河西走廊植被凈初級生產力時空變化及其影響因子研究

李傳華,朱同斌,周 敏,殷歡歡,王玉濤,孫 皓,曹紅娟,韓海燕

西北師范大學地理與環境科學學院, 蘭州 730070

凈初級生產力(Net Primary Productivity,NPP)是植物在單位時間和單位面積上,通過光合作用產生的有機質總量中扣除自養呼吸后的剩余部分,通常以干質量表示[1]。NPP是衡量全球與區域生態系統質量的重要指標,也是陸地生態系統碳循環過程的重要參數,準確估算NPP是該領域最基礎的科學問題之一。氣候變暖在持續加劇[2],對陸地生態系統產生顯著影響,人類活動也是影響植被的重要因子[3],因此,研究NPP的時空格局變化及其影響因子對地區可持續發展具有重要意義[4]。

NPP估算模型主要有氣候模型[5- 6]、過程模型[7]和參數模型[8- 9]等,國內外學者利用這些模型取得了大量的進展。這些模型各具特點也存在某些不足,例如氣候模型估算沒有考慮植被信息,不確定性很大；過程模型機制復雜,所需參數多且獲得困難；參數模型,比如光能利用率模型的光能傳遞與轉換過程還存在許多的不確定性。因此,繼續發展NPP的估算方法是減少不確定性的重要途徑。隨機森林(Random Forest,RF)機器學習算法近年來在地學領域應用非常廣泛[10- 12],在NPP估算方面被證明具有較高的可靠性。眾多學者利用RF方法估算的東亞和美國地區的NPP與MOD17A3產品相關性R2>0.8[13],估算的中國青藏高原的NPP與實測數據相關系數為0.86[14-15],估算的歐洲總初級生產力與MOD17A2產品數據相關系數為0.84[16],因此,隨機森林算法具有較廣泛的適用性,被認為是一種可靠的NPP估算方法。同時,隨機森林能夠處理高維特征的輸入數據,不需要數據降維,對于數據缺省問題也具有較好的容忍度[17]。

河西走廊是“絲綢之路經濟帶”的重要通道,是我國向西開放的黃金地段；該區南部是祁連山國家森林公園,北部被沙漠環繞,是我國重要的生態屏障。河西走廊是典型的干旱半干旱區,降水稀少、土壤貧瘠,生態環境十分脆弱,對氣候變化和人類活動非常敏感[3, 18]。隨著全球氣候變暖,干旱半干旱區變暖趨勢更加明顯[19-20],降水的變化具有不確定性[21],因此其植被變化表現出較強的空間異質性[22-23]。干旱半干旱區NPP變化的驅動因子結論也不一致,有研究表明降水是干旱區植被NPP變化的主導因子[24-25],也有人認為是氣溫[26],同時,人類活動的影響也不容忽視。

本研究基于RF機器學習模型,利用實測數據和遙感數據估算2002—2018年期間的河西走廊NPP,分析NPP時空變化以及氣溫、降水和人類活動對NPP變化的影響。本研究的目的有三點,一是評估RF機器學習算法估算NPP在干旱半干旱區的適用性；二是分析河西走廊NPP變化時空格局；三是定量評估該區NPP變化的驅動因子,為類似區域的生態保護工作提供科學依據。

1 數據與方法

1.1 研究區概況

河西走廊地處中國內陸甘肅省境內,位于37 °17 ′N—42 °48 ′N,92 °12 ′E—103 °48 ′E,自東向西依次分布石羊河、黑河和疏勒河三大內陸河流域,平均海拔2166 m。該地是典型溫帶大陸性氣候,通過遙感數據統計,研究期間年均降水為150.09 mm,年均溫為5.29 ℃。該地自南向北由山地、綠洲、荒漠三個子系統構成,對應的子氣候類型有高寒氣候、溫帶氣候、荒漠氣候,主要植被有林地、草地、耕地和荒漠。

圖1 研究區概況圖Fig.1 Overview of the study area

1.2 數據處理與方法

1.2.1NPP數據

實測NPP來自于2018年7—8月實地采樣、文獻NPP[27- 30]和黑河計劃數據管理中心(http://www.heihedata.org/),共323組數據(圖1)。其中,實地采樣19組草地數據、13組農田數據和16組荒漠灌草數據,地上部分采用齊地面收割法,地下部分連根收集；林地的采集數據為4組,通過量取樹的胸徑(地上1.3 m處的直徑)估算生物量和相應的NPP[31]。

