2000~2015年长三角地区植被NPP时空变化特征及其驱动因素

Temporal and Spatial Variation of Vegetation NPP and Its Driving Factors in Yangtze River Delta during 2000~2015

摘要: 长三角地区是我国经济发展最快、城市化进程最活跃的地区之一，该区域植被变化受到气候变化和人类活动的影响。本文基于2000~2015年MODIS-NDVI数据，利用CASA模型估算研究区NPP年均值，采用趋势分析、变异系数、偏相关分析、复相关分析等方法，分析近16年长三角地区植被NPP的空间格局及动态演变特征，分析NPP与气候因子的相关关系，探究气候因子对植被NPP的驱动作用。研究结果表明，1) 2000年~2015年长三角地区NPP多年均值为492.2 gC/m²，空间分布上浙江省植被NPP均值最高，为627.4 gC/m²，上海市植被NPP均值最低，为296.8 gC/m²。2) 近16年来，时间尺度上长三角地区年均NPP呈波动上升趋势，上升速率为3.4 gC/(m²∙a)，NPP年均最高值为2014年的548.8 gC/m²，最低值为2000年的448.4 gC/m²，最大相对偏移量为11.5%，研究区植被初级生产力整体变异程度稳定，且变异系数明显的地区在水系和城市周围。3) 2000~2015年间，植被NPP与降水呈正相关的区域占总面积的78.8%，与气温呈正相关的区域占总面积的56.7%；植被NPP受气候因子影响的地区占8.05%，其中降水对植被NPP变化的影响较大，非气候因子影响占91.9%，主要体现在人类活动的影响。研究结果为长三角地区植被恢复和生态保护提供参考依据。

Abstract: The Yangtze River Delta region is one of the regions with the fastest economic development and the most active urbanization process in China. Vegetation change in this region is affected by climate change and human activities. Based on MODIS-NDVI data from 2000 to 2015, and CASA model was used to estimate the annual mean value of NPP in the study area. Trend analysis, coefficient of variation, partial correlation analysis and complex correlation analysis were used to analyze the spatial pattern and dynamic evolution characteristics of NPP in Yangtze River Delta region in recent 16 years, and the correlation between NPP and climate factors was analyzed. To explore the driving effect of climate factors on NPP of vegetation. The results show that: 1) The annual mean value of NPP in Yangtze River Delta region from 2000 to 2015 is 492.2 gC/m² and in terms of spatial distribution, the mean NPP of vegetation in Zhejiang province was the highest 627.4 gC/m², the mean NPP of vegetation in Shanghai was 296.8 gC/m². 2) In recent 16 years, the annual average NPP in the Yangtze River Delta showed a fluctuating trend of increase, with an increased rate of 3.4 gC/(m²∙a), the maximum annual value of NPP was 548.8 gC/m2 in 2014, the lowest value was 448.4 gC/m² in 2000, the maximum relative offset is 11.5%. The overall variation degree of vegetation primary productivity in the study area was stable, and the areas with obvious variation coefficient were around water systems and cities. 3) From 2000 to 2015, 78.8% of the total area had a positive correlation between NPP and precipitation, and 56.7% of the total area had a positive correlation with temperature. The NPP of vegetation was affected by climate factors in 8.05% of the regions, of which precipitation had a greater impact on NPP, and non-climate factors accounted for 91.9%, which was mainly reflected in the impact of human activities. The results provide reference for vegetation restoration and ecological protection in Yangtze River Delta region.

