黄河流域山西段及矿区NPP时空动态和驱动机制分析

引用本文

陈路路, 柴华彬, 王磊, 王宇, 李春意, 张磊. 黄河流域山西段及矿区NPP时空动态和驱动机制分析[J]. 环境科学, 2026, 47(10): 6869-6880.

CHEN Lu-lu, CHAI Hua-bin, WANG Lei, WANG Yu, LI Chun-yi, ZHANG Lei. Spatiotemporal Dynamics and Driving Mechanisms of NPP in the Shanxi Section and Mining Areas of the Yellow River Basin[J]. Environmental Science, 2026, 47(10): 6869-6880.

黄河流域山西段及矿区NPP时空动态和驱动机制分析

陈路路¹, 柴华彬¹, 王磊², 王宇¹, 李春意¹, 张磊¹

1. 河南理工大学测绘与空天信息学院，焦作 454000;
2. 安徽理工大学矿区环境与灾害协同监测煤炭工业工程研究中心，淮南 232000

收稿日期: 2025-07-30; 修订日期: 2025-11-05

基金项目: 国家自然科学基金项目（41076042）；国家自然科学基金国际（地区）合作交流项目（40810069004）

作者简介: 陈路路（2001~），女，硕士研究生，主要研究方向为生态遥感，E-mail: luluchen@home.hpu.edu.cn

通信作者: 柴华彬, E-mail: chaihbhpuedu@163.com

摘要: 黄河流域山西段生态系统植被净初级生产力的持续监测与精细评估，对实现该区域生态系统的可持续管理至关重要. 利用2003~2022年MOD17A3 HGF年度NPP产品数据，结合Theil-Sen Median趋势分析、Mann-Kendall显著性检验及偏相关分析等方法，对该区域NPP时空变化进行综合分析. 同时，基于气温（TEM）、降水量（PRE）、太阳辐射（SR）以及归一化差值植被指数（NDVI）等多源数据，开发了一个ACNN深度学习模型（集成通道注意力机制的一维卷积神经网络）对NPP进行预测，并结合SHAP方法量化各驱动因子对NPP的贡献及其交互作用. 结果表明：①时间上，黄河流域山西段及矿区20 a NPP（以C计）皆呈波动上升趋势，整体NPP累计增长29.83%，矿区NPP累计增长31.14%. ②空间上，黄河流域山西段NPP呈上升趋势面积占95.93%，西北部地区主要呈强显著上升趋势. ③在NPP预测方面，ACNN模型能够有效从输入变量中提取与NPP相关的特征并且该模型准确性[R²=0.83，RMSE=0.041 4 kg·（m²·a）^-1]高于1DCNN模型[R²=0.79，RMSE=0.044 2 kg·（m²·a）^-1]. ④通过SHAP对ACNN模型进行解释，蒸散发（ET）和NDVI对NPP的贡献大于50%，与偏相关性分析结果一致，且它们之间存在显著的交互作用，如NDVI与蒸散发的协同效应显著促进了NPP的增长.

关键词: 净初级生产力（NPP） ACNN模型时空变化驱动机制贡献分析

Spatiotemporal Dynamics and Driving Mechanisms of NPP in the Shanxi Section and Mining Areas of the Yellow River Basin

CHEN Lu-lu¹ , CHAI Hua-bin¹ , WANG Lei² , WANG Yu¹ , LI Chun-yi¹ , ZHANG Lei¹

1. School of Geomatics and Aerospace Information, Henan Polytechnic University, Jiaozuo 454000, China;
2. Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring, Anhui University of Science and Technology, Huainan 232000, China

Abstract: The continuous monitoring and refined assessment of the net primary productivity (NPP) of vegetation in the ecosystem of the Shanxi section of the Yellow River Basin are crucial for achieving the sustainable management of ecosystems in this region. In this study, MOD17A3 HGF annual NPP product data from 2003 to 2022 were used, combined with methods such as Theil-Sen Median analysis, Mann-Kendall significance test, and partial correlation analysis, to conduct a comprehensive analysis of the spatiotemporal changes in NPP in this region. Meanwhile, based on multi-source data including temperature (TEM), precipitation (PRE), solar radiation (SR), and normalized difference vegetation index (NDVI), a 1D convolutional neural network (1DCNN) deep learning model integrated with channel attention mechanism (referred to as the ACNN model) was developed to predict NPP. Additionally, the SHapley Additive exPlanations (SHAP) method was used to quantify the contribution of each driving factor to NPP and their interaction effects. The results show that: ①Temporally, the NPP (calculated in terms of carbon, C) in the Shanxi section of the Yellow River Basin and its mining areas both showed a fluctuating upward trend over the 20-year period. The overall NPP increased by 29.83% cumulatively, while the NPP in mining areas increased by 31.14% cumulatively. ② Spatially, the area with an upward trend of NPP in the Shanxi section of the Yellow River Basin accounted for 95.93%, and the northwestern region mainly showed a strongly significant upward trend. ③ In terms of NPP prediction, the ACNN model could effectively extract NPP-related features from input variables, and the accuracy of the proposed model [R² = 0.83, RMSE = 0.041 4 kg·(m²·a)^-1] was higher than that of the 1DCNN model [R² = 0.79, RMSE = 0.044 2 kg·(m²·a)^-1]. ④ Through the interpretation of the ACNN model using SHAP, the combined contribution of evapotranspiration (ET) and NDVI to NPP exceeded 50%, which was consistent with the results of the partial correlation analysis. Moreover, there was a significant interaction between them; for example, the synergistic effect of NDVI and evapotranspiration significantly promoted the increase in NPP.

Key words: net primary productivity (NPP) ACNN model spatio-temporal variability driving mechanisms contribution analysis

植被净初级生产力（net primary productivity，NPP）是生态系统碳汇能力和植被生长状况的核心表征^[1，2]，也是衡量生态系统功能与服务的重要指标. 在全球气候变暖与碳中和战略背景下，NPP的精准量化及其驱动机制的解析已成为生态学与遥感科学领域的研究前沿^[3]. 因此，深入研究NPP的时空格局及其驱动因素，有助于认识生态系统服务功能的变化规律，为生态环境保护与区域可持续发展提供科学依据^[4，5].

