澜沧江下游流域植被净初级生产力(NPP)时空变化及其驱动因素分析

和春兰，陈 超，许林艳

(云南国土资源职业学院，云南 昆明 65250)

植被净初级生产力(Net Primary Production，NPP)是绿色植物在单位时间、单位面积上所积累的有机物的量，是光合作用产生的有机物总量(Gross Primary Productivity，GPP)减去自养呼吸(Auto trophic respiration，Ra)消耗后的剩余部分[1]。植被净初级生产力是指示陆表生态系统健康状况的核心指标[2-4]。NPP在全球生态系统的碳循环过程中占有举足轻重的位置，是全球生态环境监测的可靠依据之一[5，6]。因此，NPP的研究对区域经济的可持续发展、生态环境的保护具有重要意义。近年来，区域NPP的研究备受学者关注，刘旻霞等[7]分析了青海省2000～2014年植被NPP的时空变化特征及其与气候因子的关系；崔博超等[8]采用 MODIS数据和CASA模型对2006～2016年塔里木河流域植被生长季草地NPP进行估算，并阐述了流域草地NPP的时空格局与变化特征；王思云等[9]利用CASA模型反演估算云南省 2015年植被净初级生产力(NPP)表明了2015年云南省NPP的平均值 1～2月、5～9月、10～12月处于下降趋势，2～4月、9～10月处于上升趋势，一年中的最高值在5月份，最低值在9月份且NPP的高值位于云南省的南部和西部；张仁平等[10]利用CASA模型模拟了新疆草地植被净初级生产力(NPP)，阐述了2001～2014年新疆地区草地的NPP的空间格局及与气象因子的关系。闫文波等[11]基于CASA模型估算云南省1982～2019年植被净初级生产力(NPP)，分析其时空变化特征，并结合标准降水蒸散指数SPEI，探讨不同时间尺度干旱与NPP的关系。经过几十年的发展，目前NPP的研究方法很多。传统的方法是基于样点实测，通过直接收割植被来确定其生物量，进而确定植被的NPP[12]，这种方法原理比较简单，操作也比较方便，而且精度比较高，缺点是费时、费力，且对植被具有破坏性，仅能用于小尺度、小面积的NPP研究，不能实现NPP的大范围研究或是实时监测[13]，目前这种方法更多的应用于对NPP估算结果的检验。在较大尺度上的研究主要采用数学模型法。目前计算NPP的模型主要有3大类：气候相关模型、过程模型和光能利用率模型[14，15]，基于遥感的CASA(Carnegie-ames-Stanford approach)模型建立在植物光合作用过程和Monteith[16]提出的光能利用率上与其他两大类模型相比，光能利用率模型的优点较为突出：参数少且参数与植被生理特征相关性强。因此CASA 模型能够被广泛运用在评估全球及区域尺度NPP的动态变化及其时空变异特征[17]。

澜沧江下游流域具有复杂的地形和水热分布差异，是全球生态环境地理地带性最典型的区域之一。近年来，由于人类活动加剧，以橡胶、香蕉、甘蔗、茶叶、水稻为代表的农林混合用地模式在该地区发展迅速，土地覆被景观类型和格局发生了显著变化，对该区生态环境和生物多样性产生了显著影响。因此，准确估算流域内植被NPP有助于预测流域生态系统的生产格局及功能潜力；分析NPP的时空变化特征，有助于揭示人类活动对自然界的影响，为流域生物多样性保护，土地资源合理利用，制定相应的社会和经济发展战略提供依据。但目前，有关澜沧江流域的研究主要集中在生态环境遥感监测、植被覆盖、土壤侵蚀、土地利用覆被变化等，而该区域NPP的研究文献几乎没有。

由于区域范围较大，分月遥感数据获取难度较大，因此本研究基于收集的数据选择了2000年、2010年、2018年3期有代表性的3月、7月和11月的MODIS NDVI数据、结合流域气象数据和土地覆被数据，利用CASA模型对澜沧江下游流域进行近18年的NPP动态模拟，从而揭示流域内植被NPP空间分布格局及时空演变特征，为该流域生态监测，生态治理提供基础数据，对流域自然资源的开发保护有现实意义。

