2023, Vol. 44
植被净初级生产力(net primary productivity, NPP)是指植被进行光合作用所积累的有机物总量, 减去自身呼吸后的剩余部分, 表示植物在单位时间和单位面积上的有机物净积累量[1].NPP可以直接表示绿色植被在不同生长条件下的生产能力, 同时能够反映区域自然生态环境质量, 是理想的生态指标[2, 3], 被认为是陆地生态系统生态调节的重要因子以及碳循环过程的决定性因子[4], 在全球气候变化、生态保护和持续发展等领域有着重大的研究潜力.
NPP估算始于20世纪60年代, 在NPP定量计算方法上, 分为实地测量以及模型估算[5], 由于受到诸多条件限制, 通常难以在大尺度区域实现NPP实地测算工作[6].而遥感技术具有时间跨度小、覆盖范围广、数据采集成本低和相对稳定等优点[7], 因此现有研究大多是利用基于遥感的模型模拟法进行NPP的估算工作.其中常用的模型有统计模型、过程模型和参数模型这三类[8], 如CASA模型、CENTURY模型和基于生态过程的Biome-BGC模型[9], 杜波波等[10]、郭灵辉等[11]和李传华等[12]分别基于CASA、CENTURY和Biome-BGC模型模拟了内蒙古锡林郭勒草原和五道梁地区NPP.同时, 也有许多学者使用MODIS数据集, 基于Google Earth Engine(GEE)云平台, 利用趋势分析法、变异系数、Hurst指数和Mann-Kendall检验等方法, 在不同尺度, 在全国、省域、市域和更小研究单元展开NPP动态变化分析[13~16].在NPP变化驱动力研究方面, 主要通过引入气象因子、地形因子和人为因子等, 分析NPP值和上述因子的相关性[17].上述分析方法仅是对各因子作定性分析, 不能很好地表达各因子的具体驱动力水平, 地理探测器作为一种近年来新兴的空间事物分异性及其驱动因子的定量探测手段, 逐渐被用于生态环境变化的驱动力分析[18~22], 孙治娟等[4]、赵俊红等[23]和刘恒等[24]使用地理探测器, 分别探析了云南省、塔里木和武陵山地区的NPP变化驱动因子.上述学者的研究内容和成果极大地促进了不同尺度和不同区域NPP的估算以及时序分析和动态监测等方法手段的发展, 同时揭示了不同因子对于NPP的影响情况及耦合效应, 这将为后续研究区域生态变化和碳循环影响机制等方面提供一定的理论依据[25~29].
山西省地处黄土高原区, 是我国重要的煤炭资源产地, 受到煤炭开采及工业化和城市化的影响, 特别是煤炭开发使得塌陷、挖损和压占用地不断增加[30], 导致区域生态本底受到冲击、环境遭到破坏, 进一步影响了区域碳循环过程[31~33].针对上述问题, 本文基于多源遥感数据, 利用趋势分析[34, 35]、相关性分析[36]和地理探测器[37]研究了山西省NPP时空变化特征及其驱动因子, 以期为山西省煤炭产业碳达峰碳中和目标实现和黄河流域高质量发展背景下矿区绿色开采及生态环境保护提供数据基础和理论支撑.
1 材料与方法 1.1 研究区概况山西省(34°34′~40°44′N, 110°14′~114°33′E)地处太行山与黄河中游峡谷之间, 位于我国华北大平原的西侧, 总体地势呈现“两山夹一川”, 东西两侧大多为山地和丘陵, 中部为一列串珠式盆地, 平原分布在其中.其气候具有四季分明、冬夏气温悬殊和昼夜温差大的特点.山西省煤炭资源丰富, 全省面积15.7万km2, 而其中含煤面积为6.2万km2, 占全省面积的40.4%.全省距地表 2 000 m以内煤炭预测资源预测储量6 652亿t; 探明保有资源储量2 674.3亿t, 约占全国的1/4.我国共有14个煤炭基地, 其中晋北、晋东和晋中三大基地分布在山西省境内.根据文献[38], 晋北基地分布有大同矿区、平朔矿区、朔南矿区、轩岗矿区、河保偏矿区和岚县矿区; 晋中基地分布有西山矿区、东山矿区、汾西矿区、霍州矿区、离柳矿区、乡宁矿区、霍东矿区和石隰矿区; 晋东基地分布有晋城矿区、潞安矿区、阳泉矿区和武夏矿区(图 1).
|
图 1 研究区示意 Fig. 1 Overview of the study area |
NPP数据采用MODIS产品MOD17A3HGF, 空间分辨率为500 m, 时间分辨率为1 a, 范围是2000~2020年.该产品采用了基于过程的Biome-BGC生态模型来进行NPP的估算, 为年度所有8 d净光合作用产品(net photosynthesis, PSN)的总和[39]; DEM数据来源为NASA DEM 30 m, 是STRM数据的后处理, 该数据整合了来自ASTER GDEM、ICESAT GLAS和PRISM数据集的辅助数据, 提高了准确性; 人口密度数据来自世界人口数据集(WorldPop Global Project Population Data)[40], 该数据集由开放空间人口数据与研究站(https://www.worldpop.org)生产, 服务于区域发展、灾害应对和卫生健康事业, 空间分辨率为100 m, 时间为2000~2020年.上述NPP、DEM和人口密度数据均通过GEE平台(https://code.earthengine.google.com/)在线获取并按照山西省行政边界进行掩膜处理.