传统NPP估算方法主要基于地面观测数据与生态过程模型（如CASA和BEAMS）^[6~8]，但其面临空间分辨率不足和参数化过程复杂等限制，难以实现区域尺度的动态精准监测. 随着多源遥感技术的发展，MODIS、Landsat和Sentinel等卫星平台在时空分辨率上的协同提升，为NPP反演提供了高精度连续观测数据支撑^[9~11]. 目前基于遥感-模型耦合的NPP产品（如MOD17A3HGF）已在全球尺度验证其可靠性^[12~14]，可为区域NPP时空变化趋势的监测提供可靠数据基础.

作为衡量生态健康和碳平衡的核心变量，NPP受到气候因素和环境变化的综合调控^[15]. 但现有研究大多是通过相关性分析^[16]和地理探测器^[17]等方法对驱动因素进行探究，少有学者对各驱动因素的贡献度及多源环境要素非线性交互作用开展系统性解析. 然而，深度学习技术（如卷积神经网络和长短期记忆网络）通过自适应特征提取与时空依赖性建模，在生态参数预测及驱动因素探究中展现出显著优势^[18~20]. 在众多深度学习架构中，1DCNN模型是一种专门为时序数据所构建的神经网络架构. 其内部主要通过多个1DCNN层、池化层和全连接层构成，通过多层叠加来提取数据时空特征，一些研究使用这类模型在其它时序数据领域取得类似的成果^[21]. 值得注意的是，注意力机制通过动态分配特征权重，可引导模型聚焦关键信息节点，从而增强对空间异质性的表征能力，而不是均匀地处理所有输入^[22]. 这使得模型能够捕捉到更复杂的模式和信息，从而提高其表达能力. 但其与1DCNN的融合创新在NPP估算中是罕见的. 因此，本研究据此提出集成通道注意力机制的1DCNN框架（ACNN），旨在解决生态系统NPP预测中的空间异质适应性问题. 针对深度学习模型固有的“黑箱”特性及其与生态机制解析需求的矛盾，引入Shapley加法解释（SHAP）框架以增强模型可解释性^[23，24]. SHAP基于博弈论中的思想，通过分配每个特征对预测结果的贡献，来解释模型的决策过程^[25]，不仅能解释单个因素预测的结果，还能够有效揭示NPP累计过程中多因子的非线性交互效应. 有助于理解模型内部的决策过程，为驱动因素的定量解析提供依据.

黄河流域山西段作为中国重要的生态屏障和能源基地，集中了多个国家首批规划矿区，生态健康状况对区域可持续发展至关重要^[26，27]. 因此，揭示其NPP的时空变化及驱动机制对于生态保护和资源合理开发具有重要意义^[28]. 基于此，本研究利用2003~2022年MODIS数据集对山西黄河流域及其规划矿区的NPP时空演变进行系统分析，并通过集成通道注意力机制的一维卷积神经网络（ACNN）实现高精度的NPP预测，结合SHAP可解释性框架，研究量化各因素的贡献度及其交互效应，从而揭示不同驱动因素对NPP变化的关联性及其对生态恢复的调控机制.

1 研究区概况与数据来源 1.1 研究区概况

黄河流域山西段（北纬34°33′~40°19′，东经110°12′~113°38′）位于山西省西南部（图 1），涉及黄河干流自北向南流经山西省西侧，流域面积9.71万km²，占山西省总面积的62.2%. 地势呈东北高、西南低，地貌以黄土丘陵、盆地和基岩山地为主. 属于温带大陆性季风气候，年平均气温8~12℃，年均降水量450~550 mm，土壤以黄土为主，水土流失严重，生态环境脆弱^[29]. 区域植被类型多样，南部与河谷平原耕地集中分布，是主要农业生产区；中部吕梁山和太岳山等山地林地覆盖率高，形成重要的水源涵养和水土保持屏障；西北部草地连片，对维持生态稳定作用显著；建设用地主要分布于东南部城镇化区域，水域沿黄河干流及支流呈带状分布. 整体上，该区域兼具农耕与山地生态特征，是黄河中游重要的生态安全屏障. 区域涵盖晋城和霍州等8个国家规划矿区，大规模矿区开采不可避免导致地表沉陷、地下水位下降等复合型生态损伤，对生态环境造成影响.

（a）黄河流域，（b）黄河流域山西段地理位置，（c）数字高程模型显示的地形图 1 黄河流域山西段DEM空间分布示意 Fig. 1 Schematic of DEM spatial distribution in the Shanxi Section of the Yellow River Basin

1.2 数据来源与预处理

本研究使用的NPP数据均采用MODIS提供的MOD17A3HGF产品，空间分辨率为500 m，能够较为准确地反映区域生态系统生产能力. 选择了6个与气候和生态环境相关的驱动因素，包括：年平均气温、年降水量、太阳辐射、地面气压（surface pressure，SP）、陆地蒸散发（evapotranspiration，ET）和NDVI. 其中，年平均气温，年降水量，太阳辐射和地面气压来自ERA5_Land数据集（1 d，0.1°×0.1°）. MOD16A2提供蒸散发数据，时间分辨率为8 d合成，空间分辨率为500 m，计算年平均值作为特征变量. NDVI数据利用MOD09A1产品的红光波段和近红外波段计算，同样按照年平均值进行合成. 所有数据集时间范围均为2003~2022年，为确保数据的一致性和可比性，所有数据首先在GEE平台上获得并与研究区矢量边界叠加获取，其坐标系统一为WGS-84坐标系，对所有遥感数据进行了重采样处理（统一至500 m空间分辨率），以提升数据质量并确保不同数据源之间的可比性.

2 材料与方法 2.1 ACNN模型

在本研究中构建了ACNN深度学习网络用于NPP估算. 该模型主要包括输入层、两个卷积层、一个池化层、全连接层和一个通道注意力层构成（图 2）. 模型输入的是2003~2022年降水量、气温、太阳辐射、蒸散发、地面气压和NDVI，目标向量为各年份NPP值（MOD17A3HGF）. 本研究使用Python中TensorFlow构建该模型，在输入数据前采用MAX-MIN归一化方法将特征数据转换为[0, 1]. 模型超参数使用贝叶斯进行优化，其中80%（64 626条）数据用于模型训练，20%（16 157条）数据用于模型验证，同时模型重复运行100次，每次取十折交叉验证平均值作为模型输出.

