2025, Vol. 46
2. 河北农业大学国土资源学院，保定 071000;
3. 中国地质大学（北京）水资源与环境学院，北京 100083
, YAN Feng2,3 , TIAN Peng-fei1 , LIANG Yue-bing1 , LI Yuan-hang2 , WEN Ze-hua1 , CHEN Ya-heng2
2. College of Land and Resources, Hebei Agricultural University, Baoding 071000, China;
3. School of Water Resources and Environment, China University of Geosciences (Beijing), Beijing 100083, China
近年来温室气体排放问题不容忽视，2020年我国针对碳排放问题提出了“力争于2030年前达到碳达峰，努力争取2060年前实现碳中和”的双碳目标[1~3]. 当前“增碳汇”和“降碳支”两方面工作亟需实现[4]，而植被作为陆地生态系统的重要组成部分在固碳减排方面显有成效. 植被净初级生产力（net primary productivity，NPP）是指在单位时间内以及单位面积上绿色植被通过光合作用所固定的有机物质总量（gross primary productivity，GPP）除去自养呼吸（autotrophic respiration，RA）后的残余部分[5]，它不仅能够反映植被本身的生长状况，还能够体现植被对CO2的固定情况，是表征植被固碳能力的重要指标[6，7]. 鉴于此，以NPP作为指标研究京津冀植被固碳能力的时空分异及影响因素对促进京津冀双碳目标的实现具有重要意义.
植被固碳能力受多种因素共同影响，厘清其影响因素有助于增强对区域植被固碳能力变化的认知. 关于植被固碳能力影响因素的选取，当前研究较多着手于气候和地形因子方面. 例如，王钊等[8]和刘旻霞等[9]基于陕西省和青海省地区分析了气温、降水和海拔等因素与植被NPP的相关性；Zhang等[10]、刘婧等[11]和刘辉等[12]通过回归分析和相关分析模型，分别在洞庭湖流域、滦河流域和乌兰县分析了降水、气温和太阳辐射等气候因素对植被NPP的影响. 也有学者基于地理探测器模型探究了秦巴山区、岷江中下游地区、三江源地区、山西省和环渤海山东区的NPP驱动机制[13~17]，结果表明气温、降水和高程等气候地形因素都对植被NPP变化有一定的影响. 在植被固碳能力的研究尺度方面，全国、区域、省域和流域尺度等不尽相同. 例如，Ge等[18]和徐海洋等[19]在全国尺度上分析了中国NPP的空间分布格局变化；也有学者在区域尺度上对长株潭绿心区、太行山燕山山区、三峡库区陆地生态系统、西南地区和秦巴山区的植被NPP的时空变化和驱动因素进行了研究[20~24]. 从过往研究来看，当前关于植被固碳的探究还存在完善的空间[25，26]. 一方面，在研究尺度上，很少有人在县域尺度上进行研究. 另一方面，当前有关植被NPP驱动因素指标的选取大都还停留在气温、降水和高程等气候地形因素方面，往往忽略了土壤类型和岩石类型等类型因子以及GDP密度和人口密度等人类活动因子的影响，选取较有局限性，未能系统全面地厘清NPP时空分异的影响因素.
京津冀地区经济相互影响，是中国的“首都经济圈”. 地理位置相邻，有着资源相互依赖、污染物相互传输、空间相互联通的关系[27]. 该区域碳排放量较大[28]，约占全国20%，是我国碳排放量最大的城市圈之一，生态环境问题日渐成为制约京津冀区域可持续发展的瓶颈[29]，亟需加大固碳减排力度促进生态发展. 鉴于此，本文在前人的研究基础上，额外选取土壤类型和岩石类型等类型因子以及GDP密度和人口密度等人类活动因子，结合最优参数地理探测器，在县域尺度上探究了京津冀的植被固碳能力时空分异格局和影响因素，以期为京津冀地区早日实现“碳达峰碳中和”目标提供科学依据.
1 材料与方法 1.1 研究区概况京津冀地区处于113°27'~119°50'E，36°03'~42°40'N之间，地处暖温带半湿润大陆性季风气候带，四季分明，南北温差较大，年均气温为10℃左右，年均降雨量为500 mm左右. 其坐落于华北平原的北部，土地面积约为21.8万km2，流动人口众多，是中国东部的咽喉要地（图 1）. 京津冀西邻山西省，南部与河南省相接，包含北京市、天津市以及河北省的11个地级市在内共计13个市，其南北方向上横跨东北和华北两域，东临渤海湾，西靠太行山，整体由西北部的燕山太行山山脉往东南方向的平原地区过渡，因此在地势上呈现由西北向东南降低的格局. 该地区地貌相对平坦，以平原地貌为主，另有高原、山地、丘陵和盆地地貌，拥有丰富的河流和湖泊资源，为该地区的农业、工业和人口发展提供了良好的条件，地理要素齐全，是全国唯一同时拥有五大地貌类型的区域. 京津冀平原地区是中国极其重要的农业发展区，盛产玉米、小麦和水稻等粮食作物[30]，山区主要植被类型为针叶林和阔叶林，包括松树、柏树、橡树和槐树等. 同时，京津冀地区是中国重要的教育、经济、科技以及文化中心，拥有丰富的人力资源，该地区的发展对于中国经济社会的持续发展具有重要意义.
|
图 1 研究区概况 Fig. 1 Overview of the study area |
本文数据信息如表 1所示. 本文所用植被净初级生产力（NPP）数据来自于美国国家航空航天局官网EOS/MODIS提供的2002~2020年的MOD17A3数据集. 经MRT软件与ArcGIS软件对其进行影像拼接、裁剪与最大值合成等预处理[31]. 本文所有空间数据均在ArcGIS软件中统一处理成WGS_1984 Albers坐标系，1 km分辨率的格式.
|
表 1 数据信息 Table 1 Data information |
1.3 研究方法 1.3.1 Sen趋势分析+MK检验
Theil-Sen Median趋势分析是一种针对非参数统计的趋势分析方法，这种方法可以有效地规避数据异常值对长时间序列分析造成的误差，因此被广泛地应用到植被动态的变化趋势研究中[32].
