基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究

潘洪义,黄 佩,徐 婕

1 四川师范大学西南土地资源评价与监测教育部重点实验室,成都 610068 2 四川师范大学地理与资源科学学院,成都 610068

植被净初级生产力(Net Primary Productivity,NPP)是评价生态系统结构与功能协调性及其与环境相互作用的重要指标[1]。它直接与全球变化的关键科学问题-碳循环、水循环与食物安全密切相关[2- 3],可以反映气候变化和人类活动对陆地植被综合作用结果[4]。国外大规模的NPP 研究始于20世纪60 年代,经历了“传统的站点实测法-大量的统计回归法-多源数据的机理模型法”三个阶段[5]。国内研究相较国外起步较晚,随着遥感技术的发展,基于遥感观测的植被 NPP估算方法已较好的用于NPP 年际波动或长期变化趋势的监测[5,6]。近年来,国内众多学者针对NPP分布的时空特征、其变化驱动力、NPP与经济协调性及利用遥感生产力模型(CASA 模型)反演NPP数据等开展了大量研究。就时空特征研究而言,刘刚等以全球陆表特征数据集(GLASS)为基础,对2001—2014年中国植被 NPP 进行了估算,分析了我国植被NPP时空分布特征[7]。崔林丽等基于2001—2010年MOD17A3年均NPP数据研究中国东南部植被NPP的时空格局[8]。池源等以黄河三角洲为研究区,通过遥感手段和现场调查,对黄河三角洲NPP时空变化特征[9]。从变化驱动力研究方面来看,王芳等基于MOD17A3 NPP数据、气象数据和土地利用类型数据,对安徽省2000—2015年植被NPP的时空格局、变化趋势及驱动因子进行研究[10]。经济协调性研究方面,主要有乔旭宁等基于MODIS17A3数据分析河南省淮河流域NPP时空演变特征,及区域主体功能类型特征构建生态经济协调度模型,对研究区生态经济协调关系进行评估[11]。在利用CASA 模型进行NPP数据反演方面,苏日古嘎等以呼伦贝尔市为研究区,利用遥感生产力模型(CASA 模型)获取研究区四期 NPP数据,分别从NPP 空间分布特征、特征值变化、NPP 变化的空间格局和不同植被类型NPP 变化等方面分析时空变化特点。随着在NPP时空演变特征方面研究成果不断涌现[12- 20],主要呈现出以下特点：(1)采用卫星遥感数据结合陆地生态过程模型开展植被NPP的演变分析已经成为NPP研究的主流[6]。(2)由于数据源主要来源于MODIS数据,研究区域以宏观尺度的国家、自然经济区划分区和省域为主。(3)以NPP时空分布的特征并结合地形地貌与气候因素进行回归分析,从而研究其变化的驱动力。基于以上研究特点,在当前的研究中对NPP空间分布的特征成因的社会经济与人类扰动因素研究较少,以地学的视角采用地理探测器对其变化驱动力的研究更为鲜见。然而NPP时空变化是自然-人文综合作用的结果,因此,本文在自然因素的基础上考虑了社会经济与人类扰动的因素,采用地理探测器模型,在刻画NPP时空分布规律的基础上,揭示影响分布规律的主要驱动力。岷江中下游地区人口较为密集,土地利用率较高,交通便利,经济开发程度较高。因此,同时兼备农田植被,其中水田主要种植水稻、油菜,旱地主要种植小麦和玉米及其他经济作物。园地作为另一类人工植被分布面积较广,受人类扰动强度高。研究区作为长江上游重要的生态屏障保护区重要组成部分,其NPP变化会直接反映生态系统的健康程度的变化,刻画其时空分布特征,并揭示不同时间主要驱动力有助于为研究区生态安全预警和生态补偿提供数据上的支持,为国土开发及自然资源可持续利用政策指导提供科学依据。

1 研究区域与数据来源

1.1 研究区概况

岷江中下游地区地处四川盆地西南部,地理范围介于28°18′5″—31°22′7″和101°56′11″—104°54′47″之间。海拔范围为147—7845 m之间,气候上属于中亚热带季风气候区,分布着中亚热带-暖温带-温带-寒温带的垂直气候带谱,四季分明,平均气温在 16.5—18.0℃,多年均降水量1000—1600 mm 之间[21]。研究区自然植被受地形海拔影响,形成了常绿阔叶林、阔叶针叶混交林同时在林地间隙分布着灌丛、草甸；该段河流属于丘陵平原型河流,这类河流出自峡谷,大部分流经丘陵和平原,水能资源相对减少。其河流主要由岷江及其重要支流大渡河组成,本文以岷江中下游所流经的县域组成研究区,共涉及成都市、眉山市、乐山市和雅安市的27个县(市、区)。

