EN中文

Arid Zone Research >

2024 , Vol. 41 >Issue 6: 964 - 973

DOI: https://doi.org/10.13866/j.azr.2024.06.06

Plant Ecology

Characteristics of the spatial and temporal evolution of Gross Primary Productivity and its influencing factors in China’s drylands

  • TANG Kexin , 1 ,
  • GUO Jianbin , 1 ,
  • HE Liang 1 ,
  • CHEN Lin 2 ,
  • WAN Long 1
Expand
  • 1. College of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
  • 2. College of Ecology and Environment, Ningxia University, Yinchuan 750021, Ningxia, China

Received date: 2023-11-13

  Revised date: 2024-03-15

  Online published: 2025-08-12

Fold

Abstract

This study aimed to clarify the carbon sequestration capacity and its change mechanisms in the drylands of China. The study used the AI index to delineate the extent of drylands. Based on the MODIS Vegetation Gross Primary Productivity (GPP) dataset, the temporal and spatial characteristics of vegetation carbon sequestration capacity in China’s drylands from 2001 to 2020 were investigated. This investigation considered meteorological data, including temperature, precipitation, Vapor Pressure Deficit (VPD), soil water content, and human activities such as land use. The results reveal the following: (1) Over the 20 year period, GPP in China’s drylands elevated significantly in 64.72% of the regions. (2) Temperature had the lowest impact on GPP, with a relative contribution rate of 21.70%. Precipitation and soil water content emerged as the dominant factors driving GPP growth, with their combined contribution rate exceeding 55%. As drought intensified, the effect of water stress gradually strengthened. In different vegetation types, except for mixed forests and alpine vegetation, precipitation was the most critical climate factor influencing GPP changes. (3) Differences in soil and landform types were the dominant factors influencing the spatial variation of GPP. Moisture and land use type factors also played important roles, with the explanatory power of the interaction between any two factors exceeding that of a single factor. The interaction between soil type and the other factors was particularly remarkable. The study’s findings hold essential theoretical implications for a deeper understanding of the evolution characteristics of carbon sinks in arid ecosystems in China and their response mechanisms to external environmental factors.

Key words： gross primary productivity; climate change; response mechanism; geographic detector; China’s drylands

Cite this article

TANG Kexin , GUO Jianbin , HE Liang , CHEN Lin , WAN Long . Characteristics of the spatial and temporal evolution of Gross Primary Productivity and its influencing factors in China’s drylands[J]. Arid Zone Research, 2024 , 41(6) : 964 -973 . DOI: 10.13866/j.azr.2024.06.06

生态系统碳循环涉及碳固定和碳排放两个过程[1]，陆地生态系统作为全球生态系统的重要组成部分在全球碳循环中扮演重要角色[2]。植被光合作用作为陆地生态系统碳固定的主要来源，在调节二氧化碳和维持气候稳定方面发挥着重要作用[3-4]。植被总初级生产力（Gross Primary Productivity, GPP）为单位时间内植物通过光合作用固定的有机碳的量，是反映生态系统植被动态的重要参数[5⇓-7]。
以往研究表明，植被对气候变化保持着较高的敏感性[8]，我国西北干旱区植被在1981—1990年期间以退化趋势为主，而1990年以后主要为改善趋势[9]。总体上，中国GPP与气温、降水主要呈正相关关系，温度通常是控制高纬寒冷地区GPP的主导因子之一，而水分条件则控制着半干旱地区GPP的变化[10⇓-12]。宋进喜等[13]研究发现，中国自1982年以来植被生长的水分胁迫作用不断增强。我国干旱、半干旱区的植被动态变化主要受降水和蒸散发的控制[14]，土壤含水量、饱和水气压差（Vapor Pressure Deficit, VPD）作为植被干旱压力的两个主要驱动因素[15]，控制着植物根系可吸收水量的多少和叶片的气孔导度[16]，对植被生长产生直接影响，除气候因素外，地形可以通过改变植被生长的水热综合条件来影响GPP空间分布。此外，一些人类活动因素如城镇扩张或生态修复工程的实施改变了土地利用状况进而对植被动态产生影响[4]，茆杨等[17]研究发现，植被生产力的提高与造林面积显著相关。
植被GPP作为衡量生态系统植被固碳能力的常用指标[18]。目前，关于中国旱区GPP对气候变化的响应研究多集中于气温、降水这两个气候因子[15,19]，而关于土壤含水量和VPD这两个直接调控植被干旱程度的气候因子的研究相对不足；同时，在多因素共同作用下，控制中国旱区GPP空间格局关键影响因子也尚不明确，厘清中国旱区GPP时空尺度演变特征及其关键影响因子，对了解我国旱区乃至陆地生态系统碳循环及旱区可持续发展有重要理论意义[6]。
因此，本研究基于多元数据，以中国旱区整体为研究区域，利用Sen趋势分析、变异性分析、多因素偏相关分析和地理探测器方法从年内、年际和空间尺度上探究2001—2020年间植被GPP时空演变特征，明确了空间与时间序列尺度上GPP变化的关键影响因子。旨在全面了解中国旱区植被固碳能力动态变化及其对外界环境要素的响应机制。