Sen趋势度ρ计算公式：
|
(1) |
式中，n为研究年数；xi为第i年的NPP值；ρ为趋势度，当ρ < 0时，呈下降趋势，当ρ > 0时，呈上升趋势.
Mann-Kendall检验能够有效检验植被动态的时间序列变化趋势，本研究将Sen趋势分析和MK检验相结合，分析研究区的植被固碳能力变化趋势以及显著情况[33].
MK检验公式：
|
(2) |
|
(3) |
|
(4) |
式中，Q为检验的统计量；Z为进行标准化过后的检验统计量；Var（Q）为方差，在给定的α显著性水平下，若Z < α/2则表示通过了相应置信度的显著性检验.
1.3.2 偏相关分析偏相关分析是一种探究因变量与单一自变量之间联系的研究方法，这种方法的优点在于能够去除掉其他自变量的影响，本文应用此方法来探究NPP与年均气温和ET（蒸散发）的相关关系[34]. 计算公式为：
|
(5) |
式中，x、y和z分别为NPP、气温和蒸散发；Rxy，z为在蒸散发不变的情况下，NPP与气温的偏相关系数，其取值范围为[-1, 1].
1.3.3 最优参数地理探测器使用最优参数地理探测器模型中的因子探测和交互探测来探究NPP变化中各个影响因子影响力的高低. 因子探测可以探究各个自变量对于因变量的解释强度，交互作用探测可以对两个自变量的组合效应是否会增强/减弱对因变量的影响进行分析[35]. 表 2为本文的最优参数地理探测器选取指标，其中X1~X9为连续型变量，X10~X14为类型变量.
|
(6) |
|
|
表 2 地理探测器指标选取 Table 2 Selection of geodetector indicators |
式中，q（0≤q≤1）为各个影响因子对NPP变化的影响力大小，L为影响因子的分类，N和δ2为总样本量和总方差，Nh和δh2为h层的样本数和方差.
风险探测可以确定NPP变化过程中各影响因子的波动范围，用t检验来确定不同子区域属性均值是否存在显著差异[36]，公式如下：
|
(7) |
式中，nh为子区域h内的样本数目；Yh为子区域h内的NPP值.
1.3.4 Hurst指数Hurst指数是一种用于分析长时间序列信息长期行为特征的研究方法，在统计学和气候学等领域都具有很广阔的应用，本文利用其来判断京津冀地区未来NPP的变化趋势[37]，计算公式如下.
对于时间序列定义为{（t），t=1，2，…}，再定义某个τ为均值序列τ=1，2，…即：
|
(8) |
累计离差：
|
(9) |
级差R：
|
(10) |
标准差S：
|
(11) |
S、τ关系式：
|
(12) |
拟合时采用最小二乘法，可以得到Hurst指数，即：
|
(13) |
式中，H为Hurst指数；R（τ）为极值；S（τ）标准差；c为常数；lg（R/S）τ序列为自变量；lg（τ）序列为因变量. 根据Hurst指数变化，可将其划分为反持续性（0≤H≤0.5）和持续性（0.5≤H≤1）这2个等级. 为了更准确的分析研究区未来植被固碳能力的变化趋势，本文进一步将Hurst指数结果与Sen趋势分析结果进行叠加并划分等级[38]，划分结果如表 3所示，分别为：反持续性下降（Sen < 0，0≤H≤0.5）、反持续性上升（Sen > 0，0≤H≤0.5）、持续性下降（Sen < 0，0.5≤H≤1）及持续性上升（Sen > 0，0.5≤H≤1）这4个等级.
|
|
表 3 植被固碳能力未来变化趋势等级划分 Table 3 Classification of future trends in vegetation carbon sequestration capacity |
2 结果与分析 2.1 植被NPP时空格局分析 2.1.1 植被NPP时间变化特征
采用一元线性回归分析对研究区2002~2020年间NPP值进行分析，结果显示（图 2），自2002年来，NPP值介于259.89~383.53 g·（m2·a）-1之间，2007年为最低值259.89 g·（m2·a）-1，2016年为最高值383.53 g·（m2·a）-1，总体呈波动增加趋势，年均增加4.316 6 g·（m2·a）-1，平均值为333.72 g·（m2·a）-1. 以2010年为界，NPP在2002~2010年间波动较为强烈，大多数低于平均值，分布在260~360 g·（m2·a）-1内，其中2002~2004年与2007~2008年为上升阶段，2004~2007年与2007~2010年为下降阶段. 在2011~2020年间，NPP变化幅度相比2002~2010年间而言幅度较小，随时间呈现稳步地增长趋势，基本高于平均值，分布在320~380 g·（m2·a）-1之间. 总体来看，近20 a京津冀地区NPP值与时间变化存在线性关系.
|
图 2 年均NPP随时间变化规律 Fig. 2 Changes in annual average NPP over time |
结合一元线性回归分析结果，进一步采用Sen趋势-MK检验方法对NPP值与时间变化的线性关系进行验证并进行显著性检验，将检验结果划分为极显著上升（Sen > 0，P < 0.01）、显著上升（Sen > 0，0.01 < P < 0.05）、不显著上升（Sen > 0，P > 0.05）、无变化（Sen=0）、不显著下降（Sen < 0，P > 0.05）、显著下降（Sen < 0，0.01 < P < 0.05）以及极显著下降（Sen < 0，P < 0.01）7个分区，得到像元尺度NPP显著性分区（图 3）. 结果显示，自2002年以来京津冀绝大部分地区植被NPP呈上升趋势，占总面积的93.80%，其中极显著上升趋势的面积占比为64.77%，尤其西北与东北部地区极为明显（张家口市和承德市）；无变化的区域占总面积的2.63%，主要分布在各城区位置；呈下降趋势的面积占比为3.61%，主要分布在唐山市的迁安、丰南，曹妃甸三县区以及邯郸市的大名县和秦皇岛市的昌黎县等区域.
