地形对新疆昌吉州草地净初级生产力分布格局的影响

杜梦洁，郑江华，2，*，任 璇，蔡亚荣，穆 晨，闫 凯

1 新疆大学资源与环境科学学院，乌鲁木齐 830046 2 绿洲生态教育部重点实验室，乌鲁木齐 830046 3 新疆维吾尔自治区草原总站，乌鲁木齐 830001

草地是主要的陆地生态系统之一，并且在全球碳库计算和生态系统功能评价领域中占有重要的地位[1]。新疆作为全国五大牧区之一，草地除具备一定的生态功能和经济效益以外，在畜牧业中的经济职能更不容忽视[2]。然而近年来由于人类对草地资源的不合理开发利用、资源重组，草地资源呈现出严重退化、沙化，致使草地生态本底愈加脆弱[3]。植被是草地生态系统中的重要组成部分，在区域尺度的气象变化中扮演重要角色，因此植被常被视为草地生态系统探究的基础[4]。

净初级生产力(Net Primary Productivity, NPP)是指绿色植物在单位面积单位时间所积累的有机物能量，即去处呼吸消耗后的光和能量创造出的有机质剩余量[5]，既是反映气候变化的重要参考因子，也是反映草地健康状况的重要衡量指标[6]。草地NPP的研究方法多样，其中比较传统的运算方法是站点实测法，该方法基于站点实测数据，经过参数换算后得到该地区的生产力[7]，虽然该方法操作简单，但对人力和物力的要求比较高，除了对研究区草地产生不同程度的破坏以外，用地上生物量计算得到的生物量，其精度存疑[8]。在各国学者及国际生物学计划(IBP,1965—1974)推动下，目前用于NPP计算的模型主归为三大类：气候相关模型、过程模型和光能利利用率模型[9- 12]。与其他两大类模型相比，光能利用率模型以其参数少且其参数与植被生理特征相关性强等的优点，受到国内外专家学者的认可，随着以CASA(Carnegie-Ames-Stanford Approach)模型为代表的光能利用率模型的兴起，更多的专家学者开始使用这种方法进行针对性研究[13]，Field在1995年对于CASA模型中的主要参数进行修订并在当地研究中得到可靠的研究成果[14]，Running等则使用过程模型BIOME-BGC估算了各种植被的最大光能力利用率，在此基础上改进CASA模型投入使用[15]。相比于国外对于NPP的研究，国内的研究起步比较晚，李文华于1978年分析了国内外森林生态系统NPP的研究现状，针对我国森林资源国情，提出了基于地带特征及水热条件的数学估算模型[16]。继朱文泉等[17- 18]运用CASA模型在全国尺度上计算了国内陆地植被的净初级生产力后该方法被大范围应用于全国各地植被净初级生产力的估算当中并取得了较为可靠的成果，其中穆少杰[13]和杨红飞[1]就应用CASA模型分别对内蒙古及新疆的植被净初级生产力进行了估算和相关因子分析，进一步阐明了CASA模型对小尺度研究具有一定的可靠性，其后成方妍等[19]以北京市为研究区对于遥感数据尺度问题进行进一步探讨并计算对比NPP，这一研究不仅讨论了模型参数调整也为NPP小尺度研究提供了先验知识。相较于常用的MODIS产品数据而言，基于Landsat得到的NDVI数据在分辨率上有很明显的提升，而NDVI精度提升也将对模型运算结果有助益。在已有研究中杨会巾等[20]发现分辨率为30 m的NDVI数据计算结果比990 m的NDVI数据计算结果高出5%，这在模型计算时的参量优化上提供了创新的可能。

谈及净初级生产力不可避免的需要讨论NPP与地形引起的植被异质性之间的关系，草地植被异质性主要由群落尺度体现，而群落尺度的异质性由地形对水热条件的重新分配导致的土壤环境变化决定。因此，地形差异成为生产力格局研究中不可避免、影响深远的因素，但在现有研究中鲜少被充分重视[21],而新疆草地资源丰富且地形多变，就目前的研究而言地形作为影响植被生产力最主要的环境因素之一却未被充分考虑，因此本研究将在CASA模型推算NPP的基础上讨论新疆昌吉州草地NPP与地形之间的关系，研究采用2000—2016年7月的Landsat数据与CASA模型相结合计算连续17年7月的NPP数值，将计算结果与昌吉州草地的DEM数据结合，提取海拔、坡度和坡向参数，分类讨论这三个地形参数对NPP分布格局的影响。

