2026, Vol. 47
2. 联合国教科文组织国际自然与文化遗产空间技术中心南昌分中心，南昌 330022
2. Nanchang Base of International Centre on Space Technologies for Natural and Cultural Heritage under the Auspices of UNESCO, Nanchang 330022, China
自工业革命以来，全球气候变暖明显，全球气温至少每10 a上升0.2℃，全球降水量也发生相应地变化，区域和季节变化具有很大差异[1]. 气候变化对植被动态、生态系统生产力和水资源分布产生了显著的影响[2]. 作为生态系统的基石，植被在维持自然系统平衡和支持生态服务功能方面发挥着核心作用[3]. 植被净初级生产力（net primary productivity，NPP）衡量的是植被在单位时间和面积上合成的有机干物质的总量，包括植物枝、叶和根的生产量和死亡损耗量[4]. NPP是陆地生态系统的重要参数，作为植被生产力监测的一个重要依据，在维持碳平衡、降低大气二氧化碳浓度和减缓全球气候变化等方面发挥着重要作用[5]. 植被NPP变化受气候变化与人类活动耦合作用[6，7]. 气象因素变化将导致温度与降水的不规律分布，从而影响了植被的生长季节和生态位分布[8]. 先前研究表明，温度与植被生长正相关，而降水的影响随不同区域湿度变化而异[9]. 例如在干旱和半干旱地区，降水的增加促进了植被生长[10]. 然而，气候变化只能解释植被NPP部分变化，其余部分很可能与人为活动有关[11]. 随着人口聚集和经济发展，城市和农业的扩张改变了自然生态系统向人类驱动或自然耦合生态系统的转变[12]. 关于人类活动对NPP增加的影响，存在很大争议. 一方面，许多研究表明，人类活动在提高生物量和改善植被生产力方面发挥着重要作用[13]. 另一方面，过度放牧、土地开发和工业污染等人类活动，则加剧了土地的退化和植被的衰退[14，15]. 因而深入理解气候变化和人类活动在影响植被NPP方面的作用非常重要.
植被动态及其驱动机制已被广泛研究[16~18]. 关于新疆植被NPP动态的研究，往往集中于大尺度地理区域[17]，或小尺度地形区域，例如伊犁河流域[19]、阿勒泰地区[20]和喀什地区[21]等. 在大尺度地理区域，先前的研究分析了中国草地NPP的时空动态、稳定性和持续性，发现草地NPP显著增加的区域主要位于新疆北部[17]. 在小尺度地形区域，发现新疆伊犁河流域的植被NPP呈现波动上升的趋势[19]，而在新疆阿勒泰地区则发现植被NPP呈现下降的趋势[20]. 但是对于中尺度新疆植被NPP动态变化的研究仍然较少. 新疆地处温带大陆性干旱气候，水资源匮乏，生态环境脆弱. 近些年来，在自然环境变化和人类活动（如生态工程建设、放牧等）的复杂影响下，该地区的植被动态变化变得越来越复杂[22]. 植被生产力的变化不仅关系到生态系统的健康和稳定，也直接影响到该地区的可持续发展和社会经济状况[23]. 因此，对新疆植被生产力的变化进行监测与退化风险评估显得尤为重要. 目前研究植被驱动机制的方法主要分为3类：生物物理模型模拟法[24]、数理统计法[25]和残差趋势分析法[26~28]. 生物物理模型模拟法通过建立过程模型来深入探究驱动机制. 该方法可以估算实际NPP和潜在NPP，通过对两者进行差值来评估人类活动影响[24]. 虽然这类方法在机制阐释方面具有优势，但存在参数复杂和模型误差等问题. 统计分析方法因其简便高效的特点，在大尺度研究中得到广泛应用. 例如先前的研究利用相关性分析方法，分析了新疆阿尔泰地区植被NPP的影响因素[25]，但这种方法难以有效区分不同驱动因素的独立影响. 近年来，残差分析方法因其能够通过NPP与气候因子回归残差来分离人类活动影响，受到越来越多研究的青睐. 该方法已广泛应用于不同类型的气候区域，例如干旱地区[26]和湿润地区[27]. 这些研究发现气候变化和人类活动对植被生长的影响程度具有空间差异性，不同区域的主导因素存在差别. 例如在干旱地区，人类活动是影响植被NPP生长的主要驱动力[28]. 而在湿润地区，则是人类活动与气候变化共同促进了植被NPP的增加[27]. 然而，对于残差分析方法能否有效地分离出人类活动的影响，仍存在一定争议. 此外，目前对干旱、半干旱和生态脆弱地区的相关研究仍然不足，且大部分都是研究气候变化对植被生产力的影响[2，9，17]，对于区分气候变化和人类活动的研究较少. 因此，研究新疆区域NPP的时空变异，定量反映NPP主要决定因素的效应，解析NPP格局形成的关键机制，对深入理解该地区植被生产力动态有重要意义.