1 研究方法与数据来源

1.1 研究区概况

澜沧江流域是中国西南地区的国际跨境河流之一，流域面积167 400 km2，干流全长2 130 km[18]，自北向南流经中国青海、西藏和云南3省(区)。流域以昌都和功果桥为界，自北向南划分为上游、中游和下游3个子流域。其中，昌都以上为上游，昌都至云龙县的功果桥为中游，功果桥以下为下游。本研究以澜沧江下游流域为研究区。

澜沧江下游流域位于中国西南地区(21°11′～26°47′N，99°42′～101°50′E)，面积为73 221.30 km2，占澜沧江流域总面积的43.74%；涉及18个县市，占云南省国土总面积的18.77%。区域为典型的高山峡谷到低山盆地过渡区，整个地势为北高南低，西高东低，海拔高差约3 716 m；流域土壤以赤红壤、砖红壤等为主；受西风带环流控制，气候类型多样，大部分地区的年降雨量在1 000 mm以上，且季节分配不均，5～10月份雨量集中。流域内资源丰富，人口众多。根据科学家的评估，这一流域是世界上生物多样性最丰富的地区之一。澜沧江下游流域包括了滇南区域和部分滇中区域。滇南西双版纳保留着世界北回归线附近唯一一片热带原始森林，滇中是中国重要的人工造林区以及原始林集中分布区。

1.2 数据

1.2.1 遥感数据

本研究所用MODIS NDVI数据源自美国国家航空航天局NASA/EOS PDAAC 数据中心(https：//lpdaac.usgs.gov/)，下载MODIS产品MOD13A1数据集，成像时间为2000年～2018年3～11月，共18景影像，空间分辨率为250 m，时间分辨率为16 d。该数据产品结合改进的 CASA 模型已被证明对模拟植被NPP数据精度效果较好[19]。

数据下载完毕，利用MRT(MODIS Re-projection Tools)进行镶嵌和投影转换处理，得到tiff格式文件。同时，下载的MODIS-NDVI数据采用最大值合成法(maximum value ma composite，MVC)进一步消除其他气象因素的干扰，得到每月NDVI数据，并利用Savitzky Golay方法对MODIS-NDVI数据进行滤波处理，以便减少由云和薄雾造成的噪音。

1.2.2 气象数据

本研究采用的气象数据收集于云南省气象局，包括景洪等21个气象站点的月平均气温、月总降水量、逐日日照时数。收集逐日的日照时数是为了计算逐日的太阳总辐射，最后累加得到月太阳总辐射。为了对气象数据进行插值，还获取了各个气象站点的经度、纬度信息。

获取气象数据后，按照区域范围，对21个气象站点的气象数据在ArcGIS 10.3软件中采用反距离权重法(Inverse distance weighting，IDW)进行插值。为了保持数据的一致性，方便后续的计算，将月平均温度、月总降水量、月太阳总辐射内插成250×250 m，坐标均采用WGS-84。

1.2.3 DEM数据

本文采用的DEM数据是下载自地理空间数据云(http：//www.gscloud.cn/)。DEM数据主要用于提取研究区澜沧江下游流域，流域又被称作集水区。在ArcGIS 10.3软件中，运用基于DEM地表水文分析工具，提取水流方向，进行洼地提取及填充，在此基础上计算汇流累积量，进而得出流域范围。

1.2.4 土地利用覆被数据

土地利用覆被数据主要采用2000年、2010年、2018年的土地利用栅格数据，来源于中国科学院资源环境科学数据中心(http：//www.resdc.cn/)，数据精度30 m。为了便于研究，将澜沧江下游流域的土地覆被类型整理划分为以下6类：草地、耕地、林地、水域、建设用地、未利用地。经野外实地验证、高空间分辨率Google影像以及局部高比例尺土地利用现状图检验，采用误差矩阵法对分类结果进行精度评价，总体分类精度(Overall Accuracy)在90%以上，结果可靠，满足本研究的分析要求[20，21]。并且为了数据的一致性，将分类结果进行重分类，栅格像元大小设置为250 m×250 m。

