阿坝州植被NPP动态变化及驱动力分析

陈 超 谢玉凤

（1.东莞水乡特色发展经济区管理委员会，广东 东莞 523000；2.四川省冶金地质勘查局测绘工程大队，四川 成都 610212)

0 引言

植被净初级生产力（Net Primary Productivity，NPP）是指绿色植物在单位时间、单位面积内积累的有机物数量［1］，是地区生态环境质量评价、植被保护与恢复建设的重要指标。目前，中国学者们已经在植被NPP的模拟计算、时空动态变化及驱动因素分析等方面取得诸多研究成果。周淑琴等［1］利用MODIS-NPP成果数据完成了榆林市近10 年来植被NPP时空特征差异分析；张镱锂等［2］利用CASA 模型对青藏高原高寒草地NPP进行模拟计算，并对其1982—2009 年的时空变化过程进行定量分析；孙成明等［3］为寻求快捷简便的中国草地NPP获取方式，利用MODIS-NDVI与气象数据探索出中国草地NPP获取模型，并与实测数据对比验证取得良好效果；毛德华等［4］对东北地区植被NPP时空格局变化与驱动力因素进行了分析。

由于NPP数据获取需要涉及到气象、植被类型、土地利用类型等诸多因素，目前大多对区域NPP变化的研究主要采用MODIS17A3 影像反演产品完成。然而，该反演产品在大多数地区均存在极少像元缺失的情况。针对此类问题，学者们通常采用异常值剔除［5］或Savitzky-Golay 滤波［6-8］进行数据处理，但这两种方法均会对数据整体质量造成较大的影响。此外，它们大都侧重于植被NPP动态变化规律的探索，而对其形成空间分布差异的主要原因少有涉及。近年来，随着地理信息科学的飞速发展，利用GIS 技术对该类数据进行修复的方法已趋于成熟，并且取得良好效果。同时，为实现地理现象空间分异规律的探索，学者们提出了地理探测的概念，较好地弥补了该领域研究的不足［8-12］。

基于以上，本研究利用GIS 数据修复技术完成阿坝州MODIS-NPP数据修复，并将GIS 与RS 技术相结合对2000—2015 年阿坝州植被NPP进行时空格局变化分析，借助地理探测器对影响区域NPP分布的驱动因素进行研究，以期为该地区植被保护与生态环境建设提供科学的理论参考依据。

1 数据与方法

1.1 数据来源

2000 年、2007 年和2015 年植被NPP数据来源于美国蒙大拿大学森林学院(NTSG)提供的MODIS17A3 地球表面GPP/NPP 遥感成果，其空间分辨率为30 s，比例系数为0.1，单位为gC/(m2·a)。1:100 万中国植被类型矢量数据，2015 年该地区的各要素均为空间分辨率1 km 的栅格数据（年均温度、年累计降雨量、NDVI、土地利用类型、DEM、人口密度和GDP）均由中国科学数据中心(http://www.resdc.cn)提供。

1.2 数据处理

1.2.1 数据修复。因受到云、雾、气溶胶等因素的影响，三期数据均有约0.74%的像元为空值，这些异常像元MODIS-NPP解算模型默认赋值65 535。为减少异常值对研究的干扰，提高研究成果的准确性与科学性，本研究在参考大量相似数据修复成果［13-14］的基础上对该数据集进行修复。

首先，为便于植被NPP数据修复工作的顺利进行，使用ArcGIS10.0 软件对其进行投影变换与重采样处理，保证三期植被NPP数据均采用Albers 投影，像元大小均统一为1 000 m。其次，利用Arc-GIS10.0软件Conversion tool模块下的Raster to Point工具实现栅格数据向矢量数据的转换，同时利用数据属性表将异常值65 535删除，从而得到无异常值的点矢量数据；利用Spatial analysis 模块下面的Interpolation analysis 功能完成点矢量数据的栅格化，得到空间分辨率为1 000 m 的栅格数据；以异常值65 535 为分界阈值对数据进行重分类，从而构建数据空洞掩膜Mask(0,1)与Mask(1,0)。最后，借助Spatial analysis 模块下Grid calculator 构建数学表达式（1），实现数据模拟修复（如图1所示）。

图1 2000—2015年阿坝州年均植被NPP修复

式中：NPP为模拟修复后的成果数据；NPP1为含有异常值的原始数据；NPP2为去除异常值后进行空间插值生成的栅格数据；Mask(0,1)空洞值为0的掩膜数据；Mask(1,0)空洞值为1 的掩膜数据；0.1 为该数据的比例系数。

