浙江省植被生态质量时空变化及其驱动因素分析

图1 浙江省2020年土地覆盖和数字高程及气象站点分布

Fig.1 Land cover in 2020 and digital elevation and district and county representative meteorological station distribution over Zhejiang Province

2 数据处理和方法

2.1 数据源

2.1.1 MODIS卫星资料

本文使用的卫星遥感资料主要包括2000—2020年Terra/MODIS卫星MOD13Q1数据集中NDVI产品,产品轨道号为H28V05和H28V06,2幅遥感影像通过拼接可覆盖浙江省全境。MOD13Q1数据空间分辨率为250 m,时间分辨率为16 d,并利用国际通用的最大合成法获取月NDVI数据^[22]。年NDVI为通过逐月NDVI均值计算得出,可表示当年植被的平均生长状况。

2.1.2 气象观测资料

同期气象观测资料由浙江省气候中心提供,浙江省各区县代表气象站点分布如图1(b)所示。首先选取浙江省2000—2020年有完整记录的气象观测站逐日气温、降水数据,将各站点日观测要素合成,建立月均值的长时间序列气候要素,再对71个站点月资料计算均值,在ArcGIS平台下利用反距离权重插值法(inverse distance weighting,IDW)生成全省1 km的网格数据作为整个研究区的气候月均值。

2.2 研究方法

2.2.1 植被NPP遥感估算

本文采用MODIS卫星 NDVI月合成产品和气象观测数据,根据植被光能利用原理由陆地生态系统碳通量模型(terrestrial ecosystem carbon flux model,TEC)计算月植被NPP^[23-24]。TEC模型是基于MODIS卫星遥感资料和气候数据,通过引入一个新的水分胁迫因子并结合降水驱动蒸散发模型建立的。TEC模型具有计算简便、模型因子获取简单和符合中国植被实际情况等特点,具有较高的应用价值^[22]。NPP计算公式为:

(1)

N P P_{m n} = G P P_{m n} - R_{m n}

(2)

G P P_{m n} = ε_{m n} \cdot T_{ε} \cdot W_{ε} \cdot F P A R \cdot P A R_{m n}

式中: $N P P_{m n}$ 为第m年第n月的植被净初级生产力; $G P P_{m n}$ 和 $R_{m n}$ 分别为第m年第n月的总初级生产力和呼吸消耗量; $ε_{m n}$ 为最大光能利用率; $T_{ε}$ 为温度胁迫因子; $W_{ε}$ 为水分胁迫因子; FPAR为植被吸收光合有效辐射的比例; $P A R_{m n}$ 为第m年第n月的光合有效辐射,式中各参数计算方法和取值可参考TEC模型。

本文研究的浙江省NPP为每年12个月的累加值,可由下式进行计算:

(3)

N P P_{m} = \overset{12}{\sum_{n = 1}} N P P_{m n}

式中: $N P P_{m}$ 为第m年陆地植被NPP,gC/m²; n为第m年的月序。

2.2.2 FVC遥感估算

FVC指植被冠层垂直投影占统计区剖面积的百分比,是衡量区域生态环境状况的重要指标。本文利用MODIS NDVI月合成数据,根据混合像元分解法进行计算,公式如下:

(4)

F V C_{m n} = \frac{N D V I_{m n} - N D V I_{s o i l}}{N D V I_{v e g} - N D V I_{s o i l}} \times 100 %

式中: $F V C_{m n}$ 为第m年第n月的FVC合成值; $N D V I_{m n}$ 为第m年第n月的NDVI合成值; $N D V I_{s o i l}$ 为像元为纯裸土时的值; $N D V I_{v e g}$ 为像元为纯植被时的值。根据我国植被特点,本研究 $N D V I_{s o i l}$ 和 $N D V I_{v e g}$ 的取值分别为0.05和0.95^[11]。

由于本文采用NDVI资料是MODIS卫星月合成产品,因此式(4)计算的月FVC反映的是月地表被绿色植被覆盖的程度。我国南北气候差异大,北方植被有明显的越冬期,冬季无森林的地区 $F V C_{m n} \approx 0$ ,有森林的地区 $F V C_{m n} > 0$ 。尽管北方植被一年四季绿色程度变化较大,但有森林区域的植被覆盖度在同一时间高于无森林区域,FVC可以反映有森林和无森林区域的植被覆盖变化。因此,全年地表被绿色植被覆盖的总体状况用12 个月的平均FVC来反映,其计算公式为如下:

