基于地理探测器的黄土高原NPP时空变化及驱动力研究

2023-06-29王江涛杨永崇杨梅焕

西安理工大学学报 2023年1期

王江涛, 杨永崇, 杨梅焕

(西安科技大学测绘科学与技术学院, 陕西西安, 710054)

植被净初级生产力(net primary productivity,NPP),是指植物在单位时间和面积内产生积累的有机干物质总量[1]。也是陆地植被固碳能力的重要指标之一[2]。NPP的估算方法有通过建立气候因子与NPP之间的回归分析模型,该模型仅考虑到温度、降水对NPP的影响,常用来计算自然植被气候生产量,但一些学者认为其缺乏理论基础[3]。有以生态循环模型为基础,通过多源遥感数据建立的遥感过程模型,其理论体系相对完整,结构更加严谨,但模型较为复杂,需要调整模型状态变量来提高估算精度,不适用于大尺度估算[4]。光能利用率模型是基于植被通过光合作用将吸收的能量转化为有机碳的效率来估算植被NPP,适用于区域场景NPP的估算。精度受光合有效辐射和光能转换率两个因子的影响,其中的水分胁迫指标的确定是光能利用率模型精度估算的重点[5]。光能利用率模型中的CASA模型充分考虑植被生长的环境条件和植被自身特征,在国内外得到广泛应用[6-8]。同时也有相当多的学者基于MODIS NPP产品数据运用诸如趋势分析法、Hurst指数、变异系数法等方法研究不同尺度下NPP的时空变化及与气温、降水等自然因子的相关性[9-10]。

近年来国内外诸多学者用不同的分析方法例如地理探测器、相关分析法等探讨自然因素、人为因素对区域NPP的影响。王娟等[11]研究认为自然驱动因子中的气温、降水、海拔高程对黄河流域均有影响且驱动力影响差异明显。邵嘉豪等[12]研究表明近年来人为活动对山西省NPP变化产生了较大的扰动。孙治娟等[13]研究认为自然因素对云南省NPP影响强于人为因素,但人为为活动对NPP的影响在逐年增强。史晓亮等[14]研究认为降水是黄土高原植被NPP主要自然影响因素。穆少杰等[15]研究认为,不同植被类型NPP对气候敏感存在差异性,林地NPP主要受到温度限制,耕地和草地NPP主要受到降水限制。张佑铭等[16]研究认为高度、土地利用变化的交互作用对黄土高原植被NPP空间异质性分布有着重要作用。杨丹等[17]研究表明人类活动在黄土高原生态改善方面发挥着重要作用。Qi等[18]研究表明降水对NPP影响相对复杂,温度对NPP起到抑制作用,并且气候变化和人类活动对NPP的影响均表现出较大的空间异质性。Yang等[19]研究表明与气候变化相比,人类活动对植被NPP总量增加具有积极作用。上述学者的研究内容和成果揭示了不同自然因子和人为因子对黄土高原NPP的影响情况,将为后续研究黄土高原生态变化和陆地碳循环等方面提供一定的理论依据。但是,此前关于植被NPP时空动态的研究往往存在时间尺度短、空间分辨率低且NPP数据采用传统CASA模型或MODIS MOD17A3HGF数据产品,存在数据精度不足等问题。并且关于人为扰动与自然条件的具体耦合因素对区域NPP的影响研究还比较少[20]。深入探讨黄土高原植被NPP时空演变背后的驱动因子,对区域碳循环以及生态恢复和管理仍具有重要意义。本研究采用空间分辨率500 m并且在像元尺度表现更佳的改进CASA模型解决了此前表达不力的问题,探究黄土高原植被NPP近20年时空分布变化及自然因子和人文因子耦合对其变化的影响

1 材料与方法

1.1 研究区概况

黄土高原(33°41′～41°16′N,100°54′～114°33′E)地处我国西北部,总面积约为62×104km2,地势西高东低(见图1)。属温带大陆性季风气候,雨热同期。地形破碎,千沟万壑。储藏有丰富的煤、天然气等自然资源。该区域生态环境脆弱,对全球气候变化响应十分敏感。程晓鑫等[21]的研究结果表明黄土高原气候受全球气候变化的影响,表现为降水增加、气温不再升高、风速降低和湿度减小等特点。自1999年实行退耕还林等一系列生态工程以来,黄土高原的植被覆盖度得到了一定程度的恢复,多位学者研究表明黄土高原NPP总体呈增加趋势,逐渐成为我国植被固碳的重要区域。

