基于CASA模型長江流域植被NPP時空演變及與地形因子的關(guān)系

摘 要：植被凈初級生產(chǎn)力（net primary productivity， NPP）是評價生態(tài)系統(tǒng)固碳能力的重要指標(biāo)。長江流域作為中國重要的農(nóng)業(yè)生產(chǎn)區(qū)和生態(tài)安全屏障，深入開展長江流域植被NPP時空變化特征的研究，對了解流域植被生長情況和生物固碳能力具有重要意義?；贑ASA模型，反演長江流域植被NPP，分析長江流域2001—2018年不同時空尺度下的植被NPP的演變特征以及與地形因子的關(guān)系。結(jié)果顯示：CASA模型對于長江流域植被NPP的反演效果較好，可以反映研究區(qū)的植被NPP的實(shí)際狀態(tài)，長江流域多年植被NPP為572.72 gC/（m2·a）。時間上，長江流域植被NPP年際變化可分為2個階段，2001—2007年NPP年均值變化明顯，呈波動式上升；2008—2018年相對變化趨于平穩(wěn)，植被NPP年內(nèi)變化層次感比較明顯，夏半年（4—9月）NPP月均值較高，對全年NPP總量的貢獻(xiàn)率為77.61%。長江流域植被NPP空間格局上具有明顯的差異性，總體呈現(xiàn)自西北向東南遞增，長江流域在18年間植被NPP增加的面積大于減少的面積，NPP增加趨勢主要分布在岷沱江水系南部、嘉陵江水系西部、烏江水系西部和洞庭湖水系東部地區(qū)。NPP與各地形因子分級的關(guān)系都不同，高程在3 000 m以下時，長江流域植被NPP隨著高程的增加而增加，高程gt;3 000 m的地區(qū)植被NPP顯著減少，最適合植被生長的高程帶是2 000～3 000 m。lt;6°坡度對NPP的解釋較差，6°～15°和gt;15°～25°坡度對植被NPP的解釋較好；除半陰坡外，其他坡向?qū)PP影響不大。

關(guān)鍵詞：長江流域；CASA模型；植被凈初級生產(chǎn)力；時空變化；地形因子

中圖分類號：Q948

文獻(xiàn)標(biāo)志碼：A

文章編號 1000-5269（2023）03-0030-11

DOI：10.15958/j.cnki.gdxbzrb.2023.03.05

全球氣候變暖、溫室氣體排放和極地冰川融化等環(huán)境問題已變成全人類共同面臨的不同尋常的挑戰(zhàn)［1］。我國提出力爭2030年前實(shí)現(xiàn)碳達(dá)峰，2060年前努力實(shí)現(xiàn)碳中和的目標(biāo)，由相對減排到絕對減排，進(jìn)而實(shí)現(xiàn)零排放［2］。植被凈初級生產(chǎn)力（net primary productivity， NPP）是指在單位面積上植物所積攢的有機(jī)物的數(shù)量，是由光合作用所固定的有機(jī)物總量扣除自身呼吸作用消耗量后的剩余部分，同時，植被NPP是定量描述植被生產(chǎn)能力特征的指標(biāo)，是衡量區(qū)域碳匯能力高低和調(diào)節(jié)生態(tài)過程的重要指標(biāo)［3］，也是陸地生態(tài)系統(tǒng)中物質(zhì)與能量轉(zhuǎn)換研究的基石?？偠灾?，植被NPP就是判定植被生長狀況和固定碳及積累能量的能力。

植被NPP的反演方法主要包括站點(diǎn)實(shí)測法和模型法［4-5］。實(shí)測法主要在小區(qū)域上進(jìn)行，選取站點(diǎn)的生物量推算NPP，雖然精度高但是費(fèi)時費(fèi)力，難以在大范圍區(qū)域開展實(shí)時動態(tài)監(jiān)測。因此，在全球或區(qū)域尺度，模型法成為一種重要的主流的研究方法，而站點(diǎn)實(shí)測數(shù)據(jù)更多用于NPP反演結(jié)果的精度驗(yàn)證。目前，反演植被NPP發(fā)展了一系列的模型反演方法，主要包括氣候模型、過程模型和光能利用率模型［6］。

