大庆城区草地地上生物量时空格局及其与气候因子关系

Spatio-temporal Pattern of Aboveground Biomass in Daqing Grassland and Its Relationship with Climatic Factors

摘要

草地是大庆市最主要的土地类型之一，掌握草地生物量的时空动态对了解大庆地区的碳汇潜力具有重要意义。运用MODIS-NDVI遥感数据和草地地上生物量实测数据，结合回归分析构建大庆城区草地地上生物量遥感反演模型。使用趋势分析及相关分析等方法，对大庆草地地上生物量过去20余年的时空分布格局及其与主要气候因子（降水量、温度）的关系进行研究。结果显示：利用归一化植被指数（NDVI）构建的指数函数反演模型对大庆草地地上生物量解释度最高，其决定系数R² 为0.77，均方根误差为38 g⋅m^-2。2000—2023年大庆城区草地生物量表现为波动增加的趋势，2019年达到最高314 g⋅m^-2；大部分区域草地地上生物量呈显著上升趋势，最大值为423 g⋅m^-2，平均值为280 g⋅m^-2，其空间特征呈现为从东南到西北逐渐增加的分布格局，北部集中、南部分散。降水量对生物量有显著的促进作用（r=0.584，P<0.05），月均温对生物量作用不明显。以上研究结果可以为大庆草地科学设置载畜量和采油区、优化草地资源利用策略提供有力的理论基础和数据支持。

Abstract

Grassland is one of the most important land types in Daqing， and it is of great significance to grasp the spatial and temporal dynamics of grassland biomass to understand the carbon sink potential of Daqing. The remote sensing inversion model of aboveground grass biomass in Daqing was constructed by using MODIS-NDVI remote sensing data and aboveground grass biomass measured data and regression analysis. Trend analysis and correlation analysis were used to clarify the spatial and temporal distribution pattern of aboveground biomass and its relationship with major climate factors（precipitation and temperature） in Daqing over the past 20 years. The results showed that the exponential function inversion model constructed by using normalized difference vegetation index（NDVI） had the best interpretation of the aboveground biomass of grassland in Daqing， and the coefficient of determination R² was 0.77 and the root mean square error （RMSE） was 38 g⋅m^-2. The grassland biomass in Daqing urban areas showed a trend of fluctuating increase from 2000 to 2023， and reached a maximum value of 314 g⋅m^-2 in 2019； the aboveground biomass of grassland in most areas showed a significant increasing trend， with a maximum value of 423 g⋅m^-2 and an average value of 280 g⋅m^-2， and its spatial characteristics showed a gradually increasing distribution pattern from southeast to northwest， with concentration in the north and dispersion in the south. Precipitation had a significant effect on biomass（r=0.584， P<0.05）， but the monthly mean temperature had no significant effect on biomass. The above results might provide a strong theoretical basis and data support for the scientific setting of livestock loading and oil extraction area and the optimization of grassland resource utilization strategy in Daqing.

Graphical abstract

关键词

大庆城区 / 草地 / 遥感反演模型 / 草地地上生物量 / 归一化植被指数

Key words

Daqing urban area / grassland / remote sensing inversion model / aboveground biomass of grassland / normalized difference vegetation index

草地作为陆地生态系统的一部分，在全球生态系统中起着维护碳平衡、调节气候等不可或缺的作用^［1-3］。大庆市地处松嫩平原中部，境内草业资源丰富，以畜牧养殖、油气开采为支柱产业。长期放养畜牧和石油开采对大庆的草地生态系统造成一定程度的影响^［4］。草地地上生物量一般被用来评价草地生产力和生态系统稳定性^［5］，可以精准评估草地地上生物量时空变化格局，掌握当地草地生态系统载荷度。