1.2.2遙感數據

2001—2018年溫度數據來源于歐洲中期天氣預報中心(ECMWF)中期再分析產品(ERA-Interim；https://apps.ecmwf.int/datasets/data/interim-full-daily/levtype=sfc/),空間分辨率為0.125 °×0.125 °。降水數據來源于TRMM3B43數據產品(https://earthdata.nasa.gov/),空間分辨率為0.25 °×0.25 °。最后利用雙線性插值法重采樣為250 m×250 m[32]。NDVI數據來源于美國國家航空航天局MOD13Q1(https://search.Earthdata.nasa.gov/search),空間分辨率為250 m×250 m。NPP產品來源于美國NASA EOS/MODIS的MOD17A3數據(http://files.ntsg.umt.edu/data/NTSG_Products/MOD17/),空間分辨率為1 km×1 km,重采樣為250 m×250 m。

1.2.3土地利用數據

土地利用數據來源于中國科學院資源環境科學數據中心(http://www.resdc.cn),空間分辨率為100 m,重采樣為250 m；土地利用類型包括25個二級類型,合并為6個一級類型,本文僅研究耕地、林地、草地和荒漠四種類型,建設用地和水域面積較少忽略不計。

1.2.4其他數據

DEM來源于地理空間數據云(http://www.gscloud.cn)。相對濕度通過氣溫和露點溫度計算[33]；FAPAR利用NDVI計算[34]；潛在蒸散利用氣溫計算[35]。

1.3 研究方法

1.3.1隨機森林

RF(隨機森林算法)是Leo Breiman于2001年提出的一個組合分類算法[36],是用于分類和回歸的機器學習方法,它是樹預測變量的組合,每棵樹都依賴于獨立采樣的隨機向量的值。隨機森林通過在給定的訓練時間內構建多個決策樹并輸出作為各個樹的類(分類)或平均預測(回歸)的模式來進行運作,隨著樹木數量的增加,隨機森林的泛化誤差收斂到極限。本研究的RF是基于python的scikit-learn包(https://pypi.org/project/scikit-learn/)開發的。

本研究RF的輸入變量包括海拔、坡度、坡向、秋季均溫(上一年)、冬季均溫(上一年)、春季均溫、夏季均溫、秋季均溫、冬季均溫、年平均溫、秋季降水(上一年)、冬季降水(上一年)、春季降水、夏季降水、秋季降水、冬季降水、年總降水、平均年相對濕度、年相對濕度(最大)、年相對濕度(最小)、生長季平均相對濕度、生長季總相對濕度、年潛在蒸散、年平均FAPAR、年最大FAPAR-年最小FAPAR、年最大FAPAR、年最小FAPAR、生長季平均FAPAR、生長季總FAPAR,共32個,NPP為輸出變量。利用隨機抽取80%的NPP數據用于訓練,剩下20%用于驗證,利用決定系數(R2)和均方根誤差(RMSE),通過參數調優選擇最佳模型。

1.3.2NPP年際變化率的計算

本研究利用最小二乘法分析2002—2018年河西走廊NPP的時空變化,公式如下：

(1)

式中slope為NPP的年際變化率,NPPi為第i年的NPP。變化趨勢的顯著性檢驗采用F檢驗,公式如下：

(2)

1.3.3NPP與氣候因子的相關性

首先計算相關系數,然后計算偏相關系數。相關系數計算公式如下：

(3)

控制降水(或氣溫)的NPP與氣溫(或降水)的偏相關系數計算公式如下：

(4)

式中,rijm為將變量m固定后變量i和變量j之間的偏相關系數,rij、rjm、rim分別為變量i和j、變量j和m、變量i和m的相關系數。

1.3.4驅動因子對NPP變化的影響

利用式(5)探測溫度和降水對NPP變化的貢獻,該公式于1974年被McCuen應用于水文動態學中[37],目前被應用于驅動因子對NPP的貢獻中,被證明是一個比較可行的方法[38-39]。

slope=C(tem)+C(pre)+UF

=(?NPP/?tem)×(?tem/?n)+(?NPP/?pre)×(?pre/?n)+UF

(5)

式中slope為NPP的年際變化率,C(tem)和C(pre)分別是年均溫和年降水對NPP年際變化的貢獻,其中C(tem)=(?NPP/?tem)×(?tem/?n),?NPP/?tem是NPP和tem之間線性回歸的斜率,?tem/?n是tem和n線性回歸的斜率,n為年數,C(pre)計算方法同上。UF是氣候因子對NPP年際變化貢獻的殘差,代表人類活動、火災、病蟲害等其他因子,人類活動占其中的主體,因此本文在描述時把其當作人類活動的貢獻[40]。

2 結果2.1 模型驗證

RF模擬了2002—2018年的NPP,圖2為實測數據與模擬NPP的對比結果,R2為0.75(P<0.01),說明NPP的模擬精度較好。

2.2 河西走廊NPP的時空分布特征

2002—2018年河西走廊年均NPP空間分布如圖3所示,平均值為153.32 gC m-2a-1,總量為37.468 Tg C/a,呈從東向西和從南向北遞減的分布特征。NPP的高值區域主要位于祁連山區和綠洲區,平均值分別為242.18 gC m-2a-1和213.87 gC m-2a-1,低值區域位于荒漠區,平均值為91.43 gC m-2a-1。

