基于GEE平台的黄河流域森林植被净初级生产力时空变化特征

郭睿妍,田 佳,杨志玲,杨泽康,苏文瑞,刘文娟

宁夏大学农学院, 银川 750021

联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)评估报告6(AR6)中指出：自1750年以来,由于人类大量开采矿物资源和滥用森林资源导致大气中CO2等吸热性强的温室气体逐年增加,温室气体CO2、CH4和N2O的浓度均已大幅度增长,分别为47%、156%和23%,由此引发全球变暖等一系列气候问题,并破坏了生物圈的平衡[1]。目前,碳汇是全球气候变化研究的热点[2],森林作为陆地生态系统中最大的碳库,对全球碳循环具有重要意义,而植被净初级生产力(Net Primary Productivity, NPP)与碳汇呈强相关关系,是判定森林碳汇/源的重要指标[3]。黄河流域作为我国重要的生态屏障和经济地带,承载着国家生态安全和经济社会发展的重要使命,我国已将黄河流域生态保护和高质量发展定为重大国家战略,健康稳定的森林是实现流域高质量发展的基础[4—5],研究黄河流域森林NPP时空变化对解释黄河流域森林碳汇/源的变化具有重要意义,探索森林NPP与环境因子的关系可为黄河流域森林经营与管理提供科学参考。

模型模拟法是目前应用最为广泛的NPP估算方法,随着遥感技术的发展,使得基于遥感数据估算NPP的模型得到快速广泛的发展,如CASA模型、BEPS模型和BIOME-BGC模型等[3,6]。本文选用美国国家宇航局(NASA)的MOD17A3H产品,它是基于Running等[7]通过BIOME-BGC模型(生物地球化学过程模型)估算的全球陆地植被净初级生产力数据,在区域尺度和大尺度的植被生长研究中应用广泛[7—8],国内众多学者利用MOD17A3H数据对全国和部分区域的植被NPP进行了估算研究,并进一步验证了该数据的可靠性,如李登科等[9]、刘琳等[10]和国志兴等[11]在全国和区域的尺度上,分别对植被NPP的时空变化特征和其与环境因子的关系进行了探讨,并进一步验证了该数据的精度。目前,黄河流域森林NPP的研究相对较少且都集中在植被层面,贺振等[12]和张镱锂等[13]分别对黄河流域和黄河源头青藏高原高寒地区的植被NPP进行了时空变化特征的分析,但缺少对影响植被NPP变化的因素的归因分析；陈强等[14]基于MODIS-NDVI数据构建CASA模型分析了黄河流域植被NPP的时空变化,但只针对影响植被NPP变化的气候因子进行分析；田智慧等[15]对黄河流域植被NPP时空变化特征及其驱动因素的影响作用进行探讨,但主要考虑了气候和土地利用变化的影响作用,并未涉及地理位置和地形因子的影响。通过查阅相关资料,目前基于GEE平台的针对黄河流域森林NPP的时空变化特征及其归因的研究还未见报道。

因此,本文将基于Google Earth Engine(GEE)遥感云平台,利用黄河流域2001—2019年的MOD17A3H V6 NPP数据、MCD12Q1 V6土地覆盖类型数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,采用岭回归分析、Hurst指数和冗余分析,对黄河流域2001—2019年森林NPP的时空变化规律进行探讨,定量分析各环境因子对森林NPP的影响作用。研究结果可为黄河流域森林碳汇/源时空变化研究提供数据支持,也可为科学制定流域内森林经营管理方案提供依据。

1 研究区概况

黄河流域介于32°N—42°N和95°E—119°E之间,流域横跨青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南及山东9省(图1),面积约80万km2。黄河流域幅员辽阔,地貌差别较大,从西到东横跨青藏高原、内蒙古高原、黄土高原和黄淮海平原4个地貌单元[16]。域内气候差异显著,以温带季风气候为主,年均气温12—14℃,降水时空分布不均、年际差异较大,年均降水量200—600mm。黄河流域植被的分布趋同于降水的分布,从西到东依次为稀疏灌木草原、草原、阔叶林和农作物,域内土壤种类丰富,主要有草甸土、栗钙土、黄绵土和棕壤等[17]。

图1 黄河流域位置Fig.1 Location of the Yellow River Basin

2 数据与方法

2.1 数据来源

本研究中所采用的遥感数据产品均来自于GEE自带的数据产品。NPP数据源于MOD17A3H V6产品,该产品提供有关500m空间分辨率下的年度净初级生产力(NPP)的信息,该数据广泛应用于生态系统碳循环的研究。土地覆盖类型数据利用MCD12Q1 V6数据,它是由MODIS Terra和Aqua地表反射数据,采用监督分类得到的空间分辨率为500m的全球土地覆盖产品。气象数据来自ECMWF/ERA5,该数据可提供每月的温度、降雨等数据,空间分辨率为0.25°。高程数据为USGS/SRTMGL1_003,空间分辨率为30m。

