2020, Vol. 40文章信息
- 张筠, 张春华, 张安定, 方美红, 吴孟泉, 林哲, 张奕昂, 宋晓林
- ZHANG Jun, ZHANG Chunhua, ZHANG Anding, FANG Meihong, WU Mengquan, LIN Zhe, ZHANG Yiang, SONG Xiaolin
- 水热波动和土地覆盖变化对东北地区植被NPP的相对影响
- Relative effects of hydrothermal fluctuation and land cover changes on vegetation net primary productivity in Northeast China
- 生态学报. 2020, 40(21): 7733-7744
- Acta Ecologica Sinica. 2020, 40(21): 7733-7744
- http://dx.doi.org/10.5846/stxb201907161504
-
文章历史
- 收稿日期: 2019-07-16
- 修订日期: 2020-06-01
2. 南京大学国际地球系统科学研究所, 南京 210023;
3. 中国科学院东北地理与农业生态研究所, 长春 130012
2. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China;
3. Northeast Institute of Geography and Agricultural Ecology, Chinese Academy of Sciences, Changchun 130012, China
植被是陆地生态系统的主体, 在调节全球气候、碳平衡等方面有着不可替代的作用, 增加陆地植被碳汇已成为人类应对气候变化的必要战略选择[1-2]。植被净初级生产力(Net Primary Productivity, NPP)是指绿色植物在单位时间和单位面积上由光合作用所产生的有机干物质总量中扣除自养呼吸后的剩余部分[3-4]。作为陆地生态过程的关键参数, NPP不仅可以反映气候变化(气温、降水、辐射等)与人类活动(土地利用/覆盖、水土保持、植被建设等)对陆地植被综合作用的结果[3, 5], 也是判定生态系统碳收支、健康状况和可持续发展的重要指标[6-7]。目前, 水热波动(包括气温和降水)和土地覆盖变化被广泛认为是造成植被NPP变异的最主要驱动力[1, 8]。随着陆地碳循环研究的不断深入, 植被NPP估算及其与水热波动和土地覆盖变化的响应关系已成为当前国际生态学和全球变化研究的重要内容和热点[6, 9-11]。
近年来, 国内外学者在植被NPP估算方法、时空变异及影响机制等方面都取得了显著的进展[10-14], 在全球[13, 15]、国家[16-18]、生态环境敏感区或脆弱区[13-16]等不同尺度上探讨了NPP时空动态变化及其影响因素。遥感数据具有时间序列长、覆盖范围广等特点, 从而使基于遥感数据驱动的生态系统过程模型成为全球植被NPP时空特征及其驱动机制研究的重要手段。MODIS数据因其较高的时间分辨率及获取成本低廉性, 使其成为目前区域植被NPP模拟估算的主要遥感数据源之一[17-18]。MOD17A3是利用MODIS遥感参数, 参考BIOME-BGC生态过程模型与光能利用率模型建立的全球陆地植被NPP[19], 该数据产品已在全球和区域碳循环研究中得到广泛验证和应用[6, 20-22]。国内学者使用MOD17A3数据对我国许多地区植被NPP进行研究[23-27], 均不同程度地验证了水热波动和土地覆盖变化对NPP的影响, 但植被NPP对这些因子的响应特征表现出较大的空间异质性。如降水和城市化是安徽省植被NPP变化的主要原因[23]；秦巴地区植被NPP与气温和降水呈正相关, 人类活动对NPP具有双重扰动作用[24]；城市加速扩张是黄河流域植被NPP损失的主要驱动力[25]；植树造林是陕西省植被NPP增加的主导因素[26]；温暖干燥气候和生态环境破坏是导致青藏高原地区植被NPP下降的主要原因[27]。这些研究提高了对我国特定区域植被NPP的理解和认识, 但是不同区域、不同时期水热波动和土地覆盖变化均有各自的特殊性, 而且以往研究主要关注植被NPP对单一因子的响应, 很少同时考虑水热波动和土地覆盖变化对植被NPP的影响。
东北地区是我国重要的商品粮基地, 地处针阔叶混交林与北方针叶林的过渡区, 是受气候变化影响最显著的地区之一[28]。该区植被是北半球中高纬度植被的重要组成部分, 在区域甚至全球碳循环中发挥着关键作用。随着社会经济的发展, 人类对土地资源的开发利用不断加强, 造成土地覆被结构改变和功能退化, 生态环境问题日益严重。近年来, 已有诸多学者对东北地区植被NPP及其影响机制进行研究, 如温度上升是导致东北地区植被NPP增加的主控因子[29]；气温、降水和土地覆盖变化是影响植被NPP时空格局的重要因素[30]；东北地区植被NPP差异受温度、降水等因素的共同影响[31]。由于植被NPP对不同驱动因子的响应并不是简单的线性“驱动-响应”关系, 其中存在着复杂的多尺度(包括时间和空间)相互作用过程和响应特征[32]。然而, 以往大多研究仅考虑水热波动或者土地覆盖变化对东北地区植被NPP的单一影响, 未能综合定量两者对植被NPP变化的相对贡献, 从而很难阐明东北地区植被NPP变化的响应机制。本研究拟利用美国国家航空航天局(NASA)2016年发布的MODIS MOD17A3遥感数据, 对2000—2015年东北地区植被NPP时空动态变化及其对水热波动和土地覆盖变化的响应进行定量分析, 研究16年间该地区植被NPP的时空分布特征, 以及水热波动和土地覆盖变化对NPP的相对影响。研究成果有望为东北地区生态系统健康评估、生态环境保护等提供科学依据。
1 数据与方法 1.1 研究区概况东北地区位于亚欧大陆的东侧, 中国的东北部, 地处东经115°52′—135°09′和北纬38°72′—53°55′之间, 行政区划上包括黑龙江、吉林、辽宁三省以及内蒙古呼伦贝尔市、通辽市、赤峰市和兴安盟, 区域土地面积约144×105 km2 [33]。东北地区属温带季风气候, 年平均气温-4—11℃, 年降水量东部地区为400—700 mm, 西部仅为250—400 mm。区域地貌分为西部的大兴安岭、东北部的小兴安岭、东南部的长白山系、西南部的科尔沁沙地和中部的松嫩平原。地形以山地和平原为主, 其中山地占区域总面积的35.8%、平原占29.0%、丘陵占26.9%、高原占8.3%。土壤多为棕色针叶林土、暗棕壤、黑土。植被类型以寒温带落叶针叶林、温带针阔混交林、温带森林草原、草原草甸为主。东北地区横跨暖温带、温带和寒温带, 自东向西呈现出湿润、半湿润和半干旱的湿度分异, 具有典型的植被分布格局, 成为全球变化研究的重要区域。