1.2.2 数据分类定级。NPP数据分类定级能最大化做到化整为零，实现整个研究区NPP时空格局变化的具体化与准确化表达。目前，涉及数据分类、分级的研究大都采用人工判读的方法进行［1，12］，该方法主要是通过大量参照前人的研究成果同时结合其他相关辅助资料来完成的，受人为主观因素的影响较大，存在较大的缺陷。自然断点法从栅格像元空间分布概况与数据空间聚类原理出发，能较好地完成栅格数据的分类，既能最大限度地实现将具有相似像元值的栅格像元进行恰当分组，又能将各类别间的差异得以最大化凸显。因此，本研究在参考该地区土地利用类型与NPP像元频数分布的基础上，采用自然断点实现三期数据分类定级，将其分为Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级等5个等级。

1.3 地理探测器

地理探测器是一种能揭示地理现象空间分异差异和分析自变量与因变量之间相互作用的数学模型［9-10］。因子探测器主要用于探测各个自变量X对因变量Y空间分异的影响力度［11-12］，采用q进行表征，公式为式（2）和式（3）。

式中：q为因子解释力，数值在[0,1]；h为变量X或Y的分类区间；Nh和N和为各层或者全域的分区数量；SSW和SST为层内和全区总方差。

2 结果与分析

2.1 NPP空间分布特征

2000—2015 年阿坝州年均NPP空间分布状况如图1 所示。2000—2015 年内全州年均NPP空间分布主要表现为南部地区、东北部地区NPP平均值较高，越靠近西部及西北地区植被NPP值越低的空间分布特征。这主要是阿坝州的地形、土地利用状况、植被分布类型及气象等因素共同作用的结果。

2.2 NPP状态与趋势变化

NPP整体状态与趋势变化反映了各等级NPP间相互转换关系，用状态与趋势变化指数描述［15-16］，见式（4）。

式中：Rt为整个研究区NPP状态与趋势变化指数；ΔU1、ΔU2分别为研究区NPP转入与转出变化量的绝对值；ΔUin-i为其他等级NPP转换为第i级的数量；ΔUout-i为第i级NPP转换为其他等级的数量。研究中将状态与趋势变化指数Rt进行分级描述：当0 ≤Rt≤0.25 时，研究区NPP变化为平衡状态，各等级NPP间呈现十分明显的双向互转关系；当0.25 ≤Rt≤0.5 时，研究区NPP变化为准平衡状态，各等级NPP间呈现较明显的双向互转关系；当0.5 ≤Rt≤0.75 时，研究区NPP变化为不平衡状态，各等级NPP间呈现较明显的单向转换关系；当0.75 ≤Rt≤1 时，研究区NPP变化为极度不平衡状态，各等级NPP间呈现十分明显的单向转换关系。

本研究以NPP转换计算模型计算各等级NPP空间的转移状况，并计算趋势变化指数（见表1）。

表1 阿坝州2000—2015年各等级NPP转换变化量

将三期NPP分级数据在ENVI5.2 软件中进行处理，可生成2000—2015 年各等级NPP变化转移矩阵，同时结合式（4）对整个研究区NPP状态与趋势变化状况进行分析。研究结果显示：三个时段内阿坝州NPP状态与趋势指数变化分别为0.42、0.08、0.35。就整个研究期而言，阿坝州NPP变化为准平衡状态，各等级NPP间呈现较明显的双向互转关系，且NPP转入与转出总量基本持平。比较前后两个时期的阿坝州NPP状态与趋势变化指数，可以发现其前期指数远大于后期，说明前期各等级NPP间相互转换比后期频繁。

2.3 空间分异影响因素分析

研究选取高程、NDVI、植被类型、年均温度、土地利用类型、坡度和年累计降水量等7 个因子，借助地理探测器得出各因子解释力q，可实现其空间分异驱动机制的分析（见表2）。

表2 各因子q值探测结果

由表2 可知，各驱动因子对植被NPP的解释力也存在明显的差异。q值变化具体呈现出高程＞NDVI＞植被类型＞年均温度＞土地利用类型＞坡度＞年累计降水的特征；从q值的数值变化可知高程对植被NPP空间分布差异性形成的影响力最大，而年累计降水量的影响作用最小；从解释力分析可知，高程和NDVI 对植被NPP形成空间分布差异的因子解释力达到40%以上，为驱动植被NPP分布差异性形成的主要因子；植被类型、年均温度和土地利用类型次之，解释力在20%～40%之间；坡度和年累计降水量对植被NPP形成空间分布地域差异的影响作用最低，在20%以下。

3 结论

本研究主要以GIS 技术为工具，实现了阿坝州植被NPP数据异常值的剔除与模拟修复，并对其变化规律及空间分异分析，主要成果如下。

从NPP空间分布变化状况进行分析，16 年内阿坝州NPP空间分布呈现由南向北、自东向西逐渐减小的变化趋势；NPP整体状态与趋势变化反映出，16 年内阿坝州各等级NPP间呈现较明显的双向转换关系，且转入与转出量基本持平，变化趋势相对合理；高程和植被类型对NPP的空间分布地区差异产生的明显的确定作用，且各因子产生交互作用的驱动力比单因子的驱动作用更加明显。