分区视角下中国植被NPP时空演变及自然‑人作用响应机制

Spatiotemporal evolution of vegetation NPP and its response to natural‑human interactions in China from a regional perspective

摘要

基于MOD17A3H数据，采用重心模型、偏相关分析和地理探测器等方法，从分区视角揭示2000—2022年中国植被净初级生产力（Net Primary Productivity，NPP）时空演变格局，阐明不同生态子区与历史时期植被NPP对气候与人类活动的响应机制。结果表明：（1）中国植被NPP总体呈南高北低、东高西低的空间分布格局，各生态子区分布存在空间异质性；（2）东北、西北、华北地区NPP重心向南迁移，西南、中南、华东地区重心向北迁移；（3）2000—2009年人类活动主导NPP增加，2010—2022年气候变化主导NPP增加；（4）不同因子与NPP的偏相关性存在空间异质性；（5）华北地区人类活动因子交互影响增强，西南地区人类活动对NPP影响较弱。

Abstract

Based on MOD17A3H data， the gravity center model， partial correlation analysis and geographical detector methods were used to reveal the spatiotemporal evolution patterns of vegetation NPP in China from 2000 to 2022 from a regional perspective， and to elucidate the response mechanisms of vegetation NPP to climate and human activities in different ecological subregions and historical periods. The results indicated that： （1） The overall spatial distribution of vegetation NPP in China showed a pattern of higher values in the south and lower in the north， and higher in the east and lower in the west， with spatial heterogeneity in the distribution across ecological subregions； （2） The gravity center of NPP in the northeast， northwest， and north China regions had shifted southward， while in the southwest， central south， and east China regions， it had shifted northward； （3） Human activities dominated the increase in NPP from 2000 to 2009， whereas climate change dominated the increase from 2010 to 2022； （4） The partial correlations between different factors and NPP exhibited spatial heterogeneity； （5） The interactive effects of human activity factors had strengthened in the north China region， while human activities had a weaker impact on NPP in the southwest region.

Graphical abstract

关键词

净初级生产力（NPP） / 时空演变 / 三阶偏相关 / 地理探测 / 中国

Key words

net primary productivity（NPP） / space-time evolution / the third-order partial correlation / geographical detection / China

0 引言

植被净初级生产力（Net Primary Productivity，NPP）指绿色植物在单位面积、单位时间内通过光合作用积累的有机物质总量扣除自养呼吸消耗后的剩余部分^［1］。其既可用于估算陆地生态系统碳源与碳汇，也可表征碳循环及能量流动过程。2020年9月22日，中国国家主席习近平在第七十五届联合国大会上宣布中国将努力实现碳达峰与碳中和目标，在此背景下，阐明植被NPP时空演变格局及其对气候与人类活动作用的响应机制具有重要科学意义^［2］。

国内外专家学者针对植被估算模型、植被NPP时空演变及驱动机制等开展了一系列研究^［3］。RUNNING等^［4］提出BIOME-BGC模型，通过总初级生产力（GPP）与呼吸作用差值估算NPP，但该模型复杂且参数获取困难。POTTER等^［5］建立CASA模型，1995年FIELD等探讨其局限性并进行了改进。国内学者对中国不同地区植被NPP的影响因素及驱动机制展开研究，涉及时空演变格局、主导因素及驱动机制等内容^{［1， 6］}。研究表明，中国植被NPP总体呈增加趋势，但不同区域增加原因存在差异^［7］。以往研究多聚焦生态脆弱区，如王耀斌等^［8］采用Hurst指数分析2000—2015年秦岭、大巴山地区未来趋势；杨潇等^［1］运用重心模型和相关性分析探讨青藏高原植被NPP时空分布格局。中国不同生态子区植被NPP时空演变格局存在显著差异，系统地揭示其差异对因地制宜开展生态系统保护具有重要意义。然而，全球变化背景下，植被NPP时空演变的主导因子发生变化，不同历史时期、不同生态子区的演变机制及其差异尚不明确。以往研究多采用一阶偏相关分析气候因子对植被NPP的影响，但忽视了不同区域多种气候因子的综合及交互作用^［9］。

