基于地理探測器的喀斯特植被NPP定量歸因

左麗媛，高江波

1.中國科學院地理科學與資源研究所/中國科學院陸地表層格局與模擬重點實驗室，北京 100101；2.中國科學院大學，北京 100049

植被凈第一性生產力（Net Primary Productivity，NPP）反映著植物固定和轉化光合作用產物的效率，決定了可供利用的物質和能量，是陸地生態系統中物質與能量運轉研究的重要環節（樸世龍等，2001）。NPP作為地表碳循環的重要組成部分，是判定生態系統碳匯和調節生態過程的主要因子，在全球變化及碳循環平衡中扮演著重要的角色（IGBP Terrestrial Carbon Working Group，1998；Pan et al.，2011）。雨熱同期、二元三維地質構造與大面積分布的碳酸鹽巖使得喀斯特地區形成獨特的碳循環和巨大的碳匯潛力，在區域和全球碳循環過程中發揮著重要的作用（王世杰等，2017；Thevs et al.，2013）。然而，喀斯特地區由于水土流失引起的土層淺薄、基巖裸露、土地生產力喪失和生態環境退化等現象致使該地區出現嚴峻的石漠化景觀（Yahdjian et al.，2015），植被生長環境相對惡劣，環境對植被生長的選擇性限制作用強（蘇維詞等，2000）。同時，脆弱的生態環境與強烈的人類活動相疊加使得當地植被一旦破壞即難以恢復，因此定量評估環境因子、人類活動及其耦合作用對喀斯特地區 NPP的影響對石漠化的治理以及推進喀斯特生態系統的恢復尤為重要。

目前常見的 NPP估算方法包括站點實測以及模型估算兩類。長時間序列、區域以及全球的空間尺度使得大規模站點實測NPP不易實現，因此利用基于遙感數據的模型估算 NPP成為當前廣泛使用的研究方法（Fang et al.，2003）。同時，遙感數據時間序列長和覆蓋面廣的特點也使得區域及全球尺度NPP的動態變化分析成為可能。在眾多基于遙感數據估算NPP的模型中，CASA模型在區域以及全球的生產力估算中有著廣泛的應用（Crabtree et al.，2009），其遙感數據反演的可靠性以及植被最大光能利用率的準確估算是利用 CASA模型模擬 NPP的關鍵點。在研究內容方面，目前針對喀斯特地區植被的研究主要集中于 3個方向，一是基于氣象觀測資料和遙感產品模擬植被凈第一性生產力并分析其季節和年際變化規律，如黃曉云等（2013）基于喀斯特地區衛星遙感和地面氣象觀測資料分析氣候變化背景下中國南方喀斯特地區 NPP的時空變化規律。二是研究土地利用變化或生態恢復對喀斯特地區植被碳儲量的影響，如Tong et al.（2018）研究了生態工程對中國西南喀斯特地區植被的大尺度積極效應。三是對比研究喀斯特地區和非喀斯特地區NPP的分布頻度和趨勢（王冰等，2007；董丹等，2011）。以上研究雖然針對喀斯特地區的特殊性對植被NPP進行分析，但較少考慮喀斯特地區類型多樣的地貌區之間植被NPP及其影響因子的異同性。

NPP與環境因子之間的關系一直是國內外科學界普遍關注的問題之一（彭少麟等，2000），不同植被類型在不同環境條件下的 NPP直接反映了它們對外界環境的適應性。目前喀斯特地區對于NPP空間分布的影響因子研究大多采用相關或回歸統計方法，對于多因子交互作用的定量歸因研究相對較薄弱。地理探測器作為探測空間分異性并揭示其背后驅動因子的一種新的統計方法，它一方面可以揭示自變量對因變量空間分異的解釋力，另一方面也可以評估因子之間的相互作用是否會增強或減弱對因變量的解釋力（王勁峰等，2017）。因此本文在有效反演的高精度NDVI數據的基礎上準確估算喀斯特地區的植被NPP，在地貌形態類型區的框架下借助地理探測器方法開展喀斯特流域植被 NPP的主導因子識別以及多因子交互作用的定量歸因，以期理解環境因子在植被變化過程中的作用機制，為喀斯特地區的生態恢復和石漠化治理提供科學依據。

