植被净初级生产力(Net Primary Productivity,NPP),是指绿色植物在单位时间、单位面积内进行光合作用产生的有机物量减去植物本身呼吸所消耗的有机干物质累积总量,可用于植被生长繁殖,也被称为第一生产力[1]。植被NPP作为确定陆地生态系统碳源/汇的关键要素,不仅直接代表了自然环境条件下植被群落的生产能力,还体现了陆地生态系统的质量水平[2]。植被NPP主要受自然要素(气温、降水、太阳辐射等)和人类活动的影响,因此可以量化气候变化和人类活动对植被群落生产能力的影响[3]。
最近几十年,植被NPP的估算方法主要分为两种:站点测量法和模型估算法。站点测量法往往受限于生态系统的斑块化镶嵌结构以及地形因子等因素,主要适用于较小时间-空间尺度的植被NPP估算。在较大的时间-空间尺度上,人们无法直接并全面地衡量生态系统生产力,因此模型估算法成为估算植被NPP的一种广泛使用方法,其主要包括气候生产力模型(Miami模型[4]、Chikugo模型[5]等)、生态过程模型(BIOME-BGC模型[6]、TEM模型[7]等)和光能利用率模型(CASA模型[8]、GLO-PEM模型[9]等)。在众多模型中,CASA模型可引入遥感技术,输入参数较少且容易获取,计算流程相对简单,在研究领域中显示出良好的模拟结果,是最常用且非常有效的研究手段。近年来,众多学者利用CASA模型对不同时间-空间尺度上的植被NPP展开了一系列研究,Li等[10]探究了中亚干旱、半干旱和亚湿润干旱地区年平均植被NPP的时空变化格局,通过量化气候变化对植被NPP的影响,发现中亚地区年平均植被NPP对降水的敏感性大于对温度和太阳辐射的敏感性。Zhang等[11]计算人类活动影响下的年平均植被NPP与实际年平均植被NPP的差值,通过分析相对贡献率发现,人类活动对黄河源年平均草地NPP的变化具有正向影响,人类活动增加了40.16%的年平均草地NPP,草地退化不显著。左丽媛等[12]应用地理探测器在三岔河流域进行喀斯特地区年平均植被NPP空间异质性的定量归因研究,发现土地利用类型、海拔、坡度、温度等因子均对植被NPP的空间分布有影响。以往的研究有助于人们了解特定区域的植被NPP动态变化机制,但环境因子对植被NPP的影响程度会随着区域特性的变化而变化。因此,研究不同地区的植被NPP时空变化规律和影响机制有着重要的意义。
广西位于云贵高原东南侧,南临北部湾,在地形上属于高原向海平面过渡区,气候类型主要为亚热带季风气候和热带季风气候;另外,广西具有占其陆地面积40%的喀斯特区,在地质作用下,独特的地表水热环境形成相对脆弱的生态系统。近几十年来,人类活动使森林植被遭到严重的破坏,水土流失和石漠化问题十分突出[13]。在此背景下,对广西植被NPP的时空格局进行研究,并探讨其与气候、地形等因素之间的关系,有助于深入了解植被生态功能的演变,以及生态系统质量和植被恢复特征的变化趋势,具有重要的研究价值。基于MODIS年尺度植被NPP数据(MOD17A3),周爱萍等[14]研究了2000-2010年广西地区的年平均植被NPP (1 km空间分辨率),指出广西年平均植被NPP受经纬度的影响呈现出分布上的差异,指出地形(坡度)、地貌、降水等是其变化的重要影响因素,分布格局整体为中部低、四周高,东部低、西部高,北部低、南部高的特征;熊小菊等[15]通过研究2000-2015年广西的年平均植被NPP (500 m空间分辨率),发现广西年平均植被NPP整体趋势为西北部高、中部及南部低,海拔、土壤类型对植被NPP及其变化的影响相对较大。基于MODIS高时空分辨率数据,李燕丽等[16]利用CASA模型研究分析2000-2011年的广西年平均植被NPP (250 m空间分辨率),指出在月尺度上,月累计降水量是影响月植被NPP的主要影响因子,红壤地区的年平均植被NPP增长较为明显,石灰土地区则下降较为明显,年平均植被NPP与海拔高度具有显著正相关关系。上述广西植被NPP的空间分布研究结果有一定的差异:周爱萍等[14]指出2001-2010年广西年平均植被NPP分布格局呈现南部高的特征,而熊小菊等[15]得出的结论与之相反;熊小菊等[15]未指出年累计降水量是广西年平均植被NPP的主要影响因子,与其他两位学者的结果不一致。另外,前述研究数据均较久远,其中2人利用MODIS的NPP年尺度产品,空间分辨率较低。目前,针对广西植被NPP的研究较少,缺乏近期植被NPP季节变化的研究,对影响广西植被NPP的主要环境因子也需要进一步论证。
鉴于此,本研究基于CASA模型、高分辨率遥感数据、站点气象数据、数字高程模型(DEM)数据,对广西2019年的植被NPP进行估算,分析广西植被NPP的时空演变规律和环境要素之间的关系,拟为广西生态环境监测与管理、生物多样性保护、生态服务评估等提供科学参考。
1 数据与方法 1.1 研究区概况广西位于中国南端,地理范围为104°26′-112°04′E、20°54′-26°20′N,总面积23.76万平方米。研究区地处云贵高原东南边缘,喀斯特地貌突出,中部和南部多丘陵平地,呈盆地状,地势西北高、东南低,西北向东南倾斜,海拔为0-2 117 m,坡度为0°-73.41°。广西的植被类型主要有常绿阔叶林、热带雨林、针叶林和草地等4类。常绿阔叶林是广西最主要的植被类型,分布在广西南部的丘陵和平原地区,是广西最为典型的自然景观[17]。全区地处低纬度地区,北回归线横贯中部,南临热带海洋,北接南岭山地,西延云贵高原,属亚热带季风气候和热带季风气候,年平均日照时数为1 213.0-2 135.2 h (数据来源于网站http://www.gxzf.gov.cn/),2019年平均气温16.4-24.9 ℃,累计降水量为841.3-2 494.8 mm。
1.2 数据来源 1.2.1 归一化植被指数(NDVI)数据NDVI数据来源于美国国家航空航天局(NASA)MOD13Q1数据产品(https://www.earthdata.nasa.gov/),空间分辨率为250 m,时间分辨率为16 d。利用MRT软件进行影像拼接和投影,ArcGIS软件进行波段合成,合成方法采用最大合成法,将每月两期数据合成月度NDVI数据。