(5)

F V C_{m} = \frac{\overset{12}{\sum_{n = 1}} F V C_{m n}}{n}

式中, $F V C_{m}$ 为第m年全年平均FVC; n为第m年的月序。

2.2.3 植被生态质量指数遥感估算

植被NPP 和FVC是反映陆地生态系统服务功能的2个最基本特征量,也是反映植被生态质量的关键特征量。然而,无论用植被NPP,还是用植被覆盖度,只能反映陆地生态系统服务功能或植被生态质量的一个方面,即生产能力或覆盖能力。本文基于MODIS卫星植被FVC和NPP资料,采用权重加权的方式构建了浙江省VEQI模型,以此评估浙江省植被生态质量的时空分布特征。植被生态质量指数计算公式可表示为:

(6)

V E Q I = 100 \times [f_{1} \cdot F V C \cdot f_{2} (\frac{N P P}{N P P_{m a x}})]

式中: VEQI为全年植被综合生态质量指数,取值在0~100之间,其值越大表示综合了植被NPP和覆盖能力的植被生态质量越好,VEQI=0说明植被NPP为0,植被覆盖度也为0,VEQI=100说明植被NPP达历年最高,覆盖度为100%; $N P P_{m a x}$ 为全年植被NPP最高值,即当地气象条件最好情况下的陆地植被NPP; $f_{1}$ 和 $f_{2}$ 分别为陆地FVC和NPP的权重系数,其值可根据不同的植被类型进行调整。本文选用 $f_{1} = f_{2} = 0.5$ ,该权重系数取值方式在计算全国植被VEQI时空分布特征中取得了良好的应用^[19]。

VEQI是由植被NPP和FVC采用权重加权方式计算而来,因此VEQI也应由12 个月的平均值反映,其计算公式为:

(7)

V E Q I_{m} = \frac{\overset{12}{\sum_{n = 1}} V E Q I_{m n}}{n}

式中: $V E Q I_{i}$ 为第m年全年平均FVC; n为第m年的月序。

2.2.4 植被生态参数变化趋势评价模型

植被生态参数变化趋势评价模型以植被生态要素(FVC,NPP和VEQI)为因变量、年为自变量,建立一元线性方程,其中斜率反映植被综合生态质量指数多年变化的趋势和快慢程度,一元线性方程表示为:

(8)

Q_{m} = k c_{m} + d

式中: $Q_{m}$ 为某一时间序列内的第m年植被生态要素; $c_{m}$ 为相应年限内的第m年年号; d为常数项,表示初始年份的FVC,即斜距; k为该年限内的植被生态要素 $Q_{m}$ 随 $c_{m}$ 的变化趋势率,即斜率; 其计算公式为:

(9)

k = \frac{t \overset{t}{\sum_{m = 1}} (c_{m} Q_{m}) - Q_{m} \overset{t}{\sum_{m = 1}} c_{m}}{t \overset{t}{\sum_{m = 1}} c_{m}^{2} - {(\overset{t}{\sum_{m = 1}} c_{m}^{2})}^{2}}

式中: t为要评价的年限数,本文评价的年限是2000—2021年,因此t=21。 $k > 0$ 表明植被生态要素在此21年呈提高(改善)趋势, $k < 0$ 表明呈下降趋势, $k = 0$ 则表明变化趋势不明显。

2.2.5 多元回归残差分析

气候因子(降水、气温)与人类活动是影响年际间植被生态质量变化的重要因素。近年来,学者们已利用残差模型对不同植被生态参量进行了人类活动和气候变化驱动力分析研究^[25⇓-27]。在本文多元回归残差分析模型中,使用气温和降雨作为气候因子来模拟仅受气候变化影响下的植被生态质量。根据残差理论,模拟出的与观测得到的植被生态质量指数的插值,即为仅受人类活动影响下的植被生态质量。利用多元残差分析模型探究气候因子与人类活动对VEQI的影响及相对贡献度方法如下: ①以气温和降雨栅格数据为自变量,VEQI为因变量,建立多元线性回归模型; ②基于拟合出的回归模型,以及气温和降雨数据计算出VEQI的模拟值(VEQI_CC),以此来表示气候因子对VEQI的影响; ③以VEQI残差(VEQI_HA),即VEQI真值与VEQI模拟值之间的差值,来表征人类活动对VEQI的影响。计算公式为:

