基于地形改進NPP指數的縣域耕地產能測算

張金亭，董艷超，葉宗達

·土地保障與生態(tài)安全·

基于地形改進NPP指數的縣域耕地產能測算

張金亭1，董艷超1，葉宗達2

（1. 武漢大學資源與環(huán)境科學學院，武漢 430000； 2. 廣西壯族自治區(qū)自然資源生態(tài)修復中心，南寧 530000）

為了快速準確測算耕地產能，開展耕地質量和產能評價工作，落實“三位一體”的耕地占補政策，該研究嘗試將耕地初級凈生產力（NPP，Net Primary Productivity）運用于耕地產能測算。在具體提取NPP指數時，使用顧及地形要素對于太陽輻射影響改進的CASA模型，并在此基礎上運用地理加權回歸以及空間相關性的方法比較了NPP數據與耕地利用指數數據以驗證NPP數據運用于耕地產能計算的可行性。研究結果表明：基于NPP獲得的耕地產能數據總體呈現(xiàn)中部東南-西北軸線方向以及南部平原NPP指數較高東北、西南兩側較低的布局，而通過與耕地利用指數的地理加權回歸發(fā)現(xiàn)兩者有較強相關性。NPP指數可以直接用于耕地產能評價，能夠提高工作效率和準確性。

遙感；地形；NPP；耕地產能；耕地質量；地理加權回歸

0 引 言

為深化耕地占補平衡工作，準確客觀評價耕地質量，中國各縣每年均要進行耕地等別更新工作，耕地產能測算作為耕地評價中的重要一環(huán)，其工作依賴于耕地質量評價體系?，F(xiàn)狀耕地產能評價主要有2種方法，首先是傳統(tǒng)的農用地分等定級計算農用地的自然等、利用等，并通過樣點獲取指定作物的產量進行修正獲得。其中自然等是在一縣一個光溫生產潛力的基礎上，利用耕地對于標準作物的自然質量分進行修正，獲得的是在現(xiàn)狀自然條件下耕地理論生產能力，而利用等則是在自然等的基礎上根據樣點實測數據獲取各種作物單位面積實際產量與基準作物實際產量之比，是在現(xiàn)有生產技術和社會條件下的理論生產能力估計[1]。另外一種是2018年進行試點的耕地質量產能調查方法，構建包括氣候條件、地形特征、土壤性狀、耕作條件、健康狀況、生物特征的耕地自然條件以及技術水平的評價指標體系，改進了農用地分等定級計算的系統(tǒng)性，同時加入對技術水平的考量，符合現(xiàn)代農產品種植技術水平提高對于農產品產能提高產生的極大促進。兩套體系均存在指標體系建立主觀化明顯，小區(qū)域特殊性被忽視的缺陷，另外各項指標數據必須通過樣點實測的手段獲取，耗費大量人力物力，要獲得覆蓋全區(qū)域的指標數據還需要通過插值獲取，與實際情況可能存在較大誤差。

凈第一生產力（Net Primary Productivity，NPP）是單位時間內生物通過光合作用所吸收的有機干物質除植物自身呼吸的碳損耗所剩的部分[2]，包括植物的枝、葉和根等生產量及植物枯落部分的數量，雖然包括根、莖、葉、果等部分的養(yǎng)分，但本質上養(yǎng)分都是為果實以及葉片生長存貯，即進行農產品產出的部分，將其賦于耕地系統(tǒng)上可理解為一年內耕地上農作物能夠給提供人類消費的能量。由于NPP直接代表耕地系統(tǒng)一年內累計的農作物有機干物質，解決傳統(tǒng)耕地產能評價耕作制度差異以及作物差異產生的產能轉化困難問題。同時NPP的計算模型具有全遙感數據的模型的研究基礎，使得數據獲取更加便捷，數據精度更高。因此將NPP計算引入耕地產能可在一定程度上解決指標體系下耕地產能計算的缺陷。而現(xiàn)有的NPP研究多強調研究方法的突破[3-8]與時空變化分析[9-12]，多為尺度較大的生態(tài)保護區(qū)域[13-15]，而缺少對于NPP數據的利用，使得NPP局限于從表面上表現(xiàn)碳平衡問題[4,16]。將NPP運用于耕地產能計算研究較少，商令杰[17]和洪長橋等[18-19]對此進行了研究，其中洪長橋等主要是將其運用于土地整治前后耕地產能比較，體現(xiàn)遙感數據的動態(tài)性和及時性，但直接將NPP約等于耕地產能，其與現(xiàn)狀下的耕地產能結果的銜接性有待討論。

因此本文選取基于地形改進的CASA模型利用遙感數據對賓陽縣的NPP數據進行計算，并通過地理加權回歸對比NPP結果與耕地等別年度更新結果，分析NPP計算耕地生產力與現(xiàn)有耕地產能結果的相關性以及銜接度，明確將NPP應用于耕地產能計算的可行性。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

賓陽縣位于廣西中南部，南寧市東北部，為南寧市管轄縣。地處22°54′～23°37′N、108°32′～109°15′E之間，東鄰貴港市，南偏東與橫縣接壤，西南部與南寧市興寧區(qū)、青秀區(qū)交界，西部與武鳴縣相連，西北部連接上林縣，東北部與來賓市相鄰。

縣域在地質構造上處于廣西弧形山脈頂部西側之北緣，南部緊靠弧形山脈西翼之西南端—昆侖關—白花山低山丘陵，東南緊靠廣西弧頂—鎮(zhèn)龍山，整個地勢自南向北傾斜，形成東、南、西三面環(huán)山，中部北部為開闊平原，海拔低于50 m的平原1 193.79 km2，占全縣的51.6%，是各種地貌類型的主體，灌溉條件良好的平原已開墾為本縣高產穩(wěn)產的良田。