1.2.2 气象数据气象数据(气温、降水)来源于中国气象信息中心(http://data.cma.cn/)地面气候资料数据集(V3.0)和美国国家海洋和大气管理局(NOAA)气象监测数据(https://www.ncei.noaa.gov/)每日数据集。利用Anusplin 4.3软件对气象数据进行空间插值[18],生成空间分辨率为250 m的月度栅格数据。
1.2.3 太阳总辐射数据太阳总辐射数据由向下短波辐射数据表示,来源于美国爱达荷大学创建的TerraClimate全球高分辨率气候数据集,空间分辨率为4 638.3 m,利用ArcGIS软件创建渔网点,利用克里金插值至250 m空间分辨率。
1.2.4 DEM数据DEM数据来源于地理空间数据云(http://www.gscloud.cn/)ASTER GDEM V3 30 m分辨率数字高程数据,利用ArcGIS软件对其进行拼接、裁剪和重采样至250 m空间分辨率。
1.2.5 植被类型分布数据2019年植被类型分布数据来源于哥白尼全球土地覆盖数据集CGLS-LC100系列3,空间分辨率为100 m,分类精度达到80%[19],利用ArcGIS软件重采样至250 m空间分辨率(图 1),并重新归为11种植被类型和1种水覆盖类型。不同植被类型的最大光利用率根据朱文泉等[8]相关研究成果设置。
![]() |
图 1 2019年广西植被类型分布 Fig.1 Distribution of vegetation types in Guangxi in 2019 |
1.2.6 植被NPP验证数据
植被NPP验证数据来源于NASA(https://www.earthdata.nasa.gov/)MOD17A3H数据产品,空间分辨率为500 m,时间分辨率为1 a,利用MRT软件进行影像拼接和投影,使用ArcGIS软件裁剪生成广西2019年植被NPP数据。
1.3 方法 1.3.1 植被NPP估算利用CASA模型估算植被净初级生产力,该模型的输出结果主要受光合有效辐射(Photosynthetically Active Radiation,PAR)和实际光能利用率(ε)两个参量影响,这两个参量是植被光合作用的决定性因子,其中ε主要由植被类型、降水量和气温驱动。本研究采用朱文泉等[8]改进的CASA模型估算广西2019年植被NPP,该模型的改进之处主要包括以下3个方面:①模型引入植被覆盖类型,结合植被类型分类精度对植被NPP估算的影响来调整不同植被类型的NDVI最大值;②根据中国植被NPP的实测数据,计算得到相对准确的、不同植被类型的最大光能利用率,提高模型的可靠性;③根据气象数据(气温、降水、太阳总辐射),使用区域蒸散发模型估算水分胁迫因子,使模型参数更加简化、可靠。模型表达如下:
$ \operatorname{NPP}(x, t)=\operatorname{PAR}(x, t) \times \varepsilon(x, t), $ | (1) |
式中,PAR (x, t)为像元x在t月吸收的光合有效辐射(g C-2·month-1),ε(x, t)为像元x在t月的实际光能利用率(g C·MJ-1)。
PAR是植被光合作用的决定性因素,可用公式(2)表示:
$ \operatorname{PAR}(x, t)=\operatorname{SOL}(x, t) \times \operatorname{FPAR}(x, t) \times 0.5, $ | (2) |
式中,SOL(x, t)为像元x在t月的太阳总辐射能(MJ·m-2·month-1); FPAR(x, t)为像元x在t月的光合有效辐射分量,是植被层对入射光合有效辐射的吸收比例;常数0.5为植被所能利用的太阳有效辐射与太阳总辐射之比。
FPAR与NDVI、比值植被指数(SR)均存在着良好的线性关系[20, 21],可用公式(3)(4)分别表示:
$ \begin{aligned} & \quad \operatorname{FPAR}(x, t)=\frac{\operatorname{NDVI}(x, t)-\mathrm{NDVI}_{(i, \min)}}{\operatorname{NDVI}_{(i, \text { max })}-\mathrm{NDVI}_{(i, \mathrm{~min})}} \times \\ & \left(\mathrm{FPAR}_{\text {max }}-\mathrm{FPAR}_{\text {min }}\right)+\mathrm{FPAR}_{\text {min }}, \end{aligned} $ | (3) |
$ \begin{gathered} \mathrm{FPAR}(x, t)=\frac{\mathrm{SR}(x, t)-\mathrm{SR}_{i, \min }}{\mathrm{SR}_{i, \text { max }}-\mathrm{SR}_{i, \text { min }}} \times \\ \left(\mathrm{FPAR}_{\text {max }}-\mathrm{FPAR}_{\text {min }}\right)+\mathrm{FPAR}_{\text {min }}, \end{gathered} $ | (4) |
式中,NDVI(i, max)和NDVI(i, min)分别对应第i种植被类型的NDVI最大值和最小值,FPARmax和FPARmin分别取常数0.950和0.001,SRi, max和SRi, min分别对应第i种植被类型NDVI的95%和5%下侧百分位数,SR(x, t)由公式(5)表示:
$ \operatorname{SR}(x, t)=\frac{1+\operatorname{NDVI}(x, t)}{1-\operatorname{NDVI}(x, t)} 。$ | (5) |
