2024, Vol. 45
植被净初级生产力（NPP）代表着绿色植物在光合作用中获得的干物质量[1], 是陆地生态系统和地表碳循环的关键参数[2], 不仅直接反映植被群落在自然环境中的生产能力, 同时在全球气候变化和碳平衡中扮演着至关重要的角色[3].随着“碳中和”背景的逐渐确立[4], 植被净初级生产力正逐渐成为观测陆面碳循环不可或缺的重要参数, 是可持续发展的重要指标之一[5].对年均NPP变化趋势及其影响因子进行定量研究, 对于深刻理解和有效应对气候变化、维护生物多样性以及可持续利用自然资源具有深远的意义[6~8].
植被净初级生产力（NPP）研究一直以实地测量为首选方法[9, 10], 然而, 由于高昂的成本和多种限制因素, 实地测量难以全面反映大区域年均NPP的变化, 从而制约了相关研究的深入进行[11].近年来, 随着遥感监测技术的蓬勃发展, NPP遥感产品数据的广泛应用为科学研究和实际生产提供了关键工具[12, 13], 显著提高了对大尺度区域NPP变化的研究效率[14].国内外学者在这一领域取得了丰硕的成果, 例如, 施红霞等[15]的研究发现北半球高纬度地区年均NPP呈增加趋势, 贾路等[16]分析黑河流域年均NPP的空间转移变化对气候因子的响应, 强调非气候因子是导致流域年均NPP变化的主要因素, 而刘旻霞等[17]通过研究青海省年均NPP变化, 发现土地利用/覆被变化和草地减少是该地区年均NPP减少的主要原因.先前的研究主要集中于分析年均NPP与气候变化及人类活动的相关性[18], 但未能具体衡量各驱动因子对年均NPP变化的响应阈值, 且大多研究忽略了极端降雨对区域年均NPP变化的影响.
黄河上中游流域是全球气候变化的直接响应区[19], 其生态环境脆弱.受气候变化和人类活动的共同影响, 流域植被发生显著变化[20, 21].客观评估流域年均NPP及其驱动因子对保障黄河上中游生态系统功能的健康具有重要意义.基于此, 本文以黄河上中游为研究区域, 选取气候变化、人类活动、地形地貌和植被恢复等4个方面的10个因子, 通过构建年均NPP与影响因子的随机森林模型和偏依赖函数, 旨在识别评估影响区域年均NPP的关键因子, 明确关键因子变化对年均NPP的关键阈值, 分析年均NPP与主导因子的空间异质性.采用偏最小二乘-结构方程（PLS-SEM）方法解耦极端降雨对流域年均NPP的影响, 最终讨论黄河上中游年均NPP未来的发展潜力, 旨在为流域生态环境和植被碳源/汇评价提供科学依据, 同时为未来的发展规划提供有针对性的建议.
1 研究区概况本文的研究区为黄河上中游地区, 包括青海、甘肃、宁夏、内蒙古、陕西、山西和河南这7省, 涵盖黄河流域85%以上的流域面积[22].流域高程84~6 250 m, 地形地貌差别大, 从西到东横跨青海高原、内蒙古高原和黄土高原这3个地貌单元[23], 处于中国三大气候区的交汇地带, 流域内气候差异明显, 从西北到东南大致可分为干旱、半干旱和半湿润气候区[24].黄河上中游年平均降雨量为115~912 mm, 年平均气温为-18.7~16.01℃, 植被丰富, 土地利用类型以耕地、林地和草地为主（图 1）.
|
图 1 黄河上中游流域概况 Fig. 1 Overview of the upper and middle reaches of the Yellow River Basin |
年均NPP和NDVI数据分别选取2000~2020逐年MOD17A3和MOD13Q1产品数据, 两者均来源于美国空间航空航天局NASA（https://ladsweb.modaps.eosdis.nasa.gov/）, 空间分辨率500 m.众多研究表明该数据能够很好反映区域植被净初级生产力, 数据集验证具有可靠的精度[25~27], 本文对数据进行批量波段提取, 格式转换, 并将数据集重采样至1 km分辨率.降雨量、温度、相对湿度、夜间灯光数据来自国家地球系统科学数据中心（http://www.geodata.cn）, 该数据集利用全国496个独立气象观测点的数据进行了验证, 结果可信. 数字高程、土地利用及植被类型数据来自中国科学院地理科学与资源研究所（https://www.resdc.cn/）.黄河上中游及周边88个气象站数据来自国家气象信息中心（http://data.cma.cn/）的中国地面气候资料日值数据集（V3.0）, 包括日降雨量、最低、最高及平均温度、相对湿度、风速和日照.本文潜在蒸散发量由Penman-Monteith公式计算[28], 采用ANUSPLIN软件进行空间插值, 获得潜在蒸散发的空间分布数据.人口密度数据来自WorldPop提供的人口栅格数据（https://hub.worldpop.org/）.本文所使用数据集时间序列统一为2000~2020年, 空间分辨率均统一重采样处理为1 km.