（a）ACNN过程模型流程图，（b）通道注意力机制流程图；ReLu：激活函数，CNN：卷积神经网络，Flatten为一种数据形状变换层，CNN（64，3，ReLu）表示64卷积层，卷积核大小为3，激活函数为ReLu，（6，1）表示数据经历卷积等操作后的数据形状，最大值池化1D（2）表示使用最大池化方法，窗口大小为2 图 2 ACNN耦合过程框架模型 Fig. 2 ACNN coupled process framework model

2.2 基于SHAP的可解释分析

SHAP（SHapley Additive exPlanations）是一种基于博弈论的可解释性分析方法，通过Shapley值公平分配特征贡献度，满足可加性、对称性和有效性^[30]. 既能解释单个预测结果的局部特征重要性，也能评估特征对模型的全局影响. 通过时间维度展开，可分析时间序列预测中关键时间步或特征的贡献. SHAP方法用于解析ACNN网络的决策依据，具体流程为：①输入特征序列 $X ϵ R^{T \times d}$ 进行子集采样，生成扰动样本集. ②基于Shapley值计算每个特征 $x_{t}^{(i)}$ 的贡献值 $φ_{t}^{(i)}$ 计算如下：

$ \begin{aligned} \varphi_t^{(i)}= & \sum_{\substack{S \subseteq\{1,2, \cdots, T\} \backslash\{t\}\\ }} \frac{|S|!(T-|S|-1)!}{T!} \times \\ & {[f(S \cup\{t\})-f(S)] } \end{aligned} $

(1)

式中，{1，2，…，T}为所有变量的组合，S为没有变量t的集合，f（S）表示特征子集S的模型输出期望.

除评估单一特征的影响外，SHAP还能识别不同特征之间的交互效应，进一步帮助理解多因素协同作用对NPP变化的驱动机制. 该方法已被广泛应用于生态环境等多个研究领域^[31，32]，证明其在解释复杂模型中的有效性和稳定性. 这种分析方式不仅增强了模型解释能力，也为制定更加科学的生态保护和管理策略提供了理论支撑.

2.3 Sen+MK趋势分析

Theil-Sen Median和Mann-Kendall检验广泛应用于时间序列数据的趋势分析和显著性检验. Theil-Sen Median是一种基于非参数统计的时间序列趋势分析方法^[33]，通过计算数据序列中所有可能点对斜率的中位数来量化趋势变化速率. 计算公式如下：

β = M e d i a n (\frac{X_{j} - X_{i}}{j - i}), \forall j > i

(2)

式中， $β$ 表示斜率， $X_{i}$ 和 $X_{j}$ 分别表示第i年和第j年的NPP值.

Mann-Kendall检验是一种非参数趋势检测方法，用于判断时间序列是否存在单调上升或下降趋势^[34]. 该方法不依赖数据分布假设，对异常值不敏感，能够有效识别线性或非线性的单调趋势. 计算公式如下：

S = \sum_{i = 1}^{n} \sum_{j = i + 1}^{n} s g n (X_{j} - X_{i}), \forall j > i

(3)

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

(4)

V a r (S) = n (n - 1) (2 n + 5) / 18

(5)

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

(6)

式中，Z为趋势显著性检验统计量， $X_{i}$ 和 $X_{j}$ 为时间i和j的数据值，n为时间序列长度， $s g n$ 为符号函数；S为统计量，Var为其方差.

采用β与MK检验统计量Z对研究区NPP的时间序列变化趋势进行分析. Theil-Sen Median用于估算变化速率，MK检验用于判断趋势显著性. 根据β的正负及Z值的大小，将趋势划分为9类，如表 1所示.

表 1 Sen+MK趋势检验分类标准 Table 1 Sen+MK trend test classification criteria

2.4 偏相关分析

偏相关分析用于衡量两个变量之间线性关系，同时排除了其他变量的影响^[35，36]. 本研究采用偏相关分析探究NPP与各特征值之间的相关性，该方法已广泛应用于生态、环境与遥感研究中. 计算公式如下：

r_{x, y} = \frac{\sum_{i = 1}^{n} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt[]{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2} {(y_{i} - \bar{y})}^{2}}}

(7)

式中， $r_{x, y}$ 表示x和y的相关系数， $x_{i}$ 和 $y_{i}$ 表示两个变量第i年的观测值， $\bar{x}$ 和 $\bar{y}$ 分别表示 $x_{i}$ 和 $y_{i}$ 的均值，n表示样本量.

r_{x y, z} = \frac{r_{x y} - r_{x z} r_{y z}}{\sqrt[]{(1 - r_{x z}^{2}) (1 - r_{y z}^{2})}}

(8)

式中， $r_{x y, z}$ 表示控制变量z后，变量x和变量y之间的偏相关系数. $r_{x z}$ 表示变量x和z的相关系数， $r_{y z}$ 表示变量y和z的相关系数.

3 结果与分析 3.1 NPP年际变化

黄河流域山西段2003~2022年间NPP年均值及其增长率的变化情况如图 3所示. 结果表明，该区域NPP在整体上呈现波动上升趋势. 整体来看，研究区NPP（以C计，下同）由2003年的0.33 kg·（m²·a）^-1增长至2022年的0.43 kg·（m²·a）^-1，增长幅度为29.83%. 矿区NPP也表现出类似趋势，从2003年的0.30 kg·（m²·a）^-1上升至2022年的0.42 kg·（m²·a）^-1，累计增长31.14%. 总体来看，黄河流域山西段NPP有所提升，相比之下，矿区NPP增长趋势略高于总体趋势.

图 3 2003~2022年NPP及增长率年际变化 Fig. 3 Interannual variation of NPP and growth rate from 2003 to 2022

矿区NPP变化如表 2所示. 2003~2022年矿区NPP显著提高，在2003年，NPP较低的矿区主要包括柳林矿区、离石矿区和河保偏矿区. 相比之下，沁源矿区和晋城矿区的NPP水平较高. 至2022年，除柳林矿区、离石矿区和河保偏矿区外，其余矿区的NPP年均值均已超过0.42 kg·（m²·a）^-1. 矿区的NPP变化反映出不同矿区在生态保护与修复过程中所采取的措施的差异性. 不同矿区生态保护措施的实施对NPP的变化有着显著影响，沁源和晋城矿区通过系统性修复，实现了全面的植被恢复与水土流失治理，其生态系统生产力较高. 而对于柳林、离石和河保偏矿区，由于历史上矿山开采强度较大，NPP恢复速度较慢，因此，NPP的变化在一定程度上能够体现不同矿区在生态修复过程中的差异性，不同矿区生态修复措施的投入和实施进度可能影响其生态生产力水平. 总体来看，黄河流域山西段东南部矿区的NPP仍显著高于西北部矿区，区域NPP的空间分异格局在近20 a内基本保持稳定，体现出区域自然条件和生态治理成效的差异性.