1.2 数据来源与处理 1.2.1 NPP数据本研究所用的2000—2015年MOD17A3 NPP数据来源于美国NASA EOS/MODIS网站(http://www.ntsg.umt.edu/project/mod17), 空间分辨率为1 km×1 km, 时间分辨率是1年。该数据是利用卫星获得的土地覆盖、部分光合有效辐射(FPAR)和叶面积指数(LAI)驱动Biome-BGC生态过程模型, 模拟获得的全球陆地植被NPP。MOD17A3产品提供有NPP及其相应年份的质量控制数据(NPP_QC), 根据NPP_QC数据节点值大小(0、32、64和128)可将NPP数据的可信度划分为四个等级：高(0≤NPP_QC < 32)、中(32≤NPP_QC < 64)、低(64≤NPP_QC < 128)和反演失败(NPP_QC≥128), 用于表示NPP产品的质量可靠性。根据2000—2015年NPP_QC数据进行统计分析, 近16年东北地区NPP数据质量中、高等级多年平均可信度达到97.6%, 表明NPP数据在该地区用于相关研究具有较高可靠性(表 1)。
| 年份 Year |
NPP数据质量可信度等级所占区域面积比例 Area proportions of NPP data reliability among four different levels/% |
|||
| 高 High |
中 Medium |
低 Low |
反演失败 Inversion failed |
|
| 2000 | 47.1 | 50.2 | 1.1 | 1.6 |
| 2001 | 39.9 | 57.6 | 0.9 | 1.5 |
| 2002 | 40.0 | 57.4 | 1.0 | 1.6 |
| 2003 | 46.8 | 50.9 | 0.7 | 1.5 |
| 2004 | 40.3 | 56.9 | 1.2 | 1.6 |
| 2005 | 45.6 | 51.7 | 1.0 | 1.7 |
| 2006 | 54.7 | 42.9 | 0.7 | 1.5 |
| 2007 | 58.2 | 39.3 | 0.8 | 1.6 |
| 2008 | 45.3 | 52.2 | 1.0 | 1.5 |
| 2009 | 55.3 | 42.5 | 0.6 | 1.6 |
| 2010 | 44.6 | 52.8 | 1.1 | 1.6 |
| 2011 | 58.7 | 39.2 | 0.6 | 1.6 |
| 2012 | 55.7 | 42.1 | 0.6 | 1.5 |
| 2013 | 41.7 | 56.1 | 0.6 | 1.6 |
| 2014 | 56.5 | 41.3 | 0.5 | 1.5 |
| 2015 | 44.3 | 53.3 | 0.8 | 1.5 |
土地覆盖数据来自NASA MODIS网站(https://modis.gsfc.nasa.gov/)2001—2015年的MCD12Q1产品, 空间分辨率为500 m, 时间分辨率是1年。利用MRT软件对原始数据进行格式转换、拼接、投影和重采样, 使其与MOD17A3数据的坐标体系(WGS84/Albers投影)和分辨率(1 km)保持一致。本研究选择通用于土地覆盖类型的IGBP分类方案数据, 该方法将土地覆盖类型划分为17种(分别用代码0—16表示), 包括11个自然植被类型、3个土地利用和土地镶嵌、3个无植生土地类型。本研究将17种地类重新合并为7种, 即：森林、灌木、草地、耕地、水体、居民地、裸地。由于缺少2000年MCD12Q1土地覆盖数据, 本研究采用邻近年份2001年的数据代替。
1.2.3 水热因子数据本研究水热因子数据来源于国家气象信息中心(http://data.cma.cn/), 选取东北地区136个地面气象站的月平均气温、月总降水量资料, 时间为2000—2015年。对于缺失站点的气温和降水数据, 根据邻近观测站的实际资料进行插补延长, 以保证数据的完整性。考虑到研究区气象站点较少, 为了提高水热因子数据的准确性, 在ArcGIS环境下, 采用Kriging插值方法实现对气温和降水数据的空间化, 获取空间分辨率与NPP数据一致、投影相同的水热因子栅格图。
1.3 研究方法 1.3.1 NPP精度检验本研究MOD17A3 NPP产品的精度验证数据来自于文献调研资料, 所用验证方法有两种：一是从像元尺度上将NPP值与实测值进行比较；二是在区域尺度上将NPP值与他人在相同区域计算的结果进行比较。东北地区典型的植被类型包括森林和农田, 由于该地区草地和灌木等实测NPP数据较少, 加之农田明显的季节性特征, 本文NPP产品像元尺度上的验证, 仅考虑森林植被类型。森林实测NPP值分别是Wang等[34]和Zhao和Zhou[35]对中国地区森林生产力的研究结果, 包括落叶松、冷杉、油松等东北地区典型森林树种(附录1)。
1.3.2 NPP时空变化趋势分析在ENVI IDL工具支持下, 利用一元线性回归方法分析2000—2015年东北地区每个栅格植被NPP的变化趋势：
|
(1) |
式中, θslope为趋势线斜率, 即NPP的年际变化速率, 单位为g C m-2 a-1；NPPi是第i年的NPP值, 单位为g C m-2 a-1；i为年变量；n为监测年数(n=16)。当θslope > 0时, 表示植被NPP呈增加趋势；反之则减少。
1.3.3 NPP与水热因子的相关性根据估算得到的东北地区每个栅格像元的NPP值, 以及空间化的水热因子要素, 选取Pearson系数来描述每个像元的NPP与气温、降水之间的关系：
|
(2) |
式中, Rxy为变量x、y之间的Pearson相关系数；xi表示第i年的NPP值；yi表示第i年的气温或降水；xp、yp分别表示2000—2015年东北地区年均NPP值及相应的气温、降水值；i为年变量；n为监测年数(n=16)。
1.3.4 水热波动和土地覆盖变化对植被NPP的贡献本研究利用Hicke等[36]提出的贡献率方法, 定量分离水热波动和土地覆盖变化对植被NPP变化的影响, 时间段界定为2000—2005年、2005—2010年和2010—2015年。在每个研究时间段, 水热波动对植被NPP的相对贡献(Rht)表示为实际NPP与水热不变条件下估算的NPP之间的差异；土地覆盖(森林、灌木、草地和农田)变化对植被NPP的相对贡献(Rlc)表示为实际NPP与土地覆盖不变条件下估算的NPP之间的差异。各因子的相对贡献率可由下式表达：
|
(3) |
|
(4) |
式中, S1为某一段时间初始时的土地覆盖类型的面积；ΔS为某一段时间不同土地覆盖类型面积的变化量；NPP1为某一段时间初始时的NPP值；ΔNPP为某一段土地覆盖类型的NPP变化量；ΔNPP×S1为水热波动对东北地区NPP总量的影响量；ΔS×NPP1为土地覆盖变化对东北地区NPP总量的影响量。