(10)

V E Q I_{C C} = a T + b P + c

(11)

V E Q I_{H A} = V E Q I_{o b s} - V E Q I_{C C}

式中: VEQI_CC为VEQI在气温与降雨影响下的模拟值; T和P分别为气温和降雨; a,b,c为拟合系数; VEQI_HA为残差; VEQI_obs为遥感数据计算出的植被生态环境质量。

3 结果与分析

3.1 NDVI和FVC时空变化

FVC是衡量地表植被生长状况的重要指标。本文中FVC由MOD13A1产品经全年月均值计算得到。

图2为浙江省2000—2020年逐年植被NDVI和FVC变化趋势。图中可以看出,浙江省植被NDVI和FVC均呈增高趋势,且二者具有良好的一致性。2020年全省NDVI年均值达0.65,为2000—2020年间最高值,相较于2000年(0.57)增长了0.08。与此同时,2020年全省FVC年均值达67.3%,为20 a间最高,相较于2000年(58.7%)增加了8.6百分点。图3所示为分别为2000年、2005年、2010年、2015年和2020年浙江省FVC空间分布。图中可以明显看出,2020年浙江省西部和南部海拨较高的山地区域FVC较2000年显著提升。2000年山地区域FVC多在55%~60%之间,2020年则多在60%~70%之间,全省森林“绿度”显著提升。然而,随着城市化进程的加快,在海拔较低的城镇区域FVC呈降低趋势,如全境位于杭嘉湖平原的嘉兴市2020年FVC(47.1%)较2000年(47.7%)降低了0.6百分点。

图2

图2 2000—2020年浙江省植被NDVI和覆盖度趋势

Fig.2 Variation of NDVI and FVC in Zhejiang Province from 2000 to 2020

图3

图3 浙江省2000—2020年FVC均值和改善率空间分布

Fig.3 Average value and improvement of FVC in Zhejiang Province from 2000 to 2020

图3为浙江省2000—2020年FVC均值和改善率的空间分布,由图3(a)可知,近20 a间浙江省山区FVC均值明显高于盆地和平原地区,山地区域FVC多在70%以上,盆地和平原多在40%~50%之间,城镇区域多在40%以下。由图3(b)可知,2000—2020年浙江省大部分区域FVC呈显著增长趋势,增加和减少趋势的陆地像元分别占72%和29%,其中山地区域涨幅最为显著(50%~75%)。然而,随着城市化进程的加快,城镇人口密集区域的FVC显示出降低趋势,特别是杭嘉湖城市群、宁波、台州和温州城市及周边地区。总体结果显示,浙江地区近2000—2020年FVC显著增长趋势,这与浙江省实施的生态保护工程有着密切联系,而浙江城市及周边地区的FVC出现明显下降。

3.2 植被NPP时空变化

图4为2000—2020年浙江省年际累加植被NPP时间变化趋势。从中可以看出,浙江省2000—2020年间植被NPP呈波动上升趋势,全省年植被NPP最大和最小值为1 010.3 gC/m²和868.4 gC/m²,分别出现在2018年和2003年。2000—2020年全省植被NPP平均值为942.4 gC/m²,其中2020年全省年植被NPP为964.1 gC/m²,较2000年(897.6 gC/m²)增长了66.5 gC/m²。由2000—2020年浙江省植被NPP均值空间分布来看(图5),全省大部分区域植被NPP在500~1 650 gC/m²之间。其中山地区域的NPP值较高,在800~1 250 gC/m²之间; 平原和盆地区域的NPP值在400~800 gC/m²之间; 而城镇及其周边地区NPP值相对较低,一般在500 gC/m²以下,这一方面是由于城镇地区建设面积比例较大,平均FVC较低,另一方面也是由于其周边多为农业植被,光能利用率相对较低引起的。

图4

图4 2000—2020年浙江省植被NPP变化趋势

Fig.4 Variation of NPP in Zhejiang from 2000—2020

图5

图5 2000—2020年浙江省植被NPP均值和变化趋势空间分布

Fig.5 Average value and variation trend spatial distribution of NPP in Zhejiang Province from 2000 to 2020

