贵州省2000-2020年NPP时空变化特征及影响因素.pdf

第3 0卷第5期2 0 2 3年1 0月水土保持研究R e s e a r c ho fS o i l a n dW a t e rC o n s e r v a t i o nV o l.3 0,N o.5O c t.,2 0 2 3 收稿日期:2 0 2 2-0 8-0 2 修回日期:2 0 2 2-0 9-0 4 资助项目:国家自然科学基金“生态过渡带土地覆盖变化情景模拟及归因研究”(4 1 9 7 1 3 5 8)第一作者:钱方艳(1 9 9 8),女,贵州盘州人,硕士研究生,主要研究方向为地理信息系统与遥感。E-m a i l:2 3 1 0 1 7 3 1 5 5q q.c o m 通信作者:兰安军(1 9 7 4),男,贵州黔南人,硕士,副教授,主要从事喀斯特环境遥感研究。E-m a i l:4 9 3 4 8 6 9 8 0q q.c o mh t t p:s t b c y j.p a p e r o n c e.o r gD O I:1 0.1 3 8 6 9/j.c n k i.r s w c.2 0 2 3.0 5.0 2 0.钱方艳,兰安军,范泽孟,等.贵州省2 0 0 0-2 0 2 0年N P P时空变化特征及影响因素J.水土保持研究,2 0 2 3,3 0(5):4 0 8-4 1 6,4 2 6.Q I ANF a n g y a n,L ANA n j u n,F ANZ e m e n g,e ta l.S p a t i o t e m p o r a lV a r i a t i o nC h a r a c t e r i s t i c sa n dI n f l u e n c i n gF a c t o r so fN P Pi nG u i z h o uP r o v i n c ef r o m2 0 0 0t o2 0 2 0J.R e s e a r c ho fS o i l a n dW a t e rC o n s e r v a t i o n,2 0 2 3,3 0(5):4 0 8-4 1 6,4 2 6.贵州省2 0 0 0-2 0 2 0年N P P时空变化特征及影响因素钱方艳1,兰安军1,范泽孟2,王仁儒1,陶 倩1,邹永偲1,徐晶姝1(1.贵州师范大学 地理与环境科学学院,贵阳5 5 0 0 2 5;2.中国科学院 地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京1 0 0 1 0 1)摘 要:目的 如何利用长时序遥感数据信息对贵州省植被净初级生产力(N e tP r i m a r yP r o d u c t i v i t y,N P P)的时空变化特征及影响因子进行定量分析,对喀斯特区域生态质量评估和监测具有典型意义,可为该区域的碳平衡和生态保护研究提供科学依据。方法 综合利用T h e i l-S e n趋势分析法、M a n n-K e n d a l l检验法、相关性分析法和地理探测器等模型方法,基于2 0 0 02 0 2 0年MO D I SN P P数据,以及D EM、气温、降水、人口密度等多源数据,定量计算和解析贵州省N P P的时空演变特征及其影响因子。结果 贵州省N P P的空间分布呈现中南和西南部高、北部和东部低的空间异质性特征。近2 0年来,贵州省N P P总体呈波动上升趋势,增长区主要分布在西部和西南部,减少区主要分布在中部及东南部。气温和降水对N P P的影响最为显著,其与N P P的正相关水平分别达8 5.2 7%和6 3.3 5%,升温对N P P有促进作用,而降水过多则对N P P有阻碍作用。结论 单因子分析表明降水对N P P影响最大,而任意两个因子交互的影响力计算显示,降水与气温是2 0 0 02 0 2 0年对贵州省N P P影响作用最大的交互因子。