2019, Vol. 39文章信息
- 周妍妍, 朱敏翔, 郭晓娟, 李凯, 苗俊霞, 郭建军, 徐晓锋, 岳东霞
- ZHOU Yanyan, ZHU Minxiang, GUO Xiaojuan, LI Kai, MIAO Junxia, GUO Jianjun, XU Xiaofeng, YUE Dongxia
- 疏勒河流域气候变化和人类活动对植被NPP的相对影响评价
- Relative effects of climate change and human activities on net primary productivity in Shule River Basin
- 生态学报. 2019, 39(14): 5127-5137
- Acta Ecologica Sinica. 2019, 39(14): 5127-5137
- http://dx.doi.org/10.5846/stxb201809141984
-
文章历史
- 收稿日期: 2018-09-14
- 修订日期: 2018-11-28
2. 中国科学院西北生态环境资源研究院, 沙漠与沙漠化重点实验室, 兰州 730000;
3. 兰州大学, 管理学院, 兰州 730000
2. Key Laboratory of Desert and Desertification, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China;
3. School of Management, Lanzhou University, Lanzhou 730000, China
植被净初级生产力(Net Primary Productivity, NPP)被定义为绿色植物单位时间和空间通过植被光合作用从大气吸收的二氧化碳净量, 它等于光合作用吸收的碳与自养呼吸释放的碳之间的差值[1-2]。它不仅直接反映了植被在自然环境条件下的植被恢复或退化及陆地生态系统的质量状况, 也是判定生态系统碳源/汇和调节生态过程的主要因子, 在全球变化及碳循环中扮演着重要的角色[3-4]。全球许多地区的气候变化和人类活动对自然生态系统的影响日益显著, NPP已成为衡量生态系统对其响应的不可或缺指标[5-6]。随着遥感技术、GIS技术以及计算机技术的发展, 利用遥感数据进行植被NPP的研究成为可能。遥感具有时空分辨率高、实时性强、周期短、覆盖面积大、获取便捷等特点, 已成为评估从区域到全球尺度植被NPP动态的主流方法, 其中基于遥感的CASA模型(Carnegie-Ames-Stanford Approach)是利用光合有效辐射和考虑温度和降水量影响的光的利用效率进行NPP计算[7], 已在不同空间和时间尺度被广泛应用[8-11]。准确定量评估气候变化与人类活动在植被变化中的相对作用, 对深入理解植被变化驱动机制和控制荒漠化发展具有重要意义, 其定量研究的主要方法有残差分析法、降水利用效率分析法、模型变量分析法、变异系数分析法[12]和潜在NPP(Potential NPP, PNPP)与实际NPP(Actual NPP, ANPP)求差法[13]。ANPP指基于模型计算的现实情况下的净初级生产力, PNPP指未受人类活动干扰的、潜在的天然植被的NPP。ANPP和PNPP的差值是人类活动所导致的NPP损失或增加量, 也可被认为是因土地利用变化及人类活动对植被NPP造成的影响, 即人类活动影响的NPP(Human NPP, HNPP), 正HNPP意味着人为引起植被退化发生, 而负HNPP意味着人类活动导致植被恢复。将只受气候影响的PNPP与只受人类活动影响的HNPP进行比较, 可以定量评价气候变化和人类活动在NPP变化过程中的相对作用, 揭示植被变化的驱动机制, 对了解生态系统结构与功能的变化以及这种变化对人类社会的反馈作用具有重要的现实意义[14-15], 因此PNPP与ANPP求差法被广泛应用。Zhang等[16]和Zhou等[17]分别应用该方法研究了石羊河流域和中国西北地区, 气候变化和人类活动对植被退化区和恢复区NPP影响的空间分布；Chen等[18]通过该方法发现人类活动对青藏高原高寒草原生态系统的影响明显加剧, 而气候变化对生态系统造成的负面影响在相对减轻；Zhou等[19]利用遥感技术监测了中国草地退化的现状, 并发现人类活动是草原恢复的主要因素。然而, 已有的对疏勒河流域[20-21]、甘肃省[22-23]甚至西北地区[24-26]的NPP研究多为时空变化分析及其影响因素研究, 而对影响因素中气候变化和人类活动的相对作用的定量研究较为缺乏。
