2024, Vol. 45
2. 国家农机装备创新中心, 洛阳 471023;
3. 山东鲁研农业良种有限公司, 济南 250199
2. National Agricultural Machinery and Equipment Innovation Center, Luoyang 471023, China;
3. Shandong Luyan Agricultural Variety Company Limited, Jinan 250199, China
当前, 世界正面临近50年来最严重的粮食安全危机[1], 2019年, 近6.9亿人口遭受饥饿, 与2014年相比增加了近6 000万[2]. 受2019年新冠疫情和2020年底非洲蝗灾的影响, 长期饥饿的人数可能增加到1.3亿[3,4]. 中国是人口大国, 解决好自身粮食安全问题, 就是对全球粮食安全的贡献. 据统计, 中国2021年进口粮食占粮食总产量的24.1%, 2022年虽有减少（占粮食总产量的21.4%）, 但仍保持较高粮食进口比例[5]. 习近平总书记在党的二十大报告中指出：“全方位夯实粮食安全根基, 全面落实粮食安全党政同责, 牢牢守住18亿亩耕地红线, 逐步把永久基本农田全部建设成高标准农田”[6]. 高标准农田的核心是耕地综合生产能力的稳定提升和持续保障, 宏观空间上耕地综合生产能力可采用植被净初级生产力（net primary productivity, NPP）定量表征. 因此, 充分认识区域耕地NPP的时空分异特征, 明晰NPP的驱动因素, 对于改善区域耕地生产条件、挖掘和提升耕地生产能力以及保障国家粮食安全具有重要意义.
NPP是指植被进行光合作用积累的有机物总量减去自身呼吸作用所消耗的有机物后的剩余部分[7], 反映了植被在自然环境中受气候和地形等因子综合影响下的生产能力[8,9]. 有研究表明, NPP对气候变化和人类活动等的敏感程度高于NDVI等指数[10,11], 更真实地反映了植被生产力状况, 可作为衡量耕地生产力的重要因子. 通过遥感技术可以获取覆盖范围广、连续时间长和时效性更强的植被NPP数据, 这些数据已成为植被生产力动态监测的重要基础[12]. 例如, 刘亮等[13]分析了伊犁河流域2008~2018年NPP时空特征, 表明该流域NPP呈波动上升趋势, 空间上沿天山山脉呈环状分布；孔春芳等[14]研究发现江汉平原区2000~2015年植被NPP年总量在25.43~29.76 Tg C之间, 且空间分布具有不均匀特性；王轶虹等[15]发现2001~2010年间, 中国农田NPP年际变化呈先增后减的趋势, 空间分布表现为南方高、北方低. 然而, 综观现有对于耕地NPP时空变化特征及其驱动因素的研究, 大多集中于全国范围[15,16]、长江中下游地区[17]和内陆不同省份[18,19], 而针对滨海区域盐渍化耕地的研究鲜见报道.
环渤海平原区是黄河三角洲高效生态经济区、山东半岛蓝色经济区、新增千亿斤粮食生产能力规划和“渤海粮仓”科技示范工程等多个国家战略规划叠加区, 拥有面广量大的盐渍化耕地. 自2013年国家在该区域实施渤海粮仓科技示范工程项目以来, 各界已采取多种措施, 开发利用盐碱荒地, 改造和提升中低产田, 土地单产连创新高, 取得较好成效[20,21]. 然而, 环渤海平原区域盐渍化耕地NPP时空动态变化特征如何?变化的稳定性以及持续性如何?主要受何种因素影响?这一系列科学问题尚不可知. 明晰上述问题, 对于深入认识滨海区域盐渍化耕地生产力水平, 促进耕地资源开发利用与保护工作具有重要意义.
基于上述分析, 本研究通过PIE-Engine云平台获取2001~2019年长时间序列环渤海山东区土地利用和耕地NPP数据, 借助ArcGIS分析研究区耕地变化状况；运用R-studio软件分析耕地NPP时空变化特征, 采用参数最优地理探测器模型（optical parameters-based geographical detectors, OPGD）分析NPP的驱动因素, 旨在为该区耕地生产能力评估和改善提升提供科学依据.
1 材料与方法 1.1 研究区概况研究区位于环渤海平原区的山东省境内, 主要包括庆云县、无棣县、沾化区、河口区、利津县、垦利区、东营区、广饶县、寿光市、寒亭区、昌邑市全境和平度市、莱州市的部分区域, 地理坐标为117°26′~120°19′E, 36°26′~38°19′N（图 1）. 区域地势南高北低, 平均海拔为9.4 m. 地处暖温带, 冬寒夏热, 年平均气温为12.5 ℃左右, 年均降水量为530~630 mm, 年均潜在蒸散量为1 500 mm, 年日照时数为2 600 h以上, 无霜期205 d左右. 降水时空分布不均, 春季降水少、蒸发强烈, 夏季雨水集中易形成涝灾. 区域拥有面广量大的耕地资源, 但受盐渍化灾害影响严重, 耕地生产能力尚不明晰.
|
图 1 研究区概况与采样点分布示意 Fig. 1 Overview of the study area and distribution of sampling sites |
土地覆盖类型数据采用武汉大学黄昕团队基于Landsat遥感影像制作的成果[22], 包括耕地、林地、水体、建设用地（不透水面）和滩涂（未利用地）这5类, 时间序列为2001~2019年, 空间分辨率为30 m. 植被净初级生产力数据（NPP）来自NASA提供的MOD17A3HGF V6数据集, 产品年度NPP是由给定年份所有8 d净光合作用产品MOD17A2H合成, 时间序列为2001~2019年, 空间分辨率为500 m. 上述数据获取在PIE-Engine云平台中通过代码编程实现. 通过ArcGIS（version：10.7）重采样为30 m栅格数据, 利用栅格计算器功能, 提取研究区耕地NPP数据.