氣候模型主要用于植被NPP早期研究，該類模型相對簡單且所需要的氣象數(shù)據(jù)易獲取，反映的是理想情況下的植被NPP，即一種區(qū)域潛在的植被NPP［7］。而過程模型［8］綜合考慮了植物光合作用、呼吸作用、有機(jī)物的分解以及合成作用等多種因素，但是模型本身比較復(fù)雜，且輸入的數(shù)據(jù)較難獲得，區(qū)域尺度轉(zhuǎn)換難以實(shí)現(xiàn)。CASA（Carnegie-Ames-Stanford approach）模型是一個基于光能利用率的具有代表性的模型，在全球以及區(qū)域生產(chǎn)力的估算中有著較大的影響力［9］。國內(nèi)外學(xué)者利用CASA模型對草地、植被等不同研究對象在全國、省、市群等不同空間尺度開展了大量研究。LIU等［10］通過CASA模型反演，結(jié)果表明，1982—2008年全球草地NPP總量為23.98～25.73 PgC，年均增速為0.03 PgC/a。PIAO等［11］利用CASA模型反演了我國1982—1999年植被NPP，結(jié)果表明，植被NPP整體上呈增加趨勢，增加速率為0.015 PgC/a。周偉等［12］利用CASA模型模擬我國1982—2010年草地NPP總量為988.3 TgC，其中超過60%的草地表現(xiàn)為增加的趨勢。李軍玲［13］、戴靚［14］等采用CASA模型并借助其他輔助數(shù)據(jù)分別對河南省和長江三角洲地區(qū)的NPP進(jìn)行分析。賀倩等［15］基于改進(jìn)的CASA模型反演得到2010—2015年三江源地區(qū)植被NPP均值降低51.99 gC/（m2·a）。YANG等［16］基于CASA模型模擬2001—2016年安徽省植被NPP，均值約為228.27 gC/（m2·a），不同土地利用類型的植被NPP均值從高到低為耕地、草地、林地、農(nóng)用地、水體、濕地、低植被覆蓋區(qū)。

在全球植被NPP模擬和碳循環(huán)研究中，CASA模型在我國和區(qū)域植被生產(chǎn)力的模擬中發(fā)揮了很大作用［17］；但是由于需要的參數(shù)多，精確賦值困難，該模型仍缺乏廣泛和細(xì)致的應(yīng)用，尤其是在流域尺度上，比如我國長江流域地區(qū)。因此，本研究選用2001—2018年的MODIS數(shù)據(jù)和中國氣象數(shù)據(jù)驅(qū)動CASA模型反演長江流域植被NPP，探究長江流域不同時空尺度的植被NPP分布現(xiàn)狀和變化趨勢，以期為流域植被恢復(fù)及流域生態(tài)環(huán)境保護(hù)提供科學(xué)參考。

1 研究區(qū)概況、數(shù)據(jù)來源

1.1 研究區(qū)概況

長江流域是世界三大流域之一，總面積約為180萬平方公里，約占中國陸地總面積的1/5，流域內(nèi)植被類型豐富［17］，主要為常綠闊葉林、常綠針葉林、落葉針葉林、混交林和灌叢等。流域地形地貌類型復(fù)雜多樣，地勢西高東低，橫跨我國地勢的三大階梯，主要流經(jīng)青藏高原、云貴高原、四川盆地、長江中下游平原。流域內(nèi)氣候類型多樣，其中大多數(shù)地區(qū)處在亞熱帶季風(fēng)氣候區(qū)。流域內(nèi)氣溫空間呈東高西低、南高北低的分布趨勢，多年平均氣溫為13 ℃，平均年降水量為1 100 mm，雨量充沛但空間分布不均，呈東南向西北遞減的趨勢。如圖1所示，2001—2018年歸一化植被指數(shù)（normalized differential vegetation index，NDVI）多年均值范圍為0～0.95。

1.2 數(shù)據(jù)來源及預(yù)處理

遙感數(shù)據(jù)：NDVI數(shù)據(jù)通過NASA官網(wǎng)發(fā)布的MOD13A1數(shù)據(jù)集（https：//ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/products/），空間分辨率500 m，其行列號分別為h25v05、h26v05、h26v06、h27v05、h27v06、h28v05、h28v06，共7景影像，并對其進(jìn)行格式轉(zhuǎn)換、投影變換、鑲嵌、拼接，通過最大值合成法（maximum value composite， MVC）進(jìn)一步抵消環(huán)境因素的干擾，從而獲得逐月NDVI數(shù)據(jù)。2005年、2010年、2015年、2018年植被覆蓋數(shù)據(jù)MCD12Q1，空間分辨率為500 m，提取國際地圈-生物圈計(jì)劃（International Geosphere-Biosphere Programme，IGBP）全球植被分類圖。 MOD17A3HGF數(shù)據(jù)是NPP的數(shù)據(jù)產(chǎn)品，來源于NASA官網(wǎng)。

氣象數(shù)據(jù)：降水和氣溫數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)中心（http：//data.cma.cn/），數(shù)據(jù)包括長江流域2001—2018年175個氣象站點(diǎn)的地面觀測數(shù)據(jù)（平均氣溫、降水量等），通過克里金插值法獲取月降水和月平均氣溫數(shù)據(jù)，并使其空間分辨率與NDVI數(shù)據(jù)一致。太陽輻射使用全球高分辨率地表太陽輻射數(shù)據(jù)集，其來源于國家青藏高原科學(xué)數(shù)據(jù)中心（http：//data.tpdc.ac.cn），時間單位和空間分辨率分別為月和10 000 m。

