2001—2014年中國植被凈初級生產力時空變化及其與氣象因素的關系

劉 剛,孫 睿,*,肖志強,崔天翔

1 北京師范大學地理學與遙感科學學院,北京 100875 2 北京師范大學/中國科學院遙感與數(shù)字地球研究所, 遙感科學國家重點實驗室, 北京 100875

2001—2014年中國植被凈初級生產力時空變化及其與氣象因素的關系

劉 剛1,2,孫 睿1,2,*,肖志強1,2,崔天翔1,2

1 北京師范大學地理學與遙感科學學院,北京 100875 2 北京師范大學/中國科學院遙感與數(shù)字地球研究所, 遙感科學國家重點實驗室, 北京 100875

植被凈初級生產力(NPP)是表征植被活動的關鍵變量,對于評估生態(tài)系統(tǒng)承載力,理解陸地生態(tài)系統(tǒng)碳循環(huán)有著重要意義。以全球陸表特征數(shù)據(jù)集(GLASS)為基礎,對2001—2014年中國植被NPP進行了估算。在此基礎上,利用一元線性回歸、經(jīng)驗正交分解(EOF)分析了我國植被NPP時空變化,利用逐象元相關性分析、奇異值分解(SVD)兩種方法分析了我國植被NPP與溫度、降雨量的相關性。結果表明：(1)我國植被NPP空間上基本呈由東南向西北遞減的分布趨勢,主要是由于植被分布和氣候條件決定的。研究期間我國植被NPP呈波動增加趨勢,總量在3.02—3.49PgC/a之間,平均約為3.25 PgC/a。(2)一元線性回歸與EOF分析結果較為一致,表明我國長江中下游、華北平原和東北長白山地區(qū)NPP呈減少趨勢,而青藏高原、西北、內蒙古中部及東南沿海地區(qū)NPP呈增加趨勢。(3)NPP與氣象要素逐象元相關性分析表明,長白山、青藏高原及南方地區(qū)NPP與溫度呈正相關,內蒙東部和西北地區(qū)NPP與降雨量呈正相關,東北、長江下游地區(qū)NPP與降雨量呈負相關。SVD分析結果與逐象元分析結果基本一致表明,NPP與溫度、降雨量均存在明顯相關性,長白山、內蒙古、青藏高原地區(qū)NPP與溫度正相關,西北、內蒙中部地區(qū)NPP與降雨量呈正相關,長江下游、東北地區(qū)NPP與降雨量呈負相關。

NPP；時空變化特征；氣候因素；中國

工業(yè)革命以來,人們對于環(huán)境的過度干擾與破壞已經(jīng)給整個生態(tài)系統(tǒng)造成了巨大的壓力。大量化石燃料的燃燒使得大氣中CO2等其他溫室氣體濃度增加,并觸發(fā)了一系列環(huán)境問題,如全球溫度升高、干旱問題加劇、植被地域分布改變等[1-2]。Zhao等在研究全球植被凈第一性生產力變化過程中發(fā)現(xiàn),年際NPP與大氣中CO2濃度呈現(xiàn)明顯負相關關系,表明NPP在降低大氣CO2中扮演重要作用[3]。由此可見,NPP在調節(jié)全球氣候變化,研究全球碳通量中扮演著重要角色[4- 6]。因此,國際生物圈計劃(International Biology Plans,IBP)、世界氣候研究計劃(World Climate Research Programme,WCRP)、國際地圈-生物圈計劃(International Geosphere-Biosphere Program,IGBP)等均將其作為核心研究內容[7]。

植被NPP的研究最早可追溯到19世紀80年代,在20世紀80年代取得了長足進步[8]。近年來,隨著數(shù)據(jù)源的豐富和研究方法的改進,植被NPP研究進入新的發(fā)展階段。目前,國內外學者對我國植被NPP進行了大量研究。孫睿等利用光能利用率模型估算了中國1992年4月至1993年3月的植被NPP,并認為水分條件是影響中國植被NPP的主要因素[9]。朱文泉等利用改進的光能利用率模型估算了中國1982至1999年植被NPP,并認為該段時間范圍內降水、溫度和光照均有利于植被的生長,脅迫較弱[10]。相同時間段內,樸世龍等[11]基于Carnegie-Ames-Stanford Approach(CASA)模型的研究結果表明,中國植被NPP呈增加趨勢,并認為降水是主要限制因子。Liang等基于CASA模型估算了1982—2010年我國植被NPP時空變化并探討了氣候因素的影響機制[12]。Pei等估算了中國2001—2010年植被NPP,并分析了干旱對植被NPP的影響[1]。然而,不同研究結果之間一致性較低,模擬結果在1.43—6.13PgC之間[13]。同時由于數(shù)據(jù)源和方法的限制,大尺度NPP研究一般空間分辨率較低,在一定程度上影響了模擬精度。時空變化及影響因素分析主要局限于定性描述、一元線性回歸和簡單相關性分析等方法,分析方法較為單一。