土地利用数据来自中国科学院资源环境科学与数据中心(https://www.resdc.cn/), 分辨率为1 km, 选取2000、2005、2010、2015和2020年共5期土地利用类型数据, 通过重分类功能将其划分为耕地、林地、草地、水域、居民地和未利用地这6个一级类型.气象数据来自国家地球系统科学数据中心(http://www.geodata.cn/), 空间分辨率为1 km, 时间为2000-01~2020-12[41].
为避免研究数据及影像因空间分辨率和坐标系等问题产生误差, 将所有数据统一投影至WGS84/UTM 49N坐标系, 并设置分辨率为500 m, 以进行后续数据处理及分析[16].
1.3 研究方法 1.3.1 趋势分析法趋势分析法是一种通过对随时间变化的变量进行线性回归分析, 从而来预测其变化趋势的方法[42, 43], 其计算方法见式(1).
|
(1) |
式中, Slope为线性回归方程的斜率; n为研究数据年数, 本文为21; NPPi为第i年的NPP均值; 计算结果中, Slope>0表示该像元所对应的值在多年来呈现出上升趋势, Slope < 0表示该像元所对应的值在多年来呈现出下降趋势.通过F检验, 可以检验趋势变化的显著性, 揭示其显著性水平, F检验的公式见式(2).
|
(2) |
式中, U为回归平方和; Q为残差平方和; n为研究数据年数, 本文为21; 采用P值来检验变化结果是否显著, P < 0.01时为极显著变化; P < 0.05时为显著变化; P>0.05时为变化不显著.同时, 结合Slope趋势, 可以将变化程度分为5类, 分别为极显著减小(Slope < 0, P < 0.01)、显著减小(Slope < 0, P < 0.05)、基本稳定(P>0.05)、显著增加(Slope>0, P < 0.05)和极显著增加(Slope>0, P < 0.01).
1.3.2 相关性分析法NPP变化受到植被生长环境多因子的影响, 是一个复杂的耦合过程[6], 通过计算相关系数, 可以描述各因素与NPP变化的相关性, 相关系数取值范围为[-1, 1], 计算方法见式(3).
|
(3) |
式中, Rxy为相关系数, 表示x和y之间的相关程度; n为研究时间跨度, 本文取21; xi为第i年的降水量或平均气温; x为21 a年均降水量或年均气温; yi为第i年NPP均值; y为21 a NPP均值. Rxy < 0表示两者为负相关, Rxy>0表示两者计算结果为正相关.
对相关性分析结果进行t检验, 检验方法见式(4).
|
(4) |
式中, R为相关系数; n为研究时间跨度, 本文为21.
1.3.3 地理探测器地理探测器由王劲峰等[44]提出, 是一种可以用于探测和揭示数据之间空间分异性的工具, 其中分异性因子用q度量, 计算方法见式(5).
|
(5) |
式中, q为分异性因子, q越大表示数据的分异性在空间上更明显; L为变量类别数; h=1, 2, …, 为具体某一类型; Nh和N分别表示h类别单元数和全区单元数; σh和σ分别为h类别的方差和全区的方差.
地理探测器还具有交互探测的功能, 可以分析不同因子之间的交互作用, 即评估因子X1和X2共同作用的情况下是否会对变量Y的解释力增强或降低, 亦能计算出这些因子是否互相独立.计算方法是首先分别算出两个因子的解释力q1和q2, 然后计算两个变量多边形叠加后相切形成新多边形的q值, 并和单一因子的解释力进行比较, 两因子之间的关系见表 1.
|
表 1 交互作用探测类型 Table 1 Type of interactive detection |
地形因子和土地利用因子可以影响植被的分布情况, 而气象因子决定了植被的生长条件[28], 因此进一步选用高程、坡度、降水、气温和土地利用方式作为地理探测器输入变量, 同时考虑到近年城市化进程加快, 人口数量激增, 需要选取相应的指标以体现上述变化, 而人口密度在一定程度上能够体现出人类活动程度的高低[4], 是一个能够较好展现人类活动水平的指标, 因此引入人口密度指标, 共计6个因子, 以5 a为间隔, 研究不同年份的NPP变化驱动力.
为保证地理探测器输入数据的一致性, 除土地利用数据外, 其他数据采用自然断点法分为9类, 该方法根据数据本身的特性和分布进行数据重分类, 使得各级别变异总和达到最小[45].根据研究区大小, 对重分类后的数据创建5 km×5 km的渔网, 提取渔网中心点的像元值, 剔除无效值后, 共计6 227个格点数据, 输入至地理探测器工具中.