|
图 3 NPP变化趋势及显著性分区 Fig. 3 NPP trends and significance partitioning |
结合地貌、岩石、植被、土壤和土地利用类型分布现状对京津冀2002~2020年NPP多年均值进行空间分析. 结果显示（图 4），NPP均值空间上呈现由西北向东南“低-高-低”的阶梯式分布格局，东北均值高，西北、东南均值低，空间差异较大，变化范围介于50.74~739.67 g·（m2·a）-1之间. 年均NPP高值区域主要分布在太行山和燕山山脉一带，由河北省西南一带地区（平山、阜平、涞源、涞水和涿鹿县等）向河北省东北方向承德、秦皇岛（抚宁和昌黎县等）地区分布，尤其是承德市基本全域处于NPP均值高值区. 以上区域多是地处山区（以小起伏中山与中起伏中山为主），土地利用多为林地和草地，人类活动影响较小，植被生态良好，主要植被类型为灌丛、草丛和阔叶林这3种；山体岩石较多，岩石类型主要为变质岩、酸性深成岩、中性火山岩和酸性火山岩这4种；土壤分布以棕壤和褐壤为主. NPP低值区主要分布在河北省西北部的坝上高原地区和东南平原地区，尤其是各主要城市群的城区区域NPP值更低，普遍低于300 g·（m2·a）-1，以上区域地貌多为平原和丘陵，岩石分布较少，大都以松散沉积物为主. 土壤类型主要为潮土与栗钙土，土地利用以耕地为主，植被类型也多为农作物和草地等栽培植被.
|
图 4 多年平均NPP随空间变化规律及地貌和岩石类型等分布 Fig. 4 Changes in spatial variation of multi-year average NPP and distribution of landforms, rock types, etc |
利用Hurst指数预测京津冀地区NPP未来变化趋势，如图 5（a），京津冀地区Hurst指数介于0.17~0.88之间，平均值为0.44，空间分布上整体呈现由东南向西北递减的趋势，这表明在未来一段时间内，东南部地区的植被固碳能力发展较西北地区而言更为稳定. 将Hurst指数结果与Sen趋势分析结果进行叠加并划分为反持续性下降、反持续性上升、持续性下降及持续性上升4个等级，并基于像元尺度统计各等级的分区占比. 图 5（b）结果表明，京津冀未来NPP的反持续性大于持续性，反持续性总体占比为77.44%，与持续性分布在空间上呈现西南到东北的对角式分布格局. 其中反持续性下降和持续性上升面积分别占比为2.27%和21.04%，主要分布在河北省的东南滨海平原地区（如黄骅市、海兴县和盐山县等）以及天津和秦皇岛的沿海区域，以上区域未来植被生长状况会有所改善. 呈反持续性上升趋势的地区主要分布于京津冀地区的西部和北部，这些地区未来京津冀NPP仍会在一段时期内缓慢上升，但上升速率较之前会有所下降. 持续性下降地区主要集中在邯郸市的大名县和唐山市的迁安、丰南，曹妃甸三县区，这部分地区未来植被发展应该重点关注.
|
图 5 NPP未来趋势及变化类型 Fig. 5 NPP future trends and types of changes |
参考相关研究和研究区实际情况，本文将连续型因子的间断区间分为4~9类. 通过模型计算，确定每个连续型因变量的q值达到最大时的分级方法和分级层数，然后对其进行空间离散化，得到最优空间连续型数据离散参数设定的结果（表 4）：选用分位数间隔中断法将耕地面积、GDP密度和人口密度分为8、6和8类；选用自然间隔中断法将夜间灯光、年均气温和高程分为8类，ET（蒸散发）分为9类；选用等间距间隔中断法将年均降水分为8类；选用几何间隔中断法将FVC（植被覆盖度）分为8类.
|
|
表 4 连续型因子离散化结果 Table 4 Continuous type factor discretization results |
2.3.2 单因子探测分析
采用参数最优地理探测器的单因子探测识别单因子对京津冀地区NPP的解释力大小，解释力用q值表示，q值越大，表示因子对NPP的解释力越强. 结果显示（表 5），不同因子对植被净初级生产力（NPP）变化的解释力存在显著差异，各因子对京津冀NPP的平均解释力如下：年均气温（0.485 9） > 地貌类型（0.479 2） > 岩石类型（0.432 0） > 高程（0.387 6） > ET（0.362 7） > 人口密度（0.349 3） > 土壤类型（0.342 1） > 夜间灯光（0.339 0） > 土地利用类型（0.332 0） > GDP密度（0.300 7） > FVC（0.211 6） > 耕地面积（0.210 0） > 植被类型（0.206 2） > 年均降水（0.106 2）. 年均气温、地貌类型和岩石类型这三者解释力相对较高均超过0.4，为京津冀地区植被固碳能力变化的主要驱动因子，尤其是年均气温q值最大，解释力高达0.485 9. 降水、植被类型、FVC（植被覆盖度）和耕地面积这4个因子解释力相对较低（< 0.25），但也对京津冀地区NPP变化起到一定作用. 其余高程、ET（蒸散发）、人口密度、土壤类型、夜间灯光、土地利用类型和GDP密度这7个因子解释力均在0.3以上，为京津冀地区植被固碳能力变化的次级驱动因子.