2.2 研究方法 2.2.1 趋势分析Theil-Sen Median分析和Mann-Kendall检验结合是判断时间序列趋势的有效方法, 且计算方法稳健[29].本文为探究黄河上中游植被净初级生产力的变化趋势将Theil-Sen Median分析和Mann-Kendall检验结合, 可以减少异常值的影响, 使结果更加具有可信度.Theil-Sen计算公式为：
|
(1) |
式中, Median（）为取中值, 若β > 0, 表明年均NPP为增长趋势, 反之为下降趋势.
通过Mann-Kendall检验对上述变化趋势的显著性进行检验.最后将变化趋势划分为轻微退化、严重退化、稳定不变、轻微改善和明显改善这5种变化类型（表 1）.
|
表 1 趋势划分1） Table 1 Trend segmentation |
2.2.2 Hurst指数分析
Hurst指数[30]（H）广泛应用于定量描述时间序列变化持续性, 该指数反映年均NPP前后变化的相互关系, 过去的年均NPP状态会影响现在的, 现在的年均NPP状态将影响未来的.当H < 0.5时, 表明年均NPP未来变化趋势与当前的变化趋势相反.当H=0.5时, 表明年均NPP序列是不可持续的随机序列, 当H > 0.5时, 表明年均NPP序列未来变化趋势与当前变化趋势相同.具体方法见文献[31].
为进一步分析研究流域年均NPP未来变化趋势, 将Hurst指数与年均NPP变化趋势进行叠加后重分类, 将叠加结果分为9种情景：可持续性显著退化、可持续性不显著退化、不可持续性显著退化、不可持续性不显著退化、稳定不变、不可持续性轻微改善、不可持续性显著改善、可持续性不显著改善和可持续性显著改善.
2.2.3 随机森林模型随机森林是在分类回归树模型的基础上开发得到的集成智能算法, 由Breiman[32]于2001年提出.与传统学习方法相比, 随机森林模型不仅可以较好处理变量间复杂的非线性关系, 避免过度拟合和计算复杂等缺陷, 同时在数据挖掘能力、转换规则准确性及其稳定性方面具有明显优势, 本文采用ArcGIS软件中的渔网分析工具将黄河上中游划分为3 683个网格, 将数据提取至网格, 然后将选取的气候变化和人类活动等因子作为解释变量, 年均NPP数据作为因变量, 构建随机森林回归模型, 按7∶3的比例划分训练集和测试集.
2.2.4 偏依赖模型分析偏依赖分析[33]是基于随机森林重要性输出结果, 保证其他自变量不变, 将关注的影响因子在其取值范围内分别取不同的值, 计算该模型在所有样本上的平均输出, 进而得到因变量随自变量变化而变化的偏依赖图.本文将在随机森林模型构建基础上, 利用偏依赖分析定量分析影响因子与植被净初级生产力间的非线性交互作用关系及响应阈值.计算公式如下：
|
(2) |
式中, 
为进一步剖析流域年均NPP变化背后气候、植被及人类活动耦合作用下的驱动机制及其响应阈值, 本文从地形、气候、植被和人类活动这4个层面选取10个因子（表 2）, 基于随机森林模型和偏依赖分析方法识别影响黄河上中游流域年均NPP变化的关键因子, 明确气候变化与人类活动等关键因子响应年均NPP变化的阈值.
|
|
表 2 NPP潜在影响因子1） Table 2 Potential influencing factors of NPP |
2.2.5 地理加权回归模型
本文采用地理加权回归模型[34], 以研究区植被净初级生产力为因变量, 选取对其影响最大的关键因子为自变量, 得出关键影响因子与年均NPP的回归系数, 并将回归系数划分为5个等级, 以专题地图的形式展示, 更能直观反映关键驱动因子对流域年均NPP的空间影响, 模型计算公式如下：
|
(3) |
式中, (μi, vi)为点i的空间位置；P为自变量的个数；yi为因变量；xjk为自变量；εi为随机误差；β0(μi, vi)为点i处的截距, βk(μi, vi)为回归系数.负回归系数表示抑制关系, 正回归系数表示促进关系.
