Spatiotemporal changes and driving forces of vegetation NPP in transition zone between the Loess Plateau and Qinghai Tibet Plateau: a case study of Datong County, Qinghai Province of northwestern China
-
摘要:目的
明确黄土高原–青藏高原过渡带植被净初级生产力（NPP）的时空变化及其驱动因素，为区域生态保护和可持续发展提供数据支撑。
方法以青海省大通县为研究对象，利用MOD17A3、地形、气象和人为活动数据，通过趋势分析、偏相关分析、土地利用转移矩阵和最优地理探测器等方法，对该区域植被NPP进行分析。
结果（1）2000—2019年，大通县NPP多年平均值为331.77 g/m2（以C计，下同），并以2.29 g/(m2·a)的速度上升，呈东南高、西北低的分布格局，其中，草原植被对NPP的贡献率最高。NPP显著增加的区域占70.10%，显著减少区域仅占0.51%。（2）植被NPP上升受气候变化和人类活动共同驱动，且不同驱动因子对植被NPP的影响具有空间异质性。降水、日照时数、气温分别在大通县东南部、西北部和全部区域与植被NPP呈正相关关系。人口密度和GDP分别在高海拔草原和低海拔可造林区域对植被NPP有促进作用。（3）在大通县，气温、降水、高程是影响植被NPP空间变化的主导因子，驱动因子间的交互作用为双因子增强和非线性增强。高程、坡度、年均降水量、年均气温和人口密度分别为2 840 ~ 3 150 m、4.18° ~ 10.80°、441 ~ 677 mm、1.18 ~ 3.56 ℃、126 ~ 413 人/km2时，能有效促进植被NPP增长。
结论大通县大部分区域植被NPP呈显著增加趋势，该区域的气候变化和人类活动有利于植被生长。研究结果有助于进一步了解黄土高原−青藏高原过渡带NPP变化的潜在驱动机制。
-
关键词:
- 植被净初级生产力 /
- 黄土高原–青藏高原过渡带 /
- 时空特征 /
- 驱动因素
Abstract:ObjectiveThis paper explores the spatiotemporal variation characteristics and their driving factors of net primary productivity (NPP) of vegetation in Datong County, Qinghai Province of northwestern China, so as to provide data support for evaluating the sustainability and productivity of regional ecosystem.
MethodUsing MOD17A3, terrain, meteorological, and human activity data, vegetation NPP in Datong County was analyzed through methods such as trend analysis, partial correlation analysis, land use transfer matrix, and optimal geographic detector.
Result(1) From 2000 to 2019, the multi-year average NPP value in Datong County was 331.77 g/m2 （calculated by C, the same applies below）, increasing at a rate of 2.29 g/(m2·year), with a distribution pattern characterized by higher values in the southeast and lower values in the northwest. The contribution rate of grassland vegetation to NPP was the highest. Significant increases were observed in 70.10% of the area, while only 0.51% significantly decreased. (2) The increase in vegetation NPP was driven by both climate change and human activities, with spatial heterogeneity from various driving factors. Precipitation, sunshine duration and temperature showed positive correlations with vegetation NPP in the southeastern, northwestern, and entire region of Datong County, respectively. Population density and GDP respectively had a promoting effect on vegetation NPP in high-altitude grasslands and low-altitude afforestable areas. (3) Temperature, precipitation and elevation were the dominant factors affecting spatial variations of vegetation NPP, and the interaction among driving factors were dual-factor enhancement and nonlinear enhancement. When the elevation, slope, annual precipitation, annual temperature, and population density were 2 840−3 150 m, 4.18°−10.80°, 441−677 mm, 1.18−3.56 ℃, and 126−413 person/km2, respectively, the growth of vegetation NPP can be promoted effectively.
ConclusionIn most areas of Datong County, vegetation NPP has shown a significant increasing trend, with both climate change and human activities contributing favorably to vegetation growth. The results are helpful to further understand the potential driving mechanism of NPP changes in the Loess Plateau and Qinghai Tibet Plateau transition zone, which holds significant implications for regional ecological conservation and sustainable development.
-
