中国陆地生态系统NPP模拟及空间格局分析
基于CASA模型的呼伦贝尔地区NPP估算研究
河北师范大学硕士学位论文基于CASA模型的呼伦贝尔地区NPP估算研究姓名：杜红申请学位级别：硕士专业：地图学与地理信息系统指导教师：胡引翠20100307摘要呼伦贝尔市处于内蒙古自治区的东北部地区，属于西北干旱区向东北湿润区和华北旱作农业区的过渡地带，对于保障我国的生态安全和可持续发展具有重要的意义。
草地植被是草地生态系统中的第一性生产者，对区域甚至全球气候和环境变化具有很大的影响作用。
本论文根据CASA模型估算呼伦贝尔地区的NPP，采用遥感数据，以草地植被作为草地生态系统研究的主体，对草地状况进行监测、分析计算和评价。
植被净初级生产力(NPP)是指绿色植物在单位时间内、单位面积上所积累的有机物的量。
NPP作为地表碳循环的重要组成部分，不仅直接反映了植被群落在自然环境条件下的生产能力，表征陆地生态系统的质量状况，而且是判定生态系统碳源/汇和调节生态过程的主要因子，在全球变化及碳平衡中起着重要作用。
近30年来，随着人类活动的影响，温室效应等气候和环境问题日益突出，使得陆地生态系统的碳收支的时空变化成为一项研究趋势。
本文主要运用地理信息系统和CASA遥感模型，利用MODIS遥感数据、气象数据及相关资料，估算内蒙古呼伦贝尔地区的NPP，并将估算结果与实测数据进行对比研究，从而验证CASA模型的精度，并改进该模型。
CASA模型从其产生开始就是基于大尺度甚至全球的空间验证，模型中的许多参数均是从区域甚至全球给定的，本论文拟应用CASA模型来模拟出呼伦贝尔草原生态系统的净初级生产力，并利用该生态系统的野外实测地上生物量数据进行模拟验证，旨在验证CASA模型的动态模拟能力，以评价CASA模型反映NPP空间变异特征的准确性及阐释程度。
本研究主要得出了以下结论：(一) CASA模型的改进及实现以CASA模型的基本结构为基础，考虑到最大光能利用率的取值在不同的地表植被类型中存在的差异，结合呼伦贝尔地区存在不同植被类型的实际情况，对CASA模型进行了一些改进，通过对NPP结果与实测数据及其他模型的对比验证，发现改进后的CASA模型对小尺度植被NPP的模拟效果较好。
NPP数据的总结
NPP数据的总结一、引言NPP（Net Primary Productivity）是指植物光合作用中，植物通过光能转化为化学能的速率，是生态系统中植物生物量净增加的量。
本文将对NPP数据进行总结和分析，以便更好地了解生态系统的生产力和能量流动。
二、数据来源本次NPP数据的总结主要基于多个研究机构和卫星数据提供的观测结果。
其中包括但不限于美国地质调查局（USGS）、欧洲空间局（ESA）和国家航空航天局（NASA）等。
三、数据分析根据收集到的NPP数据，我们可以得出以下几个结论：1. 全球NPP分布格局根据卫星数据的监测结果，全球NPP呈现出明显的地理分布特征。
热带地区的NPP最高，主要集中在南美洲亚马逊雨林、非洲刚果盆地和东南亚地区。
而寒带和高山地区的NPP较低，主要受温度和光照等因素的限制。
2. 季节性变化NPP数据显示，不同地区的NPP在不同季节会有明显的变化。
例如，北半球的温带地区，在夏季NPP较高，而冬季NPP较低。
这是由于温度和光照条件的变化导致植物光合作用的强度不同。
3. 气候变化对NPP的影响长期的NPP数据观测结果表明，气候变化对生态系统的NPP产生了一定的影响。
全球气候变暖导致了一些地区的NPP增加，尤其是在高纬度地区。
然而，一些地区由于干旱等气候变化因素的影响，NPP可能会下降。
4. 地区差异不同地区的NPP存在较大的差异。
这主要受到土壤质量、降水量、温度和植被类型等因素的影响。
例如，沙漠地区的NPP很低，而湿地和森林地区的NPP相对较高。
四、数据应用NPP数据的总结对于生态环境保护、农业生产和气候变化研究具有重要意义。
以下是一些数据应用的例子：1. 生态环境保护通过对NPP数据的分析，可以评估和监测生态系统的健康状况。
例如，如果某个地区的NPP下降，可能意味着该地区生态系统受到了破坏或退化。
这可以提醒相关部门采取措施，保护该地区的生态环境。
2. 农业生产NPP数据可以用于评估农作物的生产潜力和土地利用规划。
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP数据进行综合总结和分析，以便更好地理解和利用这些数据。
NPP（Net Primary Productivity）是指植物通过光合作用在单位时间内固定的净碳量，是生态系统中能量流动的重要指标之一。
通过对NPP数据的总结和分析，可以匡助我们了解生态系统的生产力、碳循环等关键生态过程，对环境保护和可持续发展具有重要意义。
数据来源：NPP数据的来源多样，主要包括遥感数据、气象数据、生态样地观测数据等。
其中，遥感数据是获取NPP数据的主要手段之一，通过卫星遥感技术可以获取大范围、高时空分辨率的NPP数据。
气象数据则提供了影响NPP的关键环境因素，如温度、降水等。
生态样地观测数据是通过在实地设置样地进行定期观测，可以获取更为精细的NPP数据。
数据处理和分析方法：为了更好地利用NPP数据，我们需要进行数据处理和分析。
首先，对原始数据进行质量控制，排除异常值和缺失值。
然后，根据数据的时空分布特点，选择合适的插值方法填补缺失值，以获得完整的数据集。
接着，可以利用统计学方法对NPP数据进行描述性统计，如均值、标准差等，以了解NPP的整体分布情况。
此外，还可以利用时序分析方法，如趋势分析、周期分析等，揭示NPP的变化规律和趋势。
最后，可以利用地理信息系统（GIS）技术，将NPP数据与其他环境要素进行空间叠加分析，以探索NPP与环境因素之间的关系。
数据应用：NPP数据在许多领域具有广泛的应用价值。
首先，NPP数据可以用于评估生态系统的健康状况和生态系统服务功能。
通过监测和分析NPP的变化，可以及时发现生态系统的异常情况和生态环境问题，并采取相应的保护措施。
其次，NPP数据对于生态环境规划和管理具有重要意义。
通过分析NPP数据，可以确定适宜的土地利用方式，优化生态系统的结构和功能，实现生态环境的可持续发展。
此外，NPP数据还可以应用于气候变化研究、生态模型验证等方面，为科学研究和决策提供重要依据。
NPP数据的总结
NPP数据的总结1. 引言自然植被光合作用净初级生产力（Net Primary Productivity, NPP）是生态系统中植物通过光合作用固定的能量总量。
NPP数据的总结是对特定区域或特定时间段内的植被生产力进行综合分析和总结，以了解生态系统的生产力状况、环境变化对生产力的影响以及生态系统的健康状况等。
2. 数据收集与处理为了进行NPP数据的总结，首先需要收集相关的原始数据。
常用的数据来源包括遥感数据、气象数据、生态调查数据等。
遥感数据可以通过卫星遥感影像获取，包括植被指数（如NDVI）、叶面积指数（LAI）等；气象数据可以从气象站点或气象模型中获取，包括温度、降水、光照等；生态调查数据可以通过野外调查或文献搜集获得，包括植被类型、植被盖度等。
收集到的原始数据需要进行预处理和清洗，包括去除异常值、填补缺失值、统一数据格式等。
预处理后的数据可以进行进一步的分析和总结。
3. NPP数据分析NPP数据的总结可以从多个方面进行分析，以下是一些常见的分析方法：3.1 时间序列分析时间序列分析可以对NPP数据的长期变化趋势进行研究。
可以通过绘制NPP随时间的变化曲线，分析NPP的季节性变化、年际变化以及长期趋势等。
可以使用统计方法，如回归分析、趋势分析等，来评估NPP的变化趋势和变化速率。
3.2 空间分布分析空间分布分析可以研究不同地区或不同植被类型的NPP差异。
可以绘制NPP的空间分布图，分析不同地区或不同植被类型的NPP水平和空间格局。
可以使用地理信息系统（GIS）等工具进行空间分析和空间插值。
3.3 影响因素分析影响因素分析可以研究NPP受到的环境因素的影响程度。
可以通过相关分析、回归分析等方法，探究温度、降水、光照等因素对NPP的影响。
还可以分析气候变化、土地利用变化等对NPP的影响。
4. 结果与讨论在NPP数据的总结中，需要对分析结果进行详细的描述和讨论。
可以总结NPP的长期变化趋势、空间分布特征以及影响因素等。
中国陆地植被净初级生产力估算模型优化与分析——基于中国生态系统研究网络数据
中国陆地植被净初级生产力估算模型优化与分析——基于中国生态系统研究网络数据苏胜涛;曾源;赵旦;郑朝菊;吴兴华【期刊名称】《生态学报》【年(卷),期】2022(42)4【摘要】该研究基于中国生态系统研究网络(CERN)数据对传统CASA模型进行优化,对比两叶模型与优化CASA模型在站点尺度和像元尺度对于8个典型生态站点的植被净初级生产力(NPP)估算精度,选择在像元尺度表现更好的优化CASA模型,结合中国土地覆被数据(ChinaCover)开展2000—2019年中国陆地植被NPP监测与分析。
研究结果表明:(1)基于FY2D PAR的优化方案能够有效避免空间插值导致的不确定性问题,显著提高了PAR估算精度;(2)在站点尺度上,两叶模型用于估算典型森林、草地生态系统的NPP表现更好,而在像元尺度上优化CASA模型估算精度更高;(3)在全国尺度上,优化了最大光能利用率、水分胁迫系数以及光合有效辐射计算方法的CASA模型能够较好地模拟中国陆地植被NPP,近20年中国陆地植被NPP变化范围为2.703—2.882 PgC/a,在空间上呈西北低东南高的格局,在时间上呈现波动中缓慢增加的趋势。