地形數(shù)據(jù)：高程、坡度、坡向數(shù)據(jù)分別來源于地理空間數(shù)據(jù)云的SRTMDEM 90M、SRTMSLOPE 90M、SRTMASPECT 90M的數(shù)據(jù)集。

2 研究方法

2.1 NPP的反演

CASA模型充分考慮了環(huán)境條件及植物本身特性，將氣象及環(huán)境調(diào)控因子作為輸入?yún)?shù)，有效地反演陸地植被NPP，且模型參數(shù)可通過遙感或空間分析方法獲得。因此，本文采用CASA模型反演長江流域植被NPP，計(jì)算公式［18］如下：

光能轉(zhuǎn)化率的計(jì)算公式如下：

由于光合有效輻射吸收比（F）與歸一化植被指數(shù)（INDV）和比值植被指數(shù)（IRV）分別存在線性關(guān)系，本文根據(jù)朱文泉［19-20］的研究，計(jì)算出適合長江流域的每個植被類型所對應(yīng)的INDV和IRV的最大值，賦予最小值，使用2個參數(shù)分別進(jìn)行計(jì)算后，取其平均值作為F的值。結(jié)合文獻(xiàn)［21］，設(shè)置最大光能轉(zhuǎn)化率（εmax），并從數(shù)據(jù)獲取層提升模型運(yùn)用的區(qū)域適用度，從而實(shí)現(xiàn)對靜態(tài)參數(shù)的本地化（表1）。

2.2 植被NPP趨勢分析

Theil-Sen Median趨勢分析法可用于逐像元分析植被NPP在時間序列上的變化趨勢及空間差異性，該方法無需數(shù)據(jù)服從特定分布且不受異常值的干擾，對離散數(shù)據(jù)具有較強(qiáng)的規(guī)避能力［22］。其計(jì)算公式為

式中：C為植被NPP變化速率，Cgt;0說明植被NPP呈上升趨勢，Clt;0 則植被NPP為下降趨勢；Ni為i年植被NPP值；Nj為j年植被NPP值。

由于Theil-Sen Median趨勢分析法無法進(jìn)行顯著性檢驗(yàn)，與Mann-Kendall非參數(shù)檢驗(yàn)方法結(jié)合，能較好地克服噪聲對分析結(jié)果的影響［23］。因此，植被NPP變化趨勢的顯著性通過Mann-Kendall統(tǒng)計(jì)檢驗(yàn)法判斷，相關(guān)計(jì)算公式如下：

式中：sgn是符號函數(shù)。趨勢檢驗(yàn)的方法是零假設(shè)，H0： R＝0；當(dāng)|Z|gt;Z1－α/2時，拒絕零假設(shè)。其中，Z1－α/2為標(biāo)準(zhǔn)正態(tài)方差；α為顯著性檢驗(yàn)水平。當(dāng)|Z|分別大于等于1.28、1.96時，表示分別通過了置信度為90%、95%的顯著性檢驗(yàn)。

2.3 地形因子的分析

地形因子不僅是可以描述地貌形態(tài)的參數(shù)，也是植被NPP垂直分布及多樣性分布的關(guān)鍵因素。根據(jù)長江流域復(fù)雜的地形地貌特征，選取的地形因子包括海拔、坡度和坡向。借鑒《水土保持綜合治理規(guī)劃通則》［24］，結(jié)合長江流域地形情況，使用Arcgis 10.2軟件對海拔、坡度和坡向重分類并進(jìn)行等級劃分。地形因子分類定級見表2。將研究區(qū)各級地形因子與NPP進(jìn)行疊加分析，統(tǒng)計(jì)各級地形因子對應(yīng)的NPP均值，分析NPP隨地形因子等級變化的特征。本文定量分析NPP與高程、坡度和坡向之間的關(guān)系，在各地形因子等級選取若干采樣點(diǎn)，通過斯皮爾曼等級相關(guān)系數(shù)研究在各地形因子等級中變量之間的相關(guān)關(guān)系。