1 材料與方法

1.1 研究區概況

三 岔河流域（ 26°06′— 27°00′N，104°54′—106°24′E）位于中國貴州省西北部，屬烏江南源一級支流（圖1）。三岔河全長325.6 km，流域覆蓋面積為4860 km2，屬于典型的亞熱帶季風氣候區。流域內降水主要集中在每年的5—10月，多年平均年降水量范圍為1045—1326 mm。地勢自西北向東南逐漸降低，地貌形態復雜，多高山分布，山區面積占流域總面積的81.16%。三岔河流域屬于典型的喀斯特峰叢洼地區，獨特的地質背景、地上地下二元水文結構導致地表土層薄且不連續，水文過程變化迅速，生態系統抵抗外界干擾能力低，自然環境脆弱（陳洪松等，2013）。脆弱的生態環境疊加強烈的人類活動使得地表土壤嚴重流失，基巖大面積裸露，土地喪失農業利用價值，石漠化現象突出（Wang et al.，2004）。

圖1 研究區地理位置Fig.1 Location of the study area

1.2 數據來源

本文以2015年30 m分辨率的高精度NDVI數據為基礎數據，基礎數據的精度以及遙感影像反演的可靠性對模型的有效模擬以及 NPP積累量的精確計算至關重要。該數據以 Landsat 8 OLI（http://ids.ceode.ac.cn）HJ星以及 GF-1數據（http://www.cresda.com/CN）為數據源，經過輻射定標、大氣校正、正射校正等預處理工作后，通過近紅外和紅光波段反射率線性組合的方式獲取NDVI，再經過異常值處理、數據鑲嵌、目標區域裁剪、投影變換等后處理工作得到最終的數據產品。三岔河地區云覆蓋時間較多，因此，對于數據中的云、云影噪聲，采用當月多源、多時相數據重建的方法來保證高時間、高空間分辨率NDVI的提取精度。為保證數據產品在空間上和時間上的合理性，本文采用MOD13Q1植被指數產品數據成果進行宏觀對比驗證，結果顯示：從時間變化上來看，兩者的NDVI值均表現為逐漸升高并在7—8月達到較高值，而后開始降低，兩者的相關性分析結果為決定系數達到0.6，表明兩者具有較好的相關性；從空間分布圖來看，兩者的NDVI值空間分布趨勢相同，地物之間的區分較為一致。本文針對不同地貌形態類型區分析影響NPP的主導因子及因子間的交互作用，選取的因子有：海拔、坡度、降水、溫度、植被覆蓋度和土地利用類型，數據及來源詳見表1。為保證空間分辨率的一致性，所有數據重采樣為30 m。

1.3 研究方法

1.3.1 CASA模型

CASA模型是一個基于過程的遙感模型，它耦合了環境變量、遙感數據和植被生理參量，實現了植被NPP的時空動態模擬（馮險峰等，2004）。本文使用CASA模型，利用2015年高分辨率的遙感數據以月為間隔估算NPP，并將各月的累加值作為年 NPP的積累值，旨在明晰三岔河流域植被 NPP的空間分布。NPP的計算方法為：

表1 數據來源及概況Table 1 Data source and description

式中，NPPt、APARt和εt分別表示月份t的植被凈初級生產力（g·m-2·month-1）、植被吸收的光合有效輻射（g·m-2·month-1）和實際光能利用率（g·MJ-1），以上均以C計算。

植被吸收的光合有效輻射與太陽總輻射和植物自身的特征有關，可用式（2）計算。

式中，SOLt表示t月的太陽總輻射量（MJ·m-2·month-1）；FPARt表示植被對入射光合有效輻射的吸收分量；常數0.5為植被利用的太陽有效輻射占太陽總輻射的比例。

研究表明，FPAR與NDVI和比值植被指數（SR）有很好的線性關系（Ruimy et al.，1994；Potter et al.，1993），本文參考 Los（1998）的研究方法，取FPARNDVI與FPARSR的平均值作為FPAR的估算值。

式中，FPARNDVI,t和FPARNDVI,t分別表示月份t內由 NDVI和 SR 估算的 FPARt；NDVImin和NDVImax分別對應某種植被類型的NDVI最小值和最大值；FPARmin=0.001，FPARmax=0.95；SR為比值植被指數，由NDVI決定。

實際光能利用率表示植物通過光合作用將所吸收的光合有效輻射轉化為有機碳的效率（樸世龍等，2001）。Potter et al.（1993）認為實際光能利用率主要受溫度和水分的影響，當溫度和水分達到理想條件時，植被具有最大光能利用率，其公式為：