1. 引言

NPP是单位时间、单位面积内绿色植物积累有机物的量(光合作用固定的有机碳总量减去呼吸和生长消耗的差值) [1]，是植被通过光合作用实现光能向化学能的转化并为维持生态系统运行和稳定提供能量 [2] 的过程。植被NPP作为陆地生态系统中物质循环与能量流动的重要组成部分，反映了生态系统中碳源、汇和评价陆地生态系可持续发展的重要因子 [3]。

目前，研究NPP变化趋势对气象因子的响应机制是全球陆地生态系统变化研究的热点问题 [4]，研究集中于气象因子(主要是温度和降水 [5])、人类活动和地形等。在全球气候变化的背景下，中国的气候随之发生变化，植被NPP呈一定的上升趋势 [6]。陈福军等通过陆地生态系统碳循环模型(CASA模型)逐像元模拟1981~2008年中国陆地生态系统NPP的时空变化，分析其对气候因子的响应关系，得出中国大部分地区的生态系统生产力与年均温呈正相关 [7]。刘军会等利用光能利用模型分析了1986~2000年北方农牧交错带植被NPP的时空变化，得出NPP变化同降水、干燥度指数变化成正相关，同温度变化成负相关，且不同土地利用类型的植被NPP变化程度各异 [8]。刘刚等基于MuSyQ-NPP模型，以全球陆表特征数据集(GLASS)为基础，对2001~2014年中国植被NPP进行了估算，得出降水和温度是影响NPP的主要气象因子，且在不同地区，主导因素不同 [6]。龙慧玲等基于改进的基于光能利用率的净初级生产力遥感估算模型对内蒙古草原区1982~2006年的NPP进行估算，结果表明，在季节尺度下，春秋季节的NPP与气温显著相关，在年尺度下，NPP与降水量显著相关 [9]。王琳等利用BIOME-BGC模型，对江苏省2000~2006年NPP时空特征及气候因素的影响进行分析，得出气温的升高和太阳辐射的增加促进NPP提高，而降水量的增加引起NPP的降低 [10]。杨丹等基于CASA模型获得黄土高原2000~2018年植被NPP数据集，得出人口稀少、发展相对落后地区的植被变化主要受气候变化的影响，人口众多、经济发展较好地区植被变化以人类活动为主 [11]。

近年来，长江三角洲地区(简称长三角，下文均用此称)经济持续发展，城市化进程加快，城市规模扩大。因此，长三角地区的植被生产力状况变化问题已成为关注热点。本文利用近16年来长三角地区长时间序列NPP和气象数据，在快速发展和城市化的长三角地区从时间尺度和空间变化分析长三角地区的植被NPP的空间格局及动态演变特征，采用CASA模型对2000~2015年NDVI数据进行处理，得到NPP数据，再对数据进行趋势分析，最后结合气象因子进行偏相关和复相关分析，得到NPP与气候因子的相关关系，探究气候因子对植被NPP的驱动作用。以揭示快速城市化的长三角地区植被NPP的变化特征和主要驱动力，从而为长三角地区生态保护和植被恢复生态环境保护与可持续发展提供科学依据。

2. 研究区域概况

Figure 1. Location map of the Yangtze River Delta

图1. 长三角地区位置图

长三角地区位于中国长江下游地区(35˚20'N~27˚02'N、114˚54'E~123˚10'E)，总面积35.8万平方公里，位于长江的下游地区，东部濒临黄海与东海，是长江入海之前形成的冲积平原，包括上海市、浙江省、江苏省和安徽省，共41个城市(图1)。主要气候类型为亚热带季风气候，温暖湿润，雨热同期，四季分明，气候分布差异明显，年均温13℃~14℃，年降水量800~1000 mm，由北至南逐渐增加，生长期200~250 d。研究区东部和北部整体地势平坦，以平原为主，南部和西部地势起伏较大，以山地为主，植被主要以常绿阔叶林为主。研究区是全国最大的经济圈，总量相当于全国总产值的20%以上，且年均增长量远高于国内平均水平。

3. 数据与研究方法

3.1. 数据来源与预处理

本文基于遥感与地面多源数据，开展长三角地区NPP的时空特征及其驱动因子研究，数据说明如下：

1) NPP数据。本文采用2000~2015年的16 d合成MODIS-NDVI产品(https://search.earthdata.nasa.gov/search)，空间分辨率为250 m，为减少异常值等噪声影响，进行了Savitzky-Golay滤波处理，并采用最大合成法(MVC)得到2000~2015年的月最大NDVI最大值。将获得的NDVI数据利用CASA模型进行估算，得到NPP数据。

