基于GEE平臺的黃河流域森林植被凈初級生產力時空變化特征

郭睿妍,田 佳,楊志玲,楊澤康,蘇文瑞,劉文娟

寧夏大學農學院, 銀川 750021

聯合國政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change,IPCC)評估報告6(AR6)中指出：自1750年以來,由于人類大量開采礦物資源和濫用森林資源導致大氣中CO2等吸熱性強的溫室氣體逐年增加,溫室氣體CO2、CH4和N2O的濃度均已大幅度增長,分別為47%、156%和23%,由此引發全球變暖等一系列氣候問題,并破壞了生物圈的平衡[1]。目前,碳匯是全球氣候變化研究的熱點[2],森林作為陸地生態系統中最大的碳庫,對全球碳循環具有重要意義,而植被凈初級生產力(Net Primary Productivity, NPP)與碳匯呈強相關關系,是判定森林碳匯/源的重要指標[3]。黃河流域作為我國重要的生態屏障和經濟地帶,承載著國家生態安全和經濟社會發展的重要使命,我國已將黃河流域生態保護和高質量發展定為重大國家戰略,健康穩定的森林是實現流域高質量發展的基礎[4—5],研究黃河流域森林NPP時空變化對解釋黃河流域森林碳匯/源的變化具有重要意義,探索森林NPP與環境因子的關系可為黃河流域森林經營與管理提供科學參考。

模型模擬法是目前應用最為廣泛的NPP估算方法,隨著遙感技術的發展,使得基于遙感數據估算NPP的模型得到快速廣泛的發展,如CASA模型、BEPS模型和BIOME-BGC模型等[3,6]。本文選用美國國家宇航局(NASA)的MOD17A3H產品,它是基于Running等[7]通過BIOME-BGC模型(生物地球化學過程模型)估算的全球陸地植被凈初級生產力數據,在區域尺度和大尺度的植被生長研究中應用廣泛[7—8],國內眾多學者利用MOD17A3H數據對全國和部分區域的植被NPP進行了估算研究,并進一步驗證了該數據的可靠性,如李登科等[9]、劉琳等[10]和國志興等[11]在全國和區域的尺度上,分別對植被NPP的時空變化特征和其與環境因子的關系進行了探討,并進一步驗證了該數據的精度。目前,黃河流域森林NPP的研究相對較少且都集中在植被層面,賀振等[12]和張鐿鋰等[13]分別對黃河流域和黃河源頭青藏高原高寒地區的植被NPP進行了時空變化特征的分析,但缺少對影響植被NPP變化的因素的歸因分析；陳強等[14]基于MODIS-NDVI數據構建CASA模型分析了黃河流域植被NPP的時空變化,但只針對影響植被NPP變化的氣候因子進行分析；田智慧等[15]對黃河流域植被NPP時空變化特征及其驅動因素的影響作用進行探討,但主要考慮了氣候和土地利用變化的影響作用,并未涉及地理位置和地形因子的影響。通過查閱相關資料,目前基于GEE平臺的針對黃河流域森林NPP的時空變化特征及其歸因的研究還未見報道。

因此,本文將基于Google Earth Engine(GEE)遙感云平臺,利用黃河流域2001—2019年的MOD17A3H V6 NPP數據、MCD12Q1 V6土地覆蓋類型數據、ECMWF/ERA5氣象數據和USGS/SRTMGL1_003高程數據,采用嶺回歸分析、Hurst指數和冗余分析,對黃河流域2001—2019年森林NPP的時空變化規律進行探討,定量分析各環境因子對森林NPP的影響作用。研究結果可為黃河流域森林碳匯/源時空變化研究提供數據支持,也可為科學制定流域內森林經營管理方案提供依據。

1 研究區概況

黃河流域介于32°N—42°N和95°E—119°E之間,流域橫跨青海、四川、甘肅、寧夏、內蒙古、陜西、山西、河南及山東9省(圖1),面積約80萬km2。黃河流域幅員遼闊,地貌差別較大,從西到東橫跨青藏高原、內蒙古高原、黃土高原和黃淮海平原4個地貌單元[16]。域內氣候差異顯著,以溫帶季風氣候為主,年均氣溫12—14℃,降水時空分布不均、年際差異較大,年均降水量200—600mm。黃河流域植被的分布趨同于降水的分布,從西到東依次為稀疏灌木草原、草原、闊葉林和農作物,域內土壤種類豐富,主要有草甸土、栗鈣土、黃綿土和棕壤等[17]。