式中，εt表示實際光能利用率（g·MJ-1，以 C 計），Tmax,t和Tmin,t分別表示高溫和低溫的脅迫系數，Wt為水分脅迫因子，εmax是理想條件下的最大光能利用率（g·MJ-1）。

Tmax,t和Tmin,t取決于植物生長的最適宜溫度Topt和該月的月平均溫度Tmean,t，植物生長的最適宜溫度Topt是指研究區域內NDVI達到最大值時的當月平均溫度。Tmax,t和Tmin,t通過式（8）和式（9）求得。

水分脅迫因子Wt表示植物所能利用的有效水分對光能利用率的影響，通過式（10）計算得出。EVt為實際蒸散量（mm·month-1），根據周廣勝等（1996）建立的區域實際蒸散模型計算（式11）；PETt為潛在蒸散量（mm·month-1），通過標準 Penman-Monteith（P-M）公式（Allen et al.，1998）求得。

式中，Pt為t月的降水量（mm），Rnt為t月的地表凈輻射（MJ·m-1·d-1）。

最大光能利用率εmax的取值在很大程度上會影響NPP的估算，不同植被類型的最大光能利用率不同。本文參考董丹等（2011）對西南喀斯特地區植被類型最大光能利用率的改進，確定了三岔河流域各種植被類型的εmax值。

1.3.2 地理探測器

地理探測器是探測要素的空間分異性并揭示其背后驅動力的統計學工具（王勁峰等，2017）。該假設認為：如果某個自變量對某個因變量有重要影響，那么自變量和因變量的空間分布應該具有相似性，其解釋力用q值度量（Wang et al.，2010）。地理探測器包括4個模塊，分別是：分異及因子探測、交互作用探測、生態探測和風險區探測。本文聚焦于三岔河流域的年積累植被NPP，以海拔、坡度、降水、溫度、植被覆蓋度和土地利用類型為自變量，NPP為因變量運行地理探測器。分異及因子探測器用以識別影響NPP空間分布的主導因子，交互作用探測器在計算和比較各單因子q值及兩因子疊加后q值的基礎上，判斷因子兩兩之間是否存在交互作用以及交互作用的強弱、方向、線性還是非線性等關系（王勁峰等，2017）；生態探測器可以比較影響因子對NPP空間分布的影響是否有顯著差異；風險探測器可以判斷影響因子的層間NPP量是否有顯著差別并識別NPP的高風險區域。q統計的公式如下：

式中，h=1, 2…,L為因變量（Y）和自變量（X）的分層；Nh和N分別為層h內和區域內的單元數；是層h和全區的Y值的方差。SSW和SST分別為層內方差之和和全區總方差。地理探測器q統計量的值域為[0, 1]，q值越大說明因變量的空間分異性越明顯，各項環境因子對NPP的解釋力越強。

地理探測器要求輸入的自變量為類型量，因此土地利用類型與地貌形態類型均按照類別分類，而對于自變量為數值量的其他影響因子，則需要進行離散化處理。本文根據王勁峰等（2017）提出的數據離散化方法以及先驗知識，將海拔、降水和溫度按照自然斷點分類法分成9類，坡度按照＜5°、5°—10°、10°—15°、15°—20°、20°—25°、25°—30°、30°—35°、＞35°分為 8 類，植被覆蓋度按照＜0.3、0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8、0.8—0.9、0.9—1分為 8類。對于不同的地貌形態類型區，本文中所有的影響因子均采取一致的分層方法，以確保不同地貌區之間的結果具有可比性。

