2025, Vol. 46
2. 河北农业大学国土资源学院, 保定 071001;
3. 河北农业大学渤海学院, 黄骅 061100
, LI Chen-yang2 , WANG Jing2 , LU Zhi-xue2 , HUANG Xue-han2 , WANG Min-li2 , WANG Wen-di2 , LI Ruo-xi2 , PANG Jiao3 , CHEN Ya-heng2
2. College of Land and Resources, Hebei Agricultural University, Baoding 071001, China;
3. Bohai College, Hebei Agricultural University, Huanghua 061100, China
全球气候变暖、温室气体排放和极地冰川融化等环境问题, 已成为全人类面临的共同挑战. 中国已将实现2030年二氧化碳排放高峰、2060年碳中和的“双碳”目标, 作为生态文明建设的重大战略决策之一[1, 2]. 植被作为陆地生态系统的重要组成部分, 在截留降雨、增加土壤入渗、减少水土流失以及指示全球气候变化和生态系统变化等方面具有重要作用[3 ~ 5]. 植被净初级生产力（NPP）是指绿色植物在单位面积和时间内, 通过光合作用积累的有机物总量, 再扣除自养呼吸后所剩余的部分. 它是陆地生态系统中的关键组成部分, 可反映植物群落在自然环境中的生产能力, 也是决定生态系统碳源和碳汇功能的关键因素[6 ~ 8]. 监测植被动态的变化, 对在全球气候变化背景下, 地区的自然生态、人文生态以及陆地生态系统和谐发展具有重要意义, 同时对合理布局生态工程和管理对策也具有实用的参考价值[9~11].
对NPP的探索始于18世纪. 法国科学家埃伯梅耶首次对森林生产力进行评估, 为现在理解NPP奠定基础[12]. 19世纪初, 布丰率先测量了各种植物的高度和冠层厚度, 试图量化植物生产力. 先前, NPP的测量方法相对传统[13], 主要采用线性回归、标准差分析等方法[14], 从区域尺度逐步细化到像素级来研究、解析NPP的变化情况[15 ~ 17], 但无法剖析植被空间属性及局部异常状况. 近年来, 国内外学者以地质统计学为基础[18, 19], 研究主要集中于NPP的时空动态[20, 21]和影响因素[22], 探讨高、低NPP值的分布、变化趋势和振幅增加区域[23]. 目前, 国内外学者对植被NPP的变化及驱动因子进行了大量研究, 植被是生态系统中对气候变化和人类活动干扰响应的敏感指标[24, 25]. 气候系统为植被生长发育提供必要的环境条件, 而人类活动影响植被环境的生态系统[26~28]. 因此, 定量分析气候变化和人类活动对植被变化的影响尤为重要, 特别是与气候、地形、人类活动等多重因素有关时[29]. 适宜的温度和降水有助于植物生长, 提高光合作用[30]. 但当温度或降雨超过植被的适应限度时, 陆地生态系统的光合强度将显著降低, 从而直接限制植被的生长发育[31, 32]. 人类活动也是影响植被的关键因素, 城市化和土地利用结构的变化, 同样是影响植被空间格局变化的重要驱动力[33, 34]. 太行山区人口压力巨大, 生态系统极端脆弱, 气候环境的改变与人类的影响对其生态修护也有着极其重要的影响[35].
但在目前的研究过程中, 多数文章采用卡内基-艾姆斯-斯坦福方法（CASA）, 进行全球和区域尺度的NPP估算研究[36~38]. 但这种计算方法较为复杂, 人工操作步骤多, 效率较低. 相比之下, GEE（Google earth engine）作为一个遥感大数据云计算平台, 拥有大量的全球地球科学数据[39]. 凭借其强大的计算能力、丰富的数据资源、易用的编程接口、高度可定制的分析功能、跨平台兼容性、强大的协作功能和持续的技术更新等优点, GEE已成为地理空间数据处理和分析领域的热门工具. 其强大的计算能力和效率, 可以显著降低所需处理的离线数据量, 为长时间序列、大范围的遥感数据处理等工作任务提供有效支持. 目前, GEE云平台被广泛应用于科研工作, 如全球水分和植被动态变化追踪、作物产量估算和全球森林变化等[40 ~ 42]. 相比于ENVI等传统工具, GEE可以高效批量处理影像, 已成为地球科学领域有力的研究工具.
太行山-燕山作为华北地区重要山脉, 植被资源丰富, 是京津冀重要的生态屏障区. 现有研究中, 部分学者对太行山-燕山山区的植被NPP时空分布规律进行了探索, 但对其时空演替模型并不清晰, 尤其是对驱动因子缺乏系统性研究, 亟需补充人类活动的定量驱动机制分析. 因此, 本文以太行山-燕山地区为研究区, 依托GEE云平台, 集成多种变化分析及归因分析算法, 通过分析2003~2021年间太行山燕-山地区植被NPP的时空演替规律以及气候因子与人类活动的定量驱动影响, 以期为该地区植被动态监测和生态环境保护政策制定提供有力的数据支持.
1 材料与方法 1.1 研究区概况研究区涉及两大山脉（图 1）, 太行山脉位于山西省与华北平原之间：34°35'~40°19'N、110°15'~116°27'E, 绵延约400 km, 总面积12.7万km2, 整体地势东陡西缓, 相对高差达1 500~2 000 m. 属暖温带半湿润大陆性季风气候, 年均温度在10℃左右, 年降水量500 mm左右. 燕山山脉位于39°40'~42°10'N, 115°45'~119°50'E, 总体海拔600~1 500 m, 山势陡峭, 西北高, 东南低. 处于暖温带大陆性季风气候区, 年均温度6~10℃, 水系发达, 河流广布.
|
图 1 太行山-燕山地区DEM、土地利用类型和植被覆盖类型 Fig. 1 DEM, land use type, and vegetation cover type of Taihangshan-Yanshan Region |
GEE云平台中获取的NPP数值来源于MODIS传感器MOD17A3HGF v061数据集, 为验证其精度, 将其与来源于王晓峰等共享数据集[43]的传统CASA计算模型的NPP数据进行验证. 如图 2所示, 结果证明本NPP数据具备较高的可靠性.
|
图 2 研究区MODIS NPP产品与CASA模型计算的NPP结果对比 Fig. 2 Comparison of MODIS NPP products and NPP results calculated by the CASA model for the study area |
气温和降水数据来源于国家地球系统科学数据中心（http://www.geodata.cn）, 是据CRU发布全球0.5°气候数据以及WorldClim发布的全球高分辨率气候数据, 通过Delta空间降尺度方案在中国地区降尺度生成. 时间跨度1901~2021年, 空间分辨率为0.008 333 3°（约1 km）. 其中气温单位为0.1℃, 降水量单位为0.1 mm. 数据下载后在ArcGIS中通过“创建NetCDF栅格图层”、“创建栅格图层工具”, 导出每月的数据后, 进行年均气温、年累计降水量计算. 数据初步处理后, 再按照研究区进行掩膜、重采样等处理方法得到最终数据.