中国西北干旱区的疏勒河流域, 降水极少, 气候干旱, 生态环境恶劣、脆弱。近年来疏勒河流域受气候变化和人类活动加剧的影响, 生态越发脆弱。因此本文利用CASA模型计算植被的ANPP变化作为疏勒河流域2001—2015年植被状况变化的量化指标, 然后根据气候条件确定了研究区PNPP, 并通过计算PNPP和ANPP之间的差异获得HNPP, 不仅可以从空间格局上分析其影响因子贡献率大小的区域差异性, 也可以定量评价人类活动在NPP变化过程中的相对作用和主要贡献, 对了解生态系统结构与功能的变化、以及这种变化对人为环境的反馈作用具有重要的现实意义。
1 研究区概况疏勒河流域地处我国西北干旱区腹地(图 1), 位于东经93°22′—98°59′E, 北纬38°1′—42°47′N, 流域面积约1.25×105 km2, 是甘肃河西走廊三大主要内陆河流域之一。流域内干流为疏勒河, 全长670 km, 主要支流有党河、白杨河、石油河、榆林河及阿尔金山北麓的长草沟、鄂博沟、洪水沟等。疏勒河流域属于大陆性荒漠型气候, 风沙大, 气候干旱, 年均降水量47—63 mm, 而蒸发量为2897—3042 mm, 年平均气温为6.9—8.8℃, 是甘肃省降雨量最少的地区。植被覆盖度较低, 以戈壁和裸岩石质地为主, 上游高海拔地区分布有低矮灌丛和草地, 且有冰川和永久性积雪区, 中下游分布有呈带状的绿洲区, 呈现出山地-绿洲-荒漠生态系统, 生态环境十分脆弱。疏勒河流域范围包括酒泉市下辖的敦煌市、玉门市、肃北蒙古族自治县、瓜州县、阿克塞县及青海省天峻县和德令哈市的一部分。流域内有享誉国际的敦煌莫高窟、月牙泉、阳关和玉门关遗址等世界文化遗产, 是我国“一带一路”生态文明建设实施的重要节点区域。将其建设成为我国西部干旱区生态文明保护屏障, 对国家中长期发展规划, 战略定位、产业布局、生态环境保护与建设具有重要的战略意义。
|
| 图 1 研究区：疏勒河流域图 Fig. 1 The study area: Shule River Basin in Northwest China |
本文所需的基础数据包括：遥感数据、植被类型数据和气象数据。遥感数据来自NASA EOS/MODIS, 其中2001—2015年归一化植被指数(Normalized Difference Vegetation Index，NDVI)选用250 m分辨率的16天合成产品MOD13Q1数据集, 使用最大值合成法(Maximum Value Composition, MVC)生成逐月最大NDVI数据。2001—2015年的ANPP数据选用分辨率1000 m的MOD17A3数据集。植被类型数据是根据2000、2005、2010和2015年疏勒河流域4期Landsat TM/ETM+/OLI遥感数据(30 m分辨率)解译获得。蒸散发和潜在蒸散发数据来自全球陆面数据同化系统(Global Land Data AssimulationSystem, GLADS)数据集, 空间分辨率为0.25°, 时间分辨率为1个月；月均温、月降水和月太阳辐射数据来自中国科学院寒区旱区科学数据中心, 其空间分辨率为0.1°。数字高程模型(Digital Elevation Model, DEM)数据来自于中国地理空间数据云, 其空间分辨率是30 m。模型中所有输入参数, 转换成相同的坐标系统, 重采样为1000 m分辨率。
2.2 研究方法 2.2.1 ANPP的计算及精度检验CASA模型为广泛应用的光能利用率模型[27-31], 其原理是通过太阳辐射、NDVI、植被类型、气候气象数据等原始数据, 以及最大光能利用率等经验数据, 来估算植被的ANPP。在该模型中, ANPP主要由植物吸收的光合有效辐射和光能利用率两个变量来确定：
|
(1) |
式中, t表示时间, x表示空间位置；APAR(x, t)表示像元x在t月份吸收的光合有效辐射(MJ m-2月-1)；ε(x, t)表示像元x在t月份的实际光能利用率(gC MJ-1月-1)。
CASA模型具体计算式见表 1。
| 编号No. | 计算公式Calculation formula | 参数说明Parameter description |
| 1 | APAR(x, t)=SOL(x, t)×FPAR(x, t)×0.5 | 式中, SOL(x, t)是t月份象元x处的太阳总辐射量(MJ m-2月-1)；FPAR(x, t)为植被层对入射光合有效辐射(PAR)的吸收比例, 由NDVI数据可算得；常数0.5表示植被所能利用的太阳有效辐射(波长为0.4—0.7 μm)占太阳总辐射的比例 |