由于公式(3)算出的结果比实测值高,而公式(4)算出的结果比实测值低,其误差小于公式(3),综合考虑将公式(3)和(4)结合起来,取其平均值作为FPAR的估算值,FPAR最终公式表达如下:
$ \begin{array}{l} \quad \operatorname{FPAR}(x, t)=0.5 \times \mathrm{FPAR}_{\mathrm{NDVI}}+0.5 \times \\ \mathrm{FPAR}_{\mathrm{SR}}, \end{array} $ | (6) |
式中,FPARNDVI为公式(3)的计算结果,FPARSR为公式(4)的计算结果。
ε是植被进行光合作用所吸收的光合有效辐射(PAR)转化为有机干物质的效率,温度和水分为主要影响因子,其计算公式如下:
$ \begin{array}{l} \quad \varepsilon(x, t)=T_{\varepsilon 1}(x, t) \times T_{\varepsilon 2}(x, t) \times W_{\varepsilon}(x, t) \times \\ \varepsilon_{\max }, \end{array} $ | (7) |
式中,Tε1和Tε2分别为低温和高温对光转化率的胁迫影响系数,Wε为水分胁迫影响系数,εmax为理想条件下的最大光能利用率(g C·MJ-1)。
1.3.2 NPP估算结果验证由于本研究的时间尺度较短(1年),空间分辨率较高(250 m),而MODIS的NPP数据产品在计算植被NPP时对许多区域都进行了插值补充,如果CASA模拟结果和MODIS NPP数据产品在个别像元(图像的最小数据单元)上进行一致性评估,其准确性将会受到影响。因此,本研究分别统计了CASA模拟结果和MODIS NPP数据产品在不同植被类型覆盖范围下的植被NPP均值,采用线性建模的方法对其进行分析,来验证CASA模拟结果的合理性。由于落叶阔叶林的像元个数极少,且对验证模型精度影响较大,所以在构建线性回归建模中没有考虑落叶阔叶林。
1.3.3 植被NPP的时空特征分析① 植被NPP的空间特征分析
使用ArcGIS软件对利用CASA模型计算得到的广西2019年植被NPP进行分级,步长为200 g C·m-2·a-1,根据各行政区划分区统计各地级市的面积占比及其对应范围内的平均植被NPP,分析广西整体和不同地级市植被NPP的差异。
② 植被NPP的时间变化特征分析
由于广西属于亚热带向热带过渡的区域,因此根据气温变化将其四季划分如下:12月至次年2月为冬季,3-5月为春季,6-8月为夏季,9-11月为秋季。使用ArcGIS软件统计月植被NPP、月平均气温、月累计降水量和各季节的植被NPP (各季节的植被NPP是该季节时间范围内的累加植被NPP),并对每个季节的植被NPP进行分级,步长为100 g C·m-2·q-1,分析广西月尺度和季节尺度上的植被NPP变化特征。
1.3.4 植被NPP与各因素的相关分析① 植被NPP与植被类型的相关分析
基于哥白尼全球土地覆盖数据集CGLS-LC100系列3,重新归为11种植被类型和1种水覆盖类型,利用ArcGIS软件分区统计各植被类型的面积占比及其对应覆盖范围内的平均植被NPP,分析不同植被类型的植被NPP差异。
② 植被NPP与地形地貌的相关分析
基于ASTER GDEM V3版本的DEM数据,将广西的海拔(0-1 900 m)划分为19个高度等级,每个等级的高度间隔为100 m,利用ArcGIS软件并根据喀斯特地区和非喀斯特地区分区统计每个海拔等级的面积占比以及年平均植被NPP。通过中国地质调查局(www.karst.cgs.gov.cn)的喀斯特地貌分布图,分析喀斯特地区和非喀斯特地区地形对植被NPP的影响。
③ 月植被NPP与气候因子的偏相关性分析
为真实地反映月平均气温和月累计降水量单个气象因子对月植被NPP的影响,本研究在像元尺度上对月植被NPP与气候因子进行逐像元偏相关分析,并采用t检验法进行显著性检验。相关系数由公式(8)计算:
$ r_{12 \cdot 3}=\frac{r_{12}-r_{13} r_{23}}{\sqrt{\left(1-r_{13}^2\right)\left(1-r_{23}^2\right)}}, $ | (8) |
式中,r12、r23、r13分别表示植被月植被NPP、月平均气温、月累计降水量3个变量两两之间的单相关系数;r12·3表示为变量月植被NPP和变量月平均气温(或月累计降水量)在控制变量月累计降水量(或月平均气温)下的偏相关系数。
2 结果与分析 2.1 NPP估算结果验证CASA模拟结果和MODIS NPP数据产品的线性回归结果如图 2所示,结果表明本研究估算的植被NPP与MOD17A3H产品具有良好的一致性,其决定系数R2为0.826,显著性水平为P<0.01,表明本研究估算的植被NPP结果精度良好。
![]() |
图 2 植被NPP估算值与MODIS NPP数据产品验证 Fig.2 Vegetation NPP estimation and MODIS NPP data product verification |
2.2 广西植被NPP的空间分布特征
基于MODIS NDVI和气象数据,利用CASA模型估算的广西2019年整体区域的植被NPP平均值为880.56 g C·m-2·a-1,广西大部分区域的植被NPP为400-1 400 g C·m-2·a-1,处于该数值范围的地区涵盖了广西总面积的91.27%。由广西2019年植被NPP分级图(图 3)可以看出,植被NPP空间分布的总体趋势为内陆中心向四周递增,东北部向西南部递增。结合广西2019年植被类型分布图(图 1),发现常绿阔叶林和混交林覆盖地区的植被NPP比较高,其值在800 g C·m-2·a-1以上;城镇及其周边地区的植被NPP普遍较低,在600 g C·m-2·a-1以下。
![]() |