近年来，卫星遥感实时动态数据被广泛应用于监测大尺度自然灾害、土地利用方式变化、植被生长状况等^［6-8］。归一化植被指数（normalized difference vegetation index，NDVI）作为高效监测植被生长状态的指标，能够对植被的生长状况、健康活力、覆盖程度等进行精确评估，显示出对植被变化的高度敏感性^［9］。使用遥感产品测定的植被指数结合地面实测数据建立回归关系，利用时空分辨率高、数据丰富、方便获取的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）分类产品，逐渐成为估算大尺度地面生物量的重要手段和方法^［10-12］。王公鑫等^［13］利用MODIS数据结合地面实测数据，建立了新疆沙漠草原生物量遥感反演模型，并发现基于MODIS的指数模型反映出新疆沙漠草原生物量呈明显上升趋势。韩波等^［14］利用2006—2014年植物生长季生物量结合MODIS归一化植被指数和增强型植被指数（enhanced vegetation index，EVI）数据建立估算模型，其中以EVI数据为基础构建的乘幂模型反演效果最佳。赵慧芳等^［15］采用MODIS的NDVI植被数据建立指数反演模型，发现2003—2017年青海省大部分区域的草地生物量保持稳定或增加，主要原因是水热条件变好。众多研究明确指出，探究植物生长发育如何响应气候因子已成为该学科领域的核心议题。我国气候日益趋向暖湿化，具体表现为水热条件更为适宜，这一变化促使草原生态系统部分区域生物量呈增长趋势，草原生长环境明显改善^［16］。气候因素中的温度和降水量对草地生物量变化起着关键作用，气温的波动能明显促使草地生长季节提前、持续时间延长，从而引发草地生物量在生长过程中呈现出多样化的变化趋势；而降水量的变化对草地生态系统的影响则更为明显，因为水分能被植被高效吸收利用，从而提高生长活力、增加草地生物量积累^［17-18］。目前已存在大量以MODIS植被指数为基础建立的草地地上生物量反演模型，然而，由于研究地域、时间范围、植被种类、样本采集方法、样本点数量及其空间分布等差异，这些模型参数存在不同。为了解决此问题，本研究通过实地探测大庆草地地面生物量结合MODIS产品数据，运用多种回归分析建立适用于大庆草地地上生物量估算的遥感反演模型，在此基础上利用长时间序列的MODIS数据模拟出大庆城区2000—2023年草地地上生物量时空分布格局。

本研究选择大庆市为研究对象。作为北方典型的草原资源和战略资源城市，大面积开采油矿和过容量放牧导致当地草地水土流失、生态系统不可逆破坏，使得大庆市成为黑龙江省生态系统最为脆弱的地区之一。通过深入分析大庆市过去20余年草地生物量变化，不仅可以清晰地量化在长时间频繁人类活动下草地碳储量的动态变化，还可以反映出退耕还草等保护工程的作用，揭示人类干扰和气候变化对草地生物量的影响程度。这些研究成果将为后续大庆市政府科学设置当地草地载畜量和采油量、优化草地资源利用策略提供有力的理论基础和数据支持。

1 材料与方法

1.1　研究区概况

大庆市地处松嫩平原中部（45°46′~46°55′N，124°19′~125°12′E），该区地貌平坦，缺乏高低起伏的复杂地形，平均海拔120~130 m，长期受嫩江和松花江的河流沉积作用影响，形成了独特的冲积平原景观^［19］。大庆市草地资源十分丰富，主要以羊草（Leymus chinensis）和贝加尔针茅（Stipa baicalensis）为建群种^［20］。本研究选取大庆城区为研究区域，总面积约5 056 km²，其中草地约2 171 km²，占城区面积的43%左右。大庆城区包含让胡路区、萨尔图区、红岗区、龙凤区和大同区，区域内广泛分布草地（图1）。对其分布范围广的草地进行合理规划利用，并对植被变化进行动态监测是保护当地草地生态系统的核心策略。

1.2　样地布置及取样

本研究中，草地地上生物量在2023年7—8月期间通过实地测量方式从大庆城区自然草地中获取。数据收集过程中，严格遵循典型性和均匀性的采样原则，保证样本数据具有代表性和准确性，在遥感影像覆盖的草地区域内布设25个采样点，用以采集草地生物量的相关数据（图1）。在未放牧采油区布置30 m×30 m的样地，并在样地内设置3个1 m×1 m样方，记录样地地理坐标、海拔高度、植被构成等样地信息。利用刈割法获得样方内植被地上部分并装入信封袋，置于烘箱中65 ℃烘干至恒质量后称量质量。取3个样方的平均值作为该样点的单位面积生物量实测值。

1.3　数据获取与处理

1.3.1　数据获取

植被指数数据来源于http：ladsweb.nascom.nasa.gov提供的MOD13Q1产品（包括 MODIS-NDVI和MODIS-EVI数据），时间分辨率为15 d，空 间分辨率为250 m。大庆城区土地利用分类数据来源于https：//www.webmap.cn/mapDataAction.do？method=globalLandCover的GlobeLand30中国土地利用类型图。