关键词:植被净初级生产力(N P P);T h e i l-S e n趋势;M a n n-K e n d a l l检验;地理探测器中图分类号:Q 9 4 8.1 文献标识码:A 文章编号:1 0 0 5-3 4 0 9(2 0 2 3)0 5-0 4 0 8-0 9S p a t i o t e m p o r a lV a r i a t i o nC h a r a c t e r i s t i c sa n dI n f l u e n c i n gF a c t o r so fN P Pi nG u i z h o uP r o v i n c e f r o m2 0 0 0t o2 0 2 0Q I ANF a n g y a n1,L ANA n j u n1,F ANZ e m e n g2,WANGR e n r u1,T AOQ i a n1,Z OUY o n g c a i1,XUJ i n g s h u1(1.C o l l e g eo fG e o g r a p h ya n dE n v i r o n m e n t a lS c i e n c e s,G u i z h o uN o r m a lU n i v e r s i t y,G u i y a n g5 5 0 0 2 5,C h i n a;2.S t a t eK e yL a b o r a t o r yo fR e s o u r c e sa n dE n v i r o n m e n t a lI n f o r m a t i o nS y s t e m,I n s t i t u t eo fG e o g r a p h i cS c i e n c e sa n dN a t u r a lR e s o u r c e sR e s e a r c h,C h i n e s eA c a d e m yo fS c i e n c e s,B e i j i n g1 0 0 1 0 1,C h i n a)A b s t r a c t:O b j e c t i v eH o wt oq u a n t i t a t i v e l ya n a l y z et h es p a t i o t e m p o r a lv a r i a t i o nc h a r a c t e r i s t i c sa n di m p a c tf a c t o r so fn e tp r i m a r yp r o d u c t i v i t y(N P P)o f v e g e t a t i o n i nG u i z h o uP r o v i n c eu s i n g l o n g-t e r mr e m o t es e n s i n gd a t a i so f t y p i c a l s i g n i f i c a n c e i ne c o l o g i c a lq u a l i t ya s s e s s m e n ta n dm o n i t o r i n gi nk a r s tr e g i o n s,a n dc a np r o-v i d es c i e n t i f i cb a s i s f o r r e s e a r c ho nc a r b o nb a l a n c ea n de c o l o g i c a l p r o t e c t i o n i nt h i s r e g i o n.M e t h o d sM o d e lm e t h o d ss u c ha sT h e i l S e nt r e n da n a l y s i s,M a n nK e n d a l l t e s t,c o r r e l a t i o na n a l y s i s,a n dg e o g r a p h i cd e t e c t o r sw e r eu t i l i z e dt oq u a n t i t a t i v e l yc a l c u l a t ea n da n a l y z et h es p a t i o t e m p o r a le v o l u t i o nc h a r a c t e r i s t i c sa n di m p a c tf a c t o r so fN P Pi nG u i z h o uP r o v i n c eb a s e do nMO D I SN P Pd a t af r o m2 0 0 0t o2 0 2 0,a sw e l l a sm u l t i-s o u r c ed a t