【总页数】14页(P1276-1289)【作者】苏胜涛;曾源;赵旦;郑朝菊;吴兴华【作者单位】中国科学院空天信息创新研究院遥感科学国家重点实验室;中国科学院大学;中国长江三峡集团有限公司【正文语种】中文【中图分类】Q94【相关文献】1.西北地区植被净初级生产力估算模型对比与其生态价值评价2.基于文献整合的中国典型陆地生态系统初级生产力、呼吸和净生产力数据集3.基于文献整合的中国典型陆地生态系统初级生产力、呼吸和净生产力数据集因版权原因，仅展示原文概要，查看原文内容请购买。
青海省植被净初级生产力（NPP）时空格局变化及其驱动因素
第４０卷第１５期２０２０年８月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．４０，Ｎｏ．１５Ａｕｇ．，２０２０基金项目：国家自然科学基金项目（３１７６０１３５，３１３６０１１４）收稿日期：２０１９⁃０３⁃０４；㊀㊀修订日期：２０２０⁃０６⁃１２∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｘｉａｍｉｎｌ＠１６３．ｃｏｍＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０３０４０４０３刘旻霞，焦骄，潘竟虎，宋佳颖，车应弟，李俐蓉．青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素．生态学报，２０２０，４０（１５）：５３０６⁃５３１７．ＬｉｕＭＸ，ＪｉａｏＪ，ＰａｎＪＨ，ＳｏｎｇＪＹ，ＣｈｅＹＤ，ＬｉＬＲ．ＳｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓｏｆｐｌａｎｔｉｎｇＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０２０，４０（１５）：５３０６⁃５３１７．青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素刘旻霞∗，焦㊀骄，潘竟虎，宋佳颖，车应弟，李俐蓉西北师范大学地理与环境科学学院，兰州㊀７３００７０摘要：植被净初级生产力（ＮＰＰ）作为陆地生态过程的关键参数，不仅用以估算地球支持能力和评价陆地生态系统的可持续发展，也是全球碳循环的重要组成部分和关键环节㊂基于２０００ ２０１４年ＭＯＤ１７Ａ３年均ＮＰＰ数据和气象站点气温㊁降水资料，采用简单差值㊁趋势分析㊁相关性分析和Ｈｕｒｓｔ指数等方法，分析了青海省ＮＰＰ的时空变化特征及其与气候因子的关系㊂结果表明：①青海省植被年均ＮＰＰ在２０００ ２０１４年间整体分布呈现由南到北㊁由东到西递减的趋势，各生态区的空间存在显著差异，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂②２０００ ２０１４年，青海省ＮＰＰ变化趋势由北到南㊁由西到东呈现逐渐增加趋势，平均趋势系数为０．６１，ＮＰＰ值增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％㊂③青海省ＮＰＰ值的Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征㊂④气候因子（年平均降水量和年均气温）对年均ＮＰＰ的分布有影响，海拔的高低造成气温㊁降水和土壤的差异，间接影响植被ＮＰＰ，１５年土地利用／覆被变化（ＬＵＣＣ）表现为草地面积减少最多，这是导致ＮＰＰ减少的主要原因㊂关键词：净初级生产力（ＮＰＰ）；时空变化；ＭＯＤ１７Ａ３；青海省ＳｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓｏｆｐｌａｎｔｉｎｇＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅＬＩＵＭｉｎｘｉａ∗，ＪＩＡＯＪｉａｏ，ＰＡＮＪｉｎｇｈｕ，ＳＯＮＧＪｉａｙｉｎｇ，ＣＨＥＹｉｎｇｄｉ，ＬＩＬｉｒｏｎｇＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，ＮｏｒｔｈｗｅｓｔＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ａｓａｋｅｙｐａｒａｍｅｔｅｒｏｆｔｅｒｒｅｓｔｒｉａｌｅｃｏｌｏｇｉｃａｌｐｒｏｃｅｓｓ，ＮＰＰｃａｎｎｏｔｏｎｌｙｅｓｔｉｍａｔｅｔｈｅｅａｒｔｈᶄｓｓｕｐｐｏｒｔｉｎｇｃａｐａｃｉｔｙａｎｄｅｖａｌｕａｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍ，ｂｕｔａｌｓｏａｎｉｍｐｏｒｔａｎｔｐａｒｔａｎｄｋｅｙｌｉｎｋｏｆｇｌｏｂａｌｃａｒｂｏｎｃｙｃｌｅ．ＢａｓｅｄｏｎｔｈｅＭＯＤ１７Ａ３ａｎｎｕａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｄａｔａａｎｄｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｉｔｅｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｆｒｏｍ２０００ｔｏ２０１４，ｔｈｅｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅａｎｄｉｔｓｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｃｌｉｍａｔｉｃｆａｃｔｏｒｓｗｅｒｅａｎａｌｙｚｅｄｂｙｍｅａｎｓｏｆｓｉｍｐｌｅｄｉｆｆｅｒｅｎｃｅ，ｔｒｅｎｄａｎａｌｙｓｉｓｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ，ａｎｄＨｕｒｓｔｉｎｄｅｘ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅａｖｅｒａｇｅａｎｎｕａｌＮＰＰｏｆｖｅｇｅｔａｔｉｏｎｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｇｒａｄｕａｌｌｙｄｅｃｒｅａｓｅｄｆｒｏｍｓｏｕｔｈｔｏｎｏｒｔｈａｎｄｆｒｏｍｅａｓｔｔｏｗｅｓｔｏｖｅｒｔｈｅｐｅｒｉｏｄ２０００ｔｏ２０１４，ａｎｄｔｈａｔｔｈｅｒｅｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｅｃｏｌｏｇｉｃａｌｒｅｇｉｏｎ，ａｓｆｏｌｌｏｗｓ：ａｒｅａＩＩ＞ａｒｅａＩ＞ａｒｅａＩＩＩ＞ａｒｅａＩＶ＞ａｒｅａＶ．Ｆｒｏｍ２０００ ２０１４，ｔｈｅｔｒｅｎｄｓｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｃｈａｎｇｅｄｆｒｏｍｎｏｒｔｈｔｏｓｏｕｔｈａｎｄｆｒｏｍｗｅｓｔｔｏｅａｓｔ，ａｎｄｔｈｅａｖｅｒａｇｅｔｒｅｎｄｃｏｅｆｆｉｃｉｅｎｔｗａｓ１５％ｏｆｔｈｅｔｏｔａｌａｒｅａ，ｗｉｔｈａｎｏｔａｂｌｅｉｎｃｒｅａｓｅｏｆ２．８％ａｎｄａｓｌｉｇｈｔｉｎｃｒｅａｓｅｏｆ１２．２％ｉｎｔｈｅａｒｅａｏｆ０．６１，ＮＰＰ．ＴｈｅｒａｎｇｅｏｆｔｈｅＨｕｒｓｔｉｎｄｅｘｏｆＮＰＰｖａｌｕｅｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｗａｓ０ ０．３９ａｎｄｔｈｅｍｅａｎｖａｌｕｅｗａｓ０．１２；ｉｎａｄｄｉｔｉｏｎｔｏｒｉｖｅｒｓａｎｄｌａｋｅｓ，ｂｕｉｌｄｉｎｇｌａｎｄ，ａｎｄｕｎｕｓｅｄｓｏｉｌ，ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＮＰＰｃｈａｎｇｅｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｗｅｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｎｔｉ⁃ｐｅｒｓｉｓｔｅｎｃｅ．Ｃｌｉｍａｔｉｃｆａｃｔｏｒｓ（ａｎｎｕａｌａｖｅｒａｇｅｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄａｎｎｕａｌａｖｅｒａｇｅｔｅｍｐｅｒａｔｕｒｅ）ｈａｄａｎｉｍｐａｃｔｏｎｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅａｎｎｕａｌａｖｅｒａｇｅＮＰＰ．Ｔｈｅｅｌｅｖａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｆｆｅｒｅｎｃｅｓｉｎｔｅｍｐｅｒａｔｕｒｅ，ｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｓｏｉｌ，ａｎｄｉｎｄｉｒｅｃｔｌｙａｆｆｅｃｔｓｖｅｇｅｔａｔｉｏｎＮＰＰ．