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

王金杰, 赵安周, 张兆江, 张安兵, 胡小枫

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

王金杰1, 赵安周2, 3, 4,*, 张兆江2, 4, 张安兵2, 4, 胡小枫2

1. 河北工程大学地球科学与工程学院, 邯郸 056038 2. 河北工程大学矿业与测绘工程学院, 邯郸 056038 3. 中国科学院地理科学与资源研究所, 资源与环境信息系统国家重点实验室, 北京 100101 4. 邯郸市自然资源空间信息重点实验室, 邯郸 056038

基于MODIS-NDVI(Moderate-Resolution Imaging Spectroradiometer, Normalized Difference Vegetation Index)、气象站点及植被类型数据, 采用改进的CASA(Carnegie-Ames-Stanford Approach) 模型估算了2000—2018年京津冀地区NPP (Net Primary Productivity), 并采用趋势分析、相关分析等方法对该地区NPP时空分布特征及其影响因素进行了分析。结果表明: 1)时间上, 2000—2018年京津冀地区NPP整体呈增加趋势(=0.6535 gC·(m2·a)-1), 其中草地增速最快(=1.5123 gC·(m2·a)-1); 2)空间上, 2000—2018年年均NPP为349.96 gC·(m2·a)-1, 高值区主要集中在燕山山脉及太行山脉等地, 低值区主要集中在西北部高原以及东部沿海地区。西北高原及山地地区植被恢复显著, 中部及沿海区域NPP退化严重; 3)地形上, NPP随海拔升高呈“增加-减少-增加”的变化趋势, 随地形起伏度整体呈增加趋势, 不同植被NPP随地形的变化大致相同; 4)就相关性来看, NPP与气温整体呈负相关关系(=-0.03), 与降水整体呈正相关关系(=0.36), 降水对NPP影响更大; 5)就不同地形的NPP变化来看, 中海拔地区、丘陵及山地地区绿化趋势显著, 耕地、草地和林地恢复显著, NPP显著增加; 低海拔、低起伏度处, 受耕地NPP显著减少影响, 植被退化严重。

NPP; 改进的CASA模型; 时空演变; 驱动因素; 京津冀

0 前言

植被净初级生产力(Net Primary Productivity, NPP)是植被在单位时间、单位面积内通过光合作用产生的有机物总量减去自养呼吸后的残余部分[1]。该参数不仅可以反映植被在自然条件下的自身生产能力, 同时也可用于评价生态系统的质量及其可持续发展能力[2]。此外, 作为判定生态系统碳汇和调节生态过程的重要因子, 研究NPP的时空演变及其影响因素对全球陆地生态系统的变化以及全球碳平衡有着重要的意义[3]。

早期的NPP研究主要基于站点观察数据和统计模型[1]。随着遥感科学等空间信息技术的发展, 利用遥感技术和模型估算开展陆地生态系统NPP监测和时空演变趋势分析已经成为研究NPP的有效手段之一[4]。这其中以CASA (Carnegie-Ames-Stanford Approach)模型为主要代表的光能利用率模型又因其所需参数少且其参数与植被生理特征高度相关等优点, 成为国内外专家学者广泛使用的研究方法[5]。该模型于1993年由Potter等[6]提出, 消除了基于传统站点数据的模拟在大尺度研究中的局限性[7]。之后国内外诸多学者采用该模型对全球尺度、大洲以及地区等不同尺度的NPP进行了估算, 如Field等[8]、朴世龙等[9]。然而该模型将植被最大光能利用率统一取值为0.389 gC·MJ-1, 已有研究表明, 不同植被的光能利用率存在着显著的差异, 直接影响NPP的估算精度, 因此诸多学者对CASA模型进行了改进。朱文泉等[10]基于改进的CASA模型估算了中国陆地植被NPP, 该模型引入植被覆盖类型图以及分类精度, 考虑了植被分类精度对NPP估算的影响, 并对所需参数进行了简化, 提高了研究结果的精度。程春晓等[11]就利用朱文泉改进的CASA模型对东北三省2001—2010年NPP进行估算, 且对比发现模拟结果优于MOD17A3 NPP产品。近些年来, NPP影响因素的研究也逐渐成为生态环境中的研究热点, 诸多研究发现NPP主要受到降水和气温的影响[12]。此外, NPP的时空分布还会受到地形、植被类型等要素的影响。因此, 区域尺度NPP时空演变的驱动机制尚未完全清晰[13]。

