太行山-燕山碳源/碳汇时空变化及驱动因素分析

引用本文

田朋飞, 闫丰, 王宗超, 李远航, 温泽华, 陈亚恒. 太行山-燕山碳源/碳汇时空变化及驱动因素分析[J]. 环境科学, 2025, 46(7): 4403-4415.

TIAN Peng-fei, YAN Feng, WANG Zong-chao, LI Yuan-hang, WEN Ze-hua, CHEN Ya-heng. Analysis of Driving Factors for Spatiotemporal Changes in Carbon Sources/Sinks in Taihang and Yanshan Mountains[J]. Environmental Science, 2025, 46(7): 4403-4415.

太行山-燕山碳源/碳汇时空变化及驱动因素分析

田朋飞¹, 闫丰^2,3, 王宗超¹, 李远航², 温泽华¹, 陈亚恒²

1. 河北农业大学资源与环境科学学院，保定 071001;
2. 河北农业大学国土资源学院，保定 071001;
3. 中国地质大学（北京）水资源与环境学院，北京 100083

收稿日期: 2024-06-23; 修订日期: 2024-08-22

基金项目: 河北省社会科学基金项目（HB23YJ008）

作者简介: 田朋飞（1999~），男，硕士研究生，主要研究方向为生态系统碳源/汇的动态变化，E-mail：1450457707@qq.com

通信作者: 陈亚恒, E-mail：chenyaheng@126.com

摘要: 净生态系统生产力（NEP）作为生态系统极为重要的特征量，厘清其时空分异格局及驱动机制对太行山-燕山生态系统保护与修复具有重要意义. 基于MODIS遥感数据估算了净生态系统生产力（NEP），并结合自然和人类社会数据，采用趋势分析、Hurst指数、参数最优地理探测器和多尺度地理加权回归等方法，分析其时空变化特征及驱动因子对NEP时空变化的影响. 结果表明：①时间上，2002~2020年间太行山-燕山地区NEP整体呈现波动上升的趋势，增速为4.96 g·（m²·a）^-1. 空间上，呈现出太行山地区“四周低，中间高”和燕山地区“北部高，南部低”的特点. ②因子探测结果表明，气温、GDP密度和高程是太行山-燕山NEP空间分异的主要影响因子. 各因子在交互作用后对NEP的解释程度远高于单因子作用，其中气温与植被覆盖度的交互作用大最大. ③各因子对NEP的作用存在显著差异. 其中，气温、GDP密度以及夜间灯光强度在整体上对NEP的作用是负向的；而植被覆盖度对NEP产生正向作用；降水、高程、坡度以及人口密度对NEP具有双向作用.

关键词: 太行山燕山净生态系统生产力（NEP）参数最优地理探测器（OPGD）多尺度地理加权回归（MGWR）

Analysis of Driving Factors for Spatiotemporal Changes in Carbon Sources/Sinks in Taihang and Yanshan Mountains

TIAN Peng-fei¹ , YAN Feng^2,3 , WANG Zong-chao¹ , LI Yuan-hang² , WEN Ze-hua¹ , CHEN Ya-heng²

1. College of Resources and Environmental Sciences, Hebei Agricultural University, Baoding 071001, China;
2. College of Land and Resources, Hebei Agricultural University, Baoding 071001, China;
3. School of Water Resources and Environment, China University of Geosciences (Beijing), Beijing 100083, China

Abstract: As an extremely important characteristic of ecosystems, clarifying the spatial and temporal patterns and driving mechanisms of net ecosystem productivity (NEP) is of great significance for the protection and restoration of the Taihang and Yanshan Mountains ecosystem. The net ecosystem productivity (NEP) was estimated using MODIS remote sensing data. By integrating natural and human-related data, we used methods such as trend analysis, Hurst exponent, optimal parameters-based geographical detector, and multi-scale geographically weighted regression to estimate regional NEP and analyzed its spatiotemporal variation characteristics and the impact of driving factors on this change. The results showed that: ① In terms of time, the NEP in the Taihang and Yanshan Mountains Region showed a fluctuating upward trend from 2002 to 2020, with a growth rate of 4.96 g·(m²·a)^-1. In terms of space, the Taihang Mountains Region was characterized by "low surrounding areas and high central areas", while the Yanshan Mountains Region was characterized by "high northern areas and low southern areas". ② The factor detection results showed that temperature, GDP density, and elevation were the main influencing factors for the spatial differentiation of the Taihang and Yanshan Mountains NEP. The degree of explanation of NEP by each factor after an interaction was much higher than that of a single factor, and the interaction between temperature and fractional vegetation cover was the largest. ③ There were significant differences in the effects of various factors on NEP. Among them, temperature, GDP density, and nighttime light intensity had a negative impact on NEP as a whole; vegetation coverage had a positive effect on NEP; and precipitation, elevation, slope, and population density had bidirectional effects on NEP.

Key words: Taihang Mountains Yanshan Mountains net ecosystem productivity (NEP) optimal parameters-based geographical detector (OPGD) multi-scale geographic weighting regression(MGWR)

陆地生态系统作为CO₂的主要贮存场所，在碳循环中发挥着至关重要的作用^[1]. 之前对陆地生态系统中碳循环过程及其对影响因素响应的分析主要集中在植被净初级生产力（NPP）的研究^[2~4]，当前的研究趋势已逐渐转向对生态系统净生产力（NEP）的深入探讨. 相较于植物生物量本身，NEP的大小更能全面反映整个生态系统长期的碳储存能力，因此，NEP成为了衡量生态系统减缓人为碳排放能力更为有效的指标^[5].

随着遥感技术的日益精进，基于其数据的估算模型实现了飞跃式发展，广泛应用于不同时空尺度的生态系统碳源/碳汇研究中. 有研究显示自2000年以后中国陆地生态系统NEP整体上为上升趋势^[6，7]，但是不同区域NEP的年际变化趋势并不相同. 2000~2019年黄河流域、2001~2020年内蒙古的NEP呈上升趋势^[8，9]，而2000~2020年海南岛森林NEP呈现不显著的下降趋势^[10]，凸显了NEP变化在空间上的复杂性和异质性. 深入分析这一现象背后的驱动机制，发现NEP的时空变化是多因素共同作用的结果^[11]. 一方面，NEP受气温、降水、地形条件（如高程和坡度）等自然因素影响^[12~15]；另一方面，城市的持续扩张、经济产业集聚和生态修复等人类活动也对NEP影响显著^[16~18]. 近年来众多学者从不同角度对不同地区的NEP变化及其影响因素进行了深入探讨，但很少考虑NEP与关键驱动因子的作用程度和方向. 多尺度地理加权回归模型（MGWR）能够很好地模拟自变量与因变量的地理空间响应过程，解决因变量与自变量之间的空间非平稳性，从而精确识别不同驱动因子对因变量作用的不同程度和方向^[19]. MGWR与地理探测器相结合，可以弥补地理探测器无法定量分析影响因子正负效应的不足，实现对NEP影响因子进行定量分析与空间可视化.