2 结果与讨论 2.1 山西省NPP时空变化特征分析山西省2000~2020年NPP平均值总体呈现出西北低, 中部和东部高的特点(图 2), 高值区以吕梁山脉和太行山脉为主, 在山脉两侧呈条带状分布.低值区主要分布在北部大同盆地、西侧沿黄河地区和各市建设用地区域; 煤炭国家规划矿区(“规划矿区”)内NPP均值较低的主要有西部河保偏矿区和离柳矿区, 以及北部区域的平朔朔南矿区和大同矿区.NPP值较高的矿区主要位于山西省东部和南部区域, 以阳泉矿区、武夏矿区、霍东矿区和晋城矿区为主.经统计分析, NPP(以C计, 下同)低值区域[< 200 g·(m2·a)-1]面积仅占全省面积的3.87%, 而高值区域占全省面积的69.98%, 说明山西省总体生态状况较好, NPP普遍较高.
|
图 2 山西省2000~2020年NPP均值空间分布 Fig. 2 Spatial distribution of NPP mean value in Shanxi province from 2000 to 2020 |
2000~2020年山西省NPP均值从269.75g·(m2·a)-1波动上升至410.47 g·(m2·a)-1, 平均值为388.06g·(m2·a)-1, 平均增加速率为6.70 g·(m2·a)-1.山西省及其规划矿区的NPP均值走势趋于一致, 自2001年出现最低值后呈现快速增长的趋势, 规划矿区(R2=0.7582, P < 0.01)以7.85g·(m2·a)-1的增速高于山西省全境(R2=0.767 1, P < 0.01).各煤炭基地NPP历年均值变化趋势和山西省基本相当, 呈现出波动上升的特点, 其中, 晋东基地历年NPP均值明显高于山西省, 晋北基地历年NPP均值均处于山西省平均水平之下, 而晋中基地与山西省平均NPP值基本相当[图 3(a)].
|
(a)山西省及其规划矿区、三大煤炭基地,(b)晋北基地,(c)晋中基地,(d)晋东基地 图 3 山西省及三大煤炭基地2000~2020年NPP均值变化 Fig. 3 Changes in the mean value of NPP in Shanxi province and three major coal bases from 2000 to 2020 |
三大煤炭基地各矿区NPP均值时序变化趋势大致相同, 呈现波动上升的特点.晋北基地中, 除轩岗岚县矿区历年NPP均值与山西省均值持平外, 其余3个矿区均明显低于山西省全省均值[图 3(b)], 晋北基地现有安太堡、安家岭和东露天矿三大产能过千万吨的大型矿区, 煤炭开采会导致土地损毁和植被破坏, 使得植被NPP均值始终处于较低水平.晋中基地8个规划矿区中, 除霍东矿区和乡宁矿区历年NPP均值稍高于山西省平均水平外, 其余6个矿区NPP均值均与山西省相当或稍低[图 3(c)].晋东基地整体NPP较高, 除2018年武夏矿区和潞安矿区NPP稍低于山西省均值外, 其余年份各矿区NPP均在山西省平均水平之上[图 3(d)], 晋东基地降水量普遍较高, 植被长势较好, 虽然受到煤炭开采活动的影响, 但晋东基地耕地和林地占比较大, 因此整体NPP仍呈现相对较高的特点.
上述分析表明山西省及其规划矿区内的NPP呈现较为显著增加的趋势, 近年来山西共完成4 082 hm2废弃矿山生态修复工作, 矿区植被覆盖度提高, 同时植被生长环境得到改善, 因此矿区植被NPP有所提高.根据NPP变化率及变化趋势检验可知, NPP呈现下降趋势的区域主要位于太原盆地和长治盆地; 呈现上升趋势的区域主要位于吕梁山脉两侧, 其周边矿区增加趋势较明显的以离柳矿区、汾西矿区和霍州矿区北部为主(图 4).经统计表明, NPP极显著增加和显著增加分别占山西省面积的85.60%和5.14%, 而减小的区域仅占0.27%.
|
图 4 山西省及规划矿区2000~2020年NPP变化情况 Fig. 4 Changes in NPP in Shanxi province and its planned mining areas from 2000 to 2020 |
采用等间距法将高程划分为5个等级, 随着高程的增加, 山西省及规划矿区NPP值均呈现出上升的趋势, 规划矿区上升幅度略小于山西省整体, 同时山西省与规划矿区的显著性变化分布在高程梯度上略有不同, 山西省全域范围内, NPP变化呈增加趋势的面积占比随着高程升高而增大, 而规划矿区NPP增加的面积占比随着高程的升高, 先增加后减小, 最大占比出现在1 500~2 000 m高程区间(图 5).这说明高程对NPP产生了一定影响, 同时随着高程的上升, 建设用地占比减小, 植被覆盖度增加, 因此NPP值呈增大趋势.
|
(a)山西省，(b)山西规划矿区 图 5 不同高程NPP分布 Fig. 5 NPP distribution in different elevations |
根据《水土保持综合治理规划通则》(GB/T 15772-2008)[46]将坡度划分为 < 3°、3°~8°、8°~15°、15°~25°和25°~35°这5个等级.随着坡度增加, 山西省NPP均值先上升后下降, 在坡度15°~25°区域NPP均值最高, 最低值出现在0°~3°; 坡度3°~8°区域, 显著和极显著增加面积占比最高, 为93.80%, 最低的为25°~35°, 占65.18%[图 6(a)].规划矿区NPP在不同坡度范围内呈现出波动升高的趋势, NPP均值最高的坡度段出现在25°~35°, 最低值出现在0°~3°, 显著和极显著增加面积占比最高的区间为25°~35°, 占100%, 最低的区间为15°~25°, 占87.11%[图 6(b)]. 0°~3°坡度区间建设用地占比大, 受到人为因素扰动使得NPP均值较低, 而在规划矿区坡度25°~35°范围内土地利用方式以森林居多, 人类活动影响减弱, 因此NPP整体呈现上升趋势.
