2025, Vol. 46
2. 内蒙古自治区生态水文与水资源高效利用重点实验室，呼和浩特 010018;
3. 黄河流域内蒙段水资源与水环境综合治理协同创新中心，呼和浩特 010018
, DUAN Li-min1,2,3 , LIU Xiao-yan1,2,3 , GONG Yu1,2,3 , LIU Ting-xi1,2,3
2. Inner Mongolia Key Laboratory of Ecohydrology and High-Efficient Utilization of Water Resources, Hohhot 010018, China;
3. Collaborative Innovation Center for Integrated Management of Water Resources and Water Environment in Inner Mongolia Section of the Yellow River Basin, Hohhot 010018, China
植被作为陆地生态系统的重要组成部分，是生态系统的第一生产者，同时支撑着生态系统结构和功能完整性[1]. 植被动态作为生态健康指标，可以直接反映生态系统的健康状况，是生态保护和环境治理的重要参考[2]. 植被净初级生产力（net primary productivity，NPP）作为研究全球变化议题中碳循环模式的重要指标，被广泛用于植被动态监测，对于反映植被生产能力、表征区域生态环境健康程度乃至评价区域对气候变化与人类活动的响应模式具有重要意义[3].
植被NPP时空分异特征明显，传统的野外观测和模型估算受尺度、时间和地域等限制，数据难以获取[4]. 近年来，遥感技术以时空分辨率高、覆盖范围广和获取便捷的优势为监测植被生态环境提供了有效技术手段. MOD17A3 NPP数据产品能够在较大时空尺度上准确提供植被生产力的有效信息，被广泛应用于植被动态研究，显著提高了对大尺度区域 NPP 变化的研究效率[5~7]. 众多学者基于NPP数据集对植被生态时空演变及驱动因子进行了卓有成效的探究工作. Ge等[8]基于残差和偏相关分析方法，量化分析了2001~2016年人类活动和气候变化对我国植被净初级生产力（NPP）的贡献量. 徐勇等[9]应用情景假设的相对贡献分析方法，定量研究了变化环境下长江中下游地区植被生态系统 NPP的变化及响应. 然而，残差分析等统计学方法联合使用虽然可以揭示自然因子和人为因子对生态变化的影响程度，但忽视了因子间的相互作用，且以上分析工具大多以植被变化与其驱动因子之间是线性关系为前提，这对于系统认识植被NPP动态的驱动机制是不足的.
相较于传统的回归分析等方法，地理探测器考虑了因子间的相互作用，可作为度量和挖掘空间异质性的工具，是解释植被变化复杂驱动因素的有效方法，该方法可以定量识别单因子的驱动力和多个驱动因子对因变量的交互作用，能够规避线性假设的问题[10~12]. 潘洪义等[13]和Chen等[14]利用地理探测器分别对岷江中下游和云南植被NPP的驱动因子进行了探测. 罗嘉艳等[15]和周璐红等[16]分别利用地理探测器量化分析了不同时间段浑善达克沙地和延安市自然和人为因子对植被生态格局时空异质性的驱动机制及其差异. 以往对植被动态驱动机制的研究多集中在不同时间段的差异研究上，鲜见对流域不同区域的差异研究.
内蒙古河套灌区所在流域位于黄河流域最北端，是我国典型的农牧交错地区. 作为我国北方重要的生态屏障和经济地带[17]，在生态安全和经济社会发展方面具有重要地位. 近年来，伴随着气候变化和强人类活动的干扰，流域整体降水量少，蒸散发强烈，生态环境敏感且脆弱，近些年来，“三北”防护林、退耕还林还草和天然林保护等重点生态工程的实施在一定程度上促进了流域的生态修复[18]. 众多研究表明水热条件是影响黄河流域植被生长的主要因子[19~21]，地形效应同样会对植被时空变化产生影响[22]. 内蒙古河套灌区所在流域分布有山地、河流、林地、农田、湖泊、草原和沙漠等地貌植被景观，不同的自然地理单元、生态系统类型以及气象水文条件等因素，加之人类活动的影响，导致流域灌区内外植被生态变化存在明显差异. 在山水林田湖草沙一体化保护和系统治理的背景下，内蒙古河套灌区所在流域植被NPP的时空变化规律及其与气象水文因子（气温、降水量、潜在蒸散发、土壤水分）、地形因子（高程、坡度、坡向）以及人类活动（土地利用类型）之间的关系亟需解明. 因此本文针对流域不同区域特征，对2001~2020年内蒙古河套灌区所在流域植被NPP时空演变特征进行分析，结合地理探测器定量探讨了全流域及灌区内外植被NPP空间分异的驱动机制，以期为内蒙古河套灌区所在流域生态环境综合治理及保护提供科学参考，并为推动黄河流域生态保护与高质量发展等国家重大区域战略提供重要理论支撑.