本文基于Cui等[14,15]所開發(fā)的NPP產品生產算法,利用GLASS遙感數(shù)據(jù)集空間分辨率較高、時間跨度長、空間連續(xù)性好的特點,估算了2001—2014年空間分辨率為0.01°的中國植被NPP。利用多種方法分析了NPP時空變化及其對氣象要素響應機制。為評價植被生產力對人類活動、氣候變化的響應及制定生態(tài)環(huán)境治理政策提供依據(jù)。

1 數(shù)據(jù)來源和數(shù)據(jù)預處理

植被NPP模型輸入數(shù)據(jù)包括：葉面積指數(shù)(LAI)、光合有效輻射吸收比例(FPAR)、植被覆蓋度(FVC)、土地利用分類數(shù)據(jù)、森林生物量數(shù)據(jù)、氣象數(shù)據(jù)以及高程數(shù)據(jù)等。

1.1 LAI、FPAR和FVC數(shù)據(jù)

研究所用2001—2014年LAI數(shù)據(jù)來自于北京師范大學生產的GLASS-LAI數(shù)據(jù)集[16],FPAR和FVC數(shù)據(jù)是由GLASS-LAI數(shù)據(jù)結合植被冠層輻射傳輸模型計算得到[17-18]。GLASS數(shù)據(jù)集是目前全世界時間跨度最長的全球地表特征產品之一。針對不同區(qū)域不同植被類型,對GLASS產品進行廣泛的驗證結果表明,GLASS產品空間上完整,時間上平滑連續(xù),產品精度較高。數(shù)據(jù)空間分辨率為1km,時間步長為8d,投影方式為正弦曲線投影。本研究以C++為平臺進行批量拼接、投影轉換和裁剪,從而節(jié)省計算時間。

1.2 土地利用分類數(shù)據(jù)

土地利用分類數(shù)據(jù)來自于國家基礎地理中心生產的2010年全球30米分類數(shù)據(jù)[19],該數(shù)據(jù)是全球首套30m分辨率地表覆蓋數(shù)據(jù),具有空間分辨率高、分類精度高等特點。本研究通過眾數(shù)采樣法將其重采樣為0.01°空間分辨率。該數(shù)據(jù)包括耕地、混交林、闊葉林、針葉林、草地、灌木、濕地、水域、人造覆蓋、裸地以及永久冰雪共11種地類。但缺少對闊葉林、針葉林和灌叢是常綠或落葉、稀疏或郁閉的細分,因而本研究以GLASS冬季LAI數(shù)據(jù)為基礎對,通過自然間斷點分割法分別對3種地類進行劃分,閾值分別為0.95、0.50和0.25。

1.3 生物量數(shù)據(jù)

植被生物量是估算植被自養(yǎng)呼吸的重要參數(shù)。本研究將植被分為非林地和林地兩類。非林地植被生物量通過LAI和比葉面積(Specific Leaf Area,SLA)計算。林地植被以我國第七次森林清查數(shù)據(jù)為基礎,利用羅云建所研究的森林蓄積量-生物量轉換公式進行計算[20]。具體地,假定每個柵格格點分布一棵致密程度各異的大樹,該樹高度由GLAS冠高數(shù)據(jù)(http://webmap.ornl.gov/wcsdown/dataset.jsp?ds_id=10023)表征,致密程度由據(jù)植被覆蓋產品MOD44B (https://ladsweb.nascom.nasa.gov/data/search.html)表征。參考曾偉生等全國立木生物量建?？傮w劃分方案,將全國劃分為六大地理區(qū)域[21](西北、西藏、西南、南方、華北、東北),并收集各區(qū)域代表樹種立木生物量研究結果,從而建立模型所得全國森林生物量分布圖。以該計算結果為紐帶,建立空間格點生物量和該省該類森林生物量均值之間的轉換關系(式1)。從而通過降尺度分配得到每個柵格象元的生物量。

(1)

1.4 氣象數(shù)據(jù)