| 2 | ε(x, t)=Tε1(x, t)×Tε2(x, t)×Wε(x, t)×ε* | Tε1和Tε2表示温度对光能利用率的影响, Wε为水分胁迫影响系数, 代表水分条件的影响, ε*为理想状态下的最大光能利用率(gC/MJ)。通常认为全球中的植被最大光能利用率是0.389 gC/MJ |
| 3 | 当某一月平均温度≤-10℃时, Tε1(x, t)=0, 否则, Tε1(x, t)=0.8+0.02Topt(x)-0.0005[Topt(x)]2 | 反映在低温和高温时植物内在的生化作用对植物光合作用的限制而降低NPP的积累[8]；Topt(x)为最适宜温度 |
| 4 | 当某一月平均温度T(x, t) < Topt(x)-13或T(x, t)>Topt(x)+10时, 该月的Tε2(x, t)等于月平均温度为最适宜温度时的Tε2(x, t)值的一半, 否则, Tε2(x, t)= |
环境温度从最适温度Topt(x)向高温和低温变化时植物光能利用率逐渐变小的趋势 |
| 5 |  |
其中, E(x, t)为区域实际蒸散量(mm), Ep(x, t)为区域潜在蒸散量(mm) |
| 太阳总辐射量SOL(x, t), 来自中科院数据集；植被指数NDVI来自MOD13Q1数据；月平均气温来自中科院数据集；区域实际蒸散量E(x, t)和区域潜在蒸散量Ep(x, t)来自GLADS数据集 | ||
本文在利用CASA模型计算2001—2015年逐月ANPP的基础上, 将每年12个月的ANPP合成年ANPP, 并进行精度验证。精度验证一般有两种方法:一是将模拟值与实测值进行比较；二是将估算的ANPP数据与他人在相同区域计算的结果或遥感数据产品进行比较[32]。由于疏勒河流域ANPP实测数据较少, 本文将疏勒河流域各土地利用/覆被类型的模拟ANPP与其他学者的模拟结果及MOD17A3数据产品进行对比。基于MODIS传感器获得MOD17A3的通过Biome-BGC模型[33]计算的全球精确的陆地植被ANPP年际变化数据产品。该数据集已在全球和区域ANPP与碳循环研究中得到广泛应用。
2.2.2 PNPP的估算本文应用Thornthwaite Memorial模型计算PNPP[2]。该模型是第一个被广泛接受的PNPP估算模型, 是基于实地测量的NPP数据与研究区温度和降水数据之间的最小二乘回归得出的。PNPP预测仅受气候因子的影响, 被认为是生态系统的最大NPP[34]。计算公式如下：
|
(2) |
式中, PNPP是年总PNPP(gC m-2 a-1)；v是年平均实际蒸散发量(mm), 其计算公式如下：
|
(3) |
|
(4) |
式中, L是年平均蒸散量(mm)；r是年总降水(mm)；q是年平均气温(℃)。
2.2.3 植被动态变化分析NPP动态是土地退化最直观的体现, 因此, 利用NPP的多年变化趋势来评估植被退化或恢复。斜率通过普通最小二乘法确定。公式如下：
|
(5) |
式中, i=1, 2, …, 15分别代表 2001, 2002, …, 2015年；NPPi表示第i年的NPP值；Slope表示NPP在n年间的变化趋势(使用t检验进行趋势显著性检验)。
研究时间段内NPP的变化量, 用以下公式估算：
|
(6) |
确定了气候变化与人类活动导致的NPP变化, 则可以定量评估气候变化与人类活动在NPP变化中的相对作用。参考了郭继凯等[36]有关NPP变化的情景设定方案, 籍此度量疏勒河流域气候变化与人类活动对NPP的影响, 如表 2所示。
| 情景 Scenario |
SA | SP | SH | 气候变化的相对作用 Relative effects of climate change/% |
人类活动的相对作用 Relative effects of human activities/% |
说明 Description |
|
| 植被改善区 The areas with improved vegetation |
情景1 | >0 | >0 | >0 | 100 | 0 | 气候变化综合作用导致植被覆盖改善 |
| 情景2 | >0 | < 0 | < 0 | 0 | 100 | 人类活动综合作用导致植被覆盖改善 | |
| 情景3 | >0 | >0 | < 0 |  |
 |
气候变化和人类活动共同促进植被覆盖改善, 以其各自NPP变化量所占的比例为各自的相对作用 | |
| 植被退化区 The areas with degenerated vegetation |