3 結(jié)果與分析

3.1 植被NPP反演結(jié)果驗(yàn)證

3.1.1 反演結(jié)果與遙感數(shù)據(jù)產(chǎn)品對比

由于長江流域植被NPP實(shí)測數(shù)據(jù)較難獲取，基于2001—2018年長江流域的MODIS NPP數(shù)據(jù)產(chǎn)品（MOD17A3HGF），經(jīng)過處理得到長江流域2001—2018年多年NPP的平均值，在研究區(qū)內(nèi)隨機(jī)選取675個樣點(diǎn)，將CASA模型反演的數(shù)據(jù)與MOD17A3HGF產(chǎn)品進(jìn)行擬合（圖2），以驗(yàn)證本文研究結(jié)果。結(jié)果表明，兩者之間的擬合程度好，本文反演值要高于MOD17A3HGF產(chǎn)品。其原因是：MOD17A3HGF產(chǎn)品低估了灌叢、草原草甸的生產(chǎn)力，與其他植被類型的擬合程度較好［25］。MOD17A3HGF產(chǎn)品在長江流域的城鎮(zhèn)及周邊地區(qū)，如長三角地區(qū)、鄱陽湖水系北部、洞庭湖水系北部、宜昌至湖口中部、漢江東部等出現(xiàn)缺值，突出本文CASA模型用于長江流域研究的優(yōu)勢，并且二者相關(guān)性R2為0.717（Plt;0.01），具有強(qiáng)相關(guān)性，說明該模型可以有效地反演長江流域植被NPP，可為之后的研究提供基礎(chǔ)數(shù)據(jù)。

3.1.2 對比驗(yàn)證

為了進(jìn)一步驗(yàn)證長江流域植被NPP數(shù)據(jù)的可靠性，將本文的反演值與其他模型的數(shù)據(jù)進(jìn)行比較。由表3可知：本文不同植被NPP的反演值在實(shí)測值范圍內(nèi)，并且與前人的反演結(jié)果一致，均表現(xiàn)為喬木類NPP較高、稀疏植被NPP較低，說明參數(shù)本地化后的CASA模型反演的NPP數(shù)據(jù)基本可靠，可以很好地反映長江流域植被NPP的實(shí)際狀態(tài)。

3.2 長江流域植被NPP時間變化特征

3.2.1 植被NPP年際變化特征

由CASA模型反演的NPP數(shù)據(jù)繪制2001—2018年長江流域植被NPP年際變化圖，如圖3所示。從圖3可以看出：長江流域在這18年間表現(xiàn)出增長的趨勢，但是增幅較小，NPP年均值范圍為511.92～638.25 gC/（m2·a），NPP多年均值為572.72 gC/（m2·a）；峰值638.25 gC/（m2·a）出現(xiàn)在2007年，比NPP多年均值高了11.44%；谷值511.92 gC/（m2·a）出現(xiàn)在2001年，比NPP多年均值低了10.62%。由于受到氣候干旱［29］的影響， 2001年NPP均值明顯小于其他年份。總體而言，2001—2007年NPP年均值變化明顯，呈波動式上升，2008—2018年變化相對趨于平穩(wěn)，表明長江流域生態(tài)環(huán)境逐漸恢復(fù)，區(qū)域固碳能力有所增強(qiáng)。

3.2.2 植被NPP年內(nèi)變化特征

對2001—2018年長江流域植被NPP取月平均值合成，并計(jì)算月NPP總量占年NPP總量的比例（貢獻(xiàn)度），如圖4所示。由圖4可知：長江流域NPP年內(nèi)變化層次感比較明顯，表現(xiàn)出倒“U”型變化特征和季節(jié)性。夏半年（4—9月）NPP月均值處在較高位，均大于40 gC/（m2·a），且夏半年NPP總量占全年的77.61%；冬半年（10月—次年3月）NPP月均值整體較低，其中11月—次年2月NPP月均值小于20 gC/（m2·a）。夏季6—8月NPP月均值都超過80 gC/（m2·a），NPP總量占全年NPP的44.66%；春季3—5月、秋季9—11月NPP月均值較低，分別占NPP總量的27.22%、20.35%。冬季對全年NPP的貢獻(xiàn)度僅為7.77%，不足夏季的50%；7、8月NPP月均值最高并且貢獻(xiàn)度最大，均值分別為90.85 gC/（m2·a）和83.92 gC/（m2·a），貢獻(xiàn)度分別是15.86 %和14.65%；12、1月NPP月均值最低，均值分別為13.81、13.43 gC/（m2·月），貢獻(xiàn)度分別為2.35 %和2.41 %。植被NPP表現(xiàn)出的年內(nèi)變化特征，原因在于：長江流域的植被覆蓋度高的地區(qū)位于濕潤地區(qū)，屬于亞熱帶季風(fēng)氣候，夏季高溫多雨，冬季寒冷干燥，從而引起植被在夏半年生長迅速，在冬半年生長緩慢。

3.3 長江流域植被NPP空間分布及變化特征

3.3.1 植被NPP空間分布格局

對2001—2018年長江流域植被NPP取平均值，繪制空間分布圖。如圖5所示：長江流域多年植被NPP均值在0～1 700.13 gC/（m2·a）范圍內(nèi)，流域內(nèi)植被NPP空間分異明顯，整體分布格局上呈階梯狀分布，由第一階梯向第三階梯遞增，自西北向東南遞增，植被NPP高值聚集在青藏高原山麓地區(qū)和鄱陽湖水系地區(qū)，而青藏高原部分地區(qū)和長三角地區(qū)植被NPP較低。