1.2 研究方法

1.2.1 NPP測算模型選擇

基于遙感數據估算NPP模型在現(xiàn)有研究下主要有4種類型：統(tǒng)計模型、光能利用率模型、過程模型和擬合模型[18]。其中遙感光能利用率模型由于模型簡單、全遙感數據源、可實現(xiàn)動態(tài)評價，成為了NPP估算的一種重要而廣泛接受的研究方法，主要有3-PGS、NPP-EMSC、GLOPEM和CASA模型[20]，應用最廣的是CASA模型。CASA模型中估算的NPP由光合有效輻射（APAR，Absorbed Photosynthetic Active Radiation）和實際光能利用率（）2個因子決定[21-22]。

光合有效輻射（APAR）受太陽總輻射量、植被層對入射光合有效輻射的吸收比例（FPAR，F(xiàn)raction of absorbed Photosynthetic Active Radiation）以及太陽有效輻射占太陽總輻射的比例（為常數0.5）3個因素決定，其中太陽輻射總量取太陽天文輻射；植被層對入射光合有效輻射吸收比例與植被茂盛程度有直接關系，可用與NDVI和比值植被指數（SR，Simple Ratio Index）有關的模型計算[23]，直接反映現(xiàn)實植被生長情況。

實際光能利用率利用氣溫、地表水分狀況等因子對理想條件下最大光能利用率進行修正獲得[24]，其中氣溫的影響通過低溫和高溫對光能利用率的脅迫作用表現(xiàn)[25]，而地表水分狀況利用（LSWI，Land Surface Water Index）[26]衡量地表蒸散水平。

1.2.2 基于地形數據校正CASA模型

常規(guī)方法下的NPP指數中，太陽輻射總量通過地面輻射站點插值或模型擬合2種方法獲取。在地形起伏較大區(qū)域通過地面輻射站點插值易忽略地形特征，同時山地區(qū)域觀測太陽輻射站點本身就較少，且多分布在開闊的山頂，插值后數據具有較大誤差。

通過模型擬合太陽天文輻射的方法一般使用白晝長度、天文輻射作為參數，但實際上太陽日輻射總量受到所在區(qū)域的光照時長而非白晝長度的影響。無地形起伏的情況下小區(qū)域內的光照時長約等于白晝長度，但當地形較為復雜時，不同坡度、坡向以及地形遮蔽下的像元間可照時間就有較大差異，白晝下同一時間段位于陰坡或受到地形遮擋的區(qū)域無法受到太陽直接輻射的影響，因此本文使用光照時長代替白晝長度。

光照時間可化為無限個微分時段的可照時間總和。通過離散化的方式結合太陽方位角、太陽高度角以及地形關系分別計算每一個微分時間段內該像元地形遮蔽系數以及坡度入射角，并用坡面入射角與地形遮蔽系數修正太陽天文輻射[27-29]。

通過地形修正太陽天文輻射計算的NPP指數，可充分體現(xiàn)地形起伏較大區(qū)域小氣候影響下的產能差異，對于實現(xiàn)精細化農業(yè)針對地塊特征進行種植有著重要意義。

1.2.3 NPP與耕地質量年度更新結果銜接度比較

在研究NPP結果與耕地質量年度更新結果的相關性問題上，使用地理加權回歸，避免傳統(tǒng)加權回歸只關注2個變量間的線性關系，忽略地理事物的地理位置對應關系[30]，可在全局視角下分析對應地塊間的NPP與耕地利用等指數的相關性。同時能夠找出相關性較差的區(qū)域，結合地塊地理社會經濟特征，分析2種產能計算方式的優(yōu)缺點。

1.3 數據來源

基于上述研究方法，本文利用能夠反映太陽輻射的遙感數據，反映區(qū)域溫度以及降水的氣象數據，在驗證計算結果的可靠性時使用已有的耕地質量數據進行對比。其中遙感數據來自地理空間數據云，氣象數據來自中國氣象數據網，耕地利用等數據來自2018年賓陽縣耕地等別更新數據庫。遙感數據包括landsat-8數據以及DEM數據，空間分辨率均達30 m×30 m，Landsat 8數據選取2017－2018年一年期內云量小于10%的數據，共篩選出4期符合條件的數據，包括2017年3月2日、2017年10月28日、2018年2月1日、2018年5月8日，涉及廣西早稻播種與成熟的2、3、5月以及晚稻成熟的10月。對遙感數據進行輻射定標、大氣校正、去云等預處理。氣象數據使用賓陽縣的歷史氣象數據，由于研究范圍較小，全縣范圍內的溫度差異較小，因此將遙感數據對應月份的全縣平均溫度作為常量帶入計算。最終NPP數據采取4期數據的均值。30 m×30 m的空間分辨率對照耕地圖斑大小，該縣耕地圖斑面積均值為28654m2，約為32個像元大小，3.73%的圖斑面積小于900m2，因此空間分辨率基本可以滿足圖斑級別的運算，且LANDSAT空間分辨率優(yōu)于MODIS數據的100 m×100 m，由于賓陽縣中部為平原，高差在10 m之內，可忽略，西南、東南丘陵區(qū)起伏較大，山坡相對高度一般在100 m左右，30 m×30 m 的空間分辨率可滿足丘陵區(qū)10 m的高差，因此DEM空間分辨率基本可以滿足賓陽縣地形需求。

