基于地理探测器的山地城市植被净初级生产力时空演变及驱动因素研究

摘要：为探究植被净初级生产力（net primary productivity，NPP）时空演变特征和主要驱动情况，本研究基于2000—2020年的GLASS-NPP数据，并结合气象、高程（digital elevation model，DEM）、人口密度、土地利用和归一化植被指数（normalized difference vegetation index，NDVI）数据，采用趋势分析、相关性分析和地理探测器模型，定量研究了重庆市2000—2020年间植被NPP的时空演变和影响因子的驱动情况。结果表明：1）2000—2020年，重庆市植被NPP随时间变化呈现出波动上升的趋势，值处于567.56～756.32 g·C/m²/a之间。2）在空间上呈现出“两高一低”的分布状况，全市植被NPP最高值为968.34 g·C/m²/a，最低值为76.23 g·C/m²/a。3）重庆市植被NPP与气温、降水之间均存在显著的相关性，相关系数的均值分别为-0.22和0.31。4）对重庆市植被NPP起主导作用的影响因子为植被覆盖因子、气温因子、海拔因子，并且任意两个因子之间的作用表现为非线性增强，表明多因子之间交互作用为协同交互。文章旨在为地方监测森林植被高质量发展和同类型城市实施生态环境保护提供科技支撑和行动参考。

关键词：植被净初级生产力（NPP）；地理探测器；时空变化；驱动因子；重庆

中图分类号：Q948文献标志码：A植被净初级生产力（net primary productivity，NPP）是地表植被在单位面积、单位时间内除去自生呼吸代谢所保留的有机物总量，是植被生长繁殖和生态系统内其他生物生命代谢的基础条件［1］。NPP可以用来衡量植被固定大气中的CO2的能力［2］，借此用来作为判断生态系统碳平衡以及调控生态过程的重要因子［3］。研究NPP的时空变化以及驱动力因子的作用情况可以有效地了解植被的生长状况，用于植被生长评估、生态系统的碳平衡测算，对维护区域生态环境可持续发展有着重要的研究意义［4］。

目前，对于植被NPP主要是基于遥感的Biome-BGC模型［5］和CASA模型模拟演算的方法进行研究。内容多以研究其植被NPP时空变化、驱动机制情况以及对气候因子的响应等为主。在基于MODIS数据产品的研究中，植被NPP的值在研究时序范围内呈现出波动上升的趋势，表示植被处于恢复状态［6-7］，植被NPP变化与蒸散发、温度、区域和季节相关［8］，植被NPP与降水量相关性显著，与年均气温相关性不显著［9-10］。对于植被NPP影响因子的作用情况，在单因子之中，降水、海拔和植被覆盖等因子起到了主导作用，任意两个因子之间均存在线性增强的作用［11］。李肖等[12-14]针对不同空间尺度的生态环境评估提供了相关理论支撑，扩展了植被NPP与碳循环机制的研究。高竹清等[15]结合遥感监测和气象数据，通过CASA模型模拟出研究区的植被NPP情况，以及对潜力进行评估［16］。上述内容丰富了在不同区域与不同尺度下对于植被NPP的空间演变与长时序的动态监测的研究，验证了影响因子与植被NPP的耦合关系，为后续研究生态系统碳循环提供了坚实的理论依据［17-18］。

地理探测器可用来探测事物的空间分异情况，探究单个因子的影响情况以及多个因子交互作用于因变量的程度，并将这种影响程度定量化，使其具有更好的解释作用［19］。相较于传统的统计学方法，地理探测器的优势在于能够更加客观地对数据进行分析、量化指标因子、识别其对地理事物的耦合情况。将地理探测模型运用到植被NPP的研究当中，可以量化因子的作用程度以及各个因子的协同情况［20-21］。

本研究基于GLASS数据集中的Net Primary Productivity（NPP）数据，对重庆市2000—2020年植被NPP进行研究，并结合趋势分析、相关性分析、地理探测器模型对植被NPP的时空演变、气象因子的相关性以及多个因子的影响情况进行分析，定量解释时空演变规律、植被NPP与气象因子的相关程度和区域的主要驱动因素。