as u c ha sD EM,t e m p e r a t u r e,p r e c i p i t a t i o n,a n dp o p u l a t i o nd e n s i t y.R e s u l t sT h es p a t i a l d i s t r i b u t i o no fN P Pi nG u i z h o uP r o v i n c es h o w e das p a t i a lh e t e r o g e n e i t yc h a r a c t e r i s t i co fh i g hl e v e l i nt h es o u t hc e n t r a l a n ds o u t h w e s t,a n d l o wl e v e l i n t h en o r t ha n de a s t.I n t h ep a s t 2 0y e a r s,t h eo v e r a l lN P Po fG u i z h o uP r o v i n c eh a ds h o w naf l u c t u a t i n gu p w a r dt r e n d,w i t hg r o w t ha r e a s m a i n l yd i s t r i b u t i n gi nt h e w e s ta n ds o u t h w e s t,d e c r e a s ea r e a sm a i n l yd i s t r i b u t i n g i nt h ec e n t r a l a n ds o u t h e a s t.T e m p e r a t u r ea n dp r e c i p i t a t i o nh a dt h em o s ts i g n i f i c a n t i m p a c to nN P P,w i t hap o s i t i v ec o r r e l a t i o nl e v e lo f8 5.2 7%a n d6 3.3 5%,r e s p e c t i v e l y.W a r m i n gu pc o u l dp r o m o t eN P P,w h i l ee x c e s s i v ep r e c i p i t a t i o nc o u l dh i n d e rN P P.C o n c l u s i o nS i n g l ef a c t o ra n a l y s i ss h o w e dt h a tp r e c i p i t a t i o nh a dt h eg r e a t e s t i m p a c to nN P P,w h i l et h ec a l c u l a t i o no f t h e i n t e r a c t i o nb e t w e e na n yt w of a c t o r ss h o w e dt h a tp r e c i p i t a t i o na n dt e m p e r a t u r ew e r et h em o s t i n f l u e n t i a l i n t e r a c t i o nf a c t o r so nN P Pi nG u i z h o uP r o v i n c e f r o m2 0 0 0t o2 0 2 0.K e y w o r d s:n e tp r i m a r yp r o d u c t i v i t y(N P P);T h e i lS e nt r e n d;M a n nK e n d a l l t e s t;g e o g r a p h i c a l d e t e c t o r s 植被净初级生产力(N e tP r i m a r yP r o d u c t i v i t y,N P P)是植物群落在其所处环境条件下生产能力的直接反映,指绿色植物在单位面积、单位时间内累积的有机物数量1-2。植被净初级生产力是地表碳循环的重要组成部分,可用于评价区域生态系统功能,有效反映陆地土地覆盖、生态系统质量等情况,是陆地生态系统可持续发展评价的重要指标3-5。