谷歌地球引擎（Google Earth Engine，GEE）是一种集成了全球多源地球观测数据的云计算平台，支持在线访问和处理海量遥感数据. 其高效的分布式计算能力可显著提升大尺度、长时间序列遥感分析的处理效率，减少本地下载与存储的负担. 当前，有研究利用GEE平台研究了不同影响因素对植被NPP的影响效应[29]. 因此，本研究基于GEE平台的长时序MODIS-NPP数据，利用趋势分析、稳定性分析和多元回归残差分析定量评估2001~2022年新疆地区植被NPP动态变化及其对气候变化与人类活动的响应，通过偏相关分析验证残差分析方法的可靠性，以期为新疆植被生产力的退化风险进行综合评估，并为新疆地区的生态环境保护提供科学依据，给其他类似干旱地区的研究提供借鉴和参考.
1 材料与方法 1.1 研究区概况新疆维吾尔自治区位于34°22′~49°33′N、73°32′~96°21′E之间，面积约160万km2，约占中国陆地面积六分之一. 新疆地处亚欧大陆中部，四周高山环绕（图 1）. 新疆植被分布具有较大的差异，准噶尔盆地与塔里木盆地则以典型的温带荒漠植被为主，而天山、阿尔泰山和昆仑山等地区广泛分布森林与草原植被. 三大山系与两大盆地共同塑造了独特的地理格局[22]. 该地区气候类型为温带大陆性气候，年均气温在9~12℃，年降水量北部100~200 mm，南部不足100 mm，年潜在蒸发量北部1 500~2 300 mm，南部2 100~3 400 mm. 由于地理位置、地形条件和气候特征特殊，新疆植物类型多样，但植被覆盖度低，生态环境脆弱[22].
|
图 1 研究区示意 Fig. 1 Study area |
NPP数据来源于GEE提供的MOD17A3HGF.006数据集，该数据的空间分辨率为500 m. 利用该数据分析2001~2022年NPP的时空变化特征.
逐月降水量和平均气温数据来自国家青藏高原科学数据中心（https://data.tpdc.ac.cn/），分辨率为1 km. 研究中对其进行了重采样处理，将其分辨率调整至500 m.
人类活动数据来自于全球人类足迹数据，空间分辨率为1 km[30]. 该数据集使用夜间灯光、农业用地、牧场、建筑环境、道路、人口密度、铁路和通航水道这8个变量，反映了人类活动的压力，有助于更好地理解人类活动影响的范围和强度[30]. 研究中对其进行了重采样处理，将其分辨率调整至500 m.
1.3 研究方法 1.3.1 趋势分析Theil-Sen中位数趋势分析方法广泛用于NPP的长期系列趋势分析[7，18，31]. 该方法的优点在于不受异常值的影响，并且能够减少由于异常数据和测量引起的错误[32]. 计算公式如下：
| (1) |
式中，Xi和Xj分别表示第i和j年的NPP值. n表示时间序列的长度. 当Slope > 0时，表示上升趋势，当Slope < 0时，表示下降趋势.
此外，本研究使用非参数Mann-Kendall（MK）检验选出显著的NPP趋势，显著性水平设置为0.05，从而将NPP的变化趋势划分为显著的正趋势、负趋势或无趋势. 计算公式如下：
| (2) |
| (3) |
| (4) |
| (5) |
式中，Xi和Xj分别表示第i和j年的NPP值. 时间序列长度由n表示，S表示检验的统计量，sgn表示符号函数，Z表示标准化后的检验统计量. 当
变异系数（CV）是用于评估一组观测值波动水平的常用统计量. CV可以显示不同程度的时间序列NPP数据. CV越小，NPP越稳定. 在本研究中，CV用于评估NPP数据的稳定性. 计算公式如下：
| (6) |
式中，n表示总年数. 本研究中n=22，NPPi表示第i年的NPP值，
采用多元回归残差分析，以气候因素与人类活动对植被NPP变化的作用及其相对贡献作定量分析. 使用气温和降水数据集，建立NPP与气候变量的之间的多元线性关系模型，可以得到气候变化影响下的NPP. 然后，人类活动引起的NPP变化可以通过观测的NPP与气候影响下的NPP之间的差值表示[26~28]，计算公式[26]如下：
| (7) |
| (8) |
式中，NPPCC表示基于平均气温（T）和总降水量（P）回归模型预测的值，a和b表示回归系数，c表示残差. NPPHA表示人类活动影响下的值，NPPobs表示遥感影像的值.