圖1 黃河流域位置Fig.1 Location of the Yellow River Basin

2 數據與方法

2.1 數據來源

本研究中所采用的遙感數據產品均來自于GEE自帶的數據產品。NPP數據源于MOD17A3H V6產品,該產品提供有關500m空間分辨率下的年度凈初級生產力(NPP)的信息,該數據廣泛應用于生態系統碳循環的研究。土地覆蓋類型數據利用MCD12Q1 V6數據,它是由MODIS Terra和Aqua地表反射數據,采用監督分類得到的空間分辨率為500m的全球土地覆蓋產品。氣象數據來自ECMWF/ERA5,該數據可提供每月的溫度、降雨等數據,空間分辨率為0.25°。高程數據為USGS/SRTMGL1_003,空間分辨率為30m。

2.2 數據處理

在GEE云平臺上基于黃河流域矢量邊界,根據每年的土地利用類型對流域內森林NPP分針葉林、闊葉林和混交林從2001—2019年進行逐年提取。其中,流域上游是以耐寒的云冷杉為主的高山針葉林,流域中游甘肅、寧夏地區以混交林為主,黃土高原東部和南部山地則以落葉闊葉林為主[18—19]。針葉林、混交林、闊葉林的分類采用MCD12Q1 V6數據中的IGBP(International Geosphere-Biosphere Programme)分類系統,利用該分類系統對MOD17A3H V6 NPP數據進行森林類型掩膜并提取森林NPP[20]。在此基礎上利用嶺回歸(ridge regression)分析森林NPP年變化趨勢,并統計變化趨勢的顯著性。利用重標極差法計算黃河流域森林NPP的Hurst指數[21],從而判斷森林NPP變化趨勢的持續性。在19a的森林NPP數據上均勻布設150個隨機樣點,分別對這150個點的NPP值、經緯度、溫度、降水、高程、坡度和坡向進行提取。利用Canoco 5軟件進行RDA分析,定量分析各環境因子對森林NPP時空變化的解釋率。

3 結果與分析

3.1 黃河流域森林NPP時間變化特征

3.1.1NPP年總量變化

圖2 黃河流域森林植被凈初級生產力(NPP)年總量變化 Fig.2 Variation in the annual total net primary productivity (NPP) of forest in the Yellow River Basin

圖2可見,2001—2019年黃河流域森林NPP年總量整體呈線性增加的趨勢,其值在3.94—12.51Tg C內波動,年均NPP總量為8.99Tg C,年均增速為0.36Tg C/a,19a增長率為173.60%。此外,2001—2019年森林面積從3.17萬km2增加到4.07萬km2,年均增加0.05萬km2,19a森林面積增長率29.97%。對于不同的森林類型,NPP年總量均呈顯著的線性增加趨勢(圖3),NPP年總量平均值分別為：4.79Tg C(闊葉林)、6.04×10-5Tg C(針葉林)和0.64Tg C(混交林),年均增速排序為：闊葉林(0.16Tg C/a)>混交林(0.04Tg C/a)>針葉林(6.98×10-6Tg C/a),19a增長率分別為：141.40%(闊葉林)、839.37%(針葉林)和292.31%(混交林)。從不同森林類型面積距平的變化趨勢(圖3)可知,針葉林和混交林的面積變化趨勢相同,都呈顯著增加的趨勢,增速分別為4.88×10-4萬km2/a和0.02萬km2/a,而闊葉林的面積變化則為波動變化,2001—2011年為波動上升階段,上升速率為0.05萬km2/a,2011—2016年為下降階段,下降速率為0.02萬km2/a,2016年后闊葉林面積以0.04萬km2/a的速率上升。

圖3 黃河流域不同森林類型NPP年總量變化Fig.3 Variation in the annual total NPP of different forest types in the Yellow River Basin

3.1.2年均NPP變化

由圖4可知,2001—2019年黃河流域森林年均NPP呈線性增加的趨勢,其值在125.57—315.16g C m-2a-1內波動,年均NPP的平均值為241.58g C m-2a-1,年均增速為7.18g C m-2a-1,19a增長率為108.63%。對于不同的森林類型,年均NPP都呈線性增加的趨勢(圖5),年均NPP的平均值分別為178.48g C m-2a-1(闊葉林)、0.60g C m-2a-1(針葉林)和62.49g C m-2a-1(混交林),年均增速排序為：闊葉林(4.75g C m-2a-1)>混交林(2.39g C m-2a-1)>針葉林(0.04g C m-2a-1),19a增長率分別為：97.03%(闊葉林)、262.99%(針葉林)和140.66%(混交林)。此外,由表1可以看出,不同森林類型的年均NPP具有極顯著差異(F=588.99),多重比較分析表明,闊葉林、針葉林和混交林年均NPP兩兩之間差異顯著。

圖4 黃河流域森林年均NPP變化 Fig.4 Variation in annual average NPP of forest in the Yellow River Basin

圖5 黃河流域不同森林類型年均NPP變化Fig.5 Variation in annual average NPP of different forest types in the Yellow River Basin