2 基于地形修正的NPP計算耕地產能

2.1 地形修正前后NPP耕地產能計算結果

基于NPP耕地產能經過地形修正前后的計算結果整體分布具有一致性（圖1、表1），兩者整體上均與賓陽縣的地形分布基本一致，高指數耕地集中分布在中部平原區(qū)域且呈西北—東南走向，東北西南兩側山地丘陵區(qū)耕地NPP指數較低，另外最南端耕地較集中的平坦區(qū)域耕地NPP指數也較高。而地形修正前后的NPP指數分布在局部具有一定差異。地形修正前NPP指數分布在0.03～1.55之間，地形修正后NPP指數分布在0.06～3.72之間，主要呈現(xiàn)數據整體差異性擴大、極值變化突出以及地類間差異近一步擴大的特征，地形差異對耕地產能影響的反應更加靈敏。

圖1 賓陽縣地形修正前后NPP指數分布圖

表1 賓陽不同地類NPP指數、耕地利用等指數及兩者間相關系數

1）差異性擴大。相對NPP指數較高的耕地數量增加，主要分布在中部北部平原地區(qū)，地形平坦海拔低有利于對于太陽輻射的接受，因此耕地等別提高；NPP指數較低的耕地增加情況則主要分布在中部平原靠近東部山地地區(qū)即東部山地山腳山體背陰處，山體遮擋影響了地表太陽輻射的接受。由于地理要素間的相互影響，原本太陽輻射較低區(qū)域的土壤演化速度較慢，有機質含量、土壤蒸散均較同區(qū)域要差，而太陽輻射較高的區(qū)域具有生物活動明顯、有機質積累好等優(yōu)勢，因此在FPAR以及地表水分狀況指數方面已經有一定體現(xiàn)。而通過地形修正后太陽輻射計算的NPP疊加了太陽輻射差異以及原本的太陽輻射帶來的其他因素差異，使得差異性擴大。

2）極值變化突出。原本NPP指數最高的區(qū)域中位于背陰區(qū)域的耕地NPP指數下降明顯。例如甘棠鎮(zhèn)南橋村以及武陵鎮(zhèn)六蒙村的耕地NPP指數下降，其地形平坦，但由于位于山地陰影處，地形遮蔽對于太陽輻射有一定的影響。NPP指數較低區(qū)域的NPP指數近一步降低。經過地形修正的NPP較低分布區(qū)向中部平原中靠近西南、東南山地背陰地區(qū)擴張，西南山地山谷地區(qū)的耕地NPP指數進一步相對降低，即易受地形遮擋太陽輻射的區(qū)域NPP指數降低，其更加明顯反應地形對于地表接受太陽輻射的影響。西南山地與東南山地相夾的南部丘陵地區(qū)以及東部山地以北的山地陰面處分布的耕地有較多由NPP指數較低變?yōu)榱巳h相對最低。

3）地類間變化差異較大。經過地形修正的同一區(qū)域內旱地與水田的指數均值差異要大于地形修正以前，擴大了旱地與水田差異，較典型地分布在山地丘陵區(qū)域，中華和思隴鎮(zhèn)的水田與旱地NPP指數差異大于5%。這與旱地與水田分布區(qū)域特征有關，由于地形坡度較大地形復雜區(qū)域的水利設施建設難度較大，自然儲水難度大，排水難度也較大，所以山地丘陵區(qū)域多分布旱地，平原區(qū)域河谷周邊多分布水田，因此旱地分布區(qū)的太陽輻射較弱，水田分布區(qū)太陽輻射較好。

2.2 耕地NPP產能空間分布差異因素分析

將NPP指數分布的空間特征與對實際上影響耕地的因素包括地形、土壤、太陽輻射以及灌排水等技術條件的分布特征進行相關對比分析發(fā)現(xiàn)，NPP指數的空間分布差異與傳統(tǒng)耕地產能影響因子具有較強的一致性。

1）整體上NPP指數產能分布與地形分布具有一致性。具有以下3個特征：第一，平原低海拔區(qū)域NPP指數普遍高，山區(qū)海拔較高處NPP指數較低；第二，山區(qū)內部陽坡大于陰坡；第三，海拔坡度相近的區(qū)域山谷間耕地NPP指數低于其余相似條件下的平原區(qū)域耕地。平原低海拔地區(qū)的產能高于山區(qū)高海拔處。NPP指數均值最高區(qū)域是大橋鎮(zhèn)、古辣鎮(zhèn)和王靈鎮(zhèn)，位于廣西四大沖積平原之一的賓陽-武陵山前平原，是由一系列洪積扇或沖洪積扇發(fā)展形成的平原，太陽天文輻射可全部吸收，坡度較小易于植物生長。且在地形平坦情況下耕地集中連片程度高，有利于規(guī)模化、機械化種植。思隴鎮(zhèn)、陳平鎮(zhèn)位于賓陽縣地形起伏最大的大明山余脈，其NPP產能也是全縣最低。山區(qū)內部陽坡大于陰坡。武陵鎮(zhèn)位于賓陽—武陵山前平原上的耕地NPP指數相對大橋、古辣和王靈要低，主要由于位于平原上的耕地處于山地背陰面受到山脈遮蔽，在一定程度上影響了太陽輻射。海拔坡度類似的區(qū)域，山谷間耕地NPP指數低于平原區(qū)域耕地。思隴鎮(zhèn)內山間河流沖積小平原NPP指數遠小于同緯度的武陵、大橋、王靈的開闊平原，其地形破碎耕地呈細長條帶狀，不利于集中機械化耕作，排水條件較差易發(fā)生洪澇災害，且太陽輻射受到地形遮蔽影響明顯。