情景1 | < 0 | < 0 | < 0 | 100 | 0 | 气候变化综合作用导致植被覆盖退化 |
| 情景2 | < 0 | >0 | >0 | 0 | 100 | 人类活动综合作用导致植被覆盖退化 | |
| 情景3 | < 0 | < 0 | >0 |  |
 |
气候变化和人类活动共同促进植被覆盖退化, 以其各自NPP变化量所占的比例为各自的相对作用 | |
| SA：实际净初级生产力的斜率；SP：潜在净初级生产力的斜率；SH：人类活动影响下的实际净初级生产力的斜率；PNPP：潜在净初级生产力；HNPP：人类活动影响下的实际净初级生产力；ΔPNPP和ΔHNPP分别为PNPP和HNPP变化量 | |||||||
由表 3可以看出, 基于CASA模型的NPP模拟值与其他学者模拟结果反映出的趋势较为一致, 说明CASA模型应用到疏勒河流域NPP研究是可靠的。而疏勒河流域ANPP值主要集中在50—100 gC m-2 a-1内, 整体上林地和耕地的NPP值最大, 未利用地小, 相较于全国及西北的ANPP, 该流域整体生产力水平不高。但不同学者估算的NPP结果之间却存在差异, 这与研究区的时空范围及基础数据的分辨率和质量等差异有关, 这也是导致目前区域NPP模拟困难的原因之一[32]。
| 研究时段 Study period |
模型/产品 Model/Product |
研究范围 Study scale |
土地利用/覆被类型Land use/Land cover | ||||
| 耕地 Farmland |
林地 Forestland |
草地 Grassland |
水域 Water |
未利用地 Unused land |
|||
| 2001—2015 | CASA | 疏勒河流域(本文) | 169.17 | 103.65 | 89.20 | 67.81 | 52.46 |
| 2001—2010 | CASA | 疏勒河中上游[20] | 345.39 | 455.98 | 299.74 | 61.31 | 49.94 |
| 2001—2015 | MOD17A3 | 疏勒河上游 | 215.30 | 127.35 | 125.66 | 127.18 | 109.90 |
| 2001—2010 | CASA | 西北干旱区[26] | 415.6 | 196.5 | 252.2 | 123.3 | 51.1 |
| 1901—2010 | CASA | 中国[37] | 746.1 | 713.1 | 135.0 | 371.4 | 56.3 |
疏勒河流域ANPP空间分布整体上呈现南高北低, 即上游的祁连山区和中下游的绿洲区ANPP较高, 其余荒漠戈壁区ANPP较低, 表现出较为明显的空间异质性(图 2的左图)。这是由于该流域地处内陆地区, 降水量少, 气温高, 蒸发量大, 气候十分干燥, 所以水分是该流域ANPP的主要限制因子[21]。如果降水稀少且没有灌溉条件, 植被生长稀少, ANPP值较低；反之, 受祁连山区的地表径流影响的绿洲地带, 植被生长好, ANPP值较高。上游祁连山区降水量较大, 植被覆盖度高, ANPP的数值主要在100—200 gC m-2 a-1之间。其中, 高值分布于河流源头和河道两岸；南部冲积扇前的荒漠戈壁ANPP普遍较低, 最低值分布在大雪山、疏勒南山以及党河南山的现代冰川上, 这些区域常年覆盖冰雪, 植被基本无法生长。中下游的绿洲区, 也是主要的灌溉区, ANPP较高, 主要分布在200—300 gC m-2 a-1。高值区集中分布于灌溉农田区, 而农业绿洲外围的荒漠戈壁区以及敦煌市南部的沙漠区域, ANPP较低。北部的马鬃山区植被稀疏, ANPP主要分布在0—50 gC m-2 a-1, 高值区零星的分布其中。
|
| 图 2 2001—2015年疏勒流域ANPP多年平均值及其年际变化率空间分布图 Fig. 2 Spatial distribution of mean annual ANPP and its interannual variation of Shule River basin in 2001—2015 ANPP：实际净初级生产力Actual net primary productivity |