京津冀地区是中国社会经济发展水平最高的地区之一。《京津冀协同发展规划纲要》明确指出京津冀生态环境是京津冀一体化协同发展的基础, 要构建京津冀城市群生态体系。近几年该地区先后实施了植树造林、退耕还林等一系列生态修护工程。尽管已有研究对该地区的NPP及其影响因素进行了分析, 但是多集中在分析各个气候要素对NPP的影响, 对地形等因素对NPP的影响研究相对薄弱。鉴于此, 本研究利用改进的CASA模型估算2000—2018年京津冀地区的NPP, 分析该地区NPP时空变化特征及其与气候因子、海拔、地形起伏度的关系, 进而为京津冀地区的生态建设与恢复工作提供参考。

1 材料与方法

1.1 研究区概况

京津冀地区(113°27 ′E—119°50 ′E, 36°03 ′N—42°40 ′N), 地处华北平原北部, 包括北京、天津、河北省, 总面积约为2.18×105km2。研究区内地貌复杂, 囊括了平原、台地、丘陵、山地以及高原等多种地貌类型; 西北地区地势较高, 东南地区地势平坦, 又因平原与山地之间海拔差异较大, 引起了十分明显的垂直地带特征[14]; 气候类型属温带大陆性季风气候, 寒暑温差较大, 年降水量约为400—800 mm, 多集中于夏季, 年均气温10 ℃—11 ℃; 该区植被类型丰富, 主要包括针叶林、阔叶林、草地、灌丛以及耕地, 其中又以耕地、灌丛为主(图1)。

1.2 数据来源及处理

(1)遥感数据: 本文采用来源于美国国家航空航天局(National Aeronautics and Space Administration, NASA)的2000—2018年MOD13A2数据。该数据空间分辨率为1 km, 时间分辨率为16 d。采用MRT(MODIS Reprojection Tools)软件对原始MODIS NDVI数据进行格式及投影转换, 并采用最大值合成法(Maximum value composite, MVC)合成月NDVI数据集。此外, DEM(Digital Elevation Model)数据来源于地理空间数据云(http://www.gscloud.cn/), 空间分辨率为90 m, 利用最近邻重采样法将其重采样为1 km, 同时基于邻域分析法提取地形起伏度信息。同时, 本文将京津冀地区地形起伏度划分为6个等级: 平原(0—30 m)、台地(30—70 m)、丘陵(70—200 m)、小起伏山地(200—500 m)、中起伏山地(500—1000 m)、大起伏山地(1000—2500 m)。

(2)气象数据: 气象数据包括从中国气象数据网(http://data.cma.cn/)获取的2000—2018年京津冀地区34个气象站点的月平均气温、月降水量以及日照百分率数据, 月太阳总辐射数据则利用日照百分率数据计算获得。采用反距离权重法(Inverse Distance Weighted, IDW)将各气象数据插值为空间分辨率为1 km的栅格数据。

(3)土地利用类型数据: 采用来源于国家自然科学基金委员“中国西部环境与生态科学数据中心”(http://westdc.westgis.ac.cn)的中国1:100万植被类型图。按照实际需求将京津冀地区土地利用类型重分类为常绿针叶林、落叶阔叶林、耕地、草地、灌丛以及非植被6种地类。

1.3 研究方法

1.3.1 CASA模型

CASA模型所估算的NPP主要由植被吸收的光合有效辐射(APAR)及实际光能利用率()两个因子来决定, 计算公式为:

式中, APAR()表示像元在月份吸收的光合有效辐射;(,)表示像元在月份的实际光利用率。

式中, SOL()为像元在月的太阳辐射总量, FPAR()为植被层对入射光合有效辐射的吸收比例, 常数0.5则表示植被所能利用的太阳有效辐射(波长为0.38—0.71 μm)占太阳辐射总量的比例。

FPAR与NDVI及比值植被指数(Simple Ratio, SR)都有着较好的线性关系, 详细计算公式参照文献[10]。本文基于1:100万植被类型图以及MOD13A2产品, 结合朱文泉的提取方法[10]提取NDVI、SR, 并对FPAR进行估算。