1 材料与方法 1.1 研究区概况河套灌区所在流域位于内蒙古自治区西部，地处黄河流域最北端，包括乌梁素海、河套灌区、阿拉奔草原、狼山、色尔腾山和乌拉山等山脉，以及乌兰布和沙漠少量区域，总体概括为“南河东湖西沙、一灌一原三山”. 流域地理坐标为39°10´~41°38´N、104°55´~111°48´E，总面积约2.86万km2（图1）. 研究区海拔介于985~2 351 m，地势呈“西北高，中间低”格局，绝大部分面积为山前冲淤积平原，属于干旱半干旱季风气候区，干旱少雨，多年平均气温为7.0 ℃，年累计降水量约132~276 mm（图2），80%集中于6~9月，年潜在蒸发为1 276~2 799 mm（Φ20 cm蒸发皿）. 其土地利用类型以耕地、草地和裸地为主，占流域面积的80%以上. 受气候变化和人类活动的影响，该区生态环境日趋脆弱，是我国北方干旱半干旱地区流域生态环境重点治理保护的区域.
|
图 1 内蒙古河套灌区所在流域地理位置示意 Fig. 1 Geographical location of the river basin where Hetao Irrigation District of Inner Mongolia is located |
|
图 2 内蒙古河套灌区所在流域多年平均气温、降水空间分布及年际变化 Fig. 2 Spatial distribution and interannual variation of annual average temperature and precipitation in the Hetao Irrigation District of Inner Mongolia |
本研究采用的植被NPP数据来源于美国国家航空航天局网站（https://modis.gsfc.nasa.gov）发布的 MODIS17A3 陆地观测产品，空间分辨率为500 m. 平均温度、降水量、潜在蒸散发数据均来源于国家地球系统科学数据中心（https://www.geodata.cn），数据格式均为1 km×1 km 分辨率的空间分布栅格数据. 土壤水分数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn）中的全球1 km分辨率地表土壤水分数据集（2000~2020年）[23]. 土地利用数据来源于地球系统科学数据（https://www.earth-system-science-data.net）发布的中国1990~2021土地利用数据产品（CLCD）[24]，空间分辨率为30 m. 数字高程模型（DEM）数据来源于地理空间数据云（https://www.gscloud.cn）提供的30 m分辨率数据，通过ArcGIS 3D分析工具获取坡度和坡向等地形参数.
为统一时空尺度，利用ArcGIS和MATLAB语言将以上栅格数据统一进行格式转换、重采样和投影裁剪等批处理，得到河套灌区所在流域2001~2020年分辨率均为1 km的长时序数据资料.
1.3 研究方法 1.3.1 变化趋势分析本文将Theil-Sen Median 趋势分析与Mann-Kendall显著性检验结合判断河套灌区所在流域植被 NPP 时间序列的变化. Theil-Sen Median 趋势分析方法计算效率高，抗噪性强，是一种稳健的非参数统计的趋势计算方法[25]. 计算公式为：
| (1) |
式中，slope为植被NPP变化趋势，Median为取中值函数，NPPi和NPPj为第i年和第j年的植被NPP值. 当slope大于0表示植被NPP呈上升趋势，反之则呈下降趋势.
Mann-Kendall显著性检验适用于不同分布的时序数据，不易受异常值的干扰[26]. 本文运用该方法对河套灌区所在流域植被NPP长序列变化趋势进行显著性检验，在给定置信水平α为0.05和0.01下，将检验结果分为极显著变化（
变异系数（CV）是描述长时间序列数据离散程度的指标，可用于表示植被NPP变化的稳定性和波动程度. CV值越大表明植被的稳定性越低，波动越大[27]. 其公式如下：
| (2) |
式中，CV为植被NPP变异系数，σ为植被NPP标准差，
Hurst指数可用于定量描述变量在时间序列上的依赖性，对其未来变化趋势进行预测，取值范围为0~1，值越接近1持续性越强，表示未来与过去趋势越趋于一致；越接近于0则持续性越弱[28]. Hurst 指数计算采用R/S分析法，计算公式如下：
| (3) |
式中，H为Hurst指数，R为极差，S为标准差，c为常数，n为观察值的个数. 当0≤H<0.5时，表示变量时间序列具有反持续性，即未来变化趋势与过去相反；当0.5<H≤1时，表示变量时间序列具有持续性，即未来变化趋势与过去一致；当H=0.5时，表示变量时间序列具有随机性. 本文将Hurst值域范围划分为强反持续性（0~0.35）、弱反持续性（0.35~0.5）、弱持续性（0.5~0.65）和强持续性（0.65~1）这4个等级. 结合趋势分析结果，进一步对河套灌区所在流域未来植被NPP变化的持续性进行分析，具体如表1所示.
|
表 1 植被NPP持续性划分 Table 1 Vegetation NPP persistence division |
1.3.4 地理探测器
地理探测器是一种检测地理现象空间异质性并量化识别其驱动力的空间统计模型，克服了传统统计方法线性假设的限制，具有明确的物理意义[29]. 本研究主要利用因子探测和交互探测两个工具分析不同驱动因子对河套灌区所在流域植被NPP空间分异的驱动机制.
