河西走廊植被净初级生产力时空变化及其影响因子研究

李传华,朱同斌,周 敏,殷欢欢,王玉涛,孙 皓,曹红娟,韩海燕

西北师范大学地理与环境科学学院, 兰州 730070

净初级生产力(Net Primary Productivity,NPP)是植物在单位时间和单位面积上,通过光合作用产生的有机质总量中扣除自养呼吸后的剩余部分,通常以干质量表示[1]。NPP是衡量全球与区域生态系统质量的重要指标,也是陆地生态系统碳循环过程的重要参数,准确估算NPP是该领域最基础的科学问题之一。气候变暖在持续加剧[2],对陆地生态系统产生显著影响,人类活动也是影响植被的重要因子[3],因此,研究NPP的时空格局变化及其影响因子对地区可持续发展具有重要意义[4]。

NPP估算模型主要有气候模型[5- 6]、过程模型[7]和参数模型[8- 9]等,国内外学者利用这些模型取得了大量的进展。这些模型各具特点也存在某些不足,例如气候模型估算没有考虑植被信息,不确定性很大；过程模型机制复杂,所需参数多且获得困难；参数模型,比如光能利用率模型的光能传递与转换过程还存在许多的不确定性。因此,继续发展NPP的估算方法是减少不确定性的重要途径。随机森林(Random Forest,RF)机器学习算法近年来在地学领域应用非常广泛[10- 12],在NPP估算方面被证明具有较高的可靠性。众多学者利用RF方法估算的东亚和美国地区的NPP与MOD17A3产品相关性R2>0.8[13],估算的中国青藏高原的NPP与实测数据相关系数为0.86[14-15],估算的欧洲总初级生产力与MOD17A2产品数据相关系数为0.84[16],因此,随机森林算法具有较广泛的适用性,被认为是一种可靠的NPP估算方法。同时,随机森林能够处理高维特征的输入数据,不需要数据降维,对于数据缺省问题也具有较好的容忍度[17]。

河西走廊是“丝绸之路经济带”的重要通道,是我国向西开放的黄金地段；该区南部是祁连山国家森林公园,北部被沙漠环绕,是我国重要的生态屏障。河西走廊是典型的干旱半干旱区,降水稀少、土壤贫瘠,生态环境十分脆弱,对气候变化和人类活动非常敏感[3, 18]。随着全球气候变暖,干旱半干旱区变暖趋势更加明显[19-20],降水的变化具有不确定性[21],因此其植被变化表现出较强的空间异质性[22-23]。干旱半干旱区NPP变化的驱动因子结论也不一致,有研究表明降水是干旱区植被NPP变化的主导因子[24-25],也有人认为是气温[26],同时,人类活动的影响也不容忽视。

本研究基于RF机器学习模型,利用实测数据和遥感数据估算2002—2018年期间的河西走廊NPP,分析NPP时空变化以及气温、降水和人类活动对NPP变化的影响。本研究的目的有三点,一是评估RF机器学习算法估算NPP在干旱半干旱区的适用性；二是分析河西走廊NPP变化时空格局；三是定量评估该区NPP变化的驱动因子,为类似区域的生态保护工作提供科学依据。

1 数据与方法

1.1 研究区概况

河西走廊地处中国内陆甘肃省境内,位于37 °17 ′N—42 °48 ′N,92 °12 ′E—103 °48 ′E,自东向西依次分布石羊河、黑河和疏勒河三大内陆河流域,平均海拔2166 m。该地是典型温带大陆性气候,通过遥感数据统计,研究期间年均降水为150.09 mm,年均温为5.29 ℃。该地自南向北由山地、绿洲、荒漠三个子系统构成,对应的子气候类型有高寒气候、温带气候、荒漠气候,主要植被有林地、草地、耕地和荒漠。

图1 研究区概况图Fig.1 Overview of the study area

1.2 数据处理与方法

1.2.1NPP数据

实测NPP来自于2018年7—8月实地采样、文献NPP[27- 30]和黑河计划数据管理中心(http://www.heihedata.org/),共323组数据(图1)。其中,实地采样19组草地数据、13组农田数据和16组荒漠灌草数据,地上部分采用齐地面收割法,地下部分连根收集；林地的采集数据为4组,通过量取树的胸径(地上1.3 m处的直径)估算生物量和相应的NPP[31]。