1.2.2 驱动因子数据参考前人研究 [23 ~25], 针对环渤海山东区特殊地理环境条件, 选取地形（高程、坡度和坡向）、土壤（有机质、表层土壤含盐量、底层土壤含盐量和pH）和气候（年均温度、年均降雨量、年均蒸散量、年均相对湿度和年日照时数）共12个因子作为耕地NPP的驱动因子（表 1）. 高程数据来源于地理空间数据云（http://www.gscloud.cn）, 坡度和坡向数据通过高程数据反演获取；年均温度、年均降雨量、年均蒸发量、年均相对湿度和年日照时数通过国家地球系统科学数据中心下载获取. 借助ArcGIS软件, 将驱动因子进行投影转换和掩膜处理后, 利用双线性内插法重采样为30 m栅格空间分辨率[26]. 土壤属性数据（有机质、pH、表层土壤含盐量、底层土壤含盐量）通过野外实地采样（全区域采用网格法布点, 各样点采用梅花法采样, 样点分布见图 1）和室内化验获取, 采样时间为2019年3~5月, 共采集样品537份. 利用ArcGIS软件将土壤属性样点数据插值为30 m空间分辨率面状数据.
|
表 1 驱动因子数据来源 Table 1 Driver data source |
1.3 研究方法 1.3.1 Theil-Sen Median趋势分析与Mann-Kendall显著性检验
Theil-Sen Median趋势分析是一种非参数检验方法, 其优点是样本不需为特定分布, 结果不受异常值影响, 多用于长时间序列的变化趋势分析, 其计算公式为[27]：
|
(1) |
式中, ρ为耕地NPP对斜率的中值, 当ρ > 0时植被变化呈现出上升趋势, 当ρ < 0时植被变化呈现出下降趋势, xj和xi分别为耕地NPP时间序列中第j和i年的值, Median为取中值.
Mann-Kendall显著性检验是一种非参数检验方法, 通常作为Theil-Sen斜率估算的补充, 用来检验时间序列的显著性[28 ].
1.3.2 稳定性分析通过变异系数CV反映耕地NPP长时间序列的稳定性, 其计算公式如下[12]：
|
(2) |
式中, CV为变异系数；NPPi表示第i年耕地NPP值；NPP为2001~2019年NPP平均值. CV值越小, 耕地NPP稳定性越好.
依据式（2）中的变异系数CV计算结果, 将波动程度划分为5个等别, 分别为[29]：低波动CV ≤ 0.05、较低波动0.05 < CV ≤ 0.1、中等波动0.1 < CV ≤ 0.15、较高波动0.15 < CV ≤ 0.2和高波动CV > 0.2.
1.3.3 持续性分析通过Hurst指数反映环渤海区域耕地NPP时间序列的持续性, Hurst指数（H）是定量描述时间序列数据持续特征的有效方法, 指数的具体计算原理见文献[29 ]. H的范围为[0, 1], 通常有3种情况：若0.5 < H < 1, 表明研究的时间序列变化状态与过去一致, 具有持续性, 且H越接近1, 持续性越强；若H = 0.5, 表明研究的时间序列具有随机性, 无法对未来的变化进行预测；若0 < H < 0.5, 表明研究的时间序列变化趋势与过去相反, 具有反持续性[30].
Theil-Sen Median趋势分析、Mann-Kendall显著性检验、稳定性和持续性分析均在R-studio（version：2023.06.1）软件中实现.
1.3.4 参数最优地理探测分析地理探测器主要用于探测地理事物的空间分异性, 并在此基础上揭示其背后驱动力[31], 能够直接量化驱动因子的相互作用和影响, 对多重共线性具有较强免疫功能, 不需要严格遵循传统统计方法的假设[32]. 但传统地理探测器在对连续变量进行离散化时需要人为设定, 存在主观影响和离散效果不佳等问题[33]. 为弥补上述不足, 本文选取参数最优地理探测器（OPGD）分析研究区耕地NPP驱动因子, 计算每个驱动因子在不同分级方式下q值大小, 值越大表明影响因子对耕地NPP空间分异的解释力越强, 反之越弱, 其计算公式如下[34]：
|
(3) |
|
(4) |
式中, h（1, 2, …, L）为耕地NPP影响因子的分类；Nh和n分别为层h和全区的单元数；；σh2和σ2分别为层h和全区的Y值的方差. SSW和SST分别为层内方差之和及全区总方差, q的值域为[0, 1].
分级方式包括4种：相等间隔、分位数、自然断点和几何间隔, 间断数量设置为5~12类别.
交互探测通过比较单一驱动因子影响力与双驱动因子影响力的q值来判断驱动因子间的共同作用对分析变量的解释力是加强还是削弱, 可区分研究区耕地NPP是由单因子驱动还是多因子共同驱动, 一方面交互探测解释力q值越大则说明驱动因子的协同作用比单个驱动因子的影响强；另一方面还可以探究驱动因子综合作用是增强作用、减弱作用还是彼此独立关系[35]. 驱动因子间的交互作用分为非线性减弱、单因子非线性减弱、双因子增强、独立交互作用和非线性增强共5种类型, 具体结果判定方法见文献[36].
