蔚县矿区植被净初级生产力时空变化特征及影响因素

王　雪，丁建伟，谭　琨①，李海东

(1.中国矿业大学环境与测绘学院，江苏 徐州　221116；2.河北省第二测绘院，河北 石家庄　050037；3.环境保护部南京环境科学研究所，江苏 南京　210042)



蔚县矿区植被净初级生产力时空变化特征及影响因素

王雪1，丁建伟2，谭琨1①，李海东3

(1.中国矿业大学环境与测绘学院，江苏 徐州221116；2.河北省第二测绘院，河北 石家庄050037；3.环境保护部南京环境科学研究所，江苏 南京210042)

摘要：以国产高分辨率影像数据作为数据源，结合气象站点观测数据，利用光能利用率模型对蔚县煤矿区2013—2015年各季节的植被净初级生产力(net primary productivity，NPP)进行估算。分析该区域NPP的季节性变化以及各年7月的土地利用变化情况，对NPP与各气象因子进行相关性分析，探究研究区域不同植被类型NPP季节性变化的影响因素。结果表明，在中部和南部人文居住环境区，降水量为NPP的主导影响因素；而在北部无人为干扰的山区，太阳辐射和温度为其主导因素。

关键词：遥感；植被净初级生产力；光能利用率模型；矿区生态

人类居住地的环境变化研究已经成为最引人注目的环境科学问题之一[1],各种自然因素或资源相互作用影响着陆地环境生态系统的发展趋势,土地利用变化是其最直接、最重要的载体之一[2]。同时,植被净初级生产力(net primary productivity,NPP)也是生态系统各类植被长势及其与环境因子相互作用的重要监测指标。作为一个特殊的人工、半人工的陆地生态系统[3],煤矿区资源的开采活动会对区域内植被的群落结构和特征有一定的干扰性[4]。伴随着煤炭资源的大规模开采,其土地资源和生态环境遭受了全方位的破坏,尤其是地下开采造成了大面积塌陷地,导致大量土地沉陷、植被覆盖率降低以及耕地减少等一系列的生态环境问题[5]。目前,对矿区环境影响评价的研究较多,且大多为指标体系研究[6]。植被净初级生产力的影响分析属于矿区生态监测方面,是矿区环境影响评价体系的一个重要指标。结合煤矿区土地利用类型对区域植被生产能力进行量化计算,从而对其时空分布及影响因子进行相关性研究,对促进矿区生态平衡建设有着重要作用。

NPP指绿色植被在单位时间和单位面积上累积的有机干物质,它在区域碳循环和大气CO2浓度变化中起着重要作用,与植被本身生物学特性及区域环境因素密切相关[7]。近年来NPP的模拟估算模型主要有气候生产力模型、生理生态过程模型和光能利用率模型(遥感数据驱动模型)3类[8]。国内外已经有不少学者开展基于遥感数据驱动的陆地植被NPP估算模型研究。遥感信息具有多时相、多角度和多波段等特性[9],可从中提取地表覆盖情况、植被吸收光和有效辐射等植被参数以及区域型环境类型参数,为研究陆地植被NPP的季节间和年际间变化提供可能。

笔者基于the carnegie ames stanford approach(CASA)模型,以蔚县煤矿区为例,利用国产高分辨率遥感数据结合研究区相关气象数据,对研究区域2013—2014年3、7、9、11月和2015年3、7月的NPP和土地利用变化情况进行估算及分析。

1研究区与数据源

研究区域位于河北省张家口市蔚县境内,北纬39°50′54″～39°58′25″,东经114°24′40″～114°32′30″之间。蔚县地处冀西北山间盆地南端,恒山余脉分南北两支环抱,县境内壶流河斜贯中部,形成了南部深山、中部河川、北部丘陵3个明显不同的自然地貌区域。蔚县属暖温带大陆性季风气候区,由于海拔高低悬殊,立体气候明显,夏季凉爽,秋季气候多变。蔚县各地年降水量大约在380.0～682.7 mm之间,中北部壶流河两岸的河川地区年降水量在380～430 mm之间,冻土层厚度达1.36 m。蔚县煤矿资源丰富,主要有崔家寨矿、单侯矿、北阳庄矿、南留庄矿和西细庄矿等,是北方大型煤矿区之一。崔家寨矿和单侯矿位于蔚县南留庄镇、白草村乡和涌泉庄乡境内,隶属于开滦矿务局。崔家寨矿建于1996年10月,位于白草村乡及涌泉庄乡境内,面积为34.3 km2,年生产能力180万t,服务年限84.3 a,开采煤层标高为+1 320～+600 m,东西长7～11 km,南北宽5 km。单侯矿建于2004年5月,隶属涌泉庄乡管辖,面积约34.3 km2,矿井年生产能力150万t,服务年限68.1 a。