1.2.2遥感数据

2001—2018年温度数据来源于欧洲中期天气预报中心(ECMWF)中期再分析产品(ERA-Interim；https://apps.ecmwf.int/datasets/data/interim-full-daily/levtype=sfc/),空间分辨率为0.125 °×0.125 °。降水数据来源于TRMM3B43数据产品(https://earthdata.nasa.gov/),空间分辨率为0.25 °×0.25 °。最后利用双线性插值法重采样为250 m×250 m[32]。NDVI数据来源于美国国家航空航天局MOD13Q1(https://search.Earthdata.nasa.gov/search),空间分辨率为250 m×250 m。NPP产品来源于美国NASA EOS/MODIS的MOD17A3数据(http://files.ntsg.umt.edu/data/NTSG_Products/MOD17/),空间分辨率为1 km×1 km,重采样为250 m×250 m。

1.2.3土地利用数据

土地利用数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn),空间分辨率为100 m,重采样为250 m；土地利用类型包括25个二级类型,合并为6个一级类型,本文仅研究耕地、林地、草地和荒漠四种类型,建设用地和水域面积较少忽略不计。

1.2.4其他数据

DEM来源于地理空间数据云(http://www.gscloud.cn)。相对湿度通过气温和露点温度计算[33]；FAPAR利用NDVI计算[34]；潜在蒸散利用气温计算[35]。

1.3 研究方法

1.3.1随机森林

RF(随机森林算法)是Leo Breiman于2001年提出的一个组合分类算法[36],是用于分类和回归的机器学习方法,它是树预测变量的组合,每棵树都依赖于独立采样的随机向量的值。随机森林通过在给定的训练时间内构建多个决策树并输出作为各个树的类(分类)或平均预测(回归)的模式来进行运作,随着树木数量的增加,随机森林的泛化误差收敛到极限。本研究的RF是基于python的scikit-learn包(https://pypi.org/project/scikit-learn/)开发的。

本研究RF的输入变量包括海拔、坡度、坡向、秋季均温(上一年)、冬季均温(上一年)、春季均温、夏季均温、秋季均温、冬季均温、年平均温、秋季降水(上一年)、冬季降水(上一年)、春季降水、夏季降水、秋季降水、冬季降水、年总降水、平均年相对湿度、年相对湿度(最大)、年相对湿度(最小)、生长季平均相对湿度、生长季总相对湿度、年潜在蒸散、年平均FAPAR、年最大FAPAR-年最小FAPAR、年最大FAPAR、年最小FAPAR、生长季平均FAPAR、生长季总FAPAR,共32个,NPP为输出变量。利用随机抽取80%的NPP数据用于训练,剩下20%用于验证,利用决定系数(R2)和均方根误差(RMSE),通过参数调优选择最佳模型。

1.3.2NPP年际变化率的计算

本研究利用最小二乘法分析2002—2018年河西走廊NPP的时空变化,公式如下：

(1)

式中slope为NPP的年际变化率,NPPi为第i年的NPP。变化趋势的显著性检验采用F检验,公式如下：

(2)

1.3.3NPP与气候因子的相关性

首先计算相关系数,然后计算偏相关系数。相关系数计算公式如下：

(3)

控制降水(或气温)的NPP与气温(或降水)的偏相关系数计算公式如下：

(4)

式中,rijm为将变量m固定后变量i和变量j之间的偏相关系数,rij、rjm、rim分别为变量i和j、变量j和m、变量i和m的相关系数。

1.3.4驱动因子对NPP变化的影响

利用式(5)探测温度和降水对NPP变化的贡献,该公式于1974年被McCuen应用于水文动态学中[37],目前被应用于驱动因子对NPP的贡献中,被证明是一个比较可行的方法[38-39]。

slope=C(tem)+C(pre)+UF

=(∂NPP/∂tem)×(∂tem/∂n)+(∂NPP/∂pre)×(∂pre/∂n)+UF

(5)

式中slope为NPP的年际变化率,C(tem)和C(pre)分别是年均温和年降水对NPP年际变化的贡献,其中C(tem)=(∂NPP/∂tem)×(∂tem/∂n),∂NPP/∂tem是NPP和tem之间线性回归的斜率,∂tem/∂n是tem和n线性回归的斜率,n为年数,C(pre)计算方法同上。UF是气候因子对NPP年际变化贡献的残差,代表人类活动、火灾、病虫害等其他因子,人类活动占其中的主体,因此本文在描述时把其当作人类活动的贡献[40]。

2 结果2.1 模型验证

RF模拟了2002—2018年的NPP,图2为实测数据与模拟NPP的对比结果,R2为0.75(P<0.01),说明NPP的模拟精度较好。

2.2 河西走廊NPP的时空分布特征

2002—2018年河西走廊年均NPP空间分布如图3所示,平均值为153.32 gC m-2a-1,总量为37.468 Tg C/a,呈从东向西和从南向北递减的分布特征。NPP的高值区域主要位于祁连山区和绿洲区,平均值分别为242.18 gC m-2a-1和213.87 gC m-2a-1,低值区域位于荒漠区,平均值为91.43 gC m-2a-1。