注: ECF:常绿针叶林; DBF:落叶阔叶林; GRA:草地; CUL:耕地; TH:灌丛; NV:非植被。

Figure 1 Distribution of meteorological stations and vegetation types in Beijing-Tianjin-Hebei

式中,表示植被在理想条件下的最大光能利用率, 本文采用朱文泉的计算结果[10]。T1()与T2()分别表示高温和低温对光能利用率的胁迫作用, W()为水分因子对光能利用率的胁迫作用, 详细计算公式参照文献[10]。

1.3.2 统计分析

本文采用一元线性回归分析法来分析2000—2018年京津冀地区的NPP变化趋势, 并采用Mann- Kendall(M-K)趋势检验法判断其变化趋势的显著性。同时, 本文基于Pearson相关系数法分析NPP与各气候因子的相关性。

2 结果分析

2.1 NPP模型验证

基于改进的CASA模型, 本文计算出京津冀地区主要植被类型的NPP均值处于306.08—558.2 gC·(m2·a)-1之间, 常绿针叶林、落叶阔叶林、灌丛、草地和耕地估算的NPP分别为306.08 gC·(m2·a)-1、558.2 gC·(m2·a)-1、350.71 gC·(m2·a)-1、346.55 gC·(m2·a)-1和334.61 gC·(m2·a)-1, 可以发现其估算结果与实测及其他研究的数据相近(表1), 表明本文所估算的不同植被类型的NPP结果较为可信。

2.2 NPP年际变化特征

2000—2018年京津冀地区年均NPP变化整体呈波动上升趋势, 其增加速率为0.6535 gC·(m2·a)-1(图2)。多年平均值为349.96 gC·(m2·a)-1, 其中最大值为389.94 gC·(m2·a)-1, 出现在2004年; 最低值为314.17 gC·(m2·a)-1, 出现在2002年。

就不同植被类型而言(表2), 各植被NPP整体呈微弱的增长趋势(>0.05), 增长速率主要表现为: 草地>灌丛>落叶阔叶林>常绿针叶林>耕地。其中, 增速最快的草地增长速率达到了1.5123 gC·(m2·a)-1, 增速最慢的耕地增长速率仅为0.2617 gC·(m2·a)-1。

2.3 NPP空间变化特征

2.3.1 NPP空间分布格局

2000—2018年京津冀地区年均NPP空间分布格局如图3a所示。可以看出, 高值区主要集中在北部的燕山山脉以及西部的太行山脉, 其NPP的值均高于600 gC·(m2·a)-1, 这些地方的植被类型主要为常绿针叶林及落叶阔叶林, NPP值较高; 低值区主要集中在西北部高原地区、东南部部分区域以及沿海地区, 其NPP的值普遍低于300 gC·(m2·a)-1, 这些地区的植被类型主要为沼泽、草地和耕地, NPP值较低。

就空间变化趋势来看(图3b), 2000—2018年京津冀地区NPP呈现增加和减少趋势的面积分别占58.58%和41.42%, 其中有19.33%和仅9.97%的区域呈现显著增加和显著减少的趋势。呈增加趋势的区域主要分布在京津冀西北部高原及山地区域, 这些地区人口密度小, 是生态工程建设重点实施的区域, 因此植被NPP多呈增长趋势。呈减少趋势的区域多位于京津冀中部及沿海区域, 植被类型多为耕地, 这些区域受城市扩张、农田灌溉等人类活动影响较大, 使得NPP呈现减少的趋势。

2.3.2 NPP分布的地形效应

此外, 本文进一步分析了2000—2018年京津冀地区不同海拔和地形起伏度的NPP分布(图4)。从不同植被类型来看, 落叶阔叶林在不同海拔和不同的地形起伏度的NPP均值均高于其他植被。不同植被类型的NPP随海拔高度的增加均呈现“增大—减小—增大”的变化趋势, 高值区主要出现在海拔600—800 m以及大于2000 m的地区, 低值区出现在海拔1200—1600 m左右的地区。不同植被类型NPP整体随地形起伏度的增加而呈增长趋势, 高值区出现在大起伏山地地区, 低值区主要出现在台地和平原等地。