本研究采用重心模型、地理探测器和三阶偏相关分析等方法，从分区视角分析和探讨中国不同生态子区植被NPP的时空演变格局，阐明中国植被NPP对全球变化的响应机制，为区域植被生态系统的保护与修复提供重要决策支持。

1 数据源及方法

1.1 数据源及预处理

植被NPP数据采用.hdf 格式MOD17A3H数据集（https：//ladsweb.nascom.nasa.gov/），空间分辨率为500 m，时间分辨率为1 a。气候站点数据（中国气象数据网，http：//data.cma.cn/）通过ArcGIS 10.7插值获取1 km格网数据。土地利用数据、社会经济数据（人口密度、GDP）及6大分区数据来源于中国科学院资源环境科学与数据中心（http：//www.resdc.cn/DOI/），时间分辨率为1 a，其中土地利用数据空间分辨率为30 m，社会经济数据空间分辨率为1 km。高程、坡度数据来源于地理空间数据云（http：//www.Gscloud.cn）。上述数据集均使用ArcGIS 10.7进行异常值剔除、裁剪、重采样（1 km）及重投影（SIN投影→克拉索夫斯基投影）。

1.2 研究方法

1.2.1 三阶偏相关系数

皮尔逊相关系数能够表征不同要素之间的相关程度^［10］，相关系数及偏相关系数计算公式如下：

r_{x,y}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}\left(x_i-\overline{x}\right)\left(y_i-\overline{y}\right)}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(x_i-\overline{x}\right)}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-\overline{y}\right)}^{\mathrm{2}}}},(1)

r_{x{y}_{\mathrm{1}},y_{\mathrm{2}}}=\frac{r_{x{y}_{\mathrm{1}}}-r_{x{y}_{\mathrm{2}}}{r}_{y_{\mathrm{1}}{y}_{\mathrm{2}}}}{\sqrt[]{\mathrm{1}-r_{x{y}_{\mathrm{2}}}^{\mathrm{2}}}\sqrt[]{\mathrm{1}-r_{y_{\mathrm{1}}{y}_{\mathrm{2}}}^{\mathrm{2}}}},(2)

式中：r_{x,y}表示x变量与y变量的相关系数（r_{x{y}_{\mathrm{1}}}、r_{x{y}_{\mathrm{2}}}、r_{y_{\mathrm{1}}{y}_{\mathrm{2}}}与之相类似）； x_i与y_i分别表示两个变量在第i年的数值；r_{x{y}_{\mathrm{1}},y_{\mathrm{2}}}表示控制变量y_{\mathrm{2}}的情况下x与y_{\mathrm{1}}的偏相关系数。

当控制多个变量时，有高阶偏相关系数，公式如下：

r_{xy,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_g}=\frac{r_{xy,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_{g-\mathrm{1}}}-r_{x{y}_g,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_{g-\mathrm{1}}}{r}_{y{y}_g,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_{g-\mathrm{1}}}}{\sqrt[]{\mathrm{1}-r_{x{y}_g,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_{g-\mathrm{1}}}^{\mathrm{2}}}\sqrt[]{\mathrm{1}-r_{y{y}_g,y_{\mathrm{1}}{y}_{\mathrm{2}}\dots y_{g-\mathrm{1}}}^{\mathrm{2}}}},(3)