氣象驅動數(shù)據(jù)為全球陸地數(shù)據(jù)同化系統(tǒng)(Global Land Data Assimilation System,GLDAS)(http://ldas.gsfc.nasa.gov/gldas/GLDASgoals.php)數(shù)據(jù)集。主要包括氣溫、向下短波輻射、向下短波凈輻射、長波凈輻射和比濕數(shù)據(jù)集五個子數(shù)據(jù)集。數(shù)據(jù)空間分辨率為0.25°,時間步長為3h。溫度和比濕數(shù)據(jù)預處理是將8d數(shù)據(jù)累加求平均,從而得到平均溫度和平均比濕。向下短波輻射數(shù)據(jù)處理時,通過累加得到8d的總輻射(MJ/m2),然后乘系數(shù)0.5,將向下短波輻射轉換成光合有效輻射。向下短波凈輻射和長波凈輻射的處理方法與向下短波輻射相同。最后通過雙線性法將各數(shù)據(jù)集重采樣到0.01°空間分辨率,其中溫度插值時利用氣溫直減率進行了高度校正。2001—2012年降雨量數(shù)據(jù)由中國氣象局提供,分辨率為0.0625°,主要用于分析降雨量對植被NPP的影響。

2 研究方法

2.1 植被NPP模型

植被NPP估算模型MuSyQ-NPP (Multi-source data Synergized Quantitative remote sensing production system-Net Primary Productivity),將GPP的形成與自養(yǎng)呼吸過程看作兩個相對獨立的過程[15]。其中,GPP通過光能利用率模型來進行計算,主要取決于植被吸收的光合有效輻射和光能利用率。NPP為GPP中扣除自養(yǎng)呼吸的部分:

GPP=εg·FPAR·PAR·f1(T)·f2(β)

(2)

NPP=GPP-Ra

(3)

式中,εg為最大光能利用率,本研究εg取值參考MODIS NPP算法取值[3,15]。PAR為光合有效輻射。FPAR為植物吸收的光合有效輻射比例,是植被冠層吸收的PAR占入射PAR的比例,與植被自身的生長狀況有關。f1(T)為溫度脅迫因子,其計算參考CASA模型計算公式[22]。f2(β)為水分脅迫因子,通過地表實際蒸散量與潛在蒸散量的比值求得。其中實際蒸散量采用Penman-Monteith公式,結合LAI、FVC及比濕數(shù)據(jù)進行計算。潛在蒸散采用Priestley-Taylor方程計算[15]。Ra為自養(yǎng)呼吸：

Ra=Rm+Rg=∑Rm,i+Rg

(4)

Rm,i=Mirm,iQ10,i(T-Tb)/10

(5)

Rg=γ(GPP-Rm)

(6)

式中,Rm為維持呼吸,Rg為生長呼吸。i代表植被的不同部分,包括根、莖、葉。Mi為植被i部分參與呼吸的生物量,rm,i為植被第i部分的維持呼吸系數(shù),Q10,i為植被i部分溫度敏感因子,Tb為基溫,T為平均溫度。生長呼吸與溫度無關,與總初級生產力成一定的比例關系,為生長呼吸系數(shù)。

2.2 時空變化與影響因素分析方法

首先,本文選擇逐象元一元線性回歸和EOF分析兩種方法分析中國植被NPP時空變化趨勢。第二,引入降雨量和年均溫兩個氣象因子,通過逐象元相關性分析和SVD分析兩種方法分析NPP對氣象因素的響應機制。

EOF是分析要素場時空變化的重要工具[23]。運用EOF分解可以將長時間序列大空間尺度的要素場分解為空間典型場和時間系數(shù),進而反映要素的空間特性及其隨時間的變化。EOF分解得到的多個模態(tài)之間空間上相互正交,且收斂快,前幾個模態(tài)即可反應原始數(shù)據(jù)大部分時空變化規(guī)律。算法以研究區(qū)中變量X的n次觀測值為基礎構造矩陣Xm×n,并對其進行標準化處理。根據(jù)矩陣Xm×n構造相關系數(shù)矩陣Cm×m,并對其進行對角化運算(式7):

C=X·XT=(V·T)·(V·T)T=V·Λ·VT?

(7)

式中,V是EOF輸入變量對應的特征向量,Λ是特征值對角矩陣,可根據(jù)Λ計算模態(tài)的貢獻率。由V計算得到時間系數(shù)T(式8),進而將Xm×n分解為空間模態(tài)和時間系數(shù)的乘積之和(式9):

T=VT·X

(8)

X=V·T

(9)

SVD分析是提取兩個要素場耦合信號的重要工具[24]。最早主要用于氣象要素場分析,近年來被引入到地學領域。SVD分析以兩個場的交叉協(xié)方差矩陣展開(式10),并對其進行廣義對角化運算(式11),得到奇異值和左右場:

C=F·GT

(10)

C=U·Λ·VT

(11)