图5(b)为浙江省2000—2020年近20 a植被NPP变化率空间分布。对全省年总NPP进行逐像元的趋势分析,全区NPP平均值变化趋势线斜率为3.23 gC/m²。由图5(b)可以看出,全省大部分地区NPP变化趋势在0~5 gC/m²之间; 在绍兴南部、台州北部、和丽水北部等地区NPP明显呈上升趋势,部分地区上升趋势在5 gC/m²以上; 而在嘉兴市、杭州东部及台州东南部等地区NPP呈下降趋势,甚至部分地区下降趋势小于10 gC/m²。

3.3 VEQI时空变化

图6为2000—2020年浙江省VEQI变化趋势图。图中可以看出,近20 a浙江省VEQI呈波动上升趋势,平均VEQI值为64.9,最大值出现在2018年,为69.2。2000—2020年全省VEQI实现了“三级跳”,2017—2020年VEQI均值(68.2)较2007—2016年(65.4)和2000—2006年(62.7)2个阶段有明显提高。2003年全省VEQI为近20 a最低(60.9),较2002年降低约了4.1,其原因在于2003年浙江出现了严重干旱灾害,连续的高温少雨天气导致植被生态质量的下降。

图6

图6 2000—2020年浙江省VEQI变化趋势

Fig.6 Chang trend of the comprehensive ecological quality index of vegetation from 2000 to 2020 in Zhejiang Province

2000—2020年平均年VEQI空间分布表明(图7(a)),浙江省大部分地区VEQI在50以上。山地区域的VEQI较高,其值在[50,70)之间,其中丽水市庆元县山区VEQI达77.8; 平原和盆地区域的VEQI值在[40,60)之间; 而在城镇及周边地区的VEQI相对较低,一般在40以下。在2000—2020年浙江省11个地(市)平均VEQI排名中,排名前三的分别为丽水市(73.92)、温州市(68.1)和衢州市(65.87)。浙江省VEQI多年变化趋势率空间分布(图7(b))显示,2000—2020年全省超86%区域面积的VEQI呈提高态势,大部分区域平均每年增加0.25~0.5,其中绍兴南部和台州南部地区VEQI年平均速率在[0.5~0.75]之间。由于城市化进程的加快,近20 a浙江省部分城镇地区VEQI呈减少趋势,如杭州市、嘉兴市、宁波市和台州市部分城镇地区质量指数减少[0.5~0.75)之间。3.4 VEQI精度验证及驱动力分析大量研究显示,植被NPP和FVC的动态变化主要受人类活动和气候条件的共同影响^[6,8,10-11]。其中,气候变化尤其是气温、降雨的变化,对陆地植被的生长具有重要有影响。因此,本研究以气温和降雨作为主要气候因子,探究了浙江省2000—2020年VEQI的时空变化对气候以及人类活动的响应。

图7

图7 2000—2020年浙江省VEQI均值和变化趋势

Fig.7 Average value and variation trend spatial distribution of VEQI in Zhejiang Province from 2000 to 2020

首先对基于多元线性回归残差模拟的浙江省VEQI进行精度分析。图8分别为2000年、2005年、2010年、2015年和2020年基于多元线性回归模型模拟的VEQI和MODIS卫星观测VEQI的散点图。图中可以看出,模拟VEQI与观测VEQI具有良好的一致性,两者R²(P<0.01)分别为0.89(2000年)、0.93(2005年)、0.89(2010年)、0.93(2015年)和0.93(2020年),Pearson相关系数(图中r)分别为0.94(2000年)、0.96(2005年)、0.94(2010年)、0.97(2015年)和0.97(2020年)。

图8

图8 不同年份模拟VEQI和观测VEQI散点图

Fig.8 Scatter diagram between simulated and observed VEQI in different year

图9为基于多元线性回归模型的浙江省VEQI空间变化及其驱动力因素。从图9(a)中可以看出,2000—2020年,浙江省大部分区域的植被生态环境质量呈现出上升的趋势,而只在主要的城市扩张区域呈现出显著的下降趋势,其中较为明显的有杭州市、湖州市、嘉兴市、宁波市、台州市以及金华市。图9(b)为人类活动驱动下的VEQI的变化趋势空间分布图,从图中可以看出,人类活动驱动下的VEQI变化趋势与图9(a)中的VEQI真实变化趋势的空间分布具有较高的相似性,这表明2000—2020年浙江省的VEQI的变化主导因素为人类活动。图9(c)为气候因子驱动下的近20 a浙江省VEQI的变化趋势空间分布图,从图中可以看出,2000—2020年浙江省西南区域(丽水市、衢州市)的VEQI受气候影响呈现出下降趋势,而大部分区域受气候影响程度均较小。