1.3 原理与方法

1.3.1 CASA模型

CASA(Carnegie Ames Stanford Approach)模型是目前几个主要光能利用模型之一，该模型中的植被净初级生产力是由植被吸收光合有效辐射APAR(MJ/m2)和实际光能转化率ε(gC/MJ)两个因子来表示。本研究采用的NPP计算模型是由国内学者朱文泉等[22]改进过的 CASA 模型。其计算公式如下：

NPP(x，t)=APAR(x，t)×ε(x，t)

(1)

式中：APAR(x，t)表示像元x在t月份接受的太阳；ε(x，t)表示像元x在t月份的实际光能利用率。

1.3.2 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月植被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：

(2)

式中：R为x、y两个变量的相关系数，n为研究时间的年数，xi为第i月的植被NPP，yi为第i月的气候因子(降水、温度)值。

2 结果与分析

采用ArcGIS 10.3软件及公式(1)得到3期各月的单位面积NPP。结果见图1～图3(封三图版Ⅱ图1～图3)。

2.1 澜沧江下游流域植被NPP的时空变化特征

2.1.1 澜沧江下游流域植被NPP时间变化特征

(1)NPP值年内变化

从表1中可以看出虽然3期各个月的单位面积NPP和NPP总量有一定差异，但总体趋势一致，年内变化趋势均为7月>3月>11月。这也符合植被生长的自然规律，每年4到10月是澜沧江下游流域植被生长最旺盛的时候，因此7、8月份植被NPP达到峰值。

表1 研究区2000～2018年3月、7月、11月NPP值Tab.1 NPP in the study area from March, July and November of 2000 to 2018

(2)NPP值年际变化

由表1所示，澜沧江下游流域各时期3月、11月单位面积NPP平均值、NPP总量大小的变化趋势均为：2000年>2018年> 2010年，从2000年到2018年，数据呈现先降后升的趋势；7月单位面积NPP平均值、NPP总量大小的变化趋势为：2018年>2010年> 2000年，从2000年到2018年，数据呈现逐渐上升的趋势；各期3月、7月、11月的NPP数值均有变化，但变化幅度不大。

(3)不同土地覆被类型植被NPP的时间变化特征

利用土地覆被类型图以及NPP栅格数据，对2000年、2010年、2018年澜沧江下游流域3月、7月、11月不同土地覆被类型的NPP总量、单位面积NPP值进行统计，进而分析不同土地覆被类型NPP变化情况(表2)。

表2 研究区2000～2018年3月、7月、11月不同土地覆被类型各时期单位面积NPP Tab.2 Average NPP of different land cover types in the study area from March，July and November of 2000 to 2018 gC·m-2

从表2中可以看出，研究区2000年3月单位面积NPP值变化情况为：林地>草地>耕地>建设用地>未利用地>水域；2010年、2018年3月的变化趋势除了耕地的单位面积NPP高于草地以外，其余均一致，林地、草地、耕地的单位面积NPP值远远高于建设用地、未利用地、水域。2010年3月相对于2000年3月，耕地、林地、草地、水域、建设用地的单位面积NPP均呈下降状态，其中林地的单位面积NPP下降最多，达7.50 gC·m-2；2018年3月相对2010年3月，所有土地覆被类型的单位面积NPP均呈上升趋势，其中水域的单位面积NPP上升程度最高，上升了11.68 gC·m-2；2018年3月相对于2000年3月，除了林地单位面积NPP呈下降趋势(下降了4.72 gC·m-2)，其余用地均呈上升趋势，未利用地的单位面积NPP上升幅度最大，达18.94 gC·m-2。由此可见澜沧江下游流域在2010年3月生态环境状况较差，尤其是植被面积减少带来林地单位面积NPP降低，2010年到2018年，区域生态环境有所改善，但植被状况较2000年稍差。

7月份，各期单位面积NPP值的排序情况为：林地>草地>耕地>建设用地，其余用地水域、未利用地对区域的NPP贡献较少。相对于2000年、2010年，2018年7月林地、草地、耕地单位面积NPP均呈上升趋势。林地的单位面积NPP值增长最高，达14.81 gC·m-2。其余地类相对于2000年，2010年和2018年的建设用地、水域单位面积NPP值呈现下降趋势，但下降程度不明显。