2 结果与分析 2.1 MOD17A3 NPP估算结果验证图 1是东北地区MOD17A3产品的森林NPP估算结果与Wang等[34]和Zhao和Zhou[35]研究的结果对比图。在像元尺度上, 本研究NPP估算结果与文献获取样地实测的NPP值存在显著的线性关系(P＜0.01), 与1:1线较为接近, 但是MOD17A3 NPP产品存在着低值高估、高值低估的现象。因为在实际生产力水平较低的区域, MOD17A3产品模型中输入的FPAR值偏高导致该区域中NPP值被高估。相反, 由于MOD17A3产品模型中输入的光能利用率偏低, 实际生产力水平较高地区的NPP值则被低估[37]。
|
| 图 1 东北地区MOD17A3 NPP值与地面实测值的比较 Fig. 1 Comparison of MOD17A3 NPP with field observation in Northeast China |
在区域尺度上, 由于所用数据、方法等不同, 东北地区植被NPP估算值存在较大差距(表 2)。本文估算的2000—2015年东北地区植被NPP均值为412.10 g C m-2 a-1, 与赵国帅等[41]的研究结果接近, 略低于薛梅等[29]、王彦颖[38]的结果, 高于程春晓等[40]的结果。造成上述差异的原因主要与不同研究的数据、方法, 以及研究时间和空间尺度等有关。值得注意的是, 本研究结果介于已有研究NPP值范围内(100—700 g C m-2 a-1), 表明MOD17A3数据用于估算东北地区植被NPP是可行的。
| 数据/方法 Data/Method |
MOD17A3 | CASA | CASA | CASA | BEPS | GLOPEM-CEVSA |
| 时间Period | 2000—2015 | 2000—2013 | 1983—2012 | 2001—2010 | 2003—2012 | 2000—2008 |
| 范围Area | 东北地区 | 东北地区 | 东北地区 | 东北三省 | 东北地区 | 东北地区 |
| NPP均值Mean NPP/ (g C m-2 a-1) |
412.10 | 489.68 | 100.00—700.00 | 306.64 | 550.00 | 445.00 |
| 文献References | 本研究 | 王彦颖[38] | 邱玥等[39] | 程春晓等[40] | 薛梅等[29] | 赵国帅等[41] |
| CASA：估算区域植被净生产力模型Carnegie-Ames-Stanford Approach；BEPS：北方生态过程模型Boreal Ecosystem Productivity Simulator；GLOPEM-CEVSA：生产效率遥感模型 | ||||||
2000—2015年东北地区植被NPP年际变化特征明显(图 2), 整体呈现波动增加趋势, 从2000年的369.24 g C m-2 a-1增加到2015年的453.84 g C m-2 a-1, 16年平均NPP是412.10 g C m-2 a-1, 年均增加速率为4.54 g C m-2 a-1(P＜0.01)。东北地区植被NPP年际变化可以分为三个阶段：2000—2005年植被NPP呈较明显上升趋势, 净增加66.04 g C m-2 a-1；2005—2010年植被NPP值围绕多年平均值上下波动, 变化范围在356.25—435.28 g C m-2 a-1, 并在2007年达到最小值, 为356.25 g C m-2 a-1, 比16年平均NPP低14%；2010—2015年植被NPP呈上升趋势, 其中最大值出现在2014年, 为463.83 g C m-2 a-1, 比16年平均NPP高13%。
|
| 图 2 2000—2015年东北地区植被NPP年际变化特征 Fig. 2 Interannual variations of vegetation NPP from 2000 to 2015 in Northeast China |
2000—2015年东北地区植被年均NPP空间分布格局呈现南高北低、东高西低的特点, 具有明显的空间异质性(图 3)。大部分区域的年均NPP分布在0—900 g C m-2 a-1之间, 占总面积的98.4%。辽东湾北部区域形成NPP高值区, 年均NPP值高于600 g C m-2 a-1。NPP值由东南地区向西部递减, 自小兴安岭至长白山脉NPP值较低, 分布在300—600 g C m-2 a-1之间。中部和西部形成NPP低值区, 该区的NPP值小于300 g C m-2 a-1, 集中分布在内蒙古呼伦贝尔草原以及松嫩平原西部。
|
| 图 3 2000—2015年东北地区植被NPP年均空间分布及变化趋势图 Fig. 3 Spatial distribution and temporal trends of the average annual vegetation NPP from 2000 to 2015 in Northeast of China |
从植被NPP变化趋势来看(图 3), 2000—2015年东北地区大部分地区植被NPP表现为轻微增加的变化趋势, 占总面积的45.9%。显著增加和极显著增加的面积占24.2%, 主要集中在黑龙江省北部的小兴安岭地区、辽宁省南部的沿长白山脉一带以及内蒙古北部的大兴安岭地区。NPP值无明显变化的区域占总面积的25.8%, 分布区域较为分散。呈下降趋势的面积占比较少, 仅占4.5%, 分布在黑龙江省的北部以及西部。总体来说, 2000—2015年东北地区植被NPP增加的总面积约占该区总面积的70.1%, 远高于减少的面积, 这表明东北地区的植被生长状况有所改善。
2.3 土地覆盖变化对植被NPP的影响2000—2015年东北地区四种土地覆盖类型年均NPP变化介于265.68—483.8 g C m-2 a-1之间, 多年平均NPP值为361.43 g C m-2 a-1, 整体呈波动上升的趋势, 灌木和森林的变化幅度较大(图 4)。森林的植被NPP平均值为375.5 g C m-2 a-1, 年际增加速率为5.84 g C m-2 a-1, 在2000—2005年间呈波动上升的趋势, 净增加94.63 g C m-2 a-1；2006—2010年NPP值围绕多年平均值上下波动, 并在2007年达到最小值, 为265.67 g C m-2 a-1；之后呈上升趋势, 在2013年达到16年间的最大值, 为471.03 g C m-2 a-1, 2015年又下降到412.7 g C m-2 a-1。灌木的年均NPP值为400.34 g C m-2 a-1, 16年间变化值介于305.27—483.80 g C m-2 a-1之间。灌木的NPP值在2003年以前呈现波动增加的趋势, 在2003年达到最大值为483.8 g C m-2 a-1；2003—2007年呈现下降的趋势, 之后呈波浪状在375 g C m-2 a-1附近上下浮动。草地的植被NPP平均值为300.49 g C m-2 a-1, 在16年间变化值介于265.67—343.2 g C m-2 a-1之间, 并以每年4.17 g C m-2 a-1的趋势增加。2010年之前, 草地的植被NPP值呈波浪状在280 g C m-2 a-1上下浮动；2010—2013呈现明显的上升趋势, 并于2013年达到最大值343.21 g C m-2 a-1。农田的植被NPP值在16年间的变化值介于331.18—401.39 g C m-2 a-1之间, 平均值为373.56 g C m-2 a-1, 整体呈现增加的变化趋势, 年变化率为2.18 g C m-2 a-1。2005年之前以及2010—2013年, 都呈现增加的变化趋势, 并于2013年达到最大值, 为401.39 g C m-2 a-1；2005—2010年围绕多年平均值上下波动, 摆动范围在334.34—399.98 g C m-2 a-1之间；2013年之后, 呈下降趋势。
