昆明市城市化及城市热岛效应对植被净初级生产力的影响

师 静，鲁雪媛，陈 旭

（1.贵州省林业调查规划院, 贵州 贵阳 550001；2.中国科学院、水利部成都山地灾害与环境研究所,四川 成都 610041；3.云南师范大学地理学部, 云南 昆明 650500）

在过去几十年，全球范围内大部分城市都经历了快速城市化。作为最极端的土地利用/土地覆被变化(land use and land cover change, LULC)之一[1-3]，城市化已成为全球变化的重要组成部分[4]。已有研究表明，城市化不仅直接影响了区域乃至全球陆地生态系统的碳循环[5-8]，而且其导致的城市热岛效应也可能间接促进城市植被的生长。植被净初级生产力(net primary productivity, NPP)是植被在光合作用过程中每单位面积、每单位时间内所累积的干燥有机物的量[9-11]，反映了陆地生态系统结构和功能的变化[12-13]。作为碳循环的重要组成部分，NPP 既可以作为驱动陆地生态系统碳循环的基本生态变量，也可以用于表征碳源、碳汇的主要结果[14]。因此，城市化对区域生态系统NPP 的影响可以用于描述地球系统科学和全球变化的研究问题[15]。

城市化强烈影响NPP 的变化，并成为影响碳循环的最关键干扰因素之一[16]。一方面，城市化带来的城市扩张会导致自然植被与农田的减少，从而降低了城市植被NPP[17]；另一方面，城市化过程中的人为管理(如人工灌溉、引入高产植物、增加绿化面积)可以促进城市植被的生长，增加城市植被NPP[18]。另外，也有研究表明城市化造成的局部气候变化(如热岛效应)会延长植被生长周期，从而促进城市植被的生长[19]。因此，本研究将城市化过程中由于城市扩张对NPP 带来的负面削减作用称之为城市化对NPP 的直接影响，将人为管理或局部气候变化等因素对城市植被NPP 的促进作用称之为城市化对NPP 的间接影响。为了对城市生态系统进行完整的生态评价，有必要将城市化对NPP 的直接、间接影响进行量化分析。

虽已有研究为分离城市化对NPP 的直接、间接影响提供了理论基础[20-21]，但城市化以及城市化带来的局部气候变化对NPP 不同影响的驱动机制尚未明晰。此外，城市地区有着土地覆盖类型复杂，规模和发展状况高度不均匀的特点[22]，存在空间异质性。传统回归分析模型中易忽略不同空间位置的作用从而导致分析的偏差[23]，但是空间分析模型[包括空间自相关、地理探测器和地理加权回归(geographically weighted regression, GWR)模型]结合地理信息，允许估算参数适应不同区域空间差异[24-26]，更有利于明晰在高空间异质性的城市区域中城市化带来的局部气候变化对NPP 不同影响的驱动机制。

综上所述，城市化强烈影响着陆地生态系统，在对植被NPP 带来了负面削减作用的同时，城市化伴随的人为管理及局部气候变化也对NPP 带来了一定程度上的间接促进作用。因此本研究致力于解决以下目标：1)分离城市化对NPP 的直接、间接影响。2)分析NPP 以及城市化与城市热岛效应的时空变化与空间相关性。3)明晰高空间异质性城市区域内城市化与城市热岛效应对NPP 的驱动机制。以期可以深刻地理解城市化对陆地生态系统及全球变化的响应和反馈。

