2024, Vol. 45
2. 北京林业大学水土保持国家林业和草原局重点实验室, 北京 100083
2. Key Laboratory of State Forestry and Grassland Administration on Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
植被净初级生产力（net primary productivity, NPP）指植物通过光合作用在单位时间和单位面积内产生的有机物总量与植物自身呼吸作用所消耗的有机物数量的差值, 其数量的多少直接反映了植被在自然条件下的恢复和退化情况[1,2]. 植被NPP的时空变化和分布特征与区域的气候因素、地形条件和人类活动等密切相关[3~7]. 因此, 探索植被NPP时空动态变化及其驱动因素对于掌握区域生态系统健康状况、反映生态系统服务功能及制定科学的生态规划与管理政策等具有重要作用[8,9]. 在“双碳”目标的大背景下, 研究植被NPP时空变化及其驱动因素对于评估生态系统碳汇功能, 指导区域生态修复治理工程具有重要意义[10].
早期的NPP研究主要依托地面监测站点展开, 虽然其精度较高, 但空间分异代表性较差, 只能反映站点周边的植被生产力, 不适合大范围的监测[11]. 随着遥感技术的发展, 有较多学者基于遥感数据集在全球和区域尺度上进行植被NPP的时空分布特征和驱动因素研究, 并取得一系列研究成果[5,12~14]. 其中, 美国NASA提供的MOD17A3系列数据产品目前已在全球不同区域对植被生长状况、生物量的估算、环境监测和全球变化等研究中得到了广泛验证和应用[15,16], 该系列数据产品被认为对模拟植被NPP数据精度效果较好. 国内外学者应用该系列数据产品进行了全国、区域和省域尺度的植被NPP时空变化特征及驱动因素研究, 主要集中在气候、地形、植被、土壤和人类活动等因素的影响[15,17]. 由于植被NPP在不同的研究尺度上对气候因子、地形因子和人类活动等的响应表现出较大的时空异质性, 且不同植被类型对气候和非气候因子也表现出不同的敏感性和响应特征, 所以植被NPP的驱动因素难以简单确定, 研究结论也不尽相同. 已有的涉及植被NPP变化的研究大都在全国尺度[18]、区域尺度[19]、大流域尺度（如黄河流域[17]、黄土高原[20]）和省域（内蒙古自治区[21]）尺度上进行, 主要研究内容包括植被NPP变化的时空分布格局、变化规律以及与气候、地形和人类活动等相关性研究[7,22~25], 但目前关于乌梁素海流域植被NPP的时空变化特征及其驱动因素的研究很少. 此外, 已有的研究大多从气候因素和人类活动中的一个或两个方面着手探索植被NPP变化特征及驱动因素[2,4], 其中气候因素的选取较为局限, 多仅限于气温和降水两个指标[9,15~17], 且目前很少有研究综合气象因子、地形因子和人类活动等来分析乌梁素海流域植被NPP时空变化特征及驱动因素. 因此, 为了制定行之有效的生态系统管理和植被恢复策略, 迫切需要明确该流域植被NPP的时空分异性及影响因素.
乌梁素海是黄河流域最大的湖泊湿地, 是我国北方重要的湿地保护区和多个生态功能交汇区, 是控制京津风沙源的天然生态屏障, 被誉为“塞外明珠”. 然而, 该流域的生态环境较为敏感和脆弱, 生态环境污染及退化问题严重. 乌梁素海流域目前的研究主要集中在水质污染、富营养化、氮污染、重金属污染、浮游植物以及气候变化和人类活动耦合等方面[26]. 近年来, 乌梁素海流域山水林田湖草沙生态保护修复试点工程的实施大大促进了该流域的生态修复进程. 在气候变暖和“双碳”战略背景下, 乌梁素海流域植被NPP的时空变化特征及其与气候因子、地形因子及人类活动之间的关系亟待厘清. 因此, 本研究基于2001~2020年MOD17A3 NPP数据、土地利用及气象数据等, 采用变异系数、Theil-Sen Median趋势分析及Mann-Kendall检验、Hurst指数和地理探测器等方法, 研究乌梁素海流域植被NPP的时空变化特征, 探讨气候变化与人类活动影响下植被NPP变化的驱动因素. 本研究对乌梁素海流域生态环境建设和可持续生态系统管理具有一定的指导意义, 以期为该流域生态综合治理、生态保护和修复提供参考.
1 研究区概况乌梁素海位于内蒙古自治区巴彦淖尔市乌拉特前旗境内（40°36′~41°03′N, 108°43′~108°57′E）（图 1）, 是黄河改道形成的河迹湖, 中国八大淡水湖之一, 面积约为293 km2. 本研究根据广义的流域定义, 并参照张保龙等[27]的研究, 确定乌梁素海流域主要位于内蒙古西部巴彦淖尔市境内, 西边为乌兰布和沙漠, 南临黄河, 东边为乌拉山, 北部为阴山山脉和乌拉特草原, 中部为河套平原, 流域总面积约为3.41万km2. 行政边界范围涉及阿拉善盟阿拉善左旗, 巴彦淖尔市磴口县、杭锦后旗、临河区、五原县、乌拉特前旗、乌拉特中旗、乌拉特后旗以及包头市固阳县.
|
图 1 乌梁素海流域研究区域位置示意 Fig. 1 Location of the Ulansuhai Nur Basin |
NPP数据来源于美国国家航空航天局（NASA）的2001~2020年MOD17A3数据集（https://lpdaac.usgs.gov）, 空间分辨率为500 m、时间分辨率为1 a. 运用MRT（MODIS reprojection tools）软件和ArcGIS软件对原始数据进行拼接、格式转换、重采样和重投影等操作, 然后通过掩膜提取操作得到2001~2020年乌梁素海流域植被NPP数据.
气象数据来源于中国气象数据网（http://data.cma.cn/）, 主要包括降水和气温等9个指标. 由于乌梁素海流域内气象站点较少, 为提高数据精度, 将范围扩大到相邻旗县, 共选取28个气象站点的观测数据, 再基于克里金插值法对气象站点数据进行空间插值, 得到空间分辨率为500 m的栅格数据.
土地利用数据来源于一站式地球科学大数据实时计算平台（https://engine.piesat.cn/）, 空间分辨率为30 m. 基于ArcGIS软件对DEM数据与MOD17A3 NPP数据进行空间信息数据匹配（镶嵌、裁剪、掩膜提取、重采样和投影转换等）, 得到空间分辨率为500 m的土地利用数据, 再通过重分类将其分为耕地、林地、草地、水域、未利用地和建设用地共6种土地利用类型.