為了更好地了解長江流域空間分布格局，分區(qū)統(tǒng)計(jì)各二級流域2001—2018年植被NPP。由圖6可以看出：12個二級流域中，烏江、嘉陵江、漢江、洞庭湖水系、湖口干流、鄱陽湖水系共6個水系植被NPP均值超過600 gC/（m2·a），其中鄱陽湖水系植被NPP均值679.99 gC/（m2·a）最大，得益于鄱陽湖所在的江西省高度的植被覆蓋度；而金沙江石鼓以上水系的NPP年均值僅為274.00 gC/（m2·a），遠(yuǎn)遠(yuǎn)低于其他流域，其他5個二級流域（金沙江石鼓以下、岷沱江、宜賓至宜昌、宜昌至湖口、太湖水系）植被NPP均值為500～600 gC/（m2·a）。

3.3.2 植被NPP空間變化特征

本文采用Theil-Sen Median趨勢分析法和Mann-Kendall統(tǒng)計(jì)檢驗(yàn)法將長江流域植被變化趨勢劃分為顯著減少（Clt;0和|Z|≥1.96）、輕微減少（Clt;0和1.28≤|Z|lt;1.96）、基本不變（|Z|lt;1.28）、輕微增加（Cgt;0和1.28≤|Z|lt;1.96）和顯著增加（Cgt;0和|Z|≥1.96）總共5個分類，繪制2001—2018年的變化速率以及變化趨勢圖。從圖7可知：長江流域植被NPP平均變化速率為0.066 gC/（m2·a），有17.76%的面積表現(xiàn)為增加趨勢，主要分布在岷沱江南部、嘉陵江西部、烏江西部和洞庭湖東部地區(qū)，其中岷沱江南部、嘉陵江西部、烏江西部增幅超過5 gC/（m2·a），說明這些區(qū)域植被生長環(huán)境較好，為植被生長提供豐富的養(yǎng)料。長江流域植被NPP減少趨勢的像元占全域的16.16%，顯著減少的像元占比僅5.48%，主要分布于漢江西部與長江流域西南部，這與當(dāng)?shù)亟陙須鉁叵陆担?0］有關(guān)，氣溫較低會導(dǎo)致植被生長放緩。長江流域植被NPP基本不變的像元占比66.08%，主要分布在長江中部和西北部。由此看出，長江流域整體植被生長狀況和固碳能力在改善，但是局部地區(qū)有惡化的趨勢。

3.4 長江流域植被NPP變化與地形因子的相關(guān)性分析

3.4.1 植被NPP與高程的關(guān)系

為了解植被NPP與高程之間的關(guān)系，統(tǒng)計(jì)分析2001—2018年各高程帶植被NPP年均值變化特征，并在各高程帶中選取若干個采樣點(diǎn)分析植被NPP與高程的相關(guān)性，如圖8所示。由圖8（a）可以看出：2007年，gt;500～1 000 m和gt;1 000～2 000 m高程帶的植被NPP均超過gt;2 000～3 000 m高程帶的植被NPP，原因是該年降水量激增，在政府有效的調(diào)度下［31］，干旱缺水的地區(qū)有了水分補(bǔ)給，促進(jìn)了這些地區(qū)植被的生長。其他時間，長江流域各高程帶植被NPP變化趨勢與長江流域植被NPP年際變化趨勢整體上一致，都呈現(xiàn)波動性。高程在3 000 m以下時，植被NPP年均值隨著各級高程帶的增加而增加；高程在3 000m以上時，隨著高程的增加植被NPP年均值減少。因此，2007年植被生長最佳的是gt;1 000～2 000 m高程帶，其他時間是gt;2 000～3 000 m高程帶植被NPP年均值最高。由圖8（b）可以看出：lt;200、200～500、gt;500～1 000、gt;1 000～2 000 m的高程帶中，植被NPP與高程呈正相關(guān)，其中g(shù)t;1 000～2 000 m高程帶呈顯著正相關(guān)；gt;2 000～3 000 m高程帶呈顯著不相關(guān)；高程gt;3 000～4 000 m和gt;4 000 m的區(qū)域呈顯著負(fù)相關(guān)；整個研究區(qū)植被NPP與高程的相關(guān)系數(shù)是-0.487（Plt;0.01）。說明高程在gt;1 000～2 000 m地區(qū)，植被NPP隨高程的增加顯著增加；高程在gt;2 000～3 000 m地區(qū)植被NPP變化比較穩(wěn)定，而高程在gt;3 000 m地區(qū)植被NPP隨高程的增加急劇減少。綜上，高程對NPP的解釋較好，其中g(shù)t;2 000～3 000 m高程帶上植被生長狀況最佳。