1研究区概况

重庆市（图1）位于我国西南地区，处于川东平行岭谷地区，区域地形起伏较大，以低山、丘陵为主，市区四周地势高，中心地势低，是一个典型的山地城市［22］。重庆市地跨东经105°11′～110°11′，北纬28°10′～32°13′，东临湖北、湖南，南靠贵州，西接四川，北连陕西，幅员面积8.24万km2。重庆市是长江上游地区经济发展的重要节点城市，也是承载其政治、经济、文化等多要素的中心，辖区内除主城9区以外，还包含26个县（自治县）。重庆市作为西南地区的特大山地城市，具有特殊的地形地貌条件，植被类型较为丰富。因此，本文选择重庆市作为研究对象，研究植被NPP的时空变化，基于生态视角探究重庆市历年植被的固碳能力，为后续植被净初级生产力研究提供参考。

2数据与方法

2.1数据来源与处理

数据来源如表1所示。本研究获取NPP数据的时间范围为2000—2020年，时间分辨率为1 a。Digital Elevation Model（DEM）数据来源于地理空间数据云（http：//www.gscloud.cn/home），其分辨率为90 m。气温和降水数据来源于西北农林科技大学水土保持研究所的彭守章研究员在《Earth System Science Data》发表的论文《1 km monthly temperature and precipitation dataset for China from 1901 to 2017》，时间为1901.1—2020.12。气候数据是据CRU发布的全球0.5°气候数据以及WorldClim发布的全球高分辨率气候数据，通过Delta空间降尺度方案在中国地区降尺度生成。并用496个独立气象观测点数据进行验证，验证结果可信。气温单位为0.1 ℃，降水单位为0.1 mm［23］。归一化植被指数（normalized difference vegetation index，NDVI）数据来源于1992年2月美国地球观测系统（EOS）计划中发射的卫星Terra所搭载的中分辨率成像光谱仪（MODIS）所采集的MOD13Q1系列数据集，其数据全称为MODIS/Terra Vegetation Indices 16-DayL3 Global 250 m SIN Grid。土地利用数据来源于全球地表30 m地表覆被精细化分类产品V1.0。原始数据包含29个地类，通过整理合并，最终得到6个一级大类，分别为耕地、林地、草地、水域、建设用地和未利用地。人口密度数据来源于World Pop hub，该数据整合了全世界2000—2020年的人口密度数据，以栅格像元的大小表示人口密度的高低。通过预处理，将数据进行投影、栅格分辨率的统一，并将历年的栅格数据进行裁剪，最终得到重庆市范围的研究数据。

2.2研究方法

2.2.1趋势分析

采用基于栅格像元尺度的一元线性回归分析的方法，对栅格像元逐个进行回归分析，得出研究区内植被NPP随时间的变化在空间上的增减趋势，以及其动态的演化规律。本研究通过此方法，探究在2000—2020年间重庆市植被NPP的动态变化规律。其计算公式如式（1）：

2.2.2相关性分析

2.2.3地理探测器

空间分异是地理现象的一个特点，地理探测器则是对空间分异进行探测的一种方法，也是揭示其背后驱动因子的一种统计学方法，具有明确的物理含义。假设研究区分为若干子区域，如果子区域的方差之和小于区域总方差，则存在空间分异性;如果两变量的空间分布趋于一致，则两者存在统计关联性。采用地理探测器的q统计量来度量空间分异性、探测解释因子、分析变量之间的交互关系。

