中国陆地植被净初级生产力估算模型优化与分析——基于中国生态系统研究网络数据

苏胜涛,曾 源,*,赵 旦,郑朝菊,吴兴华

1 中国科学院空天信息创新研究院 遥感科学国家重点实验室,北京 100101

2 中国科学院大学,北京 100049

3 中国长江三峡集团有限公司,北京 100089

植被净初级生产力(net primary production, NPP)是指绿色植被一定时间内光合作用所产生的有机物总量减去绿色植被自身维持呼吸和生长消耗以后的残余部分[1]。它既能表征植被群落在自然环境条件下的生产能力,也能估算陆地生态系统碳源、碳汇,描述碳循环和能量的流动过程[2]。因此,植被NPP的准确估算对生态环境治理、碳循环研究和自然资源合理开发利用均具有重要的理论与实践意义[3—5]。

自20世纪60年代以来,各国学者对NPP的研究倍受重视,国际地圈-生物圈计划(IGBP)和京都协定(Kyoto Protocol)等均把植被NPP确定为核心内容之一[6—7]。目前NPP估算方法主要有统计模型、参数模型和过程模型,其中以基于光能利用率的过程模型(CASA)应用最为广泛。Potter等[8]最早利用CASA估算了北美植被NPP；朴世龙等[9]利用CASA模型估算了我国1997年的陆地植被NPP；Nayak等[10]利用CASA模型估算了印度2003年植被NPP。经过验证发现,前期研究中使用的传统CASA模型估算中国NPP的结果普遍偏小,主要原因是模型中最大光能利用率(εmax)的常规取值(0.389gC/MJ)不适用于中国区域[11]。因此,后续研究重点在CASA模型的区域优化,例如朱文泉等[12]引入植被覆盖分类数据,同时基于NPP实测数据模拟各植被类型的εmax,估算了全国1989—1993年8公里的植被NPP；Yu等[13]和Zhang等[14]分别基于改进εmax的CASA模型监测了东亚与中国京津冀地区的植被NPP。此外,BAO等[15]利用地表湿润指数(LSWI)简化CASA模型的水分胁迫系数估算蒙古高原的草地NPP；Liu等[16]利用土壤水分的叶水势代替传统CASA土壤水分子模型估算了广州市白云区的植被NPP。由此可见,在对CASA模型进行区域优化时,往往聚焦在εmax取值和参数简化方面,却很少关注模型中另一关键因子光合有效辐射(PAR)计算方法的改进。对于PAR的计算,常规利用气象观测资料(太阳总辐射、日照时数等)来模拟并进行空间插值,但很难合理揭示PAR的空间分布特征。随着遥感数据源的不断丰富,可以直接利用遥感数据估算地表气象参量,例如Bisht等[17]利用 MODIS 数据直接计算晴空条件下的日净辐射；Wu等[18]利用风云卫星数据估算了黑河流域的日照累积时数,避免空间插值的不确定性。因此,对于CASA模型的进一步改进,可以综合考虑最大光能利用率、参数简化以及光合有效辐射的同步优化。

另外一类估算NPP的方法可以通过GPP的转换得以实现。目前估算GPP的最新模型为He等[19]提出的两叶光能利用率模型(TL-LUE),该模型的核心是将叶片分为阴叶和阳叶两部分,分别计算其光能利用率与GPP。Zhou等[20]利用全球98个通量站点数据对TL-LUE模型进行验证,发现模型在站点尺度表现良好；Zan等[21]利用日光诱导叶绿素荧光数据(SIF)对TL-LUE模型进行验证,发现模型能够反映GPP时空变化。结合NPP/GPP的比率可将GPP转化为NPP,即可通过两叶模型计算NPP[22]。两叶模型考虑了冠层散射辐射对植被生产力的影响,更加适用于植被茂密、叶片遮挡严重的林区,但在稀疏林、草等植被类型下的适用性尚未有定论,且NPP/GPP比率数据的尺度适用性及精度是影响NPP估算的关键。