20世纪以来，以遥感影像作为主要信息源，可以对林分以及单木层次上的森林结构参数进行精准测量、制图和数字化表达，进而对森林资源状况及其动态变化进行全面、快速、有效监测和评估。高分辨率遥感影像可以更加清晰地表达地物目标的空间结构，纹理特征和地物边缘信息，树冠的大小、形态以及光谱信息，是树冠轮廓自动识别的基本特征，也是建立众多林分模型的重要因子[1-2]。传统的图像分析方法是在像元层次上进行的基于影像光谱特征的信息提取，这种方式是建立在统计模式下而不是空间模式下，易出现“椒盐现象”，分辨率越高、这种现象越严重，会造成空间数据的大量冗余和资源浪费。
为充分利用高分辨率遥感影像丰富的空间信息，实现信息的准确提取，面向对象的遥感影像信息提取技术应运而生，这种方法充分利用了对象的光谱、形状、纹理等信息，以最小单元为分割对象，可以在很大程度上减少“椒盐现象”的出现，提高分析精度[3]。单木树冠识别和勾绘很重要的一个途径就是图像分割，主要是以树冠的辐射传输模型为理论基础，其核心思想是树冠中心点的亮度值大，而树冠边界点的亮度低。常用的方法主要有局部最大值法、模板匹配法、区域增长法、分水岭算法等[4-10]。但是对于高郁闭度林分，树冠之间有粘连重叠的现象，无法简单利用树冠边缘灰度值突变的思想进行树冠分割，需要从影像所表现的几何形状、尺寸和空间格局等角度进行单木冠幅提取，提高树冠识别的精度[11-13]。
高空间分辨率遥感影像具有高空间分辨率和低光谱分辨率的特点，影像中地物在光谱空间中表现出类间差异小、类内差异大和视觉对比度差，因此在图像分割之前先进行增强处理，一方面可以增强图像对比度，将地物目标与背景环境之间的差异拉大，另一方面可以滤除大部分的噪声对分割结果的影响。小波变换具有频域与时域二维分辨率的特点，同时具有多尺度的特征，能够从不同尺度上对图像进行理解和表达，因此在遥感影像处理中得到了广泛应用[14-17]。应用高分影像，使用面向对象的多尺度分割方法提取树冠信息，已有很多研究[18-20]，但是针对不同平台高分影像特征的相似性和差异性，树冠提取方法的适宜性研究较少。已有研究表明，在不同空间分辨率影像下地物面积提取精度存在差异[21-23]，但多数都是采用重采样后影像而不是真实尺度下的遥感影像，这种方式会对影像的空间和光谱信息造成损失或失真，影响研究结论[24-25]。
本文以高分影像下单木树冠分割提取为研究目的，进行不同影像的空间尺度响应研究。选用3种不同平台下的高分辨率遥感影像（空间分辨率分别为0.03 m、0.2 m和1 m），对研究区内主要人工林树种进行树冠提取实验，首先对低空无人机CCD和机载CCD影像进行小波变换增强处理，然后采用面向对象的多尺度分割方法进行单木树冠提取；在对GF-2影像进行影像融合后，直接以多尺度分割方法进行树冠分割，最后结合3种平台影像下的单木分割精度，分析不同空间尺度遥感影像对单木树冠识别及其面积提取精度的影响规律，讨论在不同林业调查目标下该方法的应用价值。
1. 研究区与数据
1.1 研究区概况
广西国有高峰林场位于南宁市兴宁区，地理坐标为22°48′48″ ~ 23°03′34″N、108°07′55″ ~ 108°32′53″E，所在区域为大明山余脉，属低山丘陵地貌，地势东北高、西南低，呈东北—西南走向，海拔高度70 ~ 500 m，坡度20° ~ 35°，经营面积近800 km2，森林蓄积量超430万m3，是广西规模最大的国有林场。林场内人工林的主要树种是桉树（Eucalyptus robusta）和杉木（Cunninghamia lanceolata）。为了验证本文算法的普遍性和实用性，桉树和杉木实验区选择在密林区（郁闭度 > 0.7）。研究区示意图见图1。
1.2 数据获取
1.2.1 实地调查数据
在高峰林场内选择杉木纯林和桉树纯林作为实验区，均设立边长30 m × 30 m大小的样地，在2018年1月16日至2月5日开展地面样地数据的调查，每种树种随机选取45株树木作为验证数据，利用皮尺测定每棵树的东西及南北两个方向冠幅，并计算两个方向冠幅的平均值作为树冠直径；同时利用全站仪对实验区内的树木进行单木定位，方便之后处理分析时对应查找。同时记录样地的坐标、坡度、坡向，以及样地内树种的胸径、树高、枝下高等数据。桉树实验区树木平均胸径为11.7 cm，平均树高为17.8 m，平均冠幅为2.8 m；杉木实验区树木平均胸径为21.2 cm，平均树高为15.4 m，平均冠幅为3.9 m。
1.2.2 影像数据
低空无人机CCD影像是采用iFly D6电动多旋翼无人机搭载iCam Q2倾斜摄影相机进行拍摄，拍摄时间为2018年2月，实际飞行航高约为180 m，数据获取当天晴朗无风、阳光充足。影像分辨率为0.03 m，采用China Geodetic Coordinate System 2000大地坐标系，高斯克吕格3度带投影，通过三维实景建模软件ContextCapture Center输出正射影像。
机载CCD影像是由中国林业科学研究院LiCHy（LiDAR、CCD and Hyperspectral）机载遥感系统采集提供，由德国IGI公司集成，数据由运-12飞机搭载传感器飞行获取，拍摄时间为2018年1月，实际飞行航高约为1 000 m，数据获取当天晴朗少云。影像分辨率为0.2 m，数据坐标系统设定为UTM-North投影，WGS-84坐标系。
GF-2影像分为全色影像和多光谱影像，全色影像分辨率为1 m，多光谱影像分辨率为4 m，包括红、绿、蓝、近红外4个波段，获取时间为2018年8月。在对GF-2影像进行面向对象分割之前，为了消除遥感数据误差，提高解译精度，需对影像数据进行预处理。预处理过程主要包括几何正射校正、图像融合、几何精校正、影像裁剪。本研究结合DEM数据，利用RPC物理模型对全色影像及多光谱影像进行正射校正，并采用NNDiffuse Pan Sharpening方法对全色波段和多光谱波段进行融合，融合后影像空间分辨率为1 m。
2. 原理与方法
首先对3种平台下的影像预处理得到正射影像，采用小波变换对图像进行增强处理，通过定量分析评价图像增强效果，然后应用面向对象的多尺度分割方法进行单木树冠提取，最后结合外业实测数据计算提取精度。方法流程如图2所示。
2.1 图像增强
小波变换的基本原理：若傅里叶变换
ˆΨ(ω) 能够满足容许条件，Ψ(t)=∫R|ˆΨ(ω)|2|ω|dω<∞ ，则称Ψ(t) 为一基本小波母函数。小波母函数Ψ(t) 经伸缩和平移后得到连续小波函数Ψa,b(t) ，a为伸缩因子，b为平移因子[14]。小波变换的实质就是用一族小波函数去表示信号或函数。图像经过小波变换之后，每层分解尺度中分别得到4个子图像（图3）。LL为低频部分，代表图像的近似信息，也就是主要内容信息；HL、LH和HH是高频部分，分别代表图像水平方向、垂直方向和对角线方向的细节信息。图像的低频部分保存的是图像的轮廓信息，而高频保存的是图像的细节信息，图像中大部分的噪声和一些边缘细节都属于高频子带，而低频子带主要表征图像的近似信号。为了能够在增强图像的同时减少噪声的影响，可以对低频子带进行图像增强，用以增强目标的对比度，抑制背景；对高频部分进行小波去噪处理，减少噪声对图像的影响。![]()
图 3 小波分解示意图LL. 近似信息；HL. 水平细节信息；LH. 垂直细节信息；HH. 对角线细节信息。LL represents approximate information; HL represents horizontal detail information; LH represents vertical detail information; HH represents diagonal detail information.Figure 3. Wavelet decomposition diagram2.2 多尺度分割