太行山-燕山作为华北地区两个山脉，是京津冀重要的生态屏障区，其植被类型丰富多样^[20]，包括森林、草地和农田等多种生态系统. 以上生态系统在维护区域生态平衡、调节气候和保护水源等方面发挥着重要作用. 然而，近年来由于气候变化和人类活动等多种因素的影响，该地区的生态环境面临着诸多挑战，NEP也呈现出复杂的变化趋势. 鉴于此，本文在前人的研究基础上，进一步结合地理探测器和多尺度地理加权回归等方法，探讨太行山-燕山NEP的各个驱动因子影响力和空间异质性，以期为太行山-燕山地区的植被变化监测、生态环境保护和治理提供有力的依据.

1 材料与方法 1.1 研究区概述

研究区涵盖了两大重要山脉（图1）. 太行山地及其周边区域，横跨北京、河北、山西和河南这四省市，其山脉北端始于北京市西山，向南绵延至河南与山西交界处的王屋山，西界紧依黄土高原，东临华北平原，整体呈东北至西南走向. 该区地理位置为34°34'~40°43'N、110°14'~114°33'E. 太行山区整体地势特征为东陡西缓，相对高度差可达1 500~2 000 m. 气候上，太行山属于温带半湿润大陆性季风气候，年平均气温约为10.3℃，年降水量约为501.8 mm；另一山脉为燕山山脉，它南接华北平原，东临渤海，西连黄土高原，北抵蒙古高原，是华北平原向蒙古高原的自然过渡地带. 其地理位置位于39°40'~42°10'N、115°45'~119°50'E. 该区域属于暖温带大陆性季风气候，年平均气温在6~10℃之间，水系丰富，河流密布. 燕山山脉海拔在600~1 500 m，山势陡峭，地形特点为西北高而东南低.

图 1 研究区概况 Fig. 1 Overview of the study area

1.2 数据来源与预处理 1.2.1 数据来源

年均NPP和NDVI数据分别源于美国空间航空航天局（https://ladsweb.modaps.eosdis.nasa.gov/）逐年MOD17A3和MOD13Q1产品数据，分别用于NEP和FVC的估算，空间分辨率为500 m，时间分辨率为1 a，时间跨度是2002~2020年.

降水和气温数据数据来源于国家青藏高原数据中心（http：//data.tpdc.ac.cn），时间分辨率为月度，空间分辨率为1 km. 月降水量数据求和得到年降水量，月气温数据求平均值获得年平均气温，时间跨度均为2002~2020年.

夜间灯光数据同样来源于国家青藏高原数据中心. 高程数据、GDP密度、土壤类型、土地利用类型及陆地生态系统类型数据来自中国科学院地理科学与资源研究所（https://www.resdc.cn/），在ArcGIS中使用高程数据计算坡度. 人口密度数据来自WorldPop提供的人口栅格数据（https://hub.worldpop.org/）. 夜间灯光、GDP密度和人口密度数据的时间分辨率为1a. 本文所使用数据集时间跨度均为2002~2020年，空间分辨率统一重采样处理为1 km.

1.2.2 净生态系统生产力（NEP）

本文使用NEP来表示生态系统固碳能力，其大小可以用植被净初级生产力（net primary productivity，NPP）与土壤异养呼吸（R_h）之差来表示，具体计算公式如下：

N E P (x, t) = N P P (x, t) - R_{h} (x, t)

(1)

式中，NEP（x，t）、NPP（x，t）和R_h（x，t）分别为在像元x处t年的植被净生态系统生产力、植被净初级生产力和土壤微生物异养呼吸（以C计），单位为g·m^-2.

根据前人的研究^[21~23]，笔者对太行山-燕山地区土壤异养呼吸的估算模型进行了对比，最终采用裴志永等^[21]建立的公式对太行山-燕山地区土壤异养呼吸的模型进行估算，该公式已被多个研究成功运用^[24~26]. 公式如下：

$ \begin{aligned} R_{\mathrm{h}}(x, t)= & 0.22 \times\{\exp [0.0913 T(x, t)]+ \\ & \ln [0.3145 P(x, t)+1]\} \times 30 \times 46.5 \% \end{aligned} $

(2)

式中，T（x，t）为像元x在第t月的平均气温，单位为℃；P（x，t）为像元x在第t月的月降水量，单位为mm.

将每年的月度R_h数据相加得到年R_h，用年NPP减去年R_h得到年NEP.

1.3 研究内容 1.3.1 Sen趋势分析结合MK检验

Theil-Sen Median 分析和 Mann-Kendall 检验结合是判断时间序列趋势的有效方法，且计算方法稳健^[26，27]. 本文采用此方法探究研究区的碳源/碳汇变化趋势以及显著情况. Theil-Sen计算公式为：

ρ = M e d i a n \frac{x_{j} - x_{i}}{j - i}, 1 < i < j < n

(3)

式中，n为研究年数；x_i为第i年的NEP值；ρ为趋势度，当ρ<0时，表示呈下降趋势，当ρ>0时，表示呈上升趋势.

MK检验公式：

Q = \sum_{i = 1}^{n - 1} \sum_{j = i + 1}^{n} s i g n (x_{j} - x_{i})

(4)

s i g n (x_{j} - x_{i}) = \{\begin{array}{l} 1 & (x_{j} - x_{i} > 0), \\ 0 & (x_{j} - x_{i} = 0), \\ - 1 & (x_{j} - x_{i} < 0) . \end{array}

(5)

Z = \{\begin{array}{l} \frac{Q - 1}{\sqrt[]{V a r (Q)}} & (Q > 0), \\ 0 & (Q = 0), \\ \frac{Q + 1}{\sqrt[]{V a r (Q)}} & (Q < 0) . \end{array}

(6)

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 未来可持续性——Hurst指数

基于重标极差（R/S）分析方法的Hurst指数是定量描述时间序列信息长期依赖性的有效方法，它最早是由英国水文学家Hurst提出，其基本原理如下^[28，29].