式中,C是交叉協(xié)方差矩陣,F和G分別是兩個要素場,U和V中的向量是矩陣C的奇異向量,Λ是對角矩陣,對角線上的元素是奇異值,根據(jù)奇異值可以計算每一對奇異向量所代表空間模態(tài)的協(xié)方差貢獻率(Squared Covariance Fraction,SCF)和累積協(xié)方差貢獻率(Cumulative Squared Covariance Fraction,CSCF)。在此基礎上可計算左右場的時間系數(shù)(式12,式13):

Tf=UT·F

(12)

Tg=VT·G

(13)

式中,Tf和Tg分別為左右奇異向量的時間系數(shù)。時間系數(shù)的相關性越大表明兩個場的相關性越高。定義左場時間系數(shù)與右場時間系數(shù)為模態(tài)時間系數(shù),表示第n對模態(tài)之間的相關度。定義左(右)場時間系數(shù)與左(右)場序列之間的時間相關系數(shù)為同性相關系數(shù),表示一個場與其時間系數(shù)之間的相關分布。左(右)場時間系數(shù)與右(左)場序列之間的時間相關系數(shù)為異性相關系數(shù),表示一個場的時間系數(shù)與另一個場的相關分布。在一對異性相關型中,當區(qū)域內左右場變化趨勢一致(均為高值或低值)則表明兩個場呈正相關,反之則呈負相關。顯著相關區(qū)表示兩個場相互影響的關鍵區(qū),由此可確定左右場的遙相關型。本文分析中主要考慮異性相關系數(shù)。

3 研究結果與分析

3.1 NPP估算結果

2001—2014年NPP年均值分布(圖1)來看,我國植被NPP基本呈現(xiàn)由東南向西北遞減的分布趨勢,與前人研究結果基本一致。其中,南方地區(qū)年平均NPP最高,超過700gC m-2a-1,主要原因是這些地區(qū)水熱條件較好,森林植被占有很大比例,植被覆蓋度較高。西北地區(qū)年平均NPP較低,小于130gC m-2a-1,主要是由于該地區(qū)主要以荒漠和草地為主,植被生長受降水限制；東北和華北NPP均值則主要在300—700gC m-2a-1之間。

從植被NPP年際變化來看(圖2),近14年我國受氣候影響NPP波動較大。研究期間我國植被NPP呈現(xiàn)波動增加趨勢,增長率為0.01 PgC/a。植被NPP年總量在3.02—3.49PgC之間,均值約為3.25PgC。其中峰值出現(xiàn)在2004、2007和2013年,其中2013年最高為3.49PgC。低值出現(xiàn)在2003、2005和2009年,其中2009年最低為3.02 PgC。近年來,我國受極端天氣和氣候變化的影響,NPP波動較大。2003、2005年出現(xiàn)低值的可能原因是氣象災害,該年份南方降水偏少,同時夏季出現(xiàn)罕見干旱。2009年出現(xiàn)最低值則可能是由于2008年底的雪災及夏季的干旱導致的。2004、2007和2013年水熱條件較為適宜,因而出現(xiàn)高值。

圖1 中國NPP空間分布Fig.1 Spatial distribution of mean NPP in China in 2001—2014

圖2 中國植被NPP年際變化Fig.2 Interannual variations of total NPP in China from 2001 to 2014

同類研究中,由于模型機理、參數(shù)及數(shù)據(jù)源的不同,模型模擬結果也有所差異。本文NPP估算結果與前人研究結果對比如表1所示。從量級上來看,本研究估算結果在同類研究區(qū)間范圍內,低于陳斌、陳福軍等人的研究結果,高于Pei和高志強等人的研究結果。從變化趨勢上來看,本研究與前人研究也表現(xiàn)出一致性,呈波動上升趨勢,如Liang等[11]人在研究近30年中國植被NPP時空變化中發(fā)現(xiàn),在2000—2010年期間,中國植被NPP的增長率為0.008 PgC/a；陳福軍等[23]人研究1981—2008年中國植被NPP發(fā)現(xiàn)2003年出現(xiàn)低值；Liu等[2]人在研究2001—2010年中國植被NPP中發(fā)現(xiàn),由于受極端天氣影響2009年中國植被NPP出現(xiàn)最低值,均與本研究結果基本一致。

表1 同類研究結果對比

3.2 NPP時空變化

一元線性回歸是對近14年年NPP值與年份進行線性回歸,結果為NPP變化斜率,大于0則表示NPP增加,反之則為減少,擬合結果如圖3所示。研究期間,59.72%的區(qū)域NPP有所增加,40.28%的區(qū)域NPP有所減少。其中,21.35%的區(qū)域植被NPP顯著增加(P<0.05),增加區(qū)域主要分布在青藏高原、西北、內蒙古中部及東南沿海地區(qū)；10.51%的區(qū)域植被NPP顯著減少(P<0.05),減少區(qū)域主要分布在長白山、華北平原和長江中游地區(qū)。