采用蔚县煤矿区2013—2014年3、7、9、11月和2015年3、7月的高分一号、资源一号02C和资源3号卫星的高分辨率遥感影像。对每期数据进行大气校正和Gram-Schmidt影像融合,最终统一重采样为2.1 m分辨率的影像进行计算。利用支持向量机监督分类方法对预处理后的数据进行分类。根据野外调研将研究区域划分为林地、耕地、草地及灌丛、水域、矿区、建筑用地和未利用地7类。利用影像中近红外波段和红波段的反射值计算研究区的归一化植被指数(NDVI，INDV)。采用中国气象科学数据共享服务网《中国地面气候资料日志数据集(V 3.0)》中蔚县(监测站号为53593)监测站的平均气温、降水量和太阳辐射数据,累计求得月平均气温、月总降水量和日照时数,2015年10月之后的气象数据以2000—2014年对应月份气象数据的平均值代替。

2研究方法与模型

2.1研究技术路线

利用蔚县煤矿区的遥感数据和相关气象数据估算2013—2015年不同时段研究区的NPP,与土地利用类型图和气象变化趋势进行对比分析,从蔚县煤矿区陆地表层NPP时空格局入手,探索分析煤矿区煤炭开采和其他人为活动对区域内植被环境的影响,技术路线见图1。

图1　研究技术路线示意

2.2基于CASA模型的NPP反演过程

基于遥感数据间接模拟估算NPP的CASA模型是一种由遥感数据、植被类型及土壤类型、温度、降水量和太阳辐射共同驱动的基于资源平衡观点建立起来的光能利用率模型[10]。朱文泉等[11-12]改进了CASA模型，对光能利用率的计算做出了简化,使得模型具有更强的可操作性。该模型引入针对中国的陆地植被覆盖分类系统,计算不同类型植被指数的最大值和最小值,在植被层对光合有效辐射的吸收比例(fraction of photosynthetically active radiation,FPAR，RFPA)的估算过程中,舍弃了众多土壤参数,仅利用气象数据结合区域蒸散发模型估算水分胁迫因子(图2)。笔者采用的最大光能利用率是朱文泉等[13]用1989—1993年气象数据结合实测数据模拟出的各植被类型的最大光能利用率。

图2　基于CASA模型的NPP估算流程图

NPP是单位时间和单位面积上绿色植被通过光合作用所产生的全部有机物同化量扣除自养呼吸后的剩余部分。作为地球碳循环的重要组成部分[14],NPP不但直接反映植被在区域环境下的生产固碳能力,而且是判定生态系统碳源/汇和调节生态过程的主要因子[15]。在NPP遥感估算模型中,NPP是植被吸收的光合有效辐射(APAR，RAPA)和实际光能利用率(ε)的函数[12,16-17]。

PNP(x,t)=RAPA(x,t)×ε(x,t)。

(1)

式(1)中,PNP(x,t)表示像元x在t月的植被净初级生产力,g·m-2·月-1;RAPA(x,t)表示像元x在t月吸收的光合有效辐射,MJ·m-2·月-1;ε(x,t)表示像元x在t月的实际光能利用率,g·MJ-1。APAR是由太阳总辐射和植被本身的特征决定的[12]。

RIPA(x,t)=0.5LSO(x,t),

(2)

RAPA(x,t)=0.5×LSO(x,t)×RFPA(x,t)。

(3)

式(2)～(3)中,RIPA表示拦截的光和有效辐射(interrupted photosynthetically active radiation，IPAR);LSO表示像元x在t月的太阳总辐射量,MJ·m-2·月-1;0.5表示植被所能利用的波长为0.38～0.71 μm的太阳辐射占太阳总辐射的比例[13]。