2）NPP指數分布與土壤性質相關。賓陽東北部受到土壤性質影響，NPP指數整體較低。其耕地集中分布區(qū)地形起伏不大，但NPP指數相較于同緯度中部沖積平原要低，主要是由于北部為石灰?guī)r組成的喀斯特地貌下的殘峰平原，土層較薄，有機質含量低，土壤難以儲水水分含量低。相應地，位于中部沖積平原的耕地NPP指數較高，一方面是由于地形因素易于植物生長，另一方面也是由于沖積平原為河流沖積、洪積成土以及紅土母質成土，耕地耕作層厚，有機質含量高，土壤黏性較適宜，保水性好，土壤酸堿度適宜。

3）NPP指數差異與地類差異一致。區(qū)別水田、旱地的標準為有無灌溉水源以及灌溉排水水平，水田具有水源優(yōu)勢且有較好的灌溉排水條件，而旱地水資源條件就較差，在一定程度上可在地表水分狀況上體現(xiàn)。按耕地地類進行各鄉(xiāng)鎮(zhèn)NPP指數統(tǒng)計可以發(fā)現(xiàn)，旱地NPP指數均小于該鄉(xiāng)鎮(zhèn)的水田NPP指數，一方面灌溉和排水條件較好的耕地具有更高的生產潛力，另一方面在不同灌排水條件下適宜種植的作物有差異，水田作物水稻的碳含量是遠大于旱地作物小麥、玉米等的。

4）NPP指數沿交通線路具有明顯峰值。通過分析NPP指數分布圖可以發(fā)現(xiàn)，在相同的自然環(huán)境下交通線沿線的耕地質量普遍高于遠離交通線的區(qū)域。主要由于交通線沿線地區(qū)居民點聚集，且在交通線連接的基礎上，耕地耕作可達性較高；同時產品也更易到達市場；種植歷史較為悠久，先進種植技術運用也較早，往往具有大農場的集中高水平經驗。在基本農田劃定標準中要求劃定距離城鎮(zhèn)較近的耕地為基本農田，因此相應區(qū)域更早接受耕地提質改造的配套設施建設，有利于耕地產能的增加。

3 NPP耕地產能對比耕地利用等指數優(yōu)勢分析

3.1 基于地理加權回歸的NPP耕地產能與耕地利用等指數相關性分析

耕地利用等數據來自2018年賓陽縣耕地等別更新數據庫（見圖2a），可以發(fā)現(xiàn)整體呈現(xiàn)丘陵區(qū)向平原過渡區(qū)利用等指數較高，旱地鎮(zhèn)域均值最低的為思隴鎮(zhèn)，最高的為黎塘鎮(zhèn)，較低的鎮(zhèn)賓州、新圩、大橋，水田鎮(zhèn)域均值最低的為甘棠，最高的為新橋，較低的鎮(zhèn)甘棠、露圩、陳平，均位于南部邊緣丘陵區(qū)。水田與旱地差異較大的為新橋、新圩、賓州、大橋、中華以及思隴。黎塘旱地利用等指數高于1 000，主要由于該鎮(zhèn)經濟發(fā)達，旱地經濟作物種植廣泛，產能較高。

對基于NPP指數計算的耕地產能指數與耕地利用指數的進行地理加權回歸分析（表1，由于思隴鎮(zhèn)旱地指數唯一因此無法進行GWR（Geographically Weighted Regression）分析，比較兩者間的相關性，并驗證NPP耕地產能與現(xiàn)有的耕地利用指數的銜接性。兩者相關系數為旱地0.87，水田0.80，相關系數均較高，帶寬在地形修正前后，旱地為1 831.54，水田為1 573.16，帶寬適中，大于平均耕地圖斑長度，但均在2 km以內，具有局部回歸分析的意義，也能夠體現(xiàn)小區(qū)域間的區(qū)域差異。因此，使用NPP指數計算耕地產能與現(xiàn)狀耕地利用等指數具有較好的相關性，NPP指數計算耕地產能具有一定的可信度。

整體上同一行政區(qū)內旱地的相關系數要高于水田的相關系數，主要由于旱地地表覆蓋較為單一，遙感反演較為準確，而水田由于種植作物的特殊性導致耕地表面種植水稻等的同時水面分布影響輻射，因此旱地運用NPP指數進行耕地產能計算更加精準。

3.2 基于局部相關系數的NPP耕地產能與耕地利用指數的優(yōu)劣分析

對地形修正的NPP指數與耕地利用等指數的地理加權回歸分析發(fā)現(xiàn)其相關性較好，但存在局部相關系數較低的區(qū)域，通過區(qū)域分布特征，結合耕地產能影響因素分布特征，可分析局部相關系數較低處差異較大的原因，以耕地產能影響因素進行原因解釋，從而體現(xiàn)不同測算方式下，測算結果對影響因素反映靈敏性的差異，分析不同測算方法的優(yōu)劣。經過結果比較可以發(fā)現(xiàn)，局部相關系數較低的區(qū)域主要為鐵路公路沿線地區(qū)、西南丘陵區(qū)、南端郁江支流沿岸，東北部溶蝕平原區(qū)4部分（圖2b）。結合影響耕地產能的常規(guī)因素比較4個部分的耕地特征，從而獲得兩者差異產生的原因，從而選擇更具有現(xiàn)實可靠性的計算方法計算耕地產能。

