Page 60 - 《广西植物》2023年第2期

２ ５ ４ 广 西 植 物 ４３ 卷
ｖａｒｉａｔｉｏｎꎬ ｔｒｅｎｄ ａｎａｌｙｓｉｓꎬ ａｎｄ Ｈｕｒｓｔ ｉｎｄｅｘꎬ ｂａｓｅｄ ｏｎ ＭＯＤ１７Ａ３ＨＧＦ ｄａｔａｓｅｔ. Ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｆｒｏｍ ｎａｔｕｒａｌ ａｎｄ ｈｕｍａｎ
ａｓｐｅｃｔｓ ａｎｄ ｔｈｅｉｒ ｉｎｆｌｕｅｎｃｅ ｗｅｒｅ ａｌｓｏ ｑｕａｎｔｉｔａｔｉｖｅｌｙ ｅｘｐｌｏｒｅｄ ｆｏｒ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｖａｒｉａｔｉｏｎｓ ｕｓｉｎｇ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ａｎｄ
ｔｈｅ Ｇｅｏｄｅｔｅｃｔｏｒ ｍｏｄｅｌ. Ｔｈｅ ｒｅｓｕｌｔｓ ｗｅｒｅ ａｓ ｆｏｌｌｏｗｓ: (１) Ｔｈｅ ｔｅｍｐｏｒａｌ ｖａｒｉａｔｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｉｎ ｔｈｅ Ｈａｉｈｅ Ｒｉｖｅｒ
￣１
Ｂａｓｉｎ ｐｒｅｓｅｎｔｅｄ ａ ｓｉｇｎｉｆｉｃａｎｔ ｇｒｏｗｔｈ ｔｒｅｎｄ ｆｏｒｍ ２０００ ｔｏ ２０２０ꎬ ｗｉｔｈ ａ ｒａｔｅ ｏｆ １.７３ Ｔｇ Ｃａ ꎬ ａｎｄ ｔｈｅ ａｎｎｕａｌ ａｖｅｒａｇｅ
￣２ ￣１
ＮＰＰ ｗａｓ ３２６.７５ ｇ Ｃｍ ａ ꎻ ｔｈｅ ａｖｅｒａｇｅ ＮＰＰ ｏｆ ｃｏｎｉｆｅｒｏｕｓ ｆｏｒｅｓｔｓꎬ ｂｒｏａｄ￣ｌｅａｖｅｄ ｆｏｒｅｓｔꎬ ｓｈｒｕｂꎬ ｇｒａｓｓｌａｎｄ ａｎｄ
￣２ ￣１
ｆａｒｍｌａｎｄ ｗｅｒｅ ３１３.５９ꎬ ３８５.２８ꎬ ３５３.０３ꎬ ３２０.１２ꎬ ２９５.２２ ｇ Ｃｍ ａ . (２) Ｉｎ ｔｅｒｍｓ ｏｆ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎꎬ ｔｈｅ ｈｉｇｈ￣
ｖａｌｕｅ ａｒｅａｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｗｅｒｅ ｍａｉｎｌｙ ｌｏｃａｔｅｄ ｉｎ ｔｈｅ ｎｏｒｔｈｗｅｓｔ ｍｏｕｎｔａｉｎｓꎬ ａｎｄ ｔｈｅ ｌｏｗ￣ｖａｌｕｅ ａｒｅａｓ ｗｅｒｅ ｍａｉｎｌｙ
ｌｏｃａｔｅｄ ｉｎ ｔｈｅ ｓｏｕｔｈｅａｓｔ ｐｌａｉｎꎻ ｔｈｅ ｏｖｅｒａｌｌ ｓｉｔｕａｔｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｗａｓ ｒｅｌａｔｉｖｅｌｙ ｓｔａｂｌｅꎬ ｗｉｔｈ ａｎ ａｖｅｒａｇｅ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ
ｖａｒｉａｔｉｏｎ ｏｆ ０.１７ꎻ ｔｈｅ ｆｕｔｕｒｅ ｔｒｅｎｄ ｏｆ ＮＰＰ ｗａｓ ａｎｔｉ￣ｃｏｎｔｉｎｕｉｔｙ ａｎｄ ｍｉｇｈｔ ｄｅｃｒｅａｓｅ. (３) Ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｓｈｏｗｅｄ
ｔｈａｔ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｗａｓ ｎｅｇａｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｔｅｍｐｅｒａｔｕｒｅꎬ ａｎｄ ｐｏｓｉｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｔｈａｔ ｗａｓ ｔｈｅ
ｍａｉｎ ｃｌｉｍａｔｅ ｆａｃｔｏｒꎻ ＮＰＰ ｓｈｏｗｅｄ ａｎ “ｉｎｃｒｅａｓｅ￣ｄｅｃｒｅａｓｅ” ｔｒｅｎｄ ｗｉｔｈ ｅｌｅｖａｔｉｏｎ ａｎｄ ｓｌｏｐｅ ｉｎｃｒｅａｓｉｎｇꎻ ｔｈｅ ｃｏｎｖｅｒｓｉｏｎ ｏｆ
￣３
ｆａｒｍｌａｎｄ ｔｏ ｇｒａｓｓｌａｎｄ ｒｅｓｕｌｔｅｄ ｉｎ ｔｈｅ ｌａｒｇｅｓｔ ｉｎｃｒｅｍｅｎｔ ｏｆ ＮＰＰ ａｔ ７３２.２２×１０ Ｔｇ Ｃ. (４) Ｆｒｏｍ ２０００ ｔｏ ２０２０ꎬ ｔｈｅ ａｖｅｒａｇｅ
ｉｎｆｌｕｅｎｃｅ ｖａｌｕｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｄｒｉｖｅｒｓ ｗａｓ ０.２ꎬ ａｎｄ ｔｈｅ ｏｒｄｅｒ ｗａｓ ｐｒｅｃｉｐｉｔａｔｉｏｎ > ｅｌｅｖａｔｉｏｎ > ｓｌｏｐｅ > ｈｕｍｉｄｉｔｙ > ｔｅｍｐｅｒａｔｕｒｅ >
ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎ > ｌａｎｄ ｕｓｅ > ｗｉｎｄ ｓｐｅｅｄ. Ｏｖｅｒａｌｌꎬ ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｉｎ ｔｈｅ Ｈａｉｈｅ Ｒｉｖｅｒ Ｂａｓｉｎ
ｗａｓ ｉｍｐｒｏｖｉｎｇ ｄｕｒｉｎｇ ｔｈｅ ｓｔｕｄｙ ｐｅｒｉｏｄꎻ ｐｒｏｄｕｃｔｉｖｉｔｙ ｖａｒｉｅｄ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓꎬ ｗｉｔｈ ｔｈｅ ｓｔｒｏｎｇｅｓｔ ｂｅｉｎｇ
ｂｒｏａｄ￣ｌｅａｖｅｄ ｆｏｒｅｓｔ ａｎｄ ｓｈｒｕｂｌａｎｄꎻ ｔｈｅ ｄｏｍｉｎａｎｔ ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｖｅｇｅｔａｔｉｏｎ ＮＰＰ ｗｅｒｅ
ｐｒｅｃｉｐｉｔａｔｉｏｎꎬ ｅｌｅｖａｔｉｏｎ ａｎｄ ｓｌｏｐｅꎬ ａｎｄ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｈｕｍａｎ ｆａｃｔｏｒｓ ｗａｓ ｌｏｗｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｎａｔｕｒａｌ ｆａｃｔｏｒｓ. Ｔｈｅ ｒｅｓｕｌｔｓ
ｏｆ ｔｈｉｓ ｓｔｕｄｙ ｐｒｏｖｉｄｅ ｓｏｍｅ ｓｃｉｅｎｔｉｆｉｃ ｒｅｆｅｒｅｎｃｅ ａｎｄ ｄｅｃｉｓｉｏｎ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｔｒｅａｔｍｅｎｔ ｏｆ ｅｃｏｌｏｇｉｃａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｓｕｃｈ ａｓ ｓｏｉｌ
ｅｒｏｓｉｏｎ ａｎｄ ｖｅｇｅｔａｔｉｏｎ ｄｅｇｒａｄａｔｉｏｎ ｉｎ ｔｈｅ Ｈａｉｈｅ Ｒｉｖｅｒ Ｂａｓｉｎ.