1.3 研究方法 1.3.1 Theil-Sen Median趋势分析作为一种非参数检验, Mann-Kendall检验是一种广泛使用的趋势检验方法. 它不要求数据遵循一定的分布, 不受极端值和异常值的影响. 对于样本量为n = 19的NPP时间序列, Z统计量由S统计量转化而来, 用于检验趋势的显著性, 计算见公式（1）~（4）[44].
|
(1) |
|
(2) |
|
(3) |
|
(4) |
式中, Var为方差；sgn为符号函数；NPPj和NPPi分别为第j年和第i年的净生产能力值；Z和S为检验统计量. 曼恩和肯德尔证明, 当n≥8时, 统计量S大致服从正态分布, Z为S的标准正态分布检验统计量. 本研究将Theil-Sen中值趋势分析和Mann-Kendall检验相结合, 以检测植被覆盖度的变化趋势并检验其显著性.
1.3.2 变异系数本研究利用变异系数（CV）对太行山-燕山地区NPP稳定性进行分析[45]. 计算见公式（5）：
|
(5) |
式中, CV为NPP的变异系数；NPPi为第i年的NPP值；NPP为19 a间NPP的均值, n为相应的研究年数. 其中, 变异系数越小, 说明其稳定性越强；反之则说明稳定性越弱.
1.3.3 Hurst指数为分析研究区内NPP变化的持续性, 采用重标极差法（R/S）来计算Hurst指数（H）[46]. 0.5 < H < 1表明时间序列是一个可持续序列, H越接近1, 持续性变化越强. H=0.5则说明NPP时间序列为随机序列, 不具备时间相关性, 0 < H < 0.5则表明未来变化趋势与现在有相反的趋势, H越接近0, 反持续性变化越强. 其计算方法如下：
设存在时间序列{ξ（t）}, t=1, 2, 3, …, 并由此得到累计离差x(t，τ), 根据定义计算出极差R(τ)与标准差S(τ)；R、S和τ存在以下关系：
|
(6) |
通过公式（7）用最小二乘法即可得出Hurst指数的估算值.
|
(7) |
式中, 
本文运用偏相关分析法剔除其他气候因子的影响, 探索植被生长与单一气候因子间的联系[47]. 计算见公式（8）：
|
(8) |
式中, x、y和z分别为NPP、气温和降水量；Rxy，z为在降水量不变的情况下, NPP与气温的偏相关系数. 其取值范围为[-1, 1], Rxy，z > 0表明两个变量呈正相关, Rxy，z < 0表明两个变量呈负相关, Rxy，z=0表明两个变量不存在线性相关性. Rxy为NPP与气温的线性相关系数, Rxz为NPP与降水量的线性相关系数；Ryz为气温与降水量的线性相关系数.
复相关分析法为研究几个要素与某一个要素的相关关系. 复相关分析综合考虑气温与降水等因子对目标的共同影响, 反映一个要素与多个要素之间的线性相关关系. 计算见公式（9）：
|
(9) |
式中, Rx，yz为NPP与气温、降水量的复相关系数, 其取值范围为[0, 1]. Rxy为NPP与气温的线性相关系数；Rxz，y为在气温不变的情况下, NPP与降水量的偏相关系数.
采用T检验的方法, 逐像素进行统计分析. 计算见公式（10）：
|
(10) |
查询T检验临界值表可知, 当Rxy，z > 0，T > 2.921时为极显著正相关；当Rxy，z > 0，T > 2.12时为显著正相关；当Rxy，z < 0，T > 2.921时为极显著负相关；当Rxy，z < 0，T > 2.12时为显著负相关；当Rxy，z > 0，T ≤ 2.12时为不显著正相关；当Rxy，z < 0，T ≤ 2.12为不显著负相关；当Rxy，z = 0时无相关关系.
此外, 为研究除气候因素外的其他因素对植被NPP的影响, 采用复相关分析法将气温与降水两因子结合起来, 综合考虑多因子的协同作用[48]. 计算见公式（11）：
|
(11) |
式中, Rx，yz为NPP与气温、降水量的复相关系数, 其取值范围为[0, 1]. Rxy为NPP与气温的线性相关系数；Rxz，y为在气温不变的情况下, NPP与降水量的偏相关系数.
基于像元尺度采用MATLAB 2022对NPP与气候因子的偏相关、复相关进行分析, 探讨NPP与气候因子的空间相关性. 采用F检验对复相关系数进行显著性研究.
|
(12) |
式中, n为样本数（时间序列为2003~2021年, 即n=19）；k为自变量个数. 为更好地研究气温、降水及其他因素对植被NPP变化的影响, 本文将T检验与F检验结果进行结合, 结果如表 1.
|
表 1 驱动分区规则1） Table 1 Drive partitioning rules |
1.3.5 残差分析
（1）残差分析趋势分析法 本文在MATLAB软件中建立实际NPP与气温、降水要素间的二元一次线性回归模型, 求出NPP预测值, 并利用其与实际NPP的差值来衡量人类活动导致的NPP增减幅度[49], 计算见公式（13）：
|
(13) |
式中, NPPA为实际NPP；NPPP为预测NPP；NPPH为残差, 即在人类活动影响下的NPP变动值. 若NPPH为正值, 人类活动对植被NPP变化呈正向影响；NPPH为负值, 人类活动对植被NPP变化呈负向影响；NPPH为零, 人类活动对植被NPP影响甚微.