图 3 广西2019年植被NPP分级图 Fig.3 Vegetation NPP grading map of Guangxi in 2019 |
从广西各地级市的2019年植被NPP结果(图 4)可知:地级市植被NPP空间变化为741.56-1 065.54 g C·m-2·a-1,植被NPP的最大值和最小值分别出现在防城港市和柳州市,河池市和百色市的面积较广且植被NPP也较高,北海市面积占比较小且植被NPP也较低。广西中部的南宁市、贵港市和来宾市植被NPP低于800 g C·m-2·a-1;桂北地区的柳州市、桂林市和沿海地区的北海市植被NPP也不高,为700-800 g C·m-2·a-1;西部的百色市、河池市、崇左市,南部的防城港市、钦州市、玉林市,东部梧州市的植被NPP高于900 g C·m-2·a-1。
![]() |
图 4 广西不同地级市的植被NPP Fig.4 Vegetation NPP in different prefecture-level cities of Guangxi |
2.3 植被NPP月尺度变化特征
如图 5所示,广西的月植被NPP、月平均气温和月累计降水量在时间序列上总体呈正弦曲线的变化特征,月植被NPP和月累计降水量的月尺度变化比月均气温明显。1-8月的月平均气温总体上呈缓慢上升趋势,1月全年最低,为10.73 ℃,8月达到峰值(27.24 ℃)。月累计降水量在1-7月呈总体上升趋势,7月达到峰值300.08 mm;8-12月急速下降,并下降至最低值。植被NPP的月尺度变化趋势与月平均气温的变化趋势较吻合。1、2月广西的月植被NPP较低,均小于20 g C·m-2·month-1;3-8月,广西月植被NPP整体呈上升趋势,即使降水量明显减少,8月的月植被NPP仍达到峰值(148.72 g C·m-2·month-1),而且9月仍然维持较高值;之后至12月,月植被NPP逐步下降,但12月的月植被NPP仍大于1、2月。
![]() |
图 5 广西2019年月植被NPP、月平均气温和月累积降水量 Fig.5 Monthly vegetation NPP, monthly mean temperature and monthly accumulated precipitation in Guangxi, 2019 |
2.4 植被NPP季节变化特征
结合广西植被NPP的月尺度(图 5)和季节尺度(图 6)变化情况可知:冬季植被NPP整体最低,区域差异性不突出;夏季植被NPP整体最高,区域差异性突出。冬季植被NPP的总体分布特征为东北部、中部和沿海地区低,西部和南部高,为10-330 g C·m-2·q-1。春季气温、累积降水量和植被NPP相比冬季都有所增加,植被NPP总体分布特征为东部、东北部、中部和沿海地区低,西部和南部高,为30-600 g C·m-2·q-1。夏季是气温、累积降水量和植被NPP最高的季节,植被NPP总体分布特征为中部和沿海地区低,南部和东西部高,为50-800 g C·m-2·q-1。秋季的气温和累计降水量下降幅度最大,植被NPP也大幅度减小,其总体分布特征为中部和东北部低,西部和南部高,为10-600 g C·m-2·q-1。
![]() |
图 6 各季节的植被NPP空间分布 Fig.6 Spatial distribution of vegetation NPP in each season |
2.5 植被NPP的影响因素分析 2.5.1 不同植被类型
植被的光能利用率是计算植被净初级生产力的关键参数[22],不同的植被类型其光能利用率不同,因此不同植被类型的植被NPP也具有一定差异。如图 7所示:2019年不同植被类型的植被NPP大小依次为常绿阔叶林、混交林、落叶阔叶林、其他植被、农作物、草地、针阔混交林、建筑用地、湿地、灌丛、常绿针叶林,均值为606.57 g C·m-2·a-1。常绿阔叶林的分布面积最广,约占广西面积的55.2%,且植被NPP最高,为1 106.18 g C·m-2·a-1;农作物、其他植被和常绿针叶林的分布面积较广,但植被NPP不高。建筑用地区域的绿化植被的植被NPP虽然很低,为497.12 g C·m-2·a-1,但仍高于湿地、常绿针叶林和灌丛,说明广西的城镇发展对植被绿化比较重视。结合2019年广西植被类型分布图(图 1)和广西2019年植被NPP分级图(图 3)可以看出,城镇周边植被覆盖类型主要为农作物,所以导致了城镇周边植被NPP较低;桂北的柳州市和桂林市主要植被类型为常绿阔叶林和常绿针叶林,其中常绿针叶林主要分布在广西猫儿山国家级自然保护区和花坪国家级自然保护区等地,该植被类型固碳能力较弱,是导致桂北较高海拔地区NPP较低的原因之一。常绿阔叶林和混交林的固碳能力较强,植被NPP值普遍较高,如广西西南部的十万大山、百色市的毛峰山、玉林市的五峰山等地区。综上可知,不同的植被类型是导致植被NPP出现区域性差异的原因之一。
![]() |
图 7 2019年不同植被类型的植被NPP Fig.7 Vegetation NPP for different vegetation types in 2019 |
2.5.2 气象因子
气象因子之间相互作用,对植被NPP的影响表现出季节和区域差异性[18, 23]。从植被NPP月尺度变化特征(图 5)中可以发现,尽管6、7月气温较高,但是由于降水多,厚云层减少了直接到达地表的太阳辐射量,造成植被光合作用减弱,月植被NPP较低;与之不一样的是,广西8、9月气温仍然较高,虽然降水减少,空气湿度下降,但是土壤储水仍然充足,植被冠层导度增加,植被光合生产力处于高位,所以月植被NPP较高。在广西各季节的植被NPP空间分布(图 6)中,东北部地区的植被NPP偏低,可能是因为气温较低对植被生长起抑制作用;中部和沿海地区气温相对较高但植被NPP较低,其原因可能是农作物和建筑用地面积占比较大。广西西南部的十万大山区域一年四季的植被NPP都比较高,其原因可能是十万大山为广西西南部重要的气候分界线,也是天然的生态屏障,其南坡降水充沛,气温适宜。