1.2 数据来源及处理

本文所采用的MODIS NPP,源于美国国家航空航天局(NASA),分别选择 2000,2005,2010和 2015 年的MOD17A3 数据产品,其空间分辨率为 500m,时间分辨为 1年。在ENVI软件支持下,运用MCTK工具进行数据的预处理,以便于与其他数据进行配准。DEM数据源于地理空间数据云官网(http://www.gscloud),空间分辨率为30m,主要用于提取研究区的高程、地形坡度、坡向等数据。气象数据主要包括研究区各站点在研究时限内的气温和降水数据,源于国家地球系统科学数据共享服务平台(http://www.geodata.cn/)气温与降水公里网格数据,同时结合中国气象科学数据共享服务网(http://data.cma.cn),研究区内站点年平均气温和降水主要进行验证与回归分析,通过插值计算获得研究区内年平均气温和年降雨量。研究区土地利用/覆盖数据来源于资源环境数据云平台(http://www.resdc.cn/Default.aspx),结合研究区现状和研究内容,将土地利用类型划分为林地、草地、耕地、建设用地、湿地、其他六大类。需要指出的是,地理探测器所处理的数据量有运行上限,软件最大可容纳数据量是32767[22]。而本研究区数据的超过了这一上限,因此需要对研究区数据进行相应处理。因此,本文运用ArcGIS的子集要素工具将研究区数据随机训练样本,使之与地理探测器软件的最大可容纳数据量最为接近。

2 研究方法

2.1 分区统计

分区统计用于根据来自其他数据集的值(赋值栅格)为每一个由区域数据集定义的区域计算统计数据。以研究区范围为基础创建研究区渔网,结合研究区植被NPP、降水、气温等数据将渔网大小设置为926.63m×926.63m。采用分区统计到表的方法,将研究区气温、降水和土地利用类型等数据进行对平均值或众数值的统计,以建立研究区的基础数据库。

2.2 标准差分级法

标准差分级法是以均值为中心,以标准差的倍数为级差,分别向大于和小于均值的两个方向进行分级的方法[23]。此分级方法完全根据原始数据固有的数值特征和分布规律来进行分级,分级数不受人为控制,避免了人为因素的干扰,使得分级结果更具客观性。各种分类算法的效果可通过地理探测器的q统计量来评价,q值越大分类效果越好[22]。本文分别采用1倍、1/2倍、1/3倍和1/4倍的标准差进行分级,并分别计算q统计量的值,发现采用1倍标准差分级所得的q值最大,分类效果最好。

2.3 地理探测器

地理探测器是探测空间分异性,以及揭示其背后驱动力的一组统计学方法[22]。它能探测各因子对模型的贡献率,能从庞大的空间数据库中提取有用的空间关联规则[24]。因此,在分析地理要素格局演变和地域空间分异等方面具有非常广泛的应用,但对植被NPP空间演变分析的应用较少。运用地理探测器分析模型,将各年的植被NPP数据作为因变量,引入研究区植被NPP值分异决定力指标q。

3 结果分析

3.1 岷江中下游土地覆被及其NPP时空变化分析

利用岷江中下游2000—2015年土地利用现状图,对各地类空间分布与变化进行空间化表达。

图1 2000—2015年研究区土地利用现状图Fig.1 Land utilization maps in study area during 2000—2015

研究区内土地利用类型以林地和耕地为主,从空间格局上来看,林地和草地主要集中在研究区西南部的雅安和乐山两市所辖的县(市、区),耕地主要分布在成都市、宜宾市和乐山所辖的各县(市、区)。

表1 2000—2015年各类用地面积/km2

从地类变化上而言,主要表现在东部建设用地迅速增加,其增加来源主要为耕地,而湿地面积在研究区西部和东部都表现为减少的趋势。

各地类在不同年份,其NPP数量受综合因素的影响表现出了不同变化趋势。由图2可知,在整个研究期内,岷江中下游NPP呈现出2000—2010年下降,2010—2015年缓慢增加的趋势,整体波动幅度比较明显。研究区年均NPP值在380—785gC/m2之间波动,16年间NPP平均值为515.09gC/m2。