1.3.4 植被NPP变化驱动因素判定及影响根据公式（1）分别计算出NPPCC和NPPHA的斜率，用以反映气候因素与人类活动对植被NPP变化的影响趋势. 根据NPPCC和NPPHA的变化趋势将两种因素的影响分为7个等级（表 1）[31]. 之后区分NPP变化的主导驱动因素，并进一步量化气候变化与人类活动的相对贡献（表 2）[31].
|
表 1 气候与人为活动对植被NPP的影响分级1）×10-3/a-1 Table 1 Classification of vegetation NPP influenced by climate and anthropogenic drivers×10-3/a-1 |
|
|
表 2 植被NPP变化驱动因素及其贡献率识别1） Table 2 Criteria for identifying drivers and contributions of vegetation NPP change |
1.3.5 偏相关分析
偏相关分析可以通过控制其他变量的影响，定量研究NPP与单一影响因子之间的关系[7]. 本文为了验证残差趋势分析是否能够有效分离气候变化和人类活动对植被NPP的影响，利用人类足迹数据表征人类活动强度，剔除降水量和温度的影响，分析NPP与人类活动强度的偏相关性. 计算公式如下[11]：
| (9) |
式中，Rxy，z表示排除z变量影响后的x与y之间的偏相关系数，z=[z1，z2，…，zn]表示控制变量，Rxy、Rxz和Ryz分别表示x和y，x和z以及y和z之间的简单相关系数. 在本文中，x表示NPP的观测值，y表示人类足迹变量的值，z中包含z1和z2变量，分别表示气温和降水变量值.
2 结果与分析 2.1 植被NPP时空变化特征由图 2可知，2001~2022年新疆NPP年均值介于（以C计，下同）151.02~203.39 g∙m-2之间，最大值和最小值分别出现在2016年（203.39 g∙m-2）和2008年（151.02 g∙m-2）. 从总体变化趋势来看，新疆NPP呈现波动增长的趋势，其中在2001~2007年NPP整体呈现缓慢增长，在2008~2016年间波动较大，之后呈现下降的趋势. 在研究时段内，新疆NPP年平均变化速率（以C计）为0.84 g∙（m2∙a）-1（P < 0.05），表明近20 a新疆植被NPP呈显著增长趋势.
|
图 2 新疆NPP年均值变化趋势 Fig. 2 Trends in annual average NPP changes in Xinjiang |
图 3表明，新疆大部分植被NPP呈现增加的趋势，占总体植被面积的79.67%. 其中，显著变化的面积占其面积的33.4%，主要分布在新疆山脉和绿洲地区. 具体而言，北疆阿尔泰山脉和天山地区所占比例最大，零散分布在南疆的塔里木盆地边缘绿洲区域和北疆阿勒泰北部地区. 然而，新疆植被NPP减少的面积较小，占总体植被面积的20.3%，集中分布在中西部地区. 其中，显著减少区域占比1.96%，主要分布在北疆伊犁河流域和南疆的阿克苏地区.
|
加号表示NPP发生显著变化 图 3 新疆NPP变化速率 Fig. 3 Slopes in NPP in Xinjiang |
由植被NPP变异系数空间分布可知（图 4），变异系数范围为0~0.2的面积比例为78.28%；表明新疆大部分地区的NPP较为稳定. 波动幅度较小的区域即变异系数为0~0.2之间，主要分布在阿尔泰山、天山山区与塔里木盆地周边绿洲区域. 少部分变化幅度较大的地区，即变异系数大于0.5，主要集中在天山城市区域.
|
图 4 新疆NPP稳定性变化 Fig. 4 Stability changes of NPP in Xinjiang |
气候变化对新疆植被NPP变化的影响较弱（图 5）. 气候变化对植被NPP主要是起轻微促进作用，其面积占比仅约15.8%，主要分布于北疆天山山脉南部和吐鲁番盆地周围地区. 而54.29%的植被区域显示气候变化对植被NPP的变化基本无影响（除无植区外），主要分布在准噶尔盆地、阿尔泰山脉以及塔克拉玛干沙漠绿地周围. 相反，气候变化对植被NPP起抑制作用的区域面积约占29.1%，主要是以轻度抑制为主. 主要分布在伊犁河流域、塔城地区和天山山脉北部地区[图 5（a）]. 相比之下，人类活动对植被NPP的影响主要是起促进作用，其面积约占植被总面积的75.94%[图 5（b）]. 其中，中度以上的促进区域面积达到了35.35%，集中分布在北疆天山山脉南部、吐鲁番盆地、阿尔泰山脉及塔里木盆地南缘. 相反，人类活动起抑制作用的区域比较小（11.32%），主要分布于阿克苏地区及伊犁河流域.