采用三阶偏相关系数，并在以及P<0.01置信水平下对植被NPP进行分析。

1.2.2 气候‑人作用区分

Miami模型由Liebig首先提出，其表达式为^［11］：

\begin{array}{l}\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{c}}=\mathrm{m}\mathrm{i}\mathrm{n}\{\mathrm{1}+\frac{\mathrm{3000}}{\mathrm{e}\mathrm{x}\mathrm{p}(\mathrm{1.315}-\mathrm{0.119}\mathrm{T}\mathrm{E}\mathrm{M})},\\ \mathrm{3000}(\mathrm{1}-\mathrm{e}\mathrm{x}\mathrm{p}(-\mathrm{0.000}\mathrm{664}\mathrm{P}\mathrm{R}\mathrm{E}))\},\end{array}(4)

式中：\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{c}}为潜在NPP，g·C/（m²·a）；TEM为年均温度，℃； PRE为年降水量，mm。

残差法是用于将人类影响NPP从实际NPP中分离出的一种应用最为广泛的模型^［12］。其表达式为：

\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{h}}=\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{a}}-\mathrm{N}\mathrm{P}{\mathrm{P}}_{\mathrm{c}},(5)

式中：NPP_h为人类影响NPP；NPP_a为实际NPP；NPP_c为潜在NPP。

研究期间植被NPP的变化量（\mathrm{\Delta }\mathrm{N}\mathrm{P}\mathrm{P}）计算公式如下^［13］：

\mathrm{\Delta }\mathrm{N}\mathrm{P}\mathrm{P}=\left(n-\mathrm{1}\right)\times K_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}},(6)

式中：n代表研究时间尺度；K_slope为NPP的变化斜率。

根据植被NPP_a、NPP_c、NPP_h的变化斜率建立6种情景，以评估气候变化和人类活动对植被NPP变化的相对贡献，如表1所示。

1.2.3 地理探测器

地理探测器模型能够揭示某因子对植被NPP的解释力大小^［14］。其相关程度用q值度量，q的取值范围为［0，1］，其值越大，表明该因子对NPP影响力越大，反之则越小。其表达式为：

q=\mathrm{1}-\frac{\mathrm{S}\mathrm{S}\mathrm{W}}{\mathrm{S}\mathrm{S}\mathrm{T}},(7)

\mathrm{S}\mathrm{S}\mathrm{W}={\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{{\sigma }_h}^{\mathrm{2}},(8)

\mathrm{S}\mathrm{S}\mathrm{T}=N{\sigma }^{\mathrm{2}},(9)

式中：h=1，…，L，为变量Y或因子X的分类；N_h 和N分别为层h和全区内单元数；{{\sigma }_h}^{\mathrm{2}}是类h的Y值的方差；{\sigma }^{\mathrm{2}}是全区Y值的方差；SSW为层内方差之和；SST是全区总方差。

1.2.4 重心模型

物理学中，重心是指在一定空间区域上，使各个方向受力达到相平衡的一点^［15］。除在物理学领域，重心在人们生产、生活、土地利用等领域也得到广泛应用。公式如下：

\overline{x}={\displaystyle \sum _{i=\mathrm{1}}^n}{z}_i{x}_i/{\displaystyle \sum _{i=\mathrm{1}}^n}{z}_i,\overline{y}={\displaystyle \sum _{i=\mathrm{1}}^n}{z}_i{y}_i/{\displaystyle \sum _{i=\mathrm{1}}^n}{z}_i,(10)

式中：(\overline{x},\overline{y})为重心坐标；z_i为第i个平面空间单元的属性值；(x_i,y_i)为第i个平面空间单元的坐标值。

重心迁移方向能够表征NPP数值较大的区域，重心迁移距离可以揭示植被NPP重心分布的离散程度，计算公式如下：

\begin{array}{l}\theta =\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\left(\frac{y_{t+m}-y_t}{x_{t+m}-x_t}\right),\\ d=\sqrt[]{{\left(y_{t+m}-y_t\right)}^{\mathrm{2}}+{\left(x_{t+m}-x_t\right)}^{\mathrm{2}}},\end{array}(11)