图2 2000—2015研究区各类用地年均植被NPP值 Fig.2 Annual value of NPP over different types of land use in study area during 2000—2015

其中,2000年年均植被NPP值最高,为780.51gC/m2,比平均NPP值高51.53%,2010年年均NPP值最低,为386.07gC/m2,比平均NPP值低25.05%。自2000 年至2005年,研究区年均NPP值由780.51gC/m2下降至418.82gC/m2,下降幅度达46.34%；随后,2005至2010年缓慢下降至最低值386.07gC/m2,下降幅度达7.76%；相反,2010至2015年,年均NPP值则呈现出缓慢上升趋势,上升至474.97gC/m2,上升幅度达22.95%。不同土地利用类型的 NPP 年际波动与研究区的NPP年际波动趋势基本一致,NPP大小关系整体上表现为林地>草地>耕地>湿地。

图3 2000—2015年研究区NPP值空间分布Fig.3 Spatial distributions of NPP in study area during 2000—2015

图4 2000—2015年研究区NPP值动态变化格局Fig.4 Annual variations of NPP in study area during 2000—2015

就空间变化而言,研究期内岷江中下游NPP均表现出了明显的空间分异性,研究时限内的年均植被NPP值整体上呈现出西高东低的空间分布特征。年均NPP高值区分布于研究区西部的石棉县、汉源县、宝兴县、芦山县、峨边彝族自治县等地,低值区主要位于东部的翠屏区、宜宾县、五通桥区、东坡区、双流县、温江区等地(图3)。就行政区而言,2000与2005年,研究区县域植被NPP最大值均出现在研究区西南部的石棉县,最大值分别为1148.77gC/m2、578.32gC/m2,汉源县、芦山县、峨边彝族自治县NPP值依次降低,最小值均位于东南部的翠屏区,最小值分别为503.55gC/m2、302.67gC/m2。2010年,年均植被NPP最大值仍位于西南部的石棉县,最大值有所下降,为528.55gC/m2,其次为汉源县、芦山县、雨城区、峨边彝族自治县、金河口区、宝兴县等,而年均植被NPP最小值区域则位于研究区北部的温江区,最小值为274.49gC/m2。反观2015年,研究区的年均植被NPP最大值向东北扩展,位于石棉县东北部的雨城区,最大值为566.65gC/m2,峨边彝族自治县、汉源县、石棉县、金河口区、沐川县、芦山县等紧随其后,而最小值仍然位于研究区北部的温江区,最小值为342.33gC/m2。

就土地利用类型而言,不同地类的NPP值仍存在显著的空间分异性。林地和草地主要集中分布在研究区西部的石棉县、汉源县、芦山县、宝兴县、金河口区、峨边彝族自治县等地,因而研究区内的年均NPP高值区基本出现在以上地区。而耕地和湿地主要位于岷江干流流经的各个县域,所以研究区东部地区植被NPP均值低于西部地区。

在研究区两期植被NPP值的基础上计算得出2000—2015年岷江中下游地区NPP值的动态变化过程并对其进行可视化分析(图4)。由图4可知,2000—2015年研究区NPP减少量呈现出由西向东逐渐减小趋势,其中位于中部、东南部的峨眉山市、沙湾区、五通桥区、犍为县、宜宾县、翠屏区由于受退耕还林工程的影响,部分地块NPP值有所增加,最大值达409.32 gC/m2,石棉县、汉源县、宝兴县、芦山县NPP剧减,减少最多能达970.23 gC/m2。这与各县(市、区)的土地利用变化有着极大的相关性,主要体现了林地和草地对NPP值的极大影响。

3.2 植被NPP变化驱动力分析

3.2.1植被NPP时空分异的主导驱动力诊断及演变

2000—2015年岷江中下游地区植被NPP的时空变化是受多种驱动力的综合影响结果,本文选取了能反映区域自然环境、资源禀赋和人类扰动等方面的 8项指标,根据地理探测器模型,探测驱动力变化结果(图5)。

图5 2000—2015年各驱动力决定力(q)值 Fig.5 The value of determinant(q)about factors during 2000—2015