图2 实测NPP与模拟NPP的比较Fig.2 Comparison of measured NPP and simulated NPP

图3 2002—2018年河西走廊多年平均NPP空间分布 Fig.3 The spatial distribution of multi-year mean NPP in Hexi Corridor from 2002 to 2018

2002—2018年河西走廊植被NPP年际波动较大,位于122.64—223.07 gC m-2a-1之间(图4)。2007和2018年高出多年平均40.70%和45.50%；2006年低于多年平均20.01%。研究期间整体呈增加趋势,增长率为2.37 gC m-2a-1(R2=0.18,P=0.09)。不同植被类型的NPP差异较大,耕地、林地、草地、荒漠的NPP均值分别为439.51 gC m-2a-1、489.28 gC m-2a-1、200.70 gC m-2a-1、91.43 gC m-2a-1,总量分别为6.993 Tg C/a、3.596 Tg C/a、10.670 Tg C/a、15.257 Tg C/a。

图4 2002—2018年河西走廊NPP、年均温和年降水的年际变化Fig.4 Inter-annual variations of NPP, annual average temperature and annual precipitation in Hexi Corridor from 2002 to 2018

2002—2018年间河西走廊植被NPP变化趋势见图5,呈增加趋势的面积占80.39%,主要分布在河西走廊北部和祁连山区；减少趋势的占19.61%,主要分布在走廊西南部和中部；呈显著增加和极显著增加趋势的面积分别占6.33%和3.99%,主要分布在走廊绿洲区和祁连山区；呈显著减少和极显著减少趋势的面积分别占0.22%和0.11%,零星分布在嘉峪关、肃州区、凉州区和民勤等地。总体来看,研究期间河西走廊NPP呈现增加趋势。

图5 2002—2018河西走廊植被NPP年际变化显著性检验Fig.5 Significant test of the inter-annual variation of NPP in the Hexi Corridor from 2002 to 2018

2.3 NPP与气候因子的相关性

2002—2018年NPP与年降水和年均温相关性见图6,NPP与气温呈正相关和负相关各占53.31%和46.69%,呈正相关的区域主要位于走廊中部及西南部,呈负相关的区域主要在荒漠区。NPP与降水88.58%的区域呈正相关；呈负相关的区域仅占11.42%,主要分布在祁连山区。

图6 2002—2018年年均温和年降水与NPP的相关系数Fig.6 The Correlation coefficients of annual average temperature and annual precipitation with NPP from 2002 to 2018

2.4 气候与人类活动对NPP变化的影响

相关系数仅能表征NPP与各气候因子之间的相关程度,不能量化各因子对NPP变化的影响,图7、8是根据公式(5)计算的气温、降水以及人类活动对NPP变化的贡献。2002—2018年NPP平均增长率为0.478 Tg C/a,其中0.251 Tg C/a由气候决定,0.227 Tg C/a由人类活动决定(图7)。其中,气候对NPP变化正贡献和负贡献的面积分别为80.17%和19.83%,正贡献在石羊河流域、黑河中下游和疏勒河中下游地区,负贡献主要在祁连山区。人类活动对NPP变化正贡献和负贡献的面积分别为50.52%和49.48%,正贡献主要在祁连山区和石羊河下游荒漠地带。

图7 气候变化和人类活动对NPP变化的贡献Fig.7 Contributions of climate change and human activities to changes in NPP

2.5 气候因子对NPP变化的影响

气温和降水对NPP变化的贡献如图8所示,研究期间气温、降水均对NPP起促进作用,前者对NPP的正贡献的面积占85.85%,主要分布在石羊河流域、黑河中下游和疏勒河中下游地区；后者的正贡献占68.11%,主要分布在石羊河流域绿洲区和沙漠区、黑河中下游和疏勒河中下游地区。气温和降水对NPP年际变化的贡献分别为0.185 Tg C/a和0.066 Tg C/a,分别占73.71%和26.29%,气温主导着NPP的数量变化。从影响面积来看,气温和降水分别主导的区域各占27.79%和72.21%,降水对NPP变化的格局起主导作用。

图8 气候因子对NPP变化的贡献Fig.8 Contribution of climate factors to changes in NPP

为了进一步明确NPP变化的驱动机制,将NPP与气候因子的相关性和贡献联系起来进行分析(表1),可以看出,降水增加使NPP增加即NPP_P(++)占整个区域面积最大,为61.46%,主要在石羊河以东和河西走廊北部；气温升高使NPP增加即NPP_T(++)占整个区域的52.61%,主要在河西走廊中部和南部、石羊河以东区域。

