中国陆地生态系统NPP模拟及空间格局分析
基于CASA模型的呼伦贝尔地区NPP估算研究
河北师范大学硕士学位论文基于CASA模型的呼伦贝尔地区NPP估算研究姓名：杜红申请学位级别：硕士专业：地图学与地理信息系统指导教师：胡引翠20100307摘要呼伦贝尔市处于内蒙古自治区的东北部地区，属于西北干旱区向东北湿润区和华北旱作农业区的过渡地带，对于保障我国的生态安全和可持续发展具有重要的意义。
草地植被是草地生态系统中的第一性生产者，对区域甚至全球气候和环境变化具有很大的影响作用。
本论文根据CASA模型估算呼伦贝尔地区的NPP，采用遥感数据，以草地植被作为草地生态系统研究的主体，对草地状况进行监测、分析计算和评价。
植被净初级生产力(NPP)是指绿色植物在单位时间内、单位面积上所积累的有机物的量。
NPP作为地表碳循环的重要组成部分，不仅直接反映了植被群落在自然环境条件下的生产能力，表征陆地生态系统的质量状况，而且是判定生态系统碳源/汇和调节生态过程的主要因子，在全球变化及碳平衡中起着重要作用。
近30年来，随着人类活动的影响，温室效应等气候和环境问题日益突出，使得陆地生态系统的碳收支的时空变化成为一项研究趋势。
本文主要运用地理信息系统和CASA遥感模型，利用MODIS遥感数据、气象数据及相关资料，估算内蒙古呼伦贝尔地区的NPP，并将估算结果与实测数据进行对比研究，从而验证CASA模型的精度，并改进该模型。
CASA模型从其产生开始就是基于大尺度甚至全球的空间验证，模型中的许多参数均是从区域甚至全球给定的，本论文拟应用CASA模型来模拟出呼伦贝尔草原生态系统的净初级生产力，并利用该生态系统的野外实测地上生物量数据进行模拟验证，旨在验证CASA模型的动态模拟能力，以评价CASA模型反映NPP空间变异特征的准确性及阐释程度。
本研究主要得出了以下结论：(一) CASA模型的改进及实现以CASA模型的基本结构为基础，考虑到最大光能利用率的取值在不同的地表植被类型中存在的差异，结合呼伦贝尔地区存在不同植被类型的实际情况，对CASA模型进行了一些改进，通过对NPP结果与实测数据及其他模型的对比验证，发现改进后的CASA模型对小尺度植被NPP的模拟效果较好。
NPP数据的总结
NPP数据的总结一、引言NPP（Net Primary Productivity）是指植物光合作用中，植物通过光能转化为化学能的速率，是生态系统中植物生物量净增加的量。
本文将对NPP数据进行总结和分析，以便更好地了解生态系统的生产力和能量流动。
二、数据来源本次NPP数据的总结主要基于多个研究机构和卫星数据提供的观测结果。
其中包括但不限于美国地质调查局（USGS）、欧洲空间局（ESA）和国家航空航天局（NASA）等。
三、数据分析根据收集到的NPP数据，我们可以得出以下几个结论：1. 全球NPP分布格局根据卫星数据的监测结果，全球NPP呈现出明显的地理分布特征。
热带地区的NPP最高，主要集中在南美洲亚马逊雨林、非洲刚果盆地和东南亚地区。
而寒带和高山地区的NPP较低，主要受温度和光照等因素的限制。
2. 季节性变化NPP数据显示，不同地区的NPP在不同季节会有明显的变化。
例如，北半球的温带地区，在夏季NPP较高，而冬季NPP较低。
这是由于温度和光照条件的变化导致植物光合作用的强度不同。
3. 气候变化对NPP的影响长期的NPP数据观测结果表明，气候变化对生态系统的NPP产生了一定的影响。
全球气候变暖导致了一些地区的NPP增加，尤其是在高纬度地区。
然而，一些地区由于干旱等气候变化因素的影响，NPP可能会下降。
4. 地区差异不同地区的NPP存在较大的差异。
这主要受到土壤质量、降水量、温度和植被类型等因素的影响。
例如，沙漠地区的NPP很低，而湿地和森林地区的NPP相对较高。
四、数据应用NPP数据的总结对于生态环境保护、农业生产和气候变化研究具有重要意义。
以下是一些数据应用的例子：1. 生态环境保护通过对NPP数据的分析，可以评估和监测生态系统的健康状况。
例如，如果某个地区的NPP下降，可能意味着该地区生态系统受到了破坏或退化。
这可以提醒相关部门采取措施，保护该地区的生态环境。
2. 农业生产NPP数据可以用于评估农作物的生产潜力和土地利用规划。
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP数据进行综合总结和分析，以便更好地理解和利用这些数据。
NPP（Net Primary Productivity）是指植物通过光合作用在单位时间内固定的净碳量，是生态系统中能量流动的重要指标之一。
通过对NPP数据的总结和分析，可以匡助我们了解生态系统的生产力、碳循环等关键生态过程，对环境保护和可持续发展具有重要意义。
数据来源：NPP数据的来源多样，主要包括遥感数据、气象数据、生态样地观测数据等。
其中，遥感数据是获取NPP数据的主要手段之一，通过卫星遥感技术可以获取大范围、高时空分辨率的NPP数据。
气象数据则提供了影响NPP的关键环境因素，如温度、降水等。
生态样地观测数据是通过在实地设置样地进行定期观测，可以获取更为精细的NPP数据。
数据处理和分析方法：为了更好地利用NPP数据，我们需要进行数据处理和分析。
首先，对原始数据进行质量控制，排除异常值和缺失值。
然后，根据数据的时空分布特点，选择合适的插值方法填补缺失值，以获得完整的数据集。
接着，可以利用统计学方法对NPP数据进行描述性统计，如均值、标准差等，以了解NPP的整体分布情况。
此外，还可以利用时序分析方法，如趋势分析、周期分析等，揭示NPP的变化规律和趋势。
最后，可以利用地理信息系统（GIS）技术，将NPP数据与其他环境要素进行空间叠加分析，以探索NPP与环境因素之间的关系。
数据应用：NPP数据在许多领域具有广泛的应用价值。
首先，NPP数据可以用于评估生态系统的健康状况和生态系统服务功能。
通过监测和分析NPP的变化，可以及时发现生态系统的异常情况和生态环境问题，并采取相应的保护措施。
其次，NPP数据对于生态环境规划和管理具有重要意义。
通过分析NPP数据，可以确定适宜的土地利用方式，优化生态系统的结构和功能，实现生态环境的可持续发展。
此外，NPP数据还可以应用于气候变化研究、生态模型验证等方面，为科学研究和决策提供重要依据。
NPP数据的总结
NPP数据的总结1. 引言自然植被光合作用净初级生产力（Net Primary Productivity, NPP）是生态系统中植物通过光合作用固定的能量总量。
NPP数据的总结是对特定区域或特定时间段内的植被生产力进行综合分析和总结，以了解生态系统的生产力状况、环境变化对生产力的影响以及生态系统的健康状况等。
2. 数据收集与处理为了进行NPP数据的总结，首先需要收集相关的原始数据。
常用的数据来源包括遥感数据、气象数据、生态调查数据等。
遥感数据可以通过卫星遥感影像获取，包括植被指数（如NDVI）、叶面积指数（LAI）等；气象数据可以从气象站点或气象模型中获取，包括温度、降水、光照等；生态调查数据可以通过野外调查或文献搜集获得，包括植被类型、植被盖度等。
收集到的原始数据需要进行预处理和清洗，包括去除异常值、填补缺失值、统一数据格式等。
预处理后的数据可以进行进一步的分析和总结。
3. NPP数据分析NPP数据的总结可以从多个方面进行分析，以下是一些常见的分析方法：3.1 时间序列分析时间序列分析可以对NPP数据的长期变化趋势进行研究。
可以通过绘制NPP随时间的变化曲线，分析NPP的季节性变化、年际变化以及长期趋势等。
可以使用统计方法，如回归分析、趋势分析等，来评估NPP的变化趋势和变化速率。
3.2 空间分布分析空间分布分析可以研究不同地区或不同植被类型的NPP差异。
可以绘制NPP的空间分布图，分析不同地区或不同植被类型的NPP水平和空间格局。
可以使用地理信息系统（GIS）等工具进行空间分析和空间插值。
3.3 影响因素分析影响因素分析可以研究NPP受到的环境因素的影响程度。
可以通过相关分析、回归分析等方法，探究温度、降水、光照等因素对NPP的影响。
还可以分析气候变化、土地利用变化等对NPP的影响。
4. 结果与讨论在NPP数据的总结中，需要对分析结果进行详细的描述和讨论。
可以总结NPP的长期变化趋势、空间分布特征以及影响因素等。
中国陆地植被净初级生产力估算模型优化与分析——基于中国生态系统研究网络数据
中国陆地植被净初级生产力估算模型优化与分析——基于中国生态系统研究网络数据苏胜涛;曾源;赵旦;郑朝菊;吴兴华【期刊名称】《生态学报》【年(卷),期】2022(42)4【摘要】该研究基于中国生态系统研究网络(CERN)数据对传统CASA模型进行优化,对比两叶模型与优化CASA模型在站点尺度和像元尺度对于8个典型生态站点的植被净初级生产力(NPP)估算精度,选择在像元尺度表现更好的优化CASA模型,结合中国土地覆被数据(ChinaCover)开展2000—2019年中国陆地植被NPP监测与分析。
研究结果表明:(1)基于FY2D PAR的优化方案能够有效避免空间插值导致的不确定性问题,显著提高了PAR估算精度;(2)在站点尺度上,两叶模型用于估算典型森林、草地生态系统的NPP表现更好,而在像元尺度上优化CASA模型估算精度更高;(3)在全国尺度上,优化了最大光能利用率、水分胁迫系数以及光合有效辐射计算方法的CASA模型能够较好地模拟中国陆地植被NPP,近20年中国陆地植被NPP变化范围为2.703—2.882 PgC/a,在空间上呈西北低东南高的格局,在时间上呈现波动中缓慢增加的趋势。
【总页数】14页(P1276-1289)【作者】苏胜涛;曾源;赵旦;郑朝菊;吴兴华【作者单位】中国科学院空天信息创新研究院遥感科学国家重点实验室;中国科学院大学;中国长江三峡集团有限公司【正文语种】中文【中图分类】Q94【相关文献】1.西北地区植被净初级生产力估算模型对比与其生态价值评价2.基于文献整合的中国典型陆地生态系统初级生产力、呼吸和净生产力数据集3.基于文献整合的中国典型陆地生态系统初级生产力、呼吸和净生产力数据集因版权原因，仅展示原文概要，查看原文内容请购买。
青海省植被净初级生产力（NPP）时空格局变化及其驱动因素
第４０卷第１５期２０２０年８月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．４０，Ｎｏ．１５Ａｕｇ．，２０２０基金项目：国家自然科学基金项目（３１７６０１３５，３１３６０１１４）收稿日期：２０１９⁃０３⁃０４；㊀㊀修订日期：２０２０⁃０６⁃１２∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｘｉａｍｉｎｌ＠１６３．ｃｏｍＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０３０４０４０３刘旻霞，焦骄，潘竟虎，宋佳颖，车应弟，李俐蓉．青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素．生态学报，２０２０，４０（１５）：５３０６⁃５３１７．ＬｉｕＭＸ，ＪｉａｏＪ，ＰａｎＪＨ，ＳｏｎｇＪＹ，ＣｈｅＹＤ，ＬｉＬＲ．ＳｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓｏｆｐｌａｎｔｉｎｇＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０２０，４０（１５）：５３０６⁃５３１７．青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素刘旻霞∗，焦㊀骄，潘竟虎，宋佳颖，车应弟，李俐蓉西北师范大学地理与环境科学学院，兰州㊀７３００７０摘要：植被净初级生产力（ＮＰＰ）作为陆地生态过程的关键参数，不仅用以估算地球支持能力和评价陆地生态系统的可持续发展，也是全球碳循环的重要组成部分和关键环节㊂基于２０００ ２０１４年ＭＯＤ１７Ａ３年均ＮＰＰ数据和气象站点气温㊁降水资料，采用简单差值㊁趋势分析㊁相关性分析和Ｈｕｒｓｔ指数等方法，分析了青海省ＮＰＰ的时空变化特征及其与气候因子的关系㊂结果表明：①青海省植被年均ＮＰＰ在２０００ ２０１４年间整体分布呈现由南到北㊁由东到西递减的趋势，各生态区的空间存在显著差异，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂②２０００ ２０１４年，青海省ＮＰＰ变化趋势由北到南㊁由西到东呈现逐渐增加趋势，平均趋势系数为０．６１，ＮＰＰ值增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％㊂③青海省ＮＰＰ值的Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征㊂④气候因子（年平均降水量和年均气温）对年均ＮＰＰ的分布有影响，海拔的高低造成气温㊁降水和土壤的差异，间接影响植被ＮＰＰ，１５年土地利用／覆被变化（ＬＵＣＣ）表现为草地面积减少最多，这是导致ＮＰＰ减少的主要原因㊂关键词：净初级生产力（ＮＰＰ）；时空变化；ＭＯＤ１７Ａ３；青海省ＳｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓｏｆｐｌａｎｔｉｎｇＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅＬＩＵＭｉｎｘｉａ∗，ＪＩＡＯＪｉａｏ，ＰＡＮＪｉｎｇｈｕ，ＳＯＮＧＪｉａｙｉｎｇ，ＣＨＥＹｉｎｇｄｉ，ＬＩＬｉｒｏｎｇＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，ＮｏｒｔｈｗｅｓｔＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ａｓａｋｅｙｐａｒａｍｅｔｅｒｏｆｔｅｒｒｅｓｔｒｉａｌｅｃｏｌｏｇｉｃａｌｐｒｏｃｅｓｓ，ＮＰＰｃａｎｎｏｔｏｎｌｙｅｓｔｉｍａｔｅｔｈｅｅａｒｔｈᶄｓｓｕｐｐｏｒｔｉｎｇｃａｐａｃｉｔｙａｎｄｅｖａｌｕａｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍ，ｂｕｔａｌｓｏａｎｉｍｐｏｒｔａｎｔｐａｒｔａｎｄｋｅｙｌｉｎｋｏｆｇｌｏｂａｌｃａｒｂｏｎｃｙｃｌｅ．ＢａｓｅｄｏｎｔｈｅＭＯＤ１７Ａ３ａｎｎｕａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｄａｔａａｎｄｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｉｔｅｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｆｒｏｍ２０００ｔｏ２０１４，ｔｈｅｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅａｎｄｉｔｓｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｃｌｉｍａｔｉｃｆａｃｔｏｒｓｗｅｒｅａｎａｌｙｚｅｄｂｙｍｅａｎｓｏｆｓｉｍｐｌｅｄｉｆｆｅｒｅｎｃｅ，ｔｒｅｎｄａｎａｌｙｓｉｓｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ，ａｎｄＨｕｒｓｔｉｎｄｅｘ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅａｖｅｒａｇｅａｎｎｕａｌＮＰＰｏｆｖｅｇｅｔａｔｉｏｎｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｇｒａｄｕａｌｌｙｄｅｃｒｅａｓｅｄｆｒｏｍｓｏｕｔｈｔｏｎｏｒｔｈａｎｄｆｒｏｍｅａｓｔｔｏｗｅｓｔｏｖｅｒｔｈｅｐｅｒｉｏｄ２０００ｔｏ２０１４，ａｎｄｔｈａｔｔｈｅｒｅｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｅｃｏｌｏｇｉｃａｌｒｅｇｉｏｎ，ａｓｆｏｌｌｏｗｓ：ａｒｅａＩＩ＞ａｒｅａＩ＞ａｒｅａＩＩＩ＞ａｒｅａＩＶ＞ａｒｅａＶ．