式中：\theta为植被NPP重心迁移角度；d为植被NPP重心迁移距离；y_{\mathrm{t}+\mathrm{m}}与y_{\mathrm{t}}分别表示t+m时与t时重心纵坐标；x_{\mathrm{t}+\mathrm{m}}与x_{\mathrm{t}}分别表示t+m时与t时重心横坐标。

2 结果与分析

2.1 植被NPP空间分布特征

为分析植被NPP空间分布特征，对近23年植被NPP取均值（图1），并依据杨潇等^［1］的分级方法将其分为5级：<200 g·C/（m²·a）（低值区）、［200，400） g·C/（m²·a）（较低值区）、［400，600） g·C/（m²·a）（中值区）、［600，800） g·C/（m²·a）（较高值区）、≥800 g·C/（m²·a）（高值区），同时统计各级别面积占比。其中，较低值区面积占比最高，为25.9%，呈斜带状分布于研究区东北至西藏地区，以山东省、河北省、北京市为主；高值区面积占比最少，仅为12.5%，主要分布在广东省、广西壮族自治区、云南省等地区；中值区面积占比为25.0%，主要位于研究区中部^［16］。

2.2 植被NPP重心迁移轨迹分析

如图2所示，2000—2022年间，东北地区整体呈现向西南方向迁移的趋势，西南、中南地区整体呈现向东北方向迁移的趋势，华东地区呈现向西北方向迁移的趋势，华南、西北地区呈现向东南方向迁移的趋势。在不同地区及历史时期中，西北地区在2001—2005年→2006—2010年的迁移距离最远，为37.19 km；东北地区在2011—2015年→2016—2020年重心向东北方向迁移距离最短，为0.06 km。6大分区中，中南地区变化形式最为复杂，迂回性较强，表明该地区NPP变化较为显著。

2.3 气候‑人对植被NPP作用的定量区分

如图3、表2所示，2000—2009 年期间，6种情景中人类活动促进植被NPP增加的面积占比最大，为39.9%，主要分布于研究区南部及宁夏回族自治区等地；共同作用导致植被NPP减少的面积占比最小，为2.2%，主要位于广东省等地。

2010—2022 年期间，6种情景中气候变化促进植被NPP增加的面积占比最大，为36.0%，主要分布在黑龙江等地；共同作用导致植被NPP减少的面积占比最小，为1.7%。

2.4 不同历史时期‑不同子区植被NPP演变主导因子分析

2.4.1 偏相关分析

图4（a）、（b）所示，植被NPP与积温三阶偏相关系数介于-0.92~0.97之间，其中极显著正相关面积占比为3.3%，主要分布于三江源地区；极显著负相关面积占比为1.2%，主要位于内蒙古中东部等地。图4（c）、（d）所示，植被NPP与日照偏相关系数介于-0.95~0.94之间，其中显著正相关面积占比为5.6%，主要分布于极显著正相关周边地区；显著负相关面积占比为6.2%，分布较为零散。图4（e）、（f）显示，植被NPP与降水偏相关系数介于-0.95~0.97之间，其中极显著正相关面积占比为16.9%，主要分布于内蒙古东部、黄土高原等中国北部地区；极显著负相关面积占比为0.9%。图4（g）、（h）所示，植被NPP与气温偏相关系数介于-0.96~0.92之间，其中显著正相关面积占比为7.7%，分布于极显著正相关周边地区；极显著负相关面积占比为0.6%。

2.4.2 主导交互因子分析

如图5所示，6大分区中，西北、华东、中南地区的交互主导因子变化稳定，分别为降水∩土壤类型、气温∩土地利用，最高q值分别出现在2015年（0.87）、2000年（0.58）、2000年（0.60）。东北地区变化较为复杂，由气候交互主导（气温∩降水）转变为气候与地形交互主导（土地利用∩降水），2010年过渡为地形地质交互主导（土地利用∩土壤类型），最终转变为气候与地质交互主导（降水∩土地利用）。华北地区人类活动因子（土地利用）对植被NPP的交互影响逐渐增强，西南地区人类活动对植被NPP变化的影响较弱。