3 讨论

3.1 NPP值及其变化

图2说明了基于随机森林算法的NPP估算值是可靠的,与前人的研究结果较为一致,见表2。同时,也与MODIS NPP遥感产品(MOD17A3)(图9)进行了比较(空白区是无值区),相关性为0.782,RMSE为190.96 gC m-2a-1,说明两者吻合较好。在走廊南部草地区域吻合较好,祁连山区和绿洲区较差,其原因有两点,一是MOD12Q1产品是MOD17A3 NPP的输入数据,该产品在同质区域准确性较好[41],祁连山区地貌破碎,阴坡阳坡分布的植被差异很大,绿洲区由于人类的影响景观破碎度很高,比较而言草地的均质性较高；其次,本研究用于模型训练的不同植被类型的NPP数据的数量比例相差较大,实测草地NPP较多,这也是原因之一。

表1 NPP对气候因子响应的组合

表2 估算NPP与文献结果比较

图9 MODIS NPP空间分布Fig.9 The spatial distribution of MODIS NPP

本研究NPP总体呈上升趋势(2.37 gC m-2a-1,P=0.09),与2000—2013年中亚的草地NPP呈上升趋势一致[46],与潘竟虎等研究发现疏勒河流域NPP增加趋势结论一致[47]。研究区19.61%的区域NPP减少,这主要是气候变化造成的,如图10,可以看出,气温升高、降水减少,加剧了水分胁迫,导致NPP减少。

图10 NPP呈减少趋势区域的年均温和年降水变化Fig.10 Changes of temperature and precipitation in NPP decreasing trend region

3.2 气候与人类活动对NPP的影响

研究期间河西走廊植被NPP平均增长率为0.478 Tg C/a(P=0.09),气候变化和人类活动分别贡献52.51%和47.49%,两者共同主导NPP变化,与本研究组前期在石羊河流域的研究结论相符[48]。很多研究也发现气候变化和人类活动对生态环境脆弱区的植被影响基本相当,例如Zheng等发现气候变化对黄土高原植被的影响贡献57.65%,人类活动贡献42.35%[3]；周妍妍等发现气候变化对疏勒河流域植被恢复贡献占55%,减少占45%[49],Chen等发现2001—2011年气候变化和人类活动对青藏高原NPP变化影响的面积分别为56.59%和42.98%[50]。

图11 气候对NPP变化正贡献区域的年气温和降水变化 Fig.11 Changes of temperature and precipitation in regions where climate contributes positively to changes in NPP

气候对NPP变化正贡献的面积为80.17%,这是河西走廊气候朝暖湿方向变化的结果,这与杨雪梅等发现河西地区气温和降水皆呈上升趋势,植被呈显著改善状态[51]结论一致。很多研究结果表明西北内陆河流域气候趋向暖湿化,如1981—2015年期间石羊河流域气温和降水均呈增加趋势[52]；虽然本研究期间河西走廊的气温和降水增长趋势并不显著,但在正贡献区域的气候是显著的暖湿化,见图11,缓解了水分胁迫和低温胁迫对植被生长的限制[53]。

人类活动对河西走廊植被生产力呈积极影响,主要分布在祁连山区、绿洲区和石羊河下游荒漠地带[54]。其原因主要有,人类活动对祁连山区呈正贡献主要与政府实施封山育林育草、草场的轮牧与休牧政策有关,大量研究表明国家生态保护政策有利于植被恢复和生长[55- 57]；绿洲区呈正影响主要是人类对耕地的灌溉、施肥等管理措施导致的[58-59]；下游荒漠区的正向作用主要是流域治理工程的成效,如黑河流域生态调水工程、石羊河流域环境治理工程等通过跨流域调水保证了下游荒漠区的生态用水,植被得以恢复[60- 63]。这与Zhou等人发现人类活动导致中国西北地区NPP增长[64],Gang等人指出人类活动导致非洲、南美和欧洲的NPP显著增长[65]等结论一致。呈显著负向影响区域主要分布在疏勒河流域北部和西部,主要原因是由于该区域过度放牧导致植被退化,这与周妍妍等发现人类活动对疏勒河流域植被的负向影响比较普遍的结论一致[49][47]。