|
| 图 4 2000—2015年东北地区不同土地覆盖类型植被NPP年际变化 Fig. 4 Interannual variation of vegetation NPP among different land cover types from 2000 to 2015 in Northeast China |
水热波动对植被生长具有重要作用, 本研究从像元尺度上计算2000—2015年东北地区植被NPP与同期水热因子的相关关系(图 5)。东北地区植被NPP与平均气温的相关系数范围为-0.90—0.82, 平均值为-0.19。年均NPP与年均气温呈负相关的区域占总面积的59.4%, 主要分布于三江平原、松嫩平原以及呼伦贝尔高原, 该区的主要植被类型为耕地与草原, 气温升高促进了植被的呼吸和蒸腾作用, 使植被养分分解加快, 叶片的寿命缩短以及根的活动范围减小, 而且会造成地表干旱从而影响植被生长。正相关区域占总面积的41.6%, 主要集中在大小兴安岭以及长白山区等地区, 该区域植被类型为森林, 温度是东北地区森林生长主要的限制性因素[42], 温度的增加可以延长森林的生长季节, 提高光合作用效率以及植物的生产力。总体来说, 东北地区植被NPP与气温呈负相关的区域面积与呈正相关的区域面积基本持平, 相关性不显著。
|
| 图 5 2000—2015年东北地区植被NPP与气温和降水量年际相关性图 Fig. 5 Interannual correlations between vegetation NPP and temperature and precipitation from 2000 to 2015 in Northeast China |
2000—2015年东北地区绝大部分地区的年均NPP与年降水量之间呈正相关关系, 正相关系数最大值为0.95(图 5)。年均NPP与年降水量呈正效应的面积高达81.3%, 主要分布在内蒙古干旱区与东北平原, 主要植被类型为草原与耕地, 植被根系较短, 对降水变化很敏感, 使降水成为该地区植物生长的主要制约因素。年均NPP与年降水量呈负相关的区域集中于东部以及东南部沿海区域, 主要植被类型为森林, 沿海地区气候湿润, 降水增多导致植被淹水使根系无法进行有氧呼吸, 直接影响养分和水分的吸收效率, 从而使植被的生长发育受抑制。植被年均NPP与降水量的正相关地区面积高于NPP与气温的负相关地区面积, 表明东北地区植被NPP与降水量的相关性更为显著。
2.5 水热波动和土地覆盖变化对植被NPP的相对贡献从不同时期水热波动和土地覆盖变化对东北地区不同植被类型NPP总量的影响量和贡献率来看, 除灌木外, 2000—2005年、2005—2010年和2010—2015年东北地区水热波动对不同土地覆盖类型NPP总量变化的贡献远高于土地覆盖变化的贡献, 其中对森林和农田的贡献率均达到70%以上(表 3)。2000—2005年和2010—2015年水热波动对不同土地覆盖类型的影响量均为正值, 即气温和降水量增加使得不同植被类型的NPP值增加, 而土地覆盖变化则相反。2000—2005年土地覆盖变化对除森林之外的土地覆盖类型的影响量均为负值, 而水热波动所导致的东北地区NPP总量的增加趋势抵消了土地覆盖变化所带来的减少趋势, 使不同土地覆盖类型的NPP总量增加。其中, 水热波动对农田贡献率最大为87.3%, 使农田在这一时期增加了34.4 Tg C。2005—2010年各土地覆盖类型的NPP总量都有不同程度减少, 其中森林的减少量最多, 为29.63 Tg C。土地覆盖变化对各土地利用类型的NPP变化的贡献较上一时期均有所上升, 其中对灌木的贡献率由27.1%增加到64.1%, 使灌木在这一时间段内减少了9.93 Tg C, 远远超过同时期水热波动对灌木NPP总量变化的贡献。除灌木外, 2010—2015年不同土地覆盖类型的NPP总量都有所增加。与其他土地覆盖类型不同的是, 土地覆盖变化对灌木NPP的贡献高于水热波动的贡献。
| 土地覆盖类型 Land cove type |
因素 Factor |
年份Year | |||||||
| 2000—2005 | 2005—2010 | 2010—2015 | |||||||
| 影响量 Impact/ (Tg C) |
贡献率 Contribution/% |
影响量 Impact/ (Tg C) |
贡献率 Contribution/% |
影响量 Impact/ (Tg C) |
贡献率 Contribution/% |
||||
| 森林Forest | 土地覆盖变化 | 7.70 | 21.6 | 8.57 | 17.5 | 4.96 | 10.9 | ||
| 水热波动 | 26.10 | 73.1 | -38.20 | 77.9 | 38.80 | 85.1 | |||
| 灌木Shrubland | 土地覆盖变化 | -0.47 | 27.1 | -9.93 | 64.1 | -2.38 | 50.7 | ||
| 水热波动 | 1.25 | 71.9 | -3.75 | 24.2 | 1.83 | 36.9 | |||
| 草地Grassland | 土地覆盖变化 | -2.62 | 17.7 | -3.18 | 25.2 | -10.40 | 39.4 | ||
| 水热波动 | 12.70 | 80.8 | -9.07 | 71.9 | 14.10 | 53.4 | |||
| 农田Cropland | 土地覆盖变化 | -3.96 | 10.1 | 6.03 | 14.1 | 9.13 | 22.3 | ||
| 水热波动 | 34.40 | 87.3 | -35.90 | 83.8 | 30.50 | 74.6 | |||