1）分异因子探测：探测自变量的空间分异和单因子自变量对因变量的空间分异的解释程度。其结果用q值表示，其公式如式（3）、（4）：

2）交互作用探测：识别出各个自变量之间的交互作用，表现为在多个自变量不同组合的情况下，对因变量的解释能力是否增强或减弱，还是自变量之间本身即为独立变量（表2）。

3结果分析

3.1重庆市植被NPP时间变化特征分析

由图2可知，在2000—2020年的21年间，重庆市植被净初级生产力的年际均值和最大值均呈现出波动上升的趋势，重庆市年均NPP在567.56～756.32 g·C/m²/a之间。在2000年时，NPP均值最小，为567.56 g·C/m²/a，在2019年时，NPP均值达到最高，其值为756.32 g·C/m²/a。NPP的均值和最大值在2000—2020年间的整体变化趋势保持一致，在2002—2006年、2007—2011年、2015—2018年这三个阶段出现轻微下降的趋势，并且同样是在三个阶段的年末NPP均值和最大值都有一定程度的上升，但未保持连续多年持续增长。在2000—2020年内，重庆市的植被在整体上是保持一个持续恢复的态势，植被的生长状况也有显著的提高。

3.2重庆市植被净初级生产力空间变化特征分析

3.2.1重庆市植被NPP空间趋势特征

由图3和表3可知，2000—2020年重庆市平均植被NPP在空间上呈现出“两高一低”的分布情况。“两高”则是渝东北和渝东南地区植被NPP值整体较高，其均值分别为693.05 g·C/m²/a和696.54 g·C/m²/a；“一低”是主城都市区植被NPP值相对较低，其均值为573.89 g·C/m²/a，特别是在渝中区、南岸区、九龙坡区、沙坪坝区等主要城区，其植被NPP值出现最低。渝东北地区植被NPP值最低为51.60 g·C/m²/a，位于在万州区内；最高值为968.34 g·C/m²/a，位于城口县内。渝东南地区植被NPP值最低为76.23 g·C/m²/a，位于石柱县内；最高值为870.79 g·C/m²/a，位于酉阳县；主城都市区植被NPP值最低为27.74 g·C/m²/a，位于渝中区和南岸区；最高值为878.50 g·C/m²/a，位于南川区。

由图4及表4可知，2000—2020年间，重庆市内植被NPP的变化类型主要以轻微增加为主，其面积为37 672.58 km²，占全市面积的45.72%。该类型在彭水、黔江、酉阳和秀山等区县出现较为集中的空间分布情况。变化为基本不变和显著增加的两种情况占比相差不大，分别为26.92%和25.90%，其面积分别为22 184.07 km²和21 338.40 km²。类型为基本不变的区域主要分布在城口、巫溪、石柱和武隆等区县，类型为显著增加的区域则主要分布在开州、万州、云阳和奉节等区域。显著减少和轻微减少的面积分别占总面积的0.63%和0.83%，其面积为520.27 km²和681.29 km²。显著减少和轻微减少主要集中在主城都市区的中心区域，包括渝中区、渝北区、南岸区和九龙坡区等。

3.2.2气象因子与植被NPP的相关性分析

气象因子在一定程度上影响着植被的空间分布和第一净初级生产力的累积。气温和降水是影响区域植被净初级生产力的两个自然因素。本研究基于栅格像元尺度，分别对植被NPP和气温、植被NPP与降水进行相关性研究。采用了2000年、2005年、2010年、2015年以及2020年这5个时间节点的植被NPP数据、平均气温和平均降水数据。

通过分析2000—2020年植被NPP与年均气温，多年温度均值在4.32～19.06 ℃，多年平均值为15.76 ℃。由图5可知，植被NPP与年均气温在像元尺度的相关性系数在-0.999 8～0.999 3之间。正相关性区域面积占研究区总面积的30.20%，负相关区域占69.80%。呈负相关的区域面积远高于呈正相关的区域面积。呈负相关关系的区域主要连片分布在渝西片区，包括合川区、铜梁区、潼南区、荣昌区、沙坪坝区、渝中区、南岸区等，在渝东南与渝东北地区的空间分布状况为“大分散，不连片，小聚集”。呈现正相关的区域主要分布在渝东南和渝东北地区，包括城口县、奉节县、云阳县、石柱县、黔江区、酉阳县等，在空间上并不是集中分布，而是与山脉特征相似的分布状况，条形纹理较为清晰。在渝西片区的空间状况表现为零星散点分布。就植被NPP与年均气温而言，其相关系数的均值为-0.22，由t检验可得，通过Plt;0.05检验的区域占研究区总面积的2.31%，集中分布在城口县和巫溪县，零星分布在主城都市区范围内。