1 数据与方法

1.1 研究区概况

研 究 区 为 昆 明 市 主 城 区(102.36°～103.05° E，24.72°～25.30° N)，包含昆明市的五华区、盘龙区、官渡区、西山区、呈贡区5 个行政区的主要城市区域 (图1)。昆明市主城区总面积为2 602.46 km2，平均海拔约为1 900 m，三面环山，位于云南滇池盆地北部。虽然昆明属北纬亚热带，但位于云贵高原，海拔较高，故具有典型的温带气候特点，其气候呈夏季潮湿，冬季干燥，大部分降水发生在生长季(4 月-10 月)[18]。其次，昆明是西部地区重要的中心城市，亦是滇中城市群的核心圈。就城市发展进程而言，昆明市五华区和盘龙区是开发最早的主城区，不透水程度相对较高。西山区和官渡区城市化程度相比于五华区、盘龙区略低。2010 年后昆明城市发展呈现南延、北拓、一城三区(主城区、空港开发区、呈贡区)的发展格局。与此同时，由于昆明的城市化和工业化进程使得城市区域环境发生改变，城市内热岛效应日益显著[27]。

图1 研究区概况Figure 1 Study area profile

1.2 数据与预处理

本研究主要数据来源如表1 所列，数据处理分析主要通过ArcGIS 10.2 与ENVI 5.2 软件处理完成。所使用的遥感数据主要包括Landsat 与MODIS 卫星数据。其中Landsat 卫星数据包括Landsat 5 TM(Thematic Mapper)影像和Landsat 8 OLI (Operational Land Imager)影像，时间分辨率为16 d，空间分辨率为30 m，由地理空间数据云(http://gscloud.cn/)免费下载，具体Landsat 遥感影像信息如表2 所列。MODIS卫星数据包括条带号为h27v06 的MOD17A3 的500 m分辨率的NPP 产品，以及MCD12Q1 的500 m 空间分辨率的种植功能分类土地利用数据，由美国地质勘探局官网(USGS)免费下载(http://glovis.usgs.gov/)。并对Landsat 与MODIS 卫星数据进行辐射定标、重投影、裁剪等预处理。

表1 研究数据来源Table 1 The sources of research data

表2 Landsat 遥感影像信息Table 2 Landsat image information

此外，本研究所使用的气象数据包括月平均降水、月平均温度与月总太阳辐射。其中，月平均降水与月平均温度全云南省共20 个站点数据由国家气象科学数据中心下载(http://data.cma.cn/)，并采用克里金插值法(Kriging)插值至30 m 分辨率栅格数据[28]。太阳辐射全省共5 个站点数据由国家青藏高原科学数据中心下载(http://data.tpdc.ac.cn/)，因站点较为稀疏，采取用反距离加权(inverse distance weight，IDW)插值法得到的结果精度会更高[29-30]。

1.3 研究方法

本研究基于Landsat 遥感数据，采用线性光谱混合 分 析 模 型(linear spectral mixing model, LSMM)计算昆明市城市每个像元不透水面百分比[31]，并采用(大气校正法radiative transfer equation, RTE)反演地表温度[32]，以获取昆明市城市化强度与地表温度数据。在以往城市热岛效应研究中，有44%的相关研究用地表温度代表城市热岛效应，因此地表温度已被广泛应用于城市热岛效应的研究[33-34]。

同时，本研究使用朱文泉[35]开发的CASA 模型ENVI 插件进行植被NPP 的估算。CASA 模型是一种区域NPP 的估算模型，具有输入参数少、便于计算处理等特点，能够反映NPP 的空间分布特点[36]，且CASA 模型可输入高空间分辨率遥感数据，能够满足对小尺度城市区域NPP 监测的需求，所以本研究选择CASA 模型反演昆明市植被NPP。该插件使用过程中需要输入植被类型图、NDVI、气温、降水和太阳辐射等栅格文件，同时还需输入静态参数。具体处理流程：首先利用Landsat 5/8 TM/OLI 数据计算获得30 m 分辨率的NDVI；其次借助ArcGIS 10.2、ENVI 5.2 等软件，利用克里金插值法生成月平均温度、月总降水量和月总太阳辐射等气象栅格数据；最后将所有栅格数据处理至与NDVI 图像相同分辨率及大小。将所有处理好的图像输入CASA 插件，便可得到2001、2005、2009、2013、2017 年昆明市城市植被NPP 空间分布图。