3.3 气温和降水对NPP的贡献度

气温和降水对NPP的影响在数值和面积上的主导地位并不一致,这个现象是由河西走廊复杂的气候类型和植被类型决定的。降水主导NPP变化的面积占河西走廊的72.21%(图12),这是因为干旱半干旱地区植被对降水量的变化更加敏感,降水增加(0.21 mm/a,P=0.587)改善了植被生长的气候条件,与Scanlon等和Rodríguez-Iturbe等得出降水是塑造干旱半干旱生态系统植被组成和分布的主要驱动力的结论一致[66-67]。气温主导NPP数量变化,区域主要在河西走廊高寒气候区,该区研究期间增温明显(0.03 ℃/a,P=0.175),NPP增长趋势较大(3.13 gC m-2a-1,P=0.074)。河西走廊高寒气候区年均气温较低(年均0.37 ℃),降水比较充沛(年均448.25 mm),低温是植物生长的主要胁迫因子,主要分布森林和高寒草甸,NPP占全域NPP总量的比重较大,因此,温度在NPP变化量的贡献中占主导地位。对于干旱半干旱区,很多研究表明降水主导NPP的变化,如Xu等发现降水是控制中国北方干旱地区NPP变化的主要因素[68],Henrik等指出蒙古南部荒漠草原NPP变化的66%是由降水引起的[69]。其结论与本研究不一致的原因主要是和研究的对象有关,比如Henrik研究的荒漠草原,其主控因子肯定是降水。

图12 气温在气候贡献中的贡献率 Fig.12 The contribution of temperature in climate contribution降水的贡献率为1减去气温贡献率

温度对河西走廊NPP的影响是一个多重的角色,温度升高导致NPP增加和温度降低导致NPP增加的区域分别占52.61%和45.62%。前者主要分布在祁连山区高寒气候带,后者主要分布在荒漠区。在荒漠区,温度降低可以减少蒸散发,减缓水分胁迫[70]；同时荒漠区还存在高温胁迫,降温可以增加光合利用率[71],有利于生物量累积。降水与NPP呈正相关的面积占全区的88.58%,呈负相关的仅占11.42%。前者面积比例大是因为荒漠气候区占全区的73.44%,该区的植被以典型草地和荒漠植被为主,水分是植物的主要胁迫因子,降水主导着NPP的变化[72]。与降水呈负相关的主要分布在流域上游的高寒气候带,该区降水充沛,降水增加意味着晴天时间减少,植被光合作用时间减少,不利于植物生长[73]。

4 结论

本研究利用RF模型结合实测数据、地形、气象和植被特征数据,对2002—2018年河西走廊NPP进行估算,并分析了驱动因子对NPP影响,结论如下：

利用RF可以可靠的估算干旱半干旱区NPP,与传统的估算方法精度相当,具有算法简单、训练速度快和泛化能力强等优点。在人类活动和气候变化的共同作用下,2002—2018年河西走廊NPP呈0.478 Tg C/a的增长趋势,两者的贡献基本相当。只考虑气候的作用,就贡献值而言,温度对全区NPP变化值的贡献占73.71%,降水占26.29%；就影响面积而言,72.21%的区域NPP变化由降水主导,27.79%由温度主导；就相关性而言,降水与NPP呈显著的正相关,温度与NPP的相关性受气候类型影响。

总体来看,温度主导着NPP变化的数量,降水控制着该区NPP变化格局,增温和增湿均有利于该区植被生长,随着中国西北干旱区气候的暖湿化,河西走廊未来的植被将会进一步改善。

参考文献(References):

[1] Goudriaan J. Global carbon cycle and carbon sequestration//Beran M A, ed. Carbon Sequestration in the Biosphere. Berlin, Heidelberg: Springer, 1995: 3- 18.

[2] Al-Ghussain L. Global warming: review on driving forces and mitigation. Environmental Progress & Sustainable Energy, 2019, 38(1): 13- 21.

[3] Zheng K, Wei J Z, Pei J Y, Cheng H, Zhang X L, Huang F Q, Li F M, Ye J S. Impacts of climate change and human activities on grassland vegetation variation in the Chinese Loess Plateau. Science of the Total Environment, 2019, 660: 236- 244.

[4] IGBP Terrestrial Carbon Working Group. The terrestrial carbon cycle: implications for the kyoto protocol. Science, 1998, 280(5368): 1393- 1394.

[5] Ricotta C, Avena G, De Palma A. Mapping and monitoring net primary productivity with AVHRR NDVI time-series: statistical equivalence of cumulative vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(5- 6): 325- 331.

[6] Uchijima Z, Seino H. Agroclimatic evaluation of net primary productivity of natural vegetations. Journal of Agricultural Meteorology, 1985, 40(4): 343- 352.

[7] Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158- 175.

[8] Saki M, Soltani S, Esfahani M T, Jafari R. Evaluating the variability of ANPP in central Iranian arid and semi-arid rangelands using CASA model and its relationship with climatic factors. Geosciences Journal, 2019, 23(3): 531- 545.

[9] Piao S L, Fang J Y, He J S. Variations in vegetation net primary production in the Qinghai-Xizang Plateau, China, from 1982 to 1999. Climatic Change, 2006, 74(1- 3): 253- 267.