因此,在全球气候变化、生态保护和可持续发展的背景下,研究植被N P P的时空变化及其影响因素对陆地生态系统的变化以及陆地碳平衡有着重要的意义6。对于N P P的计算方法上,分为传统的实地采样测量7和模型估算8。然而实地采样方法仅适用于小尺度区域,对于大尺度区域的采样测量则难以实现9。所以现有的对大尺度区域的N P P估算,一般采用模型模拟方法进行。N P P估算方法主要有统计模型、参数模型和过程模型这3种1 0。其中被运用得最多的就是C A S A模型,该方法能较好地估算区域植被净初级生产N P P,具有广泛的适用性1 1。例如,国内学者张鑫彤等1 2、耿笛等1 3和董晓宇等1 4基于C A S A模型分别模拟了云南断陷盆地2 0 0 02 0 1 9年、徐州城区2 0 1 8年9月和内蒙古荒漠草原2 0 0 02 0 1 7年的N P P。国外学者FH a d i a n等1 5和ND u g a r s u r e n等1 6采用C A S A模型分别模拟了伊朗塞米罗姆县和蒙古国的N P P。此外,也有许多学者通过G E E(G o o g l eE a r t hE n g i n e)平台或者美国国家航空航天局平台获取MO D I S数据集,从不同范围尺度 对N P P和 不 同 因 子 之 间 的 相 关 性 进 行 研究1 7,1 8,1 9,2 0,2 1。MO D I S产品采用了基于过程的B i-o m e-B G C生态模型来进行N P P的估算,为年度所有8d净光合作用产品(n e tp h o t o s y n t h e s i s,P S N)的总和2 2。与传统的回归模型相比,B i o m e-B G C过程模型使用了更多的参数和更精密的估算方法,提高了净第一生产力的估算精度2 3。目前,关于西南地区植被N P P时空变化及影响因子的研究已有诸多成果2 4,2 5,2 6,2 7,而对于西南地区中某个省份的研究还较少,尤其是关于贵州省的植被N P P长时间序列的相关研究还未见报道。贵州省是西南地区云贵高原生态屏障的重要组成部分,境内碳酸盐岩广布、地质基础脆弱,喀斯特地貌显著,强烈的人类活动导致水土资源分布不均,生态遭受破坏,石漠化和水土流失等生态环境问题严重2 8。鉴于此,本文特以贵州省为例,基于T h e i l-S e n M e d i a n趋势分析法、M a n n-K e n d a l l检验法、相关性分析法和地理探测器,探究地形因素(海拔、坡度、坡向)、气象因素(气温,降水)、人类活动因素(人口密度、土地利用类型)对贵州省2 0 0 02 0 2 0年N P P时空变化的影响。以期为西南地区进行区域性生态治理,因地制宜实施生态建设工程提供一定理论依据,为贵州省生态修复提供一定参考。1 研究区概况贵州省位于中国西南的东南部,介于东经1 0 3 3 6 1 0 9 3 5、北纬2 4 3 7 2 9 1 3,国土面积为1 7 61 6 7k m2。地势西高东低,平均海拔11 0 0m左右,主要为高原、山地、丘陵和盆地,其中9 2.5%的面积为山地和丘陵2 9。地处亚热带湿润地区,具有良好的水热资源条件。森林覆盖率5 2%,植被资源丰富,具有明显的亚热带性质3 0。喀斯特地貌发育非常典型,喀斯特(出露)面积1 0 90 8 4k m2,占全省国土总面积的6 1.9%。土层薄、肥力低,致使植被生长困难,喀斯特石漠化效应突出。图1 贵州省土地利用904第5期 钱方艳等:贵州省2 0 0 02 0 2 0年N P P时空变化特征及影响因素2 数据来源与研究方法2.1 数据来源及处理N P P数据来源于美国国家航空航天局(h t t p s:s e a r c h.e a r t h d a t a.n a s a.g o v/)的MO D I S产 品MO D 1 7 A 3 HG F,空间分辨率为5 0 0m,时间分辨率为1a,范围是2 0 0 02 0 2 0年。D EM数据来源于地理 空 间 数 据 云 网 站(h t t p:www.g s c l o u d.c n/s e a r c h);人口密度数据来自世界人口数据集(h t t p s:www.w o r l d p o p.o r g),空间分辨率为1 0 0m,时间为2 0 0 02 0 2 0年。