圖2 實測NPP與模擬NPP的比較Fig.2 Comparison of measured NPP and simulated NPP

圖3 2002—2018年河西走廊多年平均NPP空間分布 Fig.3 The spatial distribution of multi-year mean NPP in Hexi Corridor from 2002 to 2018

2002—2018年河西走廊植被NPP年際波動較大,位于122.64—223.07 gC m-2a-1之間(圖4)。2007和2018年高出多年平均40.70%和45.50%；2006年低于多年平均20.01%。研究期間整體呈增加趨勢,增長率為2.37 gC m-2a-1(R2=0.18,P=0.09)。不同植被類型的NPP差異較大,耕地、林地、草地、荒漠的NPP均值分別為439.51 gC m-2a-1、489.28 gC m-2a-1、200.70 gC m-2a-1、91.43 gC m-2a-1,總量分別為6.993 Tg C/a、3.596 Tg C/a、10.670 Tg C/a、15.257 Tg C/a。

圖4 2002—2018年河西走廊NPP、年均溫和年降水的年際變化Fig.4 Inter-annual variations of NPP, annual average temperature and annual precipitation in Hexi Corridor from 2002 to 2018

2002—2018年間河西走廊植被NPP變化趨勢見圖5,呈增加趨勢的面積占80.39%,主要分布在河西走廊北部和祁連山區；減少趨勢的占19.61%,主要分布在走廊西南部和中部；呈顯著增加和極顯著增加趨勢的面積分別占6.33%和3.99%,主要分布在走廊綠洲區和祁連山區；呈顯著減少和極顯著減少趨勢的面積分別占0.22%和0.11%,零星分布在嘉峪關、肅州區、涼州區和民勤等地。總體來看,研究期間河西走廊NPP呈現增加趨勢。

圖5 2002—2018河西走廊植被NPP年際變化顯著性檢驗Fig.5 Significant test of the inter-annual variation of NPP in the Hexi Corridor from 2002 to 2018

2.3 NPP與氣候因子的相關性

2002—2018年NPP與年降水和年均溫相關性見圖6,NPP與氣溫呈正相關和負相關各占53.31%和46.69%,呈正相關的區域主要位于走廊中部及西南部,呈負相關的區域主要在荒漠區。NPP與降水88.58%的區域呈正相關；呈負相關的區域僅占11.42%,主要分布在祁連山區。

圖6 2002—2018年年均溫和年降水與NPP的相關系數Fig.6 The Correlation coefficients of annual average temperature and annual precipitation with NPP from 2002 to 2018

2.4 氣候與人類活動對NPP變化的影響

相關系數僅能表征NPP與各氣候因子之間的相關程度,不能量化各因子對NPP變化的影響,圖7、8是根據公式(5)計算的氣溫、降水以及人類活動對NPP變化的貢獻。2002—2018年NPP平均增長率為0.478 Tg C/a,其中0.251 Tg C/a由氣候決定,0.227 Tg C/a由人類活動決定(圖7)。其中,氣候對NPP變化正貢獻和負貢獻的面積分別為80.17%和19.83%,正貢獻在石羊河流域、黑河中下游和疏勒河中下游地區,負貢獻主要在祁連山區。人類活動對NPP變化正貢獻和負貢獻的面積分別為50.52%和49.48%,正貢獻主要在祁連山區和石羊河下游荒漠地帶。

圖7 氣候變化和人類活動對NPP變化的貢獻Fig.7 Contributions of climate change and human activities to changes in NPP

2.5 氣候因子對NPP變化的影響

氣溫和降水對NPP變化的貢獻如圖8所示,研究期間氣溫、降水均對NPP起促進作用,前者對NPP的正貢獻的面積占85.85%,主要分布在石羊河流域、黑河中下游和疏勒河中下游地區；后者的正貢獻占68.11%,主要分布在石羊河流域綠洲區和沙漠區、黑河中下游和疏勒河中下游地區。氣溫和降水對NPP年際變化的貢獻分別為0.185 Tg C/a和0.066 Tg C/a,分別占73.71%和26.29%,氣溫主導著NPP的數量變化。從影響面積來看,氣溫和降水分別主導的區域各占27.79%和72.21%,降水對NPP變化的格局起主導作用。

圖8 氣候因子對NPP變化的貢獻Fig.8 Contribution of climate factors to changes in NPP

為了進一步明確NPP變化的驅動機制,將NPP與氣候因子的相關性和貢獻聯系起來進行分析(表1),可以看出,降水增加使NPP增加即NPP_P(++)占整個區域面積最大,為61.46%,主要在石羊河以東和河西走廊北部；氣溫升高使NPP增加即NPP_T(++)占整個區域的52.61%,主要在河西走廊中部和南部、石羊河以東區域。