表1 NPP估算结果对比/(gC·(m2·a)-1)

图2 2000—2018年年均NPP及其变化趋势

Figure 2 Annual mean NPP and its change trend from 2000 to 2018

表2 不同植被类型年均NPP变化趋势

2.4 影响因素分析

2.4.1 气象因子对NPP的影响

逐像元计算2000—2018年京津冀地区NPP与气温和降水的相关系数(图5)。由图5a可以看出, 京津冀地区NPP与气温的相关系数介于-0.816—0.795之间, 整体上呈现负相关关系(=-0.03)。呈现正相关和负相关关系的面积分别占44.51%和55.49%, 其中仅有1.17%和2.35%的区域呈现显著正相关和显著负相关关系(<0.05)。呈显著正相关关系的区域主要分布在京津冀北部及中部部分地区; 呈显著负相关关系的区域主要分布在京津冀南部地区。

由图5b可以看出, 京津冀地区NPP与降水量的相关系数介于-0.616—0.907之间, 整体上呈现正相关关系(=0.36)。呈现正相关和负相关关系的面积分别占93.81%和6.18%, 其中37.05%和0.05%的区域呈现显著正相关和显著负相关关系(<0.05)。呈正相关的区域主要分布在该地区的西北部。

2.4.2 NPP变化与海拔高度

京津冀地区不同海拔高度的NPP主要呈增加趋势, 随着海拔高度的增加, NPP显著增加区域的占比先增后减, 显著减少格点占比呈下降趋势(图6)。在海拔200 m以下, NPP呈显著增加及显著减少趋势的面积占比分别为6.37%和18.37%。而后随着海拔的升高, 区域人口密度逐渐减少, 植被受人为活动影响减弱, NPP显著增加的区域占比开始大幅增加, 且均高于显著减少的占比。而在海拔1200 m以上的生长条件恶劣区域, NPP显著增加的区域占比开始随海拔升高而减少。

就不同植被类型来说, 海拔1000 m左右耕地NPP增加显著, 在海拔1400 m左右的坝上高原地区, 草甸等植被的增多导致草地NPP增加显著。受此影响, 京津冀中海拔地区NPP增加显著(图7a)。而在低海拔(<400 m)区域, 植被NPP减少显著, 尤其是耕地以及草地, 说明低海拔地区植被受人类活动影响较大, 大量耕地及草地转化为建设用地(图7b)。

图3 京津冀地区NPP空间分布格局及变化趋势

Figure 3 Spatial distribution pattern and change trend of NPP in Beijing-Tianjin-Hebei

注: P:平原; M:台地; H:丘陵; SRM:小起伏山地; MRM:中起伏山地; LRM:大起伏山地。

Figure 4 NPP distribution at different altitudes and different topographic relieves

注: 相关系数|r|<0.456表示相关不显著(P>0.05); 0.456<|r|<0.575表示显著相关(P<0.05)。

Figure 5 Distribution of correlation coefficients between NPP and temperature (a) and precipitation (b)

图6 不同海拔NPP显著变化格点占比变化趋势

Figure 6 Trends in the proportion of grids with significant changes in NPP at different altitudes

2.4.3 NPP变化与地形起伏度

不同地形起伏度的植被NPP主要呈增加趋势, 且随地形起伏度的增加, NPP显著增加的区域占比呈“增—减—增”的变化趋势, NPP显著减少的区域占比呈下降趋势(图8)。在地形起伏度较低的平原地区, NPP呈显著增加及显著减少趋势的面积占比分别为8.17%和17.75%; 随着起伏度的增加, 耕地减少, 林地增多, NPP显著减少的区域占比也显著下降, 且远远小于呈显著增加趋势的区域占比。

就不同植被类型来说, 在中起伏度地区, 植被受城市扩张影响较小, 耕地NPP增加显著, 在高起伏度的山地地区, 草地以及常绿针叶林恢复显著, 导致了京津冀地区丘陵及山地地区NPP显著增加格点占比的快速增加(图9a)。在受人类活动影响较大的低起伏度地区, 耕地NPP显著减少, 而随着起伏度的增加, NPP显著减少的格点占比也逐渐减少, 这也是导致京津冀低起伏度地区NPP显著减少格点占比大幅下降的主要原因(图9b)。