对NPP与气温、降水之间进行回归分析, 回归方程为：
|
(14) |
式中, a和b分别为降水（pre）和温度（tem）的系数, c为常数项. 为辨析人类活动对植被NPP影响的趋势和方向, 本文通过进行Theil-Sen趋势分析, 得出KH、KA和KP, 即人类活动作用下的NPPH、实际NPPA和预测NPPP[50]的平均变化斜率, 若K < 0, 表明研究时期内呈现下降趋势, 反之呈现增加趋势. K绝对值大小反映其变化程度, 绝对值越大, 表示变化越强烈, 反之变化较小.
（2）植被变化因素情景分析 采用上述3种NPP斜率进行组合, 形成以下6种情景（表 2）, 以此定量分析太行山-燕山地区气候变化和人类活动对植被NPP变化的影响程度[51].
|
|
表 2 各种可能情景下气候变化和人类活动在NPP变化中的相对作用评价 Table 2 Assessment of the relative effects of human activities and climate factors in NPP change under different conditions |
2 结果与分析 2.1 研究区植被NPP时空格局演变规律 2.1.1 植被NPP随时间变化规律
由图 3可知, 研究区植被年均NPP（以C计, 下同）呈波动增加趋势（R2=0.258 3, P < 0.01）, 年增长率为2.57 g·（m2·a）-1, 变化范围为246.51~342.61 g·（m2·a）-1, 多年均值为291.01g·（m2·a）-1. 其中, 2009~2012年和2014~2018年植被NPP有两次明显持续增加阶段；植被NPP的年度最大值也在持续增加, 从最低的508.45 g·（m2·a）-1（2007年）增加到最高的789.64 g·（m2·a）-1（2021年）, 极差为281.19 g·（m2·a）-1.
|
图 3 2003~2021年太行山-燕山地区植被NPP的年拟合变化 Fig. 3 Annual fitted changes in vegetation NPP in Taihangshan-Yanshan Region from 2003 to 2021 |
由图 4可知, 19年间太行山-燕山地区植被NPP均值空间分布呈现太行山地区“四周低, 中间高”和燕山地区“北部高, 南部低”的特点, 空间差异性较大, 变化范围为0~583.923 g·（m2·a）-1, 均值为290.06 g·（m2·a）-1, 顺平县和蓟州区等地植被NPP较低, 而围场满族蒙古自治县和涿鹿县等地植被NPP较高. 以2003年、2012年和2021年为例, 2003年研究区植被NPP变化范围为0~518.793g ·（m2·a）-1, 均值为268.88 g·（m2·a）-1, 低值区主要包括曲阳县和房山区等地, 高值区主要在围场满族蒙古自治县和左权县等地. 2012年植被NPP有所增加, 变化范围为0~691.856 g·（m2·a）-1, 燕山北部隆化县和双桥区以及太行山西部平遥县和祁县等地增加明显. 2021年植被NPP持续增加, 变化范围为0~789.638 g·（m2·a）-1, 对比2012年, 崇礼区和赤城县增加明显, 但太行山西部部分地区植被NPP有所下降.
|
图 4 2003年、2012年和2021年太行山-燕山地区植被NPP分布以及多年均值空间分布 Fig. 4 Distribution of vegetation NPP and spatial distribution of multi-year averages in Taihangshan-Yanshan Region in 2003, 2012, and 2021 |
依据显著性结果将19 a间植被NPP变化状况分为7个等级, 由图 5（a）可知, NPP增加区域占总面积的81.54%, 其中极显著增加占19.06%, 显著增加占14.07%, 不显著增加占48.41%, 主要分布在燕山中部和东部、太行山中部和北部地区；NPP基本稳定区域占总面积的1.24%, 主要分布在蓟州区和绥中县等地；NPP减少区域占总面积的17.22%, 其中显著减少占0.71%, 极显著减少占0.55%, 不显著减少占15.96%, 主要分布在燕山东南部和太行山东南部地区. 总体上, 研究区内NPP增加区域远大于基本稳定和减少区域, 表明研究区植被在持续改善.
|
图 5 年植被NPP变化趋势显著性分区、NPP变异系数和NPP_Hurst指数 Fig. 5 Significance partitioning of annual vegetation NPP trends, NPP coefficient of variation, and NPP- Hurst index |
根据19年间研究区植被NPP的变异系数, 将其稳定性分为5个等级（表 3）. 如图 5（b）所示, 研究区内植被NPP大部分为中等及以下强度波动, 主要分布在研究区北部, 呈高波动和较高波动状态的NPP主要集中在研究区中南部边缘区域和研究区中部.
|
|
表 3 稳定程度统计 Table 3 Stability statistics |
将Hurst指数划分为4个等级（表 4）, 由图 5（c）可知, 空间分布规律表现为中间低、南北高, 低值区在研究区全域均有分布, 高值区集中分布在东北部的遵化市、迁安市和卢龙县等地. 其中H < 0.5的反持续性区域占84.62%, H > 0.5的正持续性区域占15.38%, 整个研究区多数NPP未来变化趋势与现在相反.
|
|
表 4 NPP变化未来可持续性统计H值 Table 4 NPP change future sustainability statistics H-value |
2.2 研究区植被NPP时空分异对气候因子的响应 2.2.1 植被NPP与气候因子的偏相关分析
太行山-燕山地区NPP与气温的偏相关系数介于-0.759~0.756之间. 呈正相关区域主要位于太行山北部和中部以及燕山西部, 约占研究区总面积的58.89%；负相关区域集中于太行山中部、南部及东部, 如行唐县和涉县等地. 如图 6（a）所示, 太行山南部偏相关性结果呈现正相关与负相关区域带状交错分布, 且负相关区域相对聚集的特点, 燕山区域南部怀柔区、兴隆县和抚宁县等地区聚集分布, 约占研究区总面积的41.11%. 由图 6（b）可知, 同时根据T检验表明, 太行山-燕山地区呈极显著和显著正相关的区域面积占0.97%, 呈不显著正相关的区域面积占57.91%. 呈极显著和显著负相关的区域面积占0.33%, 呈不显著负相关的区域面积占40.79%, 可知研究区19年间整体植被NPP与温度相关关系显著性不高. 太行山-燕山地区NPP与降水的偏相关系数介于-0.665~0.885之间, 均值为0.11；如图 6（c）所示, 研究区大部分地区呈正相关, 约占NPP总面积的93.21%；负相关区域集中位于太行山南部地区, 如永济市和芮城县等地, 约占NPP总面积的6.79%. 由图 6（d）可知, 同时根据T检验表明, 太行山-燕山地区呈极显著和显著正相关区域的面积占35.08%, 且集中分布于燕山南部平谷区和怀柔区等地并向四周扩散, 在太行山东北部延庆区-唐县一带呈线状分布；不显著正相关的区域面积占58.13%；呈极显著和显著负相关的区域面积占0.06%, 不显著负相关的区域面积占6.73%. 可得研究区19年间植被NPP与降水主要呈现正相关关系, 显著性较高.