|
|
表 5 单因子探测分析结果 Table 5 Results of one-way detection analysis |
2.3.3 交互因子探测分析
单因子无法全面解释NPP空间变化，需要考虑多种自然和人为因素的协同作用，因此采用交互探测进一步识别两个不同因子交互后对京津冀地区NPP的解释力大小. 结果显示（图 6），任意两因子交互后对NPP的解释力均大于其本身单个因子的解释力. 其中年均气温与其他因子交互后进一步增强了年均气温的作用，尤其是与ET（蒸散发）和FVC（植被覆盖度）交互后解释力高达0.7以上. 年均降水单因子解释力并不高，但与年均气温交互作用后解释力达到0.6，这表明在京津冀地区年均降水因子单独对NPP变化的影响较小，需与年均气温共同作用促进NPP变化. 其次，年均气温与土壤类型和地貌类型这两个因子交互后解释力也能达到0.6以上，进一步说明，年均气温是影响京津冀地区NPP变化的主要驱动因子，且年均气温与其他因子的交互作用进一步增强对NPP的影响. 另外，ET（蒸散发）这一因子在和其他因子交互后解释力也有大幅度上升，其中和高程交互作用后解释力高达0.7以上，与夜间灯光、人口密度、岩石类型和地貌类型这4个因子交互后解释力均达到0.6以上.
|
图 6 交互因子探测分析结果 Fig. 6 Interaction factor detection analysis results |
风险探测可以精确地描述有利于NPP变化的环境条件下各个影响因素的变化范围. 此外，风险探测为变量定义的特定空间区域提供了有价值的风险指标，进一步考察各空间区域的风险指标是否存在显著差异. 如图 7所示，风险探测的结果揭示了不同解释变量范围内的数据对NPP变化影响的波动性. 结果表明，解释变量各间隔区间内的NPP表现出明显的差异. 在连续型变量中，随着耕地面积和降水的变化，NPP呈波动变化趋势，在耕地面积介于191~236 km2、年均降水量介于433~472 mm之间时，最有利于NPP发展；NPP随着夜间灯光、GDP密度、人口密度和年均气温的变化而逆向变化，当以上变量变化范围介于0~216 cd·m-2（cd·m-2为夜间灯光国际常用单位，表示单位面积上光源发出的光通量密度）、0~0.261万元·km-2、0~18人·km-2和-1~3.79℃时，NPP发展较快；NPP与ET（蒸散发）、FVC和高程的变化是同向变化，当ET（蒸散发）介于567~622 mm、FVC介于0.947~1和高程介于1 570~2 400 m之间时，有利于NPP发展. 在类型变量中，当土地利用类型为林地、土壤类型为棕壤、岩石类型为中性火山岩、植被类型为落叶针叶林和地貌类型为中起伏中山时，植被NPP发展最优.
|
红色、灰色和蓝色柱状填充分别表示NPP的高值、中值和低值；横轴表示NPP值，单位为g·（m2·a）-1；竖轴表示各个变量取值区间，X1的单位为km2，X2的单位为cd·m-2，X3的单位为万元·km-2，X4的单位为人·km-2，X5的单位为℃，X6和X7的单位为mm，X8的范围介于0~1之间，X9的单位为m，X10~X14为类型变量 图 7 风险探测分析 Fig. 7 Risk detection analysis |
根据地理探测器模型结果，选出q值最高的两个连续型气象因子进行偏相关分析，年均气温与ET（蒸散发）为q值最高的两个连续型气象因子变量. 结果如图 8，在控制ET（蒸散发）的条件下，京津冀NPP与年均气温偏相关系数为-0.76~0.89. 53%的区域表现为NPP与年均温度呈正相关，主要位于京津冀中东部沿海地区（包括天津市、沧州市和唐山市等）和西北部张家口坝上草原地区（张北、尚义、万全、怀安和阳原等县区）. 负相关区域主要分布在京津冀地区的低平原地区和太行山山麓平原到燕山山脉山前平原一带. 在控制年均气温的条件下，京津冀地区与ET（蒸散发）偏相关系数为-0.87~0.99，其中有97%的区域NPP与ET（蒸散发）呈正相关，仅有3%的区域NPP与ET（蒸散发）呈负相关，负相关区域分布较为分散，主要分布在河北省与河南省的边界交接地带（邯郸市的临漳县、魏县和大名县），其次是邢台市的宁晋县和保定市的定州和安国，以上地区的植被建设和生态质量未来应该重点关注.
|
图 8 NPP与年均气温和蒸散发的偏相关系数 Fig. 8 Partial correlation coefficients of NPP with mean annual air temperature and evapotranspiration |
从时间上看，2002~2020年间京津冀地区植被NPP呈上升趋势，这与之前学者的研究结论一致[39，40]. 这主要归因于2002年国家退耕还林和还草生态政策的全面启动实施，使得京津冀地区历年来生态环境质量不断改善，促进了植被固碳能力的提高. 从近20 a变化趋势来看，以2010年为界NPP变化由前期波动较大转为后期较为平缓[41]，这一时期正是我国建设生态修复工程的重要阶段，在相关政策支撑下，京津冀地区大力开展生态文明建设和推进绿色发展理念，通过“生物多样性保护”和“三北防护林体系建设工程”等生态工程的建设与生态保护屏障的打造，使得京津冀地区绿色全面发展的新格局逐渐形成，区域植被覆盖率和植被固碳能力得到明显提高[42]. 从过去趋势来看，京津冀西北与东北部地区植被固碳能力上升趋势极为明显，在研究区内占比64.77%. 这缘于西北坝上草原及东北山地地区人口密度较小且生态环境不易受外界环境干扰，同时作为重点生态保护区，以上地区植被发展良好，植被固碳能力随之增强. 植被固碳能力呈下降趋势的地区分布较为分散，包括唐山市的迁安，丰南和曹妃甸三县区，秦皇岛市的昌黎县和邯郸市的大名县等区域. 迁安，丰南和曹妃甸三县区主要受当地钢铁产业影响，使得当地植被生长环境质量下降；昌黎县则是受当地沿海影响，土壤状况不佳，植被生长受阻；大名县位于河北省与河南省交接地带，可能受土地利用方式和城市扩张等人类活动影响[43]，植被固碳能力出现退化现象. 在未来的生态环境治理中需重点关注以上植被固碳能力下降趋势地区，提高其生态环境的稳定性.
