文章信息
- 成方妍, 刘世梁, 张月秋, 尹艺洁, 侯笑云
- CHENG Fangyan, LIU Shiliang, ZHANG Yueqiu, YIN Yijie, HOU Xiaoyun.
- 基于MODIS序列的北京市土地利用变化对净初级生产力的影响
- Effects of land-use change on net primary productivity in Beijing based on the MODIS series
- 生态学报. 2017, 37(18): 5924-5934
- Acta Ecologica Sinica. 2017, 37(18): 5924-5934
- http://dx.doi.org/10.5846/stxb201606301342
-
文章历史
- 收稿日期: 2016-06-30
- 网络出版日期: 2017-04-25
随着城市化进程的加剧, 区域土地利用格局变化迅速而剧烈, 大量非建成区土地快速流转为城市建筑用地, 这直接影响区域系统的组成和结构, 伴随而来的是系统过程和功能的变化[1], 以及区域物质和能量循环过程的变化[2]。损失最严重的土地利用类型为林地和耕地, 直接导致区域植被固碳能力的下降, 给区域生态安全造成巨大压力[3-6]。
土地利用的变化直接引起了区域植被净初级生产力(NPP)的变化[7-9]。植被NPP是指绿色植物在单位时间、单位面积内所累积有机物数量, 是由植物光合作用所产生的有机质总量中减去自养呼吸后的剩余部分, 也称净第一生产力[10]。NPP反映了植被的固碳能力, 其数量的变化还能反映植被对土地利用变化的响应。DeFries等[11]研究发现, 每年, 全球NPP因土地利用变化而降低约5%。从区域景观甚至全球尺度估测土地利用变化对NPP的影响不仅有利于我们对陆地生态系统碳循环及其动态调节机制的了解, 增强区域土地利用格局的合理优化管理, 对寻求区域的碳增长空间更是具有重要意义[2, 6, 12]。
以往研究曾采用光能利用率模型、生态-遥感光能利用率模型和遥感光能利用率-植被-大气-土壤循环模型等模型对NPP进行模拟[13-15], 这往往需多种多年连续数据的支持, 且模型中的气象数据需要插值补充;还有少部分学者直接利用MODIS NPP数据进行了不同尺度的NPP时空变化研究[16-18]。以上两种NPP数据均存在分辨率偏低的问题(1—10 km), 分辨率偏低时地物边界模糊, 将会造成NPP对土地利用类型变化响应的敏感性降低, 产生尺度效应[19]。但尺度效应对NPP模拟值的影响目前尚不清楚, Turner等[20]研究发现分辨率50 km的植被NPP估计值比分辨率1 km的NPP估计值高出11%;杨会巾等[21]则发现分辨率30 m的植被NPP模拟值比990 m的NPP模拟值高出5%。考虑到不同尺度的NPP具有相似的空间格局, 其基本特征不变[21];而且许多具有高分辨率影像的植被指数如LAI(Leaf Area Index)、NDVI(Normalized Difference Vegetation Index)等与NPP具有较好的线性关系[22-24], 尝试利用各指数间良好的统计相关性或可提高NPP数据分辨率。
北京市区域景观近年来变化显著, 而以往研究多集中探讨区域NPP的空间分布及其季节性变化, 大多集中于森林碳库, 但是区域NPP对景观格局变化的响应仍不清楚[25-28]。本文采用的MODIS NPP影像分辨率为1 km, 对区域建成区内的绿地变化反应不敏感, 因此本文集中探讨研究区内大面积连续植被(林地、草地和耕地)多年来的变化情况。本文将以北京市为例, 选取MODIS NPP影像, 包括同期的Landsat影像和土地利用类型图, 全面分析北京市NPP的时空变化, 及其对景观格局变化的响应, 以期量化土地利用变化对NPP年际变化的贡献, 并分析影响区域NPP的景观格局因素。由于MODIS NPP数据分辨率较低, 研究中进一步探讨了利用高分辨率的Landsat数据对其降尺度的方法及可行性。
1 研究区概况和研究方法 1.1 研究区概况北京位于115°25′—117°30′E, 39°28′—41°05′N, 华北平原西北缘太行山脉与燕山山脉的交接位置, 地势西北高耸, 东南低缓。行政区域内山区面积占62%, 平原占38%, 山区多以中、低山地为主。北京属暖温带大陆性季风气候, 年平均气温10—12℃, 全年无霜期180—200 d, 年平均降雨量约595 mm, 降水季节分配不均匀, 地带性植被为暖温带落叶阔叶林。目前平原地区的植被类型主要是农作物, 主要农作物类型为玉米、小麦、大豆、大白菜和西瓜;山区植被是以落叶阔叶灌木林和落叶阔叶林为主[28]。