2 0 0 0年、2 0 0 5年、2 0 1 0年、2 0 1 5年、2 0 2 0年共5期的土地利用类型数据来源于中国科学院资源环境科学与数据中心(h t t p s:www.r e s-d c.c n/),分辨率为1k m。气象数据来自国家地球系统科学数据中心(h t t p:www.g e o d a t a.c n/),空间分辨率为1k m,时间为2 0 0 02 0 2 0年。为减少研究数据因空间分辨率和坐标系等问题产生误差,本文将所有数据统一投影至WG S 8 4/UTM 4 8N坐标系,统一分辨率为5 0 0m,以进行数据的处理及分析。2.2 研究方法2.2.1 T h e i l-S e n M e d i a n趋势分析法 T h e i l-S e n-M e d i a n方法3 1又被称为S e n斜率估计,是一种稳健的非参数统计的趋势计算方法。该方法计算效率高,对于测量误差和离群数据不敏感,常被用于长时间序列数据的趋势分析中。S e n斜率估计用于计算趋势值,通常与M a n n-K e n d a l l非参数检验法结合使用。即首先计算S e n趋势值,然后使用MK方法判断趋势显著性。=m e a nxj-xij-1,ji(1)式中:xj和xi为时间序列数据。大于0表示时间序列呈现上升趋势;小于0表示时间序列呈现下降趋势。2.2.2 M a n n-K e n d a l l检验法 M a n n-K e n d a l l是一种非参数统计检验方法3 2,其优点是不需要测量值服从正态分布,也不要求趋势是线性的,并且不受缺失值和异常值的影响,在长时间序列数据的趋势显著检验中得到了十分广泛的应用。其统计检验方法如下:对于时间序列Xi,i=1,2,n。定义标准化检验统计量Z:Z=S v a r(S)(S0)0 (S=0)S+1 v a r(S)(SZ1-/2表明不存在趋势的假 设被拒绝,时 间 序 列 数 据 存 在明显的趋势变化。Z1-/2为在置信水平下,标准正态函数分布表对应的值。当Z的绝对值大于1.6 5,1.9 6,2.5 8时,表示趋势分别通过了信度为9 0%,9 5%和9 9%的显著性检验。本文根据S e n趋势分析结果及MK检验结果将贵州省2 0 0 02 0 2 0年N P P趋势变化按照表1的标准分为7种类别。表1 趋势变化显著性检验依据N P P变化趋势S e n趋势Z值极显著减少0Z-2.5 8显著减少0Z-1.9 6轻微减少0Z0Z1.6 5显著增长0Z1.9 6极显著增长0Z2.5 82.2.3 相关性分析 采用M a t l a b软件,实现N P P与逐年气温、降水、人口密度数据的相关性分析,分别探讨N P P与这三者的相关性强弱关系,相关系数越大说明相关性越强。相关系数计算具体公式如下:Rx y=ni=1(xi-x)(yi-y)ni=1(xi-x)2ni=1(yi-y)2(6)式中:Rx y为净初级生产力N P P与降水量(气温、人口密度)的相关系数;xi为第i年的N P P;yi为第i年的多年平均降水量(气温、人口密度)均值;x为多年平均N P P;y为多年平均降水量(气温、人口密度);n为样本数量。为深入探究气象因素对研究区N P P变化的影响,基于式(6)算出的简单相关系数,进一步使用偏相关分析方法,此方法可以在多要素系统中在不考虑其他要素影响的情况下研究某一要素对另一要素的影响,偏相关系数计算公式为:rx y,z=rx y-rx yry z(1-r2x z)-(1-r2y z)(7)式中:rx y是变量x和y的简单相关系数;rx z是变量x和z的简单相关系数;ry z是变量y和z的简单相关系数。本文的x,y,z分别代表N P P、气温和降水。2.2.4 地理探测器 地理探测器由王劲峰等3 3提014 水 土 保 持 研 究 第3 0卷出,是一种可以探测空间变异性以及揭示其背后驱动力的一组统计学方法。其理论核心是通过空间异质性来探测因变量与自变量的空间分布格局的一致性,据此度量因变量对自变量的解释度,即q值,并解释因子与分析变量之间的相互关系,q值计算方法见式(8)。q=1-Lh=1Nh2hN 2(8)式中:q为分异性因子,q越大表示数据的分异性在空间上更明显;L为变量类别数;h=1,2,L为具体某一类型;Nh和N分别表示h类别单元数和全区单元数;h和分别为h类别的方差和全区的方差。地理探测器还具有交互探测的功能,用以识别不同风险因子Xn之间的交互作用,即评估因子X1和X2共同作用时是否会增加或减弱对因变量Y的解释力,或这些因子对Y的影响是相互独立的。