中国西北地区植被NPP多时间尺度变化及其对气候变化的响应

贾俊鹤,刘会玉,*,林振山

1 南京师范大学地理科学学院,南京 210023 2 虚拟地理环境教育部重点实验室(南京师范大学),南京 210023 3 江苏省地理环境演化国家重点实验室培育建设点,南京 210023 4 江苏省地理信息资源开发与利用协同创新中心,南京 210023

西北处我国干旱、半干旱气候区,地形复杂,多戈壁和沙漠地貌,年降水量不足600mm,是我国主要的气候变化敏感区和生态脆弱区,受气候变化影响大[1]。近百年来中国的气温上升了0.4—0.5℃,且西北气温增加的幅度大于全国平均水平[2],气候变暖使得西北部地区的干旱化更为严重[3]。西北六省位于我国“一带一路”经济开发区的核心位置,其经济发展随着“一带一路”生态文明建设的实施迎来了重大的历史机遇[4]。“一带一路”建设在给西北经济发展带来新的机遇的同时,也给当地生态环境修复工作带来了更多困难。因此在西北地区经济发展的同时,对其生态环境监测以及生态环境对气候变化的响应研究工作变得尤为重要[5]。

植被净初级生产力(Net Primary Productivity, NPP)是指绿色植物在单位时间和单位面积上所累积的有机物的数量,是植物光合作用生成的有机物总量减去自养呼吸部分后剩余的部分。NPP一方面反映了植被在自然条件下的生产能力,所以能够表征陆地生态系统的质量状况；另一方面也是判定生态系统中碳源、碳汇及调节生态过程的重要因子,在全球变化中研究中起着非常重要的作用[6- 7]。因此,估算和监测植被NPP的变化,可以有效地监测生态环境的变化[8]。

气候变化与陆地生态系统是全球变化研究的重要内容,其中气候变化对陆地生态系统的影响及生态系统对气候变化的响应是研究焦点之一。植被是陆地生态系统最重要的组成部分,对气候变化的响应尤为显著,气候变化通过气温变化或者改变水文状况等对植被产生影响[9-10]。气温对植被NPP的胁迫取决于植物适宜温度与现实温度的对比,一定的升温可使植被适宜温度上升,增加植被NPP,但是随着温度的不断升高,呼吸和蒸腾作用都会增加,养分分解加快,叶片的寿命和根的活动会缩短,使得植被NPP减少[11]。水分通过多个过程影响植被NPP,水分胁迫导致叶面积衰退,光饱和点降低,进而导致气孔关闭,光合作用下降,减少干物质累积[12]。已有研究表明,在气候变化的作用下,植被NPP在全球范围内发生了剧烈的变化[13]。气候变化对植被NPP的影响,以及植被NPP对气候变化的响应并不是简单的线性“驱动-响应”关系,其中包含着复杂的多尺度(包括时间和空间)相互作用过程和响应特征[14-15]。因此,要更好地理解植被变化的影响机制,就需要深入地揭示植被NPP变化的非线性特征(突变和多时间尺度变化等),分析气候变化对植被NPP不同时间尺度变化的影响。

本文研究对象选取我国西北六省,利用GIMMS NDVI数据、植被覆盖数据以及气象插值数据,基于CASA模型,对该区域1982—2015年的植被NPP进行估算,并进一步分析不同时间尺度上植被NPP的时空变化及其与气候变化的关系[16]。为我国西北生态建设工程效益评估和生态保护提供科学参考,为“一带一路”国家重大战略的顺利实施提供生态保障。

1 研究区与研究方法

1.1 研究区概况

西北六省位于亚欧大陆内部,34°54′N—53°36′N,73°44′E—126°17′E,范围包括我国大兴安岭、太行山以西至昆仑山以北的广大区域,约占我国陆地总面积的四分之一。包括甘肃、青海、新疆、内蒙古、宁夏和陕西6个省和自治区。高原、山地和盆地是主要地形,研究区东部是内蒙古高原,西部多是高大的山脉和内陆盆地,如天山山脉、祁连山、阴山、准噶尔盆地、塔里木盆地、吐鲁番盆地等。研究区植被类型有森林、草地、沙漠等,以温带荒漠和温带草原为主,植被覆盖率低,是全球生态环境最脆弱的地区之一[17]。西北六省深居内陆,远离海洋,属干旱半干旱地区,以温带大陆性季风气候为主,是大陆性气候和季风气候的过渡带,所以气候类型比较复杂、气候变化比较显著。研究区年平均气温0℃—8℃,由东北向西南逐渐递增。年降水量600 mm以下,大体上由东往西逐渐递减。