对于估算植被NPP哪类方法更为适用,需要从监测尺度来分析。TL-LUE模型在站点尺度上由于植被类型确定,NPP/GPP比率更为准确,但随着研究尺度扩大,尤其是在植被覆盖类型多变的地区,会导致NPP/GPP比率数据及估算的NPP结果出现不确定性。改进的CASA模型因具有较强地域性更适用于像元尺度的植被NPP估算。然而,NPP的估算精度需要地面实测数据的验证,随着涡度相关技术的发展和成熟,基于观测站点的通量数据计算的NPP是模型验证的主要数据源[23—24]。此外,区域尺度的土地覆被数据可以提供不同生态系统类型的分布信息,为分区域分植被覆盖类型验证NPP提供了可能。因此,充分利用地面观测数据和详尽的植被分类数据,结合高时空分辨率遥感数据,选择适用于全国尺度的植被NPP估算模型,是有待研究的问题。

中国生态系统研究网络(Chinese Ecosystem Research Network, CERN) 成立于1988年,目前共计有分布在不同生态区域的42个生态研究站,涵盖了农田、森林、草原、荒漠、湖泊、海湾、沼泽、喀斯特和城市9大类生态系统[25—26]。CERN的观测以样点尺度的台站为核心,重点通过定位观测和控制试验,进行生态系统结构与功能、格局与过程的机理分析。一方面CERN可以为生态模型提供输入数据,如徐保东等[27]以CERN站的LAI数据为基础评价了观测数据的空间代表性；颜绍馗等[28]以CERN两个乔木生长数据集为例,挖掘生态质量评估的方法与指数；孙婉馨等[29]基于1998—2017年 CERN逐日气象数据计算了典型森林生态系统的潜在蒸散。另一方面,CERN提供了不同生态类型、时空连续的地面观测数据,是进行生态参数产品真实性检验的数据来源。此外,依托CERN建立的中国陆地生态系统通量观测研究网络(CiInaFLUX),通过微气象学的涡度相关法和箱式法进行典型陆地生态系统和大气间二氧化碳、水热通量的长期观测研究,目前已共享数据的8个典型生态站点,包括4个森林站(分别为长白山温带阔叶红松林通量观测研究站、千烟州中亚热带人工常绿针叶林通量观测研究站、鼎湖山南亚热带季风混交林通量观测研究站和西双版纳热带季雨林通量观测研究站)、3个草地站(分别为内蒙古温带典型草原通量观测研究站、海北高寒草地通量观测研究站和当雄高寒草甸通量观测研究站)和1个农田站(禹城温带农田通量观测研究站),可为基于通量数据进行NPP估算的精度验证提供数据支撑[30—32]。

本文在综合分析光能利用效率模型的基础上,利用CERN提供的典型生态系统光能利用效率数据、光合有效辐射逐日观测数据和30min连续通量观测数据,对传统CASA模型进行优化,对比两叶模型与改进后的CASA模型在站点尺度和像元尺度对于典型森林、草地和农田样区NPP的估算精度,随后选择在像元尺度表现更好的NPP模型结合中国土地覆被数据(ChinaCover)开展2000—2019年中国陆地植被NPP监测,并与同类数据进行对比分析。

1 数据源与预处理

1.1 遥感数据

NPP 估算模型中的遥感数据来自美国国家航空航天局的MOD13Q1植被指数(NDVI)产品、MOD11A2地表温度(LST)产品以及MOD15A2叶面积指数(LAI)产品(https://ladsweb.modaps.eosdis.nasa.gov),利用MRT工具对数据进行投影转换、图像融合、S-G滤波等处理,以2000—2019年250m空间分辨率逐月的NDVI、 LAI、近红外与短波红外等数据作为模型输入参数。用于计算日照时数的云分类数据来自国家卫星气象中心的风云2号卫星(http://satellite.nsmc.org.cn)。

1.2 CERN数据

CERN数据来自国家生态科学数据中心(http://www.cnern.org.cn)。其中,中国典型植被最大光能利用效率数据集(共126组样本)和2010年逐日光合有效辐射数据集用于优化CASA模型；日尺度气象数据与中国逐月散射光合有效辐射数据用于点尺度NPP估算模型输入；光合有效辐射数据集用于验证基于风云卫星计算PAR的精度；用于NPP估算模型精度验证的30min连续通量观测数据来自于ChinaFLUX中的8个典型生态站。

1.3 土地覆被数据

用于植被覆盖分类的全国土地覆被数据(ChinaCover)来自中科院空天信息创新研究院(http://www.aircas.ac.cn)[33]。结合CERN典型植被光能利用率数据集,将ChinaCover数据中原有的26类植被类型重分类为常绿阔叶、常绿针叶、落叶阔叶、落叶针叶、针阔混交、灌丛、草地、耕地共八类,并将原有空间分辨率30m重采样至250m。