2) 气象数据。主要包括降水和气温数据，用于研究NPP气象驱动因子分析。数据来源于中国气象数据网(http://data.cma.cn/)，气象站点的观测数据，基于薄盘光滑样条插值法ANUSPIN对长三角地区217个气象站点(安徽67个，江苏69个，浙江70个，上海11个)观测数据进行空间插值，将气象数据栅格化，空间分辨率为1 km。

3) DEM数据。数据来源于中国科学院地理科学与资源研究所的资源环境科学与数据中心(https://www.resdc.cn)。后根据行政区划剪裁得到长三角地区DEM数据图。

4) 参考坐标。本文所有数据均统一到WGS84投影坐标系。

3.2. CASA模型

CASA模型是利用光能量利用率来估算NPP的代表性模型，基于光合有效辐射和光能利用率来计算NPP [12]：

${\text{NPP}}_{xt}={\text{APAR}}_{xt}\times {\epsilon }_{xt}$ (1)

式中： ${\text{APAR}}_{xt}$ 代表像元x在t月植被吸收的光合有效辐射(单位为MJ∙m⁻²∙month⁻¹)； ${\epsilon }_{xt}$ 代表像元x在t月的实际光能利用率(gC∙MJ⁻¹)。

光合有效辐射计算公式 [13]：

${\text{APAR}}_{xt}=0.5\times {\text{SOL}}_{xt}\times {\text{FPAR}}_{xt}$ (2)

式中： ${\text{SOL}}_{xt}$ 为像元x在t月的太阳总辐射量(MJ∙m⁻²∙month⁻¹)； ${\text{FPAR}}_{xt}$ 为植被对入射光合有效辐射(photosynthetically available radiation, PAR)的吸收比例；常数0.5为植被所能利用的太阳有效辐射(波长0.4~0.7 μm)占太阳总辐射的比例 。

光能利用率(ε)计算公式 [14]：

$\epsilon \left(x,t\right)=T_{\epsilon }\left(x,t\right)\times W_{\epsilon }\left(x,t\right)\times {\epsilon }_{\max }$ (3)

式中： $T_{\epsilon xt}$ 为气温对光能利用率胁迫系数； $W_{\epsilon xt}$ 为水分对光能利用率胁迫系数； ${\epsilon }_{\max }$ 为理想状态下最大光能利用率。

3.3. 趋势分析

利用线性倾向估算NPP的时间趋势，随着时间的变化，NPP常表现为序列整体的上升和下降趋势、空间分布格局变化，应用趋势分析对NPP年际变化趋势进行分析，基于像元的计算公式如下：

$B_{\text{slope}}=\frac{{{\displaystyle \sum }}_{i=1}^n\left(A_i\times {\text{NPP}}_I\right)-{{\displaystyle \sum }}_{i=1}^n{A}_i{{\displaystyle \sum }}_{i=1}^n{\text{NPP}}_i}{n\times {{\displaystyle \sum }}_{i=1}^n{A}_i^2-\left({{\displaystyle \sum }}_{i=1}^n{A}_i\right)²}$ (4)

式中：B_slope为线性倾向值，NPP_i为第i年的净初级生产力，A为年份，n为监测年数，当B_slope > 0时，表示随着时间A增加，NPP呈上升趋势，反之，NPP呈下降趋势，B_slope值的大小反映上升和下降的速率，即表示上升和下降的倾向程度。

${\text{NPP}}_c=\frac{B_{\text{slope}}}{\overline{\text{NPP}}}\times n\times 100\%$ (5)

式中： ${\text{NPP}}_c$ 表示为NPP的变化率(%)， $\overline{\text{NPP}}$ 表示n年的平均NPP值。

3.4. 变异系数

变异系数是反映观测值变异程度的一个统计量，即标准差与平均值的比值：

$\text{CV}=\frac{{\text{SD}}_{\text{NPP}}}{\overline{\text{NPP}}}$ (6)

式中，CV是NPP的变异系数， ${\text{SD}}_{\text{NPP}}$ 是NPP的标准差， $\overline{\text{NPP}}$ 是NPP的平均值。