EOF分析的前5個特征向量的方差貢獻率分別為24.68%、13.76%、10.89%、10.09%和7.84%,累積方差貢獻率達到67.26%。本文主要分析第一特征向量的空間分布及其時間系數(shù)。從空間上來看(圖4),高值區(qū)主要分布在青藏高原、西北、內蒙中部、山西北部及東北大興安嶺等地區(qū)。長江中下游、華北平原、中部和東北長白山地區(qū)NPP呈下降趨勢,與Liu等人的研究結論基本一致[2]。主要原因是浙江、福建、廣東等沿海地區(qū)已經(jīng)進入工業(yè)化后期,生態(tài)環(huán)境得到修復,植被NPP有所增加。黃土高原、西北及東北地區(qū)植被NPP呈增加趨勢,表明該區(qū)域生態(tài)修復工程作用顯著。華北農業(yè)區(qū)及長江中下游地區(qū)主要以農業(yè)生態(tài)系統(tǒng)為主,生態(tài)環(huán)境較為脆弱,近年來頻發(fā)的氣象災害是造成該區(qū)域NPP減少的主要原因。從該模態(tài)對應的時間系數(shù)(圖略)來看,基本呈現(xiàn)增加趨勢,與NPP年際變化趨勢有所差異。主要原因是進行EOF分析的原數(shù)據(jù)經(jīng)緯度范圍為(15.85—54.50N,69.13—135.73E)的矩形,與中國行政邊界有所差異,因而統(tǒng)計所得時間變化趨勢與圖2有所區(qū)別,下文奇異值分析所得時間系數(shù)同理。

圖3 基于一元線性回歸的NPP時空變化Fig.3 NPP trends based on linear regression

圖4 EOF分析第一特征向量空間分布Fig.4 The spatial pattern of EOF1 for NPP in China

3.3 氣象因素對NPP的影響

圖5 逐象元NPP與年均溫相關性分布 Fig.5 Correlation coefficients between annual NPP and air temperature

溫度和降水是影響NPP的主要氣象因子。本文選擇逐象元相關性分析和SVD分析兩種方法分析氣象要素對植被NPP的影響。在SVD分析中,為減少計算量,通過雙線性插值法將NPP和氣象要素重采樣到0.25°分辨率,并對NPP和氣象要素(溫度或降水)進行標準化處理。研究以NPP為左場、以氣象要素為右場,對其交叉協(xié)方差矩陣進行奇異值分解,進而提取方差貢獻率、時間相關系數(shù)、異性相關性及時間系數(shù)等信息。

3.3.1 溫度對NPP的影響

基于逐象元的NPP與年均溫相關性如圖5所示。總體而言,NPP與年均溫之間正、負相關并存,以正相關為主,主要分布在長白山、青藏高原以及南方地區(qū),負相關區(qū)零星分布在內蒙古東部地區(qū)。總體而言,通過顯著性檢驗的象元相對較少,通過P<0.01、P<0.05和P<0. 10置信區(qū)間的象元比例分別為4.72%、13.13%和20.23%。

NPP與年均溫奇異值分解結果如表2所示。前三個模態(tài)的累積協(xié)方差貢獻率達到83.70%,其中第一模態(tài)的累積協(xié)方差貢獻率達到52.03%,對第一對模態(tài)進行分析即可揭示NPP與年均溫之間的關系。前三對模態(tài)的時間相關系數(shù)分別為0.96、0.97、0.96,均通過了顯著性檢驗(R0.01=0.66),表明NPP與年均溫之間存在明顯相關性。

表2 NPP與溫度SVD分析結果

從NPP異性相關系數(shù)分布(圖6)來看,第一模態(tài)正值區(qū)主要位于青藏高原、內蒙中部,最高值達到0.8。負值區(qū)主要華北和長白山地區(qū),相關系數(shù)最高達到-0.8,其他區(qū)域相關性較低。從年均溫異性相關系數(shù)分布(圖7)來看,正值區(qū)主要位于西北、青藏高原及內蒙古中西部地區(qū),最高達到0.85以上,負值區(qū)主要位于東北和長江下游地區(qū),最低達到-0.7。這對空間分布型表明：當長白山、內蒙古中部、青藏高原地區(qū)溫度增加(減少)時,NPP隨之增加(減少),與逐象元相關性分析結果基本一致。主要原因是由于,長白山、內蒙古等地區(qū)溫度較低,溫度的增加有利于植被生長,而青藏高原海拔較高,植被蒸騰耗水量較少,植被生長主要受溫度限制。從時間序列演變曲線(圖8)來看,NPP與溫度的變化趨勢基本一致,但年均溫變化幅度略大于NPP,表明NPP對于溫度的響應存在一定滯后。