因子探测主要用来探测每个驱动因子（Xi）变化对因变量（Y）空间分异的影响力[30]，以q值衡量，计算方法见式（4）：
| (4) |
式中，h=1，2，…，L，为因变量（Y）或驱动因子（Xi）的分类或分层，Nh和N分别为层h的单元数和整个区域的总单元数，σh2和σ2为层h和全区的因变量（Y）值方差. q的取值范围为0~1，q值越大，表明因子Xi对因变量（Y）的驱动力越强.
交互探测用于评估不同因子（Xi）对植被NPP（Y）空间异质性是否存在交互作用以及作用程度的变化，判断各因子共同作用时对植被NPP（Y）空间分异的解释力是增强还是减弱，或相对独立[31].
地理探测器要求输入数据为离散变量，而不同的离散化方法和驱动因子的分类数量在解释植被NPP方面存在显著差异. 由于q值越大分类效果越好[32]，因此本文选取了8个驱动因子（表2），根据q值最大原则确定最终的分类方法和分类数量，对驱动因子进行空间离散化，在地理探测器中分析各驱动因子对流域各区域植被NPP变化的影响.
|
|
表 2 植被NPP驱动因子指标 Table 2 Vegetation NPP driving factor index |
2 结果与分析 2.1 植被NPP时空变化特征 2.1.1 植被NPP时间变化特征
由图3可知，2001~2020年全流域植被NPP整体呈波动上升趋势，植被NPP均值（以C计，下同）的波动范围为100.30~182.00 g·（m2·a）-1，多年平均值为139.14 g·（m2·a）-1，最小值出现在2001年，为100.30 g·（m2·a）-1，在2012年达到峰值，为182.00 g·（m2·a）-1，增加趋势为2.06 g·（m2·a）-1. 河套灌区内部NPP高于全流域，灌区外部NPP最低，三者虽都呈现增加趋势但上升态势不同. 2001~2020年增长速率由大到小依次为灌区外[2.18 g·（m2·a）-1]、全流域[2.06 g·（m2·a）-1]和灌区[1.85 g·（m2·a）-1]. 灌区外植被NPP增长趋势最为显著（P<0.05），表明在研究期内其植被得到有效恢复，生态环境质量逐渐改善. 由于河套灌区内部种植作物，其NPP均值明显高于灌区外部，且受每年作物种植结构变化的影响，NPP变化波动最大，增加趋势不显著（P>0.05）.
|
图 3 内蒙古河套灌区所在流域植被NPP的年际变化 Fig. 3 Interannual variation of vegetation NPP in Hetao Irrigation District of Inner Mongolia |
2001~2020年全流域植被NPP存在明显的空间异质性，整体呈现灌区内高、灌区外低的空间分布格局（图4），其中大部分区域植被NPP处于250 g·（m2·a）-1以下，全流域植被NPP均值为139.26 g·（m2·a）-1. 在河套灌区西北部形成一个植被NPP高值区，平均植被NPP大于250 g·（m2·a）-1. 植被NPP小于100 g·（m2·a）-1的区域占全流域总面积的25.03%，主要分布于灌区北部狼山地区，以及乌梁素海东北部至色尔腾山西缘、乌梁素海东南部至乌拉山山麓等区域. 前者是由于山区降水量少植被稀缺，后者是由于放牧与矿山开采导致的植被减少与退化.
|
图 4 2001~2020年均植被NPP空间分布 Fig. 4 Spatial distribution of vegetation NPP from 2001 to 2020 |
对2001~2020年全流域植被NPP变化趋势进行逐像元分析，结果如图5（a）所示. 植被NPP整体呈现增长趋势，增长均值为2.14 g·（m2·a）-1，其中增加的区域占全流域的98.37%，减少的区域占 1.63%. 结合Mann-Kendall显著性检验结果，将变化趋势分为6个等级[图5（b）]，统计结果见表3. 全流域植被NPP显著或极显著增加的面积分别占23.63% 和39.88%，约占全流域总面积的63.51%，占灌区外区域面积约78.13%，主要分布在河套灌区内西部地区，灌区外狼山、色尔腾山和乌拉山区域，且乌拉山与色尔腾山南段连接处和乌拉山以南平原区NPP增加趋势极显著. 显著和极显著减少面积总计为0.065×103 km2，仅占全流域总面积的0.23%. 不显著增加区域占全流域面积的34.86%，主要集中分布于灌区和流域东北地区，其中灌区不显著增加区域面积比例超过50%. 整体上，植被NPP变化趋势在灌区内外表现出明显的异质性. 自2011年以来，内蒙古河套灌区内西部地区逐步实施高标准农田建设，该地区作物NPP增长显著. 山区植被NPP的增加趋势则是由于生态建设工程的成效.