1 研究区概况

中国旱区面积广大，主要包括东北、西北和西南广大地区，涉及14个省份（图1a），分布有大面积草地、荒漠和耕地。气候类型主要为温带大陆性气候和温带季风气候，地貌类型多样，海拔高差超过8000 m（图1b）。该地区2001—2020年间的年平均气温为4.26 ℃，范围在-18~22 °C；全域年平均降水量300 mm，范围在0~800 mm。根据干旱指数(Aridity Index，AI)划分旱区范围[20-21]，我国旱区可分为极端旱区(AI≤0.05)、干旱区(0.05<AI≤0.2)、半干旱区(0.2<AI≤0.5)以及亚湿润干旱区(0.5<AI≤0.65)[22]。我国干湿状况由东南向西北呈现出逐渐降低的趋势，干旱程度由沿海向内陆逐渐加剧（图1c）。
图1 研究区概况图

Fig. 1 Overview of the study area

2 研究方法

2.1 数据来源及预处理

GPP数据来自于NASA网站（https://lpdaac.usgs.gov/）提供的MOD17A3H数据集，空间分辨率为500 m，时间分辨率8 d，此数据集目前已经广泛应用于国内外陆地生态系统植被生产力研究，同时相较于以往版本此数据集显著改善了像素漂移等问题，数据质量更高[9,12]，数据下载和处理依托GEE平台（Google earth engine）。
气象数据来自中国气象数据网(https://data.cma.cn/)，下载研究区内总共402个气象站点（图1a）的日值数据，包括气温（最高、最低和平均气温）、降水、日照时间、平均相对湿度和风速等变量。利用彭曼公式计算出每日潜在蒸散量，进而得到AI指数值，同时，根据饱和水气压与实际水气压之差计算VPD。最后使用ANUSPLIN软件对上述数据进行空间插值，得到2001—2020年空间分辨率为1 km的月、年尺度的栅格气象数据集。
土壤含水量数据集来自欧洲中期天气预报中心（ECMWF）（https://www.ecmwf.int/）全球气候大气再分析（ERA5）的第五代产品，空间分辨率为0.1°。100 cm以内的土壤水是中国旱地植物生长的主要水源[23-24]，因此，本研究使用深度为0~100 cm的平均土壤含水量数据进行分析。数字高程数据（DEM）使用国家地理空间数据云(https://www.gscloud.cn/search)的SRTMDEMUTM 90M数字高程产品，同时利用DEM数据提取研究区坡度、坡向数据。土地利用数据集下载自Zenodo网站（https://zenodo.org/）。植被类型、土壤类型、地貌类型、国内生产总值（Gross Domestic Product，GDP）和人口（Population，POP）数据均来自中国科学院资源环境科学与数据中心(https://www.resdc.cn/)。
以上数据经过统一处理后空间投影和分辨率（1 km）保持一致。

2.2 分析方法

2.2.1 AI指数计算

用干旱指数来界定中国旱区的范围，计算公式如下：
A I = P E T 0
式中：P为年降水量；ET0为年潜在蒸散量，将AI<0.65划定为旱区[22]，本研究使用2001—2020年AI指数年均值<0.65的区域作为研究区（图1c）。