1.3.1 分离城市化对NPP 的直接、间接影响

基础假设：假设城市化发生前像元为理想全植被覆盖，且该像元的NPPfv不随时间的改变而改变。实际应用中，NPPfv由研究区中全森林覆盖像元的均值决定。

计算过程：依据光谱混合分析(spectral mixture analysis, SMA)模型，将城市像元的城市化强度β 用光谱混合分析模型中城市像元的不透水面比例表示，而该城市像元的NPPh则由此像元中非城市表面(土壤和植被)的比例(1 - β)和全植被覆盖像元的NPPfv共同表示[18]，即：

则理想状态下城市化后t 时刻像元x 的NPP 可以表示为：

式中：NPPh(x,t)是像素x 在t 时刻的NPP 值，是仅考虑土地覆被变化的直接影响时城市化后的假设NPP 值。β(x,t)为 城市化强度，NPPfv(x,t)是像素x 植被完全覆盖时的NPP 值。

根据式(2)，t0时刻假设NPP 值为：

在t1时刻为：

则从t0时刻到t1时刻因为城市化所导致的NPP 变化为式(4) - 式(3)，即：

另外，由于理想全植被覆盖像元NPPfv不随时间改变，则有：

则式(5)变为：

NPPdir(x,t1)即为t0到t1时刻像素x 处城市化(LUCC 变化)导致的直接NPP 变化，NPPdir(x,t1)与t1时刻CASA 模型估算NPP 之差则为城市化对NPP的间接影响，即：

式中：NPPind(x,t1)为t1时刻像素x 的间接影响NPP。NPP(x,t1)为t1时刻像素x 城市化后的CASA 模型估计的NPP 值，将式(3)带入式(8)得到间接NPP：

由式(7)和式(9)就可计算得出t1时刻相对于t0时刻城市化对NPP 的直接影响和间接影响。

以上实现流程通过ENVI 5.2 软件Band Math 波段运算工具处理完成，以2001 年为起始年份，处理获得2005、2009、2013、2017 年的直接和间接影响NPP。

1.3.2 空 间统计方法

空间相关性与空间异质性是空间统计学里面最重要的两个特性，根据地理学第一定律(Tobler’s First Law)“任何事物都是与其他事物相关的，相近的事物关联更紧密”[37]。即空间相关性分析，这是对某一地理变量空间分布中相邻位置间的相关性进行检验的一种统计方法，可以揭示本研究NPP 以及NPP 驱动因素的空间聚集等空间分布特征，可以更直观地得到数据的空间相关性。空间异质性源于Michael Goodchild 提出的地理学第二定律(Goodhild’s Second Law of Geography)，即空间异质性定律(Law of Spatial Heterogeneity)“空间的隔离，造成了地物之间的差异，即异质性”[38]，空间异质性分为空间局域异质性(spatial local heterogeneity)和空间分层异质性(spatial stratified heterogeneity)。本研究在进行城市 不 透 水 面 丰 度(impervious surface abundance, IS)、地表温度(land surface temperature, LST)、植被净初级生产力(NPP)的时空变化分析后，首先利用Geoda软件计算得到全局莫兰指数和局部LISA 图，以分析不同地物以及环境差异所引起的NPP 及其驱动因素数据随地理位置改变的变化[39-40]；其次用王劲峰和徐成东[41]研发的地理探测器来揭示NPP 的主要驱动因子；最后采用地理加权回归(geographically weighted regression, GWR) [42]揭 示 城 市 化 与 城 市 热岛效应对NPP 的影响机制，为理解区域碳循环过程和规律提供新的分析路线。