为了提高单木树冠提取精度，实验首先排除背景区域干扰，然后针对树冠区域进行面向对象的分割。经过小波增强变换后，图像内部的树冠区域与非树冠区域的灰度值差异明显增大，因此可以采用阈值法进行树冠区域与非树冠区域的区分。阈值法的基本思想是寻找一个合适的阈值将前景和背景按照像素灰度值的大小进行分类，灰度值大于阈值归为前景（树冠），小于阈值归为背景（非树冠区域）。
多尺度分割的思想是自下而上，逐级合并。它是以图像中任一像元作为中心点，将这个像元周围异质性最小的像元集合合并成一个对象单元，然后再把这些小单元逐渐聚合成一个较大对象的过程。在这个过程中，尺度参数、形状参数、紧致度参数是需要多次试验进行确定的参数。
2.3 冠幅面积计算
影像和实地调查的树冠面积（S）计算公式[26]为：
S=π(RSN+REW)216 (1) 式中：RSN和REW分别表示树木的树冠南北冠幅和东西冠幅。
2.4 精度分析
精度验证分为单木分割精度和冠幅估测精度两个部分。若某个野外实测树木在分割结果中不存在或者在该区域出现了多个分割树冠，则判定为错误分割，正确分割的树木的百分占比即为单木分割精度；根据3种影像下的单木分割结果以及外业实测冠幅大小，结合公式（2）、（3），计算冠幅估测精度。
δ=|LM−LT|LT×100% (2) 式中：LT为真实值，即外业观测值；LM为面向对象分割结果值；δ为冠幅估测相对误差。
冠幅估测精度（R）计算公式：
R=n∑i=1(1−δi)/n (3) 式中：n为树木个数，δi为第i个树木的相对误差。
3. 结果与分析
3.1 小波增强效果
小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。由于正交小波函数sym4进行分解时具有正交性和数据冗余最小的优点，因此本文选用sym4对图像进行处理。首先对研究区的影像进行小波二层分解，得到低频系数（近似）和高频系数（细节）；然后对低频系数进行增大，对高频系数进行缩小；最后对高频系数和低频系数进行小波系数重构，得到的图像结果突出了轮廓，弱化了细节，从而达到图像增强的效果。以图4为例，将原影像进行小波分解以后，设置系数阈值，如果低频系数大于系数阈值，则将该值增大2倍，以增强轮廓信息；若高频系数小于系数阈值，则缩小为原影像的一半幅度，来弱化图像内部噪声。通过多次对比实验，为不同影像设定不同的小波系数阈值，结果详见表1。图5是桉树和杉木在3种影像下进行小波增强变换得到的结果。本文对图像增强效果进行定量分析，主要采用图像均值、标准差和边缘强度3个参量，结果如表1所示。
表 1 统计特征Table 1. Statistical characteristics树种 Species 影像 Image 小波阈值系数
Wavelet threshold coefficient边缘强度
Edge strength均值
Mean标准差
Standard deviation杉木
Cunninghamia lanceolata机载原始影像 Airborne original image 237 34.19 42.17 34.44 增强后影像 Enhancement image 70.83 78.85 68.19 桉树
Eucalyptus robusta机载原始影像 Airborne original image 306 23.88 39.69 38.91 增强后影像 Enhancement image 85.20 65.42 70.47 杉木
Cunninghamia lanceolata无人机原始影像 UAV original image 280 47.66 53.76 49.02 增强后影像 Enhancement image 90.91 95.94 99.49 桉树
Eucalyptus robusta无人机原始影像 UAV original image 500 36.38 64.19 64.89 增强后影像 Enhancement image 102.78 102.77 118.79 杉木
Cunninghamia lanceolataGF-2原始影像 GF-2 original image 1 050 150.35 131.40 103.17 增强后影像 Enhancement image 118.15 133.01 98.74 桉树
Eucalyptus robustaGF-2原始影像 GF-2 original image 1 070 169.32 120.19 116.64 增强后影像 Enhancement image 151.76 122.49 106.67 ![]()
图 4 原始影像及不同小波阈值处理后影像Figure 4. Original image and different wavelet threshold processed images![]()
图 5 不同平台影像小波增强变换效果Figure 5. Wavelet enhancement transform effects for different platform images从表1可以看出，机载影像和低空无人机影像经过小波增强后的图像的均值相较于原图明显增加，有良好的视觉效果；标准差的增大说明图像对比度增强；边缘强度，实质上是边缘点梯度的幅值，边缘强度越大表明图像轮廓信息越明显，经过小波增强后的图像的边缘强度显著增大，说明图像轮廓信息得到明显增强；GF-2增强后影像边缘强度和标准差的结果反而有所降低，均值变化不明显。实验结果表明：本文方法在机载和低空无人机影像上增强效果明显，为后续图像分割奠定了基础；针对GF-2影像增强统计结果，并结合影像自身特点进行分析，该影像空间分辨率为1 m，相比于其他两种平台下的影像分辨率，每棵树在影像上所包含的像元数量较少，且单木树冠有着明显的灰度最大值，周围像素依次递减，树冠与背景对比度明显，因此不需要对其进行小波增强变换处理来进行树冠内部噪声去除和增强轮廓。此外，为了更好地描绘树冠大小及边界，在小波系数阈值设定结果上可以发现，阈值的大小在不同树种和平台影像上有一定的变化规律，即在同一平台下桉树影像小波系数阈值高于杉木影像，同一区域在不同平台下阈值设定大小顺序依次为GF-2影像、低空无人机影像、机载影像。
3.2 多尺度分割提取树冠
本实验树冠分割的具体方法如下：
（1） 首先，通过树冠和背景区域多个分割对象的选取，查看其阈值分布范围，然后设定影像中树冠与背景区域之间灰度阈值界限，对分割结果进行阈值分类，结果如图6所示，绿色为树冠区域。
（2） 在分类后的树冠区域进行多尺度分割，设置尺度参数、形状参数和紧致度参数，对单木树冠进行精细分割，最终分割结果与原图像叠加显示如图6所示，外业实测的单木位置在图中以黄色标记显示。
相关分割参数及规则设置详见表2。
表 2 面向对象树冠分割参数Table 2. Object-oriented tree crown segmentation parameters项目
Item分割参数
Segmentation parameter机载影像 Airborne image 无人机影像 UAV image GF-2影像 GF-2 image 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 杉木Cunninghamia lanceolata 桉树Eucalyptus robusta 阈值分类
Threshold classification灰度阈值 Gray threshold > 70 > 82 > 105 > 125 > 35 > 85 单木树冠分割
Individual tree crown segmentation分割尺度 Segmentation scale 18 12 120 130 4 4 形状 Shape 0.9 0.9 0.9 0.9 0.9 0.9 紧致度 Compactness 0.5 0.9 0.9 0.8 0.7 0.8 3.3 结果验证与分析