图1 黄土高原高程水系图Fig.1 Elevation drainage system of the Loess Plateau注:此图基于国家自然资源部标准地图服务网站审图号为GS(2020)4619的标准地图制作,底图无修改。

1.2 数据来源与预处理

MODIS遥感数据产品包括MOD13Q1、MOD09A1、MCD12Q1和MOD17A3HGF,数据均来源于美国NASA数据服务中心(https://lpdaac.usgs.gov),MOD13Q1和MOD09A1采用最大值合成法( maximum value composite MVC)得到逐月栅格数据。气温、降水和日照时长数据来源于中国气象数据网(http://data.cma.cn),基于反距离权重插值法,得到气象栅格数据。太阳辐射数据根据日照时长数据,利用联合国粮农组织推荐使用的Angstrom公式计算得到逐日太阳辐射。运用简单Kriging插值[22],逐日加和得到月总太阳辐射数据。社会经济数据采用中科院资源环境与数据中心(https://www.resdc.cn)提供的人口密度数据和GDP数据集。黄土高原矢量数据来源于国家地球系统分中心黄土高原中心(http://loess.geodata.cn)。土地利用数据采用武汉大学杨杰等[23]发布的空间分辨率30 m逐年中国土地覆盖数据集(CLCD),利用众数聚合法重采样为1 km,这种方法能够更好地保留优势类别[24]。

1.3 CASA模型

CASA模型主要受光合有效辐射PAR和光能利用率ε两者的影响,本文采取优化水分胁迫系数后的CASA模型实现NPP估算。计算公式为:

NPP(x,t)=PAR(x,t)×ε(x,t)

(1)

1.3.1 光合有效辐射估算

光合有效辐射由太阳辐射和植被吸收光合有效辐射ε的比例共同决定,公式为:

PAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(2)

式中:SOL(x,t)表示月总太阳辐射量, MJ·m-2·month-1。通过计算日太阳辐射SOL(x,t),逐日加和可得。

1.3.2 光能利用率估算

光能利用率是指植物吸收光合有效辐射转换为有机碳的效率,公式为:

ε(x,t)=εmax×T1(x,t)×T2(x,t)×Wt(x,t)

(3)

式中:T1(x,t)、T2(x,t)表示温度胁迫系数;εmax表示植被在温度、水分和光照条件都充分的状态下,植被通过光合作用吸收太阳辐射转换有机碳的最大效率;Wt(x,t)表示水分条件对植被光能转换率的影响。传统CASA模型采用土壤水分蒸散发模型,需要众多复杂土壤参数,朱文泉等[25]的改进CASA模型通过计算气温降水得到的区域实际和潜在蒸散发数据作为水分胁迫系数,被众多学者采用。一些学者将地表水分指数(land surface water index,LSWI)引入CASA模型中。相关研究显示使用LSWI作为水分胁迫系数,更加适用于区域尺度的NPP监测[26]。在像元尺度的全国NPP监测中,优化后的CASA模型像元尺度上表现明显好于传统模型[27]。

(4)

(5)

式中:LSWImax表示单个像元在一年内的最大值,通过最大值合成得到:ρnir与ρswir分别代表MODIS产品数据的近红外与短波红外波段。本研究采用Bao等[28]提出的改进算法,计算公式如下:

(6)

1.4 统计与分析

1.4.1 植被NPP的变化趋势

本文利用一元线性回归性检验(趋势分析法)逐像元研究黄土高原年植被初级生产力时序变化是否存在单调性变化趋势,计算公式为:

(7)

式中;θslope表示变化趋势;n=20为研究时间区间;NPPi为第i年植被NPP。θslope<0表示NPP减少,θslope>0表示NPP增加。显著性检验使用F检验。