3 討論

3.1 NPP值及其變化

圖2說明了基于隨機森林算法的NPP估算值是可靠的,與前人的研究結果較為一致,見表2。同時,也與MODIS NPP遙感產品(MOD17A3)(圖9)進行了比較(空白區是無值區),相關性為0.782,RMSE為190.96 gC m-2a-1,說明兩者吻合較好。在走廊南部草地區域吻合較好,祁連山區和綠洲區較差,其原因有兩點,一是MOD12Q1產品是MOD17A3 NPP的輸入數據,該產品在同質區域準確性較好[41],祁連山區地貌破碎,陰坡陽坡分布的植被差異很大,綠洲區由于人類的影響景觀破碎度很高,比較而言草地的均質性較高；其次,本研究用于模型訓練的不同植被類型的NPP數據的數量比例相差較大,實測草地NPP較多,這也是原因之一。

表1 NPP對氣候因子響應的組合

表2 估算NPP與文獻結果比較

圖9 MODIS NPP空間分布Fig.9 The spatial distribution of MODIS NPP

本研究NPP總體呈上升趨勢(2.37 gC m-2a-1,P=0.09),與2000—2013年中亞的草地NPP呈上升趨勢一致[46],與潘竟虎等研究發現疏勒河流域NPP增加趨勢結論一致[47]。研究區19.61%的區域NPP減少,這主要是氣候變化造成的,如圖10,可以看出,氣溫升高、降水減少,加劇了水分脅迫,導致NPP減少。

圖10 NPP呈減少趨勢區域的年均溫和年降水變化Fig.10 Changes of temperature and precipitation in NPP decreasing trend region

3.2 氣候與人類活動對NPP的影響

研究期間河西走廊植被NPP平均增長率為0.478 Tg C/a(P=0.09),氣候變化和人類活動分別貢獻52.51%和47.49%,兩者共同主導NPP變化,與本研究組前期在石羊河流域的研究結論相符[48]。很多研究也發現氣候變化和人類活動對生態環境脆弱區的植被影響基本相當,例如Zheng等發現氣候變化對黃土高原植被的影響貢獻57.65%,人類活動貢獻42.35%[3]；周妍妍等發現氣候變化對疏勒河流域植被恢復貢獻占55%,減少占45%[49],Chen等發現2001—2011年氣候變化和人類活動對青藏高原NPP變化影響的面積分別為56.59%和42.98%[50]。

圖11 氣候對NPP變化正貢獻區域的年氣溫和降水變化 Fig.11 Changes of temperature and precipitation in regions where climate contributes positively to changes in NPP

氣候對NPP變化正貢獻的面積為80.17%,這是河西走廊氣候朝暖濕方向變化的結果,這與楊雪梅等發現河西地區氣溫和降水皆呈上升趨勢,植被呈顯著改善狀態[51]結論一致。很多研究結果表明西北內陸河流域氣候趨向暖濕化,如1981—2015年期間石羊河流域氣溫和降水均呈增加趨勢[52]；雖然本研究期間河西走廊的氣溫和降水增長趨勢并不顯著,但在正貢獻區域的氣候是顯著的暖濕化,見圖11,緩解了水分脅迫和低溫脅迫對植被生長的限制[53]。

人類活動對河西走廊植被生產力呈積極影響,主要分布在祁連山區、綠洲區和石羊河下游荒漠地帶[54]。其原因主要有,人類活動對祁連山區呈正貢獻主要與政府實施封山育林育草、草場的輪牧與休牧政策有關,大量研究表明國家生態保護政策有利于植被恢復和生長[55- 57]；綠洲區呈正影響主要是人類對耕地的灌溉、施肥等管理措施導致的[58-59]；下游荒漠區的正向作用主要是流域治理工程的成效,如黑河流域生態調水工程、石羊河流域環境治理工程等通過跨流域調水保證了下游荒漠區的生態用水,植被得以恢復[60- 63]。這與Zhou等人發現人類活動導致中國西北地區NPP增長[64],Gang等人指出人類活動導致非洲、南美和歐洲的NPP顯著增長[65]等結論一致。呈顯著負向影響區域主要分布在疏勒河流域北部和西部,主要原因是由于該區域過度放牧導致植被退化,這與周妍妍等發現人類活動對疏勒河流域植被的負向影響比較普遍的結論一致[49][47]。