京津冀NPP均值空间上呈现由西北向东南“低-高-低的”阶梯式分布格局，东北均值高，西北、东南均值低，空间差异较大. 京津冀东北地区及太行山与燕山山脉一带（承德市及平山、阜平、涞源、涞水，涿鹿、抚宁和昌黎县等）NPP均值较高. 以上地区多为山区，土地利用类型多为林地，其植被类型多样，以灌丛、草丛和阔叶林为主，同时受人类活动影响较小，水热条件优良，植被生长条件优于其他地区，因此NPP值较高，植被固碳能力较强，这与之前学者的研究结果一致[44，45]. 另外，该区山体岩石较多，类型多样，以变质岩、酸性深成岩、中性火山岩以及酸性火山岩为主，岩石作为成土母质，进一步影响土壤类型，以上地区土壤类型主要以棕壤与褐壤为主，矿物质含量与土壤肥力较高，适合植被生长，植被固碳能力也相应较高. NPP低值区主要分布在西北部高原地区以及东南平原各主要城市群的城区区域，以上地区岩石分布较少，大都以松散沉积物为主. 土壤类型主要为潮土和栗钙土，更宜耕作，因此土地利用以耕地为主，植被类型也多为农作物和草地等栽培植被. 相比林地而言，耕地和草地本身植被固碳能力较低. 另外，城区作为经济发展的核心区域，植被分布少，能源消耗高且碳排放多，致使城市群植被净初级生产力较低，植被固碳能力也相应较低.
3.2 植被固碳能力未来变化趋势分析从未来趋势来看，京津冀地区的植被固碳能力反持续性大于持续性，反持续性总体占比为77.44%，这表明未来京津冀地区总体的植被固碳能力趋势发展大概率会与之前近20 a的变化趋势保持相反，即在未来一段时期内京津冀地区植被固碳能力仍会保持上升趋势，但是上升速率较之前会呈现降低趋势，如果人类不加以干预，在未来的某一节点，植被固碳能力会趋于稳定甚至会开始出现下降趋势，这与张莎的研究结果一致[46]. 反持续性下降和持续性上升趋势地区分布较为集中，主要分布于京津冀地区的东南方位，即河北省的低平原地区（廊坊市、沧州市、衡水市和邢台市部分县区）以及天津市和秦皇岛市沿海一带，以上地区地势宽阔，水热条件较好，未来植被固碳能力会有所上升. 反持续性上升趋势的地区主要分布在京津冀地区西部与北部，这部分植被固碳能力短时间内不会出现下降，但未来不确定性较大，太行山山脉与燕山山脉，山区地势较高，受气候灾害影响较大且生态环境较为脆弱，植被更容易出现退化. 因此，未来需要合理规划自然保护区与生态保护红线，坚持山水林田湖草沙一体化保护和修复理论，实施封山育林和还林还草等政策[47]，加大京津冀的生态保护力度，最大程度减小人类活动和自然因素带来的植被退化的风险. 此外，由于NPP趋势的变化较为复杂，Hurst指数表明未来NPP变化的结果具有较大不稳定性，因此植被固碳能力具体的未来变化趋势仍要结合相关方法和数据进一步探索[48].
3.3 植被固碳能力影响因素分析最优参数地理探测器中单因子探测结果显示，年均气温对植被NPP的解释力最高，地貌类型和岩石类型次之. 这表明年均气温、地貌类型和岩石类型这三者为京津冀地区植被固碳能力变化的主要驱动因素，尤其是年均气温解释力高达0.485 9，主要原因在于气温是植被生长必不可少的因素，植被的光合作用与蒸腾作用等生长活动都受气温影响，气温还可以改变植被生长环境的土壤温度与环境湿度来影响植被的生长与存活；地貌类型与植被生长关系密切，不同的地貌起伏下光照与可利用的水资源也不同，比如在山体的阴坡与阳坡采光率不同，植被生长也不同；岩石类型解释力较高的原因在于不同的岩石类型会导致植被的分布不均，例如石灰岩地区由于岩溶作用形成的地下洞穴和天坑等特殊地貌，为植物的生长提供了特殊的环境，以上地区的植被分布和生长情况与周围地区会存在明显的差异. 年均降水解释力最低，可能与京津冀地区平原区耕地面积占比较大，农田灌溉等人类活动较为频繁有关，使得降水对NPP的影响降低[49]. 另外，也可能与京津冀地区地处半湿润地区，对降水变化的敏感性本身就低有关.
与单因子相比，两因子的交互作用可以进一步提高其对NPP空间分异的解释力. 其中年均气温和ET（蒸散发）与FVC（植被覆盖度）交互后解释力高达0.7以上，与年均降水交互作用后解释力达到0.6以上，但年均降水单因子解释力并不高，表明对于地处半湿润和半干旱过渡带的京津冀地区来说，年均降水因子单独对NPP变化的影响较小，与年均气温协同作用才能对NPP的空间分异产生强烈影响，同时这也进一步确立了年均气温在植被固碳能力变化驱动因素中的主导地位. 另外，风险探测结果显示，在连续变量中，当耕地面积、年均降水量、夜间灯光、GDP密度、人口密度、年均气温、ET（蒸散发）、FVC和高程分别介于191~236 km2、433~472 mm、0~216 cd·m-2、0~0.261万元·km-2、0~18人·km-2、-1~3.79℃、567~622 mm、0.947~1和1 570~2 400 m之间时，植被固碳能力发展最优. 其中气温数据为包含冬季在内的年均数据，因此最适宜温度的结果会存在误差. 在类型变量中，当土地利用类型为林地、土壤类型为棕壤、岩石类型为中性火山岩、植被类型为落叶针叶林和地貌类型为中起伏中山时，最有利于植被固碳能力发展[50].
