2025, Vol. 46
2. 水资源工程与调度全国重点实验室, 武汉 430010;
3. 河北农业大学国土资源学院, 保定 071000
, DING Ye1,2 , WANG Min-li3 , ZHANG Hui-cong3 , TIAN Shi-yu3 , HUANG Fan1,2 , YAN Feng3
2. State Key Laboratory of Water Resources Engineering and Management, Wuhan 430010, China;
3. College of Land and Resources, Hebei Agricultural University, Baoding 071000, China
“大自然是人类赖以生存发展的基本条件”[1]. 植被参与并极大程度影响着全球生态系统, 其中在环境保护修复、生态文明建设等方面有着不可替代的作用. 植被净初级生产力（net primary productivity, NPP）是表示植被能量的指标[2], 可有效反映生态系统中的生产力水平, 还是碳收支和气候变化研究的核心内容. 湖北省是长江流域关键省份之一, 肩负保护修复长江生态和全面高质量发展的重任, 对区域植被NPP时空演替进行分析, 有助于评估和预测不同地区的植被生产力水平以及了解不同自然资源的分布格局和潜力[3], 从而为合理规划自然资源的利用提供科学依据. 因此, 研究区域植被NPP的时空演替对自然资源综合利用和社会可持续发展具有重要意义[4].
随着生态保护意识不断提高, 绿色低碳观念深入大众视野, 国内外学者在不同尺度上对植被NPP时空演替及其对环境的响应开展研究. 对于NPP的研究起源于18世纪科学家对森林生产力的评估, 后逐步量化形成植物净初级生产力. 早期研究大多为实地测量植被NPP数据, 例如在牧场草地生长期对草地地上生物量进行采集等[5], 而在研究范围逐渐扩大时, 实地测量植被NPP将不便实现. 国内外学者基于遥感数据和CASA模型开展研究植被NPP空间分布和时空演替等[6], 并取得一定成果, 尹锴等基于CASA模型分析了北京植被NPP时空格局, 发现其空间分布格局为北部和西部山区总量较高, 平原区NPP总量较低[7]. 但模型需要大量计算, 其效率仍然较低, 相比之下GEE（Google Earth Engine）拥有大量的全球地球科学数据集[8], 可以高效处理遥感大数据, 为植被遥感监测提供有效支撑[9]. 目前, GEE已被广泛应用于植被、碳源碳汇和水文监测等环境领域[10, 11]. 然而大多数学者对于NPP驱动因子的研究停留在单一气候因素与人类活动的残差分析, 不能很好辨析不同因子之间对NPP的综合影响及其耦合协调机制, 地理探测器模型作为一种新兴的统计学方法可以有效解决这一问题. 在以往研究中, 空间数据离散化和空间尺度效应往往由经验决定, 不以数据作为导向, 准确的定量评估不足[12]. 在此基础上Song等建立了基于最优参数的地理探测器（optimal oarameters-based geographical detectors, OPGD）模型[13], 对优化了连续型变量的自动离散化过程和空间尺度进行分析, 并检测多个解释变量对植被变化的解释力[14, 15], 量化解释变量交互作用下的解释力[16], 从而揭示植被NPP对驱动因子响应的区域差异性及机制[6].
湖北省位于我国中部, 为千湖之省, 湿地、森林植被丰富多样, 物产丰富, 是全国自然经济社会重要支柱之一. 近年来一些学者对湖北省植被NPP分地区、时期进行研究, 发现湖北省NPP空间分布呈现西高东低、北高南低、从西向东逐渐递减的态势[17], 气候变化对长江中下游地区植被生态系统NPP变化的相对贡献较高[18], NPP主要受气温与降水的影响[19]等. 在以往湖北省植被NPP的研究中, 植被NPP对气候因子的响应关注居多, 很少关注其地质背景、水文效应和社会经济等, 而植被NPP变化对地质环境都有不同程度的依赖. 例如, 在峰丛洼地流域植被覆盖度归因的研究中, 分析得到位于喀斯特区域的增长速率 > 非喀斯特区域增长速率[20], 可以得出地质影响植被的增长速度. 同时, 地下水作为水循环的一环参与植被的生长发育, 植被NPP月平均值随地下水位埋深的增加而减少[6], 大多数湿生植被的生长依靠浅层水分, 水分埋藏较深使湿生植被出现死亡[21], 湿生和旱生植被缺少充足的水分进而长势变差, 植被NPP随之减少. 经济发展和人口压力缓解等社会经济因素对于植被恢复有根本性影响[22], 可促进植被NPP增加.
综上所述, 众多学者采用遥感监测的手段对区域植被NPP时空分布和驱动因素进行积极的探索, 对区域植被生态保护和可持续发展提供了重要参考, 但仍然存在一些不足之处：首先, 目前的研究大都集中在分析植被NPP与气象因子的关系, 而鲜有从水文条件、地形条件、社会经济等角度综合探索它们之间的内在联系；其次, 目前对湖北省植被NPP的时空演替研究涉及较少, 湖北省作为长江流域重要的生态区块, 对其植被生态环境的监测和保护意义重大. 因此, 本文以湖北省为研究区, 依托GEE云平台, 运用Sen趋势和变异系数等探究植被NPP时空演替规律, 进一步应用OPGD模型细化20个因子对植被NPP的贡献值, 从而探究NPP的驱动机制, 以期为推进该地区生态环境保护与修复提供有效科学依据.