3.5. 偏相关分析

偏相关分析是在不考虑其他因素影响的前提下，计算两个变量之间的相关性 [15]，利用基于像元的相关分析法计算NPP与降雨、气温的偏相关系数，即计算相关系数是偏相关分析的第一步：

$R_{xy}=\frac{{{\displaystyle \sum }}_{i=1}^n\left[\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)\right]}{\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\bar{x}\right)}^2}\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(y_i-\bar{y}\right)}^2}}$ (7)

式中： $R_{xy}$ 为x，y两变量的相关系数， $x_i$ 和 $y_i$ 分别表示x，y变量第i年的值，n为样本数， $\bar{x}$， $\bar{y}$ 分别表示变量x，y的平均值。相关系数的值介于区间 $\left[-1,1\right]$，其绝对值越大说明相关关系越强。

偏相关系数的计算公式：

$R_{xy,z}=\frac{R_{xy}-R_{xz}{R}_{yz}}{\sqrt{\left(1-R_{xz}^2\right)}\sqrt{\left(1-R_{yz}^2\right)}}$ (8)

式中： $R_{xy,z}$ 表示固定自变量z之后因变量x与自变量y的偏相关系数。

$R_{xz,y}=\frac{R_{xz}-R_{xy}{R}_{yz}}{\sqrt{\left(1-R_{xy}^2\right)}\sqrt{\left(1-R_{yz}^2\right)}}$ (9)

式中： $R_{xz,y}$ 表示固定自变量y之后因变量x与自变量z的偏相关系数。

偏相关系数的显著性检验一般采用t检验法，其公式为：

$t=\frac{R_{xy,z}}{\sqrt{1-R_{xy,z}^2}}\sqrt{n-m-1}$ (10)

式中： $R_{xy,z}$ 表示偏相关系数，n为样本数，m为自由度个数。

3.6. 复相关分析

复相关分析主要分析多个因素对一个因素的影响，假设y和z是自变量，x为因变量，则它们之间的复相关系数计算如下：

$R_{x,yz}=\sqrt{1-\left(1-R_{xy}^2\right)\left(1-R_{xz,y}^2\right)}$ (11)

式中： $R_{x,yz}$ 表示因变量x和自变量y、z的复相关系数， $R_{xy}$ 表示x、y的相关系数， $R_{xy,z}$ 为偏相关系数。复相关系数的显著性检验，采用F检验法进行检验：

$F=\frac{R_{x,yz}^2}{1-R_{x,yz}^2}\times \frac{n-k-1}{k}$ (12)

式中： $R_{x,yz}$ 为复相关系数，n为样本数，k为自变量个数。

4. 结果分析

对长三角地区植被年均初级生产力进行统计分析，如图2(a)所示，2000~2015年间，植被年均初级生产力变化范围为448.4~548.8 gC/m²，平均值为492.2 gC/m²，最大值出现在2014年，达到548.8 gC/m²，超过均值56.6 gC/m²，最小值出现在2000年，为448.4 gC/m²，低于均值43.8 gC/m²；16年间总体初级生产力呈波动上升趋势，上升速率为3.4 gC/(m²∙a)。对年均植被初级生产力进行偏差分析(图2(b))，植被初级生产力偏差总体稳定性较差，2007~2015年研究区植被初级生产力均值为476.1 gC/m²高于2000~2006年植被初级生产力均值504.6 gC/m²。经过对植被初级生产力单样本t检验分析得到95%置信区间为479.0~505.3 gC/m²，检验得50%落在置信区间内；最大偏离值出现在2014年，偏离11.5%。

通过对研究区各地区植被初级生产力的统计和分析(图3)，浙江省的植被初级生产力最高但波动性较大，上海市的植被初级生产力最低且较为稳定，安徽和江苏省整体呈波动上升趋势，而浙江省和上海市整体呈波动趋向稳定；在时间尺度上，安徽和江苏省的变化趋势有明显的趋同现象，浙江省和上海市的变化趋势有明显的趋同现象，主要是地形和城市化的复合作用 [16]。