|
(a)山西省，(b)山西规划矿区 图 6 不同坡度NPP分布 Fig. 6 NPP distribution of different slopes |
按照坡向的定义将山西省坡向划分为平面、北、东北、东、东南、南、西南、西和西北这9个等级.山西省及规划矿区在平面方向NPP均值和显著性占比相对其他8个方向均呈现出较大的差异, 其中山西省在平面方向的NPP均值为165.60 g·(m2·a)-1, 显著低于山西省全域均值338.06 g·(m2·a)-1, 同时显著性占比中, 基本稳定类型的面积占比一半以上, 达到52.53%[图 7(a)].规划矿区在平面方向NPP均值仅为49.21g·(m2·a)-1, 远低于规划矿区全域均值, 此外规划矿区NPP极显著增加面积仅占8.33%, 剩下均为基本稳定, 占91.67%[图 7(b)].分析原因可知, 山西省及其规划矿区内各建设用地、采煤基地、煤炭运输、洗选和加工场所等均适宜建设在平坡, 导致该方向植被较少, 造成NPP值显著降低.
|
(a)山西省，(b)山西规划矿区 图 7 不同坡向NPP分布 Fig. 7 NPP distribution in different slope aspects |
通过相关性分析公式, 逐像元计算NPP与降水和气温之间的相关系数, 可知山西省NPP与降水具有一定的相关性, 其中NPP变化与降水呈现显著相关(P < 0.05)的区域占62.2%, 极显著相关(P < 0.01)的区域占26.8%.从空间分布看, NPP对降水的响应存在空间差异性, 山西省中部及东部大部分呈现出正相关, 其中极显著正相关区域主要分布在东部沿太行山脉周边区域, 山西省东部降水量较为充足, 能够为植被生长提供良好的生长条件, 因此NPP变化与降雨量呈现出明显的正相关.呈现负相关性的区域零星分布在各市城镇建设用地以及山西省西南部运城盆地周边, 仅占全省面积的0.02%[图 8(a)].西南部运城盆地大部分区域NPP变化与降水没有明显关系, 虽该区域降雨量较为充足, 但平均气温同样较高, 适当的温度可以提高植被光合作用的效率, 而气温过高会使得地表蒸散发量增加, 增大植被耗水量, 导致NPP降低, 抵消了降水量对植被NPP的正向影响[47], 最终导致该区域NPP变化与降水和气温均没有明显的相关性.另一方面, 气温和NPP变化相关性不大, 仅有1.10%的区域呈现出显著相关性(P < 0.05), 相关系数值较高的区域基本分布于山西省西侧黄河流经区域以及吕梁山脉两侧, 中部和东南侧则呈现出负相关[图 8(b)].
|
图 8 NPP与降水及气温相关性 Fig. 8 Correlation between NPP and precipitation and temperature |
人类活动会对植被的生长和分布产生影响, 同时不同土地利用类型受到人类的扰动强烈, 也是引起NPP变化的重要原因.2000~2020年山西省土地利用类型产生了较大变化, 其中耕地、草地、水域和未利用地面积均有一定程度的减少, 而林地和建设用地面积增长明显.在不同的用地类型中, NPP均值最高的类型为林地, 其在2000年和2020年的NPP均值分别为320.87g·(m2·a)-1和458.08g·(m2·a)-1.其次是草地和耕地, 建设用地、水域和未利用地由于受到本底自然条件或人类活动的影响, 本身植被分布较为稀疏, 因此NPP均值较低.同时, 林地、耕地和草地这三大用地类型是山西省NPP的主要来源, 三者NPP总量在2000年和2020年分别为4.10×1013g和6.11×1013g, 在山西省NPP总量的占比分别达到了97.30%和95.30%(表 2).林地的光照条件好, 光能利用率高, 植被光合作用较活跃, 因此生物量累积较高, 使得NPP均值变高[4].而耕地、草地、水域和未利用地虽然面积减少, 但是由于2020年气温和降水均值高于2000年(图 9), 充足的水热条件可以提高植被光合作用的效率, 同时使得土壤水分提高, 胁迫作用降低, 加速植被干物质的积累, 因此这4种用地类型的NPP总量仍表现为增加[48].结合土地利用方式变化和NPP变化趋势检验图可知, NPP均值呈下降趋势的区域主要分布在规划矿区内以及各城镇建设用地周边等人类活动强度较高的场所.这些地区主要分布在平朔朔南矿区、太原盆地北部和阳泉市南部.上述区域受到建设用地扩张和采矿活动的影响, 土地利用结构发生变化, 即占用大量耕地, 总沉陷面积增加, 部分林地和耕地转为建设和工矿用地, 最终导致NPP均值下降.