3 结果与分析 3.1 年均NPP时空变化特征分析黄河上中游年均NPP在空间上整体呈现南高北低的分布格局, 2000~2020年流域年均NPP空间变化范围（以C计, 下同）为14.94~1 039.81 g·（m2·a）-1, 高值区[年均NPP > 600 g·（m2·a）-1]占流域总面积的1.59%, 主要分布在黄河上中游的南部区域, 集中于龙门至三门峡二级水资源区.中值区[300~600 g·（m2·a）-1]占研究区总面积的42.93%, 主要分布在流域西部和南部区域, 集中于龙羊峡至兰州、龙门至三门峡及三门峡至花园口3个二级水资源区.低值区[年均NPP < 300 g·（m2·a）-1]占流域总面积的55.49%, 主要分布在流域北部, 集中于龙羊峡以上、内流区、兰州至河口镇及河口镇至龙门等多个二级水资源区（图 2）.尽管黄河上中游流域年均NPP以低值区为主, 但近20年来随着退耕还林还草等一系列生态保护措施的实行, 整个黄河流域植被状况得到大幅改善, 随之流域年均NPP也在逐年增长, 2000年流域年均NPP为208.94 g·（m2·a）-1, 而到2020年已经增加至326.96 g·（m2·a）-1, 年均增长率为2.53%（图 3）.
|
图 2 2000~2020年黄河上中游年均NPP空间分布 Fig. 2 Spatial distribution of annual mean NPP in the upper and middle reaches of the Yellow River from 2000 to 2020 |
|
图 3 黄河上中游年均NPP时间变化 Fig. 3 Temporal variation in annual mean NPP in the upper and middle reaches of the Yellow River |
黄河上中游流域不同土地利用类型年均NPP从大到小依次为林地、耕地、城镇用地、草地、水域和未利用土地, 在2000~2020年期间, 流域各土地利用类型的年均NPP表现为增长的态势（图 4）, 流域年均NPP主要取决于林地、耕地等植被聚集地, 为进一步探究流域年均NPP的变化情势, 选取2000年、2010年和2020年这3个典型时间节点, 统计不同植被类型的年均NPP发现, 各个植被类型下的年均NPP在近20 a同样呈现为增长趋势, 对年均NPP贡献最大的是阔叶林和针叶林, 黄河上中游流域阔叶林和针叶林的面积分别占总面积的3.42%和4.58%, 面积占比远不及栽培植被和草原, 表明了森林系统对流域年均NPP的重要性（表 3）.
|
图 4 不同土地利用年均NPP值 Fig. 4 Average annual NPP values for different land use types |
|
|
表 3 黄河上中游不同植被类型年均NPP值 Table 3 Annual average NPP values of different vegetation types in the upper and middle reaches of the Yellow River |
3.2 年均NPP趋势演变分析
2000~2020年黄河上中游流域总面积79.25%和0.25%区域年均NPP变化分别呈现显著改善和严重退化趋势, 黄河上中游年均NPP呈现改善的区域面积高达72.93万km2, 占总面积的94.44%, 仅有总面积2.02%的区域呈现退化趋势, 主要集中于黄河上游的龙羊峡以上和龙羊峡至兰州两个二级水资源区.流域年均NPP呈现严重退化、轻微退化、稳定不变、轻微改善和显著改善的区域年均NPP分别为274.18、306.07、270.89、279.76和287.76 g·（m2·a）-1（图 5）.
|
图 5 黄河上中游年均NPP变化趋势 Fig. 5 Trend of annual mean NPP in the upper and middle reaches of the Yellow River |
黄河上中游流域年均NPP的H指数为0.12~0.98, 均值为0.46, 其中, H指数小于0.5的区域占流域总面积的70.83%, 占总面积29.17%的区域的H指数大于0.5（图 6）, 以上分析表明黄河上中游流域年均NPP变化趋势具有较强的反持续性, 即未来流域年均NPP可能出现与当前变化趋势相反的境况.黄河上中游流域年均NPP变化预测结果面积占比分别为：可持续性显著退化（0.20%）、可持续性不显著退化（0.80%）、不可持续性显著退化（0.09%）、不可持续性不显著退化（1.01%）、稳定不变（0.01%）、不可持续性轻微改善（11.27%）、不可持续性显著改善（58.46%）、可持续性不显著改善（4.47%）和可持续性显著改善（23.70%）.流域年均NPP以不可持续性显著改善为主, 主要分布在黄土高原地区, 应加强该区域的生态环境治理工作（图 7）.