MOD17A3 NPP产品数据集是使用BIOME-BGC模型与光能利用率模型模拟所获得的目前时间跨度最长、生理生态机制较清楚、估算结果较精准的全球陆地植被净初级生产力产品, 是全球和区域NPP与碳循环研究使用最多的数据源之一。该产品可以更好地估计全球生态系统NPP的时空变化, 并在不同植物生长状况评估、生物量估算、环境监测, 碳循环和全球变化的研究中得到验证和广泛应用[6, 20-22]。本研究使用的2000—2015年东北地区植被NPP数据质量中、高等级多年平均可信度达到97.6%, 数据整体质量较好。水热波动和土地覆盖变化对植被生长具有重要的影响[3], 但东北地区植被NPP对水热波动和土地覆盖变化响应的定量研究报道较少。Hicke等[36]最初应用贡献率方法研究农田NPP变化的原因, 该方法常用于定量分离气候和人类活动的贡献[43], 本研究选用贡献率方法区分水热波动和土地覆盖变化对东北地区植被NPP的相对影响。与以往研究相比, 本研究在数据和方法上具有较高的精度。
东北地区作为我国重要的森林储备库, 也是对环境变化响应的敏感区, 对该地区植被NPP进行长时间序列的监测对于区域碳收支的准确评估和预测具有重要意义[28-30]。2000—2015年东北地区植被NPP年际变化波动明显, 总体呈现增加趋势, 与同时期中国植被NPP的总体变化趋势一致[44]。近16年来, 东北地区植被NPP平均值(412.10 g C m-2 a-1)低于仲晓春等[45]研究的全国植被平均NPP值(514.48 g C m-2 a-1)。东北地区植被年均NPP空间分布格局呈现南高北低、东高西低的特点, 原因可能为东南沿海地区纬度低, 水热条件好, 该地区植被固氮能力强。植被NPP呈显著增加的区域主要集中在黑龙江省北部的小兴安岭地区、辽宁省南部的沿长白山脉一带以及内蒙古北部的大兴安岭地区, 这些地区的植被类型以森林为主, 主要为落叶阔叶林、常绿针叶林, 这一结果也定量说明了东北地区自1998年实施的“天然林资源保护工程”成效显著。
近年来, 东北地区受水热波动和土地覆盖变化的共同作用, NPP空间异质性高, 厘清水热波动和土地覆盖变化对NPP的影响对区域资源管理和可持续发展具有重要意义。在气温和降水两个水热因子中, 降水是东北地区植被NPP变化的主要影响因子, 这一结果与朱文泉等[42]、仲晓春等[45]、陶波等[46]得出的结果一致, 而薛梅等[29]则认为东北地区植被NPP对降水不敏感。这种差异可能由于MOD17A3 NPP数据使用的Biome-BGC模型和薛梅等[29]使用的BEPS模型在土壤水分含量模拟上采用的土壤水模块的层数不同, 后者研究中植被NPP对降水的响应存在滞后效应。通过对水热波动和土地覆盖变化对东北地区植被NPP定量影响分析得知, 水热波动对东北不同土地覆盖类型NPP总量变化的贡献远高于土地覆盖变化的贡献, 这与姜春等[47]和贾俊鹤等[48]对广东省和中国西北地区的研究结果一致。而王原等[43]和Wu等[49]研究结果为土地覆盖变化为植被NPP变化的主要驱动力, 原因可能是其研究区分别为空间尺度较小与城市化进程较快的上海市和广州市, 植被受人类活动影响较大。由此可见, 本研究的结论可以为东北地区NPP估算、碳排放、可持续发展等提供数据参考。
本研究仍然存在一些不足, 在对NPP数据进行验证时, 由于实测数据有限, 仅考虑森林一种植被类型, 并且数据涵盖年份较少, 无法确定东北地区其他植被类型以及不同时间范围内的NPP精度, 需在以后的研究中结合实际采样数据进一步完善模型精度验证工作。在分析水热波动对东北地区植被NPP的影响时, 只考虑了气温和降水两种气候因子, 而地表散射、太阳辐射等气候因子也会对NPP的生长产生作用。对水热波动和土地覆盖变化对植被NPP的相对贡献进行探讨中, 忽略了两者共同作用的部分, 在后续研究中, 要综合考虑植被NPP的影响因子, 为东北地区环境监测、碳循环和全球变化的研究提供依据和借鉴。
4 结论本研究基于2000—2015年MODIS MOD17A3 NPP数据和对应年的水热数据和土地覆盖数据, 采用相关分析、回归分析和空间分析相结合的方法, 定量研究近16年东北地区植被NPP的时空变化特征及水热波动和土地覆盖变化对东北地区植被NPP的相对影响。主要结论如下：
(1) 2000—2015年东北地区植被NPP呈波动上升趋势, 平均值是412.10 g C m-2 a-1, 年际增加速率为4.54 g C m-2 a-1。空间上呈现出南高北低, 东高西低的特点, NPP均值呈增加趋势的面积占70.1%。不同土地覆盖类型年均NPP值存在差异, 其中灌木最高为400.34 g C m-2 a-1。
(2) 通过东北地区植被年均NPP与年均温、年降水量的相关性分析发现, 2000—2015年东北地区植被NPP受气温的影响较小, 降水量是影响其植被NPP变化的主要因素, 年均NPP与年降水量呈正效应的面积高达81.3%。
(3) 除灌木外, 2000—2015年东北地区水热波动对不同土地覆盖类型NPP总量变化的贡献远高于土地覆盖变化的贡献, 其中对森林和农田的贡献率均达到70%以上。水热波动对不同土地覆盖类型的影响量均为正值, 增加了不同植被类型的NPP值, 土地覆盖变化则相反。
| 站点 Sites |
森林类型 Forest type |
经度 Latitude/(°) |
纬度 Longitude/(°) |
高程 Altitude/m |
生物量 Biomass/ (t/hm2) |
NPP / (t hm-2 a-1) |
来源 Source |
| 1 | LA | 45.3 | 127.6 | 392 | 131.2 | 6.69 | [34] |
| 2 | LA | 45.3 | 127.6 | 307 | 186.3 | 5.71 | [34] |
| 3 | LA | 45.3 | 127.6 | 384 | 174.5 | 5.90 | [34] |
| 4 | PB | 45.3 | 127.6 | 353 | 197.3 | 8.85 | [34] |
| 5 | LA | 51.3 | 123.1 | 1069 | 293.5 | 9.01 | [34] |
| 6 | LA | 51.3 | 123.2 | 1114 | 143 | 11.72 | [34] |
| 7 | LA | 51.6 | 123.2 | 701 | 203.7 | 10.63 | [34] |
| 8 | LA | 51.8 | 123 | 792 | 109.7 | 12.32 | [34] |
| 9 | LA | 51.8 | 123 | 830 | 132.9 | 11.90 | [34] |
| 10 | LA | 51.9 | 123 | 855 | 154.8 | 11.51 | [34] |
| 11 | LA | 51.9 | 123 | 845 | 95.7 | 12.57 | [34] |
| 12 | LA | 51.9 | 123 | 886 | 95.7 | 12.57 | [34] |
| 13 | LA | 51.9 | 123 | 900 | 116.4 | 12.19 | [34] |
| 14 | LA | 51.9 | 123 | 892 | 119.3 | 12.15 | [34] |
| 15 | PB | 51.9 | 123 | 725 | 89.4 | 8.85 | [34] |