1.2 数据来源NPP数据由美国NASA的EOS/MODIS TERRA卫星(MOD17A3) 提供, 选取2000—2012年13期遥感数据, 分辨率为1 km。MODIS NPP基于MODIS遥感参数, 利用改进的光能利用率模型BIOME-BGG模型计算全球陆地植被NPP年际变化数据[29]。
NDVI数据采用GLCF Earth Science Data Interface(ESDI)的陆地卫星数据计算, 轨道号为123/32, 为了与NPP数据相匹配并保证数据的质量, 最终选取2000、2006和2012年9月份无云覆盖的影像, 分辨率为30 m。影像坏带利用ENVI插件TM-DESTRIPE处理, 填补坏带后进行投影参数设置, 几何校正等, 并利用ERDAS的INDICES计算NDVI值。
土地利用数据采用2000、2006和2012年的Landsat TM/ETM遥感影像和面向对象的解译方法而获得。由于NPP数据分辨率为1 km, 区域内部面积较小的绿地无法识别, 故该研究着重于北京市的大面积连续的非建成区土地利用类型, 考虑研究区内主要的植被类型, 将区域内非建成区土地利用类型简化为3类:林地、草地和耕地, 未考虑未利用地等。
1.3 研究方法以1 km分辨率的MODIS NPP为基础, 探讨北京市NPP的年际变化趋势。为了分析景观格局变化对NPP的影响, 对1 km分辨率的MODIS NPP降尺度至30 m, 结合土地利用类型数据, 分析NPP总量变化、土地利用变化以及景观格局变化对NPP的影响。研究从区域和样方2个尺度展开, 分析NPP年际变化趋势和土地利用变化时, 采用区域尺度;为了更系统的分析景观格局变化对NPP的影响, 参考以往区域尺度的相关研究[30], 在ArcGIS 10.2.2中划定连续的10 km×10 km正方形格网进行样方分析, 北京市共167个格网。
1.3.1 NPP年际变化趋势分别对2000—2006和2006—2012两个时段进行NPP年际变化趋势分析, 年际变化趋势以各栅格多年数值回归方程的斜率(slope)表示[31], 回归方程采用最小二乘法获得, 具体公式如下:
(1) |
式中, n为7, i为年序号, MNPP, i为第i年的NPP。其中, 当slope>0时, 说明植被覆盖在年际间的变化趋势是增加的;反之, 则降低。当前, slope值变化趋势的划分并没有统一标准[32-34], 考虑研究区域NPP的整体分布情况, 通过计算slope值的变化, 发现slope值基本符合正态分布, 故利用等间距划分法, 将NPP变化划分为5个等级, 分别为明显降低(slope≤-15)、轻度降低(-15≤slope < -5)、稳定不变(-5≤slope < 5)、轻度增长(5≤slope < 15) 和明显增长(slope≥15)。
1.3.2 降尺度方法植被的NDVI与NPP具有较好的线性关系[24, 35], 利用这种线性关系实现NPP数据的降尺度。首先, 对30 m分辨率的NDVI重采样至1 km, 对1 km分辨率的NDVI和NPP构建线性关系。本文假定分辨率为30 m时, NDVI与NPP的线性关系与分辨率为1000 m时相同。将30 m分辨率的NDVI代入以上关系式, 求取NPP值, 得到30 m分辨率的NPP。本研究采用的3期NDVI影像中, NDVI值在0.7以上的约为10%, 故不考虑NDVI过饱和的问题[36]。
1.3.3 景观格局变化对区域NPP变化的影响分析基于土地利用转移矩阵的景观格局变化分析:土地利用转移矩阵(Markov转移矩阵)可以描述区域内土地利用类型面积之间的相互转换情况, 利用年际间不同利用类型土地转换的面积以及相应的转换概率描述土地利用类型转换情况[37]。本文分别对2000—2006和2006—2012年2个阶段进行转移矩阵的计算。
土地利用变化对NPP变化的贡献率(R)可以用其面积变化引起的NPP总量变化来表示, 具体参考Fu等[38]研究:
(2) |
式中, NPP1和S1分别为某一段时间初始时的NPP总量和面积, ΔNPP和ΔS分别为某一段时间的NPP变化量和面积变化量。
基于景观格局指数的景观格局变化分析:根据以往经验并参考张国栋[39], 本文从景观水平上选取9个指数, 表征类型组分的有丰富度(PRD)和香农多样性指数(SHDI), 表征空间形态的有斑块密度(PD)和平均斑块维数(FRAC), 表征空间关系的为分离指数(SPLIT)和聚合度(AI)。以上指数利用移动窗格法(500 m)在Fragstats 4.2中计算。
分别探讨2000, 2006和2012年样方尺度上NPP与各景观格局指数的相关性, 采用Pearson系数表示。此外, 对6个格局指数提取主成分, 分析第一主成分与NPP的线性关系。