|
图 6 NPP与温度的偏相关系数及T检验显著性、NPP与降水的偏相关系数及T检验显著性 Fig. 6 Coefficient of partial correlation between NPP and temperature and T-test significance, coefficient of partial correlation between NPP and precipitation, and T-test significance |
如图 7（a）, 太行山-燕山地区植被NPP与气候因子的复相关系数介于0.013~0.891之间, 复相关系数空间异质性明显, 复相关系数较大值出现在燕山南部平谷区和怀柔区等地, 向周围及太行山地区呈递减趋势. 在太行山西南部, 复相关系数较小值最为集中.
|
图 7 NPP年复相关系数及偏相关-复相关结合 Fig. 7 NPP annual compound correlation coefficients and partial correlation-complex correlation combination |
如图 7（b）, 结合表 1的分类标准, 将植被NPP与气象因子的相关关系显著性结果进行叠加, 发现研究区植被NPP变化受气象因子综合驱动占比为22.52%, 其中气温和降水强驱动的面积仅占6.17%, 主要分布于燕山南部怀柔区、密云区和太行山陵川县, 受其他因素驱动的面积占比为77.48%, 由此得出, 研究区植被NPP的时空变化的结果受气候条件的影响程度较小, 更多的是受其他因素的驱动, 尤其是太行山山脉地区表现更为突出, 因此下一节进行了人类活动的驱动机制探讨.
2.3 研究区植被NPP时空分异对人类活动的响应 2.3.1 人类活动影响下的植被NPP变化规律由图 8（a）可得出, 多年平均NPPH正负值空间分布全域较为平均, 其中正值在密云区、怀来县和潞城区等地区有小面积集中分布, 人类活动导致植被改善区域（即正值区域）占总面积的50.34%, 而致使植被退化区域（即负值区域）占49.66%, 说明人类活动对植被改善有积极作用, 同时仍然有一半左右地区存在人类活动导致的植被退化. 如图 8（b）所示, 为进一步分析NPPH变化规律, 将NPPH的变化趋势KH与其多年均值进行叠加分析, 将结果分为：++、+-、-+和--, ++为人类活动促进植被恢复作用在增强, 占总面积39.12%, 研究区全域分布较为均匀, 其中太行山地区东南部及燕山地区东部和南部分布较少；+-为人类活动导致植被退化作用在减弱, 分布范围最广, 占总面积38.60%, 集中分布在太行山地区西侧及燕山地区西部和北部；-+为人类活动促进植被改善作用减弱, 分布范围最小, 占总面积11.22%, 集中分布在太行山地区东南部及燕山地区东南部, 如迁安市、滦州市、卢龙县、海港区、峰峰矿区、卫辉市、淇县和孟津区等地, 太行山北部东侧与南部西侧边缘区域有少量分布, 如门头沟区、房山区、满城区和盐湖区等地；--为人类活动导致植被退化作用增强, 占总面积11.06%, 零散分布于研究区域, 在济源市、城区、安阳县、潞州区、襄都区、平山县、怀来县、密云区和蓟州区等地有小面积聚集分布, 缓中县、海港区和抚宁区东南侧部分呈带状分布, 与-+的分布特征基本一致. 除太行山及燕山东南部少部分地区外, 研究区大部分地区人类活动对植被NPP的改善作用在增强, 退化作用在减弱, 19年间人类活动使研究区全域78.55%的植被向改善的方向发展, 有效地促进了当地的环境改善和植被恢复.
|
图 8 2003~2021年年均NPP的空间分布及人为活动对NPP影响的方向与趋势 Fig. 8 Spatial distribution of annual average NPP and direction and trend of anthropogenic impacts on NPP from 2003~ 2021 |
根据表 2中KA的正负值将整个太行山-燕山研究区分为NPP改善区和退化区, 植被改善区占比为82.83%, 退化区占比为17.17%. 如图 9（a）和10（a）, 可见研究区19年间植被NPP以改善为主, 其中受气候和人为因素共同影响的面积占比最大（约77.99%）, 主要分布在太行山地区北部和中部西侧以及燕山地区西部和中部, 太行山南部西侧与燕山东部北侧有少量分布, 两者分别单独起作用的面积占8.38%和13.23%, 如图 9（b）所示. 据表 2, 得到气候变化和人类活动在植被改善区的相对作用, 其中气候变化主导驱动的植被NPP占改善区的24.18%, 主要分布在太行山东北部及燕山南部；人类活动主导驱动的植被NPP占改善区的75.42%, 整个太行山-燕山地区大范围分布, 主要聚集区在太行山地区行唐县和曲阳县以及燕山地区崇礼区和怀安县西北部等地, 如图 9（c）和9（d）所示. 表明相对于气候变化, 人类活动对植被改善起到主要作用.
|
图 9 2003~2021年在植被改善过程中的空间分布以及气候变化、人类活动两者在改善区的共同作用和分别相对贡献率 Fig. 9 Spatial distribution of vegetation improvement and the combined effects of climate change and human activities and their relative contributions in the improved areas from 2003 to 2021 |
|
图 10 2003~2021年在植被退化过程中的空间分布以及气候变化、人类活动两者在退化区的共同作用和分别相对贡献率 Fig. 10 Spatial distribution of vegetation degradation and the combined contribution of climate change and human activities in degraded areas and the relative contribution of each from 2003 to 2021 |
由图 10（a）显示, 在植被退化区, 气候变化与人类活动共同影响的空间面积占44.20%. 由图 10（b）可知, 两者单独起作用的面积分别占9.55%和43.18%, 受气候变化单独作用的区域集中于太行山地区南部西侧与东侧, 受人类活动单独作用的区域集中于燕山地区东部南侧. 据表 2可得到气候变化和人类活动在退化区所起的相对作用. 气候变化主导驱动的植被NPP占退化区16.47%, 主要分布在太行山东南部；人类活动主导驱动的植被NPP占退化区80.42%, 分布区域和气候变化主导区域类似, 如图 10（c）和10（d）所示. 表明气候变化与人类活动影响对植被退化的作用相接近, 人类活动影响略大. 人类活动在太行山-燕山地区西北改善区和东南退化区中分别发挥着关键作用, 气候变化主导少部分植被改善和退化, 综合说明人类活动是主导太行山-燕山地区植被NPP变化的主要因素.