图9

图9 浙江省VEQI变化驱动力因素分析

Fig.9 Driving force analysis of VEQI variation in Zhejiang Province

图9(d)和图9(e)分别表示人类活动与气候因子对浙江省近20 a植被生态环境质量变化的贡献度空间分布图。从中可以看出,浙江省近20 a的VEQI变化的主导驱动因素是人类活动,仅在浙江省西南小部分区域气候因子占据主导因素。从图9(f)可以看出,人类活动贡献度大于气候因子的面积约为8.773万km²,而气候因子贡献度大于人类活动的面积仅为1.188万km²。

4 结论

浙江省是“两山”理论的发源地,同时也是我国第一个生态省,研究该区域植被生态质量状况对生态文明建设具有重要的参考价值。本文基于MODIS卫星遥感资料以及气象站点观测数据,对浙江省2000—2020年植被NDVI,NPP,FVC和VEQI等关键特征量进行了时空变化以及驱动因素分析,结果表明:

1)2000—2020年,浙江省植被NDVI和FVC显著上升。2020年全省FVC年均值达67.3%,为2000—2020年间最高,相较于2000年(58.7%)增加了8.6百分点。

2)2000—2021年间,浙江省植被 NPP呈波动上升趋势,平均每年增加3.23 gC/m²。而在嘉兴、杭州东部及台州东南部等平原城镇地区NPP呈下降趋势,部分地区下降趋势低于10 gC/m²。

3)2000—2021年间,浙江省VEQI呈波动上升趋势,多年平均VEQI为64.9,最大值出现在2018年,为69.2,且山地区域的VEQI明显高于盆地和平原地区。

4)浙江省2000—2021年间,VEQI变化的主导驱动因素是人类活动,仅在浙江省西南小部分区域气候因子占据主导因素。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Chen

, Park

T J

, Wang

X H

, et al.

China and India lead in greening of the world through land-use management

[J]. Nature Sustainability, 2019(2):122-129.

DOI:10.1038/s41893-019-0220-7 PMID:30778399 [本文引用: 1]

Satellite data show increasing leaf area of vegetation due to direct (human land-use management) and indirect factors (climate change, CO fertilization, nitrogen deposition, recovery from natural disturbances, etc.). Among these, climate change and CO fertilization effect seem to be the dominant drivers. However, recent satellite data (2000-2017) reveal a greening pattern that is strikingly prominent in China and India, and overlapping with croplands world-wide. China alone accounts for 25% of the global net increase in leaf area with only 6.6% of global vegetated area. The greening in China is from forests (42%) and croplands (32%), but in India is mostly from croplands (82%) with minor contribution from forests (4.4%). China is engineering ambitious programs to conserve and expand forests with the goal of mitigating land degradation, air pollution and climate change. Food production in China and India has increased by over 35% since 2000 mostly due to increasing harvested area through multiple cropping facilitated by fertilizer use and surface/ground-water irrigation. Our results indicate that the direct factor is a key driver of the "Greening Earth", accounting for over a third, and likely more, of the observed net increase in green leaf area. They highlight the need for realistic representation of human land-use practices in Earth system models.

[2]

Zuo

L J

, Zhang

Z X

, Carlson

K M

, et al.

Progress towards sustainable intensification in China challenged by land-use change

[J]. Nature Sustainability, 2018(1):304-313.

[3]

Ahrends

, Hollingsworth

P M

, Beckschafer

, et al.

China’s fight to halt tree cover loss

[C]// Proceedings of the Royal Society Biological Sciences, 2017, 284(1854):20162559.

[4]

, Yang

, Yu

, et al.

Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data

[J]. Journal of Cleaner Production, 2021, 321:128948.

DOI:10.1016/j.jclepro.2021.128948 URL [本文引用: 1]

[5]

Guo

, Liu

, Zhang

, et al.

Assessing spatiotemporal variation of drought and its impact on maize yield in northeast China

[J]. Journal of Hydrology, 2017:231-247.

DOI:10.16258/j.cnki.1674-5906.2019.02.001 [本文引用: 2]

[6]

赵苗苗, 刘熠, 杨吉林, 等.

基于HASM的中国植被NPP时空变化特征及其与气候的关系

[J]. 生态环境学报, 2019, 28(2):215-225.