Ｆｒｏｍ２０００ ２０１４，ｔｈｅｔｒｅｎｄｓｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｃｈａｎｇｅｄｆｒｏｍｎｏｒｔｈｔｏｓｏｕｔｈａｎｄｆｒｏｍｗｅｓｔｔｏｅａｓｔ，ａｎｄｔｈｅａｖｅｒａｇｅｔｒｅｎｄｃｏｅｆｆｉｃｉｅｎｔｗａｓ１５％ｏｆｔｈｅｔｏｔａｌａｒｅａ，ｗｉｔｈａｎｏｔａｂｌｅｉｎｃｒｅａｓｅｏｆ２．８％ａｎｄａｓｌｉｇｈｔｉｎｃｒｅａｓｅｏｆ１２．２％ｉｎｔｈｅａｒｅａｏｆ０．６１，ＮＰＰ．ＴｈｅｒａｎｇｅｏｆｔｈｅＨｕｒｓｔｉｎｄｅｘｏｆＮＰＰｖａｌｕｅｓｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｗａｓ０ ０．３９ａｎｄｔｈｅｍｅａｎｖａｌｕｅｗａｓ０．１２；ｉｎａｄｄｉｔｉｏｎｔｏｒｉｖｅｒｓａｎｄｌａｋｅｓ，ｂｕｉｌｄｉｎｇｌａｎｄ，ａｎｄｕｎｕｓｅｄｓｏｉｌ，ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＮＰＰｃｈａｎｇｅｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｗｅｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｎｔｉ⁃ｐｅｒｓｉｓｔｅｎｃｅ．Ｃｌｉｍａｔｉｃｆａｃｔｏｒｓ（ａｎｎｕａｌａｖｅｒａｇｅｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄａｎｎｕａｌａｖｅｒａｇｅｔｅｍｐｅｒａｔｕｒｅ）ｈａｄａｎｉｍｐａｃｔｏｎｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅａｎｎｕａｌａｖｅｒａｇｅＮＰＰ．Ｔｈｅｅｌｅｖａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｆｆｅｒｅｎｃｅｓｉｎｔｅｍｐｅｒａｔｕｒｅ，ｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｓｏｉｌ，ａｎｄｉｎｄｉｒｅｃｔｌｙａｆｆｅｃｔｓｖｅｇｅｔａｔｉｏｎＮＰＰ．Ｌａｎｄｕｓｅａｎｄｃｏｖｅｒｃｈａｎｇｅ（ＬＵＣＣ）ｉｎ１５ｙｅａｒｓｓｈｏｗｅｄｔｈａｔｇｒａｓｓｌａｎｄａｒｅａｄｅｃｒｅａｓｅｄｔｈｅｍｏｓｔ，ｗｈｉｃｈｗａｓｔｈｅｍａｉｎｒｅａｓｏｎｆｏｒｔｈｅｄｅｃｒｅａｓｅｉｎＮＰＰ．ＫｅｙＷｏｒｄｓ：ｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）；ｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｖａｒｉａｔｉｏｎ；ＭＯＤ１７Ａ３；ＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ植被净初级生产力（ＮｅｔＰｒｉｍａｒｙＰｒｏｄｕｃｔｉｏｎ，ＮＰＰ）是指植被地上部分在单位时间，单位面积上所积累的有机物的数量㊂植被净初级生产力（ＮＰＰ）作为陆地生态过程的关键参数，不仅用以估算地球支持能力和评价陆地生态系统的可持续发展，也是全球碳循环的重要组成部分和关键环节㊂掌握陆地植被ＮＰＰ的变化趋势，对于理解全球气候变化对陆地生态系统植被变化过程的作用机制具有重要的理论和实际意义㊂ＭＯＤ１７Ａ３是基于ＭＯＤＩＳ（ＴＥＲＲＡ卫星）遥感参数，通过ＢＩＯＭＥ⁃ＢＧＣ计算出全球陆地植被ＮＰＰ年际变化的资料，目前已在全球不同区域对植被生长状况㊁生物量的估算，环境监测和全球变化等研究中得到验证和广泛应用㊂实地测量是ＮＰＰ最早的测定方法，主要方法包括收割法㊁生物量调查法㊁光合测定法㊁值测定法㊁放射测定法㊁叶绿素测定法和原料消耗测定法等［１⁃４］，但是受很多因素的限制，不利于开展，后来，学者又提出了气候统计模型估测㊁生理生态过程模型㊁光能利用率模型㊁多模型交互应用等方法［５⁃９］，早在１９世纪８０年代，Ｅｂｅｒｍａｙｅｒ用基本的实地测量方法对巴伐利亚森林进行了ＮＰＰ的测定；１９３２年丹麦科学家Ｂｏｙｓｅｎ⁃ＪｅｎｓｅｎＰ出版了‘植物的物质生产“一书，第一次明确的提出了总生产量（Ｇｒｏｓｓｐｒｏｄｕｃｔｉｏｎ）和净生产量（Ｎｅｔｐｒｏｄｕｃｔｉｏｎ）的概念和它们的计算公式［１０］；之后又以英国Ｗａｔｓｏｎ为代表提出了著名的Ｗａｔｓｏｎ法则，日本生态学家门司和佐伯提出了群落光合作用理论［１１］㊂到２１世纪之后，我国学者用光能利用率模型（ＣＡＳＡ）来研究陆地生态系统碳循环和ＮＰＰ㊂潘竟虎和李真［１２］利用改进的ＣＡＳＡ模型估算２００１ ２０１２年西北干旱区陆地生态系统的净第一性生产力（ＮＰＰ），结果ＮＰＰ表现出很强的季节性变化规律［１３］；高原利用ＭＯＤ１７Ａ３数据研究新疆２０００ ２０１０年ＮＰＰ时空变化特征，研究显示不同生态功能区和市㊁县行政区ＮＰＰ存在区域差异［１４］；江源通分析了２０００ ２０１０年湘江流域植被ＮＰＰ的空间格局变化特征，得到了气候变化和土地利用与湘江流域植被ＮＰＰ的关系㊂对于ＮＰＰ变化驱动因子的研究，之前大多局限于气候因子的研究，特别针对海拔和人为因素没有定量研究ＮＰＰ的变化㊂本文以此为出发点，用气候因子结合海拔和土地利用分析了ＮＰＰ的变化关系，研究２０００ ２０１４年青海省ＮＰＰ时空分布变化及其与驱动因子的关系，同时，青海省是三江源的发源地，也是我国重要的生态屏障区［１５⁃１６］，近１５年来植被ＮＰＰ发生很大变化，对该地区ＮＰＰ时空变化特征进行定量分析，以便为青海省资源环境监测提供重要依据，以期为区域生态环境和植被碳源／汇评价㊁经济社会的可持续发展规划提供科学依据和参考背景㊂１㊀研究区与数据１．１㊀研究区概况青海省地处青藏高原东北部，介于８９ʎ３５ᶄ １０３ʎ０４ᶄＥ，３１ʎ４０ᶄ ３９ʎ１９ᶄＮ之间（图１）㊂海拔在３０００ ５０００ｍ之间，气候区域分布差异大，冬季寒冷，夏半年凉爽，雨热同期㊂草原分为９个草地类７个草地亚类２８个草地组１７３个草地型，是青海天然草原的主体㊂１．２㊀数据来源植被ＮＰＰ数据来源于美国ＮＡＳＡＥＯＳ／ＭＯＤＩＳ的２０００ ２０１４年的ＭＯＤ１７Ａ３数据（ｈｔｔｐ：／／ｒｅｖｅｒｂ．ｅｃｈｏ．７０３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀图１㊀研究区概况及气象站点的空间分布㊀Ｆｉｇ．１㊀Ｓｔｕｄｙａｒｅａａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｔａｔｉｏｎｓ㊀ｎａｓａ．ｇｏｖ），空间分辨率为１ｋｍ，时间分辨率为１ａ；气象数据来源于中国气象科学数据共享服务网（ｈｔｔｐ：／／ｃｄｃ．ｃｍａ．ｇｏｖ．ｃｎ）；土地利用数据来源于中国科学院寒旱区科学数据中心；ＤＥＭ数据来源于中国科学院计算机网络信息中心地理空间数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ）；青海省主要农作物的产量和播种面积数据来源于青海省统计年鉴；中国土地利用数据来源于中国西部环境与生态科学数据中（ｈｔｔｐ：／／ｗｅｓｔｄｃ．ｗｅｓｔｇｉｓ．ａｃ．ｃｎ）的ＷＥＳＴＤＣ，根据中科院土地利用／覆盖分类体系（ＬＵＣＣ分类体系）将地表覆盖类型主要分为耕地㊁林地㊁草地㊁水体㊁建设用地和未利用地６种类型（表１）㊂１．３㊀数据处理本文选用ｈ２５ｖ０５㊁ｈ２６ｖ０５这２幅数据㊂首先利用ＭＲＴ对ＭＯＤ１７Ａ３数据进行拼接和投影转换，然后利用ＥＮＶＩ４．３以青海省行政区划图为基础进行裁剪，提取青海省的ＮＰＰ数据㊂利用ＡｒｃＧＩＳ１０．０采用掩膜法扣除ＮＰＰ数据中的水体及建设用地，并得到不同土地利用类型的ＮＰＰ值㊂气象数据为与遥感数据进行匹配，在ＡｒｃＧＩＳ１０．０中，采用三角网插值方法将站点气候数据插值成空间分辨率为１０００ｍˑ１０００ｍ地理投影的栅格数据㊂表１㊀土地利用分类及编号Ｔａｂｌｅ１㊀Ｌａｎｄｕｓｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｃｏｄｉｎｇ一级分类及编号Ｆｉｒｓｔｃｌａｓｓｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｎｕｍｂｅｒ二级分类及编号Ｓｅｃｏｎｄａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｎｕｍｂｅｒ１耕地Ｐｌｏｕｇｈ１１水田㊁１２旱地２林地Ｆｏｒｅｓｔｒｙ２１有林地㊁２２灌林地㊁２３疏林地㊁２４其他林地３草地Ｍｅａｄｏｗ３１高覆盖草地㊁３２中覆盖草地㊁３３低覆盖草地４水体Ｗａｖｅ４１河渠㊁４２湖泊㊁４３水库坑塘㊁４４永久性冰川雪地㊁４５滩涂㊁４６滩地５建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ５１城镇用地㊁５２农村居民点㊁５３其他建设用地６未利用地Ｕｎｔｒｅａｔｅｄ６１沙地㊁６２戈壁㊁６３盐碱地㊁６４沼泽地㊁６５裸土地㊁６６裸岩石质山地㊁６７其他未利用地（包括高寒荒漠㊁苔原等）１．４㊀ＮＰＰ数据验证由于ＮＰＰ的实测数据难以测得，本文利用作物产量估算ＮＰＰ值和其他学者结合ＮＰＰ观测数据估算的ＮＰＰ值来进行验证㊂１．４．１㊀根据统计数据中作物产量估算ＮＰＰ的方法农业统计中的产量㊁面积等资料估算ＮＰＰ是根据不同作物的收获部分的含水量和收获指数（经济产量与作物地上部分干重的比值）将农业统计数据的产量转换成植被碳储量㊂从主要作物县级统计收获数据到县级平均ＮＰＰ的转换方法可以用下面公式表达［１７］：ＮＰＰ＝ðｎｉ＝１Ｙｉˑ１－ＭＣｉ()ˑ０．４５ｇＣｇＨＩｉˑ０．９／ðｎｉ＝１Ａｉ式中，Ｙｉ是统计数据中作物ｉ的产量，ＭＣｉ是作物收获部分的含水量，ＨＩｉ是作物ｉ的收获指数，Ａｉ是作物收获面积㊂式中的作物产量和收获面积分别来自于中国自然资源网提供的中国农业统计数据中的８大类主要农作物的产量和播种面积，作物收获部分的含水量和收获指数［１８］（表２）㊂８０３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图２表明，作物产量估算的ＮＰＰ值与ＭＯＤ１７Ａ３值呈显著的正相关关系（Ｐ＜０．０１），且相关系数达到０．７７，均值的标准误差是３．９５，说明ＭＯＤ１７Ａ３来估算青海省的ＮＰＰ值是可靠的㊂１．４．２㊀本文ＮＰＰ值与其他学者模型对比由表３可以看出，不同的植被类型中本文年平均ＮＰＰ与其他模型ＮＰＰ的值趋势大致相同，整体比较接近，变化在一定的范围之内，对比估算精度在７９％左右，所以ＭＯＤ１７Ａ３值具有一定的可靠性㊂表２㊀主要农作物的收获指数及含水量表３㊀不同植被类型ＮＰＰ值与其他模型对比／（ｇＣｍ－２ａ－１）Ｔａｂｌｅ３㊀ＴｈｉｓｐａｐｅｒｃｏｍｐａｒｅｓｔｈｅＮＰＰｖａｌｕｅｓｏｆｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｗｉｔｈｏｔｈｅｒｍｏｄｅｌ土地利用类型Ｌａｎｄｕｓｅｔｙｐｅ数据范围ＤａｔａｒａｎｇｅＭｉａｍｉ模型［１９⁃２０］ＭｉａｍｉｍｏｄｅｌＣＡＳＡ模型［２１⁃２３］ＣＡＳＡｍｏｄｅｌＴｈｏｒｎｔｈｗａｉｔｅ模型［２４］ＴｈｏｒｎｔｈｗａｉｔｅｍｏｄｅｌＣＥＶＳＡ模型［２５］ＣＥＶＳＡｍｏｄｅｌ耕地Ｐｌｏｕｇｈ２３９ ７６０５５８．７５２４．８２１６６４８．８林地Ｆｏｒｅｓｔｒｙ１１４ １９１３３７３７．５３６１２．２１８９８２９３６．１草地Ｍｅａｄｏｗ３６４ ３１８７２６８４．３２５５２．８ ４１４．６水体Ｗａｖｅ２５６ ９４３１１７１．６１０９１．４ 建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ５６ ９７２６２８．５５８５．８ 未利用地Ｕｎｔｒｅａｔｅｄ８２ ７２５．６９５１．６９１２．８１４图２㊀ＮＰＰ实测值与年均ＮＰＰ结果比较Ｆｉｇ．２㊀ＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｍｅａｓｕｒｅｄａｎｄｅｓｔｉｍａｔｅｄＮＰＰ２㊀研究方法２．１㊀简单差值法简单差值法是对相同地区不同时相的图像进行相减运算，利用图像之间的差值来衡量ＮＰＰ年际间变化的趋势以及大，其公式为［６］：Ｄｉｊ＝ＮＰＰｔ１ｉｊ－ＮＰＰｔ２ｉｊ式中，Ｄｉｊ为第ｉ行ｊ列像素的差值；ＮＰＰｔ１ｉｊ为时相ｔ１第ｉ行ｊ列像素的ＮＰＰ值；ｔ１㊁ｔ２为时相；ｉ㊁ｊ为第ｉ行ｊ列像素的位置㊂２．２㊀趋势分析法一元线性回归分析法是分析了１５年间ＮＰＰ值的趋势倾向率，综合表征一定时间序列的区域格局演变规律，其公式为［２６］：Ｓｌｏｐｅ＝ｎˑðｎｉ＝１ｉˑＮＰＰｉ()－ðｎｉ＝１ｉˑðｎｉ＝１ＮＰＰｉｎˑðｎｉ＝１ｉ２－ðｎｉ＝１ｉ()２式中，Ｓｌｏｐｅ是线性拟合方程的斜率；ＮＰＰｉ是第ｉ年通过最大值合成法得到的ＮＰＰ值，ｎ为研究时段的长度，９０３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀Ｓｌｏｐｅ大于０，表示１５年间ＮＰＰ值增加，反之减少㊂２．３㊀Ｈｕｒｓｔ指数Ｈｕｒｓｔ指数的估算方法很多，本文采用Ｒ／Ｓ分析法来分析ＮＰＰ的持续性特征，其公式为［２７⁃２８］：ＮＰＰ的时间序列ＮＰＰｉ，ｉ＝１，２，３，４， ，ｎ，对于任意正整数ｍ，定义该时间序列的均值序列：ＮＰＰｍ()＝１ｍðｍｉ＝１ＮＰＰｉ㊀㊀（ｍ＝１，２，３，４， ，ｎ）累计离差：Ｘｔ()＝ðｍｉ＝１ＮＰＰｉ－ＮＰＰｍ()()㊀㊀（１＜ｔ＜ｍ）极差：Ｒｍ()＝ｍａｘ１＜ｍ＜ｎＸｔ()－ｍｉｎ１＜ｍ＜ｎＸｔ()㊀㊀（ｍ＝１，２，３，４， ，ｎ）标准差：Ｓｍ()＝１ｍðｍｉ＝１ＮＰＰｉ－ＮＰＰｍ()()２éëêêùûúú１２㊀㊀（ｍ＝１，２，３，４， ，ｎ）比值Ｒ（ｍ）／Ｓ（ｍ）即Ｒ／Ｓ，Ｒ／ＳɖｍＨ，则Ｈ就是Ｈｕｒｓｔ指数，Ｈ值可以根据ｍ和对应计算得Ｒ／Ｓ值，在双对数坐标系（ｌｎｍ，ｌｎＲ／Ｓ）中用最小二乘法拟合得到，如果０．５＜Ｈ＜１，表明是ＮＰＰｉ是一个持续性序列，如果Ｈ＝０．５，则说明ＮＰＰｉ为随机序列，如果０＜Ｈ＜０．５，则表明ＮＰＰｉ具有反持续性㊂２．４㊀相关分析法本文采用Ｐｅａｒｓｏｎ相关系数分析法，对每一个像元相应的年均植被ＮＰＰ与降雨因子和温度因子进行相关性分析，以此分析植被ＮＰＰ与气候因子之间的响应关系，其计算公式为［２９－３０］：Ｒ＝ðｎｉ＝１ｘｉ－ ｘ()ｙｉ－ｙ()ðｎｉ＝１ｘｉ－ｘ()２ðｎｉ＝１ｙｉ－ｙ()２式中，Ｒ为ｘ㊁ｙ两个变量的相关系数，ｎ为研究时间的年数，ｘｉ为第ｉ年的植被ＮＰＰ，ｙｉ为第ｉ年的年均气候因子（降水㊁温度）值㊂３㊀结果与分析３．