内蒙古自治区行政边界矢量数据、旗县界、流域水系、夜间灯光以及乌梁素海流域边界[27]数据均来自中国科学院资源环境科学与数据中心（http://www.resdc.cn/）；DEM来源于地理空间数据云平台（http://www.gscloud.cn/）, 空间分辨率为90 m, 经过镶嵌、裁剪、掩膜提取、重采样和投影转换等操作后得到分辨率为500 m的坡度和坡向数据.
由于本研究的数据来源不一及数据格式差异较大等问题, 故将所有数据统一投影至WGS_1984_UTM_Zone_49N坐标系, 空间分辨率统一为500 m, 以进行后续数据的处理及分析.
2.2 研究方法 2.2.1 稳定性分析采用变异系数来反映植被NPP在时间序列上的变化稳定性和波动程度[28]. 本研究基于Matlab软件编程逐像元计算2001~2020年乌梁素海流域植被NPP的变异系数, 用于评估植被NPP在时间序列上的稳定性. 计算公式如下：
|
(1) |
式中, CV为植被NPP变异系数；σ为植被NPP的标准差；x为植被NPP平均值. CV值越大, 植被NPP年际变化和波动越大；反之, 则植被NPP年际变化较为稳定. 根据自然间断点分级法[28], 将植被NPP的稳定性分成5类：低波动变化（0~0.146）、较低波动变化（0.146~0.186）、中度波动变化（0.186~0.229）、较高波动变化（0.229~0.300）和高波动变化（0.300~1.000）.
2.2.2 趋势分析和显著性检验本研究分别采用Theil-Sen Median方法及Mann-Kendall方法来进行植被NPP变化的趋势分析和显著性检验. Theil-Sen Median方法是一种稳健的非参数统计趋势分析方法, 计算效率较高, 对于测量误差和离群数据不敏感, 对数据误差造成的结果偏差影响小, 在长时间序列数据的趋势分析研究方面具有较好的估计效果, 适用于长时间序列数据的趋势分析[29]. 其计算公式为：
|
(2) |
式中, Median（）为取中值, 若β > 0, 则为植被NPP呈增加趋势, 若β = 0, 则为无变化, 若β < 0, 则为减少趋势.
Mann-Kendall检验是一种非参数的时间序列趋势性检验方法, 其不需要测量值服从正态分布, 不受缺失值和异常值的影响, 用于判断长时间序列植被NPP变化趋势的显著性. Mann-Kendall统计检验方法如下：
假定x1, x2, …, xn为时间序列变量, 构造统计量S, 其计算公式如下：
|
(3) |
式中, sgn（）为符号函数, 计算公式为：
|
(4) |
使用检验统计量Z进行植被NPP变化趋势检验, Z值计算方法如下：
|
(5) |
式中, Var的计算公式为：
|
(6) |
同样采用双边趋势检验, 在给定显著性水平下, 在正态分布表中查得临界值Z1－α/2. 当|Z| ≤ Z1－α/2时, 接受原假设, 即趋势不显著；若|Z| > Z1－α/2, 则拒绝原假设, 即认为趋势显著. 本研究给定显著性水平α = 0.05, 则临界值Z1－α/2 = ±1.96, 当Z的绝对值大于1.96和2.58时, 表示趋势分别通过了可信度为95%和99%的显著性检验. 趋势显著性的判断方法见表 1.
|
表 1 Mann-Kendall检验趋势类别 Table 1 Mann-Kendall test trend categories |
2.2.3 变化持续性分析
Hurst指数是直观量化不同地区植被NPP未来变化趋势的重要指标, 常被用来表征植被变化的持续性[3 ]. 本研究主要利用重标极差（R/S）分析方法来计算Hurst指数, 研究乌梁素海流域植被NPP变化趋势的持续性, 其基本原理是假定一个NPP时间序列NPPt, 对于任意正整数, 定义以下内容：
均值序列：
|
(7) |
累积离差：
|
(8) |
极差：
|
(9) |
标准差：
|
(10) |
若存在（R/S) ∝ τH, 表明NPP时间序列存在Hurst现象, 称H值为Hurst指数, H值有3种情形：当0.5 < H < 1时, 即为持续性, 表示植被NPP未来趋势与目前变化相同；当H = 0.5时, 即为随机性, 表示目前变化对未来趋势没有影响；当0 < H < 0.5时, 即为反持续性, 表示植被NPP未来趋势与目前变化相反[3]. 本研究参照王耀斌等[15]的分级方法并结合研究区实际情况, 将Hurst指数按照值域分为1个持续性等级（持续性：0.5 < H < 1）和2个反持续性等级（较强反持续性：H < 0.35；较弱反持续性：0.35 < H < 0.5）, 并进一步将植被NPP变化趋势与持续性等级、反持续性等级耦合, 得到植被NPP未来变化趋势.
2.2.4 地理探测器地理探测器是探测不同因子空间分异性以及揭示其背后驱动力的统计学工具, 主要包括因子探测器、风险探测器、生态探测器和交互作用探测器4个版块[30]. 本研究中使用其中的因子探测器、交互作用探测器和生态探测器. 因子探测器用于探测每个自变量对乌梁素海流域植被NPP变化的影响能力, 用q值表示, q越大表明该自变量对植被NPP变化的影响力越大.
|
(11) |
|
(12) |
式中, q为自变量对植被NPP变化的影响力；SSW为不同层内方差之和；SST为全区总方差；h为自变量的分层状况；L为层数；Nh和N为h层内单元数和全区单元数；σh2和σ2为h层内植被NPP的方差和全区植被NPP的方差.
交互作用探测是用来辨识2个自变量共同作用时, 对因变量的解释力是否会增强或者减弱. 交互作用的类型包括：双因子增强、单因子非线性增强、非线性减弱、独立和非线性增强共5种类型.
生态探测用于比较2个自变量X1和X2对因变量Y的空间分布的影响是否有显著差异, 用F统计量来衡量：
|
(13) |
|
(14) |
|
(15) |
式中, NX1和NX2分别为2个因子X1和X2的样本量；SSWX1和SSWX2分别为由X1和X2形成的分层的层内方差之和；h为影响因子的分层数, 变量X1和X2分层数目分别为L1和L2；Nh为层h的单元数；σh2为层h的Y值的方差. 其中零假设H0：SSWX1 = SSWX2. 如果在α的显著性水平上拒绝H0, 这表明2个因子X1和X2对属性Y的空间分布的影响存在着显著的差异[31].