2 结果 2.1 NPP时空分布特征2000—2012年, 北京市NPP均值表现为先增大后减小, NPP多年均值为238 g C m-2a-1。2004年达到峰值为334 g C m-2 a-1, 2001年最低为193 g C m-2 a-1(图 1)。2000—2006年, NPP为增长趋势, 77%的区域表现为明显增长, 轻度增长的有20%;而2006—2012年, NPP则出现降低, 8%的区域为明显降低, 54%为轻度降低, 基本不变和增长的区域约占39%(图 1)。
以2000、2006和2012年30 m分辨率的NPP数据为例, 对应同期土地利用类型图, 利用ArcGIS的Zonation模块, 得到2000、2006和2012年北京市NPP总量(分别为1230000 t C、2040000 t C和1900000 t C, 图 2)。其中, NPP以林地贡献最大约为1130000 t C, 占NPP总量的66%;其次为耕地, 其NPP总量约为460000 t C, 占26%;草地最低, 占NPP总量的8%。
空间上, 北京市NPP的主要贡献者集中在北部和西部, 其NPP均值偏低但植被面积大, 北部和西部的NPP产量较为稳定与区域整体年际变化同步, 呈现先增加而后略降低的趋势;东南部的NPP值偏高, 但面积较小, 且呈逐年增长趋势。
2.2 区域景观格局变化2000—2012年, 土地利用类型变化多分布在主城区周边, 东北密云水库以及西北延庆县内(图 3)。其中林地面积呈增长趋势, 但增长速度逐渐减缓;草地面积也呈增长趋势, 且增长速度加快;但耕地面积在13年间大幅减少。林地的增长主要是由耕地和草地转换, 13年内, 有553 km2耕地和129 km2草地转换为林地;草地面积主要有耕地转换, 13年内, 有228 km2耕地转换为草地;耕地则主要转化为建设用地(699 km2)、林地和草地。
2000—2012年, 北京市景观格局指数较稳定。类型组成方面, PRD和SHDI的平均值分别为5.26和0.46, PRD逐年降低, 说明同一类型斑块更加集中, SHDI基本不变, 说明不同土地利用类型在区域内所占比例变化不大;空间形态方面, PD和FRAC的平均值分别为6.69和1.02, PD逐渐降低, 说明破碎化程度降低, 斑块变大;FRAC值偏低, 而且基本不变, 说明斑块边界形状稳定且较简单;空间关系方面, SPLIT和AI的平均值分别为1.24和98.41, SPLIT逐渐降低, 说明不同土地利用类型分布不均匀性增加, 与AI结果一致(表 1)。PRD和PD在11年间的波动约为2%, SHDI和SPLIT约为1%, 而FRAC和AI年际波动则较微弱。总的来说, 北京市土地利用表现为同一类型集中分布, 斑块形状相对简单, 整体破碎化程度降低。
年Year | 景观格局指数Landscape indexes | |||||
PRD | SHDI | PD | FRAC | SPLIT | AI | |
2000 | 5.32 | 0.46 | 6.76 | 1.02 | 1.24 | 98.39 |
2006 | 5.28 | 0.46 | 6.72 | 1.02 | 1.24 | 98.39 |
2012 | 5.19 | 0.46 | 6.60 | 1.02 | 1.23 | 98.44 |
PRD:丰富度Patch Richness Density;SHDI:Shannon′s多样性指数Shannon′s Diversity Index;PD:斑块密度Patch Density;FRAC:平均斑块维数FRACtal dimension index;SPLIT:分离指数SPLITting index;AI:聚合度Aggregation Index |
2000—2006年, 林地和草地面积均增长, 二者NPP也表现为增长;2006—2012年, 林地、草地面积继续增长, 但林地NPP则降低, 草地NPP继续增长(图 4)。2000—2012年间, 耕地面积持续降低, 但前7年耕地NPP仍表现为增加, 而后则为降低。
土地利用面积变化对NPP变化的贡献在两个时段存在差异, 2000—2006年, 土地利用面积变化促进了区域的NPP增长, 而2006—2012年, 土地利用面积变化则抑制了区域NPP的增长。前7年, 区域土地利用面积变化对NPP变化的贡献率为34%, 面积变化可以解释55%的NPP增长区域, 而NPP的降低受到面积的影响很小。2006—2012年, 土地利用面积变化对区域NPP变化的贡献率为27%, 面积变化可以解释29%的NPP轻度降低区域, 而NPP增长受到面积变化的影响较小。
2.3.2 景观格局指数变化与区域NPP的关系2000和2012年, 6个景观格局指数与NPP的相关性多显著, 除了AI与NPP呈负相关, 其他指数与NPP均呈正相关;2006年, 只有AI与NPP呈显著负相关(图 5)。