NPP与年均气温和ET（蒸散发）的偏相关分析结果显示，这两个因子与植被固碳能力均呈现正相关关系. 其中年均气温与NPP偏相关系数为-0.76~0.89，正相关区域主要位于京津冀中东部沿海地区（包括天津市、沧州市和唐山市等）和西北部张家口坝上草原地区（张北、尚义、万全、怀安和阳原等县区）. 中东部沿海地区由于靠近海洋，水资源条件良好，气温常年较低，因此适当升温有利于植物体内有机物质积累促进生长. 草原地区升温会加快水汽蒸发，增强蒸腾作用，增加降水，为牧草生长和草原生态的恢复提供有利条件. 负相关区域主要分布在京津冀地区的低平原地区和太行山山麓平原到燕山山脉山前平原一带，山区枯枝落叶较多天气较为干燥，坡度较大导致水分难以保存，升温会加大植被对水分的需求，阻碍植被生长. 在控制年均气温的条件下，京津冀地区与ET（蒸散发）偏相关系数为-0.87~0.99，其中仅有3%的区域NPP与ET（蒸散发）呈负相关，主要分布在不同地区的边界交接地带，可能与数据精度有关. 整体而言，不同区域的植被固碳能力与年均气温和ET（蒸散发）存在着不同的响应关系，主要与其影响因素较多且关系比较复杂有关. 如：不同地貌导致的植被类型地带性差异、不同地区的土壤类型及养分不同和有所差异的水热组合状况等，这些都会直接的或间接地对植被固碳产生影响，使得不同因子与植被固碳能力的相关性也存在差异.
4 结论（1）时间上，2002~2020年京津冀植被NPP值介于259.89~383.53 g·（m2·a）-1之间，总体呈波动增加趋势，年均增加4.316 6 g·（m2·a）-1，平均值为333.72 g·（m2·a）-1. 空间上，呈现由西北向东南“低-高-低”的阶梯式分布格局，东北均值高，西北、东南均值低.
（2）京津冀植被固碳能力近20 a极显著增加区域主要聚集在张家口市和承德市，下降区域主要分布在唐山市的迁安和丰南，曹妃甸三县区以及邯郸市的大名县和秦皇岛市的昌黎县等区域. 从未来趋势来看，研究区植被固碳能力短时间内呈现缓慢增加的趋势.
（3）各影响因子对植被固碳能力空间分异的解释力有所差异，其中年均气温、地貌类型和岩石类型是影响植被固碳能力空间分异的最主要因素（q > 0.6，P < 0.01）. 交互因子探测中，年均气温和ET（蒸散发）与FVC（植被覆盖度）交互后解释力处于顶端. 京津冀植被固碳能力与年均气温和ET（蒸散发）呈正相关关系，偏相关系数分别介于-0.80~0.83之间和-0.66~0.93之间.
| [1] |
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. |
| [2] |
王勇, 程瑜, 杨光春, 等. 2020和2030年碳强度目标约束下中国碳排放权的省区分解[J]. 中国环境科学, 2018, 38(8): 3180-3188. Wang Y, Cheng Y, Yang G C, et al. Provincial decomposition of China's carbon emission rights under the constraint of 2020 and 2030 carbon intensity targets[J]. China Environmental Science, 2018, 38(8): 3180-3188. DOI:10.3969/j.issn.1000-6923.2018.08.049 |
| [3] | Dong F, Dai Y J, Zhang S N, et al. Can a carbon emission trading scheme generate the Porter effect? Evidence from pilot areas in China[J]. Science of the Total Environment, 2019, 653: 565-577. DOI:10.1016/j.scitotenv.2018.10.395 |
| [4] |
李成, 杨舒慧, 吴芳, 等. "双碳"背景下中国能源消费碳排放与植被固碳的时空分异[J]. 中国环境科学, 2022, 42(4): 1945-1953. Li C, Yang S H, Wu F, et al. Spatio-temporal patterns of CO2 emissions from energy consumption and vegetation carbon sequestration in China under the emission peak and carbon neutrality[J]. China Environmental Science, 2022, 42(4): 1945-1953. DOI:10.3969/j.issn.1000-6923.2022.04.052 |
| [5] | Zhao M S, Running S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009[J]. Science, 2010, 329(5994): 940-943. DOI:10.1126/science.1192666 |
| [6] |
穆少杰, 李建龙, 周伟, 等. 2001—2010年内蒙古植被净初级生产力的时空格局及其与气候的关系[J]. 生态学报, 2013, 33(12): 3752-3764. Mu S J, Li J L, Zhou W, et al. Spatial-temporal distribution of net primary productivity and its relationship with climate factors in Inner Mongolia from 2001 to 2010[J]. Acta Ecologica Sinica, 2013, 33(12): 3752-3764. |
| [7] |
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. |
| [8] |
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. |
| [9] |
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. |
| [10] | 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 |
| [11] |
刘婧, 汤峰, 张贵军, 等. 2000—2015年滦河流域植被净初级生产力时空分布特征及其驱动因子分析[J]. 中国生态农业学报(中英文), 2021, 29(4): 659-671. Liu J, Tang F, Zhang G J, et al. Spatio-temporal distribution of net primary productivity and its driving factors in the Luanhe River Basin from 2000 to 2015[J]. Chinese Journal of Eco-Agriculture, 2021, 29(4): 659-671. |
| [12] |
刘辉, 宋孝玉, 王荣荣, 等. 1982—2020年乌兰县植被NPP时空动态特征及驱动力量化分析[J]. 农业工程学报, 2024, 40(3): 328-334. Liu H, Song X Y, Wang R R, et al. Quantitative analysis of the spatiotemporal dynamics and driving forces of vegetation NPP in Wulan County of China from 1982 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(3): 328-334. |
| [13] |
李金珂, 杨玉婷, 张会茹, 等. 秦巴山区近15年植被NPP时空演变特征及自然与人为因子解析[J]. 生态学报, 2019, 39(22): 8504-8515. Li J K, Yang Y T, Zhang H R, et al. Spatio-temporal variations of net primary productivity and its natural and human factors analysis in Qinling-Daba Mountains in the past 15 years[J]. Acta Ecologica Sinica, 2019, 39(22): 8504-8515. |
| [14] |
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. |
| [15] |