1.4 气象数据

用于NPP估算的气象数据来源于国家气象科学数据中心(http://data.cma.cn),时间为2000年1月至2019年12月,包括753个台站的气温、相对湿度、日照时数。利用ETWatch[34]软件对气象数据进行空间插值,生成空间分辨率为250m的栅格数据。

2 研究方法

2.1 改进CASA模型

本研究从最大光能利用率取值、参数简化以及光合有效辐射计算三方面对CASA模型进行同步优化。传统CASA模型的估算公式如下所示:

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

APAR(x,t)=PAR(x,t)×FPAR(x,t)

(2)

ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)×εmax

(3)

式中,APAR为植物吸收的光合有效辐射；ε为实际光能利用率；PAR为光合有效辐射；FPAR为光合有效辐射吸收比例,通过NDVI来进行估算[12]；Tε1和Tε2表示低温和高温对光能利用率的胁迫作用,选取MODIS NDVI最大值所对应月份的平均温度作为最适温度,计算公式参照文献[8]；Wε为水分胁迫影响系数,反映水分条件的影响；x代表单个像元,t表示月份。

2.1.1最大光能利用率优化

最大光能利用率(εmax)是指植被在没有任何限制性的理想条件下对光合有效辐射的利用率,环境因子如气温、土壤水分状况等都会通过影响植物的光合能力,进而调节植被的生产力[35]。

为确定本研究中的典型植被εmax,首先对CERN提供的典型植被最大光能利用效率数据集进行统计,随后与前人研究进行对比分析,其中只有朱文泉等[35]在中国的研究和Running等[36]在北美的研究中涵盖了本研究的全部8种植被类型,其他的研究只包括单一或几种植被类型,因此本研究在确定εmax取值时重点参考这两个研究。又发现样本平均值与中国的εmax最为接近,样本最大值与北美的εmax相近,一方面可以表明基于CERN统计的样本数据是在合理范围内,另一方面确定选择样本平均值作为优化后的εmax,且8种植被类型都采用平均值,具体取值详见表1。

表1 中国典型植被类型的最大光能利用率(εmax)

2.1.2水分胁迫系数优化

水分胁迫系数(Wε)反映了植被所能利用的有效水分对光能利用率的影响。传统CASA模型中Wε(x,t)由土壤水分子模型计算得到,涉及众多复杂的土壤参数,导致模型难以实现。地表水分指数(LSWI)是描述植被叶片水分含量的一项指标,Xiao等[37]首次利用LSWI估算水分胁迫,此后众多学者将LSWI引入CASA模型并取得了良好的效果[38—39]。因此,本研究使用LSWI对Wε(x,t)进行估算,计算公式如下:

(4)

(5)

式中,LSWImax表示单个像元生长期内LSWI的最大值；ρnir与ρswir分别代表MOD13Q1数据中的近红外与短波红外波段。

2.1 光合有效辐射优化

光合有效辐射(PAR)为太阳辐射中波长位于0.4—0.7 μm且能够被绿色植物用来进行光合作用的那部分太阳辐射能量。PAR是不仅影响植物生长的重要生态因子,也是光合作用模拟、植被初级生产力计算和生态系统大气CO2交换研究的关键参数。因此PAR在时间、空间尺度上的变化直接影响着NPP时空变异性,尤其是在基于光能利用率的CASA和两叶模型中对PAR的估算精度要求更高。

依据世界粮农组织(FAO)给出的公式[40—41]计算PAR:

(6)

n(t)可以利用气象站点观测获得的日照累计时数通过空间插值算法获得全国尺度的日照累计时数；还可以参考Wu等[18]提出的基于FY- 2D气象卫星计算日照时数的方法,得到全国尺度的日照累积时数。基于FY- 2D气象卫星计算日照时数的公式为:

(7)

式中,SFi为云型日照因子；Tgap为时间间隔,设为1d；hsr与hss分别为日出和日落时间；i表示日出与日落之间的时间序列。

基于上述两种方法,利用IDL批处理分别得到2010年基于空间插值PAR与基于FY- 2D PAR的全国逐月数据,图1为PAR月均值结果的空间分布对比。空间插值PAR以各气象站点为中心出现较明显的圆形区域,在空间分布上缺乏均质性。然而,基于FY- 2D PAR充分考虑了云层对太阳辐射的影响,在全国范围内能更好的反映PAR的空间变化,同时也避免了空间插值造成的结果不确定性。