3.3 氣溫和降水對NPP的貢獻度

氣溫和降水對NPP的影響在數值和面積上的主導地位并不一致,這個現象是由河西走廊復雜的氣候類型和植被類型決定的。降水主導NPP變化的面積占河西走廊的72.21%(圖12),這是因為干旱半干旱地區植被對降水量的變化更加敏感,降水增加(0.21 mm/a,P=0.587)改善了植被生長的氣候條件,與Scanlon等和Rodríguez-Iturbe等得出降水是塑造干旱半干旱生態系統植被組成和分布的主要驅動力的結論一致[66-67]。氣溫主導NPP數量變化,區域主要在河西走廊高寒氣候區,該區研究期間增溫明顯(0.03 ℃/a,P=0.175),NPP增長趨勢較大(3.13 gC m-2a-1,P=0.074)。河西走廊高寒氣候區年均氣溫較低(年均0.37 ℃),降水比較充沛(年均448.25 mm),低溫是植物生長的主要脅迫因子,主要分布森林和高寒草甸,NPP占全域NPP總量的比重較大,因此,溫度在NPP變化量的貢獻中占主導地位。對于干旱半干旱區,很多研究表明降水主導NPP的變化,如Xu等發現降水是控制中國北方干旱地區NPP變化的主要因素[68],Henrik等指出蒙古南部荒漠草原NPP變化的66%是由降水引起的[69]。其結論與本研究不一致的原因主要是和研究的對象有關,比如Henrik研究的荒漠草原,其主控因子肯定是降水。

圖12 氣溫在氣候貢獻中的貢獻率 Fig.12 The contribution of temperature in climate contribution降水的貢獻率為1減去氣溫貢獻率

溫度對河西走廊NPP的影響是一個多重的角色,溫度升高導致NPP增加和溫度降低導致NPP增加的區域分別占52.61%和45.62%。前者主要分布在祁連山區高寒氣候帶,后者主要分布在荒漠區。在荒漠區,溫度降低可以減少蒸散發,減緩水分脅迫[70]；同時荒漠區還存在高溫脅迫,降溫可以增加光合利用率[71],有利于生物量累積。降水與NPP呈正相關的面積占全區的88.58%,呈負相關的僅占11.42%。前者面積比例大是因為荒漠氣候區占全區的73.44%,該區的植被以典型草地和荒漠植被為主,水分是植物的主要脅迫因子,降水主導著NPP的變化[72]。與降水呈負相關的主要分布在流域上游的高寒氣候帶,該區降水充沛,降水增加意味著晴天時間減少,植被光合作用時間減少,不利于植物生長[73]。

4 結論

本研究利用RF模型結合實測數據、地形、氣象和植被特征數據,對2002—2018年河西走廊NPP進行估算,并分析了驅動因子對NPP影響,結論如下：

利用RF可以可靠的估算干旱半干旱區NPP,與傳統的估算方法精度相當,具有算法簡單、訓練速度快和泛化能力強等優點。在人類活動和氣候變化的共同作用下,2002—2018年河西走廊NPP呈0.478 Tg C/a的增長趨勢,兩者的貢獻基本相當。只考慮氣候的作用,就貢獻值而言,溫度對全區NPP變化值的貢獻占73.71%,降水占26.29%；就影響面積而言,72.21%的區域NPP變化由降水主導,27.79%由溫度主導；就相關性而言,降水與NPP呈顯著的正相關,溫度與NPP的相關性受氣候類型影響。

總體來看,溫度主導著NPP變化的數量,降水控制著該區NPP變化格局,增溫和增濕均有利于該區植被生長,隨著中國西北干旱區氣候的暖濕化,河西走廊未來的植被將會進一步改善。

參考文獻(References):

[1] Goudriaan J. Global carbon cycle and carbon sequestration//Beran M A, ed. Carbon Sequestration in the Biosphere. Berlin, Heidelberg: Springer, 1995: 3- 18.

[2] Al-Ghussain L. Global warming: review on driving forces and mitigation. Environmental Progress & Sustainable Energy, 2019, 38(1): 13- 21.

[3] Zheng K, Wei J Z, Pei J Y, Cheng H, Zhang X L, Huang F Q, Li F M, Ye J S. Impacts of climate change and human activities on grassland vegetation variation in the Chinese Loess Plateau. Science of the Total Environment, 2019, 660: 236- 244.

[4] IGBP Terrestrial Carbon Working Group. The terrestrial carbon cycle: implications for the kyoto protocol. Science, 1998, 280(5368): 1393- 1394.

[5] Ricotta C, Avena G, De Palma A. Mapping and monitoring net primary productivity with AVHRR NDVI time-series: statistical equivalence of cumulative vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(5- 6): 325- 331.

[6] Uchijima Z, Seino H. Agroclimatic evaluation of net primary productivity of natural vegetations. Journal of Agricultural Meteorology, 1985, 40(4): 343- 352.

[7] Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158- 175.

[8] Saki M, Soltani S, Esfahani M T, Jafari R. Evaluating the variability of ANPP in central Iranian arid and semi-arid rangelands using CASA model and its relationship with climatic factors. Geosciences Journal, 2019, 23(3): 531- 545.

[9] Piao S L, Fang J Y, He J S. Variations in vegetation net primary production in the Qinghai-Xizang Plateau, China, from 1982 to 1999. Climatic Change, 2006, 74(1- 3): 253- 267.