2.2 数据处理

在GEE云平台上基于黄河流域矢量边界,根据每年的土地利用类型对流域内森林NPP分针叶林、阔叶林和混交林从2001—2019年进行逐年提取。其中,流域上游是以耐寒的云冷杉为主的高山针叶林,流域中游甘肃、宁夏地区以混交林为主,黄土高原东部和南部山地则以落叶阔叶林为主[18—19]。针叶林、混交林、阔叶林的分类采用MCD12Q1 V6数据中的IGBP(International Geosphere-Biosphere Programme)分类系统,利用该分类系统对MOD17A3H V6 NPP数据进行森林类型掩膜并提取森林NPP[20]。在此基础上利用岭回归(ridge regression)分析森林NPP年变化趋势,并统计变化趋势的显著性。利用重标极差法计算黄河流域森林NPP的Hurst指数[21],从而判断森林NPP变化趋势的持续性。在19a的森林NPP数据上均匀布设150个随机样点,分别对这150个点的NPP值、经纬度、温度、降水、高程、坡度和坡向进行提取。利用Canoco 5软件进行RDA分析,定量分析各环境因子对森林NPP时空变化的解释率。

3 结果与分析

3.1 黄河流域森林NPP时间变化特征

3.1.1NPP年总量变化

图2 黄河流域森林植被净初级生产力(NPP)年总量变化 Fig.2 Variation in the annual total net primary productivity (NPP) of forest in the Yellow River Basin

图2可见,2001—2019年黄河流域森林NPP年总量整体呈线性增加的趋势,其值在3.94—12.51Tg C内波动,年均NPP总量为8.99Tg C,年均增速为0.36Tg C/a,19a增长率为173.60%。此外,2001—2019年森林面积从3.17万km2增加到4.07万km2,年均增加0.05万km2,19a森林面积增长率29.97%。对于不同的森林类型,NPP年总量均呈显著的线性增加趋势(图3),NPP年总量平均值分别为：4.79Tg C(阔叶林)、6.04×10-5Tg C(针叶林)和0.64Tg C(混交林),年均增速排序为：阔叶林(0.16Tg C/a)>混交林(0.04Tg C/a)>针叶林(6.98×10-6Tg C/a),19a增长率分别为：141.40%(阔叶林)、839.37%(针叶林)和292.31%(混交林)。从不同森林类型面积距平的变化趋势(图3)可知,针叶林和混交林的面积变化趋势相同,都呈显著增加的趋势,增速分别为4.88×10-4万km2/a和0.02万km2/a,而阔叶林的面积变化则为波动变化,2001—2011年为波动上升阶段,上升速率为0.05万km2/a,2011—2016年为下降阶段,下降速率为0.02万km2/a,2016年后阔叶林面积以0.04万km2/a的速率上升。

图3 黄河流域不同森林类型NPP年总量变化Fig.3 Variation in the annual total NPP of different forest types in the Yellow River Basin

3.1.2年均NPP变化

由图4可知,2001—2019年黄河流域森林年均NPP呈线性增加的趋势,其值在125.57—315.16g C m-2a-1内波动,年均NPP的平均值为241.58g C m-2a-1,年均增速为7.18g C m-2a-1,19a增长率为108.63%。对于不同的森林类型,年均NPP都呈线性增加的趋势(图5),年均NPP的平均值分别为178.48g C m-2a-1(阔叶林)、0.60g C m-2a-1(针叶林)和62.49g C m-2a-1(混交林),年均增速排序为：阔叶林(4.75g C m-2a-1)>混交林(2.39g C m-2a-1)>针叶林(0.04g C m-2a-1),19a增长率分别为：97.03%(阔叶林)、262.99%(针叶林)和140.66%(混交林)。此外,由表1可以看出,不同森林类型的年均NPP具有极显著差异(F=588.99),多重比较分析表明,阔叶林、针叶林和混交林年均NPP两两之间差异显著。

图4 黄河流域森林年均NPP变化 Fig.4 Variation in annual average NPP of forest in the Yellow River Basin

图5 黄河流域不同森林类型年均NPP变化Fig.5 Variation in annual average NPP of different forest types in the Yellow River Basin