1.4.2 地理探测器

地理探测器是探测空间分异性,以及揭示其因变量空间异质性驱动力的方法[29]。计算公式为:

(8)

式中q为分异性因子(0

气温和降水是气候因子中两个非常重要的因素,它们的变化直接影响到区域NPP的积累。地形因子考虑海拔是因为海拔因素直接影响植被垂直分布的水热组合,从而造成植NPP垂向分布格局的差异。人类活动和气候变化对植被NPP的影响复杂多样,可能会产生相互抵消等作用[31],因此细化人类活动对研究人为扰动对NPP的影响至关重要。土地利用类型受人类干扰强烈,是影响区域NPP变化的重要原因。人口密度和GDP可以在一定程度反映城市扩张水平和经济发展水平,可以反映区域受人类活动影响的程度。故选取气温、降水、高程、人口密度、GDP、土地利用类型作为自变量因子。

2 结果与分析

2.1 估算结果验证

采用MOD17A3HGF NPP产品数据集对估算结果进行验证,大量国内外研究学者已经证明这种间接验证法具有一定的可靠性[32-34]。将优化CASA模型估算的NPP数据和MOD17A3HGF NPP数据分别合成2000—2019多年均值栅格数据,创建10 km×10 km渔网,获取渔网中心点对应的MOD17A3HGF NPP数据和CASA模型估算NPP数据的像元值,由于MOD17A3HGF NPP数据集水体NPP估算存在异常值,需剔除水体异常值。剩余65 378组数据进行相关性分析。

结果表明优化后CASA模型估算与MOD17A3HGF具有紧密的正相关关系(R2=0.61,P<0.01),见图2。

图2 CASA模型NPP与MOD17A3产品精度验证Fig.2 Accuracy verification of CASA model NPP and MOD17A3 products

本研究通过优化CASA模型估算的植被类型NPP均值均在实测NPP数据范围内,且在空间分布具有相似的分布特征,表明本研究使用的优化后CASA模型估算结果较为可靠。

2.2 黄土高原NPP时空变化特征分析

2.2.1 黄土高原NPP空间分布特征

黄土高原年NPP均值(见图3)总体呈现西北低,东南高的分布特点。根据前人研究结果[35],本研究根据单元格网NPP产量进行等级划分,[0,200],(200,500],(500,∞),单位gC/(m2·a)分别为低值区、中值区、高值区。高值区主要分布在山西省的吕梁山脉和太行山脉两侧、陕西省甘泉县、宝塔区以南地区以及黄土高原青海省南部的区域。低值区域主要分布在甘肃省的景泰县、靖远县以及宁夏的中卫县和中宁县以及内蒙古的鄂托克旗西北部和杭锦旗的北部地区。经统计分析,NPP低值区域面积仅占全黄土高原总面积的23.9%,高值区域面积占全域38.7%。

图3 2000-2019年黄土高原NPP均值分布图Fig.3 Mean distribution of NPP in the Loess Plateau from 2000 to 2019注:此图基于国家自然资源部标准地图服务网站审图号为GS(2020)4619的标准地图制作,底图无修改。

NPP低值区主要分布在平均海拔1 041 m的区域,高于其他区域且地势起伏大。多年平均降水304.265 mm,低于其他区域。多年平均气温为8.11℃,多年平均气温低于其他区域。植被覆盖类型主要为戈壁荒漠和牧草地,植被覆盖低。在一定程度上说明了NPP低值区海拔较高,植被生长的水热条件不充分,有机物积累能力比较弱。而NPP高值区植被类型主要为针叶林、灌丛和耕地,降水充沛、温度适宜有利于植物有机物积累。

2.2.2 黄土高原NPP空间变化特征

根据NPP变化率及变化趋势检验可知,像元尺度上变化率呈现出由四周向中部地区逐渐增加的趋势(见图4),增长率高的区域出现在陕北地区和宁夏南部地区,负增长区域主要在青海海北地区、山西晋中区域、陕西关中区域以及内蒙鄂尔多斯地区。显著增长区域(见图5)主要分布在陕北地区、甘肃南部地区、青海南部山区、宁夏南部山区。近20年显著增长区域面积约占86.7%,山西晋中、青海海北和海西部分地区以及内蒙鄂尔多斯地区呈现显著减少,这些地区属于煤炭资源富集区域。这些区域的土地利用类型由耕地、荒地逐渐转变为建设用地。可能与城镇化发展或煤炭开采导致土地植被破坏有关。