[10] Ozigis M S, Kaduk J D, Jarvis C H, da Concei??o Bispo P, Balzter H. Detection of oil pollution impacts on vegetation using multifrequency SAR, multispectral images with fuzzy forest and random forest methods. Environmental Pollution, 2020, 256: 113360.

[11] Baez-Villanueva O M, Zambrano-Bigiarini M, Beck H E, McNamara I, Ribbe L, Nauditt A, Birkel C, Verbist K, Giraldo-Osorio J D, Thinh N X. RF-MEP: a novel Random Forest method for merging gridded precipitation products and ground-based measurements. Remote Sensing of Environment, 2020, 239: 111606.

[12] Hou N, Zhang X T, Zhang W Y, Wei Y, Jia K, Yao Y J, Jiang B, Cheng J. Estimation of surface downward shortwave radiation over china from himawari- 8 AHI data based on random forest. Remote Sensing, 2020, 12(1): 181.

[13] Yu B, Chen F, Chen H Y. NPP estimation using random forest and impact feature variable importance analysis. Journal of Spatial Science, 2019, 64(1): 173- 192.

[14] Zeng N, Ren X L, He H L, Zhang L, Zhao D, Ge R, Li P, Niu Z G. Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm. Ecological Indicators, 2019, 102: 479- 487.

[15] 李傳華, 孫皓, 王玉濤, 曹紅娟, 殷歡歡, 周敏, 朱同斌. 基于機器學習估算青藏高原多年凍土區草地凈初級生產力. 生態學雜志, 2020, 39(5): 1734- 1744.

[16] Tramontana G, Ichii K, Camps-Valls G, Tomelleri E, Papale D. Uncertainty analysis of gross primary production upscaling using Random Forests, remote sensing and eddy covariance data. Remote Sensing of Environment, 2015, 168: 360- 373.

[17] Mutanga O, Adam E, Cho M A. High density biomass estimation for wetland vegetation using WorldView- 2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 399- 406.

[18] Guan Q Y, Yang L Q, Guan W Q, Wang F F, Liu Z Y, Xu C Q. Assessing vegetation response to climatic variations and human activities: spatiotemporal NDVI variations in the Hexi Corridor and surrounding areas from 2000 to 2010. Theoretical and Applied Climatology, 2019, 135(3- 4): 1179- 1193.

[19] Huang J P, Guan X D, Ji F. Enhanced cold-season warming in semi-arid regions. Atmospheric Chemistry and Physics, 2012, 12(2): 5391- 5398.

[20] Modarres R, da Silva V P R. Rainfall trends in arid and semi-arid regions of Iran. Journal of arid environments, 2007, 70(2): 344- 355.

[21] Sivakumar M V K, Das H P, Brunini O. Impacts of present and future climate variability and change on agriculture and forestry in the arid and semi-arid tropics. Climatic Change, 2005, 70(1): 31- 72.

[22] Propastin P A, Kappas M, Muratova N R. Inter-annual changes in vegetation activities and their relationship to temperature and precipitation in central asia from 1982 to 2003. Journal of Environmental Informatics, 2008, 12(2), doi: 10.3808/jei.200800126.

[23] Zhao F B, Wu Y P, Sivakumar B, Long A H, Qiu L J, Chen J, Wang L J, Liu S G, Hu H C. Climatic and hydrologic controls on net primary production in a semiarid loess watershed. Journal of hydrology, 2019, 568: 803- 815.

[24] Guo Q, Hu Z M, Li S G, Li X R, Sun X M, Yu G R. Spatial variations in aboveground net primary productivity along a climate gradient in Eurasian temperate grassland: effects of mean annual precipitation and its seasonal distribution. Global Change Biology, 2012, 18(12): 3624- 3631.

[25] Gang C C, Zhou W, Li J L, Chen Y Z, Mu S J, Ren J Z, Chen J M, Groisman P Y. Assessing the spatiotemporal variation in distribution, extent and NPP of terrestrial ecosystems in response to climate change from 1911 to 2000. PLoS One, 2013, 8(11): e80394.

[26] Liu C Y, Dong X F, Liu Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu, China. CATENA, 2015, 125: 190- 199.

[27] Xia J Z, Ma M N, Liang T G, Wu C Y, Yang Y H, Zhang L, Zhang Y J, Yuan W P. Estimates of grassland biomass and turnover time on the Tibetan Plateau. Environmental Research Letters, 2018, 13(1): 014020.

[28] 杜自強, 王建, 沈宇丹. 山丹縣草地地上生物量遙感估算模型. 遙感技術與應用, 2006, 21(4): 338- 343.

[29] 馮琦勝, 高新華, 黃曉東, 于惠, 梁天剛. 2001—2010年青藏高原草地生長狀況遙感動態監測. 蘭州大學學報: 自然科學版, 2011, 47(4): 75- 81.