3 讨论 3.1 NPP时空格局演变分析在过去的19 a间, 我国太行山-燕山地区的植被动态经历了显著的变化. 2003~2021年之间植被NPP整体呈现波动上升的趋势, 可分为两个阶段性的快速增长期：首次出现在2009~2012年, 第二次则在2014~2018年, 这两次增长对太行山-燕山地区的植被动态产生了深远影响. NPP的增长揭示了研究区生态环境正在经历着明显改善[52]. 增加的区域主要分布于太行的山西北部和燕山中西部地区以及山西省境内, 可能受益于这些区域独特的气候、地形条件以及人类生态工程的积极作用. 然而, 在NPP降低的区域, 海拔都相对较低, 这些区域受到人为活动的干扰较多, 使得NPP呈现减少趋势[53], 这强调了人为活动对生态环境的影响, 社会和政府应给予持续重视和关注. 通过显著性分析, 19 a间的研究区内NPP增加的区域面积约为减少区域面积的4倍, 这表明该区域植被生长状况持续改善, 对我国的生态环境保护与治理具有深远的影响和积极的意义. 这一成果的取得与当地强化生态环境的监测、保护以及对生态环境变化进行及时预防和决策密切相关, 同时与Boumans等[54]的研究结论相一致, 进一步印证了太行山-燕山地区生态环境的稳步改善.
3.2 NPP对气候因子的响应分析植被是陆地生态系统重要的组成部分, 对气候变化的响应尤为显著, 气候变化会对植被NPP产生重要的影响[55]. 19 a间研究区年均NPP与气温（57.91%）和累计降水量（58.13%）的偏相关性呈正相关, 这一结果与刘海新等[56]对京津冀植被NPP时空演变及驱动因素探究的研究结果一致. 太行山-燕山地区NPP与气温呈现正相关的区域主要分布于太行山区域的北部和中部以及燕山区域的西部, 负相关区域集中于太行山中部、南部及东部, 如行唐县和涉县等地. 这一研究结果与李晓荣等[57]研究的结果不一致, 综合考虑为研究年份的不同. 19 a间研究区内植被NPP与降水主要呈显著正相关性, 显著正相关区域占比也相对较高. 太行山-燕山地区植被NPP与气候因子的复相关系数介于0.013~0.891, 反映了气候变化对植被生长的正向作用. 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[58]. 在空间尺度上降水量的增加会促进植被的生长. 但降水水平的过度激增会引起土壤侵蚀, 损害植被的完整性. 此外, 雨天的增加削弱了植被的光合作用, 所以最终在一些地区表现出负相关[49]. 复相关分析表明, 除气候因素外, 其他因素影响对植被NPP的变化趋势影响较大. 气候变化是植被动态的主要驱动因素之一, 随着全球气候变暖, 土地资源不当利用, 植被正在发生巨大变化[59~63]. 因此应量化气候变化对植被的影响, 贯彻新发展理念, 将应对气候变化摆在更加突出的位置.
3.3 人类活动对NPP的影响分析本文利用残差分析方法, 结果表明人类活动改善植被的同时也有部分地区植被由人类活动导致退化, 但整体来看, 人类活动有效地促进了植被恢复和环境的改善. 植被NPP的时空变化特征和驱动因素与国家的生态保护、修复和治理的政策有关[1]. 目前, 许多生态修复项目已在各地展开, 例如保护区计划和退耕还林工程[64, 65], 我国颁布退耕还林、还草、植被保护政策, 政府采取封山禁牧、人工种植草地和农村人口转移等政策, 显著促进了研究区的植被恢复[2]. 将NPPH的变化趋势与其均值进行叠加分析, 19 a间人类活动对植被恢复的影响最大, 改善面积高达78.55%, 这与Ma等[66]研究的结果一致. 2003~2021年太行山-燕山地区植被NPP改善区与退化区比例约为83∶7, 整体呈现恢复趋势. 残差结果归因分析表明, 人类活动是主导植被NPP变化的主要因素, 这与Yang等[35]研究的结果一致. 植被生态系统的变化主要是气候变化和人为活动的结果[67, 68], 不仅限于气候变化和人为活动对植被NPP具有影响, 土壤含水量和大气CO2浓度对于植被NPP也具有重要作用[69 ~ 71]. 土壤含水量空间分布具有不确定性, 因而土壤含水量对于植被NPP的影响值得深入探究[72]. 同时还可以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[73].
4 结论（1）2003~2021年太行山-燕山地区植被NPP（以C计）整体以2.57 g·（m2·a）-1的速率波动增加, 比其研究中全国植被NPP增长速率高1.15 g·（m2·a）-1. 变化范围为246.51~342.61 g·（m2·a）-1, 多年均值为291.01 g·（m2·a）-1.
（2）植被NPP多年均值呈现出太行山“四周低, 中间高”和燕山“北部高, 南部低”的分布特征, 总体上, 研究区内NPP增加区域远大于稳定和减少区域, 19 a间研究区整体处于植被恢复的状态.
（3）研究区植被NPP动态变化受降水的影响要比温度的高, 90%以上的区域与降水呈正相关, 山地丘陵区与气温呈正相关, 余下的平原区呈负相关, 但显著性均不强, 大部分区域主要受气象因素之外的原因影响.