1 研究区与方法

1.1 研究区概况

昌吉州位于新疆维吾尔自治区天山北麓，准噶尔盆地南缘，地理位置为85°34′—91°32′E,43°06′—45°38′N(图1)，总面积9.39万km2。该区气候属典型的大陆性干旱气候，冬冷夏热昼夜温差大。由于地形条件的影响，由南向北气候差异较大，南部山区气候特征明显。夏季降水充沛，北部沙漠性气候特征明显，热量条件充足。

图1 研究区示意图Fig.1 Location of study area

1.2 材料

遥感数据采用地理空间数据云(http://www.gscloud.cn)提供的 Landsat TM、Landsat 8oil数据，成像时间分别为2000—2016年6—7月，共114景影像，每10幅拼接裁剪后成为当年遥感本底数据，缺失数据年份由相邻且两年度自然情况一致的年份补齐。7月月均降水量、7月月均温及月太阳总辐射数据采用中国气象数据网(http://data.cma.cn/)的站点数据，通过整理插值形成气象本底数据。草地类型图采用分辨率为1000 m的GLC2000数据。

1.3 研究方法

1.3.1 遥感数据处理

首先对获取遥感影像的多光谱数据进行辐射校正，其次对基于辐射校正的多光谱数据进行大气校正，在此基础上提取对应年份的归一化植被指数(Normalized vegetation index, NDVI)备用。

1.3.2 气象数据处理

本研究中用到的月均降水量、月均温及月太阳总辐射数据均为站点数据，前期需要进行数据整理工作，此后在ArcGIS中进行插值运算，本研究选用的插值方法是协同克里格法(Co-Kriging,CK)，该方法能够基于空间属性的相关联性，对一个或多个变量进行空间估值，以此达到提高估值合理性与提高估值结果精度的目的[22]。

1.3.3 NPP计算

本研究应用的NPP计算模型是朱文泉等改进的CASA(Carnegie-Ames-Stanford Approach)模型[6]，该模型是光能利用率模型中最常见的模型之一，主要运用植物吸入的光和辐射(APAR)与光能利用率(ɛ)实现NPP的计算，计算公式如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

其中APAR(x,t)表示像元x位置处植物t月所吸收的光合有效辐射，ɛ(x,t)表示像元x位置在t月植被实际光能利用率。

已有研究表明，由于遥感数据覆盖范围广、时间分辨率高，故以遥感影像为参量之一的CASA模型能够实现大尺度NPP动态监测，且CASA模型相对于其他模型所需要输入的参量较少，有效规避了由于参数缺乏而造成的误差，与此同时该模型综合考虑了计算NPP时的两个主要驱动变量，基于植被生理过程而建立的机理计算模型在一定程度上能够比较全面的反应真实情况，是目前国际上最通用的NPP模型之一[6]。

1.3.4 研究区生产力分级

根据CASA模型的运行原理，将准备好的参数带入CASA模型计算得到对应年份的生产力(图2)，其次根据属性表中的信息计算研究区的平均生产力，根据其变化特征，将高于平均值的2009、2011、2012、2013和2014年定义为生产力较高年份，将低于平均值的2000、2001、2004、2005、2006和2015年定义为生产力较低年份，2002、2003、2007、2008、2010和2016年定义为生产力中等年份(图3)。

图3 2000—2016年草地植被生产力分布Fig.3 Dynamic of vegetation productivity of grassland from 2000 to 2016

1.4 地形因子提取

地形因子信息提取是根据ASTER GDEM制作的DEM数据为基础进行的，在ArcGIS 10.1的空间分析模块中实现。其中海拔以每隔500 m进行划分，坡度以8°为一个单元划分，坡向自北偏西22.5°每隔45°为一个单元进行划分，其中令北偏西22.5°到北偏东22.5°之间为正北方向，在此基础上进行对生产力进行空间分析，其属性表如表1所示。

经过属性信息统计后不难发现，海拔高度中(表1)，自最低高程273—773 m之间面积最大达3352490 hm2，占总面积的43.35%；坡度中，自最小坡度0°—8°之间的面积最大达5021760 hm2，占总面积的77.7%；坡向中，NW面积最大达901463 hm2，占总面积的14.14%。根据以上属性条件，因此本研究将选择3个地形控制因子中面积最大的区域进行代表性研究，综上，本文将以海拔高度273—773 m、坡度0°—8°之间以及坡向为NW方向为控制条件(图4)，在此基础上综合昌吉州87个常年观测点点位信息，对分布在该区间的生产力进行点位信息提取并进行年间分析。在此基础上应用已有的2010—2014年实地测算的生产力点位平均值与提取后对应时间跨度的点位生产力平均值进行拟合分析，其结果显示CASA模型测算生产力与实测数据呈现波动吻合如图5，本研究中将差异在±0.5 g/m2以内的波动定义为基本相似，其结果显示模型测算的生产力数据与实测数据吻合精度为85.05%，造成误差的原因主要是地上生物量采集换算得到的生物量与通常定义的生物量存在差异，因此经由CASA模型计算得到的该区净初级生产力能够很好的代表当地的生产力水平，可以有效弥补实测数据不全对于研究的限制。