图1 研究区概况Fig.1 Study area

1.2 数据来源及预处理

本研究所用的遥感数据来自美国国家航天航空局(NASA)全球检测与模型组(the Global Inventor Modeling and Mapping Studies project (GIMMS)) 发表的第三代归一化植被指数(GIMMS-NDVI3g)数据集(http://glcf.umd.edu/data/gimms)。该数据时间跨度为1982—2015年,时间分辨率为15天,空间分辨率为0.083°,该数据已经过几何校正、辐射校正、去云等预处理[18]。本研究使用最大值月合成(Maximum Value Composite,MVC)[19]法对数据进一步处理来消除云层、传感器等影响,生成每月最大NDVI数据。年均NDVI值<0.1的被认为是无植被或裸土区[20],因此,本研究剔除了NDVI值<0.1的像元,将NDVI值>0.1的像元确定为有植被覆盖区域,以下分析中区域总面积均不包括无植被区面积。为了准确探究植被的年际变化特征,本研究以植被生长季(4—10月)的NPP值作为年际数据进行分析。

气象数据来自中国气象科学数据共享服务网(http://cdc.cma.gov.cn),包括1982—2015年的月平均温度、月降水量和太阳辐射数据[21]。先对获取的气象数据进行初步筛选,剔除无连续多年数据的气象台站,最终筛选出符合条件的213个气象台站,然后提取各气象站点的DEM数据,参考NDVI数据的分辨率和投影,用专业气象插值软件ANUSPLIN[22]将气象数据插值为栅格数据。

植被类型数据来自“寒区旱区科学数据中心”的《基于多源数据融合方法的中国1 km土地覆盖图》(http://westdc.westgis.ac.cn/)[23]。该数据中心提供的是2000年的植被类型图,采用IGBP分类系统,分为17种植被类型,空间分辨率为1km,对于中国地区总体精度能达到71%,优于其他数据分类产品,可以作为重要陆面模型的输入数据[24-25]。根据研究需要,将植被类型分为落叶针叶林,落叶阔叶林,常绿针叶林,常绿阔叶林,混交林,灌木,农田,草地,荒地等10类,并参考NDVI数据的分辨率和投影对数据进行重采样。

1.3 研究方法

1.3.1CASA模型

CASA模型是NPP估算模型中的一种光能利用率模型,驱动数据包括气象数据、遥感数据和植被类型数据。该模型估算的植被NPP值由植物吸收的光合辐射(APAR)和实际光能利用率(ε)两个因子确定[26]。其计算公式如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(2)

ε(x,t)=εmax×Tε1(x,t)×Tε2(x,t)×Wε(x,t)

(3)

式中：NPP(x,t)是像元x在t月的净初级生产力；APAR(x,t)和ε(x,t)分别是吸收的光合有效辐射(MJ/m2)和实际光能利用率(gC/MJ)；SOL(x,t)和FPAR(x,t)分别是太阳总辐射(MJ/m2)和植被吸收的入射光合有效辐射比例,0.5是植被利用的太阳辐射与总辐射的比例；εmax是理想条件下植被最大光能利用率；Tε1(x,t)和Tε2(x,t)表示环境温度对 NPP 的积累的胁迫作用[27]；Wε(x,t)是水分胁迫系数。

最大光能利用率是CASA模型的重要参数,它的取值直接影响模型的模拟效果。在以往的CASA模型估算中,将所有植被类型的最大光能利用率选为0.389 gC/MJ[28],这样模拟的效果并不精确。区分不同植被类型的最大光能利用率可以提高CASA模型的模拟精度,本文对不同植被类型最大光能利用率的取值是基于已有研究[29- 32]根据实测数据推算的干旱区不同植被类型的最大光能利用率。