3 讨论

2000—2022年植被NPP均值整体呈现南高北低、东高西低的格局，与石智宇等^［17］的研究结果一致。我国南方地区气候湿热，降水充沛，植被类型以亚热带常绿阔叶林为主，利于植被生长；北方地区以温带大陆性气候为主，夏季炎热多雨，冬季寒冷干燥，植被生长环境较差；西部地区以沙漠、高原为主，降水稀少，植被覆盖极少；东部地区靠近太平洋、印度洋，降水较西部地区丰富。

2010—2022年与2000—2009年相比，人类活动导致植被NPP减少的面积明显增加，促进植被NPP增加的面积明显减少，可能由于生活水平提高，人类活动加剧，植被砍伐增多，使植被NPP减少，与石智宇等^［17］的研究结果存在一定差异，主要原因是本研究将时间跨度划分为两大历史时期，且采用趋势分析模型不同（本研究为slope模型，石智宇等的研究为Theil-Sen Median模型）。相关性分析中，与气温正相关区域以青藏高原、东北地区为主，负相关区域主要集中在南方，主要因东北地区纬度高、青藏高原海拔高，气温低，气温升高有利于植物光合作用，促进植被NPP增加。由于相关性分析方法不同（本研究为3阶，石智宇等的研究为1阶），与石智宇等^［17］的研究存在一定差异。

驱动机制分析显示，降水、土地利用是影响东北地区植被NPP的主要因素，主要因当地纬度高、降水少，与研究时段、因子选择不同，与毛德华等^［18］的研究结果存在一定差异。华北地区、西北地区，降水与土壤类型的交互作用是影响植被NPP的主要因素，主要因华北地区土壤类型以河流冲积黄色旱作类型为主，与黄悦悦等^［19］的研究结果较为一致。西北地区以沙漠为主，降水稀少，不利于植被生长，降水成为植被NPP变化的主导因素，与同琳静等^［20］的研究结果较为一致。海拔、降水对西南地区植被NPP影响较大，当地高原面积占比大，海拔高，气候寒冷，降水少，植被类型以高寒草甸为主，光合作用较弱，不利于NPP积累，与陈舒婷等^［21］的研究结果较为一致。

4 结论

（1）中国植被NPP空间分布格局呈现南高北低、东高西低。

（2）东北、西北、华北地区重心呈向南迁移趋势，西南、中南、华东地区重心呈向北迁移趋势。

（3）2000—2009年期间，人类活动主导植被NPP增加；2010—2022年期间，气候变化主导植被NPP增加。

（4）不同因子与植被NPP的偏相关显著性存在空间异质性。

（5）西北、华东、中南地区的交互主导因子较为稳定，东北地区交互主导因子变化复杂。华北地区人类活动因子对植被NPP的交互影响逐渐增强，西南地区人类活动对植被NPP变化的影响较弱。

参考文献

[1] 杨潇，郭兵，韩保民，等. 青藏高原NPP时空演变格局及其驱动机制分析［J］. 长江流域资源与环境，2019，28（12）： 3038-3050.

[2] YANG Xiao， GUO Bing， HAN Baomin，et al. Analysis of the spatial-temporal evolution patterns of NPP and its driving mechanisms in the Qinghai‑Tibet Plateau［J］. Resources and Environment in the Yangtze Basin，2019，28（12）： 3038-3050.

[3] 董丝雨，刘温馨. 贯彻新发展理念助力碳达峰碳中和［N］. 人民日报，2023-04-11（010）.

[4] DONG Siyu， LIU Wenxin. Implementing the new development concept to help carbon peak and carbon neutrality［N］. People’s Daily，2023-04-11（010）.

[5] 唐倩玉，李远航，胡孟然，等. 太行山地区1973—2022年暴雨时空演变特征分析［J］. 信阳师范学院学报（自然科学版），2024，37（4）： 524-531.