Ｌａｎｄｕｓｅａｎｄｃｏｖｅｒｃｈａｎｇｅ（ＬＵＣＣ）ｉｎ１５ｙｅａｒｓｓｈｏｗｅｄｔｈａｔｇｒａｓｓｌａｎｄａｒｅａｄｅｃｒｅａｓｅｄｔｈｅｍｏｓｔ，ｗｈｉｃｈｗａｓｔｈｅｍａｉｎｒｅａｓｏｎｆｏｒｔｈｅｄｅｃｒｅａｓｅｉｎＮＰＰ．ＫｅｙＷｏｒｄｓ：ｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）；ｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｖａｒｉａｔｉｏｎ；ＭＯＤ１７Ａ３；ＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ植被净初级生产力（ＮｅｔＰｒｉｍａｒｙＰｒｏｄｕｃｔｉｏｎ，ＮＰＰ）是指植被地上部分在单位时间，单位面积上所积累的有机物的数量㊂植被净初级生产力（ＮＰＰ）作为陆地生态过程的关键参数，不仅用以估算地球支持能力和评价陆地生态系统的可持续发展，也是全球碳循环的重要组成部分和关键环节㊂掌握陆地植被ＮＰＰ的变化趋势，对于理解全球气候变化对陆地生态系统植被变化过程的作用机制具有重要的理论和实际意义㊂ＭＯＤ１７Ａ３是基于ＭＯＤＩＳ（ＴＥＲＲＡ卫星）遥感参数，通过ＢＩＯＭＥ⁃ＢＧＣ计算出全球陆地植被ＮＰＰ年际变化的资料，目前已在全球不同区域对植被生长状况㊁生物量的估算，环境监测和全球变化等研究中得到验证和广泛应用㊂实地测量是ＮＰＰ最早的测定方法，主要方法包括收割法㊁生物量调查法㊁光合测定法㊁值测定法㊁放射测定法㊁叶绿素测定法和原料消耗测定法等［１⁃４］，但是受很多因素的限制，不利于开展，后来，学者又提出了气候统计模型估测㊁生理生态过程模型㊁光能利用率模型㊁多模型交互应用等方法［５⁃９］，早在１９世纪８０年代，Ｅｂｅｒｍａｙｅｒ用基本的实地测量方法对巴伐利亚森林进行了ＮＰＰ的测定；１９３２年丹麦科学家Ｂｏｙｓｅｎ⁃ＪｅｎｓｅｎＰ出版了‘植物的物质生产“一书，第一次明确的提出了总生产量（Ｇｒｏｓｓｐｒｏｄｕｃｔｉｏｎ）和净生产量（Ｎｅｔｐｒｏｄｕｃｔｉｏｎ）的概念和它们的计算公式［１０］；之后又以英国Ｗａｔｓｏｎ为代表提出了著名的Ｗａｔｓｏｎ法则，日本生态学家门司和佐伯提出了群落光合作用理论［１１］㊂到２１世纪之后，我国学者用光能利用率模型（ＣＡＳＡ）来研究陆地生态系统碳循环和ＮＰＰ㊂潘竟虎和李真［１２］利用改进的ＣＡＳＡ模型估算２００１ ２０１２年西北干旱区陆地生态系统的净第一性生产力（ＮＰＰ），结果ＮＰＰ表现出很强的季节性变化规律［１３］；高原利用ＭＯＤ１７Ａ３数据研究新疆２０００ ２０１０年ＮＰＰ时空变化特征，研究显示不同生态功能区和市㊁县行政区ＮＰＰ存在区域差异［１４］；江源通分析了２０００ ２０１０年湘江流域植被ＮＰＰ的空间格局变化特征，得到了气候变化和土地利用与湘江流域植被ＮＰＰ的关系㊂对于ＮＰＰ变化驱动因子的研究，之前大多局限于气候因子的研究，特别针对海拔和人为因素没有定量研究ＮＰＰ的变化㊂本文以此为出发点，用气候因子结合海拔和土地利用分析了ＮＰＰ的变化关系，研究２０００ ２０１４年青海省ＮＰＰ时空分布变化及其与驱动因子的关系，同时，青海省是三江源的发源地，也是我国重要的生态屏障区［１５⁃１６］，近１５年来植被ＮＰＰ发生很大变化，对该地区ＮＰＰ时空变化特征进行定量分析，以便为青海省资源环境监测提供重要依据，以期为区域生态环境和植被碳源／汇评价㊁经济社会的可持续发展规划提供科学依据和参考背景㊂１㊀研究区与数据１．１㊀研究区概况青海省地处青藏高原东北部，介于８９ʎ３５ᶄ １０３ʎ０４ᶄＥ，３１ʎ４０ᶄ ３９ʎ１９ᶄＮ之间（图１）㊂海拔在３０００ ５０００ｍ之间，气候区域分布差异大，冬季寒冷，夏半年凉爽，雨热同期㊂草原分为９个草地类７个草地亚类２８个草地组１７３个草地型，是青海天然草原的主体㊂１．２㊀数据来源植被ＮＰＰ数据来源于美国ＮＡＳＡＥＯＳ／ＭＯＤＩＳ的２０００ ２０１４年的ＭＯＤ１７Ａ３数据（ｈｔｔｐ：／／ｒｅｖｅｒｂ．ｅｃｈｏ．７０３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀图１㊀研究区概况及气象站点的空间分布㊀Ｆｉｇ．１㊀Ｓｔｕｄｙａｒｅａａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｓ㊀ｎａｓａ．ｇｏｖ），空间分辨率为１ｋｍ，时间分辨率为１ａ；气象数据来源于中国气象科学数据共享服务网（ｈｔｔｐ：／／ｃｄｃ．ｃｍａ．ｇｏｖ．ｃｎ）；土地利用数据来源于中国科学院寒旱区科学数据中心；ＤＥＭ数据来源于中国科学院计算机网络信息中心地理空间数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ）；青海省主要农作物的产量和播种面积数据来源于青海省统计年鉴；中国土地利用数据来源于中国西部环境与生态科学数据中（ｈｔｔｐ：／／ｗｅｓｔｄｃ．ｗｅｓｔｇｉｓ．ａｃ．ｃｎ）的ＷＥＳＴＤＣ，根据中科院土地利用／覆盖分类体系（ＬＵＣＣ分类体系）将地表覆盖类型主要分为耕地㊁林地㊁草地㊁水体㊁建设用地和未利用地６种类型（表１）㊂１．３㊀数据处理本文选用ｈ２５ｖ０５㊁ｈ２６ｖ０５这２幅数据㊂首先利用ＭＲＴ对ＭＯＤ１７Ａ３数据进行拼接和投影转换，然后利用ＥＮＶＩ４．３以青海省行政区划图为基础进行裁剪，提取青海省的ＮＰＰ数据㊂利用ＡｒｃＧＩＳ１０．０采用掩膜法扣除ＮＰＰ数据中的水体及建设用地，并得到不同土地利用类型的ＮＰＰ值㊂气象数据为与遥感数据进行匹配，在ＡｒｃＧＩＳ１０．０中，采用三角网插值方法将站点气候数据插值成空间分辨率为１０００ｍˑ１０００ｍ地理投影的栅格数据㊂表１㊀土地利用分类及编号Ｔａｂｌｅ１㊀Ｌａｎｄｕｓｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｃｏｄｉｎｇ一级分类及编号Ｆｉｒｓｔｃｌａｓｓｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｎｕｍｂｅｒ二级分类及编号Ｓｅｃｏｎｄａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｎｕｍｂｅｒ１耕地Ｐｌｏｕｇｈ１１水田㊁１２旱地２林地Ｆｏｒｅｓｔｒｙ２１有林地㊁２２灌林地㊁２３疏林地㊁２４其他林地３草地Ｍｅａｄｏｗ３１高覆盖草地㊁３２中覆盖草地㊁３３低覆盖草地４水体Ｗａｖｅ４１河渠㊁４２湖泊㊁４３水库坑塘㊁４４永久性冰川雪地㊁４５滩涂㊁４６滩地５建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ５１城镇用地㊁５２农村居民点㊁５３其他建设用地６未利用地Ｕｎｔｒｅａｔｅｄ６１沙地㊁６２戈壁㊁６３盐碱地㊁６４沼泽地㊁６５裸土地㊁６６裸岩石质山地㊁６７其他未利用地（包括高寒荒漠㊁苔原等）１．４㊀ＮＰＰ数据验证由于ＮＰＰ的实测数据难以测得，本文利用作物产量估算ＮＰＰ值和其他学者结合ＮＰＰ观测数据估算的ＮＰＰ值来进行验证㊂１．４．１㊀根据统计数据中作物产量估算ＮＰＰ的方法农业统计中的产量㊁面积等资料估算ＮＰＰ是根据不同作物的收获部分的含水量和收获指数（经济产量与作物地上部分干重的比值）将农业统计数据的产量转换成植被碳储量㊂从主要作物县级统计收获数据到县级平均ＮＰＰ的转换方法可以用下面公式表达［１７］：ＮＰＰ＝ðｎｉ＝１Ｙｉˑ１－ＭＣｉ()ˑ０．４５ｇＣｇＨＩｉˑ０．９／ðｎｉ＝１Ａｉ式中，Ｙｉ是统计数据中作物ｉ的产量，ＭＣｉ是作物收获部分的含水量，ＨＩｉ是作物ｉ的收获指数，Ａｉ是作物收获面积㊂式中的作物产量和收获面积分别来自于中国自然资源网提供的中国农业统计数据中的８大类主要农作物的产量和播种面积，作物收获部分的含水量和收获指数［１８］（表２）㊂８０３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图２表明，作物产量估算的ＮＰＰ值与ＭＯＤ１７Ａ３值呈显著的正相关关系（Ｐ＜０．０１），且相关系数达到０．７７，均值的标准误差是３．９５，说明ＭＯＤ１７Ａ３来估算青海省的ＮＰＰ值是可靠的㊂１．４．２㊀本文ＮＰＰ值与其他学者模型对比由表３可以看出，不同的植被类型中本文年平均ＮＰＰ与其他模型ＮＰＰ的值趋势大致相同，整体比较接近，变化在一定的范围之内，对比估算精度在７９％左右，所以ＭＯＤ１７Ａ３值具有一定的可靠性㊂表２㊀主要农作物的收获指数及含水量表３㊀不同植被类型ＮＰＰ值与其他模型对比／（ｇＣｍ－２ａ－１）Ｔａｂｌｅ３㊀ＴｈｉｓｐａｐｅｒｃｏｍｐａｒｅｓｔｈｅＮＰＰｖａｌｕｅｓｏｆｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｗｉｔｈｏｔｈｅｒｍｏｄｅｌ土地利用类型Ｌａｎｄｕｓｅｔｙｐｅ数据范围ＤａｔａｒａｎｇｅＭｉａｍｉ模型［１９⁃２０］ＭｉａｍｉｍｏｄｅｌＣＡＳＡ模型［２１⁃２３］ＣＡＳＡｍｏｄｅｌＴｈｏｒｎｔｈｗａｉｔｅ模型［２４］ＴｈｏｒｎｔｈｗａｉｔｅｍｏｄｅｌＣＥＶＳＡ模型［２５］ＣＥＶＳＡｍｏｄｅｌ耕地Ｐｌｏｕｇｈ２３９ ７６０５５８．７５２４．８２１６６４８．８林地Ｆｏｒｅｓｔｒｙ１１４ １９１３３７３７．５３６１２．２１８９８２９３６．１草地Ｍｅａｄｏｗ３６４ ３１８７２６８４．３２５５２．８ ４１４．６水体Ｗａｖｅ２５６ ９４３１１７１．６１０９１．