生态探测结果可以反映各个影响因子对植被NPP的影响是否具有显著性差异（置信区间95%）, 分别用“Y”和“N”表示某两个因子对植被NPP的影响具有显著性差异和无显著性差异.
由于植被NPP的变化及空间分异受到气候、地形、植被类型和人类活动等因素的综合影响, 本文参考徐勇等[28,29]研究, 共选取14个影响因子（表 2）. 此外, 由于地理探测器只能识别类型量, 需要将影响因子数据进行离散化处理, 本文采用自然间断点法将坡向分为9类, 其余影响因子分为6类, 并与2001~2020年多年平均植被NPP数据一并输入地理探测器中, 分析各因子对乌梁素海流域植被NPP空间分异的影响.
|
|
表 2 影响因素分类 Table 2 Classification of influencing factors |
3 结果与分析 3.1 乌梁素海流域植被NPP时间变化特征
乌梁素海流域2001~2020年植被NPP的多年平均值（以C计, 下同）为141.03 g·（m2·a）-1[图 2（a）], 年均上升速率为2.33 g·（m2·a）-1, 植被NPP平均值的年际变化波动性较小, 最小值和最大值出现在2001年和2012年, 分别为101.17 g·（m2·a）-1和184.25 g·（m2·a）-1. 乌梁素海流域植被NPP线性增长趋势达到显著水平（P < 0.05）. 年植被NPP最大值亦呈现波动上升趋势, 其波动趋势与植被NPP年平均值的波动趋势呈现出密切的相关性, 并在2015年出现年最大值为445.50 g·（m2·a）-1. 此外, 2005年和2013年植被NPP呈断崖式下降, 而2012年植被NPP陡升.
|
图 2 乌梁素海流域2001~2020植被NPP均值及总量的年际变化 Fig. 2 Annual variation in average and total vegetation NPP in the Ulansuhai Nur Basin from 2001 to 2020 |
植被NPP总量的变化范围为2.86~5.30 Tg（1 Tg = 1012 g）, 多年平均值为4.02 Tg. 20年间植被NPP总量呈波动上升趋势[图 2（b）], 在2001年和2012年植被NPP总量分别达到最小值和最大值, 分别为2.86 Tg和5.30 Tg.
3.2 乌梁素海流域植被NPP空间变化特征 3.2.1 植被NPP年均值空间分布乌梁素海流域2001~2020年平均植被NPP的空间分布如图 3所示, 植被NPP变化范围为37.12~332.16 g·（m2·a）-1, 20年平均值为141.03 g·（m2·a）-1. 从空间分布来看, 整体上呈现出“西南高、东北低, 河套平原高, 沙地和山区低”的特征. 研究区内大部分地区植被NPP处于100~250 g·（m2·a）-1之间, 高值区主要分布在狼山南麓河套平原和乌梁素海周边地区, 即巴彦淖尔市杭锦后旗、临河区以及乌拉特前旗境内的阴山山脉西段色尔腾山等地. 低值区主要分布在狼山以北地区、乌拉特大草原以及乌拉山等地. 其他地区有少量植被NPP零散分布或无分布, 主要为乌兰布和沙漠、阴山山脉高海拔地区、乌梁素海核心区域水体和周边滩涂以及人类活动强度较高的地区, 导致植被难以生长或生存环境被破坏. 根据乌梁素海流域的环境、地形和人为干扰等因素分析可知, 西北部地区主要为阴山山脉狼山段和乌拉特草原, 植被类型主要为荒漠草地, 植被覆盖度较低, NPP值也较低, 狼山南麓地区主要为河套灌区平原, 大多为农田和耕地, 植被覆盖度较高, 但受人为影响大, 植被NPP值较高.
|
图 3 乌梁素海流域2001~2020年植被NPP均值空间分布 Fig. 3 Spatial distribution of mean value of vegetation NPP in the Ulansuhai Nur Basin from 2001 to 2020 |
乌梁素海流域2001~2020年植被NPP变化趋势及显著性检验如图 4所示, NPP变化趋势的范围为-6.84~14.14 g·（m2·a）-1, 平均值为2.20 g·（m2·a）-1[图 4（a）]. 乌梁素海流域植被NPP在20年间总体上呈增长趋势, 其中植被NPP变化趋势为增长、减少和无变化的区域分别占流域总面积的80.33%、2.52%和17.15%. 植被NPP极显著增加、显著增加的面积占比分别为30.38%和22.02%[图 4（b）], 主要为阴山山脉及周边地区, 包括狼山、色尔腾山、乌拉山国家森林公园和乌拉特草原等地区；而极显著减少和显著减少的面积分别占0.07%和0.09%, 主要分布在黄河沿岸及零散矿区. 不显著增加和不显著减少的面积占比分别为27.93%和2.30%, 均主要分布在河套平原腹地和乌梁素海周边地区；无变化的区域主要分布在流域西南部的乌兰布和沙漠、阴山山脉西南-东北段和乌梁素海核心区域水体及下游淤积滩涂地区等. 河套平原地区大部分植被NPP总体上为不显著增加.
|
图 4 乌梁素海流域2001~2020年植被NPP变化趋势及显著性检验 Fig. 4 Variation trend and significance test of vegetation NPP in the Ulansuhai Nur Basin from 2001 to 2020 |
由图 5可知, 2001~2020年乌梁素海流域植被NPP的稳定性整体上较好, 平均变异系数为0.149. 低波动变化的区域占总面积的17.35%, 主要分布在狼山以北地区、狼山南麓河套平原地区、河套平原东部和乌梁素海以西区域；较低波动变化区域占总面积的33.24%, 主要分布在河套平原中部、乌拉特草原以及流域东部区域；中等波动变化区域占总面积22.98%, 广泛分布在乌梁素海以东区域、河套平原中部零星地区、黄河沿岸以及乌兰布和沙漠东北地区；较高波动变化和高波动变化区域约占总面积的9.28%, 主要分布在乌梁素海以东及流域东北部地区；无变化区域占17.15%, 主要为常年无植被覆盖的乌兰布和沙漠、乌梁素海核心水域以及阴山山脉高海拔地区等.