通过分析2000—2020年植被NPP与年均降水，多年降水均值在899.2～1 264.2 mm之间，多年平均值为1 078.28 mm。由图6可知，植被NPP与年均降水在像元尺度上的相关系数在-0.999 4～0.999 9之间。正相关性区域面积占研究区总面积的70.54%，负相关区域占29.46%。呈正相关的区域面积远高于负相关区域面积。呈现正相关关系的区域主要分布在渝东北、渝东南以及主城都市区的南部，包括巫山县、巫溪县、开州区、云阳县、奉节县、黔江区、綦江区等，其中在开州区、云阳县、奉节县、巫溪县和巫山县呈现出高度的正相关关系并且空间分布情况完整。呈现出负相关关系的区域主要集中分布在主城都市区的东北部分以及中心城区，包括渝中区、沙坪坝区、南岸区、江北区、潼南区、璧山区、涪陵区等，植被NPP与年均降水的相关性在空间上的分布皆为集中连片分布，极少数存在零星分布。就植被NPP与年均降水而言，其相关系数的均值为0.31，由t检验可得，通过Plt;0.05的区域面积占研究区总面积的6.72%，主要分布在云阳县、奉节县和巫山县等。

3.3植被NPP空间分异的影响分析

采用地理探测器方法是从自然因素和人为因素两个方面进行分析，影响因子分别为海拔、坡度、植被覆盖、气温、降水和人口密度、土地利用。通过计算各个因子的q值来衡量每个因子对植被NPP的解释能力，其中，q值越大表明该因子对植被NPP的解释能力越强，反之越弱。由图7可知，2000—2020年间自然因子和人为因子对重庆市植被NPP的解释程度情况。其中，植被覆盖因子对植被NPP的解释能力最强，在2000年、2005年、2010年、2015年和2020年的q值分别为0.68，0.72，0.67，0.67和0.65；气温因子的q值分别为0.68，0.64，0.61，0.53 和0.36;其他因子的q值在2000—2020年间都相对较低。由此可知，在2000—2020年间，自然因子中的植被覆盖和气温对重庆市植被NPP起主导作用。相较于人为因子中的土地利用类型和人口密度，历年的q值分别为0.34，0.39，0.43，0.44 和0.45；0.04，0.06，0.10，0.09和0.14，其解释能力较弱，其中人口密度因子的解释能力最弱。

通过地理探测器的多因子交互作用探测，得出任意两个因子之间均表现出非线性增强作用的特点，表明植被NPP的变化是多因子协同作用的结果。由表5可知，在2000年、2005年、2010年和2020，植被覆盖与气温因子相互作用的解释能力大于其他因子之间的相互能力，其影响值分别为0.80，0.81，0.78，0.70；在2015年时，植被覆盖因子和降水因子的相互作用能力大于其他因子之间的交互作用能力，影响值为0.76。综合分析图7和表5，植被覆盖因子在植被NPP的变化当中起到决定性的作用，植被覆盖程度高的区域其植被的固碳能力就越强。由历年的多因子交互影响值可以看出，在2000年，第三主导交互作用中含有人为因子中的土地利用类型因子；但在后续研究的时间节点中，前三主导交互作用中均为自然因子，表明在时间的变化过程中，自然因子在植被NPP的变化情况上占据着主要作用，其中包含植被覆盖因子、气温因子、降水因子和地形因子。尽管自然因子起着主要作用，但通过分析表5，前三个交互作用当中的影响值的大小从2000年至2020年，存在明显的下降，由于本文影响因子选取的局限性，近年来可能出现其他影响因子的情况。

4结论与讨论

4.1结论

本研究基于2000—2020年的GLASS-NPP数据，并结合气象、DEM、人口密度、土地利用和NDVI等数据，采用趋势分析、相关性分析和地理探测器模型，定量研究了重庆市在2000—2020年间植被NPP的时空演变和影响因子的驱动情况，研究发现：