圖2 賓陽縣耕地利用等指數分布及其與NPP間的局部相關系數分布

1）地形地貌特征差異下NPP優(yōu)于耕地利用指數

耕地地形和NPP指數間相關性為0.146 903，高于耕地地形與經濟等指數間的相關性0.026 767，以及與利用等0.026 054，即NPP指數對于耕地地形變化的反應靈敏于經濟等指數，經濟等指數基本不受地形因素的影響。整體西南丘陵區(qū)局部相關系數低，耕地利用指數計算獲得的耕地產能明顯較高。此區(qū)域內有63.52%的耕地利用等為8等，僅2.55%的3、4等耕地分布，該縣內耕地質量整體較好，而全賓陽縣地形修正后NPP指數小于0.7的耕地有17.84%分布在此處，整體NPP指數較低。此處為典型山地丘陵區(qū)，地形起伏較大，山溝狹窄，耕地均分布在河流侵蝕而成的山溝谷地上，侵蝕地形導致土層淺薄，夏季易遭水澇，丘陵遮擋導致地表對于太陽輻射的吸收系數較低，不利于植物光合作用；耕地地塊破碎沿等高線呈細長條帶狀，不利于機械化種植，耕地利用難度較大。本文基于NDVI數據的初始NPP值在一定程度上反映了植物覆蓋程度，通過地形修正糾正了地形對于植物吸收太陽輻射的影響，因此基于NPP指數計算獲得的耕地產能有效地修正了該問題。

南端郁江支流沿岸局部相關系數同樣較低，但耕地利用指數小于基于NPP指數獲取的耕地產能。在耕地利用指數計算中此處分值不高，主要是受整體丘陵地形區(qū)的影響，然而這樣的計算結果忽略了小區(qū)域地形特征，郁江支流-斑江沿岸地形相對平坦，是郁江下游沉積地貌，水土以及地形條件具有一定優(yōu)勢，單純的耕地利用指數計算在一定程度上低估了沿河的小區(qū)域耕作自然優(yōu)勢。

2）土壤條件差異下NPP指數優(yōu)于耕地利用等

建立土壤性狀和NPP間的相關性為0.461 153，高于土壤性狀與經濟等指數間的相關性0.324 617，以及與利用等的0.411 198，即NPP指數對于土壤性狀變化的反應靈敏于經濟等指數。東北部溶蝕平原局部相關系數較低，利用等指數計算的產能相對NPP指數要高，NPP指數計算的中部與北部耕地產能的差異要遠大于耕地利用指數。賓陽縣東北部是典型喀斯特平原，主要土壤為石灰土和紅壤，但土層淺薄，有機質含量低，礫石含量高、巖石裸露較為嚴重，土壤容重較小，土壤不易存水，地表裂隙較多，地表水下滲嚴重，且不利于作物扎根。

在此情況下，通過遙感數據反演的耕地植被的生長狀況可以體現(xiàn)地貌土壤特點對于耕地產能的影響，而通過指標體系推算的耕地利用指數未考慮土壤存水功能，且通過土壤類型得出的紅黏土屬于較為優(yōu)質土壤，有利于作物生長。

3）交通條件差異下NPP指數優(yōu)于耕地利用等指數

鐵路以及公路沿線區(qū)域相關系數較低，耕地利用等指數計算的耕地產能低于NPP指數。首先鐵路與公路沿線區(qū)域具有交通優(yōu)勢以及市場優(yōu)勢，靠近居民點，交通通達度高，土地開發(fā)較早，土壤成熟度高；且依據土壤環(huán)境數據，鐵路沿線區(qū)域的耕地土壤環(huán)境較優(yōu)，且道路沿線地形坡度較小。耕地利用指數中將南部鐵路沿線的耕地區(qū)域劃為全縣耕地質量最差區(qū)域值得商榷。

4）作物差異下NPP指數優(yōu)于耕地利用等指數

整體上旱地相關系數要高于水田，主要由于水田表面對波段數據有影響，但武陵鎮(zhèn)、中華鎮(zhèn)、古辣鎮(zhèn)、露圩鎮(zhèn)、王靈鎮(zhèn)的水田相關系數要高于旱地，以上各鎮(zhèn)的旱地耕地利用指數相對較低而NPP指數計算下的旱地產能則普遍較高。以上各鎮(zhèn)均位于本縣的中部偏南，耕地質量較高，是當年糖料蔗建設基地，導致旱地利用能力有所提高，秀山村、坐椅村以及王靈農場都于2018年進行了雙高基地的建設，旱地大規(guī)模改種甘蔗。根據2018年南寧市統(tǒng)計年鑒，賓陽縣早稻產量比系數為1，晚稻為0.815，甘蔗為15.051，而賓陽縣甘蔗的光溫生產潛力為5 652，早稻為1 345，晚稻1 622，可見種植甘蔗的旱地產能要高于早稻-晚稻的水田，同時通過野外走訪可知，旱地種植經濟作物的產能也高于水田種植水稻。

因此NPP指數計算的耕地產能免去了不同作物之間產能轉化問題，均以光合作用產生的有機物質總量中扣除自養(yǎng)呼吸后剩余部分的凈含碳量作為標準，能夠提高耕地產能評價的效率和準確性，并能夠及時反應耕地提質改造帶來的耕地質量提升，具有一定合理性。

4 結 論

1）通過基于地形改進的CASA模型計算得出賓陽縣的耕地產能結果可以體現(xiàn)地形、土壤、灌排水以及交通條件差異帶來的影響，與現(xiàn)實情況具有較好的相符性。通過地形修正前后對比，地形修正前NPP指數分布在0.03～1.55之間，地形修正后NPP指數分布在0.06～3.72之間，極值更加突出；中北部無地形遮蔽平原區(qū)域優(yōu)勢更加明顯；山地丘陵區(qū)鄉(xiāng)鎮(zhèn)地形修正后水田與旱地差異擴大，差異大于5%。充分體現(xiàn)了復雜地形對于耕地產能的影響。通過與耕地利用指數的進一步對比分析發(fā)現(xiàn)基于NPP計算獲得的耕地產能數據與耕地利用指數有較強相關性，與旱地相關系數可達0.87，與水田達0.80。因此本文利用基于地形改進的CASA模型計算耕地NPP指數從而衡量耕地現(xiàn)實生產能力是可行的。

