环境科学  2026, Vol. 47 Issue (4): 2370-2381   PDF    
引用本文
黄继超, 邓晓颖, 齐玉峰, 王攀科, 姚健. 河南省气候变化和人类活动对净生态系统生产力变化的影响[J]. 环境科学, 2026, 47(4): 2370-2381.
HUANG Ji-chao, DENG Xiao-ying, QI Yu-feng, WANG Pan-ke, YAO Jian. Impact of Climate Change and Human Activities on the Changes in Net Primary Ecosystem Productivity in Henan Province[J]. Environmental Science, 2026, 47(4): 2370-2381.
河南省气候变化和人类活动对净生态系统生产力变化的影响
黄继超1,2,3, 邓晓颖1,2,3, 齐玉峰1,2,3, 王攀科1,2,3, 姚健1,2,3     
1. 河南省地质局生态环境地质服务中心，郑州 450053;
2. 河南省矿山环境生态修复工程技术研究中心，郑州 450053;
3. 河南省地热能开发工程技术研究中心，郑州 450053
收稿日期: 2025-03-20; 修订日期: 2025-05-19
基金项目: 2023年度河南省科技攻关项目（232102320274）；河南省自然资源厅2024年度省自然资源“揭榜挂帅”科技创新项目（2024-8）
作者简介: 黄继超（1985~），男，高级工程师，主要研究方向为环境地质，E-mail：yxhuangchao@163.com
通信作者: 齐玉峰, E-mail：19866850@qq.com
摘要: 在全球气候变化与“双碳”目标背景下，通过集成多源遥感数据（MOD17A3、ChinaLand30）与统计模型（Theil-Sen趋势分析、岭回归残差分解、Hurst指数），解析2003~2023年河南省净生态系统生产力（NEP）时空演变规律及驱动机制. 结果表明：①河南省NEP年均增长8.59 g·（m2·a）-1，碳汇区占比从78.3% 提升至81.7%，但空间异质性显著. 伏牛山生态屏障（44.5%）与平原农田带（37.2%）碳汇增强明显，郑州都市圈（1.6%）因建设用地扩张成为碳源热点，2019年极端气候与城市化叠加导致NEP骤降[-80.47 g·（m2·a）-1]. ②土地/NEP转移矩阵表明，耕地转为灌木[152.91 g·（m2·a）-1]和荒地变为林地[191.63 g·（m2·a）-1]显著增汇，而耕地转为不透水面[-102.36 g·（m2·a）-1]造成碳流失，凸显生态修复与城镇化矛盾. ③气候变化通过升温[0.05~1.14 ℃·（10 a）-1]延长植被生长期，贡献率为91.83%；人类活动通过退耕还林与农田集约化协同增汇，贡献率为90.79%. 两者协同驱动区占78.73%，但郑州都市圈因热岛效应受“气候-人类”双重抑制. ④Hurst指数（H）预测，49.06% 的平原农业带碳汇将持续增强（H > 0.5），45.49% 的生态脆弱区（如黄河故道）可能退化（H < 0.5），需实施差异化生态管理. 上述成果可为协调河南粮食安全与生态安全政策制定提供科学支撑，建议伏牛山区强化生态补偿机制，平原农业区推广“农林复合”模式提升可持续碳汇潜力.
关键词: 净生态系统生产力（NEP）      土地转移矩阵      趋势-显著性分析      Hurst指数      驱动贡献率     
Impact of Climate Change and Human Activities on the Changes in Net Primary Ecosystem Productivity in Henan Province
HUANG Ji-chao1,2,3 , DENG Xiao-ying1,2,3 , QI Yu-feng1,2,3 , WANG Pan-ke1,2,3 , YAO Jian1,2,3     
1. Ecological Environment Geological Service Center of Henan Provincial Geology Bureau, Zhengzhou 450053, China;
2. Engineering and Technology Research Center for Ecological Restoration of Mining Environment in Henan Province, Zhengzhou 450053, China;
3. Engineering and Technology Research Center for Geothermal Energy Development in Henan Province, Zhengzhou 450053, China
Abstract: Against the backdrop of global climate change and the "dual carbon" goals, by integrating multi-source remote sensing data (MOD17A3 and ChinaLand30) and statistical models (Theil-Sen trend analysis, ridge regression residual decomposition, and Hurst index), the spatio-temporal evolution patterns and driving mechanisms of the Net Ecosystem Productivity (NEP) in Henan Province from 2003 to 2023 were analyzed. The results showed that: ① The average annual growth of NEP in Henan Province was 8.59 g·(m2·a)-1, and the proportion of carbon sink areas increased from 78.3% to 81.7%, but there was significant spatial heterogeneity. The areas with enhanced carbon sinks were concentrated in the Funiu Mountain ecological barrier (44.5%) and the plain farmland belt (37.2%), while the Zhengzhou metropolitan area (1.6%) has become a hot spot of carbon sources due to the expansion of construction land. In 2019, the superposition of extreme climate and urbanization led to a sharp decline in NEP [-80.47 g·(m2·a)-1]. ② The land/NEP transfer matrix indicated that the conversion of cultivated land to shrubs [152.91 g·(m2·a)-1] and the transformation of wasteland into forest land [191.63 g·(m2·a)-1] significantly increased the carbon sink, while the conversion of cultivated land to impervious surfaces [-102.36 g·(m2·a)-1] caused carbon loss, highlighting the contradiction between ecological restoration and urbanization. ③ Climate change extended the vegetation growth period through warming [0.05-1.14 ℃·(10 a)-1], with a contribution rate of 91.83%. Human activities jointly increased the carbon sink through the return of farmland to forest and farmland intensification, with a contribution rate of 90.79%. The areas driven jointly by the two factors accounted for 78.73%, but the Zhengzhou metropolitan area was under the dual inhibition of "climate-human" factors due to the urban heat island effect. ④ The Hurst index (H) predicted that the carbon sink in 49.06% of the plain agricultural belt will continue to be enhanced (H > 0.5), and 45.49% of the ecologically fragile areas (such as the former course of the Yellow River) may degrade (H < 0.5); thus, differential ecological management is required. The above results provide scientific support for the formulation of policies to coordinate food security and ecological security in Henan Province. It is recommended to strengthen the ecological compensation mechanism in the Funiu Mountain area and promote the "agroforestry composite" model in the plain agricultural area to enhance the potential of sustainable carbon sinks.
Key words: net ecosystem productivity (NEP)      land transfer matrix      trend-significance analysis      Hurst index      driving contribution rate     

在全球气候变化与“双碳”目标（碳达峰、碳中和）背景下，陆地生态系统的碳源/汇动态及其驱动机制成为研究热点[1]. 作为连接东西、贯通南北的生态过渡带，河南省兼具农业主产区与快速城市化的复合特征，其碳循环过程受自然与人为因素的双重影响，呈现显著的时空异质性[2]. 近年来，多学科研究通过遥感反演、模型模拟与实地观测等手段，揭示了净生态系统生产力（net ecosystem productivity，NEP）与土地利用/覆盖变化（land use and cover change，LUCC）对区域碳平衡的核心作用[3]. 例如，贵州省植被碳汇的时空格局研究表明，气象因子（如温度、降水）对碳汇能力具有较为复杂的影响关系[4]；太行山-燕山区域的研究则强调，人类活动（如退耕还林和城市扩张）通过改变地表覆被类型，可显著重塑碳源/汇的空间分布[5，6]. 类似地，长三角地区的研究发现，耕地保护与生态修复政策的协同实施是提升碳汇的关键[7]，而京津冀地区的研究表明，植被恢复工程对NPP增长的贡献率可达60%以上[8].