|
|
表 2 2000年和2020年山西省各用地类型面积与对应NPP统计 Table 2 Area and corresponding NPP statistics of each land use type in Shanxi province in 2000 and 2020 |
|
图 9 山西省2000~2020年年均降水量与气温 Fig. 9 Average annual precipitation and temperature in Shanxi province from 2000 to 2020 |
地理探测器主要的计算结果q为因子解释力, q值越大表示该因子对因变量空间分布的解释力越强.从交互作用的结果来看, 各年份的主导因子均为降水, 代表年份解释力分别为0.174、0.143、0.166、0.182和0.160(图 10).而从不同年份各因子的q均值来看, 大小为：降水(0.165)>土地利用(0.124)>人口密度(0.085)>坡度(0.080)>高程(0.064)>气温(0.024), 进一步表明降雨是NPP变化的主要驱动力.交互作用结果显示, 双因子交互后的影响力明显高于单因子, 且任意两个因子交互结果均呈现出非线性增强的特点, 这说明NPP的变化受到多个因子的协同影响, 将各代表年份的交互因子影响值进行排列, 可以看到2000年、2005年和2010年降水和气温因子在交互后的影响值最高, 分别为0.385、0.355和0.295, 2015年降水和高程在交互后有最高的解释力, 达到了0.325, 而在2020年则为降水及人口密度双因子交互后达到最高的解释力, 为0.275(表 3).从最终结果来看, 降水仍为NPP变化的主导因子, 而随着时间的变化, 降水因子加上土地利用/人口密度的交互解释力在不断上升, 说明人为因素对NPP值变化的影响力在逐渐提高.
|
虚线为等值线 图 10 各代表年份不同因子解释力分布 Fig. 10 Explanatory power distribution of different factors in each representative year |
|
|
表 3 各代表年份主导交互因子情况 Table 3 Dominant interaction factors for each representative year |
3 展望
本文所引用的NPP数据集空间分辨率为500 m, 时间分辨率为1 a, 可用于大尺度NPP变化分析, 若需要对小尺度区域, 或者从季度和月份角度进行NPP变化分析, 则需要分辨率更高的NPP数据.地理探测器作为一种新兴的驱动力分析方法, 能够分析单因子及多因子协同作用下对变量空间分布的解释力, 但其较依赖于先验知识即X变量的选取.本文在参考同类研究的基础上, 选取了以降水、坡度、高程和气温为代表的自然因子和以土地利用和人口密度为代表的人为因子.事实上NPP的变化受到多要素的协同作用, 在后续研究中, 除了分析常见的影响因子以外, 也应该积极探寻引起NPP变化的其他因子, 山西省煤炭开采活动较为剧烈, 受到相关矿区开采和产能等数据的获取限制, 本文仅大致研究了规划矿区内的NPP情况, 并和山西省整体水平进行了对比, 在后续研究中, 可以试着从煤炭开采复垦等角度, 结合社会经济水平和城市建设水平等指标, 建立较为完善的驱动力因子库, 以更综合地识别引起NPP变化的主要因素.
4 结论(1) NPP空间分布差异显著, 总体呈现西北低、东南高的特点, 高值区主要分布于吕梁山脉和太行山脉等植被覆盖度较高的地方, 而低值区主要分布在西侧黄河流域以及各类零散的建设用地周边.
(2) 山西省及规划矿区近21年间NPP均值呈现波动上升趋势.在不同用地类型中, 耕地、林地和草地的NPP总量占据前3位, 3种用地类型的NPP总量在山西省及规划矿区中分别占了97.30%与95.30%.
(3) NPP和降水和气温均具有一定的相关性, 其中NPP变化和降水相关性系数较高的区域以中部和东部为主, 而呈现负相关性的区域主要分布在建设用地以及山西省西南部区域.另一方面, 气温和NPP相关系数值较高的区域基本分布于山西省西侧, 中部和东侧则呈现出负相关.
(4) 由驱动力分析结果可知：降水是多年来引起NPP变化的主导因子, 各年份不同因子影响力均值相比, 大小为：降水>土地利用>人口密度>坡度>高程>气温.且双因子的交互作用影响力显著大于单因子.同时, 土地利用方式对NPP变化的影响力在逐步上升, 表明近年来人为活动对NPP变化产生了较大的扰动.