（4）人类活动主导了研究区内植被的改善与退化, 并且气候变化与人类活动的耦合作用的影响大于两者的单独影响, 19 a间人类活动促进植被恢复的作用在不断增强.
| [1] |
肖晶, 饶良懿. 2001~2020年乌梁素海流域植被NPP时空变化及驱动因素分析[J]. 环境科学, 2024, 45(8): 4744-4755. Xiao J, Rao L Y. Spatiotemporal variation characteristics and driving factors of vegetation NPP in the Ulansuhai Nur Basin from 2001 to 2020[J]. Environmental Science, 2024, 45(8): 4744-4755. |
| [2] | Li H W, Ding J H, Zhang J, et al. Effects of Land cover changes on net primary productivity in the terrestrial Ecosystems of China from 2001 to 2012[J]. Land, 2020, 9(12). DOI:10.3390/land9120480 |
| [3] | Salim H A, Chen X L, Gong J Y. Analysis of Sudan vegetation dynamics using NOAA-AVHRR NDVI data from 1982-1993[J]. Asian Journal of Earth Sciences, 2010, 1(1): 1-15. |
| [4] |
黄豪奔, 徐海量, 林涛, 等. 2001-2020年新疆阿勒泰地区归一化植被指数时空变化特征及其对气候变化的响应[J]. 生态学报, 2022, 42(7): 2798-2809. Huang H B, Xu H L, Lin T, et al. Spatio-temporal variation characteristics of NDVI and its response to climate change in the Altay region of Xinjiang from 2001 to 2020[J]. Acta Ecologica Sinica, 2022, 42(7): 2798-2809. |
| [5] |
张宝庆, 吴普特, 赵西宁. 近30a黄土高原植被覆盖时空演变监测与分析[J]. 农业工程学报, 2011, 27(4): 287-293. Zhang B Q, Wu P T, Zhao X N. Detecting and analysis of spatial and temporal variation of vegetation cover in the Loess Plateau during 1982-2009[J]. Transactions of the CSAE, 2011, 27(4): 287-293. DOI:10.3969/j.issn.1002-6819.2011.04.051 |
| [6] | Seo H, Kim Y. Interactive impacts of fire and vegetation dynamics on global carbon and water budget using Community Land Model version 4.5[J]. Geoscientific Model Development, 2019, 12(1): 457-472. DOI:10.5194/gmd-12-457-2019 |
| [7] | Wei X D, Yang J, Luo P P, et al. Assessment of the variation and influencing factors of vegetation NPP and carbon sink capacity under different natural conditions[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108834 |
| [8] |
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. Impacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [9] | Chen B X, Zhang X Z, Tao J, et al. The impact of climate change and anthropogenic activities on alpine grassland over the Qinghai-Tibet Plateau[J]. Agricultural and Forest Meteorology, 2014, 189-190: 11-18. DOI:10.1016/j.agrformet.2014.01.002 |
| [10] | Forzieri G, Miralles D G, Ciais P, et al. Increased control of vegetation on global terrestrial energy fluxes[J]. Nature Climate Change, 2020, 10(4): 356-362. DOI:10.1038/s41558-020-0717-0 |
| [11] |
刘凤, 曾永年. 近16年青海高原植被NPP时空格局变化及气候与人为因素的影响[J]. 生态学报, 2019, 39(5): 1528-1540. Liu F, Zeng Y N. Spatial-temporal change in vegetation Net Primary Productivity and its response to climate and human activities in Qinghai Plateau in the past 16 years[J]. Acta Ecologica Sinica, 2019, 39(5): 1528-1540. |
| [12] |
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. |
| [13] | 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 |
| [14] | Li S Y, Wang X M, Chang Y, et al. Spatial analysis on the fluctuation of regional NPP in the typical steppe, in China[J]. Advanced Materials Research, 2012, 518-523: 5126-5129. DOI:10.4028/www.scientific.net/AMR.518-523.5126 |
| [15] | Mao D H, Wang Z M, Wu B F, et al. Land degradation and restoration in the arid and semiarid zones of China: quantified evidence and implications from satellites[J]. Land Degradation & Development, 2018, 29(11): 3841-3851. |
| [16] | Li W, Li C C, Liu X F, et al. Analysis of spatial-temporal variation in NPP based on hydrothermal conditions in the Lancang-Mekong River Basin from 2000 to 2014[J]. Environmental Monitoring and Assessment, 2018, 190(6): 321. DOI:10.1007/s10661-018-6690-7 |
| [17] | Gang C, Zhou W, Wang Z, et al. Comparative assessment of grassland NPP dynamics in response to climate change in China, North America, Europe and Australia from 1981 to 2010[J]. Journal of Agronomy and Crop Science, 2015, 201(1): 57-68. DOI:10.1111/jac.12088 |
| [18] | Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x |
| [19] | Ord J K, Getis A. Local spatial autocorrelation statistics: distributional issues and an application[J]. Geographical Analysis, 1995, 27(4): 286-306. DOI:10.1111/j.1538-4632.1995.tb00912.x |
| [20] | Fang P, Yan N N, Wei P P, et al. Aboveground biomass mapping of crops supported by improved CASA model and Sentinel-2 multispectral imagery[J]. Remote Sensing, 2021, 13(14). DOI:10.3390/rs13142755 |
| [21] | 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 |
| [22] | Zhu Y H, Luo P P, Zhang S, et al. Spatiotemporal analysis of hydrological variations and their impacts on vegetation in semiarid areas from multiple satellite data[J]. Remote Sensing, 2020, 12(24). DOI:10.3390/rs12244177 |
| [23] | Rehman A, Ma H Y, Ahmad M, et al. Towards environmental sustainability: devolving the influence of carbon dioxide emission to population growth, climate change, Forestry, livestock and crops production in Pakistan[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107460 |
| [24] | Derakhshannia M, Dalvand S, Asakereh B, et al. Corrosion and deposition in Karoon River, Iran, based on hydrometric stations[J]. International Journal of Hydrology Science and Technology, 2020, 10(4): 334-345. DOI:10.1504/IJHST.2020.108264 |