图1 基于空间插值PAR和基于FY- 2D的PAR结果对比

利用在CERN选取的8个典型站点PAR观测数据对上述两种方法的估算结果进行精度验证,详见图2。基于FY- 2D PAR的精度 (RMSE=77.46MJ/m2,R2=0.49)明显高于基于空间插值PAR(RMSE=119.3MJ/m2,R2=0.25)。因此,将基于FY- 2D PAR作为优化CASA模型的输入参数。

图2 PAR精度验证

2.2 两叶模型

两叶光能利用率模型(TL-LUE)是进行GPP估算的常用模型,TL-LUE计算公式如下:

GPP=(εmsu×APARsun+εmsh×APARmsh)×f(VPD)×g(Ta)

(8)

式中,εmsu和εmsh分别为阳叶和阴叶的最大光能利用率,采用Zhou等[20]利用全球98个通量站观测数据优化之后的取值。APARsun和APARmsh和分别为阳叶和阴叶的吸收PAR,f(VPD)和g(Ta)分别为饱和汽压差(VPD)和最低气温(Ta)对光能利用率影响的修正因子,在0—1之间变化,计算公式为[42—43]:

(9)

(10)

式中,VPDmax、VPDmin等参数与植被类型相关。基于NPP/GPP比率数据可将GPP转化为NPP,即可通过两叶模型计算NPP。

2.3 不同尺度NPP估算方法

站点尺度的研究方法是以2010年8个典型生态站的日尺度气象数据与光合有效辐射数据为数据源,分别利用两叶模型与优化CASA模型估算日序列站点尺度NPP(NPPTL与NPPCASA),再利用站点的30min通量数据计算得到日序列NPPEC视为实测值,对NPPTL与NPPCASA进行验证与对比。其中,NPPEC的计算公式为:

GPP=Re-NEE

(11)

NPPEC=α×GPP

(12)

式中,Re是生态系统呼吸,NEE是观测的生态系统与大气之间的CO2净交换通量,α代表NPP占GPP的比率,取值参考已有研究的经验值[44—46]。NPPEC的具体计算流程为:首先利用每30min NEE观测数据计算GPP (gross primary productivity) 总初级生产力,由于在夜间植被不进行光合作用时Re与NEE相等,所以利用夜间观测的温度建立Re的估算方程,再利用该方程和白天观测的温度计算得到白天的Re,最后得到GPP并结合公式12将GPP转为NPPEC[47]。

像元尺度的研究方法是以8个站点的通量塔为中心,选取与遥感数据1个像元相匹配的缓冲区(250m×250m),分别利用两叶模型与优化CASA模型结合遥感数据估算逐月的像元尺度NPP,计算缓冲区内NPP平均值并记为NPPTL_month与NPPCASA_month,时间跨度为2005—2010年,再将月尺度NPPEC_month视为实测值,分别对NPPTL_month与NPPCASA_month进行对比分析。

3 结果与分析

3.1 站点尺度NPP估算的结果与分析

利用站点通量数据对估算结果进行验证,分别计算R2和RMSE(图3和图4)。结果表明在4个典型森林生态站点中,NPPTL与NPPEC具有良好的相关性,R2的最小值为0.92(长白山与鼎湖山),最大值为0.94(西双版纳)。NPPCASA除了千烟州外R2均低于0.85,其中长白山站点仅为0.77。站点尺度中NPPTL的RMSE最小值为1.68gC/d(鼎湖山),其余站点RMSE均小于2.46gC/d。NPPCASA的RMSE最小值为2.23gC/d(千烟州),其余站点RMSE均高于2.28gC/d。这些指标均表明TL-LUE模型在典型森林站点估算精度高于优化CASA模型,因为两叶模型充分考虑了植被阴叶和阳叶对光能利用效率的利用差异,将冠层散射辐射引入模型中,使得在植被覆盖度高的森林生态站点NPP估算精度提高,而优化CASA模型中散点图明显偏向上半部分(如鼎湖山和长白山),说明优化CASA模型在森林等高植被覆盖的地区估算结果偏低。