1）2000—2020年，重庆市植被NPP整体呈现波动上升的趋势，其值在567.56～756.32 g·C/m²/a之间，在2019年到达顶峰，在2000年最低。重庆市的植被NPP在整体上保持一个持续恢复的态势，植被的生长状况也有显著的改善。

2）2000—2020年，重庆市植被NPP均值空间分布情况表现为“两高一低”。“两高”是渝东南和渝东北，“一低”为主城都市区。该空间分布情况与区域发展存在相关性。全市植被NPP值最低（76.23 g·C/m²/a）位于主城都市区内的渝中区和南岸区，最高值（968.34 g·C/m²/a）位于渝东北地区的城口县内。

3）在2000年、2005年、2010年、2015年和2020年，重庆市降水、气温与植被NPP存在显著相关性，其中气温与植被NPP的相关系数在-0.999 8～0.999 3之间；降水与植被NPP的相关系数在-0.999 4～0.999 9之间。

4）通过地理探测器来探测单因子和多因子交互作用对植被NPP变化的影响，最终得出植被覆盖因子、气温因子和海拔因子在单因子作用的情况下起着主导作用。其中，任意两高因子之间对于植被NPP的影响均为非线性增强，表明多因子的交互作用为协同交互。

文章旨在为地方监测森林植被高质量发展和同类型城市实施生态环境保护提供科技支撑和行动参考。

4.2讨论

4.2.1植被NPP时空演变趋势

2000—2020年重庆市植被NPP在空间上呈现“两高一低”的分布格局。重庆市作为山地城市，其“两高”区域分别是渝东南和渝东北地区，多山且以林地为主是其主要地理特征，对于林地而言，其植物对光能转化效率大于其他地表覆被类型，再加上重庆市属于亚热带季风湿润气候，为植被的生长和发育提供了极有利的先决条件，故植被NPP较高［24-25］；重庆市的渝西片区主要为城市建成区，地表覆被类型主要为不透水面，植被的生长条件受到限制，因此植被NPP较低［26］。从时序上看，2000—2020年，重庆市植被NPP呈现波动上升的趋势，与之前研究结果一致［27-28］。重庆市地属我国西南地区，自然灾害高发，特别是冬夏两季，这对于植被的生长情况会产生抑制作用，可能是造成在某些年份植被NPP下降的自然原因［29-31］。除自然原因导致植被NPP下降之外，本身的气候条件适宜植被生长，再加上国家重视生态环境保护，实施了一些环境保护工程，如退耕还林、长江防护林等工程。综上原因，从2000至2020年的21年以来，从自然和人为两个方面的研究结果显示，对植被生长是利好而不是抑制。

4.2.2重庆市植被NPP影响因子分析

基于地理探测器方法对重庆市植被NPP的影响因子进行探测，得到结果是自然因数占据主导作用，其解释力要强于人为因素。从土地利用类型与人口密度因子历年的作用情况可知，随时间增加其解释力在逐渐增强，这与之前研究不谋而合［6，11，32-33］，侧面验证该方法的适用性和准确性。通过分析单因子影响和多因子交互作用情况可知，对于重庆市植被NPP的影响是多因子交互作用的结果，其中包括自然因素和人为因素两个方面的交互作用。从2000至2020年，影响因子交互作用情况的影响值逐年降低，表明选取的影响因子的影响情况也在减弱。本文是在前人的同类研究基础之上，最终确定土地利用类型、NDVI、人口密度、坡度、海拔、降水和气温7个因子作为研究的自变量［6，11，34］，以期较为全面地分析对植被NPP的影响，提高其结果的准确性。由于本文在研究过程中对植被NPP时空变化未考虑季节、月份等角度，可在以后研究当中加入进行研究。在后续研究过程中可增加因子数量，从多角度、多层次进行分析，从而进一步提高研究结果的准确性。参考文献：

[1]FIELD C B. Global net primary production： combining ecology and remote sensing［J］.Remote Sensing of Environment， 1995， 51：74-88.