[30] Wang P J, Xie D H, Zhou Y Y, E Y H, Zhu Q J. Estimation of net primary productivity using a process-based model in Gansu Province, Northwest China. Environmental Earth Sciences, 2014, 71(2): 647- 658.

[31] 王金葉, 車克鈞, 傅輝恩, 常學向, 宋采福, 賀紅元. 祁連山水源涵養林生物量的研究. 福建林學院學報, 1998, 18(4): 319- 323.

[32] Fang J, Du J, Xu W, Shi P J, Li M, Ming X D. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area. Advances in Water Resources, 2013, 61: 42- 50.

[33] 盛裴軒, 毛節泰, 李建國. 大氣物理學. 北京: 北京大學出版社, 2003.

[34] Potter C S, Randerson J T, Field C B, Matson P A, Vitousek P M, Mooney H A, Klooster S A. Terrestrial ecosystem production: a process model based on global satellite and surface data. Global Biogeochemical Cycles, 1993, 7(4): 811- 841.

[35] 張新時, 楊奠安, 倪文革. 植被的PE(可能蒸散)指標與植被-氣候分類(三)幾種主要方法與PEP程序介紹. 植物生態學與地植物學學報, 1993, 17(2): 97- 109.

[36] Breiman L. Random forests. Machine learning, 2001, 45(1): 5- 32.

[37] McCuen R H. A sensitivity and error analysis CF procedures used for estimating evaporation. JAWRA Journal of the American Water Resources Association, 1974, 10(3): 486- 497.

[38] Meng D J, Mo X G. Assessing the effect of climate change on mean annual runoff in the Songhua River basin, China. Hydrological Processes, 2012, 26(7): 1050- 1061.

[39] Yang H B, Yang D W. Climatic factors influencing changing pan evaporation across China from 1961 to 2001. Journal of Hydrology, 2012, 414- 415: 184- 193.

[40] Zhang Y, Zhang C B, Wang Z Q, Chen Y Z, Gang C C, An R, Li J L. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region, China from 1982 to 2012. Science of the Total Environment, 2016, 563- 564: 210- 220.

[41] Gulbeyaz O, Bond-Lamberty B, Akyurek Z, West T O. A new approach to evaluate the MODIS annual NPP product (MOD17A3) using forest field data from Turkey. International Journal of Remote Sensing, 2018, 39(8): 2560- 2578.

[42] 李傳華, 曹紅娟, 范也平, 韓海燕, 孫皓, 王玉濤. 基于校正的CASA模型NPP遙感估算及分析——以河西走廊為例. 生態學報, 2019, 39(5): 1616- 1626.

[43] 盧玲, 李新, Veroustraete F. 中國西部地區植被凈初級生產力的時空格局. 生態學報, 2005, 25(5): 1026- 1032.

[44] 劉建鋒, 肖文發, 郭明春, 吳煥萍, 江澤平. 基于3-PGS模型的中國陸地植被NPP格局. 林業科學, 2011, 47(5): 16- 22.

[45] Eisfelder C, Kuenzer C, Dech S, Buchroithner M F. Comparison of two remote sensing based models for regional net primary productivity estimation—A case study in semi-arid central kazakhstan. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1843- 1856.

[46] Yang Y, Wang Z Q, Li J L, Gang C C, Zhang Y Z, Zhang Y, Odeh I, Qi J G. Comparative assessment of grassland degradation dynamics in response to climate variation and human activities in China, Mongolia, Pakistan and Uzbekistan from 2000 to 2013. Journal of Arid Environments, 2016, 135: 164- 172.

[47] 潘竟虎, 黃克軍, 李真. 2001- 2010年疏勒河流域植被凈初級生產力時空變化及其與氣候因子的關系. 生態學報, 2017, 37(6): 1888- 1899.

[48] 李傳華, 趙軍, 師銀芳, 魏偉. 基于NPP的石羊河流域環境治理工程成效評價. 干旱區研究, 2018, 35(5): 1208- 1216.

[49] 周妍妍, 朱敏翔, 郭曉娟, 李凱, 苗俊霞, 郭建軍, 徐曉鋒, 岳東霞. 疏勒河流域氣候變化和人類活動對植被NPP的相對影響評價. 生態學報, 2019, 39(14): 5127- 5137.

[50] Chen B X, Zhang X Z, Tao J, Wu J S, Wang J S, Shi P L, Zhang Y J, Yu C Q. The impact of climate change and anthropogenic activities on alpine grassland over the Qinghai-Tibet Plateau. Agricultural and Forest Meteorology, 2014, 189- 190: 11- 18.

[51] 楊雪梅. 氣候變暖背景下河西地區荒漠植被變化研究(1982- 2013)[D]. 蘭州: 蘭州大學, 2015.

[52] 張雪蕾, 王義成, 肖偉華, 楊瑞祥, 王燕, 朱麗姍. 石羊河流域NPP對氣候變化的響應. 生態學雜志, 2018, 37(10): 3110- 3118.