４ 建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ５６ ９７２６２８．５５８５．８ 未利用地Ｕｎｔｒｅａｔｅｄ８２ ７２５．６９５１．６９１２．８１４图２㊀ＮＰＰ实测值与年均ＮＰＰ结果比较Ｆｉｇ．２㊀ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｍｅａｓｕｒｅｄａｎｄｅｓｔｉｍａｔｅｄＮＰＰ２㊀研究方法２．１㊀简单差值法简单差值法是对相同地区不同时相的图像进行相减运算，利用图像之间的差值来衡量ＮＰＰ年际间变化的趋势以及大，其公式为［６］：Ｄｉｊ＝ＮＰＰｔ１ｉｊ－ＮＰＰｔ２ｉｊ式中，Ｄｉｊ为第ｉ行ｊ列像素的差值；ＮＰＰｔ１ｉｊ为时相ｔ１第ｉ行ｊ列像素的ＮＰＰ值；ｔ１㊁ｔ２为时相；ｉ㊁ｊ为第ｉ行ｊ列像素的位置㊂２．２㊀趋势分析法一元线性回归分析法是分析了１５年间ＮＰＰ值的趋势倾向率，综合表征一定时间序列的区域格局演变规律，其公式为［２６］：Ｓｌｏｐｅ＝ｎˑðｎｉ＝１ｉˑＮＰＰｉ()－ðｎｉ＝１ｉˑðｎｉ＝１ＮＰＰｉｎˑðｎｉ＝１ｉ２－ðｎｉ＝１ｉ()２式中，Ｓｌｏｐｅ是线性拟合方程的斜率；ＮＰＰｉ是第ｉ年通过最大值合成法得到的ＮＰＰ值，ｎ为研究时段的长度，９０３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀Ｓｌｏｐｅ大于０，表示１５年间ＮＰＰ值增加，反之减少㊂２．３㊀Ｈｕｒｓｔ指数Ｈｕｒｓｔ指数的估算方法很多，本文采用Ｒ／Ｓ分析法来分析ＮＰＰ的持续性特征，其公式为［２７⁃２８］：ＮＰＰ的时间序列ＮＰＰｉ，ｉ＝１，２，３，４， ，ｎ，对于任意正整数ｍ，定义该时间序列的均值序列：ＮＰＰｍ()＝１ｍðｍｉ＝１ＮＰＰｉ㊀㊀（ｍ＝１，２，３，４， ，ｎ）累计离差：Ｘｔ()＝ðｍｉ＝１ＮＰＰｉ－ＮＰＰｍ()()㊀㊀（１＜ｔ＜ｍ）极差：Ｒｍ()＝ｍａｘ１＜ｍ＜ｎＸｔ()－ｍｉｎ１＜ｍ＜ｎＸｔ()㊀㊀（ｍ＝１，２，３，４， ，ｎ）标准差：Ｓｍ()＝１ｍðｍｉ＝１ＮＰＰｉ－ＮＰＰｍ()()２éëêêùûúú１２㊀㊀（ｍ＝１，２，３，４， ，ｎ）比值Ｒ（ｍ）／Ｓ（ｍ）即Ｒ／Ｓ，Ｒ／ＳɖｍＨ，则Ｈ就是Ｈｕｒｓｔ指数，Ｈ值可以根据ｍ和对应计算得Ｒ／Ｓ值，在双对数坐标系（ｌｎｍ，ｌｎＲ／Ｓ）中用最小二乘法拟合得到，如果０．５＜Ｈ＜１，表明是ＮＰＰｉ是一个持续性序列，如果Ｈ＝０．５，则说明ＮＰＰｉ为随机序列，如果０＜Ｈ＜０．５，则表明ＮＰＰｉ具有反持续性㊂２．４㊀相关分析法本文采用Ｐｅａｒｓｏｎ相关系数分析法，对每一个像元相应的年均植被ＮＰＰ与降雨因子和温度因子进行相关性分析，以此分析植被ＮＰＰ与气候因子之间的响应关系，其计算公式为［２９－３０］：Ｒ＝ðｎｉ＝１ｘｉ－ ｘ()ｙｉ－ｙ()ðｎｉ＝１ｘｉ－ｘ()２ðｎｉ＝１ｙｉ－ｙ()２式中，Ｒ为ｘ㊁ｙ两个变量的相关系数，ｎ为研究时间的年数，ｘｉ为第ｉ年的植被ＮＰＰ，ｙｉ为第ｉ年的年均气候因子（降水㊁温度）值㊂３㊀结果与分析３．１㊀青海省植被ＮＰＰ的空间分布特征３．１．１㊀２０００ ２０１４年青海省ＮＰＰ空间变化特征青海省年均ＮＰＰ值的分布与区域海拔的高低分布大体一致，受到地区的差异，呈现由南到北㊁由东到西递减的趋势，其中，柴达木盆地和唐古拉山环绕的海西州，受地形的影响，东部年均ＮＰＰ值高于西部，且为２６．１４ｇＣｍ－２ａ－１，海北州以高山草甸和山地草甸为主，年均ＮＰＰ值为２１２．０４ｇＣｍ－２ａ－１，西宁市㊁海东市和黄南州居于青海省东部，气温高，降水也相对较多，年均ＮＰＰ值较高，分别为２８５．６７ｇＣｍ－２ａ－１㊁２７７．４８ｇＣｍ－２ａ－１和２９９．９５ｇＣｍ－２ａ－１，海南州四面环山，盆地居中，年均ＮＰＰ值达到１５５．８６ｇＣｍ－２ａ－１，果洛州海拔西北高，东南低，年均ＮＰＰ值随着海拔的降低在变大，且为１６０．８０ｇＣｍ－２ａ－１，格尔木市和玉树州处于西北部，境内雪峰连绵，沼泽众多，年均ＮＰＰ值较低，分别为１７．７４ｇＣｍ－２ａ－１和５５．４９ｇＣｍ－２ａ－１（图３）㊂３．１．２㊀不同生态功能区２０００ ２０１４年青海省ＮＰＰ空间变化特征图４表明，各生态区的空间差异显著，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂其中，青海东部农牧生态区（Ⅱ区）植被ＮＰＰ最大，为１８７．４５ｇＣｍ－２ａ－１，其次为祁连山针叶林－高寒草甸生态区（Ⅰ区），为１６５．９４ｇＣｍ－２ａ－１，柴达木盆地荒漠 盐壳生态区（Ⅳ区）和北羌塘高原半荒漠 荒漠生态区（Ⅴ区）植被ＮＰＰ最小，分别１７．１０ｇＣｍ－２ａ－１和７．９６ｇＣｍ－２ａ－１㊂因为Ⅱ区有青海省最优质的天然草原和一部分农田，植被的覆盖率高，ＮＰＰ较大，柴达木盆地荒漠 盐壳生态区和北羌塘高原半荒漠 荒漠生态区都是以荒漠草甸，冰雪为主，限制了植物的生长，导致ＮＰＰ较低㊂０１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图３㊀２０００—２０１４年青海省ＮＰＰ平均值的空间分布㊀Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｖｅｒａｇｅＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２０００ｔｏ２０１４３．１．３㊀不同行政区２０００ ２０１４年青海省ＮＰＰ空间变化特征黄南藏族自治州的年均ＮＰＰ最高，为３００．２７ｇＣｍ－２ａ－１，其中在２００５年㊁２００６年㊁２００７年㊁２００８年㊁２００９年㊁２０１０年２０１２年和２０１３年年均ＮＰＰ都大于３００ｇＣｍ－２ａ－１，这是因为该区域是在黄河㊁隆务河流域等高山峡谷地带种植很多云杉，降水较多和植被生长较好的区域，灌溉农业和天然草场较多，植被覆盖率高，导致ＮＰＰ较高；西宁市ＮＰＰ仅次于黄南藏族自治州，为２８５．９１ｇＣｍ－２ａ－１，位于湟水中游河谷盆地，草原面积为３６４４．９４万公顷，占全省面积的５３．６％，气候宜人，适宜植物的生长；海东市居第三，年均ＮＰＰ为２７７．５６ｇＣｍ－２ａ－１，气候属于半干旱大陆性气候，水能资源丰富，人口相对集中，经济较为发达，是青海重要的农牧业经济区较发达地区之一；海北藏族自治州居第四，年均ＮＰＰ为２１２．２９ｇＣｍ－２ａ－１，雨热同季，无绝对无霜期，植被以高图４㊀青海省生态功能区划图Ｆｉｇ．４㊀Ｅｃｏ－ｆｕｎｃｔｉｏｎｒｅｇｉｏｎａｌｉｚａｔｉｏｎｏｆＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ寒草甸土为主，并且有黑钙土㊁栗钙土㊁灰褐土等，有机质含量丰富，有利于农作物和牧草的生长；果洛藏族自治州和海南藏族自治州年均ＮＰＰ基本持平，分别为１６０．９１ｇＣｍ－２ａ－１和１５６．２８ｇＣｍ－２ａ－１，海南州和果洛州主要以山地为主，地势复杂多样，不适合植被的生长；海西藏族自治州㊁玉树藏族自治州和格尔木市年均ＮＰＰ低于１００ｇＣｍ－２ａ－１，分别为２６．１７ｇＣｍ－２ａ－１㊁５５．４９ｇＣｍ－２ａ－１和１７．７２ｇＣｍ－２ａ－１，位于青海省的西部，荒漠较多，常年干旱少雨多风，气候独特，四季不分明，不利于植被的生长，覆盖率较低，ＮＰＰ较小（表４）㊂３．２㊀青海省植被ＮＰＰ年际变化特征３．２．１㊀年均值ＮＰＰ年际变化特征图５显示ＮＰＰ值的波动范围集中在６８．８３ ９２．０７ｇＣｍ－２ａ－１，平均值７９．０５ｇＣｍ－２ａ－１，其中２００１年出现１１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀最小值，为６８．８３ｇＣｍ－２ａ－１，２００４年出现最大值，为９２．０７ｇＣｍ－２ａ－１㊂从年均ＮＰＰ的总体趋势来看，２０００ ２００４年㊁２００８ ２０１０年㊁２０１１ ２０１３年年均ＮＰＰ值呈现波动上升，２００４ ２００８年㊁２０１０ ２０１１年㊁２０１３ ２０１４年年均ＮＰＰ值呈现波动下降㊂２００８年青海省大部分地区出现旱情，植物的生长受到限制，导致２００８年ＮＰＰ值急速下降，２０１０年青海玉树发生地震，２０１１年青海要进行震后重建，使得生态得到破坏，ＮＰＰ值下降㊂表４㊀２０００ ２０１４年分行政区年均植被ＮＰＰ／（ｇＣｍ－２ａ－１）Ｔａｂｌｅ４㊀ＡｎｎｕａｌＮＰＰｉｎｅａｃｈｄｉｓｔｒｉｃｔｆｒｏｍ２００１ｔｏ２０１４年份Ｙｅａｒ西宁市海北州海东市海西州海南州黄南州果洛州玉树州格尔木市２０００２４４．８４１９３．５０２２８．１０２３．１６１２７．８６２６６．７９１４６．１９５２．６３１３．５６２００１２５０．２８１８５．５６２３４．９９２０．３０１３０．７８２７１．２１１４６．５５４９．８８１４．８７２００２２９２．９１２２０．５６２７４．３９２６．６２１５４．２２２９１．６７１５３．９８５１．３０１８．２８２００３２９１．２１２０８．９８２８０．３５２４．８６１４６．６８２９１．３０１５１．１７４８．９２１５．００２００４２６８．５８２０１．９１２６５．２３２３．３２１３８．８３２８１．７４１４３．８２５０．２４１４．７８２００５２９９．６５２２７．７１２８８．２２２８．１３１６８．４８３１０．９４１６７．７４５６．７３１９．０９２００６２９４．５１２１９．２９２６４．１８２８．７５１７２．００３２９．１０１８５．１５６２．９８１９．１１２００７３０５．４３２２３．３６２９３．２２２５．