|
图 6 黄河上中游年均NPP可持续性变化 Fig. 6 Changes in the sustainability of annual mean NPP in the upper and middle reaches of the Yellow River |
|
图 7 黄河上中游年均NPP变化趋势预测 Fig. 7 Prediction of the trend of annual mean NPP change in the upper and middle reaches of the Yellow River |
流域年均NPP的变化受多种因子影响, 传统统计方法容易引发共线性问题, 干扰各因子对年均NPP变化的解释, 难以准确衡量各影响因子对年均NPP变化的解释力.本文将选取的10个影响因子作为自变量, 构建黄河上中游年均NPP随机森林模型, 定量评估各影响因子的重要性, 筛选出影响流域年均NPP变化的主导因子.将数据集随机划分为训练集（70%）和测试集（30%）分别用于模型的构建与验证.经过计算研究区的预测变量（用于回归的所有影响因子）与响应变量（年均NPP）有关方差的整体解释率达到93.73%, 且模型训练集和测试集的R2均大于0.9, 表明随机森林模型用于该研究拟合效果和特征重要性参数的合理性较高.
利用IncNodePurity方法确定各影响因子的重要性排名, 结果显示各因子影响流域年均NPP变化重要性排序由高到低依次为：降雨量 > NDVI > 干旱指数 > 相对湿度 > 温度 > 高程 > 人口密度 > 坡度 > 坡向 > 夜间灯光（图 8）.上述结果表明近20 a来黄河上中游年均NPP受降雨和植被影响最大, 干旱指数和相对湿度对流域年均NPP变化同样有着不可忽视的作用.
|
图 8 黄河上中游年均NPP影响因子重要性排序 Fig. 8 Ranking of importance of annual mean NPP impact factors in the upper and middle reaches of the Yellow River |
以上分析仅反映了各因子对流域年均NPP变化的相对重要性, 能够识别影响流域年均NPP变化的主导因子, 但不能量化影响因子的变化对流域年均NPP变化趋势的影响, 然而, Xu等[35]研究发现全国尺度降雨对植被变化的影响存在阈值, 基于此, 本文选取影响流域年均NPP的前4位因子, 通过构建偏依赖函数来揭示主导因子对年均NPP变化的响应阈值.
黄河上中游年均NPP与降雨量、NDVI和相对湿度呈现正相关, 具体来看, 当年均降雨量大于400 mm后, 流域年均NPP值迅速增加, 当降雨量超过650 mm阈值后, 流域年均NPP值逐渐趋于稳定[图 9（a）].这与Liu等[36]研究的结果一致, 证明本文所构建的偏依赖函数具有合理性.流域年均NPP与NDVI接近于线性正相关关系, 表明植被是年均NPP的直观反映形式, 黄河流域植被情势的不断改善, 促进了流域年均NPP的不断增加[图 9（b）], 这也直接论证了退耕还林和植树造林等生态建设措施对黄河流域生态系统活力的重大作用.当流域相对湿度大于40%时, 年均NPP迅速增长, 相对湿度达到70%时, 年均NPP达到最高值, 而相对湿度超过70%阈值后, 流域年均NPP不再发生剧烈变化, 逐渐趋于稳定[图 9（c）].流域年均NPP与干旱指数呈负相关关系, 当干旱指数达到8, 流域年均NPP值趋于稳定, 不再出现明显降低情势[图 9（d）].
|
图 9 黄河上中游年均NPP影响因子偏依赖图 Fig. 9 Bias dependence plot of annual mean NPP influence factors in the upper and middle reaches of the Yellow River |
上述研究筛选出了影响黄河上中游年均NPP变化的主要因子, 并通过构建偏依赖函数确定了主导因子响应的突变阈值, 为进一步明确主导因子对流域年均NPP在空间产生的影响, 本文采用地理加权回归模型定量分析筛选出的主导因子与流域年均NPP的空间异质性.
不同主导因子对流域年均NPP的作用强度和波动方向各不相同, 从降雨量回归系数的整体分布来看, 降雨量对流域年均NPP空间分布影响显著, 降雨量回归系数均值为0.41, 降雨量正值回归系数网格占总数的63.29%, 主要集中分布在黄土高原地区, 且回归系数呈现由北向南逐渐递增的趋势, 降雨量对流域年均NPP呈现显著的正向作用[图 10（a）].植被回归系数均值为0.34, 回归系数正值占总数的79.17%, 植被指数是流域年均NPP的直接反映形式, 因此NDVI的回归系数以正值为主[图 10（b）].干旱指数的回归系数均值为-0.79, 负值回归系数占总网格数的68.01%, 负值区主要集中于黄河中游地区, 且表现为由北向南负相关性逐渐增强的趋势[图 10（c）].相对湿度回归系数均值为0.25, 正回归系数网格占总数的68.45%, 同样主要集中于黄河流域中游地区, 降雨量和相对湿度对流域年均NPP的空间分布影响具有一致性[图 10（d）].