植被吸收的光合有效辐射取决于太阳总辐射和植物本身的特征,FPAR在一定范围内与归一化植被指数存在着线性关系[13],其计算公式[11]如下:

RFPA,min。

(4)

式(4)中,INDV(x,t)表示像元x在t月的NDVI值;INDV,i,min和INDV,i,max分别为第i种植被类型的NDVI最小值和最大值,该研究采用NDVI统计直方图中95%和5%的取值作为该类别NDVI的最大值和最小值[18];RFPA,min和RFPA,max为常数,取值与植被类型无关,分别为0.001和0.95。

光能利用率是在一定时期内单位面积上产生的干物质中所包含的化学潜能与同一时间投射到该单位面积上的光和有效辐射能之比[13]。关于光能利用率在植被群落种间的变异和空间异质性已有研究。POTTER等[10]认为,在理想条件下植被具有最大光能利用率,而实际光能利用率的求解是通过对最大光能利用率加以环境影响因子(如气温、土壤水分以及大气水气压差等)进行修正得到的,其计算公式为

ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×ε*。

(5)

式(5)中,Tε1(x,t)和Tε2(x,t)分别为低温和高温对光能利用率的胁迫影响系数;Wε(x,t)为水分胁迫影响系数;ε*为理想条件下的最大光能利用率,g·MJ-1。

Tε1(x,t)反映了低温和高温时植物体内的生化作用对光合产生限制进而对NPP的抑制作用[15,19],计算公式为

Tε1(x,t)=0.8+0.02Topt(x,t)-0.000 5Topt

(x,t)2。

(6)

式(6)中,Topt(x,t)为植物生长的最适温度,℃,用区域NDVI达最大时当月的平均气温表征,当月平均气温≤-10 ℃时,Tε1(x,t)=0。

Tε2(x,t)为区域温度从最适温度向高温和低温变化时由于呼吸作用消耗引起的植物光能利用率降低的趋势，其计算公式为

(7)

式(7)中,T(x,t)为像元x在t月的平均气温，℃。当T(x,t)比Topt(x,t)高10 ℃或低13 ℃时,Tε2(x,t)为月平均气温为Topt(x,t)时Tε2(x,t)的一半。

水分胁迫因子Wε(x,t)反映了植被所能利用的有效水分条件对光能利用率的影响,其取值范围为0.5(极干旱环境)～1(极湿润环境)[20],计算公式为

Wε(x，t)=0.5+0.5×E(x，t)/Ep(x，t)。

(8)

式(8)中,E(x,t)为区域实际蒸散量,mm;EP(x,t)为区域潜在蒸散量,mm。这2个变量可以分别通过张新时[21]建立的区域实际蒸散模型和周广胜等[22]提出的互补关系式求取,其计算公式为

(9)

(10)

(11)

式(9)～(11)中,P(x,t)为像元x在t月的降水量,mm;Rn(x,t)为像元x在t月的地表净辐射量,mm;Ep0(x,t)为局地潜在蒸散量,mm,可以根据Thornthwaite植被-气候关系模型求取[21]。

(12)

a(x)=[0.675 1 I(x)3-77.1 I(x)2+17 920 I(x)+492 390]×10-6,

(13)

(14)

式(12)～(14)中,I(x)为12个月的热量指标总和;a(x)为I(x)的函数,其公式仅适用于气温在0～26.5 ℃ 条件下。

笔者在对研究区土地覆盖类型进行提取时只分出了林地一级大类,由于研究区域森林类型包括落叶针叶林、落叶阔叶林、针阔混交林和常绿针叶林,根据朱文泉等[11]模拟得到的中国典型植被最大光合利用率,取4种类型的平均值作为研究区内林地的最大光能利用率(以C计,下同),其值为0.510 3 g·MJ-1。草地的最大光能利用率为0.542 g·MJ-1,没有规定取值的其他土地利用类型(如建筑用地、水域、未利用地和矿区用地等)取CASA模型的约定值0.389 g·MJ-1。