[10] Ozigis M S, Kaduk J D, Jarvis C H, da Conceição Bispo P, Balzter H. Detection of oil pollution impacts on vegetation using multifrequency SAR, multispectral images with fuzzy forest and random forest methods. Environmental Pollution, 2020, 256: 113360.

[11] Baez-Villanueva O M, Zambrano-Bigiarini M, Beck H E, McNamara I, Ribbe L, Nauditt A, Birkel C, Verbist K, Giraldo-Osorio J D, Thinh N X. RF-MEP: a novel Random Forest method for merging gridded precipitation products and ground-based measurements. Remote Sensing of Environment, 2020, 239: 111606.

[12] Hou N, Zhang X T, Zhang W Y, Wei Y, Jia K, Yao Y J, Jiang B, Cheng J. Estimation of surface downward shortwave radiation over china from himawari- 8 AHI data based on random forest. Remote Sensing, 2020, 12(1): 181.

[13] Yu B, Chen F, Chen H Y. NPP estimation using random forest and impact feature variable importance analysis. Journal of Spatial Science, 2019, 64(1): 173- 192.

[14] Zeng N, Ren X L, He H L, Zhang L, Zhao D, Ge R, Li P, Niu Z G. Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm. Ecological Indicators, 2019, 102: 479- 487.

[15] 李传华, 孙皓, 王玉涛, 曹红娟, 殷欢欢, 周敏, 朱同斌. 基于机器学习估算青藏高原多年冻土区草地净初级生产力. 生态学杂志, 2020, 39(5): 1734- 1744.

[16] Tramontana G, Ichii K, Camps-Valls G, Tomelleri E, Papale D. Uncertainty analysis of gross primary production upscaling using Random Forests, remote sensing and eddy covariance data. Remote Sensing of Environment, 2015, 168: 360- 373.

[17] Mutanga O, Adam E, Cho M A. High density biomass estimation for wetland vegetation using WorldView- 2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 399- 406.

[18] Guan Q Y, Yang L Q, Guan W Q, Wang F F, Liu Z Y, Xu C Q. Assessing vegetation response to climatic variations and human activities: spatiotemporal NDVI variations in the Hexi Corridor and surrounding areas from 2000 to 2010. Theoretical and Applied Climatology, 2019, 135(3- 4): 1179- 1193.

[19] Huang J P, Guan X D, Ji F. Enhanced cold-season warming in semi-arid regions. Atmospheric Chemistry and Physics, 2012, 12(2): 5391- 5398.

[20] Modarres R, da Silva V P R. Rainfall trends in arid and semi-arid regions of Iran. Journal of arid environments, 2007, 70(2): 344- 355.

[21] Sivakumar M V K, Das H P, Brunini O. Impacts of present and future climate variability and change on agriculture and forestry in the arid and semi-arid tropics. Climatic Change, 2005, 70(1): 31- 72.

[22] Propastin P A, Kappas M, Muratova N R. Inter-annual changes in vegetation activities and their relationship to temperature and precipitation in central asia from 1982 to 2003. Journal of Environmental Informatics, 2008, 12(2), doi: 10.3808/jei.200800126.

[23] Zhao F B, Wu Y P, Sivakumar B, Long A H, Qiu L J, Chen J, Wang L J, Liu S G, Hu H C. Climatic and hydrologic controls on net primary production in a semiarid loess watershed. Journal of hydrology, 2019, 568: 803- 815.

[24] Guo Q, Hu Z M, Li S G, Li X R, Sun X M, Yu G R. Spatial variations in aboveground net primary productivity along a climate gradient in Eurasian temperate grassland: effects of mean annual precipitation and its seasonal distribution. Global Change Biology, 2012, 18(12): 3624- 3631.

[25] Gang C C, Zhou W, Li J L, Chen Y Z, Mu S J, Ren J Z, Chen J M, Groisman P Y. Assessing the spatiotemporal variation in distribution, extent and NPP of terrestrial ecosystems in response to climate change from 1911 to 2000. PLoS One, 2013, 8(11): e80394.

[26] Liu C Y, Dong X F, Liu Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu, China. CATENA, 2015, 125: 190- 199.

[27] Xia J Z, Ma M N, Liang T G, Wu C Y, Yang Y H, Zhang L, Zhang Y J, Yuan W P. Estimates of grassland biomass and turnover time on the Tibetan Plateau. Environmental Research Letters, 2018, 13(1): 014020.

[28] 杜自强, 王建, 沈宇丹. 山丹县草地地上生物量遥感估算模型. 遥感技术与应用, 2006, 21(4): 338- 343.

[29] 冯琦胜, 高新华, 黄晓东, 于惠, 梁天刚. 2001—2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报: 自然科学版, 2011, 47(4): 75- 81.