１㊀青海省植被ＮＰＰ的空间分布特征３．１．１㊀２０００ ２０１４年青海省ＮＰＰ空间变化特征青海省年均ＮＰＰ值的分布与区域海拔的高低分布大体一致，受到地区的差异，呈现由南到北㊁由东到西递减的趋势，其中，柴达木盆地和唐古拉山环绕的海西州，受地形的影响，东部年均ＮＰＰ值高于西部，且为２６．１４ｇＣｍ－２ａ－１，海北州以高山草甸和山地草甸为主，年均ＮＰＰ值为２１２．０４ｇＣｍ－２ａ－１，西宁市㊁海东市和黄南州居于青海省东部，气温高，降水也相对较多，年均ＮＰＰ值较高，分别为２８５．６７ｇＣｍ－２ａ－１㊁２７７．４８ｇＣｍ－２ａ－１和２９９．９５ｇＣｍ－２ａ－１，海南州四面环山，盆地居中，年均ＮＰＰ值达到１５５．８６ｇＣｍ－２ａ－１，果洛州海拔西北高，东南低，年均ＮＰＰ值随着海拔的降低在变大，且为１６０．８０ｇＣｍ－２ａ－１，格尔木市和玉树州处于西北部，境内雪峰连绵，沼泽众多，年均ＮＰＰ值较低，分别为１７．７４ｇＣｍ－２ａ－１和５５．４９ｇＣｍ－２ａ－１（图３）㊂３．１．２㊀不同生态功能区２０００ ２０１４年青海省ＮＰＰ空间变化特征图４表明，各生态区的空间差异显著，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂其中，青海东部农牧生态区（Ⅱ区）植被ＮＰＰ最大，为１８７．４５ｇＣｍ－２ａ－１，其次为祁连山针叶林－高寒草甸生态区（Ⅰ区），为１６５．９４ｇＣｍ－２ａ－１，柴达木盆地荒漠 盐壳生态区（Ⅳ区）和北羌塘高原半荒漠 荒漠生态区（Ⅴ区）植被ＮＰＰ最小，分别１７．１０ｇＣｍ－２ａ－１和７．９６ｇＣｍ－２ａ－１㊂因为Ⅱ区有青海省最优质的天然草原和一部分农田，植被的覆盖率高，ＮＰＰ较大，柴达木盆地荒漠 盐壳生态区和北羌塘高原半荒漠 荒漠生态区都是以荒漠草甸，冰雪为主，限制了植物的生长，导致ＮＰＰ较低㊂０１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图３㊀２０００—２０１４年青海省ＮＰＰ平均值的空间分布㊀Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｖｅｒａｇｅＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２０００ｔｏ２０１４３．１．３㊀不同行政区２０００ ２０１４年青海省ＮＰＰ空间变化特征黄南藏族自治州的年均ＮＰＰ最高，为３００．２７ｇＣｍ－２ａ－１，其中在２００５年㊁２００６年㊁２００７年㊁２００８年㊁２００９年㊁２０１０年２０１２年和２０１３年年均ＮＰＰ都大于３００ｇＣｍ－２ａ－１，这是因为该区域是在黄河㊁隆务河流域等高山峡谷地带种植很多云杉，降水较多和植被生长较好的区域，灌溉农业和天然草场较多，植被覆盖率高，导致ＮＰＰ较高；西宁市ＮＰＰ仅次于黄南藏族自治州，为２８５．９１ｇＣｍ－２ａ－１，位于湟水中游河谷盆地，草原面积为３６４４．９４万公顷，占全省面积的５３．６％，气候宜人，适宜植物的生长；海东市居第三，年均ＮＰＰ为２７７．５６ｇＣｍ－２ａ－１，气候属于半干旱大陆性气候，水能资源丰富，人口相对集中，经济较为发达，是青海重要的农牧业经济区较发达地区之一；海北藏族自治州居第四，年均ＮＰＰ为２１２．２９ｇＣｍ－２ａ－１，雨热同季，无绝对无霜期，植被以高图４㊀青海省生态功能区划图Ｆｉｇ．４㊀Ｅｃｏ－ｆｕｎｃｔｉｏｎｒｅｇｉｏｎａｌｉｚａｔｉｏｎｏｆＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ寒草甸土为主，并且有黑钙土㊁栗钙土㊁灰褐土等，有机质含量丰富，有利于农作物和牧草的生长；果洛藏族自治州和海南藏族自治州年均ＮＰＰ基本持平，分别为１６０．９１ｇＣｍ－２ａ－１和１５６．２８ｇＣｍ－２ａ－１，海南州和果洛州主要以山地为主，地势复杂多样，不适合植被的生长；海西藏族自治州㊁玉树藏族自治州和格尔木市年均ＮＰＰ低于１００ｇＣｍ－２ａ－１，分别为２６．１７ｇＣｍ－２ａ－１㊁５５．４９ｇＣｍ－２ａ－１和１７．７２ｇＣｍ－２ａ－１，位于青海省的西部，荒漠较多，常年干旱少雨多风，气候独特，四季不分明，不利于植被的生长，覆盖率较低，ＮＰＰ较小（表４）㊂３．２㊀青海省植被ＮＰＰ年际变化特征３．２．１㊀年均值ＮＰＰ年际变化特征图５显示ＮＰＰ值的波动范围集中在６８．８３ ９２．０７ｇＣｍ－２ａ－１，平均值７９．０５ｇＣｍ－２ａ－１，其中２００１年出现１１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀最小值，为６８．８３ｇＣｍ－２ａ－１，２００４年出现最大值，为９２．０７ｇＣｍ－２ａ－１㊂从年均ＮＰＰ的总体趋势来看，２０００ ２００４年㊁２００８ ２０１０年㊁２０１１ ２０１３年年均ＮＰＰ值呈现波动上升，２００４ ２００８年㊁２０１０ ２０１１年㊁２０１３ ２０１４年年均ＮＰＰ值呈现波动下降㊂２００８年青海省大部分地区出现旱情，植物的生长受到限制，导致２００８年ＮＰＰ值急速下降，２０１０年青海玉树发生地震，２０１１年青海要进行震后重建，使得生态得到破坏，ＮＰＰ值下降㊂表４㊀２０００ ２０１４年分行政区年均植被ＮＰＰ／（ｇＣｍ－２ａ－１）Ｔａｂｌｅ４㊀ＡｎｎｕａｌＮＰＰｉｎｅａｃｈｄｉｓｔｒｉｃｔｆｒｏｍ２００１ｔｏ２０１４年份Ｙｅａｒ西宁市海北州海东市海西州海南州黄南州果洛州玉树州格尔木市２０００２４４．８４１９３．５０２２８．１０２３．１６１２７．８６２６６．７９１４６．１９５２．６３１３．５６２００１２５０．２８１８５．５６２３４．９９２０．３０１３０．７８２７１．２１１４６．５５４９．８８１４．８７２００２２９２．９１２２０．５６２７４．３９２６．６２１５４．２２２９１．６７１５３．９８５１．３０１８．２８２００３２９１．２１２０８．９８２８０．３５２４．８６１４６．６８２９１．３０１５１．１７４８．９２１５．００２００４２６８．５８２０１．９１２６５．２３２３．３２１３８．８３２８１．７４１４３．８２５０．２４１４．７８２００５２９９．６５２２７．７１２８８．２２２８．１３１６８．４８３１０．９４１６７．７４５６．７３１９．０９２００６２９４．５１２１９．２９２６４．１８２８．７５１７２．００３２９．１０１８５．１５６２．９８１９．１１２００７３０５．４３２２３．３６２９３．２２２５．２５１６２．６７３１２．９７１６０．４９４９．８６１６．５１２００８２９４．２８２０５．９８２９３．３２２３．４２１５０．８６３０２．２３１４５．１２４２．６７１１．０６２００９２９３．１５２１９．１１２９１．８６２８．２２１６８．５８３１６．６７１７７．４０６７．４６２０．２７２０１０２９０．２１２１９．９２２８９．５７３１．１７１８１．２０３２４．９９１８９．９５７２．０１２７．３５２０１１２８２．２６２０９．０７２６２．０６２８．２２１６１．０１２９７．５９１５５．６３５２．４５１８．０６２０１２２９５．５８２１８．０５３０２．４５２８．５１１６８．７４３０１．７１１６３．３４６２．３７２３．０１２０１３３００．４３２２３．２８３０６．８０２９．１２１６９．８９３２３．４１１７８．２７６３．８９２１．９２２０１４２９２．０５２１４．１８２９５．５６２５．５９１４８．８３２８８．８１１５５．５９５５．１５１５．２６均值Ｍｅａｎ２８５．９１２１２．２９２７７．５６２６．１７１５６．２８３００．２７１６０．９１５５．４９１７．７２图５㊀２０００ ２０１４年青海省年平均ＮＰＰ变化趋势㊀Ｆｉｇ．５㊀ＴｈｅｃｈａｎｇｅｔｒｅｎｄｏｆｍｏｎｔｈｌｙａｖｅｒａｇｅＮＰＰｉｎｔｈｅＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２００１ｔｏ２０１２３．２．２㊀不同生态功能区年均值ＮＰＰ年际变化特征从生态功能分区看，不同年份各生态区的ＮＰＰ存在明显的差异（图６），整体上看，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区㊂其中，青海东部农牧生态区（Ⅱ区）植被ＮＰＰ最大，为１８７．４５ｇＣｍ－２ａ－１，其次为祁连山针叶林⁃高寒草甸生态区（Ⅰ区），为１６５．９４ｇＣｍ－２ａ－１，柴达木盆地荒漠 盐壳生态区（Ⅳ区）和北羌塘高原半荒漠 荒漠生态区（Ⅴ区）植被ＮＰＰ最小，分别１７．１０ｇＣｍ－２ａ－１和７．９６ｇＣｍ－２ａ－１㊂因为Ⅱ区有青海省最优质的天然草原和一部分农田，植被的覆盖率高，ＮＰＰ较大，柴达木盆地荒漠 盐壳生态区和北羌塘高原半荒漠 荒漠生态区都是以荒漠草甸，冰雪为主，限制了植物的生长，导致ＮＰＰ较低㊂局部来看，Ⅳ区和Ⅴ区的变化趋势不大，基本上是持平状态，其他生态区的年际变化基本一致，均表现出降⁃升⁃降⁃升⁃降⁃升⁃降⁃升⁃降的波动状态，Ⅰ区和Ⅳ区的ＮＰＰ最小值均出现在２００１年，且分别为１４１．８８ｇＣｍ－２ａ－１和１２．９８ｇＣｍ－２ａ－１，Ⅲ区和Ⅴ区的ＮＰＰ最小值均出现在２００８年，分别为８４．８０ｇＣｍ－２ａ－１和４．９０ｇＣｍ－２ａ－１，Ⅱ区的ＮＰＰ最小值出现在２０００年，为１５６．０７ｇＣｍ－２ａ－１，此外，不同生态区ＮＰＰ最大值出现的时间不全一致，Ⅱ区㊁Ⅲ区㊁Ⅳ区和Ⅴ区的ＮＰＰ最大值出现在２０１０年，分别为２０７．４３㊁１１９．６８㊁２１．５２ｇＣｍ－２ａ－１和１２．４７ｇＣｍ－２ａ－１，Ⅰ区的ＮＰＰ最大值出现在２００５年，为１７８．５８ｇＣｍ－２ａ－１，这是因为不同生态区因受地形㊁气候㊁植被数量和质量等诸多因素影响，并且气候因子变化导致其气候型具有很大空间差异，从而使ＮＰＰ的最大值和最小值出现的时间不全一致㊂２１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图６㊀分生态功能区植被ＮＰＰ变化趋势㊀Ｆｉｇ．６㊀ＶａｒｉａｔｉｏｎｔｒｅｎｄｏｆｖｅｇｅｔａｔｉｏｎＮＰＰｉｎｄｉｆｆｅｒｅｎｔｅｃｏｌｏｇｉｃａｌｆｕｎｃｔｉｏｎａｒｅａｓ３．３㊀ＮＰＰ空间变化特征３．３．１㊀２０００年与２０１４年ＮＰＰ空间变化图７表明，青海省大部分地区ＮＰＰ值是增加的，在海东市㊁西宁市㊁海南州的北部和黄南州北部地区ＮＰＰ的增加值大于９０ｇＣｍ－２ａ－１，占总面积的０．８％，海北州的东北部㊁海南州南部地区ＮＰＰ的增加值为６０ ９０ｇＣｍ－２ａ－１，占总面积１．６％，黄南州南部㊁果洛州南部地区ＮＰＰ的增加值３０ ６０ｇＣｍ－２ａ－１，占总面积的５．６％格尔木市㊁玉树州㊁果洛的中部和北部㊁海南州的东南部㊁海北州的西北部地区ＮＰＰ的增加值为０ ３０ｇＣｍ－２ａ－１，占总面积的４２．４％，海西州的绝大部分区域ＮＰＰ的增加值为－３０ ０ｇＣｍ－２ａ－１，占总面积的４９．１％㊂３．３．２㊀２０００ ２０１４年ＮＰＰ总体趋势青海省１５年间ＮＰＰ由北到南㊁由西到东呈现逐渐图７㊀２０００与２０１４年青海省ＮＰＰ空间变化图㊀Ｆｉｇ．７㊀ＳｐａｔｉａｌｃｈａｎｇｅｍａｐｏｆＮＰＰｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｉｎ２０００ａｎｄ２０１４增加趋势，平均趋势系数为０．６１，ＮＰＰ增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％，主要分布在海东市大部分区域㊁海北州南部㊁海南州北部㊁黄南州北部地区，基本不变区域占总面积的２２．３％，主要分布在海北州中部和西北部㊁海西州东部㊁玉树州东南部㊁果洛州北部区域，ＮＰＰ减少的区域占总面积的６２．６％，其中显著减少占１．８％，轻度减少占６０．８％，主要分布在格尔木市㊁玉树州的西北部㊁海西州的中部及以西的地区（图８）㊂３．３．３㊀ＮＰＰ变化的未来趋势预测图９表明，Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征，将Ｈｕｒｓｔ指数划分为弱㊁中㊁强３个反持续性类型，其阈值分别为：＜０．１，０．１ ０．１５和＞０．１５㊂从弱㊁中㊁强的程度来看，强反持续性占流域面积的１３．８７％，中反持续性占流域面积的１９．６６％，弱反持续性占流域面积的２０．７３％，说明青海省有五分之一的地区未来ＮＰＰ变化与过去ＮＰＰ的变化一致，但这种持续性表现得不够明显，三分之一地区未来ＮＰＰ的变化与过去ＮＰＰ变化有较强的相关性㊂４㊀青海省ＮＰＰ主要影响因素４．１㊀气候因子对ＮＰＰ的影响４．１．１㊀２０００ ２０１０年研究区气温和降水变化趋势ＩＰＣＣ第五次评估报告指出，全球气候正在变暖，而且气候变暖与碳循环存在显著的正相关关系，但是不同地区的气候因子对ＮＰＰ积累的作用也不尽相同，表现为促进或者抑制，由此表明，植被ＮＰＰ对降水和气温的反应较为强烈㊂由图１０可知，近１５年青海省降水的波动幅度明显大于气温的波动幅度，但除了特殊年份，降水和气候总体均趋于增加的趋势，气候也是趋于暖湿化，降水从２０００年到２００５年处于缓慢增加，２００６年降低，之后又处于上升阶段，直到２０１３年急速下降，在２００１年，年平均降水最低为２５４．５ｍｍ；气温从２０００年３１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀图８㊀２０００—２０１４年青海省ＮＰＰ线性变化趋势图Ｆｉｇ．８㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆｌｉｎｅａｒｔｒｅｎｄｏｆａｎｎｕａｌＮＰＰｃｈａｎｇｅｓｉｎｔｈｅＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｆｒｏｍ２０００ｔｏ２０１４图９㊀ＮＰＰ未来趋势预测图Ｆｉｇ．９㊀ＮＰＰｆｕｔｕｒｅｔｒｅｎｄｆｏｒｅｃａｓｔ到２０１５年基本上波动上升，在２００４年，气温迅速骤降，２０１２年出现缓慢下降状态，２０００年的年平均气温最低，为１．７７ħ㊂４．１．２㊀２０００ ２０１０年气温㊁降水的相关性分析对ＮＰＰ的影响由图１１可知，青海省年平均降水量与年均ＮＰＰ的相关系数为０．２１，从降水逐像元来看，局部地区相关性较强，在青海省西南部和中部地区呈正相关关系，分别在格尔木市㊁玉树州和果洛州的南部，海南州和黄南州的北部，海西州东部，海东市西部以及西宁市㊂玉树州中西部㊁果洛州北部㊁海南州和黄南州南部呈负相关关系㊂从全省来看，年平均气温与年均ＮＰＰ的相关系数为０．００６，整体的相关性较弱，对气温进行逐像元分析，局部地区相关性较强，在玉树州和海东市东部㊁黄南州中北部㊁海北州和海南州南部和西宁市呈正相关关系，在果洛州和格尔木市大部分区域㊁玉树州的西南部呈负相关关系㊂总体来说，气温相关系数分布与降雨相关系数分布具有很好的互补性，在气温相关程度高的地区，降雨相关程度低，反之亦然㊂４．２㊀海拔高度对ＮＰＰ的影响由于研究区海拔从１７１９ｍ上升到６５９５ｍ，落差达到４８７４ｍ，造成地貌类型复杂多样，而不同的海拔高度因为水热条件组合差异，形成了显著的垂直自然分异，进而又影响ＮＰＰ大小㊂图１２表明，随着海拔的增加，植被ＮＰＰ总体表现出缓慢增加之后迅速下降，出现低峰，又开始迅速上升，之后开始下降到０，且不同海拔高度上植被ＮＰＰ差异明显，具有双峰值特征，当海拔从１７１９ｍ上升到２４００ｍ时，植被ＮＰＰ缓慢增加，研究发现该海拔范围正处于西宁市㊁海东市㊁黄南州的北部，植物种类丰富多样，以农田为主，是重要的农牧业经济区，ＮＰＰ值较大，当海拔从２４００ｍ上升到３２００ｍ时，ＮＰＰ值呈现下降趋势，出现一个低峰值，为３５．