气候数据包括2000—2023年逐年7—8月植物生长旺季月总降水量和月均气温，数据来源于中国科学院资源环境科学与数据中心（https：//www.resdc.cn/）。

1.3.2　数据处理

利用大庆城区矢量边界图对中国土地利用类型图进行裁剪掩膜处理，得到研究区域的草地分布范围。

MOD13Q1产品的数据已经通过大气校正、几何纠正、辐射定标，在此基础上需要对投影进行转化、裁剪研究区影像及拼接处理。运用ModisTool工具将数据文件的HDF格式转化为Tiff格式，SIN投影系统转化为ALBERS投影系统，并将其空间分辨率重采样至30 m。利用大庆草地分布矢量文件对MODIS-EVI和MODIS-NDVI栅格文件进行裁剪，使用Arcgis软件中的月最大合成法（Month Maximum Value Composition，MMVC）得到每年 （7—8月）研究区EVI和NDVI的栅格图层，采样点地理坐标数据转化成矢量文件，与遥感影像投影一致，再提取样点对应的EVI、NDVI。

1.4　模型建立与验证

将采样点的地上生物量数据和与之对应MODIS-NDVI和MODIS-EVI相结合，采用5种不同的回归分析方法——一元线性回归、对数回归、指数回归、二次多项式回归和乘幂回归来构建模型。25个采样点生物量数据用于模型的建立，之后采用留一法产生的24组数据用于评估所构建模型的准确性和可靠性。为了全面评价各个回归模型的性能，利用决定系数（R²）来衡量模型的拟合优度，即模型预测值与实际观测值之间的吻合程度；采用均方根误差［RMSE，公式和图中记为σ（RMSE）］来量化模型预测值的精确度，即预测值与实际值之间的差异程度。在完成对所有模型的评估后，综合考虑R²和σ（RMSE）挑选性能最好的草地生物量反演模型，这一模型将能最准确地估算大庆城区草地地上生物量。

1.5　研究方法

1.5.1　精度评价

首先，通过SPSS软件回归分析得到R²，根据R²对回归模型的拟合程度进行评估，R²越接近于1，说明回归模型拟合度越高；再根据公式计算 σ（RMSE），数值越小表示该模型精度越高。计算公式为

\sigma (\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E})=\sqrt[]{\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(X-X\text{'}\right)}^{\mathrm{2}}}{N}}（1）

式中：X为地上生物量实测值；X′为地上生物量估测值，单位为g·m^-2；N为精度验证样点数量。

1.5.2　泰尔-森中值趋势分析和曼-肯德尔检验^［21-22］

泰尔-森中值趋势分析（Theil-Sen Median）又被称为Sen斜率估算，是一种非参数统计分析方法。该方法表现为对数据的误差值和异常值不敏感，因此在估计小规模时间序列的趋势变化时尤为适用。通过计算Sen中值的斜率，可以揭示大庆城区2000—2023年草地NDVI的变化趋势，进而了解植被覆盖与生长的长期演变状况。计算公式为

（2）

式中：α为Sen方法计算得到的中值；NDVI_（a，b）指在时间序列中某一特定年份的归一化差异植被指数（NDVI）。当α大于0时，表明NDVI在整体上呈现出增加的趋势；当α小于0时，表明NDVI在整体上呈现出减少的趋势。

曼-肯德尔检验（Mann-Kendall，MK）是专门用于评估长时间序列数据趋势显著性的非参数测试方法。它不需要假定测量值遵循特定的正态分布，因此不会受到数据缺失和数据异常的干扰，这一特性使得MK检验非常适合在水文和气象领域分析时间序列的变化趋势，现已在长期植被变化研究中得到广泛应用。

假定时间序列x_a，x_b，x_c，…，x_n，用于检验的统计指标S值为

S={\displaystyle \sum _{a=\mathrm{1}}^{n-\mathrm{1}}}{\displaystyle \sum _{b=a+\mathrm{1}}^n}\mathrm{s}\mathrm{g}\mathrm{n}\left(\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_a-\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_b\right)（3）

（4）

采用标准正态分布的Z值来执行趋势统计分析：

（5）

m\left(S\right)=\frac{n\left(n-\mathrm{1}\right)\left(\mathrm{2}n+\mathrm{5}\right)}{\mathrm{18}}（6）