|
图 5 乌梁素海流域植被NPP变异系数空间分布 Fig. 5 Spatial distribution of the coefficient of variation of vegetation NPP in the Ulansuhai Nur Basin |
乌梁素海流域2001~2020年植被NPP的Hurst指数取值范围为0.22~0.84, 平均值为0.42（图 6）, 说明研究区内植被NPP整体上呈较弱反持续性变化, 其面积占比最大, 为64.79%, 呈较强反持续性的区域占10.14%, 而呈持续性特征的区域面积最小, 为7.93%. 乌梁素海流域植被NPP未来变化呈增加趋势的区域面积占9.68%, 其中表现为持续性增加的区域占7.54%, 主要分布在乌拉特前旗大佘太镇、沙德格苏木乡、小佘太镇、乌拉特草原小部分区域、河套平原小部分区域以及包头市固阳县等；表现为减少转增加的区域占流域总面积的2.14%, 主要分布在河套平小部分区域、乌梁素海周边以及黄河沿岸地区. 乌梁素海流域植被NPP未来变化呈减少趋势的面积占比为73.18%, 其中表现为持续性减少的区域面积占比为0.39%, 主要分布在黄河沿岸地区、乌拉特中旗新忽热苏木的浩尧尔忽洞金矿区及包头市固阳县银号镇文圪气矿区等；表现为增加转减少的区域面积占比为72.79%, 广泛分布在流域内大部分地区, 主要包括东部、河套平原和乌拉特大草原等. 综上, 乌梁素海流域植被NPP未来变化趋势以减少为主, 其中由增加转为减少的区域最多, 持续性减少的区域最少.
|
图 6 乌梁素海流域植被NPP持续性变化特征 Fig. 6 Characteristics of consistent variation in vegetation NPP in the Ulansuhai Nur Basin |
由因子探测器的探测结果可知, 乌梁素海流域植被NPP空间分异的各驱动因子的q值均差异极显著（P < 0.001, 表 3）, 乌梁素海流域植被NPP空间分异主要受人类活动的干扰, 各影响因子的q值大小为：土地利用类型（X13, 0.407） > 海拔（X10, 0.314） > 最高温（X4, 0.285） > 坡度（X11, 0.272） > 最低温（X5, 0.190） > 平均温（X3, 0.186） > 气压（X6, 0.168） > 夜间灯光（X14, 0.167） > 日照时长（X8, 0.140） > 相对湿度（X7, 0.120） > 降水（X2, 0.099） > 风速（X9, 0.059） > 蒸发量（X1, 0.059） > 坡向（X12, 0.006）. 当某因子的q值大于0.200时, 则说明该因子是影响研究区域植被NPP空间分异的主导驱动因素[32]. 在本研究中, 土地利用类型对乌梁素海流域植被NPP空间分异的影响最大, q值为0.407. 第二主导驱动因素为海拔, q值为0.314, 其次是最高温和坡度, q值均大于0.200（表 3）. 因此, 影响乌梁素海流域植被NPP空间分异的主导驱动因素为土地利用类型、海拔、最高温和坡度. 此外, 最低温、平均温、气压、夜间灯光、日照时长和相对湿度的q值介于0.200和0.100之间, 表明其对乌梁素海流域植被NPP空间分异的影响相对较弱. 然而, 蒸发量、降水量、风速和坡向的q值均在0.100以下, 说明以上因子对植被NPP空间分异的影响微弱. 综上, 土地利用、海拔、最高温和坡度是影响乌梁素海流域植被NPP空间分异的主导驱动因素, 对植被生长的影响程度较强, 而降水、蒸发量、风速和坡向对乌梁素海流域植被NPP空间分异的影响程度较弱.
|
|
表 3 乌梁素海流域植被NPP变化驱动因素因子探测 Table 3 Factor detector of driving factors of vegetation NPP change in the Ulansuhai Nur Basin |
3.4.2 驱动因素交互作用探测
由交互作用探测结果可知（表 4）, 乌梁素海流域植被NPP影响因素的双因子作用q值均大于单因子q值, 且各影响因子交互作用均表现为双因子增强或非线性增强. 主要的双因子q值大小依次为：海拔∩相对湿度（0.528） > 海拔∩降水量（0.514） > 土地利用∩降水量（0.504） > 海拔∩日照时长（0.502） > 最高温∩相对湿度（0.492） > 土地利用∩最低温（0.491） > 风速∩最高温（0.483）=土地利用∩平均温（0.483） > 海拔∩蒸发量（0.482） > 土地利用∩坡度（0.472）. 这些主要的双因子交互作用对植被NPP空间分异的解释力都在47%以上. 然而, 尽管海拔在因子探测器结果中的q值仅为第二, 但是其在交互作用探测中, q值显著增大, 如海拔∩相对湿度的q值最高, 为0.528, 其次是海拔∩年平均降水量, 为0.514. 由此可见, 海拔和相对湿度、海拔和降水的交互作用是影响乌梁素海流域植被NPP空间分异的主导交互作用. 其次, 海拔和蒸发量、海拔和日照时长的交互作用q值也较大. 除最高温∩相对湿度和最高温∩风速交互作用的q值最大以外, 土地利用类型与平均温、最低温、气压、坡度、坡向、相对湿度和夜间灯光交互作用的q值均为最大, 且均在0.400以上. 这也进一步说明了土地利用类型与海拔这两个影响因素对乌梁素海流域植被生长及空间分异的解释力最高.
|
|
表 4 乌梁素海流域植被NPP变化驱动因素交互作用探测 Table 4 Interaction detector of driving factors of vegetation NPP change in the Ulansuhai Nur Basin |
综上, 乌梁素海流域植被NPP空间分异主要受地形、人文和气候因子的共同作用, 其中海拔∩相对湿度、海拔∩降水量、土地利用∩降水量、海拔∩日照时长的交互作用的q值均超过0.500, 为影响乌梁素海流域植被NPP空间分异的主导交互作用因子. 海拔与其他因子交互作用的影响力最高, 土地利用和最高温次之.
3.4.3 驱动因素对植被NPP影响差异探测乌梁素海流域植被NPP变化的生态探测结果如表 5所示, 54.95%的因子组合对乌梁素海流域植被NPP变化的解释力存在显著性差异, 45.05%的因子组合对乌梁素海流域植被NPP变化的解释力不存在显著性差异. 其中, 除夜间灯光外, 土地利用与其余的所有因子对植被NPP空间分异的影响具有显著性差异；海拔与所有的气象因子、土地利用对植被NPP的影响具有显著性差异；坡度与除最高温外的所有气象因子对植被NPP的影响具有显著性差异；蒸发量、降水量与除风速和坡向外的所有因子对植被NPP的影响具有显著差异；此外, 风速与除坡向以外的地形因子、土地利用和夜间灯光对植被NPP的影响存在显著性差异, 而与气温、降水、蒸发量无显著性差异；坡向仅与土地利用和夜间灯光对植被NPP的影响具有显著性差异, 而与所有的气象因子、海拔及坡度无显著性差异.
|
|
表 5 乌梁素海流域植被NPP变化驱动因素生态探测显著性统计1） Table 5 Statistical results of the ecological detector of driving factors of vegetation NPP change in the Ulansuhai Nur Basin |
综上, 土地利用与除夜间灯光外的所有因子对植被NPP空间分异的影响均具有显著性差异；海拔与所有的气象因子以及土地利用对植被NPP的影响均具有显著性差异；坡度与除最高温外的所有气象因子对植被NPP的影响均具有显著性差异. 总的来说, 海拔、坡度和土地利用是影响乌梁素海流域植被NPP空间分异的主导驱动因子, 这与前文的因子和交互作用探测的结果一致.