Ｋｅｙ ｗｏｒｄｓ: ｎｅｔ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙ(ＮＰＰ)ꎬ ＭＯＤ１７Ａ３ＨＧＦꎬ ｓｐａｔｉｏ￣ｔｅｍｐｏｒａｌ ｖａｒｉａｔｉｏｎꎬ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓꎬ ｔｈｅ Ｈａｉｈｅ
Ｒｉｖｅｒ Ｂａｓｉｎ

植被净初级生产力( ｎｅｔ ｐｒｉｍａｒｙ ｐｒｏｄｕｃｔｉｖｉｔｙꎬ 学者从不同空间尺度探讨了我国众多区域如秦巴
ＮＰＰ)是指绿色植物在单位时间、单位面积内由光 山区 ( 李 金 珂 等ꎬ ２０１９)、 西 辽 流 域 ( 朱 丽 亚 等ꎬ
合作用产生的有机物总量扣除自养呼吸后的剩余 ２０２０)、南方农牧交错带(赵唯茜等ꎬ２０１８)、青藏高
部分( Ｆｉｅｌｄ ｅｔ ａｌ.ꎬ １９９８)ꎮ 植被 ＮＰＰ 是研究陆地 原( 陈 舒 婷 等ꎬ ２０２０)、 山 东 省 ( 骆 艳 和 张 松 林ꎬ
生态系统物质和能量交换的重要指标ꎬ其空间分 ２０１９)、中国东南部( 崔林丽等ꎬ２０１６) 等植被 ＮＰＰ
布与区域气候、植被生长以及人类活动等因素息 时空变化及驱动因素ꎬ均发现 ＮＰＰ 与气温、降水有
息相关ꎬ该指标的变化能反映植被群落的生产能 一定的相关性ꎬ但不同地区气象因子对植被 ＮＰＰ
力ꎬ是生态系统功能和结构变化的重要表征( 朱文 的影响力存在明显差异ꎻ当然ꎬ植被 ＮＰＰ 的时空异
泉等ꎬ２００７)ꎮ 在“ 双碳” 目标的大背景下ꎬ研究植 质性除了与气象因素有关外ꎬ还受到地形、植被类
被 ＮＰＰ 时空变化特征及影响机制对于固碳增汇和 型等其他自然因素( 朱利欣和袁金国ꎬ２０１９ꎻ刘婧
生态修复治理工程等具有重要的意义ꎮ 等ꎬ２０２１) 和 人 为 因 素 ( 袁 甲 等ꎬ２０１６ꎻ Ｇｅ ｅｔ ａｌ.ꎬ
植被 ＮＰＰ 的早期研究主要为站点实测和统计 ２０２１)的影响ꎮ 因此ꎬ区域尺度植被 ＮＰＰ 时空异
模拟ꎬ近年来ꎬ随着新型遥感科学技术与方法的快 质性的驱动机制尚未完全清晰ꎮ
速发展ꎬ凭借实时性强、易于获取、覆盖范围广等 近年来ꎬ海河流域由于受气候变化、人为干扰
优点ꎬ利用遥感数据进行模型准确估算已成为区 等因素影响ꎬ生态系统十分脆弱ꎬ水土流失、植被退

域 ＮＰＰ 监测和时空变化趋势分析的强有力手段ꎬ 化等生态环境问题日益突出(杨艳丽ꎬ２０１７)ꎮ 植被
如采用 ＢＩＯＭＥ￣ＢＧＣ 模型(Ｓｕｎ ｅｔ ａｌ.ꎬ ２０１７)、ＣＡＳＡ ＮＰＰ 是判定区域生态系统变化及其可持续性的重
模型(Ｌｉｕ ｅｔ ａｌ.ꎬ ２０１８) 等ꎮ ＭＯＤ１７Ａ３ＨＧＦ 是利用 要指标ꎬ而目前关于该区域植被 ＮＰＰ 的研究较少ꎬ
ＢＩＯＭＥ￣ＢＧＣ 模型及光能利用率模型模拟得到的 现有大多数研究多集中于京津冀地区ꎬ且更多从单
全球生态系统植被 ＮＰＰ 数据ꎬ该数据集已经在全 一因素考虑对植被 ＮＰＰ 的影响ꎮ 因此ꎬ本研究以海
球不同地区研究中得到应用与验证( Ｗａｎｇ ｅｔ ａｌ.ꎬ 河流域为研究区ꎬ利用 ２０００—２０２０ 年 ＭＯＤ１７Ａ３ＨＧＦ
２０２１ꎻＶｅｎｔｅｒ ｅｔ ａｌ.ꎬ ２０２１ꎻＧｅ ｅｔ ａｌ.ꎬ ２０２１)ꎮ 国内 数据集ꎬ结合气温、降水、地形和土地利用等数据ꎬ