3 结果与分析3.1 贵州省N P P时空变化特征分析3.1.1 N P P空间分布特征 根据贵州省2 0 0 02 0 2 0年的N P P年均最低值到年均最高值区间的距离,采用等间隔划分法将多年N P P均值划分为7个等级(图2)。多年N P P均值分布具有显著的空间异质性,整体呈现中南部、西南部高、北部和东部低的特点。年均N P P高值区整体分布于黔南州和黔西南州地区,低值区分布于遵义市、贵阳市及毕节市地区。2 1a间的总体均值为7 8 5.3 2g C/(m2a),年均最低值为1 6 6.2 3g C/(m2a),最高值为14 1 8.8 0g C/(m2a)。N P P从2 0 0 0年的7 0 7.9 0g C/(m2a)到2 0 2 0年的8 1 1.4 2 7g C/(m2a),整体呈波动上升趋势,平均增长速率为4.9 3g C/(m2a)。多年N P P均值变化情况在2 0 1 1年出现明显分界(图3),在2 0 1 12 0 2 0年,西北部的毕节市与西部的六盘水市N P P均值相比2 0 0 02 0 1 0年有所增加,而研究区中部的贵阳市、北部的遵义市和铜仁市的N P P均值在两段时间内都属于较低的值(图4)。3.1.2 N P P空间变化特征 贵州省2 1a的N P P变化趋势中(表2),极显著减少、显著减少、轻微减少、基本稳定、轻微增长、显著增长和极显著增长分别占总变化趋势的2.3 3%,2.5 7%,1.5 5%,4 3.1 8%,6.1 8%,1 2.9 3%,3 1.2 7%。减少趋势占6.4 5%,增长趋势占5 0.3 7%,不显著趋势基本稳定型占4 3.1 8%,可知,贵州省2 1a间N P P总体呈增长趋势。减少趋势类型主要集中在研究区中部和东部(图5)。基本稳定无明显趋势类型则大面积覆盖研究区东南部。增长趋势类型分布地理集中性显著,主要分布在研究区的西部,其余分布在东北部,其中,毕节市、六盘水市和黔西南州的增长趋势最为明显。2 0 0 02 0 1 0年,N P P呈增长变化趋势占总趋势的2 6.9 8%,减少趋势占2.3 8%,不显著趋势占7 0.6 3%,增长趋势的区域主要分布在西北部的毕节 市 和 六 盘 水 市,减 少 趋 势 区 域 分 布 较 零 星。2 0 1 12 0 2 0年,增长趋势占1 2.5 6%,减少趋势占1.4 9%,不显著趋势基本稳定型占8 5.9 5%,增长趋势的区域集中分布于研究区西部,减少趋势主要分布在研究区中部的贵阳市和东南部的黔东南州,研究区2 0 1 12 0 2 0年的N P P变 化幅度和变 化区域相较2 0 0 02 0 1 0年均发生一定改变(图6)。图2 贵州省2 0 0 0-2 0 2 0年N P P均值空间分布图3 贵州省2 0 0 0-2 0 2 0年N P P均值变化图4 贵州省分段N P P均值空间分布114第5期 钱方艳等:贵州省2 0 0 02 0 2 0年N P P时空变化特征及影响因素图5 贵州省2 0 0 0-2 0 2 0年N P P变化趋势显著性表2 多年趋势变化显著性检验占比%变化趋势趋势类型变化年份2 0 0 02 0 2 0年2 0 0 02 0 1 0年2 0 1 12 0 2 0年减少趋势极显著减少2.3 30.3 80.1 5显著减少2.5 71.0 40.8 2轻微减少1.5 50.9 60.5 2不显著趋势基本稳定4 3.1 87 0.6 38 5.9 5增长趋势轻微增长6.1 89.0 33.1 6显著增长1 2.9 31 2.0 77.3 5极显著增长3 1.2 75.8 82.0 5图6 分时段N P P变化趋势显著性3.2 贵州省N P P驱动因素分析3.2.1 地形因素 将研究区N P P变化类型及N P P均值分别与各地形因子(高程、坡度、坡向)进行空间分析,得到其在各地形因子上的分布情况(图7,图8,图9),探究和分析其分布特征。高程因素上:贵州省多年N P P均值随着高程的增加呈现先上升后下降的变化,在高程5 0 0 10 0 0m区间时最大,为7 9 4.1 9 6g C/(m2a),大于20 0 0m区间时最小,为7 3 9.4 5g C/(m2a)。N P P呈增长趋势最大占比出现在20 0 0m高程区间,最小占比出现在5 0 010 0 0高程区间。