表1 坡度、坡向、海拔面积分布

N：北，North；NE：东北，Northeast；E：东，East；SE：东南，Southeast；S：南，South；SW：西南，Southwest；W：西，West；NW：西北，Northwest

图5 观测点模拟值与实测值 Fig.5 The simulation value and the measured value of the observation point

2 结果分析

2.1 海拔高度对草地生产力的影响

坡度为0—8°和坡向NW条件下，将逐年运用CASA模型计算得到的数据按照控制条件及点位信息进行提取，将满足控制条件的18个观测点点位生产力与海拔进行单因素分析发现，生产力水平与海拔高度呈现线性相关(Sig<0.001)，其中生产力与海拔高度间的关系在生产力较低年份与生产力中等年份表现出更好的线性相关趋势(R2>0.9)。从变化趋势来看(图6)，不论是从整体水平还是生产力水平差异年份上都有生产力水平随着海拔高度升高而显著增加的特征，但该增加模式并非持续上升，而是在上升到一定程度后受到抑制而趋于平稳。这里抑制并不是不增长，而是其增长趋势由开始的较快趋于平稳，这主要是因为随着海拔升高，光和有效辐射也随之积累，当积累触顶后其增长趋势就逐渐缓慢下来。就整体而言当海拔达到770 m后生产力水平趋于稳定，涨幅不再明显。根据观测点点位信息提取得到的生产力数据显示，整体、生产力较高年份、生产力较低年份及生产力中等年份的最高值均出现在764 m处，分别为11.8、20.9、3.6 g/m2和10.7 g/m2，在控制条内，该地区的光和有效辐射、植被分布以及气候条件相比同条件下的其他点位达到了最优状态，因此该点位的生产力较高。

图6 海拔高度与生产力之间的关系Fig.6 Relationship between elevation and NPP坡度：0—8°; 坡向：NW

2.2 坡度对草地生产力影响

当控制条件为海拔273—773 m和坡向NW时，继续对计算得到的数据按照控制条件及点位信息进行提取，将满足条件的42个观测点位生产力与坡度综合分析发现，生产力水平与坡度呈现线性相关(Sig<0.001)，其中生产力较高年份表现出更好的线性相关趋势(R2>0.9)。不论是处于任意一个水平差异年份上，其生产力随着坡度的增大而减小且变化趋势明显，根据数据统计情况显示(图7)，整体在坡度为2°时生产力达最大值23.2 g/m2，坡度为61°时出现最小值0.053 g/m2。生产力较高年份在坡度为0°时达最大值23.9 g/m2，坡度为61°时生产力趋于0 g/m2。生产力较低年份在坡度为8°时达最大值6.3 g/m2，坡度为55°时趋于0 g/m2。生产力中等年份在坡度为5°时达最大值10.7 g/m2，坡度为61°时出现最小值0.07 g/m2。

图7 坡度与生产力之间的关系Fig.7 Relationship between slope and NPP海拔：273—733m; 坡向：NW

2.3 坡向对草地生产力的影响

坡向与草地生产力的关系从整体而言(图8)，其N与NE方向生产力水平较高，NW和E方向次之，W、SW、S和SE方向偏低。整体、生产力较高年份、生产力较低年份及生产力中等年份的最大值均出现在N方向分别为23.2、60.5、6.33 g/m2和10.74 g/m2，最小值均出现在SW方向分别为3.54、4.36、0.23 g/m2和0.16 g/m2。

图8 坡向与生产力之间的关系Fig.8 Relationship between aspect and NPP海拔：273—733 m; 坡度：0—8°; N、E、S、W分别为北、东、南、西方向

3 讨论

地形条件不同其地下及水热分布也不同，由此导致地表植被组织结构及空间分布格局也有所不同，研究地形与生产力的内在联系，能够更好把握植被的空间分布特征与空间结构形态[23]。但就目前已有的草地生产力分布格局研究中，对地形因素的考虑还不够周全，特别是在较大的空间尺度及连续的时间尺度研究中，需要将地形因子作为一个重要的环境因素进行考量[21]。