1 研究区概况及数据来源 1.1 研究区概况湖北省位于北纬29°05′~33°20′, 东经108°21′~116°07′（如图 1）. 其土地形式多样, 包括平原、丘陵和山脉. 湖北省位于中国第二和第三级阶梯之间的过渡地带, 有平原、丘陵、河流和山脉等不同的地形, 这个地区气候温暖, 长期无霜. 全省地处亚热带东部季风区, 大部分地区属亚热带季风湿润气候. 春季气温变化明显, 夏秋季炎热多雨, 冬季寒冷潮湿, 雨量充足. 低温时期的年平均降雨量为800~1 600 mm. 热量充足. 南部低地比北部和高海拔地区大, 无霜期长. 在以上自然条件下, 植被类型主要为亚热带常绿阔叶林和亚热带常绿阔叶混交林.
|
图 1 项目区位置示意 Fig. 1 Location of the project area |
植被动态数据：NPP、增强型植被指数（enhanced vegetation index, EVI）和叶面积指数（leaf area index, LAI）等数据. 以2002~2020年为时间序列, 利用GEE平台完成数据的获取和几何校正及大气校正等初步处理, 最后利用ArcGIS进行掩膜和投影等操作.
地下水数据：陆地水储量采用GRACE卫星数据RL06 Mascon三级产品数据, 土壤水和融雪数据等采用GLDAS的Noah模式提供水文模型数据, 空间分辨率均为0.25°×0.25°, 其中的缺失数据均已经通过线性插值进行填补. 使用GRACE提供的陆地水储量变化和GLDAS提供的浅层地表水储量变化计算得出地下水数据[23]. 因而, 通过下式得出地下水储量的变化：
|
(1) |
式中, SWESA、SMSA、TWSA和GWSA分别为雪水当量变化、土壤水储量变化、陆地水储量变化和地下水储量变化, 单位均为mm.
土壤水和融雪数据等采用GLDAS的Noah模式提供水文模型数据, 可以直接对GRACE卫星数据进行计算分析, 为了与GRACE卫星数据保持相同的基线异常, 将GLDAS数据和同时间段的GRACE卫星数据进行距平处理, 为保证尺度的一致性, 土壤含水量以及雪水当量数据减去各自在2004~2009年间的平均值, 进行后续相应计算.
气象数据：气温和降水等气象因子数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/home）, 空间分辨率为0.008 333 3°（约1 km）. 其中气温分辨率为0.1℃, 降水量分辨率为0.1 mm. 原始数据经过数据筛选、数据订正、数据校验和质量控制等初步处理后, 再按照研究区进行掩膜和重采样等处理方法得到所需数据.
基岩数据：原始数据下载于国家地质科学数据出版系统（http://dcc.cgs.gov.cn）, 此后在FME2020+MyFME插件中进行格式转换, 利用ArcGIS对图层进行合并、裁剪和重分类等处理, 得到最终湖北省岩石类型数据.
土壤数据：数据来自中国科学院资源环境科学与数据中心（https://www.resde.cn/）.
地形数据包括：高程、坡度、坡向. DEM数据来源于地理空间数据云（http://www.gscloud.cn）, 提供1km的空间分辨率. 坡度、坡向数据通过ArcGIS提取.
社会数据：包括GDP、高新企业数量和专利授权数量等, 来源于EPS数据平台（www.epsnet.com.cn）和湖北省及其各市的统计年鉴.
选择代表地形条件、水热条件、植被、岩土类型和社会经济等5类数据的具体20个指标作为解释变量（表 1）, 分析湖北省植被NPP对各因子的响应机制.
|
表 1 解释变量名称及代号 Table 1 Names and codes of explanatory variables |
2 研究方法 2.1 Sen趋势+MK检验
Theil-Sen Median趋势分析是一种非参数检验方法[24], 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：
|
(2) |
式中, ρ为植被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分别为植被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[23], 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.
2.2 稳定性分析变异系数不仅能反映变量的波动程度, 且可检验变量在时间序列上是否稳定. 本文利用变异系数法衡量NPP的稳定性, 稳定性分级标准见文献[25], 其计算方法如公式（3）：
|
(3) |
式中, n为时间序列长度；NPPi为第i年的NPP值；
基于重标极差（R/S）分析方法的Hurst指数作为预测时间序列数据与过去未来发展趋势关联的一个常用指数, 被广泛运用于多个研究领域, 本文采取Hurst指数对植被NPP未来趋势进行预测, 其计算步骤如下[26].
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（4）：
|
(4) |
|
(5) |
式中, 
地理探测器是一种研究地理要素的空间分异规律并揭示其背后的驱动因素的统计学方法[23]. 它认为：如果一个自变量对因变量的影响较大, 那么在空间上, 两者的分布状况应该相似, 其解释力用q值表示, 包括以下5个部分.
（1）空间差异和因子检测 因子检测器使用q统计量来评估解释变量的相对显著性, 解释能力的计算模型（q）的因素阐明如下：
|
(6) |
式中, q为因子对NPP的解释力, q值的范围是[0, 1], q值越大, 各因素对净初级生产力的解释力越强；h=1, …, L, 为NPP的分层和影响因素；Nh和N分别为h和整个区域的单位数. σ2为整个区域的样本
（2）参数优化 本研究采用因子检测器计算每个连续变量的q值, 通过考虑离散方法和仓的各种组合来确定最优参数. 因子探测器采用不同的分类方法和bin数量, 对每个与地理空间数据相关的连续变量进行了q值的计算, 本研究旨在揭示植被NPP变化的空间分层异质性, 并揭示影响植被NPP空间波动的因素. 通过优化离散化参数更准确地描述了地理空间连续变量的重要性和空间分布特征, 从而有助于理解和解释植被净初级生产力的变化.