|
表内数值表示驱动因子对植被的影响像元占比，单位为% 图 5 驱动因子对新疆植被NPP的影响 Fig. 5 Effects of driver factors on vegetation recovery in Xinjiang |
由图 6可知，新疆35.83%的植被区域呈现出气候变化和人类活动共同作用导致NPP增加，主要分布在塔里木盆地南缘绿洲区域、天山山脉南部和阿尔泰山脉. 由人类活动单因素引起NPP增加的面积约占42.72%，主要分布于吐鲁番盆地、以及阿尔泰山脉地区及塔里木盆地南边. 而气候变化单因素导致NPP增加的面积最小，约占植被面积的1.92%，主要分布于天山山脉. 该结果表明虽然人类活动对植被NPP的影响起主导作用，但是人类活动和气候变化的交织影响也不容忽视. 与NPP增加相比，新疆植被NPP减少的面积较小，约占19.53%. 其中，因气候变化和人类活动的共同作用而引起植被NPP减少的面积约占11.1%，主要分布于塔城地区、伊犁河流域和阿克苏地区. 单独的气候变化或人类活动导致的变褐面积则较小，其中因人类活动引起的植被NPP减少的面积约占3.39%，主要分布于伊犁河流域. 因气候变化引起的植被NPP减少面积约占5.04%，同样也分布在伊犁河流域. 结果表明，植被NPP减少是人类活动和气候变化的共同作用.
|
图 6 新疆NPP变化驱动机制的空间分布 Fig. 6 Spatial patterns of factors influencing NPP variations across Xinjiang |
由图 7可知，人类活动是新疆植被变化的主要驱动力，气候作为基本自然条件，虽然影响范围广泛，但其贡献率远弱于人类活动. 气候变化对新疆植被NPP变化的贡献率在-20%~20%区间面积约占新疆植被面积52.34%[图 7（a）]. 其中，气候变化的贡献率在0%~20%的区域面积最大，占比为29.06%，主要分布于阿尔泰山脉与塔里木盆地周围地区. 在-20%~0%范围的区域面积为23.28%，主要分布在塔城地区. 说明气候变化对新疆植被NPP变化影响是轻微的. 相比之下，人类活动对NPP变化的贡献率为正的区域面积约占92.97%[图 7（b）]. 其中，人类活动的贡献率在60%以上的面积占植被总面积的72.6%，主要分布在塔里木盆地周边绿洲地区、吐鲁番盆地及阿尔泰山脉地区. 贡献率为负的面积占植被总面积的7.03%，主要分布在伊犁河流域. 在植被NPP增加的区域，如北疆阿尔泰山脉和天山地区，人类活动是主导因素，气候变化的作用较小；而在植被NPP减少的区域，如伊犁河流域，气候变化的影响大于人类活动.
|
表内数值表示驱动因子对植被变化的贡献率像元占比，单位为% 图 7 驱动因子对新疆NPP变化的贡献 Fig. 7 Contribution of driver factors to NPP changes in Xinjiang |
多元残差趋势分析显示，人类活动对新疆塔城地区、天山北部城市地区和阿勒泰地区的植被NPP起促进作用[图 8（a1）、（a3）和（a4）]. 由图 8（b）可知，这些地区人类活动强度高，反映出人类活动频繁[图 8（b1）、（b3）和（b4）]. 之后，进一步分析人类足迹与NPP的偏相关性，发现两者呈较强的正相关性[图 8（c1）、（c3）和（c4）]. 此外，残差趋势分析结果显示，人类活动对阿克苏地区的植被NPP的表现出消极作用[图 8（a2）]，偏相关分析也发现了同样的趋势. 两种方法得到的结果相似，表明残差趋势分析的可靠性.
|
（a）多元残差趋势分离出的人类活动对植被NPP的影响分布图，（b）年均人类足迹数据分布图，（c）NPP与人类足迹活动的偏相关系数图.（a1）、（b1）和（c1）表示塔城地区，（a2）、（b2）和（c2）表示阿克苏地区，（a3）、（b3）和（c3）表示天山北部城市地区，（a4）、（b4）和（c4）表示阿勒泰地区 图 8 残差趋势分析验证 Fig. 8 Contribution of driver factors to NPP changes in Xinjiang |
2001~2022年新疆植被NPP在时间变化上呈波动增加的趋势，这与先前的研究一致[22，24，33]. 其中，在2001~2007年，由于降水量的增加[34]，NPP整体呈现缓慢增长. 在2008~2016年期间，新疆植被NPP波动较大，主要是由于这段时间气温和降水变化剧烈. 新疆植被NPP最高值和最低值均出现在这个时期. 最高值出现在2016年，这1 a气温显著升高，降水量为近年来最多的1 a[33]，形成了有利于植被生长的最佳气候条件. 而最低值出现在2008年，这一年新疆北部遭遇严重干旱，水分供应严重不足[35]，导致植被生长受限，NPP大幅下降. 之后由于降水量的降低，植被NPP呈现下降的趋势. 此外，自2002年以来，新疆积极推进生态恢复，实施三北防护林工程、天然林保护和塔克拉玛干沙漠锁边工程等生态修复措施，显著推动了该区域的植被恢复，使得新疆植被NPP呈现上升的趋势[24，36].