根据2000—2015年的各驱动力的决定力q值大小,将8个驱动力分为两个类型。一类以气温、海拔和土地利用因素为代表,其决定力q值均在0.2以上,称之为主导驱动力；另一类以坡向、降水、城镇距离、公路距离和坡度因素为代表,其决定力q值均在0.1以下,称之为重要驱动力。就驱动力演变而言,自2000—2005年,各个驱动力的决定力均呈现下降趋势,其中气温和降水因素对植被NPP值的决定力下降幅度最大,分别为35.65%和83.29%,而海拔因素的q值超过降水,表明海拔因素相对于其他因素对研究区植被NPP时空分异的解释力更大,影响更为显著。2005—2010年,气温、降水、海拔、坡向、城镇距离因素的q值继续下降；相反,土地利用、距公路距离因素的q值则呈现出上升趋势。2010—2015年,气温、海拔因素q值继续呈现下降趋势,而其他因素均呈现上升趋势。土地利用因素对植被NPP值的决定力逐渐逼近海拔因素的决定力,逐渐接近所有驱动力q值中的最大值,表明土地利用对研究区NPP值时空分异的作用越来越突出。而距城镇距离、距公路距离、降水、坡度因素的决定力均逐步上升,其中,降水因素的决定力q值的上升趋势更为明显。

整体上而言,气温、海拔、坡向等因素对植被NPP时空分异的决定力呈现出下降趋势,而土地利用、距公路距离、距城镇距离、降水等因素总体上则呈现出上升趋势,坡度因素对NPP时空分异的决定力在2010年以后也呈现出一定的上升趋势,但上升趋势不明显。综合来看,自然因素对岷江中下游地区植被NPP的影响力正逐渐削弱,而人类扰动因素对植被NPP的影响越来越强。

3.2.2植被NPP时空变化驱动力作用分析

进一步分析各主导驱动力对研究区NPP值时空分异的具体作用,可为研究区生态安全预警和生态补偿提供数据支撑和辅助决策。

(1)气温,是反映区域气候特征的重要指标,也是植被生长不可或缺的重要条件,对植被NPP的时空分布的影响较为显著。气温的升高有利于植被生长,植被在单位时间和单位面积上所固定的能量或产生的有机物质就越多,即植被NPP值就越大；反之, NPP值就越小。

由图6可知,2000—2005年研究区年均气温呈现出下降趋势,由11.83℃下降至最低点8.90℃,随后呈现持续上升趋势,2015年上升至13.06℃。综合来看,研究区的年均温波动上升趋势比较明显。其中,2000—2010年整体年均温呈下降趋势,年均温的下降会使得植被在单位时间和单位面积内所积累有机物的能力减弱,由此导致该研究时限内研究区的年均植被NPP值呈下降态势。2000—2005年研究区的年均温下降趋势尤为剧烈,幅度达24.82%,在此期间年均植被NPP值随之大幅度下降。而2010—2015年,研究区的年均温继续呈现上升趋势,由此带来植被积累养分的能力增加,进一步使得研究区的年均植被NPP值上升。这与2000—2015年研究区植被年均NPP值动态变化过程体现出较好的一致性,进而验证气温因素是影响植被NPP值时空分异的主导因素之一。

除此,不同水热组合状况对研究区的NPP时空分异也有着重要影响。在此期间,研究区的年均降水量趋势线与其决定力q值趋势线呈现一定程度上的负相关性。由图7可知,2000年与2015年研究区年均降水量最低,其决定力q值则达到最大值；年均降水量最大的年份降水的决定力q值却很小。表明1200—1300mm的年均降水量是植被生长的合理区间,对植被年均NPP影响不大。

(2)地形因素是环境以及植被异质性格局的重要影响因素之一,它一般通过不同的过程控制其水热条件和土壤条件,影响其他环境变量进而对区域植被格局产生重要影响[25]。研究区整体上呈现出西高东低地形特征,西部地区以山地为主,海拔最高处为7845m,而东部地区以丘陵为主,海拔最低处为147m。位于研究区西部的石棉县、宝兴县、汉源县、芦山县、峨边彝族自治县等地其地貌主要特征表现为复杂多样的山地地貌,最高峰海拔均在5000m以上。西部各县由于地处高海拔地区,气候垂直带普特征比较明显,植被种类繁多,并且分布范围广,植被覆盖度高。另外,西部地区由于海拔远高于东部,其年均日照时数长,植被光合作用就越强烈,所固定的能量和积累的有机物质就越丰富。而东部地区地貌以丘陵为主,海拔较低,气候垂直特征不明显,年均日照时数短,自然景观类型较少。且东部地区人口密度远高于西部地区,植被的生长与分布受人类活动的影响比较大,植被积累有机质的能力较低。从图5中也可以看出,海拔因素对研究区NPP时空分异的决定力仍呈现出下降趋势,且与气温因素和土地利用因素的q值逐渐逼近,表明虽然海拔因素对研究区植被NPP的时空分异作用逐渐减弱,但仍是主导NPP分异的因素之一。