3.3.2 降雨量對NPP的影響

基于象元的NPP與降雨量進行相關性分布結果如圖9所示。正相關區(qū)域主要分部在內蒙古東部和西北部分地區(qū),負相關區(qū)域零星分布在東北、長江下游、青藏高原南部等地區(qū)。通過P<0.01、P<0.05和P<0.10置信區(qū)間的象元比例分別6.72%、15.21%和21.68%,通過顯著性檢驗的象元比例較少。

將NPP與降雨量的交叉協(xié)方差矩陣進行奇異值分解,結果如表3所示。前3對模態(tài)累積協(xié)方差貢獻率達到83.45%,可代表兩個要素場的主要信息。前三對模態(tài)的時間相關系數(shù)均在0.90以上,通過了顯著性檢驗(R0.01=0.62)。

圖6 第一模態(tài)NPP異性相關性分布Fig.6 Heterogenerous correlation patterns for the first mode of NPP

圖7 第一模態(tài)年均溫異性相關性分布Fig.7 Heterogenerous correlation patterns for the first mode of air temperature

圖8 NPP與溫度時間系數(shù)Fig.8 Time coefficients of NPP and air temperature

圖9 NPP與降雨量相關性分布Fig.9 Correlation coefficients between NPP and precipitation

模態(tài)序號Mode方差貢獻率/%Variancecontribution累積方差貢獻率/%Cumulativevariance相關系數(shù)Correlationcoefficients141．4641．460．95214．6056．060．92311．7967．850．94

第一對模態(tài)解釋了總方差的41.46%,通過對其分析可以闡述降水對NPP的影響。從NPP異性相關性分布(圖10)來看,高值區(qū)主要分布在內蒙中東部和西北地區(qū),低值區(qū)主要分布在華北、南方和長白山等地區(qū)。從降雨量異性相關性分布(圖11)來看,高值區(qū)主要分布在長江中下游、西北、東北和內蒙古中東部等地區(qū),低值區(qū)主要分布在云南地區(qū)。這對分布型表明：當長江中下游和東北地區(qū)降水增加(減少)時,NPP隨之減少(增加)。西北、內蒙中東部降水增加(減少)時,NPP隨著增加(減少)。主要原因是長江中下游地區(qū)降水豐沛,當降水增加時會減少光合有效輻射,從而減少植被NPP。東北等冷濕地區(qū)主要限制因素是溫度,夏季降水對其影響不顯著,但當冬季降水增加時,往往伴隨強低溫出現(xiàn),從而限制植被生長。西北、內蒙古中部氣候相對干燥,降水是植被生長的主要限制因子。從時間系數(shù)來看(圖12),該模態(tài)中降雨量和NPP的變化趨勢較為一致,相關系數(shù)達到0.95,通過了P<0.01的顯著性檢驗。

圖10 第一模態(tài)NPP異性相關性分布Fig.10 Heterogenerous correlation patterns for the first mode of NPP

圖11 第一模態(tài)降雨量異性相關性分布Fig.11 Heterogenerous correlation patterns for the first mode of precipitation

圖12 NPP與降雨量時間系數(shù) Fig.12 Time coefficients of NPP and precipitation

研究表明,對于相關性較為顯著的區(qū)域,兩種方法都能夠較好地反映NPP與氣象要素間的相互關系。由于樣本量的限制相關性分析通過顯著性檢驗的象元數(shù)量較少,從而表現(xiàn)出一定的局限性。SVD方法可以提取時間系數(shù),從而可以從時間角度分析兩個要素場的互動機制。

4 結論與討論

本文基于MuSyQ-NPP模型估算了2001—2014年中國植被NPP。結果顯示,研究期間我國植被NPP呈波動增加趨勢,總量在3.02—3.49PgC/a之間,平均約為3.25 PgC/a?？臻g上基本呈由東南向西北遞減的分布趨勢,地區(qū)間變化分異明顯。

一元線性回歸和EOF分析所得結果較為一致,結果表明青藏高原、西北、內蒙古、山西北部及東北大興安嶺等地區(qū)植被NPP呈增加趨勢,長江中下游、華北平原、中部和東北長白山地區(qū)植被NPP有所下降。傳統(tǒng)逐象元相關性分析和SVD分析結果基本一致。結果表明：長白山地區(qū)、內蒙古及青藏高原地區(qū)NPP與年均溫呈正相關。長江中下游和東北地區(qū)NPP與降雨量呈負相關,西北、內蒙古中部地區(qū)NPP與降雨量呈正相關。