新疆NPP变化趋势在空间上呈显著差异，其显著增加的面积占总体植被面积的88.6%，主要分布在北疆山脉地区. 其中，北疆阿尔泰山脉和天山地区所占比例最大. 近20 a来，北疆地区降水相对南疆地区丰富[34]，使得该地区成为新疆主要的NPP增加区域. 此外，在阿尔泰山和天山地区实施的坡地改造生态项目，有效的推动了植被的恢复，促进了该区域NPP的增长[37]. 新疆NPP显著减少的区域占总体植被面积的11.4%，主要位于伊犁河流域和阿克苏地区. 伊犁河流域植被NPP减少可能与近年来该地区气温上升和降水量减少有关[22]. 阿克苏地区植被NPP的减少则是因为高强度的人为开垦和放牧等人类活动[11]. 新疆植被NPP整体较为稳定. CV较高值主要分布在天山城市区域，受水资源分布、人类活动和农业发展等因素的影响较大[24]. 因此这些地区的植被NPP变化波动很大，非常不稳定.
3.2 气候变化和人为活动对新疆植被NPP的影响机制在新疆地区，气候变化对植被NPP的贡献总体较小. 其中，起轻微促进作用的区域，主要分布于北疆天山山脉南部和吐鲁番盆地周围地区. 全球变暖导致中国北方地区自20世纪80年代以来气温持续上升，同时增强了该区域的水循环过程[38]. 在新疆山区，气温升高导致的融雪增加为植被生长提供了充足的水分，因此天山山脉南部地区植被有明显的生长趋势. 此外，相关研究表明，在干旱地区，增加降水可以改善土壤水分状况和植被光合作用速率，从而提高植被生产力[39]. 相关研究表明，近20 a来新疆地区降水量呈现增加的趋势，从而补充气温升高带来的需水量增加，在一定程度上有助于促进新疆植被的生长[40]，因而新疆降水量的增加是吐鲁番盆地周围地区植被NPP普遍提高的关键因素. 此外，气候变化对新疆植被NPP起轻微抑制作用的区域，主要分布于天山山脉北部地区、塔城地区和伊犁河流域. 这些地区的植被生长与降水量高度相关，因而降水量的减少，植被NPP也会呈现出显著下降的趋势[41]. 天山西北部地区、塔城地区和伊犁河流域植被NPP的减少可能与近年来该地区气温上升、降水量减少有关[11，22，42].
人类活动是新疆植被NPP增加的区域的主要驱动力，这和以往的结论是一致的[37，43]. 人类活动对植被NPP影响的贡献率在60%以上的面积占植被总面积的72.6%. 其中，人类活动对植被NPP起促进作用的地区，主要分布在塔里木盆地周边绿洲地区、吐鲁番盆地绿洲地区和阿尔泰山脉地区，这些地区主要是绿洲农区与山脉地带. 相关研究表明，在新疆人类集中地区，即绿洲农区，植被增加主要是由于耕地面积增加. 近些年来，新疆绿洲地区耕地面积增长了51.6%[37]，农业生产技术的进步促进了耕地NPP的提高[44]. 与绿洲农区植被NPP增加原因不同，山脉地带植被NPP增加主要是因为生态工程建设[31]. 近年来，中国政府实施了许多生态工程项目以保护植被生态系统. 大量研究表明，随着多个植树造林项目的实施，例如：粮食换绿化计划、天然林保护项目和坡地改造项目等，有效地缓解了中国巨大的环境挑战. 这一结果表明，人类环境建设在新疆植被恢复中发挥了重要作用. 人类活动对新疆NPP变化的贡献率为负的区域面积较小，零散分布于天山山脉周边以及塔里木盆地北部. 这些区域生态系统非常脆弱，耕地相关活动的增加，如：灌溉、长期化肥和高密度栽培等措施都可能导致土壤条件退化. 高强度的土地开垦和过度放牧等人为干扰已导致植被遭受严重破坏[45].
气候变化与人类活动的共同作用以及人类活动单独作用推动新疆植被NPP整体增加. 其增加的区域主要分布在阿尔泰山脉、天山山脉南部地区和塔里木盆地南缘绿洲. 这两个区域的驱动机制有所不同. 其中塔里木盆地南缘绿洲区域等人类集中区域主要是受到气候因素中的降水影响及耕地面积大量增加[46，47]. 而阿尔泰山脉地区和天山山脉南部地区主要是因为气候变暖，导致冰川融化，为植被生长提供了充足的水分[11，33]，与此同时，人类活动中的生态工程建设也在该区域内发挥了重要的推动作用. 受人类活动单因素作用影响的地区分布在准噶尔盆地周边和天山山脉东部，分别受到了农业活动以及生态工程建设的影响[48]. 与NPP增加相比，新疆植被NPP减少的面积较小，主要是受到气候变化和人类活动的共同作用，其分布于准噶尔盆地西部、伊犁河流域和阿克苏地区. 这些地区一方面是因为气候变暖，降水减少，导致植被所需的水分严重不足[49，50]；另一方面，人类活动方面则是因为高强度的人为开垦、放牧等人类活动[11]，这两者共同作用导致植被退化.