| [1] | Xiao X Y, Li X B, Jiang T, et al. Response of net primary production to land use and climate changes in the middle-reaches of the Heihe River basin[J]. Ecology and Evolution, 2019, 9(8): 4651-4666. DOI:10.1002/ece3.5068 |
| [2] | Field C B, Randerson J T, Malmström C M. Global net primary production: combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 74-88. DOI:10.1016/0034-4257(94)00066-V |
| [3] |
张振东, 常军. 2001—2018年黄河流域植被NPP的时空分异及生态经济协调性分析[J]. 华中农业大学学报, 2021, 40(2): 166-177. Zhang Z D, Chang J. Spatial-temporal differentiation and eco-economic coordination of vegetation NPP in the Yellow River Basin from 2001 to 2018[J]. Journal of Huazhong Agricultural University, 2021, 40(2): 166-177. DOI:10.13300/j.cnki.hnlkxb.2021.02.018 |
| [4] |
孙治娟, 谢世友. 基于地理探测器的云南省净初级生产力时空演变及因子探测[J]. 生态学杂志, 2021, 40(12): 3836-3848. Sun Z J, Xie S Y. Spatiotemporal variation in net primary productivity and factor detection in Yunnan province based on geodetector[J]. Chinese Journal of Ecology, 2021, 40(12): 3836-3848. DOI:10.13292/j.1000-4890.202111.033 |
| [5] |
徐雨晴, 肖风劲, 於琍. 中国森林生态系统净初级生产力时空分布及其对气候变化的响应研究综述[J]. 生态学报, 2020, 40(14): 4710-4723. Xu Y Q, Xiao F J, Yu L. Review of spatio-temporal distribution of net primary productity in forest ecosystem and its responses to climate change in China[J]. Acta Ecologica Sinica, 2020, 40(14): 4710-4723. |
| [6] |
严俊霞, 黄浩, 高彦华, 等. 吉林省长时间序列陆地生态系统NPP时空变化特征[J]. 水土保持学报, 2021, 35(5): 172-180. Yan J X, Huang H, Gao Y H, et al. Estimation and spatial-temporal dynamics of long-term sequenced vegetation net primary productivity in Jilin province[J]. Journal of Soil and Water Conservation, 2021, 35(5): 172-180. |
| [7] |
王科雯, 李晶, 王瑞国, 等. 胜利矿区植被覆盖度时序变化的空间异质性监测[J]. 测绘通报, 2020(11): 1-6. Wang K W, Li J, Wang R G, et al. Spatial heterogeneity monitoring of temporal variation of vegetation coverage in Shengli mining area[J]. Bulletin of Surveying and Mapping, 2020(11): 1-6. |
| [8] |
孙庆龄, 李宝林, 李飞, 等. 三江源植被净初级生产力估算研究进展[J]. 地理学报, 2016, 71(9): 1596-1612. Sun Q L, Li B L, Li F, et al. Review on the estimation of net primary productivity of vegetation in the Three-River Headwater Region, China[J]. Acta Geographica Sinica, 2016, 71(9): 1596-1612. |
| [9] | Xing W X, Chi Y, Ma X J, et al. Spatiotemporal characteristics of vegetation net primary productivity on an intensively-used estuarine alluvial island[J]. Land, 2021, 10(2). DOI:10.3390/land10020130 |
| [10] |
杜波波, 阿拉腾图娅, 包刚, 等. 基于CASA模型模拟锡林郭勒草原净初级生产力[J]. 水土保持研究, 2021, 28(5): 293-300. Du B B, Alatengtuya, Bao G, et al. Simulation of net primary productivity of Xilingol grassland based on CASA model[J]. Research of Soil and Water Conservation, 2021, 28(5): 293-300. |
| [11] |
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. |
| [12] |
李传华, 韩海燕, 范也平, 等. 基于Biome-BGC模型的青藏高原五道梁地区NPP变化及情景模拟[J]. 地理科学, 2019, 39(8): 1330-1339. Li C H, Han H Y, Fan Y P, et al. NPP change and scenario simulation in Wudaoliang area of the Tibetan Plateau based on Biome-BGC model[J]. Scientia Geographica Sinica, 2019, 39(8): 1330-1339. |
| [13] |
李芸, 王轶夫, 孙玉军, 等. 吉林省落叶松林净初级生产力时空特征及其对气候变化的响应[J]. 生态学报, 2022, 42(3): 947-959. Li Y, Wang Y F, Sun Y J, et al. Temporal-spatial characteristics of NPP and its response to climate change of Larix forests in Jilin province[J]. Acta Ecologica Sinica, 2022, 42(3): 947-959. |
| [14] |
李志祥, 张艺凡, 张和生. 山西省六大煤田植被净初级生产力对土地覆被变化的响应[J]. 中国矿业, 2021, 30(5): 107-114. Li Z X, Zhang Y F, Zhang H S. Response of net primary productivity of vegetation to land cover change in six coal fields of Shanxi province[J]. China Mining Magazine, 2021, 30(5): 107-114. |
| [15] |
郭睿妍, 田佳, 杨志玲, 等. 基于GEE平台的黄河流域森林NPP时空变化特征[J]. 生态学报, 2022, 42(13): 5437-5445. Guo R Y, Tian J, Yang Z L, et al. Spatio-temporal variation characteristics of forest net primary productivity in the Yellow River basin based on Google Earth Engine cloud platform[J]. Acta Ecologica Sinica, 2022, 42(13): 5437-5445. |
| [16] |