1.3.2集合经验模式分解(Ensemble empirical mode decomposition, EEMD)

经验模态分解(Empirical mode decomposition, EMD)是由Huang等[17]提出的基于Hilbert-Huang变换的信号时频处理方法,可将原始数据中不同尺度的波动和趋势特征进行分解,生成一系列具有不同特征尺度的本征模函数(intrinsic mode function, IMF)和一个趋势分量(res)[33]。每个IMF分量反映原始序列在一个时间尺度上的波动,趋势量反映了原始序列的长期趋势。实验中发现EMD方法存在混频的问题,基于此,Wu和Huang[34]提出了集合经验模态分解方法(Ensemble empirical mode decomposition, EEMD),该方法在原始数据中分次加入一定比例的白噪声,新形成信号被多次计算,并执行集合平均以消除所添加的白噪声,该方法不仅保留了原序列的信号信息,而且解决了信号间隔不连续而引起的模态混叠问题[35]。

EEMD分解的步骤如下：

第1步,向信号x(t)中加入一定数量(np)的高斯白噪声ωj(t),以获得大量的噪声伪信号Xj(t)。

Xj(t) =x(t) +ωj(t),j=1,2,…,np

(4)

第2步,用EMD方法分解Xj(t),得到IMF分量(ci)和趋势项(rn)：

(5)

这里,cij和rnj分别表示Xj(t)的IMF分量和趋势项。

第3步,重复前两个步骤,每次添加相同振幅的新白噪声,重复np次。

第4步,将每次分解得到的IMFs进行集合平均,使添加的白噪声互相抵消：

(6)

(7)

式中：ci(t)是初始信号经分解得到的第i个IMF分量,rn为趋势项。

每个IMF分量的变化周期为：

(8)

式中：N是IMFs分量的长度,NPk是第k个IMF分量的极值点个数。

不同时间尺度IMF分量的重要性可通过方差贡献率进行估算：

(9)

(10)

式中：Si是第i个分量ci(t)的方差,S是该分量的方差贡献率。S值越大,说明此分量波动越强,重要性越大。

1.3.3Mann-Kendall检验

Mann-Kendall(M-K)趋势检验法是检测时间序列的长期变化趋势和突变的有效方法,它的优点是样本不必遵循特定的分布,并且不受少数异常值的影响。M-K检验分为趋势检验和突变检验。

在M-K趋势检验中,原假设H0(x1,…,xn)是n个独立的、随机变量同分布的样本；时间序列变化指标用统计量Z表示,其公式[36]如下：

(11)

(12)

(13)

(14)

这里,xk和xi是样本时间序列数据集,n和sgn分别是时间序列长度和符号函数。Z> 0表示时间序列有增加趋势,Z<0表示减少趋势,Z=0表示时间序列无变化趋势。

给定显著性水平α,|Z|>u1-α/2表示α水平上时间序列呈显著变化,±Z1-α/2是归一化正态偏差。如α= 0.05时,Z=1.96,Z> 1.96/Z< -1.96分别表示时间序列具有显著的增加/减少趋势。

2 结果与分析

2.1 CASA模型模拟结果的验证

由于对植被NPP数据进行实测工作量巨大,很难在大范围的区域内发展。 因此,本研究将本文结果与前人研究结果进行了对比。由于不同区域的模拟结果受到很多外部因素影响,为了更准确和科学地验证CASA模型模拟的结果,本文参考了大量先前对西北地区的研究,对不同的植被类型NPP值分别进行对比验证,结果如表1。

表1 主要植被类型NPP模拟值与其他模拟结果比较/(gC m-2 a-1)

由表1可见,本研究估算的不同植被类型的NPP平均值与前人估算的结果一致性很高,都表现为林地NPP较高,灌木、草地NPP较低,各植被类型模拟结果均在参考范围内,说明此方法估算的NPP数据基本可靠,可以作为植被NPP研究的基础数据。

2.2 西北六省植被净初级生产力(NPP)的变化趋势及其持续性

对1982—2015年西北六省生长季植被NPP进行趋势分析,得到NPP变化趋势线和M-K统计曲线(图2)。

图2 1982—2015年 西北六省生长季NPP及M-K趋势(UF 正常的统计值时间序列；UB 逆序的统计值时间序列)Fig.2 NPP change trend and M-K trend in the growing seasons of the six northwestern provinces from 1982 to 2015 (UF the normal statistical time sequence; UB the inverted statistical time sequence)