６５ｇＣｍ－２ａ－１，此海拔范围正处于海南州的共和县㊁青海湖范围㊁格尔木市㊁海西州的柴达木盆地，这些区域是沙地和盐碱地带，受地形㊁水分和土质条件的限制，雨水较少，荒漠化程度较大，ＮＰＰ值小，当海拔从３２００ｍ上升到４０００ｍ时，ＮＰＰ值呈现上升趋势，出现一个高峰值，为１６７．３１ｇＣｍ－２ａ－１，此海拔范围正处于海南州的日月山㊁海北州的大坂山和果洛州的大武镇，草原面积广阔，山地森林发育较好，温度和水分条件适宜，ＮＰＰ值达到较４１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀图１０㊀２０００—２０１４年降水与气温年际变化Ｆｉｇ．１０㊀Ｃｈａｎｇｅｓｏｆａｎｎｕａｌｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｆｒｏｍ２０００ｔｏ２０１４图１１㊀年均ＮＰＰ与年降水和年气温的相关系数示意图Ｆｉｇ．１１㊀ＣｏｒｒｅｌａｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｙｅａｒｌｙＮＰＰａｎｄｙｅａｒｌｙｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｙｅａｒｌｙｍｅａｎｔｅｍｐｅｒａｔｕｒｅ图１２㊀不同海拔高度１５年平均ＮＰＰ变化㊀Ｆｉｇ．１２㊀ＩｍｐａｃｔｏｆｅｌｅｖａｔｉｏｎｏｎａｖｅｒａｇｅａｎｎｕａｌＮＰＰｆｒｏｍ２０００ｔｏ２０１４大，当海拔超过４０００ｍ时，ＮＰＰ值持续减小，主要以裸岩㊁冰川覆盖为主，受人类的活动影响极小，高寒的环境植被的生产力受到限制，所以ＮＰＰ值均低于５０ｇＣｍ－２ａ－１㊂４．３㊀土地利用／覆被变化（ＬＵＣＣ）对ＮＰＰ的影响土地利用变化是人类活动在地理环境空间上强度大小的直观变现，为了研究青海省土地利用动态变化的时空特征，考虑到获取数据的可行性，故选取中国科学院资源环境数据云平台的２０００年㊁２０１５年分辨率１０００ｍ的全国土地利用数据，结合青海省实际情况，故将其土地利用类型数据合并成６种土地利用类型（即耕地㊁林地㊁草地㊁水体㊁建设用地和未利用地），用以表征２０００至２０１５年来青海省土地利用的类型变化特征（表５㊁图１３）㊂（１）近１５年来耕地面积减少最少，面积减少了１４ｋｍ２，其变化率为－０．１７％，由于国家实施退耕还林政策，导致耕地面积有所减少㊂５１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀（２）林地面积减少了７６ｋｍ２，变化率为－０．２７％，受到气温㊁降水㊁海拔的影响，林地面积有一定的退化㊂（３）１５年来草地面积减少最多，减少了１２６０ｋｍ２，变化率为－０．３３％，由于青海省过度的放牧，导致草地面积减少较多㊂（４）水域面积增加最为明显，增加了１５００ｋｍ２，变化率为５．４０％，主要是由于青海省是三江源的发源地，受降水㊁冰川融化等影响，青海湖的面积也不断扩大㊂（５）城镇用地增加较多，增加了７６３ｋｍ２，变化率为７７．１５％，１５年来青海省经历了大规模的城镇扩张及城市化进程，一些草地和林地都转化为建设用地㊂（６）未利用地面积减少较多，减少了９１３ｋｍ２，变化率为０．３３％，该土地类型变化幅度较大㊂表５㊀２０００、２０１５年青海省各土地利用类型面积及变化率Ｔａｂｌｅ５㊀ＴｈｅａｒｅａｓａｎｄｐｅｒｃｅｎｔａｇｅｏｆｌａｎｄｃｏｖｅｒｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｄｕｒｉｎｇ２０００ａｎｄ２０１５土地利用类型Ｌａｎｄｕｓｅｔｙｐｅ２０００年２０１５年２０００ ２０１５变化面积／ｋｍ２％面积／ｋｍ２％面积／ｋｍ２％耕地Ｐｌｏｕｇｈ８２５４１．１５８２４０１．１４－１４－０．１７林地Ｆｏｒｅｓｔｒｙ２８３６７３．９６２８２９１３．９５－７６－０．２７草地Ｍｅａｄｏｗ３７７２４６５２．６４３７５９８６５２．４６－１２６０－０．３３水体Ｗａｖｅ２７７６５３．８７２９２６５４．０８１５００５．４０建设用地Ｃｏｎｓｔｒｕｃｔｉｏｎ９８９０．１４１７５２０．２４７６３７７．１５未利用地Ｕｎｔｒｅａｔｅｄ２７４０４３３８．２４２７３１３０３８．１１－９１３－０．３３图１３㊀２０００年和２０１５年青海省土地利用现状图Ｆｉｇ．１３㊀ＴｈｅｍａｐｏｆｌａｎｄｕｓｅｉｎＱｉｎｇｈａｉＰｒｏｖｉｎｃｅｉｎ２０００ａｎｄ２０１５５㊀结论本文利用２０００ ２０１４年ＭＯＤ１７Ａ３数据集的年均ＮＰＰ数据和青海省３９个气象站点资料，通过ＧＩＳ空间分析法和数理统计方法分析了青海省植被ＮＰＰ的时空变化特征及气候因子的相关性，结果表明：（１）青海省植被年均ＮＰＰ在２０００ ２０１４年间整体分布与区域海拔的高低分布大体致，受到地区的差异，呈现由南到北㊁由东到西递减的趋势；从生态功能区看，各生态区的空间差异显著，表现为Ⅱ区＞Ⅰ区＞Ⅲ区＞Ⅳ区＞Ⅴ区，从行政划分来看，黄南藏族自治州的年均ＮＰＰ最高，为３００．２７ｇＣｍ－２ａ－１，西宁市ＮＰＰ仅次于黄南藏族自治州，为２８５．９１ｇＣｍ－２ａ－１，海北藏族自治州居第四，年均ＮＰＰ为２１２．２９ｇＣｍ－２ａ－１，海西藏族自治州㊁玉树藏族自治州和格尔木市年均ＮＰＰ低于１００ｇＣｍ－２ａ－１，分别为２６．１７ｇＣｍ－２ａ－１㊁５５．４９ｇＣｍ－２ａ－１和１７．７２ｇＣｍ－２ａ－１㊂６１３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀（２）从年际变化来看，ＮＰＰ值的波动范围集中在６８．８３ ９２．０７ｇＣｍ－２ａ－１，平均值７９．０５ｇＣｍ－２ａ－１，其中２００１年出现最小值，为６８．８３ｇＣｍ－２ａ－１，２００４年出现最大值，为９２．０７ｇＣｍ－２ａ－１，整体上看，Ⅳ区和Ⅴ区的变化趋势不大，基本上是持平状态，其他生态区的年际变化基本一致，均表现出降⁃升⁃降⁃升⁃降⁃升⁃降⁃升⁃降的波动状态㊂（３）青海省在２０１４年与２０００年间大部分地区ＮＰＰ值增加，由南到北㊁由东到西递减，２０００ ２０１４年青海省ＮＰＰ变化趋势由北到南㊁由西到东呈现逐渐增加趋势，平均趋势系数为０．６１，ＮＰＰ值增加的区域占总面积的１５％，其中显著增加区域为２．８％，轻度增加区域为１２．２％，青海省ＮＰＰ值的Ｈｕｒｓｔ的值域范围为０ ０．３９，均值为０．１２，除了河流湖泊，建筑用地和未利用土地，青海省ＮＰＰ变化特征为反持续性特征㊂（４）气候因子（年平均降水量和年均气温）对年均ＮＰＰ的分布有影响，海拔的高低造成气温㊁降水和土壤的差异，间接影响植被ＮＰＰ，１５年土地利用／覆被变化（ＬＵＣＣ）表现为草地面积减少最多，这是导致ＮＰＰ减少的主要原因㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀李博．生态学．北京：高等教育出版社，２０００：２１３⁃２１４．［２］㊀李高飞，任海，李岩，柳江．植被净第一性生产力研究回顾与发展趋势．生态科学，２００３，２２（４）：３６０⁃３６５．［３］㊀吴家兵，张玉书，关德新．森林生态系统ＣＯ２通量研究方法与进展．东北林业大学学报，２００３，３１（６）：４９⁃５１．［４］㊀ＣｌａｒｋＤＡ，ＢｒｏｗｎＳ，ＫｉｃｋｌｉｇｈｔｅｒＤＷ，ＣｈａｍｂｅｒｓＪＱ，ＴｈｏｍｌｉｎｓｏｎＪＲ，ＮｉＪ．Ｍｅａｓｕｒｉｎｇｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｉｎｆｏｒｅｓｔｓ：ｃｏｎｃｅｐｔｓａｎｄｆｉｅｌｄｍｅｔｈｏｄｓ．ＥｃｏｌｏｇｉｃａｌＡｐｐｌｉｃａｔｉｏｎｓ，２００１，１１（２）：３５６⁃３７０．［５］㊀朱文泉，陈云浩，徐丹，李京．陆地植被净初级生产力计算模型研究进展．生态学杂志，２００５，２４（３）：２９６⁃３００．［６］㊀朱文泉．中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究［Ｄ］．北京：北京师范大学，２００５．［７］㊀赵俊芳，延晓冬，朱玉洁．陆地植被净初级生产力研究进展．中国沙漠，２００７，２７（５）：７８０⁃７８６．［８］㊀王莺，夏文韬，梁天刚．陆地生态系统净初级生产力的时空动态模拟研究进展．草业科学，２０１０，２７（２）：７７⁃８８．［９］㊀孙金伟，关德新，吴家兵，金昌杰，袁凤辉．陆地植被净初级生产力研究进展．世界林业研究，２０１２，２５（１）：１⁃６．［１０］㊀ＢｏｙｓｅｎＪＰ．ＤｉｅＳｔｏｆｆｐｒｏｄｕｋｔｉｏｎｄｅｒｐｆｌａｎｚｅｎ．１９３２．［１１］㊀ＭｏｎｓｉＭ，ＳａｅｋｉＴ．Ｕｂｅｒｄｅｎｌｉｃｈｔｆａｋｔｏｒｉｎｄｅｎｐｆｌａｎｚｅｎｅｓｅｌｌｓｃｈａｆｔｅｎｕｎｄｓｅｉｎｅｂｅｄｅｕｔｕｎｇｆｕｒｄｉｅｓｔｏｆｆｐｒｏｄｕｋｔｉｏｎ．ＪａｐａｎｅｓｅＪｏｕｒｎａｌｏｆＢｏｔａｎｙ，１９５３，１４：２２⁃５２．［１２］㊀潘竟虎，李真．２００１ ２０１２年西北干旱区植被净初级生产力时空变化．生态学杂志，２０１５，３４（１２）：３３３３⁃３３４０．［１３］㊀高原．基于遥感的新疆ＮＰＰ时空变化特征及其影响因素分析［Ｄ］．兰州：西北师范大学，２０１５．［１４］㊀江源通．湘江流域植被ＮＰＰ时空动态及影响因素分析［Ｄ］．湘潭：湖南科技大学，２０１５．［１５］㊀ＬｏｂｅｌｌＤＢ，ＨｉｃｋｅＪＡ，ＡｓｎｅｒＧＰ，ＦｉｅｌｄＣＢ，ＴｕｃｋｅｒＣＪ，ＬｏｓＳＯ．ＳａｔｅｌｌｉｔｅｅｓｔｉｍａｔｅｓｏｆｐｒｏｄｕｃｔｉｖｉｔｙａｎｄｌｉｇｈｔｕｓｅｅｆｆｉｃｉｅｎｃｙｉｎＵｎｉｔｅｄＳｔａｔｅｓａｇｒｉｃｕｌｔｕｒｅ，１９８２⁃１９９８．ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙ，２００２，８（８）：７２２⁃７３５．［１６］㊀方精云，刘国华，徐嵩龄，王庚辰，温玉璞．中国陆地生态系统的碳库．温室气体浓度和排放监测及相关过程．北京：中国环境科学出版社，１９９６：１０９⁃１２８．［１７］㊀朱文泉，潘耀忠，张锦水．中国陆地植被净初级生产力遥感估算．植物生态学报，２００７，３１（３）：４１３⁃４２４．［１８］㊀ＴａｏＢ，ＬｉＫＲ，ＳｈａｏＸＭ，ＣａｏＭＫ．ＴｈｅｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｐａｔｔｅｒｎｓｏｆｔｅｒｒｅｓｔｒｉａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｉｎＣｈｉｎａ．ＪｏｕｒｎａｌｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，２００３，１３（２）：１６３⁃１７１．［１９］㊀陈晓玲，曾永年．亚热带山地丘陵区植被ＮＰＰ时空变化及其与气候因子的关系 以湖南省为例．地理学报，２０１６，７１（１）：３５⁃４８．［２０］㊀仓生海．青海省天然草地植被净初级生产力分析 基于Ｍｉａｍｉ模型．安徽农业科学，２０１１，３９（１１）：６４０９⁃６４１０．［２１］㊀朱文泉，潘耀忠，张锦水．中国陆地植被净初级生产力遥感估算．植物生态学报，２００７，３１（３）：４１３⁃４２４．［２２］㊀范娜，谢高地，张昌顺，陈龙，李文华，成升魁．２００１年至２０１０年澜沧江流域植被覆盖动态变化分析．资源科学，２０１２，３４（７）：１２２２⁃１２３１．［２３］㊀潘竟虎，徐柏翠．中国潜在植被ＮＰＰ的空间分布模拟．生态学杂志，２０２０，３９（０３）：１００１⁃１０１２．［２４］㊀王亚慧，李致家，黄鹏年，戴金旺．Ｔｈｏｒｎｔｈｗａｉｔｅ经验公式在降雨径流模拟中的适用性研究．水电能源科学，２０１９，３７（１２）：６⁃９．［２５］㊀李洁，张远东，顾峰雪，黄玫，郭瑞，郝卫平，夏旭．中国东北地区近５０年净生态系统生产力的时空动态．生态学报，２０１４，３４（０６）：１４９０⁃１５０２．［２６］㊀冯磊，杨东，黄悦悦．２０００ ２０１７年川渝地区植被ＮＤＶＩ特征及其对极端气候的响应．生态学杂志：１⁃１２［２０２０⁃０５⁃２６］．ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１３２９２／ｊ．１０００⁃４８９０．２０２００７．０２８［２７］㊀赵瑞东．气候变化和人类活动对黄土高原植被ＮＤＶＩ的影响研究［Ｄ］．兰州：西北师范大学，２０１８．［２８］㊀潘竟虎，黄克军，李真．２００１ ２０１０年疏勒河流域植被净初级生产力时空变化及其与气候因子的关系．生态学报，２０１７，（６）：１⁃１２．［２９］㊀刘旻霞，赵瑞东，邵鹏，焦骄，李俐蓉，车应弟．近１５ａ黄土高原植被覆盖时空变化及驱动力分析．干旱区地理，２０１８，４１（０１）：９９⁃１０８．［３０］㊀李金珂，杨玉婷，张会茹，黄铝文，高义民．秦巴山区近１５年植被ＮＰＰ时空演变特征及自然与人为因子解析．生态学报，２０１９，３９（２２）：８５０４⁃８５１５．７１３５㊀１５期㊀㊀㊀刘旻霞㊀等：青海省植被净初级生产力（ＮＰＰ）时空格局变化及其驱动因素㊀。
广东省未来温度、降水及陆地生态系统NPP预测分析
（ ０ ｙ ａｓｆｒ ａ ｈｐ ｒｏ ２ ｅ ｒ ｏ ｃ ｅｉｄ）ａ ｄｔａ ９ ０～１ ９ ｅ ｎ ｈ ｔ ｎ １ ８ ｉ ９，ｗ ｎ ｌｚ ｄｔｅｔ ｎ ｓｏ ｅｆｔｒ ｒｃｐｔｔ ｎａ ｄｔｍｐ ｒ— ９ ｅａ ａｙｅ ｈ ｒ ｄ ｆ ｈ ｕｕｅｐ ｅ ｉｉ ｉ ｎ ｅ ｅａ ｅ ｔ ａｏ
１８ ９ ０～１９ ９ ９年 的 降水（ ０ ０ ） 而其 它 时段 差异 不显 著 。 Ｐ＜ ． ５ ， 关键 词 温度 降 水 Ｎ Ｐ 广 东省 Ｐ
中图分 类号 ： ７ ６ ｓ １
文献标 识码 ： Ａ
文章编 号 ：０ ６— ４ ７ ２ １ ） １— ０ ９— ７ １０ ４ ２ （ ０ １ ０ ０ ５ ０
６ ０
刘智勇等 ： 广东省未来温度 、 降水及陆地生态系统 Ｎ Ｐ预测 分析 Ｐ
Ｋ ｅ ｏ ｄ ｔｍｐ ｒｔｒ ｙ ｗ ｒ ｓ ｅ ｅａｕｅ，ｐｅ ｉｉ ｔ ｎ，ＮＰ ｒｃｐｔ ｉ ａｏ Ｐ，Ｇ ａ ｇ ｏ ｇｐ ｏ ｉｃ ｕ ｎ ｄ ｎ ｒｖｎ ｅ
ＩＣ ２ ０ ） 四 次研 究 报 告 指 出 ， 近 １０年 （ ９ ６～２ ０ Ｐ Ｃ（０ ７ 第 最 ０ １０ ０ ５年 ） 以来 全 球 平 均 温 度 上 升 了 ０ ７ ￣ ． ４（ ２ （ ．６～ ．２Ｃ）近 ５ ０５ ０ ９ ｏ ， ０年变 暖 的速率更 加 明显 ， 几乎 是 近 １０年 的两倍 … ， 球平 均 气温 每 升高 １ 气 候 ０ 全 ｏ Ｃ， 带 约 向极 地方 向不均 匀地推 移 １０ｋ ０ ｍ。近 半个 世 纪来 ， 东省 气 温变 化 的 总体趋 势 基本 与 全球 同步 ， 爱 广 刘 君 研 究发 现 ， ８ Ｏ年代后 期 以来 ， 东省平 均气 候呈 较 快上 升 趋 势 ， 季 升 温幅 度大 于 夏季 ， 气温 波动 性 广 冬 且 很 大 ， 常低温 天气不 时 出现 。 端天气 事件 的增 多 ， 异 极 已经 导致 了广东 境 内气 候 带 的 自南 向北 移动 ， 同时气 候 变暖也 引起广 东省地 表植 被分 布 、 农作 物种植 制度及 生态环 境等 的变化 。 广东 省地处 低纬 度地 区 ， 于热带 、 位 亚热带 季风气候 区 ， 地形 复杂 ， 且 降水受 地形和季 风环 流的影 响非常 明显 。降水年 际变化 率大 ， 内降水 主要 出现在 ４～ 年 ９月 的前／ 后汛期 。而 夏季风控 制下 ， 受海洋 性暖湿气 团