4 讨论明晰区域植被NPP的时空变化特征及未来变化趋势有助于政府管理部门制定有针对性的植被资源管理策略和调控措施. 本研究结果发现, 2001~2020年乌梁素海流域植被NPP整体上呈增长趋势, 这与田智慧等[17]的研究结果一致. 本研究中20年植被NPP均值为141.03 g·（m2·a）-1, 低于李登科等[18]的同时期全国植被NPP均值, 本研究中植被NPP年均增长速率为2.33 g·（m2·a）-1, 比其研究中全国植被NPP增长速率高0.91 g·（m2·a）-1. 研究区内植被NPP具有明显的空间分异规律, 整体上呈现出“西南多、东北少, 河套平原多、沙地和山区少”的分布特征, 狼山南麓河套平原西南部主要为灌区农用地, 多绿色农作物, 该区域水热条件较为充足, 土壤养分较好, 有利于植被生长发育, 因而植被NPP较高[33]；而最西边的乌兰布和沙漠以及阴山山脉由于降水极其稀少和地势较高, 风速较大, 因而年蒸发量较大, 以沙漠和荒漠为主, 所以植被NPP较低.
乌梁素海流域2001~2020年植被NPP整体上呈波动增长趋势且稳定性较好, 呈极显著、显著增长趋势的区域主要分布在阴山山脉及周边地区, 主要包括狼山、色尔腾山、乌拉山国家森林公园和乌拉特草原等地区. 而河套平原主要呈不显著增加趋势, 平原内西部的植被稳定性较高, 东部的波动性虽较大, 但大多也还是波动增加趋势, 与前人的研究结果一致[34~39]. 乌梁素海流域东部的植被稳定性较差, 主要是因为该地区具有较多的矿区, 采矿活动较为频繁, 且该地区的海拔及坡度均较大, 坡面易被雨水冲刷造成流水侵蚀和切沟, 水土流失较为严重, 植被NPP受自然条件和人类的扰动较大, 因而流域内东部部分地区植被NPP呈下降趋势, 植被稳定性较差[29]. 此外, 2005年的植被NPP呈断崖式下降, 2012年植被NPP陡升, 而2013年植被NPP又显著下降, 这可能与乌梁素海流域气候干旱或降雨充沛有关[27].
植被NPP的时空变化特征和驱动因素还与国家的生态保护、修复和治理的政策有关. 多年来, 内蒙古自治区实施了退耕还林还草等生态建设工程, 特别是乌梁素海流域生态修复治理工程的实施, 使得该流域的生态环境质量得到明显改善, 森林覆盖率和草原植被盖度明显增加, 从而增加了植被NPP[40]. 然而, 人类活动对植被NPP的变化具有双重作用, 过度的和剧烈的人类活动会使得植被退化, 甚至消失, 如2010年以后的杭锦后旗、黄河沿岸、乌梁素海周边和乌拉特中旗新忽热苏木的浩尧尔忽洞金矿区等区域, 建设用地和耕地的急剧增加、无序的农业活动以及频繁的采矿活动侵占了大量的草地和未利用地, 使得土地利用方式频繁变更, 水土流失现象较为严重, 导致植被生长状况低下, 植被NPP呈显著下降趋势[41,42].
乌梁素海流域植被NPP未来变化趋势主要为减少, 其中由增加转为减少的区域面积最大, 为72.79%, 广泛分布在流域内大部分区域, 主要包括东部、河套平原和乌拉特大草原等；持续性减少的区域主要分布在乌梁素海流域东部的矿山、黄河沿岸、乌梁素海周边及城镇周边地区, 矿产资源等自然资源的开采、水土流失以及剧烈的人类活动会对植被NPP产生显著的负作用. 未来应该重点关注流域内植被NPP目前呈增长趋势但未来存在退化风险的地区, 应制定合理的植被资源管理政策, 继续实行严格的生态保护修复政策和措施, 以巩固现有的植被恢复成果.
根据地理探测器结果, 乌梁素海流域植被NPP变化的空间分异受到人文因子、气候因子和地形因子等的综合影响, 但总体上自然因素对植被NPP的影响力要大于人文因素[43,44]. 土地利用类型是乌梁素海流域植被NPP空间分异的主导人文因素, 其能有效反映土地利用方式、植被类型以及人类活动程度的区域性差异, 因而对乌梁素海流域整体植被NPP变化的空间分异解释力最高[45], 这与朱思佳等[9]的研究结果一致. 海拔是乌梁素海流域植被NPP空间分异的第二主导驱动因素, 阴山山脉狼山段南北麓与河套平原的海拔差异较大, 因而阴山山脉南北的气候差异比较明显, 山区植被也较为稀少, 进而影响着地区水热条件和土壤肥力, 从而影响植被NPP的变化. 气候因子可以直接影响植被的光合作用、呼吸作用和蒸腾作用等代谢过程[46], 因而对乌梁素海流域植被NPP的空间分异解释力也较高[47].
最高温是乌梁素海流域植被NPP空间分异的第一主导气象因子, 这与刘铮等[20]的研究结果一致, 其研究中年最高气温对NPP的负面效应最强. 然而, 本研究降水的单因子q值较小, 几乎对植被NPP的空间分异没有影响, 这与刘铮等[20]的研究结果不一致, 其研究中降水量与超过90%的研究区域呈正相关关系. 可能的原因为研究区域的尺度、研究时段不同以及相关系数等方法不适于分析类型量等[27,48,49]. 土地利用和夜间灯光对乌梁素海流域植被NPP的影响较大, 这是由于河套平原地势低平, 土壤肥沃, 是我国北方主要的商品粮生产基地之一, 人口规模较大, 人类活动对植被NPP的影响显著[47,50,51].