2 结果与分析

2.1 NPP 的验证

MODIS NPP 产品MOD17A3 是基于BIOME-BGC模型模拟的NPP 数据，该数据集在全球和区域研究中得到了广泛验证和应用[43]。所以用MOD17A3数据来验证CASA 模型反演的NPP。因MOD17A3城市区域无数据，所以去除城市区域后，将CASA模型估算的NPP 值提取为500 m 渔网数据，并随机选取100 个点进行相关性分析。CASA 模型模拟的NPP 值与MOD17A3 NPP 值相关性分析结果显示二者拟合度良好(R2= 0.780，P＜ 0.01)，说明基于CASA模型模拟得到的昆明市NPP 具有较高的模拟精度和可靠性。

2.2 NPP 时空分布

由于城市发展水平与人类活动因素的不同，NPP 时空分布也因地理位置不同而产生差异。图2 A-E 是CASA 模型反演的2001、2005、2009、2013、2017 年的昆明市NPP 分布栅格图，空间分辨率均为30 m。由图可看出昆明市NPP 总体空间分布规律为：NPP 较高的区域主要集中在昆明市西部、北部、东部等植被覆盖区，昆明市中部城市区域NPP值相对较低。从时间变化上来看，自2001 年至2017 年，NPP 总体呈现削减的趋势。NPP 平均值自2001 年的68.749 g·m-2削减至2009 年的61.162 g·m-2，至2013、2017 年有缓慢回升，但昆明市内NPP 平均值总体仍呈削减趋势(图2F)。从空间变化上来看，2001 年至2009 年，城市区域逐渐向空港经济区、呈贡区扩张，侵占了原本NPP 值较高的植被区域；2009 年至2017 年，城市发展趋于集约化发展，城市化造成的NPP 削减得到了缓解。值得注意的是，2013 年虽然低值NPP (红色区域)区域较大，但是由于气候等因素导致高值NPP (深绿色)区域的数值较大，因此NPP 均值也相对较高。

图2 昆明市净初级生产力分布图Figure 2 Net primary product distribution map in Kunming

城市化对NPP 的直接影响主要由起始年份与当前时间点的不透水面丰度差值乘以全植被覆盖NPP (NPPfv)计算得到的，反映了由于城市化直接损失的NPP 值。城市化对NPP 的直接影响主要集中城市扩张区域，即官渡区的空港经济区和呈贡区等地区，这些区域NPP 损失都达30 g·m-2以上(图3 A-D)。直接影响平均削减的NPP 值自2001 年至2005 年达到了35.201 g·m-2，至2009 年的削减值为-45.381 g·m-2，从2009 年 至2017 年 城 市 化 对NPP的削减作用有所缓解。城市化对NPP 的间接影响主要表现为城市中心的橙色区域，是城市化后城市中植被NPP 值增加的区域，主要分布在不透水面丰度较高的城区内部(图3E-H)。从间接影响NPP 时间变化来看，间接影响NPP 从2005 年的平均23.628 g·m-2迅速扩张至2009 年的29.231 g·m-2，后增长速率减缓，至2017 年，增长到30.904 g·m-2。从空间变化来看，2005 年至2009 年间接影响NPP 扩张区域明显扩大，从2001 年昆明市老城区扩张至官渡区、呈贡区等区域，至2017 年逐渐向空港经济区进行扩张，后扩张至整个城市区域。间接影响增加的主要原因是城区内的人为干预的城市绿化、局部气候变化使得城市植被NPP 相对周边植被较高。

图3 昆明市城市化对净初级生产力的直接影响(NPPdir)和间接影响(NPPind)分布图Figure 3 Distribution map of the direct (NPPdir) and indirect (NPPind) effects of urbanization on net primary productivity (NPP) in Kunming City