2）對比NPP指數與耕地利用指數，地形條件與NPP指數的相關系數為0.146 903，高于經濟等的0.026 767，土壤性狀與NPP間的相關性為0.461 153，高于經濟等指數的0.324 617，NPP指數改進了經濟等對以上因素反映不敏的狀況。在交通條件、種植作物也實現(xiàn)了空間相關性增強，更加貼近實際。

加強基于NPP指數計算獲得的耕地生產力還需要進一步考慮耕地遭遇的突發(fā)情況，例如病蟲害等情況影響產量，同時減少對于遙感數據的處理偏差，加強遙感數據的修正。計算光能輻射時未針對旱地和水田進行差別化處理，同時需要考慮旱地和水田不同種植時期地表覆蓋的階段變化。另外由于不同作物產出部分有差別，果實、葉片、根莖都可能作為農產品，因此對于不同作物的產能修正需要進一步研究。

[1] 伍育鵬，鄖文聚，鄒如. 基于耕地質量評價的耕地產能核算方法及分布[J]. 農業(yè)工程學報，2008，24(增刊1)：85-89.

Wu Yupeng, Yun Wenju, Zou Ru. Productivity calculation methods and distribution regulation based on cultivated land quality appraisal[J]. Transactions of the Chinese Society of Agricultural Engineering (Transaction of the CSAE), 2008, 24(Supp.1): 85-89. (in Chinese with English abstract)

[2] 周廣勝，張新時. 自然植被凈第一性生產力模型初探[J].植物生態(tài)學報，1995(3)：193-200.

[3] 朱文泉，陳云浩，徐丹，等. 陸地植被凈初級生產力計算模型研究進展[J]. 生態(tài)學雜志，2005(3)：296-300.

Zhu Wenquan, Chen Yunhao, Xu Dan, et al. Advances in terrestrial net primary productivity (NPP) estimation models[J].Chinese Journal of Ecology, 2005(3): 296-300. (in Chinese with English abstract)

[4] 楊延征，馬元丹，江洪，等. 基于IBIS模型的1960－2006年中國陸地生態(tài)系統(tǒng)碳收支格局研究[J]. 生態(tài)學報，2016，36(13)：3911-3922.

Yang Yanzheng, Ma Yuandan, Jiang Hong, et al. Evaluating the carbon budget pattern of Chinese terrestrial ecosystem from 1960 to 2006 using Integrated Biosphere Simulator[J]. Acta Ecologica Sinica, 2016, 36(13): 3911-3922. (in Chinese with English abstract)

[5] 李傳華，曹紅娟，范也平，等. 基于校正的CASA模型NPP遙感估算及分析：以河西走廊為例[J]. 生態(tài)學報，2019，39(5)：1616-1626.

Li Chuanhua, Cao Hongjuan, Fan Yeping, et al. Remote sensing estimation and analysis of net primary productivity (NPP) based on corrected CASA model: A case study of Hexi Corridor[J]. Acta Ecologica Sinica, 2019, 39(5): 1616-1626. (in Chinese with English abstract)

[6] 曾慧卿，劉琪璟，馮宗煒，等. 基于BIOME-BGC模型的紅壤丘陵區(qū)濕地松（Pinus elliottii）人工林GPP和NPP[J].生態(tài)學報，2008, 28(11)：5314-5321.

Zeng Huiqing, Liu Qijing, Feng Zongwei, et al. GPP and NPP study of Pinus elliottii forest in red soil hilly region based on BIOME-BGC model[J]. Acta Ecologica Sinica, 2008, 28(11): 5314-5321. (in Chinese with English abstract)

[7] 毛學剛，焦裕欣，張穎. 基于BEPS模型的東北三省森林生態(tài)系統(tǒng)NPP模擬[J]. 森林工程，2017，33(1)：22-27.

Mao Xuegang, Jiao Yuxin, Zhang Ying. NPP simulation of forest ecosystem in three provinces of Northeast China based on BEPS model[J]. Forest Engineering, 2017, 33(1): 22-27.(in Chinese with English abstract)

[8] 何麗鴻，王海燕，雷相東. 基于BIOME-BGC模型的長白落葉松林凈初級生產力模擬參數敏感性[J]. 應用生態(tài)學報，2016，27(2)：412-420.

He Lihong, Wang Haiyan, Lei Xiangdong. Parameter sensitivity of simulating net primary productivity of Larix olgensis forest based on BIOME-BGC model[J].Chinese Journal of Applied Ecology, 2016, 27(2): 412-420. (in Chinese with English abstract)

[9] 陳峰，李紅波，劉亞靜. 基于GIS和CASA的滇南山區(qū)植被NPP時空分異及其影響因素：以云南省元陽縣為例[J].生態(tài)學雜志，2018，37(7)：2148-2158.

Chen Feng, Li Hongbo, Liu Yajing. Spatio-temporal differentiation and influencing factors of vegetation net primary productivity using GIS and CASA: A case study in Yuanyang County, Yunnan[J].Chinese Journal of Ecology, 2018, 37(7): 2148-2158. (in Chinese with English abstract)

[10] 李登科，王釗. 基于MOD17A3的中國陸地植被NPP變化特征分析[J]. 生態(tài)環(huán)境學報，2018，27(3)：397-405.