为进一步探索广西植被NPP在时间序列上对气象因子的响应特征,在月尺度上对月植被NPP和气象因子(气温和降水)进行偏相关分析。从月植被NPP与月平均气温、月累计降水量之间的偏相关系数(图 8)来看,月植被NPP与月平均气温的偏相关性比月累计降水量显著。广西月植被NPP与月累计降水量的偏相关系数主要分布在两个数值区间:-0.88--0.59 (显著性水平P < 0.05)和0.60-0.83 (P < 0.05),负相关区域主要集中分布在广西西北部和西南部,占全区面积的7.67%,海拔为400-900 m;正相关区域零散分布在广西西北部、东北部和东南部,海拔为0-200 m,占全区面积的4.55%。广西月植被NPP与月平均气温的偏相关系数为0.60-0.98 (P < 0.05),高值区(偏相关系数rNPP气温·降水>0.8)主要分布在广西北部、东北部和西南部,占全区面积的62.64%,海拔为0-1 000 m,总体呈西南部向东北部递增趋势;低值区(0.6 < rNPP气温·降水 < 0.8)主要分布在中部、东西部,占全区面积的30.01%,海拔大于1 000 m。综上可知,在控制月平均气温的情况下,广西月植被NPP与月累计降水量呈负相关的分布面积大于正相关分布面积,且主要分布在百色市(非右江河谷区域)、河池市、柳州市等地区的中海拔区域(400-900 m),这些区域气温不高,植被的蒸腾速率不高,对水的需求较弱,降水量增加反而对植被的生长起反向抑制作用[24],这可能是导致植被NPP与降水呈负相关的原因。在控制月累计降水量的情况下,广西月植被NPP整体上与月平均气温呈正相关,在广西东北部和南部的中低海拔地区(< 1 000 m),月植被NPP受月平均气温正向促进作用非常明显;相较于低海拔地区,高海拔区域(>1 000 m)月植被NPP与月平均气温的相关性较低,其原因可能是高海拔地区整体气温较低,水分利用也可能受到限制,较高的气温会使植被关闭气孔以降低水分蒸发率,进一步限制了植被水分利用的能力,最终导致植被光合作用减少,生长受限[25]。
![]() |
图 8 月植被NPP与月累积降水量、月平均气温的偏相关系数 Fig.8 Partial correlation coefficients of monthly vegetation NPP with monthly cumulative precipitation and monthly mean air temperature |
2.5.3 地形因素
地形决定了太阳辐射和降水的空间再分配,从而对生态系统的格局和过程产生重要影响,如蒸腾作用、光合作用和土壤养分循环等,进而影响区域植被的分布[26, 27]。广西山多地少且地形复杂,喀斯特地貌显著,因此,对比不同海拔高度的喀斯特地区和非喀斯特地区植被NPP的差异有着重要的意义。通过分析2019年不同海拔高度下的喀斯特和非喀斯特地区植被NPP(图 9),可以得出以下结论:喀斯特地区和非喀斯特地区的植被NPP随海拔变化明显。在低海拔区域(< 700 m),喀斯特地区和非喀斯特地区的植被NPP先陡然上升,然后趋于平缓,喀斯特地区的植被NPP明显低于非喀斯特区,其原因可能是喀斯特地区的土壤特性、土壤养分和水资源分布等会对植被的类型分布和生长产生影响。在海拔700-1 300 m区域,农作物和建筑用地面积占比减小,其他的植被类型面积占比增加,喀斯特地区和非喀斯特地区植被NPP均稳定在1 050 g C·m-2·a-1左右,差别不大,说明在喀斯特地区和非喀斯特地区土地覆盖类型相近的情况下,植物生产力并不受喀斯特地质环境背景的影响。在高海拔区域(1 300-1 900 m),非喀斯特区域主要分布在桂北地区,随着海拔的升高,虽然降水变得充沛,但是气温降低,植物净光合速率均有所减弱[28],气温可能成为影响植被NPP的重要因素。
![]() |
图 9 2019年不同海拔对应的年平均植被NPP Fig.9 Annual mean vegetation NPP corresponding to different altitudes in 2019 |
3 讨论
广西地处热带、亚热带,地形复杂,气候多变。本研究基于气象站点数据,结合多源遥感数据,利用CASA模型,估算2019年广西年尺度、月尺度、季节尺度的植被NPP,分析其时间变化趋势和驱动力。2019年广西整体区域的植被NPP平均值为880.56 g C·m-2·a-1,比李燕丽等[16]基于CASA模型计算的2000-2011年广西年平均植被NPP最大值(746 g C·m-2·a-1,2004年)提高了18.0%,也比荣检等[29]基于CASA模型估算的2003-2012年广西西江流域年平均植被NPP(523.72 g C·m-2·a-1)、董丹等[30]基于CASA模型估算的1999-2003年西南地区年平均植被NPP(402.34 g C·m-2·a-1,其中广西南部地区的年平均植被NPP大于480 g C·m-2·a-1)高,说明近年来广西植被NPP总体呈上升趋势。
影响植被NPP空间分布的主要因素有不同植被类型、气候和地形地貌等。不同植被类型的NPP差异明显,主要原因与光能利用率有关。在生长条件适宜的情况下,光能利用率越高,植被生产潜力和产量就越高[31]。城镇化水平较高的区域,城镇建设用地占比较高,植被覆盖率较低,且植被多样性较少,对植被NPP影响较大,例如南宁市、柳州市和桂林市等地区的城镇区域面积占比较高,但植被NPP均低于其他城市。广西植被NPP的季节变化明显,水热条件的改变可直接影响植被NPP的变化[32, 33]。季节尺度上,植被NPP在夏季(6-8月)出现最大值,冬季(12月至次年2月)出现最低值,主要由于夏季的平均气温最高,累计降水量充沛,适合植被生长;冬季的平均气温和累计降水量低,水热条件差,植被生长缓慢。广西东北部地区的植被NPP一年四季都小于西南部地区,该地区主要处于中亚热带,降水丰富,平均气温低;西南部地区主要处于南亚热带,降水比东北地区少,平均气温高,气温可能是影响植被NPP的主要影响因子[34]。