2 结果与分析 2.1 耕地时空变化特征2001~2019年研究区地类面积转移矩阵见表 2, 各地类空间分布及占比情况见图 2. 由表 2可以看出, 2001~2019年, 研究区土地利用类型以耕地和建设用地为主, 各年份二者面积之和占研究区总面积比例均超过80%；但面积及所占比例整体呈现出耕地逐年降低, 建设用地逐年增加的趋势. 研究区耕地面积2001年为20 724.08 km2, 2019年为18 719.57 km2, 累计减少2 004.51 km2, 减少幅度达9.67%, 年均减少105.50 km2, 年均减少速率为0.51%；建设用地面积2001年为4 002.87 km2, 2019年为5 843.58 km2, 累计增加1 840.71 km2, 增加幅度达45.98%, 年均增加96.88 km2, 年均增加速率为2.42%. 转移矩阵显示, 19年中, 有1 914.59 km2耕地转为建设用地, 而仅有323.88 km2建设用地转为耕地, 耕地向建设用地的净转移量达1 590.71 km2.
|
|
表 2 2001~2019年环渤海山东区土地利用类型转移矩阵1） Table 2 Transfer matrix of different land use types in Shandong area around Bohai Sea from 2001 to 2019 |
|
1、2、3、4、5和6分别表示耕地、建设用地、滩涂、水体、草地和林地 图 2 2001~2019年研究区土地利用类型空间分布及面积占比 Fig. 2 Spatial distribution and area proportion of land use types in the study area from 2001 to 2019 |
结合图 2可以看出, 从2001~2019年, 建设用地增加占用了原有城镇周边的耕地, 以2001年原有城镇为中心向四周扩散. 以上区域主要集中于研究区中部和南部, 城镇建设用地集中连片趋势日益明显, 在东营区、广饶县、寿光市和寒亭区尤为显著；北部区域的建设用地一直呈离散分布状态, 数量无明显增减趋势. 分析原因可见, 2001~2019年是该区域工业化和城镇化高速发展阶段, 建设用地以占用城镇周边耕地为主的方式扩张；建设用地转为耕地的部分, 则得益于一部分农村居民点的建设用地被复垦为耕地. 耕地向水体净转移389.94 km2, 向滩涂净转移83.97 km2, 主要集中在北部的无棣县、沾化区、河口区和东部沿海区域.
2.2 耕地NPP时空特征分析图 3为2001~2019年研究区平均耕地NPP动态变化及其空间分布. 由图 3（a）可以看出, 2001~2019年间, 研究区平均耕地NPP年际变化总体呈现波动增加的趋势, 线性增长达到极显著水平, NPP平均增加速率（以C计, 下同）为7.33 g·（m2·a）-1, 平均值位于296.04~364.54 g·（m2·a）-1之间, 多年平均值为330.78 g·（m2·a）-1；2001~2009年间处于波动状态, 2009~2019年呈持续上升趋势, 与盐碱地改良利用工程实施、千亿斤增粮计划和“渤海粮仓”科技示范工程等提出的实施时间基本吻合[20], 表明在此期间盐渍耕地改良和质量提升效果明显.
|
地图中白色区域为除耕地以外的其他地类, 下同 图 3 2001~2019年研究区平均耕地NPP动态变化与空间分布 Fig. 3 Dynamic changes and spatial distribution of average cultivated land NPP in the study area from 2001 to 2019 |
由图 3（b）可以看出, 研究区19年间平均耕地NPP的分布具有明显的空间异质性, 整体表现为以东营区为界, 北部的NPP值明显低于南部. 耕地NPP大于500 g·（m2·a）-1的区域主要位于研究区东南部的莱州市；介于400~500 g·（m2·a）-1的区域主要分布于昌邑市全境、寒亭区、河口区和垦利区中部；介于300~400 g·（m2·a）-1的区域主要位于广饶县、寿光市、河口区、沾化区南部以及庆云县全境；介于200~300 g·（m2·a）-1的区域主要分布于无棣县、垦利县西南部和沾化区北部；低于200 g·（m2·a）-1的区域则主要位于靠近海岸线的区域和城镇集中区的局部.
2.3 变化趋势分析图 4为2001~2019年研究区耕地NPP变化趋势、显著性检验. 由图 4（a）可见, 近20年研究区耕地NPP的变化趋势, 其Theil-Sen趋势度（以C计, 下同）在-21.48~12.9 g·（m2·a）-1之间. NPP呈增加趋势的耕地面积占总耕地面积的88.06%, 其中, NPP高速增长区[变化趋势 > 5 g·（m2·a）-1]主要分布在研究区北部及中部, 正常增长区[变化趋势介于0~5 g·（m2·a）-1之间]主要分布在研究区南部；NPP呈减少趋势的耕地面积占总耕地面积的11.94%, 占比较少, 主要分布在河口区、寿光市、昌邑市等城镇周边和部分滩涂区域.
|
图 4 2001~2019年研究区耕地NPP变化趋势和显著性检验 Fig. 4 Trends and significance tests of cultivated land NPP in the study area from 2001 to 2019 |
由图 4（b）可以看出, 基于Mann-Kendall方法的耕地NPP变化趋势显著性检验结果显示, 耕地NPP呈极显著增加的区域主要位于研究区北部、中部和西南角部分区域, 占研究区耕地面积的49.26%；呈显著增加的区域零散遍布研究区全境, 占研究区耕地面积的12.63%；呈稳定态势的区域主要分布于研究区南部, 北部也有部分区域涉及, 占研究区耕地面积的34.76%；呈极显著减少和显著减少的区域共占研究区耕地面积的3.34%.