Li Dengke, Wang Zhao. The characteristics of NPP of terrestrial vegetation in China based on MOD17A3 data[J]. Ecology and Environmental Sciences, 2018, 27(3): 397-405. (in Chinese with English abstract)

[11] 王強，張廷斌，易桂花，等. 橫斷山區(qū)2004－2014年植被NPP時空變化及其驅動因子[J]. 生態(tài)學報，2017，37(9)：3084-3095.

Wang Qiang, Zhang Tingbin, Yi Guihua,et al. Tempo-spatial variations and driving factors analysis of net primary productivity in the Hengduan mountain area from 2004 to 2014[J]. Acta Ecologica Sinica, 2017, 37(9): 3084-3095. (in Chinese with English abstract)

[12] 崔林麗，杜華強，史軍，等. 中國東南部植被NPP的時空格局變化及其與氣候的關系研究[J]. 地理科學，2016，36(5)：787-793.

Cui Linli, Du Huaqiang, Shi Jun, et al. Spatial and temporal pattern of vegetation NPP and its spatial and temporal pattern of vegetation NPP and its relationship with climate in the Southeastern China[J]. Scientia Geographica Sinica, 2016, 36(5): 787-793. (in Chinese with English abstract)

[13] 李猛，何永濤，付剛，等. 基于TEM模型的三江源草畜平衡分析[J]. 生態(tài)環(huán)境學報，2016，25(12)：1915-1921.

Li Meng, He Yongtao, Fu Gang, et al. Livestock-forage balance in the Three River Headwater region based on the terreatrial ecosystem model[J]. Ecology and Environmental Scinces, 2016, 25(12): 1915-1921. (in Chinese with English abstract)

[14] 尤南山，董金瑋，肖桐，等. 退耕還林還草工程對黃土高原植被總初級生產力的影響[J]. 地理科學，2020，40(2)：315-323.

You Nanshan, Dong Jinwei, Xiao Tong, et al. The effects of the “grain for green” project on gross primary productivity in the loess plateau[J]. Scientia Geographica Sinica, 2020, 40(2): 315-323. (in Chinese with English abstract)

[15] 王鶯，夏文韜，梁天剛. 基于CASA模型的甘南地區(qū)草地凈初級生產力時空動態(tài)遙感模擬[J]. 草業(yè)學報，2011，20(4)：316-324.

Wang Ying, Xia Wentao, Liang Tiangang. Spatial-temporal dynamics simulation of grassland net primary productivity using a satellite data-driven CASA model in Gannan prefecture[J]. Acta Prataculturae Sininca, 2011, 20(4): 316-324. (in Chinese with English abstract)

[16] 師慶三，王智，吳友均，等. 新疆生態(tài)系統(tǒng)服務價值測算與NPP的相關性分析[J]. 干旱區(qū)地理，2010，33(3)：427-433.

Shi Qingsan, Wang Zhi, Wu Youjun, et al. Calculation of ecosystem services value and correlation with net primary production (NPP) in Xinjiang[J]. Arid Land Geography, 2010, 33(3): 427-433. (in Chinese with English abstract)

[17] 商令杰. 基于NPP數據的山東省耕地產能時空格局分析[D]. 濟南：山東師范大學，2018：9-10.

Shang Lingjie. Spatio-Temporal Pattern Analysis of Cultivated Land Productivity in Shandong Province Based on NPP Data[D]. Jinan: Shandong Normal University, 2018: 9-10. (in Chinese with English abstract)

[18] 洪長橋，金曉斌，陳昌春，等. 基于多源遙感數據融合的土地整治區(qū)產能動態(tài)監(jiān)測：方法與案例[J]. 地理研究，2017，36(9)：1787-1800.

Hong Changqiao, Jin Xiaobin, Chen Changchun, et al. Dynamically monitoring productivity of cultivated land enrolled in land consolidation programs based on fusing multi-source remote sensing data: Methodology and a case study[J]. Geographical Research, 2017, 36(9): 1787-1800. (in Chinese with English abstract)

[19] 洪長橋. 基于NPP的土地整治對耕地產能影響研究[D]. 南京：南京信息工程大學，2018.

Hong Changqiao. Impact of Land Consolidation on Farmland Productivity Based on NPP[D]. Nanjing: Nanjing University of Information Science & Technology, 2018. (in Chinese with English abstract)

[20] 董丹，倪健. 利用CASA模型模擬西南喀斯特植被凈第一性生產力[J]. 生態(tài)學報，2011，31(7)：1855-1866.

Dong Dan, Ni Jian. Modeling changes of net primary productivity of karst vegetation in southwestern China using the CASA model[J]. Acta Ecologica Sinica, 2011, 31(7): 1855-1866. (in Chinese with English abstract)

[21] 張鐿鋰，祁威，周才平，等. 青藏高原高寒草地凈初級生產力（NPP）時空分異[J]. 地理學報，2013，68(9)：1197-1211.

Zhang Lili, Qi Wei, Zhou Caiping, et al. Spatial and temporal variability in the net primary production (NPP) of alpine grassland on Tibetan Plateau from 1982 to 2009[J]. Acta Geographica Sinica, 2013, 68(9): 1197-1211. (in Chinese with English abstract)

[22] 鄒德富. 基于CASA模型的青藏高原NPP時空分布動態(tài)研究[D]. 蘭州：蘭州大學，2012.