河南省的碳循环研究具有特殊意义. 一方面，其耕地面积占全省40%（813.74×104 hm2），农田生态系统的固碳潜力与排放风险并存[9]；另一方面，城镇化率从2003年的29.2%跃升至2023年的57.4%[10]，建设用地扩张导致自然碳汇的流失. 此外，气候变化背景下，年均温以[0.05~1.14 ℃·（10 a）-1]的速率上升，进一步加剧了生态系统碳收支的不确定性. 现有研究表明，河南省碳汇增强区集中于伏牛山生态屏障与平原农田带，而碳源热点则与郑州都市圈等城市化区域高度重叠[11]. 这一格局与太行山区、黄土高原等地的研究结论相似，均印证了“地貌-气候-人类活动”三元驱动框架的普适性[12].

然而，当前研究仍存在以下空白：①多数分析聚焦单一驱动因子（如气候或LUCC），缺乏对多因素交互作用的量化评估[13]；②对农业集约化与生态工程的碳汇增效机制探讨不足，尤其是秸秆还田、有机肥施用等管理措施的长期效应[14]；③碳源/汇的未来趋势预测多依赖静态模型，未能整合Hurst指数等动态分析方法[15，16]. 为此，本研究以河南省为典型案例，结合Theil-Sen趋势分析、岭回归残差分解与Hurst指数，系统解析2003~2023年NEP的时空分异规律，并量化气候变化与人类活动的相对贡献率，以期为区域碳中和路径优化提供科学依据.

本研究的创新性体现在：①融合多源数据（ChinaLand30、MOD17A3和涡度通量）提升碳评估精度；②引入土地利用转移矩阵，揭示地类转换对碳平衡的“损益效应”；③采用岭回归方法解决气象因子共线性问题，提高驱动因素贡献率估算的可靠性. 本研究成果不仅补充了中东部过渡带碳循环研究的实证案例，也为协调粮食安全与生态安全的政策制定提供了理论支撑.

1 材料与方法 1.1 研究区域概况

河南省地处中国中部（31°23′~36°22′N，110°21′~116°39′E），总面积约16.7×104 km2，处于我国地势二、三级阶梯过渡地带，是连接东西、贯通南北的关键枢纽. 其地貌类型多样，平原、山地和丘陵分别占全省总面积的55.7%、26.6%和17.7%，形成独特的复合生态景观. 作为典型的农业主产区，河南省耕地面积达813.74×104 hm2，占比近40%（图 1），是我国重要的粮食生产基地. 近年来，河南省城镇化进程加速，城镇化率从2003年的29.2%快速提升至2023年的57.4%，高强度人类活动和年均温以[0.05~1.14 ℃·（10 a）-1]的速率上升，与气候因子变化共同作用于区域生态系统. 在此背景下，河南省净生态系统生产力（NEP）呈现显著时空分异特征，其碳源/汇动态平衡对区域碳中和目标实现至关重要.

图 1 研究区位置 Fig. 1 Location of the study area

1.2 数据来源与预处理

本研究主要包括净生态系统生产力（NEP）、气象要素和土地利用/覆盖变化（LUCC）这3类数据. 其中，2003~2023年中国区域NEP数据[以C计，g·（m2·a）-1]，来源于生态气象业务云服务平台，该数据集基于涡度相关观测、遥感反演与生态过程模型融合技术构建，空间分辨率为1 km，时间分辨率1 a. 气象数据通过Google Earth Engine平台获取，具体包括：日均气温数据，来源于MODIS MOD11A2地表温度产品，经过年度合成处理；降水量数据采用CHIRPS（climate Hazards group Infrared precipitation with stations）数据集，该数据集整合了卫星遥感与地面站点观测数据，在全球干旱与半干旱地区具有较高精度；太阳辐射数据基于ERA5-Land再分析数据集，由欧洲中期天气预报中心（ECMWF）提供，空间分辨率和时间分辨率均为1 km和1 a. 土地利用/覆盖变化（LUCC）数据采用武汉大学杨杰教授团队发布的1985~2023年中国30 m分辨率年度土地覆被数据集（ChinaLand30）[17]. 该数据集基于多源遥感影像解译，参照《土地利用现状分类》（GB/T 21010-2017）国家标准，结合中国生态系统特征，将土地利用类型划分为耕地、林地、草地、水域、灌木、荒地、不透水面、湿地和冰雪共9种类型. 研究中通过河南省行政边界矢量图进行空间裁剪，获取区域内土地利用分布信息.

所有数据均经过严格预处理：首先利用ArcGIS软件基于河南省行政边界进行空间裁剪，去除冗余区域；其次统一采用WGS 1984 UTM投影坐标系进行坐标转换，确保不同数据源在空间参照体系上的一致性；最后通过质量控制剔除异常值，保证数据可靠性.

1.3 研究方法 1.3.1 土地及NEP转移矩阵

土地利用变化反映了人类活动与自然环境之间的相互作用，能够直接改变生态系统的结构和功能，进而影响NEP[18]. 通过土地利用变化矩阵，可以了解土地利用变化的方向、类型及面积转换情况. 其计算公式为：

Sij=S11⋯S1n⋮⋮Sn1⋯Snn (1)

式中，Sij为土地利用类型i转换为土地利用类型j的面积；n为土地利用类型的数量；i和j分别为转移前和转移后的土地利用类型.

NEP的变化通过土地利用转移矩阵中的面积转换量来量化，分别计算NEP总转出量和总转入量. 其计算公式如下.

总转出量：

ΔPiout=∑j=1,j≠in(Sij×NEPi) (2)

式中，Sij为从类型i到类型j的面积转换量；NEPi为类型i的初始NEP值.

总转入量：

ΔPiin=∑j=1,j≠in(Sij×NEPi) (3)

式中，Sij为从类型i到类型j的面积转换量；NEPi为类型i的初始NEP值.