N P P均值较高的高程区间建设用地占比小,植被覆盖度大,较低值区间植被稀疏,岩石裸露率高,不同高程区间会对N P P的储量和变化产生一定影响。坡度因素上:坡度3 5 时,多年N P P均值最大,为8 0 5.3 3g C/(m2a),0 3 时最低,为7 3 0.4 9 7g C/(m2a)。在8 1 5 坡度区间N P P呈增长趋势占比最高,0 3 区间最低。较低坡度区间人类活动强度较高,大量建设活动在此坡度区间进行,受到人为干扰导致N P P值较低,而在8 1 5 坡度区间的土地利用类型多为林地,植被覆盖良好,3 5 区间人类活动影响减弱,故N P P在这两个坡度区间的值较高,变化也向好趋势发展。随着坡度增加,贵州省多年N P P均值呈上升趋势。坡向因素上:研究区在平面方向的多年N P P均值呈现出最小值,为6 6 6.7 9g C/(m2a)。呈增长变化趋势的占比在平面方向也最小,在其他方向上的变化趋势无太大差异。原因可能是贵州省独特的地势情况,大多数建设用地都位于平缓地势处,导致平面坡向区域的植被减少,故平面区域N P P均值呈现最低值,N P P增长变化趋势较其他方向最低。图7 不同高程N P P均值分布图8 不同坡度N P P均值分布3.2.2 气象因素 N P P对气温的偏相 关系数在-0.8 0 60.9 2 3,其中,显著负相关、负相关、正相关、214 水 土 保 持 研 究 第3 0卷显著正相关的占比分别为0.2 9%,1 4.4 3%,6 4.6 3%和2 0.6 4%,整体呈现8 5.2 7%的正向相关性,1 4.7 3%的负向相关性。正向相关性区域大面积散布于研究区各市州内,显著正相关性区域主要分布于研究区中部以西及东北部区域,负向相关性区域主要分布于研究区的黔东南州、毕节市以及黔南州,其他市域零星分布少许(图1 0)。结合贵州省2 0 0 02 0 2 0年的多年平均气温结果(图1 1)可知,多年平均气温为1 6.0 1,呈负向相关性的区域年均气温较低,在81 5,呈正向相关性的区域年均气温较高,在1 52 2,可知升温对N P P有正向作用,温度适当的增长对植被的光合作用有促进作用3 4。图9 不同坡向N P P均值分布 N P P对降水的偏相关系数在-0.8 2 60.9 0 7,其中,显著负相关、负相关、正相关、显著正相关的占比分别为0.4 7%,3 6.1 9%,5 9.1 4%和4.2 1%,整体呈现6 3.3 5%的正向相关性,3 6.6 5%的负向相关性。N P P与降水呈正向相关性区域主要分布于研究区中部以北、西北及西南地区,负向相关性区域主要分布于研究区的黔东南州、黔南州及中部,在其他市域内零散均匀分布。结合多年降水均值结果得出,负向相关性区域的降水均值分布不均,一些降水量高的地方N P P和降水的偏相关性反而呈现负向,而正相关或显著正相关的降水均值大都处于最低值到最高值的中间。因为在湿润地区,当降水量达到一定阈值后N P P会随降水量增长而下降3 5。因此,过多或者过少的降水量都会影响植被光合作用,从而阻碍N P P的增长。图1 0 N P P与降水及气温偏相关性图1 1 多年气温、降水均值空间分布3.2.3 人类活动因素(1)土地利用变化因素。2 0 0 02 0 2 0年贵州省各地类面积均发生一定变化,耕地、林地、草地、未利用地覆盖面积减少,分别减少11 2 7.2 6k m2,5 7 3.0 6k m2,7 8 1.2 3k m2,1 0.0 2k m2,水域和建设用地增加,分别增加7 0 6.3 4k m2,17 8 5.2 4k m2。2 0 0 02 0 2 0年耕地变化为林地和草地的占比最高,分别为6 8.6 2%和2 6.1 4%。转化导致林地增加最多的两种地类是耕地和草地,其分别占增长面积的6 7.4 8%和3 1.7 3%(表3)。地类变化造成的N P P总量变化如表4所示,近2 0年来地类转化导致贵州省植被N P P总量变化了6.7 4 29T g C,其中,仅向建设用地转化时造成了N P P总量减少,其他5种地类在转化过程中N P P总量均有所增长。转化过程中,N P P总量变化占比最大的土地利用类型为林地,占3 9.2 8%,耕地次之,占3 5.6 4%。可知,在不同土地利用变化情况下,林地、耕地面积的增加会促进贵州省N P P总量的增长,而建设用地的增加则会导致贵州省N P P总量的减少。