（3）因子相互作用的检测 相互作用检测器通过将相互作用的q值与两个独立变量的q值进行对比来分析以上相互作用. 以上相互作用可以揭示两个空间变量之间的关系是减弱、增强还是独立. 交互检测器探索5类交互, 即非线性衰减、单变量衰减、双变量增强、独立性和非线性增强. 以上分类有助于理解各种因素之间的相互作用模式, 从而对影响植被NPP变异性的机制和影响因素提供更深入的见解.
（4）风险区域检测 用于评估子区域之间的平均特征是否存在显著差异；在风险区域检测中, t统计用于执行以下测试：
|
(7) |
式中, Yh为h子区域植被NPP属性的平均值, nh为子区域h的样本数, Var为平方方差.
（5）生态检测 利用生态检测来评估Xi和Xj两个因素对植被NPP空间分布的影响是否存在显著差异, 本文使用F统计法评估了因子Xi与Xj对植被NPP空间分布的影响程度, 其公式如下：
|
(8) |
|
(9) |
|
(10) |
式中, NXi和NXj分别为这两个因素的样本量；SSWXi和SSWXj分别为构成该层的两个因素所形成的层内方差之和；Li和Lj分别为变量Xi和Xj的层数.
3 结果与分析 3.1 湖北省植被NPP时空格局分异及演替规律2002~2020年湖北省植被NPP年均值在整体上呈现上升趋势（图 2）, 其波动范围集中在498.13~613.23 g·m-2·a-1, 此波动范围最大差值为115.1 g·m-2·a-1, 平均值为551.30 g·m-2·a-1. 总体来看, 湖北省植被NPP变化可划定为2个阶段：2002~2015年为缓慢上升阶段, 增幅达32.12%；2015~2020年为缓慢下降阶段, 降幅达3.29%. 2002~2020年湖北省植被NPP最大值总体表现为上升趋势, 波动范围集中在997.00~1 178.80 g·m-2·a-1, 平均值为1 085.54 g·m-2·a-1.
|
图 2 湖北省植被年均NPP随时间变化规律 Fig. 2 Temporal change pattern of annual average NPP of vegetation in Hubei Province |
2002~2020年湖北省植被NPP的空间分布表现为较强的空间分异性[图 3（a）], 呈东、西部山区向中部平原递减的趋势, 平均NPP介于74.39~1 067.22 g·m-2·a-1之间. 根据省内方位划分区域, NPP较高的地区分布在西部地区（神农架林区、宜昌和十堰市等地）, 较低的地区主要分布在东部地区（武汉市、鄂州市等地）. 中东部地区植被NPP可能受人类频繁活动影响, 而西部和东部边缘主要是海拔较高的山区, 人类活动较少, 植被净初级生产力较高；根据图 3（b）可以发现湖北省的西部（十堰市、神农架林区等地区）以及东部（武汉市、黄冈市、咸宁市等地区）植被NPP增加较快, 中西部（襄阳市、荆门市、荆州市等地区）植被NPP增长较慢. 结合表 2可知, 呈现极显著增加的地区占比34.39%, 多分布在西部和东部, 呈现不显著增加的地区占比37.10%, 全省均有分布（多分布于中部）, 呈现减少趋势的地区仅占10.96%.
|
图 3 湖北省植被NPP多年平均值、趋势显著性分区、变异系数和Hurst指数 Fig. 3 Multi-year mean, trend significance partitioning, coefficient of variation, and Hurst index of vegetation NPP in Hubei Province |
|
|
表 2 显著性分区统计 Table 2 Significance partition statistics |
从图 3（c）和表 3可知, 植被NPP总体上处于低态势的波动（变异系数≤0.1的占比为79.29%）, 反映湖北省大部分地区的植被NPP波动较小, 处于较稳定状态. 中北部襄阳市、随州市、荆门市等地区植被NPP波动较大, 为中等波动变化（0.1 < 变异系数≤0.15）和相对高波动变化（变异系数 > 0.15）的地区, 处于不稳定状态, 占总面积的16.84%和3.87%；根据图 3（d）和表 4可知, Hurst指数在0.2~0.5（弱反向持续性）的区域占项目区的61.64%、在0.5~0.7（弱正向持续性）的区域占项目区的37.99%, 两者共占项目区的99.63%, 由此可以得到, 项目区大部分的植被NPP未来变化趋势变化不大. 整体上, 西部表现为弱反向持续性, 东部表现为弱正向持续性, 这说明项目区未来（2020年以后）, 西部大部分地区植被NPP会有所减弱, 东部大部分地区植被NPP将有所增加.
|
|
表 3 变异系数统计 Table 3 Statistics of coefficient of variation |
|
|
表 4 NPP变化未来可持续性统计Hurst指数 Table 4 Hurst index of NPP change future sustainability statistics |
3.2 湖北省植被NPP时空分异的驱动机制 3.2.1 参数离散化
通过因子检测器计算每个连续变量的q值, 结合离散方法和仓的各种组合来确定最优参数（表 5）, 最优参数离散化更准确地描述了各变量的重要性和空间分布特征.
|
|
表 5 参数离散化过程 Table 5 Parameter discretization process |
由表 5和图 4可知, 各解释变量离散化过程中所使用方法与间隔数存在差异；对于X1（高程）使用分位数间距分级法, 在间断等级为9时因子对NPP的解释力q值最大, 对湖北省植被NPP变化的解释力最强, 故分类数为9类；其他连续性因子离散化原理相同, 其中X2（坡度）、X4（平均气温）、X6（地表温度）、X7（蒸散发量）、X15（GDP）、X16（第一产GDP）、X17（第二产GDP）、X18（第三产GDP）、X19（高新企业数量）和X20（专利授权数量）建议选用分位数间距, 且间隔数均为9时解释力最强, 故按分位数间距分级法分为9类；X5（累计降水）、X9（EVI）和X10（LAI）建议选用等间距, 且间隔数分别为7、8和9时解释力最强, 故按等间距分级法分为7、8和9类；X8（地下水动态）建议选用自然间距, 且间隔数为9时解释力最强, 故按自然间距分级法分为9类.