(a)(b)

Figure 2. Annual variation (a) and deviation (b) tendency of NPP in Yangtze River Delta during 2000~2015

图2. 长三角地区2000~2015年NPP年际变化趋势(a)和偏离分析(b)

Figure 3. Annual variations of NPP of provinces in Yangtze River Delta during 2000~2015

图3. 长三角地区2000~2015年各地区NPP年际变化

4.1. 植被NPP空间分布特征

研究区自2000至2015年植被初级生产力具有明显的空间分布规律(图4)，呈南高北低趋势，变化范围在55~1425 gC/m²之间。植被初级生产力的空间分布具有明显的地域特点(图3)，上海市植被初级生产力总体均值最低，为296.8 gC/m²，浙江省植被初级生产力总体均值最高，为627.4 gC/m²，江苏省和安徽省整体差距较小。在安徽省植被初级生产力较低的地方主要为季节性较强的农作物种植区，作物主要是冬小麦、水稻和夏玉米等 [16]，初级生产力小于500 gC/m²；在安徽省南部和浙江省境内，森林覆盖率高，主要为常绿植被，且水热条件适宜植被生长，植被初级生产力大于550 gC/m²；江苏省沿海地区初级生产力明显高于内陆地区，主要呈西低东高，南低北高的趋势。江苏省南部和上海市城市化严重，导致植被初级生产力显著低于整体均值。

图5为2000~2015年研究区植被初级生产力的一元线性回归趋势分布图，上海市植被初级生产力总体呈下降趋势，下降速率为0.4 gC/m²；安徽省植被初级生产力总体上升速率最大，上升速率为5.0 gC/m²；江苏省整体上升速率为2.6 gC/m²；浙江省整体上升速率为0.8 gC/m²；植被初级生产力Slope < −10的区域主要分布江苏、上海和浙江境内，长江沿岸地区(如南通、南京、马鞍山等)、江苏省南部快速发展地区(如苏州、无锡、常州等)、上海市、浙江省南部和东部地区(如嘉兴、宁波、温州等)，这些地区的城市都在快速扩大和发展，说明城市的演变会影响植被初级生产力的变化趋势。

图6为研究区NPP变异系数(CV)的空间分布图，平均CV值为0.09，标准差均值为43.96，说明研究区植被初级生产力整体变异程度稳定，93.7%区域的变异系数小于0.15，且变异系数明显的地区在水系和城市周围，且和植物初级生产力的低值地区重合，表明研究区随着城市化进程的加快，植被状况正面临恶化 [17]；研究区各省变异系数均在0.08~0.11之间，说明研究区的NPP值在16年间相对稳定。

Figure 4. Spatial distributions of average NPP in Yangtze River Delta during 2000~2015

图4. 长三角地区2000~2015年平均NPP空间分布

Figure 5. Linear regression slope of NPP in Yangtze River Delta during 2000~2015

图5. 长三角地区2000~2015年NPP线性拟合图

Figure 6. CV spatial distributions of NPP in Yangtze River Delta during 2000~2015

图6. 长三角地区2000~2015年NPP变异系数空间分布

4.2. 气候因素对NPP影响

4.2.1. 气候因子变化趋势

根据研究区2000~2015年的降水和气温变化图(图7、图8)可知2000~2015年年均降雨量为850.7~1281.3 mm，多年均值为1037.1 mm，其中2003年年均降水量最小，2015年年均降水量最大，16年间年均降雨量呈上升趋势，变化趋势为9.9 mm/a；2000~2015年年均气温为13.0℃~14.0℃，多年均值为13.4℃，其中2011年年均气温最低，2007年年均气温最高，16年间年均气温呈下降趋势，变化趋势为−0.006℃/a。

Figure 7. Annual variation tendency of precipitation in Yangtze River Delta during 2000~2015

图7. 长三角地区2000~2015年降雨量变化趋势

Figure 8. Annual variation tendency of temperature in Yangtze River Delta during 2000~2015