比較而言,傳統(tǒng)相關性分析在提取變量相關信息時存在一定局限性,這種局限性主要是由于變量的變化幅度和樣本數(shù)量的限制,從而導致多數(shù)象元不能通過顯著性檢驗。此外,傳統(tǒng)的相關性分析無法解釋變量之間是否存在因果關系,即變量周期性變化帶來的假相關。SVD分析可以從場域的角度出發(fā),分析區(qū)域內變量的互動關系。此外SVD分析可以通過提取時間系數(shù)分析變量之間的相互關系。然而該算法運算量較大,需要將原始數(shù)據(jù)重采樣到較低分辨率,犧牲了一定的數(shù)據(jù)精度。

[1] 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.

[2] Liu Y B, Ju W M, He H L, Wang S Q, Sun R, Zhang Y D. Changes of net primary productivity in China during recent 11 years detected using an ecological model driven by MODIS data. Frontiers of Earth Science, 2013, 7(1): 112-127.

[3] Zhao M S, Running S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009. Science, 2010, 329(5994): 940-943.

[4] Twine T E, Kucharik C J. Climate impacts on net primary productivity trends in natural and managed ecosystems of the central and eastern United States. Agricultural and Forest Meteorology, 2009, 149(12): 2143- 2161.

[5] 王李娟, 牛錚, 曠達. 基于MODIS數(shù)據(jù)的2002—2006年中國陸地NPP分析. 國土資源遙感, 2010, (4): 113- 116.

[6] 劉琳, 李月臣, 朱翠霞, 楊揚, 李瓊瑤. 2001年—2010年重慶地區(qū)植被NPP時空變化特征及其與氣候因子的關系. 遙感信息, 2013, 28(5): 99- 108.

[7] IGBP Terrestrial Carbon Working Group. The terrestrial carbon cycle: implications for the Kyoto Protocol. Science, 1998, 280(5368): 1393- 1394.

[8] 埃塞林頓 J R. 環(huán)境和植物生態(tài)學. 曲仲湘, 譯. 北京: 科學出版社, 1989.

[9] 孫睿, 朱啟疆. 中國陸地植被凈第一性生產力及季節(jié)變化研究. 地理學報, 2000, 55(1): 36- 45.

[10] 朱文泉, 潘耀忠, 陽小瓊, 宋國寶. 氣候變化對中國陸地植被凈初級生產力的影響分析. 科學通報, 2007, 52(21): 2535- 2541.

[11] 樸世龍, 方精云, 郭慶華. 1982—1999年我國植被凈第一性生產力及其時空變化. 北京大學學報: 自然科學版, 2001, 37(4): 563- 569.

[12] Liang W, Yang Y T, Fan D M, Guan H D, Zhang T, Long D, Zhou Y, Bai D. Analysis of spatial and temporal patterns of net primary production and their climate controls in China from 1982 to 2010. Agricultural and Forest Meteorology, 2015, 204: 22- 36.

[13] 高燕妮, 于貴瑞, 張黎, 劉敏, 黃玫, 王秋鳳. 中國陸地生態(tài)系統(tǒng)凈初級生產力變化特征——基于過程模型和遙感模型的評估結果. 地理科學進展, 2012, 31(1): 109- 117.

[14] Zhang R H, Sun R, Du J P, Zhang T L, Tang Y, Xu H W, Yang S T, Jiang W G. Estimations of net primary productivity and evapotranspiration based on HJ- 1A/B data in Jinggangshan city, China. Journal of Mountain Science, 2013, 10(5): 777- 789.

[15] Cui T X, Wang Y J, Sun R, Qiao C, Fan W J, Jiang G Q, Hao L Y, Zhang L. Estimating vegetation primary production in the heihe river basin of china with multi-source and multi-scale data. PLoS One, 2016, 11(4): e153971.

[16] Xiao Z Q, Liang S L, Wang J D, Chen P, Yin X J, Zhang L Q, Song J L. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 209- 223.

[17] Xiao Z Q, Liang S L, Sun R, Wang J D, Jiang B. Estimating the fraction of absorbed photosynthetically active radiation from the MODIS data based GLASS leaf area index product. Remote Sensing of Environment, 2015, 171: 105- 117.

[18] Xiao Z Q, Wang T T, Liang S L, Sun R. Estimating the fractional vegetation cover from GLASS leaf area index product. Remote Sensing, 2016, 8(4): 337.

[19] Chen J, Chen J, Liao A P, Cao X, Chen L J, Chen X H, He C Y, Han G, Peng S, Lu M, Zhang W W, Tong X H, Mills J. Global land cover mapping at 30m resolution: a POK-based operational approach. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7- 27.