图3 站点尺度两叶模型NPP估算精度验证

图4 站点尺度优化CASA模型估算NPP精度验证

在内蒙古、当雄和海北3个草地生态站点中,TL-LUE在点尺度的估算优势不再明显,甚至优化CASA模型在当雄站(R2=0.90,RMSE=0.90gC/d)和海北站(R2=0.89,RMSE=1.98gC/d)的估算精度高于两叶模型。可见在草地生态系统中由于植被覆盖降低,阳叶与阴叶的区分不再显著,冠层之间的散射辐射对NPP的贡献降低,两叶估算存在高估现象(如海北),从而导致精度降低。尤其在冬季低温的月份,两叶模型中单位LAI散射辐射项会出现负值,显然不符合常理,可见TL-LUE估算草地NPP对LAI精度要求很高[30—31]。在禹城农田生态站中,TL-LUE估算精度略低于优化CASA模型(RMSE分别为5.14gC/d和4.26gC/d)。因此在站点尺度上TL-LUE在森林生态系统中表现更好,优化CASA模型在草地生态系统中估算精度更高。

3.2 像元尺度NPP估算结果与分析

利用站点通量数据对像元尺度估算结果进行验证,分别计算R2和RMSE(图5和图6)。优化CASA模型在典型森林、草地和农田三类生态系统中表现均要好于TL-LUE,其中以鼎湖山(R2=0.70,RMSE=29.01gC/d)、长白山(R2=0.95,RMSE=16.64gC/d)和海北(R2=0.95,RMSE=7.73gC/d)尤为显著。主要原因在于:(1)TL-LUE模型在草地生态系统中适用性降低,LAI精度对NPP估算结果具有显著影响；(2)TL-LUE模型输入参数与优化CASA模型相比要复杂的多,尤其在像元尺度因遥感数据的混合像元问题导致误差增大；(3)TL-LUE模型无法直接估算NPP,只能通过前人研究的比率数据将GPP转换为NPP,因此在转换过程中也会产生误差。

图5 像元尺度两叶模型估算NPP精度验证

图6 像元尺度优化CASA模型估算NPP精度验证

验证结果说明NPP估算模型在不同尺度(数据分辨率不同)下的估算结果会出现明显差异,在像元尺度中优化CASA模型表现整体好于TL-LUE模型。因此,充分考虑两个模型在不同尺度上的适用性,选择像元尺度表现更好的优化CASA模型对全国尺度植被NPP进行估算。

3.3 全国尺度NPP估算结果与分析

基于优化CASA模型估算了我国2000—2019年植被NPP,其时空分布见图7。近20年全国植被平均NPP空间分布的地域性明显,总体上呈西北低东南高的分布格局。其中,西北沙漠地区的植被NPP年均值最小,基本都在100gC/m2以下；福建、江西和湖南省的植被NPP年均值达到1000gC/m2以上,广西、广东、海南和台湾省的植被NPP年均值更是可达1500gC/m2以上。该空间分布与我国的“胡焕庸线”相吻合[48],体现了中国西北与东南地区在地形、气候、植被类型以及人口密度等方面的显著差异。

图7 2000—2019年中国陆地植被净初级生产力(NPP)平均值

如图8所示,全国2000—2019年NPP总体上呈波动增加趋势。NPP总量变化范围在2.703—2.882PgC/a,平均值为2.787gC/m2。与前人的研究成果相比,如朴世龙等与朱文泉等为代表的学者[12]均对1981—2000年中国陆地植被NPP进行了估算,所得NPP总量在波动中呈现缓慢增加趋势,本研究估算的2000—2019年中国陆地植被NPP延续了1981—2000年的基本走势；另外在NPP总量数值方面,李登科等[49]对我国2000—2015年全国陆地植被NPP估算总量在2.406—2.811PgC/a之间波动,平均值为2.635PgC/a,本研究近15年的NPP总量在2.604—2.882PgC/a之间波动,平均值为2.782PgC/a,两者较为接近。近20年中国陆地植被NPP呈现该趋势主要是自然与人为因素综合作用的结果,一方面气候的暖湿化利于植被生长使得NPP增加,而逐年的降水、气温与地形的耦合作用导致了NPP的年际波动；另一方面人口迁移、社会经济发展以及众多生态保护工程的实施对不同区域NPP的空间格局与趋势变化也存在不同程度的影响。