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP（Net Primary Productivity，净初级生产力）数据进行详细总结和分析。
NPP是指植物在光合作用过程中固定的净能量，是生态系统中能量流动的重要指标。
通过对NPP数据的总结和分析，可以深入了解生态系统的功能和变化。
1. NPP数据来源：NPP数据的来源可以包括遥感数据、地面观测数据和模型摹拟数据。
遥感数据基于卫星观测，可以提供全球范围内的NPP估算结果。
地面观测数据通过野外实地测量，可以提供更准确的区域尺度的NPP数据。
模型摹拟数据基于生态系统模型，可以预测NPP在不同环境条件下的变化趋势。
2. NPP数据分析方法：对NPP数据进行分析可以采用多种方法，包括时间序列分析、空间分布分析和趋势分析等。
时间序列分析可以揭示NPP随时间的变化趋势，例如季节性和年际变化。
空间分布分析可以研究NPP在不同地理区域的分布特征，例如热带雨林和草原的NPP差异。
趋势分析可以预测未来NPP的变化趋势，例如气候变化对NPP的影响。
3. NPP数据的影响因素：NPP受多种因素的影响，包括气候因素、土壤因素和植被因素等。
气候因素包括温度、降水和光照等，它们直接影响植物的光合作用速率和生长过程。
土壤因素包括养分含量、土壤水分和土壤质地等，它们影响植物的根系生长和养分吸收能力。
植被因素包括植被类型、植被覆盖度和植物生长状态等，它们决定了植物的生产力和能量利用效率。
4. NPP数据的应用：NPP数据在生态学、气候变化和环境管理等领域具有重要的应用价值。
在生态学研究中，NPP数据可以用于评估生态系统的健康状况和生态功能。
在气候变化研究中，NPP数据可以用于评估气候变化对生态系统碳循环的影响。
在环境管理中，NPP数据可以用于制定合理的土地利用规划和生态保护政策。
5. NPP数据的未来发展：随着遥感技术和生态系统模型的不断发展，NPP数据的获取和应用将变得更加精确和全面。
未来的研究可以进一步探索NPP数据与其他生态指标的关系，例如生物多样性和土壤有机碳含量。
华北植被的净初级生产力研究及其时空格局分析
d
- 1
) , ∀ 为斯蒂芬 - 波
MJ m
- 2
d
- 1
), Tm ax为最高气温 ( K ), Tm in为最低气温 ( K ) , ea 为
- 2
实际水汽压 ( kPa) , R s0为晴空太阳辐射 (M J 的大多文献里计算净辐射 R ne t时 , 把地表反照率 !当成固定值 , 没有考虑 不同植被类型在不同时期的差异。因此, 在这里考虑利用遥感图像来获取不同植被类型和 不同时间的地表反照率 ! 。
(M J m d ) , 各种参数计算方法详见相关文献 净辐射 R ne t的计算采用 FAO 56 中推荐的方法: R net = ( 1 - !) Rs - ∀ T m ax + T m in 2
4 4
( 0 34 - 0 14 ea )
1 35
566
自
然
资
源
学
报
- 2
25卷
式中, !为地表反射率 (反照率 ), R s 为接受的太阳辐射 ( M J m 尔兹曼常数 ( 4 903 10
第 25 卷 第 4 期 2010 年 4 月
自
然
资
源
学
报
JOURNAL OF NATURAL RESOURCES
V ol 25 N o 4 A pr ., 2010
华北植被的净初级生产力研究及其时空格局分析
刘勇洪, 权维俊, 高燕虎
( 北京市气象局 气候中心 , 北京 100089 )
摘要 : 在 CA SA 模型的基础上 , 建立了利用 NOAA /AVHRR 1B 卫星资料和气象资料估算 植被净 初级生产力 ( NPP ) 的技术方法 , 该方法有 3 个特色 : 直接利用 NOAA /AVHRR 1B 卫星数据 , 不需 要经过大气校正和方向反射 率校正来 实现 N PP 估算 ; 考虑 了植被覆 盖类 型对 光能利 用率 的影 响 ; 考虑了植被反照率在计算净辐射中的差异。利 用该方法对 2007 年华 北地区 的 NPP 模 拟结 果表明 : 2007年华 北地区植被的年总 NPP 为 3 68 1014 gC /a , 各省 总的 N PP 贡献率 依次为 : 内 a ,草 蒙古 64 %、 山西 20% 、 河北 13 %、 北京 2 % 和天津 1% , 各季的贡 献率大小依 次为 : 夏季 67% , 秋 季 17% 、 春季 15% , 冬季 1 % 。不同植 被类型年 N PP分别为 : 森林灌丛为 271~ 560 gC /m 2 原为 97~ 278 gC /m 14 gC /m 2 关 键
NPP数据的总结
NPP数据的总结概述NPP（Net Primary Productivity，净初级生产力）是指植物通过光合作用将光能转化为化学能的速率。
NPP数据是评估生态系统健康和生产力的重要指标。
本文将对NPP数据进行总结和分析，以便更好地了解生态系统的功能和变化。
1. NPP数据来源NPP数据的获取可以通过多种途径，包括遥感技术、实地观测和模型摹拟。
以下是常用的NPP数据来源：a. 遥感数据：利用遥感卫星获取的植被指数数据，如归一化植被指数（NDVI）和叶面积指数（LAI），可以用来估算NPP。
b. 实地观测：通过设置样地并定期测量植物生物量和生长速率，可以获得准确的NPP数据。
c. 模型摹拟：利用生态系统模型温和象数据，可以摹拟出NPP数据。
2. NPP数据分析方法对NPP数据进行分析可以匡助我们了解生态系统的变化趋势和影响因素。
以下是常用的NPP数据分析方法：a. 时间序列分析：通过对多年的NPP数据进行统计和比较，可以揭示生态系统的季节性和年际变化。
b. 空间分布分析：将NPP数据绘制在地图上，可以显示不同地区的生态系统生产力差异。
c. 影响因素分析：通过与气象数据、土壤条件等其他环境因素进行关联分析，可以确定对NPP影响最大的因素。
3. NPP数据应用NPP数据在许多领域都有重要的应用价值，包括生态学、气候变化研究和农业生产等。
以下是一些常见的NPP数据应用：a. 生态学研究：NPP数据可以匡助评估生态系统的健康状况和生产力，为生态系统保护和恢复提供科学依据。
b. 气候变化研究：NPP数据可以用来监测和评估气候变化对生态系统的影响，为制定适应和减缓气候变化的措施提供支持。
c. 农业生产：NPP数据可以用来评估农作物的生长状况和产量，为农业管理和决策提供参考。
4. NPP数据的局限性和挑战在使用NPP数据时，需要注意以下局限性和挑战：a. 数据不确定性：NPP数据的获取和估算都存在一定的不确定性，需要考虑数据精度和可靠性。
NPP数据的总结
NPP数据的总结背景介绍：NPP（Net Primary Productivity）是指生态系统中植物通过光合作用将太阳能转化为有机物质的速率。
NPP是生态系统的重要指标，对于了解生态系统的能量流动、碳循环以及生态系统健康状态具有重要意义。
本文将对NPP数据进行总结和分析，以便更好地理解生态系统的功能和特征。
数据来源：本次分析使用的NPP数据来源于多个研究机构和卫星观测数据，包括NASA 的MODIS（Moderate Resolution Imaging Spectroradiometer）卫星数据、NOAA的AVHRR（Advanced Very High Resolution Radiometer）卫星数据等。
这些数据提供了全球范围内的NPP估计值，覆盖了不同地理区域和生态系统类型。
数据处理与分析方法：首先，我们采集了多年的NPP数据，包括不同季节和年份的数据。
然后，对数据进行了预处理，包括缺失值填充、异常值处理等。
接下来，我们计算了每一个地理区域和生态系统类型的平均NPP值，并进行了统计分析和可视化展示。
数据总结与分析结果：根据我们的分析结果，以下是对NPP数据的总结和分析：1. 全球NPP分布：- 全球NPP呈现出明显的地理分布特征，高纬度地区的NPP较低，而赤道地区和亚热带地区的NPP较高。
- 气候因素是影响NPP分布的重要因素，温度和降水量是影响NPP的主要控制因素。
2. 生态系统类型对NPP的影响：- 不同生态系统类型的NPP存在显著差异。
例如，热带雨林和湿地等生态系统类型的NPP较高，而荒漠和寒冷地区的NPP较低。
- 地理区域温和候条件对生态系统类型的NPP影响较大。
3. 季节性变化：- NPP在不同季节之间存在明显的变化。
例如，温暖季节的NPP通常较高，而寒冷季节的NPP较低。
- 季节性变化对不同生态系统类型的NPP影响程度不同。
4. 长期趋势：- 部份地区的NPP呈现出长期增加或者减少的趋势，这可能与气候变化、土地利用变化等因素有关。
净初级生产力(NPP)论文：净初级生产力(NPP) NPP-EMSC模型 光合有效辐射(PAR) 遥感 青海
净初级生产力(NPP)论文：基于光能利用率模型的青海植被净初级生产力模拟研究【中文摘要】陆地生态系统碳循环是全球碳循环研究中最重要的组成部分,同时也是全球变化科学研究的核心科学问题,在全球碳收支研究中占有重要地位。
陆地生态系统净初级生产力的模拟,是研究区域甚至全球尺度初级生产力、估算碳通量的空间分布信息以及预测生态环境变化的重要手段,是碳循环中最重要的环节之一,直接关系到植被对大气CO2的固定,并进一步影响碳循环的其他环节。
本文以光能利用率的理论为基础,构建了区域尺度陆地生态系统净初级生产力模型(NPP.EMSC),旨在从资源平衡的观点分析青海地区陆地生态系统净初级生产力的时空分布格局。
利用插值得到的每8天气象数据遥感数据(MODIS和HJ-1B)、高精度DEM等数据,模拟得到了青海地区2008、2009年陆地生态系统净初级生产力。
模拟结果表明：2009年青海地区植被总NPP为58.23 Tg C,平均值为92 g C·m-2·a-(?),NPP 的总体分布趋势为自东南向西北呈递减趋势。
其中青海地区东部及东南部森林生态系统NPP明显高于其他地区,一般在300～700 gC·m-2·a-1之间；南部及中部部分地区主要分布高原草甸和灌丛,NPP 一般在100～300 g C·m-2·a-1中部...【英文摘要】Terrestrial ecosystem carbon cycle is one of the key content of global change research, while terrestrial ecosystem productivity is the core problem of global changeresearch. Net Primary Productivity (NPP) plays an importantrole in global biogeochemical cycle, and is one of the most important component in the process of carbon cycle. NPPdirectly indicates the amount of CO2 fixed by terrestrial vegetation, thus influences other processes in carbon cycle and global climate change.Based on Light Use Eff...【关键词】净初级生产力(NPP) NPP-EMSC模型光合有效辐射(PAR) 遥感青海【英文关键词】Net Primary Productivity(NPP) NPP-EMSC model Photosynthetically Active Radiation(PAR) remote sensingQinghai【索购全文】联系Q1：138113721 Q2：139938848 同时提供论文写作一对一辅导和论文发表服务.保过包发【目录】基于光能利用率模型的青海植被净初级生产力模拟研究摘要3-4Abstract4-5 1 绪论8-25 1.1 研究背景及意义8-9 1.2 陆地生态系统净初级生产力的相关概念9-10 1.3 陆地生态系统净初级生产力的研究方法10-16 1.3.1 生物量调查法11 1.3.2 微气象学涡度相关通量观测法11-12 1.3.3 陆地生态系统生产力模型12-16 1.4 陆地生态系统净初级生产力研究存在的主要问题16-17 1.5 遥感在大尺度陆地生态系统生产力研究中的作用17-18 1.6 光能利用率模型参数的遥感提取18-22 1.6.1 光合有效辐射(PAR)18-19 1.6.2 植被光合有效辐射吸收比例FPAR19-20 1.6.3 光能利用率(ε)20-22 1.7 NPP研究中存在的问题22 1.8 本文研究目标与技术路线22-25 1.8.1 研究目标22-23 1.8.2 论文结构23-25 2 研究区概况及模型所用数据25-36 2.1 研究区概况25-27 2.2 气候区划27 2.3 遥感数据27-30 2.3.1 环境小卫星数据27-30 2.3.2 MODIS数据30 2.4 高程数据30-32 2.5 气象数据32-36 2.5.1 气象数据的预处理33 2.5.2 气象数据的插值33-36 3 陆地生态系统净初级生产力(NPP)模型的构建36-42 3.1 光能利用率模型概述36-37 3.2 光能利用率模型的关键参数37-39 3.2.1 植被光合有效辐射参数(PAR)38 3.2.2 FPAR参数38 3.2.3 最大光能利用率(ε_(max))参数38-39 3.2.4 胁迫因子K39 3.3 NPP-EMSC模型的构建39-42 3.3.1 模型结构39-40 3.3.2 模型参数计算方法40-42 4 结果与分析42-59 4.1 模型模拟结果验证分析42-46 4.1.1 MOD17A3和GLPEM-CEVSA模型42-44 4.1.2 不同尺度NPP模拟分析44-46 4.2 青海净初级生产力空间分布46-49 4.2.1 青海净初级生产力的地理分布46-47 4.2.2 青海净初级生产力与地形的关系47-49 4.3 青海陆地生态系统净初级生产力季节变化49-51 4.4 模型参数敏感性分析51-56 4.4.1 空气温度敏感性分析52 4.4.2 植被可进行光合作用最低温度敏感性分析52-53 4.4.3 植被可进行光合作用最高温度敏感性分析53-54 4.4.4 植被进行光合作用最适温度敏感性分析54 4.4.5 空气湿度敏感性分析54-55 4.4.6 光合有效辐射比例(FPAR)敏感性分析55-56 4.5 青海净初级生产力与气温、降水的关系56-59 5 总结与展望59-61 5.1 主要研究结论59 5.2 研究存在的不足与展望59-61参考文献61-68附录68-69攻读学位期间发表的学术论文69-70致谢70-71。
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP数据进行总结和分析，以提供关于NPP（净初级生产力）的详细信息。
NPP是指植物通过光合作用将太阳能转化为化学能的过程中所固定的总能量。