2 結果及分析

2.1 植被NPP空間分布特征與主導影響因子探測

三岔河流域2015年植被NPP的空間分布如圖2所示，年植被累積NPP總量為C 0—867.97 g·m-2，均值為C 443.42g·m-2。這一結果與張明陽等（2014）在桂西北西部喀斯特地區運用 CASA模型模擬的NPP結果（C 422.73 g·m-2）較為一致；與王冰等（2007）在貴州省運用光合作用與呼吸作用相分離的模型計算得出的喀斯特地區 NPP值（C 407.00 g·m-2）較為相近，證明本文的模擬結果具有較高的可靠性。經過與中國科學院資源環境科學數據中心發布的基于光能利用率模型 GLM_PEM 計算的2010 年三岔河流域的植被 NPP（C 0—1313.1 g·m-2，均值為C 316.65 g·m-2）比對，本文的數值范圍與均值與其基本相似，同時也符合天然林保護工程、退耕還林、還草工程等生態工程實施背景下植被逐年增多的趨勢。三岔河流域的植被NPP總量在空間格局上呈現出明顯的分異特征，其高值區主要分布在流域的西北部，低值區主要分布在東南部。主要原因為流域西北部的主要植被類型為林地，林地的最大光能利用率較高，加之流域西北部的降水條件較好，因而植被累積NPP總量較高；流域的東南部分布有大面積的草地，最大光能利用率較低、降水量較少，所以NPP累積量較少。運用地理探測器對三岔河流域2015年植被NPP的主導影響因子進行探測，結果如表2所示，植被覆蓋度是影響植被NPP空間分布的主導因子，其解釋力高達75.9%；土地利用類型對NPP的解釋力次之，其q值為0.167；其他影響因子對 NPP空間分布的解釋力大小表現為q值的排序，具體為溫度＞海拔＞坡度＞降水。交互作用探測器的結果顯示，雙因子的交互作用有助于增強對植被NPP的解釋力，任意兩個影響因子的交互均表現為非線性增強。植被覆蓋度與其他因子的交互作用均顯著高于其他因子的兩兩交互，其中，植被覆蓋度與溫度的交互對植被NPP的影響最為顯著，其q值為0.778。生態探測器的結果顯示在三岔河流域尺度內，植被覆蓋度、坡度和降水對植被NPP空間分布的影響顯著區別于其他因子。

圖2 2015年三岔河流域植被NPP空間分布Fig.2 The spatial distribution of NPP in the Sancha River Basin in 2015

2.2 不同地貌形態類型區植被NPP主導因子研究

分異及因子探測器的運行結果表明，不同地貌形態類型區內的同一因子以及同一地貌形態類型區內的不同因子對 NPP空間分布的影響及其解釋力有顯著差異（表3）。在各個地貌形態類型區中，植被覆蓋度仍是影響NPP空間分布的主導因子，其解釋力均大于71%。土地利用類型在中海拔平原和中海拔臺地等相對平緩的地區對 NPP的解釋力達20%以上，該值是山地丘陵等地勢起伏較大地區q值的近兩倍。海拔因子對NPP的影響在山地地區更為顯著，具體表現為小起伏中山和中起伏中山地區的q值較大，分別為0.140和0.166，而在其余3種地貌形態類型區內其解釋力均不足10%。溫度因子對NPP的解釋力在中海拔平原、小起伏中山和中起伏中山地區較大，其解釋力在10%—18%的范圍內，而在中海拔臺地和中海拔丘陵地區，其q值約是上述三類地貌形態類型區q值的 1/5。坡度和降水因子對植被 NPP的解釋力在不同地貌形態類型區中表現出明顯的差異性，但其值均較小。在同一地貌形態類型區內，植被NPP的空間分布對不同環境因子的響應有所差異，具體表現為各個影響因子的q值在同一地貌形態類型區內的排序，如在中海拔平原、中海拔臺地和中海拔丘陵地區，土地利用類型是影響植被NPP空間分布的第二大主導因子；而在小起伏中山地區，海拔因子對NPP的解釋力僅次于植被覆蓋度，排在其后的是土地利用類型、溫度、坡度和降水因子；在中起伏中山地區，溫度是影響NPP的第二大主導因子，再則是土地利用類型，但二者的q值相差不大。

2.3 不同地貌形態類型區植被NPP影響因子交互作用研究

交互作用探測器的運行結果表明，在5種地貌形態類型區中，因子之間的兩兩交互作用均能增強對植被NPP空間分布的解釋力，且其交互均表現為非線性增強。本文統計分析了解釋力排在前3位的交互作用方式，其結果如表4所示。在各個地貌形態類型區中，解釋力排在前3位的主導交互作用方式均為植被覆蓋度因子與另一影響因子的協同作用，如與溫度、海拔、降水、坡度和土地利用類型之間的交互。通過對比不同地貌形態類型區3組主導交互作用的q值，發現3組交互作用q值大小的排序均為：中海拔臺地＞中海拔平原＞中起伏中山＞中海拔丘陵＞小起伏中山，說明雖然環境因子對植被 NPP有不同程度的影響，但是地貌形態類型對NPP空間分布的宏觀控制作用更為顯著。在同一地貌形態類型區中，3組主導交互作用的q值均達70%以上，但彼此之間的差異較小。