3.2 黄河流域森林NPP的空间变化特征

从图6可以看出,黄河流域的陕西中部(如子午岭、黄龙山等区域)、南部(如秦岭北麓、六盘山、吴山等区域)及山西吕梁山等山地丘陵地区,森林NPP增加较快；而山西中部(如中条山等区域)和河南西北部(如伏牛山、小秦岭等区域),森林NPP增长较慢；山西东南部与河南交界处以及甘南藏族自治州等山地丘陵地区,森林NPP缓慢减少,可见黄河流域森林NPP的空间变化具有明显的异质性。根据图7的统计结果,黄河流域森林NPP呈增加趋势的面积为94.50%,其中显著增加的面积占73.29%；森林NPP呈减少趋势的面积为5.50%,其中显著减少的面积占1.57%。对比来看,黄河流域森林NPP呈增加趋势的面积比减少的面积多出89%,整体上呈增加趋势。各森林类型的NPP变化趋势面积百分比统计如图8所示,阔叶林NPP增加趋势显著的面积百分比最高(76.78%),其次为混交林(60.84%),针叶林最少(56.76%)。

表1 黄河流域不同森林类型年均NPP的单因素方差分析结果

图6 黄河流域森林NPP变化趋势Fig.6 Forest NPP change trend of the Yellow River Basin

图7 黄河流域森林NPP变化趋势显著性 Fig.7 Significance of forest NPP change trend of the Yellow River Basin

图8 黄河流域不同森林类型NPP变化趋势显著性面积百分比 Fig.8 Percentage of areas with significant change trend of forest NPP in different forest types in the Yellow River Basin

图9 黄河流域森林NPP的Hurst指数Fig.9 Hurst index of forest NPP in the Yellow River Basin

3.3 黄河流域森林NPP的可持续性分析

对2001—2019年间黄河流域森林NPP进行逐像元的Hurst指数分析,结果如图9所示,黄河流域森林NPP的Hurst指数介于0.38—1.00之间,平均值为0.87,其中H<0.5的像元数仅占0.66%,即呈弱反持续性(0.25≤H<0.5)；H≥0.5的像元数约占99.34%,其中,H≥0.5的像元内仅有10.66%的像元呈弱持续性(0.5

3.4 黄河流域森林NPP时空变化归因分析

将环境因子分为地理位置因子(纬度、经度)、地形因子(高程、坡度和坡向)和气候因子(气温、降水)3类,解释各种环境因子对于森林NPP的影响。如图10所示,环境因子对黄河流域森林NPP的时空变化特征的总体解释率为55.80%,剩余未解释部分可能由于林木本身的生物学特性,土壤及人为因素等造成。在所选的3类环境因子中,地理位置对于森林NPP时空变化的解释率最高(21.19%),其次为气候因子(13.41%),地形因子的解释率小于0。在多因子的协同解释率中,地理位置和气候因子之间的协同解释率最高(11.54%),略低于气候因子的独立解释率。而3类环境因子共同解释的部分只有6.59%,表明所选的环境因子对森林NPP时空变化的效应不是同等的,某些因素起主导作用。另外,由表2可知,各环境因子对黄河流域森林NPP时空变化的解释率排序为：经度(35.50%)>降水(8.00%)>气温(5.40%)>纬度(6.50%)>坡向(0.4%)>坡度(<0.10%)>高程(<0)。其中,经度、降水、气温和纬度因素在0.05水平上显著,表明其对森林NPP变化的影响作用较强。其余3个因素的影响未达到显著水平。

4 讨论

4.1 黄河流域森林NPP持续增加的原因

2001—2019年,黄河流域森林NPP年总量与年均值总体呈显著上升趋势(图2、图4),增速分别为0.36Tg C/a和7.18g C m-2a-1。黄河流域森林NPP空间变化的分析也表明,森林NPP呈增加趋势的面积达到94.50%,其中显著增加的面积达73.29%(图6、图7)；对增加趋势的可持续进行Hurst分析,结果表明,未来黄河流域森林NPP的变化趋势与2001—2019年间的变化趋势基本相同,即仍保持持续增加的趋势(图9)。为了探索黄河流域森林NPP持续增加的原因,本文对可能影响森林NPP时空变化的环境因子进行RDA归因分析,通过分析发现经度、降水、气温和纬度是影响森林NPP变化的显著环境因子(图10、表2)。研究证明,森林植被的经度地带性是受沿经度梯度方向的水分和热量条件差异而产生[22],水热条件向好的区域,森林的生长季相应延长,森林NPP随之升高[23]。气候的形成受地理位置影响,经度对气候的影响主要通过经度确定的地形等要素对太阳辐射和大气环流产生不同的影响作用,进而影响区域气候的变化[24]；纬度对气候的影响则是通过对太阳高度和太阳辐射的影响进而造成气候的地带性分布。气温升高在一定程度上可以提高植被光合作用速率和水分利用效率,加速森林生态系统的物质循环,从而使得森林NPP增加；降水量增加,土壤湿度上升,水分胁迫作用相应下降,有利于森林干物质的积累,森林NPP增加[25]。