1.3.2 Theil-Sen Median趋势分析

Theil-Sen Median趋势分析是一种非参数统计技术，用于评估时间序列数据中趋势的变动，而无需对数据的分布做出假设[21]. 其计算公式为：

$ \begin{gathered} S_{\mathrm{NEP}}=\operatorname{Median}\left(\mathrm{NEP}_j-\mathrm{NEP}_i\right) /(j-i), \\ 2003 \leqslant i<j \leqslant 2023 \end{gathered} $ (4)

式中，SNEP为研究区域内NEP时间序列数据的趋势变动量. NEPj和NEPi分别对应于时间序列中第j年和第i年的NEP值，且确保j > i以反映正向时间变化. SNEP < 0表示为碳源，SNEP > 0表示为碳汇[19，20]. 根据SNEP值的不同范围，将研究区划分：SNEP（-22.2~-5）为碳源增强区，SNEP（-5~1）为过渡区，SNEP（1~5）为碳汇稳定区，SNEP（5~20.33）为碳汇增强区.

1.3.3 Mann-Kendell显著性趋势检验

曼-肯德尔（Mann-Kendell）趋势检验是一种非参数统计方法，常用于检测时间序列数据中变量变化的显著性[22，23]. 其工作原理基于统计量Z，用以评估长时间序列数据趋势的显著性. Z值评价标准见表 1.

表 1 分析结果评价标准 Table 1 Evaluation criteria of analysis results

1.3.4 Hurst指数

Hurst指数是一种用于分析时间序列长期记忆性的统计工具，其计算基于时间序列的自相似性特征. 通过分析极差与标准差之间的关系，可以揭示时间序列的自相似性[22]. 其计算式为：

R(τ)/S(τ)=C×τH (5)
lgR(τ)S(τ)=lgC+H×lgτ (6)

式中，R（τ）为极差，衡量了时间序列在该尺度下的最大波动范围；S（τ）为标准差，描述了波动的平均程度；C为比例常数，H为Hurst指数. 通过公式（6）使用最小二乘法对关系式进行回归分析，计算出Hurst指数.

Hurst指数（H）的范围在0~1之间，它反映了时间序列的长期记忆性特征. 根据H的值，可以将时间序列的趋势分为5个等级，具体为：强反持续（0 < H≤0.25）、弱反持续（0.25 < H < 0.5）、不确定（H=0.5）、弱持续（0.5 < H≤0.75）以及强持续（0.75 < H≤1），然后对各个等级的面积占比进行统计[23].

1.3.5 岭回归残差分析

针对多元线性回归模型易受多重共线性影响的问题，本研究采用岭回归残差分析方法，以探究人类活动和气候变化对NEP影响及其相对贡献. 岭回归通过在损失函数中添加L2正则化项来缓解多重共线性对模型参数估计的影响[24~26]，其参数估计公式为：

β^ridje=(XTX+λI)-1XyT (7)

式中，X为设计矩阵，y为NEP观测值向量，λ为岭参数，用于控制正则化的强度，I为单位矩阵.

基于NEP、气温、降水和太阳辐射的时间序列数据，构建以NEP为因变量，气温、降水和太阳辐射为自变量的岭回归模型. 利用岭回归确定模型参数后，通过以下公式计算NEP的预测值（NEPCC）和NEP残差（NEPHA）：

NEPCC=β0+β1×T+β2×P+β3×SR (8)
NEPHA=NEPobs-NEPCC (9)

式中，NEPCC、NEPHA和NEPobs分别为基于岭回归模型的NEP预测值、NEP残差和基于遥感影像的NEP观测值；β0、β1、β2和β3为通过岭回归分析确定的参数值；T、P和SR分别为气温、降水和太阳辐射.

1.3.6 变化驱动因素判定及影响

NEPCC和NEPHA的线性趋势率分别反映了气候变化和人类活动如何影响NEP. 正趋势率表示它们促进NEP增加，有利于生态系统生产力的提升生；负趋势率则表示它们导致NEP减少，可能抑制生态系统生产力[27]. 为准确评估以上影响，根据趋势率将影响分为7级：明显抑制、中度抑制、轻微抑制、无影响、轻微促进、中度促进和明显促进（表 2）[28]. 根据观测NEP（NEPobs）、气候影响的NEP（NEPCC）和人类活动影响的NEP（NEPHA）趋势率的组合，判定主导驱动因素并计算贡献率（表 3）.

表 2 NEP受气候变化与人类活动影响的程度分级 Table 2 Classification of the degree of impact on NEP from climate change and human activities

表 3 NEP驱动因素判定标准及贡献率 Table 3 Criteria for determining driving factors and contribution rates of NEP

2 结果与分析 2.1 时间变化分析

2003~2023年研究区NEP呈现显著增长趋势[年均增长率为8.59 g·（m2·a）-1，图 2]，从2003年的226.48 g·（m2·a）-1增至2023年的406.93 g·（m2·a）-1（增幅75.28%），但表现出明显的阶段性波动特征. 2003~2013年间NEP波动剧烈[226.48~307.79 g·（m2·a）-1]，主要受气候异常和生态工程初期效应共同驱动，极端干旱事件（如2005年）抑制植被光合作用，而退耕还林等政策实施初期的植被恢复尚未形成稳定碳汇[29]. 2019年NEP骤降至224.46 g·（m2·a）-1，这与当年全球高温事件导致的植被胁迫以及建设用地扩张的叠加影响密切相关. 2020年后NEP显著上升并趋于稳定[峰值406.93 g·（m2·a）-1]，反映了生态工程进入成熟期后植被群落结构优化和土壤碳库积累的协同效应，同时植被对极端气候适应能力的提升也是重要因素[30]. 这一演变过程揭示了研究区碳汇功能对气候变化和人类活动的动态响应机制，其中2019年的异常低谷凸显了生态系统对气候突变的脆弱性，而后期持续增长则体现了生态恢复措施与植被适应性改良的长期效益[31].

图 2 2003~2023年研究区NEP年际变化 Fig. 2 Interannual variations of NEP in the study area from 2003 to 2023

2.2 土地利用变化对NEP的影响分析

根据2003~2023年土地利用转移矩阵分析（表 4），研究区21 a间地类转换情况如下：转换面积最大的土地利用类型为耕地（11 147.68 km2），主要转换为不透水面（7 337.64 km2）、林地（3 000.29 km2）和水域（513.11 km2）. 林地和草地转换面积分别为1 526.25 km2和2 125.69 km2，主要转换为耕地（林地转换为耕地1 400.07 km2，草地转换为耕地1 225.29 km2）和林地/草地（林地转换为草地50.74 km2，草地转换为林地797.81 km2）. 耕地因城镇化（转为不透水面）和生态修复（转为林地、水域）成为主导转换类型，林地和草地的双向转换则反映农业与生态用地的动态平衡.