3结果与分析

3.1研究区NPP季节性变化

根据CASA模型估算研究区2013—2014年3、7、9和11月以及2015年3、7月NPP,用3、7、9和11月的模拟结果代表春、夏、秋、冬4季的NPP,进而分析NPP的季节性变化规律(图3～5)。

由图3～5可知,2013—2015年NPP的季节变化规律明显,都在夏季(7月)达峰值。2014年4季NPP的最大值分别为7.43、130.41、80.86和2.53 g·m-2·月-1。对NPP高值区变化情况与研究区空间布局结合分析可知,3月NPP高值区均分布在研究区西南部,7月NPP高值区开始向东部和北部偏移,9月高值区偏向于西部和中偏东北部地区,11月又回到西南部。根据实地调查,南留庄北部和回墓村西部分布着大量覆有塑料大棚的耕地,所以3月NPP产值较高。7月温度适宜,降水充沛,区域内植被增幅明显。位于东北部的冬小麦在7—8月收获,夏播种作物在9月进入抽穗期,如西南部种植的谷子等作物,所以NPP产值较高。

统计不同季节不同植被对NPP的贡献,绘制不同植被类型NPP随季节的变化曲线,结果见图6。由图6可以看出,2013年耕地与草地NPP的季节变化趋势具有同步性,2014年林地与耕地NPP的季节变化趋势较为一致,2015年耕地、草地和林地NPP变化趋势差别较大,这说明3种植被类型对不同气候因子的敏感度不同。

3.2研究区NPP空间分布

由于我国所有陆地植被类型NPP的峰值都出现在7—8月,所以提取研究区2013—2015年7月植被NPP的空间分布特征(图3～5),结合气象因子和人为活动因素进行深入分析。

由图3～5可以看出,2013—2015年7月研究区域NPP空间分布特征总体如下:东部涌泉庄附近、南部大饮马泉村和南留庄NPP略高,结合土地覆被类型分析发现此区域内大多为高密度耕地,NPP约为120～160 g·m-2·月-1;中部偏南的单侯村和西北部的山区NPP约为80～120 g·m-2·月-1,区域内植被类型以林地为主,实地考察发现单侯村周边大量种植桃树和杏树等落叶乔木类型的经济作物,西北部山区以落叶针叶林居多;研究区东北部的麦子坡村到西南部西细庄村一带的区域,NPP略低于周边地区,普遍低于40 g·m-2·月-1,原因是此区域内多为矿区和城镇,植被稀少。

单位为g·m-2·月-1。

单位为g·m-2·月-1。

单位为g·m-2·月-1。

3.3不同植被类型NPP

由表1和图6可知,同一年份不同植被类型的NPP明显不同,不同年份同一植被类型的NPP也随着气象因子不同而呈现趋势变化。

比较3种植被类型7月NPP平均值可知,林地的变化幅度相对较小,2013—2015年平均值分别为62.33、43.39和51.03 g·m-2·月-1;耕地与草地及灌丛的变化幅度相当,2013—2015年7月耕地NPP平均值分别为88.07、44.96和61.01 g·m-2·月-1,草地及灌丛为86.60、63.54和88.99 g·m-2·月-1。2014年NPP均值最低,主要是由于2014年7月降水量下降幅度较大。比较3种植被类型可知,耕地、草地及灌丛这种一年生草本植物对研究区内包括人类活动、气象因素在内的环境变化的响应较为敏感,林地的固碳能力比较稳定。

表12013—2015年不同植被类型NPP的季节变化

Table 1Seasonal variation of NPP in 2013-2015 relative to type of the vegetation

g·m-2·月-1

图6　2013—2015年7月各植被类型NPP均值

3.4研究区土地利用变化分析

研究区内有多个矿区,还有若干井工矿和小煤窑。主矿区位于蔚县南留庄镇的崔家寨村和咸周村附近。煤矿开采对地表植被影响较大,采煤塌陷造成地表季节性积水,破坏植被生长;地下水位下降,土壤固水能力薄弱,对植物的固碳能力产生影响。笔者从年际间土地利用类型变化入手,分析3 a间研究区土地利用变化的自然原因与人为活动因素,以及土地利用变化对NPP的影响。由于影像数据光谱波段数较少,空间异质性较为明显,将研究区土地利用类型分为林地、耕地、草地及灌丛、水域、建筑用地、矿区、未利用地(裸地)7类,统计3个时期研究区土地利用状况(表2)。