图 2的右图为15年来疏勒河流域年ANPP的变化趋势及其显著性检验, 流域年ANPP呈缓慢增加趋势, 且流域中呈增加趋势的面积大于呈减小趋势的面积。显著性在α=0.05(v=15, 临界值为2.131)水平上, 47.16%的区域趋势显著。ANPP增加的区域占全流域面积的54%, 主要分布于南部的肃北和天峻的大部、阿克塞的东部和南部及北部肃北和瓜州的交界部分。疏勒河流域近15年的温度和降水量都有所增加, 气候呈现出明显的暖湿化趋势, 并且这两种变化都会影响植被生产力[38]。ANPP减少的区域占总面积的46%, 主要分布于北部的肃北、敦煌的西部和南部及中下游绿洲的南北两侧。然而, 诸如过度放牧、地下水超采、水资源利用过度等人类活动的加剧是导致流域植被退化的主导因素[21]。此外, 由于祁连山冰川消融, 该区域蒸发量大、降水量年际变化大, 土地用途也不断增加, 这也对植被退化有着巨大的潜在影响[39]。
3.3 气候变化对植被的影响PNPP的年变化趋势及显著性检验如图 3所示。PNPP呈增加趋势的面积占研究区总面积的55%, 显著变化的面积占48.07%；PNPP呈减少趋势的面积占研究区总面积的45%, 主要分布在瓜州及敦煌的西部边缘部分。疏勒河流域地处我国西北干旱区, 植被对降水敏感, 且易受气候变暖影响。由图 4可知, 年均温的变化趋势以上升为主, 年总降水量变化趋势空间分布与PNPP的变化趋势相似。PNPP、气温和降水的年变化趋势图叠加分析表明, 气温上升和降水量增加在一定程度上促进了植被恢复和沙漠化改善, 而气温的上升和降水量减少导致了植被和土壤的退化加剧。
|
| 图 3 疏勒河流域2001—2015年PNPP年际变化率 Fig. 3 Changing rate of PNPP over Shule River basin during 2001—2015 PNPP：潜在净初级生产力Potential net primary productivity |
|
| 图 4 疏勒河流域2001—2015年年均温年际变化率和年总降水年际变化率 Fig. 4 Changing rate of average temperature and annual total precipitation over Shule River basin during 2001—2015 |
HNPP的空间分布表明, 在2001—2015年期间大部分地区是由于人类活动造成的NPP损失(图 5)。HNPP＞0的总面积占研究区总面积的83%, 意味着人类活动对植被的负向影响在整个流域中较为普遍；HNPP＜0占比仅有17%, 人类活动仅在流域的中部尤其是绿洲区对植被恢复起到促进作用。为了进一步的分析HNPP变化规律, 将HNPP的正负与HNPP变化的趋势结合起来, 归类得到负负、负正、正负与正正4种结果(图 6)。其中HNPP呈负负的情形的分布范围最小, 主要集中于绿洲及敦煌的西部, 显示人类活动导致植被退化的作用减弱；呈负正情形的HNPP主要分布于敦煌的大部, 瓜州玉门绿洲周围及流域东北边缘, 人类活动导致植被退化的作用增强；呈正负情形的HNPP分布范围最广, 占总面积的43.24%, 主要集中于流域上游山区、瓜州北部、敦煌北部及北肃北, 人类活动促进植被恢复的作用减弱；呈正正情形的HNPP主要分布于疏勒河干流上游和中下游山前荒漠过渡带, 在党河上游, 玉门瓜州绿洲北部及北肃北也有大量分布, 这些区域人类活动促进植被恢复的作用增强。综合来看, 人类活动在灌溉绿洲表现为负向作用, 植被被破坏。而在肃北、阿克塞, 从2003年开始, 均被列为国家生态保护项目——“退牧还草”工程项目的试点县, 禁牧封育实施后流域植被得到逐步的恢复, 并取得了较为显著的生态效益[35], 表现为人类活动对植被的修复作用。
|
| 图 5 疏勒河流域2001—2015年均HNPP空间分布 Fig. 5 Spatial distribution of mean annual HNPP over Shule River basin during 2001—2015 HNPP：人类活动影响的净初级生产力Human net primary productivity |
|
| 图 6 NPP人为影响方向与趋势 Fig. 6 Distribution of NPP′s direction and trend 负负：表示人为负向影响且影响程度逐渐减弱；负正：表示人为负向影响且影响程度逐渐增强；正负：表示人为正向影响且影响程度逐渐减弱；正正：表示人为正向影响且影响程度逐渐增强 |
根据表 2列出的方法评估气候变化和人类活动在植被改善中的相对作用。在植被改善区两个因素的相对作用表现出明显的空间异质性(图 7), 其中, 人类活动对植被改善起主要作用(即相对作用超过50%)的区域占植被改善区面积的77.44%, 分布范围主要包括党河上游及玉门南部, 瓜州和北肃北大部分区域；而气候变化相对作用超过50%的区域仅占植被改善区面积的22.56%, 主要分布在阿克塞、南肃北、敦煌交界处及敦煌和瓜州的一小部分区域。这表明在整个流域, 相对于气候变化而言, 人类活动对植被的恢复和改善起主要作用[40]。