树冠提取的单木分割精度及冠幅估测精度详见表3。由表3可知，GF-2影像无论是单木分割精度还是冠幅估测精度都明显低于其他两种影像。这与影像自身分辨率密切相关，实验区树木平均冠幅不超过4 m，GF-2影像空间分辨率为1 m，每棵树木在影像中包含的像元数量少，无法对较小树木进行有效地探测，得到树冠的形状和边界的准确描绘难度较大，从而影响了提取精度。在机载和无人机影像下单木分割精度和冠幅估测精度结果相接近，但是在处理过程中发现，在空间分辨率为厘米级的无人机影像下，仍然对林下灌草或者其他植被进行了清楚的拍摄，通过灰度阈值对树冠和背景区域进行分类的效果不佳，而机载影像适宜的空间分辨率避免了这一问题；此外，机载影像获取范围更广，数据量更小，处理速度更快。从表3中还可以发现，杉木树冠提取精度优于桉树，这是因为杉木的树冠轮廓在影像上显示更加清晰，无论是在图像增强还是单木分割上都能提高对树冠边界和大小描绘的准确性。
表 3 单木树冠提取精度分析Table 3. Accuracy analysis on extracted individual tree crown项目
Item树种
Species树木总株树
Total number
of trees正确分割株数
Correct segmentation
number of trees单木分割精度
Tree crown segmentation accuracy/%相对误差均值
Relative error mean/%冠幅估测总精度
Tree crown estimation accuracy/%机载影像
Airborne image杉木 Cunninghamia lanceolata 45 41 91.1 15.6 84.4 桉树 Eucalyptus robusta 45 40 89.0 16.1 83.9 无人机影像
UAV image杉木 Cunninghamia lanceolata 45 42 93.3 14.9 85.1 桉树 Eucalyptus robusta 45 39 87.0 15.8 84.2 GF-2影像
GF-2 image杉木 Cunninghamia lanceolata 45 40 89.0 26.7 73.3 桉树 Eucalyptus robusta 45 37 82.0 27.7 72.3 4. 结论与讨论
本文针对米级、亚米级和厘米级的遥感影像，首先采用小波变换对图像进行增强处理，然后结合多尺度分割下树冠的提取精度，进行影像适宜性分析和评价。主要结论：（1） 高分辨率影像在增强地物信息的获取能力的同时，地物信息呈现高度细节化，树冠与背景区域对比度不明显，处理结果中存在“椒盐现象”，因此引入小波变换对影像进行增强处理，针对不同影像提出了适合的小波增强变换参数，同时对增强效果进行定量分析，亚米级和厘米级影像的均值、标准差和边缘强度显著提升，说明在这两种尺度的影像下该方法能够有效增强树冠轮廓，弱化树冠内部细节；同样对米级影像进行增强处理，所得结果显示该方法并不适用于这种尺度的影像；（2） 对亚米级和厘米级影像小波增强变换后，排除背景区域的干扰，针对树冠区域进行单木树冠分割，得到杉木冠幅估测精度可达84.4%，桉树因其相对不清晰的树冠轮廓使得在估测精度上略低于杉木；（3） 对3种尺度的影像进行单木树冠分割，提出了适合的分割参数，得到的精度均能满足应用需求；米级影像的空间分辨率在单木识别和描绘树冠形态上有很大的局限性，因此杉木和桉树应用厘米级和亚米级影像可以达到更好的精度，相比于米级影像冠幅估测精度均可以提高10%以上，且获取这两种影像无论是从天气还是时间上都更加灵活，适合专业的科研学者精细调查使用，从另一个角度来看，米级影像下的提取精度也能够满足森林调查的基本需求；近几年来，随着更高空间分辨率的商用卫星陆续发射成功，如果需要一次性对大范围的森林信息进行获取，卫星影像具有很大的应用价值。
本文的研究仍存在以下不足：（1） 亚米级和厘米级影像下冠幅估测精度可达84.4%以上，证明这两种影像的空间分辨率具备准确描绘树冠大小及轮廓的能力，但树冠提取与实测数据相比仍存在偏差，一是可能外业测量冠幅大小的过程中，在树冠存在连续或者遮挡的情况下存在一定视觉误差，二是树冠区域涵盖灌草植被，影响最终精度；（2） 即使对影像进行正射校正处理，仍不能解决由摄影角度误差、地物纹理贴合不准确导致的树冠几何形变问题，从而影响最终的提取精度，在今后的研究中需要在影像几何纠正方法上进一步探讨；（3） 在本研究实验处理过程中，小波系数阈值、图像分割等参数是进行多次试验后手动设定，在后续的研究中应探究阈值系数大小选取依据以及参数自适应调节算法提高实验效率；（4） 本次研究的3种影像的空间分辨率相差10倍左右，在接下来的工作中，结合本文研究结果，寻找出最佳尺度的遥感影像，并将合适的影像应用在不同地理位置、生长状况以及生态环境的人工林中，以树冠参数为基础建立胸径、森林郁闭度、材积等林分模型，降低林业调查成本，提高研究效率。
-
![]()
图 2 影响植被NPP的驱动因子空间分布
Figure 2. Spatial distribution of driving factors influencing vegetation NPP
![]()
图 3 2000—2019年大通县植被NPP年际变化
Figure 3. Interannual variations of vegetation NPP in Datong County from 2000 to 2019
![]()
图 4 2000—2019年大通县植被NPP多年均值、变化趋势及显著性分布
c图中白色部分为不透水面，无NPP。
Figure 4. Multi-year average, changing trend and significance distribution of vegetation NPP in Datong County from 2000 to 2019
![]()
图 5 植被NPP与气象因子的偏相关分析
Figure 5. Partial correlation analysis between vegetation NPP and meteorological factors
![]()
图 6 植被NPP与人类活动因子的偏相关分析
Figure 6. Partial correlation analysis between vegetation NPP and human activity factors
![]()
图 7 2000—2019年大通县土地利用情况（a）及不同植被NPP贡献率（b）
Figure 7. Land use situation (a) and contribution rates (b) of different vegetation NPP in Datong County from 2000 to 2019
![]()
图 8 2000—2019年大通县的交互作用探测与生态探测结果
Q表示交互作用值；*表示双因子对NPP的交互作用为非线性增强，其余为双因子增强；N表示双因子对NPP空间异质的影响不显著，Y表示影响差异显著。
Figure 8. Interaction detection and ecological detection results in Datong County from 2000 to 2019
![]()
图 9 植被NPP随各驱动因子的变化趋势
各图横坐标对应的范围参考表1。
Figure 9. Variation trend of vegetation NPP with various driving factors
表 1 驱动因子分类方法及类别
Table 1 Classification methods and categories of driving factors