4 结论（1）在2001~2022年期间，新疆植被NPP呈显著增加趋势（P < 0.05），其年均增加（以C计）为0.84 g·（m2·a）-1. 在空间分布上，显著增加区域达到总植被面积的33.4%，而显著减少区域占比为1.96%. 其中，显著增加的区域主要分布在北疆阿尔泰山脉和天山地区. 而显著减少的区域主要分布在伊犁河流域.
（2）人类活动单因素作用（占新疆植被面积的42.72%）和气候变化和人类活动共同作用（占新疆植被面积的35.83%）是引起新疆植被NPP增加的主要原因. 气候变化对新疆NPP的贡献率主要分布在-20%~20%，而人类活动的贡献率主要分布在60%~100%. 在植被NPP增加的区域，人类活动是主导因素，气候变化的作用较小；而在植被NPP减少的区域，气候变化的影响明显大于人类活动，凸显了新疆面临气候变化的严峻挑战.
（3）偏相关分析发现人类活动对新疆塔城地区、天山北部城市地区和阿勒泰地区的植被NPP起促进作用，而在阿克苏地区则表现出抑制效应. 残差趋势分析结果也得到相似的结果，验证了该方法在分离气候变化与人类活动对植被NPP影响的可靠性.
| [1] | Konapala G, Mishra A K, Wada Y, et al. Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-16757-w |
| [2] | Higgins S I, Conradi T, Muhoko E. Shifts in vegetation activity of terrestrial ecosystems attributable to climate trends[J]. Nature Geoscience, 2023, 16(2): 147-153. |
| [3] | Zeng Y L, Hao D L, Huete A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature Reviews Earth & Environment, 2022, 3(7): 477-493. |
| [4] |
朱文泉, 陈云浩, 徐丹, 等. 陆地植被净初级生产力计算模型研究进展[J]. 生态学杂志, 2005, 24(3): 296-300. Zhu W Q, Chen Y H, Xu D, et al. Advances in terrestrial net primary productivity (NPP) estimation models[J]. Chinese Journal of Ecology, 2005, 24(3): 296-300. |
| [5] | Prentice I C, Balzarolo M, Bloomfield K J, et al. Principles for satellite monitoring of vegetation carbon uptake[J]. Nature Reviews Earth & Environment, 2024, 5(11): 818-832. |
| [6] | Piao S L, Yin G D, Tan J G, et al. Detection and attribution of vegetation greening trend in China over the last 30 years[J]. Global Change Biology, 2015, 21(4): 1601-1609. |
| [7] |
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. DOI:10.13227/j.hjkx.202207068 |
| [8] | Liu X P, Pei F S, Wen Y Y, et al. Global urban expansion offsets climate-driven increases in terrestrial net primary productivity[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-13462-1 |
| [9] | Feldman A F, Konings A G, Gentine P, et al. Large global-scale vegetation sensitivity to daily rainfall variability[J]. Nature, 2024, 636(8042): 380-384. |
| [10] | Abel C, Horion S, Tagesson T, et al. The human–environment nexus and vegetation–rainfall sensitivity in tropical drylands[J]. Nature Sustainability, 2020, 4(1): 25-32. |
| [11] | Xie C H, Wu S X, Zhuang Q W, et al. Where anthropogenic activity occurs, anthropogenic activity dominates vegetation net primary productivity change[J]. Remote Sensing, 2022, 14(5). DOI:10.3390/rs14051092 |
| [12] | Chen J Y, Qiu B, Chakraborty T, et al. Contrasting effects of urbanization on vegetation between the global south and global north[J]. Nature Sustainability, 2025, 8(4): 373-384. DOI:10.1038/s41893-025-01520-0 |
| [13] | Sha Z Y, Bai Y F, Li R R, et al. The global carbon sink potential of terrestrial vegetation can be increased substantially by optimal land management[J]. Communications Earth & Environment, 2022, 3(1). DOI:10.1038/s43247-021-00333-1 |
| [14] | Kolluru V, John R, Chen J Q, et al. Dominant role of grazing and snow cover variability on vegetation shifts in the drylands of Kazakhstan[J]. Communications Earth & Environment, 2024, 5(1). DOI:10.1038/s43247-024-01587-1 |
| [15] |
师静, 鲁雪媛, 陈旭. 昆明市城市化及城市热岛效应对植被净初级生产力的影响[J]. 草业科学, 2022, 39(12): 2589-2603. Shi J, Lu X Y, Chen X. Study on the impact of urbanization and urban heat island effect on net primary productivity in Kunming[J]. Pratacultural Science, 2022, 39(12): 2589-2603. |
| [16] | Liu L, Guan J Y, Han W Q, et al. Quantitative assessment of the relative contributions of climate and human factors to net primary productivity in the Ili River Basin of China and Kazakhstan[J]. Chinese Geographical Science, 2022, 32(6): 1069-1082. |
| [17] | Liu Y Y, Zhou R L, Ren H Y, et al. Evaluating the dynamics of grassland net primary productivity in response to climate change in China[J]. Global Ecology and Conservation, 2021, 28. DOI:10.1016/j.gecco.2021.e01574 |