在月尺度上对月植被NPP与水热因子(月平均气温、月累计降水量)进行偏相关分析,发现月植被NPP与月平均气温的偏相关性比月累计降水量显著。月累计降水量主要与广西西北部和西南部地区的月植被NPP呈负相关;月平均气温与广西整体的月植被NPP呈正相关,广西北部、东北部和西南部地区的月植被NPP与月平均气温的正相关性更为显著。这主要是广西整体区域降水充沛,水分满足植被的生长需求,但北部和西南部地区的降水量较多,海拔较高,过多的降水会导致光照减少,同时海拔高的地区气温比较低,不利于植被生长[35]。近期黄冬梅等[36]研究的广西喀斯特地区和非喀斯特地区植被覆盖度随海拔高度变化的趋势与本研究植被NPP随海拔高度变化(图 9)的趋势一致。结合黄冬梅等[36]的研究成果,可得知崇左市、南宁市、柳州市和桂林市区域内分布着较大面积的喀斯特地区,且大部分喀斯特地区海拔不高,所以植被覆盖度低可能是这些地区植被NPP较低的原因之一;在高海拔地区,喀斯特地区和非喀斯特地区的土地覆盖类型和植被覆盖度较为一致,植被NPP主要受环境中水热条件的影响[37]。
CASA模型反演结果不可避免地会与实地测量结果存在一定的偏差。由于受到数据的空间分辨率限制,CASA模型在区域或局部尺度上反演的精度有限。最大光能利用率εmax作为计算实际光能利用率的重要参数,它的取值对植被NPP的最终估算结果影响较大[38]。本研究各植被类型的最大光能利用率εmax采用朱文泉等[8]的研究成果作为模型输入参数,具有较高的可信度,但对于朱文泉等[8]研究成果中不同植被类型的εmax是否适合广西的植被NPP估算还有待论证。人类活动是影响植被NPP的重要影响因子,主要影响植被NPP的分配和分解[39],但由于较难准确量化人类活动对植被NPP的影响,所以本研究没有分析人类活动对植被NPP的影响,分析还不够全面。另外,除气候、地形、不同植被类型和人类活动外,其他自然要素如土壤类型、土壤养分等对植被NPP也有着重要的影响[37]。因此,在后续的研究中,可以考虑使用多源数据融合,结合实地测量数据,同时可利用神经网络算法[40]提高数据的精度和空间分辨率;测量广西不同植被类型的最大光能利用率εmax,确保CASA模型的输入参数能代表广西植被的区域特性;把植被NPP与人类关系作为研究重点,并与其他环境因子耦合[41],进一步探究多因素共同作用下的植被NPP分布特征。
4 结论本研究基于CASA模型,利用2019年MODIS NDVI数据和气象数据,对月、季节、年尺度广西植被NPP的空间变化进行估算,分析其时空变化特征,探讨不同植被类型、气象因子和地形地貌对其的影响,得出以下主要结论:
① 2019年广西整体区域的植被NPP平均值为880.56 g C·m-2·a-1,植被NPP整体空间分布特征为内陆中心向四周递增、东北部向西南部递增。广西植被NPP的空间变化为400-1 400 g C·m-2·a-1,植被NPP总体较高。植被NPP的最大值和最小值分别出现在防城港市和柳州市,河池市和百色市的面积较广且植被NPP也较高,北海市面积占比较小且植被NPP也较低。
② 广西的月植被NPP、月平均气温和月累计降水量在时间序列上总体呈现正弦曲线的变化特征,月植被NPP和月累计降水量的月尺度变化比月平均气温明显,月累计降水量在7月达到峰值,月平均气温和月植被NPP在8月达到峰值。广西整体植被NPP的季节变化明显,夏季(6-8月)的植被NPP出现最大值,数值为50-800 g C·m-2·q-1;冬季(1-3月)的植被NPP出现最低值,数值为10-330 g C·m-2·q-1。
③ 常绿阔叶和混交林的面积分布广且最大光能利用率εmax较高,所以对广西植被NPP贡献较大;建筑用地的植被覆盖度低,周边区域主要植被类型为农作物且最大光能利用率εmax较低,所以对广西NPP贡献较小。月尺度上,月平均气温对月植被NPP的影响比月累计降水量显著,月平均气温与月植被NPP主要呈正相关且呈正相关的面积占比大,月累计降水量与月植被NPP主要呈负相关且呈负相关的面积占比小。喀斯特地区和非喀斯特地区的植被NPP随海拔变化明显,在低海拔地区(<700 m),非喀斯特地区的植被NPP明显大于喀斯特地区;而在中高海拔地区(>700 m),喀斯特地区和非喀斯特地区的植被NPP基本上一致,植被NPP随着海拔升高呈现先稳定后下降的趋势。
综上所述,广西植被NPP的空间分布和时间变化差异明显,是不同植被类型、气候环境变化和地形地貌综合作用的结果。不同植被类型的光能利用率和气温对植被NPP的直接影响相对较大,海拔高度通过影响植被覆盖度、植被类型和水热条件等途径,对植被NPP的间接影响相对较大。
[1] |
NEMANI R R, KEELING C D, HASHIMOTO H, et al. Climate-driven increases in global terrestrial net primary production from 1982 to 1999[J]. Science, 2003, 300(5625): 1560-1563. DOI:10.1126/science.1082750 |
[2] |
CARDOCH L, JR DAY J W, IBÀÑEZ C. Net primary productivity as an indicator of sustainability in the Ebro and Mississippi Deltas[J]. Ecological Applications, 2002, 12(4): 1044-1055. DOI:10.1890/1051-0761(2002)012[1044:NPPAAI]2.0.CO;2 |
[3] |
YAN W C, WANG Y Y, CHAUDHARY P, et al. Effects of climate change and human activities on net primary production of wetlands on the Zoige Plateau from 1990 to 2015[J]. Global Ecology and Conservation, 2022, 35: e02052. DOI:10.1016/j.gecco.2022.e02052 |