给定一时间序列｛ξ（t）｝，t=1，2，…，对于任意正整数τ=1，定义均值序列：

{〈ξ〉}_{τ} = \frac{1}{τ} \sum_{t = 1}^{τ} ξ (t), τ = 1,2, \dots

(7)

累计离差：

X (t, τ) = \sum_{u = 1}^{t} (ξ (u) - {〈ξ〉}_{τ}), 1 \leq t \leq τ

(8)

极差：

R (τ) = \underset{1 \leq t \leq τ}{m a x} X (t, τ) - \underset{1 \leq t \leq τ}{m i n} (t, τ), τ = 1,2, \dots

(9)

标准差：

S (τ) = {[\frac{1}{τ} {\sum_{t = 1}^{τ} (ξ (t) - {〈ξ〉}_{τ})}^{2}]}^{\frac{1}{2}}, τ = 1,2, \dots

(10)

S与τ关系式：

R (τ) / S (τ) = c \cdot τ^{H}

(11)

拟合时采用最小二乘法，可以得到Hurst指数，即：

l g (R / S) τ = l g (τ) + H l g (τ)

(12)

式中，H为Hurst指数；R（τ）为极值；S（τ）为标准差；c为常数；lg（R/S）τ为序列的自变量；lg（τ）为序列的因变量. Hurst指数主要有3种形式：①当0.5<H<1时，表明该时间序列是一个持续性序列，即未来变化趋势与过去趋势一致，且H越接近于1，持续性越强；②当H=0.5时，表明该时间序列为随机序列，即未来变化趋势与过去趋势无关；③当0<H<0.5时，表明该时间序列具有反持续性，即未来的变化趋势与过去趋势相反，且H越接近于0，反持续性越强.

1.3.3 参数最优地理探测器技术（OPGD）

地理探测器是一种用于探测空间分异性及其背后影响因子的统计学方法. 包括4类探测器^[30]. 本研究采用因子探测器、交互作用探测器和风险探测器联合进行影响因子分析.

1.3.3.1 参数优化

本研究通过R语言软件中GD包，计算了每个影响因子在不同分类方法（相等间隔分类法、自然断点法、分位数法、几何间距法和标准差分类法）和分类数（4~9类）下的q值，筛选出影响因子q值最高的组合，以获得最优的空间离散化^[31].

1.3.3.2 因子探测

因子探测器用于探测某因子X对属性Y的空间分异性的解释力，用q值度量，计算公式如下：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}} = 1 - \frac{S S W}{S S T}

(13)

式中，q为自变量解释力的度量，q在0~1之间，q越大，解释力越强；h=1，…，L为变量Y或因子X的分层，即分类或分区；N_h和N分别为层h和全区的单元数； σ h 2 和σ²分别为层h和全区的Y值的方差；SSW和SST分别为层内方差之和与全区总方差.

1.3.3.3 交互作用探测

交互作用探测器用来评估两类驱动因子共同作用下对因变量Y的解释力是否会增强或减弱，驱动因子间的协同关系如表1所示

表 1 两个变量之间交互作用的类型 Table 1 Types of Interaction between two variables

1.3.3.4 风险探测

采用风险器检测来评估某个因素的子区域间的平均特征是否存在显著差别. 风险区域检测过程中，使用t统计量进行以下测试：

t_{{\bar{Y}}_{h = 1} - {\bar{Y}}_{h = 2}} = \frac{{\bar{Y}}_{h = 1} - {\bar{Y}}_{h = 2}}{{[\frac{V a r ({\bar{Y}}_{h = 1})}{n_{h = 1}} + \frac{V a r ({\bar{Y}}_{h = 2})}{n_{h = 2}}]}^{\frac{1}{2}}}

(14)

式中， Y ¯ h 为子区域h内的属性均值； n h 为子区域h内样本数量，Var为方差.

1.3.4 多尺度地理加权回归（MGWR）

多尺度地理加权回归（MGWR）模型能够有效阐述空间相关性与非平稳性，采用向后拟合算法进行校准，进一步考虑自变量的不同带宽. 不同于传统的地理加权回归（GWR）模型，MGWR弥补了最优宽带限制的不足，将自变量以全局和局部尺度划分，灵活识别不同变量影响的尺度问题，保证了整体模型的可靠性，反映影响因子与NEP的空间异质^[32]，其计算公式如下：

y_{i} = β_{i} (u_{i}, v_{i}) + \sum_{j = 1}^{k} β_{b w j} (u_{i}, v_{i}) x_{i j} + ε_{i}

(15)

式中， y i 为样本i的NEP拟合值， x i j 为第j个自变量在样本i的值， β 0 u i , v i 为每个变量所处地理坐标的常数项， β b w j u i , v i 为第j个变量使用特定回归带宽拟合的空间位置， ε i 为服从均值为零的正态分布误差，多尺度地理加权用MGWR 2.2软件计算.

2 结果与分析 2.1 碳源/碳汇时空变化特点 2.1.1 碳源/碳汇时间变化特征

对2002~2020年间太行山-燕山地区净生态系统生产力（NEP）的年均值进行分析，由图2可得，近19 a太行山-燕山地区年平均NEP（以C计，下同）整体呈上升趋势，线性变化速率为4.96 g·（m²·a）^-1，在2014年达到NEP最高值，约为275.79 g·（m²·a）^-1，2007年NEP达到最低值，约为95.80 g·（m²·a）^-1，多年平均NEP为175.59 g·（m²·a）^-1.

图 2 年均NEP随时间变化规律 Fig. 2 Changes of average annual NEP over time

本文采用Theil-Sen中值趋势分析方法来探究太行山-燕山NEP变化趋势，并检验其显著性，获得像元尺度NEP显著性分区，由表2和图3结合可知，2002~2020年太行山-燕山大多数区域NEP呈上升趋势，占总面积的92.9%，其中显著上升趋势的面积占比为60.83%，多集中于研究区的西部和北部，这可能与国家相继实施的一系列退耕还林生态工程有关；呈显著下降和不显著下降趋势的面积占比分别为3.85%和0.40%，在太行山的东部和南部、燕山的东部等地零散分布，推测是城市化的快速发展，城市周边的耕地和植被被占用，使得植被覆盖率下降，进一步影响植被的固碳能力. 呈无变化的面积占2.85%，主要分布在城区附近.

表 2 NEP变化显著性 Table 2 Significance of change in NEP

图 3 NEP变化趋势 Fig. 3 NEP trends

2.1.2 碳源/碳汇空间分布格局

由图4（a）可知，19 a间太行山-燕山地区植被NEP均值空间分布特征为太行山地区“四周低，中间高”和燕山地区“西北部高，东南部低”，空间差异性较大，NEP均值范围为-237.861~623.487 g·（m²·a）^-1，均值为175.558 g·（m²·a）^-1. NEP值较低的区域集中分布在太行山东麓丘陵地区（保定西部、石家庄西部、邢台西部、邯郸西部、安阳西部等）和燕山南部（天津市蓟州区；唐山市遵化市、迁西县、迁安县、滦州市；秦皇岛市卢龙县等）. 以上区域的陆地生态系统类型[图4（b）]多为农田生态系统、聚落生态系统，这两个生态系统通常涉及高强度的人类活动，导致增加土壤呼吸和降低植物生物量的积累，从而使得NEP降低. 年均NEP较高的地区主要集中在燕山西北部（包括承德市的大部分地区、张家口市崇礼区及赤城县等）和太行山中部（如忻州市的五台县、繁峙县，以及晋中市的顺和县等），以上区域广泛分布着森林生态系统，森林以其丰富的植被类型和庞大的生物量，使得该地区的NEP值相对较高.