表3 2 0 0 0-2 0 2 0年土地利用转移矩阵k m22 0 0 0年2 0 2 0年耕地林地草地水域建设用地未利用地耕地2 2 5 2 7.8 61 6 5 4 6.4 76 3 0 1.9 72 6 4.6 39 9 1.9 77.1 4林地1 6 4 8 6.8 87 1 9 4 2.7 17 5 6 6.6 84 6 7.7 05 6 8.3 74.2 1草地6 3 2 5.4 87 7 8 0.0 41 6 8 0 5.1 51 8 6.5 64 3 7.8 09.0 9水域6 4.4 81 0 0.7 74 0.8 91 6 0.1 51 0.8 7建设用地1 0 2.8 17 7.2 64 0.7 04.3 23 0 4.4 8未利用地5.2 61 6.2 57.5 00.1 41.3 19.0 9314第5期 钱方艳等:贵州省2 0 0 02 0 2 0年N P P时空变化特征及影响因素表4 2 0 0 0-2 0 2 0年土地利用转化下N P P总量变化矩阵T g C2 0 0 0年2 0 2 0年草地建设用地耕地林地水域未利用地行变化量草地-0.0 0 50.7 8 10.8 6 80.0 1 1 30.0 0 1 21.6 5 6 5建设用地0.0 0 2 30.0 0 40.0 0 5 40.0 0 0 200.0 1 1 9耕地0.8 0 5 1-0.0 3 0 21.6 1 9 60.0 0 80.0 0 0 82.4 0 3 3林地0.9 2 8 10.0 0 8 61.6 8 9 50.0 2 1 90.0 0 0 32.6 4 8 4水域0.0 0 3 5-0.0 0 0 10.0 0 60.0 1 0 100.0 1 9 5未利用地0.0 0 1 10.0 0 0 10.0 0 0 50.0 0 1 600.0 0 3 3列变化量1.7 4 0 1-0.0 2 6 62.4 8 12.5 0 4 70.0 4 1 40.0 0 2 36.7 4 2 9注:列变化量表示一整行所有地类总的变化量(整行相加),行变化量表示一整列所有地类总的变化量(整列相加)。贵州省2 0 0 0年的未利用地为裸土地和裸岩石地,2 0 2 0年的未利用地为裸岩石地和沼泽地。6种地类中的N P P均值在2 1a以来都有所增长(图1 2),因2 0 2 0年的未利用地中少了裸土地而多了沼泽地这一类型,沼泽地表层生长湿生植物,裸土地的植被覆盖度在5%以下,沼泽地的植被生产力较裸土地高,故未利用地中的N P P均值呈增长状态,2 0 2 0年比2 0 0 0年增加了1 2 6.0 6g C/(m2a)。耕地、林地、草地虽然面积减少,但是由于多年来的水热条件导致植被光合作用的效率高于2 0 0 0年,土壤水分提高并加速植被干物质的积累,因此这3种用地类型的N P P总量仍表现为增加3 6。建设用地的N P P均值最低且增长速率也最小,这是因为受到建设活动的影响,人类活动强度高,且本身植被分布也较为稀疏,因此,此地类上的N P P均值最低。图1 2 不同土地利用类型N P P均值分布(2)人口密度因素。N P P和人口密度的简单相关系数在-0.9 6 7 0.9 4 1,其中,显著负相关、负相关、正相关、显著正相关的占比分别为1 1.6 8%,5 1.4 2%,3 2.3 9%和4.5 1%,整体呈现3 6.9 0%的正向相关性,6 3.1 0%的负向相关性。正向相关性的区域在研究区中部、东南部及西北部的毕节市较为显著,负向相关性的区域则在研究区的东北部、西部及西南部表现较为明显(图1 3)。可知人类活动行为对N P P的变化及分布存在一定影响。3.2.4 各因素与N P P交互作用探测分析 为了确保地理探测器输入数据的一致性,除已按地类分为6类的土地利用数据外,其他6个因子数据均采用自然断点法分为9类,并根据研究区大小,对重分类后的数据创建5k m5k m的渔网,提取渔网中心点的像元值,剔除无效值后,共计88 4 9个格点数据,输入至地理探测器工具中,得到结果q因子解释力和交互作用的结果。q值越大表示该因子对应变量空间分布的解释力越强,从图1 4的探测结果来看,各代表年份的主导因子均为降水,代表年份解释力分别为0.2 2 8,0.0 5 80,0.1 1 8,0.0 6 47和0.0 6 2。5个时段年份的q均值大小分别是降水(0.1 0 62)气温(0.0 7 12)高程(0.0 3 78)人口密度(0.0 2 40)土地利用(0.0 1 57)坡度(0.0 0 34)坡向(