[6] TANG Qianyu， LI Yuanhang， HU Mengran，et al. Analysis of the spatiotemporal variations in heavy rainfall eventsin the Taihang Moutainous Region from 1973 to 2022［J］. Journal of Xinyang Normal University （Natural Science　Edition），2024，37（4）： 524-531.

[7] RUNNING S W， HUNT JR E R. Generalization of a forest ecosystem process model for other biomes，BIOME-BGC，and an application for Global-Scale Models-Scaling Physiological Processes-8［J］. Scaling Physiological Processes，1993： 141-158.

[8] POTTER C S， RANDERSON J T， FIELD C B，et al. Terrestrial ecosystem production： A process model based on global satellite and surface data［J］. Global Biogeochemical Cycles，1993，7（4）： 811-841.

[9] 徐勇，郑志威，孟禹弛，等. 西南地区不同类型植被NPP时空演变及影响因素探究［J］.环境科学，2024，45（1）： 262-274.

[10] XU Yong， ZHENG Zhiwei， MENG Yuchi，et al. Spatio-temporal variation in Net Primary Productivity of different vegetation types and its influencing factors exploration in Southwest China［J］. Environmental Science，2024，45（1）： 262-274.

[11] 姬盼盼，高敏华，杨晓东. 中国西北部干旱区NPP驱动力分析： 以新疆伊犁河谷和天山山脉部分区域为例［J］. 生态学报，2019，39（8）： 1-11.

[12] JI Panpan， GAO Minhua， YANG Xiaodong. Analysis of NPP driving force in an arid region of Northwest China： A case study in Yili Valley and parts of Tianshan mountains，Xinjiang，China［J］. Acta Ecologica Sinica，2019，39（8）： 2995-3006.

[13] 王耀斌，赵永华，韩磊，等. 2000—2015 年秦巴山区植被净初级生产力时空变化及其驱动因子［J］. 应用生态学报，2018，29（7）： 2373-2381.

[14] WANG Yaobin， ZHAO Yonghua， HAN Lei，et al. Spatiotemporal variation of vegetation net primary productivity and its driving factors from 2000 to 2015 in Qinling-Daba Mountains，China［J］. Chinese Journal of Applied Ecology，2018，29（7） ： 2373‑2381.

[15] 孙钰蘅，张辰光，刘翼泽，等. 1970—2019年河南省气温变化特征及其对ENSO事件的响应［J］. 信阳师范学院学报（自然科学版），2023，36（4）： 528-534.

[16] SUN Yuxun， ZHANG Chenguang， LIU Yize，et al. Characteristics of temperature change and its response to ENSO　Eventsin Henan province during 1970—2019［J］. Journal of Xinyang Normal University （Natural Science Edition）， 2023，36（4）： 528-534.

[17] 陈晓杰，张长城，张金亭，等. 基于CASA模型的植被净初级生产力时空演变格局及其影响因素：以湖北省为例［J］. 水土保持研究， 2022，29（3）： 253-261.

[18] CHEN Xiaojie， ZHANG Changcheng， ZHANG Jinting，et al. Analysis of the spatiotemporal evolution patterns of　vegetation Net Primary Productivity and its influencing factors based on CASA mode［J］. Research of Soil and Water Conservation， 2022，29（3）： 253-261.

[19] 周刊社，杜军，沈旭，等. 气候变化背景下羌塘国家自然保护区植被净初级生产力时空变化［J］. 中国农业气象，2021，42（8）： 627-641.

[20] ZHOU Kanshe， DU Jun， SHEN Xu，et al. Spatial and temporal variability of vegetation Net Primary Productivity in Qiangtang National Nature Reserve under climate change［J］. Chinese Journal of Agrometeorology， 2021，42（8）： 627-641.

[21] 周妍妍，朱敏翔，郭晓娟，等. 疏勒河流域气候变化和人类活动对植被 NPP 的相对影响评价［J］. 生态学报，2019，39（14）： 5127-5137.