|
图 10 黄河上中游年均NPP主导因子回归系数空间分布 Fig. 10 Spatial distribution of the regression coefficients of the dominant factors of annual mean NPP in the upper and middle reaches of the Yellow River |
黄河上中游生态环境脆弱, 气候极易受全球气候变化的影响, 当前全球气候变化加剧, 导致区域极端气候事件更加严重、更加频繁[37], 极端气候的发生会对流域植被的物候及生长状况产生严重影响[38], 本文随机森林模型分析结果可知, 年均降雨量是影响黄河上中游年均NPP变化的最主要因子, 因此, 进一步分析极端气候中的极端降雨对流域年均NPP造成的影响至关重要.基于此, 本文利用黄河上中游88个气象站数据, 提取出流域2000~2020年的7个极端降雨指标（表 4）, 再使用偏最小二乘-结构方程（PLS-SEM）[39]解耦极端降雨对流域年均NPP的影响.
|
|
表 4 极端降雨指数表 Table 4 Extreme rainfall index table |
从PLS-SEM解耦结果发现（图 11）, 极端降雨和NDVI对流域年均NPP变化的综合影响为92.50%, 极端降雨对流域年均NPP变化的直接影响并不显著（P > 0.05）, 极端降雨对NDVI有显著的直接影响, 解释了40.20%的植被变化, NDVI对流域年均NPP同样表现为显著的直接影响, 从总体来看极端降雨通过影响植被生长状况来间接影响流域年均NPP变化.选取的7个极端降雨指数中对流域年均NPP影响程度由高到低依次为：R10 > R95P > PRCPTOT > SDII > Rx5day > R99P（除去Rx1day, 未通过显著性检验）.这与夏冰等[40]和曹云等[41]研究的结论基本一致.
|
***表示通过99.9%显著性检验, 无*表示未通过显著性检验 图 11 黄河上中游极端降雨指标与年均NPP结构方程模型 Fig. 11 Structural equation modelling of extreme rainfall indicators and annual mean NPP in the upper and middle reaches of the Yellow River |
2000~2020年间, 黄河上中游年均NPP呈现显著改善趋势, 对流域年均NPP进行进一步分析发现, 未来黄河上中游部分区域年均NPP的显著改善趋势不具有可持续性, 该区域主要集中于黄河北部干旱地区, 这与Zhang等[42]研究的结果一致.本文对可能影响黄河上中游年均NPP的影响因子进行随机森林和偏依赖分析, 发现流域干旱与年均NPP呈现显著负相关关系, 干旱是限制黄河上中游年均NPP发展的主要因素, 这与卢荡等[43]和田智慧等[44]研究的结果相同.基于此, 本文将从干旱角度进一步讨论黄河上中游年均NPP未来发展情势.
黄河上中游的干旱情势对年均NPP的响应可分为3个节点, 第一个是AI≤4, 该范围下流域年均NPP可达到280 g·（m2·a）-1；第二个是4 < AI≤8, 该范围的流域年均NPP为260 g·（m2·a）-1左右；第三个是AI > 8, 该范围下流域年均NPP为220 g·（m2·a）-1左右.将黄河上中游的多年平均干旱指数依照以上3个范围划分, 并分别统计3个范围干旱指数当前年份（2020年）年均NPP如表 5所示, 目前黄河上中游年均NPP仅在AI≤4的区域达到理论水平.其他两个范围区域, 当前年均NPP分别为157.96 g·（m2·a）-1和140.64 g·（m2·a）-1, 尚未达到理论水平.流域的大部分区域（AI≤4）年均NPP已超过理论均值, 但在较为干旱的北部区域（AI > 4）, 年均NPP未达到理论水平, 表明该区域年均NPP有较大提升空间.这与Cao等[45]在黄河流域开展的NPP研究结论具有一致性.
|
|
表 5 黄河上中游不同干旱指数范围的年均NPP统计 Table 5 Statistics on annual mean NPP in the upper and middle reaches of the Yellow River for different aridity index ranges |
综上表明, 过去20 a黄河上中游的植被生态恢复措施取得了显著成效.其中, 流域北部区域年均NPP在未来具有较大发展潜力, 但该区域可能因干旱限制, 导致年均NPP发展具有不确定性甚至出现退化趋势.因此, 未来黄河上中游的生态建设需着重关注流域北部干旱区域, 采取因地制宜的措施, 以进一步提升该地区的植被生态水平, 遏制未来可能会出现的衰退情势.