表 4 2003~2023年的土地利用转移矩阵/km2 Table 4 Land use transition matrix from 2003 to 2023/km2

根根据2003~2023年NEP转移矩阵的数据（表 5），结果显示：在碳汇方面，植被覆盖类型的转换表现出较强的固碳能力，尤其是灌木、林地和草地的“转入”过程贡献突出. 例如，2023年灌木由2003年耕地转入的NEP值高达152.91 g·（m2·a）-1，2023年灌木由2003年林地转入的NEP值达168.32 g·（m2·a）-1，表明植被恢复或自然演替可显著增强碳汇功能. 此外，2023年林地由2003年荒地转入的NEP值异常高[191.63 g·（m2·a）-1]，可能反映生态修复工程的积极效果；而2023年不透水面（仍为不透水面）像元记录到156.53 g·（m2·a）-1的年均NEP增量，这一正值更可能来自绿化改造或混合像元效应，而非硬化地表本身具备强碳汇能力. 然而，部分退化过程如2023年荒地由2003年水域转入的NEP值极低[1.17 g·（m2·a）-1]，2023年荒地由2003年草地转入的NEP值仅为9.78 g·（m2·a）-1，表明生态退化会严重削弱碳汇能力.

表 5 2003~2023年NEP转移矩阵/g·（m2·a）-1 Table 5 NEP transition matrix from 2003 to 2023/g·(m2·a)-1

从碳源的角度看，土地利用变化导致的碳释放风险不容忽视. 2023年不透水面由2003年耕地、林地转入时，NEP增量分别降至102.36 g·（m2·a）-1与72.11 g·（m2·a）-1，虽仍为正，但低于保持原植被类型的情景，提示城市化过程可能削弱原有植被的固碳贡献. 此外，2023年耕地由2003年水域转入的NEP值[83.07 g·（m2·a）-1]亦低于自然植被转入值，反映农业扩张对湿地碳汇功能的负面影响；而2023年耕地由2003年灌木转入的NEP值虽较高[186.67 g·（m2·a）-1]，长期耕作仍可能导致土壤有机碳流失[32]. 值得注意的是，2023年不透水面由2003年荒地转入的NEP值仅47.55 g·（m2·a）-1，说明未利用土地开发若直接硬化，亦可能限制碳汇潜力. 总体而言，该矩阵表明：增强自然植被覆盖、减少生态退化土地的扩张是提升区域碳汇的关键；同时，控制建设用地无序增长，可避免原有高碳汇类型被低增量类型替代所带来的碳源风险.

2.3 空间变化分析 2.3.1 Sen趋势分析

借助Matlab软件进行计算，并得出基于Theil-Sen Median趋势分析的结果（图 3），研究区整体呈现“碳汇主导、局部异化”的特征. 碳汇稳定区（表 6）集中分布于豫西伏牛山、熊耳山生态屏障区，面积达72 523 km2（44.5%），其高植被覆盖与低人类干扰特征保障了持续固碳能力；碳汇增强区以南阳盆地和河南平原农业区为核心，面积为61 209 km2（37.2%），农田集约化管理与生态工程实施驱动碳汇能力提升；过渡区呈环状分布于郑州、洛阳等城市外围，面积为27 248 km2（16.7%），反映城镇化进程中建设用地扩张与生态修复的博弈状态[33]；碳源增强区集中于郑州都市圈、开封-许昌城市连绵带等建成区，面积为2 602 km2（1.6%），高强度能源消耗导致碳排放强度超出生态系统吸收阈值. 从时序空间演变看，研究期内碳汇功能呈现结构性优化：碳汇区（稳定区+增强区）总面积占比从2003年的78.3%提升至2023年的81.7%，而碳源区占比由3.1%降至1.6%. 其中，河南平原通过耕地保护与防护林建设实现碳汇增幅12.7%，郑州都市圈则因产业集聚效应碳源强度增长9.3%，凸显人类活动对碳循环的双向调控作用.

图 3 2003~2023年研究区NEP变化趋势空间分布 Fig. 3 Spatial distribution of NEP change trends in the study area from 2003 to 2023

表 6 研究区碳源/碳汇分布区间 Table 6 Distribution ranges of carbon sources/carbon sinks in the study area

2.3.2 M-K显著性检验

根据Mann-Kendall显著性趋势检验结果[图 4（a）]，研究区域表现出不同的变化趋势，整体以极显著和显著增加区为主[34]. 极显著增加区，面积为40 893 km2（25.11%），集中于伏牛山、桐柏-大别山生态保护区及河南平原；显著增加区，面积为30 975 km2（19.02%），集中于伏牛山、桐柏-大别山与退耕还林工程实施区高度重叠；微显著增加区，面积为66 915 km2（41.09%），主要分布于农田改良区；极显著减少区，面积为2 135 km2（1.31%），对应主要城市建成区、郑州航空港区等快速城市化热点；显著减少区，面积为2 085 km2（1.28%），与交通网络扩张带空间耦合；无显著变化区，面积为1 094 km2（0.67%），呈点状分布于工矿企业周边.

图 4 研究区M-K显著性趋势检验及Hurst指数未来趋势分析 Fig. 4 Mann-Kendall (M-K) significance trend test and future trend analysis using Hurst index in the study area

2.3.3 Hurst指数未来趋势分析

基于Hurst指数的未来趋势分析表明，研究区2003~2023年NEP变化呈现显著的空间分异特征[图 4（b）]. Hurst指数值域为0.19~0.95（均值0.51），显示整体处于弱反持续-弱持续状态. 空间格局分析显示：45.49%的区域（0.25 < H < 0.5）呈现弱反持续，主要分布在豫北平原黄河故道、开封-商丘黄泛区以及伏牛山-南太行山区，这种空间格局可能源于以上地区特殊的自然地理条件：黄河故道和黄泛区受频繁的人类活动干扰（如农业灌溉和土地整理）导致生态系统稳定性较差[35]；而山区则受地形破碎化和气候变化影响显著. 同时，49.06%的区域（0.5 < H≤0.75）表现出弱持续，集中分布于河南平原东南部（信阳-驻马店-周口-商丘）、洛阳盆地及桐柏-大别山区，这种分布特征与区域优势植被类型密切相关：东南部水热条件优越的常绿阔叶林和盆地农业生态系统具有更强的稳定性[36]. 值得注意的是，Hurst指数的空间分异（山区和平原）可能反映了不同地貌单元对气候变化的响应差异：山区生态系统对温度变化更敏感，而平原则更多受降水波动影响.

2.4 NEP变化的驱动因素分析

图 5（a）显示，约78.73%的区域中，NEP增加主要受气候变化与人类活动的协同驱动，这一现象揭示了区域碳循环过程中自然与人为因素的复杂耦合机制. 分析发现，协同驱动区域多集中于豫东平原和豫南丘陵地带，以上地区农田生态系统与森林生态系统交错分布，气候变暖背景下作物生长期延长、光合效率提升，叠加退耕还林和生态修复工程等人类活动，共同促进了碳汇能力增强[37]. 仅由人类活动导致NEP增加的区域占比约7.04%，主要分布在南阳-漯河-周口-许昌-开封等城市带沿线. 该区域内大规模的生态廊道建设、农田防护林体系完善等工程措施，显著提升了陆地生态系统碳固定能力. 相比之下，单独由气候变化驱动的NEP增加区域占比仅为1.91%，零星分布于大别-伏牛山南部的高海拔林区及郑州-开封-濮阳等平原地带. 在高海拔地区，气温升高改善了热量条件，延长了植被生长季；而在平原地区，降水格局变化促使植被群落结构优化，进而增强碳汇功能. 在NEP减少区域中，约6.34%的区域受气候变化与人类活动共同影响，主要集中在郑州都市圈周边及南太行的林州盆地. 快速城镇化进程导致的土地利用剧烈变化（如耕地转为建设用地），叠加极端气候事件频发（如干旱和暴雨），对生态系统碳收支平衡产生负面影响[38]. 仅由人类活动导致NEP减少的区域占比约2.89%，零散分布于城镇建成区及周边，工业化和城镇化扩张引发的植被破坏、生态空间压缩，直接削弱了区域碳汇能力. 此外，单独由气候变化导致NEP减少的区域占比约3.08%，主要集中在信阳东部及沿黄地区，降水模式异常和极端高温事件增多，导致植被生理功能受损，生态系统呼吸作用增强，最终表现为碳汇能力下降.