交互作用探测结果表明, 双因子交互作用相较于单因子的解释力更大, 其中对乌梁素海流域植被NPP空间分异解释力排在前三的为海拔、土地利用与气象因子的交互作用, 其中海拔∩相对湿度的双因子交互作用的q值最大, 为0.528, 说明在乌梁素海流域未来的生态环境保护规划中, 除了要考虑海拔、土地利用类型单因子的影响外, 还要考虑气候因子及其相互之间交互作用的影响. 受乌梁素海流域生态修复治理工程等的影响, 河套灌区平原的植被生长状况持续向好, 但乌梁素海周边的人口密度较大, 人类活动较频繁, 这使得人类活动对乌梁素海周边地区的植被生长影响较大. 而在乌拉特大草原, 地形起伏较小, 人类活动也较少, 气候对植被生长的影响较大. 东部是流域内主要的采矿区, 采矿活动会对地表植被造成严重的破坏, 恶化植物生长环境, 使得地表植被减少, 因而植被NPP也会减少. 因此, 因地制宜地开展生态综合治理工作, 对于提升乌梁素海流域生态修复工程成效、促进植被恢复和提升生态系统服务质量具有重要意义[50,52,53].
本研究初步揭示了乌梁素海流域植被NPP的时空变化特征和驱动因素, 但仍存在一些局限性和不足. 首先, 由于数据获取限制, 本研究使用的DEM数据空间分辨率为90 m, 若要提取更精准的坡度和坡向数据, 则需要更高分辨率的DEM数据, 以更为准确地探测植被NPP的空间分异性. 其次, 本研究仅考虑了土地利用和夜间灯光等人为因子对植被NPP变化的影响, 未来可纳入人口密度、GDP和第二产业总值等因子来更全面地综合探究乌梁素海流域植被NPP变化的驱动因素.
5 结论（1）2001~2020年乌梁素海流域植被NPP整体上呈增长趋势, 多年NPP均值为141.03 g·（m2·a）-1, 植被NPP变化的空间分异性明显, 呈现“西南高、东北低, 河套平原高、沙地和山区低”的特征；植被NPP的稳定性整体上较好, 平均变异系数为0.149；极显著、显著增加区域主要分布在阴山山脉沿线及周边地区, 极显著、显著减少区域主要分布在黄河沿岸和零散采矿区, 无显著变化区域主要分布在河套平原腹地及乌梁素海周边地区.
（2）乌梁素海流域植被NPP整体上呈较弱反持续性变化；植被NPP未来变化以减少趋势为主, 其中由增加转为减少的区域面积最大, 而持续性减少的区域面积最小；植被NPP未来变化呈持续增加、持续减少、增加转减少、减少转增加趋势的区域面积占比分别为7.54%、0.39%、72.79%和2.14%.
（3）2001~2020年各影响因子对乌梁素海流域植被NPP空间分异的影响力大小排序为：土地利用 > 海拔 > 最高温 > 坡度 > 最低温 > 平均温 > 气压 > 夜间灯光 > 日照时长 > 相对湿度 > 降水量 > 风速 > 蒸发量 > 坡向, 其中土地利用、海拔、最高温和坡度是乌梁素海流域植被NPP变化的主导驱动因素, q值均在0.200以上；影响因子间的交互作用均表现为双因子增强或非线性增强, 其中海拔∩相对湿度对乌梁素海流域植被NPP空间分异的解释力最强；土地利用与除夜间灯光外的其他因子对乌梁素海流域植被NPP空间分异的解释力均存在显著性差异. 未来应加强乌梁素海流域生态系统管理, 实行严格的生态保护和修复政策, 综合考虑气候、地形和人类活动等因素, 因地制宜开展生态综合治理工作, 以提升生态系统服务质量.
| [1] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. DOI:10.3321/j.issn:1005-264X.2007.03.010 |
| [2] |
马炳鑫, 靖娟利, 徐勇, 等. 2000—2019年滇黔桂岩溶区植被NPP时空变化及与气候变化的关系研究[J]. 生态环境学报, 2021, 30(12): 2285-2293. Ma B X, Jing J L, Xu Y, et al. Spatial-temporal changes of NPP and its relationship with climate change in karst areas of Yunnan, Guizhou and Guangxi from 2000 to 2019[J]. Ecology and Environmental Sciences, 2021, 30(12): 2285-2293. |
| [3] |
辛会超, 张安兵, 王贺封, 等. 海河流域植被净初级生产力时空变化及驱动因素分析[J]. 广西植物, 2023, 43(2): 253-265. Xin H C, Zhang A B, Wang H F, et al. Spatio-temporal variation of vegetation net primary productivity and its driving factors in the Haihe River Basin[J]. Guihaia, 2023, 43(2): 253-265. |
| [4] | Wen Y Y, Liu X P, Bai Y, et al. Determining the impacts of climate change and urban expansion on terrestrial net primary production in China[J]. Journal of Environmental Management, 2019, 240: 75-83. |
| [5] | Guo B, Han B M, Yang F, et al. Determining the contributions of climate change and human activities to the vegetation NPP dynamics in the Qinghai-Tibet Plateau, China, from 2000 to 2015[J]. Environmental Monitoring and Assessment, 2020, 192(10). DOI:10.1007/s10661-020-08606-6 |
| [6] | Liu X P, Pei F S, Wen Y Y, et al. Global urban expansion offsets climate-driven increases in terrestrial net primary productivity[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-13462-1 |
| [7] | Peng H, Jia Y W, Zhan C S, et al. Topographic controls on ecosystem evapotranspiration and net primary productivity under climate warming in the Taihang Mountains, China[J]. Journal of Hydrology, 2020, 581. |
| [8] |
何宏昌, 马炳鑫, 靖娟利, 等. 近20年西南喀斯特地区植被NPP时空变化及自然因素地理探测[J]. 水土保持研究, 2022, 29(3): 172-178, 188. He H C, Ma B X, Jing J L, et al. Spatiotemporal changes of NPP and natural factors in the Southwestern Karst Areas from 2000 to 2019[J]. Research of Soil and Water Conservation, 2022, 29(3). |
| [9] |
朱思佳, 冯徽徽, 邹滨, 等. 2000—2019年洞庭湖流域植被NPP时空特征及驱动因素分析[J]. 自然资源遥感, 2022, 34(3): 196-206. Zhu S J, Feng H H, Zou B, et al. Spatial-temporal characteristics of 2000-2019 vegetation NPP of the Dongting Lake Basin and their driving factors[J]. Remote Sensing for Natural Resources, 2022, 34(3): 196-206. |
| [10] | Ren H R, Shang Y J, Zhang S. Measuring the spatiotemporal variations of vegetation net primary productivity in Inner Mongolia using spatial autocorrelation[J]. Ecological Indicators, 2020, 112. |
| [11] | Chen S L, Jiang H, Jin J X, et al. Changes in net primary production in the Tianmu Mountain Nature Reserve, China, from 1984 to 2014[J]. International Journal of Remote Sensing, 2017, 38(1): 211-234. DOI:10.1080/01431161.2016.1264025 |
| [12] | Zhang M, Lin H, Long X R, et al. Analyzing the spatiotemporal pattern and driving factors of wetland vegetation changes using 2000-2019 time-series Landsat data[J]. Science of the Total Environment, 2021, 780. |
| [13] | Lai C G, Li J, Wang Z L, et al. Drought-induced reduction in net primary productivity across mainland China from 1982 to 2015[J]. Remote Sensing, 2018, 10(9). DOI:10.3390/rs10091433 |
| [14] | Wei Y Q, Lu H Y, Wang J N, et al. Dual influence of climate change and anthropogenic activities on the spatiotemporal vegetation dynamics over the Qinghai-Tibetan Plateau from 1981 to 2015[J]. Earth's Future, 2022, 10(5). DOI:10.1029/2021EF002566 |