|
图 5 植被NPP变化趋势空间分布 Fig. 5 Spatial distribution of vegetation NPP change trend |
|
|
表 3 NPP变化趋势面积及占比 Table 3 NPP change trend area and proportion |
如图6所示，2001~2020年全流域植被NPP的变异系数CV值介于0~1.05之间，平均值为0.17，以较低波动变化为主，面积占比达48.18%. 低波动变化、中波动变化、较高波动变化和高波动变化的面积分别占据全流域总面积的27.72%、18.47%、5.04%和0.29%. 低波动变化的区域主要分布在流域西部及灌区东部，其中灌区植被NPP低波动变化的面积占其面积的39.18%，明显高于灌区外区域. 中等波动和较高波动变化区域主要分布于灌区外的东部地区，占灌区外总面积的31.42%. 由上可知，虽然2001~2020 年内蒙古河套灌区所在流域整体植被NPP较为稳定，但流域东部地区植被NPP变化较大，稳定性较差. 结合变化趋势（图5）进行分析可知，流域东部地区植被NPP的变化都是正向的.
|
图 6 植被NPP变化系数空间分布及占比 Fig. 6 Spatial distribution and proportion of vegetation NPP variation coefficient |
2001~2020年内蒙古河套灌区所在流域植被NPP未来变化趋势如图7所示. 结果显示植被NPP 的Hurst指数范围为0.22~0.81，平均值为0.41，表明整个流域植被NPP未来变化整体呈较弱的反持续性变化特征. 植被NPP呈弱反持续性变化（H<0.35）的面积比例最大，为81.00%，呈强持续和弱持续变化的区域较小，分别占全流域的0.19%和6.88%. 为进一步揭示流域植被NPP未来变化情况，将变化趋势与Hurst指数进行空间耦合叠加分析，将其划分为8个等级（表4），植被NPP未来呈减少趋势的面积总计26.37×103 km2，占比为92.28%（减少并持续0.49%、增加并反持续91.79%），其中以增加并弱反持续为主，占比为79.96%. 植被NPP未来呈增加趋势的面积仅占比为7.71%（增加并持续6.58%、减少并反持续1.14%），其中以增加并弱持续为主，占比为6.46%，主要零星分布在流域东部的乌拉山和阿拉奔草原地区. 分区域来看，灌区增加并弱反持续面积比例为76.12%，灌区外为82.31%.总体而言，内蒙古河套灌区所在流域大部分区域生态环境未来可能出现退化趋势.
|
图 7 Hurst指数及未来变化趋势 Fig. 7 Hurst index and future trends |
|
|
表 4 NPP未来变化趋势面积及占比 Table 4 Future change trend area and proportion of NPP |
2.2 植被NPP空间分异驱动因子探测 2.2.1 因子驱动探测
表5给出了植被NPP空间分异驱动因子的探测结果. 从全流域上看，各因子对植被NPP空间分布影响程度排序为：土地利用类型（0.83）>坡度（0.64）>高程（0.56）>气温（0.38）>土壤水分（0.31）>潜在蒸散发（0.27）>坡向（0.26）>降水量（0.21），其中土地利用和地形因子中的坡度、高程的q值均大于0.40，说明三者是影响河套灌区所在流域植被NPP空间分异的主导因子. 气温和土壤水分是次驱动因子，驱动力在30%以上；降水量对全流域植被NPP变化的驱动较小，驱动力为20.9%.
|
|
表 5 植被NPP变化驱动因子探测结果 Table 5 Detection results of driving factors of vegetation NPP change |
因子探测结果在灌区内外表现出一定的差异性. 土地利用类型在全流域的q值均为最高，说明土地利用是导致植被NPP空间分异最重要的驱动因子. 对于地势平坦的河套灌区，气象水文因素对灌区植被NPP变化的驱动强度较大，q值均大于0.40（土壤水分除外）. 灌区以外区域，气象水文因素对植被NPP的驱动影响较小，q值均小于0.30，其中气温因子的影响力最小，为10.30%. 然而，气温却是气象水文因素中对灌区及全流域植被NPP变化驱动力最强的因子. 潜在蒸散发是气象水文因素中对灌区外植被NPP变化驱动力最强的因子，驱动力为22.30%. 地形因素方面，坡度在灌区内外驱动力较高，q值分别为0.34和0.32. 相比全流域而言，灌区内外主导因子的影响力有所减弱.