式中：NDVI _a 和NDVI _b 均为归一化植被指数；n用于表示时间序列的时间跨度；sgn是一个根据数值正负来判定的函数。统计量Z取值范围为（-∞，+∞），给定显著性水平临界值Z_{\mathrm{1}-\beta /\mathrm{2}}，通常情况下，β取0.05，本研究也选择此数值，则临界值\left|Z_{\mathrm{1}-\beta /\mathrm{2}}\right|=1.96。当Z为正时，表示NDVI随着时间变化而逐渐增加；当Z为负时，表示NDVI随时间而减少的趋势；\left|Z\right|≤Z_{\mathrm{1}-\beta /\mathrm{2}}时，表示NDVI趋势变化不显著，\left|Z\right|>Z_{\mathrm{1}-\beta /\mathrm{2}}，表示NDVI趋势变化显著。根据95%和99%的显著性检验置信度得到\left|Z\right|分别为1.96和2.58，可以将Z的绝对值划分为以下几个等级来评估NDVI趋势的显著性：当\left|Z\right|>2.58时，表示NDVI的趋势变化极为显著；当1.96<\left|Z\right|≤2.58时，表示NDVI的趋势变化显著；当0<\left|Z\right|≤1.96时，表示NDVI的趋势变化不显著；当\left|Z\right|=0时，表示NDVI没有发生任何变化。

2 结果与分析

2.1　大庆城区草地生物量反演模型的构建

利用大庆草地地上生物量实测值及其对应的NDVI、EVI，通过线性、对数、多项式、乘幂和指数函数5种回归分析方法构建草地生物量与植被指数间的反演模型，并从其中筛选出最优的反演模型（表1）。

由表1可知，从回归结果可知，所有模型均通过了显著性检验（P<0.01）。进一步观察决定系数R²可以发现，利用MODIS-NDVI数据构建的指数模型表现出最高的拟合度，R² 为0.772，表明该模型对数据的解释能力最强（图2）。为检验遥感估算模型的精度，对估算的生物量采用留一法进行精度校验，结果表明：在2023年，通过实地测量得到的草地地上生物量与遥感模型反演得到的地上生物量相关性极高，相关系数R为0.854（图2）；RMSE最小，仅为37.96 g·m^-2。据此推断，利用NDVI构建的指数模型在反演效果上表现最优。最终确定的模型为

y=97.749e^{1.653 5x} （P<0.001，R² =0.772）（7）

式中：y代表草地地上生物量的估算值，单位g·m^-2；x为MODIS产品的NDVI。

2.2　大庆城区草地地上生物量时空变化格局

2.2.1　大庆城区草地地上生物量空间分布特征

根据大庆城区草地的分布范围，结合2000—2023年NDVI长时间序列数据集，通过反演模型 计算得到大庆城区20多年来草地生物量平均值（图3）。结果显示：大庆城区草地地上生物量分布总体表现为由东南到西北逐渐增加，北部集中，南部分散；此外，让胡路区生物量均值相对较高，大 同区和红岗区生物量均值相对较低，大庆城区 草地地上生物量表现出明显的空间分布特征。大庆城区草地地上生物量为103~423 g·m^-2；103~171 g·m^-2占比最小，约5.6%；320~420 g·m^-2占比 最大，约为30.6%；草地地上生物量平均值为 280 g·m^-2。

2.2.2　大庆城区草地地上生物量时间变化特征

大庆城区草地地上生物量和时间线性拟合结果（R²=0.71、P<0.001）表明，在2000—2023年期间，大庆城区的草地地上生物量总体上呈现出增长的趋势，但并不是稳步上升而是波动增加（图4），其中2000—2005年和2016—2019年大庆城区草地地上生物量增加最为明显。这一现象和当地政府积极响应20世纪末及2014年国家启动的两轮退耕还草工程有关。2000年，草地地上生物量最低，仅为235.80 g·m^-2；2019年达到最大值，为314.00 g·m^-2；2023年大庆城区草地生物量较2000年提高30%，这表明大庆城区草地植被生态质量越来越好。

2.2.3　大庆城区草地地上生物量年际变化趋势

2000—2023年，大庆城区草地地上生物量变化趋势差异明显（图5）。总体上看，城区大部分区域的草地植被生长状况稳定改善，大庆城区草地地上生物量总体上处于增加的趋势；其中人类活动频繁的东北部萨尔图区、龙凤区和中部红岗区的草地生物量存在显著减少的趋势。处于增加的地区面积约为18.89万hm²，约占大庆城区草地面积的87.02%；处于减少地区的面积约为2.58万hm²，约占大庆城区草地面积的11.89%，这标志着2000—2023年大庆城区草地植被生长状况明显好转。