CC为气象因素，HA为人类活动 图 5 研究区NEP驱动因素空间分布 Fig. 5 Spatial distribution of NEP driving factors in the study area

图 5（b）和5（c）揭示了气候变化和人类活动对NEP变化的影响在空间上存在显著的差异[39]. 从气候变化的影响来看，约68.45%的区域表现为“基本无影响”（-2~2），表明多数地区NEP对气候要素的响应存在阈值效应或被其他因素所缓冲. 值得注意的是，约30.87%的区域呈现促进效应，其中轻微促进（2~10）区域占比达30.86%，集中分布于南阳-信阳南部的亚热带过渡区、商丘-周口-驻马店东部的平原农业带以及新乡-安阳-濮阳中东部的黄河冲积平原. 以上区域水热条件较为充足，气温升高与降水模式优化共同延长了植被生长期，增强了生态系统碳吸收能力[40]. 而具有中度促进作用（10~20）的区域仅占0.01%，主要零星分布于豫南山区，可能得益于海拔梯度上气候变暖带来的生态系统适应性调整. 与之形成对比的是，约0.68%的区域表现为抑制效应，且均为轻微抑制（-10~-2），集中于郑州都市圈及濮阳城市建成区. 这表明城市化进程中不透水面扩张、热岛效应加剧等人为干扰，可能抵消了气候变暖对碳汇的潜在促进作用.

人类活动的影响呈现出截然不同的空间特征. 约42.87% 的区域受人类活动影响不显著，主要分布于生态本底稳定的山区和传统农耕区. 而促进NEP增加的区域占比达55.04%，显著高于气候变化的促进效应（30.87%），这一现象印证了河南省近年来大规模生态修复工程（如南水北调中线生态廊道建设、沿黄生态带治理）和农业集约化管理（如高标准农田建设、精准灌溉技术推广）对碳汇提升的积极贡献. 值得关注的是，人类活动的抑制效应（2.04%）主要集中于郑州都市圈周边，该区域快速的工业化和城镇化导致植被覆盖减少、生态破碎化加剧，进而削弱了生态系统碳固持能力.

2.5 各驱动因素对NEP变化贡献度的比较分析

图 6定量揭示了2003~2023年气候变化与人类活动对河南省NEP变化的贡献度空间分异规律. 两种驱动因素在区域碳循环过程中呈现显著的空间非均衡性，其作用强度与方向的差异深刻反映了自然环境演变与人类社会经济活动的复杂耦合机制[41].

图 6 研究区域气候变化与人类活动对NEP变化贡献率的空间格局 Fig. 6 Spatial patterns of the contributions of climate change and human activities to NEP changes in the study area

气候变化对NEP变化的贡献度呈现明显的正向主导特征，约91.83%的区域表现为正向贡献，印证了全球变暖背景下区域生态系统碳汇潜力的总体提升趋势. 其中，贡献率在0~20%、20%~40%和40%~60%的区域分别占总面积的25.85%、31.58%和20.86%，构成了正向贡献的主体，表明多数地区NEP对气候要素的响应存在渐进性特征. 值得注意的是，贡献率超过80%的高值区主要分布于信阳东部的亚热带过渡带和伏牛山生态屏障区，以上区域水热条件敏感，气温升高和降水格局优化协同促进了植被净初级生产力提升，进而增强生态系统碳固持能力[42]. 相比之下，8.17%的负向贡献区域集中于郑州都市圈及濮阳周边，城市化进程引发的热岛效应、大气污染加剧等人为干扰，可能抵消了气候变暖对碳汇的潜在促进作用，形成“气候-人类活动”交互作用下的碳收支失衡.

人类活动对NEP变化的贡献模式呈现与气候变化既协同又分异的特征. 在90.79%的正向贡献区域中，40%~60%、60%~80%和80%~100%贡献率区间分别占总面积的22.08%、31.45%和20.20%，表明人类活动已成为驱动区域NEP增加的关键因素. 高贡献值区（> 80%）集中分布于伏牛山生态修复工程区和豫东平原农业集约化发展带，印证了退耕还林、高标准农田建设等政策措施对碳汇提升的显著成效[43]. 然而，9.21%的负向贡献区域主要分布在郑州都市圈、信阳东部工业集聚区、洛阳盆地等城镇化热点区域，快速的建设用地扩张和生态空间挤占导致植被覆盖减少、生态系统服务功能退化，直接削弱了区域碳固持能力. 该结果与气候变化负向贡献区在空间上部分重叠，揭示了人类活动通过改变地表覆被和微气候条件，加剧了气候敏感性区域的碳收支失衡风险.

3 讨论 3.1 NEP时空分异特征与驱动机制

河南省2003~2023年NEP呈现显著增长趋势[年均增长率为8.59 g·（m2·a）-1]，但存在阶段性波动和空间异质性. 碳汇增强区主要分布于南阳盆地和河南平原农业区（占比为37.2%），得益于农田集约化管理与生态工程（如退耕还林）的协同效应[44]；而碳源增强区集中于郑州都市圈（1.6%），反映高强度城镇化对生态空间的挤压[45]. 这一格局与黄土高原、西南地区等生态脆弱区的碳汇动态形成对比，后者因退耕还林工程实施后植被恢复显著从而提升碳汇能力[46]，而河南省的平原-城市过渡带则表现出更复杂的人地交互作用. 气候变暖[年均温上升0.05~1.14 ℃·（10 a）-1]通过延长植被生长期和提升光合效率促进碳汇，尤其在豫南亚热带过渡区贡献率达80%以上. 然而，2019年NEP骤降与全球高温事件及建设用地扩张的叠加效应相关，表明极端气候可能削弱生态工程的长期固碳效益[47]. 此外，Hurst指数显示45.49%的区域呈弱反持续性（0.25 < H < 0.5），预示黄河故道和伏牛山区等生态敏感带未来碳汇稳定性可能进一步降低[48].