5 结论（1）2000~2020年间, 黄河上中游年均NPP呈现南高北低的分布格局, 总体表现出逐年增长的趋势.不同土地利用类型的年均NPP排列顺序为林地、耕地、城镇用地、草地、水域和未利用土地, 林地中阔叶林和针叶林对年均NPP贡献最大.2000~2020年, 流域总面积的79.25%和0.25%的区域年均NPP分别呈现显著改善和严重退化趋势.
（2）影响黄河上中游年均NPP变化的主导因子依次为：年均降雨量、NDVI、干旱指数和相对湿度.流域年均NPP增加的最适降雨量范围是400~650 mm, 超过阈值650 mm后NPP值逐渐趋于稳定.流域年均NDVI与NPP呈线性正相关, 相对湿度在40%~70%时最适年均NPP增加.干旱指数超过阈值8后流域年均NPP不再明显降低.流域干旱对年均NPP的负向影响主要集中于中游地区, 且表现为由北向南负相关性逐渐增强.
（3）流域极端降雨和NDVI对年均NPP变化的综合影响达到92.50%, 流域极端降雨通过影响植被生长状况来间接影响流域NPP变化.对流域年均NPP影响程度由高到低的极端降雨指标依次为：R10 > R95P > PRCPTOT > SDII > Rx5day > R99P.
（4）黄河上中游大部分区域的年均NPP已达到理论水平, 流域北部区域因干旱限制, 年均NPP未达到理论水平, 未来具有较大发展潜力.因此, 黄河流域对于植被生态建设的下一步应主要关注北部的干旱和严重干旱区域, 因地制宜, 提升区域生态水平.
| [1] |
姬盼盼, 高敏华, 杨晓东. 中国西北部干旱区NPP驱动力分析——以新疆伊犁河谷和天山山脉部分区域为例[J]. 生态学报, 2019, 39(8): 2995-3006. Ji P P, Gao M H, Yang X D. Analysis of NPP driving force in an arid region of Northwest China: a case study in Yili Valley and parts of Tianshan Mountains, Xinjiang, China[J]. Acta Ecologica Sinica, 2019, 39(8): 2995-3006. |
| [2] | Jones M O, Running S W, Kimball J S, et al. Terrestrial primary productivity indicators for inclusion in the national climate indicators system[J]. Climatic Change, 2020, 163(4): 1855-1868. DOI:10.1007/s10584-018-2155-9 |
| [3] |
吕攀屹. 黄土高原植被净初级生产力对复合气象因子的响应研究[D]. 西安: 西安理工大学, 2023. Lv P Y. Response of vegetation net primary productivity to composite meteorological factors on the Loess Plateau[D]. Xi'an: Xi'an University of Technology, 2023. |
| [4] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [5] | Zhang Y, Hu Q W, Zou F L. Spatio-temporal changes of vegetation net primary productivity and its driving factors on the Qinghai-Tibetan Plateau from 2001 to 2017[J]. Remote Sensing, 2021, 13(8). DOI:10.3390/rs13081566 |
| [6] |
秦泗国, 钟国辉, 王景升. 那曲草地气候格局对草地NPP的影响及载畜量研究[J]. 干旱区资源与环境, 2010, 24(7): 159-164. Qi S G, Zhong G H, Wang J S. The Influence of climate patterns on grassland NPP and the study on livestock carrying capacity in NagQu[J]. Journal of Arid Land Resources and Environment, 2010, 24(7): 159-164. |
| [7] |
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. |
| [8] |
单振东, 刘顿, 骆汉, 等. 气候变化背景下人类活动对承德接坝区植被净初级生产力的影响[J]. 环境科学, 2023, 44(11): 6215-6225. Shan Z D, Liu D, Luo H, et al. Impacts of human activities on the net primary productivity of vegetation in Chengde's transitional region from plateau to plain in the context of climate change[J]. Environmental Science, 2023, 44(11): 6215-6225. |
| [9] |
李高飞, 任海, 李岩, 等. 植被净第一性生产力研究回顾与发展趋势[J]. 生态科学, 2003, 22(4): 360-365. Li G F, Ren H, Li Y, et al. Review and tendency of net primary productivity study[J]. Ecological Science, 2003, 22(4): 360-365. DOI:10.3969/j.issn.1008-8873.2003.04.016 |
| [10] | Nayak R K, Patel N R, Dadhwal V K. Estimation and analysis of terrestrial net primary productivity over India by remote-sensing-driven terrestrial biosphere model[J]. Environmental monitoring and assessment, 2010, 170(1-4): 195-213. DOI:10.1007/s10661-009-1226-9 |
| [11] | Clark D A, Brown S, Kicklighter D W, et al. Measuring net primary production in forests: concepts and field methods[J]. Ecological applications, 2001, 11(2): 356-370. DOI:10.1890/1051-0761(2001)011[0356:MNPPIF]2.0.CO;2 |
| [12] | Brouwers N C, Coops N C. Decreasing net primary production in forest and shrub vegetation across southwest Australia[J]. Ecological Indicators, 2016, 66: 10-19. DOI:10.1016/j.ecolind.2016.01.010 |