表 2 2003~2022年各个矿区NPP（以C计）变化/kg·（m²·a）^-1 Table 2 NPP (in C) changes for different mining areas from 2003 to 2022/kg·(m²·a)^-1

3.2 NPP空间变化趋势

黄河流域山西段在2003年、2013年和2022年这3个时间节点的NPP空间分布特征如图 4所示. 结果表明，该区域NPP存在显著的空间异质性，呈现出“南高北低”的分布格局，南部地区的NPP整体高于西北部地区，低值区域主要集中在山西省西部地区.

图 4 2003年、2013年和2022年NPP空间分布 Fig. 4 Spatial distribution of NPP in 2003, 2013, and 2022

从整体趋势看（图 4），矿区的NPP空间分布与黄河流域山西段总体分布相一致，呈现出东南部优于西北部的特征. 20 a来，研究区NPP普遍呈增长趋势，尤其在生态工程干预较为集中的区域，增长更为显著. 这一变化反映了区域植被生长环境的持续改善，生态系统服务能力不断提升，区域生态环境整体向好发展.

为了有效反映黄河流域山西段NPP变化趋势，采用Sen+MK趋势检验将趋势显著性结果分为9类：强显著上升（SSI）、显著上升（SI）、非显著上升（NSI）、弱显著上升（WSI）、无显著变化（NS）、强显著下降（SSD）、显著下降（SD）、非显著下降（NSD）和弱显著下降（WSD）.

图 5（a）显示了黄河流域山西段NPP在2003~2013年主要呈现强显著上升（24.89%）和弱显著上升趋势（34.44%），黄河流域山西段NPP南部和最北部呈弱显著上升，西北部主要呈强显著上升. 其中乡宁矿区、晋城矿区和沁源矿区主要处于显著上升，其他矿区主要属于强显著上升. 2013~2022年，黄河流域山西段NPP主要处于弱显著上升趋势（50.72%），NPP下降趋势占17.34%，主要集中于中部地区. 矿区与整体变化趋势相同，主要处于弱显著上升趋势. 在2003~2022年间，黄河流域山西段大部分地区NPP发生显著变化，矿区和非矿区皆处于上升状态（95.93%），这一趋势可能是由于国家和政府实施了一系列环境保护政策. 例如，2000年开始实施退耕还林还草工程，提高植被覆盖率，改善水土流失. 2001年开始实施的京津风沙治理工程在山西北部开展大规模造林，改善生态环境. 2003~2022年，山西省政府通过矿山修复与复垦、关闭小煤矿和绿色矿山建设等措施，减少资源开采对生态环境的影响. NPP显著提升可见该区域实施的一系列生态环境保护措施效果显著.

图 5 NPP变化趋势分布 Fig. 5 Distribution of NPP trend changes

3.3 NPP与影响因素的偏相关性分析

为了深入探究2003~2022年间NPP与各影响因素之间的关系，本研究采用偏相关分析，探究各影响因素与NPP的相关性. 图6（a）~6（f）展示了2003~2022年，在剔除其他影响因素的作用下，NPP与ET、NDVI、TEM、SP、SR和PRE的偏相关系数分布. 由图 6可知，NPP与ET和NDVI的偏相关较高，最大偏相关系数分别为-0.83~1和-0.77~0.99之间，平均偏相关系数皆为0.76，二者偏相关系数高值主要分布在黄河流域山西段西南部，表明该区域蒸散量和植被覆盖对NPP的影响较为显著. 相比之下，NPP与TEM、SP、SR和PRE的均偏相关系数分别为0.17、0.14、0.03和0.07，与NPP相关性较弱，可能是由于黄河流域山西段整体温热条件较适宜，光照资源充足，使得这些因子并非植被生产力的主要限制因素.

图 6 黄河流域山西段NPP与各驱动因子偏相关分析与显著性检验系数空间分布 Fig. 6 Partial correlation analysis and significance test coefficients distribution of NPP and various driving factors in the Shanxi section of the Yellow River Basin

为了进一步揭示不同因素对NPP的空间响应特征，本文在像素尺度上开展了偏相关显著性检验，结果展示于图6（g）~6（l）. 整体看来，各影响因素与NPP的偏相关显著性呈正相关的区域面积明显大于呈负相关的区域面积，其中，ET和NDVI与NPP呈正相关面积占98.82%和87.51%，且极显著正相关的面积占比分别达到81.97%和75.97%，明显高于其他因素，进一步印证了植被NPP与蒸散发量和植被生长密切相关. NPP与TEM、SP、SR和PRE的偏相关显著性呈正相关的面积占比大于呈负相关的面积占比，呈正相关面积分别占总面积的85.94%、66.04%、55.13%和66.20%. 表明气温、地面气压、太阳辐射和降水量在一定程度上均能促进NPP增加. 值得注意的是，NDVI与ET在空间分布上的相关性表现出高度一致性，说明植被生长状况在很大程度上影响区域的水分循环过程，从而共同驱动NPP的时空变化.

3.4 ACNN模型性能与SHAP可解释性分析

尽管本研究通过偏相关分析分析了不同影响因素对NPP的线性相关性，并发现部分因素与NPP表现出显著的相关性，但不同影响因素之间为NPP预测提供不同的贡献，并且NPP可能受多因素的交互作用影响. 因此，仅靠偏相关分析可能无法准确衡量各变量的实际贡献. 因此使用ACNN深度学习网络进一步预测NPP并探究各变量在NPP预测中的贡献.

