散点图
2.1.2 植被NPP 估算结果验证
图5 模拟植被 NPP 与MODIS NPP 散点图
2.2 植被 NPP时空变化特征
2.2.1 植被NPP 时间尺度变化特征
图6 2000-2020年拜城盆地植被 NPP 年际变化
2.2.2 植被NPP 空间分布特征
图7 拜城盆地植被 NPP 空间分布
2.2.3 植被NPP空间变化趋势分析
图8 拜城盆地植被 NPP 2000-2020年显著性检验
2.3 植被NPP驱动因素分析
2.3.1 年均气温对植被NPP 的变化影响
图9 拜城盆地植被NPP与平均气温偏相关系数及其显著性检验
2.3.2 年累积降雨量对植被NPP的变化影响
图10 拜城盆地植被NPP与总降雨量偏相关系数及其显著性检验
2.3.3 年太阳辐射总量对植被NPP的变化影响
图11 拜城盆地植被 NPP 与太阳总辐射量偏相关系数及其显著性检验
3 讨论
4 结论
参考文献

收稿日期	接受日期	出版日期
2023-11-21	2024-01-22	2024-06-10
发布日期
2024-06-24

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

0 引 言

1 材料与方法

1.1 研究区概况

图1 研究区概况

图2 研究区土地利用情况

1.2 数据来源

1.3 研究方法

1.3.1 时空数据融合模型

1.3.2 NPP模型

1.3.3 Sen + MK趋势分析

表1 Mann-Kendall 趋势检验显著性判断

1.3.4 NPP与气候因素相关性

2 结果与分析

2.1 植被NPP计算精度改进与结果

2.1.1 NDVI融合结果验证

图3 研究区植被 NDVI

图4 模拟植被 NDVI 与Landsat NDVI 散点图

2.1.2 植被NPP 估算结果验证

图5 模拟植被 NPP 与MODIS NPP 散点图

2.2 植被 NPP时空变化特征

2.2.1 植被NPP 时间尺度变化特征

图6 2000-2020年拜城盆地植被 NPP 年际变化

2.2.2 植被NPP 空间分布特征

图7 拜城盆地植被 NPP 空间分布

2.2.3 植被NPP空间变化趋势分析

图8 拜城盆地植被 NPP 2000-2020年显著性检验

2.3 植被NPP驱动因素分析

2.3.1 年均气温对植被NPP 的变化影响

图9 拜城盆地植被NPP与平均气温偏相关系数及其显著性检验

2.3.2 年累积降雨量对植被NPP的变化影响

图10 拜城盆地植被NPP与总降雨量偏相关系数及其显著性检验

2.3.3 年太阳辐射总量对植被NPP的变化影响

图11 拜城盆地植被 NPP 与太阳总辐射量偏相关系数及其显著性检验

3 讨 论

4 结 论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

0 引言

3 讨论

4 结论