中国西北半干旱区植被净初级生产力驱动力分析

韩焕焕，高敏华，昝 梅

（1.新疆大学资源与环境科学学院，乌鲁木齐 830046；2.新疆师范大学地理科学与旅游学院，乌鲁木齐 830054）

净初级生产力（Net Primary Productivity，NPP）是指单位面积与单位时间内植被经过光合作用产生的有机物质总量扣除自身呼吸消耗的剩余部分［1，2］。NPP 响应了气候与环境变化，是反映陆地生态过程的关键因素［3］，可以作为评价生态系统可持续发展的一个重要指标，是研究全球变化和碳循环中的重要内容之一［4-8］。因此，开展NPP 驱动力研究对认识全球变化和碳循环具有重要意义［9］。目前，国内外NPP 研究内容主要包括4 个方面，分别是时间尺度上的波动情况［10］、空间分布特征［11-15］、驱动因子［16-18］和估算方法［19，20］。

近些年，许多研究者利用高分辨率数据对不同区域和时空尺度的NPP 进行了研究，但是关于不同环境属性分区下的NPP 因子分析的研究较少。同琳静等［21］发现西北地区植被NPP 与气温、降水呈正相关，对降水响应较为敏感，降水是西北地区植被NPP 增加的重要约束因子。中国西北干旱与半干旱区地形复杂，水资源分布不均，是生态环境脆弱区域和气候变化敏感区域［22］，所以对该区域进行驱动因子分析有助于掌握该区域内生态系统生产力发展变化趋势，对理解区域环境变化有重要的意义［23］。为探求半干旱区特殊的生态环境下NPP 驱动因子及其贡献率，深入地研究不同环境条件下主要贡献因子的驱动特点，本研究利用气象背景数据、NDVI 数据、地形数据、土壤侵蚀空间分布数据和土地利用空间分布数据对不同数据集做数据分析，揭示了半干旱区不同环境属性分区内各环境因子对NPP 的驱动能力，并获得主导因子对NPP 的约束特征，探讨在不同环境条件下NDVI、气候气象和地形因子对NPP 的驱动特点，为探究半干旱区NPP 驱动力研究提供科学依据。

1 研究区概况

选取伊犁河谷为研究区（图1）。伊犁河谷位于天山山脉的西边，地理位置为80°09′42″—84°56′50″E，42°14′16″—44°53′30″N，该区域地形复杂，三面环山，地势东高西低、东窄西宽，向西呈喇叭型开放，可以接收陆地西风带来的湿润水汽，伊犁河谷年均降水量为200～800 mm，年平均气温2.9～9.1 ℃，年均日照时数2 700～3 000 h，整个区域地跨高山气候和中温带大陆性气候类型［24，25］。

图1 研究区

2 数据来源与研究方法

2.1 数据来源

数据采用中国科学院资源环境科学数据中心（http：//www.resdc.cn）提供的 2000—2010 年 NPP 数据、中国气象背景数据集、土壤侵蚀空间分布数据、土地利用空间分布数据，2000—2010 年NDVI 数据、高程数据和坡度数据以及坡向数据。

2.2 研究方法

2.2.1 数值提取 采用ArcGIS10.2 软件对获取的数据进行空间坐标系和投影方式的统一后，以研究区的矢量数据为基础，建立1 个点阵（300 km×400 km）形式的点属性图层，为确保每个点在数值提取过程中都能获得有效值，将点间距离设为1 km 以适应原始数据的空间分辨率，用ArcGIS10.2 中Toolbox 内的数值提取工具，依据该点图层提取栅格数据中各点位像元属性值［26，27］，共提取了 55 402 个点数据，每个点数据包含年均净初级生产力（NPP）、年均归一化植被指数（NDVI）、年均降水（缩放倍数10）、湿润指数（缩放倍数100）、年均温度（缩放倍数10）、≥10 ℃积温（缩放倍数10）、干燥度（缩放倍数1 000）、坡度、坡向、高程、土地利用类型数据和土壤侵蚀类型数据。

将提取的55 402 个点数据作为原始数据集（数据集1），用于NPP 驱动因子模型的构建，该研究区内NPP 最大值为1 048 gC/m2。依据中国科学院资源环境科学数据中心提供的湿润指数分布数据，将研究区划分为半干旱区、干半湿润区、湿半湿润区和湿润区，将55 402 个数据按照对应的湿润指数范围-60～-30、-30～-15、-15～0、0～40 分为4 组，整合出用于研究湿润指数对NPP 作用特征分析的数据集2，然后整理出以不同土地利用类型和土壤侵蚀类型数据处理的数据集3 和数据集4，得出研究区NPP 空间分布（图2a）、土壤侵蚀类型空间分布（图2b）和土地利用类型空间分布（图2c），制图工作在ArcGIS 软件中完成。

图2 空间分布

2.2.2 逐步回归分析 逐步回归能筛选出对因变量作用力强的因子，并根据自由度的不同获得多个回归方程，方程中排列靠前的因子具有更高的权重，可以得到因子间重要性排序［26］，因此本研究选用逐步回归方法。 选取逐步回归方法构建NPP 环境因子模型，研究所使用的数据量纲不同，为统一数据间量纲，需要对各数据集进行归一化处理，采用SPSS 19软件对标准化后的数据集进行逐步回归分析，获得回归模型。