11月份，各期单位面积NPP值的排序情况为：林地>耕地>草地>未利用地>建设用地>水域。相比2000年，2010年、2018年的耕地、林地、草地单位面积NPP均呈下降趋势，建设用地单位面积NPP呈现上升趋势，水域呈现先降后增的趋势。

从统计结果可以看出，不论是哪个时期，3月、7月、11月的数据均为林地的单位面积NPP值最高，且对区域NPP值贡献较大的是林地、耕地、草地这3种土地利用类型，未利用地、水域对区域NPP的贡献最小。且7月份林地、耕地、草地的单位面积NPP值比3月、11月高，11月至来年3月NPP值较低。

2.1.2 澜沧江下游流域植被NPP的空间变化特征

澜沧江下游流域由于土地覆被类型不同以及人类扰动等因素，NPP的空间分布呈现差异。为了数据的可对比性，将研究区单位面积NPP划分为5级，1级为单位面积NPP<30 gC·m-2，2级为单位面积NPP>=30 gC·m-2且<50 gC·m-2，3级为单位面积NPP>=50gC·m-2且<70 gC·m-2，4级为单位面积NPP>=70 gC·m-2且<90 gC·m-2，5级为单位面积NPP>=90 gC·m-2。划分结果见图1、2、3，及表3。其中1级、2级为植被NPP低值区域；3级、4级为中值区域；5级为高值区域。

表3 研究区2000～2018年3月、7月、11月单位面积NPP各级别分布比例Tab.3 The distribution ratio of average NPP levels in the study area from March，July and November of 2000 to 2018 %

从图1、2、3及表3中可以看出，各时期，3月植被NPP主要为中值区域分布，NPP值位于50～70 gC·m-2；7月植被NPP主要为高值区域分布，NPP值大于90 gC·m-2；11月主要为低值区域分布，NPP值位于30～50 gC·m-2，没有高值区域分布。

从空间分布来看，不同时期3月份单位面积NPP低值区域主要集中在下流流域的北部区域，单位面积NPP中、高值区域主要集中在流域中部和南部，且对比2000年，2018年单位面积NPP高值区域所占比重降低，下降了14.38%；低值区域所占比重也较2000年，下降了9.59%，减少的高值区和低值区多数转换为中值区域，空间变化主要体现在北部和西部区域。7月不同时期单位面积NPP主要以中高值区域为主，低值区域在流域中均有分布，呈分散状态。2000年单位面积NPP中值区域面积很少，占区域面积的19.12%，高值区域所占面积最大，占到区域面积的42.33%，到了2018年可以明显看出，单位面积NPP低值区域所占面积较2000年减少了一半左右，高值区域较2000年减少了约10%，中值区域较2000年增加了约27.95%，主要由低、高值区域转化而来，空间变化主要体现在南部区域。11月，不同时期单位面积NPP低值区域主要分布在研究区的北部区域，中值区域主要分布在流域中下部，且NPP值主要集中在30～50 gC·m-2，相比2000年，2018年NPP值处于50～70 gC·m-2之间的面积比重下降了28.36%，下降的区域的NPP值转化为了30～50 gC·m-2。

总体来说，不同时期不同月份区域的单位面积NPP、NPP总量都呈现出大致的趋势：相对于2000年，2010年的NPP值呈现下降趋势，2010年～2018年又向较好的趋势发展。且下游流域北部的生态环境相对于中下部、南部较差。区域NPP数值的空间分布变化和区域的植被类型有较大关系，区域耕地面积的减少、建设用地、水域用地面积的增加会影响NPP的空间分布。

2.2 澜沧江下游流域植被NPP时空变化的驱动因子研究

2.2.1 气候因子对NPP的影响

气候因素对NPP有着较大影响，降水、温度、太阳总辐射都是CASA模型中的重要参数。水在植物的生长或者其它生理过程中起重要作用，降水量的多少会影响土壤水分，影响光合速率，进而改变植被生产力；温度对植物光合作用中酶的活性产生影响，适宜的温度能够促进植物生长，但是温度过高则会使蒸散加强，土壤变干，光合速率降低；植物生长离不开光照，太阳辐射是植物生长的能量来源[23]。