［2］ 申霞， 王鹏， 王为攀， 等.滨海盐沼净碳汇能力研究方法综述［J］.生态学杂志， 2022， 41（4）： 792-803.

［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］ 周自翔， 李晶， 冯雪铭.基于GIS的关中-天水经济区土地生态系统固碳释氧价值评价［J］.生态学报， 2013， 33（9）： 2907-2918.

［5］ 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.

［6］ 孙治娟， 谢世友.基于地理探测器的云南省净初级生产力时空演变及因子探测［J］.生态学杂志， 2021， 40（12）： 3836-3848.

［7］ 任正超， 朱华忠， 史华， 等.中国潜在自然植被NPP时空分布格局变化及其对气候和地形的响应［J］.草地学报， 2017， 25（3）： 474-485.

［8］ 张茹， 宋孝斌， 张继勋.黄河流域植被净初级生产力对干旱和蒸散发的响应［J］.水利水电技术（中英文）， 2022， 53（9）： 57-69.

［9］ 洪乐乐， 沈艳， 马红彬， 等. 2000—2019年宁夏植被净初级生产力时空变化及其驱动因素［J］. 应用生态学报， 2022， 33（10）： 2769-2776.

［10］杨安乐， 张小平， 李宗省， 等. 气候变化和人类活动对祁连山国家公园植被净初级生产力的定量影响［J］. 生态学报， 2023， 43（5）： 1784-1792.

［11］邵嘉豪， 李晶， 闫星光， 等. 基于地理探测器的山西省2000—2020年NPP时空变化特征及驱动力分析［J］. 环境科学， 2023， 44（1）： 312-322.

［12］李肖， 袁金国， 孟丹.河北省2005—2014年植被NPP时空演变及其与气候因子的关系［J］.水土保持研究， 2018， 25（6）： 109-114， 120.

［13］刘旻霞， 焦骄， 潘竟虎， 等.青海省植被净初级生产力（NPP）时空格局变化及其驱动因素［J］.生态学报， 2020， 40（15）： 5306-5317.

［14］刘玉红， 张筠， 张春华， 等.2000—2015年山东省植被净初级生产力时空变化及其对气候变化的响应［J］.生态学杂志， 2019， 38（5）： 1464-1471.

［15］高清竹， 万运帆， 李玉娥， 等. 基于CASA模型的藏北地区草地植被净第一性生产力及其时空格局［J］. 应用生态学报， 2007， 18（11）： 2526-2532.

［16］李庆， 王洪涛， 刘文， 等.以HJ-1卫星遥感数据估算高寒草地植被净第一性生产力的潜力评估： 以若尔盖草地为例［J］.中国沙漠， 2013， 33（4）： 1250-1255.

［17］刘婧， 汤峰， 张贵军， 等.2000—2015年滦河流域植被净初级生产力时空分布特征及其驱动因子分析［J］.中国生态农业学报（中英文）， 2021， 29（4）： 659-671.

［18］刚成诚， 王钊齐， 杨悦， 等.近百年全球草地生态系统净初级生产力时空动态对气候变化的响应［J］.草业学报， 2016， 25（11）： 1-14.

［19］王劲峰， 徐成东.地理探测器： 原理与展望［J］.地理学报， 2017， 72（1）： 116-134.

［20］左丽媛， 高江波.基于地理探测器的喀斯特植被NPP定量归因［J］.生态环境学报， 2020， 29（4）： 686-694.

［21］何宏昌， 马炳鑫， 靖娟利， 等.近20年西南喀斯特地区植被NPP时空变化及自然因素地理探测［J］.水土保持研究， 2022， 29（3）： 172-178， 188.

［22］周浪， 李明慧， 周启刚， 等.基于电路理论的特大山地城市生态安全格局构建： 以重庆市都市区为例［J］.水土保持研究， 2021， 28（2）： 319-325， 334.

［23］PENG S Z， DING Y X， LIU W Z， et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017［J］. Earth System Science Data， 2019， 11（4）： 1931-1946.