2.2.2 交互作用探测植被变化往往受多个因子共同作用影响，采用交互探测器进一步探究了不同因子的交互作用对内蒙古河套灌区所在流域植被NPP空间分异的影响，结果如图8所示. 全流域上，土地利用类型与其他因子的交互作用突出，q值均超过0.80，说明土地利用类型与其他因子交互作用对植被NPP变化的影响最为明显；高程、坡度与其他因子交互作用驱动力也普遍较高，q值均超过0.60，表明植被NPP空间分异主要受人类活动和地形等因素的协同影响.
|
色柱表示双因子交互作用驱动力的线性映射 图 8 植被NPP变化驱动因子交互作用探测结果 Fig. 8 Interaction detection results of driving factors of vegetation NPP change |
土地利用类型与其它因子的交互作用对灌区内外植被NPP变化的驱动力最强，这与全流域一致. 在河套灌区，坡度和气温的交互作用最大，q值为0.53；在灌区外，高程和降水交互作用驱动力最大，可以解释灌区植被NPP变化的55.40%. 由上可知，内蒙古河套灌区所在流域植被NPP变化受气象水文、地形和人类活动等因素交互作用控制，且在灌区内外存在显著的空间差异. 因此，对流域不同区域进行生态环境治理与改善时，应充分考虑不同因子的耦合作用影响.
3 讨论 3.1 植被NPP时空变化特征内蒙古河套灌区所在流域植被NPP时空分异特征明显. 从时间尺度上看，2001~2020年流域植被NPP整体呈波动增加趋势，呈现4个波谷5个波峰，谷值分别出现在2005年、2011年、2013年和2017年，这与肖晶等[33]的研究结果基本一致，谷值的出现可能与该时段内发生的极端干旱气候事件有关[34]. 流域主要植被类型为玉米、葵花等作物及杨树、羊草等天然植被，干旱的持续严重影响作物生产. 同时，长期的水分限制和高温环境会影响植被的光合与呼吸作用，抑制植被的生理活性，导致植被生产力降低[35]. 全流域植被NPP增加速率为2.06 g·（m2·a）-1，该值远不及黄河流域同期增长速率[5.34 g·（m2·a）-1][36]，应加强对内蒙古河套灌区所在流域的生态治理与修复，提升其生态功能及稳定性.
从空间尺度上看，整个流域植被NPP呈现“灌区内高，灌区外低”的空间分布格局，灌区水分供给较灌区外更加充分，作物生长能得到基本保证，灌区内天然植被水分供给状况较灌区外更优越，因此灌区内植被NPP更高. 整个流域总体降雨量少，灌区外山地、沙漠和草地等不同地貌类型区受水分条件限制，植被生长受到抑制[37]，故灌区外植被NPP较低. 空间变化趋势上，植被NPP整体趋于增加，植被变化以保持稳定和显著改善为主（图5），其中灌区外植被生态改善情况尤为明显，这与Zhang等[38]对内蒙古黄河流域植被覆盖的研究结论一致. 得益于近年来国家实施的退耕还林还草、防沙治沙和“三北”防护林建设等一系列生态保护修复工程的良好成效，流域生态环境质量得到有效改善、生态功能得到有效提升. 此外，植被NPP减少的区域零星分布于流域内城镇建设用地，表明城市化和工业化进程会破坏植被，导致生态退化[39]. 值得注意的是，根据Hurst指数法的NPP未来趋势研究，得出了全流域大部分区域未来面临植被退化的潜在风险（图7）这一结论. 内蒙古河套灌区所在流域地处干旱半干旱地区，生态环境脆弱，需要持续并进一步加强生态保护与修复的力度.
3.2 植被NPP驱动因子分析地理探测器探测结果表明，土地利用类型、坡度和高程是影响流域植被NPP空间分异的主导因子，其中土地利用类型是第一主导因子. 不同土地利用类型具有不同的反照率和热属性，土地利用的改变会直接影响植被结构和覆盖度，土壤养分循环也会受到土地利用变化的影响，进而影响植被多样性及其生态功能，改变植被生产力[40~42]. 内蒙古河套灌区所在流域地形地势起伏较大，地形复杂，高程和坡度变化不仅会影响光照与温湿度等气候条件，而且与土壤与植被群落结构息息相关. 因此，高程和坡度对植被NPP空间分异同样具有较大影响.