Zou Defu. Spatio-Temporal Dynamics of Tibet Plateau Net Primary Production Using CASA Model[D]. Lanzhou: Lanzhou University, 2012. (in Chinese with English abstract)

[23] Potter C S, Klooster S A, Matson P A. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[24] 朱文泉，潘耀忠，張錦水. 中國陸地植被凈初級生產力遙感估算[J]. 植物生態(tài)學報，2007，31(3)：413-424.

Zhu Wenquan, Pan Yaozhong, Zhang Jingshui. Estimation of net primary productivity of Chinese terreatrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. (in Chinese with English abstract)

[25] Field C B, Randerson J T, Malmstrom C M. Globel net primary production: Combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51: 74-88.

[26] 馬佳妮，張超，呂雅慧，等. 基于長時間序列遙感數據反演NPP的耕地質量評價[J]. 農業(yè)機械學報，2019，50(1)：202-208.

Ma Jiani, Zhang Chao, Lü Yahui, et al. Cultivated land quality evaluation based on inversion of NPP based on long-term sequence remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1):202-208. (in Chinese with English abstract)

[27] 劉玉安，黃波，易成功，等. 基于地形校正的植被凈初級生產力遙感模擬及分析[J]. 農業(yè)工程學報，2013，29(13)：130-141.

Liu Yu’an, Huang Bo, Yi Chenggong, et al. Simulation by remote sensing and analysis of net primary productivity of vegetation based on topographical correction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 130-141. (in Chinese with English abstract)

[28] 李凈，李新. 基于DEM的坡地太陽總輻射估算[J]. 太陽能學報，2007，28(8)：905-911.

Li Jing, Li Xin. Estimating solar radiation on slope using DEM[J]. Acta Energiae Solaris Sinica, 2007, 28(8): 905-911. (in Chinese with English abstract)

[29] 楊昕，湯國安，王雷. 基于DEM的山地總輻射模型及實現(xiàn)[J]. 地理與地理信息科學，2004，20(5)：41-44.

Yang Xin, Tang Guoan, Wang Lei. Modeling of global radiation over rugged areas based on DEM[J]. Gepgraphy and Geo-Information Science, 2004, 20(5): 41-44. (in Chinese with English abstract)

[30] 覃文忠. 地理加權回歸基本理論與應用研究[D].上海：同濟大學，2007.

Qin Wenzhong. The Basic Theoretic and Application Research on Geographically Weighted Regression[D]. Shanghai: Tongji University, 2007.

Calculation of county-level cultivated land productivity based on NPP index corrected by topography

Zhang Jinting1, Dong Yanchao1, Ye Zongda2

(1.,,430000,; 2.,530000,)

This study aims to estimate the productivity of arable land in a quick, accurate and cost-saving way, for the quality/productivity evaluation of arable land, and the implementation of the “trinity” policy, i.e., requisition-compensation balance of cultivated land. An attempt was made to calculate the productivity of cultivated land by using the net primary productivity (NPP) index, in order to increase the accuracy of the evaluation system, while saving time and cost. Taking the county level as the research scale, and Binyang County as the research area, the obvious terrain difference can indicate the variation of solar radiation subjected to topographic factors, and fill the research lack of NPP database at the county level. A CASA (Carnegie-Ames-Stanford Approach) model was used to calculate the remote sensing and meteorological data when extracting NPP index. The influence of topographic factors (terrain) on solar radiation was also considered in a modified CASA model. A geographic weighted regression approach was selected to compare the obtained NPP data with the utilization index of cultivated land, in order to verify the application of NPP data for the production of cultivated land. A comparison analysis of local correlation coefficient was made to determine the region with a large difference between the terrain and solar radiation, further to find the main advantages of the modified CASA model. The results showed that in the productivity distribution of cultivated land, the high NPP index was generally in the direction of southeast-northwest axis in the central region, and on the southern plain, whereas the low NPP index was on both sides of northeast and southwest in the research area. There was little change in the topographically modified NPP index, but the concentration of distribution increased, while the productivity has been extended to dry land and paddy fields. The geographic weighted regression between the indexes of cultivated land use and NPP showed that there was a strong correlation in the same geographical location,and the correlation coefficient of dry land can reach 0.87, while paddy field was 0.80, indicating that NPP index can well connect with the original cultivated land use index. It infers that the spatial autocorrelation of NPP index can be strongand sensitive to the factors affecting the productivity of cultivated land, such as soil conditions, terrain characteristics, crop differences, and transportation. The calculation of NPP index can be directly applied to the evaluation for the productivity of cultivated land, with the high efficiency and accuracy in the system. The proposed method can be more quickly and accurately applied to the dynamic estimation of cultivated land, the delimitation of basic farmland, the evaluation of land improvement benefits, and the transformation of medium and low yield farmland.

remote sensing; topography; NPP; cultivated land productivity; quality of cultivated land; geographically weighted regression

張金亭，董艷超，葉宗達. 基于地形改進NPP指數的縣域耕地產能測算[J]. 農業(yè)工程學報，2020，36(10)：227-234.doi：10.11975/j.issn.1002-6819.2020.10.028 http://www.tcsae.org

Zhang Jinting, Dong Yanchao, Ye Zongda. Calculation of county-level cultivated land productivity based on NPP index corrected by topography[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 227-234. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.10.028 http://www.tcsae.org

2020-01-16

2020-03-30

國家自然基金項目（41571385）；中央高校自主科研項目（2042016kf0175）

張金亭，博士，副教授。主要研究方向為土地規(guī)劃、土地評價、地籍測繪工程及土地信息。Email：whuzjt@whu.edu.cn

10.11975/j.issn.1002-6819.2020.10.028

F329.9

A

1002-6819(2020)-10-0227-08