3.2 人类活动的双向调控作用

人类活动对NEP的贡献率在90.79%的区域表现为正向促进，尤其在伏牛山生态修复区和豫东平原（贡献率 > 80%），印证了退耕还林、高标准农田建设的成效[49]. 例如，耕地转为灌木的NEP值达152.91 g·（m2·a）-1，而荒地转为林地的NEP值高达191.63 g·（m2·a）-1，凸显生态修复的增汇潜力[50]. 然而，郑州都市圈因建设用地扩张导致NEP减少（贡献率为-9.21%），与长三角、珠三角城市群的“碳源岛”效应相似[51~54]. 值得注意的是，河南省碳汇提升的驱动机制与黄土高原存在差异：后者以自然恢复为主[55]（如植被覆盖度提升直接增强碳汇），而河南省则依赖“政策引导+农业优化”的双轮驱动. 例如，豫东平原通过农田防护林建设将碳汇区面积扩大12.7%，但城市群周边过渡带（占比为16.7%）仍面临生态与发展的博弈[56，57].

3.3 对碳中和目标的政策启示

河南省实践表明，差异化生态管理是实现碳汇提升与经济发展平衡的核心策略. 具体包括：在伏牛山和桐柏-大别山等生态屏障区，需强化自然保护地建设，严控开发活动，完善生态补偿机制，发展生态友好型产业，稳固区域碳汇能力；郑州都市圈应严格管控建设用地扩张，通过推广屋顶绿化和垂直绿化等立体增汇手段，发展低碳建筑与绿色交通体系，降低城市碳排放；豫东平原农业区可推广“农林复合”模式，运用精准灌溉和有机肥替代等技术，提升农田生态系统碳汇功能与土壤碳库储量；同时借鉴淅川县碳汇交易经验，完善林业碳汇计量认证体系，探索碳汇金融化路径，激活生态产品市场价值.

3.4 研究局限与展望

本研究存在三方面局限：一是1 km分辨率NEP数据难以捕捉城市内部碳汇的精细变化，后续需结合涡度通量观测等手段提升数据精度；二是未深入探讨生态补偿政策和产业结构调整等社会经济因素与自然要素的交互影响，引入地理探测器等模型量化多因素耦合机制；三是仅依赖Hurst指数分析趋势持续性，缺乏未来情景模拟能力，需结合CMIP6气候模式构建多要素驱动的碳汇预测模型. 未来研究应聚焦“自然-社会”系统耦合机制，为中部地区绿色转型提供更具实操性的科学支撑.

4 结论

（1）NEP时空变化特征显著：河南省NEP整体呈现增长趋势，年均增长率为8.59 g·（m2·a）-1，碳汇功能显著增强. 空间上呈现“西高东低”的分布格局，豫西伏牛山生态屏障区和河南平原农业区是主要的碳汇增强区，而郑州都市圈等快速城市化区域则表现出碳源特征.

（2）土地利用变化对碳循环影响显著：土地利用转移矩阵分析表明，耕地转为林地和灌木的过程对碳汇增加贡献最大[NEP增幅达152.91~168.32 g·（m2·a）-1]，而耕地转为不透水面则导致碳汇能力下降[NEP减少102.36 g·（m2·a）-1].

（3）气候变化与人类活动协同驱动NEP变化：岭回归残差分析显示，气候变化和人类活动对NEP变化的贡献率分别为91.83%和90.79%，其中两者协同驱动的区域占比达78.73%. 气候变化主要通过温度升高和降水格局改变延长植被生长期，而人类活动则通过生态工程实施和农业集约化管理提升生态系统生产力.

（4）未来碳汇趋势存在空间异质性，Hurst指数分析表明，河南省49.06%的区域NEP变化呈现弱持续性，主要分布在河南平原东南部和洛阳盆地，预示以上地区碳汇功能可能持续增强；而45.49%的区域表现为弱反持续性，集中在豫北平原黄河故道等生态脆弱区.