|
| 图 7 2001—2015年疏勒河流域气候变化和人类活动在植被改善区域的相对作用 Fig. 7 The relative effects of human activities and climate factors in the areas with improved vegetation in the Shule River Basin during the period of 2001—2015 |
根据表 2中植被退化区情景的计算方法, 得到气候变化和人类活动在疏勒河流域植被退化区域的相对作用(图 8)。气候变化引起退化的区域仅占11.55%, 主要分布于敦煌西部和北部、瓜州北部以及北肃北南部, 而其余占退化总面积88.45%的区域均为人类活动主导植被退化。这表明相对于气候变化, 人类活动是疏勒河流域植被退化的主要驱动因素。
|
| 图 8 2001—2015年疏勒河流域气候变化和人类活动在植被退化区域的相对作用 Fig. 8 The relative effects of human activities and climate factors in the areas with degenerated vegetation in the Shule River Basin during the period of 2001—2015 |
由此看来, 人类活动在流域北部地区的植被恢复以及中部地区的退化中发挥了关键作用。然而, 气候变化控制流域西南部地区的植被恢复, 以及极少部分地区的土地退化。综合来看, 在疏勒河流域人类活动是主导其植被变化的主要因素。
4 结论疏勒河流域由于地形、地貌、气候以及水资源等环境因素的影响, 特别是近年来受气候变化与人类活动的深入影响, NPP空间分布异质性高, 厘清气候变化和人类活动对NPP的作用对流域资源管理和流域可持续发展具有重要意义。
ANPP和PNPP求差法可以在空间上定量区分人类活动和气候变化对NPP造成的影响, 已被广泛用于识别人类引起植被退化的研究[41-42]。在栅格尺度上, 本文通过使用三种常用NPP模型计算了ANPP, PNPP和HNPP，并分析它们的变化趋势, 定量区分人类活动和气候变化对NPP造成的影响, 并确定了疏勒河流域气候变化和人类活动对植被退化和恢复的相对贡献, 得出以下结论：2001—2015年疏勒河流域多年平均ANPP主要在50—100 gC m-2 a-1之间, 相对于全国和西北地区普遍较低, 生产力水平不高。流域年ANPP空间分布呈现南高北低, 区域性分布特征明显, 即上游的祁连山区和中下游的绿洲区ANPP较高, 其余荒漠戈壁区ANPP较低。流域年ANPP呈缓慢增加趋势, 且增加的趋势要强于减小的趋势；PNPP的变化趋势表明, 气候变化在该流域55%的区域有利于植被恢复；HNPP的空间分布表明, 2001—2015年期间全流域83%的区域, 由人类活动造成的NPP损失在增加。气候变化和人类活动在植被改善和退化中的相对作用表现出明显的空间异质性, 且相对于气候变化, 人类活动是疏勒河流域植被改善和退化的主要驱动因素。
本文利用PNPP与ANPP求差法定量评价了疏勒河流域气候变化和人类活动对植被变化的影响, 该方法适用性较高, 可为生态环境恢复和重建提供决策支持。此外, 为了进一步全面和精确地分离气候变化和人类活动对流域植被的影响, 需要更多的气象和植被生物量等实测数据。
| [1] |
Wang H, Li X B, Long H L, Gai Y Q, Wei D D. Monitoring the effects of land use and cover changes on net primary production:a case study in China's Yongding River basin. Forest Ecology and Management, 2009, 258(12): 2654-2665. DOI:10.1016/j.foreco.2009.09.028 |
| [2] |
Lieth H, Whittaker R H. Primary Productivity of the Biosphere. New York: SpringerVerlag, 1975.