| [15] |
王耀斌, 赵永华, 韩磊, 等. 2000—2015年秦巴山区植被净初级生产力时空变化及其驱动因子[J]. 应用生态学报, 2018, 29(7): 2373-2381. Wang Y B, Zhao Y H, Han L, et al. Spatiotemporal variation of vegetation net primary productivity and its driving factors from 2000 to 2015 in Qinling-Daba Mountains, China[J]. Chinese Journal of Applied Ecology, 2018, 29(7): 2373-2381. |
| [16] |
郭豪, 袁金国, 王景芝, 等. 基于MOD17A3的京津冀地区植被净初级生产力时空演变[J]. 长江科学院院报, 2023, 40(7): 66-72, 103. Guo H, Yuan J G, Wang J Z, et al. Spatio-temporal evolution of net primary productivity in Beijing-Tianjin-Hebei Region based on MOD17A3 data[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(7): 66-72, 103. |
| [17] |
田智慧, 张丹丹, 赫晓慧, 等. 2000-2015年黄河流域植被净初级生产力时空变化特征及其驱动因子[J]. 水土保持研究, 2019, 26(2): 255-262. Tian Z H, Zhang D D, He X H, et al. Spatiotemporal variations in vegetation net primary productivity and their driving factors in Yellow River Basin from 2000 to 2015[J]. Research of Soil and Water Conservation, 2019, 26(2): 255-262. |
| [18] |
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. |
| [19] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in Southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [20] |
刘铮, 杨金贵, 马理辉, 等. 黄土高原草地净初级生产力时空趋势及其驱动因素[J]. 应用生态学报, 2021, 32(1): 113-122. Liu Z, Yang J G, Ma L H, et al. Spatial-temporal trend of grassland net primary production and their driving factors in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2021, 32(1): 113-122. |
| [21] | Zhang G G, Kang Y M, Han G D, et al. Effect of climate change over the past half century on the distribution, extent and NPP of ecosystems of Inner Mongolia[J]. Global Change Biology, 2011, 17(1): 377-389. DOI:10.1111/j.1365-2486.2010.02237.x |
| [22] | Yan F Q. Effects of climate changes on net primary productivity variation in the marsh area of the Sanjiang Plain[J]. Frontiers in Ecology and Evolution, 2022, 10. |
| [23] | Xue Z C, Kappas M, Wyss D. Spatio-temporal grassland development in Inner Mongolia after implementation of the First Comprehensive Nation-Wide Grassland Conservation Program[J]. Land, 2021, 10(1). DOI:10.3390/land10010038 |
| [24] | 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. |
| [25] |
丁永康, 叶婷, 陈康. 基于地理探测器的滹沱河流域植被覆盖时空变化与驱动力分析[J]. 中国生态农业学报(中英文), 2022, 30(11): 1737-1749. Ding Y K, Ye T, Chen K. Analysis of spatio-temporal dynamics and driving forces of vegetation cover in the Hutuo River Basin based on the geographic detector[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1737-1749. DOI:10.12357/cjea.20220309 |
| [26] | 贾佳, 任棐, 孟庆庆, 等. 基于Cite Space的乌梁素海研究进展和热点分析[A]. 见: 中国环境科学学会环境工程分会. 中国环境科学学会2022年科学技术年会——环境工程技术创新与应用分会场论文集(一)[C]. 北京: 《工业建筑》杂志社有限公司, 2022. 64-70. |
| [27] |
张保龙, 于亮亮, 赵宇新, 等. 乌梁素海流域近60年气候变化特征研究[J]. 宁夏工程技术, 2021, 20(4): 289-294, 303. Zhang B L, Yu L L, Zhao Y X, et al. Analysis of climate change characteristics in Wuliangsu Lake Basin in recent 60 years[J]. Ningxia Engineering Technology, 2021, 20(4): 289-294, 303. DOI:10.3969/j.issn.1671-7244.2021.04.002 |
| [28] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [29] |
徐勇, 黄海艳, 戴强玉, 等. 西南地区陆地植被生态系统NPP时空演变及驱动力分析[J]. 环境科学, 2023, 44(5): 2704-2714. Xu Y, Huang H Y, Dai Q Y, et al. Spatial-temporal variation in net primary productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China[J]. Environmental Science, 2023, 44(5): 2704-2714. |
| [30] |
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. |
| [31] |
郭健斌, 张英, 张志伟, 等. 基于地理探测器的藏东南高山峡谷区土地利用变化及其驱动机制——以西藏林芝市为例[J]. 中国农业大学学报, 2023, 28(4): 210-226. Guo J B, Zhang Y, Zhang Z W, et al. Land use change and its driving mechanism in the alpine gorge of southeast Tibet based on geodetector: a case study of Nyingchi City[J]. Journal of China Agricultural University, 2023, 28(4): 210-226. |
| [32] |
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. |
| [33] |
岳萌, 耿广坡, 王涛, 等. 2000—2019年黄河流域陕西段植被NDVI时空变化及其驱动因素分析[J]. 水土保持研究, 2023, 30(2): 238-246, 255. Yue M, Geng G P, Wang T, et al. Spatiotemporal variation of vegetation NDVI and its driving factors in the Shaanxi section of the Yellow River Basin from 2000 to 2019[J]. Research of Soil and Water Conservation, 2023, 30(2): 238-246, 255. |
| [34] |
韩王亚, 张超, 曾源, 等. 2000—2015年拉萨河流域NPP时空变化及驱动因子[J]. 生态学报, 2018, 38(24): 8787-8798. Han W Y, Zhang C, Zeng Y, et al. Spatio-temporal changes and driving factors in the net primary productivity of Lhasa River Basin from 2000 to 2015[J]. Acta Ecologica Sinica, 2018, 38(24): 8787-8798. |
| [35] |