(a) NPP显著增加格点占比变化; (b) NPP显著减少格点占比变化

Figure 7 Trends in the proportion of grids with significant changes in NPP of different vegetations at different altitudes

图8 不同地形起伏度NPP显著变化格点占比变化趋势

Figure 8 Trends in the proportion of grids with significant changes in NPP in different topographic relieves

(a) NPP显著增加格点占比变化; (b) NPP显著减少格点占比变化

Figure 9 Trends in the proportion of grids with significant changes in NPP of different vegetations at different topographic relieves

3 讨论

近年来, 在气候变化及城市扩张的双重压力下, 环境污染、水土流失与水资源短缺已成为京津冀地区的主要生态问题, 该地区的植被恢复工作也得到各界的广泛关注[17]。本文研究结果表明, 2000—2018年京津冀地区NPP整体呈增加趋势, 与朱丽欣[18]等人的研究结果一致。主要原因在于自2000年退耕还林、还草工程正式开启后, 大量草地、林地的增加使京津冀地区生态质量有所改善, 同时, 诸多生态屏障的打造也在一定程度上对京津冀地区的生态环境起到了有效的保护作用。

就影响因素而言, 已有诸多研究表明气候和地形都在一定程度上影响着植被的生长[19]。本文主要针对气温、降水以及海拔、地形起伏度几个因子对京津冀地区NPP的影响进行了分析。气候方面, 本文研究表明NPP与气温整体呈负相关关系, 与降水整体呈正相关关系。同时, 相比于气温升高对植被生长的抑制, 降水增多对植被生长的促进作用更为显著, 主要原因在于京津冀地处半湿润、半干旱地区的过渡带, 降水的增加会增强植被的光合作用, 从而导致NPP的增加[20]。因此, 未来需合理分配水资源, 改善京津冀水环境。另一方面, 地形也是影响植被空间分异的重要因素之一, 它往往通过影响区域的水热条件及土壤条件等环境因素, 进而对植被NPP的空间分布产生影响[21]。在京津冀地区, 海拔600—800 m处NPP达到第一个峰值, 该海拔范围内人类活动影响较小, 地势平缓, 水热条件优越, 植被碳吸收能力增强, 故NPP值较高[22]; 高海拔的山地地区, 植被多为碳吸收能力更强的林地[23], 故NPP增加; 低海拔、低起伏度处, 受人类活动及城市扩张影响, 植被NPP较低。同时, 不同地形条件下植被NPP的变化趋势也不尽相同。中海拔、丘陵以及山地地区植被恢复显著, 这些区域的植被变化主要受耕地、草地及林地的影响。这说明封山育林等生态保护政策使林地、草地等植被免受人类活动影响, 对植被恢复有显著作用。而低海拔、低起伏度处, 受城市扩张以及不合理的耕作方式影响, 耕地退化严重, NPP减少显著。未来京津冀地区生态保护与建设工作应对不同地形条件的植被实施不同程度的生态保护措施, 多注重低海拔、低起伏度区域, 合理规划生态保护红线, 继续推进退耕还林还草、封山育林等政策, 加大生态保护力度。

本文采用改进的CASA模型对京津冀地区NPP进行估算, 其估算结果与其他研究者估算结果存在一定差异, 主要原因在于各自所采用的模型、植被类型数据、所选的研究区域及时间段均有所不同, 同时, 本文所需参数的获取与确定过程也存在一定的不确定性。京津冀地区记录有太阳总辐射量的气象站点较少, 因此本文的太阳总辐射量数据是由经纬度、日照百分率等数据计算所得, 存在一定误差。此外, 本文只对常绿针叶林、落叶阔叶林、灌丛、草地以及耕地五种植被类型进行了分析, 没有考虑草地、灌丛的进一步分类以及海边湿地等植被类型, 导致NPP结果值有一定偏差。同时, 京津冀地区人口密度极大, 人类活动对植被生长的影响也是巨大的, 但本文未能定量的分析人类活动对植被NPP的影响。未来应进行更多实地调查, 提高模型参数精度, 并进一步研究人类活动对植被生长的影响情况。

4 结论

本文基于改进CASA遥感估算模型估算了2000—2018年京津冀地区NPP, 采用趋势分析、相关分析等方法分析了京津冀地区NPP的时空变化及其驱动因素。主要结论如下:

(1)时间上, 2000—2018年京津冀地区NPP整体呈增加趋势(=0.6535 gC·(m2·a)-1), 其中草地增速最快(=1.5123 gC·(m2·a)-1), 耕地增速最慢(=0.2617 gC·(m2·a)-1)。

(2)空间上, 2000—2018年年均NPP为349.96 gC·(m2·a)-1, 高值区主要集中在北部燕山山脉及西部太行山脉, 低值区主要集中在西北高原以及沿海地区。NPP呈显著增加和显著减小趋势的面积分别占19.33%和9.97%。呈减少趋势的区域多位于中部及沿海地区, 呈增长趋势的区域主要分布在西北部及东南部地区。

(3)地形上, 年均NPP随海拔升高呈“增加—减少—增加”的变化趋势, 随地形起伏度整体呈增加趋势。不同植被类型NPP随海拔高度及地形起伏度的变化大致相同。

(4)就相关性来看, NPP与气温整体呈负相关关系, 其中1.17%和2.35%的区域呈显著正相关和显著负相关关系(<0.05); NPP与降水整体呈正相关关系, 其中分别有37.05%和0.05%的区域呈显著正相关和显著负相关关系(<0.05)。

(5)就不同地形的NPP变化来看, 中海拔地区NPP增加显著, 得益于中海拔耕地及草地的恢复。NPP显著增加区域占比随起伏度呈先增后减变化趋势, 丘陵和山地植被绿化趋势显著。低海拔、低起伏度处, 受耕地NPP显著减少影响, NPP退化显著。

[1] LIETH H, WHITTAKER R H. Primary productivity of the Biosphere[C]. New York: Springer-Verlag Press, 1975.

[2] CRAMER W, KICKLIGHTER D W, BONDEAU A, et al. Comparing global models of terrestrial net primary productivity (NPP): overview and key results[J]. Global Change Biology, 1999, 5(S1): 1–15.

[3] FIELD C B, BEHRENFELD M J, RANDERSON J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281(5374): 237–240.

[4] 朱文泉, 陈云浩, 徐丹, 等. 陆地植被净初级生产力计算模型研究进展[J]. 生态学杂志, 2005, (03): 64–68.

[5] 杜梦洁, 郑江华, 任璇, 等. 地形对新疆昌吉州草地净初级生产力分布格局的影响[J]. 生态学报, 2018, 38(13): 4789–4799.

[6] POTTER C S, RANDERSON J T, FIELD C B, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811–841.

[7] 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: 中国科学院研究生院(遥感应用研究所)博士学位论文, 2004.

[8] FIELD C B, RANDERSON J T, MALMSTRÖM C M. Global net primary production: combining ecology and remote sensing[J]. Remote sensing of Environment, 1995, 51(1): 74–88.

[9] 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, (5): 92–97+ 133.

[10] 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: 北京师范大学博士学位论文, 2005.

[11] 程春晓, 徐宗学, 王志慧, 等. 2001-2010年东北三省植被净初级生产力模拟与时空变化分析[J]. 资源科学, 2014, (11): 2401–2412.

[12] 崔林丽, 杜华强, 史军, 等. 中国东南部植被NPP的时空格局变化及其与气候的关系研究[J]. 地理科学, 2016, 36(5): 787–793.

[13] 李金珂, 杨玉婷, 张会茹, 等. 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[J]. 生态学报, 2019, 39(22): 8504–8515.

[14] 刘广. 京津冀地区森林植被净初级生产力遥感估算研究[D]. 北京: 北京林业大学硕士学位论文, 2008.

[15] 郑颖娟. 基于CASA模型的河北省净初级生产力遥感估算研究[D]. 石家庄: 河北师范大学, 2013.

[16] 孙睿, 朱启疆. 中国陆地植被净第一性生产力及季节变化研究[J]. 地理学报, 2000, 67(1): 36–45.

[17] 李卓, 孙然好, 张继超, 等. 京津冀城市群地区植被覆盖动态变化时空分析[J]. 生态学报, 2017, 37(22): 7418– 7426.