［24］李义平， 蔡宏， 田鹏举， 等.贵州省黎平县地表覆被变化引起的生态系统碳储量变化［J］.水土保持通报， 2020， 40（2）： 92-99， 325.

［25］QIU H H， HU B Q， ZHANG Z. Impacts of land use change on ecosystem service value based on SDGs report： taking Guangxi as an example［J］. Ecological Indicators， 2021， 133：108366.1-108366.14.

［26］沈中健， 曾坚.厦门市热岛强度与相关地表因素的空间关系研究［J］.地理科学， 2020， 40（5）： 842-852.

［27］徐勇， 黄雯婷， 郑志威， 等.基于空间尺度效应的西南地区植被NPP影响因子探测［J］.环境科学， 2023， 44（2）： 900-911.

［28］WANG Y J， SHEN X J， JIANG M， et al. Spatiotemporal change of aboveground biomass and its response to climate change in marshes of the Tibetan Plateau［J］.International Journal of Applied Earth Observation and Geoinformation， 2021， 102：102385.1-102385.10.

［29］LI J， WANG Z L， LAI C G. Severe drought events inducing large decrease of net primary productivity in China’s mainland during 1982—2015［J］. Science of the Total Environment， 2020， 703： 135541.1-135541.14.

［30］陈杰， 仙巍， 陈春容.2000—2015年川西地区植被NPP时空动态及驱动因子［J］.水土保持研究， 2019， 26（5）： 137-143.

［31］马炳鑫， 靖娟利， 徐勇， 等.2000—2019年滇黔桂岩溶区植被NPP时空变化及与气候变化的关系研究［J］.生态环境学报， 2021， 30（12）： 2285-2293.

［32］王钊， 李登科.2000—2015年陕西植被净初级生产力时空分布特征及其驱动因素［J］.应用生态学报， 2018， 29（6）： 1876-1884.

［33］吴艳艳， 吴志峰， 余世孝.定量评价人类活动对净初级生产力的影响［J］.应用生态学报， 2017， 28（8）： 2535-2544.

［34］程春香， 于敏， 吴门新， 等.2000—2020年黑龙江省陆地植被NPP驱动因子分析［J］.东北农业大学学报， 2022， 53（6）： 20-28， 75.

（责任编辑：曾晶）

Research on the Temporal and Spatial Evolution and Driving

Factors of Net Primary Productivity of Vegetation in

Mountain Cities Based on Geographic Detectors

——Taking Chongqing as an Example

WANG Fuhai CHEN Dan， LI Hui

（School of Public Affairs， Chongqing Finance and Economic College， Chongqing 401320， China）Abstract： In order to explore the temporal and spatial evolution characteristics and main driving conditions of net primary productivity （NPP） of vegetation in Chongqing， using trend analysis， correlation analysis and geographic detector model， this study quantitatively studies the spatiotemporal evolution of vegetation NPP and the driving conditions of influencing factors in Chongqing during 2000—2020， based on the GLASS-NPP data from 2000 to 2020 as the basic data combined with meteorological data， DEM， population density， land use， and NDVI multi-source data，" The results show that from 2000 to 2020， the vegetation NPP in Chongqing shows a fluctuating and rising trend over time， and the value of vegetation NPP is between 567.56 and 756.32 g·C/m²/a Spatially， it shows “two highs and one low”; the highest value of vegetation NPP in Chongqing is 968.34 g·C/m²/a， and the lowest value is 76.23 g·C/m²/a There is also a significant correlation between vegetation NPP and air temperature and precipitation in Chongqing The mean values of the coefficients are -0.22 and 0.31， respectively The dominant influencing factors for the vegetation NPP in Chongqing are vegetation coverage factor， temperature factor， and altitude factor; the interaction between any two factors is nonlinearly enhanced， indicating that the interaction between multiple factors is a synergistic interaction.

Key words： net primary productivity （NPP） of vegetation; geographic detectors; spatiotemporal changes; drivers; Chongqing