图 4 年均NEP随空间分布规律及陆地生态系统类型分布 Fig. 4 Spatial distribution pattern of annual average NEP and terrestrial ecosystem types

2.1.3 碳源/碳汇未来趋势变化

利用Hurst指数预测太行山-燕山NEP未来变化趋势，如图5和图6，年均NEP的Hurst指数范围为0.17~0.85，均值为0.44，其中，Hurst指数小于0.5的区域占研究区总面积的77.81%，在太行山中部和东部集中分布，占总面积22.19%的区域的Hurst指数大于0.5. 表明未来太行山-燕山碳源/碳汇变化表现为弱反持续性，即大部分地区NEP变化趋势与过去不同.

图 5 NEP的Hurst指数分布 Fig. 5 Hurst index distribution of NEP

图 6 NEP未来趋势及变化类型 Fig. 6 NEP future trends and types of changes

通过NEP过去19 a的变化趋势和Hurst指数叠加分析得到太行山-燕山NEP趋势变化预测结果面积占比（表3）分别为：持续性上升（21.38%）、由下降变为上升（3.57%）、由上升变为下降（74.24%）和持续性下降（0.81%）. 太行山-燕山地区NEP由上升变为下降和持续性下降所占面积最大，主要分布在太行山东部和北部以及燕山南部，以上区域未来存在NEP减少的风险，应加强该区域的生态环境治理工作.

表 3 NEP变化持续性分级 Table 3 NEP change persistence classification

2.2 地理探测器分析 2.2.1 连续型因子离散化

本文选取了10个评价因子（表4），对连续型变量采用等间距分级法、自然间断点分级法、分位数间距分级法、几何间距分级法和标准偏差间距分级法这5种分级方法，间断区间为4~9类，计算不同间断等级下的q值，并选择q值最高的参数组合. 由图7可知：对于X₁（年降水量）建议选用自然间断点分级法，分为8类；X₂（年均气温）建议选用标准偏差间距分级法且分类数为8类；X₃（植被覆盖度）和X₈（夜间灯光）建议选用几何间距分级法，分类数为8类；X₄（高程）建议选用分位数间距分级法且分类数为8类；X₅（坡度）、X₇（GDP密度）和X₉（人口密度）建议选用分位数间距分级法且分类数为9类.

表 4 地理探测器因子选取 Table 4 Geographic detector factor selection

图 7 不同分类方法与分区数量影响力值统计 Fig. 7 Statistics on the impact of different classification methods and the number of zones

2.2.2 因子探测分析

利用因子探测分析包括自然因素和人类活动在内的10个因子对太行山-燕山NEP的影响，各驱动因子对NEP变化的影响强弱可以通过因子探测得出的q值来阐明. 不同因子对NEP变化的解释力存在显著差异，各因子对太行山-燕山NEP的平均解释力如下：单个影响因子的解释力q值中（表5），X₂（年均气温）的值最大，q值达到0.444，因此年均气温是影响太行山-燕山NEP空间分异的主要影响因子，可能是由于温度能够影响土壤呼吸和植被生长进而影响NEP变化，其次X₇（GDP密度）、X₄（高程）也比较大，解释力分别为0.316、0.310；X₁（年降水量）、X₅（坡度）、X₆（土壤类型）的q值较小，对太行山-燕山NEP空间分异的解释力相对较小.

表 5 单因子探测分析结果 Table 5 Results of one-way detection analysis

2.2.3 交互因子探测分析

从因子角度看，两两因子之间的交互作用均表现为增强作用，且大部分的因子组合方式为双因子增强作用，其余因子表现为非线性增强，即两个因子的叠加极大增强了单因子对NEP的影响. 如图8可知，最大值为X₂（年均气温）∩X₃（植被覆盖度）=0.621，其次是X₁∩X₂（0.566）和X₂∩X₆（0.533），年降水量和土壤类型作为单因子对NEP的解释力并不高，但当它们与年均气温发生交互作用时，对NEP的解释力能达到50%以上. 这表明，在探究各因子对NEP影响的同时，不应忽视不同因子之间的交互作用对NEP产生的影响. X₇（GDP密度）与所有驱动因素的交互作用q值也较大，且均在0.35以上；同样X₄（高程）与所有驱动因素的交互作用q值也较大，且均在0.34以上，进一步表明年均气温、GDP密度、高程是驱动太行山-燕山地区NEP空间分异的主导因素.

图 8 交互因子探测分析结果 Fig. 8 Interaction factor detection analysis results

2.2.4 风险探测分析

根据风险探测，计算分析各因子对NEP空间分布变化的适应类型或范围. 如图9所示，随着X₁（年降水量）的变化，NEP呈波动变化趋势，在年降水量为458~497 mm时，NEP出现最大值；NEP随着X₂（年均气温）、X₇（GDP密度）、X₈（夜间灯光）和X₉（人口密度）的增大而呈现下降趋势，分别在年均气温为-2.6~5.14℃、GDP密度为57.8~110万元·km^-2、夜间灯光为0~2.47 cd·m^-2和人口密度为0~12人·km^-2时NEP值最大；NEP随着X₃（植被覆盖度）、X₄（高程）和X₅（坡度）的增大，NEP的值逐渐增大，分别在植被覆盖度为81.1%~100%、高程为1 390~2 810 m和坡度为7.47°~23°时NEP值最大；土壤类型为淋溶土，土地利用类型为林地时，NEP的值最大.

红色、灰色和蓝色柱状填充分别表示NEP的高值、中值和低值；横轴表示NEP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mm；X₂的单位为℃；X₃的范围介于0~1之间；X₄的单位为m；X₅的单位为（°）；X₇的单位为万元·km^-2；X₈的单位为cd·m^-2；X₉的单位为人·km^-2；X₆和X₁₀为类型变量图 9 风险探测分析 Fig. 9 Risk detection analysis

2.3 多尺度地理加权分析

本文利用SPSS软件对影响因子进行共线性分析，结果显示所有因子的方差膨胀因子（VIF）均小于7.5（表6）. 随后，借助MGWR模型，本文在不同空间位置上分析了驱动因子与净生态系统生产力（NEP）之间的关系特点，并获得了模型输出的各驱动因子回归系数的空间分布（图10）. 在空间分布图中，回归系数的绝对值反映了驱动因子对NEP影响程度的大小，而回归系数的正负则指示了影响的方向.