3.4.2 植被NPP與坡度的關(guān)系

2001—2018年長江流域地區(qū)植被NPP與坡度的關(guān)系如圖9所示。從圖9（a）可以看出：2001—2018年長江流域植被NPP隨坡度的增加而增加，且各坡度范圍植被NPP變化趨勢與研究區(qū)NPP年際變化趨勢保持一致。圖9（b）中各坡度分級范圍與植被NPP均呈正相關(guān)性。lt;6°坡度的區(qū)域易受到人類活動的影響，因此該地區(qū)的坡度對NPP的解釋較差。在6°～15°和gt;15°～25°坡度范圍，NPP與坡度呈顯著正相關(guān)性，即植被NPP隨坡度的增加而增加，這些地區(qū)是開展退耕還林、小流域治理、生態(tài)移民搬遷等一系列生態(tài)工程的重點(diǎn)區(qū)域，并且人類活動較少，因而該地區(qū)植被生長旺盛，NPP增長。坡度gt;25°地區(qū)多為陡峭的山崖，水分難以保持，氣候條件很難控制，植被面臨光照不足、溫度變化等挑戰(zhàn)；相較坡度lt;6°地區(qū)，該地區(qū)的坡度對NPP的解釋略好。因此，lt;6°坡度地區(qū)的NPP是各坡度區(qū)間最低的，并且該地區(qū)坡度對NPP的解釋較差，在6°～15°和gt;15°～25°坡度對植被NPP的解釋較好。

3.4.3 植被NPP與坡向的關(guān)系

2001—2018年長江流域地區(qū)植被NPP與坡向的關(guān)系如圖10所示。由圖10（a）可知：平坡、陰坡、半陰坡、陽坡、半陽坡植被NPP變化趨勢與NPP年際變化趨勢一致，但是各坡向NPP年均值相差不大。從圖10（b）可以看出：只有半陰坡與NPP多年均值呈現(xiàn)顯著正相關(guān)，其他坡向與NPP相關(guān)性系數(shù)較低，均小于0.2。因此，除半陰坡外，其他坡向?qū)PP影響不大。

4 結(jié)論與討論

本文基于CASA模型，針對NDVI和最大光能利用率εmax進(jìn)行本地化，反演出以月為時間尺度的長江流域植被NPP，并分析2001—2018年研究區(qū)植被NPP時空變化規(guī)律及與地形因子的關(guān)系，得出以下結(jié)論：

1）通過與MODIS NPP數(shù)據(jù)產(chǎn)品以及前人的相關(guān)研究進(jìn)行對比，CASA模型可以有效地反演長江流域植被NPP，反映長江流域植被生長的實(shí)際狀態(tài)。長江流域空間格局顯示東高西低，2001—2007年NPP均值呈波動式上升，2008—2018年變化相對趨于平穩(wěn)；長江流域植被NPP具有年內(nèi)季節(jié)性的表現(xiàn)，夏季NPP對全年NPP總量的貢獻(xiàn)接近一半。

2）長江流域在2001—2018年18年中植被NPP增加的面積大于減少的面積，增加的區(qū)域主要分布在岷沱江水系南部、嘉陵江水系西部、烏江水系西部和洞庭湖水系東部地區(qū)，因此長江流域植被生長狀況整體來看有所改善，然而局部地區(qū)植被的生長存在惡化的現(xiàn)象。

3）關(guān)于地形因素的分析發(fā)現(xiàn)，相較于坡度、坡向，高程對長江流域植被NPP的解釋較強(qiáng)。長江流域植被NPP與不同高程帶的響應(yīng)不同，在lt;3 000 m的地區(qū)植被NPP隨著高程的增加而增加，在高程gt;3 000 m的地區(qū)植被NPP顯著減少，其中最適合植被生長的高程帶是gt;2 000～3 000 m。在6°～15°和gt;15°～25°坡度以及半陰坡對植被NPP的解釋較好。

本文反演的NPP數(shù)據(jù)集時間序列長，能夠較好地反應(yīng)植被在不同時空尺度下的變化。地形因子反應(yīng)是植被在自然環(huán)境條件下的綜合表現(xiàn)，高程、坡度和坡向等地形因子的改變，影響降水量、氣溫高低、土壤肥力等資源在時空中的分配，進(jìn)而影響植被生產(chǎn)能力。分析地形因子與植被NPP之間的關(guān)系能夠有效地揭露出不同生長條件下植被的分布。除了地形因子的影響，氣溫、太陽輻射、降水等因子均會直接影響植被NPP的時空變化，各因子之間相互限制和相互關(guān)聯(lián)。如何深入分析植被NPP的各因素之間的綜合影響，是研究植物生態(tài)環(huán)境和評估區(qū)域碳收支的基石，今后將進(jìn)一步研究各自然因子對植被NPP的綜合作用。

參考文獻(xiàn)：

[1]劉恒. 基于CASA模型的清江流域植被凈初級生產(chǎn)力估算與分析［D］. 湖北： 湖北民族大學(xué)， 2021.