2013—2014年和2014—2015年土地利用类型变化矩阵见表3～4。从表3可知,2014年林地较2013年减少429.43 hm2。2013—2014年,林地有0.33%转化为耕地,10.75%转化为草地及灌丛,0.35%转化为未利用地;耕地有2.07%转化为草地及灌丛,0.36%转化为林地,4.51%转化为未利用地;草地及灌丛有0.15%转化为林地,1.89%转化为耕地,31.43%转化为未利用地。除去分类不准确的部分土地,由于气候原因,2013年许多草地及灌丛变为荒地,林地的变化与分类误差有关。

表22013—2015年7月研究区各土地利用类型面积变化

Table 2Variation of the area of each type of land use in the study area in July of each of the years from 2013 to 2015

hm2

表32013—2014年土地利用类型变化矩阵

Table 3Variance matrix of land use type from 2013 to

2014

hm2

某一行数据为2013年各土地利用类型转化为2014年该行对应的土地利用类型的面积。

表42014—2015年土地利用类型变化矩阵

Table 4Variance matrix of land use type from 2014 to

2015

hm2

某一行数据为2014年各土地利用类型转化为2015年该行对应的土地利用类型的面积。

从表4可知,2015年林地较2014年减少87.68 hm2,耕地增加5.41%,草地及灌丛减少6.87%,未利用地增加7.25%。整体来看,2013—2015年林地减少517.11 hm2,占2013年林地总面积的14.97%;耕地增加536.82 hm2,占2013年耕地面积的37.55%;草地及灌丛减少2 481.63 hm2,占2013年草地面积的32.78%;植被覆盖土地面积整体减少19.76%。主要原因是建筑用地及煤矿区增幅迅猛,占用大量草地及灌丛,但人为的复垦措施使得耕地反而有所增加。

3.5研究区气象因子与NPP的相关性

由表5可知,研究区NPP由高到低依次为2013、2015和2014年,月太阳总辐射、日照时数及月平均温度由高到低依次为2014、2015和2013年,降水量、FPAR、植被光能利用率由高到低依次为2013、2015和2014年。

为研究NPP与气象因子的相关性,采用2013—2015年7月的NPP数据和同期的气象数据进行Pearson相关性分析,结果见图7。通过分析3期NPP与温度、降水量、日照时数这3个气象因子的Pearson相关系数发现,研究区7月NPP大致与温度、日照时数呈负相关,与降水量呈正相关。

表52013—2015年7月研究区主要气象因子及NPP比较

Table 5NPP and climate factors in the years of 2013, 2014 and 2015 in the study area

年份T/℃P/mmSOL/(MJ·m-2·月-1)S/hFPARεNPP/(g·m-2·月-1)201322.9130.5653.67241.50.730.4779.42201423.845.1671.28254.20.420.3651.01201522.9128.3653.97250.40.480.4571.22

T为月平均气温;P为降水量;SOL为太阳总辐射;S为月日照时数;FPAR为植被层对光合有效辐射的吸收比例;ε为区域平均光能利用率;NPP为植被净初级生产力。

图7　2013—2015年7月NPP与降水量、日照时数和温度的相关性分布

不同类型土地NPP与各气象因子的相关性存在一致性。其中,草地及灌丛、耕地NPP与温度大多呈负相关。已有研究表明,正常情况下NPP与降水量呈反比,而研究区域中部和南部的所有植被类型NPP均与降水量呈正相关,这与NPP变化的基本规律相违背,只有北部无人为因素干扰的山区林地符合该规律。分析其原因可能为人为活动对植被固碳能力的影响与气候因子的影响规律相左。煤矿开采活动导致地表沉陷,生态廊道受损甚至断裂,景观格局遭到破坏;由于煤矿开采活动会破坏地下水的径流平衡,改变地表水径流和汇水条件,使得土壤含水能力下降;另外,开采活动还会导致塌陷,产生地表裂缝,裂隙蒸发作用使土壤深层水分迅速散失,土壤含水量下降。所以,煤矿开采活动致使植被生长对降水量的依赖性增强,研究时段降水偏多,导致土壤湿度增加,从而促进了植被NPP累积速度。与草地及灌丛相比,林地和耕地NPP与降水量的相关程度略低,这主要是因为草地及灌丛属于草本植物,其根系基本分布于1 m深度土层以内,植被生长所需水分主要来源于大气降水,而林地植被根系要较之更深,其毛管可以利用潜水。有研究表明,当地下水位埋深较浅时,所有植被的长势都较好,而随着地下水位埋深增加,植被的长势变差或根本无法生存[23]。相比较而言,耕地由于填埋地表裂缝、人工浇灌等人工补救措施,对降水量的依赖也比草地及灌丛要小。