| 16 | LA | 50.9 | 121.3 | 839 | 185.9 | 10.95 | [34] |
| 17 | LA | 50.9 | 121.5 | 830 | 136.6 | 11.4 | [34] |
| 18 | LA | 50.9 | 121.5 | 830 | 133.4 | 11.89 | [34] |
| 19 | PB | 44.4 | 128.2 | 1524 | 35.1 | 8.85 | [34] |
| 20 | PA | 44.4 | 128.2 | 1428 | 128.9 | 11.28 | [34] |
| 21 | PB | 42.1 | 128.1 | 1985 | 52.6 | 8.85 | [34] |
| 22 | PA | 42.2 | 128.2 | 1114 | 338.8 | 11.28 | [34] |
| 23 | PB | 42.2 | 128.2 | 1054 | 245.3 | 8.85 | [34] |
| 24 | LA | 42.2 | 128.2 | 1125 | 710.1 | 1.51 | [34] |
| 25 | LA | 42.1 | 128.3 | 1440 | 254.8 | 9.71 | [34] |
| 26 | LA | 42.1 | 128.2 | 1436 | 334.2 | 8.28 | [34] |
| 27 | PT | 42.17 | 121.8 | 400 | — | 3.58 | [35] |
| 28 | PT | 40.83 | 119.8 | 500 | — | 3.21 | [35] |
| 29 | PT | 41.9 | 124.1 | 190 | — | 12.49 | [35] |
| 30 | PT | 41.9 | 124.1 | 270 | — | 9.99 | [35] |
| 31 | PT | 42 | 121.7 | 240 | — | 4.41 | [35] |
| 32 | PT | 42 | 121.7 | 200 | — | 4.33 | [35] |
| 33 | PT | 42 | 121.7 | 300 | — | 10.34 | [35] |
| 34 | PT | 42.3 | 119 | 700 | — | 5.6 | [35] |
| 35 | PT | 42.27 | 118.97 | 750 | — | 5.4 | [35] |
| LA:落叶松Larix forest；PB:杨树、桦木Populus & Betula forest；PA:冷杉、云杉Picea & Abies forest；PT:油松Pinus tabulaeformis forest | |||||||
| [1] |
Fang J Y, Yu G R, Liu L L, Hu S J, Chapin III F S. Climate change, human impacts, and carbon sequestration in China. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4015-4020. |
| [2] |
Chen T T, Peng L, Liu S Q, Wang Q. Spatio-temporal pattern of net primary productivity in Hengduan Mountains area, China:impacts of climate change and human activities. Chinese Geographical Science, 2017, 27(6): 948-962. |
| [3] |
周妍妍, 朱敏翔, 郭晓娟, 李凯, 苗俊霞, 郭建军, 徐晓锋, 岳东霞. 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. 生态学报, 2019, 39(14): 5127-5137. |
| [4] |
Khalifa M, Elagib N A, Ribbe L, Schneider K. Spatio-temporal variations in climate, primary productivity and efficiency of water and carbon use of the land cover types in Sudan and Ethiopia. Science of the Total Environment, 2018, 624: 790-806. |
| [5] |
朱士华, 艳燕, 邵华, 李超凡. 1980-2014年中亚地区植被净初级生产力对气候和CO2变化的响应. 自然资源学报, 2017, 32(11): 1844-1856. |
| [6] |
Jones M O, Running S W, Kimball J S, Robinson N P, Allred B W. Terrestrial primary productivity indicators for inclusion in the national climate indicators system. Climatic Change, 2018.
|
| [7] |
Forkel M, Carvalhais N, Rödenbeck C, Keeling R, Heimann M, Thonicke K, Zaehle S, Reichstein M. Enhanced seasonal CO2 exchange caused by amplified plant productivity in northern ecosystems. Science, 2016, 351(6274): 696-699. |
| [8] |
Piao S L, Liu Z, Wang T, Peng S S, Ciais P, Huang M T, Ahlstrom A, Burkhart J F, Chevallier F, Janssens I A, Jeong S J, Lin X, Mao J F, Miller J, Mohammat A, Myneni R B, Peñuelas J, Shi X Y, Stohl A, Yao Y T, Zhu Z C, Tans P P. Weakening temperature control on the interannual variations of spring carbon uptake across northern lands. Nature Climate Change, 2017, 7: 359-363. |
| [9] |