| [25] | Zhang Z X, Chang J, Xu C Y, et al. The response of lake area and vegetation cover variations to climate change over the Qinghai-Tibetan Plateau during the past 30 years[J]. Science of the Total Environment, 2018, 635: 443-451. DOI:10.1016/j.scitotenv.2018.04.113 |
| [26] | Yang H F, Mu S J, Li J L. Effects of ecological restoration projects on land use and land cover change and its influences on territorial NPP in Xinjiang, China[J]. CATENA, 2014, 115: 85-95. DOI:10.1016/j.catena.2013.11.020 |
| [27] | Wu X, Li Z S, Fu B J, et al. Restoration of ecosystem carbon and nitrogen storage and microbial biomass after grazing exclusion in semi-arid grasslands of Inner Mongolia[J]. Ecological Engineering, 2014, 73: 395-403. DOI:10.1016/j.ecoleng.2014.09.077 |
| [28] | Weiss J L, Gutzler D S, Coonrod J E A, et al. Seasonal and inter-annual relationships between vegetation and climate in central New Mexico, USA[J]. Journal of Arid Environments, 2004, 57(4): 507-534. DOI:10.1016/S0140-1963(03)00113-7 |
| [29] | Zhang M, Yuan N Q, Lin H, et al. Quantitative estimation of the factors impacting spatiotemporal variation in NPP in the Dongting Lake wetlands using Landsat time series data for the last two decades[J]. Ecological Indicators, 2022, 135. DOI:10.1016/j.ecolind.2022.108544 |
| [30] | Ma B X, Jing J L, Liu B, et al. Spatiotemporal variation of net primary productivity influenced by climatic variables in the karst area of China[J]. Geocarto International, 2022, 38(1): 1-20. |
| [31] | He Y L, Yan W B, Cai Y, et al. How does the net primary productivity respond to the extreme climate under elevation constraints in mountainous areas of Yunnan, China?[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108817 |
| [32] | Piao S L, Liu Q, Chen A P, et al. Plant phenology and global climate change: Current progresses and challenges[J]. Global Change Biology, 2019, 25(6): 1922-1940. DOI:10.1111/gcb.14619 |
| [33] | Luo L H, Ma W, Zhuang Y L, et al. The impacts of climate change and human activities on alpine vegetation and permafrost in the Qinghai-Tibet Engineering Corridor[J]. Ecological Indicators, 2018, 93: 24-35. DOI:10.1016/j.ecolind.2018.04.067 |
| [34] | Wang J, Wang K L, Zhang M Y, et al. Impacts of climate change and human activities on vegetation cover in hilly southern China[J]. Ecological Engineering, 2015, 81: 451-461. DOI:10.1016/j.ecoleng.2015.04.022 |
| [35] | Yang H F, Yao L, Wang Y B, et al. Relative contribution of climate change and human activities to vegetation degradation and restoration in North Xinjiang, China[J]. The Rangeland Journal, 2017, 39(3): 289-302. DOI:10.1071/RJ16069 |
| [36] | Yan Y C, Wu C J, Wen Y Y. Determining the impacts of climate change and urban expansion on net primary productivity using the spatio-temporal fusion of remote sensing data[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107737 |
| [37] | Chen S L, Jiang H, Chen Y, et al. Spatial-temporal patterns of net primary production in Anji (China) between 1984 and 2014[J]. Ecological Indicators, 2020, 110. DOI:10.1016/j.ecolind.2019.105954 |
| [38] | Seixas J, Carvalhais N, Nunes C, et al. Comparative analysis of MODIS-FAPAR and MERIS-MGVI datasets: potential impacts on ecosystem modeling[J]. Remote Sensing of Environment, 2009, 113(12): 2547-2559. DOI:10.1016/j.rse.2009.07.018 |
| [39] | 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 |
| [40] | Huang H B, Chen Y L, Clinton N, et al. Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine[J]. Remote Sensing of Environment, 2017, 202: 166-176. DOI:10.1016/j.rse.2017.02.021 |
| [41] | Dong J W, Xiao X M, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154. DOI:10.1016/j.rse.2016.02.016 |
| [42] | Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418-422. DOI:10.1038/nature20584 |
| [43] | 王晓峰, 王怡, 尹礼唱. 中国国家生态屏障区1-km分辨率植被净初级生产力数据集(2000–2015)[J]. 全球变化数据仓储电子杂志, 2020. DOI:10.3974/geodb.2020.03.10.V1 |
| [44] |
宋颖, 高明秀, 王卓然, 等. 环渤海山东区耕地NPP时空变化特征及其驱动因子探测[J]. 环境科学, 2024, 45(8): 4733-4743. Song Y, Gao M X, Wang Z R, et al. Spatiotemporal variation characteristics and driving factors of cultivated land NPP in the Shandong area around the Bohai Sea[J]. Environmental Science, 2024, 45(8): 4733-4743. |
| [45] | Wang Z P, Zhang E S, Chen G J. Spatiotemporal variation and influencing factors of grain yield in major grain-producing counties: a comparative study of two provinces from China[J]. Land, 2023, 12(9). DOI:10.3390/land12091810 |
| [46] |
江田汉, 邓莲堂. Hurst指数估计中存在的若干问题——以在气候变化研究中的应用为例[J]. 地理科学, 2004, 24(2): 177-182. Jiang T H, Deng L T. Some problems in estimating a Hurst exponent——a case study of applicatings to climatic change[J]. Scientia Geographica Sinica, 2004, 24(2): 177-182. DOI:10.3969/j.issn.1000-0690.2004.02.008 |
| [47] |
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. |
| [48] |
徐勇, 李欣怡, 黄雯婷, 等. 2000~2020年中国典型经济区PM2.5时空变化及其与植被景观格局的关系[J]. 环境科学, 2023, 44(4): 1852-1864. Xu Y, Li X Y, Huang W T, et al. Spatio-temporal variation in PM2.5 concentration and its relationship with vegetation landscape patterns in typical economic zones in China from 2000 to 2020[J]. Environmental Science, 2023, 44(4): 1852-1864. |
| [49] | Hao X P, Wang X L, Ma J Q, et al. Spatiotemporal characteristic prediction and driving factor analysis of vegetation net primary productivity in central China covering the period of 2001-2019[J]. Land, 2023, 12(12). DOI:10.3390/land12122121 |