通过对NPP数据的总结和分析，我们可以更好地了解生态系统的功能和稳定性。
1. NPP数据来源和收集方法：NPP数据的来源包括遥感技术、野外观测和模型模拟等多种方法。
遥感技术通过卫星影像和遥感仪器获取植被的光谱信息，进而计算NPP。
野外观测则通过在不同地点设置样地，定期测量植物的生物量和生长速率等指标来估算NPP。
模型模拟则基于生态系统的物理和化学过程，通过数学模型计算NPP。
2. NPP数据的计算和单位：NPP的计算通常基于光合作用的速率和植物的生物量。
常用的计算方法包括GPP（总初级生产力）减去R（呼吸作用）得到NPP。
NPP的单位通常为克每平方米每年（g/m²/yr）或克每平方米每天（g/m²/day）。
3. NPP数据的影响因素：NPP受到许多环境因素的影响，包括气候因素（如温度、降水和光照）、土壤因素（如养分含量和土壤质地）、植被类型和人类活动等。
不同的生态系统类型和地理位置对NPP有着不同的影响。
4. NPP数据的应用：NPP数据在许多领域具有重要意义。
在生态学领域，NPP数据可用于研究生态系统的结构和功能，评估生态系统的健康状况以及预测生态系统对气候变化的响应。
在农业领域，NPP数据可用于评估农作物的生产潜力和土地利用规划。
在环境管理和政策制定方面，NPP数据可用于评估人类活动对生态系统的影响，并制定可持续发展的策略。
5. NPP数据的案例分析：以某国家的森林生态系统为例，通过遥感技术获取了该国森林的NPP数据。
根据数据分析，该国森林的平均NPP为500 g/m²/yr，最高值达到1000 g/m²/yr。
进一步的分析发现，该国森林的NPP受到温度和降水的影响较大，而土壤养分的影响相对较小。
陆地生态系统碳循环研究进展与评述
陆地生态系统碳循环研究进展与评述近年来，随着全球气候变化问题日益凸显，陆地生态系统碳循环的研究备受关注。
陆地生态系统是地球上最大的碳储存库之一，其对全球碳循环的调节至关重要。
本文将结合近年来的研究成果，评述陆地生态系统碳循环的研究进展，并探讨其对于应对气候变化的意义。
一、陆地生态系统碳循环的基本过程陆地生态系统碳循环主要由净初级生产力（NPP）、土壤有机碳储量和土壤呼吸组成。
NPP是陆地生态系统从大气中吸收二氧化碳进行光合作用形成有机物的速率，它是陆地生态系统中碳汇的重要指标。
土壤有机碳储量则代表着陆地生态系统的长期碳储存能力。
二、全球变暖对陆地生态系统碳循环的影响全球变暖带来了气温的升高和降水模式的改变，对陆地生态系统碳循环产生了深远影响。
首先，气温升高可能导致植物光合作用速率的提高，从而增加NPP。
然而，高温也可能影响植物的呼吸速率，增加了土壤呼吸释放的二氧化碳。
另外，变化的降水模式对植物生长也有重要影响。
一些研究发现，干旱条件下，植物的光合作用能力减弱，导致NPP的下降。
此外，干旱还容易导致土壤碳的氧化分解加速，从而释放更多的二氧化碳。
三、人类活动对陆地生态系统碳循环的干扰随着人类活动的不断发展，人类对陆地生态系统的破坏和利用也日益加剧。
森林砍伐、农田开垦等活动导致陆地生态系统碳储量的丧失，释放大量的碳进入大气。
此外，大规模的化肥施用和畜禽养殖释放了大量的氧化亚氮和甲烷等温室气体，进一步加剧了全球气候变化。
然而，人类也可以通过生态修复和环境保护来减轻这些负面影响。
例如，森林的再造和保护可以增加陆地生态系统的碳储量，并且可以有效地减少二氧化碳的排放。
此外，推广环保农业和减少化肥施用，也有助于减缓土壤氮的排放。
四、未来的研究方向和意义对陆地生态系统碳循环的研究仍然有许多需要深入探索的问题。
首先，我们需要更好地理解气候变化对不同地区和不同生态系统的影响。
不同的气候和环境条件可能导致不同生态系统对气候变化的响应方式有所不同，因此深入探索这种差异具有重要意义。
NPP数据的总结
NPP数据的总结一、背景介绍NPP（Net Primary Productivity）是指生态系统中植物通过光合作用将光能转化为化学能的速率，是生态系统的基础能量生产过程。
对NPP的研究可以帮助我们了解生态系统的功能和稳定性，对于生态环境保护和可持续发展具有重要意义。
二、数据收集为了进行NPP数据的总结，我们采集了广泛的数据来源，包括以下几个方面：1. 卫星遥感数据：利用卫星遥感技术获取的NPP数据，包括陆地和海洋生态系统的信息。
我们使用了多个卫星的数据，如MODIS、Landsat等，覆盖了不同地区和时间段的数据。
2. 气象数据：收集了各地的气象数据，包括温度、降水量、日照时数等指标。
这些数据与NPP之间存在一定的关联性，可以帮助我们分析NPP的影响因素。
3. 土壤数据：获取了土壤质地、含水量、养分含量等相关数据。
土壤是植物生长的基础，对NPP具有重要影响，因此收集了土壤数据用于分析。
4. 植被数据：使用了植被指数数据，如NDVI（Normalized Difference Vegetation Index）等，来评估植被的生长状况和覆盖范围。
这些数据可以作为NPP 估算的重要参考。
5. 其他数据：还包括了地形数据、人口数据等，用于分析NPP与地理环境、人类活动的关系。
三、数据处理与分析在数据收集完成后，我们进行了以下的数据处理和分析步骤：1. 数据清洗：对收集到的原始数据进行筛选和清洗，去除异常值和缺失数据，确保数据的准确性和完整性。
2. 数据整合：将不同来源的数据进行整合，建立一个统一的数据集，方便后续的分析和计算。
3. 数据计算：利用收集到的数据，进行NPP的计算。
我们使用了多种方法，如经验公式、模型和遥感技术等，结合不同数据集和地区的特点进行计算。
4. 数据分析：对计算得到的NPP数据进行统计分析和可视化呈现。
我们使用了统计学方法、地理信息系统（GIS）工具和数据可视化软件，对数据进行分析和展示。
陆地植被净初级生产力估算及影响因素研究现状
陆地植被净初级生产力估算及影响因素研究现状李媛【摘要】植被净初级生产力(NPP)是植被在自然条件下的生产能力,是表征生态系统质量与功能、研究生态系统碳循环的重要指标.在总结NPP估算方法的基础上,分析了实测法、气象模型、光能利用模型、过程模型的特点;探讨了自然及人为因素对NPP的影响,以期为今后的研究工作起到一定借鉴作用.【期刊名称】《宁夏大学学报（自然科学版）》【年(卷),期】2018(039)004【总页数】5页(P362-366)【关键词】净初级生产力;模型;植被【作者】李媛【作者单位】宁夏大学资源环境学院,宁夏银川 750021【正文语种】中文【中图分类】Q148;Q948;S812陆地生态系统是人类赖以生存的物质基础,而植被是陆地生态系统的重要组成部分,它不仅在物质流动和能量循环中起着显著作用,同时在减少温室气体、维持气候稳定方面贡献突出．植被净初级生产力(net primary productivity, NPP)是指绿色植物在单位时间、单位面积内所累积的有机物数量,是光合作用所产生的有机质总和减去自养呼吸后剩余的部分[1],反映了植被在自然条件下的生产能力,是表征生态系统质量和功能的重要指标,同时也是研究生态系统碳循环的重要因子．对NPP的估算方法及影响因素进行梳理和总结,对于监测植被生长状态、制定合理的生态保护措施具有积极意义．1 NPP的估算方法1.1 基于生物量实测的NPP估算早期的NPP估算主要采用样地实测法．该方法首先需要确定野外样地,然后选择适当方法估测样地生物量,获得平均生物量密度,最后将平均生物量密度与研究区面积相乘得到总生物量．实测法的关键在于以下2个方面：①样地的选择.在自然界中，不同地块间在植物种类和长势上都会存在一定差异,因此，要想使在样地上测得的数据适用整个区域,选择什么样的样地尤为重要．②用何种方法估测生物量．对于生长周期短的植物群落，如草地、作物、灌木等，常采用皆伐法,即在样地上设置一定数量的样方,将样方中的植物全部取下称其鲜重或干重．对于乔木,由于自身体量较大,生长周期较长,为了节约时间和人力,减少对生态环境的破坏,常采标准木法、相对生长法等估测生物量．总体而言,实测法在小面积生物量的测算中能保证较高的精度,但是费时费力,对植被具有一定破坏性,实测资料较少,因此难以实现大尺度植被生物量的估算．1.2 气候模型在自然条件下,除生物特性、土壤养分外,植被的生产力主要受气候因子的影响,因此,可以通过分析气温、降雨、日照等气象因子与植物干物质生产的相关性来估算净初级生产力.气候模型便在这种思想的推动下产生了．最早的气候模型是1975年Lieth利用53组实测资料建立的Miami模型[2],该模型认为NPP是年均气温和年降水量的函数.由于气温和降水是气象站必测的常规项目,且在全球范围内积累了长期的连续观测资料,该模型在使用的便利性方面优势明显．除气温、降水外，实际上,NPP还受到其他气象因子的影响.为了提高估算精度,更多的气象要素被相继引入．Lieth根据平均蒸发量与气温、降水和植被之间的关系提出了Thornthwaite Memorial模型;Uchijima等建立了基于净辐射和辐射干燥度的Chikugo模型．鉴于Chikugo模型在建立时缺乏草原和荒漠等植被资料以及在干旱、半干旱地区适应性差等问题[3],朱志辉、周广胜相继提出了北京模型[4]和周广胜模型[5],这在气候模型中国本土化方面起到了推动作用．由于每种模型都是在特定实测数据的基础上推导而来的,在其他区域使用的合理性及不同模型间测算的差异性成为许多学者研究的焦点．王胜兰等根据1961—2007年大西沟、小渠子、乌鲁木齐和大阪城4个台站的气象资料[6],分别采用上述5个模型对乌鲁木齐地区草场的净初级生产力进行了计算,结果显示:5个模型在NPP计算数值上有较大差异,Miami模型的计算值相对较大,周广胜模型在各年NPP的估算值均小于其他模型,但各模型对气候变化响应的趋势方面则表现出较高的一致性．虽然气候模型结构简单、使用方便,但由于缺乏生理依据,不能真实反映植物的现实生长状况,估算结果只能反映植被的潜在NPP．1.3 光能利用模型植物吸收太阳辐射,通过光合作用将其转化为自身有机质,可以说太阳是植物生长的能量源泉.然而不是所有太阳辐射都能被植物吸收,如果能准确度量植被吸收的太阳辐射的比例,并通过数学模型将其转换为有机质的量,将能实现植被NPP的估算,这正是光能利用模型产生的理论基础．常见的光能利用模型有GLO-PEM、VPM、CASA及C-Fix等,其中，在国内发展较快的是CASA模型,该模型是入射的光合有效辐射、植被对光合有效辐射的吸收比例、温度胁迫系数、水分胁迫系数和最大光能利用率的乘积,目前在不同尺度空间及植被类型上均有所应用．朱文泉等利用中国的NPP实测数据[7],根据区域蒸散模型来模拟水分胁迫因子,利用CASA模型计算了中国陆地植被净初级生产力,并基于690个点的实测数据进行误差分析.结果显示，1989—1993年中国陆地植被NPP平均为3.12 Pg(以碳的质量计算),模拟值与观测值的相对误差为4.5%．陈正华等利用CASA模型对1998—2002年黑河流域的净初级生产力进行了估算[8],研究证明该模型对内陆河流域具有较高的精确度,适用于干旱半干旱地区的NPP计算．陈峰、李可相等在县域尺度上对CASA模型进行了应用[9—10]．对于CASA模型的改进,主要集中在最大光能利用率(ε)的细化方面．传统的CASA将ε统一设定为0.389 g/MJ(以碳的质量计算),实际上,不同地区、不同植被类型的ε存在较大差异,因此,针对不同研究区域对ε进行修正,对于提高模型估算精度显得尤为重要．董丹等利用实测植被生产力数据计算和修正最大光能利用率[11],建立了改进的CASA模型,通过对我国西南喀斯特植被的NPP进行研究,显示改进后模型的模拟值与实测值相关性显著,可较好地用于西南喀斯特植被NPP的估算．王保林等以中国草原18大类分类结果为基础单元,基于归一化植被指数和叶面积指数对草原最大光能利用率进行了调整[12]．除此之外,李传华等也都在各自研究区域进行了CASA模型的应用与改进[13—14]．1.4 过程模型过程模型是从植物生长过程的机理出发,利用二氧化碳同化过程与气温、太阳辐射、土壤水分、叶片养分等资源环境因子之间的生理关系,确定植被的净初级生产力．该模型可对植被的光合作用、有机物分解及营养元素的循环等生理过程进行模拟,且与大气环流模型耦合,从而进行NPP与气候变化之间的响应与反馈研究．目前,区域尺度的过程模型主要有BEPS、Biome-BGC、CENTURY等．这类模型的特点是，由若干个子模型构成,各子模型互相配合完成NPP的估算．文献[15]显示，BEPS模型主要分为4个子模型，即能量传输子模型主要采用Norman的方法计算冠层吸收的太阳辐射;水循环子模型利用水量平衡和能量平衡关系计算研究区的蒸散量;生理调节子模型主要参考Ball-Berry半经验模型对气孔导度进行模拟;碳循环子模型主要通过光合作用产生的总初级生产力、植物呼吸量及土壤呼吸量估算NPP,该过程需要其他子模型的计算结果作为输入项．Biome-BGC模型考虑了生物量累积、水循环、土壤过程、能量过程等方面[16]．CENTURY模型包括土壤有机质、植物产量、土壤水分和温度3个子模型．由于模型所涉及的过程复杂,驱动模型所需要的输入参数相对较多,概括起来主要有以下几种：①地理地形因子,例如经纬度、海拔高度等;②气象因子,诸如最高温度、最低温度、降水量、太阳辐射量、饱和水汽压差等;③土壤因子,包括土壤类型、质地、有效深度等;④植物生理生态因子,常见的有比叶面积、叶片碳氮比、细根碳氮比等;⑤土地利用/覆被类型数据．虽然过程模型机理明确,但是因为所需数据较多,且有些是难以获取的,用于区域和全球估算过程中网格点内参数的尺度转换相对困难,因此,大范围使用受到影响．我国研究者针对不同区域对过程模型的验证和改进进行了有益尝试．胡波等利用2004年时间序列MODIS LAI产品及气象数据驱动Biome-BGC模型[17],计算了黄淮海地区的NPP.结果显示,该地区NPP在空间分布上南部大于北部,在植被类别上大小顺序依次为混交林—农作物—落叶阔叶林—灌木—草地.比较发现，Biome-BGC模型可较好地用于农田 NPP的模拟．江洪等采用BEPS模型对2004年我国福建省森林生态系统NPP进行了模拟验证[18],认为该模型最初是针对加拿大北部温带森林生态系统设计的,将其用于福建亚热带森林系统,虽然进行了参数修改,但结果仍存在一定的不确定性．近年来的新趋势是将过程模型与光能利用模型进行耦合来研究区域的NPP．尝试较多的是GLOPEM-CEVSA模型,该模型借鉴光能利用模型,通过遥感反演的植被光合有效辐射吸收比例计算植被吸收的有效辐射量,从而获得总初级生产力,然后通过生物量与气温、维持性呼吸系数与温度的关系模拟维持性呼吸和生长性呼吸,最终得到NPP[19]．王军邦等对GLOPEM-CEVSA 模型的使用进行了研究[19],认为该模型对青海三江源地区森林和荒漠的模拟精度相对较高,而对农田和湿地的模拟精度相对较低,草地则居于以上二者之间,模型的本土化研究还有待加强．丁庆福等的研究结果显示:GLOPEM-CEVSA模型对以落叶针叶林为主的东北地区的模拟结果好于以常绿针叶林为主的江西地区[20]．2 NPP的影响因素2.1 气象因素在气象因素中，气温、降水与植物生长最为密切,因此，随研究区域的不同,气温、降水与植被NPP的相关性也存在差异．刘军会等对北方农牧交错带进行研究[21]，发现植被NPP与降水呈正相关,与温度变化呈负相关．