贵州乌江流域植被NPP的时空分布
2022-09-29张明祥田鹏举谷晓平
张明祥,田鹏举,谷晓平
(贵州省生态气象和卫星遥感中心,贵州 贵阳 550002)
0 引言
植被净初级生产力(NPP)是指绿色植物在单位面积、单位时间内通过光合作用所制造的有机物质,即总初级生产量与呼吸消耗之差,又称植被净初级生产量。植被NPP是评价植被活力的重要指标,可直接反映植被群落在自然条件下的生产能力[1-2]。中国幅员辽阔,地形复杂,气候多样,植被种类丰富,分布着针叶林、落叶阔叶林、常绿阔叶林和热带雨林等多种自然植被[3]。近几十年尤其是20世纪60年代以来,关于NPP及植被覆盖的课题受到了国内外众多学者的广泛研究。梁妙玲等[4]基于1961—2000年的降水和气温资料对中国近40 a的植被动态变化进行研究,指出降水是影响植被NPP的主要因子,不同地区温度对植被NPP的影响差别很大。谷晓平等[5]利用大气—植被相互作用模型(AVIM2)模拟西南地区植被NPP,结果表明NPP的空间分布与降水、海拔高度等因素密切相关。杨江州等[6]利用空间统计降尺度方法分析贵州乌江流域NDVI的变化特征,指出该方法得到的降尺度数据误差较小,具有一定的适应性和科学性。王秀春等[7]基于长时间序列的SPOT/ NDVI 数据,对贵州乌江流域的植被覆盖动态变化进行研究,结果显示流域的森林和灌木林地植被覆盖生长较为稳定,而草地和耕地差异较大。张蓓蓓等[8]基于2000—2017年遥感与气象数据,讨论了贵州植被覆盖变化与气候变化的响应规律,研究发现NDVI与气温的相关性大于降水,但对降水的滞后性却高于气温。除了气候因素,大气中CO2的浓度也是影响植被NPP的重要因素。CO2作为植物光合作用的原料,通过对温度、植物水分及营养物质需求等作用来影响NPP。许多研究显示,CO2浓度升高对森林NPP增加具有促进作用[9-10]。另外,对于NPP的估算目前也发展了多种模型,大体可分为统计模型、过程模型和参数模型3类。随着遥感技术的发展,以遥感数据驱动(光能利用率模型)的植被NPP估算得到了广泛应用[11-12]。
乌江是长江上游南岸的最大支流,发源于贵州省乌蒙山东麓,全长1044 km,流域面积8.79万 km2。在贵州境内,乌江流经了毕节、六盘水、安顺、贵阳、黔南、遵义和铜仁等8个市州(如图1)。流域内高山、峡谷密布,江河、坑洞纵横,地势西高东低,属于典型的喀斯特地形地貌。在独特的水热条件驱动下,岩溶地貌发育强烈,75.6%的区域为抗侵蚀能力强、造土能力差的碳酸盐[13],是典型的生态脆弱区。作为长江重要的生态功能保护区之一,乌江受人类活动的影响,曾一度成为全省八大水系水质达标率最低的河流。近年来,随着退耕还林、自然保护地移民等一系列生态建设工程的实施,流域的植被生态质量逐渐改善,干流的水生态环境问题得到有效遏制。因此,研究贵州乌江流域植被NPP的时空变化特征以及与气候变化的响应关系,有助于揭示流域内的生态环境演化特征,为重点生态功能区的保护提供科学依据,对于推进全省生态文明建设也具有重要意义。
图1 贵州乌江流域位置示意图Fig.1 Location diagram of Wujiang River Basin in Guizhou
1 数据来源及处理
卫星遥感数据来源于美国EOS/MODIS数据库提供的2000—2020年的归一化植被指数NDVI月合成数据,空间分辨率为1 km×1 km。气象数据来自贵州省气象信息中心的全省84个气象站(其中乌江流域包含32个站点),包括年平均气温、降水量、日照时数等资料,时间段为2000—2020年。根据全省气象站点的地理信息,基于GIS技术采用克里金法将气候要素空间插值成与遥感数据具有相同像元大小的栅格数据集,再通过掩摸提取得到研究区的数据集。
2 研究方法
2.1 植被NPP估算
利用贵州省范围内1 km分辨率的EOS/MODIS月NDVI合成数据,结合地面气象观测资料,根据植被光能利用原理,由陆地生态系统碳通量TEC模型[14]计算月植被NPP。
NPP=GPP-R*
(1)
GPP=ε×FPAR×PAR
(2)
式中,NPP、GPP、R*分别为月植被净初级生产力、总初级生产力、生长与维持呼吸消耗量之和(g·C·m-2·month-1);ε为实际光能利用率,根据植被类型、温度胁迫系数、水分胁迫系数等数据进行计算;FPAR为植被有效光合辐射吸收比例,利用逐月NDVI估测逐月FPAR;PAR为入射光合有效辐射(MJ·m-2·month-1),根据光合有效辐射占太阳总辐射的比例为0.48计算PAR。以月植被NPP为基础,作全年12个月累加得到年植被NPP。基于GIS技术通过掩摸提取得到研究区的年植被NPP。
2.2 相关性分析
对贵州乌江流域内近21 a(2000—2020年)的植被NPP与气候因子进行相关性分析,分别计算NPP与各个气候因子之间的皮尔逊相关系数[15]。计算公式为:
(3)
式中,R为植被NPP与气候因子的相关系数,取值范围在-1.0~1.0之间。变量x、y分别代表气候因子、植被NPP。当R>0时,表明两变量呈正相关,越接近于1.0,正相关越显著;当R<0时,表明两变量呈负相关,越接近于-1.0,负相关越显著。