(3)土地利用是指人类根据土地的自然属性,采取各种活动和方法来利用土地资源。就土地利用类型而言,研究区年均植被NPP值表现为：林地>草地>耕地>湿地,且四者年际变化趋势比较一致(表2)。

随着城市化进程的加快,建设用地需求量不断攀升,草地、耕地、湿地面积呈现出持续减少趋势,由此带来2000—2010年研究区的草地、耕地、湿地NPP值不断降低。而2010至2015年草地、耕地、湿地面积虽然持续减少,但在此阶段植被NPP受降水量和温度的水热组合状况的影响也较大,适宜的气温和降水给植被提供了良好的生长条件,植被生长更为茂密,其通过光合作用积累有机质的能力随之提高,此时段内植被NPP值呈现出一定的增长趋势。就林地而言,2000—2015年林地面积总体上呈现出上升趋势,林地NPP值上升态势也较为明显。2000—2010年,随着退耕还林政策、天然林保护工程的持续推进,林地面积持续增加了326.05 km2,理论上林地NPP值应呈现出相应的上升趋势。但2000—2010年,气温因素对研究区NPP分异的决定力要远大于土地利用因素的决定力,气温对植被NPP的影响更为显著。在研究时限内,2005年研究区的年均温最低,即使降水量在2010年达到最大值,仍对植被的长势产生了重大影响,这是由于降水的决定力远小于气温,因此在此阶段研究区的林地NPP呈现出下降趋势。2010—2015年林地面积继续增加,且由此带来了林地NPP值的增加。总体而言,岷江中下游地区在研究时限内除2000—2005年内林地减少外,林地面积平稳增加,草地、耕地、湿地等土地利用类型面积下降趋势明显。林地,草地、耕地、湿地面积的减少势必会带来植被NPP总值的下降,研究区NPP总量变化,除了受各地类NPP强度外,植被总量变化也是影响变化的一个重要原因,从2000—2015年研究区,总共减少植被覆盖662.92 km2,再加上水热组合状况的变化,因此带来了研究区植被NPP总值呈现出先下降后缓慢上升的趋势。由图5也进一步可知,2000—2015年土地利用因素对NPP时空分异的决定力呈现出明显的上升趋势,并逐渐逼近所有因素中的最大q值,并且距离城镇距离、距离公路距离因素对植被NPP时空分异的影响力也在逐渐增强,表明在农业生产、生态建设、城镇建设等人类活动的影响下,人类活动对研究区植被NPP时空分异的作用越来越强烈。

表2 各类型用地植被NPP总量/(gC/m2)

图6 2000—2015年研究区年均气温 Fig.6 The annual average temperature in study area during 2000—2015

图7 2000—2015年研究区年均降水量 Fig.7 The annual average precipitation in study area during 2000 to 2015

4 结论与讨论

本文以2000—2015年岷江中下游地区的NPP数据为基础,探讨了研究区NPP时空演变格局,并选取能反映研究区自然环境、资源禀赋和人类扰动等方面的 8大因素,运用地理探测器模型诊断出了影响研究区NPP时空分异的主导驱动力并对驱动力变化趋势进行了分析。结果表明：

(1)2000—2015年,岷江中下游地区的NPP存在较强的时空分异规律。整体而言,2000—2015年研究区植被年均NPP值呈现出先下降,随后缓慢增加的趋势,波动幅度达50.54%,植被平均NPP值为513.93gC/m2。其中2000年植被NPP均值最高,为780.51gC/m2,2010年NPP均值最低,为386.07gC/m2。就空间分布而言,研究区植被年均NPP整体上呈现出自西高东低的空间分布特征,并且高值区有逐渐向东部扩展的趋势。植被年均NPP最大值出现在2000年石棉县北部硗碛藏族乡的林地分布区,为1876gC/m2,最小值出现在2005年五通桥区中部竹根镇的平原旱地分布区,最小值为26.98gC/m2。不同土地利用类型的 NPP 年际波动与研究区的NPP年际波动趋势基本一致,NPP大小关系表现为林地>草地>耕地>湿地。