大部分植被类型的NPP与日照时数呈负相关,少数林区和山区植被NPP与之呈正相关。草地及灌丛NPP与日照时数的负相关系数低于耕地。分析可能的原因是研究区域降水形式大部分为大雨或暴雨,日照时数大的年份降水间隔也随之变大,温度偏高,土壤蒸发加剧,土壤中可利用水分减少,植物生长受到抑制,而且耕地为一年生草本,根系较浅,受土壤水汽蒸发影响较大,所以草地及灌丛与日照时数的负相关系数会低于耕地;此外,某些区域耕地由于气候原因收益较小,与杂草共生,分类时容易误分为草地及灌丛,这种异质性也会造成草地类别NPP的反演偏差,以及与日照时数的相关性表现异常。

4结论

(1)分析2013—2015年7月研究区不同植被类型NPP的时空变化发现,NPP整体呈下降趋势,3 a间7月NPP平均值分别为79.42、51.01和71.22 g·m-2·月-1。

(2)研究区人类活动主要表现为煤矿开采和城镇扩张2个方面。由于煤矿开采活动直接破坏了研究区的地下水结构,导致地下水位下降、地表裂缝以及土壤盐渍化,加快水分蒸发散失速度,从而影响植被固碳能力。城镇扩张使得耕地面积增多,进而保护了植被的固碳能力。

(3)气候因子对NPP的影响较为复杂。NPP的变化是人为活动和气候因素综合作用的结果。在研究区中部和南部区域,由于地下水结构被破坏,降水量为影响NPP的主导因素;北部山区由于人为因素干扰较小,太阳辐射和温度为影响NPP的主导因素。

参考文献：

[1]刘纪远,岳天祥,鞠洪波.中国西部生态系统综合评估[M].北京：气象出版社,2006:1.

[2]张合兵,郝成元,张小虎.潞安矿区净初级生产力和土地覆被变化及成因[J].水土保持通报,2013,33(1):44.

[3]侯湖平,张绍良,丁忠义,等.煤矿区土地利用变化对生态系统植被碳储量的影响：以徐州垞城矿为例[J].煤炭学报,2013,38(10):1850-1855.

[4]王行风,汪云甲,杜培军.基于空间信息技术的煤矿区景观特征及其动态变化研究：以潞安常村矿为例[J].干旱区资源与环境,2007,21(7):69-74.

[5]李保杰,顾和和,纪亚洲.矿区土地复垦景观格局变化和生态效应[J].农业工程学报,2012,28(3):251-256.

[6]王霖琳.资源枯竭矿区生态环境损害评价指标体系研究[J].煤炭科学技术,2009(9):125-128.

[7]LIU J,CHEN J,CIHLAR J,etal.Net Primary Productivity Distribution in the BOREAS Region From a Process Model Using Satellite and Surface Data[J].Journal of Geophysical Research:Atmospheres,1999,104(2):27735-27754.

[8]ZHU W,CHEN Y,XU D,etal.Advances in Terrestrial Net Primary Productivity (NPP) Estimation Models[J].Chinese Journal of Ecology,2005,24(3):296-300.

[9]侯英雨,柳钦火,延昊,等.我国陆地植被净初级生产力变化规律及其对气候的响应[J].应用生态学报,2007,18(7):1546-1553.

[10]POTTER C S,RANDERSON J T,FIELD C B,etal.Terrestrial Ecosystem Production:A Process Model Based on Global Satellite and Surface Data[J].Global Biogeochemical Cycles,1993,7(4):811-841.

[11]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[J].植物生态学报,2007,31(3):413-424.