2.4 稳定性与持续性分析 2.4.1 稳定性分析研究区2001~2019年耕地NPP变异系数空间分布及其占比情况见图 5. 耕地NPP处于低波动和较低波动状态的区域分别占区域耕地总面积的2.50%和40.95%, 主要分布于研究区南部. 结合图 4（b）不难发现, 该部分区域每年耕地NPP值呈稳定上升趋势, 波动较小. 耕地NPP处于高波动和较高波动的区域共占比12.59%, 主要分布于北部和中部的滨海区域, 受多重因素综合作用, 致使其耕地NPP波动较大, 增加了该部分区域每年粮食产量的不确定性, 局部区域耕地NPP的CV值大于1. 耕地NPP处于中等波动的区域占研究区耕地总面积的43.96%, 主要分布于研究区北部和中部.
|
图 5 研究区耕地NPP变异系数空间分布与占比 Fig. 5 Spatial distribution and statistics of cultivated land NPP variation coefficient in the study area |
环渤海山东区耕地NPP的Hurst指数及未来变化趋势见图 6. 由图 6（a）可以看出, 研究区耕地NPP的Hurst指数介于0.2~0.8之间, 均值为0.61. 其中, Hurst指数值介于0~0.5之间的面积占耕地面积的31.17%, 介于0.5~1.0之间的面积占耕地面积的68.83%, 表明将来有一半以上的耕地将呈持续性, 耕地未来变化趋势与过去趋势一致.
|
图 6 研究区耕地NPP的Hurst指数及未来变化趋势 Fig. 6 Hurst index and future change trend of NPP in the study area |
将研究区耕地NPP的变化趋势与Hurst指数进行叠加分析, 获取耕地NPP的变化区域与变化持续性的耦合结果[图 6（b）]. 在Hurst指数位于0.5~1.0之间的持续区域中, 极显著增加与显著增加的面积占全区耕地总面积的60.97%, 空间分布较广泛, 遍布除寿光市以外的全部区县；极显著减少与显著减少的面积占全区耕地总面积的3.35%, 零星分布于河口区、垦利区和昌邑市等县市区. 在Hurst指数位于0~0.5之间的反持续区域中, 极显著增加与显著增加的面积占全区耕地总面积的1.1%, 极显著减少与显著减少的面积占全区耕地总面积比例极少（小于1%）. 整体而言, 研究区未来耕地NPP呈持续性极显著、显著增加的面积大于呈持续性极显著、显著减少和呈反持续性极显著、显著增加的面积, 预示环渤海山东区耕地NPP将来整体呈持续增加的趋势.
2.5 驱动因子探测分析 2.5.1 最优参数选取图 7为12个驱动因子在不同离散条件下影响力值q的变化情况. 可以看出, 驱动因子不同离散分类方法及不同分类数对耕地NPP的解释力存在显著差异：以高程为例, 相等间隔分类、分位数分类、自然断点分类和几何间隔分类在同一分类数上均是分位数分类解释力q值最大, 且随分类数的增加, 解释力q值呈不断增加的趋势, 因此将高程以分位数分类方法分为12类. 其余驱动因素均依据影响力值（q）最大确定最终分类方法与分类数. 选取结果为以自然断点法将坡度、pH、年平均降雨量、年平均温度和年平均湿度分别分为7、9、12、12和12类, 以分位数分类法将坡向、年日照时数、年平均蒸散量和有机质分别分为11、12、12和11类；以几何间隔分类法将表层土壤含盐量和底层土壤含盐量分别分为10类和12类.
|
X1为高程、X2为坡度、X3为坡向、X4为有机质、X5为表层土壤含盐量、X6为底层土壤含盐量、X7为pH、X8为年均温度、X9为年均降雨量、X10为年均蒸散量、X11为年均相对湿度和X12为年日照时数 图 7 不同分类方法与分区数量影响力值统计 Fig. 7 Statistics on the impact of different classification methods and the number of zones |
（1）单因子探测结果分析 表 3反映了不同驱动因素的最优离散条件下单因子探测统计结果. 从中可知, 研究区耕地NPP值影响最大的驱动因子为年均相对湿度, 影响力q值为0.26；其次为表层土壤含盐量和底层土壤含盐量, 其影响力值相近, 分别为0.24和0.23；再次为年均温度、年均降雨量和pH, q值分别为0.20、0.19和0.18. 其余驱动因素按解释力大小排序依次为：高程 > 年日照时数 > 年均蒸散量 > 坡度 > 有机质 > 坡向.
|
|
表 3 不同驱动因子单因子探测结果 Table 3 Results of single factor detection of different driving factors |
（2）交互探测结果分析 图 8为不同驱动因子间交互探测结果, 所有驱动因子间的交互作用均表现为非线性增强或双因子增强. X8∩X12的交互探测解释力最强, q值为0.54, 表明年均温度和年日照时数间的交互作用对滨海区耕地NPP值分布的解释力最强；其次是X8∩X11, q值为0.51. X5（表层土壤含盐量）和X6（底层土壤含盐量）与其他驱动因子（除X6和X7外）间的交互探测q值均大于0.4, 对滨海区耕地NPP分布具有较强解释力；交互探测影响力q值小于0.2的包括X1∩X2、X1∩X3、X2∩X3、X2∩X4、X2∩X10、X2∩X12、X3∩X4、X3∩X10和X3∩X12, 其中X2与其他驱动因子间的交互作用最频繁, 进一步体现了X2（坡度）对滨海区耕地NPP的影响作用弱.