2.3　大庆城区草地地上碳储量估算

地面生物量基础数据以现场实测数据为主要来源。对于植被碳储量的估算，常根据0.45或者0.50的含碳量常数转换，计算可以得到相应区域的植被碳储量数据。本研究采用方精云等^［23］和徐丽等^［24］采用的0.45转换系数将生物量转换成碳含量，在此基础上估算大庆城区草地地上碳密度和碳储量。大庆城区草地地上碳密度在2000年最低（106.11 g·m^-2），在2019年最高（141.35 g·m^-2），均值为125.94 g·m^-2。对大庆城区草地分布范围矢量图进行像元统计，可知研究区域草地总面积约为2 171 km²；计算得出大庆城区草地地上碳储量约为273 kt。

2.4　大庆城区草地地上生物量与气候因子的关系

为了进一步探究气候变化对草地生物量的影响，利用大庆气象站点的点数据结合实测草地地上生物量数据，分析其草地生物量和气温及降水量（7—8月）的关系（图6）。该地区2000—2023年的平均降水量为70~260 mm，平均气温为21~25 ℃，生物量为103 423 g·m^-2；从图6可以看出生物量和降水量的趋势较为一致，生物量随着降水量升降而增减；而气温对生物量的影响存在一定的滞后效应。

对草地地上生物量和气温进行皮尔逊相关性分析（图7），结果显示，平均气温与草地地上生物量之间存在着微弱的负相关关系（r=-0.046，P=0.23），这表明温度虽然对草地地上生物量产生一定影响，但这种影响并不显著；7月份的最低平均气温对草地地上生物量产生了明显的促进效应 （r=0.462，P<0.05），这可能与在生长旺季植物对满足其正常生长的温度需求较高有关；10月份的平均最高气温对草地地上生物量影响较大，这可能与当地的寒冷环境有关，植物生存生长需要足够的温度条件。对草地地上生物量和降水量进行皮尔逊相关性分析（图7），结果显示，草地地上生物量与7月份的总降水量之间存在着显著的正相关关系（r=0.584，P<0.05），说明当植物处于生长旺季（7—8月）时，草地生物量随着降水量的增加而增加。以上分析可以在一定程度上表明：在大庆地区，降水量是影响草地地上生物量变化的主导气候因素，与生物量的相关性比气温更为紧密，对草地地上生物量的影响程度显著高于气温。

3 讨论

本研究基于大庆市实地数据和遥感数据构建适应于大庆城区草地地上生物量的卫星遥感和地面实测数据间最优反演模型，可对大庆城区草地地上生物量进行真实、准确估测。本研究用基于MODIS遥感数据建立的指数回归模型估算草地生物量效果最优，这可能是由于研究时间（7—8月）处于植被生长旺季，植被生长发育迅速，导致植被覆盖程度短时间内快速提高，而指数模型的斜率在植被覆盖度由低到高的过程中变化较大，所以该模型可以很好地拟合大庆城区草地地上生物量和NDVI的关系。车占杉^［25］在城区附近的杜尔伯特蒙古族自治县进行了天然草地生物量调查研究，数据显示，7月草地生物量为173.3 g·m^-2，8月为403 g·m^-2，均值为288 g·m^-2。孙杰等^［26］研究显示，杜尔伯特蒙古族自治县的轻微盐碱化草地生物量为267 g·m^-2。本研究中，2023年大庆城区草地生物量均值为280 g·m^-2，该结果与上述研究结果较为一致。大庆城区2000—2023年草地地上生物量变化总体上呈逐渐增加的趋势，在2019年达到最高（314 g·m^-2），比2000年提高约33%，上述结果和黑龙江省气象局及国家卫星气象数据中心2020年发布的工作报告中提及的内容较为一致^［27-28］。大庆城区草地地上生物量空间分布格局呈现出强烈的区域性差异，具体表现为北部地区生物量明显高于南部地区，西北部地区最大值为423 g·m^-2、南部地区最小值为103 g·m^-2，这是由于西北部地区靠近杜尔伯特，区域内分布大量的天然草场，受到相关管理保护；南部地区分布大面积的耕种区和放牧区，与过度开采石油、无序放牧、耕种导致的土壤盐渍化有关；北部部分地区生物量有减少趋势，可能与老城区和新城区之间的人口、产业迁移造成的人为干扰有关；南部地区生物量呈逐年增加的改善趋势，这与当地政府针对盐碱地采取的改良等一系列政策有关。该现象表明，频繁的人类活动干扰已经对大庆城区草地地上生物量的分布格局产生直接影响，但大庆城区草地地上生物量总体上趋于良好恢复状态，这说明在让胡路区、萨尔图区等地区实施碳汇林经营、湿地修复、退耕还林、退耕还草等保护性生态工程具有积极的正面作用，而在生物量较低的南部地区（如红岗区和大同区）的碳汇潜力仍有较大提升空间，约为当前生物量的3~4倍；未来大庆市政府应该继续并加大政策支持力度，特别是在生态系统脆弱的大同区和红岗区，采取定量减少开采油矿、禁止无序放牧、增加退耕还草面积等保护性措施。