将研究区涉及县域2000年、2010年、2018年3月、7月、11月单位面积NPP值与气象站测定的月均温、月降水量、月太阳总辐射在SPSS软件中进行相关分析，3期3个时点的结果大体一致，本研究以2018年结果为例进行分析(表4)。

表4 2018年研究区植被NPP与气候因素的相关性Tab.4 The correlation between NPP and climatic factors in the study area of 2018

从表4可以看出，月降水量、月均温与月单位面积NPP呈现极显著正相关(P<0.01)；月太阳总辐射与月单位面积NPP呈现不显著负相关(P>0.5)。可见，区域NPP值的变化受气温和降水的影响较大，受太阳辐射的影响不明显。

2.2.2 海拔高度对NPP的影响

地形因素是环境以及植被异质性格局的重要影响因素之一，它一般通过不同的过程控制其水热条件和土壤条件，影响其它环境变量进而对区域植被格局产生重要影响[24，25]。由于区域海拔高差较大，达3 716 m，为了便于研究，将全区按照海拔高度不同，每隔200 m划分一个等级，共分为18个等级。由于时点不同，且各时期3月、7月、11月不同海拔等级的NPP值变化趋势大致相同，因此以2018年3月、7月、11月不同海拔等级NPP平均值的变化趋势为例展开分析，统计结果见图4。

图4 2018年研究区海拔高度对NPP的影响Fig.4 The effect of altitude on NPP in the study area of 2018

从图4中可以看出，NPP随着海拔高度的不同变化比较明显，总体变化趋势随着海拔的增高而降低，海拔在1 300 m以下，NPP平均值保持较高水平，变化相对平稳，海拔在1 300 m至2 100 m时，NPP平均值呈下降趋势，且下降幅度较大，海拔在2 100 m至3 100 m时，NPP平均值呈下降趋势，但下降幅度较平缓，海拔在3 100 m以上时，NPP平均值又快速下降，平均值降到了30 gC·m-2以下。变化趋势和山地垂直地域分异规律吻合，随着海拔高度的增加，降水和热量减少，而降水和温度是影响植被NPP变化的重要因素。

2.2.3 土地覆被类型对NPP的影响

将2000年、2010年、2018年澜沧江下游流域各土地覆被类型3月、7月、11月单位面积NPP值与研究区气象站测定的月均温、月降水量、月太阳总辐射在SPSS软件中进行相关分析，显著性和相关趋势大致相同，只是具体的相关系数略有差异。研究表明：各时期除了水域用地以外，月降水量、月均温与各土地覆被类型的单位面积NPP呈现极显著正相关(P<0.01)，相关性为林地>草地>耕地>建设用地>未利用地>水域，而与月太阳总辐射则相关性很小。可见土地覆被类型对NPP的影响主要受区域水热条件差异的影响，林地对区域NPP贡献最大，其次为草地和耕地，未利用地、水域对NPP的贡献最小。

2.2.4 其他人为因素的影响

除了气候、海拔、土地覆被类型变化等因素，周边城镇扩张、人口增加也是影响澜沧江下流流域NPP时空变化的可能因素。农业生产和经济水平的提高，使植被覆盖及其生产力水平发生了很大变化[24]。近年，研究区建成区面积不断扩展、人口不断增多，难免会对流域内的自然环境造成影响。研究区在近18年间建设用地不断增长，由2000年占区域面积的0.32%增长到2018年占区域面积的0.74%，面积增长了一倍多，增长率达127.09%。且相比2000年，有19.52%的耕地、16.95%的林地、13.91%的草地转化为建设用地；相比2010年，有19.35%的耕地、6.53%的林地、5.49%的草地转换为建设用地，由此可见，2018年建设用地的增加主要来源于耕地、林地和草地3种类型。