3.2 黃河流域森林NPP的空間變化特征

從圖6可以看出,黃河流域的陜西中部(如子午嶺、黃龍山等區域)、南部(如秦嶺北麓、六盤山、吳山等區域)及山西呂梁山等山地丘陵地區,森林NPP增加較快；而山西中部(如中條山等區域)和河南西北部(如伏牛山、小秦嶺等區域),森林NPP增長較慢；山西東南部與河南交界處以及甘南藏族自治州等山地丘陵地區,森林NPP緩慢減少,可見黃河流域森林NPP的空間變化具有明顯的異質性。根據圖7的統計結果,黃河流域森林NPP呈增加趨勢的面積為94.50%,其中顯著增加的面積占73.29%；森林NPP呈減少趨勢的面積為5.50%,其中顯著減少的面積占1.57%。對比來看,黃河流域森林NPP呈增加趨勢的面積比減少的面積多出89%,整體上呈增加趨勢。各森林類型的NPP變化趨勢面積百分比統計如圖8所示,闊葉林NPP增加趨勢顯著的面積百分比最高(76.78%),其次為混交林(60.84%),針葉林最少(56.76%)。

表1 黃河流域不同森林類型年均NPP的單因素方差分析結果

圖6 黃河流域森林NPP變化趨勢Fig.6 Forest NPP change trend of the Yellow River Basin

圖7 黃河流域森林NPP變化趨勢顯著性 Fig.7 Significance of forest NPP change trend of the Yellow River Basin

圖8 黃河流域不同森林類型NPP變化趨勢顯著性面積百分比 Fig.8 Percentage of areas with significant change trend of forest NPP in different forest types in the Yellow River Basin

圖9 黃河流域森林NPP的Hurst指數Fig.9 Hurst index of forest NPP in the Yellow River Basin

3.3 黃河流域森林NPP的可持續性分析

對2001—2019年間黃河流域森林NPP進行逐像元的Hurst指數分析,結果如圖9所示,黃河流域森林NPP的Hurst指數介于0.38—1.00之間,平均值為0.87,其中H<0.5的像元數僅占0.66%,即呈弱反持續性(0.25≤H<0.5)；H≥0.5的像元數約占99.34%,其中,H≥0.5的像元內僅有10.66%的像元呈弱持續性(0.5

3.4 黃河流域森林NPP時空變化歸因分析

將環境因子分為地理位置因子(緯度、經度)、地形因子(高程、坡度和坡向)和氣候因子(氣溫、降水)3類,解釋各種環境因子對于森林NPP的影響。如圖10所示,環境因子對黃河流域森林NPP的時空變化特征的總體解釋率為55.80%,剩余未解釋部分可能由于林木本身的生物學特性,土壤及人為因素等造成。在所選的3類環境因子中,地理位置對于森林NPP時空變化的解釋率最高(21.19%),其次為氣候因子(13.41%),地形因子的解釋率小于0。在多因子的協同解釋率中,地理位置和氣候因子之間的協同解釋率最高(11.54%),略低于氣候因子的獨立解釋率。而3類環境因子共同解釋的部分只有6.59%,表明所選的環境因子對森林NPP時空變化的效應不是同等的,某些因素起主導作用。另外,由表2可知,各環境因子對黃河流域森林NPP時空變化的解釋率排序為：經度(35.50%)>降水(8.00%)>氣溫(5.40%)>緯度(6.50%)>坡向(0.4%)>坡度(<0.10%)>高程(<0)。其中,經度、降水、氣溫和緯度因素在0.05水平上顯著,表明其對森林NPP變化的影響作用較強。其余3個因素的影響未達到顯著水平。

4 討論

4.1 黃河流域森林NPP持續增加的原因

2001—2019年,黃河流域森林NPP年總量與年均值總體呈顯著上升趨勢(圖2、圖4),增速分別為0.36Tg C/a和7.18g C m-2a-1。黃河流域森林NPP空間變化的分析也表明,森林NPP呈增加趨勢的面積達到94.50%,其中顯著增加的面積達73.29%(圖6、圖7)；對增加趨勢的可持續進行Hurst分析,結果表明,未來黃河流域森林NPP的變化趨勢與2001—2019年間的變化趨勢基本相同,即仍保持持續增加的趨勢(圖9)。為了探索黃河流域森林NPP持續增加的原因,本文對可能影響森林NPP時空變化的環境因子進行RDA歸因分析,通過分析發現經度、降水、氣溫和緯度是影響森林NPP變化的顯著環境因子(圖10、表2)。研究證明,森林植被的經度地帶性是受沿經度梯度方向的水分和熱量條件差異而產生[22],水熱條件向好的區域,森林的生長季相應延長,森林NPP隨之升高[23]。氣候的形成受地理位置影響,經度對氣候的影響主要通過經度確定的地形等要素對太陽輻射和大氣環流產生不同的影響作用,進而影響區域氣候的變化[24]；緯度對氣候的影響則是通過對太陽高度和太陽輻射的影響進而造成氣候的地帶性分布。氣溫升高在一定程度上可以提高植被光合作用速率和水分利用效率,加速森林生態系統的物質循環,從而使得森林NPP增加；降水量增加,土壤濕度上升,水分脅迫作用相應下降,有利于森林干物質的積累,森林NPP增加[25]。