周文强等[43]在洞庭湖流域及李霞等[44]在辽河流域的研究中均发现人类活动和自然地理等驱动因子对植被生态格局的影响力存在空间差异性，这与本文的研究结果一致. 在灌区，气温和降水等气象水文要素对植被NPP变化的贡献相较于灌区外明显提高，而高程对植被变化的影响力弱于灌区外. 这是由于河套灌区位处地势平坦的平原地区，高程的影响作用较小. 此外，灌区的平均降水量为130~215 mm，仅靠天然降水远远不能支撑所种作物的正常生长，需有人为灌溉等来补充水分供给以及调节气温环境. 作物的需水量往往较该地区的天然灌草植被更大且其耐旱、抗高温等特性不及天然植被，因此降水和气温对灌区作物的影响更大. 从图8可以看出，单因子的驱动力皆低于双因子交互作用，且交互作用表现为双因子增强和非线性增强效应. 各驱动因子对植被变化的影响并不是单独发挥作用的，而是多因素耦合驱动的结果[45]，交互作用探测结果更证明了这一观点. 综上可知，植被变化是多因素共同作用的结果且具有空间差异，因此应综合考虑流域各区域生态类型、环境状态和气候条件等因素，因地制宜和分类施策，采取不同的治理措施促进内蒙古河套灌区所在流域生态植被恢复和农牧业高质量发展.
3.3 研究不足与未来研究方向本研究虽然有效地反映了我国典型农业流域植被动态变化，揭示了内蒙古河套灌区所在流域不同区域植被NPP的驱动因素，为生态恢复建设工程提供了有益参考. 然而，本研究仍存在一些局限性. 相较于其他地区，内蒙古河套灌区所在流域属于强人类活动区，受人类活动（灌溉等）影响严重，但受数据限制，本文仅使用土地利用变化作为人类活动指标，而未考虑灌溉和种植等因子，下一步考虑将补充数据纳入灌溉和种植等人类活动因子，构建更为完善的植被生态变化驱动指标体系. 另外，可扩展研究时间序列，研究不同时间阶段的植被动态变化驱动机制的差异性.
4 结论（1）2001~2020年内蒙古河套灌区所在流域植被NPP整体呈波动上升趋势，多年均值为139.14 g·（m2·a）-1，增长率为2.06 g·（m2·a）-1. 流域植被多年NPP空间分异明显，呈“灌区内高，灌区外低”的分布格局. 植被NPP显著增加和极显著增加区域面积占比63.51%，仅有1.63%区域表现为减少趋势，流域植被生态呈现出改善趋势.
（2）2001~2020年研究区植被NPP整体变化较为稳定，低波动和较低波动变化的面积占比68.90%. 植被NPP未来变化整体呈弱反持续性特征，面积占比为81.00%，流域大部分区域生态环境未来可能出现退化趋势.
（3）研究区植被NPP空间分异是多因子共同作用的结果. 土地利用类型、坡度和高程是研究区植被NPP空间差异的主导因子. 灌区内外存在因子驱动力的空间异质性，其中气象水文因素对灌区植被NPP的驱动力高于灌区外.
| [1] | Anniwaer N, Li X Y, Wang K, et al. Shifts in the trends of vegetation greenness and photosynthesis in different parts of Tibetan Plateau over the past two decades[J]. Agricultural and Forest Meteorology, 2024, 345. DOI:10.1016/J.AGRFORMET.2023.109851 |
| [2] | Wang X Y, Gong Z, Zhao D D, et al. Spatiotemporal changes of forest vegetation after the implementation of a natural forest protection project and underlying driving factors: case study of a typical natural secondary forest area in the Loess Plateau[J]. Ecological Engineering, 2024, 199. DOI:10.1016/J.ECOLENG.2023.107164 |
| [3] | Liu Y Y, Zhou R L, Wen Z M, et al. Assessing the impacts of drought on net primary productivity of global land biomes in different climate zones[J]. Ecological Indicators, 2021, 130. DOI:10.1016/J.ECOLIND.2021.108146 |
| [4] |
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. |
| [5] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in Southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [6] | Xu C R, Li C H. Correlation between landscape pattern and net primary productivity of vegetation: a case study in the arid and semi-arid regions of Northwest China[J]. Land, 2023, 12(11). DOI:10.3390/LAND12112004 |
| [7] |
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 H, Jia C 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. |
| [8] | 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 |
| [9] |
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. |
| [10] |
魏圆圆, 孙守刚, 梁栋, 等. 人类活动影响下安徽省植被指数时空变化分析[J]. 农业机械学报, 2022, 53(8): 203-212. Wei Y Y, Sun S G, Liang D, et al. Spatio-temporal variation of NDVI in Anhui Province under influence of human activities[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(8): 203-212. |
| [11] |
陈康, 丁永康, 张笑晨. 基于地理探测器的滏阳河流域植被覆盖时空变化与驱动力分析[J]. 地学前缘, 2023, 30(5): 526-540. Chen K, Ding Y K, Zhang X C. Spatiotemporal dynamics and control factors of vegetation cover in the Fuyang River Basin based on geographical detector model[J]. Earth Science Frontiers, 2023, 30(5): 526-540. |
| [12] | Zhao X Y, Tan S C, Li Y P, et al. Quantitative analysis of fractional vegetation cover in southern Sichuan urban agglomeration using optimal parameter geographic detector model, China[J]. Ecological Indicators, 2024, 158. DOI:10.1016/J.ECOLIND.2023.111529 |
| [13] |
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. |