表2 植被NPP影響因子q值統計Table 2 The q values of factors influencing NPP

表3 不同地貌形態類型區植被NPP影響因子q值統計Table 3 The q values of influencing factors in different morphological types of geomorphology

表4 不同地貌形態類型區植被NPP影響因子交互作用探測Table 4 The dominant interactions between two influencing factors in different morphological types of geomorphology

2.4 植被 NPP高風險區域識別及影響因子層間NPP量差異性判斷

風險探測器可以探測植被 NPP的空間分布特征，識別植被NPP的高風險區域（置信水平為95%）（表5）。在5個地貌形態類型區內，植被覆蓋度＜0.3的區域以及坡度＜5°的區域均為 NPP的高風險區域，但不同地貌形態類型區內平均NPP累積量有顯著差異；在各類土地利用類型中，水域和建設用地的NPP累積量最少，其他土地利用類型均有植被覆蓋；中海拔臺地地區海拔1400 m左右為NPP的高風險區域，其余四類地貌形態中NPP的高風險區均為海拔較低的地區。溫度和降水與植被NPP的空間分布不具備顯著的正向或負向相關關系，但年平均溫度最高的地區以及年降水量較少的地區是 NPP的高風險區域。風險探測器可以判斷影響因子層間植被NPP量的差異性，表6統計了有顯著差異的分層組合數的百分比。植被覆蓋度在不同地貌形態類型中的層間差異最大，顯著性百分比均為100%；中海拔平原和中海拔臺地等較平緩的地區主要為作物種植區，土地利用類型單一，層間差異較小，而在山地丘陵地區，土地利用類型多樣，層間差異較大；海拔和坡度的層間差異在中海拔平原和中海拔臺地等平均海拔、平均坡度較小的地區遠小于中海拔丘陵、小起伏中山、中起伏中山等平均海拔、平均坡度較大的地區；溫度在中海拔平原和中海拔臺地地區的層間差異達到100%，隨著海拔的升高，溫度逐漸降低，層間差異的顯著性逐漸降低。

3 討論

高分辨率 NDVI數據的有效反演及使用使CASA模型的基礎數據在空間尺度上達到一致，消除了低分辨率可能導致的粗糙度。喀斯特地區特殊的碳酸鹽巖基質使得當地出現土壤頂級植被類型——常綠落葉闊葉混交林，與亞熱帶典型的常綠闊葉林氣候頂級有很大區別（朱守謙，1993）。如果采用全球統一的最大光能利用率或是朱文泉等（2006）對全國植被光能利用率的模擬值計算喀斯特地區的植被NPP，結果可能產生偏差。因此，本文在考慮喀斯特區域因素的基礎上準確匹配了喀斯特地區植被類型與其相應的最大光能利用率值，提高了CASA模型在喀斯特地區模擬的精度。

表5 不同地貌形態類型植被NPP高風險區域及其平均值(by C)/(g·m-2)Table 5 High risk areas of NPP and its mean value (by C)/(g·m-2) in different morphological types of geomorphology

表6 各影響因子中有顯著差異的分層組合數的百分比Table 6 The percentage of stratification combinations with significant difference in each influencing factor %

植被覆蓋度對 NPP的解釋力在流域尺度以及各地貌形態類型區內均為最大值，其原因包括兩點：一是植被覆蓋度反映了光合面積的大小和植被生長的旺盛程度（穆少杰，2012），植被覆蓋度的高值區域植被生長較好，長勢較好的植物固定和轉化光合作用產物的效率較高，即NPP累積量較高，因此二者之間存在密切聯系；二是本文所使用的植被覆蓋度是采用Gutman et al.（1998）提出的模型通過NDVI數據計算得出，同時，NDVI又是CASA模型中計算NPP的基礎因子，因此二者之間存在一定程度的聯系。溫度對植被累積NPP的影響是綜合的，一方面，溫度可以直接影響土壤溫度和空氣溫度，從而影響植物的水肥吸收和傳輸；另一方面，溫度可以通過影響光合作用、呼吸作用、蒸騰作用等影響植被有機物的合成及代謝過程（康紅梅等，2020）。由此，植被覆蓋度與溫度的協同作用對植被NPP的解釋力達到最高。地貌形態類型從宏觀上控制著地表過程的發生和發展（劉燕華，2007），植被累積NPP作為地表過程的一種，其空間特征和主導影響因子在不同地貌形態類型區內差異顯著。如土地利用類型對 NPP的解釋力在中海拔平原和中海拔臺地等相對平緩的地區是山地丘陵等地勢起伏較大地區解釋力的近兩倍，這可能是因為在地勢起伏度較大的地區，地形復雜、氣候差異明顯、生態脆弱，植被NPP的影響因素更為復雜。海拔因子對NPP的影響在山地地區更為顯著，原因為山地地區內部相對高差較大，隨著海拔的升高，植被的垂直分異性更加明顯。在中海拔平原、中海拔臺地和中海拔丘陵地區，土地利用類型是影響植被NPP空間分布的第二大主導因子，可能原因是地勢起伏較小的地區受人類活動影響較大，土地利用方式以及作物種植類型對 NPP的影響較大；在中起伏中山地區，溫度是影響NPP的第二大主導因子，原因為隨著海拔的升高溫度逐漸降低，此時溫度是制約植被正常生長的主要原因。