可下载PDF全文。

Zhao

M M

, Liu

, Yang

J L

, et al.

Spatio-temporal patterns of NPP and its relations to climate in China based on HASM

[J]. Ecology and Environmental Sciences, 2019, 28(2):215-225.

[7]

李登科, 王钊.

退耕还林后陕西省植被覆盖度变化及其对气候的响应

[J]. 生态学杂志, 2020, 39(1):1-10.

1999年起，陕西省实施了大规模的退耕还林、封山禁牧等生态建设和保护工程，使植被覆盖得到迅速恢复和增加。为了进一步跟踪评估植被覆盖变化，为生态建设和规划提供依据，本文基于2000—2017年MOD13Q1数据、气象数据，利用像元二分法估算陕西省18年间的植被覆盖度，通过空间插值方法、空间相关分析、统计学方法分区对其时空变化特征和对气候变化的响应进行了分析。结果表明：2000—2017年陕西省植被覆盖度呈现波动增加趋势，但增速逐年减少，2012年达到最大值后在高位波动；全省植被覆盖度增加区域面积占国土面积的82.4%，降低的区域仅占17.6%；陕北地区植被覆盖度显著增加，部分地区植被覆盖度达到最大值后出现下降趋势；植被覆盖度变异系数大的区域主要分布陕北长城沿线风沙区和丘陵沟壑区以及城市周边；陕西省植被覆盖度与降水量、气温在年尺度上相关系数均呈不显著的正相关；占全省98.4%的区域植覆盖度与降水、气温的复相关空间也未通过0.05显著水平检验；说明退耕还林等生态建设工程的实施，对植被恢复和生长具有重要的促进作用，一定程度上降低了植被生长对气候因子的敏感性；未来陕西省随着退耕还林等生态建设工程的环境资源的限制、土地利用程度的提高和城市用地的扩展，陕西省植被覆盖度将出现下降趋势。如何减缓这种下降趋势，是未来陕西省生态建设和保护的重大问题。

D K

, Wang

Changes of fractional vegetation coverage after returning farmland to forests and its response to climate in Shaanxi

[J]. Chinese Journal of Ecology, 2020, 39(1),1-10.

[8]

贾俊鹤, 刘会玉, 林振山.

中国西北地区植被NPP 多时间尺度变化及其对气候变化的响应

[J]. 生态学报, 2019, 39(14) :5058-5069.

Jia

J H

, Liu

H Y

, Lin

Z S

Multi-time scale changes of vegetation NPP in six provinces of northwest China and their responses to climate change

[J]. Acta Ecologica Sinica, 2019, 39(14) :5058-5069.

[9]

Liu

, Dong

, Liu

Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu,China

[J]. Catena, 2015, 125:190-199.

DOI:10.1016/j.catena.2014.10.027 URL [本文引用: 1]

[10]

陈舒婷, 郭兵, 杨飞, 等.

2000—2015年青藏高原植被NPP时空变化格局及其对气候变化的响应

[J]. 自然资源学报, 2020, 35(10):2511-2527.

DOI:10.31497/zrzyxb.20201016 [本文引用: 2]

全球变化背景下,青藏高原作为我国乃至全球气候变化的“天然实验室”,植被生态系统发生了深刻变化。引入重心模型等方法分析和探讨2000—2015年青藏高原植被NPP时空变化格局及其驱动机理,并定量区分NPP变化过程中气候变化和人类活动的相对作用。研究发现：（1）2000—2015年,青藏高原植被NPP年均值总体上呈现从东南向西北递减的趋势。在年际变化方面,近16年植被NPP呈现波动上升趋势,其中在2005年出现上升陡坡,并在2005—2015年表现为高位波动的态势。（2）青藏高原植被NPP增加区（变化率>10%）主要集中于三江源地区、横断山区北部、雅鲁藏布江中下游以及那曲地区的中东部,而植被NPP减小区（变化率<-10%）则主要分布于雅鲁藏布江上游和阿里高原。（3）近16年青藏高原植被NPP重心总体向西南方向移动,表明西南部植被NPP在增量和增速上大于东北部。（4）青藏高原植被NPP与气候因子相关性的地区差异显著,其中植被NPP与降水显著相关的区域主要位于青藏高原中部、青藏高原东南部及雅鲁藏布江流域中下游,而植被NPP与气温显著相关的区域主要位于藏南地区、横断山区北部、青藏高原中部和北部。（5）气候变化和人类活动在青藏高原植被NPP变化过程中的相对作用存在显著的时空差异性,在空间上呈现“四线—五区”的格局。研究成果能够为揭示青藏高原区域生态系统对全球变化的响应机制提供理论和方法支撑。

Chen

S t

, Guo

, Yang

, et al.