[12]朱文泉,陈云浩,潘耀忠,等.基于GIS和RS的中国植被光利用率估算[J].武汉大学学报(信息科学版),2004,29(8):694-698.

[13]朱文泉,潘耀忠,何浩,等.中国典型植被最大光利用率模拟[J].科学通报,2006,51(6):700-706.

[14]BRASWELL B,SCHIMEL D,LINDER E,etal.The Response of Global Terrestrial Ecosystems to Interannual Temperature Variability[J].Science,1997,278(278):870-873.

[15]FIELD C B,BEHRENFELD M J,RANDERSON J T,etal.Primary Production of the Biosphere:Integrating Terrestrial and Oceanic Components[J].Science,1998,281(5374):237-240.

[16]朱文泉,潘耀忠,龙中华,等.基于GIS和RS的区域陆地植被NPP估算：以中国内蒙古为例[J].遥感学报,2005,9(3):300-307.

[17]李贵才.基于MODIS数据和光能利用率模型的中国陆地净初级生产力估算研究[D].北京:中国科学院遥感应用研究所,2004.

[18]顾娟,李新,黄春林,等.2002—2010 年中国陆域植被净初级生产力模拟[J].兰州大学学报(自然科学版),2013,49(2):203-213.

[19]FIELD C B,RANDERSON J T,MALMSTR M C M.Global Net Primary Production:Combining Ecology and Remote Sensing[J].Remote Sensing of Environment,1995,51(1):74-88.

[20]朴世龙,方精云,郭庆华.利用CASA模型估算我国植被净第一性生产力[J].植物生态学报,2001,25(5):603-608.

[21]张新时.植被的PE(可能蒸散)指标与植被-气候分类(二)：几种主要方法与 PEP 程序介绍[J].植物生态学报,1989,13(3):197-207.

[22]周广胜,张新时.全球变化的中国气候-植被分类研究[J].植物学报(英文版),1996,38(1):8-17.

[23]杨泽元,王文科,黄金廷,等.陕北风沙滩地区生态安全地下水位埋深研究[J].西北农林科技大学学报(自然科学版)，2006,34(8):67-74.

(责任编辑： 许素)

Spatio-Temporal Variation of Net Primary Productivity of Vegetation in Mining Areas of Yuxian and Its Affecting Factors.

WANGXue1,DINGJian-wei2,TANKun1,LIHai-dong3

(1.School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China；2.The Second Surveying and Mapping Institute of Hebei Province, Shijiazhuang 050037, China；3. Nanjing Institute of Environmental Sciences, Ministry of Environmental Protection, Nanjing 210042, China)

Abstract:The government has paid much attention to impacts of mining on the ecological environment of the mine, and a number of studies have been done on damages mining has brought about to vegetation in mining areas. Based on domestic high resolution remote sensing image data in combination with the observation data of the meteorological stations in the region, estimation was performed of net primary productivity (NPP) of the vegetation in the mining area of Yuxian County from 2013 to 2015 with the carnegie ames stanford approach (CASA). Seasonal variation of NPP of the region and changes in land use in July of each of the past three years were analyzed, and correlations between NPP and various climate factors were also analyzed to explore formain factors affecting seasonal variation of the NPP relative to type of the vegetation. Main factors affecting NPP varied with the type of vegetation, and the type of mining activities as well. Analysis of dependence relativity between NPP and climate variables in July of 2013, 2014 and 2015 reveals that precipitation is the main factor affecting NPP in the center and south of the county, where is mining and residential quarters are concentrated, while solar radiation and temperature is the major one in the north of the county, where mountains dominate and are less disturbed by human activities.

Key words:remote sensing;net primary productivity;carnegie ames stanford approach model;ecology of mining areas

作者简介：王雪(1992—),男,山东济宁人,硕士生,主要从事遥感数据处理研究。E-mail: wx-cumt@yeah.net

DOI：10.11934/j.issn.1673-4831.2016.02.003

中图分类号：X826

文献标志码：A

文章编号：1673-4831(2016)02-0187-08

通信作者①E-mail: tankun@cumt.edu.cn

基金项目：国家自然科学基金(41471356);国家科技基础性工作专项(2014FY110800)

收稿日期：2015-11-16