如图 7所示，ACNN预测NPP与MODIS产品具有高度一致性，ACNN模型的R²和RMSE分别为0.83和0.041 4 kg·（m²·a）^-1，相较于1DCNN模型[R²=0.79，RMSE=0.044 2 kg·（m²·a）^-1]，ACNN模型预测NPP获得了更高的准确性，R²升高0.04，RMSE降低0.002 8 kg·（m²·a）^-1，这表明通道注意力机制在分配不同特征权重的有效性. 散点图显示，两模型的预测NPP均在1∶1线附近，没有明显的非线性问题，其中1DCNN模型存在明显的低值高估和高值低估问题，这表明与ACNN模型相比，1DCNN存在特征捕捉方面的局限性. 总体而言，通过嵌入通道注意力机制并结合高质量的NPP数据，ACNN模型能够有效地解释NPP与各驱动因素之间的关系并提升预测精度，是一种有效的NPP预测方法.

频率是数据点的密集程度（即某一区域内散点的数量分布），无实际单位；RMSE数值单位为kg·（m²·a）^-1 图 7 NPP模型预测 Fig. 7 NPP model prediction

以NPP为目标变量进行SHAP建模，结果如图 8所示，不同环境特征在对NPP贡献方面存在差异. ET、NDVI和SP则随着特征值增大，对NPP呈正贡献，TEM和SR则随着特征值的增大，对NPP呈负贡献. 通过变量重要性分析，可以确定ET和NDVI是最具影响力的变量，对NPP预测有巨大贡献，这与偏相关分析结果一致. 此外，TEM和SP变量的贡献也较为显著，在SHAP模型中占据较高的影响力. 这表明，SHAP模型能够有效识别并量化不同驱动因素对NPP的贡献，进一步验证了ET和NDVI在NPP预测中的关键作用.

图 8 ACNN模型下各驱动因子的Shapley值 Fig. 8 Shapley value of each driver under ACNN model

本文利用SHAP特征依赖图揭示研究区NPP与驱动因素之间的交互作用机制（图 9）. ET与NDVI呈现明显的线性关系，当NDVI处于较高水平时，ET值的上升伴随着SHAP值的剧烈增大，表明在高植被覆盖区域，蒸散发的增强显著促进了植被的光合作用及有机物积累，从而对NPP产生显著正向影响.

横坐标和色柱的数值为归一化数值，纵坐标表示各特征的SHAP值图 9 驱动因素对NPP的交互作用分布 Fig. 9 Interaction effects of driving factors on NPP

NDVI和SP（地表气压）的交互作用呈现明显非线性关系. 当地表气压处于较低水平时（蓝色），NDVI的增加对NPP具有强烈的正向影响. 然而，随着SP的升高，NDVI对NPP的影响转为负向，表明在晴朗、高压控制的稳定天气下，虽然光照充足，但可能伴随更高的蒸腾胁迫，限制了高覆盖度植被（高NDVI）的光合作用，而削弱了对NPP的贡献.

温度（TEM）和太阳辐射（SR）与NDVI的交互作用表明，无论NDVI处于何种水平，随着温度的上升，TEM和SR对NPP的影响均由正向逐渐转为负向. 当NDVI处于高水平时，这种波动更为剧烈，这可能是因为在高温条件下植被呼吸作用增强，水分利用效率下降，从而限制了光合产物的积累，尤其在郁闭植被区表现更为敏感. 与之相反的是SR与NDVI之间的交互作用：当NDVI处于较高水平时，随着SP的增加，其对NPP的贡献由负转正，在SP小于0.4时变化尤为剧烈. 这可能是因为充足的光照与相对温和的温度、湿度条件并存，缓解了低气压时的光照不足和高气压时的蒸腾胁迫，从而最大化高覆盖植被的光合效能.

降水（PRE）与太阳辐射（SR）的交互表明，无论太阳辐射处于何种水平，降水变化对NPP的影响均呈现高度波动性，反映出研究区水分可利用性对植被生产的关键调控作用. 在干旱半干旱生态系统中，降水事件的时间分布与太阳辐射共同作用于土壤水分动态及植被生理过程，导致NPP对降水的响应呈现不稳定特征.

4 讨论 4.1 NPP时空变化分析

在时间尺度上，2003~2022年研究区NPP整体呈显著波动上升趋势，20 a线性趋势斜率为0.86（图 3），相较于单一极值年份：2005年最低值[0.29 kg·（m²·a）^-1]和2018年峰值[0.44 kg·（m²·a）^-1]，长期线性趋势更能规避个别年份波动的随机性，客观反映生态恢复进程. 这一规律与山西省生态演变的已有研究结论一致：Pan等^[37]发现1986~2020年山西省煤田生态系统服务指数呈上升趋势，Yang等^[38]也指出退耕还林政策推动下山西省碳储量持续增加，进一步佐证了本区域环境质量改善与生态恢复的显著性^[39，40]. 在空间分布上，研究区20 a年NPP呈现“南高北低、东高西低”的格局：南部与东部地区因年均降水量较高（年均值为600~800 mm）、年均温稳定在10~12℃，且叠加林草恢复工程（累计实施面积超120万hm²），NPP均值达0.38~0.44 kg·（m²·a）^-1；而北部、西部地区受年均降水量不足400 mm及煤炭开采干扰，NPP均值仅0.25~0.32 kg·（m²·a）^-1，体现了地理环境与人类活动对NPP空间分异的双重影响. 在变化趋势上，2003~2022年整体上升趋势占95.93%，其中强显著上升占72.58%，NPP上升的原因可能归因于气候变化背景下区域降水量和气温适宜，为植被生长提供了有利条件；并且，国家及地方大规模实施退耕还林还草和荒漠化治理工程，矿区生态修复和土地复垦工程逐步推进，有效改善了生态环境质量^[41，42].

4.2 ACNN模型和NPP驱动因素分析

在本研究中，融合了多源遥感数据和MODIS NPP产品，构建并应用了一种集成通道注意力机制的深度学习模型（ACNN），用于估算植被NPP. ACNN模型有效解决了特征权重静态分配和多源特征之间复杂维度问题^[43]. 结果表明，ACNN在NPP估算方面优于单一的1DCNN模型，模型的预测结果[R²=0.83，RMSE=0.041 4 kg·（m²·a）^-1]更接近产品，尤其是在克服低值高估和高值低估方面，本文研究结果表明ACNN模型在估算NPP方面的有效性. 相较于传统光能利用率模型^[44]（如CASA），ACNN适应性与泛化能力更优，武爱彬等^[45]利用CASA模型反演京津冀NPP的R²仅为0.66，而ACNN通过注意力机制强化关键特征（如NDVI和ET）的贡献，进一步提升了估算精度.