2000—2023年大庆城区7—8月份降水量、气温均呈增加的趋势，大庆城区草地地上生物量与降水量呈显著正相关。生长季前半段的降水对植物生长至关重要，降水量较高可提高植物生产力，尤其是在盐碱化和干旱等土壤储水能力较低的地区，较湿润的生长环境可以有效促进植物生长季发育^［29-30］。平均气温及平均最高气温对大庆城区草地地上生物量的影响不显著，存在轻微负相关关系，而平均最低气温对大庆城区草地的影响较显著，这可能是由于每年的7—8月份植被生长季期间所需要的最低气温高于年内其他时间段，在达到生长条件之后，气温的小范围波动并不是植被生长发育的主要制约因素，亦或是气温对该研究区的草地植被具有时滞效应^［31-32］。

本研究针对长时间序列的MODIS数据建立的反演模型能够在一定程度上为相关研究提供参考，但仍存在一定不足：仅从单一的MODIS产品中选取NDVI、EVI作为遥感数据源进行比较，没有比较不同遥感产品（例如Landsat、SPOT、NOAA等），这可能导致不同的产品之间拟合模型存在差异。由于野外采样的工作量较大、人员不足，以及数据被禁止采集等情况导致很难在研究区采集大量样点数据，导致采样点分布受到一定程度限制。此外，不同的实验员在操作方面可能存在一定的偏差。草地生物量变化既受气候条件、地形地貌等自然因素制约，又受人类活动影响，这些因素作为变量，在一定程度上会干扰数据分析的准确性。尽管本研究在样地规划时严格遵循了既定的科学性原则，但在实际操作中仍难以完全避免存在一定的误差。本研究在时间尺度方面虽然年际跨度较长，但综合考虑数据采集时间与遥感数据匹配等前提条件情况下，年内时间跨度较小，仅包括植物生长旺季（7—8月），导致暂未考虑气候因子可能存在滞后性的影响。因此，未来针对大庆草地生物量等相关研究，可以考虑在空间上扩大区域分布、增加采样点数量；选用多个不同的遥感产品进行相互对比；在年内进行多月份数据采集，比较草地生物量的年内动态变化；在人为干扰程度严重的地区布置样地，用来量化人为干扰因子对草地生物量的影响。

4 结论

本研究利用大庆市2023年草地生物量实测数据结合NDVI、EVI指数进行回归分析，结果表明：

（1）本研究构建了8种反演模型，虽然MODIS-EVI指数模型（R²=0.711，P<0.001）能良好地预测生物量变化，但MODIS-NDVI指数（R²=0.772，P<0.001）的效果更优，因此选用基于MODIS-NDVI构建的y=97.749e^{1.653 5x} （P<0.001，R²=0.772）作为研究大庆城区草地地上生物量反演模型。

（2）2000—2023年大庆城区草地地上生物量年际变化表现为在波动中逐渐增加，呈明显改善趋势，最高值为2019年的314 g·m^-2，最低值为2000年的236 g·m^-2，均值为280 g·m^-2。此外，大庆城区草地地上生物量表现出较为明显的空间分布特征，总体表现为从东南到西北逐渐增加趋势，城北区域分布集中、城南区域分布分散，该现象与新老城区产业迁移、人类活动、放牧耕地等干扰有关。

（3）在气候因子中，降水量对草地植物生长的影响具有实时性，而气温则有较为明显的滞后效应；在植物生长季，降水量增加、平均最低气温提高均对大庆城区草地地上生物量有显著的促进作用，其中降水量的影响占据主导地位。

参考文献

[1] SCURLOCK J M O， HALL D O.The global carbon sink：a grassland perspective［J］.Global Change Biology，1998， 4（2）：229-233.