|
图 8 不同驱动因子交互探测结果 Fig. 8 Results of interaction detection of different drivers |
2001~2019年, 环渤海山东区耕地数量整体呈现降低趋势, 耕地面积占比由2001年的69.71%减少到62.98%, 净减少2 004.51 km2. 这主要与该区域工业化和城镇化高速发展有关. 随着环渤海经济区和京津冀一体化等战略的开展, 城市周边地区城镇生产生活用地和交通用地等建设用地扩张, 不断侵占其周边耕地, 导致耕地面积减少[37], 与于莉莉等[38]对环渤海区域近20年耕地变化研究结果一致. 同时, 部分耕地被转为水体或滩涂, 净转移量共为473.91 km2, 这可能与干旱年份开垦的海滩和河滩低洼地因水产养殖占用或生态退耕还海还河而转移为水体或滩涂有关. 为筑牢国家粮食安全屏障, 增加耕地面积, 未来应严控建设用地占用耕地, 严格把控耕地占补平衡, 保证补充耕地质与量双达标, 才能真正实现环渤海地区耕地质量稳步提高和粮食产能不断提升的目标.
3.2 环渤海区域耕地NPP时空特征本研究结果表明, 在时间变化上, 近20年环渤海山东区盐渍化耕地NPP整体呈波动上升的趋势, 以2009年为节点, 2001~2009先增后减波动变化, 2009~2019年持续上升. 这可能与国家和山东省盐碱地治理和盐碱中低产田改良等工程的实施有关, 黄河三角洲的生态补水措施也对该区域土壤盐分和地下水矿化起到一定稀释作用[39]. 这一结果与相近时期山东省耕地NPP的整体变化趋势一致[40]. 此外, 已有研究证实, MOD17A3数据集中的NPP数据能表征耕地生产力状况[41], 研究区耕地NPP呈增加趋势的面积（88.06%）远大于呈减少趋势的面积（11.94%）, 说明近几年在政府[42]和学界[20,43]等的共同努力下, 区域盐渍化耕地治理成效显著, 作物生产能力得到有效提升. 持续性分析结果表明, 研究区未来耕地NPP呈持续性极显著、显著增加的区域大于呈持续性极显著、显著减少及呈反持续性极显著、显著增加的区域, 预示环渤海山东地区耕地NPP将来整体呈持续增加的趋势, 这与刘玉红等[44]的研究结果一致.
从空间分布上看来, 研究时段内耕地NPP均值整体呈现出东南高、西北低的特征, 这与东南部区域海拔相对较高、盐渍化影响小有关. 从不同县市区的耕地NPP空间分布来看, 形成了以东营区为界, 北部县市区耕地NPP明显低于南部的特征, 这与北部地区退海成陆晚、海拔低、盐渍化程度整体重于南部有关. 值得关注的是, 除受盐渍化影响外, 城市建设用地扩张导致部分城镇周边耕地的NPP值也较低[0~200 g·（m2·a）-1], 这是由于城镇建设大量占用耕地、导致耕地覆盖面积不断减少, 进而造成区域NPP的流失[44]. 这也是今后耕地保护和产能提升过程中, 迫切需要采取措施加以抑制的现象.
3.3 环渤海区域耕地NPP驱动因素12个驱动因子对研究区耕地NPP空间分布解释力差异明显, 以气候因子影响最大, 其次为土壤属性因子. 从单因子探测结果而言, 主导驱动因子包括年均相对湿度、表层土壤含盐量、底层土壤含盐量和年均温度, 单因素影响力q值均大于0.20. 这与王芳等[45]的研究结果相同, 但与潘洪义等[46]对岷江中下游地区植被NPP的主导影响因素为海拔有所不同. 这可能是由于本文研究区地处滨海平原, 海拔多低于20 m, 仅东南部局部海拔较高, 区域内整体海拔差异较小, 因而坡度和坡向对耕地NPP影响很小. 但高程大小也从侧面反映地下水埋深, 若地下水埋深较浅, 会加速底层土壤盐分向上迁移, 导致耕层盐渍化程度加重, 影响作物正常生长[47], 从而导致NPP较低. 这也是高程的影响力q值相较于坡度和坡向更大的原因之一. 年均相对湿度通过影响区域潜热交换和云雨形成等, 对气候条件造成极大影响, 从而影响农作物生长环境[48], 河口区和垦利区近海局部在高盐渍化程度下平均耕地NPP大于300 g·（m2·a）-1, 可能与该处近海、近河而年均相对湿度较大有关. 年均温度和年均降雨量则主要通过改变水热条件影响农作物单位时间和单位面积内积累的有机物总量, 从而影响区域农作物NPP空间分异. 受盐渍化影响, 研究区耕地土壤有机质含量普遍较低, 导致其对耕地NPP解释力仅为0.03. 从不同驱动因子间交互探测结果来看, 年均温度∩年日照时数间的交互作用对滨海区耕地NPP值分布的解释力最强, 其次为年均温度∩年均相对湿度, 交互影响力q值均大于0.5. 此外, 不同驱动因素间的交互影响作用对耕地NPP的解释力均呈非线性增强或双因子增强, 即驱动因子两两间的协同作用更能解释研究区耕地NPP的空间分异, 这与已有研究的结果一致[49,50].
4 结论（1）2001~2019年, 环渤海山东区域耕地数量呈减少趋势, 累计减少2 004.51 km2, 主要转为建设用地、水体和滩涂.
（2）时间尺度上（2001~2019年）, 环渤海山东区年均耕地NPP整体呈波动上升趋势, 2001~2009年间处于波动状态, 2009~2019年呈持续上升趋势, 多年平均值为330.78 g·（m2·a）-1. 空间尺度上, 平均耕地NPP空间分布具有显著异质性, 呈现以东营区为界, 北部的NPP值明显低于南部的特征.