[4] |
LIETH H. Primary production: terrestrial ecosystems[J]. Human Ecology, 1973, 1(4): 303-332. DOI:10.1007/BF01536729 |
[5] |
UCHIJIMA Z, SEINO H. Agroclimatic evaluation of net primary productivity of natural vegetations (1) Chikugo model for evaluating net primary productivity[J]. Journal of Agricultural Meteorology, 1985, 40(4): 343-352. DOI:10.2480/agrmet.40.343 |
[6] |
CHIESI M, MASELLI F, MORIONDO M, et al. Application of BIOME-BGC to simulate Mediterranean forest processes[J]. Ecological Modelling, 2007, 206(1/2): 179-190. |
[7] |
McGUIRE A D, MELILLO J M, KICKLIGHTER D W, et al. Equilibrium responses of soil carbon to climate change: empirical and process-based estimates[J]. Journal of Biogeography, 1995, 22(4/5): 785-796. DOI:10.2307/2845980 |
[8] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. DOI:10.3321/j.issn:1005-264X.2007.03.010 |
[9] |
GOETZ S J, PRINCE S D, GOWARD S N, et al. Satellite remote sensing of primary production: an improved production efficiency modeling approach[J]. Ecological Modelling, 1999, 122(3): 239-255. DOI:10.1016/S0304-3800(99)00140-4 |
[10] |
LI S B, HE S Y. The variation of net primary productivity and underlying mechanisms vary under different drought stress in Central Asia from 1990 to 2020[J]. Agricultural and Forest Meteorology, 2022, 314: 108767. DOI:10.1016/j.agrformet.2021.108767 |
[11] |
ZHANG F, HU X S, ZHANG J, et al. Change in alpine grassland NPP in response to climate variation and human activities in the yellow river source zone from 2000 to 2020[J]. Sustainability, 2022, 14(14): 8790. DOI:10.3390/su14148790 |
[12] |
左丽媛, 高江波. 基于地理探测器的喀斯特植被NPP定量归因[J]. 生态环境学报, 2020, 29(4): 686-694. DOI:10.16258/j.cnki.1674-5906.2020.04.006 |
[13] |
陈洪松, 聂云鹏, 王克林. 岩溶山区水分时空异质性及植物适应机理研究进展[J]. 生态学报, 2013, 33(2): 317-326. |
[14] |
周爱萍, 向悟生, 姚月锋, 等. 广西植被净初级生产力(NPP)时空演变及主要影响因素分析[J]. 广西植物, 2014, 34(5): 622-628. |
[15] |
熊小菊, 廖春贵, 胡宝清, 等. 基于MODIS的广西植被NPP时空分异及驱动力分析[J]. 广西师范大学学报(自然科学版), 2019, 37(3): 187-195. DOI:10.16088/j.issn.1001-6600.2019.03.022 |
[16] |
李燕丽, 潘贤章, 王昌昆, 等. 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[J]. 生态学报, 2014, 34(18): 5220-5228. |
[17] |
温远光, 李治基, 李信贤, 等. 广西植被类型及其分类系统[J]. 广西科学, 2014, 21(5): 484-513. DOI:10.3969/j.issn.1005-9164.2014.05.008 |
[18] |
CUI J X, WANG Y D, ZHOU T C, et al. Temperature mediates the dynamic of MODIS NPP in alpine grassland on the Tibetan plateau, 2001-2019[J]. Remote Sensing, 2022, 14(10): 2401. DOI:10.3390/rs14102401 |