自然因素是生態系統和地理單元的基本組成要素，是生態系統時空分布的基礎（趙文武等，2018）。但是，各種自然因子對生態系統服務的影響并不是單獨起作用，而是兩個或多個因子的共同作用。交互作用探測器的結果表明因子之間的兩兩交互作用均能增強對植被NPP空間分布的解釋力。在各個地貌形態類型區中，解釋力排在前3位的主導交互作用方式均為植被覆蓋度因子與另一影響因子的協同作用，且不同的組合方式之間差異明顯。同時，植被覆蓋度與其他因子的交互作用結果說明，喀斯特地區植被累積NPP的提高在考慮植被覆蓋度的同時也要結合海拔、坡度等地形因子和土地利用變化等人為影響因素。在喀斯特地區未來的發展過程中，應加大對林地、草地的保護措施，提高植被覆蓋度，考慮土地利用變化對植被 NPP的影響，合理配置耕地、林地和草地的空間布局。同時，也應考慮多種環境因子之間的交互作用，從多視角、多維度探究環境因子對植被NPP的影響，以期為喀斯特石漠化的治理工作提供參考依據。

CASA模型是基于植被的生理過程而建立的植被NPP機理模型，在大尺度植被NPP模擬和全球碳循環研究中得到普遍認可。本文通過采用高分辨率NDVI數據以及改進植被最大光能利用率參數，提高了CASA模型在喀斯特流域的模擬精度，模擬結果經過對比驗證，較為可信。但是，缺乏與遙感數據空間分辨率相匹配的大空間尺度的地面實測數據仍是模型驗證的不確定性因素之一。同時，本文定量分析了 2015年三岔河流域整體以及不同地貌形態類型區內環境因子對植被 NPP空間分布的解釋力，識別了影響NPP空間分布的主導因子、因子間的交互作用、NPP的高風險區域以及影響因子層間NPP量的差異性，但今后應當進行多個時間節點或長時間尺度內喀斯特植被累積 NPP的定量歸因研究，分析環境因子對NPP空間分布的解釋力隨時間的變化，消除溫度、降水等氣候因子的年際突變對NPP的影響。

4 結論

本文使用 CASA模型，基于高精度 NDVI數據，參考針對喀斯特地區改進的植被最大光能利用率對三岔河流域2015年的植被NPP進行模擬。在有效模擬的基礎上，應用地理探測器方法識別三岔河流域植被 NPP在不同地貌形態類型區內的主導影響因子以及因子間的交互作用，識別植被NPP的高風險區域及影響因子層間NPP量的差異性。主要結論如下：

（1）2015年三岔河流域的年植被NPP均值為C 443.42 g·m-2，空間分布呈現西北高、東南低的特征。地理探測器中交互作用探測器的結果顯示植被覆蓋度與溫度是植被 NPP空間分布的顯著控制因子，其q值為0.778。

（2）地貌形態及其內部特征對植被NPP的空間分布以及環境因子對 NPP的解釋力具有宏觀控制作用。土地利用類型、海拔、坡度、溫度等因子對植被 NPP空間分布的解釋力以及不同地貌形態類型區內因子的層間差異均隨地貌特征的變化而表現出不同程度的差異性。

（3）因子之間的兩兩交互作用均能增強對植被NPP空間分布的解釋力。在不同地貌形態類型區中，3組主導交互作用q值大小的排序均為：中海拔臺地＞中海拔平原＞中起伏中山＞中海拔丘陵＞小起伏中山。