对6个景观格局指数进行主成分分析, 只有第一个主成分的特征值大于1且成分累计载荷超过85%, 提取第一个主成分。第一主成分中PRD、SHDI、PD、FRAC、SPLIT和AI的负荷值分别为0.98、0.88、0.99、0.99、0.99和-0.98, 该主成分反映了区域内斑块的类型、分布和形状。2000、2006和2012年第一主成分的特征值分别为5.60、5.68和5.59, 累积载荷分别为93%、95%和93%。2000和2012, NPP与第一主成分均呈显著的线性关系, 但2006年线性关系不显著, 与图 5中的相关分析结果一致;3个年份中, NPP均随着第一主成分增大而降低(图 6)。
3 讨论 3.1 NPP降尺度模拟分析年际间NDVI值差异显著(F2, 37582=6288.421, P < 0.01), 探讨NDVI与NPP线性关系时, 不同年份分别构建线性关系。整体上, NPP与NDVI线性关系均显著(表 2), 与蒋蕊竹等[35]与林志东和武国胜[24]的研究结果相似, 但本文中NDVI与NPP的线性相关系数低于前述研究结果。原因可能与研究地植被类型不同有关, 蒋蕊竹等[35]研究区内主要植被类型为草甸和农田, NDVI数值的高低直接反映了当年植被的生长状况;林志东和武国胜[24]的研究区内以生长期林地为主, 其高覆盖度的区域也是NPP的高值区。而北京的主要植被类型为中龄林地[27], 生产力较低但覆盖度较高[38], 这可能是导致其NDVI与NPP相关性低于其他研究区的主要原因。
年Year | 方程Equation | R2 | P |
2000 | y=391.23-1017.649x+448.52x2 | 0.680 | < 0.01 |
2006 | y=303.17+197.29x-746.94x2 | 0.531 | < 0.01 |
2012 | y=104.85+1511.44x-3212.70x2 | 0.224 | < 0.01 |
将30 m的Landsat NDVI数据代入表 2方程, 得到30 m Landsat NPP, 对Landsat NPP重采样至1 km, 与1 km分辨率的MODIS NPP比较(图 7)。Landsat NPP值偏低, 整体均值为186 g C m-2 a-1, MODIS NPP则为225 g C m-2 a-1;且Landsat NPP分布也较为离散, 变异系数为0.44, 而MODIS NPP则为0.20。文中结果与Turner等[20]的研究相似, 与杨会巾等[21]的研究结果则不同, 杨会巾等[21]发现高分辨率的NPP模拟值高于低分辨率的模拟值。不同分辨率NPP之间的差异可能由以下两方面原因造成, 首先来自于模拟带来的误差, 地形变化、植被结构差异等造成的环境因子的变异性较高, 增加了NPP空间模拟的不确定性。其次, 本文中不同分辨率NPP之间的差异可能来源于森林的结构差异[40], 研究区域内多为中龄低产景观林地, 本模型未考虑高覆盖度林地的实际生产力, 在今后的研究中应考虑高覆盖度植被与高生产力植被不对应的问题。
以往研究中也多次尝试利用NDVI与NPP的相关性, 建立二者的模型以计算NPP(表 3)。蒋蕊竹等[35]与林志东和武国胜[24]构建的模型较简单, 但是由于数据来源影像分辨率较低, 所以NPP结果的分辨率也低;孙成明等[41-42]的方程模拟效果较好, 但是模型相对复杂, 需要的参数较多;与以往研究结果相比, 本文模型简单分辨率高, 但是模拟结果相关性偏低。模型结构、参数设置和验证数据的不同会造成研究结果间的差异性, 其次本文的估算模型没有考虑植被扰动干扰、森林年龄结构等其他因素[40, 43-44], 这些因素均可能促成模型精度的降低。因此, 提高本模型模拟精度是下一步亟待解决的问题。
文献来源 Data resource |
模型参数 Model parameters |
模型类型 Model type |
R2 | 分辨率 Resolution |
郑元润和周广胜[22] | NDVI | 对数方程 | - | - |
蒋蕊竹等[35] | NDVI | 直线方程 | 0.86-0.97 | 1000 m |
李新[23] | NDVI | 直线方程和二次方程 | - | - |
孙成明等[41] | NPP、年均温度、年降水量 | 多项式方程 | 0.83-0.90 | 500 m |
林志东和武国胜[24] | NDVI、NPP | 直线方程 | 0.95-0.99 | 250 m |
孙成明等[42] | NDVI、LAI、月均温度、月均降雨、月辐射 | 多因素模型 | 0.85 | 500 m |
本研究 | NDVI | 二次方程 | 0.22-0.68 | 30 m |