图4 2000-2019黄土高原NPP变化率Fig.4 Change rate of NPP in the Loess Plateau from 2000 to 2019注:此图基于国家自然资源部标准地图服务网站审图号为GS(2020)4619的标准地图制作,底图无修改。

图5 黄土高原2000-2019年变化趋势显著性(F检验)Fig.5 Significance of change trend in Loess Plateau from 2000 to 2019 (F-test)注:此图基于国家自然资源部标准地图服务网站审图号为GS(2020)4619的标准地图制作,底图无修改。

2.2.3 黄土高原NPP时间变化特征

黄土高原NPP均值从2000年的160.94 gC/(m2·a)波动上升至2019年的225.152 3 gC/(m2·a)(见图6);平均值为204.04 gC / (m2·a),年平均增加速率为3.194 7 gC/ (m2·a)(R2= 0.754,P<0.01);黄土高原及区域内各省的均值增加趋势基本一致。从2001年出现低值后呈现稳步增长趋势。

图6 2000—2019年不同区域NPP变化趋势Fig.6 Trends of NPP in different regions from 2000 to 2019

在不同NPP区域变化当中,低值区面积以每年778 km2的速率持续缩减(R2=0.798,P<0.01),中值区(200～ 400 gC·m-2·a-1)。每年663 km2的速率持续增加,在高值区部分以每年115 km2的速率增加(见图6)。

主体面积也由低值区逐步过渡到中值区,NPP主要集中在200 gC/(m2·a)到400 gC/(m2·a)区间。表示黄土高原植被NPP总量逐年增加,且低值区NPP增加显著。

2.3 NPP变化与各因素相关性分析

2.3.1 土地利用因素

不同土地利用类型年际NPP差异明显(见表1),从2000到2019年黄土高原土地利用类型发生较大变化。其中耕地、灌木、戈壁荒漠面积均有不同程度的减少,除耕地外,灌木和戈壁荒漠的NPP均值和总量均有损失,耕地的NPP均值和总量比2000年有所增加。林地、水域、建设用地面积增长显著,与此同时林地、水域、建设用地对应的NPP均值和总量也均有增长。在不同的土地利用类型中,NPP均值最高是林地在330 gC/(m2·a)以上,其次是灌木和耕地。其中林地的光照条件好,光能利用率高,植被光合作用较活跃,生物量累计较高,因此使得林地NPP均值变高。同时草地、耕地和林地这三大用地类型也是黄土高原主要NPP来源,三者NPP总量在2000年和2019年分别占NPP总量的97.6%和98.2%。

表1 2000年和2019年黄土高原各用地类型面积与对应NPP统计Tab.1 Area and corresponding NPP statistics of land use types on the Loess Plateau in 2000 and 2019

2.3.2 气象因素

从2000年起,黄土高原降水均值随植被覆盖提高逐年稳步增加,而气温变化不明显(见图7)。可能是由于降水增多对局部气候的调节功能使得温度没有显著变化。年均降水和NPP有显著相关性(R2=0.526,P<0.05),因此降水可能是黄土高原植被NPP增加的主要原因之一。稳定的温度也给植被生长提供了适宜的环境温度,良好的水热条件也使得黄土高原NPP逐年增加。

图7 2000-2019年均气温降水变化图Fig.7 Variation of average annual temperature and precipitation from 2000 to 2019

2.3.3 地理探测器

从因子探测器的结果来看,各年份的主导因子均为降水,代表年份解释力分别为0.458、0.400、0.405、0.442 5和0.310(见图8)。而从不同年份各因子的q均值大小来看:降水(0.401 4)>土地利用(0.324 5)>气温(0.146 8)>高程(0.076)>人口密度(0.064)>生产总值(0.021),表明降雨和土地利用变化是NPP变化的最主要驱动力。