2.3 城市化时空分布

昆明市不透水面丰度分布是衡量城市化的一个关键指标。图4 为昆明市2001、2005、2009、2013、2017 年的不透水面丰度分布图，空间分辨率均为30 m，不透水面丰度范围为(0, 1)。昆明市IS 总体分布空间特征为：昆明市西部、北部、东部地区主要以植被覆盖为主，不透水面丰度小于0.4。在昆明市城市开发区不透水面丰度大多大于0.6。从不透水面丰度时间变化上来看(图4F)，昆明市不透水面丰度平均值从2001 至2017 年平均增加了5.9%。从2001年至2017 年不透水面丰度空间变化来看(图4A-E)，若将不透水面大于0.6 的区域看作城市区域，昆明城市区域由最初的老城区，逐渐扩张至昆明市的官渡空港经济区、呈贡区等城市新开发区。城市不透水面分布格局由小区域集中发展转为大面积片状发展。其次，可明显观察到2009、2013、2017 年城市范围相对于2009 年前虽明显扩大，但2009 年后城市扩张明显放缓，2013 和2017 年的城市范围相对于2009 年没有明显变化。相反的由于城市发展过程中更加合理的城市规划与注重城市绿化，特别是2010 年后道路和河道周边的植树、住宅小区内绿地的增加以及在闲置裸地上的绿地改造，使城市不透水面丰度出现降低趋势。2013 和2017 年城区内不透水面丰度值却不及2001-2009 年高。而2017 年不透水面丰度值高于2013 年则可能和2015 年后大量的城中村拆迁或棚户区改造有关。

图4 昆明市不透水面丰度分布图Figure 4 Distribution maps of the impervious surface abundance (IS) in Kunming

图5 为2001 至2017 年昆明城市土地利用类型的转换，其中大多数区域是常年植被覆盖区，少部分区域涉及裸土、水体的转换。粉色区域可以观察到研究期内有159.130 km2的区域保持为不透水面，大多集中于为2001 年的昆明市老城区(图5)。由植被区域转换为不透水面的城市总面积为273.951 km2，主要集中在呈贡区、官渡区的空港经济区部分，说明此区域发生了剧烈的城市化过程。同时，由于城市化过程中对植被的人为干预也带来了城市绿化，即绿色区域代表的不透水面向植被转换的用地面积占52.008 km2，主要分布在主城区城市边缘及城市中央。城市化过程中可以通过城市绿化弥补由城市扩张削减植被造成的NPP 损失。

图5 昆明市2001-2017 年不同土地覆盖变化类型的空间分布(A)与土地利用转换类型所占面积(B)Figure 5 The spatial distribution of different types of land cover change in Kunming from 2001 to 2017 (A) and the percentage of each type of land use conversion (B)

2.4 城市热岛效应时空分布

随着昆明市城市化的发展，城市热岛效应也愈加明显。2001、2005、2009、2013、2017 年的LST 反演结果表明，从总体空间分布格局来看，城市区域地表温度高于周边地区，最高地表温度都可达到35 ℃以上，而研究区同月份平均气温都在20 ℃左右，说明昆明市存在较强的城市热岛效应(图6)。不同于理想中只有城市区域呈现出高强度城市热岛效应，此时间段内城市周边未完全开发区也有热岛效应，这可能是由于早期城市周边为开发区裸土热容量增高导致的。从时间变化来看，昆明市地表温度均值除了2009 年较低外，自2001 至2017 年，地表温度平均值由33.118 ℃升高至33.445 ℃。由于地表温度与气候背景有关，而本研究结果并未剔除气候背景值，因此地表温度时间上的变化也有可能是气候背景变化所致。从空间变化来看，2001 年昆明市地表温度除了城市周边植被覆盖区外地表温度都较高。城市发展至2017 年，城市周边热环境变弱，高温区域逐渐集中至城市范围之内，呈现明显的城市热岛效应。昆明城市热岛效应总体呈现围绕中心城区向周边的放射状分布。总体上昆明市市区(五华区、盘龙区、官渡区、盘龙区、西山区)热岛占比明显高于周边森林地区。

图6 地表温度分布图Figure 6 Distribution maps of the land surface temperature (LST)