（3）从变化趋势分析而言, 耕地NPP呈增加趋势的面积占耕地总面积88.06%, 高速增长区主要分布于研究区北部和中部, 正常增长区主要分布于研究区南部. 从稳定性与持续性分析而言, 耕地NPP稳定性以较低波动和中等波动为主, 未来该区域耕地NPP整体仍呈持续增加的趋势.
（4）单因子探测结果表明, 年平均相对湿度对环渤海山东区域耕地NPP空间分异解释力最强, q值为0.26, 其次为表层土壤含盐量和底层土壤含盐量, q值分别为0.24和0.23. 不同驱动因子按解释力大小排序依次为：年平均相对湿度 > 表层土壤含盐量 > 底层土壤含盐量 > 高程 > 年日照时数 > 年均蒸散量 > 坡度 > 有机质 > 坡向. 交互探测结果表明, 不同驱动因子两两间的交互作用增强了对耕地NPP空间分布的解释力.
| [1] | Asiedu E, Sadekla S S, Bokpin G A. Aid to Africa's agriculture towards building physical capital: empirical evidence and implications for post-COVID-19 food insecurity[J]. World Development Perspectives, 2020, 20. |
| [2] |
张帅. 联合国全球粮食安全治理理念探析[J]. 国际展望, 2023, 15(1): 116-135, 157-158. Zhang S. A review of the concepts in United Nations global food security governance[J]. Global Review, 2023, 15(1): 116-135, 157-158. |
| [3] | Kansiime M K, Tambo J A, Mugambi I, et al. COVID-19 implications on household income and food security in Kenya and Uganda: findings from a rapid assessment[J]. World Development, 2021, 137. |
| [4] | Zhuang Q W, Shao Z F, Huang X, et al. Evolution of soil salinization under the background of landscape patterns in the irrigated northern slopes of Tianshan Mountains, Xinjiang, China[J]. CATENA, 2021, 206. |
| [5] |
王晓君, 何龙娟, 王国刚. 全球粮食不安全形势下保障中国粮食安全的逻辑思维与战略取向[J]. 改革, 2022(12): 66-77. Wang X J, He L J, Wang G G. Logical thinking and strategic orientation for safeguarding China's food security under the global food insecurity situation[J]. Reform, 2022(12): 66-77. |
| [6] | 习近平. 高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗—在中国共产党第二十次全国代表大会上的报告(2022年10月16日)[M]. 北京: 人民出版社, 2022. |
| [7] | Potapov P, Turubanova S, Hansen M C, et al. Global maps of cropland extent and change show accelerated cropland expansion in the twenty-first century[J]. Nature Food, 2022, 3(1): 19-28. |
| [8] | Yan W B, He Y L, Cai Y, et al. Relationship between extreme climate indices and spatiotemporal changes of vegetation on Yunnan Plateau from 1982 to 2019[J]. Global Ecology and Conservation, 2021, 31. |
| [9] | Song L Y, Li M Y, Xu H, et al. Spatiotemporal variation and driving factors of vegetation net primary productivity in a typical karst area in China from 2000 to 2010[J]. Ecological Indicators, 2021, 132. |
| [10] | Li S S, Lü S H, Liu Y P, et al. Variations and trends of terrestrial NPP and its relation to climate change in the 10 CMIP5 models[J]. Journal of Earth System Science, 2015, 124(2): 395-403. DOI:10.1007/s12040-015-0545-1 |
| [11] | Jaafar H H, Ahmad F A. Crop yield prediction from remotely sensed vegetation indices and primary productivity in arid and semi-arid lands[J]. International Journal of Remote Sensing, 2015, 36(18): 4570-4589. DOI:10.1080/01431161.2015.1084434 |
| [12] |
胡砚霞, 王长青. 汉江流域耕地生产力变化趋势与持续性分析[J]. 长江流域资源与环境, 2022, 31(6): 1249-1261. Hu Y X, Wang C Q. Change trend and sustainability analysis of farmland productivity in the Han River basin[J]. Resources and Environment in the Yangtze Basin, 2022, 31(6): 1249-1261. |
| [13] |
刘亮, 关靖云, 穆晨, 等. 2008-2018年伊犁河流域植被净初级生产力时空分异特征[J]. 生态学报, 2022, 42(12): 4861-4871. Liu L, Guan J Y, Mu C, et al. Spatio-temporal characteristics of vegetation net primary productivity in the Ili River Basin from 2008 to 2018[J]. Acta Ecologica Sinica, 2022, 42(12): 4861-4871. |
| [14] |
孔春芳, 岳永财, 徐凯. 2000~2015年江汉平原区域植被NPP时空特征及其对气候变化的响应[J]. 长江流域资源与环境, 2019, 28(6): 1460-1469. Kong C F, Yue Y C, Xu K. Spatial-temporal variation of vegetation net primary productivity and its response to climate change in Jianghan Plain from 2000 to 2015[J]. Resources and Environment in the Yangtze Basin, 2019, 28(6): 1460-1469. |
| [15] |
王轶虹, 史学正, 王美艳, 等. 2001-2010年中国农田生态系统NPP的时空演变特征[J]. 土壤学报, 2017, 54(2): 319-330. Wang Y H, Shi X Z, Wang M Y, et al. Spatio-temporal variation of NPP in cropland ecosystem of China during the years from 2001 to 2010[J]. Acta Pedologica Sinica, 2017, 54(2): 319-330. |
| [16] |
陈惺, 王军邦, 何启凡, 等. 未来气候情景下中国植被净初级生产力稳定性及气候影响[J]. 地理学报, 2023, 78(3): 694-713. Chen X, Wang J B, He Q F, et al. Stability of vegetation net primary productivity and climate impacts in China under future climate scenarios[J]. Acta Geographica Sinica, 2023, 78(3): 694-713. |