|
红线表示变量的间隔情况 图 4 参数离散化结果 Fig. 4 Parameter discretization results |
通过OPGD的因子探测, 识别各单因子对湖北省植被NPP的解释力. 从图 5可以看出, 不同驱动因子对湖北省植被NPP的贡献率（q值）呈现显著差异. 社会经济维度整体对植被NPP的单因素解释力大于其他因子, 其中X17（第二产GDP）的q值达到0.557, 对植被NPP变化的解释力最强；X18（第三产GDP）和X19（高新企业数量）的解释力均超过50%, 自然因素仅有X1（高程）的解释力超过50%, 表明人为因素是影响植被NPP的主要因素. X2（坡度）和X7（蒸散发量）等因子的解释力较强, 对湖北省植被NPP的解释程度均超过40%, 大部分水热条件、植被、岩石类型维度因子的解释力在19%~40%之间, 说明自然因素对植被NPP同样具有较强驱动作用. X9（EVI）的q值最低, 为0.106 5, 解释力低于11%. 整体来看, 人为因素对湖北省植被NPP变化的解释力强于自然因素.
|
红色填充表示因子对NPP贡献值（q值）的最高值, 灰色填充表示因子对NPP贡献值（q值）的其余值 图 5 单因子探测 Fig. 5 Single factor detection |
由图 6可知, 不同解释变量交互具作用有差异性表现, 双因子交互结果相比单因子的解释力均具有增强效应. 其中X7（蒸散发量）与X17（第二产GDP）交互作用表现为双因子增强, 其增强效果达74.41%, 说明社会经济因子与水热因子结合对湖北省植被NPP的影响显著增加；X3（坡向）与X8（地下水变化）和X9（EVI）的非线性增强效应表现最低, 不足15%. 社会经济维度因子X15~X20和X1（高程）与其他因子相互作用均呈现较强增强效应；而单因子解释力较弱的X8（地下水动态）和X9（EVI）与自然因子交互作用时, 整体上呈现较弱的增强效应；涉及其他解释变量交互作用也呈现不同的增强效应模式：如X1∩X7与X3∩X12和X4∩X7等的影响不同, 映射影响研究区植被NPP变化驱动因素的复杂性. 交互探测的结果说明关注单因子对NPP影响的同时, 更要重视因子之间交互作用对NPP的正负向作用.
|
图 6 因子交互作用 Fig. 6 Factor interactions |
如图 7所示, 风险探测器的分析结果显示, 不同解释变量范围内的数据对植被NPP变化的影响存在明显的波动. 通过精准运用以上识别出的变量, 为更深入地理解NPP变化的复杂性和多样性, 将平均NPP变化细分为3个层次：以红色表示的NPP升高值, 凸显NPP的显著增加；以灰色表示的中间值, 反映NPP的相对稳定状态；以蓝色表示的降低值, 显示NPP的显著下降.
|
红色填充表示NPP表现最优的区间, 灰色填充表示NPP中间值, 蓝色填充表示NPP表现最差的区间 图 7 风险探测均值 Fig. 7 Risk detection averages |
以X1（高程）为例, 高程在第一区间（1.16e+03m, 2.71e+03m]的NPP的平均值为686.459 9 g·m-2·a-1. 其他因素同理. 由图 7可得, 随着X1（高程）、X2（坡度）、X7（蒸散发量）、X9（地下水动态）和X10（LAI）的增加, 湖北省NPP的均值也逐渐增大；随着X4（平均气温）、X6（地表温度）增加, 湖北省NPP的均值逐渐减小. X3（坡向）在类型变量为5的时候, 湖北省NPP的均值最大；X5（累计降水）在（1.42e+03mm, 1.54e+03mm）的时候, NPP均值最大, 为684.983 9 g·m-2·a-1；X8（地下水动态）对NPP的影响呈现波动性, 最低在第5五个区间, 最高在第9个区间；X11（植被类型）对NPP的影响明显, 在第4个分区时最高, 在第10个分区时最低：X12（岩石类型）、X13（土壤类型）和X14（土地利用类型）分别在第五分区、第十七分区、第三分区的时候, 湖北省NPP的均值最大；不同的岩石类型, 其风化和分解的速度、产生的养分种类和数量都会有所不同, 土壤类型决定了土壤的结构、养分含量、保水能力和通气性等特性, 会影响植被的NPP, 不同的土地利用方式, 如森林、草地、农田和城市等, 其植被覆盖、管理措施和人为干扰程度都有所不同, 直接影响植被NPP. 在研究社会经济数据对植被NPP的影响时发现X16（第一产GDP）在第三分区时, NPP的均值最高；X17（第二产GDP）在第一分区时, NPP均值最大；X18（第三产GDP）在第二分区时, NPP均值最大；X19（高薪企业数量）和X20（专利授权数量在）分别在第一、第二分区时NPP的均值最大. 第一产业主要包括农业、林业、牧业和渔业等直接依赖自然资源和生态系统的部门, 直接关联到植被的状况和生态系统的健康, 第一产业的有无以及是否过度开发均会影响植被NPP；第二产业主要包括工业和建筑业, 第二产业的发展伴随着对自然资源的开采和利用, 直接或间接影响着植被NPP；第三产业是指服务业, 其快速发展, 城市化进程加速, 可能导致城市扩张和土地利用变化, 间接影响植被覆盖和NPP. 高薪企业的数量和分布也可能影响土地利用模式和区域经济发展, 间接影响植被NPP.