驱动因子 年份 分类方法 Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ Ⅷ 坡向 2000—2019 阴坡 半阴坡 阳坡 半阳坡 高程/m 2000—2015 自然间断点法 2 280 ~ 2 610 2 610 ~ 2 840 2 840 ~ 3 070 3 070 ~ 3 300 3 300 ~ 3 540 3 540 ~ 3 770 3 770 ~ 4 020 4 020 ~ 4 590 2019 分位数法 2 280 ~ 2 570 2 570 ~ 2 860 2 860 ~ 3 150 3 150 ~ 3 440 3 440 ~ 3 720 3 720 ~ 4 010 4 010 ~ 4 300 4 300 ~ 4 590 坡度/（°） 2000—2005
2015—2019分位数法 0 ~ 5.07 5.07 ~ 9.46 9.46 ~ 13.20 13.20 ~ 16.90 16.90 ~ 20.80 20.80 ~ 24.90 24.90 ~ 30.30 30.30 ~ 60.10 2010 几何间隔法 0 ~ 1.28 1.28 ~ 4.18 4.18 ~ 10.80 10.80 ~ 25.80 25.80 ~ 60.10 年均
降水量/mm2000 自然间断点法 389 ~ 427 427 ~ 449 449 ~ 469 469 ~ 489 489 ~ 508 508 ~ 527 527 ~ 547 547 ~ 593 2005 相等间隔法 464 ~ 498 498 ~ 533 533 ~ 568 568 ~ 603 603 ~ 637 637 ~ 672 672 ~ 707 707 ~ 741 2010 419 ~ 453 453 ~ 487 487 ~ 521 521 ~ 555 555 ~ 589 589 ~ 623 623 ~ 657 657 ~ 601 2015 自然间断点法 371 ~ 414 414 ~ 441 441 ~ 466 466 ~ 493 493 ~ 519 519 ~ 545 545 ~ 574 574 ~ 639 2019 519 ~ 589 589 ~ 634 634 ~ 677 677 ~ 719 719 ~ 760 760 ~ 801 801 ~ 845 845 ~ 935 日照时长/
（h·a−1）2000 几何间隔法 2 490 ~ 2 510 2 510 ~ 2 540 2 540 ~ 2 570 2 570 ~ 2 600 2 600 ~ 2 630 2 630 ~ 2 660 2005 相等间隔法 2 460 ~ 2 490 2 490 ~ 2 510 2 510 ~ 2 530 2 530 ~ 2 550 2 550 ~ 2 570 2 570 ~ 2 600 2 600 ~ 2 620 2 620 ~ 2 640 2010 2 570 ~ 2 590 2 590 ~ 2 600 2 600 ~ 2 620 2 620 ~ 2 640 2 640 ~ 2 650 2 650 ~ 2 670 2 670 ~ 2 690 2 690 ~ 2 700 2015 自然间断点法 2 490 ~ 2 560 2 560 ~ 2 600 2 600 ~ 2 650 2 650 ~ 2 690 2 690 ~ 2 740 2 740 ~ 2 800 2019 2 170 ~ 2 290 2 290 ~ 2 370 2 370 ~ 2 440 2 440 ~ 2 510 2 510 ~ 2 580 2 580 ~ 2 650 2 650 ~ 2 730 2 730 ~ 2 810 年均
气温/℃2000 自然间断点法 −8.33 ~ −4.70 −4.70 ~ −3.13 −3.13 ~ −1.68 −1.68 ~ −0.24 −0.24 ~ 1.18 1.18 ~ 2.55 2.55 ~ 3.93 3.93 ~ 5.89 2005 −7.58 ~ −4.07 −4.07 ~ −2.57 −2.57 ~ −1.17 −1.17 ~ 0.23 0.23 ~ 1.62 1.62 ~ 2.94 2.94 ~ 4.27 4.27 ~ 6.17 2010 −7.41 ~ −3.71 −3.71 ~ −2.14 −2.14 ~ −0.69 −0.69 ~ 0.74 0.74 ~ 2.17 2.17 ~ 3.53 3.53 ~ 4.91 4.91 ~ 6.90 2015 −7.65 ~ −3.88 −3.88 ~ −2.26 −2.26 ~ −0.77 −0.77 ~ 0.70 0.70 ~ 2.16 2.16 ~ 3.56 3.56 ~ 4.98 4.98 ~ 6.98 2019 分位数法 −7.25 ~ −5.52 −5.52 ~ −3.79 −3.79 ~ −2.06 −2.06 ~ −0.33 −0.33 ~ 1.40 1.40 ~ 3.13 3.13 ~ 4.86 4.86 ~ 6.59 GDP/（104 CNY·km−2） 2000 自然间断点法 2.94 ~ 7.53 7.53 ~ 50.10 50.10 ~ 74.30 74.30 ~ 104 104 ~ 157 157 ~ 262 262 ~ 1 250 1 250 ~ 1 630 2005 几何间隔法 6.22 ~ 24.70 24.7 ~ 90.60 90.60 ~ 325 325 ~ 1 160 1 160 ~ 4 140 2010 自然间断点法 13.30 ~ 66.70 66.70 ~ 208 208 ~ 316 316 ~ 487 487 ~ 740 740 ~ 1 350 1 350 ~ 7 220 2015 分位数法 9 ~ 211 211 ~ 236 236 ~ 262 262 ~ 288 288 ~ 308 308 ~ 346 346 ~ 485 485 ~ 18 600 2019 自然间断点法 13 ~ 194 194 ~ 430 430 ~ 899 899 ~ 1 580 1 580 ~ 15 400 15 400 ~ 17 800 人口密度/
（人·km−2）2000 几何间隔法 5.11 ~ 13.20 13.20 ~ 32 32 ~ 75.70 75.70 ~ 177 177 ~ 413 413 ~ 962 962 ~ 2 240 2005 自然间断点法 12.70 ~ 68.50 68.50 ~ 120 120 ~ 183 183 ~ 305 305 ~ 650 650 ~ 1 770 2010 5.72 ~ 73.60 73.60 ~ 129 129 ~ 189 189 ~ 271 271 ~ 397 397 ~ 729 2015 6.03 ~ 27.90 27.90 ~ 93 93 ~ 123 123 ~ 152 152 ~ 200 200 ~ 275 275 ~ 446 446 ~ 720 2019 3 ~ 22 22 ~ 99 99 ~ 126 126 ~ 169 169 ~ 319 319 ~ 549 549 ~ 2 640 2 640 ~ 5 000 土壤类型 2000—2019 灰褐土 黑钙土 栗钙土 新积土 石质土 草毡土 黑毡土 寒冻土 土地利用
类型2000—2019 农田 森林 灌木 草原 水域 冰雪 裸地 不透水面 
下载: 导出CSV
表 2 主要植被类型NPP的MOD17A3预测结果与其他模型及实测值的比较
Table 2 Comparison of MOD17A3 prediction results of main vegetation type NPP with other models and measured values