NPP变化趋势线和M-K统计曲线结果基本吻合,1982—2015年NPP总体上呈增加趋势,线性增长率为0.718 gCm-2a-1；总体上表现出阶段性变化特征：1999年NPP变化发生了突变,从不显著增加变为显著增加；1982—1994年表现为平稳线性增长,线性增长率为0.613gCm-2a-1；1995—1997年波动变化；1998年之后,NPP显著增加,线性增长率为1.155 gCm-2a-1(图2)。

图3为NPP的变化趋势空间分布图。89.39%区域植被NPP呈现出增加趋势(z>0),其中57.64%的区域呈显著增加趋势(z>1.96),主要分布在陕北地区、陕南东南部、天山、塔里木盆地边缘、河西走廊东南部、青海湖以东等地区,这些地区主要植被类型是针叶林和混交林。植被NPP有减少趋势的区域占比少,主要集中在内蒙古呼伦贝尔草原和锡林郭勒草原等温带典型草原区。内蒙古中东部植被NPP变化不显著(图3)。

图4是M-K检验和Hurst指数叠加图,表2为统计结果。86.10%的地区植被NPP变化表现为持续性(表2),说明,大部分研究区植被覆盖格局有继续保持现有变化趋势的现象。其中51.3%的区域表现为显著增加且可持续(表2),主要分布在新疆中部和塔里木河流域外缘、青海南部和东部、甘肃、宁夏以及陕西北部(图4),说明,未来短时间内该区域植被NPP将会继续保持现有的显著增加趋势,植被覆盖率将会增加。8.27%和12%(表2)的区域分别呈现显著减少的可持续性和增加的反持续性,主要分布在天山、塔里木盆地边缘以及内蒙古东北部(图4),这说明未来植被NPP可能会减少,植被覆盖率未来可能会降低。而内蒙古中部锡林郭勒草原以北的林地呈现不显著增加趋势的持续性,这说明该区域未来植被NPP变化仍以不显著增加为主。

图3 1982—2015年西北六省生长季NPP变化趋势 Fig.3 Trend of NPP in the growing season of six northwestern provinces from 1982 to 2015

图4 NPP变化趋势持续性空间分布 Fig.4 Spatial distribution of the persistence of the trend of NPP during growing season based on M-K and Hurst index

表2 NPP变化趋势与Hurst指数统计

2.3 不同时间尺度植被NPP变化与气候变化的关系

2.3.1植被NPP和气候变化的多时间尺度分析

表3是不同时间尺度NPP变化的平均周期和它的方差贡献。图5为生长季所有像元不同时间尺度的平均NPP变化,表4为不同植被类型NPP不同时间尺度变化的方差贡献。

NPP被分解为4个IMF分量,分别是3,6,15和29年时间尺度的波动变化(表3)。其中,IMF1的方差贡献最大(39.41%),其次是IMF2(16.34%)。IMF3和IMF4的方差贡献较小(分别为11.57%和3.69%),因此本研究在以下分析中不考虑这两个分量。趋势项与M-K结果一致,均显示增加趋势,其方差贡献率为28.99%,仅次于3年时间尺度,但远大于其他分量。可以看出,研究区的植被NPP主要表现为3年周期变化和长期增加趋势。

表3 不同时间尺度生长季NPP 的平均周期及其方差贡献

图5 不同时间尺度NPP变化的方差贡献空间分布Fig.5 Spatial distribution of variance contribution of NPP changes in different vegetation types in different times

常绿针叶林Needleleaved evergreen vegetation落叶针叶林Needleleaved deciduous vegetation落叶阔叶林Broadleaved deciduous vegetation混交林Mixed forest灌木Shrub草地Grassland农田FarmlandIMF143.5048.5843.1548.5136.8039.9634.20IMF217.9426.3116.3321.7015.3416.3814.87趋势项Residue21.696.4922.8410.9633.6928.5636.40