3.2.5 生态探测如图 8所示, 对两因子之间进行生态探测, 结果记为“Y”和“N”. 其中“Y”代表行列两因子对NPP具有显著性差异, “N”代表行列两因子对植被NPP的影响无显著性差异. 大部分的影响因子两两之间对湖北省植被的NPP具有显著性差异, 只有极少部分影响因子两两之间对湖北省植被的NPP无显著性差异.
|
“Y”表示行列两因子对NPP的影响具有显著性差异, “N”表示行列两因子对植被NPP无显著性差异 图 8 生态探测结果 Fig. 8 Ecological detection results |
X1（高程）与X18（第三产GDP）、X19（高新企业数量）无显著性差异, 表明高程与以上经济活动的直接关系较弱；X2（坡度）和X7（蒸散发量）、X15（GDP）、X16（第一产GDP）以及X20（专利授权数量）无显著性差异, X4（平均气温）与X12（岩石类型）、X13（土壤类型）无显著性差异, X6（地表温度）与X10（LAI）无显著性差异, X7（蒸散发量）与X15（GDP）、X16（第一产GDP）以及X20（专利授权数量）无显著性差异, X8（地下水动态）与X9（EVI）、X12（岩石类型）与X13（土壤类型）无显著性差异, X15（GDP）与X16（第一产GDP）、X20（专利授权数量）无显著性差异, X16（第一产GDP）与X20（专利授权数量）、X18（第三产GDP）与X19（高新企业数量）无显著性差异, 以上结果可能揭示了上述因子在影响湖北省植被NPP时存在某种程度的相互抵消作用或相对独立性. 其余两两因子之间均存在于显著性差异, 则表明以上因子在影响湖北省植被NPP方面具有不同的作用机制.
4 讨论 4.1 植被NPP时空分异格局及演替分析从时间变化上来看, 2002~2020年湖北省植被NPP整体呈波动上升趋势, 这与已有研究的结论一致[27, 28]. 湖北省植被NPP最大值中的最低值出现在2003年, 这可能与人为大面积开发有关, 对于植被NPP的空间分布分析, 研究期间湖北省植被NPP大致呈现东、西部山区高, 中部略低的状态, 其中湖北三大平原植被NPP低于其他地区. 平原受到频繁的人类活动, 土地利用类型以建筑用地、耕地为主, 人为改变植被生态系统程度较高[29], 且该区域降水量少于其他区域, 偶遇干旱情况植被平均生产力水平呈降低趋势, 则植被NPP随之减少[30], 植被NPP相对低于其他区域.
植被NPP呈现极显著增加和显著增加的地区分别占比34.39%、17.55%, 主要集中在东西部山区, 不显著增加的地区占比37.10%, 其主要集中在中部平原, 而且大部分地区的NPP未来变化趋势都将与过去基本保持一致. 在植被NPP呈现极显著增加的神农架林区, 具有完整的北亚热带常绿落叶阔叶混交林[31], 气候条件适宜、植被结构复杂, 得益于1986年神农架自然保护区建立及一系列森林保护政策[32], 神农架林区总体植被覆盖度均值提高[33], 植被NPP也将得到明显提升. 2002~2020年湖北省植被NPP总体上处于低态势的波动, 其中高波动区域位于中北部襄阳市和随州市等, 襄阳等市由于快速发展经济, 城区人口密集, 城市扩张的过程中存在河道萎缩、水土流失现象[34], 土地不合理的开发利用, 使形成的裸土地区域内植被NPP显著降低[35].
4.2 植被NPP时空演替的驱动因素分析社会经济与地形条件是影响湖北省植被NPP变化的主要驱动因素, 其中第二产GDP最具解释力, 高达55.7%. 3个产业GDP的发展均依靠自然资源, 农业种植直接关系植被变化[36], 而工业与服务业反映经济发展程度, 在社会发展过程中, 人们对土地利用方式不断进行调整, 直接影响植物呼吸作用与光合作用[37]. 研究期间, 湖北省经历了大规模城市扩张以及“退耕还草”和“退牧还草”等的实施[38], 人为因素通过改变植被生长外部条件来影响植被NPP变化, 而地形则通过影响气候、湿度、光照作用于植被生长过程, 成为影响NPP变化的主要因子之一[39]. 双因子交互作用相较于单因子对于湖北省植被NPP变化的解释力具有更为显著的作用, 且普遍表现为双因子增强或非线性增强. 而在单因子影响力的第二产GDP因子与其他因子交互作用下的解释力均超过50%, 其中第二产GDP与蒸散发量交互的解释力最强, 为74%. 单因子解释力较弱的地下水动态、EVI与自然因子交互时, 整体上的表现力同样较弱. 说明植被NPP变化是社会经济、地形、水热条件、植被类型和岩石类型等多类因子复杂作用的结果[40], 故对驱动因子交互作用的分析更有利于植被NPP变化驱动机制的研究[41], 在湖北省未来生态规划时还需考虑人为因素与自然因素交互作用的影响.
风险探测说明各解释变量不同分级内的植被NPP均值具有不同差异, 并且随解释变量的增大, 植被NPP变化趋势表现不同[42]. 湖北省植被NPP均值与高程、坡度、累计降水、蒸散发量、地下水动态和EVI等具有正向变化趋势, 即解释变量数值的增大有利于植被NPP增加, 与平均气温、总GDP、第二产业GDP、高新企业数量和专利授权数量等具有负向变化趋势, 即随解释变量数值的增大而植被NPP均值减少. 第一产GDP在第三分区、第二产GDP在第一分区和第三产GDP在第二分区时, NPP的均值最高. GDP和高新企业数量等表征土地利用模式和区域经济发展, 其水平的提高影响了水热条件与植被覆盖度[43], 从而使得NPP呈现减小趋势.