图8. 长三角地区2000~2015年气温变化趋势

Figure 9. Spatial distributions of annual average precipitation in Yangtze River Delta

图9. 长三角地区2000~2015年多年平均降雨量空间分布

Figure 10. Spatial distributions of annual average temperature in Yangtze River Delta

图10. 长三角地区2000~2015年多年平均气温空间分布

由2000~2015年研究区降雨和气温的多年均值分布图(图9、图10)可得，降雨由南至北呈下降趋势，变化较为均匀，由于地形和季风综合作用出现明显的降水分界线(1000 mm)，且山地降雨量明显大于平原地区，浙江省多年年均降水量最高，为1299.9 mm，江苏省多年降水量最低，为845.8 mm；多年平均气温整体由南至北呈下降趋势，气温较高的区域分布在长江淮河以南的平原地区和丘陵的低海拔处，气温较低的区域分布在江苏省北部和山区，上海市多年平均气温最高，为14.1℃，江苏省多年平均气温最低，为13.0℃。

4.2.2. 植被NPP与气象因子的相关性

植被初级生产力与气候变化的关系是国内外全球变化研究的主要内容 [18] [19]，故对植被初级生产力进行主要气候因子——降水和气温的相关性分析。

通过对2000~2015年的植被初级生产力与降水之间的逐像元偏相关系数计算(图11)，定量的分析降水对植被初级生产力的影响，植被初级生产力对降水的响应表现出显著的空间差异性。植被初级生产力与降水的偏相关分析(图11)显示，研究区2000~2015年植被初级生产力与降水的偏相关系数为−0.831~0.926，统计结果显示植被初级生产力与降水呈正相关的区域占总面积的78.8%，主要分布在北纬29˚到北纬33˚之间，地形类型为平原；与降水呈负相关的区域占总面积的21.2%，主要为山脉和丘陵地区，说明地形对植被初级生产力和降雨之间的关系有较大的影响。对偏相关系数进行检验得到1.86%的区域通过0.02检验，主要的分布在安徽省东南部、江苏南部、浙江省北部和上海市西南部，分布相对集中。通过对2000~2015年的植被初级生产力与气温之间的逐像元偏相关系数计算(图12)，植被初级生产力与气温的偏相关系数为−0.769~0.856，统计结果显示植被初级生产力与气温呈正相关的区域占总面积的56.7%，主要分布在安徽省东南部、江苏省中部和浙江省东南部，分布相对分散；与气温呈负相关的区域占总面积的43.3%，主要集中在安徽中部、江苏省南部和上海市，分布相对集中。研究区域有0.08%的区域通过偏相关系数的0.02检验，四散分布在江苏省和安徽省境内。

Figure 11. Spatial distribution of partial correlations between annual NPP and precipitation during 2000~2015

图11. 长三角地区2000~2015年NPP与降雨的偏相关系数空间分布

Figure 12. Spatial distribution of partial correlations between annual NPP and temperature during 2000~2015

图12. 长三角地区2000~2015年NPP与气温的偏相关系数空间分布

Figure 13. Spatial distribution of multiple correlation between annual vegetation NPP and precipitation-temperature during 2000~2015

图13. 长三角地区2000~2015年NPP与降雨–气温的复相关系数空间分布

图13为植被初级生产力与降水–气温的复相关空间分布情况，复相关系数为0.001~0.938，植被初级生产力与气候因子复相关性较强的地区和植被初级生产力与降水偏相关性较强的地区重合，说明气候因子中降水为导致植被初级生产力变化的主导因子。复相关性较强的区域主要位于北纬30˚~32˚城市带(如宣城、无锡、湖州、泰州、南通等)，说明城市化会对植被初级生产力与气候因子之间的关系产生影响 [16]。

4.2.3. 植被NPP变化的驱动分析

气候变化和人类活动是植被初级生产力变化的主要驱动力，气候变化的主导因子是降水和温度，气候变化主要影响植被的光合作用和呼吸作用的过程，影响其净积累量，而改变生产力；人类活动主要是城市扩张，发展种植业等行为。参考其他学者对驱动力分区 [14] [15] [20]，结合研究区实际情况，对植被初级生产力进行分析，分类标准如表1。