Li P, Peng C H, Wang M, Li W Z, Zhao P X, Wang K F, Yang Y Z, Zhu Q A. Quantification of the response of global terrestrial net primary production to multifactor global change. Ecological Indicators, 2017, 76: 245-255. |
| [10] |
Wen Y Y, Liu X P, Bai Y, Sun Y, Yang J, Lin K, Pei F S, Yan Y C. Determining the impacts of climate change and urban expansion on terrestrial net primary production in China. Journal of Environmental Management, 2019, 240: 75-83. |
| [11] |
Mendoza-Ponce A, Corona-Núñez R, Kraxner F, Leduc S, Patrizio P. Identifying effects of land use cover changes and climate change on terrestrial ecosystems and carbon stocks in Mexico. Global Environmental Change, 2018, 53: 12-23. |
| [12] |
崔林丽, 史军, 肖风劲. 气候要素及El Niño/La Niña事件对中国陆地NPP变化的影响. 地理学报, 2018, 73(1): 54-66. |
| [13] |
Rafique R, Zhao F, De Jong R, Zeng N, Asrar G R. Global and regional variability and change in terrestrial ecosystems net primary production and NDVI:a model-data comparison. Remote Sensing, 2016, 8(3): 177. |
| [14] |
Volkova L, Roxburgh S H, Weston C J, Benyon R G, Sullivan A L, Polglase P J. Importance of disturbance history on net primary productivity in the world's most productive forests and implications for the global carbon cycle. Global Change Biology, 2018, 24(9): 4293-4303. |
| [15] |
Li J, Wang Z L, Lai C G, Wu X Q, Zeng Z Y, Chen X H, Lian Y Q. Response of net primary production to land use and land cover change in mainland China since the late 1980s. Science of the Total Environment, 2018, 639: 237-247. |
| [16] |
Wang X, Tan K, Chen B Z, Du P J. Assessing the spatiotemporal variation and impact factors of net primary productivity in China. Scientific Reports, 2017, 7: 44415. |
| [17] |
Ardö J, Tagesson T, Jamali S, Khatir A. MODIS EVI-based net primary production in the Sahel 2000-2014. International Journal of Applied Earth Observation and Geoinformation, 2018, 65: 35-45. |
| [18] |
Yu T, Sun R, Xiao Z Q, Zhang Q, Liu G, Cui T X, Wang J M. Estimation of global vegetation productivity from global land surface satellite data. Remote Sensing, 2018, 10(2): 327. |
| [19] |
Zhao M S, Heinsch F A, Nemani R R, Steven W R. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 2005, 95(2): 164-176. |
| [20] |
He Y, Piao S L, Li X Y, Chen A P, Qin D H. Global patterns of vegetation carbon use efficiency and their climate drivers deduced from MODIS satellite data and process-based models. Agricultural and Forest Meteorology, 2018, 256-257: 150-158. |
| [21] |
Liu Y Y, Yang Y, Wang Q, Du X L, Li J L, Gang C C, Zhou W, Wang Z Q. Evaluating the responses of net primary productivity and carbon use efficiency of global grassland to climate variability along an aridity gradient. Science of the Total Environment, 2019, 652: 671-682. |
| [22] |
Peng D L, Zhang B, Wu C Y, Huete A R, Gonsamo A, Lei L P, Ponce-Campos G E, Liu X J, Wu Y H. Country-level net primary production distribution and response to drought and land cover change. Science of the Total Environment, 2017, 574: 65-77. |
| [23] |