参考文献
[1] 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. DOI:10.13227/j.hjkx.202312169
[2] 刘祥宏, 阎永军, 刘伟, 等. 碳中和战略下煤矿区生态碳汇体系构建及功能提升展望[J]. 环境科学, 2022, 43(4): 2237-2250.
Liu X H, Yan Y J, Liu W, et al. System construction and the function improvement of ecological carbon sink in coal mining areas under the carbon neutral strategy[J]. Environmental Science, 2022, 43(4): 2237-2250. DOI:10.13227/j.hjkx.202108170
[3] Zhao J F, Liu D S, Zhu Y J, et al. A review of forest carbon cycle models on spatiotemporal scales[J]. Journal of Cleaner Production, 2022, 339. DOI:10.1016/j.jclepro.2022.130692
[4] 龙杰琦, 刘轩铭, 尚媛媛, 等. 2000—2022年贵州省植被碳源/汇的时空格局变化及其与气象因子的关系[J]. 山地气象学报, 2024, 48(5): 73-80.
Long J Q, Liu X M, Shang Y Y, et al. Spatio-temporal variation of vegetation carbon source/sink and its relationship with meteorological factors in Guizhou Province in 2000-2022[J]. Journal of Mountain Meteorology, 2024, 48(5): 73-80.
[5] 田朋飞, 闫丰, 王宗超, 等. 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 P F, Yan F, Wang Z C, et al. Analysis of driving factors for spatiotemporal changes in carbon sources/sinks in Taihang and Yanshan mountains[J]. Environmental Science, 2025, 46(7): 4403-4415. DOI:10.13227/j.hjkx.202406227
[6] 孔俊杰, 刘海新, 王晓, 等. 气候变化和人类活动对太行山区植被NPP变化的影响[J]. 山东林业科技, 2024, 54(3): 8-15, 35.
Kong J J, Liu H X, Wang X, et al. Impact of climate change and human activities on vegetation NPP changes in Taihang mountains[J]. Journal of Shandong Forestry Science and Technology, 2024, 54(3): 8-15, 35.
[7] 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. DOI:10.13227/j.hjkx.202312107
[8] 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. DOI:10.13227/j.hjkx.202312086
[9] 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. DOI:10.13227/j.hjkx.202401064
[10] 河南省统计局, 国家统计局河南调查总队. 2023年河南省国民经济和社会发展统计公报[R]. 郑州: 河南省统计局, 2024.
[11] 王金杰, 赵安周, 张兆江, 等. 2000—2018年京津冀地区植被净初级生产力时空演变及其驱动因素[J]. 生态科学, 2021, 40(1): 103-111.
Wang J J, Zhao A Z, Zhang Z J, et al. Spatio-temporal evolution of vegetation net primary productivity and its driving factors in Beijing-Tianjin-Hebei region from 2000 to 2018[J]. Ecological Science, 2021, 40(1): 103-111.
[12] 赵远. 近30年来气候变化和土地利用对长三角陆地碳汇的影响研究[D]. 南京: 南京信息工程大学, 2024.
[13] 李雪, 于坤霞, 徐国策, 等. 黄河上中游流域植被净初级生产力空间特征及驱动因素分析[J]. 环境科学, 2024, 45(11): 6448-6457.
Li X, Yu K X, Xu G C, et al. Spatial characteristics and driving factors of net primary productivity of vegetation in the upper and middle Yellow River Basin[J]. Environmental Science, 2024, 45(11): 6448-6457. DOI:10.13227/j.hjkx.202312070
[14] 邵志东, 张芳, 彭康, 等. 基于土地覆盖变化与遥感生态指数的奇台绿洲生态环境质量监测[J]. 环境科学, 2024, 45(10): 5890-5899.
Shao Z D, Zhang F, Peng K, et al. Ecological environment quality monitoring of Qitai oasis based on land use/cover change and remote sensing ecological index[J]. Environmental Science, 2024, 45(10): 5890-5899. DOI:10.13227/j.hjkx.202311092
[15] 佘洁, 佘璐, 沈爱红, 等. 宁夏沿黄城市带植被覆盖度时空变化及驱动力分析[J]. 环境科学, 2024, 45(11): 6458-6476.
She J, She L, Shen A H, et al. Spatiotemporal changes and driving force analysis of vegetation cover in the urban belt along the Yellow River in Ningxia[J]. Environmental Science, 2024, 45(11): 6458-6476. DOI:10.13227/j.hjkx.202311059
[16] 徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274.
Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation in net primary productivity of different vegetation types and its influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. DOI:10.13227/j.hjkx.202302121
[17] 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
[18] 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. DOI:10.13227/j.hjkx.202306059
[19] 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. DOI:10.13227/j.hjkx.202210278
[20] Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. DOI:10.1007/s11430-021-9892-6
[21] Wei D, Qi Y H, Ma Y M, et al. Plant uptake of CO2 outpaces losses from permafrost and plant respiration on the Tibetan Plateau[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(33). DOI:10.1073/pnas.2015283118
[22] Yadav V S, Yadav S S, Gupta S R, et al. Carbon sequestration potential and CO2 fluxes in a tropical forest ecosystem[J]. Ecological Engineering, 2022, 176. DOI:10.1016/j.ecoleng.2022.106541
[23] 韩玉, 丁素婷, 杨太保. 山西南部中条山生态系统碳储量时空分布及驱动因素[J]. 中国环境科学, 2023, 43(3): 1298-1306.
Han Y, Ding S T, Yang T B. Spatial and temporal distribution and driving factors of carbon storage in Zhongtiao Mountain ecosystem in southern Shanxi Province[J]. China Environmental Science, 2023, 43(3): 1298-1306.
[24] Yang H F, Chen W. Spatio-temporal pattern of urban vegetation carbon sink and driving mechanisms of human activities in Huaibei, China[J]. Environmental Science and Pollution Research, 2022, 29(21): 31957-31971. DOI:10.1007/s11356-022-18512-8
[25] 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.
[26] 孙美荣, 孙鹏森. 西南高山亚高山区植被活动变化的气候驱动效应与可持续性[J]. 水土保持研究, 2023, 30(3): 240-250.
Sun M R, Sun P S. Climate-driving effects and sustainability of vegetation activity change in alpine and subalpine areas of Southwest China[J]. Research of Soil and Water Conservation, 2023, 30(3): 240-250.
[27] 张彬, 朱建军, 刘华民, 等. 极端降水和极端干旱事件对草原生态系统的影响[J]. 植物生态学报, 2014, 38(9): 1008-1018.
Zhang B, Zhu J J, Liu H M, et al. Effects of extreme rainfall and drought events on grassland ecosystems[J]. Chinese Journal of Plant Ecology, 2014, 38(9): 1008-1018.
[28] 于鲁冀, 张亚慧, 王燕鹏, 等. 河南省森林碳汇价值时空特征及其影响因素[J]. 水土保持通报, 2023, 43(5): 288-296.
Yu L J, Zhang Y H, Wang Y P, et al. Spatiotemporal characteristics and factors influencing value of forest carbon sequestration in Henan Province[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 288-296.
[29] 石智宇, 王雅婷, 赵清, 等. 2001-2020年中国植被净初级生产力时空变化及其驱动机制分析[J]. 生态环境学报, 2022, 31(11): 2111-2123.
Shi Z Y, Wang Y T, Zhao Q, et al. The spatiotemporal changes of NPP and its driving mechanisms in China from 2001 to 2020[J]. Ecology and Environmental Sciences, 2022, 31(11): 2111-2123.
[30] 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.
[31] 贾路, 于坤霞, 李占斌, 等. 流域尺度全球景观生态风险时空演变及其对NPP变化的影响[J]. 农业工程学报, 2023, 39(22): 53-62.
Jia L, Yu K X, Li Z B, et al. Spatiotemporal changes of global landscape ecological risk and its impact on NPP changes at the watershed scale[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(22): 53-62.
[32] 夏冰, 马鹏宇, 徐聪, 等. 近20年黄河流域植被净初级生产力时空分布及其对极端天气变化的时空响应[J]. 水土保持研究, 2023, 30(2): 256-266, 284.