蒋冲等利用渭河流域及其周围52个气象站1959—2010年的逐日气象数据[22],采用周广胜-张新时模型估算了该区域的植被净初级生产力,结果同样显示，NPP与降水呈显著正相关,与温度呈负相关,且温度对 NPP的累积所起到的作用有限,水分是主要制约因素．陈旭等研究中国南部区域(18.00°～27.50 N, 108.50°～112.50 E)样带时发现[23]，温度与降水均与植被NPP呈正相关,并且最低温度与NPP的相关系数达0.599,超过降水与NPP的相关系数．蔡雨恋等对三江源地区NPP的研究结论是[24]:温度是决定该地区植被NPP变化的关键因素,它与NPP的相关系数为0.8,降水量的增加对NPP也有促进作用,二者的相关系数为0.7,在温度和降水较好的情况下,NPP与太阳辐射也表现出较高的正相关性．总体而言,各气象要素对NPP的影响程度由研究区植被生长的首要限制因素决定,如在高寒地区,低温是制约植物生长的主要因素,因此温度与NPP表现为较高的正相关；而在干旱和半干旱地区,降水是影响植物生长的首要因素,所以降水量与NPP的正相关表现的更为突出,相反温度升高可能会导致蒸发加剧,从而加重干旱的程度,因而有时与NPP呈现负相关．2.2 CO2浓度CO2是植物进行光合作用的底物,其浓度变化对植物的宏观及微观结构,气孔导度及水分利用效率等产生影响,最终导致植被净初级生产力的相应变化．在目前有关CO2浓度对NPP影响的文献中,主要采用以下2种方法展开研究:①利用逐年监测的全球CO2年平均数据与估算的某一区域的NPP进行相关性分析.例如：И.Ю.Локшина研究认为大气中CO2含量增加1倍[25],北半球植被的生产力将增加28%．毛德华等在东北多年冻土区利用CASA模型计算的植被净初级生产力与全球平均CO2浓度进行相关分析[26],证实植被的NPP与CO2浓度呈显著正相关．②利用过程模型,通过调整CO2的输入浓度,估算在不同CO2浓度水平下植被净初级生产力的大小．范敏锐等通过Biome-BGC模型对北京妙峰山栓皮栎林的研究[27]，发现CO2浓度加倍会降低栓皮栎林的NPP,但降低的幅度不大,且CO2浓度加倍、温度升高2 ℃和降水增加的协同作用更有利于NPP的增长．彭俊杰等同样通过Biome-BGC模型对华北油松林进行分析[28]，显示CO2浓度升高有利于油松林生态系统NPP的增加,温度升高、CO2浓度加倍和降水增加最有助于NPP的增加．然而,同样是应用Biome-BGC模型,张文海等对北京山区NPP的研究得出了不同的结论[29],即CO2浓度加倍、降水和温度增加的共同作用降低了油松林的净初级生产力．由此可见,在利用过程模型研究CO2浓度加倍与NPP的关系时,不同的输入参数将导致结果的差异,因此,参数选择的合理性是决定结论可靠程度的前提．2.3 地形因素地形是指地表以上分布的固定性物体共同呈现出的高低起伏状态,地形的不同将导致区域气象条件、土壤养分和水分的差异,从而影响植被的种类、数量和长势,在一定程度上决定植被净初级生产力的大小．常用的地形因子包括海拔高度、坡度和坡向等．研究结果显示,当海拔高度较低时,植被的NPP随高度的增加呈上升趋势,当到达某一值时,随着海拔高度的增加上升趋势逐渐减少,甚至可能出现NPP的下降．坡向不同决定着地表接收太阳辐射的数量以及地面与盛行风向的交角,一般,北坡的NPP最大,其次为西北和东北坡向的,因此阴坡更有利于植被净初级生产力的增加．坡度的影响则较为复杂,由于研究区域的坡度范围及分级的不同,NPP随坡度的变化规律也不尽相同.例如:李素英等对锡林浩特典型草原区进行研究[30]，认为NPP随坡度的增大而增大;常学礼的研究显示[31]，呼伦贝尔辉河湿地保护区草甸草原的NPP随坡度的增加而减少;李国亮通过对黑河上游草地NPP的研究提出，NPP随坡度呈现波动变化的特点[32]．2.4 土地利用人类自出现以来就开始对土地进行开发利用,并从自身的目的出发赋予土地不同的用途,可以说土地利用类型是与人类活动最为密切的NPP影响因素,同时也是改善环境、恢复植被最直接、有效的途径．文献显示,目前的研究主要围绕以下2个方面展开:一是不同土地利用类型的植被NPP.Goetz等通过GLO-PEM2模型对NPP 进行模拟[33],认为1987—1994年全球不同土地利用下的净初级生产力随土地覆被变化具有较明显的空间分布差异．对于不同土地利用类型的净初级生产力,虽然林地的NPP居于首位已成不争的事实,但耕地与草地的NPP谁大谁小,在不同的研究区域有不同的结论．韩艳飞等通过关天经济区植被的NPP研究，发现林地的NPP最大[34],其次依次为草地、耕地、建设用地．而李军玲等的研究认为耕地的NPP要大于草地的[35—36]．二是土地类型转换导致的NPP变化,以及由此产生的生态环境问题．Imhoff等进行了城市化对植被生产力影响的研究[37],指出美国城市化导致NPP减少,仅从城市化占用农业用地引起的NPP减少就能维持约6%美国人的能量需求．Bakker等进一步指出当城市化发生在土地生产力较高的地区时[38],这种影响更为突出．徐昔保等分析发现[39]，2000—2007年太湖流域的NPP从16.4 ×1012g(以碳的质量计算)减少到14.2 ×1012g(以碳的质量计算),NPP减少的主导因素为城市化扩展迅速.此外,土地整治、油菜及小麦种植比例下降有助于NPP增加,退耕还林在短期内可减少区域的NPP,但长期有助于NPP增长．3 结语随着大范围、连续性监测的需要,陆地植被净初级生产力的估算也从传统的样地实测向模型应用发展,其中，光能利用模型中的CASA模型,由于形式简单、输入参数易于获取,近年来得到了广泛应用,特别是在草地生态系统NPP估算中使用频率较高[40-42];过程模型具有机理明确、可靠性高的特点,但是驱动模型所需的参数较多,获取相对困难,使其应用受到一定限制．将光能利用模型与过程模型相结合,综合运用气象数据、土壤数据和遥感数据,在保证机理性的前提下,提高模型的适用性,具有较好的发展前景．NPP除受自然因素影响外,还受到诸如土地利用等人类活动的影响,由于人为因素难以定量化、相关研究积累较少,在以往的模型中均较少涉及,未来NPP估算应加强对人类活动的关注．参考文献：【相关文献】[1] 龙慧灵,李晓兵,王宏,等.内蒙古草原区植被净初级生产力及其与气候的关系[J].生态学报,2010,30(5):1367-1378.[2] LIETH H, WHITTAKER R H.Primary Productivity of the Biosphere[M].New York: Springer Berlin Heidelberg,1975.[3] 王宗明,梁银丽.植被净第一性生产力模型研究进展[J].干旱地区农业研究,2002,20(2):104-107.[4] 朱志辉.自然植被净第一性生产力估计模型[J].科学通报,1993,38(15):1422-1426.[5] 周广胜,张新时.自然植被净第一性生产力模型初探[J].植物生态学报,1995,19(3):193-200.[6] 王胜兰.基于5种气候生产力模型的乌鲁木齐地区NPP计算分析[J].沙漠与绿洲气象,2008,2(4):40-44.[7] 朱文泉,潘耀忠,张锦水.中国陆地植被净初级生产力遥感估算[J].植物生态学报,2007,31(3):413-424.[8] 陈正华,麻清源,王建,等.利用CASA模型估算黑河流域净第一性生产力[J].自然资源学报,2008,23(3):263-273.[9] 陈峰,李红波,刘亚静.基于GIS和CASA 的滇南山区植被NPP时空分异及其影响因素——以云南省元阳县为例[J].生态学杂志,2018,37(7):2148-2158.[10] 李可相,周焱,周运超,等.基于CASA模型的长顺县夏季NPP时空格局[J].山地农业生物学报,2017,36(4):85-90.[11] 董丹,倪健.利用 CASA 模型模拟西南喀斯特植被净第一性生产力[J].生态学报,2011,31(7):1855-1866.[12] 王保林,王晶杰,杨勇,等.植被光合有效辐射吸收分量及最大光能利用率算法的改进[J].草业学报,2013,22(5):220-228.[13] 李传华,范也平,曹红娟,等.基于CASA模型的植被第一性生产力人为影响定量研究——以石羊河流域为例[J].干旱区地理,2018,41(1):142-151.[14] 张美玲,蒋文兰,陈全功,等.基于CSCS改进CASA模型的中国草地净初级生产力模拟[J].中国沙漠,2014,34(4):1150-1160.[15] 郑凌云.基于卫星遥感与BEPS生态模式的藏北草地变化及NPP动态研究[D].北京:中国气象科学研究院,2006.[16] 亓伟伟,牛海山,汪诗平,等.增温对青藏高原高寒草甸生态系统固碳通量影响的模拟研究[J].生态学报,2012,32(6):1713-1722.[17] 胡波,孙睿,陈永俊.遥感数据结合Biome-BGC模型估算黄淮海地区生态系统生产力[J].自然资源学报,2011,26(12):2061-2071.[18] 江洪,汪小钦,孙为静.福建省森林生态系统NPP的遥感模拟与分析[J].地球信息科学学报,2010,12(4):580-586.[19] 王军邦,刘纪元,邵全琴,等.基于遥感-过程耦合模型的1988—2004年青海三江源区净初级生产力模拟[J].植物生态学报,2009,33(2):254-269.[20] 丁庆福,王军邦,齐述华,等.江西省植被净初级生产力的空间格局及其对气候因素的响应[J].生态学杂志,2013,32(3):726-732.[21] 刘军会,髙吉喜.气候和土地利用变化对中国北方农牧交错带植被覆盖变化的影响[J].应用生态学报,2008,19(9):2016-2022.[22] 蒋冲,王飞,穆兴民,等.气候变化对渭河流域自然植被净初级生产力的影响研究(Ⅱ)——渭河流域自然植被净初级生产力的研究[J].干旱区资源与环境,2013,27(5):53-57.[23] 陈旭,林宏,强振平.中国南部样带植被NPP与气候关系[J].生态环境,2008,17(6):2281-2288.[24] 蔡雨恋,郑有飞,王云龙,等.利用改进的CASA模型分析三江源区净植被生产力[J].南京信息工程大学学报:自然科学版,2013,5(1):34-42.[25] И.Ю.Локшина.刘树泽，译.大气中浓度倍增时植被生产力的变化[J].气象科技,1987(3):66-69.[26] 毛德华,王宗明,罗玲,等.1982—2009年东北多年冻土区植被净初级生产力动态及其对全球变化的响应[J].应用生态学报,2012,23(6):1511-1519.[27] 范敏锐,余新晓,张振明,等.CO2倍增和气候变化对背景山区栓皮栎林NPP影响研究[J].生态环境学报,2010,19(6):1278-1283.[28] 彭俊杰,何兴元,陈振举,等.华北地区油松林生态系统对气候变化和CO2浓度升高的响应——基于Biome-BGC模型和树木年轮的模拟[J].应用生态学报,2012,23(7):1733-1742.[29] 张文海,吕锡芝,余新晓,等.气候和CO2变化对北京山区油松林NPP的影响[J].广东农业科学,2012,(6):4-6.[30] 李素英,常英,王秀梅,等.地形对典型草原区净第一性生产力的生态影响[J].中国草地学报,2013,35(2):59-63.[31] 常学礼,吕世海,冯朝阳,等.地形对草甸草原植被生产力分布格局的影响[J].生态学报,2015,35(10):1-13.[32] 李国亮,赵军.黑河流域上游草地NPP分布及其与地形因子的关系分析[J].甘肃科技,2013,29(21):30-32.[33] GOETZ S J, PRINCE S D, GOWARD S N, et al.Satellite remote sensing of primary production: An improved production efficiency modeling approach[J].Ecological Modelling,1999,122(3): 239-255.[34] 韩艳飞,柯长青,李晶.近30年关天经济区植被净初级生产力对土地利用变化的动态响应[J].干旱区资源与环境,2014(6):68-74.[35] 李军玲,陈怀亮,邹春辉,等.1994—2008年河南省植被净第一性生产力及其时空变化[J].生态环境学报,2011(10):1424-1429.[36] 戴靓,彭慧,吴绍华,等.苏南地区净第一性生产力对土地利用变化的响应[J].土壤,2013,45(3): 565-571.[37] IMHOFF M L, TUCKER C J, LAWRENCE W T, et al.The use of multisource satellite and geospatial data to study the effect of urbanization on primary productivity in the United States[J].IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6): 2549-2556. [38] BAKKER M M, GOVERS G, van DOORN A, et al.The response of soil erosion and sediment export to land-use change in four areas of Europe: The importance of landscape pattern[J].Geomorphology, 2008, 98(3/4): 213-226.[39] 徐昔保,杨桂山,李恒鹏.太湖流域土地利用变化对净初级生产力的影响[J].资源科学,2011,33(10):1940-1947.[40] 苏日娜，俎佳星，金花，等. 内蒙古草地生产力及载畜量变化分析[J]. 生态环境学报， 2017，26(4)： 605-612.[41] 黄露，周伟，李浩然，等. 土地利用/覆被变化对鄂尔多斯市草地生态系统净初级生产力的影响[J]. 水土保持通报，2018，38(4)：46-59.[42] 杜梦洁，郑江华，任璇，等. 地形对新疆昌吉州草地净初级生产力分布格局的影响[J]. 生态学报，2018，38(13)：4789-4799.。
NPP数据的总结
NPP数据的总结引言概述：NPP（Net Primary Productivity）是指生态系统中植物通过光合作用将光能转化为有机物质的速率。
NPP数据是对生态系统生产力的重要衡量指标，对于了解生态系统的功能和生物多样性具有重要意义。
本文将对NPP数据进行总结，分析其在环境科学和生态学研究中的应用。
一、NPP数据的来源1.1 卫星遥感数据卫星遥感技术可以获取大范围、高分辨率的植被信息，从而计算NPP。
卫星遥感数据可以提供长期序列的NPP数据，方便研究者进行长期趋势分析和摹拟模型验证。
1.2 气象站观测数据气象站观测数据包括温度、降水、光照等气象因素的观测数据。
这些数据可以用于计算NPP的生理生态模型，通过模型摹拟和预测生态系统的NPP。
1.3 土壤样本分析数据土壤样本分析数据可以提供土壤养分含量、有机质含量等信息，这些因素对NPP有重要影响。
通过采集土壤样本并进行分析，可以更准确地估算生态系统的NPP。