２５１６２．６７３１２．９７１６０．４９４９．８６１６．５１２００８２９４．２８２０５．９８２９３．３２２３．４２１５０．８６３０２．２３１４５．１２４２．６７１１．０６２００９２９３．１５２１９．１１２９１．８６２８．２２１６８．５８３１６．６７１７７．４０６７．４６２０．２７２０１０２９０．２１２１９．９２２８９．５７３１．１７１８１．２０３２４．９９１８９．９５７２．０１２７．３５２０１１２８２．２６２０９．０７２６２．０６２８．２２１６１．０１２９７．５９１５５．６３５２．４５１８．０６２０１２２９５．５８２１８．０５３０２．４５２８．５１１６８．７４３０１．７１１６３．３４６２．３７２３．０１２０１３３００．４３２２３．２８３０６．８０２９．１２１６９．８９３２３．４１１７８．２７６３．８９２１．９２２０１４２９２．０５２１４．１８２９５．５６２５．５９１４８．８３２８８．８１１５５．５９５５．１５１５．２６均值Ｍｅａｎ２８５．９１２１２．２９２７７．５６２６．１７１５６．２８３００．２７１６０．９１５５．４９１７．７２图５㊀２０００ ２０１４年青海省年平均ＮＰＰ变化趋势㊀Ｆｉｇ．５㊀ＴｈｅｃｈａｎｇｅｔｒｅｎｄｏｆｍｏｎｔｈｌｙａｖｅｒａｇｅＮＰＰｉｎｔｈｅＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２００１ｔｏ２０１２３．２．２㊀不同生态功能区年均值ＮＰＰ年际变化特征从生态功能分区看，不同年份各生态区的ＮＰＰ存在明显的差异（图６），整体上看，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂其中，青海东部农牧生态区（Ⅱ区）植被ＮＰＰ最大，为１８７．４５ｇＣｍ－２ａ－１，其次为祁连山针叶林⁃高寒草甸生态区（Ⅰ区），为１６５．９４ｇＣｍ－２ａ－１，柴达木盆地荒漠 盐壳生态区（Ⅳ区）和北羌塘高原半荒漠 荒漠生态区（Ⅴ区）植被ＮＰＰ最小，分别１７．１０ｇＣｍ－２ａ－１和７．９６ｇＣｍ－２ａ－１㊂因为Ⅱ区有青海省最优质的天然草原和一部分农田，植被的覆盖率高，ＮＰＰ较大，柴达木盆地荒漠 盐壳生态区和北羌塘高原半荒漠 荒漠生态区都是以荒漠草甸，冰雪为主，限制了植物的生长，导致ＮＰＰ较低㊂局部来看，Ⅳ区和Ⅴ区的变化趋势不大，基本上是持平状态，其他生态区的年际变化基本一致，均表现出降⁃升⁃降⁃升⁃降⁃升⁃降⁃升⁃降的波动状态，Ⅰ区和Ⅳ区的ＮＰＰ最小值均出现在２００１年，且分别为１４１．８８ｇＣｍ－２ａ－１和１２．９８ｇＣｍ－２ａ－１，Ⅲ区和Ⅴ区的ＮＰＰ最小值均出现在２００８年，分别为８４．８０ｇＣｍ－２ａ－１和４．９０ｇＣｍ－２ａ－１，Ⅱ区的ＮＰＰ最小值出现在２０００年，为１５６．０７ｇＣｍ－２ａ－１，此外，不同生态区ＮＰＰ最大值出现的时间不全一致，Ⅱ区㊁Ⅲ区㊁Ⅳ区和Ⅴ区的ＮＰＰ最大值出现在２０１０年，分别为２０７．４３㊁１１９．６８㊁２１．５２ｇＣｍ－２ａ－１和１２．４７ｇＣｍ－２ａ－１，Ⅰ区的ＮＰＰ最大值出现在２００５年，为１７８．５８ｇＣｍ－２ａ－１，这是因为不同生态区因受地形㊁气候㊁植被数量和质量等诸多因素影响，并且气候因子变化导致其气候型具有很大空间差异，从而使ＮＰＰ的最大值和最小值出现的时间不全一致㊂２１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图６㊀分生态功能区植被ＮＰＰ变化趋势㊀Ｆｉｇ．６㊀ＶａｒｉａｔｉｏｎｔｒｅｎｄｏｆｖｅｇｅｔａｔｉｏｎＮＰＰｉｎｄｉｆｆｅｒｅｎｔｅｃｏｌｏｇｉｃａｌｆｕｎｃｔｉｏｎａｒｅａｓ３．３㊀ＮＰＰ空间变化特征３．３．１㊀２０００年与２０１４年ＮＰＰ空间变化图７表明，青海省大部分地区ＮＰＰ值是增加的，在海东市㊁西宁市㊁海南州的北部和黄南州北部地区ＮＰＰ的增加值大于９０ｇＣｍ－２ａ－１，占总面积的０．８％，海北州的东北部㊁海南州南部地区ＮＰＰ的增加值为６０ ９０ｇＣｍ－２ａ－１，占总面积１．６％，黄南州南部㊁果洛州南部地区ＮＰＰ的增加值３０ ６０ｇＣｍ－２ａ－１，占总面积的５．６％格尔木市㊁玉树州㊁果洛的中部和北部㊁海南州的东南部㊁海北州的西北部地区ＮＰＰ的增加值为０ ３０ｇＣｍ－２ａ－１，占总面积的４２．４％，海西州的绝大部分区域ＮＰＰ的增加值为－３０ ０ｇＣｍ－２ａ－１，占总面积的４９．１％㊂３．３．２㊀２０００ ２０１４年ＮＰＰ总体趋势青海省１５年间ＮＰＰ由北到南㊁由西到东呈现逐渐图７㊀２０００与２０１４年青海省ＮＰＰ空间变化图㊀Ｆｉｇ．７㊀ＳｐａｔｉａｌｃｈａｎｇｅｍａｐｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｉｎ２０００ａｎｄ２０１４增加趋势，平均趋势系数为０．６１，ＮＰＰ增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％，主要分布在海东市大部分区域㊁海北州南部㊁海南州北部㊁黄南州北部地区，基本不变区域占总面积的２２．３％，主要分布在海北州中部和西北部㊁海西州东部㊁玉树州东南部㊁果洛州北部区域，ＮＰＰ减少的区域占总面积的６２．６％，其中显著减少占１．８％，轻度减少占６０．８％，主要分布在格尔木市㊁玉树州的西北部㊁海西州的中部及以西的地区（图８）㊂３．３．３㊀ＮＰＰ变化的未来趋势预测图９表明，Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征，将Ｈｕｒｓｔ指数划分为弱㊁中㊁强３个反持续性类型，其阈值分别为：＜０．１，０．１ ０．１５和＞０．１５㊂从弱㊁中㊁强的程度来看，强反持续性占流域面积的１３．８７％，中反持续性占流域面积的１９．６６％，弱反持续性占流域面积的２０．７３％，说明青海省有五分之一的地区未来ＮＰＰ变化与过去ＮＰＰ的变化一致，但这种持续性表现得不够明显，三分之一地区未来ＮＰＰ的变化与过去ＮＰＰ变化有较强的相关性㊂４㊀青海省ＮＰＰ主要影响因素４．１㊀气候因子对ＮＰＰ的影响４．１．１㊀２０００ ２０１０年研究区气温和降水变化趋势ＩＰＣＣ第五次评估报告指出，全球气候正在变暖，而且气候变暖与碳循环存在显著的正相关关系，但是不同地区的气候因子对ＮＰＰ积累的作用也不尽相同，表现为促进或者抑制，由此表明，植被ＮＰＰ对降水和气温的反应较为强烈㊂由图１０可知，近１５年青海省降水的波动幅度明显大于气温的波动幅度，但除了特殊年份，降水和气候总体均趋于增加的趋势，气候也是趋于暖湿化，降水从２０００年到２００５年处于缓慢增加，２００６年降低，之后又处于上升阶段，直到２０１３年急速下降，在２００１年，年平均降水最低为２５４．５ｍｍ；气温从２０００年３１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀图８㊀２０００—２０１４年青海省ＮＰＰ线性变化趋势图Ｆｉｇ．８㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆｌｉｎｅａｒｔｒｅｎｄｏｆａｎｎｕａｌＮＰＰｃｈａｎｇｅｓｉｎｔｈｅＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２０００ｔｏ２０１４图９㊀ＮＰＰ未来趋势预测图Ｆｉｇ．９㊀ＮＰＰｆｕｔｕｒｅｔｒｅｎｄｆｏｒｅｃａｓｔ到２０１５年基本上波动上升，在２００４年，气温迅速骤降，２０１２年出现缓慢下降状态，２０００年的年平均气温最低，为１．７７ħ㊂４．１．２㊀２０００ ２０１０年气温㊁降水的相关性分析对ＮＰＰ的影响由图１１可知，青海省年平均降水量与年均ＮＰＰ的相关系数为０．２１，从降水逐像元来看，局部地区相关性较强，在青海省西南部和中部地区呈正相关关系，分别在格尔木市㊁玉树州和果洛州的南部，海南州和黄南州的北部，海西州东部，海东市西部以及西宁市㊂玉树州中西部㊁果洛州北部㊁海南州和黄南州南部呈负相关关系㊂从全省来看，年平均气温与年均ＮＰＰ的相关系数为０．００６，整体的相关性较弱，对气温进行逐像元分析，局部地区相关性较强，在玉树州和海东市东部㊁黄南州中北部㊁海北州和海南州南部和西宁市呈正相关关系，在果洛州和格尔木市大部分区域㊁玉树州的西南部呈负相关关系㊂总体来说，气温相关系数分布与降雨相关系数分布具有很好的互补性，在气温相关程度高的地区，降雨相关程度低，反之亦然㊂４．２㊀海拔高度对ＮＰＰ的影响由于研究区海拔从１７１９ｍ上升到６５９５ｍ，落差达到４８７４ｍ，造成地貌类型复杂多样，而不同的海拔高度因为水热条件组合差异，形成了显著的垂直自然分异，进而又影响ＮＰＰ大小㊂图１２表明，随着海拔的增加，植被ＮＰＰ总体表现出缓慢增加之后迅速下降，出现低峰，又开始迅速上升，之后开始下降到０，且不同海拔高度上植被ＮＰＰ差异明显，具有双峰值特征，当海拔从１７１９ｍ上升到２４００ｍ时，植被ＮＰＰ缓慢增加，研究发现该海拔范围正处于西宁市㊁海东市㊁黄南州的北部，植物种类丰富多样，以农田为主，是重要的农牧业经济区，ＮＰＰ值较大，当海拔从２４００ｍ上升到３２００ｍ时，ＮＰＰ值呈现下降趋势，出现一个低峰值，为３５．６５ｇＣｍ－２ａ－１，此海拔范围正处于海南州的共和县㊁青海湖范围㊁格尔木市㊁海西州的柴达木盆地，这些区域是沙地和盐碱地带，受地形㊁水分和土质条件的限制，雨水较少，荒漠化程度较大，ＮＰＰ值小，当海拔从３２００ｍ上升到４０００ｍ时，ＮＰＰ值呈现上升趋势，出现一个高峰值，为１６７．