| [50] |
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. |
| [51] |
周妍妍, 朱敏翔, 郭晓娟, 等. 疏勒河流域气候变化和人类活动对植被NPP的相对影响评价[J]. 生态学报, 2019, 39(14): 5127-5137. Zhou Y Y, Zhu M X, Guo X J, et al. Relative effects of climate change and human activities on net primary productivity in Shule River Basin[J]. Acta Ecologica Sinica, 2019, 39(14): 5127-5137. |
| [52] |
张仁平, 郭靖, 张云玲. 新疆草地净初级生产力(NPP)空间分布格局及其对气候变化的响应[J]. 生态学报, 2020, 40(15): 5318-5326. Zhang R P, Guo J, Zhang Y L. Spatial distribution pattern of NPP of Xinjiang grassland and its response to climatic changes[J]. Acta Ecologica Sinica, 2020, 40(15): 5318-5326. |
| [53] |
李传华, 赵军, 师银芳, 等. 基于变异系数的植被NPP人为影响定量研究——以石羊河流域为例[J]. 生态学报, 2016, 36(13): 4034-4044. Li C H, Zhao J, Shi Y F, et al. The impact of human activities on net primary productivity based on the coefficient of variation: A case study of the Shiyang River Basin[J]. Acta Ecologica Sinica, 2016, 36(13): 4034-4044. |
| [54] | Boumans R, Roman J, Altman I, et al. The multiscale integrated model of ecosystem services (MIMES): simulating the interactions of coupled human and natural systems[J]. Ecosystem Services, 2015, 12: 30-41. DOI:10.1016/j.ecoser.2015.01.004 |
| [55] |
任丽雯, 王兴涛, 刘明春, 等. 石羊河流域植被净初级生产力时空变化及驱动因素[J]. 干旱区研究, 2023, 40(5): 818-828. Ren L W, Wang X T, Liu M C, et al. Temporal and Spatial changes and the driving factors of vegetation NPP in Shiyang River Basin[J]. Arid Zone Research, 2023, 40(5): 818-828. |
| [56] |
刘海新, 孔俊杰, 孙振宇, 等. 京津冀植被NPP时空演变及驱动因素探究[J/OL]. 华北水利水电大学学报(自然科学版), 2023, http://kns.cnki.net/kcms/detail/41.1432.tv.20231128.1001.004.html. Liu H X, Kong J J, Sun Z Y, et al. Spatial and temporal evolution of NPP and its driving factors in Beijing-Tianjin-Hebei[J/OL]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2023, http://kns.cnki.net/kcms/detail/41.1432.tv.20231128.1001.004.html. |
| [57] |
李晓荣, 高会, 韩立朴, 等. 太行山区植被NPP时空变化特征及其驱动力分析[J]. 中国生态农业学报, 2017, 25(4): 498-508. Li X R, Gao H, Han L P, et al. Spatio-temporal variations in vegetation NPP and the driving factors in Taihang Mountain Area[J]. Chinese Journal of Eco-Agriculture, 2017, 25(4): 498-508. |
| [58] |
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. |
| [59] | Sun W Y, Song X Y, Mu X M, et al. Spatiotemporal vegetation cover variations associated with climate change and ecological restoration in the Loess Plateau[J]. Agricultural and Forest Meteorology, 2015, 209-210: 87-99. DOI:10.1016/j.agrformet.2015.05.002 |
| [60] | Huang K, Zhang Y J, Zhu J T, et al. The influences of climate change and human activities on vegetation dynamics in the Qinghai-Tibet Plateau[J]. Remote Sensing, 2016, 8(10). DOI:10.3390/rs8100876 |
| [61] | Zhang Y, Zhang C B, Wang Z Q, et al. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region, China from 1982 to 2012[J]. Science of the Total Environment, 2016, 563-564: 210-220. DOI:10.1016/j.scitotenv.2016.03.223 |
| [62] | Jiang L L, Jiapaer G, Bao A M, et al. Vegetation dynamics and responses to climate change and human activities in Central Asia[J]. Science of the Total Environment, 2017, 599-600: 967-980. DOI:10.1016/j.scitotenv.2017.05.012 |
| [63] | Zheng K, Wei J Z, Pei J Y, et al. Impacts of climate change and human activities on grassland vegetation variation in the Chinese Loess Plateau[J]. Science of the Total Environment, 2019, 660: 236-244. DOI:10.1016/j.scitotenv.2019.01.022 |
| [64] | Xie Y M, Ma Z M, Fang M J, et al. Analysis of net primary productivity of retired farmlands in the grain-for-green project in China from 2011 to 2020[J]. Land, 2023, 12(5). DOI:10.3390/land12051078 |
| [65] | 顾仲阳, 王汉超, 乔栋, 等. 这项大工程改变太行山[EB/OL]. 人民日报, http://news.haiwainet.cn/n/2019/0415/c3543228-31537120.html, 2019-04-15. |
| [66] | Ma B X, Jing J L, Liu B, et al. Assessing the contribution of human activities and climate change to the dynamics of NPP in ecologically fragile regions[J]. Global Ecology and Conservation, 2023, 42. DOI:10.1016/j.gecco.2023.e02393 |
| [67] | Esser G. Sensitivity of global carbon pools and fluxes to human and potential climatic impacts[J]. Tellus B: Chemical and Physical Meteorology, 1987, 39(3): 245-260. DOI:10.3402/tellusb.v39i3.15345 |
| [68] | Haberl H. Human appropriation of net primary production as an environmental indicator: implications for sustainable development[J]. Ambio, 1997, 26(3): 143-146. |
| [69] | Humphrey V, Berg A, Ciais P, et al. Soil moisture-atmosphere feedback dominates land carbon uptake variability[J]. Nature, 2021, 592(7852): 65-69. DOI:10.1038/s41586-021-03325-5 |
| [70] | Green J K, Seneviratne S I, Berg A M, et al. Large influence of soil moisture on long-term terrestrial carbon uptake[J]. Nature, 2019, 565(7740): 476-479. DOI:10.1038/s41586-018-0848-x |
| [71] | Stocker B D, Zscheischler J, Keenan T F, et al. Quantifying soil moisture impacts on light use efficiency across biomes[J]. New Phytologist, 2018, 218(4): 1430-1449. DOI:10.1111/nph.15123 |
| [72] |
崔嵩, 贾朝阳, 郭亮, 等. 不同海拔梯度下极端气候事件对松花江流域植被NPP的影响[J]. 环境科学, 2024, 45(1): 275-286. Cui S, Jia Z Y, Guo L, et al. Impacts of extreme climate events at different altitudinal gradients on vegetation NPP in Songhua river basin[J]. Environmental Science, 2024, 45(1): 275-286. |
| [73] |
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. |