2.3 多元线性回归
假设预报量与预报因子(又称自变量)x1,x2……,xm符合线性关系[15],则建立y的m元线性回归模型:
y=β0+β1x1+……+βmxm+e
(4)
式(4)中:β0、β1、……、βm为回归系数,e为服从正太分布N(0,σ2)的随机误差。根据实测的yt与x1t,x2t……,xmt样本,则有:
yt=β0+β1x1+……+βmxmt+et
(5)
建立多元回归方程的基本方法:由观测值确定回归系数β0、β1、……、βm的估计,b0、b1、……、bm得到yt对x1t,x2t……,xmt的线性回归方程:
(6)
表1 贵州乌江流域植被NPP与气候因子的相关系数Tab.1 Correlation between NPP and climate factors in Wujiang River Basin,Guizhou
3 结果与分析
3.1 植被NPP的时空变化特征
根据2000—2020年贵州乌江流域植被NPP年际变化(图2a),可以看出,近21 a贵州乌江流域的植被NPP呈上升的趋势,平均每10 a增长74 g·C·m-2。最大值出现在2016年,为972.7 g·C·m-2,最小值出现在2001年,为779.5 g·C·m-2。近5 a来流域的植被NPP均处于历史较高水平,可见随着退耕还林、自然保护地移民等一系列生态保护工程的推进,全省重点生态功能区的生态保护成效显著。从NPP多年均值的空间分布(图2b)来看,贵州乌江流域植被NPP分布不均匀,大部分区域780 g·C·m-2以上,其中西南部、南部部分地区和北部边缘相对较高,超过了950 g·C·m-2,而在人口密集的城镇区域则相对较小。
3.2 植被NPP变化与气候因子的响应
3.2.1 气候因子的年际变化 气候是人类赖以生存的自然环境,也是经济社会可持续发展的重要基础资源。受自然和人类活动的共同影响,全球气候正经历以变暖为主要特征的气候变化[18]。由2000—2020年贵州乌江流域年平均降水量和气温的变化(图3a)可见,流域的降水、气温呈增加、升高的趋势,年平均降水量最少出现在2011年,为804.5 mm;最多出现在2014年,达到1319.5 mm。年平均气温最高为2013年和2016年,达到15.9 ℃,最低出现在2012年,为14.4 ℃。从日照时数的变化来看(图3b),2000—2020年贵州乌江流域年平均日照时数总体呈略减少的趋势。流域内年日照时数最多出现在2013年,达到1337.4 h,最少出现在2012年,为846.5 h。结合前面的分析可以得出,贵州乌江流域总体气候条件变化(即降水的增多和气温的升高)有利于植被NPP增强。
图2 2000—2020年贵州乌江流域植被NPP年际变化(a)和多年均值空间分布(b)Fig.2 The annual variation(a)and sptial distribution of multi-year mean(b)of vegetation NPP in Wujiang River Basin, Guizhou from 2000 to 2020
图3 2000—2020年贵州乌江流域年平均降水量和气温(a)、日照时数(b)的变化Fig.3 The variation of annual mean precipitation and temperature(a)、sunshine duration(b) in Wujiang River Basin, Guizhou from 2000 to 2020
3.2.2 植被NPP对气候因子的响应分析 植被与气候因子之间存在显著的耦合关系,气候可通过改变环境条件在植被的生理结构、过程等方面控制植被NPP的形成,因而NPP变化能反映植被生态系统对环境气候条件的响应[17]。对贵州乌江流域2000—2020年植被NPP与气候因子进行相关性分析,由表1可以看出,植被NPP与气温、日照时数的相关系数分别达到0.74、0.50,通过了99%、95%信度的检验,明显高于植被NPP与其他气候因子的相关性,表明贵州乌江流域植被NPP的年际变化受气温和日照时数的影响更为明显。
为进一步揭示贵州乌江流域植被NPP对气候变化的响应关系,对逐个像元计算了植被NPP与气候因子的相关系数(2000—2020年)。从植被NPP与气温的相关系数空间分布(图4a)可以看出,除流域的局地存在负相关外,其余大部分区域均为正相关,其中显著正相关区域占到流域面积的69.98%。从植被NPP与降水相关性(图4b)可见,流域以正相关分布为主,显著正相关区的占比为21.66%,主要集中在西部边缘和中下游部分地区,负相关的区域较气温有所增加,主要出现在西南部、下游中部和北部以及南部局地。在植被NPP与日照时数的相关性中(图4c)可以发现,流域仍以正相关分布为主,显著正相关区较气温明显减少,仅占14.61%,主要出现在中南部和下游中部地区,且分布较为零散,流域的西部、下游的南部和北部区域为负相关。
3.3 植被NPP与气候因子的相关性对应的区域土地利用类型占比分析