|
| [3] |
Ruimy A, Saugier B, Dedieu G. Methodology for the estimation of terrestrial net primary production from remotely sensed data. Journal of Geophysical Research:Atmospheres, 1994, 99(D3): 5263-5283. DOI:10.1029/93JD03221 |
| [4] |
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 |
| [5] |
Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production:A process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811-841. DOI:10.1029/93GB02725 |
| [6] |
郝永萍, 陈育峰, 张兴有. 植被净初级生产力模型估算及其对气候变化的响应研究进展. 地球科学进展, 1998, 13(6): 564-571. DOI:10.3321/j.issn:1001-8166.1998.06.008 |
| [7] |
Potter C, Klooster S, Myneni R, Genovese V, Tan P N, Kumar V. Continental-scale comparisons of terrestrial carbon sinks estimated from satellite data and ecosystem modeling 1982-1998. Global and Planetary Change, 2003, 39(3/4): 201-213. |
| [8] |
Field C B, Randerson J T, Malmström C M. Global net primary production:Combining ecology and remote sensing. Remote Sensing of Environment, 1995, 51(1): 74-88. DOI:10.1016/0034-4257(94)00066-V |
| [9] |
Hicke J A, Asner G P, Randerson J T, Tucker C, Los S, Birdsey R, Jenkins J C, Field C. Trends in North American net primary productivity derived from satellite observations, 1982-1998. Global Biogeochemical Cycles, 2002, 16(2): 1018. |
| [10] |
Piao S L, Fang J Y, He J S. Variations in vegetation net primary production in the Qinghai-Xizang Plateau, China, from 1982 to 1999. Climatic Change, 2006, 74(1/3): 253-267. |
| [11] |
Tang C J, Fu X Y, Jiang D, Fu J Y, Zhang X Y, Zhou S. Simulating spatiotemporal dynamics of sichuan grassland net primary productivity using the CASA model and in situ observations. Scientific World Journal, 2014, 2014: 956963. |
| [12] |
Rojstaczer S, Sterling S M, Moore N J. Human appropriation of photosynthesis products. Science, 2001, 294(5551): 2549-2552. DOI:10.1126/science.1064375 |
| [13] |
李传华, 赵军, 师银芳, 胡秀芳. 基于变异系数的植被NPP人为影响定量研究——以石羊河流域为例. 生态学报, 2016, 36(13): 4034-4044. |
| [14] |
许端阳.气候变化和人类活动在沙漠化过程中相对作用的定量研究——以鄂尔多斯高原为例[D].南京: 南京农业大学, 2009.
|
| [15] |
吴艳艳, 吴志峰, 余世孝. 定量评价人类活动对净初级生产力的影响. 应用生态学报, 2017, 28(8): 2535-2544. |
| [16] |
Zhang C X, Wang X M, Li J C, Hua T. Roles of climate changes and human interventions in land degradation:a case study by net primary productivity analysis in China's Shiyanghe Basin. Environmental Earth Sciences, 2011, 64(8): 2183-2193. DOI:10.1007/s12665-011-1046-4 |
| [17] |
Zhou W, Gang C C, Zhou F C, Li J L, Dong X G, Zhao C Z. Quantitative assessment of the individual contribution of climate and human factors to desertification in northwest China using net primary productivity as an indicator. Ecological Indicators, 2015, 48: 560-569. DOI:10.1016/j.ecolind.2014.08.043 |
| [18] |
Chen B X, Zhang X Z, Tao J, Wu J S, Wang J S, Shi P L, Zhang Y J, Yu C Q. The impact of climate change and anthropogenic activities on alpine grassland over the Qinghai-Tibet Plateau. Agricultural and Forest Meteorology, 2014, 189-190: 11-18. DOI:10.1016/j.agrformet.2014.01.002 |
| [19] |
Zhou W, Yang H, Huang L, Chen C, Lin X S, Hu Z J, Li J L. Grassland degradation remote sensing monitoring and driving factors quantitative assessment in China from 1982 to 2010. Ecological Indicators, 2017, 83: 303-313. DOI:10.1016/j.ecolind.2017.08.019 |
| [20] |