2.5 空间自相关分析

由NPP 栅格数据分析可得出昆明市植被NPP 平均值随城市化整体呈下降趋势，但NPP 以及直接、间接NPP 是否存在空间相关性，其相关程度如何需要进一步的全局空间自相关和局部空间自相关分析。

2001、2005、2009、2013、2017 年NPP、NPPdir和NPPind的全局莫兰指数均大于0.45，且通过了显著性检验(P＜ 0.001) (表3)。说明昆明市净初级生产力(NPP)以及NPPdir和NPPind均呈显著的空间正相关性，即昆明市NPP 并非呈随机分布，而是存在正向的空间聚集。即NPP 的空间分布特征是NPP 值高的网格趋向于与NPP 值高的区域相邻。同样地，NPP 水平低的网格通常与NPP 水平低的区域相邻。从时间变化来看，2001 年NPP 全局莫兰指数最高，为0.512，随城市化到2013 年下降至0.457，到2017 年回升至0.476，但总体呈下降趋势。这说明早在2001 年城市地区开发范围较小、城市空间集聚性较高，所以2001 年NPP 空间自相关性最高。NPP的空间自相关程度降低的原因可能是城市扩张区NPP 的削减，城市范围增大，从而导致城市空间异质性增强，NPP 空间自相关性有所降低。也可能是由于城市化进程中，城市绿化以及城市更加合理的规划导致城市中NPP 较低的网格周围也存在一些城市植被高NPP 网格，这也会在一定程度上降低NPP 的空间正相关性。同样地，NPPdir与NPPind全局莫兰指数也呈下降趋势。

表3 全局莫兰指数Table 3 The Globle Moran’s Index (GMI)

2.6 基于地理探测器的NPP 驱动因素分析

2001 年到2017 年昆明市不透水面丰度与地表温度对NPP 时空分异性的因子分析结果显示(表4)，每年不透水面丰度对NPP 的解释力(q)值均大于地表温度对NPP 的解释力(q)值。这表明不透水面丰度代表的城市化是决定NPP 空间分异性的主导驱动力，而地表温度也是决定NPP 空间分异性的重要驱动力。就驱动力演变而言，不透水面丰度对NPP 空间分异的解释力呈现先下降后增强的趋势，其中2001 至2009 年，不透水面丰度解释力下降幅度最大，其q值由0.344 下降至0.238，但2009 年至2017 年，不透水面丰度q值至2017 年增长到最大值0.399。地表温度对NPP 空间分异的解释力总体呈上升趋势，其中从2001 至2005 年，地表温度q值由0.123 增长至0.193，至2013 年下降至0.130，至2017 年增长至最大值0.254。综合来看，人类活动导致的城市化对NPP 的空间分异的解释力越来越强烈，城市热岛效应对NPP 空间分异的解释力虽低于城市化带来的影响，但随着城市热岛效应的在昆明市内的逐渐增强，其对昆明市NPP 空间分异解释力也越来越大。

表4 IS 与LST 对NPP 的交互探测结果Table 4 The interaction results for IS and LST with NPP

地理探测器的交互探测结果表明不透水面丰度与地表温度两种影响因子的共同交互作用会增强对昆明市NPP 分异的解释力。交互探测结果所示，不同年份的交互探测结果均有差异，其中自2001至2009 年的不透水面丰度与地表温度交互探测解释力均大于二者解释力之和，交互作用表现为非线性增强(表4)；2013 年和2017 年的不透水面丰度与地表温度交互探测解释力均大于单因子对NPP 的最大解释力值，所以交互作用表现为双因子增强。从交互作用时间变化来看，二者交互作用从2001 年至2005 年有所增加，2009 年交互作用最低，其q值为0.408，2017 年交互作用达到最大值(q= 0.521)。