图8 不同因子解释力分布Fig.8 Distribution of explanatory power of different factors

交互作用探测器结果显示(见表2),双因子交互后的影响力明显高于单因子,且任意两个因子交互结果呈现出双因子或非线性增强的特点,这说明黄土高原2000—2019年植被NPP的变化受到多个因子的协同影响,并非受单一因子控制。将各代表年份的交互因子影响值进行排列,可以看到2000年降水和高程在交互后有最高的解释力,达到了0.604。2005年、2010年、2015和2019年降水和土地利用因子在交互后的影响值最高,分别为0.556、0.560、0.584和0.457。从最终结果来看,虽然降水仍为NPP变化的主导因子且强于人为扰动因素,而随着时间的变化,降水因子加上土地利用的交互解释力在不断上升,说明人为扰动对NPP值变化的影响力在逐渐增强。

表2 各年份主导交互因子情况Tab.2 Dominant interaction factors in each year

本文引用的数据采用优化CASA模型计算得到,可用于区域场景定量分析研究。若对小尺度区域或者更高时间分辨率进行研究分析,则需要更换NPP估算模型。地理探测器能够解释多因子交互作用对因变量地理空间分布的异质性。但对于因变量的解释比较依赖于自变量的选取,本文参考前人研究基础上选取6个自然条件和人为扰动因子。在后续的研究中应积极探讨土壤侵蚀、坡度、城市建设水平、景观格局指数等多种自然、人为因子对NPP的影响,继续深入探讨多因子对生态脆弱区植被NPP的驱动影响。

3 讨论与结论

3.1 讨论

不同模型估算的NPP存在较大差异,其主要原因是模型机理的不同,这使得模型的输入参数,适用范围都有很大的差异。本文采用的改进CASA模型,引入LSWI作为水分胁迫系数取代原模型中的蒸散量。前人研究表示[28],LSWI作为水分胁迫系数可以有效提高传统CASA模型估算精度。本文模拟的2000—2019年黄土高原NPP均值为204.04 gC/(m2·a),其中耕地、混交林、落叶阔叶林的NPP分别为423 gC/(m2·a)、490 gC/(m2·a)和519 gC/(m2·a)。以往的研究分别在252.50～606 gC/(m2·a),423～582 gC/(m2·a)和284.3～679 gC/(m2·a)之间。MOD17A3数据由于存在空值和异常值所以各类型值均低于其余模型模拟的结果。说明本研究估算的不同植被类型NPP均在以往研究结果和实测NPP范围内,且NPP分布规律相同即常绿阔叶林最高其次是落叶阔叶林、混交林、耕地等。

从时间上来看,黄土高原自1999年实行退耕还林还草等一些生态恢复工程后,植被恢复,生态环境改善,NPP整体呈现出稳步增长。这也与前人的研究结果相一致。从空间上来看,多年均值NPP呈现出西北低东南高的特点,且在陕北地区和山西吕梁地区这些生态恢复工程重点区域呈现显著增加。在内蒙鄂尔多斯地区、陕西关中地区、山西晋中地区、青海的海西海北地区呈现减少趋势,这些区域大部分是煤炭资源富集地区或畜牧业发达区,可能是由于人为活动和畜牧活动导致植被破坏。其余地区为满足城市发展的需要,大规模的耕地等被转换为建设用地,导致生态环境遭到破坏,NPP显著减少。

气候决定了区域植被分布的种类和生长状况,黄土高原近20年的气候变化表现为降水显著增多,气温变化不明显。在NPP低值区,平均降水量和气温均低于其余区域,NPP高值区的平均降水量高于其余区域。这是由于黄土高原处于干旱和半干旱地区,水分是限制植物生长的重要气候因子。随着降水量逐年增多,植被生长所需要的水热条件得以改善,表现出NPP逐年增多。在主导因子分析中也表现出降水是黄土高原NPP变化的主导因子。在实行生态恢复工程后,多年土地利用变化中林地、水域、建设用地面积增长显著。降水和土地利用交互作用影响值最高,说明黄土高原NPP变化由原来主要由自然因子单一影响转而由自然因子和人为因子耦合影响,且人为因子影响的程度逐年提高,充分说明外界人为扰动对黄土高原NPP影响显著。