李登科, 范建忠, 王娟. 基于MOD17A3的陕西省植被NPP变化特征[J]. 生态学杂志, 2011, 30(12): 2776-2782. Li D K, Fan J Z, Wang J. Variation characteristics of vegetation net primary productivity in Shaanxi Province based on MO17A3[J]. Chinese Journal of Ecology, 2011, 30(12): 2776-2782. |
| [36] |
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 fators of NPP in Guizhou Province from 2000 to 2020[J]. Research of Soil and Water Conservation, 2023, 30(5): 408-416, 426. |
| [37] |
汪晓珍, 吴建召, 吴普侠, 等. 2000—2015年黄土高原生态系统水源涵养、土壤保持和NPP服务的时空分布与权衡/协同关系[J]. 水土保持学报, 2021, 35(4): 114-121, 128. Wang X Z, Wu J Z, Wu P X, et al. Spatial and temporal distribution and trade-off of water conservation, soil conservation and NPP services in the ecosystems of the Loess Plateau from 2000 to 2015[J]. Journal of Soil and Water Conservation, 2021, 35(4): 114-121, 128. |
| [38] |
王金杰, 赵安周, 张兆江, 等. 2000—2018年京津冀地区植被净初级生产力时空演变及其驱动因素[J]. 生态科学, 2021, 40(1): 103-111. Wang J J, Zhao A Z, Zhang Z J, et al. Spatio-temporal evolution of vegetation net primary productivity and its driving factors in Beijing-Tianjin-Hebei region from 2000 to 2018[J]. Ecological Science, 2021, 40(1): 103-111. |
| [39] |
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. |
| [40] |
曹红梅. 黄河流域植被NPP时空格局演变及影响因素分析[D]. 郑州: 河南大学, 2022. Cao H M. Temporal and spatial pattern evolution and influencing factors of vegetation NPP in the Yellow River Basin[D]. Zhengzhou: Henan University, 2022. |
| [41] |
谢宝妮, 秦占飞, 王洋, 等. 黄土高原植被净初级生产力时空变化及其影响因素[J]. 农业工程学报, 2014, 30(11): 244-253. Xie B N, Qin Z F, Wang Y, et al. Spatial and temporal variation in terrestrial net primary productivity on Chinese Loess Plateau and its influential factors[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(11): 244-253. DOI:10.3969/j.issn.1002-6819.2014.11.030 |
| [42] |
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. |
| [43] |
王金颖. 黄土高原生态地理分区植被净初级生产力变化及其驱动力分析[D]. 淄博: 山东理工大学, 2021. Wang J Y. Analysis of the changes in vegetation net primary productivity and its driving forces in the ecological geographic regions of the Loess Plateau[D]. Zibo: Shandong University of Technology, 2021. |
| [44] |
朱鹏凡, 刘刚, 何敬, 等. 近20年大别山区植被净初级生产力时空变化及驱动因素分析[J]. 长江科学院院报, 2023, 40(10): 66-73, 79. Zhu P F, Liu G, He J, et al. Vegetation net primary productivity in Dabie Mountains in recent two decades: spatiotemporal variation and driving factors[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(10): 66-73, 79. DOI:10.11988/ckyyb.20220832 |
| [45] |
王茜. 黄土高原生态系统时空差异及其驱动因素研究[D]. 西安: 长安大学, 2022. Wang X. Study on the spatial and temporal variation of the Loess Plateau ecosystem and its driving factors[D]. Xi'an: Chang'an University, 2022. |
| [46] |
郭建晓, 桑会勇, 翟亮. 青藏高原植被覆盖度时空变化特征及其驱动因素[J]. 生态学杂志, 2023, 42(11): 2665-2674. Guo J X, Sang H Y, Zhai L. Spatiotemporal variations and driving factors of vegetation coverage on the Qinghai-Tibet Plateau[J]. Chinese Journal of Ecology, 2023, 42(11): 2665-2674. |
| [47] |
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. |
| [48] |
燕守广, 李海东, 方颖, 等. 气候变化背景下近15 a乌梁素海流域植被动态变化[J]. 生态与农村环境学报, 2016, 32(6): 958-963. Yan S G, Li H D, Fang Y, et al. Dynamics of vegetation in the Wuliangsuhai Basin under climate change during the years from 1999 to 2013[J]. Journal of Ecology and Rural Environment, 2016, 32(6): 958-963. |
| [49] |
张玥, 许端阳, 王子玉, 等. 2000—2015年锡林郭勒盟防风固沙服务功能变化驱动因素分析[J]. 生态学报, 2021, 41(2): 603-614. Zhang Y, Xu D Y, Wang Z Y, et al. The interaction of driving factors for the change of windbreak and sand-fixing service function in Xilingol League between 2000 and 2015[J]. Acta Ecologica Sinica, 2021, 41(2): 603-614. |
| [50] |
骆艳, 张松林. 山东省植被NPP时空分布特征及驱动因素分析[J]. 广西植物, 2019, 39(5): 690-700. Luo Y, Zhang S L. Temporal-spatial variation characteristics and driving factors of vegetation NPP in Shandong Province[J]. Guihaia, 2019, 39(5): 690-700. |
| [51] |
周益, 陈德超, 张委伟, 等. 太湖流域植被NPP时空特征及其驱动因素研究[J]. 遥感信息, 2022, 37(6): 94-100. Zhou Y, Chen D C, Zhang W W, et al. Study on spatiotemporal characteristics and driving factors of vegetation NPP in Taihu Lake Basin[J]. Remote Sensing Information, 2022, 37(6): 94-100. DOI:10.3969/j.issn.1000-3177.2022.06.014 |
| [52] |
同琳静, 刘洋洋, 王倩, 等. 西北植被净初级生产力时空变化及其驱动因素[J]. 水土保持研究, 2019, 26(4): 367-374. Tong L J, Liu Y Y, Wang Q, et al. Spatial and temporal dynamics of net primary productivity and its driving factors in Northwest China[J]. Research of Soil and Water Conservation, 2019, 26(4): 367-374. |
| [53] |
周杰, 张昌盛, 解修平. 渭河流域植被净初级生产力时空格局及影响因素分析[J]. 水土保持学报, 2015, 29(2): 274-277. Zhou J, Zhang C S, Xie X P. Vegetation net primary productivity temporal and spatial patterns and influence factors analysis in Weihe Watershed[J]. Journal of Soil and Water Conservation, 2015, 29(2): 274-277. |