2.7 基于地理加权回归的NPP 驱动机制分析

2.7.1 城市化对直接NPP 的地理加权回归分析

直接影响NPP 在昆明市内的空间分布存在较强的空间异质性，但哪些区域直接NPP 与城市化强度相关性更强还需地理加权回归(GWR)进行分析。由不透水面表征的城市化强度对直接NPP 的地理加权回归系数分布结果表明，从整体分布规律上看，不透水面对直接NPP 的GWR 回归系数正负因地理位置分布而异，城市周边常年植被分布区大多呈现正值，城市自2001 年来的扩张区域大多呈负值，这说明城市化带来的不透水面丰度值升高对直接NPP 有着强烈的负面影响(图7)。从其时间变化来看，从2001 至2017 年，二者呈负相关系数的区域占比越来越大，且其负相关系数的最大绝对值也从2005 年的-364.735 增长到了-414.469，说明城市化对直接NPP 的负面影响随时间变化愈加强烈。从空间变化来看，只聚焦于昆明市城区区域，随城市化发展，负相关区域范围扩大且逐渐呈聚集式分布，到2017 年时，负相关区域面积达到最大，主要分布在自2001 年来扩张的官渡区的空港经济区与呈贡区等城市区域。总之，城市扩张是城市化对NPP 直接影响的主要因素，城市化对NPP 的直接影响是因为城市扩张时周边植被替代带来的NPP损失。

图7 昆明市不透水面丰度对直接NPP 地理加权回归系数分布Figure 7 Distribution maps of GWR coefficients of IS to NPPdirin Kunming

2.7.2 城市热岛效应对间接NPP 的地理加权回归分析

为了探索地表温度在昆明的空间变化及其对间接NPP 的驱动作用，进一步应用地理加权回归(GWR)方法探索了昆明LST 对NPPind的空间异质性影响。2005、2009、2013、2017 年的地表温度对NPP 间接影响GWR 标准化残差90%分布在-2.5～2.5，说明GWR 估算系数具有可靠性。昆明市地表温度对间接NPP 地理加权回归系数分布表明，研究期内LST 对NPPind的回归系数因地理位置分布有正有负(图8)。负的回归系数大多集中于昆明城市区域的周边，且每年负相关系数都在-20 左右。而正值(橙色与红色区域)都在城市中心分布，最高值可达10.442，说明由城市热岛效应引起的高温对城市中心植被有着一定的促进作用。从时间变化来看，2005 年至2009 年LST 对NPPind的GWR 正相关系数在增加，最大正相关系数也从2.958 增长至8.065。到2017 年，最大相关系数也增加到了10.442。从空间变化来看，GWR 正回归系数区域在2001 年散布在主城区4 个区域，大致为分布在中部五华区、东北部盘龙区以及当时新开发西山区，说明此区域城市热岛效应促进了城区的植被生长。随时间变化，主城区逐渐向官渡区、东北部空港经济区以及东南部呈贡区扩张，相应地，城市热岛效应对间接NPP 的正相关影响区域也逐渐向这些新扩张城区偏移。昆明市地表温度对间接NPP 的正相关系数(橙色与红色区域)区域在不断变化(图8)。因城市热岛效应对间接NPP 的影响区域主要在昆明主城区内，所以将昆明西山区、五华区、盘龙区、官渡区与呈贡区等行政区内GWR 正相关系数所占主城区的百分比和总面积统计(图9)。2005 年至2009 年地表温度对间接NPP 地理加权回归正回归系数占总体面积的比例从3%增加到17%，所占面积增加了164.75 km2，2017 年增加至最高值，正相关区域占19%，总面积达208.72 km2。进一步体现了城市化扩张过程中热岛效应导致植被NPP 增加，且城市热岛效应对城市植被的促进作用愈加明显，影响范围也在扩大。经过计算，城市中NPPind从城市化前的平均29.220 g·m-2增长至2017 年城市化后的30.904 g·m-2，城市热岛效应对NPP 间接影响平均增加了1.684 g·m-2的NPP。