通过对3期3月、7月、11月的建设用地和相应单位面积NPP结果进行叠加，结果表明随着建设用地的扩张，相比2000年，2018年7月的单位面积NPP平均值有所下降，下降了2.17 gCom-2，3月和11月的单位面积NPP值略有上升，上升了1.42 gCom-2、2.19 gCom-2，上升和下降趋势不明显；从空间分布来看，建设用地的扩张一定程度上造成被扩张区域植被NPP由高中值区向中低值区转移。另，建设用地的扩张在一定程度上带来人口的增长，以流域所在地的西双版纳州为例，2000年州人口数为85.4万人，2018年增长到约118万人，人口快速增长，人口的增长主要集中在城镇、流域的周围。过快的人口增长，势必会对耕地提出更多要求，对环境有着更大压力。

3 结论与讨论

3.1 结论

本文以澜沧江下游流域为研究区，使用遥感数据、地形数据、气象数据、土地覆被数据等，基于CASA模型估算了澜沧江下游流域2000年、2010年和2018年3月、7月、11月的植被NPP，并分析了其时空分布特征及其驱动因素，得到以下结论：

(1)从时间上看，澜沧江下游流域植被NPP在3个时期的年内变化趋势一致，均为7月份>3月份>11月份，结果符合区域植被生长规律。各时期3月份、11月份单位面积NPP平均值、NPP总量大小的变化趋势均为：2000年>2018年> 2010年，从2000年到2018年，数据呈现先降后升的趋势；7月份单位面积NPP平均值、NPP总量大小的变化趋势为：2018年>2010年> 2000年，从2000年到2018年，数据呈现逐渐上升的趋势，但变化幅度不大；从空间上看，下游流域北部的植被NPP值较低，中下部尤其是南部，NPP值较高，且相比2000年，2018年的单位面积NPP高、低值区区域面积减小，多数转化为中等级别区域，总体上植被NPP呈现下降趋势，区域耕地面积的减少、建设用地、水域用地面积的增加会影响NPP的空间分布。

(2)通过研究区域不同土地覆被类型的NPP变化，得到：不论哪个时点的数据，对区域植被NPP贡献率最大的是林地，其次为草地和耕地，水域、未利用地对NPP值的贡献率最小。且7月份各土地利用类型的NPP值比3月、11月高，符合区域植被生长规律。

(3)对植被NPP与气候因素、海拔高度、土地覆被、其他人为因素进行分析，得出：①气候因素对NPP有着较大影响，尤其是降水和气温，与植被NPP呈显著正相关关系，月太阳总辐射则呈现不显著负相关关系；②土地覆被类型对NPP的影响主要受区域水热条件(气温、降水)差异的影响；③植被NPP随着海拔高度的不同变化比较明显，总体变化趋势随着海拔的增高而降低；④近18年间，研究区建设用地面积增长了127.09%，总人口增长了约38.17%，随着建设用地的扩张、人口的增长，3月、7月、11月单位面积NPP平均值均有所下降，其中7月份数值下降明显，3月、11月数值略有下降，但下降趋势不明显。

3.2 讨论

(1)由于数据的可获得性及遥感影像云量的要求，考虑到数据的可对比性和结果的有效性，本研究选取2000年、2010年和2018年3月、7月、11月的影像数据进行分析，虽然所选月份具有代表性，但若能收集齐12个月的数据进行分析，结果会更完善。

(2)一般情况下NPP估算值的验证有两种方法：可以与前人研究的结果进行对比，或是直接与实测值对比。由于没有实测数据、未收集到MOD17A3H的数据，且无澜沧江下游区域植被NPP的研究报道，因此本研究参照周边区域杜虹蓉[26]、陈磊[27]的研究结果，可以看出计算结果和前人的研究成果存在细微差异，但由于估算区域不同，差异在合理范围内，说明模型可用。今后若能收集到实测数据，能更精确的进行结果分析。

(3)在探讨澜沧江下游流域植被NPP时空变化驱动因子时，主要考虑了气候因素、土地覆被类型、海拔、建设用地扩张因素的影响。植被NPP的影响因素众多，今后可以收集更多数据，进一步对区域植被NPP的驱动因素进行研究。