[19] |
BUCHHORN M, LESIV M, TSENDBAZAR N-E, et al. Copernicus global land cover layers-collection 2[J]. Remote Sensing, 2020, 12(6): 1044. DOI:10.3390/rs12061044 |
[20] |
RUIMY A, SAUGIER B, DEDIEU G. Methodology for the estimation of terrestrial net primary production from remotely sensed data[J]. Journal of Geophysical Research: Atmospheres, 1994, 99(D3): 5263-5283. DOI:10.1029/93JD03221 |
[21] |
FIELD C B, RANDERSON J T, MALMSTRÖM C M. Global net primary production: combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 74-88. DOI:10.1016/0034-4257(94)00066-V |
[22] |
MONTEITH J L. Solar radiation and productivity in tropical ecosystems[J]. Journal of Applied Ecology, 1972, 9(3): 747-766. DOI:10.2307/2401901 |
[23] |
张筠, 张春华, 张安定, 等. 水热波动和土地覆盖变化对东北地区植被NPP的相对影响[J]. 生态学报, 2020, 40(21): 7733-7744. |
[24] |
熊千志, 杜恩在, 薛峰, 等. 塞罕坝地区人工针叶林径向生长对水热条件的响应[J]. 生态学报, 2022, 42(13): 5371-5380. |
[25] |
刘辉, 骆慧枫, 张琛, 等. 甜樱桃对高温胁迫的生理响应[J]. 生态学报, 2023, 43(2): 702-708. |
[26] |
朱林富, 谢世友, 杨华, 等. 基于MODIS-EVI的四川植被覆盖地形分布特征[J]. 西南大学学报(自然科学版), 2022, 44(9): 122-132. |
[27] |
高倩倩, 陈灿, 刘贺娜, 等. 闽江流域植被覆盖度时空变化及地形分异特征[J]. 林业资源管理, 2022(2): 91-99. |
[28] |
陈梅, 唐运来. 低温胁迫对玉米幼苗叶片叶绿素荧光参数的影响[J]. 内蒙古农业大学学报(自然科学版), 2012, 33(3): 20-24. |
[29] |
荣检, 胡宝清, 闫妍. 广西西江流域植被净初级生产力时空分布特征及其影响因素[J]. 生态学杂志, 2017, 36(4): 1020-1028. |
[30] |
董丹, 倪健. 利用CASA模型模拟西南喀斯特植被净第一性生产力[J]. 生态学报, 2011, 31(7): 1855-1866. |
[31] |
刘剑锋, 陈琳, 孟琪, 等. 基于CASA-VPM模型的植被最大光能利用率研究[J]. 河南农业科学, 2019, 48(12): 157-163. |
[32] |
刘旻霞, 焦骄, 潘竟虎, 等. 青海省植被净初级生产力(NPP)时空格局变化及其驱动因素[J]. 生态学报, 2020, 40(15): 5306-5317. |
[33] |
李红英, 张存桂, 汪生珍, 等. 近40年青藏高原植被动态变化对水热条件的响应[J]. 生态学报, 2022, 42(12): 4770-4783. |
[34] |
石淞, 李文, 丁一书, 等. 东北地区植被时空演变及影响因素分析[J]. 中国环境科学, 2023, 43(1): 276-289. |
[35] |
PIAO S L, FANG J Y, CHEN A P. Seasonal dynamics of terrestrial net primary production in response to climate changes in China[J]. Acta Botanica Sinica, 2003(3): 269-275. |
[36] |
黄冬梅, 陈燕丽, 莫建飞, 等. 广西典型地貌植被覆盖度随地形的变化特征[J]. 广西林业科学, 2022, 51(5): 626-633. |
[37] |
常学礼, 吕世海, 冯朝阳, 等. 地形对草甸草原植被生产力分布格局的影响[J]. 生态学报, 2015, 35(10): 3339-3348. |
[38] |
刘思瑶, 卢涛, 唐斌, 等. 基于CASA模型的四川植被净初级生产力及其时空格局分析[J]. 四川农业大学学报, 2013, 31(3): 269-276, 282. |
[39] |
MOREL A C, ADU SASU M, ADU-BREDU S, et al. Carbon dynamics, net primary productivity and human-appropriated net primary productivity across a forest-cocoa farm landscape in West Africa[J]. Global Change Biology, 2019, 25(8): 2661-2677. |
[40] |
王鹏, 万荣荣, 杨桂山. 基于多源遥感数据的湿地植物分类和生物量反演研究进展[J]. 湿地科学, 2017, 15(1): 114-124. |
[41] |
孙治娟, 谢世友. 基于地理探测器的云南省净初级生产力时空演变及因子探测[J]. 生态学杂志, 2021, 40(12): 3836-3848. |