| [13] | Tum M, Zeidler J N, Günther K P, et al. Global NPP and straw bioenergy trends for 2000-2014[J]. Biomass and Bioenergy, 2016, 90: 230-236. DOI:10.1016/j.biombioe.2016.03.040 |
| [14] | Gang C, Zhang Y Z, Wang Z Q, et al. Modeling the dynamics of distribution, extent, and NPP of global terrestrial ecosystems in response to future climate change[J]. Global and Planetary Change, 2017, 148: 153-165. DOI:10.1016/j.gloplacha.2016.12.007 |
| [15] |
施红霞, 王澄海. 21世纪北半球中高纬度净初级生产力(NPP)变化及其与气候因子之间的关系[J]. 冰川冻土, 2015, 37(2): 327-335. Shi H X, Wang C H. Change of NPP at the mid-high latitude of Northern Hemisphere in the 21st century and its relation with climate factors[J]. Journal of Glaciology and Geocryology, 2015, 37(2): 327-335. |
| [16] |
贾路, 于坤霞, 邓铭江, 等. 黑河流域年NPP时空变化及其对气候因子的响应[J]. 应用基础与工程科学学报, 2023, 31(3): 523-540. Jia L, Yu K X, Deng M J, et al. Spatio-temporal changes of annual NPP in the Heihe River Basin and its response to climate factors[J]. Journal of Basic Science and Engineering, 2023, 31(3): 523-540. |
| [17] |
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. |
| [18] | Ge W Y, Deng L Q, Wang F, et al. Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016[J]. Science of the Total Environment, 2021, 773. DOI:10.1016/j.scitotenv.2021.145648 |
| [19] | Omer A, Zhuguo M, Yuan X, et al. A hydrological perspective on drought risk-assessment in the Yellow River Basin under future anthropogenic activities[J]. Journal of Environmental Management, 2021, 289. DOI:10.1016/j.jenvman.2021.112429 |
| [20] |
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. |
| [21] | Jiang W G, Yuan L H, Wang W J, et al. Spatio-temporal analysis of vegetation variation in the Yellow River Basin[J]. Ecological Indicators, 2015, 51: 117-126. DOI:10.1016/j.ecolind.2014.07.031 |
| [22] |
姜珊, 王建华, 刘合, 等. 黄河上中游地区水-粮食-能源协同发展战略研究[J]. 中国工程科学, 2023, 25(4): 180-190. Jiang S, Wang J H, Liu H, et al. Coordinated development of water, food, and energy in upper and middle reaches of the Yellow River[J]. Strategic Study of CAE, 2023, 25(4): 180-190. |
| [23] | 戴英生. 黄河流域地质构造的基本特征[J]. 人民黄河, 1984(3): 20-26. |
| [24] |
陈磊. 黄河流域水资源对气候变化的响应研究[D]. 西安: 西安理工大学, 2017. Chen L. Responses of water resources to the climate change in the Yellow River Basin[D]. Xi'an: Xi'an University of Technology, 2017. |
| [25] |
王玉纯, 赵军, 付杰文, 等. 石羊河流域水源涵养功能定量评估及空间差异[J]. 生态学报, 2018, 38(13): 4637-4648. Wang Y C, Zhao J, Fu J W, et al. Quantitative assessment of water conservation function and spatial pattern in Shiyang River Basin[J]. Acta Ecologica Sinica, 2018, 38(13): 4637-4648. |
| [26] |
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. |
| [27] |
张良侠, 岳笑, 周德成, 等. 气候变化和人类活动对我国典型草原区植被恢复的影响[J]. 环境科学, 2023, 44(5): 2694-2703. Zhang L X, Yue X, Zhou D C, et al. lmpacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [28] |
倪宁淇, 谢佳鑫, 刘小莽, 等. 基于径流对气候变化敏感性指标的多源数据质量评估[J]. 地理学报, 2022, 77(9): 2280-2291. Ni N Q, Xie J X, Liu X M, et al. Multi-source data quality assessment based on the index of runoff sensitivity to climate change[J]. Acta Geographica Sinica, 2022, 77(9): 2280-2291. |
| [29] |
于延胜, 陈兴伟. 基于Mann-Kendall法的水文序列趋势成分比重研究[J]. 自然资源学报, 2011, 26(9): 1585-1591. Yu Y S, Chen X W. Study on the percentage of trend component in a hydrological time series based on Mann-Kendall method[J]. Journal of Natural Resources, 2011, 26(9): 1585-1591. |
| [30] | Hurst H E. Long-term storage capacity of reservoirs[J]. Transactions of the American society of civil engineers, 1951, 116(1): 770-799. DOI:10.1061/TACEAT.0006518 |