生长季平均气温分解为4个IMF分量,分别是3,6,19和34年时间尺度的周期变化(表5)。3年和6年时间尺度的IMF分量的方差贡献分别为27.89%和16.29%,大于其他分量的方差贡献。与气温M-K曲线相似的是,EEMD趋势项的方差贡献为41.37%,高于其他分量,说明生长季气温有大幅上升的趋势。

表5 不同时间尺度生长季平均气温和降水量变化的平均周期及其方差贡献

Table 5 Average periods and variance contributions of growing-season average temperature and precipitation changes at different time scales

分量1IMF1分量2IMF2分量3IMF3分量4IMF4趋势项Residual气温Temperature周期/a361934—标准差0.351.353.737.12—方差贡献/%27.8916.2910.464.0041.37标准差0.130.090.070.060.19降水量Precipitation周期/a361430—标准差0.240.833.876.42—方差贡献/%67.3416.037.043.356.23标准差0.100.070.050.040.05

生长季降水分解为3年,6年,14年和31年的波动变化(表5)。3年和6年时间尺度的方差贡献分别为67.34%和16.03%,远大于其他分量。趋势项方差贡献很低(6.23%),此结果与M-K结果一致,说明生长季降水量无显著的增长趋势。由此可见,生长季降水以3年和6年尺度的波动为主,没有明显的长期变化趋势。

2.3.2不同时间尺度NPP与气候变化相关性的空间异质性

图6—图8为不同时间尺度NPP和气象因子(气温和降水)偏相关分析结果,表6为统计结果。

图6 3年时间尺度上生长季节NPP与气温和降水的相关性Fig.6 Relations of NPP to temperature and precipitation during growing season at 3-year time scale

图7 6年时间尺度上生长季节NPP与气温和降水的相关性 Fig.7 Relations of NPP to temperature and precipitation during growing season at 6-year time scale

图8 长时间尺度上生长季节NPP与气温和降水的相关性Fig.8 Relations of NPP to temperature and precipitation during growing season over the long-term scale

Table 6 Percentage of different types of correlation between NPP and climate change (temperature and precipitation) at different time scales

3年时间尺度3-year time scale6年时间尺度6-year time scale长期趋势Long-term time scale气温降水量气温降水量气温降水量R<0,P<0.054.062.968.816.1521.8538.27R>0,P<0.053.8340.2816.6640.9877.7061.43R<0,P>0.0547.4019.9734.8520.060.230.13R>0,P>0.0544.7036.7939.6832.810.210.17

在3年时间尺度上,NPP与气温的正相关和负相关区域相近(51.5%和49.5%),但是大多数地区相关性不显著(P>0.05)(图6,表6)。内蒙古草原区和甘肃、宁夏等地呈显著负相关,而青海南部高寒草甸以及陕西南部阔叶林,NPP与气温呈显著正相关。77%的区域生长季NPP与同期降水量之间呈正相关(图6,表6),尤其是在内蒙古中部和新疆天山以北(图6),其主要植被类型是草地,由此可见,降水量的增加可能会促进当地草地生长。在内蒙古北部、陕西南部和甘肃南部,植被以林地为主,青海南部植被类型为高寒草甸,这些地区NPP与降水呈负相关(R<0),尤其是针叶林和针阔混交林显著负相关(R<0,P<0.05)。

在6年时间尺度上,NPP变化与气温的显著正关系区域从3.83%增加到16.66%,特别是在青海南部高寒地区,说明气温升高可以促进植被的生长(图7,表6)。植被NPP与降水量之间关系变化不大,正相关区域有向南扩散的趋势。例如,正相关关系从越过天山向南迁移,从内蒙古中部草原向南延伸至宁夏和甘肃。青海南部高寒草甸区NPP与降水的关系由负相关转为正相关。内蒙古北部林区,NPP与降水量之间的负相关关系由显著变为不显著(图7,表6)。NPP与气温关系显著的区域增加幅度略大于NPP与降水量关系显著的区域增加幅度。