［2］ 胡鞍鋼. 中國實(shí)現(xiàn)2030年前碳達(dá)峰目標(biāo)及主要途徑［J］. 北京工業(yè)大學(xué)學(xué)報（社會科學(xué)版）， 2021， 21（3）： 1-15.

［3］ 方精云， 柯金虎， 唐志堯， 等. 生物生產(chǎn)力的“4P”概念、估算及其相互關(guān)系［J］. 植物生態(tài)學(xué)報， 2001， 25（4）： 414-419.

［4］ LI C H， SUN H， WU X D， et al. An approach for improving soil water content for modeling net primary production on the Qinghai-Tibetan Plateau using Biome-BGC model［J］. Catena， 2020， 184： 104253.1-104253.8.

［5］ ALEXANDROV G A， OIKAWA T， YAMAGATA Y. The scheme for globalization of a process-based model explaining gradations in terrestrial NPP and its application［J］. Ecological Modelling， 2002， 148（3）： 293-306.

［6］ 李媛. 陸地植被凈初級生產(chǎn)力估算及影響因素研究現(xiàn)狀［J］. 寧夏大學(xué)學(xué)報（自然科學(xué)版）， 2018， 39（4）： 362-366.

［7］ LIETH H， WHITTAKER R H. Primary productivity of the biosphere［M］. New York： Springer-Verlag Berlin Heidelberg， 1975.

［8］ 李傳華， 韓海燕， 范也平， 等. 基于Biome-BGC模型的青藏高原五道梁地區(qū)NPP變化及情景模擬［J］. 地理科學(xué)， 2019， 39（8）： 1330-1339.

［9］ FIELD C B， RANDERSON J T， MALMSTOM C M. Global net primary production： combining ecology and remote sensing［J］. Remote Sensing of Environment， 1995， 51（1）： 74-88.

［10］LIU Y Y， YANG Y， WANG Q， et al. Assessing the dynamics of grassland net primary productivity in response to climate change at the global scale［J］. Chinese Geographical Science， 2019， 29（5）： 725-740.

［11］PIAO S L， FANG J Y， ZHOU L M， et al. Changes in vegetation net primary productivity from 1982 to 1999 in China［J］. Global Biogeochemical Cycles， 2005， 19（2）： 1-16.

［12］周偉， 牟鳳云， 剛成誠， 等. 1982—2010年中國草地凈初級生產(chǎn)力時空動態(tài)及其與氣候因子的關(guān)系［J］. 生態(tài)學(xué)報， 2017， 37（13）： 4335-4345.

［13］李軍玲， 陳懷亮， 鄒春輝， 等. 1994—2008年河南省植被凈第一性生產(chǎn)力及其時空變化［J］. 生態(tài)環(huán)境學(xué)報， 2011， 20（10）： 1424-1429.

［14］戴靚， 周生路， 吳紹華， 等. 近十年長三角地區(qū)陸地凈第一性生產(chǎn)力時空變化［J］. 長江流域資源與環(huán)境， 2012， 21（10）： 1216-1222.

［15］賀倩， 楊雪琴， 戴曉愛. 2010—2015年三江源地區(qū)植被凈初級生產(chǎn)力變化特征及影響因素分析［J］. 長江科學(xué)院院報， 2020， 37（5）： 59-66.

［16］YANG H F， HU D D， XU H， et al. Assessing the spatiotemporal variation of NPP and its response to driving factors in Anhui province， China［J］. Environmental science and pollution research international， 2020， 27（13）： 14915-14932.

［17］袁喆， 喻志強(qiáng)， 馮兆洋， 等. 長江流域陸地生態(tài)系統(tǒng)NDVI時空變化特征及其對水熱條件的響應(yīng)［J］. 長江科學(xué)院院報， 2019， 36（11）： 7-15.

［18］POTTER C， RANDERSON J T， FIELD C B， et al. Terrestrial ecosystem production： a process model based on global satellite and surface data［J］. Global Biogeochemical Cycles， 1993， 7（4）： 811-841.

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

［20］朱文泉. 中國陸地生態(tài)系統(tǒng)植被凈初級生產(chǎn)力遙感估算及其與氣候變化關(guān)系的研究［D］. 北京： 北京師范大學(xué)， 2005.

［21］溫宥越， 孫強(qiáng)， 燕玉超， 等. 粵港澳大灣區(qū)陸地生態(tài)系統(tǒng)演變對固碳釋氧服務(wù)的影響［J］. 生態(tài)學(xué)報， 2020， 40（23）： 8482-8493.