为深入探究NPP变化的驱动机制，本研究进一步采用SHAP方法对表现最优的ACNN模型进行可解释性分析. SHAP特征重要性分析结果显示，ET与NDVI是对NPP预测贡献最大的两个因子，该结论与偏相关分析结果高度吻合，共同印证了水分条件（通过ET反映）与植被生长状况（通过NDVI反映）在区域植被生产力形成中的核心地位^[46，47]. TEM与SR作为植物生长的基本能量来源，也在模型中占据重要权重，揭示了光热条件对NPP变化的基础性调控作用^[48].

更重要的是，SHAP方法超越了传统地理探测器仅能通过q值量化因子交互作用的局限^[49]，使得直观解析多因子间的非线性协同或抑制效应成为可能. 通过对SHAP交互值的量化分析，本研究发现特定环境变量的组合在特定阈值范围内对NPP产生显著的非线性增强效应. 例如，NDVI与SR之间存在强烈的正向交互作用：在太阳辐射水平一定的条件下，提升植被覆盖度与生长活力（即NDVI值）能够对NPP产生最大的正向贡献. 这一发现为区域生态质量的精准提升提供了关键的理论切入点^[50，51]. 综上所述，ACNN模型与SHAP可解释性分析的结合，不仅实现了对NPP的高精度估算，更通过量化驱动因子的独立贡献与复杂交互效应，为理解生态系统生产力的内在调控机制提供了新颖而深刻的视角，从而为后续生态环境政策的精准制定提供了更具操作性的科学支撑.

5 结论

（1）2003~2022年，黄河流域山西段及矿区NPP总体皆呈上升状态，20 a间NPP总体上升了29.83%，在2003~2022年期间，95.93%的面积呈上升趋势，强显著上升占72.58%，NPP改善区域大于退化区域，表明黄河流域山西段生态环境不断改善.

（2）各因子与NPP的偏相关系数均为正，NPP与ET和NDVI的偏相关性较高. NPP与各因子的偏相关显著性呈正相关的面积占比高于呈负相关的面积占比，在一定程度上均能促进NPP增加.

（3）本研究构建并应用了融合通道注意力机制的ACNN深度学习模型，模型在NPP估算结果上获得了令人满意的准确性[R²=0.83，RMSE=0.041 4 kg·（m²·a）^-1]，通过SHAP可解释性分析，进一步验证了ACNN模型对驱动因子贡献量化的可靠性，并量化了各因子的独立及交互贡献. ET、NDVI、TEM和SR对NPP的影响最为显著，其中NDVI与ET的协同效应尤为突出，二者的同步增长可显著促进NPP提升，这为理解生态系统碳汇功能的协同调控机制提供了新视角.