[20] 羅云建, 王效科, 張小全, 逯非. 中國森林生態(tài)系統(tǒng)生物量及其分配研究. 北京: 中國林業(yè)出版社, 2013.

[21] 曾偉生. 全國立木生物量方程建模方法研究[D]. 北京: 中國林業(yè)科學研究院, 2011.

[22] 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.

[23] 張雪珍. 1982—2011年北半球中緯度秋季植被綠度變化的主要模態(tài). 地理科學, 2014, 34(10): 1226- 1232.

[24] 江志紅, 丁裕國. 我國夏半年降水距平與北太平洋海溫異常的奇異值分解法分析. 熱帶氣象學報, 1995, 11(2): 133- 141.

[25] 高志強, 劉紀遠. 中國植被凈生產力的比較研究. 科學通報, 2008, 53(3): 317- 326.

[26] 陳福軍, 沈彥俊, 李倩, 郭英, 徐麗梅. 中國陸地生態(tài)系統(tǒng)近30年NPP時空變化研究. 地理科學, 2011, 31(11): 1409- 1414.

[27] 陳斌, 王紹強, 劉榮高, 宋婷. 中國陸地生態(tài)系統(tǒng)NPP模擬及空間格局分析. 資源科學, 2007, 29(6): 45- 53.

AnalysisofspatialandtemporalvariationofnetprimaryproductivityandclimatecontrolsinChinafrom2001to2014

LIU Gang1,2,SUN Rui1,2,*,XIAO Zhiqiang1,2,CUI Tianxiang1,2

1SchoolofGeography,BeijingNormalUniversity,Beijing100875,China2StateKeyLaboratoryofRemoteSensingScience,JointlySponsoredbyBeijingNormalUniversityandtheInstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100875,China

Net primary productivity (NPP) is a key variable in characterizing vegetation activity. NPP also plays an important role in evaluating ecosystem carrying capacity and understanding terrestrial ecosystem carbon cycle. The present study estimated the NPP in China from 2001 to 2014 based on the GLASS remote sensing dataset. We also analyzed the spatial and temporal variation of vegetation NPP in China with linear regression and Empirical Orthogonal Function (EOF) algorithms. By using correlation analysis and Singular Value Decomposition (SVD) method, the relationship between NPP and temperature and the relationship between NPP and precipitation were obtained, respectively. The results showed that (1) NPP in China revealed a decreasing pattern from southeast to northwest due to the spatial variability of vegetation and climatic characteristics. NPP also had a fluctuating increase trend during our study period with values ranging between 3.02 and 3.49 PgC/a. The average value was approximately 3.25 PgC/a. (2) The linear regression and EOF results are consistent. Both results indicated that NPP presented a decreasing tendency in the lower Yangtze region, North China Plain, and Changbai mountain area. In the Qinghai-Tibetan Plateau, northwest, central Inner Mongolia, and southeast coastal areas of China, NPP showed an increasing tendency. (3) The correlation analysis between NPP and meteorological elements indicated that NPP was positively correlated with temperature in the Changbai mountain area, Qinghai-Tibet Plateau, and southern area. NPP was also positively correlated with precipitation in the eastern Inner Mongolia and northwestern region. However, in the Northeast, Yangtze River, and east of the Qinghai-Tibetan Plateau area, NPP was negatively correlated with precipitation. The SVD results were consistent with the results of correlation analysis. We found significant correlations between NPP and temperature and precipitation. NPP was positively correlated with temperature in the Changbai mountain area, Inner Mongolia, and Qinghai-Tibet Plateau area. NPP was also positively correlated with precipitation in the northwest and central Inner Mongolia, whereas it was negatively correlated with precipitation in the lower Yangtze River and northeastern area.

NPP; spatial-temporal variation; climate controls; China

國家自然科學基金(41471349);國家科技支撐計劃項目 (2013BAC03B02);中央高?；究蒲袠I(yè)務費專項(2014kJJCA02)資助

2016- 04- 29; < class="emphasis_bold">網(wǎng)絡出版日期

日期:2017- 03- 22

10.5846/stxb201604290822

*通訊作者Corresponding author.E-mail: sunrui@bnu.edu.cn

劉剛,孫睿,肖志強,崔天翔.2001—2014年中國植被凈初級生產力時空變化及其與氣象因素的關系.生態(tài)學報,2017,37(15):4936- 4945.

Liu G,Sun R,Xiao Z Q,Cui T X.Analysis of spatial and temporal variation of net primary productivity and climate controls in China from 2001 to 2014.Acta Ecologica Sinica,2017,37(15):4936- 4945.