| [18] |
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. DOI:10.13227/j.hjkx.202307169 |
| [19] |
刘亮, 关靖云, 穆晨, 等. 2008—2018年伊犁河流域植被净初级生产力时空分异特征[J]. 生态学报, 2022, 42(12): 4861-4871. Liu L, Guan J Y, Mu C, et al. Spatio-temporal characteristics of vegetation net primary productivity in the Ili River Basin from 2008 to 2018[J]. Acta Ecologica Sinica, 2022, 42(12): 4861-4871. |
| [20] |
崔瑶, 王耀锋, 程艳, 等. 基于CASA模型的阿勒泰地区近10年植被NPP时空分布特征[J]. 新疆环境保护, 2025, 47(1): 11-22. Cui Y, Wang Y F, Cheng Y, et al. Spatiotemporal distribution characteristics of vegetation NPP in the past 10 years based on CASA model in Altay Region[J]. Xinjiang Environmental Protection, 2025, 47(1): 11-22. |
| [21] |
朱敏, 木合塔尔·艾买提, 阿力木·依明, 等. 2000—2020年喀什地区植被净初级生产力时空变化及其驱动因素研究[J]. 中国资源综合利用, 2024, 42(4): 150-159. Zhu M, Muhetaer A M T, Alimu Y M, et al. Research on spatiotemporal variation and driving factors of net primary productivity of vegetation in Kashi region from 2000 to 2020[J]. China Resources Comprehensive Utilization, 2024, 42(4): 150-159. |
| [22] | Zhang W J, Zhao X, Li H, et al. Dynamic analysis and risk assessment of vegetation net primary productivity in Xinjiang, China[J]. Remote Sensing, 2024, 16(19). DOI:10.3390/rs16193604 |
| [23] | Stavi I, Roque de Pinho J, Paschalidou A K, et al. Food security among dryland pastoralists and agropastoralists: the climate, land-use change, and population dynamics nexus[J]. The Anthropocene Review, 2022, 9(3): 299-323. |
| [24] | He X, Zhang F, Zhou T, et al. Human activities dominated terrestrial productivity increase over the past 22 years in typical arid and semiarid regions of Xinjiang, China[J]. CATENA, 2025, 250. DOI:10.1016/j.catena.2025.108754 |
| [25] |
耿益新, 范连连, 马学喜, 等. 中蒙阿勒泰毗邻区植被净初级生产力时空变化及其影响因素[J]. 水土保持通报, 2024, 44(6): 298-307, 386. Geng Y X, Fan L L, Ma X X, et al. Spatiotemporal characteristics of vegetation net primary productivity changes and influencing factors in Altay adjacent area of China and Mongolia[J]. Bulletin of Soil and Water Conservation, 2024, 44(6): 298-307, 386. |
| [26] | Zhang H L, Li L, Zhao X E, et al. Changes in vegetation NDVI and its response to climate change and human activities in the Ferghana Basin from 1982 to 2015[J]. Remote Sensing, 2024, 16(7). DOI:10.3390/rs16071296 |
| [27] | Liu C X, Shi S, Wang T, et al. Analysis of net primary productivity variation and quantitative assessment of driving forces—a case study of the Yangtze River Basin[J]. Plants, 2023, 12(19). DOI:10.3390/plants12193412 |
| [28] | Xu Y, Lu Y G, Zou B, et al. Unraveling the enigma of NPP variation in Chinese vegetation ecosystems: the interplay of climate change and land use change[J]. Science of the Total Environment, 2024, 912. DOI:10.1016/j.scitotenv.2023.169023 |
| [29] | 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 |
| [30] | Mu H W, Li X C, Wen Y N, et al. A global record of annual terrestrial human footprint dataset from 2000 to 2018[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01284-8 |
| [31] |
张晋霞. 新疆植被净初级生产力时空分布格局及气候和人为贡献度[D]. 乌鲁木齐: 新疆大学, 2021. Zhang J X. The spatial and temporal distribution pattern of vegetation net primary productivity in Xinjiang and its climate and anthropogenic contribution[D]. Urumqi: Xinjiang University, 2021. |
| [32] | Liu Q, Yang Z P, Han F, et al. NDVI-based vegetation dynamics and their response to recent climate change: a case study in the Tianshan Mountains, China[J]. Environmental Earth Sciences, 2016, 75(16). DOI:10.1007/s12665-016-5987-5 |
| [33] | Yisilayili G, He B Z, Song Y N, et al. Simulation of vegetation NPP in typical arid regions based on the CASA model and quantification of its driving factors[J]. Land, 2025, 14(2). DOI:10.3390/land14020371 |
| [34] |
王娣, 胡江玲. 1981—2020年新疆南北疆气温和降水变化特征分析[J]. 安徽农业科学, 2022, 50(24): 214-219, 240. Wang D, Hu J L. Analysis on the variation characteristics of temperature and precipitation in northern and southern Xinjiang from 1981 to 2020[J]. Journal of Anhui Agricultural Sciences, 2022, 50(24): 214-219, 240. |
| [35] |
姚俊强, 陈静, 迪丽努尔·托列吾别克, 等. 新疆气候水文变化趋势及面临问题思考[J]. 冰川冻土, 2021, 43(5): 1498-1511. Yao J Q, Chen J, Tuoliwubieke D, et al. Trend of climate and hydrology change in Xinjiang and its problems thinking[J]. Journal of Glaciology and Geocryology, 2021, 43(5): 1498-1511. |
| [36] | Yang H F, Mu S J, Li J L. Effects of ecological restoration projects on land use and land cover change and its influences on territorial NPP in Xinjiang, China[J]. CATENA, 2014, 115: 85-95. |
| [37] | Guan J Y, Yao J Q, Li M Y, et al. Assessing the spatiotemporal evolution of anthropogenic impacts on remotely sensed vegetation dynamics in Xinjiang, China[J]. Remote Sensing, 2021, 13(22). DOI:10.3390/rs13224651 |
| [38] | Chen F H, Xie T T, Yang Y J, et al. Discussion of the "warming and wetting" trend and its future variation in the drylands of Northwest China under global warming[J]. Science China Earth Sciences, 2023, 66(6): 1241-1257. |
| [39] | Wang Y Q, Yang J, Chen Y N, et al. The spatiotemporal response of soil moisture to precipitation and temperature changes in an arid region, China[J]. Remote Sensing, 2018, 10(3). DOI:10.3390/rs10030468 |
| [40] | Chen B J, Jiapaer G, Yu T, et al. The role of climatic factor timing on grassland net primary productivity in Altay, Xinjiang[J]. Ecological Indicators, 2023, 157. DOI:10.1016/j.ecolind.2023.111243 |
| [41] |
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. |
| [42] |
和海秀, 付爱红, 王川. 塔城地区西北部低山草甸植被指数变化及其驱动力[J]. 中国沙漠, 2023, 43(1): 187-196. He H X, Fu A H, Wang C. Negetation index change and its driving forces of low mountain meadow vegetation in the northwest of Tacheng region, Xinjiang, China[J]. Journal of Desert Research, 2023, 43(1): 187-196. |
| [43] | Xu Q X, Li J M, Zhang S M, et al. Spatio-temporal changes and driving mechanisms of vegetation net primary productivity in Xinjiang, China from 2001 to 2022[J]. Land, 2024, 13(8). DOI:10.3390/land13081305 |
| [44] | Huang X T, Luo G P, Ye F P, et al. Effects of grazing on net primary productivity, evapotranspiration and water use efficiency in the grasslands of Xinjiang, China[J]. Journal of Arid Land, 2018, 10(4): 588-600. |
| [45] | He P X, Sun Z J, Han Z M, et al. Dynamic characteristics and driving factors of vegetation greenness under changing environments in Xinjiang, China[J]. Environmental Science and Pollution Research, 2021, 28(31): 42516-42532. |
| [46] | Jiang N, Zhang Q Q, Zhang S C, et al. Spatial and temporal evolutions of vegetation coverage in the Tarim River Basin and their responses to phenology[J]. CATENA, 2022, 217. DOI:10.1016/j.catena.2022.106489 |
| [47] | Du Y J, Li X L, He X L, et al. Spatiotemporal variation characteristics and driving mechanisms of net primary productivity of vegetation on northern slope of Tianshan Mountains based on CASA model, China[J]. Plants, 2025, 14(16). DOI:10.3390/plants14162499 |
| [48] | Jiang Y L, Guo J, Peng Q, et al. The effects of climate factors and human activities on net primary productivity in Xinjiang[J]. International Journal of Biometeorology, 2020, 64(5): 765-777. |
| [49] | Fang S F, Yan J W, Che M L, et al. Climate change and the ecological responses in Xinjiang, China: model simulations and data analyses[J]. Quaternary International, 2013, 311: 108-116. |
| [50] | Luo N N, Mao D H, Wen B L, et al. Climate change affected vegetation dynamics in the northern Xinjiang of China: evaluation by SPEI and NDVI[J]. Land, 2020, 9(3). DOI:10.3390/land9030090 |