[30] Wang P J, Xie D H, Zhou Y Y, E Y H, Zhu Q J. Estimation of net primary productivity using a process-based model in Gansu Province, Northwest China. Environmental Earth Sciences, 2014, 71(2): 647- 658.

[31] 王金叶, 车克钧, 傅辉恩, 常学向, 宋采福, 贺红元. 祁连山水源涵养林生物量的研究. 福建林学院学报, 1998, 18(4): 319- 323.

[32] Fang J, Du J, Xu W, Shi P J, Li M, Ming X D. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area. Advances in Water Resources, 2013, 61: 42- 50.

[33] 盛裴轩, 毛节泰, 李建国. 大气物理学. 北京: 北京大学出版社, 2003.

[34] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811- 841.

[35] 张新时, 杨奠安, 倪文革. 植被的PE(可能蒸散)指标与植被-气候分类(三)几种主要方法与PEP程序介绍. 植物生态学与地植物学学报, 1993, 17(2): 97- 109.

[36] Breiman L. Random forests. Machine learning, 2001, 45(1): 5- 32.

[37] McCuen R H. A sensitivity and error analysis CF procedures used for estimating evaporation. JAWRA Journal of the American Water Resources Association, 1974, 10(3): 486- 497.

[38] Meng D J, Mo X G. Assessing the effect of climate change on mean annual runoff in the Songhua River basin, China. Hydrological Processes, 2012, 26(7): 1050- 1061.

[39] Yang H B, Yang D W. Climatic factors influencing changing pan evaporation across China from 1961 to 2001. Journal of Hydrology, 2012, 414- 415: 184- 193.

[40] Zhang Y, Zhang C B, Wang Z Q, Chen Y Z, Gang C C, An R, Li J L. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region, China from 1982 to 2012. Science of the Total Environment, 2016, 563- 564: 210- 220.

[41] Gulbeyaz O, Bond-Lamberty B, Akyurek Z, West T O. A new approach to evaluate the MODIS annual NPP product (MOD17A3) using forest field data from Turkey. International Journal of Remote Sensing, 2018, 39(8): 2560- 2578.

[42] 李传华, 曹红娟, 范也平, 韩海燕, 孙皓, 王玉涛. 基于校正的CASA模型NPP遥感估算及分析——以河西走廊为例. 生态学报, 2019, 39(5): 1616- 1626.

[43] 卢玲, 李新, Veroustraete F. 中国西部地区植被净初级生产力的时空格局. 生态学报, 2005, 25(5): 1026- 1032.

[44] 刘建锋, 肖文发, 郭明春, 吴焕萍, 江泽平. 基于3-PGS模型的中国陆地植被NPP格局. 林业科学, 2011, 47(5): 16- 22.

[45] Eisfelder C, Kuenzer C, Dech S, Buchroithner M F. Comparison of two remote sensing based models for regional net primary productivity estimation—A case study in semi-arid central kazakhstan. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1843- 1856.

[46] Yang Y, Wang Z Q, Li J L, Gang C C, Zhang Y Z, Zhang Y, Odeh I, Qi J G. Comparative assessment of grassland degradation dynamics in response to climate variation and human activities in China, Mongolia, Pakistan and Uzbekistan from 2000 to 2013. Journal of Arid Environments, 2016, 135: 164- 172.

[47] 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, 37(6): 1888- 1899.

[48] 李传华, 赵军, 师银芳, 魏伟. 基于NPP的石羊河流域环境治理工程成效评价. 干旱区研究, 2018, 35(5): 1208- 1216.

[49] 周妍妍, 朱敏翔, 郭晓娟, 李凯, 苗俊霞, 郭建军, 徐晓锋, 岳东霞. 疏勒河流域气候变化和人类活动对植被NPP的相对影响评价. 生态学报, 2019, 39(14): 5127- 5137.

[50] Chen B X, Zhang X Z, Tao J, Wu J S, Wang J S, Shi P L, Zhang Y J, Yu C Q. The impact of climate change and anthropogenic activities on alpine grassland over the Qinghai-Tibet Plateau. Agricultural and Forest Meteorology, 2014, 189- 190: 11- 18.

[51] 杨雪梅. 气候变暖背景下河西地区荒漠植被变化研究(1982- 2013)[D]. 兰州: 兰州大学, 2015.

[52] 张雪蕾, 王义成, 肖伟华, 杨瑞祥, 王燕, 朱丽姗. 石羊河流域NPP对气候变化的响应. 生态学杂志, 2018, 37(10): 3110- 3118.

[53] 胡光成, 金晓媚, 万力, 蔡晓雨. 祁连山区植被生长与水热组合关系研究. 干旱区资源与环境, 2009, 23(2): 17- 20.