[2] HOWARTH R B， FARBER S.Accounting for the value of ecosystem services［J］.Ecological Economics，2002，41（3）：421-429.

[3] CHEE Y E.An ecological perspective on the valuation of ecosystem services［J］.Biological Conservation，2004， 120（4）：549-565.

[4] 臧淑英，那晓东，冯仲科.基于植被指数的大庆地区草地退化因子遥感定量反演模型的研制［J］.北京林业大学学报，2008，30（）：98-104.

[5] ZANG S Y， NA X D， FENG Z K.Establishment of quantitative remote sensing inversion model of grassland degradation factors based on vegetation indices in Daqing city，northeastern China［J］.Journal of Beijing Forestry University，2008，30（Sup.1）：98-104.

[6] MAO D H， WANG Z M， LI L，et al.Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China［J］.Ecological Indicators，2014，41：40-48.

[7] SALOMONSON V V， APPEL I.Estimating fractional snow cover from MODIS using the normalized difference snow index［J］.Remote Sensing of Environment，2004，89（3）：351-360.

[8] WRIGHT R， FLYNN L， GARBEIL H，et al.Automated volcanic eruption detection using MODIS［J］.Remote Sensing of Environment，2002，82（1）：135-155.

[9] ZHAN X， SOHLBERG R A， TOWNSHEND J R G，et al.Detection of land cover changes using MODIS 250 m data［J］.Remote Sensing of Environment，2002，83（1/2）：336-350.

[10] DE LA IGLESIA MARTINEZ A， LABIB S M.Demystifying normalized difference vegetation index （NDVI） for greenness exposure assessments and policy interventions in urban greening［J］.Environmental Research，2023，220：115155.

[11] USMAN M， LIEDL R， SHAHID M A，et al.Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data［J］.Journal of Geographical Sciences，2015，25：1479-1506.

[12] LAI L， ZHANG Y C， HAN T，et al.Satellite mapping reveals phytoplankton biomass’s spatio-temporal dynamics and responses to environmental factors in a eutrophic inland lake［J］.Journal of Environmental Management，2024，360：121134.

[13] GE J， HOU M J， LIANG T G，et al.Spatiotemporal dynamics of grassland aboveground biomass and its driving factors in North China over the past 20 years［J］.Science of the Total Environment，2022，826：154226.

[14] 王公鑫，井长青，董萍，等.新疆荒漠草地生物量估算及影响因素研究［J］.草地学报，2022，30（7）：1862-1872.

[15] WANG G X， JING C Q， DONG P，et al.Study on biomass estimation and influencing factors of desert grassland in Xinjiang［J］.Acta Agrestia Sinica，2022，30（7）：1862-1872.

[16] 韩波，高艳妮，郭杨，等.三江源区高寒草地地上生物量遥感反演模型研究［J］.环境科学研究，2017， 30（1）：67-74.

[17] HAN B， GAO Y N， GUO Y，et al.Modeling aboveground biomass of alpine grassland in the Three-River Headwaters Region based on remote sensing data［J］.Research of Environmental Sciences，2017，30（1）：67-74.

[18] 赵慧芳，李晓东，张东，等.基于MODIS数据的青海省草地地上生物量估算及影响因素研究［J］.草业学报，2020，29（12）：5-16.

[19] ZHAO H F， LI X D， ZHANG D，et al.Aboveground biomass in grasslands in Qinghai Province estimated from MODIS data and its influencing factors［J］.Acta Prataculturae Sinica，2020，29（12）：5-16.

[20] SHAO Q Q， LIU J Y， HUANG L，et al.Integrated assessment on the effectiveness of ecological conservation in Sanjiangyuan National Nature Reserve［J］.Geographical Research，2013，32（9）：1645-1656.

[21] WU Z， DAI E F， WU Z F，et al.Assessing differences in the response of forest aboveground biomass and composition under climate change in subtropical forest transition zone［J］.Science of the Total Environment，2020，706：135746.

[22] LI S， DONG S K， FU Y S，et al.Air or soil temperature matters the responses of alpine plants in biomass accumulation to climate warming［J］.Science of the Total Environment，2022，844：157141.

[23] PANG B， LIU K， JIA W.Discussion on geomorphic features and division of Songhua River Basin［J］.Geographical Science Research，2021，10（3）：290-294.