[53] 胡光成, 金曉媚, 萬力, 蔡曉雨. 祁連山區植被生長與水熱組合關系研究. 干旱區資源與環境, 2009, 23(2): 17- 20.

[54] 李傳華, 范也平, 曹紅娟, 韓海燕. 基于CASA模型的植被第一性生產力人為影響定量研究——以石羊河流域為例. 干旱區地理, 2018, 41(1): 142- 151.

[55] 王姝, 張艷芳, 位賀杰, 張宏運. 生態恢復背景下陜甘寧地區NPP變化及其固碳釋氧價值. 中國沙漠, 2015, 35(5): 1421- 1428.

[56] 王子婷, 李廣, 蔡國軍, 柴春山, 張洋東, 戚建莉. 隴中黃土丘陵區農戶收入對退耕還林(草)政策的響應——以龍灘小流域為例. 中國沙漠, 2020, 40(1): 223- 232.

[57] 楊陽. 黃土高原典型小流域植被與土壤恢復特征及生態系統服務功能評估[D]. 楊凌: 西北農林科技大學, 2019.

[58] Liang W, Yang Y T, Fan D M, Guan H D, Zhang T, Long D, Zhou Y, Bai D. Analysis of spatial and temporal patterns of net primary production and their climate controls in China from 1982 to 2010. Agricultural and Forest Meteorology, 2015, 204: 22- 36.

[59] Liang W, Lü Y H, Zhang W B, Li S, Jin Z, Ciais P, Fu B J, Wang S, Yan J W, Li J Y, Su H M. Grassland gross carbon dioxide uptake based on an improved model tree ensemble approach considering human interventions: global estimation and covariation with climate. Global Change Biology, 2017, 23(7): 2720- 2742.

[60] Li Y H, Squires V R. Integrated water resources management of inland river basins in the Hexi Corridor, Gansu, China with special reference to the Shule River Basin//Squires V R, Milner H M, Daniell K A, eds. River Basin Management in the Twenty-First Century: Understanding People and Place. Boca Raton: CRC Press, 2014.

[61] Cheng G D, Li X, Zhao W Z, Xu Z M, Feng Q, Xiao S C, Xiao H L. Integrated study of the water-ecosystem-economy in the Heihe River Basin. National Science Review, 2014, 1(3): 413- 428.

[62] 李傳華, 趙軍. 2000- 2010年石羊河流域NPP時空變化及驅動因子. 生態學雜志, 2013, 32(3): 712- 718.

[63] 孫力煒, 張勃, 侯春梅, 遲秀麗, 賀郝鈺. 祁連山區植被凈初級生產力的空間變化特征分析. 遙感技術與應用, 2015, 30(3): 592- 598.

[64] Zhou W, Gang C C, Zhou F C, Li J L, Dong X G, Zhao C Z. Quantitative assessment of the individual contribution of climate and human factors to desertification in northwest China using net primary productivity as an indicator. Ecological Indicators, 2015, 48: 560- 569.

[65] Gang C C, Zhou W, Chen Y Z, Wang Z Q, Sun Z G, Li J L, Qi J G, Odeh I. Quantitative assessment of the contributions of climate change and human activities on global grassland degradation. Environmental Earth Sciences, 2014, 72(11): 4273- 4282.

[66] Scanlon T M, Albertson J D, Caylor K K, Williams C A. Determining land surface fractional cover from NDVI and rainfall time series for a savanna ecosystem. Remote Sensing of Environment, 2002, 82(2- 3): 376- 388.

[67] Rodríguez-Iturbe I, D′Odorico P, Porporato A, Ridolfi L. Tree-grass coexistence in Savannas: the role of spatial dynamics and climate fluctuations. Geophysical Research Letters, 1999, 26(2): 247- 250.

[68] Xu H J, Wang X P. Effects of altered precipitation regimes on plant productivity in the arid region of northern China. Ecological Informatics, 2016, 31: 137- 146.

[69] von Wehrden H, Wesche K. Relationships between climate, productivity and vegetation in southern Mongolian drylands. Basic and Applied Dryland Research, 2007, 1(2): 100.

[70] Simoes M, Baruch Z. Responses to simulated herbivory and water stress in two tropical C4grasses. Oecologia, 1991, 88(2): 173- 180.

[71] 劉琴, 孫輝, 何道文. 干旱和高溫對植物脅迫效應的研究進展. 西華師范大學學報: 自然科學版, 2005, 26(4): 364- 368.

[72] Pan J H, Dong L L. Spatio-temporal variation in vegetation net primary productivity and its relationship with climatic factors in the Shule River basin from 2001 to 2010. Human and Ecological Risk Assessment: An International Journal, 2018, 24(3): 797- 818.

[73] 楊玲莉. 2000—2014年黃河源區植被NDVI時空變化特征與氣候變化響應分析[D]. 成都: 成都理工大學, 2016.