图8 昆明市地表温度对间接NPP 地理加权回归系数分布Figure 8 Distribution maps of GWR coefficients of LST to NPPindin Kunming

图9 昆明市地表温度对间接NPP 地理加权回归正相关系数占主城区百分比及面积Figure 9 Percentage of positive GWR correlation coefficients and the effect of LST on NPPindin the urban area of Kunming

2.8 GWR 与OLS 模型对比

最小二乘法(ordinary least square, OLS)模型回归结果表明，2005、2009、2013、2017 年的不透水面丰度(IS)与直接NPP、地表温度(LST)与间接NPP(NPPind)均呈显著负相关(P＜ 0.01) (表5)。值得注意的是，OLS 结果中LST 与NPPind负相关说明昆明市城市热岛效应不利于间接影响NPP 的增长，而LST对NPPind的GWR 模型回归系数分布(图8)在中心城区则为明显的正值分布。OLS 模型是全局回归，忽略了由城市覆被复杂化带来的空间异质性。GWR模型则以空间权重矩阵为基础，考虑了局部每个网格点周围一定范围内的空间信息来获取每个网格点的回归系数，因此与OLS 相比具有更高的准确性。另外，GWR 与OLS 模型拟合度参数对比的具体数值如表6 所列，其中GWR 模型调整后R2都远高于OLS 模型且AIC 值都明显低于OLS 模型，表明GWR 模型拟合效果更好。GWR 模型在估算IS 对NPPdir和LST 对NPPind的局部影响上有着更好的解释力。

表5 最小二乘法回归系数Table 5 The ordinary least square regression coefficients

表6 OLS 与GWR 模型拟合度对比Table 6 The comparison of model fits between OLS and GWR

3 讨论

2001 年至2017 年，昆明城市区域逐渐向空港经济区、呈贡区方向扩张。已有研究表明，全球旱区1992-2016 年经历了快速的城市扩展过程。城市面积从1992 年的9.46 万km2增加到2016 年的23.04万km2，增长了13.58 万km2，年均增长率为3.78%，是全球同期城市面积年均增长率的1.09 倍。城市面积占比从1992 年的0.16%增加到2016 年的0.38%，增加了0.22%[44]。快速的城市化发展使得城市植被NPP 的空间分布产生了明显差异。同时，城市热岛也随城市化方向而扩张，导致昆明市城市化对NPP的直接、间接影响也在空间分布上呈明显差异。但是，受限于有限的地面控制试验、且缺乏对城市环境中气候与人类活动等数据的有效整合，人们对于城市化如何间接影响植被生长的认识仍然不够充分[45]。本研究表明，由覆被替代导致的城市化对NPP 的负面直接影响主要集中在自2001 年以来的城市新扩张区域，而城市化对NPP 的正面间接影响则主要集中在主城区及附近区域。此结果验证了城市化不仅对NPP 有削减作用，也会对城市中的植被NPP 有一定的促进作用。Zhang 等[45]整合了城市内部气候和人类活动相关近20 年的遥感数据，针对全球672 个大型城市，定量研究了城市化对植被生长所造成的直接和间接影响。研究结果表明，在全球城市化背景下，城市植被量虽然受人类城市化开发的直接影响而不断减少，但城市内部植被生长(遥感观测的植被“绿度”)却在增强，即城市环境对植被生长存在着广泛的正向间接效应(全球尺度上的平均增强幅度约26%)，且该正向效应在时间上具有上升趋势。这种间接的植被生长增强可在一定程度上抵消城市地区由于土地利用转变而导致的植被直接损失。同时，Zhang 等[45]研究还发现，城市化对植被生长的影响作用还因城市发展阶段而不同，其中发展中国家城市植被管理主要集中在高度城市化的核心区。这也与本研究中城市化对NPP 的正面间接影响主要集中在主城区及附近区域的研究结果高度一致。