| [17] |
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 D, 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. |
| [18] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi province from 2000 to 2020 based on geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [19] |
钱方艳, 兰安军, 范泽孟, 等. 贵州省2000-2020年NPP时空变化特征及影响因素[J]. 水土保持研究, 2023, 30(5): 408-416, 426. Qian F Y, Lan A J, Fan Z M, et al. Spatiotemporal variation characteristics and influencing factors of NPP in Guizhou province from 2000 to 2020[J]. Research of Soil and Water Conservation, 2023, 30(5): 408-416, 426. |
| [20] |
李振声, 欧阳竹, 刘小京, 等. 建设"渤海粮仓"的科学依据——需求、潜力和途径[J]. 中国科学院院刊, 2011, 26(4): 371-374. Li Z S, Ouyang Z, Liu X J, et al. Scientific basis for constructing the "Bohai Sea Granary"—demand, potential and approaches[J]. Chinese Academy of Sciences, 2011, 26(4): 371-374. |
| [21] |
高明秀, 李冉, 巩腾飞, 等. "渤海粮仓"建设推进策略分析[J]. 农业现代化研究, 2015, 36(2): 245-251. Gao M X, Li R, Gong T F, et al. Analysis on the promoting strategy of the "Bohai Granary" construction[J]. Research of Agricultural Modernization, 2015, 36(2): 245-251. |
| [22] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [23] |
池源, 石洪华, 孙景宽, 等. 近30年来黄河三角洲植被净初级生产力时空特征及主要影响因素[J]. 生态学报, 2018, 38(8): 2683-2697. Chi Y, Shi H H, Sun J K, et al. Spatio-temporal characteristics and main influencing factors of vegetation net primary productivity in the Yellow River Delta in recent 30 years[J]. Acta Ecologica Sinica, 2018, 38(8): 2683-2697. |
| [24] |
国志兴, 王宗明, 刘殿伟, 等. 三江平原农田生产力时空特征分析[J]. 农业工程学报, 2009, 25(1): 249-254. Guo Z X, Wang Z M, Liu D W, et al. Analysis of temporal and spatial features of farmland productivity in the Sanjiang plain[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(1): 249-254. |
| [25] |
涂海洋, 古丽·加帕尔, 于涛, 等. 中国陆地生态系统净初级生产力时空变化特征及影响因素[J]. 生态学报, 2023, 43(3): 1219-1233. Tu H Y, Jiapaer G, Yu T, et al. Analysis of spatio-temporal variation characteristics and influencing factors of net primary productivity in terrestrial ecosystems of China[J]. Acta Ecologica Sinica, 2023, 43(3): 1219-1233. |
| [26] |
李月, 冯霞, 吴路华, 等. 贵州高原典型喀斯特县域生境质量时空演变及定量归因[J]. 环境科学, 2024, 45(5): 2793-2805. Li Y, Feng X, Wu L H, et al. Spatial-temporal evolution and quantitative attribution of habitat quality in typical Karst Counties of Guizhou Plateau[J]. Environmental Science, 2024, 45(5): 2793-2805. |
| [27] |
徐勇, 黄雯婷, 窦世卿, 等. 2000~2020年西南地区植被NDVI对气候变化和人类活动响应特征[J]. 环境科学, 2022, 43(6): 3230-3240. Xu Y, Huang W T, Dou S Q, et al. Responding mechanism of vegetation cover to climate change and human activities in Southwest China from 2000 to 2020[J]. Environmental Science, 2022, 43(6): 3230-3240. |
| [28] |
刘旻霞, 焦骄, 潘竟虎, 等. 青海省植被净初级生产力(NPP)时空格局变化及其驱动因素[J]. 生态学报, 2020, 40(15): 5306-5317. Liu M X, Jiao J, Pan J H, et al. Spatial and temporal patterns of planting NPP and its driving factors in Qinghai province[J]. Acta Ecologica Sinica, 2020, 40(15): 5306-5317. |
| [29] |
刘洋洋, 王倩, 杨悦, 等. 黄土高原草地净初级生产力时空动态及其影响因素[J]. 应用生态学报, 2019, 30(7): 2309-2319. Liu Y Y, Wang Q, Yang Y, et al. Spatial-temporal dynamics of grassland NPP and its driving factors in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2019, 30(7): 2309-2319. |
| [30] |
何颖, 马松梅, 张林, 等. 玛纳斯河流域NPP时空变化及其生物多样性维护功能重要性评价[J]. 生态学报, 2023, 43(11): 4664-4673. He Y, Ma S M, Zhang L, et al. Spatio-temporal change of net primary productivity and the evaluation of the importance of biodiversity maintenance functions in Manas River basin[J]. Acta Ecologica Sinica, 2023, 43(11): 4664-4673. |
| [31] |
王晓蕾, 石守海, 陈江朝霞. 黄河流域植被覆盖度变化及驱动因素[J]. 中国环境科学, 2022, 42(11): 5358-5368. Wang X L, Shi S H, Chen J Z X. Change and driving factors of vegetation coverage in the Yellow River Basin[J]. China Environmental Science, 2022, 42(11): 5358-5368. |
| [32] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [33] |
张若婧, 陈跃红, 张晓祥, 等. 基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究[J]. 地理与地理信息科学, 2021, 37(4): 72-80. Zhang R J, Chen Y H, Zhang X X, et al. Spatial-temporal pattern and driving factors of flash flood disasters in Jiangxi province analyzed by optimal parameters-based geographical detector[J]. Geography and Geo-Information Science, 2021, 37(4): 72-80. |