生态探测结果进一步说明, 在地形条件、水热条件、植被、岩土类型和社会经济维度中, 坡向、累计降水和植被类型等5个因子与其他因子之间对湖北省植被NPP变化影响具有较为显著的差异, 其中第二产GDP作为植被NPP变化主要驱动因子, 说明对研究区植被NPP的影响程度最大[44]；而社会经济维度中的因子与蒸散发量、坡度则对植被NPP影响差异不显著. 生态探测结果有利于理解两交互因子对湖北省植被NPP解释力, 以上影响因子之间的相互作用可以由不同的生态机制、生物多样性和环境梯度来形成[45], 从而产生各种形式的增强效应, 同时确定系统的生态机制、作用过程与影响因素[23], 对于湖北省生态系统管理以及生态综合整治具有重要意义.
5 结论（1）2002~2020年, 湖北省植被NPP总体表现为波动上升趋势；年均NPP空间分布上具有由西部向东部逐渐递减的趋势, 其中较高和较低的地区分别位于西南部地区和中部地区；植被NPP在西部和东部增加较快, 中部增长较慢；植被NPP整体上处于低波动状态, 未来变化趋势以弱反向持续性和弱正向持续性为主, 表明大部分地区植被NPP变化稳定或将临近饱和状态.
（2）OPGD结果显示, 第二产GDP、第三产GDP、高新企业数量和高程是湖北省植被NPP变化的主要驱动因子, 其解释力均超过50%. 双因子交互作用相较于单因子对研究区植被NPP变化的驱动效果均表现为增强（双因子增强或非线性增强）, 其中社会经济维度因子和高程与其他因子交互作用均具有较高水平, 解释力均超过50%.
（3）风险探测得出除植被类型、岩石类型和土壤类型等类型变量指标外, 大部分因素对湖北省植被NPP的影响呈现显著性差异, 随着高程和坡度等部分因素的增加, 湖北省NPP均值上升, 而随着平均气温、地表温度等因素则呈现相反趋势；生物探测得出坡度和高程等大部分影响因子两两之间对湖北省植被的NPP具有显著性差异, 表明以上因子在影响植被NPP方面具有不同的作用机制, 其他因子间无显著性差异可能反映了以上因子在影响植被NPP时存在相互抵消或独立性、交互作用或共同影响.
| [1] |
梁膑月, 曹春, 李锦超, 等. 近20年兰西城市群生态系统服务价值对土地利用转型的时空响应[J]. 环境科学, 2024, 45(6): 3329-3340. Liang B Y, Cao C, Li J C, et al. Spatiotemporal response of ecosystem service value to land use change in the Lanzhou-Xining urban agglomeration over the past 20 years[J]. Environmental Science, 2024, 45(6): 3329-3340. |
| [2] | Ke J, Zhou D D, Hai C X, et al. Temporal and spatial variation of vegetation in net primary productivity of the Shendong coal mining area, Inner Mongolia Autonomous Region[J]. Sustainability, 2022, 14(17). DOI:10.3390/su141710883 |
| [3] |
石智宇, 王雅婷, 赵清, 等. 2001-2020年中国植被净初级生产力时空变化及其驱动机制分析[J]. 生态环境学报, 2022, 31(11): 2111-2123. Shi Z Y, Wang Y T, Zhao Q, et al. The spatiotemporal changes of NPP and its driving mechanisms in China from 2001 to 2020[J]. Ecology and Environmental Sciences, 2022, 31(11): 2111-2123. |
| [4] |
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. |
| [5] |
尹小君, 祝宏辉, Gao G, 等. 气候变化和人类活动对天山北坡净初级生产力变化的影响[J]. 农业工程学报, 2020, 36(20): 195-202. Yin X J, Zhu H H, Gao G, et al. Effects of climate change and human activities on net primary productivity in the Northern Slope of Tianshan, Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(20): 195-202. |
| [6] |
职露, 胡涛, 邹滨, 等. 河南省植被NPP时空分异及其驱动因子[J]. 自然资源遥感, 2023, 35(4): 169-177. Zhi L, Hu T, Zou B, et al. Spatio-temporal differentiation of vegetation net primary productivity in Henan Province as well as its driving factors[J]. Remote Sensing for Natural Resources, 2023, 35(4): 169-177. |
| [7] |
尹锴, 田亦陈, 袁超, 等. 基于CASA模型的北京植被NPP时空格局及其因子解释[J]. 国土资源遥感, 2015, 27(1): 133-139. Yin K, Tian Y C, Yuan C, et al. NPP spatial and temporal pattern of vegetation in Beijing and its factor explanation based on CASA model[J]. Remote Sensing for Land & Resources, 2015, 27(1): 133-139. |
| [8] | 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 |
| [9] |
赵祖伦, 赵卫权, 苏印, 等. 1991—2020年贵阳市生态质量演变及空间分异定量归因[J]. 环境科学, 2025, 46(1): 367-377. Zhao Z L, Zhao W Q, Su Y, et al. Spatio-temporal evolution patterns and spatial differentiation attribution of ecological quality in Guiyang from 1991 to 2020[J]. Environmental Science, 2025, 46(1): 367-377. |
| [10] | Zhang X, Han L X, Han L H, et al. How well do deep learning-based methods for land cover classification and object detection perform on high resolution remote sensing imagery?[J]. Remote Sensing, 2020, 12(3). DOI:10.3390/rs12030417 |
| [11] |
崔亚婷, 李嬛, 郑龙啸, 等. 基于RSEI的黄河上游流域生态环境质量变化分析[J]. 中国沙漠, 2023, 43(3): 107-118. Cui Y T, Li H, Zheng L X, et al. Study of ecological environmental quality changes in the upper Yellow River Basin based on remote sensing ecological index[J]. Journal of Desert Research, 2023, 43(3): 107-118. |
| [12] | Luo L L, Mei K, Qu L Y, et al. Assessment of the geographical detector method for investigating heavy metal source apportionment in an urban watershed of Eastern China[J]. Science of the Total Environment, 2019, 653: 714-722. DOI:10.1016/j.scitotenv.2018.10.424 |
| [13] | 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. |
| [14] |