３１ｇＣｍ－２ａ－１，此海拔范围正处于海南州的日月山㊁海北州的大坂山和果洛州的大武镇，草原面积广阔，山地森林发育较好，温度和水分条件适宜，ＮＰＰ值达到较４１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图１０㊀２０００—２０１４年降水与气温年际变化Ｆｉｇ．１０㊀Ｃｈａｎｇｅｓｏｆａｎｎｕａｌｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｆｒｏｍ２０００ｔｏ２０１４图１１㊀年均ＮＰＰ与年降水和年气温的相关系数示意图Ｆｉｇ．１１㊀ＣｏｒｒｅｌａｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｙｅａｒｌｙＮＰＰａｎｄｙｅａｒｌｙｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｙｅａｒｌｙｍｅａｎｔｅｍｐｅｒａｔｕｒｅ图１２㊀不同海拔高度１５年平均ＮＰＰ变化㊀Ｆｉｇ．１２㊀ＩｍｐａｃｔｏｆｅｌｅｖａｔｉｏｎｏｎａｖｅｒａｇｅａｎｎｕａｌＮＰＰｆｒｏｍ２０００ｔｏ２０１４大，当海拔超过４０００ｍ时，ＮＰＰ值持续减小，主要以裸岩㊁冰川覆盖为主，受人类的活动影响极小，高寒的环境植被的生产力受到限制，所以ＮＰＰ值均低于５０ｇＣｍ－２ａ－１㊂４．３㊀土地利用／覆被变化（ＬＵＣＣ）对ＮＰＰ的影响土地利用变化是人类活动在地理环境空间上强度大小的直观变现，为了研究青海省土地利用动态变化的时空特征，考虑到获取数据的可行性，故选取中国科学院资源环境数据云平台的２０００年㊁２０１５年分辨率１０００ｍ的全国土地利用数据，结合青海省实际情况，故将其土地利用类型数据合并成６种土地利用类型（即耕地㊁林地㊁草地㊁水体㊁建设用地和未利用地），用以表征２０００至２０１５年来青海省土地利用的类型变化特征（表５㊁图１３）㊂（１）近１５年来耕地面积减少最少，面积减少了１４ｋｍ２，其变化率为－０．１７％，由于国家实施退耕还林政策，导致耕地面积有所减少㊂５１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀（２）林地面积减少了７６ｋｍ２，变化率为－０．２７％，受到气温㊁降水㊁海拔的影响，林地面积有一定的退化㊂（３）１５年来草地面积减少最多，减少了１２６０ｋｍ２，变化率为－０．３３％，由于青海省过度的放牧，导致草地面积减少较多㊂（４）水域面积增加最为明显，增加了１５００ｋｍ２，变化率为５．４０％，主要是由于青海省是三江源的发源地，受降水㊁冰川融化等影响，青海湖的面积也不断扩大㊂（５）城镇用地增加较多，增加了７６３ｋｍ２，变化率为７７．１５％，１５年来青海省经历了大规模的城镇扩张及城市化进程，一些草地和林地都转化为建设用地㊂（６）未利用地面积减少较多，减少了９１３ｋｍ２，变化率为０．３３％，该土地类型变化幅度较大㊂表５㊀２０００、２０１５年青海省各土地利用类型面积及变化率Ｔａｂｌｅ５㊀ＴｈｅａｒｅａｓａｎｄｐｅｒｃｅｎｔａｇｅｏｆｌａｎｄｃｏｖｅｒｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｄｕｒｉｎｇ２０００ａｎｄ２０１５土地利用类型Ｌａｎｄｕｓｅｔｙｐｅ２０００年２０１５年２０００ ２０１５变化面积／ｋｍ２％面积／ｋｍ２％面积／ｋｍ２％耕地Ｐｌｏｕｇｈ８２５４１．１５８２４０１．１４－１４－０．１７林地Ｆｏｒｅｓｔｒｙ２８３６７３．９６２８２９１３．９５－７６－０．２７草地Ｍｅａｄｏｗ３７７２４６５２．６４３７５９８６５２．４６－１２６０－０．３３水体Ｗａｖｅ２７７６５３．８７２９２６５４．０８１５００５．４０建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ９８９０．１４１７５２０．２４７６３７７．１５未利用地Ｕｎｔｒｅａｔｅｄ２７４０４３３８．２４２７３１３０３８．１１－９１３－０．３３图１３㊀２０００年和２０１５年青海省土地利用现状图Ｆｉｇ．１３㊀ＴｈｅｍａｐｏｆｌａｎｄｕｓｅｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｉｎ２０００ａｎｄ２０１５５㊀结论本文利用２０００ ２０１４年ＭＯＤ１７Ａ３数据集的年均ＮＰＰ数据和青海省３９个气象站点资料，通过ＧＩＳ空间分析法和数理统计方法分析了青海省植被ＮＰＰ的时空变化特征及气候因子的相关性，结果表明：（１）青海省植被年均ＮＰＰ在２０００ ２０１４年间整体分布与区域海拔的高低分布大体致，受到地区的差异，呈现由南到北㊁由东到西递减的趋势；从生态功能区看，各生态区的空间差异显著，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区，从行政划分来看，黄南藏族自治州的年均ＮＰＰ最高，为３００．２７ｇＣｍ－２ａ－１，西宁市ＮＰＰ仅次于黄南藏族自治州，为２８５．９１ｇＣｍ－２ａ－１，海北藏族自治州居第四，年均ＮＰＰ为２１２．２９ｇＣｍ－２ａ－１，海西藏族自治州㊁玉树藏族自治州和格尔木市年均ＮＰＰ低于１００ｇＣｍ－２ａ－１，分别为２６．１７ｇＣｍ－２ａ－１㊁５５．４９ｇＣｍ－２ａ－１和１７．７２ｇＣｍ－２ａ－１㊂６１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀（２）从年际变化来看，ＮＰＰ值的波动范围集中在６８．８３ ９２．０７ｇＣｍ－２ａ－１，平均值７９．０５ｇＣｍ－２ａ－１，其中２００１年出现最小值，为６８．８３ｇＣｍ－２ａ－１，２００４年出现最大值，为９２．０７ｇＣｍ－２ａ－１，整体上看，Ⅳ区和Ⅴ区的变化趋势不大，基本上是持平状态，其他生态区的年际变化基本一致，均表现出降⁃升⁃降⁃升⁃降⁃升⁃降⁃升⁃降的波动状态㊂（３）青海省在２０１４年与２０００年间大部分地区ＮＰＰ值增加，由南到北㊁由东到西递减，２０００ ２０１４年青海省ＮＰＰ变化趋势由北到南㊁由西到东呈现逐渐增加趋势，平均趋势系数为０．６１，ＮＰＰ值增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％，青海省ＮＰＰ值的Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征㊂（４）气候因子（年平均降水量和年均气温）对年均ＮＰＰ的分布有影响，海拔的高低造成气温㊁降水和土壤的差异，间接影响植被ＮＰＰ，１５年土地利用／覆被变化（ＬＵＣＣ）表现为草地面积减少最多，这是导致ＮＰＰ减少的主要原因㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀李博．生态学．北京：高等教育出版社，２０００：２１３⁃２１４．［２］㊀李高飞，任海，李岩，柳江．植被净第一性生产力研究回顾与发展趋势．生态科学，２００３，２２（４）：３６０⁃３６５．［３］㊀吴家兵，张玉书，关德新．森林生态系统ＣＯ２通量研究方法与进展．东北林业大学学报，２００３，３１（６）：４９⁃５１．［４］㊀ＣｌａｒｋＤＡ，ＢｒｏｗｎＳ，ＫｉｃｋｌｉｇｈｔｅｒＤＷ，ＣｈａｍｂｅｒｓＪＱ，ＴｈｏｍｌｉｎｓｏｎＪＲ，ＮｉＪ．Ｍｅａｓｕｒｉｎｇｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｉｎｆｏｒｅｓｔｓ：ｃｏｎｃｅｐｔｓａｎｄｆｉｅｌｄｍｅｔｈｏｄｓ．ＥｃｏｌｏｇｉｃａｌＡｐｐｌｉｃａｔｉｏｎｓ，２００１，１１（２）：３５６⁃３７０．［５］㊀朱文泉，陈云浩，徐丹，李京．陆地植被净初级生产力计算模型研究进展．生态学杂志，２００５，２４（３）：２９６⁃３００．［６］㊀朱文泉．中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究［Ｄ］．北京：北京师范大学，２００５．［７］㊀赵俊芳，延晓冬，朱玉洁．陆地植被净初级生产力研究进展．中国沙漠，２００７，２７（５）：７８０⁃７８６．［８］㊀王莺，夏文韬，梁天刚．陆地生态系统净初级生产力的时空动态模拟研究进展．草业科学，２０１０，２７（２）：７７⁃８８．［９］㊀孙金伟，关德新，吴家兵，金昌杰，袁凤辉．陆地植被净初级生产力研究进展．世界林业研究，２０１２，２５（１）：１⁃６．［１０］㊀ＢｏｙｓｅｎＪＰ．ＤｉｅＳｔｏｆｆｐｒｏｄｕｋｔｉｏｎｄｅｒｐｆｌａｎｚｅｎ．１９３２．［１１］㊀ＭｏｎｓｉＭ，ＳａｅｋｉＴ．Ｕｂｅｒｄｅｎｌｉｃｈｔｆａｋｔｏｒｉｎｄｅｎｐｆｌａｎｚｅｎｅｓｅｌｌｓｃｈａｆｔｅｎｕｎｄｓｅｉｎｅｂｅｄｅｕｔｕｎｇｆｕｒｄｉｅｓｔｏｆｆｐｒｏｄｕｋｔｉｏｎ．ＪａｐａｎｅｓｅＪｏｕｒｎａｌｏｆＢｏｔａｎｙ，１９５３，１４：２２⁃５２．［１２］㊀潘竟虎，李真．２００１ ２０１２年西北干旱区植被净初级生产力时空变化．生态学杂志，２０１５，３４（１２）：３３３３⁃３３４０．［１３］㊀高原．基于遥感的新疆ＮＰＰ时空变化特征及其影响因素分析［Ｄ］．兰州：西北师范大学，２０１５．［１４］㊀江源通．湘江流域植被ＮＰＰ时空动态及影响因素分析［Ｄ］．湘潭：湖南科技大学，２０１５．［１５］㊀ＬｏｂｅｌｌＤＢ，ＨｉｃｋｅＪＡ，ＡｓｎｅｒＧＰ，ＦｉｅｌｄＣＢ，ＴｕｃｋｅｒＣＪ，ＬｏｓＳＯ．ＳａｔｅｌｌｉｔｅｅｓｔｉｍａｔｅｓｏｆｐｒｏｄｕｃｔｉｖｉｔｙａｎｄｌｉｇｈｔｕｓｅｅｆｆｉｃｉｅｎｃｙｉｎＵｎｉｔｅｄＳｔａｔｅｓａｇｒｉｃｕｌｔｕｒｅ，１９８２⁃１９９８．ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙ，２００２，８（８）：７２２⁃７３５．［１６］㊀方精云，刘国华，徐嵩龄，王庚辰，温玉璞．中国陆地生态系统的碳库．温室气体浓度和排放监测及相关过程．北京：中国环境科学出版社，１９９６：１０９⁃１２８．［１７］㊀朱文泉，潘耀忠，张锦水．中国陆地植被净初级生产力遥感估算．植物生态学报，２００７，３１（３）：４１３⁃４２４．［１８］㊀ＴａｏＢ，ＬｉＫＲ，ＳｈａｏＸＭ，ＣａｏＭＫ．ＴｈｅｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｐａｔｔｅｒｎｓｏｆｔｅｒｒｅｓｔｒｉａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｉｎＣｈｉｎａ．ＪｏｕｒｎａｌｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，２００３，１３（２）：１６３⁃１７１．［１９］㊀陈晓玲，曾永年．亚热带山地丘陵区植被ＮＰＰ时空变化及其与气候因子的关系 以湖南省为例．地理学报，２０１６，７１（１）：３５⁃４８．［２０］㊀仓生海．青海省天然草地植被净初级生产力分析 基于Ｍｉａｍｉ模型．安徽农业科学，２０１１，３９（１１）：６４０９⁃６４１０．［２１］㊀朱文泉，潘耀忠，张锦水．中国陆地植被净初级生产力遥感估算．植物生态学报，２００７，３１（３）：４１３⁃４２４．［２２］㊀范娜，谢高地，张昌顺，陈龙，李文华，成升魁．２００１年至２０１０年澜沧江流域植被覆盖动态变化分析．资源科学，２０１２，３４（７）：１２２２⁃１２３１．［２３］㊀潘竟虎，徐柏翠．中国潜在植被ＮＰＰ的空间分布模拟．生态学杂志，２０２０，３９（０３）：１００１⁃１０１２．［２４］㊀王亚慧，李致家，黄鹏年，戴金旺．Ｔｈｏｒｎｔｈｗａｉｔｅ经验公式在降雨径流模拟中的适用性研究．水电能源科学，２０１９，３７（１２）：６⁃９．［２５］㊀李洁，张远东，顾峰雪，黄玫，郭瑞，郝卫平，夏旭．中国东北地区近５０年净生态系统生产力的时空动态．生态学报，２０１４，３４（０６）：１４９０⁃１５０２．［２６］㊀冯磊，杨东，黄悦悦．２０００ ２０１７年川渝地区植被ＮＤＶＩ特征及其对极端气候的响应．生态学杂志：１⁃１２［２０２０⁃０５⁃２６］．ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１３２９２／ｊ．１０００⁃４８９０．２０２００７．０２８［２７］㊀赵瑞东．气候变化和人类活动对黄土高原植被ＮＤＶＩ的影响研究［Ｄ］．兰州：西北师范大学，２０１８．［２８］㊀潘竟虎，黄克军，李真．２００１ ２０１０年疏勒河流域植被净初级生产力时空变化及其与气候因子的关系．生态学报，２０１７，（６）：１⁃１２．［２９］㊀刘旻霞，赵瑞东，邵鹏，焦骄，李俐蓉，车应弟．近１５ａ黄土高原植被覆盖时空变化及驱动力分析．干旱区地理，２０１８，４１（０１）：９９⁃１０８．［３０］㊀李金珂，杨玉婷，张会茹，黄铝文，高义民．秦巴山区近１５年植被ＮＰＰ时空演变特征及自然与人为因子解析．生态学报，２０１９，３９（２２）：８５０４⁃８５１５．７１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀。
广东省未来温度、降水及陆地生态系统NPP预测分析
（ ０ ｙ ａｓｆｒ ａ ｈｐ ｒｏ ２ ｅ ｒ ｏ ｃ ｅｉｄ）ａ ｄｔａ ９ ０～１ ９ ｅ ｎ ｈ ｔ ｎ １ ８ ｉ ９，ｗ ｎ ｌｚ ｄｔｅｔ ｎ ｓｏ ｅｆｔｒ ｒｃｐｔｔ ｎａ ｄｔｍｐ ｒ— ９ ｅａ ａｙｅ ｈ ｒ ｄ ｆ ｈ ｕｕｅｐ ｅ ｉｉ ｉ ｎ ｅ ｅａ ｅ ｔ ａｏ
１８ ９ ０～１９ ９ ９年 的 降水（ ０ ０ ） 而其 它 时段 差异 不显 著 。 Ｐ＜ ． ５ ， 关键 词 温度 降 水 Ｎ Ｐ 广 东省 Ｐ
中图分 类号 ： ７ ６ ｓ １
文献标 识码 ： Ａ
文章编 号 ：０ ６— ４ ７ ２ １ ） １— ０ ９— ７ １０ ４ ２ （ ０ １ ０ ０ ５ ０
６ ０
刘智勇等 ： 广东省未来温度 、 降水及陆地生态系统 Ｎ Ｐ预测 分析 Ｐ
Ｋ ｅ ｏ ｄ ｔｍｐ ｒｔｒ ｙ ｗ ｒ ｓ ｅ ｅａｕｅ，ｐｅ ｉｉ ｔ ｎ，ＮＰ ｒｃｐｔ ｉ ａｏ Ｐ，Ｇ ａ ｇ ｏ ｇｐ ｏ ｉｃ ｕ ｎ ｄ ｎ ｒｖｎ ｅ
ＩＣ ２ ０ ） 四 次研 究 报 告 指 出 ， 近 １０年 （ ９ ６～２ ０ Ｐ Ｃ（０ ７ 第 最 ０ １０ ０ ５年 ） 以来 全 球 平 均 温 度 上 升 了 ０ ７ ￣ ． ４（ ２ （ ．６～ ．２Ｃ）近 ５ ０５ ０ ９ ｏ ， ０年变 暖 的速率更 加 明显 ， 几乎 是 近 １０年 的两倍 … ， 球平 均 气温 每 升高 １ 气 候 ０ 全 ｏ Ｃ， 带 约 向极 地方 向不均 匀地推 移 １０ｋ ０ ｍ。近 半个 世 纪来 ， 东省 气 温变 化 的 总体趋 势 基本 与 全球 同步 ， 爱 广 刘 君 研 究发 现 ， ８ Ｏ年代后 期 以来 ， 东省平 均气 候呈 较 快上 升 趋 势 ， 季 升 温幅 度大 于 夏季 ， 气温 波动 性 广 冬 且 很 大 ， 常低温 天气不 时 出现 。 端天气 事件 的增 多 ， 异 极 已经 导致 了广东 境 内气 候 带 的 自南 向北 移动 ， 同时气 候 变暖也 引起广 东省地 表植 被分 布 、 农作 物种植 制度及 生态环 境等 的变化 。 广东 省地处 低纬 度地 区 ， 于热带 、 位 亚热带 季风气候 区 ， 地形 复杂 ， 且 降水受 地形和季 风环 流的影 响非常 明显 。降水年 际变化 率大 ， 内降水 主要 出现在 ４～ 年 ９月 的前／ 后汛期 。而 夏季风控 制下 ， 受海洋 性暖湿气 团
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP（Net Primary Productivity，净初级生产力）数据进行详细总结和分析。
NPP是指植物在光合作用过程中固定的净能量，是生态系统中能量流动的重要指标。
通过对NPP数据的总结和分析，可以深入了解生态系统的功能和变化。
1. NPP数据来源：NPP数据的来源可以包括遥感数据、地面观测数据和模型摹拟数据。
遥感数据基于卫星观测，可以提供全球范围内的NPP估算结果。
地面观测数据通过野外实地测量，可以提供更准确的区域尺度的NPP数据。
模型摹拟数据基于生态系统模型，可以预测NPP在不同环境条件下的变化趋势。
2. NPP数据分析方法：对NPP数据进行分析可以采用多种方法，包括时间序列分析、空间分布分析和趋势分析等。
时间序列分析可以揭示NPP随时间的变化趋势，例如季节性和年际变化。
空间分布分析可以研究NPP在不同地理区域的分布特征，例如热带雨林和草原的NPP差异。
趋势分析可以预测未来NPP的变化趋势，例如气候变化对NPP的影响。
3. NPP数据的影响因素：NPP受多种因素的影响，包括气候因素、土壤因素和植被因素等。
气候因素包括温度、降水和光照等，它们直接影响植物的光合作用速率和生长过程。
土壤因素包括养分含量、土壤水分和土壤质地等，它们影响植物的根系生长和养分吸收能力。
植被因素包括植被类型、植被覆盖度和植物生长状态等，它们决定了植物的生产力和能量利用效率。
4. NPP数据的应用：NPP数据在生态学、气候变化和环境管理等领域具有重要的应用价值。
在生态学研究中，NPP数据可以用于评估生态系统的健康状况和生态功能。
在气候变化研究中，NPP数据可以用于评估气候变化对生态系统碳循环的影响。
在环境管理中，NPP数据可以用于制定合理的土地利用规划和生态保护政策。
5. NPP数据的未来发展：随着遥感技术和生态系统模型的不断发展，NPP数据的获取和应用将变得更加精确和全面。
未来的研究可以进一步探索NPP数据与其他生态指标的关系，例如生物多样性和土壤有机碳含量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
29卷第6期2007年11月资 源 科 学RES OURCES SCIE NCE V ol.29,N o.6N ov.,2007文章编号:1007-7588(2007)06-0045-09收稿日期:2007-02-14;修订日期:2007-09-17基金项目:国家973计划:“中国陆地生态系统碳循环及其驱动机制研究”(编号:2002C B412501);中国科学院创新团队国际合作伙伴计划:“人类活动与生态系统变化”(编号:CXT D 2Z 200521);中国科学院知识创新工程重要方向项目(编号:K ZCX 22Y W 230523)。
作者简介:陈斌,男,福建福州人,硕士,主要从事全球变化与生态学方面研究。