| [31] | Jiang L L, Bao A M, Jiapaer G, et al. Monitoring land degradation and assessing its drivers to support sustainable development goal 15.3 in central Asia[J]. Science of the Total Environment, 2022, 807. DOI:10.1016/j.scitotenv.2021.150868 |
| [32] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [33] |
赵艳艳, 张晓平, 陈明星, 等. 中国城市空气质量的区域差异及归因分析[J]. 地理学报, 2021, 76(11): 2814-2829. Zhao Y Y, Zhang X P, Chen M X, et al. Regional variation of urban air quality in China and its dominant factors[J]. Acta Geographica Sinica, 2021, 76(11): 2814-2829. DOI:10.11821/dlxb202111015 |
| [34] | Xia H, Yuan S F, Prishchepov A V. Spatial-temporal heterogeneity of ecosystem service interactions and their social-ecological drivers: implications for spatial planning and management[J]. Resources, Conservation and Recycling, 2023, 189. DOI:10.1016/j.resconrec.2022.106767 |
| [35] | Xu G C, Zhang J X, Li P, et al. Vegetation restoration projects and their influence on runoff and sediment in China[J]. Ecological Indicators, 2018, 95: 233-241. DOI:10.1016/j.ecolind.2018.07.047 |
| [36] | Liu C X, Zhang X D, Wang T, et al. Detection of vegetation coverage changes in the Yellow River Basin from 2003 to 2020[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108818 |
| [37] | Li W, Jiang Z H, Zhang X B, et al. Additional risk in extreme precipitation in China from 1.5℃ to 2.0℃ global warming levels[J]. Science Bulletin, 2018, 63(4): 228-234. DOI:10.1016/j.scib.2017.12.021 |
| [38] | Gajewski K. Impact of Holocene climate variability on Arctic vegetation[J]. Global and Planetary Change, 2015, 133: 272-287. DOI:10.1016/j.gloplacha.2015.09.006 |
| [39] | Tian X J, Zhao G J, Mu X M, et al. Decoupling effects of driving factors on sediment yield in the Chinese Loess Plateau[J]. International Soil and Water Conservation Research, 2023, 11(1): 60-74. DOI:10.1016/j.iswcr.2022.05.007 |
| [40] |
夏冰, 马鹏宇, 徐聪, 等. 近20年黄河流域植被净初级生产力时空分布及其对极端天气变化的时空响应[J]. 水土保持研究, 2023, 30(2): 256-266, 284. Xia B, Ma P Y, Xu C, et al. Spatiotemporal variation of NPP and its response to extreme climate indices in Yellow River Basin in recent 20 years[J]. Research of Soil and Water Conservation, 2023, 30(2): 256-266, 284. |
| [41] |
曹云, 孙应龙, 陈紫璇, 等. 2000—2020年黄河流域植被生态质量变化及其对极端气候的响应[J]. 生态学报, 2022, 42(11): 4524-4535. Cao Y, Sun Y L, Chen Z X, et al. Dynamic changes of vegetation ecological quality in the Yellow River Basin and its response to extreme climate during 2000-2020[J]. Acta Ecologica Sinica, 2022, 42(11): 4524-4535. |
| [42] | Zhang K, Zhu C M, Ma X D, et al. Spatiotemporal variation characteristics and dynamic persistence analysis of carbon sources/sinks in the Yellow River Basin[J]. Remote Sensing, 2023, 15(2). DOI:10.3390/rs15020323 |
| [43] |
卢荡, 魏伟, 王继平, 等. 重要生态功能区干旱时空演变特征及对关键资源的影响: 以黄河流域为例[J]. 环境科学, 2024, 45(6): 3352-3362. Lu D, Wei W, Wang J P, et al. Spatio-temporal evolution of drought and its impact on key resources in the important ecological functional area: a case study in the Yellow River Basin[J]. Environmental Science, 2024, 45(6): 3352-3362. |
| [44] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [45] | Cao Y, Li H W, Liu Y L, et al. Regional contribution and attribution of the interannual variation of net primary production in the Yellow River Basin, China[J]. Remote Sensing, 2023, 15(21). DOI:10.3390/rs15215212 |