参考文献

[1]	蔡明泽, 辛学兵, 裴顺祥, 等. 北京市森林NPP时空变化及驱动力分析[J]. 农业工程学报, 2025, 41(8): 282-290. Cai M Z, Xin X B, Pei S X, et al. Spatiotemporal dynamic changes and driving forces of forest NPP in Beijing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2025, 41(8): 282-290.
[2]	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.
[3]	Zhou Z J, Qin D H, Chen L C, et al. Novel model for NPP prediction based on temperature and land use changes: a case in Sichuan and Chongqing, China[J]. Ecological Indicators, 2022, 145. DOI:10.1016/j.ecolind.2022.109724
[4]	Wu L H, Zhang Y, Luo G J, et al. Characteristics of vegetation carbon sink carrying capacity and restoration potential of China in recent 40 years[J]. Frontiers in Forests and Global Change, 2023, 6. DOI:10.3389/ffgc.2023.1266688
[5]	方贺, 樊高峰, 王阔, 等. 2000~2022年长江三角洲地区植被净初级生产力时空演化特征及驱动因素[J]. 环境科学, 2025, 46(9): 5788-5799. Fang H, Fan G F, Wang K, et al. Spatiotemporal variation characteristics and driving factors of vegetation NPP in the Yangtze River Delta from 2000 to 2022[J]. Environmental Science, 2025, 46(9): 5788-5799. DOI:10.13227/j.hjkx.202408215
[6]	Bao G, Bao Y H, Qin Z H, et al. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 46: 84-93. DOI:10.1016/j.jag.2015.12.001
[7]	Chen J L, Shao Z F, Huang X, et al. Multi-source data-driven estimation of urban net primary productivity: a case study of Wuhan[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 127. DOI:10.1016/j.jag.2023.103638
[8]	罗健梅, 阿布都热合曼·哈力克, 段越帆, 等. 艾比湖流域植被NPP时空演变特征及其驱动因素[J]. 生态学报, 2025, 45(1): 182-196. Luo J M, Halike A, Duan Y F, et al. Spatiotemporal dynamics and driving factors of net primary productivity in the Ebinur Lake Basin[J]. Acta Ecologica Sinica, 2025, 45(1): 182-196.
[9]	刘文瑞, 李晓婷, 李彤, 等. 基于MODIS和CASA模型的伊春市森林植被NPP变化特征及其影响因子分析[J]. 生态学杂志, 2022, 41(1): 150-158. Liu W R, Li X T, Li T, et al. Spatiotemporal variations of forest NPP and related driving factors based on MODIS and CASA models in Yichun[J]. Chinese Journal of Ecology, 2022, 41(1): 150-158.
[10]	尹小君, 祝宏辉, Gao J, 等. 基于Landsat和MODIS数据融合的农牧区NPP模拟[J]. 农业机械学报, 2020, 51(8): 163-170. Yin X J, Zhu H H, Gao J, et al. NPP simulation of agricultural and pastoral areas based on Landsat and MODIS data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(8): 163-170.
[11]	田春红, 李明阳, 李陶, 等. 基于Sentinel 1&2主被动遥感数据和冠层高度的森林净初级生产力估测[J]. 南京林业大学学报(自然科学版), 2024, 48(4): 132-140. Tian C H, Li M Y, Li T, et al. Estimation of forest net primary productivity based on Sentinel active and passive remote sensing data and canopy height[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2024, 48(4): 132-140.
[12]	李新妹, 吴作航, 王震山, 等. 基于MODIS遥感数据的福建植被生产力时空分布与干旱响应分析[J]. 生态环境学报, 2024, 33(6): 841-852. Li X M, Wu Z H, Wang Z S, et al. Spatio-temporal dynamics of vegetation productivity and drought impacts in Fujian Province using MODIS data[J]. Ecology and Environmental Sciences, 2024, 33(6): 841-852.
[13]	Wei X D, Yang J, Luo P P, et al. Assessment of the variation and influencing factors of vegetation NPP and carbon sink capacity under different natural conditions[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108834
[14]	Lu Z W, Chen P W, Yang Y R, et al. Exploring quantification and analyzing driving force for spatial and temporal differentiation characteristics of vegetation net primary productivity in Shandong Province, China[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110471
[15]	Chuai X W, Guo X M, Zhang M, et al. Vegetation and climate zones based carbon use efficiency variation and the main determinants analysis in China[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2019.105967
[16]	任利敏, 王琳, 李娜, 等. 河南省植被NPP时空变化特征及其驱动因素[J]. 测绘科学, 2024, 49(8): 69-80. Ren L M, Wang L, Li N, et al. Spatiotemporal variations characteristics and driving factors of vegetation NPP in Henan Province[J]. Science of Surveying and Mapping, 2024, 49(8): 69-80.
[17]	郭昭, 师芸, 刘铁铭, 等. 2001-2020年秦岭北麓NPP时空格局及驱动因素分析[J]. 生态环境学报, 2025, 34(3): 401-410. Guo Z, Shi Y, Liu T M, et al. Analysis of spatiotemporal patterns and driving factors of NPP on the northern slope of the Qinling Mountains from 2001 to 2020[J]. Ecology and Environmental Sciences, 2025, 34(3): 401-410.
[18]	Ganaie M A, Hu M H, Malik A K, et al. Ensemble deep learning: A review[J]. Engineering Applications of Artificial Intelligence, 2022, 115. DOI:10.1016/j.engappai.2022.105151
[19]	Borowiec M L, Dikow R B, Frandsen P B, et al. Deep learning as a tool for ecology and evolution[J]. Methods in Ecology and Evolution, 2022, 13(8): 1640-1660. DOI:10.1111/2041-210X.13901
[20]	王永财, 万华伟, 高吉喜, 等. 基于深度学习语义分割模型的草地植被盖度估算对比研究[J]. 环境科学研究, 2024, 37(10): 2299-2309. Wang Y C, Wan H W, Gao J X, et al. Comparative study of grassland vegetation coverage estimation based on deep learning semantic segmentation models[J]. Research of Environmental Sciences, 2024, 37(10): 2299-2309.
[21]	张领先, 陈运强, 李云霞, 等. 基于卷积神经网络的冬小麦麦穗检测计数系统[J]. 农业机械学报, 2019, 50(3): 144-150. Zhang L X, ChenY Q, Li Y X, et al. Detection and counting system for winter wheat ears based on convolutional neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(3): 144-150.
[22]	Qiao M J, He X H, Cheng X J, et al. KSTAGE: A knowledge-guided spatial-temporal attention graph learning network for crop yield prediction[J]. Information Sciences, 2023, 619: 19-37. DOI:10.1016/j.ins.2022.10.112
[23]	窦占宁, 王彬, 周金星. 基于机器学习的土壤侵蚀空间分布预报及影响因子分析——以西南高山峡谷区云南省云龙县为例[J]. 生态学报, 2025, 45(14): 6663-6677. Dou Z N, Wang B, Zhou J X. Prediction of soil erosion spatial distribution and analysis of influencing factors using machine learning: a case study of Yunlong County of Yunnan province in the alpine canyon region of Southwest China[J]. Acta Ecologica Sinica, 2025, 45(14): 6663-6677.
[24]	赵慧, 刘茜, 张敏, 等. 基于XGBoost-SHAP模型的北京市生态系统服务空间格局及驱动因素分析[J]. 环境科学, 2026, 47(2): 1025-1037. Zhao H, Liu Q, Zhang M, et al. Analysis of spatial patterns and driving factors of ecosystem services in Beijing based on XGBoost-SHAP model[J]. Environmental Science, 2026, 47(2): 1025-1037. DOI:10.13227/j.hjkx.202501166
[25]	陈艳君, 谢炳庚, 李俊翰, 等. 基于机器学习的长株潭城市群生态敏感性及其驱动因子研究[J]. 生态科学, 2025, 44(1): 28-39. Chen Y J, Xie B G, Li J H, et al. Study on ecological sensitivity and driving factors of Changsha-Zhuzhou-Xiangtan urban agglomeration based on machine learning[J]. Ecological Science, 2025, 44(1): 28-39.