表 6 各因子的VIF值 Table 6 VIF values for each factor

图 10 NEP影响因子回归系数空间分布 Fig. 10 Spatial distribution of the regression coefficients of the NEP influencing factors

不同影响因子的系数介于-0.604~0.894之间（表7）. 从不同影响因子的系数平均值绝对值来看，对NEP影响最大的影响因子为年均气温，与地理探测器结果相同，其次为植被覆盖度；坡度和人口密度对NEP空间分布影响最小. 回归系数标准差可反映NEP与不同解释变量关系的变异程度，植被覆盖度的回归系数标准差较大，其次为高程；GDP密度与夜间灯光回归系数的变异程度最小.

表 7 MGWR模型不同影响因素标准化回归系数 Table 7 Standardized regression coefficient of different influencing factors in the MGWR model

通过多尺度地理加权分析，可以明确在局部尺度不同影响因子对净生态系统生产力（NEP）产生的作用方向（图10）. 除了在燕山的东部年降水量对NEP的影响是正向作用外，其他区域均为负向作用[图10（a）]；气温对NEP是负效应影响，从南向北影响强度越来越大[图10（b）]；在大部分区域植被覆盖度对NEP是正向作用[图10（c）]；NEP对高程和坡度的响应具有正负向双重性，低海拔地区的NEP受到高程和坡度的负面影响较大，高海拔地区多为正面影响[图10（d）和10（e）]；GDP密度和夜间灯光整体上对NEP的作用是负向的，从研究区南部向北部GDP密度、夜间灯光对NEP负向作用强度逐渐增强[图10（f）和10（g）]；人口密度对NEP的影响既有正向作用也有负向作用，研究区两侧为负向，逐渐向中间转为正向[图10（h）].

3 讨论 3.1 碳源/碳汇时空分析 3.1.1 碳源/碳汇时间分析

2002~2020年间太行山-燕山地区净生态系统生产力（NEP）整体波动比较严重，呈现缓慢上升的趋势. 相关学者的研究显示，太行山-燕山区域的植被净初级生产力显著上升^[20]，这通常有助于提升净生态系统生产力. 这一变化主要在于“三北”防护林工程、太行山绿化工程、京津风沙源治理工程及退耕还林工程等一系列生态植被恢复项目的实施，促进了草地与林地的显著增加，从而显著改善了太行山-燕山地区的固碳能力^[33]. 从2002~2020年的NEP变化趋势来看，研究区有60.83%的面积呈现显著上升趋势，多集中于研究区的西部和北部，这与庞娇等研究的结果相似^[34]. 在太行山-燕山的西部和北部人口密度较小，生态环境不易受外界环境干扰，植被发展良好，植被固碳能力随之增强. 呈下降趋势的区域零散分布在太行山的东部和南部以及燕山的东部，以上地区因邻近城市，受城市化进程影响，植被面积有所缩减，导致生态系统固碳能力相应减弱.

3.1.2 碳源/碳汇空间格局分析

由图3可知，19 a间太行山-燕山地区植被NEP均值空间分布特征为太行山地区“四周低，中间高”和燕山地区“西北部高，东南部低”，空间差异性较大. NEP值较低的区域以农田生态系统和聚落生态系统为主. 农田生态系统普遍受到高强度的人类管理活动影响，如除草和施肥等，以上活动可能会促进土壤呼吸作用并减缓植物生物量的积累，进而可能导致NEP的降低^[35]. 此外，农田生态系统的植物碳汇主要集中在农作物生物量上，然而，由于农作物具有较短的生长周期，其粮食和秸秆大多在收获后被直接消费或用作其他用途，难以长期储存在生态系统中作为碳固定. 在聚落生态系统中，随着城市化进程的推进，自然地表逐渐被硬化，植被覆盖减少^[36]，同时由于城市的“热岛效应”，导致气温升高和湿度降低，从而影响植被生长^[37，38]，限制了生态系统的碳固定潜力. NEP均值较高的区域森林生态系统分布较多，森林有着丰富的植被类型和庞大的生物量，大量树木通过光合作用吸收二氧化碳、转化为有机物质并长期储存起来^[39]. 而且复杂的森林生态系统物种多样性高，丰富的物种相互作用和依存形成稳定的生态网络，有利于碳的吸收和储存^[40].

3.1.3 碳源/碳汇未来变化趋势分析

从未来趋势预测来看，太行山-燕山地区的NEP由上升转为下降以及持续下降的区域占据了最大面积，预示着在未来一段时间内，太行山-燕山地区的NEP极有可能呈现下降趋势. 这种潜在下降趋势可能由于该地区山高坡陡的地形特征，使其极易受到气候灾害的影响，加之生态环境本就相对脆弱，进而加剧了植被退化的风险. 为应对这一挑战，未来应科学规划自然保护区与生态保护红线，深入贯彻山水林田湖草沙生命共同体理念，全面推进一体化生态保护和修复工作. 同时，需积极采取封山育林和退耕还林还草等生态恢复措施，并加大对太行山-燕山区域的生态保护力度，以最大程度减轻人类活动及自然因素对植被退化的不利影响.

3.2 驱动因子分析 3.2.1 自然因素对碳源/碳汇的影响

（1）气温

自然因素中气温对NEP的影响强度最显著，且年均气温总体上对NEP呈负向作用，这与刘文利等研究一致^[7]，这可能是因为高温条件下，植物的蒸腾作用加强，导致水分蒸发加快，影响了植物的光合作用，进而减少了NEP；也可能是温度升高使土壤中的微生物变得活跃，增加了土壤呼吸量，进而造成NEP的减少^[41].

（2）降水

降水作为植物生长的基础水资源，对植物的生理功能和生长机制具有重要作用，适中的年降水量促进植物的生长^[42]，然而降水过多和不足都会对植物生长产生不利影响. 除燕山东部降水对NEP呈正向作用外，其他区域降水均对NEP呈现负向作用，白天豪等同样发现NEP与降水存在负相关^[43]. 可能由于研究区域多山，降水量的增加容易导致水土流失，进而减少了土壤中的有机质和养分含量，最终对植物的生长和NEP产生了不利影响^[44].

（3）植被覆盖度

较高的植被覆盖度通常意味着更多的植物进行光合作用，从而吸收大气中的二氧化碳，并将其转化为有机物质，在这一过程有助于增加生态系统的碳固定，因此在本研究区植被覆盖度总体上对NEP呈正向作用.