Spatial and temporal patterns of NPP and its response to climate change in the Qinghai-Tibet Plateau from 2000 to 2015

[J]. Journal of Natural Resources, 2020, 35(10):2511-2527.

DOI:10.31497/zrzyxb.20201016 URL [本文引用: 2]

[11]

周伟, 刚成诚, 李建龙, 等.

1982—2010年中国草地覆盖度的时空动态及其对气候变化的响应

[J]. 地理学报, 2014, 69(1):15-30.

Zhou

, Gang

C C

, Li

J L

, et al.

Spatial-temporal dynamics of grassland coverage and its response to climate change in China during 1982—2010

[J]. Acta Geographica Sinica, 2014, 69(1):15-30.

[12]

郭永强, 王乃江, 褚晓升, 等.

基于Google Earth Engine分析黄土高原植被覆盖变化及原因

[J]. 中国环境科学, 2019, 039(11):4804-4811.

Guo

Y Q

, Wang

N J

, Chu

X S

, et al.

Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine

[J]. China Environmental Science, 2019, 39(11):4804-4811.

[13]

Liu

H Y

, Zhang

M Y

, Lin

Z S

, et al.

Spatial heterogeneity of the relationship between vegetation dynamics and climate change and their driving forces at multiple time scales in southwest China

[J]. Agricultural and Forest Meteorology, 2018, 256:10-21.

[14]

毛留喜, 李朝生, 侯英雨, 等.

2006年上半年全国生态气象监测与评估研究

[J]. 气象, 2006(11):105-112.

Mao

L X

, Li

C S

, Hou

Y Y

, et al.

China Meteorologically-driven ecological monitoring and assessment in the first half of 2006

[J]. Meteorological Monthly, 2006(11):105-112.

[15]

毛留喜, 钱拴, 侯英雨, 等.

2006年夏季川渝高温干旱的生态气象监测与评估

[J]. 气象, 2007(3):83- 88,132-133.

Mao

L X

, Qian

, Hou

Y Y

, et al.

Study on the meteorologically-driven ecological monitoring and assessment of high temperature and drought of Sichuan-Chongqing area in summer 2006

[J]. Meteorological Monthly, 2007(3):83-88,132-133.

[16]

钱拴, 毛留喜, 侯英雨, 等.

北方草地生态气象综合监测预测技术及其应用

[J]. 气象, 2008(11):62-68.

Qian

, Mao

L X

, Hou

Y Y

, et al.

Technology and application of ecology meteorological synthetic monitoring and predicting for northern grassland in China

[J]. Meteorological Monthly, 2008(11):62-68.

[17]

吴宜进, 赵行双, 奚悦, 等.

基于MODIS的2006—2016年西藏生态质量综合评价及其时空变化

[J]. 地理学报, 2019, 74(7):1438-1449.

DOI:10.11821/dlxb201907012 [本文引用: 1]

针对缺少基于遥感数据产品的西藏地区植被生态参数筛选及综合评价的研究现状,以2006年和2016年西藏地区MODIS卫星遥感产品反演得到的植被覆盖度、叶面积指数、植被总初级生产力、区域热度与改进的湿度5项指标为基础,提出了基于主成分分析法的西藏植被生态环境质量评价方法,并探索了其时空变化规律及机理。结果表明：① 西藏地区植被生态质量整体较为脆弱,且区域差异明显,呈现东南优、西北差的分布格局。② 2006-2016年间西藏地区植被生态质量总体呈现变好的趋势。在时间序列上,2006-2016年间改善、退化的区域占比分别为31.88%和4.13%;在空间分布上,变好的区域分布在西北、中部和东部,变差的区域集中在东南部。③ 水热状况改善特别是降水量的增加和人为保护政策使得研究区西部和中部地区生态质量有所提高。社会经济活动加强是研究区东南部生态质量变差的主要原因。

Y J

, Zhao

X S

, Xi

, et al.

Comprehensive evaluation and spatial-temporal changes of eco-environmental quality based on MODIS in Tibet during 2006—2016

[J]. Acta Geographic Sinica, 2019, 74(7):1438-1449.