(2)八大影响因素对研究区植被NPP时空分异的决定力差异明显,气温、海拔、土地利用因素是影响植被NPP分异的主导因素。2000—2015年,气温、海拔、土地利用因素对研究区植被NPP时空分异的决定力q值均在0.2以上,对NPP分异的作用最为强烈,而降水坡度、坡向、距城镇距离、距公路距离因素的q值相对比较低,均在0.1以下,对植被NPP分异的作用相对较弱。气温因素主要是通过气温的升降并结合不同的水热组合状况来影响植被在单位时间内、单位面积上积累的有机质数量,进而影响研究区的植被NPP分异；海拔因素主要是通过影响气候垂向分带,进一步影响区域植被分布格局,从而对植被NPP分异产生重要影响；土地利用因素主要是人类活动直接改变土地利用方式,并结合水热组合状况,直接影响植被的生长与分布,进而影响NPP的时空分异。

(3)从研究区植被NPP的演变驱动力来看,自然因素对研究区NPP分异的影响力正逐渐削弱,而人为扰动因素对植被NPP分异的影响力愈来愈强烈。2000—2015年气温、海拔两大主导因素对研究区植被NPP时空分异的决定力呈现出持续下降趋势,分别由0.48、0.42下降至0.23、0.26；而土地利用因素对应的q值波动上升趋势尤为明显,并逐渐逼近三大主导因素中的最大q值,并于2015年超过气温因素的q值,达到0.25。反观其他因素,坡向因素q值一直呈现出下降趋势；降水因素的q值在2000—2010年呈现下降趋势,随后呈现出上升趋势；距离城镇距离、距离道路距离因素的q值上升趋势十分显著,坡度因素的q值在所有因素中最小,变化趋势不明显。气温、降水、海拔、坡度、坡向等自然因素对植被NPP分异的作用力逐渐降低,土地利用、距城镇距离、距公路距离等人为扰动因素对植被NPP分异的作用力不断增强。

需要指出的是,由于研究区的数据最大行数超过了地理探测器模型运行的上限,运用ArcGIS软件的子集要素工具按比例随机提取适宜样本来进行因素探测,可能会对最终的研究结果产生一定影响。但如若扩大研究区单个渔网的范围已达到减少数据行的目的,将会对土地利用数据的精度造成重大影响,而土地利用因素是影响研究区植被NPP时空分异的主导因素之一,这将对最终研究结果影响甚大。其次,如何划分决定力q的范围来确定影响研究区的主导因素,目前还没有明确的划分标准。本文采用聚类的方法来划分主导因素q值的范围,仍具有一定的科学性。最后,自然因素对研究区植被NPP时空分异的影响力逐渐减小,而人为扰动因素对其影响逐渐增强,这与众多的研究结果[25,26]一致。在NPP总体变化趋势方面,Tum[27]和Li[28]等人分别就全球和中国2000年以来NPP变化趋势,得出的结论与本文总体NPP变化趋势基本一致。另外,通过Taelman[29]等人的研究,得出土地利用是影响NPP变化的重要原因,不同的土地利用类型受人类活动的影响程度不同,与本文中的得出的植被覆盖总面积减少是导致NPP总量减少重要原因的结果相符。从Yan[30]等人的研究发现,城市扩张是人类扰动自然界环境的直接表现,对NPP的分布与变化的影响越发强烈,从一定程度上印证了本文中,距离城镇及道路的距离对NPP分布与变化的决定力不断增强的结论。就植被NPP空间分布而言,研究区东部和西部地区的NPP值存在明显的空间分异,表现出东部高温区NPP值明显低于西部的低温区的NPP值,必须明确的是,气温因素只是影响研究区植被NPP时空分异的主导因素之一,除此之外,植被NPP分异还受到海拔、土地利用两大主导因素的综合影响,而海拔和土地利用因素更能解释研究区“高温低值、低温高值”的现象。另外,人类活对于研究区植被NPP时空分异产生综合影响的正负性还有待进一步的研究,以及在不同因素影响下,如何确定研究区不同地域的生态补偿机制是需要进一步解决的关键科学问题。