| [14] | Chen X, Zhang Y P. Impacts of climate, phenology, elevation and their interactions on the net primary productivity of vegetation in Yunnan, China under global warming[J]. Ecological Indicators, 2023, 154. DOI:10.1016/J.ECOLIND.2023.110533 |
| [15] |
罗嘉艳, 张靖, 徐梦冉, 等. 浑善达克沙地植被变化定量归因及多情景预测[J]. 干旱区地理, 2023, 46(4): 614-624. Luo J Y, Zhang J, Xu M R, et al. Vegetation dynamic and its driving force and multi-scenario prediction in Otindag Sandy Land[J]. Arid Land Geography, 2023, 46(4): 614-624. |
| [16] |
周璐红, 张康. 2000—2020年延安市植被覆盖时空变化及其影响因素[J]. 水土保持通报, 2023, 43(4): 356-365. Zhou L H, Zhang K. Spatio-temporal variation of vegetation cover and its influencing factors in Yan'an City from 2000 to 2020[J]. Bulletin of Soil and Water Conservation, 2023, 43(4): 356-365. |
| [17] |
韩双宝, 李甫成, 王赛, 等. 黄河流域地下水资源状况及其生态环境问题[J]. 中国地质, 2021, 48(4): 1001-1019. Han S B, Li F C, Wang S, et al. Groundwater resource and eco-environmental problem of the Yellow River Basin[J]. Geology in China, 2021, 48(4): 1001-1019. |
| [18] |
田美荣, 冯朝阳, 王世曦, 等. 近70年来黄河流域生态修复历程及系统性修复思考[J]. 环境工程技术学报, 2023, 13(5): 1787-1797. Tian M R, Feng C Y, Wang S X, et al. Ecological restoration of the Yellow River Basin in the last 70 years and systematic restoration thinking[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1787-1797. |
| [19] |
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. |
| [20] |
杨楠, 王凌雨, 朱琳, 等. 黄河流域近十年NPP变化特征及驱动因子分析[J]. 应用基础与工程科学学报, 2023, 31(2): 280-295. Yang N, Wang L Y, Zhu L, et al. NPP Variation characteristics and driving factors of the Yellow River valley in the last decade[J]. Journal of Basic Science and Engineering, 2023, 31(2): 280-295. |
| [21] | Bai Y, Zhu Y Q, Liu Y Z, et al. Vegetation greening and its response to a warmer and wetter climate in the Yellow River Basin from 2000 to 2020[J]. Remote Sensing, 2024, 16(5). DOI:10.3390/RS16050790 |
| [22] |
王晓蕾, 石守海. 基于GEE的黄河流域植被时空变化及其地形效应研究[J]. 地球信息科学学报, 2022, 24(6): 1087-1098. Wang X L, Shi S H. Spatio-temporal changes of vegetation in the Yellow River Basin and related effect of landform based on GEE[J]. Journal of Geo-information Science, 2022, 24(6): 1087-1098. |
| [23] | Zheng C L, Jia L, Zhao T J. A 21-year dataset (2000-2020) of gap-free global daily surface soil moisture at 1-km grid resolution[J]. Scientific data, 2023, 10(1). DOI:10.1038/s41597-023-01991-w |
| [24] | 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 |
| [25] |
雷茜, 胡忠文, 王敬哲, 等. 1985—2015年中国不同生态系统NDVI时空变化及其对气候因子的响应[J]. 生态学报, 2023, 43(15): 6378-6391. Lei Q, Hu Z W, Wang J Z, et al. Spatiotemporal dynamics of NDVI in China from 1985 to 2015: ecosystem variation, regional differences, and response to climatic factors[J]. Acta Ecologica Sinica, 2023, 43(15): 6378-6391. |
| [26] |
徐勇, 盘钰春, 邹滨, 等. 定量评估气候变化对长江中下游地区植被GPPGS变化的影响[J]. 环境科学, 2024, 45(3): 1615-1628. Xu Y, Pan Y C, Zou B, et al. Quantitative assessment of the impact of climate change on the growing season of vegetation gross primary productivity in the middle and lower reaches of the Yangtze River[J]. Environmental Science, 2024, 45(3): 1615-1628. |
| [27] |
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614. Zhao J L, Li X, Sun B. Spatial-temporal evolution and driving factors analysis of ecological environment quality in Daihai Basin based on AWRSEI[J]. Environmental Science, 2024, 45(3): 1598-1614. |
| [28] |