[18]

杨绘婷, 徐涵秋.

基于遥感空间信息的武夷山国家级自然保护区植被覆盖度变化与生态质量评估

[J]. 应用生态学报, 2020, 31(2):187-196.

Yang

H T

, Xu

H Q

Assessing fractional vegetation cover changes and ecological quality of the Wuyi Mountain National Nature Reserve based on remote sensing spatial information

[J]. Chinese Journal of Applied Ecology, 2020, 31(2):187-196

[19]

李洪伟

. 浙江省植被覆盖的时空变化研究[D]. 金华: 浙江师范大学, 2010.

H W

. Study on the spatial-temporal change of vegetation in Zhejiang Province[D]. Jinhua: Zhejiang Normal University, 2010.

[20]

高大伟, 张小伟, 蔡菊珍, 等.

浙江省植被覆盖时空动态及其与生态气候指标的关系

[J]. 应用生态学报, 2010(6):171-175.

Gao

D W

, Zhang

X W

, Cai

J Z

, et al.

Spatiotemporal variations of vegetation cover in Zhejiang Province and their relations to ecoclimatic indices

[J]. Chinese Journal of Applied Ecology, 2010(6):171-175.

[21]

何月, 樊高峰, 张小伟, 等.

浙江省植被NDVI 动态及其对气候的响应

[J]. 生态学报, 2012, 32(14) :4352-4362.

, Fan

G F

, Zhang

X W

, et al.

Variation of vegetation NDVI and its response to climate change in Zhejiang Province

[J]. Acta Ecologica Sinica, 2012, 32(14) :4352-4362.

DOI:10.5846/stxb URL [本文引用: 1]

[22]

钱拴, 延昊, 吴门新, 等.

植被综合生态质量时空变化动态监测评价模型

[J]. 生态学报, 2020, 40(18):6573-6583.

Qian

, Yan

, Wu

M X

, et al.

Dynamic monitoring and evaluation model for spatio-temporal change of comprehensive ecological quality of vegetation

[J]. Acta Ecologica Sinica, 2020, 40(18):6573-6583.

DOI:10.16258/j.cnki.1674-5906.2020.05.001 [本文引用: 1]

[23]

曹云, 钱永兰, 孙应龙,

等基于MODIS NDVI 的西南森林植被时空变化特征及其气候响应分析

[J]. 生态环境学报, 2020, 29(5):857-865.

可下载PDF全文。

Cao

, Qian

Y L

, Sun

Y L

, et al.

Spatial-temporal variations of forest vegetation and climatic driving force analysis in southwest China based on MODIS NDVI and climate data

[J]. Ecology and Environmental Sciences, 2020, 29(5):857-865.

[24]

Yan

, Wang

S Q

, Billesbach

, et al.

Improved global simulations of gross primary product based on a new definition of water stress factor and a separate treatment of C3 and C4 plants

[J]. Ecological Modelling, 2015, 297:42-59.

DOI:10.1016/j.ecolmodel.2014.11.002 URL [本文引用: 1]

[25]

金凯, 王飞, 韩剑桥, 等.

1982—2015年中国气候变化和人类活动对植被NDVI变化的影响

[J]. 地理学报, 2020, 75(5):75-88.

Jin

, Wang

, Han

J Q

, et al.

Contribution of climatic change and human activities to vegetation NDVI change over China during 1982—2015

[J]. Acta Geographica Sinica, 2020, 75(5):75-88.

[26]

田智慧, 任祖光, 魏海涛.

2000—2020年黄河流域植被时空演化驱动机制

[J]. 环境科学, 2022, 43(2):743-751.

Tian

Z H

, Ren

Z G

, Wei

H T

Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River basin from 2000 to 2020

[J]. Environmental Science, 2022, 43(2):743-751.

DOI:10.1021/es801135v URL [本文引用: 1]

[27]

顾羊羊, 邹长新, 乔旭宁, 等.

2000—2015年黔西南州植被覆盖时空变化及影响因素分析

[J]. 生态与农村环境学报, 2021, 37(11):1413-1422.

Y Y

, Zou

C X

, Qiao

X N

, et al.

Spatio-temporal variations of fractional vegetation coverage and influencing factors in Qianxinan Prefecture from 2000 to 2015

[J]. Journal of Ecology and Rural Environment, 2021, 37(11) :1413-1422.