2000—2012年, 北京市NPP总量呈先增长后降低的变化趋势, 这可能与区域土地利用类型的变化有关。2000—2006年, 林地面积快速增长, 产生大量高产幼龄林, 而2006—2012年, 林地面积增长减缓, 耕地面积持续降低, 这可能导致后期NPP的降低。值得注意的是, 尽管13年间耕地面积显著降低, 但其NPP总量仍然为增长趋势, 这可能与农作物产量的提高有关, 但考虑到耕地NPP约占植物NPP总量的23%, 当前耕地面积骤减的趋势不容乐观。2000—2006年, 土地利用面积变化促进了区域NPP的增长, 这可能与该时期林地的增长有关;而在2006—2012年, 土地利用面积变化则抑制了区域NPP的增长, 这可能与该时期林地增长减缓, 耕地持续大量减少有关。土地利用面积变化对区域NPP具有明显的影响, 在区域规划建设时, 应当协调各种用地类型的比例, 维持区域的NPP。
空间上, NPP分布为东南高, 西北低, 与土地利用类型对应后发现, 耕地的NPP较高而林地则偏低, 这与尹锴等[28]的结果不同。北京市种子管理站数据显示, 2012年北京农作物类型中玉米所占比例为63%, 其次为小麦(28%), 这两种农作物的生产力均较高, 但北京市林地则多为低生产力的中龄林, 这可能导致北京市耕地NPP高于林地。
3.2.2 景观格局指数变化与区域NPP的关系除了AI与NPP呈负相关, 其他指数与NPP多呈正相关, 这可能与土地利用的分布有关。新增的细碎斑块为幼龄林具有较高的NPP产出, 而长期集中分布的森林多形成低产中龄林导致NPP产量逐渐下降[27, 45]。因此, 随着林龄的增加, 区域土地利用的NPP可能会降低。景观格局指数与NPP相关性逐渐加强, 表明北京市景观格局特征对区域NPP变化的影响也逐渐加强。对6个景观格局指数进行主成分分析, 第一个主成分的累积载荷在90%以上, PRD、SHDI、PD、FRAC和SPLIT与该主成分均呈负相关, AI与该主成分呈正相关, 这与图 5中的相关分析结果一致。3个年份中, NPP均随着第一主成分增大而降低, 表明当前仍需丰富区域内植被类型, 此外, 还需要对区域内的森林采取抚育更新, 维持一定面积成熟林的同时, 保证适当的森林更新量。
4 结论北京市NPP总量在近13 a内呈增长趋势, 区域面积变化明显影响了区域NPP的分布。除面积变化外, 各土地利用类型的年固碳能力变化也容易促使NPP的空间变化, 例如农作物的产量和林龄效应干扰下的森林植被年固碳量等会影响NPP在该用地类型的空间分布。因此, 在区域规划建设时, 应当充分考虑不同土地利用类型的特性, 才能保持甚至提高区域植被的固碳能力。同时, 土地斑块的分布也显著影响着NPP, 随着斑块密度和丰富度的增长NPP呈增加趋势, 斑块聚集度的增长则促使NPP降低。此外, 区域内NPP增长量逐渐减缓是值得注意的问题, 考虑到区域景观格局的变化对NPP的显著影响作用, 可以加强区域内植被异质性和丰富度, 对森林采取抚育更新, 维持成熟林面积的同时, 更新部分林地, 将有利于维持区域的固碳能力, 从而帮助增加区域碳增长空间。
[1] | Albert M. The effects of urban patterns on ecosystem function. International Regional Science Review, 2005, 28(2): 168–192. DOI:10.1177/0160017605275160 |
[2] | Imhoff M L, Tucker C J, Lawrence W T, Stutzer D C. The use of multisource satellite and geospatial data to study the effect of urbanization on primary productivity in the United States. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6): 2549–2556. DOI:10.1109/36.885202 |
[3] | Nizeyimana E L, Petersen G W, Imhoff M L, Sinclair H R, Waltman S W, Reed-Margetan D S, Levine E R, Russo J M. Assessing the impact of land conversion to urban use on soils with different productivity levels in the USA. Soil Science Society of America Journal, 2001, 65(2): 391–402. DOI:10.2136/sssaj2001.652391x |