王芳, 汪左, 张运. 2000-2015年安徽省植被净初级生产力时空分布特征及其驱动因素. 生态学报, 2018, 38(8): 2754-2767. |
| [24] |
王耀斌, 赵永华, 韩磊, 奥勇. 2000-2015年秦巴山区植被净初级生产力时空变化及其趋动因子. 应用生态学报, 2018, 29(7): 2373-2381. |
| [25] |
田智慧, 张丹丹, 赫晓慧, 郭恒亮, 魏海涛. 2000-2015年黄河流域植被净初级生产力时空变化特征及其驱动因子. 水土保持研究, 2019, 26(2): 255-262. |
| [26] |
王钊, 李登科. 2000-2015年陕西植被净初级生产力时空分布特征及其驱动因素. 应用生态学报, 2018, 29(6): 1876-1884. |
| [27] |
Luo Z H, Wu W C, Yu X J, Song Q M, Yang J, Wu J H, Zhang H J. Variation of net primary production and its correlation with climate change and anthropogenic activities over the Tibetan plateau. Remote Sensing, 2018, 10(9): 1352. |
| [28] |
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. |
| [29] |
薛梅, 陈芸芝, 闫敏, 李增元, 汪小钦, 徐海生, 张兆鹏, 田昕. 中国东北地区植被NPP模拟与时空变化分析. 福州大学学报:自然科学版, 2018, 46(6): 821-830. |
| [30] |
毛德华, 王宗明, 韩佶兴, 任春颖. 1982~2010年中国东北地区植被NPP时空格局及驱动因子分析. 地理科学, 2012, 32(9): 1106-1111. |
| [31] |
王静, 施润和, 张璐. 东北地区区域植被净初级生产力估算. 遥感信息, 2016, 31(5): 47-52. |
| [32] |
郑景云, 方修琦, 吴绍洪. 中国自然地理学中的气候变化研究前沿进展. 地理科学进展, 2018, 37(1): 16-27. |
| [33] |
周玉科. 中国东北地区植被生产力控制因素分析. 地理学报, 2020, 75(1): 53-67. |
| [34] |
Wang X P, Fang J Y, Zhu B. Forest biomass and root-shoot allocation in northeast China. Forest Ecology and Management, 2008, 255(12): 4007-4020. |
| [35] |
Zhao M, Zhou G S. A new methodology for estimating forest NPP based on forest inventory data-A case study of Chinese pine forest. Journal of Forestry Research, 2004, 15(2): 93-100. |
| [36] |
Hicke J A, Lobell D B, Asner G P. Cropland area and net primary production computed from 30 years of USDA agricultural harvest data. Earth Interactions, 2004, 8(10): 1-20. |
| [37] |
Turner D P, Ritts W D, Cohen W B, Gower S T, Running S W, Zhao M S, Costa M H, Kirschbaum A A, Ham J M, Saleska S R, Ahl A E. Evaluation of MODIS NPP and GPP products across multiple biomes. Remote Sensing of Environment, 2006, 102(3/4): 282-292. |
| [38] |
王彦颖.中国东北植被时空动态变化及其对气候响应研究[D].长春: 东北师范大学, 2016.
|
| [39] |
邱玥, 范德芹, 赵学胜, 孙文彬. 中国东北地区植被NPP时空变化及其对物候的响应研究. 地理与地理信息科学, 2017, 33(5): 21-27. |
| [40] |
程春晓, 徐宗学, 王志慧, 刘昌明. 2001-2010年东北三省植被净初级生产力模拟与时空变化分析. 资源科学, 2014, 36(11): 2401-2412. |
| [41] |
赵国帅, 王军邦, 范文义, 应天玉. 2000-2008年中国东北地区植被净初级生产力的模拟及季节变化. 应用生态学报, 2011, 22(3): 621-630. |
| [42] |
朱文泉, 潘耀忠, 阳小琼, 宋国宝. 气候变化对中国陆地植被净初级生产力的影响分析. 科学通报, 2007, 52(21): 2535-2541. |
| [43] |
王原, 黄玫, 王祥荣. 气候和土地利用变化对上海市农田生态系统净初级生产力的影响. 环境科学学报, 2010, 30(3): 641-648. |
| [44] |
刘刚, 孙睿, 肖志强, 崔天翔. 2001-2014年中国植被净初级生产力时空变化及其与气象因素的关系. 生态学报, 2017, 37(15): 4936-4945. |
| [45] |
仲晓春, 陈雯, 刘涛, 郝心宁, 李哲敏, 孙成明. 2001-2010年中国植被NPP的时空变化及其与气候的关系. 中国农业资源与区划, 2016, 37(9): 16-22. |
| [46] |
陶波, 李克让, 邵雪梅, 曹明奎. 中国陆地净初级生产力时空特征模拟. 地理学报, 2003, 58(3): 372-380. |
| [47] |
姜春, 吴志峰, 程炯, 李少英, 刘庆. 气候波动和土地覆盖变化对广东省植被净初级生产力的相对影响. 热带亚热带植物学报, 2016, 24(4): 397-405. |
| [48] |
贾俊鹤.气候变化与人类活动对西北地区植被NPP不同时间尺度变化影响的相对重要性[D].南京: 南京师范大学, 2018.
|
| [49] |
Wu Y, Luo Z, Wu Z. Net primary productivity dynamics and driving forces in Guangzhou city, China. Applied Ecology and Environmental Research, 2018, 16(5): 6667-6690. |