梁洪武, 阿里木江·卡斯木, 张雪玲, 等. 干旱区绿洲城市群地表温度时空变化及其影响因素——以天山北坡城市群为例[J]. 生态学报, 2023, 43(9): 3650-3664. Liang H W, Kasimu A, Zhang X L, et al. Spatio-temporal change and influencing factors of land surface temperature in oasis urban agglomeration in arid region: a case study in the urban agglomeration on the northern slope of Tianshan Mountains[J]. Acta Ecologica Sinica, 2023, 43(9): 3650-3664. |
| [15] | Zhang Z Z, Liang S Y, Xiong Y Q. Vegetation dynamics and their response to climate changes and human activities: a case study in the Hanjiang River Basin, China[J]. Forests, 2023, 14(3). DOI:10.3390/f14030509 |
| [16] |
赵丹, 王祖伟, 张国壮, 等. 因子回归和交互联合探索区域植被覆盖度的影响因素——以三江源地区为例[J]. 中国环境科学, 2022, 42(8): 3903-3912. Zhao D, Wang Z W, Zhang G Z, et al. Identifying factors affecting regional fractional vegetation cover based on a combination of factor regression and interaction—A case study on the Three-River Headwaters Region[J]. China Environmental Science, 2022, 42(8): 3903-3912. DOI:10.3969/j.issn.1000-6923.2022.08.049 |
| [17] |
李庆君, 袁沫汐. 湖北省植被净初级生产力时空变化特征及其影响因素分析[J]. 测绘与空间地理信息, 2021, 44(4): 396-100, 105. Li Q J, Yuan M X. Spatiotemporal variations of the net primary productivity and its influential factors in Hubei Province[J]. Geomatics & Spatial Information Technology, 2021, 44(4): 396-100, 105. |
| [18] |
徐勇, 卢云贵, 戴强玉, 等. 气候变化和土地利用变化对长江中下游地区植被NPP变化相对贡献分析[J]. 中国环境科学, 2023, 43(9): 4988-5000. Xu Y, Lu Y G, Dai Q Y, et al. Assessment of the relative contribution of climate change and land use change on net primary productivity variation in the middle and lower reaches of the Yangtze River Basin[J]. China Environmental Science, 2023, 43(9): 4988-5000. |
| [19] |
王菲, 曹永强, 周姝含, 等. 黄河流域生态功能区植被碳汇估算及其气候影响要素[J]. 生态学报, 2023, 43(6): 2501-2514. Wang F, Cao Y Q, Zhou S H, et al. Estimation of vegetation carbon sink in the Yellow River Basin ecological function area and analysis of its main meteorological elements[J]. Acta Ecologica Sinica, 2023, 43(6): 2501-2514. |
| [20] |
王栋华, 田义超, 张亚丽, 等. 峰丛洼地流域植被覆盖度时空演变及其归因[J]. 中国环境科学, 2022, 42(9): 4274-4284. Wang D H, Tian Y C, Zhang Y L, et al. Spatiotemporal evolution and attribution of vegetation coverage in the peak-cluster depression basins[J]. China Environmental Science, 2022, 42(9): 4274-4284. |
| [21] |
宋炎炎, 张奇, 姜三元, 等. 鄱阳湖湿地地下水埋深及其与典型植被群落分布的关系[J]. 应用生态学报, 2021, 32(1): 123-133. Song Y Y, Zhang Q, Jiang S Y, et al. Groundwater depth and its relation with typical vegetation distribution in the Poyang Lake wetland, China[J]. Chinese Journal of Applied Ecology, 2021, 32(1): 123-133. |
| [22] |
袁二双, 周秋文, 罗应忠. 社会经济因素对中国西南喀斯特区植被恢复的贡献[J]. 生态学报, 2024, 44(14): 6265-6275. Yuan E S, Zhou Q W, Luo Y Z. Contribution of socioeconomic factors to vegetation restoration in Karst areas of southwest China[J]. Acta Ecologica Sinica, 2024, 44(14): 6265-6275. |
| [23] |
褚江东, 粟晓玲, 吴海江, 等. 中国近20年陆地水储量及其组分变化分析[J]. 水资源保护, 2023, 39(3): 170-178. Chu J D, Su X L, Wu H J, et al. Analysis of China's terrestrial water storage and its component anomalies in recent 20 years[J]. Water Resources Protection, 2023, 39(3): 170-178. |
| [24] | Wang G J, Peng W F, Zhang L D, et al. Quantifying the impacts of natural and human factors on changes in NPP using an optimal parameters-based geographical detector[J]. Ecological Indicators, 2023, 155. DOI:10.1016/j.ecolind.2023.111018 |
| [25] | Liu Y Y, Zhang Z Y, Tong L J, et al. Assessing the effects of climate variation and human activities on grassland degradation and restoration across the globe[J]. Ecological Indicators, 2019, 106. DOI:10.1016/j.ecolind.2019.105504 |
| [26] |
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. |
| [27] |
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. |
| [28] |
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. |
| [29] |
吴艳艳, 吴志峰, 余世孝. 定量评价人类活动对净初级生产力的影响[J]. 应用生态学报, 2017, 28(8): 2535-2544. Wu Y Y, Wu Z F, Yu S X. Quantitative assessment of the impacts of human activities on net primary productivity[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2535-2544. |