[4] | Imhoff M L, Bounoua L, Defries R, Lawrence W T, Stutzer D, Tucker C J, Ricketts T. The consequences of urban land transformation on net primary productivity in the United States. Remote Sensing of Environment, 2004, 89(4): 434–443. DOI:10.1016/j.rse.2003.10.015 |
[5] | Tian G J, Qiao Z. Assessing the impact of the urbanization process on net primary productivity in China in 1989-2000. Environmental Pollution, 2014, 184: 320–326. DOI:10.1016/j.envpol.2013.09.012 |
[6] | 姜春, 吴志峰, 程炯, 钱乐祥. 广东省土地覆盖变化对植被净初级生产力的影响分析. 自然资源学报, 2016, 31(6): 961–972. DOI:10.11849/zrzyxb.20150499 |
[7] | 周涛, 史培军. 土地利用变化对中国土壤碳储量变化的间接影响. 地球科学进展, 2006, 21(2): 138–143. |
[8] | Pei F S, Li X, Liu X P, Wang S J, He Z J. Assessing the differences in net primary productivity between pre-and post-urban land development in China. Agricultural and Forest Meteorology, 2013, 171-172: 174–186. DOI:10.1016/j.agrformet.2012.12.003 |
[9] | Dong G T, Bai J, Yang S T, Wu L N, Cai M Y, Zhang Y C, Luo Y, Wang Z W. The impact of land use and land cover change on net primary productivity on China's Sanjiang Plain. Environmental Earth Sciences, 2015, 74(4): 2907–2917. DOI:10.1007/s12665-015-4318-6 |
[10] | Field C B, Behrenfeld M J, Randerson J T, Falkowski P. Primary production of the biosphere: integrating terrestrial and oceanic components. Science, 1998, 281(5374): 237–240. DOI:10.1126/science.281.5374.237 |
[11] | Defries R S, Field C B, Fung I, Collatz G J, Bounoua L. Combining satellite data and biogeochemical models to estimate global effects of human-induced land cover change on carbon emissions and primary productivity. Global Biogeochemical Cycles, 1999, 13(3): 803–815. DOI:10.1029/1999GB900037 |
[12] | Xu C, Liu M, An S, Chen J M, Yan P. Assessing the impact of urbanization on regional net primary productivity in Jiangyin County, China. Journal of Environmental Management, 2007, 85(3): 597–606. DOI:10.1016/j.jenvman.2006.08.015 |
[13] | 朱文泉, 潘耀忠, 何浩, 于德永, 扈海渡. 中国典型植被最大光利用率模拟. 科学通报, 2006, 51(6): 700–706. |