（4）高程和坡度

高程和坡度对NEP的影响主要是由于其变化会导致温度、降水和辐射等因素产生差异，影响水热条件，进而影响植被NEP积累. 空间上，NEP对高程和坡度的响应具有正负向双重性. 低海拔地区的NEP受到高程和坡度的负面影响较大，主要原因是海拔较低、坡度适中，适合人类活动和社会发展^[45]，同时也促进了农业开垦^[46]，进而导致NEP相对较低. 而高海拔区域由于人类活动较少，植被覆盖较为完整，一般会有较高的NEP. 同样，在一些水分充足且人类活动较少的区域，即使是坡度大的区域也可能有较高的NEP.

（5）土壤类型

土壤的pH值、质地、有机质含量和生物活性等因素都会影响植物的生长和土壤呼吸，进而影响NEP. 当土壤类型为淋溶土时NEP值最高，因为淋溶土水肥保持能力较强，为植被生长提供了适宜环境条件^[47].

3.2.2 社会因素对碳源/碳汇的影响

（1）GDP密度和夜间灯光

GDP密度和夜间灯光整体上对NEP的作用是负向的. 这可能由于GDP和夜间灯光数据的空间趋势与城市化发展的空间格局相关，以往研究认为GDP和夜间灯光数据也具有相当的空间分布模式^[48]. 随着经济水平和城市化程度的提高，城市建设不断扩张，持续占用植被所需的土地资源，从而导致植被的减少^[49].

（2）人口密度

人口密度对NEP的影响既有正向作用也有负向作用^[50]. 随着人口密度的增加，土地利用结构可能呈现出更多的城市化特征，导致植被覆盖减少、土地利用更加集中，从而影响了碳储量的空间分布^[51]. 然而，人口密集的地区往往有更高的经济活动水平，这可能会增加对绿色空间的投资，从而提高生态系统的固碳能力.

（3）土地利用类型

当土地利用类型为林地时NEP的值最大. 森林植被的根系深扎土壤，能够稳固土壤，有效防止水土流失和土壤侵蚀，从而保持土壤结构的稳定性. 同时，森林中丰富的凋落物与繁茂的植物群落协同作用，对大气降水进行再分配和调节，改善了气候环境以及土壤的理化性质，进而为植被的生长提供了更加优越的环境条件^[52].

4 结论

（1）时间上，2002~2020年间太行山-燕山地区净生态系统生产力（NEP）范围为95.80~275.79 g·（m²·a）^-1，整体呈现波动上升的趋势，线性变化速率为4.96 g·（m²·a）^-1. 空间上，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.

（2）因子探测结果表明，气温、GDP密度和高程是太行山-燕山NEP空间分异的主要影响因子. 各因子在交互作用后对NEP的解释程度远高于单因子作用，其中气温与植被覆盖度的交互作用最大.

（3）各因子对NEP的作用存在显著差异. 其中，气温、GDP密度以及夜间灯光强度在整体上对NEP产生负向影响；而植被覆盖度对NEP产生正向作用；降水、高程、坡度以及人口密度对NEP对具有双向作用.