王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River Basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [29] | Lu Y, Yang X H, Bian D H, et al. A novel approach for quantifying water resource spatial equilibrium based on the regional evaluation, spatiotemporal heterogeneity and geodetector analysis integrated model[J]. Journal of Cleaner Production, 2023, 424. DOI:10.1016/J.JCLEPRO.2023.138791 |
| [30] | 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 |
| [31] |
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. |
| [32] |
石淞, 李文, 曲琛, 等. 大兴安岭林草交错带植被NDVI时空演变及定量归因[J]. 环境科学, 2024, 45(1): 248-261. Shi S, Li W, Qu C, et al. Spatiotemporal evolution and quantitative attribution analysis of vegetation NDVI in Greater Khingan Mountains forest-steppe ecotone[J]. Environmental Science, 2024, 45(1): 248-261. |
| [33] |
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. |
| [34] | Cao Y P, Xie Z Y, Huang X H, et al. Vegetation dynamics and its trends associated with extreme climate events in the Yellow River Basin, China[J]. Remote Sensing, 2023, 15(19). DOI:10.3390/RS15194683 |
| [35] | Cao D, Zhang J H, Han J Q, et al. Projected increases in global terrestrial net primary productivity loss caused by drought under climate change[J]. Earth's Future, 2022, 10(7). DOI:10.1029/2022EF002681 |
| [36] |
谢艳玲, 夏正清, 王涛, 等. 黄河流域植被NPP时空变化及其对水热条件和退耕还林还草工程实施的响应[J]. 测绘通报, 2023(2): 15-20. Xie Y L, Xia Z Q, Wang T, et al. Temporal and spatial variation of vegetation net primary product and its response to hydrothermal conditions and grain for green project in the Yellow River Basin[J]. Bulletin of Surveying and Mapping, 2023(2): 15-20. |
| [37] |
李卓忆, 杨庆, 马柱国, 等. 中国北方干旱半干旱区植被对气候变化和人类活动的响应[J]. 大气科学, 2024, 48(3): 859-874. Li Z Y, Yang Q, Ma Z G, et al. Responses of vegetation to climate change and human activities in the arid and semiarid regions of Northern China[J]. Chinese Journal of Atmospheric Sciences, 2024, 48(3): 859-874. |
| [38] | Zhang X J, Wang G Q, Xue B L, et al. Changes in vegetation cover and its influencing factors in the Inner Mongolia reach of the Yellow River Basin from 2001 to 2018[J]. Environmental research, 2022, 215: 114253-114253. DOI:10.1016/j.envres.2022.114253 |
| [39] |
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. |
| [40] |
易海杰, 张晓萍, 何亮, 等. 黄土高原不同地貌类型区植被恢复潜力及其土地利用变化[J]. 农业工程学报, 2022, 38(18): 255-263. Yi H J, Zhang X P, He L, et al. Vegetation restoration potential and land use change in different geomorphological areas of the Loess Plateau[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(18): 255-263. |
| [41] |
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, Lü 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. |
| [42] | Nunes C A, Berenguer E, França F, et al. Linking land-use and land-cover transitions to their ecological impact in the Amazon[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(27). DOI:10.1073/PNAS.2202310119 |
| [43] |
周文强, 韩宇, 王金龙, 等. 洞庭湖流域碳储量的时空异质性及驱动力分析[J]. 中国环境科学, 2024, 44(4): 1851-1862. Zhou W Q, Han Y, Wang J L, et al. Spatiotemporal heterogeneity and driving forces of carbon storage in the Dongting Lake Basin[J]. China Environmental Science, 2024, 44(4): 1851-1862. |
| [44] |
李霞, 张国壮, 陈永昊, 等. 农牧交错带辽河流域2010—2019年植被覆盖变化及驱动因素分析[J]. 农业工程学报, 2022, 38(22): 63-72. Li X, Zhang G Z, Chen Y H, et al. Vegetation cover change and driving factors in the agro-pastoral ecotone of Liaohe River Basin of China from 2010 to 2019[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(22): 63-72. |
| [45] | Yao B, Ma L, Si H T, et al. Spatial pattern of changing vegetation dynamics and its driving factors across the Yangtze River Basin in Chongqing: a geodetector-based study[J]. Land, 2023, 12(2). DOI:10.3390/land12020269 |