[14] | 张杰, 潘晓玲. 天山北麓山地-绿洲-荒漠生态系统净初级生产力空间分布格局及其季节变化. 干旱区地理, 2010, 33(1): 78–86. |
[15] | Eisfelder C, Kuenzer C, Dech S, Buchroithner M F. Comparison of two remote sensing based models for regional net primary productivity estimation-a case study in semi-arid Central Kazakhstan. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1843–1856. DOI:10.1109/JSTARS.2012.2226707 |
[16] | 李燕丽, 潘贤章, 王昌昆, 刘娅, 赵其国. 2000-2011年广西植被净初级生产力时空分布特征及其驱动因素. 生态学报, 2014, 34(18): 5220–5228. |
[17] | 孙庆龄, 冯险峰, 肖潇. 武陵山区植被净第一性生产力的时空格局及其与地形因子的关系. 地球信息科学学报, 2014, 16(6): 915–924. |
[18] | 谢宝妮, 秦占飞, 王洋, 常庆瑞. 黄土高原植被净初级生产力时空变化及其影响因素. 农业工程学报, 2014, 30(11): 244–253. DOI:10.3969/j.issn.1002-6819.2014.11.030 |
[19] | 李成秀, 曹广超, 吴成永, 陈克龙. 基于LandSat8 OLI数据的山区NPP遥感估算模型研究. 绿色科技, 2016(4): 7–9. |
[20] | Turner D P, Dodson R, Marks D. Comparison of alternative spatial resolutions in the application of a spatially distributed biogeochemical model over complex terrain. Ecological Modelling, 1996, 90(1): 53–67. DOI:10.1016/0304-3800(95)00143-3 |
[21] | 杨会巾, 刘丽娟, 马金龙, 王进, 李小玉. 基于Landsat 8遥感影像反演干旱区净初级生产力的尺度效应. 生态学杂志, 2016, 35(5): 1294–1300. |
[22] | 郑元润, 周广胜. 基于NDVI的中国天然森林植被净第一性生产力模型. 植物生态学报, 2000, 24(1): 9–12. |
[23] | 李新. 基于MODIS数据的内蒙古森林净初级生产力遥感估算研究[D]. 呼和浩特: 内蒙古农业大学, 2011. |
[24] | 林志东, 武国胜. 基于MODIS的大田县均溪谷地NPP与NDVI相关性的时空变化特征. 亚热带资源与环境学报, 2015, 10(1): 27–33. |
[25] | 刘芳, 迟耀斌, 王智勇, 王艳艳. NPP列入生态统计指标体系的潜力分析——以北京地区NPP测算与空间分析为例. 生态环境学报, 2009, 18(3): 960–966. |
[26] | 宋国宝, 潘耀忠, 张树深, 朱文泉. 北京市植被净生产力遥感测量与分析. 资源科学, 2009, 31(9): 1568–1572. |
[27] | 王光华. 北京森林植被固碳能力研究[D]. 北京: 北京林业大学, 2012. |
[28] | 尹锴, 田亦陈, 袁超, 张飞飞, 苑全治, 花利忠. 基于CASA模型的北京植被NPP时空格局及其因子解释. 国土资源遥感, 2015, 27(1): 133–139. DOI:10.6046/gtzyyg.2015.01.21 |
[29] | 国志兴, 王宗明, 张柏, 刘殿伟, 杨桄, 宋开山, 李方. 2000年-2006年东北地区植被NPP的时空特征及影响因素分析. 资源科学, 2008, 30(8): 1226–1235. |
[30] | 刘世梁, 崔保山, 温敏霞, 王娟, 董世魁. 纵向岭谷区道路网络特征和生态系统变异统计规律. 科学通报, 2007, 52(S2): 71–77. |
[31] | 刘世梁, 赵海迪, 董世魁, 苏旭坤, 刘琦, 邓丽, 张翔. 基于SPOT NDVI的阿尔金山自然保护区植被动态变化研究. 干旱区研究, 2014, 31(5): 832–837. |
[32] | 张月丛, 赵志强, 李双成, 孟宪锋. 基于SPOT NDVI的华北北部地表植被覆盖变化趋势. 地理研究, 2008, 27(4): 745–754. |