[26]	崔盼盼, 赵媛, 夏四友, 等. 黄河流域生态环境与高质量发展测度及时空耦合特征[J]. 经济地理, 2020, 40(5): 49-57, 80. Cui P P, Zhao Y, Xia S Y, et al. Level measures and temporal and spatial coupling analysis of ecological environment and high quality development in the Yellow River Basin[J]. Economic Geography, 2020, 40(5): 49-57, 80.
[27]	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. DOI:10.13227/j.hjkx.202203010
[28]	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.
[29]	Wang Y P, Xu Z H, Yu S Y, et al. Exploring watershed ecological risk bundles based on ecosystem services: a case study of Shanxi Province, China[J]. Environmental Research, 2024, 245. DOI:10.1016/j.envres.2023.118040
[30]	Noorchenarboo M, Grolinger K. Explaining deep learning-based anomaly detection in energy consumption data by focusing on contextually relevant data[J]. Energy and Buildings, 2025, 328. DOI:10.1016/j.enbuild.2024.115177
[31]	甘子琪, 石淞, 傅婷, 等. 基于XGBoost-SHAP的松花江流域三生空间生态风险耦合协调及驱动机制分析[J]. 环境科学, 2025, 47(7): 4785-4797. Gan Z Q, Shi S, Fu T, et al. Coupling coordination and driving mechanisms of landscape ecological risk in the production-living-ecological space of the Songhua River Basin based on XGBoost-SHAP[J]. Environmental Science, 2025, 47(7): 4785-4797. DOI:10.13227/j.hjkx.202506281
[32]	吴雪, 张显云, 龙安成, 等. 采用XGBoost+SHAP揭示贵阳市地表温度的驱动力因子[J]. 环境科学与技术, 2024, 47(8): 155-166. Wu X, Zhang X Y, Long A C, et al. Revealing the drivers of land surface temperature variation in Guiyang City using XGBoost and SHAP[J]. Environmental Science & Technology, 2024, 47(8): 155-166.
[33]	王天宏, 蒋馥根, 龙依, 等. 1990—2020年长江源地区生态环境质量动态变化及驱动力分析[J]. 南京林业大学学报(自然科学版), 2025, 49(3): 110-118. Wang T H, Jiang F G, Long Y, et al. Dynamic changes and driving forces of ecological environment quality in the source region of the Yangtze River from 1990 to 2020[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2025, 49(3): 110-118.
[34]	Prăvălie R, Niculiță M, Roșca B, et al. Machine learning-based prediction and assessment of recent dynamics of forest net primary productivity in Romania[J]. Journal of Environmental Management, 2023, 334. DOI:10.1016/j.jenvman.2023.117513
[35]	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
[36]	Zhu P F, Liu G, He J. Spatio-temporal variation and impacting factors of NPP from 2001 to 2020 in Sanjiangyuan region, China: a deep neural network-based quantitative estimation approach[J]. Ecological Informatics, 2023, 78. DOI:10.1016/j.ecoinf.2023.102345
[37]	Pan H H, Du Z Q, Wu Z T, et al. Assessing the coupling coordination dynamics between land use intensity and ecosystem services in Shanxi's coalfields, China[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111321
[38]	Yang Z, Zhan J Y, Wang C, et al. Coupling coordination analysis and spatiotemporal heterogeneity between sustainable development and ecosystem services in Shanxi Province, China[J]. Science of the Total Environment, 2022, 836. DOI:10.1016/j.scitotenv.2022.155625
[39]	Ba W R, Qiu H T, Cao Y G, et al. Spatiotemporal characteristics prediction and driving factors analysis of NPP in Shanxi Province covering the period 2001-2020[J]. Sustainability, 2023, 15(15). DOI:10.3390/su151512070
[40]	杨改强, 张志强, 辛鑫, 等. 山西省耕地NPP时空变化及其气候因子驱动分析[J]. 科学技术与工程, 2023, 23(24): 10557-10567. Yang G Q, Zhang Z Q, Xin X, et al. Spatial-temporal variation of farmland NPP and climate factor-driven analysis in Shanxi Province[J]. Science Technology and Engineering, 2023, 23(24): 10557-10567.
[41]	陈实, 黄银兰, 金云翔. 退耕还林(草)工程实施前后黄河中游生境质量时空变化分析[J]. 干旱区研究, 2023, 40(3): 456-468. Chen S, Huang Y L, Jin Y X. Spatiotemporal changes of habitat quality before and after the implementation of Grain for Green Project in the middle reaches of the Yellow River[J]. Arid Zone Research, 2023, 40(3): 456-468.
[42]	汪雯雯, 李佳芳, 杨文府. 山西省矿区NPP动态变化特征及驱动因素研究——以轩岗矿区为例[J]. 测绘通报, 2024(7): 71-76, 163. Wang W W, Li J F, Yang W F. Study on NPP dynamic change characteristics and driving factors response in mining area of Shanxi province: taking Xuangang mining area as an example[J]. Bulletin of Surveying and Mapping, 2024(7): 71-76, 163.
[43]	Xiao G L, Zhang X Y, Niu Q D, et al. Winter wheat yield estimation at the field scale using sentinel-2 data and deep learning[J]. Computers and Electronics in Agriculture, 2024, 216: 108555. DOI:10.1016/j.compag.2023.108555
[44]	张猛, 钟安豪, 齐帅洋, 等. 中国沼泽湿地净初级生产力时空演变研究[J]. 遥感学报, 2025, 29(1): 167-180. Zhang M, Zhong A H, Qi S Y, et al. Spatiotemporal evolution of net primary productivity of swampy wetlands in China[J]. National Remote Sensing Bulletin, 2025, 29(1): 167-180.
[45]	武爱彬, 陈辅国, 尤海舟, 等. 京津冀地区植被净初级生产力时空变化特征及影响因素分析[J]. 环境科学, 2025, 46(11): 6957-6968. Wu A B, Chen F G, You H Z, et al. Characterization of spatial and temporal changes in net primary productivity of vegetation in Beijing-Tianjin-Hebei region and analysis of influencing factors[J]. Environmental Science, 2025, 46(11): 6957-6968. DOI:10.13227/j.hjkx.202411179
[46]	Fatichi S, Ivanov V Y. Interannual variability of evapotranspiration and vegetation productivity[J]. Water Resources Research, 2014, 50(4): 3275-3294. DOI:10.1002/2013WR015044
[47]	Rafique R, Zhao F, De Jong R, et al. Global and regional variability and change in terrestrial ecosystems net primary production and NDVI: a model-data comparison[J]. Remote Sensing, 2016, 8(3). DOI:10.3390/rs8030177
[48]	Jia L, Yu K X, Li Z B, et al. Spatiotemporal pattern of NPP and its response to climatic factors in the Yangtze River Economic Belt[J]. Ecological Indicators, 2024, 162. DOI:10.1016/j.ecolind.2024.112017
[49]	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.
[50]	姜雪梅, 曹永强, 么嘉棋, 等. 基于最大光能利用率动态校正的京津冀地区植被碳汇反演研究[J]. 生态学报, 2025, 45(13): 6374-6389. Jiang X M, Cao Y Q, Yao J Q, et al. Research on vegetation carbon sink inversion in Beijing-Tianjin-Hebei region based on dynamic correction of maximum light use efficiency[J]. Acta Ecologica Sinica, 2025, 45(13): 6374-6389.
[51]	陈友, 谭本艳, 郭颖珠. 长三角地区绿色低碳发展的时空演变及其驱动因素分析[J]. 环境科学研究, 2025, 38(10): 2136-2146. Chen Y, Tan B Y, Guo Y Z. Analysis of the spatiotemporal evolution and driving factors of green and low-carbon development in the Yangtze River Delta region[J]. Research of Environmental Sciences, 2025, 38(10): 2136-2146.


环境科学 2026, Vol. 47 Issue (10): 6869-6880	PDF