图8 2000—2019年中国陆地植被NPP总量变化曲线

4 讨论

利用遥感模型进行NPP估算时,在不同研究尺度所得到的NPP模拟值存在明显的差异[50—51]。在站点尺度上两叶模型在森林等高植被覆盖地区表现明显好于优化CASA模型,但两叶模型的局限性在于随着研究尺度的增加,尤其是当一个植被类型中混合了大量其他植被类型时,NPP/GPP比率以及其它参数精度降低,导致两叶模型会产生较大的估测误差。此外,由于两叶模型对LAI精度要求较高,在草地等阴阳叶区分不明显的植被覆盖较低区域会出现NPP负值。

优化CASA模型与两叶模型相比,最大的特点在于更加适用于区域尺度的NPP监测,并且可以依据地域特征、植被类型与最新的参数计算方法来进行模型简化与改进。在250m像元尺度的全国NPP监测中,优化CASA模型表现明显好于两叶模型。然而,CASA模型用于更高精度的全国尺度NPP估算时(如30m分辨率)还存在局限性,主要原因在于部分模型输入数据,例如Landsat已经可以提供用于计算NDVI与FPAR的30m全国覆盖数据,但是陆表温度、光合有效辐射以及用于计算水分胁迫系数的近红外数据等,现阶段还只能依靠MODIS、风云等卫星(空间分辨率大于250m)为数据源,无法获取在空间尺度上相匹配的所有模型输入数据。吴炳方等[52]指出目前大量的中高分辨率光学遥感数据、微波遥感数据和激光雷达数据还没有成为生态参数监测的主流数据源,需要进一步突破多尺度数据融合和多源数据集成的技术将这些数据利用起来,进而提高产品精度。如欧盟从2015年哨兵2号传感器升空后就尝试生产高分辨率的生态参数,我国发射的高分系列卫星也已初步构成了高时空分辨率的对地观测系统,均旨在解决分辨率不匹配的问题。

中国生态系统研究网络是我国生态系统监测和生态环境研究基地,在我国的生态系统科学研究中具有重要意义与应用潜力[53]。本研究中8个典型站点的观测数据为模型优化与验证提供了重要的数据支撑。然而针对全国尺度NPP的长时间序列监测,不是所有的CERN站点都具备通量观测的设备与条件,ChinaFLUX只共享了部分站点的通量观测数据,很难在评价全国尺度NPP数据质量时全部依靠观测数据。从另一角度分析,由于NPP成分中的根系分泌、向根共生者的碳转移以及植物挥发性有机化合物的排放等部分难以测定,使得大多数NPP研究均采用与其他产品进行对比来评价数据质量,缺乏客观的精度验证数据。虽然基于通量数据计算的NPP可在研究中视作实测值,但真实性远不如实地测量数据。随着测量技术的不断发展,NPP实测方法将会有新的突破,CERN站点如能提供长时间序列NPP的地面实测数据集,并进一步开放数据共享机制,将更有利于区域尺度植被生产力的监测、验证与生态变化分析。

5 结论

本研究在综合分析光能利用效率模型的基础上,利用CERN提供的光合有效辐射数据、典型生态系统光能利用效率数据以及通量观测数据,对传统CASA模型中最大光能利用率、水分胁迫系数与PAR三个参数进行优化,发现基于典型生态系统光能利用效率数据优化后的植被最大光能利用率能够较好反映植被实际状况,基于FY2D PAR的优化方案显著提高了PAR的估算精度,且能够有效避免空间插值导致的不确定性问题。

利用森林、草地和农田共计8个典型生态站的通量数据,对比分析两叶模型与优化CASA模型在站点尺度和像元尺度的NPP估算精度,发现两叶模型适用于高植被覆盖的森林地区,在站点尺度上估算精度高于优化CASA模型,而优化CASA模型在像元尺度上的表现整体好于两叶模型,适用于在全国尺度上估算陆地植被NPP。基于优化CASA模型估算的2000—2019年逐月250m中国陆地植被NPP变化范围为2.703—2.882PgC/a,近20年的NPP均值为2.787gC/m2,在空间分布上呈西北低东南高的格局,在时间尺度上呈现波动中缓慢增加的趋势。

致谢：中国生态系统研究网络和中国陆地生态系统通量观测研究网络提供观测数据。