E 2m ail :chenb.04s @通讯作者:王绍强,E 2mail :sqwang @中国陆地生态系统NPP 模拟及空间格局分析陈 斌1,2,王绍强1,刘荣高1,宋 婷1,3(11中国科学院地理科学与资源研究所,北京 100101;21中国科学院研究生院,北京100049;31南京师范大学,南京 210097) 摘 要:本研究利用基于光能利用率理论的区域尺度遥感参数模型(C 2Fix 模型)估算了2003年中国陆地生态系统NPP ,并对其空间格局进行了分析。
模型输入数据包括叶面积指数数据(LAI )、中国地面气象站的逐日气温数据、逐日降水数据和太阳总辐射数据、数字高程模型(DE M )等,模型输出数据的空间分辨率均为1km 2,时间步长为1天。
模拟结果表明:2003年中国陆地总NPP 和平均NPP 分别为4137Pg C 和640132g C Π(m 2·年),NPP 的主要分布趋势是:从东南沿海向西北逐渐减小;其中海南岛南部、云南西南部和南部、青藏高原东南部的热带雨林和季雨林地区年NPP 最大,在1800g ～2500g C Π(m 2·年)之间;青藏高原和新疆绝大部分地区,一般在100g C Π(m 2·年)以下;西部塔克拉玛干沙漠地区植被稀疏,植被NPP 不足5g C Π(m 2·年)。
C 2Fix 模型进一步发展需要考虑不同土地覆被类型(比如,森林、草地、农田等)的生物物理和生物地球化学性质的变异性,以减少模型估算结果的不确定性。
关键词:净初级生产力;C 2Fix 模型;遥感;中国1 引言自1970年以来,陆地生态系统碳循环已成为全球科学研究的焦点,1992年以来的世界环境和发展大会、《联合国气候变化框架公约》以及《京都议定书》等也引发了对陆地生态系统碳循环研究的高潮,许多科学家在此领域做出了巨大的努力[1,2]。
NPP 定义为单位时间单位面积上植被所积累的有机物质的总量,是光合作用所吸收的碳和自养呼吸所释放的碳之间的差值[3]。
NPP 不仅是生态系统过程的关键调控因子,而且是陆地生态系统碳汇的主要决定因子[4]。
国际上大规模的NPP 研究开始于20世纪60年代。
比如20世纪60年代初期到70年代中期执行的国际生物圈计划(I BP ),它针对世界上一些主要生态系统的物质循环和生物生产力开展了许多观测和实验工作,并建立了大量的模型,用系统分析的手段进行了生态系统功能过程的研究[2]。
随后的人与生物圈计划(M AB )和国际地圈生物圈计划(IG BP )也一直把NPP 的研究作为生态学研究的热点[2]。
伴随着I BP 、M AB 和IG BP 计划的推动,全球开展了大量长期定位观测和模型模拟研究,而且研究手段不断完善和创新,从最初传统的生态测量到遥感(RS )、地理信息系统(GIS )、全球定位系统(G PS )等多技术支持的实现;数据源亦不断扩大,从最初简单的实地测量数据至海量遥感、GIS 和定位观测等多源数据的应用;空间尺度从个体、斑块尺度扩展到景观、区域乃至全球尺度[5]。
我国陆地生态系统生产力的主要研究始于20世纪70年代,随着三大国际生物学计划的实施和推动,发展比较迅速,开展了陆地生态系统生产力的测定和研究工作[6,7]。
1988年,中国科学院建立了中国生态系统研究网络(CERN ),网络包括了农田、森林、草地、沙漠、沼泽、湖泊、海洋等不同生态系统的试验站,针对植被生产力进行了长时间的生态系统监测和定点定位观测[5]。
2002年,中国陆地生态系统通量观测研究网络(ChinaFlux )成立,采用微气象学的涡度相关技术和箱式Π气相色谱技术,开展更加精确的生态系统生产力长期观测研究。
在大量生产力测定和通量观测工作的基础上,研究人员进行了生产力的模型模拟和空间格局分析。
例如,朴世龙、方精云等利用C AS A 模型估算了我国1997年植被NPP及其空间分布[8],陶波等应用CE VS A模型估算了1981年～1998年中国陆地生态系统NPP的时空变化[9],冯险峰等利用BEPS模型估算了我国2001年陆地生态系统NPP[10],卢玲等利用C2Fix模型估算了2002年中国西部地区植被净初级生产力的时空格局[11],崔林丽等利用G LO2PE M模型对1981年～2000年间中国陆地净初级生产力的季节变化进行了研究[12],何勇等利用植被与大气相互作用模式(AVI M)对现代中国陆地生态系统NPP的分布进行了模拟,并估算了全国NPP的碳总量[13]。
目前,国内利用各种模型对中国陆地生态系统的净初级生产力的现实时空分布格局做了很多的工作,所采用的模型有统计模型、参数模型以及机理过程模型。
研究的空间尺度有区域的,也有全国的。
本研究旨在通过Veroustraete等开发的C2Fix模型[14],利用气温、降水、入射太阳总辐射数据和遥感数据等多源数据,从资源平衡的角度探求碳循环过程点到面的尺度转换方法,分析中国陆地生态系统NPP的现实时空分布格局特征,并与其他模型的模拟结果进行比较,为评价中国陆地碳源Π汇在全球中的地位和作用提供科学依据,也为我国参与《联合国气候变化框架公约》和《京都议定书》的外交谈判提供必要的数据。
2 C2Fix模型 由Frank Veroustraete等建立的C2Fix模型由气温、太阳辐射和植被冠层吸收的光合有效辐射比例(fA P AR)3个变量驱动[14]。
C2Fix模型的总的技术流程见图1。
对于给定的点或单个像元,C2Fix模型用公式(1)计算每日的NPP的值,NPP单位为g CΠ(m2·日):N PP d=p(T atm)·CO2fert·ε·fA P AR·c·sg,d·(1-A d)(1)式中:p(Tatm )为N PPd的归一化的气温依赖性[14];C O2fert为标准化的C O2施肥因子[14];ε为辐射利用效率(RUE),等于1110g CΠM J[14]。
式(1)各项含义及其单位见表1。
气温依赖性因子p(Tatm )代表了N PPd归一化的气温依赖性。
它考虑了光合作用Rubisco水平的羧化Π氧化反应的热力学性质,它与C O2施肥因子(C O2fert)一起共同考虑了Rubisco水平的C O2固定反应的C O2和O2依赖性[14]。
ε是形成干物质产量 图1 C2Fix模型总的技术路线Fig11 T echnique flow of C2Fix m odel表1 公式(1)中各项的数值及单位T able1 The terms,their signi ficance and units in Equ ation(1)公式项说明单位c气候效率系数,取0148p(T atm)归一化的气温依赖性因子,取值范围0～1C O2fert标准化的C O2施肥因子,无施肥效应,取值为1;有施肥效应取值大于1。
fAP AR植被冠层吸收的光合有效辐射比例ε辐射利用效率(RUE),取值111[g CΠM J]S g,d逐日入射太阳总辐射[M JΠ(m2·日)]A d自养呼吸比例R h,d异养呼吸[g CΠ(m2·日)]的PAR波段辐射利用效率(RUE)。
ε取2145g DMΠM J,取碳与干物质比率为0145使干物质转换为碳。
因此,ε为111g CΠM J[14]。
吸收的PAR的单位为: M JΠ(m2·日)。
A d是被自养呼吸消耗的光合同化物占原光合同化物的比率。
Ad的计算基于G oward和Dye (1987)的经验公式[15]。
fA P AR是植被冠层吸收的光合有效辐射比例,它通过描述fA P AR和叶面积指数(LAI)之间关系的经验模型计算[16]:fA P AR=9315·[110-exp(-0190·LAI)](2) 方程(1)中的温度依赖性因子p(Tatm)是用落叶林和松树林的数据来确定参数[17～19]:p(T atm)=e C1-ΔHa,PRgT1+eΔST-ΔHd,PRgT(3) 表2列出了温度函数(3)的参数。
这个函数在一个特定的温度下有一个最大值1。
以上方程中的大部分参数根据树种的不同会有不同的取值。
C2Fix模型是对欧洲3个不同树种的64资 源 科 学29卷第6期参数值取平均[14]。
Veroustraete定义C O2施肥为由于C O2水平高于大气背景水平(或参考水平)而引起碳同化的增加[14]。
在C2Fix模型中采用如下公式计算C O2施肥效应因子(C O2fert)C O2fert=[C O2]-[O2]2τ[C O2]r ef-[O2]2τK m1+[O2]K0+[C O2]r efK m1+[O2]K0+[C O2](4) 方程(4)中的各参数含义及单位见表3。
从以上方程可以看出,C O2施肥效应独立于V max。
在C2Fix模型计算中,没有考虑叶肉与大气间的C O2梯度,例如气孔控制[14]。
根据Badger和C ollatz(1976),亲和系数K m和K0表示一种温度依赖性(根据Arrhenius关系),它们的计算公式如下:K m=Ae(-E aΠR g T)(5) 温度依赖性表现出两个阶段,于是根据温度条件,两组参数被用于模型中[21]:如果T≥15℃,则E a1=5914k JΠm ol,A1=24119×1012。
或者,当T< 15℃,则E a2=10916k JΠm ol,A2=19716×1020。
O2的抑制常数K0也是根据方程(5)的形式进行计算,其中A=8240,E a0=1391315。
C O2ΠO2的特征比率τ计算如下:τ=Aτe(-E aτ/R g T)(6)式中:Aτ=01787×10-4,Eaτ=-4286919表4列出了用于模拟C O2施肥效应的25℃时的参数值。