在长期趋势上,植被NPP与气温和降水量具有非常显著的相关性,其中正相关面积大于负相关面积(图8,表6),NPP与气温具有长期的显著正相关的区域占比77.7%(图8,表6),说明气温升高会促进植被的生长。在北方针叶林区和青海南部高山地区,植被NPP与气温呈现显著负相关(R<0,P<0.05,图8),表明长期气温的升高会阻碍植物生长。NPP与降水之间存在长期显著正相关的面积占61.43%(图8,表6),主要分布在新疆塔里木盆地边缘绿洲区、青海北部草地、陕西大部分地区以及内蒙古科尔沁草原和锡林郭勒草原等地,说明长期降水增加有助于植物生长。在青海南部高山地区,甘肃中部农田区,内蒙古北部混交林和农田区,NPP与降水量负相关关系显著(R<0,P<0.05,图8),说明长期降水增加会阻止植被生长。除这些区域外, NPP与气温、降水显著正相关的区域植被NPP增加也比较显著(图8,图3)。

3 结果与讨论

本文基于修正订参数的CASA模型估算了西北六省1982—2015年植被NPP,并对其进行多时间尺度时空变化分析及对气候变化的响应分析,主要结论如下：

(1)1982—2015年西北六省植被生长季NPP总体上呈增加趋势,该结果与焦伟[8]和Li和Pan[40]研究结果一致。但本研究中NPP的线性增长率0.718 gCm-2a-1,低于焦伟[8](2.98 gCm-2a-1)和Li等Pan[40](2.327 gCm-2a-1)的结果,原因可能是研究区面积和研究数据时间长度不同。NPP年际变化趋势表现出一定的阶段性,NPP在1999年发生了突变,NPP由不显著增加变为显著增加。各植被类型NPP均以增加趋势为主,落叶阔叶林、灌木和农田的显著增加趋势明显；而落叶针叶林和混交林的显著增加趋势不明显。

NPP未来变化以持续性为主,大部分地区植被覆盖格局有继续保持现有变化趋势的现象,内蒙古南部一带,青藏高原和塔里木盆地边缘表现出强持续性趋势；而内蒙古锡林郭勒草原、陕南、新疆伊犁河谷地区呈反持续性,这些地区NPP不再维持现有变化趋势,可能会向相反趋势变化。

(2)植被NPP的变化特征表现为非线性和非平稳性,包含不同频率的变化(短期和长期的波动)[41-42]。研究区植被NPP具有3年,6年,15年,29年周期波动和长期增加趋势,主要以3年周期变化和长期增长趋势为主。植被NPP变化具有明显的空间异质性：陕西的南部,甘肃、新疆、宁夏和青海的北部以及内蒙古中部和北部以3年周期变化为主导,而陕西的北部,甘肃、新疆、宁夏的南部以及内蒙古东部以长期变化为主。不同植被类型的NPP变化也表现出明显差异：针叶林、阔叶林以及混交林以3年周期变化为主,而灌木、草地和农田以3年周期变化和长期增长趋势为主。草地和农田NPP变化具有明显的空间异质性：草地在研究区北部,如内蒙古和北疆以3年周期变化为主,而在研究区南部,如青海和南疆以长期变化为主；农田在新疆和陕西北部以长期变化为主,在陕西南部、内蒙古呼和浩特和包头等地以3年周期变化为主。

(3)以往的研究表明,影响西北地区植被NPP变化的主要气候因子是降水量,降水增多一定程度上促进植被生长,气温升高则会抑制植被生长[43-44],而本研究在对NPP和气象因子进行多时间尺度分析中发现不同时间尺度相关性差异显著。3年时间尺度上,大多数研究区NPP与气温和降水的相关性很小(P>0.05)。6年时间尺度上,NPP与降水正相关区域向南略有扩散。青海南部高寒草甸由负相关转为正相关。在长期趋势上,NPP与气温和降水量具有非常显著的相关关系。在大部分的研究区,NPP与气温和降水的正相关面积大于负相关面积。总之,随着时间尺度的增大,NPP与气温、降水之间的关系愈加显著。原因可能是短时间尺度植被变化更易受非气候因子影响,比如植树造林、退耕还林、城市扩张、开垦等人类活动在一定程度上直接影响了植物的生存,在短时间尺度上对植被的影响要比气候变化的影响更大。而气候变化相对人类活动来说其对植被变化的影响较缓慢,会随着时间尺度的增大逐渐显著。