| [30] |
赵林, 徐春雪, 刘雪莹, 等. 干旱对湖北省森林植被净初级生产力的影响[J]. 长江流域资源与环境, 2014, 23(11): 1595-1602. Zhao L, Xu C X, Liu X Y, et al. Impacts of meteorological drought on net primary productivity of forest in Hubei province[J]. Resources and Environment in the Yangtze Basin, 2014, 23(11): 1595-1602. |
| [31] |
李敏, 姚顽强, 任小丽, 等. 1981—2015年神农架林区森林生态系统净初级生产力估算[J]. 环境科学研究, 2019, 32(5): 749-757. Li M, Yao W Q, Ren X L, et al. Estimation and analysis of net primary productivity of forest ecosystems in Shennongjia Forestry District during 1981-2015[J]. Research of Environmental Sciences, 2019, 32(5): 749-757. |
| [32] |
陈海鹰. 自然保护区旅游生态补偿运作机理与实现路径研究[D]. 昆明: 云南大学, 2016. Chen H Y. The operational mechanism and path of tourism ecological compensation in nature reserves[D]. Kunming: Yunnan University, 2016. |
| [33] |
戚曌, 于新文, 谭炳香, 等. 神农架地区生态环境遥感监测与恢复治理评价[J]. 林业科学研究, 2021, 34(6): 90-98. Qi Z, Yu X W, Tan B X, et al. Remote sensing monitoring and restoration evaluation of ecological environment in Shennongjia Area[J]. Forest Research, 2021, 34(6): 90-98. |
| [34] |
李威, 吕思思, 赵祖伦, 等. 土地利用对流域水源涵养及水质净化的影响——以乌江流域为例[J]. 生态学报, 2023, 43(20): 8375-8389. Li W, Lv S S, Zhao Z L, et al. Impact of land use change on watershed water conservation and water quality purification service: a case study of Wujiang River Basin[J]. Acta Ecologica Sinica, 2023, 43(20): 8375-8389. |
| [35] | Yan X Li L H. Spatiotemporal characteristics and influencing factors of ecosystem services in Central Asia[J]. Journal of Arid Land, 2023, 15(1): 1-19. |
| [36] |
陈田田, 陈果, 王强. 贵州省碳吸收/碳排放时空变化特征及其与经济的脱钩效应[J]. 生态学报, 2024, 44(3): 915-929. Chen T T, Chen G, Wang Q. Spatiotemporal change patterns of carbon absorption/emission and decoupling effect with economy in Guizhou province[J]. Acta Ecologica Sinica, 2024, 44(3): 915-929. |
| [37] |
郭善嵩, 胡恩, 丁一桐, 等. 土地利用影响下无定河流域浮游植物群落与环境因子响应[J]. 环境科学, 2024, 45(4): 2211-2222. Guo S S, Hu E, Ding Y T, et al. Response of phytoplankton communities and environmental factors under the influence of land use in the Wuding River Basin[J]. Environmental Science, 2024, 45(4): 2211-2222. |
| [38] |
陈晓杰, 张长城, 张金亭, 等. 基于CASA模型的植被净初级生产力时空演变格局及其影响因素——以湖北省为例[J]. 水土保持研究, 2022, 29(3): 253-261. Chen X J, Zhang C C, Zhang J T, et al. Analysis of the spatiotemporal evolution patterns of vegetation net primary productivity and its influencing factors based on CASA model-a case study of Hubei province[J]. Research of Soil and Water Conservation, 2022, 29(3): 253-261. |
| [39] |
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. |
| [40] |
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. |
| [41] | Li Z Y, Jiang Z L, Qu Y K, et al. Analysis of landscape change and its driving mechanism in Chagan lake national nature reserve[J]. Sustainability, 2022, 14(9). DOI:10.3390/su14095675 |
| [42] |
王奕淇, 孙学莹. 黄河流域生态系统服务价值时空演化及影响因素[J]. 环境科学, 2024, 45(5): 2767-2779. Wang Y Q, Sun X Y. Spatiotemporal evolution and influencing factors of ecosystem service value in the Yellow River Basin[J]. Environmental Science, 2024, 45(5): 2767-2779. |
| [43] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-Temporal evolution and prediction of carbon storage in Jiuquan city ecosystem based on PLUS-InVEST Model[J]. Environmental Science, 2024, 45(1): 300-313. |
| [44] |
贾路, 于坤霞, 李占斌, 等. 流域尺度全球景观生态风险时空演变及其对NPP变化的影响[J]. 农业工程学报, 2023, 39(22): 53-62. Jia L, Yu K X, Li Z B, et al. Spatiotemporal changes of global landscape ecological risk and its impact on NPP changes at the watershed scale[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(22): 53-62. |
| [45] |
解铭威, 周慧荻, 贾文贞, 等. 太原市生态系统服务时空变化及其驱动因素[J]. 环境科学, 2025, 46(3): 1597-1607. Xie M W, Zhou H D, Jia W Z, et al. Spatiotemporal changes and driving factors of ecosystem services in Taiyuan city[J]. Environmental Science, 2025, 46(3): 1597-1607. |