[54] 李传华, 范也平, 曹红娟, 韩海燕. 基于CASA模型的植被第一性生产力人为影响定量研究——以石羊河流域为例. 干旱区地理, 2018, 41(1): 142- 151.

[55] 王姝, 张艳芳, 位贺杰, 张宏运. 生态恢复背景下陕甘宁地区NPP变化及其固碳释氧价值. 中国沙漠, 2015, 35(5): 1421- 1428.

[56] 王子婷, 李广, 蔡国军, 柴春山, 张洋东, 戚建莉. 陇中黄土丘陵区农户收入对退耕还林(草)政策的响应——以龙滩小流域为例. 中国沙漠, 2020, 40(1): 223- 232.

[57] 杨阳. 黄土高原典型小流域植被与土壤恢复特征及生态系统服务功能评估[D]. 杨凌: 西北农林科技大学, 2019.

[58] Liang W, Yang Y T, Fan D M, Guan H D, Zhang T, Long D, Zhou Y, Bai D. Analysis of spatial and temporal patterns of net primary production and their climate controls in China from 1982 to 2010. Agricultural and Forest Meteorology, 2015, 204: 22- 36.

[59] Liang W, Lü Y H, Zhang W B, Li S, Jin Z, Ciais P, Fu B J, Wang S, Yan J W, Li J Y, Su H M. Grassland gross carbon dioxide uptake based on an improved model tree ensemble approach considering human interventions: global estimation and covariation with climate. Global Change Biology, 2017, 23(7): 2720- 2742.

[60] Li Y H, Squires V R. Integrated water resources management of inland river basins in the Hexi Corridor, Gansu, China with special reference to the Shule River Basin//Squires V R, Milner H M, Daniell K A, eds. River Basin Management in the Twenty-First Century: Understanding People and Place. Boca Raton: CRC Press, 2014.

[61] Cheng G D, Li X, Zhao W Z, Xu Z M, Feng Q, Xiao S C, Xiao H L. Integrated study of the water-ecosystem-economy in the Heihe River Basin. National Science Review, 2014, 1(3): 413- 428.

[62] 李传华, 赵军. 2000- 2010年石羊河流域NPP时空变化及驱动因子. 生态学杂志, 2013, 32(3): 712- 718.

[63] 孙力炜, 张勃, 侯春梅, 迟秀丽, 贺郝钰. 祁连山区植被净初级生产力的空间变化特征分析. 遥感技术与应用, 2015, 30(3): 592- 598.

[64] Zhou W, Gang C C, Zhou F C, Li J L, Dong X G, Zhao C Z. Quantitative assessment of the individual contribution of climate and human factors to desertification in northwest China using net primary productivity as an indicator. Ecological Indicators, 2015, 48: 560- 569.

[65] Gang C C, Zhou W, Chen Y Z, Wang Z Q, Sun Z G, Li J L, Qi J G, Odeh I. Quantitative assessment of the contributions of climate change and human activities on global grassland degradation. Environmental Earth Sciences, 2014, 72(11): 4273- 4282.

[66] Scanlon T M, Albertson J D, Caylor K K, Williams C A. Determining land surface fractional cover from NDVI and rainfall time series for a savanna ecosystem. Remote Sensing of Environment, 2002, 82(2- 3): 376- 388.

[67] Rodríguez-Iturbe I, D′Odorico P, Porporato A, Ridolfi L. Tree-grass coexistence in Savannas: the role of spatial dynamics and climate fluctuations. Geophysical Research Letters, 1999, 26(2): 247- 250.

[68] Xu H J, Wang X P. Effects of altered precipitation regimes on plant productivity in the arid region of northern China. Ecological Informatics, 2016, 31: 137- 146.

[69] von Wehrden H, Wesche K. Relationships between climate, productivity and vegetation in southern Mongolian drylands. Basic and Applied Dryland Research, 2007, 1(2): 100.

[70] Simoes M, Baruch Z. Responses to simulated herbivory and water stress in two tropical C4grasses. Oecologia, 1991, 88(2): 173- 180.

[71] 刘琴, 孙辉, 何道文. 干旱和高温对植物胁迫效应的研究进展. 西华师范大学学报: 自然科学版, 2005, 26(4): 364- 368.

[72] Pan J H, Dong L L. Spatio-temporal variation in vegetation net primary productivity and its relationship with climatic factors in the Shule River basin from 2001 to 2010. Human and Ecological Risk Assessment: An International Journal, 2018, 24(3): 797- 818.

[73] 杨玲莉. 2000—2014年黄河源区植被NDVI时空变化特征与气候变化响应分析[D]. 成都: 成都理工大学, 2016.