梁爽, 张吴平, 毕如田, 等. 山西省植被NPP时空变化特征及其驱动力分析[J]. 广西植物, 2018, 38(8): 1005-1014. Liang S, Zhang W P, Bi R T, et al. Variation characteristics of vegetation net primary productivity and its driving factors in Shanxi province[J]. Guihaia, 2018, 38(8): 1005-1014. |
| [17] |
刘婧, 汤峰, 张贵军, 等. 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, et al. 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. |
| [18] |
黄小刚, 赵景波, 曹军骥, 等. 中国城市O3浓度时空变化特征及驱动因素[J]. 环境科学, 2019, 40(3): 1120-1131. Huang X G, Zhao J B, Cao J J, et al. Spatial-temporal variation of ozone concentration and its driving factors in China[J]. Environmental Science, 2019, 40(3): 1120-1131. |
| [19] |
顾高铨, 万小铭, 曾伟斌, 等. 焦化场地内外土壤重金属空间分布及驱动因子差异分析[J]. 环境科学, 2021, 42(3): 1081-1092. Gu G Q, Wan X M, Zeng W B, et al. Analysis of the spatial distribution of heavy metals in soil from a coking plant and its driving factors[J]. Environmental Science, 2021, 42(3): 1081-1092. |
| [20] |
杨文涛, 谯鹏, 刘贤赵, 等. 2011~2017年中国PM2.5多尺度时空分异特征分析[J]. 环境科学, 2020, 41(12): 5236-5244. Yang W T, Qiao P, Liu X Z, et al. Analysis of multi-scale spatio-temporal differentiation characteristics of PM2.5 in China from 2011 to 2017[J]. Environmental Science, 2020, 41(12): 5236-5244. |
| [21] |
李成, 王让会, 李兆哲, 等. 中国典型农田土壤有机碳密度的空间分异及影响因素[J]. 环境科学, 2021, 42(5): 2432-2439. Li C, Wang R H, Li Z Z, et al. Spatial differentiation of soil organic carbon density and influencing factors in typical croplands of China[J]. Environmental Science, 2021, 42(5): 2432-2439. |
| [22] |
黄小刚, 赵景波, 孙从建, 等. 汾渭平原PM2.5空间分布的地形效应[J]. 环境科学, 2021, 42(10): 4582-4592. Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of PM2.5 on the Fen-Wei plain[J]. Environmental Science, 2021, 42(10): 4582-4592. |
| [23] |
赵俊红, 周华荣, 卢雅焱, 等. 2000—2015年塔里木胡杨林国家级自然保护区NPP时空动态特征及其影响因素[J]. 干旱区地理, 2020, 43(1): 190-200. Zhao J H, Zhou H R, Lu Y Y, et al. Temporal-spatial characteristics and influencing factors of the vegetation net primary production in the National Nature Reserve of Populus euphratica in Tarim from 2000 to 2015[J]. Arid Land Geography, 2020, 43(1): 190-200. |
| [24] |
刘恒, 汤弟伟, 宋鄂平, 等. 2000-2015年武陵山区植被净初级生产力的时空动态特征及其驱动因子[J]. 水土保持研究, 2020, 27(6): 218-225. Liu H, Tang D W, Song E P, et al. Spatiotemporal dynamics of vegetation net primary productivity and its driving factors in Wuling mountainous area during 2000-2015[J]. Research of Soil and Water Conservation, 2020, 27(6): 218-225. |
| [25] |
王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1190-1200. Wang L L, Liu X J, Li D, et al. Geographical detection of spatial heterogeneity and drivers of PM2.5 in the Yangtze River Economic Belt[J]. Environmental Science, 2022, 43(3): 1190-1200. |
| [26] |
刘珞丹, 李晶, 柳彩霞, 等. 2000-2015年长江经济带植被覆盖时空变化特征及影响因素分析[J]. 水土保持研究, 2021, 28(6): 330-336, 347. Liu L D, Li J, Liu C X, et al. Analysis on the characteristics of temporal and spatial changes and influencing factors of vegetation coverage in the Yangtze River Economic Belt from 2000 to 2015[J]. Research of Soil and Water Conservation, 2021, 28(6): 330-336, 347. |
| [27] |
李娜, 施坤, 张运林, 等. 基于MODIS影像的洪泽湖水生植被覆盖时空变化特征及影响因素分析[J]. 环境科学, 2019, 40(10): 4487-4496. Li N, Shi K, Zhang Y L, et al. Spatio-temporal variations in aquatic vegetation cover and the potential influencing factors in Lake Hongze based on MODIS images[J]. Environmental Science, 2019, 40(10): 4487-4496. |
| [28] |
李晶, 刘乾龙, 刘鹏宇. 1998—2018年呼伦贝尔市植被覆盖度时空变化及驱动力分析[J]. 生态学报, 2022, 42(1): 220-235. Li J, Liu Q L, Liu P Y. Spatio-temporal changes and driving forces of fraction of vegetation coverage in Hulunbuir (1998-2018)[J]. Acta Ecologica Sinica, 2022, 42(1): 220-235. |
| [29] |
杨玉莲, 杨昆, 罗毅, 等. 1998~2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响[J]. 环境科学, 2021, 42(11): 5100-5108. Yang Y L, Yang K, Luo Y, et al. Effect of vegetation coverage on the temporal and spatial distribution of PM2.5 concentration in China's eight major economic regions from 1998 to 2016[J]. Environmental Science, 2021, 42(11): 5100-5108. |