2.2.3 相关性分析 为进一步探讨各因子间的相关性，采用SPSS 软件计算各因子间的相关系数，分析各因子与NPP 间的相关性及各因子间的相关性。

2.2.4 因子贡献率 本研究使用因子贡献率来阐明环境因子对NPP 的驱动能力，贡献率的计算方法参考因子系数权重平均法［26］，以SPSS 回归模型中因子的标准系数为基础，将1 个小组方程的权重记为100%，且小组中包含多个方程，使用该方法计算出不同小组各因子权重，然后除以对应小组方程个数，即得到因子贡献率。

3 结果与分析

3.1 NPP 主要驱动因子模型的构建

研究区NPP 的分布特征差异显著，气候因子对其作用比较明显。由表1 可以得出，以NPP 多年平均值为因变量，其他环境因子为自变量的模型中，X2、X4、X5对 NPP 有主导作用，对 NPP 的贡献率排序为X2＞X5＞X4，具体分别为 NDVI、湿润指数、年均气温，该结果肯定了NDVI 和温湿指数因素对NPP 的作用。然后以 NPP 为因变量（y），NDVI（X2）和湿润指数（X5）为自变量做逐步回归，发现最优拟合公式为y=0.60X2+0.16X5-103.75（R=0.66）。

表1 环境因子与NPP 逐步回归方程（数据集1）

为进一步探究因子间相关性，使用数据集1 对各变量做Pearson 相关处理，从表2 可以得出，NDVI、年均降水量、年均气温、湿润指数、干燥度与NPP 存在极显著相关，其中NDVI、年均降水量和湿润指数与NPP 的相关性较大，相关系数分别为0.64、0.41 和0.42（P＜0.01），从中也可以发现各环境因子之间的相关性，其中年均降水量与湿润指数呈显著正相关，相关系数接近0.9（P＜0.01），而年均气温与≥10 ℃积温、年均气温与海拔、≥10 ℃积温与海拔相关系数绝对值均大于0.90，相关性强，分别代表年均气温与≥10 ℃积温、年均气温与海拔以及≥10 ℃积温与海拔间的相关性，年均气温与坡度、≥10 ℃积温与坡度呈显著负相关，相关系数均为-0.65。

表2 环境因子与NPP 相关性分析（数据集1）

3.2 不同湿润指数下环境因子对NPP 的贡献率的估算

为了能深入研究不同干湿气候类型下各环境因子对NPP 的驱动能力，使用标准化后的数据集2 对不同湿润指数区域NPP 与环境因子做逐步回归分析，探求各环境因子对NPP 的作用特点。由表3 可知，不同湿润指数分组内，干半湿润区和湿润区小组中R2达到0.50，而半干旱区和湿半湿润区小组中R2接近0.40。因子贡献率显示（图3），在半干旱区、干半湿润区和湿半湿润区环境条件下，驱动NPP 的第一因子是NDVI，而在湿润区的环境条件下，驱动NPP 的第一因子为年均降水量，半干旱区小组第二因子为坡度，第三因子为≥10 ℃积温，干半湿润区小组第二因子为干燥度，第三因子为年均气温，湿半湿润区小组第二因子为湿润指数，第三因子为坡度，而湿润区小组第二因子为NDVI，第三因子为≥10 ℃积温。回归方程中出现频率较多的因子为NDVI、年均气温、干燥度、≥10 ℃积温，不同干湿气候类型下回归方程拟合度和第一因子存在差异，反映了不同湿润指数分组下各环境因子对NPP 的驱动特点。

表3 不同湿润指数下环境因子与NPP 的逐步回归方程（数据集2）

图3 不同湿润指数范围下各因子贡献率

3.3 不同土壤侵蚀和土地利用类型下环境因子对NPP 贡献率的估算

为了能进一步探索不同土壤侵蚀和土地利用类型下各环境因子对NPP 的驱动特点，使用数据集3和数据集4，建立以NPP 为因变量，各环境因子为自变量的回归方程。由表4、表5 可知，不同土壤侵蚀和土地利用类型下，主要因子为NDVI、海拔、湿润指数、年均气温，在水力侵蚀中，驱动NPP 的第一因子均是NDVI，第二因子略有差异，微度水力侵蚀和中度水力侵蚀的第二因子是年均降水量，而在轻度水力侵蚀中驱动NPP 的第二因子是年均气温，因子贡献率达15.17%，强度水力侵蚀的第二因子是湿润指数，因子贡献率达15.87%。在冻融侵蚀中，微度冻融侵蚀和中度冻融侵蚀的第一因子均是NDVI，因子贡献率均超过50%，而在轻度冻融侵蚀中驱动NPP的第一因子是海拔，因子贡献率达到37.10%。微度冻融侵蚀的第二因子是≥10 ℃积温，轻度冻融侵蚀的第二因子是NDVI，中度冻融侵蚀的第二因子是海拔，因子贡献率达7.18%。在土地利用类型中，驱动NPP 的的第一因子均是NDVI，因子贡献率大部分超过50%，在草地和水域中，驱动NPP 的第二因子是海拔，因子贡献率超过了15%，耕地和林地的第二因子是湿润指数，而城乡、工矿、居民用地的第二因子是年均气温，因子贡献率达17.84%。