[22] ZHOU Yanyan， ZHU Minxiang， GUO Xiaojuan，et al. Relative effects of climate change and human activities on Net Primary Productivity in Shule River Basin［J］．Acta Ecologica Sinica，2019，39（14） ： 5127-5137.

[23] 李玲. 气候变化和人类活动对西北地区植被NPP变化的影响研究［D］. 西安： 陕西师范大学，2019.

[24] LI Ling. Effects of climate change and human activities on vegetation NPP changes in Northwest China［D］. Xi’an： Shaanxi Normal University，2019.

[25] 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.

[26] WANG Jinfeng， XU Chengdong. Geodetector： Principle and prospective［J］. Acta Geographica Sinica，2017，72（1）： 116-134.

[27] 吕鑫，王卷乐，康海军，等. 基于MODIS NPP的2006—2015年三江源区产草量时空变化研究［J］. 自然资源学报，2017， 32（11）： 1857-1868.

[28] Xin LYU， WANG Juanle， KANG Haijun，et al. Spatio-temporal changes of grassland production based on MODIS NPP in the Three-River Source Region from 2006 to 2015［J］. Journal of Natural Resources，2017，32（11）：1857-1868.

[29] 钟明星，郭少茹，艾侠，等. 近60年信阳市旅游气候舒适度变化特征分析［J］. 信阳师范学院学报（自然科学版），2024，37（3）： 292-297.

[30] ZHONG Mingxing， GUO Shaoru， AI Xia，et al. Change characteristics of tourism climate comfort in Xinyang during the past 60 years［J］. Journal of Xinyang Normal University （ Natural Science Edition ），2024，37（3）： 292-297.

[31] 石智宇，王雅婷，赵清，等. 2001—2020年中国植被净初级生产力时空变化及其驱动机制分析［J］. 生态环境学报，2022，31（11）： 2111-2123.

[32] SHI Zhiyu， WANG Yating， ZHAO Qing，et al. The spatiotemporal changes of NPP and its driving mechanisms in China from 2001 to 2020［J］. Ecology and Environmental Sciences，2022，31（11）： 2111-2123.

[33] 毛德华. 定量评价人类活动对东北地区沼泽湿地植被 NPP 的影响［D］. 北京： 中国科学院大学， 2014.

[34] MAO Dehua. Quantitative assessment in the impacts of human activities on Net Primary Productivity of wetlands in the Northeast China［D］. Beijing： University of Chinese Academy of Sciences，2014.

[35] 黄悦悦. 2000-2018年华北平原植被净初级生产力时空分布及其驱动因素研究［D］. 兰州：西北师范大学，2020.

[36] HUANG Yueyue. Spatial-temporal distribution and driving factors of vegetation Net Primary Productivity in North China Plain from 2000 to 2018［D］. Lanzhou： Northwest Normal University，2020.

[37] 同琳静，刘洋洋，王倩，等. 西北植被净初级生产力时空变化及其驱动因素［J］. 水土保持研究，2019，26（4）： 367-374.

[38] TONG Linjing， LIU Yangyang， WANG Qian，et al. Spatial and temporal dynamics of Net Primary Productivity and its driving factors in Northwest China［J］. Research of Soil and Water Cons， 2019，26（4）： 367-374.

[39] 陈舒婷，郭兵，杨飞，等. 2000—2015年青藏高原植被NPP时空变化格局及其对气候变化的响应［J］. 自然资源学报，2020，35（10）： 2511-2527.

[40] CHEN Shuting， GUO Bing， YANG Fei，et al. Spatial and temporal patterns of NPP and its response to climate change in the Qinghai-Tibet Plateau from 2000 to 2015［J］. Journal of Natural Resources，2020，35（10）： 2511-2527.

基金资助

国家自然科学基金项目(42471329)

山东省高等学校“青创团队计划”团队项目(2022KJ224)