张娟, 田文婷, 颉耀文. 疏勒河流域NPP时空变化分析. 安徽农业科学, 2015, 43(25): 227-230, 273-273. DOI:10.3969/j.issn.0517-6611.2015.25.083 |
| [21] |
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, 37(6): 1888-1899. |
| [22] |
魏靖琼, 柳小妮, 任正超, 王红霞, 潘冬荣. 基于CASA模型的甘肃省草地净初级生产力研究. 草原与草坪, 2012, 32(4): 8-14, 19-19. DOI:10.3969/j.issn.1009-5500.2012.04.002 |
| [23] |
刘春雨, 董晓峰, 刘英英, 潘竟虎, 车彦军. 甘肃省净初级生产力时空变化特征. 中国人口·资源与环境, 2014, 24(1): 163-170. DOI:10.3969/j.issn.1002-2104.2014.01.023 |
| [24] |
卞鸿雁, 庞奖励, 任志远, 文雯. 干旱区内陆流域净初级生产力时空分异模拟及自然因素分析——以泾河流域为例. 资源科学, 2012, 34(9): 1790-1797. |
| [25] |
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. |
| [26] |
焦伟, 陈亚宁, 李稚. 西北干旱区植被净初级生产力的遥感估算及时空差异原因. 生态学杂志, 2017, 36(1): 181-189. |
| [27] |
朴世龙, 方精云, 郭庆华. 利用CASA模型估算我国植被净第一性生产力. 植物生态学报, 2001, 25(5): 603-608. DOI:10.3321/j.issn:1005-264X.2001.05.015 |
| [28] |
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. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y755673
|
| [29] |
陈正华, 麻清源, 王建, 祁元, 李净, 黄春林, 马明国, 杨国靖. 利用CASA模型估算黑河流域净第一性生产力. 自然资源学报, 2008, 23(2): 263-273. DOI:10.3321/j.issn:1000-3037.2008.02.011 |
| [30] |
包刚.基于MODIS数据的内蒙古陆地植被净第一性生产力遥感估算研究[D].呼和浩特: 内蒙古师范大学, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10135-2009202989.htm
|
| [31] |
冉慧.基于CASA模型的吉林省区域NPP遥感研究[D].长春: 吉林大学, 2010. http://cdmd.cnki.com.cn/article/cdmd-10183-2010110054.htm
|
| [32] |
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 |
| [33] |
Palmer W C. Meteorological Drought. Washington, DC: U.S. Department of Commerce, Weather Bureau, 1965.
|
| [34] |
Raich J W, Rastetter E B, Melillo J M, Kicklighter D W, Steudler P A, Peterson B J, Grace A L, Moore Ⅲ B, Vorosmarty C J. Potential net primary productivity in South America:application of a global model. Ecological Applications, 1991, 1(4): 399-429. DOI:10.2307/1941899 |
| [35] |
Yang Y, Wang Z Q, Li J L, Gang C C, Zhang Y Z, Zhang Y, Odeh I, Qi J G. Comparative assessment of grassland degradation dynamics in response to climate variation and human activities in China, Mongolia, Pakistan and Uzbekistan from 2000 to 2013. Journal of Arid Environments, 2016, 135: 164-172. DOI:10.1016/j.jaridenv.2016.09.004 |
| [36] |
郭继凯, 吴秀芹, 董贵华, 李延森. 基于MODIS/NDVI的塔里木河流域植被覆盖变化驱动因素相对作用分析. 干旱区研究, 2017, 34(3): 621-629. |
| [37] |
Pan S F, Tian H Q, Lu C Q, Dangal S R S, Liu M L. Net primary production of major plant functional types in China:Vegetation classification and ecosystem simulation. Acta Ecologica Sinica, 2015, 35(2): 28-36. DOI:10.1016/j.chnaes.2015.03.001 |
| [38] |
齐敬辉, 牛叔文, 马利邦, 何红. 2000-2014年疏勒河流域植被覆盖时空变化. 生态与农村环境学报, 2016, 32(5): 757-766. |
| [39] |
Zhang X Y, Wang X M, Yan P. Re-evaluating the impacts of human activity and environmental change on desertification in the Minqin Oasis, China. Environmental Geology, 2008, 55(4): 705-715. DOI:10.1007/s00254-007-1022-1 |
| [40] |
李文卿, 胡自治, 龙瑞军, 高新才, 李发弟. 甘肃省退牧还草工程实施绩效、存在问题和对策. 草业科学, 2007, 24(1): 1-6. DOI:10.3969/j.issn.1001-0629.2007.01.001 |
| [41] |
Cardoch L, Day Jr J W, Ibàñez C. Net primary productivity as an indicator of sustainability in the Ebro and Mississippi deltas. Ecological Applications, 2002, 12(4): 1044-1055. DOI:10.1890/1051-0761(2002)012[1044:NPPAAI]2.0.CO;2 |
| [42] |
Zika M, Erb K H. The global loss of net primary production resulting from human-induced soil degradation in drylands. Ecological Economics, 2009, 69(2): 310-318. |