［22］劉憲鋒， 潘耀忠， 朱秀芳， 等. 2000—2014年秦巴山區(qū)植被覆蓋時空變化特征及其歸因［J］. 地理學(xué)報， 2015， 70（5）： 705-716.

［23］于延勝， 陳興偉. 基于Mann-Kendall法的水文序列趨勢成分比重研究［J］. 自然資源學(xué)報， 2011， 26（9）： 1585-1591.

［24］水利部水土保持司， 水利部水土保持監(jiān)測中心， 黃河水利委員會上中游管理局， 等. 水土保持綜合治理規(guī)劃通則： GB/T 15772—2008［S］. 北京： 中國標(biāo)準(zhǔn)出版社， 2008.

［25］TUMER D P ， RITTS W D ， COHEN W B ， et al. Site-level evaluation of satellite-based global terrestrial gross primary production and net primary production monitoring［J］. Global Change Biology， 2010， 11（4）： 666-684.

［26］張鳳英， 張?jiān)鲂牛?田佳西， 等. 長江流域森林NPP模擬及其對氣候變化的響應(yīng)［J］. 南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2021， 45（1）： 175-181.

［27］石志華， 劉夢云， 吳健利， 等. 基于CASA模型的陜西省植被凈初級生產(chǎn)力時空分析［J］. 水土保持通報， 2016， 36（1）： 206-211， 345.

［28］YUAN Q Z， WU S H， ZHAO D S， et al. Modeling net primary productivity of the terrestrial ecosystem in China from 1961 to 2005［J］. Journal of Geographical Sciences， 2014， 24： 3-17.

［29］史芳斌， 張方偉， 萬漢生. 2001年長江流域干旱及成因分析［J］. 水利水電快報， 2002， 23（8）： 28-29， 32.

［30］汲玉河， 周廣勝， 王樹東， 等. 2000—2019年秦嶺地區(qū)植被生態(tài)質(zhì)量演變特征及驅(qū)動力分析［J］. 植物生態(tài)學(xué)報， 2021， 45（6）： 617-625.

［31］蔡其華. 強(qiáng)化管理 和諧發(fā)展 讓健康長江造福人民［J］. 中國水利， 2007（24）： 51-53.

（責(zé)任編輯：周曉南）

Abstract： Vegetation net primary productivity （NPP） is an important index to evaluate the ecosystem carbon fixation capacity. The Yangtze River is an important agricultural production area and ecological security barrier. So it is of great significance to carry out the characteristics of NPP vegetation in the Yangtze River basin to understand the vegetation growth and biological carbon fixation ability. Based on CASA model， this research reversed vegetation NPP in Yangtze River basin and analyzed the evolution of vegetation NPP and topographic factors from 2001 to 2018. The results show that the inversion effect of CASA model on NPP of vegetation in the Yangtze River basin is good， which reflects the actual state of the vegetation NPP in the study areaand the NPP of annual vegetation in the Yangtze River basin is 572.72 gC/（m2·a）. In terms of time， the interannual change of NPP of vegetation in the Yangtze River basin can be divided into two stages; the annual mean change of increases significantly from 2001 to 2007， in a fluctuating pattern while the change from 2008 to 2018 is relatively stable. The monthly change of vegetation NPP is obvious; NPP monthly average in summer half- year （April to September） is high， contributing 77.61% to the annual NPP. There are also obvious differences in the spatial pattern of NPP vegetation in the Yangtze River Basin. Overall， a gradual increase is shown from northwest to southeast. The area of increased vegetation NPP is greater that of decreased vegetation NPP over 18 years; the increasing trend of NPP is mainly distributed in the south of Mintuo River system， the west of Jialing River system， the west of Wujiang River system and the eastern part of Dongting Lake water system. The NPP responds differently to the grading of the various topographic factors; with an elevation below 3 000 m， vegetation NPP in the Yangtze River basin increases with increasing elevation， while vegetation NPP in areas with an elevation above 3 000 m starts to decrease obviously， and the most suitable elevation zone for vegetation growth is 2 000-3 000 m. Slopes lt;6°explains the NPP poorly while the vegetation NPP is explained better at 6°-15° and gt;15°-25° slopes; except for the semi-shady slopes， other slope directions have little impact on the NPP.

Key words： Yangtze River basin; CASA model; vegetation net primary productivity; spatial-temporal evolution; topographical factors

基金項(xiàng)目：福建省科技計(jì)劃資助項(xiàng)目（2020L3005）

作者簡介：李俊豪（1997—），男，在讀碩士，研究方向：遙感應(yīng)用，E-mail：ljhwangyi2021@163.com.

*通訊作者：梁娟珠，E-mail：liangjuanzhu@163.com.