Xia B, Ma P Y, Xu C, et al. Spatiotemporal variation of NPP and its response to extreme climate indices in Yellow River Basin in recent 20 years[J]. Research of Soil and Water Conservation, 2023, 30(2): 256-266, 284.
[33] 李肖, 袁金国, 孟丹. 河北省2005-2014年植被NPP时空演变及其与气候因子的关系[J]. 水土保持研究, 2018, 25(6): 109-114, 120.
Li X, Yuan J G, Meng D. Spatiotemporal distribution of vegetation net primary productivity and its relationship with climate factors in Hebei Province from 2005 to 2014[J]. Research of Soil and Water Conservation, 2018, 25(6): 109-114, 120.
[34] 李传华, 赵军. 2000-2010年石羊河流域NPP时空变化及驱动因子[J]. 生态学杂志, 2013, 32(3): 712-718.
Li C H, Zhao J. Spatiotemporal variations of vegetation NPP and related driving factors in Shiyang River Basin of Northwest China in 2000-2010[J]. Chinese Journal of Ecology, 2013, 32(3): 712-718.
[35] 王炜. 太行山区植被覆盖时空演变及其驱动力分析[D]. 邯郸: 河北工程大学, 2021.
Wang W. Spatio-temporal evolution of vegetation coverage and its driving forces in Taihang mountains[D]. Handan: Hebei University of Engineering, 2021.
[36] 张镱锂, 胡忠俊, 祁威, 等. 基于NPP数据和样区对比法的青藏高原自然保护区保护成效分析[J]. 地理学报, 2015, 70(7): 1027-1040.
Zhang Y L, Hu Z J, Qi W, et al. Assessment of protection effectiveness of nature reserves on the Tibetan Plateau based on net primary production and the large-sample-comparison method[J]. Acta Geographica Sinica, 2015, 70(7): 1027-1040.
[37] 贺倩, 杨雪琴, 戴晓爱. 2010—2015年三江源地区植被净初级生产力变化特征及影响因素分析[J]. 长江科学院院报, 2020, 37(5): 59-66.
He Q, Yang X Q, Dai X A. Variation characteristics and influence factors of net primary productivity of vegetation in the Three-River headwaters region from 2010 to 2015[J]. Journal of Yangtze River Scientific Research Institute, 2020, 37(5): 59-66.
[38] 洪长桥, 金晓斌, 陈昌春, 等. 集成遥感数据的陆地净初级生产力估算模型研究综述[J]. 地理科学进展, 2017, 36(8): 924-939.
Hong C Q, Jin X B, Chen C C, et al. Overview on estimation models of land net primary productivity integrating remote sensing data[J]. Progress in Geography, 2017, 36(8): 924-939.
[39] 陈惺, 王军邦, 何启凡, 等. 未来气候情景下中国植被净初级生产力稳定性及气候影响[J]. 地理学报, 2023, 78(3): 694-713.
Chen X, Wang J B, He Q F, et al. Stability of vegetation net primary productivity and climate impacts in China under future climate scenarios[J]. Acta Geographica Sinica, 2023, 78(3): 694-713.
[40] 梁宝坤, 陆汝成, 李冠, 等. 基于碳转移矩阵的土地利用碳排放效应研究——以广西北部湾经济区为例[J]. 湖北农业科学, 2016, 55(11): 2779-2784.
Liang B K, Lu R C, Li G, et al. The effects of land use carbon emission based on the carbon transfer matrix——a case of Guangxi Beibu Gulf Economic Zone[J]. Hubei Agricultural Sciences, 2016, 55(11): 2779-2784.
[41] 王升红, 陆东芳, 陈雨如, 等. 2001—2020年厦漳泉地区植被净初级生产力时空演变特征及其影响因素[J]. 生态学杂志, 2024, 43(3): 823-832.
Wang S H, Lu D F, Chen Y R, et al. Spatial-temporal variations and influencing factors of vegetation net primary productivity in Xiamen-Zhangzhou-Quanzhou Region from 2001 to 2020[J]. Chinese Journal of Ecology, 2024, 43(3): 823-832.
[42] 张倩. 气候和人类因素在黄土高原植被覆盖变化中的贡献率研究[D]. 兰州: 兰州交通大学, 2014.
Zhang Q. Contributions of climate change and human activities to vegetation dynamics of Loess Plateau[D]. Lanzhou: Lanzhou Jiaotong University, 2014.
[43] 谢宝妮. 黄土高原近30年植被覆盖变化及其对气候变化的响应[D]. 杨凌: 西北农林科技大学, 2016.
Xie B N. Vegetation dynamics and climate change on the Loess Plateau, China: 1982-2014[D]. Yangling: Northwest A&F University, 2016.
[44] 邓晨晖, 白红英, 高山, 等. 秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应[J]. 自然资源学报, 2018, 33(3): 425-438.
Deng C H, Bai H Y, Gao S, et al. Spatial-temporal variation of the vegetation coverage in Qinling Mountains and its dual response to climate change and human activities[J]. Journal of Natural Resources, 2018, 33(3): 425-438.
[45] 张驭航, 李玲, 王秀丽, 等. 基于模糊伽马模型的河南省生态空间辨识与格局优化[J]. 水土保持研究, 2020, 27(6): 211-217, 225.
Zhang Y H, Li L, Wang X L, et al. Ecological spatial identification and pattern optimization in Henan Province based on fuzzy gamma model[J]. Research of Soil and Water Conservation, 2020, 27(6): 211-217, 225.
[46] 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
[47] 王娟, 卓静, 何慧娟, 等. 2000-2013年秦岭林区植被净初级生产力时空分布特征及其驱动因素[J]. 西北林学院学报, 2016, 31(5): 238-245.
Wang J, Zhuo J, He H J, et al. Changes of vegetation net primary productivity and its driving factors from 2000 to 2013 in Qinling Mountainous Area[J]. Journal of Northwest Forestry University, 2016, 31(5): 238-245.
[48] 王耠熠, 张聪, 赵丽, 等. 2000-2019年若尔盖高原植被净初级生产力时空动态变化及其与气候因子的关系[J]. 西南林业大学学报, 2022, 42(3): 52-61.
Wang H Y, Zhang C, Zhao L, et al. Spatiotemporal dynamics of vegetation net primary productivity on the Zoige Plateau from 2000 to 2019 and its relationship with climate factors[J]. Journal of Southwest Forestry University, 2022, 42(3): 52-61.
[49] 刘杰, 汲玉河, 周广胜, 等. 2000-2020年青藏高原植被净初级生产力时空变化及其气候驱动作用[J]. 应用生态学报, 2022, 33(6): 1533-1538.
Liu J, Ji Y H, Zhou G S, et al. Temporal and spatial variations of net primary productivity (NPP) and its climate driving effect in the Qinghai-Tibet Plateau, China from 2000 to 2020[J]. Chinese Journal of Applied Ecology, 2022, 33(6): 1533-1538.
[50] 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.
[51] 许方岳, 焦鸿渤, 丁雪丹, 等. 亚热带常绿阔叶林植被净初级生产力时空特征[J]. 西北林学院学报, 2019, 34(2): 62-68.
Xu F Y, Jiao H B, Ding X D, et al. Spatial-temporal characteristics of NPP in subtropical evergreen broad-leaved forests[J]. Journal of Northwest Forestry University, 2019, 34(2): 62-68.
[52] 冶晓娟, 王永辉, 潘红忠, 等. 青海省植被NEP时空变化及驱动因素分析[J]. 干旱区研究, 2022, 39(5): 1673-1683.
Ye X J, Wang Y H, Pan H Z, et al. Spatial-temporal variation and driving factors of vegetation net ecosystem productivity in Qinghai Province[J]. Arid Zone Research, 2022, 39(5): 1673-1683.
[53] 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.
[54] 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.
[55] 王有财. 2010-2020年青海湖流域植被总初级生产力时空变异格局研究[D]. 西宁: 青海师范大学, 2023.
Wang Y C. The study of the gross primary productivity and spatial patterns in the Qinghai Lake Basin from 2010 to 2020[D]. Xining: Qinghai Normal University, 2023.
[56] 王栋华, 田义超, 张亚丽, 等. 峰丛洼地流域植被覆盖度时空演变及其归因[J]. 中国环境科学, 2022, 42(9): 4274-4284.
Wang D H, Tian Y C, Zhang Y L, et al. Spatiotemporal evolution and attribution of vegetation coverage in the peak-cluster depression basins[J]. China Environmental Science, 2022, 42(9): 4274-4284.
[57] 何昕, 尹飞, 王珺茜. 公园城市背景下碳汇提升的景观规划路径研究——以成都市为例[J]. 环境生态学, 2024, 6(2): 31-36, 58.
He X, Yin F, Wang J X. Research on the landscape planning path of carbon sequestration enhancement in the background of park city——taking Chengdu as an example[J]. Environmental Ecology, 2024, 6(2): 31-36, 58.