二、NPP数据的应用2.1 生态系统功能研究NPP数据可以用于评估生态系统的功能，包括碳循环、能量流动和物质转化等。
通过分析NPP数据，可以了解生态系统的生产力水平，评估生态系统对环境变化的响应能力。
2.2 气候变化研究NPP数据可以用于研究气候变化对生态系统的影响。
通过对照不同时间段的NPP数据，可以分析气候变化对生态系统生产力的影响程度和趋势，并预测未来的变化。
2.3 生物多样性保护NPP数据可以作为评估生物多样性保护效果的指标之一。
高NPP值通常与生物多样性丰富的生态系统相关，因为生态系统生产力的增加可以提供更多的生境和资源，有利于物种的繁衍和生存。
三、NPP数据的局限性3.1 缺乏地面观测数据验证虽然卫星遥感技术可以提供大范围的NPP数据，但仍需要地面观测数据进行验证。
缺乏地面观测数据可能导致NPP数据的不许确性和误差。
3.2 数据获取和处理的复杂性获取和处理NPP数据需要专业的技术和软件支持。
NPP数据的总结
NPP数据的总结一、引言NPP（Net Primary Productivity）是指生态系统中植物通过光合作用固定的净初级生产量，是生态系统的重要指标之一。
本文旨在对NPP数据进行总结和分析，以便更好地了解生态系统的生产力和环境变化的影响。
二、数据来源本次总结所使用的NPP数据来自全球生态系统动态监测网络（GEDN）的数据库，该数据库采集了全球范围内的NPP观测数据，并提供了多个生态系统类型的数据。
三、数据处理与分析1. 数据筛选从数据库中选择了2022年至2022年的NPP数据，并排除了缺失值和异常值，以确保数据的准确性和可靠性。
2. 数据统计对筛选后的数据进行统计分析，包括求取年均NPP、最大NPP和最小NPP等指标。
下面是对全球范围内NPP数据的总结结果：- 年均NPP：根据统计结果，2022年至2022年的全球年均NPP约为X单位，呈逐年增加的趋势。
其中，亚热带地区的年均NPP最高，达到X单位，而极地地区的年均NPP最低，仅为X单位。
- 最大NPP：在观测期间，全球范围内的最大NPP浮现在2022年，达到X单位。
最大NPP主要集中在热带和亚热带地区，这与气候条件和植被类型密切相关。
- 最小NPP：观测期间的最小NPP浮现在2022年，仅为X单位。
最小NPP主要分布在极地地区和沙漠地带，这些地区的气候条件和土壤质量限制了植物的生长。
3. 数据可视化为了更直观地展示NPP数据的变化趋势，我们绘制了全球范围内年均NPP的时间序列图和地理分布图。
时间序列图显示了2022年至2022年NPP的年度变化情况，地理分布图则展示了各地区NPP的空间分布特征。
四、结论与讨论通过对NPP数据的总结和分析，我们得出以下结论：1. 全球范围内的年均NPP呈逐年增加的趋势，这可能与气候变暖和人类活动的影响有关。
2. 热带和亚热带地区的NPP较高，说明这些地区的生态系统生产力较强。
3. 极地地区和沙漠地带的NPP较低，这可能是由于极端气候条件和土壤质量的限制。
NPP数据的总结
NPP数据的总结概述：本文旨在对NPP（净初级生产力）数据进行总结和分析。
NPP是指植物在光合作用过程中通过光能转化为有机物质的速率，是生态系统中能量流动的重要指标。
通过对NPP数据的分析，可以深入了解生态系统的能量转化和生产力水平，为环境保护和生态管理提供科学依据。
一、NPP数据来源和收集方法1. 数据来源：NPP数据的来源可以包括遥感数据、实地观测数据、模型模拟数据等多种途径。
2. 数据收集方法：遥感数据可以通过卫星遥感技术获取，实地观测数据可以通过设置观测点、采样和测量等方式获得，模型模拟数据则是通过建立生态系统模型进行模拟计算得出。
二、NPP数据的分析指标1. 年度总NPP：对某一特定地区或生态系统在一年内的总NPP进行统计和分析，反映了该地区或生态系统的整体生产力水平。
2. 季节变化：对NPP数据按季节进行分析，了解不同季节生态系统的生产力变化情况，发现季节性差异和规律性变化。
3. 空间分布：通过对NPP数据进行空间分析，了解不同地区或不同生态系统的生产力差异，找出高产区和低产区，为生态管理和资源配置提供参考。
4. 影响因素：分析NPP数据与环境因素（如气候、土壤、植被类型等）的关系，探讨影响NPP变化的主要因素，为生态系统的保护和恢复提供科学依据。
三、NPP数据分析案例以某地区的NPP数据为例进行分析：1. 年度总NPP分析：根据数据统计，该地区的年度总NPP为XXXX单位。
与历史数据对比发现，年度总NPP呈逐年增加趋势，可能与气候变暖和植被恢复有关。
2. 季节变化分析：将NPP数据按季节进行划分，发现春季和夏季的NPP较高，秋季和冬季的NPP较低。
这可能与气温、降水量和光照等因素的变化有关。
3. 空间分布分析：通过空间分析，发现该地区东部和南部的NPP较高，而西部和北部的NPP较低。
这可能与土壤质地、植被类型和人类活动等因素有关。
4. 影响因素分析：通过回归分析，发现气温和降水量是影响NPP变化的主要因素，温度升高和降水增加会促进NPP的增长。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
29卷第6期2007年11月资 源 科 学RES OURCES SCIE NCE V ol.29,N o.6N ov.,2007文章编号:1007-7588(2007)06-0045-09收稿日期:2007-02-14;修订日期:2007-09-17基金项目:国家973计划:“中国陆地生态系统碳循环及其驱动机制研究”(编号:2002C B412501);中国科学院创新团队国际合作伙伴计划:“人类活动与生态系统变化”(编号:CXT D 2Z 200521);中国科学院知识创新工程重要方向项目(编号:K ZCX 22Y W 230523)。
作者简介:陈斌,男,福建福州人,硕士,主要从事全球变化与生态学方面研究。
E 2m ail :chenb.04s @通讯作者:王绍强,E 2mail :sqwang @中国陆地生态系统NPP 模拟及空间格局分析陈 斌1,2,王绍强1,刘荣高1,宋 婷1,3(11中国科学院地理科学与资源研究所,北京 100101;21中国科学院研究生院,北京100049;31南京师范大学,南京 210097) 摘 要:本研究利用基于光能利用率理论的区域尺度遥感参数模型(C 2Fix 模型)估算了2003年中国陆地生态系统NPP ,并对其空间格局进行了分析。
模型输入数据包括叶面积指数数据(LAI )、中国地面气象站的逐日气温数据、逐日降水数据和太阳总辐射数据、数字高程模型(DE M )等,模型输出数据的空间分辨率均为1km 2,时间步长为1天。
模拟结果表明:2003年中国陆地总NPP 和平均NPP 分别为4137Pg C 和640132g C Π(m 2·年),NPP 的主要分布趋势是:从东南沿海向西北逐渐减小;其中海南岛南部、云南西南部和南部、青藏高原东南部的热带雨林和季雨林地区年NPP 最大,在1800g ～2500g C Π(m 2·年)之间;青藏高原和新疆绝大部分地区,一般在100g C Π(m 2·年)以下;西部塔克拉玛干沙漠地区植被稀疏,植被NPP 不足5g C Π(m 2·年)。
C 2Fix 模型进一步发展需要考虑不同土地覆被类型(比如,森林、草地、农田等)的生物物理和生物地球化学性质的变异性,以减少模型估算结果的不确定性。
关键词:净初级生产力;C 2Fix 模型;遥感;中国1 引言自1970年以来,陆地生态系统碳循环已成为全球科学研究的焦点,1992年以来的世界环境和发展大会、《联合国气候变化框架公约》以及《京都议定书》等也引发了对陆地生态系统碳循环研究的高潮,许多科学家在此领域做出了巨大的努力[1,2]。
NPP 定义为单位时间单位面积上植被所积累的有机物质的总量,是光合作用所吸收的碳和自养呼吸所释放的碳之间的差值[3]。
NPP 不仅是生态系统过程的关键调控因子,而且是陆地生态系统碳汇的主要决定因子[4]。
国际上大规模的NPP 研究开始于20世纪60年代。
比如20世纪60年代初期到70年代中期执行的国际生物圈计划(I BP ),它针对世界上一些主要生态系统的物质循环和生物生产力开展了许多观测和实验工作,并建立了大量的模型,用系统分析的手段进行了生态系统功能过程的研究[2]。
随后的人与生物圈计划(M AB )和国际地圈生物圈计划(IG BP )也一直把NPP 的研究作为生态学研究的热点[2]。
伴随着I BP 、M AB 和IG BP 计划的推动,全球开展了大量长期定位观测和模型模拟研究,而且研究手段不断完善和创新,从最初传统的生态测量到遥感(RS )、地理信息系统(GIS )、全球定位系统(G PS )等多技术支持的实现;数据源亦不断扩大,从最初简单的实地测量数据至海量遥感、GIS 和定位观测等多源数据的应用;空间尺度从个体、斑块尺度扩展到景观、区域乃至全球尺度[5]。
我国陆地生态系统生产力的主要研究始于20世纪70年代,随着三大国际生物学计划的实施和推动,发展比较迅速,开展了陆地生态系统生产力的测定和研究工作[6,7]。
1988年,中国科学院建立了中国生态系统研究网络(CERN ),网络包括了农田、森林、草地、沙漠、沼泽、湖泊、海洋等不同生态系统的试验站,针对植被生产力进行了长时间的生态系统监测和定点定位观测[5]。
2002年,中国陆地生态系统通量观测研究网络(ChinaFlux )成立,采用微气象学的涡度相关技术和箱式Π气相色谱技术,开展更加精确的生态系统生产力长期观测研究。
在大量生产力测定和通量观测工作的基础上,研究人员进行了生产力的模型模拟和空间格局分析。
例如,朴世龙、方精云等利用C AS A 模型估算了我国1997年植被NPP及其空间分布[8],陶波等应用CE VS A模型估算了1981年～1998年中国陆地生态系统NPP的时空变化[9],冯险峰等利用BEPS模型估算了我国2001年陆地生态系统NPP[10],卢玲等利用C2Fix模型估算了2002年中国西部地区植被净初级生产力的时空格局[11],崔林丽等利用G LO2PE M模型对1981年～2000年间中国陆地净初级生产力的季节变化进行了研究[12],何勇等利用植被与大气相互作用模式(AVI M)对现代中国陆地生态系统NPP的分布进行了模拟,并估算了全国NPP的碳总量[13]。
目前,国内利用各种模型对中国陆地生态系统的净初级生产力的现实时空分布格局做了很多的工作,所采用的模型有统计模型、参数模型以及机理过程模型。
研究的空间尺度有区域的,也有全国的。
本研究旨在通过Veroustraete等开发的C2Fix模型[14],利用气温、降水、入射太阳总辐射数据和遥感数据等多源数据,从资源平衡的角度探求碳循环过程点到面的尺度转换方法,分析中国陆地生态系统NPP的现实时空分布格局特征,并与其他模型的模拟结果进行比较,为评价中国陆地碳源Π汇在全球中的地位和作用提供科学依据,也为我国参与《联合国气候变化框架公约》和《京都议定书》的外交谈判提供必要的数据。
2 C2Fix模型 由Frank Veroustraete等建立的C2Fix模型由气温、太阳辐射和植被冠层吸收的光合有效辐射比例(fA P AR)3个变量驱动[14]。
C2Fix模型的总的技术流程见图1。
对于给定的点或单个像元,C2Fix模型用公式(1)计算每日的NPP的值,NPP单位为g CΠ(m2·日):N PP d=p(T atm)·CO2fert·ε·fA P AR·c·sg,d·(1-A d)(1)式中:p(Tatm )为N PPd的归一化的气温依赖性[14];C O2fert为标准化的C O2施肥因子[14];ε为辐射利用效率(RUE),等于1110g CΠM J[14]。
式(1)各项含义及其单位见表1。
气温依赖性因子p(Tatm )代表了N PPd归一化的气温依赖性。
它考虑了光合作用Rubisco水平的羧化Π氧化反应的热力学性质,它与C O2施肥因子(C O2fert)一起共同考虑了Rubisco水平的C O2固定反应的C O2和O2依赖性[14]。
ε是形成干物质产量 图1 C2Fix模型总的技术路线Fig11 T echnique flow of C2Fix m odel表1 公式(1)中各项的数值及单位T able1 The terms,their signi ficance and units in Equ ation(1)公式项说明单位c气候效率系数,取0148p(T atm)归一化的气温依赖性因子,取值范围0～1C O2fert标准化的C O2施肥因子,无施肥效应,取值为1;有施肥效应取值大于1。
fAP AR植被冠层吸收的光合有效辐射比例ε辐射利用效率(RUE),取值111[g CΠM J]S g,d逐日入射太阳总辐射[M JΠ(m2·日)]A d自养呼吸比例R h,d异养呼吸[g CΠ(m2·日)]的PAR波段辐射利用效率(RUE)。
ε取2145g DMΠM J,取碳与干物质比率为0145使干物质转换为碳。
因此,ε为111g CΠM J[14]。
吸收的PAR的单位为: M JΠ(m2·日)。
A d是被自养呼吸消耗的光合同化物占原光合同化物的比率。
Ad的计算基于G oward和Dye (1987)的经验公式[15]。
fA P AR是植被冠层吸收的光合有效辐射比例,它通过描述fA P AR和叶面积指数(LAI)之间关系的经验模型计算[16]:fA P AR=9315·[110-exp(-0190·LAI)](2) 方程(1)中的温度依赖性因子p(Tatm)是用落叶林和松树林的数据来确定参数[17～19]:p(T atm)=e C1-ΔHa,PRgT1+eΔST-ΔHd,PRgT(3) 表2列出了温度函数(3)的参数。
这个函数在一个特定的温度下有一个最大值1。
以上方程中的大部分参数根据树种的不同会有不同的取值。
C2Fix模型是对欧洲3个不同树种的64资 源 科 学29卷第6期参数值取平均[14]。
Veroustraete定义C O2施肥为由于C O2水平高于大气背景水平(或参考水平)而引起碳同化的增加[14]。
在C2Fix模型中采用如下公式计算C O2施肥效应因子(C O2fert)C O2fert=[C O2]-[O2]2τ[C O2]r ef-[O2]2τK m1+[O2]K0+[C O2]r efK m1+[O2]K0+[C O2](4) 方程(4)中的各参数含义及单位见表3。
从以上方程可以看出,C O2施肥效应独立于V max。
在C2Fix模型计算中,没有考虑叶肉与大气间的C O2梯度,例如气孔控制[14]。
根据Badger和C ollatz(1976),亲和系数K m和K0表示一种温度依赖性(根据Arrhenius关系),它们的计算公式如下:K m=Ae(-E aΠR g T)(5) 温度依赖性表现出两个阶段,于是根据温度条件,两组参数被用于模型中[21]:如果T≥15℃,则E a1=5914k JΠm ol,A1=24119×1012。
或者,当T< 15℃,则E a2=10916k JΠm ol,A2=19716×1020。
O2的抑制常数K0也是根据方程(5)的形式进行计算,其中A=8240,E a0=1391315。
C O2ΠO2的特征比率τ计算如下:τ=Aτe(-E aτ/R g T)(6)式中:Aτ=01787×10-4,Eaτ=-4286919表4列出了用于模拟C O2施肥效应的25℃时的参数值。