结合贵州乌江流域的土地利用现状(以林地、草地和耕地等土地类型居多),从植被NPP与气温、降水、日照时数的正负相关性可知(表2),从植被NPP与气温的正相关性占比可知,相较于林地和草地的占比,耕地(90.61%)有所降低,建设用地(78.65%)降低得更为明显,负相关区域占比则相反。从植被NPP与降水的正相关性占比可以看出,耕地、建设用地的占比分别为82.04%、72.14%,明显高于林地和草地,负相关性呈相反特点。由植被NPP与日照时数的正相关性占比可以看出,建设用地的占比明显高于林地、草地,耕地的正相关区占比略低于林地、草地。一般来说,建设用地(包括城镇、农村居民点等)的人口密集,是受人类活动影响最为明显的区域,其次为耕地。由此可见,在植被NPP与不同气候因子的响应关系中,人类活动发挥着明显的影响作用并且具有差异性,尤其在建设用地的相关性占比中表现最突出。
图4 2000—2020年贵州乌江流域植被NPP与气温(a)、降水(b)和日照时数(c)的相关系数空间分布Fig.4 Spatial distribution of the correlation coefficient between NPP and air temperature (a), precipitation (b) and sunshine duration (c) in Wujiang River Basin, Guizhou from 2000 to 2020
表2 贵州乌江流域植被NPP与气温、降水、日照时数的正负相关性所对应的土地类型占比情况Tab.2 Proportion of land types corresponding to different correlations between NPP and air temperature、Precpitaion and sunshine duration in Wujiang River Basin, Guizhou
3.4 基于气候因子的植被NPP预测模型
随着生态气象研究与服务的不断发展,开展关键生态要素的预报预测产品应用已成为研究重点之一。为此,本文采用多元线性回归方法建立模型,对贵州乌江流域的年植被NPP进行预报预测分析。从前面的分析可以看出,植被NPP与各个气候因子之间存在较好的相关性,假定预报量y(植被NPP)与3个预报因子x1(气温)、x2(降水量)和x3(日照时数)之间是线性关系。计算得到多元线性回归方程如下:
(7)
其中回归平方和U=2229.71,残差平方和Q=1341.52,负相关系数R2=0.62,统计量值F=9.25。根据F分布表:在显著水平α=0.05下,分子自由度为3、分母自由度为17时,F0.05(3,17)=3.20,F>F0.05。线性回归方程(7)在α=0.05的水平上是显著的。再利用因子值(气候预测产品)代入回归方程作出预报量的估计,求出置信区间[19]。
4 结论与讨论
本文基于遥感数据和地面气象观测资料,采用相关分析、多元回归等方法,研究贵州境内乌江流域植被NPP的时空分布特征,分析植被NPP与不同气候因子的响应关系,同时建立植被NPP的预报预测模型。得出的结论如下:
①2000—2020年贵州乌江流域的植被NPP呈显著上升趋势,平均每10 a增长率为74 g·C·m-2。多年平均植被NPP的空间分布不均匀,流域大部分区域超过了780 g·C·m-2,流域的南部、西南部以及北部边缘相对较高。
②2000—2020年贵州乌江流域年平均气温、降水呈升高、增加的趋势,而日照时数则呈现略微减少的趋势,气候条件总体趋势有利于植被NPP增强。
③贵州乌江流域植被NPP的年际变化受气温和日照时数的影响更为显著。在植被NPP与气温的相关性空间分布中,流域大部以正相关系数分布为主,其中显著正相关区域占到流域面积的69.98%;NPP与降水的相关性空间分布中以正相关为主,显著正相关区较气温明显较少,主要出现在流域的西部边缘、中部和下游南北部地区,负相关分布在流域的西南部和下游中北部区域;NPP与日照时数的相关性空间分布中,以正相关为主,显著正相关分布较为零散,主要集中在中南部和下游中部地区,流域的西部、下游的南北部区域为负相关。在植被NPP与不同气候因子的响应关系中,人类活动的影响作用明显且具有差异性。
④基于多元线性回归分析方法,建立流域植被NPP的预报预测模型,得到的回归方程在α=0.05水平上具有显著性,利用因子值可计算出对年植被NPP的估计。
本文主要研究气候因子与贵州乌江流域植被NPP的响应特征,而气候因素所引起的植被生长生理反应以及气候变化与植被生产力的相互作用机制还有待于进一步研究[17]。从研究的结果来看,贵州乌江流域植被NPP与气温、日照时数表现出较好的正相关。需要指出的是对于不同区域,气候因子对植被NPP的影响具有差异性。如在干旱和半干旱地区,降水是影响植物生长的首要因素,因而与NPP的正相关更为突出[20-21]。另外,文中基于历年资料建立的植被NPP预报预测模型,样本容量为21 a,若要得到更加具有统计显著性的回归方程,还需要收集更长时间序列资料。