表4 不同土壤侵蚀类型下各因子贡献率（数据集3）

表5 不同土地利用类型下各因子贡献率（数据集4）

4 小结与讨论

4.1 讨论

4.1.1 NPP 主要驱动因子 NPP 为植被净有机物生产量，植物健康生长需要温度、水分和良好的光照条件。研究结果表明，NPP 第一驱动因子是NDVI，第二驱动因子是湿润指数，第三驱动因子是年均气温，本研究结果和其他学者的结果相似。NDVI 是地表植被生长状态信息的直接表达因子，它与NPP 的内在联系较强，且NPP 是年内单位面积上有机物积累量减去消耗损失量计算获得，所以植被盖度能间接影响该区域有机物的净产量，当消耗量差异较小时，NDVI 因子对 NPP 的驱动能力将得到加强［26-28］。湿润指数与年均降水量相关性较强，NPP 增长需要适宜的气温与降水条件，而温湿指数越高有机物生成量越高。

4.1.2 湿润指数对NPP 的作用 半干旱区植被生物量对降水敏感性较强［29］，干湿气候变化影响区域植被的生长和生态环境的改善［30］。研究发现，半干旱区、干半湿润区和湿半湿润区NDVI 对NPP 的驱动能力占主导地位，而湿润区主导因子为降水，说明不同干湿气候类型下NPP 受环境因子作用机制发生了变化，即NPP 在不同环境属性下的主导因子有显著差异，主要影响因子发生了变化，说明在不同湿润指数范围下净初级生产力发展模式不同，侧面体现了植被对区域特定生存条件的有效利用与适应性［31］，不同干湿环境下植被空间分布类型和植物自然生产速率可能会导致这种现象的发生。研究区生态位十分丰富，NPP空间分布特征受植被类型区划的影响，不同植被生理特点不同，在外形和其耐受能力方面都有较大差异［32］。在4 组湿润指数分组中还发现，湿润区环境因子与NPP 间所建立的线性模型R2相对较大，即在不同湿润指数分组内各环境因子对NPP 的影响能力有显著差异，此外还发现在不同湿润指数范围内各因子的贡献率趋势性变化明显。

4.1.3 土壤侵蚀和土地利用类型对NPP 的影响土壤侵蚀容易导致生产力下降、生物多样性下降和土地退化，土壤侵蚀是伊犁河谷所面对的重要生态环境问题之一［33］，土地利用变化直接影响区域植被NPP。植被净初级生产力一方面能够反映植物群落在自然环境下的生产能力［34］，另一方面能够从侧面反映植物的生长状态以及植物品种的好坏水平［35］，区域尺度上的NPP 差异明显，不同土壤侵蚀和土地利用单元的NPP 驱动因子有显著差异。水力侵蚀中海拔未能更好地表达出对NPP 的驱动能力，而冻融侵蚀中海拔是NPP 的主要驱动因子，在土地利用类型中，海拔对草地和水域的驱动能力得到提高。其他学者研究结果表明，NPP 与海拔高度的关系为负相关［26］，海拔与NPP 的关系值得进一步探究。植物是NPP 的主要贡献者，其生长方式依赖于特殊的自然环境，土壤提供了植物所需的养分和水分，土壤侵蚀和土地利用类型的差异性间接地体现在NPP中。本研究对不同土壤侵蚀和土地利用类型数据集进行逐步回归分析，结果表明不同土地利用和土壤侵蚀类型间作用因子有显著差异，总体表现为水力侵蚀中NPP 对NDVI 的依赖性更强，而冻融侵蚀中NPP 对海拔的依赖性更强，草地、耕地、林地、水域和城乡、工矿、居民用地中NDVI 占主导地位，而在草地和水域中海拔更好地表达出了对NPP 的驱动机制。本研究详细探讨了不同环境属性下各环境因子对NPP 的驱动特点，但仍有不足之处，将提取数据密度设为1 km，实际值和理论值之间可能会有误差，提取精度需要进一步提高，且植被NPP 的影响因子众多，仅讨论了环境因子对NPP 的驱动特点，还需更深入地探究其他因子的影响。

4.2 小结

1）研究区NPP 主导因子为NDVI、湿润指数和年均气温以及与该3 个因素相关性较强的因子。

2）相关性分析中得出，NDVI、年均降水量、湿润指数、年均气温和干燥度与NPP 有显著相关性，各环境因子之间也存在显著相关性。

3）不同湿润指数范围下，各环境因子对NPP 的影响有差异，湿润指数小于0 的区域NDVI 对NPP 的贡献率更高，而湿润指数大于0 的区域水分因子的贡献率更高。

4）不同土壤侵蚀类型与土地利用类型间NPP主要贡献因子及贡献率差异显著。