参考文献

[1]	王锴, 朴世龙, 何悦, 等. 中国陆地生态系统碳汇稳定性的空间分布特征及驱动机制[J]. 中国科学: 地球科学, 2023, 53(2): 216-226. Wang K, Piao S L, He Y, et al. Spatial variations and mechanisms for the stability of terrestrial carbon sink in China[J]. Scientia Sinica (Terrae), 2023, 53(2): 216-226.
[2]	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
[3]	孙金珂, 牛海鹏, 袁鸣. 中国陆地植被生态系统NPP空间格局变迁分析[J]. 农业机械学报, 2020, 51(6): 162-168. Sun J K, Niu H P, Yuan M. Spatial pattern change and analysis of NPP in terrestrial vegetation ecosystem in China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 162-168.
[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]	张盈盈, 刘旻霞, 潘竟虎, 等. 甘南高寒草甸碳收支时空格局及动态模拟[J]. 生态学报, 2024, 44(13): 5542-5553. Zhang Y Y, Liu M X, Pan J H, et al. Spatial and temporal characteristics of the alpine meadow carbon budget in Gannan, China[J]. Acta Ecologica Sinica, 2024, 44(13): 5542-5553.
[6]	Huang Y T, Wang F, Zhang L J, et al. Corrigendum: changes and net ecosystem productivity of terrestrial ecosystems and their influencing factors in China from 2000 to 2019[J]. Frontiers in Plant Science, 2023, 14. DOI:10.3389/FPLS.2023.1259137
[7]	刘文利, 姜亮亮, 刘冰, 等. 中国植被碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2024, 44(4): 1456-1467. Liu W L, Jiang L L, Liu B, et al. Spatio-temporal evolution characteristics and driving factors analysis of vegetation carbon sources/sinks in China[J]. Acta Ecologica Sinica, 2024, 44(4): 1456-1467.
[8]	Zhang K, Zhu C M, Ma X D, et al. Spatiotemporal variation characteristics and dynamic persistence analysis of carbon sources/sinks in the Yellow River Basin[J]. Remote Sensing, 2023, 15(2). DOI:10.3390/rs15020323
[9]	翟涌光, 王晓妮, 郝蕾, 等. 2001-2020年内蒙古净生态系统生产力格局多时间尺度分析[J]. 生态环境学报, 2024, 33(2): 167-179. Zhai Y G, Wang X N, Hao L, et al. Multi-time scale analysis of net ecosystem productivity pattern in Inner Mongolia from 2001 to 2020[J]. Ecology and Environmental Sciences, 2024, 33(2): 167-179.
[10]	刘应帅, 余瑞, 郑彬彬, 等. 海南岛森林植被NEP季节性时空变化规律及气候驱动因素分析[J]. 热带生物学报, 2022, 13(2): 166-176. Liu Y S, Yu R, Zheng B B, et al. Analysis of seasonal spatial and temporal variation patterns of forest vegetation NEP and climate drivers in Hainan Island[J]. Journal of Tropical Biology, 2022, 13(2): 166-176.
[11]	周怡婷, 严俊霞, 刘菊, 等. 2000~2021年黄土高原生态分区NEP时空变化及其驱动因子[J]. 环境科学, 2024, 45(5): 2806-2816. Zhou Y T, Yan J X, Liu J, et al. Spatio-temporal variation in NEP in ecological zoning on the Loess Plateau and its driving factors from 2000 to 2021[J]. Environmental Science, 2024, 45(5): 2806-2816.
[12]	孙倩, 张美玲, 王鑫婧, 等. 不同气候情景下甘肃草地碳收支时空模拟与预测[J]. 环境科学, 2023, 44(10): 5842-5851. Sun Q, Zhang M L, Wang X J, et al. Spatiotemporal simulation and prediction of grassland carbon budget in Gansu under different climate scenarios[J]. Environmental Science, 2023, 44(10): 5842-5851.
[13]	耿垭鑫, 易桂花, 张廷斌, 等. 青藏高原气候变化对草地碳汇/源格局的影响[J]. 自然资源学报, 2024, 39(5): 1208-1221. Geng Y X, Yi G H, Zhang T B, et al. Impacts of climate change on grassland carbon sink/source patterns in the Qinghai-Tibet Plateau[J]. Journal of Natural Resources, 2024, 39(5): 1208-1221.
[14]	王楠楠, 刘耀林, 尹峰, 等. 顾及地形校正的生态系统碳汇估算与分析[J]. 武汉大学学报(信息科学版), 2025, 50. Wang N N, Liu Y L, Yin F, et al. Estimation and analysis of net ecosystem carbon sink considering the topographical correction[J]. Geomatics and Information Science of Wuhan University, 2025, 50. DOI:10.13203/j.whugis20230174
[15]	Lu F, Hu H F, Sun W J, et al. Effects of national ecological restoration projects on carbon sequestration in China from 2001 to 2010[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4039-4044.
[16]	杜海波, 杨山, 李振亚, 等. 碳中和目标下长三角碳源/汇时空特征及其影响因素[J]. 环境科学, 2024, 45(12): 6848-6857. Du H B, Yang S, Li Z Y, et al. Spatio-temporal characteristics and influencing factors of carbon sources/sinks in the Yangtze River Delta under carbon neutrality target[J]. Environmental Science, 2024, 45(12): 6848-6857.
[17]	管亚兵, 王军, 覃莉, 等. 黄土高原植被碳源/汇估算及其对土地利用变化的响应: 以延河流域为例[J]. 环境科学, 2025, 46(3): 1657-1665. Guan Y B, Wang J, Tan L, et al. Estimation of vegetation carbon source/sink and Its response to land use change in the Loess Plateau-a case study of Yanhe River Basin[J]. Environmental Science, 2025, 46(3): 1657-1665.
[18]	马寅秋, 李佳慧, 曹巍, 等. 京津冀地区退耕还林还草碳增汇潜力及贡献预估[J]. 地理学报, 2024, 79(3): 732-746. Ma Y Q, Li J H, Cao W, et al. Projecting the carbon sink potential and contribution of Grain for Green Program in the Beijing-Tianjin-Hebei region[J]. Acta Geographica Sinica, 2024, 79(3): 732-746.
[19]	宋颖, 高明秀, 王佳凡, 等. 基于MGWR的滨海区土壤盐渍化分布空间预测及影响因素分析[J]. 环境科学, 2024, 45(7): 4293-4301. Song Y, Gao M X, Wang J F, et al. Spatial prediction and influencing factors analysis of soil salinization in coastal area based on MGWR[J]. Environmental Science, 2024, 45(7): 4293-4301.
[20]	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.
[21]	裴志永, 周才平, 欧阳华, 等. 青藏高原高寒草原区域碳估测[J]. 地理研究, 2010, 29(1): 102-110. Pei Z Y, Zhou C P, Ouyang H, et al. A carbon budget of alpine steppe area in the Tibetan Plateau[J]. Geographical Research, 2010, 29(1): 102-110.
[22]	张梅, 黄贤金, 揣小伟, 等. 中国净生态系统生产力空间分布及变化趋势研究[J]. 地理与地理信息科学, 2020, 36(2): 69-74. Zhang M, Huang X J, Chuai X W, et al. Spatial distribution and changing trends of net ecosystem productivity in China[J]. Geography and Geo-Information Science, 2020, 36(2): 69-74.
[23]	谢薇, 陈书涛, 胡正华. 中国陆地生态系统土壤异养呼吸变异的影响因素[J]. 环境科学, 2014, 35(1): 334-340. Xie W, Chen S T, Hu Z H. Factors influencing the variability in soil heterotrophic respiration from terrestrial ecosystem in China[J]. Environmental Science, 2014, 35(1): 334-340.
[24]	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.
[25]	马艺菲, 柯进恺, 张彬, 等. 基于可持续视角的超大城市碳增汇分区与管理: 以北京市为例[J]. 环境科学, 2024, 45(12): 6836-6847. Ma Y F, Ke J K, Zhang B, et al. Carbon sequestration zoning and management in megacities from a sustainable perspective: a case study of Beijing[J]. Environmental Science, 2024, 45(12): 6836-6847.
[26]	Shao Y K, Zhu Q, Feng Z K, et al. Temporal and spatial assessment of carbon flux dynamics: evaluating emissions and sequestration in the three northern protection forest project areas supported by Google earth engine[J]. Remote Sensing, 2024, 16(5). DOI:10.3390/rs16050777