g/(m2·a) 方法 时期 主要植被类型的NPP（以C计） 森林 灌木 草原 裸地 农田 落叶阔叶林 常绿针叶林 MOD17A3 2000—2019 394.66 345.08 313.02 107.18 369.89 GLOPEM-CEVSA[25] 1988—2004 267.90 160.90 36.13 222.94 GLOPEM[26] 1988—2004 405.2 156.04 218.74 21.48 289.22 CASA[27] 2010 279.81 162.87 62.81 256.28 AVIM2[28] 2015—2055 660 ~ 730 180 ~ 250 240 ~ 310 580 ~ 710 IBIS[29] 1961—2005 678.7 359.9 144.7 203.6 9.8 NPP-EMSC[30] 2009 305 292 86 102 1 276 实测值 1989—1993，
1996，2011179 ~ 806[31]
111 ~ 631[32]114 ~ 1 669[31]
164 ~ 798[32]364[31] 326 ~ 772[33] 29.5 ~ 375[33] 239 ~ 760[31]
下载: 导出CSV
表 3 驱动因子对大通县植被NPP的解释程度
Table 3 Explanatory power of driving factors on vegetation NPP in Datong County
年份 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 2000 0.003 6 0.537 8 0.015 9 0.554 7 0.049 9 0.546 9 0.182 9 0.195 9 0.345 4 0.114 7 2005 0.003 4 0.564 9 0.021 0 0.543 1 0.226 6 0.566 6 0.205 3 0.214 6 0.363 2 0.145 5 2010 0.004 4 0.536 4 0.015 1 0.541 3 0.196 4 0.542 7 0.216 3 0.267 7 0.341 1 0.129 7 2015 0.003 2 0.581 8 0.018 4 0.586 3 0.275 0 0.588 0 0.169 4 0.252 7 0.403 6 0.168 2 2019 0.003 3 0.558 4 0.015 7 0.483 5 0.267 7 0.562 3 0.231 2 0.219 1 0.389 7 0.151 8 注：X1. 坡向；X2. 高程；X3. 坡度；X4. 年均降水量；X5. 日照时长；X6. 年均气温；X7. GDP；X8. 人口密度；X9. 土壤类型；X10. 土地利用类型。X1、X9、X10为离散变量，其他为连续变量。下同。
下载: 导出CSV
-
[1] 朴世龙, 方精云, 郭庆华. 1982—1999年我国植被净第一性生产力及其时空变化[J]. 北京大学学报(自然科学版), 2001, 37(4): 563−569. Piao S L, Fang J Y, Guo Q H. Terrestrial net primary production and its spatio-temporal patterns in China during 1982–1999[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2001, 37(4): 563−569.
[2] Cuo L, Zhang Y, Xu R, et al. Decadal change and inter-annual variability of net primary productivity on the Tibetan Plateau[J]. Climate Dynamics, 2021, 56: 1837−1857. doi: 10.1007/s00382-020-05563-1
[3] Liu Y Y, Yang Y, Wang Q, et al. Evaluating the responses of net primary productivity and carbon use efficiency of global grassland to climate variability along an aridity gradient[J]. Science of the Total Environment, 2019, 652: 671−682. doi: 10.1016/j.scitotenv.2018.10.295
[4] Ge W Y, Deng L Q, Wang F, et al. Quantifying the contributions of human activities and climate change to vegetation net primary productivity dynamics in China from 2001 to 2016[J/OL]. Science of the Total Environment, 2021, 773: 145648[2024−02−19]. https://doi.org/10.1016/j.scitotenv.2021.145648.
[5] 杨楠, 王凌雨, 朱琳, 等. 黄河流域近十年NPP变化特征及驱动因子分析[J]. 应用基础与工程科学学报, 2023, 31(2): 280−295. Yang N, Wang L Y, Zhu L, et al. NPP variation characteristics and driving factors of the Yellow River Valley in the last decade[J]. Journal of Basic Science and Engineering, 2023, 31(2): 280−295.
[6] Wang S Y, Zhang B, Yang Q C, et al. Responses of net primary productivity to phenological dynamics in the Tibetan Plateau, China[J]. Agricultural and Forest Meteorology, 2017, 232: 235−246. doi: 10.1016/j.agrformet.2016.08.020
[7] 杨灿, 魏天兴, 李亦然, 等. 黄土高原水蚀风蚀交错区退耕还林工程前后NDVI时空变化特征[J]. 北京林业大学学报, 2021, 43(6): 83−91. doi: 10.12171/j.1000-1522.20210128 Yang C, Wei T X, Li Y R, et al. Spatiotemporal variations of NDVI before and after implementation of Grain for Green Project in wind-water erosion crisscross region of the Loess Plateau[J]. Journal of Beijing Forestry University, 2021, 43(6): 83−91. doi: 10.12171/j.1000-1522.20210128
[8] 徐勇, 黄海艳, 戴强玉, 等. 西南地区陆地植被生态系统NPP时空演变及驱动力分析[J]. 环境科学, 2023, 44(5): 2704−2714. Xu Y, Huang H Y, Dai Q Y, et al. Spatial-temporal variation in net primary productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China[J]. Environmental Science, 2023, 44(5): 2704−2714.