贺倩, 杨雪琴, 戴晓爱. 2010—2015年三江源地区植被净初级生产力变化特征及影响因素分析[J]. 长江科学院院报, 2020, 37(5): 59-66. He Q, Yang X Q, Dai X A. Variation characteristics and influence factors of net primary productivity of vegetation in the Three-River Headwaters region from 2010 to 2015[J]. Journal of Yangtze River Scientific Research Institute, 2020, 37(5): 59-66. |
| [16] |
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. |
| [17] |
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. |
| [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] |
涂海洋, 古丽·加帕尔, 于涛, 等. 中国陆地生态系统净初级生产力时空变化特征及影响因素[J]. 生态学报, 2023, 43(3): 1219-1233. Tu H Y, Jiapaer G L, Yu T, et al. Analysis of spatio-temporal variation characteristics and influencing factors of net primary productivity in terrestrial ecosystems of China[J]. Acta Ecologica Sinica, 2023, 43(3): 1219-1233. |
| [20] |
刘贤赵, 罗政英, 肖海. 长株潭绿心区植被月NPP的时空变化及对气候地形因子的响应[J]. 环境科学, 2024, 45(12): 6888-6898. Liu X Z, Luo Z Y, Xiao H. Spatio-temporal variation of monthly vegetation NPP and its responses to climate and terrain factors in Chang-Zhu-Tan Green Heart Area[J]. Environmental Science, 2024, 45(12): 6888-6898. |
| [21] |
闫丰, 李晨阳, 王靖, 等. 京津冀生态屏障区植被NPP时空演变驱动力定量解析[J]. 环境科学, 2025, 46(1): 327-339. Yan F, Li C Y, Wang J, et al. Quantitative analysis of the drivers of the spatio-temporal evolution of vegetation NPP in the Beijing-Tianjin-Hebei ecological barrier area[J]. Environmental Science, 2025, 46(1): 327-339. |
| [22] |
范莉, 叶钊, 祝好, 等. 三峡库区陆地生态系统净初级生产力时空演变及其影响因素[J]. 中国农业气象, 2024, 45(5): 493-505. Fan L, Ye Z, Zhu H, et al. Spatio-temporal variation and its influence factors on net primary productivity of terrestrial ecosystems in the Three Gorges Reservoir Area[J]. Chinese Journal of Agrometeorology, 2024, 45(5): 493-505. DOI:10.3969/j.issn.1000-6362.2024.05.005 |
| [23] |
徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274. Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation in net primary productivity of different vegetation types and its influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. |
| [24] |
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. |
| [25] | Ruimy A, Saugier B, Dedieu G. Methodology for the estimation of terrestrial net primary production from remotely sensed data[J]. Journal of Geophysical Research: Atmospheres, 1994, 99(D3): 5263-5283. DOI:10.1029/93JD03221 |
| [26] | Schuur E A G. Productivity and global climate revisited: the sensitivity of tropical forest growth to precipitation[J]. Ecology, 2003, 84(5): 1165-1170. DOI:10.1890/0012-9658(2003)084[1165:PAGCRT]2.0.CO;2 |
| [27] |
苑清敏, 张枭, 李健. 京津冀协同发展背景下合作生态补偿量化研究[J]. 干旱区资源与环境, 2017, 31(8): 50-55. Yuan Q M, Zhang X, Li J. How to determine the cooperation about the ecological compensation under the background of the coordinated development of Beijing-Tianjin-Hebei[J]. Journal of Arid Land Resources and Environment, 2017, 31(8): 50-55. |
| [28] |
卢俊宇, 黄贤金, 陈逸, 等. 基于能源消费的中国省级区域碳足迹时空演变分析[J]. 地理研究, 2013, 32(2): 326-336. Lu J Y, Huang X J, Chen Y, et al. Spatiotemporal changes of carbon footprint based on energy consumption in China[J]. Geographical Research, 2013, 32(2): 326-336. |
| [29] |
闫丰, 王洋, 杜哲, 等. 基于IPCC排放因子法估算碳足迹的京津冀生态补偿量化[J]. 农业工程学报, 2018, 34(4): 15-20. Yan F, Wang Y, Du Z, et al. Quantification of ecological compensation in Beijing-Tianjin-Hebei based on carbon footprint calculated using emission factor method proposed by IPCC[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(4): 15-20. |
| [30] |
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 basedon CASA model[J]. Remote Sensing for Land & Resources, 2015, 27(1): 133-139. |
| [31] |
李月, 冯霞, 吴路华, 等. 贵州高原典型喀斯特县域生境质量时空演变及定量归因[J]. 环境科学, 2024, 45(5): 2793-2805. Li Y, Feng X, Wu L H, et al. Spatial-temporal evolution and quantitative attribution of habitat quality in typical karst counties of Guizhou Plateau[J]. Environmental Science, 2024, 45(5): 2793-2805. |
| [32] |
贾一越, 齐璇璇, 黄蕊, 等. 山西省植被覆盖度的时空变化及驱动因子[J]. 应用生态学报, 2024, 35(4): 1073-1082. Jia Y Y, Qi X X, Huang R, et al. Spatiotemporal variation and driving factors of vegetation coverage in Shanxi Province, China[J]. Chinese Journal of Applied Ecology, 2024, 35(4): 1073-1082. |