4.2 GEE云平臺結合RDA分析森林NPP時空變化及歸因的優勢

相較于傳統的GIS處理體系,GEE云平臺以其擁有的不斷更新的龐大數據庫和強大的數據處理和空間分析能力,為在大尺度分析遙感數據提供了巨大的可能性[26]。通過GEE云平臺專用的高性能計算(HPC)基礎架構,研究人員可以輕松、快捷的獲取長時間序列的全球遙感數據[27],通過訪問Internet的應用程序編程界面以及相關的基于Web的交互式開發環境來訪問和控制空間分析功能,不受圖像帶、投影和分辨率等的影響,可以快速進行模型制作和結果可視化[28],因此,GEE為黃河流域森林NPP的長時序分析提供了一種新穎的準確評估方法。一般研究NPP時空變化歸因的方法有最小二乘法[29]、逐步回歸分析法[30]、SVD分析法[31]和相關系數法[11]等。其中,最小二乘法和逐步回歸分析法僅能用于單個響應變量且自變量必須獨立,SVD分析法和相關系數分析法則可表達兩個變量對于NPP變化的影響作用；而RDA分析法可以有效針對多個自變量因子(環境因子)進行檢驗,得出影響響應變量(NPP)的因子(組)同時給出解釋能力(方差)[32],因此,RDA分析法在探究黃河流域森林NPP時空變化的歸因上更有優勢。綜上,將GEE云平臺與RDA分析相結合優勢明顯,可以快速、高效的獲取森林NPP的時空變化并對其進行歸因,在黃河流域森林碳匯研究中有著廣闊的應用前景。

表2 不同環境因子對黃河流域森林NPP的影響

圖10 不同環境因子組對黃河流域森林NPP的影響 Fig.10 Impact of different environmental-factor groups on forest NPP in the Yellow River Basina.地形因子的獨立解釋率Independent interpretation of topographic factors；b.地理位置的獨立解釋率Independent interpretation of geographical location；c.氣候因子的獨立解釋率Independent interpretation of meteorological factors；d.地形和地理位置的協同解釋率Synergic interpretation of topographic and geographical location factors；e.地理位置和氣候因子的協同解釋率Synergic interpretation of geographical location and meteorological factors；f.地形和氣候因子的協同解釋率Synergic interpretation of topographic and meteorological factors；g.三類因素的綜合解釋率Comprehensive interpretation of 3 factors

4.3 不足與展望

本文采用了2001—2019年的MCD12Q1 V6數據集中的IGBP土地利用分類系統,IGBP分類系統在全球的土地利用分類精度上達到73.6%[33],該分類系統在黃河流域西北地區沒有識別到森林,存在一定的缺陷,但是并不影響本文關于黃河流域森林NPP時空變化特征及歸因研究的結論正確性,不過可在未來的研究中找尋分類精度更高的產品。本文中環境因子對黃河流域森林NPP時空變化的影響只有55.80%,其余未解釋部分可能由于土壤因素和人類活動引起。故而在未來的研究中考慮加入土壤和人為因素對黃河流域森林NPP變化的影響作用。

5 結論

(1)黃河流域2001—2019年森林NPP年總量與年均NPP均呈現出線性增加的趨勢,增速分別為0.36Tg C/a和7.18g C m-2a-1,其中以闊葉林的增速最快,混交林和針葉林次之,闊葉林、混交林和針葉林年均NPP具有極顯著差異。

(2)黃河流域森林NPP的空間變化具有明顯的區域差異,陜西省中部的子午嶺、黃龍山、南部的秦嶺北麓、六盤山、吳山及山西呂梁山等山地丘陵地區,森林NPP增加較快,其它區域則增加較慢或有減少,但整體上黃河流域森林NPP呈增加趨勢,且呈現較強的可持續性。

(3)影響黃河流域森林NPP時空變化的主要環境因子是經度、降水、氣溫和緯度,其中經度影響最大,降水、氣溫和緯度次之。但是,環境因子也只能夠解釋黃河流域森林NPP時空變化的55.80%,其余未解釋的部分還需要進一步的研究。今后可增加土壤和人類活動對森林NPP變化的影響研究。

(4)遙感大數據平臺GEE結合冗余分析(RDA)可以快速、高效的獲取黃河流域森林NPP的時空變化并對其進行歸因分析,在黃河流域森林碳匯研究中有著廣闊的應用前景。