| [30] |
李晶, 闫星光, 闫萧萧, 等. 基于GEE云平台的黄河流域植被覆盖度时空变化特征[J]. 煤炭学报, 2021, 46(5): 1439-1450. Li J, Yan X G, Yan X X, et al. Temporal and spatial variation characteristic of vegetation coverage in the Yellow River basin based on GEE cloud platform[J]. Journal of China Coal Society, 2021, 46(5): 1439-1450. |
| [31] |
孙从建, 乔鹏, 王佳瑞, 等. 2000年来吕梁连片贫困区植被净初级生产力时空变化特征[J]. 生态学报, 2022, 42(1): 277-286. Sun C J, Qiao P, Wang J R, et al. Spatio-temporal variation characteristics of net primary productivity in Lvliang contiguous poverty areas since 2000[J]. Acta Ecologica Sinica, 2022, 42(1): 277-286. |
| [32] |
刘祥宏, 阎永军, 刘伟, 等. 碳中和战略下煤矿区生态碳汇体系构建及功能提升展望[J]. 环境科学, 2022, 43(4): 2237-2250. Liu X H, Yan Y J, Liu W, et al. System construction and the function improvement of ecological carbon sink in coal mining areas under the carbon neutral strategy[J]. Environmental Science, 2022, 43(4): 2237-2250. |
| [33] | 王智. 基于CASA模型的杭州市森林碳储量时空变化及影响因子研究[D]. 杭州: 浙江农林大学, 2021. |
| [34] | Ji Y H, Zhou G S, Luo T X, et al. Variation of net primary productivity and its drivers in China's forests during 2000-2018[J]. Forest Ecosystems, 2020, 7(1): 15. |
| [35] | Huang X, Huang C B, Teng M J, et al. Net primary productivity of Pinus massoniana dependence on climate, soil and forest characteristics[J]. Forests, 2020, 11(4). DOI:10.3390/f11040404 |
| [36] | Park J H, Gan J B, Park C. Discrepancies between global forest net primary productivity estimates derived from MODIS and forest inventory data and underlying factors[J]. Remote Sensing, 2021, 13(8). DOI:10.3390/rs13081441 |
| [37] |
黄小刚, 邵天杰, 赵景波, 等. 长江经济带空气质量的时空分布特征及影响因素[J]. 中国环境科学, 2020, 40(2): 874-884. Huang X G, Shao T J, Zhao J B, et al. Spatial-temporal distribution of air quality and its influencing factors in the Yangtze River Economic Belt[J]. China Environmental Science, 2020, 40(2): 874-884. |
| [38] | 自然资源部. 《全国矿产资源规划2016~2020》[EB/OL]. http://www.mnr.gov.cn/gk/ghjh/201811/t20181101_2324927.html, 2022-04-11. |
| [39] | Running S W, Nemani R R, Heinsch F A, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. Bioscience, 2004, 54(6): 547-560. |
| [40] | Gaughan A E, Stevens F R, Linard C, et al. High resolution population distribution maps for Southeast Asia in 2010 and 2015[J]. PLoS One, 2013, 8(2): e55882. |
| [41] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. |
| [42] |
王新闯, 王世东, 张合兵. 基于MOD17A3的河南省NPP时空格局[J]. 生态学杂志, 2013, 32(10): 2797-2805. Wang X C, Wang S D, Zhang H B. Spatiotemporal pattern of vegetation net primary productivity in Henan province of China based on MOD17A3[J]. Chinese Journal of Ecology, 2013, 32(10): 2797-2805. |
| [43] |
闫萧萧, 李晶, 杨震. 2000—2016年陈巴尔虎旗植被覆盖度时空变化遥感动态监测[J]. 中国农业大学学报, 2018, 23(6): 121-129. Yan X X, Li J, Yang Z. Dynamicremote sensing monitoring on the temporal-spatial changes of vegetation coverage in Chen Barag Banner from 2000 to 2016[J]. Journal of China Agricultural University, 2018, 23(6): 121-129. |
| [44] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [45] |
齐小天, 张质明, 赵鑫, 等. 降雨径流污染风险等级识别与优化方法[J]. 环境科学, 2022, 43(3): 1500-1511. Qi X T, Zhang Z M, Zhao X, et al. Identification and optimization method of rainfall-runoff pollution risk level[J]. Environmental Science, 2022, 43(3): 1500-1511. |
| [46] | GB/T 15772-2008, 水土保持综合治理规划通则[S]. |
| [47] |
刘杰, 汲玉河, 周广胜, 等. 2000—2020年青藏高原植被净初级生产力时空变化及其气候驱动作用[J]. 应用生态学报, 2022, 33(6): 1535-1538. Liu J, Ji Y H, Zhou G S, et al. Temporal and spatial change of net primary productivity (NPP) and its climate driving effect in the Qinghai-Tibet Plateau, China from 2000 to 2020[J]. Chinese Journal of Applied Ecology, 2022, 33(6): 1535-1538. |
| [48] |
闫立男, 王新军, 陈蓓, 等. 稀疏植被净初级生产力时空变化及气象因素关系分析[J]. 测绘通报, 2022(3): 1-6. Yan L N, Wang X J, Chen B, et al. Analysis of spatiotemporal variation of sparse vegetation net primary productivity and meteorological factors[J]. Bulletin of Surveying and Mapping, 2022(3): 1-6. |