[9] 谢慧君, 谢亚巍, 曹聪, 等. 重庆市植被净初级生产力时空变化特征及驱动力分析[J]. 长江流域资源与环境, 2023, 32(12): 2581−2597. Xie H J, Xie Y W, Cao C, et al. Spatial-temporal variation characteristics and driving forces of vegetation net primary productivity in Chongqing[J]. Resources and Environment in the Yangtze Basin, 2023, 32(12): 2581−2597.
[10] 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. Li Y L, Pan X Z, Wang C K, et al. Changes of vegetation net primary productivity and its driving factors from 2000 to 2011 in Guangxi, China[J]. Acta Ecologica Sinica, 2014, 34(18): 5220−5228.
[11] 闫丰, 李晨阳, 王靖, 等. 京津冀生态屏障区植被NPP时空演变驱动力定量解析[J/OL]. 环境科学: 1–27[2024−06−04]. https://doi.org/10.13227/j.hjkx.202402008. Yan F, Li C Y, Wang J, et al. Quantitative analysis of the drivers of the spatio-temporal evolution of vegetation NPP in the Beijing-Tianjin-Hebei Ecological Barrier Area[J/OL]. Environmental Science: 1–27[2024−06−04]. https://doi.org/10.13227/j.hjkx.202402008.
[12] 王诗绮, 刘焱序, 李琰, 等. 近20年黄土高原生态系统服务研究进展[J]. 生态学报, 2023, 43(1): 26−37. Wang S Q, Liu Y X, Li Y, et al. Research progress on the ecosystem services on the Loess Plateau during the recent 20 years[J]. Acta Ecologica Sinica, 2023, 43(1): 26−37.
[13] 岳笑, 张良侠, 周德成, 等. 基于植被净初级生产力的青藏高原地区生态脆弱性及其控制因子分析[J]. 地理科学, 2024, 44(1): 140−148. Yue X, Zhang L X, Zhou D C, et al. Ecological vulnerability and its driving forces of the Qinghai-Xizang Plateau based on the net primary productivity of vegetation[J]. Scientia Geographica Sinica, 2024, 44(1): 140−148.
[14] 杨艳, 周德成, 宫兆宁, 等. 基于植被生产力的黄土高原地区生态脆弱性及其控制因子分析[J]. 生态环境学报, 2022, 31(10): 1951−1958. Yang Y, Zhou D C, Gong Z N, et al. Ecological vulnerability and its drivers of the Loess Plateau based on vegetation productivity[J]. Ecology and Environment, 2022, 31(10): 1951−1958.
[15] 孙鸿烈, 郑度, 姚檀栋, 等. 青藏高原国家生态安全屏障保护与建设[J]. 地理学报, 2012, 67(1): 3−12. doi: 10.11821/xb201201001 Sun H L, Zheng D, Yao T D, et al. Protection and construction of the national ecological security shelter zone on Tibetan Plateau[J]. Acta Geographica Sinica, 2012, 67(1): 3−12. doi: 10.11821/xb201201001
[16] 涂海洋, 古丽·加帕尔, 于涛, 等. 中国陆地生态系统净初级生产力时空变化特征及影响因素[J]. 生态学报, 2023, 43(3): 1219−1233. Tu H Y, Jiapaer G L, Yu T, et al. Analysis of spatio-temporal variation characteristics and influencing factors of net primary productivity in terrestrial ecosystems of China[J]. Acta Ecologica Sinica, 2023, 43(3): 1219−1233.
[17] Zuo Y F, Gao J W, He K N. Interactions among ecosystem service key factors in vulnerable areas and their response to landscape patterns under the National Grain to Green Program[J]. Land Degradation & Development, 2023, 35(2): 898−915.
[18] 左婵, 王军邦, 张秀娟, 等. 三江源国家公园植被净初级生产力变化趋势及影响因素[J]. 生态学报, 2022, 42(14): 5559−5573. Zuo C, Wang J B, Zhang X J, et al. Changes and influencing factors of vegetation net primary productivity in the Sanjiangyuan National Park[J]. Acta Ecologica Sinica, 2022, 42(14): 5559−5573.
[19] 任丽雯, 王兴涛, 刘明春, 等. 石羊河流域植被净初级生产力时空变化及驱动因素[J]. 干旱区研究, 2023, 40(5): 818−828. Ren L W, Wang X T, Liu M C, et al. Temporal and spatial changes and the driving factors of vegetation NPP in Shiyang River Basin[J]. Arid Zone Research, 2023, 40(5): 818−828.
[20] Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907−3925. doi: 10.5194/essd-13-3907-2021
[21] 徐建华. 现代地理学中的数学方法[M]. 3版. 北京: 高等教育出版社, 2017. Xu J H. Mathematical methods in contemporary geography[M]. 3rd Ed. Beijing: Higher Education Press, 2017.
[22] 王秀兰, 包玉海. 土地利用动态变化研究方法探讨[J]. 地理科学进展, 1999, 18(1): 83–89. Wang X L, Bao Y H. Study on the methods of land use dynamic change research[J]. Progress in Geography 1999, 18(1): 83–89.
[23] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116−134. doi: 10.11821/dlxb201701010 Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116−134. doi: 10.11821/dlxb201701010
[24] Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593−610.
[25] 王军邦, 刘纪远, 邵全琴, 等. 基于遥感–过程耦合模型的1988 ~ 2004年青海三江源区净初级生产力模拟[J]. 植物生态学报, 2009, 33(2): 254–269. Wang J B, Liu J Y, Shao Q Q, et al. Spatial-temporal patterns of net primary productivity for 1988–2004 based on GLOPEM-CEVSA model in the “Three-River Headwaters” region of Qinghai Province, China[J]. Chinese Journal of Plant Ecology, 2009, 33(2): 254–269.
[26] 邵全琴, 樊江. 三江源区生态系统综合监测与评估[M]. 北京: 科学出版社, 2012. Shao Q Q, Fan J. Integrated monitoring and evaluation of ecosystems in the Three-River Headwater Region[M]. Beijing: Science Press, 2012.