[27]	黄琪, 彭立, 李赛男, 等. 基于GAM的喀斯特植被覆盖与驱动因素非线性关系分析[J]. 中国环境科学, 2023, 43(5): 2489-2496. Huang Q, Peng L, Li S N, et al. Analysis of the nonlinear relationship between karst vegetation cover and driving factors based on GAM[J]. China Environmental Science, 2023, 43(5): 2489-2496.
[28]	John R, Chen J Q, Lu N, et al. Predicting plant diversity based on remote sensing products in the semi-arid region of Inner Mongolia[J]. Remote Sensing of Environment, 2008, 112(5): 2018-2032. DOI:10.1016/j.rse.2007.09.013
[29]	赖金林, 齐实, 崔冉冉, 等. 西南高山峡谷区植被变化及影响因素分析[J]. 环境科学, 2023, 44(12): 6833-6846. Lai J L, Qi S, Cui R R, et al. Analysis of vegetation change and influencing factors in southwest alpine canyon area[J]. Environmental Science, 2023, 44(12): 6833-6846.
[30]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[31]	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
[32]	赵明松, 陈宣强, 徐少杰, 等. 基于MGWR的土壤pH值空间建模及其影响因素分析[J]. 环境科学, 2023, 44(12): 6909-6920. Zhao M S, Chen X Q, Xu S J, et al. Spatial prediction modeling for soil pH based on multiscale geographical weighted regression (MGWR) and its influencing factors[J]. Environmental Science, 2023, 44(12): 6909-6920.
[33]	王笑哲. 太行山绿化工程生态环境效应及优化调控研究[D]. 焦作: 河南理工大学, 2022. Wang X Z. Study on eco-environmental effect and optimization regulation of Taihang Mountain greening area[D]. Jiaozuo: Henan Polytechnic University, 2022.
[34]	庞娇, 单婧, 闫愉悦, 等. 京津冀生态系统固碳效益时空格局及驱动因素定量分离[J]. 环境科学, 2025, 46(3): 1666-1678. Pang J, Shan J, Yan Y Y, et al. Quantitative separation of spatiotemporal patterns and driving factors of carbon sequestration benefits in the Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2025, 46(3): 1666-1678.
[35]	杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 52(4): 534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Scientia Sinica Vitae, 2022, 52(4): 534-574.
[36]	徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740.
[37]	Liu X, Ming Y J, Liu Y, et al. Influences of landform and urban form factors on urban heat island: comparative case study between Chengdu and Chongqing[J]. Science of the Total Environment, 2022, 820. DOI:10.1016/j.scitotenv.2022.153395
[38]	梁建设, 白永平, 杨雪荻, 等. 基于多源数据的城市扩张中热环境演变及响应[J]. 环境科学, 2022, 43(6): 3365-3374. Liang J S, Bai Y P, Yang X D, et al. Thermal environment evolution and response mechanism of urban sprawl based on multi-source data[J]. Environmental Science, 2022, 43(6): 3365-3374.
[39]	蒋毓琪, 杨怡康, 田文博, 等. 黄河流域资源型城市碳生态安全差异测度、来源分解与时空演进[J]. 环境工程技术学报, 2024, 14(4): 1184-1194. Jiang Y Q, Yang Y K, Tian W B, et al. Difference measurement, source decomposition and spatial-temporal evolution of carbon ecological security in resource-based cities of the Yellow River Basin[J]. Journal of Environmental Engineering Technology, 2024, 14(4): 1184-1194.
[40]	安相, 陈云明, 唐亚坤. 东亚森林、草地碳利用效率及碳通量空间变化的影响因素分析[J]. 水土保持研究, 2017, 24(5): 79-87, 92. An X, Chen Y M, Tang Y K. Factors Affecting the spatial variation of carbon use efficiency and carbon fluxes in east asian forest and grassland[J]. Research of Soil and Water Conservation, 2017, 24(5): 79-87, 92.
[41]	马志良, 赵文强. 植物群落向土壤有机碳输入及其对气候变暖的响应研究进展[J]. 生态学杂志, 2020, 39(1): 270-281. Ma Z L, Zhao W Q. Research progress on input of plant community-derived soil organic carbon and its responses to climate warming[J]. Chinese Journal of Ecology, 2020, 39(1): 270-281.
[42]	Wang X, Feng Y, Cui Y D, et al. Spatiotemporal variation of vegetation water use efficiency and its response to extreme climate in Northwestern Sichuan Plateau[J]. Sustainability, 2023, 15(15). DOI:10.3390/su151511786
[43]	白天豪, 贡恩军, 周娜芳, 等. 2001~2022年秦巴山区生态碳汇时空格局及驱动力分析[J]. 环境科学, 2025, 46(1): 356-366. Bai T H, Gong E J, Zhou N F, et al. Spatiotemporal patterns and driving forces analysis of ecological carbon sink from 2001 to 2022 in Qinling-Daba Mountains, China[J]. Environmental Science, 2025, 46(1): 356-366.
[44]	杨卓琳, 刘荣波, 逄锦光, 等. 陆地生态系统碳收支时空变化及影响因素——以湖南省郴州市为例[J]. 长江流域资源与环境, 2024, 33(5): 1066-1075. Yang Z L, Liu R B, Pang J G, et al. Spatio-temporal characteristics and driving factors of terrestrial carbon uptake: a case study of Chenzhou City, Hunan Province[J]. Resources and Environment in the Yangtze Basin, 2024, 33(5): 1066-1075.
[45]	Chen L F, Zhang H, Zhang X Y, et al. Vegetation changes in coal mining areas: naturally or anthropogenically driven?[J]. CATENA, 2022, 208. DOI:10.1016/J.CATENA.2021.105712
[46]	Xiong Y L, Li Y R, Xiong S Y, et al. Multi-scale spatial correlation between vegetation index and terrain attributes in a small watershed of the upper Minjiang River[J]. Ecological Indicators, 2021, 126. DOI:10.1016/J.ECOLIND.2021.1076104
[47]	贺鹏, 毕如田, 徐立帅, 等. 基于地理探测的黄土高原植被生长对气候的响应[J]. 应用生态学报, 2022, 33(2): 448-456. He P, Bi R T, Xu L S, et al. Using geographical detection to analyze responses of vegetation growth to climate change in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2022, 33(2): 448-456.
[48]	Wu T, Zhou L X, Jiang G J, et al. Modelling spatial heterogeneity in the effects of natural and socioeconomic factors, and their interactions, on atmospheric PM_2.5 concentrations in China from 2000-2015[J]. Remote Sensing, 2021, 13(11). DOI:10.3390/rs13112152
[49]	温宥越, 孙强, 燕玉超, 等. 粤港澳大湾区陆地生态系统演变对固碳释氧服务的影响[J]. 生态学报, 2020, 40(23): 8482-8493. Wen Y Y, Sun Q, Yan Y C, et al. Impacts of the terrestrial ecosystem changes on the carbon fixation and oxygen release services in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Ecologica Sinica, 2020, 40(23): 8482-8493.
[50]	李静茹. 人口分布和土地利用功能变化对植被固碳量的影响——以江西省为例[D]. 南昌: 江西师范大学, 2023. Li J R. Effects of population distribution and land-use function changes on vegetation carbon sequestration: a case study of Jiangxi Province[D]. Nanchang: Jiangxi Normal University, 2023.
[51]	张舟, 刘晶晶, 张权, 等. 基于PLUS-InVEST-Geodector模型的苏州市碳储量时空变化及驱动力分析[J]. 环境科学, 2025, 46(5): 2963-2975. Zhang Z, Liu J J, Zhang Q, et al. Analysis of spatial-temporal variation and driving forces of carbon storage in Suzhou City based on the PLUS-InVEST-Geodector model[J]. Environmental Science, 2025, 46(5): 2963-2975.
[52]	陈玉兰, 焦菊英, 田红卫, 等. 黄土高原归一化植被指数与自然环境因子的空间关联性——基于地理探测器[J]. 生态学报, 2022, 42(9): 3569-3580. Chen Y L, Jiao J Y, Tian H W, et al. Spatial correlation analysis between vegetation NDVI and natural environmental factors based on geographical detector on the Loess Plateau[J]. Acta Ecologica Sinica, 2022, 42(9): 3569-3580.


环境科学 2025, Vol. 46 Issue (7): 4403-4415	PDF