[33] | 庄长伟, 欧阳志云, 徐卫华, 郑华, 王效科, 白杨. 基于MODIS的海河流域生态系统空间格局. 生态学杂志, 2009, 28(6): 1149–1154. |
[34] | 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. |
[35] | 蒋蕊竹, 李秀启, 朱永安, 张治国. 基于MODIS黄河三角洲湿地NPP与NDVI相关性的时空变化特征. 生态学报, 2011, 31(22): 6708–6716. |
[36] | Xu C, Li Y T, Hu J, Yang X J, Sheng S, Liu M S. Evaluating the difference between the normalized difference vegetation index and net primary productivity as the indicators of vegetation vigor assessment at landscape scale. Environmental Monitoring and Assessment, 2012, 184(3): 1275–1286. DOI:10.1007/s10661-011-2039-1 |
[37] | 张琳琳, 孔繁花, 尹海伟, 孙振如, 庄艳美, 居为民. 基于景观空间指标与移动窗口的济南城市空间格局变化. 生态学杂志, 2010, 29(8): 1591–1598. |
[38] | Fu Y C, Lu X Y, Zhao Y L, Zeng X T, Xia L L. Assessment impacts of weather and Land Use/Land Cover (LULC) Change on urban vegetation Net Primary Productivity (NPP): a case study in Guangzhou, China. Remote Sensing, 2013, 5(8): 4125–4144. DOI:10.3390/rs5084125 |
[39] | 张国栋. 黄河三角洲净初级生产力、水分蒸散与景观格局变化的关系[D]. 济南: 山东大学, 2010. http://www.cnki.com.cn/Article/CJFDTOTAL-HKGL201608006.htm |
[40] | 李登秋, 张春华, 居为民, 刘丽娟. 江西省森林净初级生产力动态变化特征及其驱动因子分析. 植物生态学报, 2016, 40(7): 643–657. DOI:10.17521/cjpe.2015.0348 |
[41] | 孙成明, 刘涛, 田婷, 郭斗斗, 王力坚, 陈瑛瑛, 李菲, 李建龙. 基于MODIS的南方草地NPP遥感估算与应用. 草业学报, 2013, 22(5): 11–17. DOI:10.11686/cyxb20130502 |
[42] | 孙成明, 孙政国, 刘涛, 王力坚, 陈瑛瑛, 郭斗斗, 田婷, 李建龙. 基于MODIS的中国草地NPP综合估算模型. 生态学报, 2015, 35(4): 1079–1085. |
[43] | Coomes D A, Holdaway R J, Kobe R K, Lines E R, Allen R B. A general integrative framework for modeling woody biomass production and carbon sequestration rates in forests. Journal of Ecology, 2011, 100(1): 42–64. |
[44] | Ter-Mikaelian M T, Colombo S J, Chen J X. Effect of age and disturbance on decadal changes in carbon stocks in managed forest landscapes in central Canada. Mitigation & Adaptation Strategies for Global Change, 2014, 19(7): 1063–1075. |
[45] | Luyssaert S, Schulze E D, Börner A, Knohl A, Hessenmöller D, Law B E, Ciais P, Grace J. Old-growth forests as global carbon sinks. Nature, 2008, 455(7210): 213–215. DOI:10.1038/nature07276 |