4.2 GEE云平台结合RDA分析森林NPP时空变化及归因的优势

相较于传统的GIS处理体系,GEE云平台以其拥有的不断更新的庞大数据库和强大的数据处理和空间分析能力,为在大尺度分析遥感数据提供了巨大的可能性[26]。通过GEE云平台专用的高性能计算(HPC)基础架构,研究人员可以轻松、快捷的获取长时间序列的全球遥感数据[27],通过访问Internet的应用程序编程界面以及相关的基于Web的交互式开发环境来访问和控制空间分析功能,不受图像带、投影和分辨率等的影响,可以快速进行模型制作和结果可视化[28],因此,GEE为黄河流域森林NPP的长时序分析提供了一种新颖的准确评估方法。一般研究NPP时空变化归因的方法有最小二乘法[29]、逐步回归分析法[30]、SVD分析法[31]和相关系数法[11]等。其中,最小二乘法和逐步回归分析法仅能用于单个响应变量且自变量必须独立,SVD分析法和相关系数分析法则可表达两个变量对于NPP变化的影响作用；而RDA分析法可以有效针对多个自变量因子(环境因子)进行检验,得出影响响应变量(NPP)的因子(组)同时给出解释能力(方差)[32],因此,RDA分析法在探究黄河流域森林NPP时空变化的归因上更有优势。综上,将GEE云平台与RDA分析相结合优势明显,可以快速、高效的获取森林NPP的时空变化并对其进行归因,在黄河流域森林碳汇研究中有着广阔的应用前景。

表2 不同环境因子对黄河流域森林NPP的影响

图10 不同环境因子组对黄河流域森林NPP的影响 Fig.10 Impact of different environmental-factor groups on forest NPP in the Yellow River Basina.地形因子的独立解释率Independent interpretation of topographic factors；b.地理位置的独立解释率Independent interpretation of geographical location；c.气候因子的独立解释率Independent interpretation of meteorological factors；d.地形和地理位置的协同解释率Synergic interpretation of topographic and geographical location factors；e.地理位置和气候因子的协同解释率Synergic interpretation of geographical location and meteorological factors；f.地形和气候因子的协同解释率Synergic interpretation of topographic and meteorological factors；g.三类因素的综合解释率Comprehensive interpretation of 3 factors

4.3 不足与展望

本文采用了2001—2019年的MCD12Q1 V6数据集中的IGBP土地利用分类系统,IGBP分类系统在全球的土地利用分类精度上达到73.6%[33],该分类系统在黄河流域西北地区没有识别到森林,存在一定的缺陷,但是并不影响本文关于黄河流域森林NPP时空变化特征及归因研究的结论正确性,不过可在未来的研究中找寻分类精度更高的产品。本文中环境因子对黄河流域森林NPP时空变化的影响只有55.80%,其余未解释部分可能由于土壤因素和人类活动引起。故而在未来的研究中考虑加入土壤和人为因素对黄河流域森林NPP变化的影响作用。

5 结论

(1)黄河流域2001—2019年森林NPP年总量与年均NPP均呈现出线性增加的趋势,增速分别为0.36Tg C/a和7.18g C m-2a-1,其中以阔叶林的增速最快,混交林和针叶林次之,阔叶林、混交林和针叶林年均NPP具有极显著差异。

(2)黄河流域森林NPP的空间变化具有明显的区域差异,陕西省中部的子午岭、黄龙山、南部的秦岭北麓、六盘山、吴山及山西吕梁山等山地丘陵地区,森林NPP增加较快,其它区域则增加较慢或有减少,但整体上黄河流域森林NPP呈增加趋势,且呈现较强的可持续性。

(3)影响黄河流域森林NPP时空变化的主要环境因子是经度、降水、气温和纬度,其中经度影响最大,降水、气温和纬度次之。但是,环境因子也只能够解释黄河流域森林NPP时空变化的55.80%,其余未解释的部分还需要进一步的研究。今后可增加土壤和人类活动对森林NPP变化的影响研究。

(4)遥感大数据平台GEE结合冗余分析(RDA)可以快速、高效的获取黄河流域森林NPP的时空变化并对其进行归因分析,在黄河流域森林碳汇研究中有着广阔的应用前景。