Table 1. The regional rules of the driving factors for NPP changes

表1. NPP变化驱动力分区准则

R_xy,z：NPP与降水偏相关系的T显著性检验；R_xz,y：NPP与气温偏相关系的T显著性检验；R_x,zy：NPP与降水–气温复相关F显著性检验。

图14为植被初级生产力变化驱动力分区图，2000~2015年植被NPP变化受到降雨–气温强驱动的区域占研究区域的0.01%；受到气温驱动的区域占研究区域的0.07%，分布极为分散；受到降水驱动的区域占研究区域的1.85%，分布在安徽省东南部、江苏省南部、上海市西部和浙江省北部；受到降水–气温弱驱动的区域占研究区域的6.12%与受降水驱动的区域分部重合；受到非气候因子驱动的区域占研究区域的91.9%。最终分析，整体上，研究区的植被初级生产力变化主要受非气候因素影响。

Figure 14. Vegetation NPP change regions driven by different factors from 2000~2015

图14. 长三角地区2000~2015年NPP变化驱动力分区

5. 结论与讨论

本文基于MODIS-NDVI数据、气象数据、DEM数据对2000~2015年长三角地区的时空格局、变化趋势及驱动因素进行研究，结论如下：

1) 利用CASA模型将NDVI数据模拟NPP，得到2000~2015年长三角地区年均NPP为492.2 gC/m²；变化范围为448.4~548.8 gC/m²，整体呈波动上升趋势，上升速率为3.4 gC/(m²∙a)；最大值为2014年的548.8 gC/m²，超过均值56.6 gC/m²，最小值为2000年的448.4 gC/m²，低于均值43.8 gC/m²，最大偏离值出现在2014年，偏离11.5%；浙江省多年初级生产力最高，上海市多年初级生产力最低，浙江省多年净初级生产力年均值差异显著，但与上海市变化趋势一致，而浙江省与安徽省的年均NPP变化趋势一致；主要是地形和城市化共同作用。

2) 2000~2015年长三角地区植被年均NPP具有较强的空间异质性，呈南高北低趋势，安徽省、浙江省和江苏省的植被NPP增加速率大于0，安徽省上升速率为5.0 gC/m²；江苏省上升速率为2.6 gC/m²；浙江省上升速率为0.8 gC/m²；上海市的植被NPP增加速率小于0，下降速率为0.4 gC/m²，但从空间分布来看，整体仍然呈上升趋势。

3) 2000~2015年长三角地区在时间尺度上年降水量呈上升趋势，上升速率为9.9 mm/a，气温变化略有下降趋势，下降速率为0.006℃/a，空间分布上降雨由南至北呈下降趋势，有明显的降水分界线(1000 mm)，浙江省多年年均降水量最高，为1299.9 mm，江苏省多年降水量最低，为845.8 mm，气温较高的区域分布在长江淮河以南的平原地区和丘陵的低海拔处，气温较低的区域分布在江苏省北部和山区，上海市多年平均气温最高，为14.1℃，江苏省多年平均气温最低，为13.0℃；通过复相关分析得出，植被NPP与降水呈正相关的区域占总面积的78.8%，与气温呈正相关的区域占总面积的56.7%。

4) 植被NPP变化是气候、环境和人类活动等多种因素综合作用的结果，其中气候变化和人类活动是植被NPP变化的主要驱动因子；长三角地区植被NPP受气候因子影响的地区占8.05%，其中降水对植被NPP变化的影响较大，非气候因子影响占91.9%，主要体现为人类活动的影响。

本文分析了长三角地区植被NPP的时空变异特征，探究气候因子对植被NPP的驱动作用并明确驱动分区格局，为植被动态监测提供参考依据，对长三角地区生态恢复与可持续发展具有重要意义，为开展区域生态环境评价、环境保护和植被恢复等提供了科学的参考。

基金项目

由南京信息工程大学人才启动基金(2021r098)资助。

NOTES

^*通讯作者。