[27] 沃笑, 吴良才, 张继平, 等. 基于CASA模型的三江源地区植被净初级生产力遥感估算研究[J]. 干旱区资源与环境, 2014, 28(9): 45−50. Wo X, Wu L C, Zhang J P, et al. Estimation of net primary production in the Three-River Headwater Region using CASA model[J]. Journal of Arid Land Resources and Environment, 2014, 28(9): 45−50.
[28] 刘亚荣. 基于AVIM2模型的祁连山植被净初级生产力的时空变化特征及未来变化趋势预测[D]. 兰州: 西北师范大学, 2015. Liu Y R. The spatiotemporal variation characteristics of primary net productivity of Qilian Mountain vegetation based on the AVIM2 model and prediction of future changing trends[D]. Lanzhou: Northwest Normal University, 2015.
[29] 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(1): 3−17. doi: 10.1007/s11442-014-1069-3
[30] 赵国帅. 基于光能利用率模型的青海植被净初级生产力模拟研究[D]. 哈尔滨: 东北林业大学, 2011. Zhao G S. The simulation study of net primary productivity of Qinghai vegetation based on the light use efficiency model[D]. Harbin: Northeast Forestry University, 2011.
[31] 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 Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413−424. doi: 10.3321/j.issn:1005-264X.2007.03.010
[32] 罗天祥. 中国主要森林类型生物生产力格局及其数学模型[D]. 北京: 中国科学院, 1996. Luo T X. Patterns of net primary productivity for Chinese major forest types and their mathematical models[D]. Beijing: Chinese Academy of Sciences, 1996.
[33] 程杰. 黄土高原草地植被分布与气候响应特征[D]. 杨凌: 西北农林科技大学, 2011. Cheng J. Response of grassland vegetations distribution to climate change in Loess Plateau[D]. Yangling: Northwest A&F University, 2011.
[34] 王川, 王丽莎, 张勇勇, 等. 2000—2020年祁连山植被净初级生产力时空变化及其驱动因素[J]. 生态学报, 2023, 43(23): 9710−9720. Wang C, Wang L S, Zhang Y Y, et al. Spatiotemporal change and driving factors of net primary productivity in Qilian Mountains from 2000 to 2020[J]. Acta Ecologica Sinica, 2023, 43(23): 9710−9720.
[35] 宋昌素, 肖燚, 博文静, 等. 生态资产评价方法研究: 以青海省为例[J]. 生态学报, 2019, 39(1): 9−23. doi: 10.1016/j.chnaes.2018.07.003 Song C S, Xiao Y, Bo W J, et al. The ecological asset accounting method study: a case study of Qinghai Province[J]. Acta Ecologica Sinica, 2019, 39(1): 9−23. doi: 10.1016/j.chnaes.2018.07.003
[36] 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. Liu M X, Jiao J, Pan J H, et al. Spatial and temporal patterns of planting NPP and its driving factors in Qinghai Province[J]. Acta Ecologica Sinica, 2020, 40(15): 5306−5317.
[37] 李文斌, 曹生奎, 曹广超, 等. 2000—2020年青海湖流域植被净初级生产力时空格局及驱动分析[J]. 水土保持研究, 2024, 31(5): 327−336, 343. Li W B, Cao S K, Cao G C, et al. Spatiotemporal patterns of vegetation net primary productivity and their drivers in Qinghai Lake Basin from 2000 to 2020[J]. Research of Soil and Water Conservation, 2024, 31(5): 327−336, 343.
[38] 杨安乐, 张小平, 李宗省, 等. 气候变化和人类活动对祁连山国家公园植被净初级生产力的定量影响[J]. 生态学报, 2023, 43(5): 1784−1792. Yang A L, Zhang X P, Li Z X, et al. Quantitative analysis of the impacts of climate change and human activities on vegetation NPP in the Qilian Mountain National Park[J]. Acta Ecologica Sinica, 2023, 43(5): 1784−1792.
[39] 同琳静, 刘洋洋, 王倩, 等. 青藏高原草地降水利用效率时空动态及对气候变化的响应[J]. 干旱地区农业研究, 2019, 37(5): 226−234. doi: 10.7606/j.issn.1000-7601.2019.05.33 Tong L J, Liu Y Y, Wang Q, et al. Spatial-temporal dynamics of precipitation use efficiency in grassland and its relationship with climate changes on Qinghai-Tibet Plateau[J]. Agricultural Research in the Arid Areas, 2019, 37(5): 226−234. doi: 10.7606/j.issn.1000-7601.2019.05.33
[40] 周益, 陈德超, 张委伟, 等. 太湖流域植被NPP时空特征及其驱动因素研究[J]. 遥感信息, 2022, 37(6): 94−100. doi: 10.3969/j.issn.1000-3177.2022.06.014 Zhou Y, Chen D C, Zang W W, et al. Study on spatiotemporal characteristics and driving factors of vegetation NPP in Taihu Lake Basin[J]. Remote Sensing Information, 2022, 37(6): 94−100. doi: 10.3969/j.issn.1000-3177.2022.06.014
[41] 陈欢, 任志远. 中国大陆植被覆盖对降水与温度变化的响应[J]. 水土保持通报, 2013, 33(2): 78−82, 4. Chen H, Ren Z Y. Response of vegetation coverage to changes of precipitation and temperature in Chinese mainland[J]. Bulletin of Soil and Water Conservation, 2013, 33(2): 78−82, 4.
-
期刊类型引用(3)
1. 张露月，刘艳红，韩冬青. 连香树雌雄株生长及适应性策略差异. 北京林业大学学报. 2024(12): 71-81 . 
本站查看
2. 亢红伟，岳康杰，刘慧欣，王佳丽，田旭平. 性别和叶形对圆柏气体交换参数和叶绿素荧光特征的影响. 植物科学学报. 2024(06): 791-799 . 百度学术
3. 孙晓伟，王兴昌，孙慧珍，全先奎，杨青杰. 雌雄异株树种山杨、水曲柳和东北红豆杉光合特性对比. 南京林业大学学报(自然科学版). 2023(01): 129-135 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 151
- HTML全文浏览量: 19
- PDF下载量: 41
- 被引次数: 8