表2 海拔高度与生产力拟合模型的误差分析

相对于海拔对生产力的影响而言，坡度对生产力的影响与其相反，根据图7可知，随着坡度升高，其生产力呈下降趋势。整体水平上生产力最高与最低相差23.18 g/m2，较高年份为23.89 g/m2，较低年份为6.33 g/m2，中等年份为10.37 g/m2。由表3可知，相较于其他3个拟合模型基于整体水平的拟合模型效果最好。这也意味着基于整体水平坡度每上升1°生产力增加-0.225 g/m2，较高水平坡度每增加1°生产力增加-0.4066 g/m2，较低水平坡度每增加1°生产力增加-0.0836 g/m2，中等水平坡度每增加1°生产力增加-0.1892 g/m2，与海拔高度一样，对生产力的增加与否有着深远影响。

表3 坡度与生产力拟合模型的误差分析

相对于前两个地形因素而言，坡向对生产力的影响在不同坡向之间存在差异(图8)，基于整体情况的生产力变化在23.23 g/m2(N)到3.51 g/m2(SW)之间，相差19.72 g/m2；较高年份生产力变化在60.49 g/m2(N)到4.36 g/m2(SW)之间，相差56.154 g/m2；较低年份生产力变化在6.23 g/m2(N)到0.23 g/m2(SW)之间，相差6 g/m2；中等年份生产力变化在10.74 g/m2(N)到0.16 g/m2(SW)之间，相差10.58 g/m2；不难发现其变化不论是在任何差异年份主要集中在N方向到SW方向之间。比较整体生产力变化幅度在海拔、坡度和坡向的特征可以看出，坡度导致的生产力变化最大，海拔和坡向变化较小，坡向略高于海拔。

将不同年份生产力与海拔高度、坡向、坡度这3个地形因子一一对应研究分析后发现，地形对生产力格局的分布有重要影响，在本文设定的控制条件之下，坡度对于生产力的影响最大，根据已有研究显示，一般当坡度<15°时，土壤含水量随坡度的增加而增加，当坡度>15°时，土壤含水量随坡度增加而减少[23- 24]，因此在设定控制条件之下对NPP影响最大的是土壤含水量；相对于坡度而言，坡向对于NPP的空间分布影响次之，主要表现在坡向不同，植被接受的太阳辐射量不同，盛行风和地面的交角也不同，从而影响了不同坡度的水热分布，改变了NPP的空间分布状态[25- 26]，海拔在本研究中的影响较小但也不能忽视，从图6中不难发现，NPP随着海拔高度升高呈现明显的增长趋势，当达到本研究设定的参数临界值时逐渐趋于平稳，除了水热和气候的因素以外，根据相同研究对于该因素的研究发现，这种增长抑制现象频频发生，这主要是由于起初随着海拔升高，太阳辐射的量也开始急剧积累，但当达到临界值时增长开始变得缓慢，换言之，这里的抑制并不是不再增长而是增长的比较缓慢[27- 29]。通过对比研究发现，地形对于NPP空间分布的相关研究中表现出趋同性和差异性，趋同性表现为地形因子作用下NPP变化的趋势，差异性表现为不同的研究区，三个地形因子的影响力排序不同[21,30- 32]。

最后，从CASA模型测算地面生物量的角度来看，该模型数据获取便捷，运用遥感数据获取数据并进行相关处理能够快速得到数据，有效避免因实地采集换算而导致的生物量计算不完全的情况。

4 结论

地形对草地植被生产力有着深远影响，在3个地形因子对整体生产力变化趋势的影响中，坡度引起的NPP变化幅度最大，坡向次之，海拔较小，在整体水平上，海拔每升高30 m，生产力增加4.11 g/m2；坡度每增加1°生产力增加-0.225 g/m2；N坡向生产力水平最高(23.23 g/m2)，SW坡向最低(3.54 g/m2)。不同生产力年份影响趋势相同但变化幅度不同，在较高生产力年份3个地形因子的变化幅度都是最大的；通过与实测值对比分析发现，CASA模型在新疆小区域NPP测算工作中适应性较强；经过研究发现，植被生长受光和有效辐射和土壤水分影响，而这些因素又随地形的海拔、坡度和坡向发生变化，经此得以论证地形影响着新疆昌吉州天然草地生产力的空间分布，在进行生产力相关研究时地形因子应当被给予足够的关注和研究。

致谢：感谢新疆维吾尔自治区产学研联合培养研究生示范基地及新疆维吾尔自治区草原总站在研究过程中提供的数据支持。