| [34] |
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. |
| [35] |
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. |
| [36] |
徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274. Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation of net primary productivity of different vegetation types and its influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. |
| [37] |
黄栋, 李鹏, 董南. 近20 a环渤海地区GS_NDVI时空分异及其对气候变化和LUCC的响应[J]. 生态环境学报, 2021, 30(12): 2275-2284. Huang D, Li P, Dong N. Spatial-temporal differentiation of GS_NDVI in recent 20 years and its responses to climate change and LUCC in the Bohai coastal region[J]. Ecology and Environmental Sciences, 2021, 30(12): 2275-2284. |
| [38] |
于莉莉, 孙立双, 张丹华, 等. 基于Google Earth Engine的环渤海地区土地覆盖分类[J]. 应用生态学报, 2020, 31(12): 4091-4098. Yu L L, Sun L S, Zhang D H, et al. Extraction of land-cover and wetland area in Bohai Rim region based on Google Earth Engine[J]. Chinese Journal of Applied Ecology, 2020, 31(12): 4091-4098. |
| [39] |
张子璇, 宋雨桐, 张惠中, 等. 水文气候影响下黄河三角洲土壤盐分时空动态[J]. 应用生态学报, 2021, 32(4): 1393-1405. Zhang Z X, Song Y T, Zhang H Z, et al. Spatiotemporal dynamics of soil salinity in the Yellow River Delta under the impacts of hydrology and climate[J]. Chinese Journal of Applied Ecology, 2021, 32(4): 1393-1405. |
| [40] |
王赫彬, 王文娟, 商令杰. 2000-2015年山东省耕地产能的时空格局[J]. 中国农业大学学报, 2020, 25(3): 128-138. Wang H B, Wang W J, Shang L J. Spatial and temporal pattern of cultivated land productivity in Shandong Province from 2000 to 2015[J]. Journal of China Agricultural University, 2020, 25(3): 128-138. |
| [41] | IGBP Terrestrial Carbon Working Group. The terrestrial carbon cycle: implications for the Kyoto protocol[J]. Science, 1998, 280(5368): 1393-1394. |
| [42] |
刘小京. 环渤海缺水区盐碱地改良利用技术研究[J]. 中国生态农业学报, 2018, 26(10): 1521-1527. Liu X J. Reclamation and utilization of saline soils in water-scarce regions of Bohai sea[J]. Chinese Journal of Eco-Agriculture, 2018, 26(10): 1521-1527. |
| [43] |
高明秀, 薛敏, 王洪莹. 环渤海盐碱地可持续利用路径决择与政策建议[J]. 中国人口·资源与环境, 2016, 26(S2): 228-231. Gao M X, Xue M, Wang H Y. Route choice and policy recommendations of saline-alkali land sustainable utilization in Bohai Rim Region[J]. China Population, Resources and Environment, 2016, 26(S2): 228-231. |
| [44] |
刘玉红, 张筠, 张春华, 等. 2000-2015年山东省植被净初级生产力时空变化及其对气候变化的响应[J]. 生态学杂志, 2019, 38(5): 1464-1471. Liu Y H, Zhang J, Zhang C H, et al. Spatial and temporal variations of vegetation net primary productivity and its responses to climate change in Shandong Province from 2000 to 2015[J]. Chinese Journal of Ecology, 2019, 38(5): 1464-1471. |
| [45] |
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. |
| [46] |
潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究[J]. 生态学报, 2019, 39(20): 7621-7631. Pan H Y, Huang P, Xu J. The spatial and temporal pattern evolution of vegetation NPP and its driving forces in middle-lower areas of the Min River based on geographical detector analyses[J]. Acta Ecologica Sinica, 2019, 39(20): 7621-7631. |
| [47] |
宋颖, 徐帻欣, 王佳凡, 等. 黄河故道流域土壤盐渍化多维空间特征及其风险评价[J]. 土壤学报, 2024, 61(2): 372-384. Song Y, Xu Z X, Wang J F, et al. Multidimensional spatial characteristics and risk assessment of soil salinization in the old Yellow River basin[J]. Acta Pedologica Sinica, 2024, 61(2): 372-384. |
| [48] |
李瀚, 韩琳, 贾志军, 等. 中国西南地区地面平均相对湿度变化分析[J]. 高原山地气象研究, 2016, 36(4): 42-47. Li H, Han L, Jia Z J, et al. The changes of the average relative humidity in Southwest China[J]. Plateau and Mountain Meteorology Research, 2016, 36(4): 42-47. |
| [49] |
周怡婷, 严俊霞, 刘菊, 等. 2000~2021年黄土高原生态分区NEP时空变化及其驱动因子[J]. 环境科学, 2024, 45(5): 2806-2816. Zhou Y T, Yan J X, Liu J, et al. Spatio-temporal variation of NEP in ecological zoning on the Loess Plateau and its driving factors from 2000 to 2021[J]. Environmental Science, 2024, 45(5): 2806-2816. |
| [50] |
王川, 王丽莎, 张勇勇, 等. 2000—2020年祁连山植被净初级生产力时空变化及其驱动因素[J]. 生态学报, 2023, 43(23): 9710-9720. Wang C, Wang L S, Zhang Y Y, et al. Spatiotemporal change and driving factors of net primary productivity in Qilian mountains from 2000 to 2020[J]. Acta Ecologica Sinica, 2023, 43(23): 9710-9720. |