| [33] |
马楠, 白涛, 蔡朝朝. 2000-2021年新疆植被覆盖度变化及驱动力[J]. 水土保持研究, 2024, 31(1): 385-394. Ma N, Bai T, Cai Z Z. Vegetation cover change and its response to climate and surface factors in Xinjiang based on different vegetation types[J]. Research of Soil and Water Conservation, 2024, 31(1): 385-394. |
| [34] |
陈成, 杨栋淏, 王建雄, 等. 滇西南植被覆盖度动态变化特征及其驱动力分析[J]. 水土保持研究, 2022, 29(4): 198-206. Chen C, Yang D H, Wang J X, et al. Analysis on dynamic change characteristics and driving forces of vegetation coverage in Southwestern Yunnan[J]. Research of Soil and Water Conservation, 2022, 29(4): 198-206. |
| [35] |
林妍敏, 李文慧, 南雄雄, 等. 基于地理探测器的宁夏贺兰山植被覆盖度时空分异及驱动因子[J]. 应用生态学报, 2022, 33(12): 3321-3327. Lin Y M, Li W H, Nan X X, et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3321-3327. |
| [36] |
李自闯, 董国涛, 姚楠. 1982-2015年黄河中游NDVI时空变化及驱动力分析[J]. 水土保持研究, 2024, 31(2): 202-210. Li Z C, Dong G T, Yao N. Analysis of spatiotemporal variations and driving forces of NDVI in the middle reaches of Yellow River during 1982-2015[J]. Research of Soil and Water Conservation, 2024, 31(2): 202-210. |
| [37] | Lieth H, Whittaker R H. Primary productivity of the biosphere[M]. Berlin: Springer-Verlag Press, 1975. |
| [38] | 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 |
| [39] |
赵志平, 汉瑞英, 关潇, 等. 2000—2019年京津冀地区植被覆盖状况变化及驱动因素[J]. 生态学报, 2022, 42(21): 8860-8868. Zhao Z P, Han R Y, Guan X, et al. Change of vegetation coverage and the driving factor in the Beijing-Tianjin-Hebei region from 2000 to 2019[J]. Acta Ecologica Sinica, 2022, 42(21): 8860-8868. |
| [40] |
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 Changjiang River Scientific Research Institute, 2023, 40(7): 66-72, 103. |
| [41] |
孙涛, 孙然好, 陈利顶. 京津冀城市群土地利用转化对植被净生产力的影响模式研究[J]. 环境生态学, 2020, 2(4): 1-8, 17. Sun T, Sun R H, Chen L D. Research on the relationship between changes in vegetation net productivity and land use type transformation in urban agglomeration[J]. Environmental Ecology, 2020, 2(4): 1-8, 17. |
| [42] |
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. |
| [43] |
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. |
| [44] |
高旭旭, 于长文, 张婧, 等. 定量评估京津冀气候变化和人类活动对植被NPP变化的相对作用[J]. 中国农业气象, 2022, 43(2): 124-136. Gao X X, Yu C W, Zhang J, et al. Quantitative assessment on the relative influence of climatic change and human activities on net primary productivity in Beijing-Tianjin-Hebei[J]. Chinese Journal of Agrometeorology, 2022, 43(2): 124-136. DOI:10.3969/j.issn.1000-6362.2022.02.004 |
| [45] |
朱利欣, 袁金国. 京津冀地区植被净初级生产力时空分布及其与地形因子的关系[J]. 科技通报, 2019, 35(6): 197-203. Zhu L X, Yuan J G. Spatiotemporal distribution of vegetation net primary productivity and its relationship with topographic factors in Beijing-Tianjin-Hebei Region[J]. Bulletin of Science and Technology, 2019, 35(6): 197-203. |
| [46] |
张莎. 基于长时间序列多源遥感数据的河北省植被NPP时空分布研究[D]. 石家庄: 河北师范大学, 2015. Zhang S. Spatiotemporal distribution of vegetation NPP in Hebei Province based on long-term series multi-source remote sensing data[D]. Shijiazhuang: Hebei Normal University, 2015. |
| [47] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [48] |
王川, 王丽莎, 张勇勇, 等. 2000—2020年祁连山植被净初级生产力时空变化及其驱动因素[J]. 生态学报, 2023, 43(23): 9710-9720. Wang C, Wang L S, Zhang Y Y, et al. Spatiotemporal change and driving factors of net primary productivity in Qilian Mountains from 2000 to 2020[J]. Acta Ecologica Sinica, 2023, 43(23): 9710-9720. |
| [49] |
王金杰, 赵安周, 胡小枫. 京津冀植被净初级生产力时空分布及自然驱动因子分析[J]. 生态环境学报, 2021, 30(6): 1158-1167. Wang J J, Zhao A Z, Hu X F. Spatiotemporal distribution of vegetation net primary productivity in Beijing-Tianjin-Hebei and natural driving factors[J]. Ecology and Environmental Sciences, 2021, 30(6): 1158-1167. |
| [50] |
张华, 李明, 宋金岳, 等. 基于地理探测器的祁连山国家公园植被NDVI变化驱动因素分析[J]. 生态学杂志, 2021, 40(8): 2530-2540. Zhang H, Li M, Song J Y, et al. Analysis of driving factors of vegetation NDVI change in Qilian Mountain National Park based on geographic detector[J]. Chinese Journal of Ecology, 2021, 40(8): 2530-2540. |