[18] 朱利欣. 基于MODIS数据的京津冀地区NPP及生态足迹和生态承载力时空分布研究[D]. 石家庄: 河北师范大学硕士学位论文, 2018.

[19] 毛德华, 王宗明, 韩佶兴, 等. 1982~2010年中国东北地区植被NPP时空格局及驱动因子分析[J]. 地理科学, 2012, 32(9): 1106–1111.

[20] 赵安周, 张安兵, 冯莉莉, 等. 海河流域生态水分利用效率时空变化及其与气候因子的相关性分析[J]. 生态学报, 2019, 39(04): 1452–1462.

[21] 潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究[J]. 生态学报, 2019, 39(20): 7621–7631.

[22] 王菱. 华北山区坡地方位和海拔高度对降水的影响[J]. 地理科学, 1996, (02): 150–158.

[23] 李媛. 宁夏中部干旱带碳平衡特征研究[D]. 银州: 宁夏大学, 2015.

Spatio-temporal evolution of vegetation net primary productivity and its driving factors in Beijing-Tianjin-Hebei region from 2000 to 2018

WANG Jinjie1, ZHAO Anzhou2, 3, 4,*, ZHANG Zhaojiang2, 4, ZHANG Anbing2, 4, HU Xiaofeng2

1. School of Earth and Engineering, Hebei University of Engineering, Handan 056038, China 2. School of Mining and Geomatics, Hebei University of Engineering, Handan 056038, China 3. Institute of Geographic Sciences and Natural Resources Research, State Key Laboratory of Resources and Environmental Information System, Chinese Academy of Science, Beijing 100101, China 4. Key Laboratory of Natural Resources and Spatial Information, Handan 056038, China

Based on Moderate-Resolution Imaging Spectroradiometer Normalized Difference Vegetation Index (MODIS-NDVI), meteorological stations and vegetation type data, the Net Primary Productivity (NPP) of Beijing-Tianjin-Hebei region from 2000 to 2018 was estimated by using an improved Carnegie-Ames-Stanford Approach (CASA) model. The temporal and spatial distribution characteristics of NPP and its driving factors were analyzed by regression analysis and correlation analysis. Results showed that: 1) From the view of temporal variation, the NPP in Beijing-Tianjin-Hebei region showed an increasing trend from 2000 to 2018 (=0.6535 gC·(m2·a)-1), and grassland with the fastest growth rate (=1.5123 gC·(m2·a)-1). 2) Interms of spatial distribution, the average NPP from 2000 to 2018 was 349.96 gC·(m2·a)-1. High NPP values were mainly located in the Yan Mountains and the Taihang Mountain, while the low-value areas were mainly concentrated in the northwest plateau and the coastal areas in the east. The vegetation restoration in the northwest plateau and mountainous area was remarkable, and the NPP in the central and coastal areas was seriously degraded. 3) Topographically, the NPP showed an "increase - decrease - increase" trend with altitude and an increasing trend with topographic relief. The NPP of different vegetation types had a similar change trend with the terrain. 4) The correlation analysis showed that the NPP had a negative correlation with temperature(=-0.03), and a positive correlation with precipitation(=0.36). The NPP was mainly affected by precipitation. 5) In terms of NPP changes over different terrains, there was a significant recovery of cultivated land, grassland and woodland at mid-altitude and hilly, mountainous areas. At low elevation and low fluctuation, affected by the significant reduction in NPP of cultivated land, vegetation degraded significantly.

NPP; improved CASA model; spatiotemporal evolution; driving factors; Beijing-Tianjin-Hebei

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 Jinjie, ZHAO Anzhou, ZHANG Zhaojiang, 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.

10.14108/j.cnki.1008-8873.2021.01.014

X171.1

A

1008-8873(2021)01-103-09

2020-02-23;

2020-04-06

国家科技基础资源调查专项(2019FY202503); 教育部人文社会科学研究青年基金项目(18YJCZH257); 河北省高等学校青年拔尖人才计划项目(BJ2018043); 资源与环境信息系统国家重点实验室开放基金资助

王金杰(1995—), 女, 河北邢台人, 硕士, 主要从事城市生态遥感研究, E-mail: 1771674182@qq.com

赵安周, 男, 博士, 副教授, 主要从事城市扩张对植被影响等方面的研究, E-mail: zhaoanzhou@126.com