[24] 邢海超，杨智明.大庆市草地数量特征空间分布研究［J］.中国草地学报，2017，39（1）：117-120.

[25] XING H C， YANG Z M.Study on the spatial distribution of quantity feature of grassland in Daqing［J］.Chinese Journal of Grassland，2017，39（1）：117-120.

[26] 夏志明，廖凯涛，郭利平，等.基于EOF和MK趋势分析的赣江流域降水时空分布格局［J］.水土保持研究，2023，30（5）：223-233.

[27] XIA Z M， LIAO K T， GUO L P，et al.Spatiotemporal distribution pattern of precipitation in Ganjiang River Basin based on EOF and MK trend analysis［J］.Research of Soil and Water Conservation，2023，30（5）：223-233.

[28] JIANG W G， YUAN L H， WANG W J，et al.Spatio-temporal analysis of vegetation variation in the Yellow River Basin［J］.Ecological Indicators，2015，51：117-126.

[29] 方精云，郭兆迪，朴世龙，等.1981—2000年中国陆地植被碳汇的估算［J］.中国科学：D辑 地球科学，2007，37（6）：804-812.

[30] FANG J Y， GUO Z D， PIAO S L，et al.Terrestrial vegetation carbon sinks in China，1981—2000［J］.Science in China Series D：Earth Sciences，2007，37（6）：804-812.

[31] 徐丽，何念鹏，于贵瑞.2010s中国陆地生态系统碳密度数据集［J］.中国科学数据（中英文网络版），2019， 4（1）：90-96.

[32] XU L， HE N P， YU G R.A dataset of carbon density in Chinese terrestrial ecosystems（2010s）［J］.China Scientific Data，2019，4（1）：90-96.

[33] 车占杉.大庆市天然草地地上部分生物量季节动态观测［J］.中国畜牧杂志，1998，34（6）：32-33.

[34] CHE Z S.Seasonal dynamics of aboveground biomass of natural grassland in Daqing［J］.Chinese Journal of Animal Science，1998，34（6）：32-33.

[35] 孙杰，贺箐蕾，付佳琦，等.松嫩平原不同类型天然草地植物群落特征研究［C］//中国草学会.中国草学会第九次全国会员代表大会暨学术讨论会论文集.哈尔滨：东北农业大学动物科学技术学院，2016：9.

[36] SUN J， HE Y L， FU J Q，et al.Study on the characteristics of plant communities in different types of grassland in the Songnen Plain［C］//Chinese Grass Society.Proceedings of the ninth national congress and symposium of the Chinese Grass Society.Harbin：College of Animal Science and Technology，Northeast Agricultural University，2016：9.

[37] 黑龙江省气象局.从“两山理论”看“大庆样本”［EB/OL］.（2020-08-13）［2024-08-05］.

[38] Heilongjiang Meteorological Bureau.Daqing sample from the “two mountains theory”［EB/OL］.（2020-08-13）［2024-08-05］.

[39] 国家卫星气象数据中心.植被生态质量监测报告［R/OL］.（2020-07-01）［2024-08-05］.

[40] National Satellite Meteorological Centre.Vegetation ecological quality monitoring report［R/OL］.（2020-07-01）［2024-08-05］.

[41] DENTON E M， DIETRICH J D， SMITH M D，et al.Drought timing differentially affects above- and belowground productivity in a mesic grassland［J］.Plant Ecology，2017，218：317-328.

[42] ZHANG J Y， YANG Z L， QIAO D Y，et al.Increasing precipitation during first half of growing season enhances ecosystem water use efficiency in a semiarid grassland［J］.Frontiers in Plant Science，2023，14：1119101.

[43] SHEN B， FANG S B， YU W G.Different correlations between NDVI and meteorological factors at temporal-time scales［J］.National Remote Sensing Bulletin，2016， 20（3）：481-490.

[44] 管晓祥，刘翠善，鲍振鑫，等.黄河源区植被NDVI演变及其与降水、气温的关系［J］.水土保持研究，2021，28（5）：268-277.

[45] GUAN X X， LIU C S， BAO Z X，et al.Variation of vegetation NDVI and its relationship with climate factors in the Yellow River source region［J］.Research of Soil and Water Conservation，2021，28（5）：268-277.

基金资助

大庆油田生态环境管护公司委托研发项目(DQGLJ-STGH-2023-JS-504)