2.2.2 Sen趋势分析及MK检验

本研究采用Theil-Sen（Sen）趋势分析和Mann-Kendall（MK）检验以阐明GPP时空变化。该方法在减少异常值和测量误差的影响方面更加出色，具体计算方法见参考文献[25]。GPP的Sen斜率用SlopeGPP表示，趋势的显著性检验使用MK检验的Z值在95%的置信水平下进行评估，根据趋势分析和显著性检验的结果，将GPP变化分为4种模式：显著增加（SlopeGPP>0，|Z|>1.96）、不显著增加（SlopeGPP>0，|Z|<1.96）、显著减少（SlopeGPP<0，|Z|>1.96）和不显著减少（SlopeGPP<0，|Z|<1.96）。

2.2.3 变异性分析

变异系数Cv表示一组数据距平均值的变化幅度，可以表征一组数据的年际波动程度，计算公式如下：
C v = s μ
s = 1 n - 1 ∑ i = 1 n ( x i - μ ) 2
式中：s为多年GPP标准差； μ为多年GPP均值；n为样本量；xi表示数据集中第i个数据值；Cv值越大表明波动程度越大，抗干扰能力越弱，Cv值越小表明波动程度越小，抗干扰能力越强。

2.2.4 偏相关分析及气候因子相对贡献率计算

本研究在年、月尺度下，利用四要素偏相关分析在控制降水、温度、土壤含水量、VPD四个要素中任意三个要素的条件下，研究中国旱区GPP与某一要素的偏相关性[26]，同时，为了定量描述四种气候因子对GPP的影响大小，在偏向关分析基础上计算了各气候因子对GPP变化的相对贡献率[27]。
r x y z 1 z 2 ⋯ z g = r x y z 1 z 2 ⋯ z g - r x z g z 1 z 2 ⋯ z g - 1 × r y z g z 1 z 2 ⋯ z g - 1 1 - r x z g z 1 z 2 ⋯ z g - 1 2 × 1 - r y z g z 1 z 2 ⋯ z g - 1 2
C o n t r × Y j = R y j x i ∑ i = 1 i = n R y j x i × 100 %
式中： r x y z 1 z 2 ⋯ z g为偏相关系数，若该值>0则表示GPP与气象要素呈正相关；相反，则为负相关关系，研究结果在95%置信度下进行显著性检验。 Y j为气候因子对因变量GPP的贡献率。 R y j x i为气候因子与因变量之间的偏相关系数。

2.2.5 地理探测器

地理探测器用于描述某一变量空间分异的驱动力大小[28]，本研究利用因子探测和交互探测定量化研究各因子对中国旱区植被GPP空间格局的影响，因子解释力q的计算公式如下：
q = 1 - ∑ h - 1 3 n X h V a r X h n V a r X
式中： q为影响要素空间分异的解释大小， q值范围为0~1，q越大表示驱动因子对GPP空间分异的影响越大； n X h表示影响因素x子区域的数量；VarXh为第h个子区域的方差；VarX为总体方差。交互探测器用于识别两驱动因子（X1、X2）的交互作用，交互作用类型可划分为5类：非线性减弱（q(X1∩X2)<Min[q(X1),q(X2)]）、单因子非线性减弱（Min[q(X1),q(X2)]<q(X1∩X2)<Max[q(X1),q(X2)]）、双因子增强（q(X1∩X2)>Max[q(X1),q(X2)]）、独立（q(X1∩X2)=q(X1)+q(X2)）、非线性增强（q(X1∩X2)>q(X1)+q(X2)）。

3 结果与分析

3.1 中国旱区植被GPP时空变化

中国旱区GPP 2001—2020年年际变化如图2所示，GPP在20 a间呈增长趋势，增长速率为4.96 g C·m-2·a-1，最小值出现在2001年，为256.65 g C·m-2，最大值为386.49 g C·m-2，出现在2018年。
图2 GPP年际变化

Fig. 2 Inter-annual changes of GPP

中国旱区GPP年均值的空间分布如图3a所示，呈自东向西逐渐降低的空间趋势，研究区东部华北平原、黄土高原中南部的山西和陕西中部、内蒙古东北部的GPP较高，西北和青藏高原地区GPP最低。GPP年际变化情况的空间分布如图3b所示，全域大部分地区（95.38%）均呈增长区域，其中，显著增长的地区占64.72%，主要分布在华北、东北及中部黄土高原地区，GPP减少区域占总面积的4.62%，零星分布在青藏高原东南缘及新疆伊犁河谷地区。图3c展示了不同植被类型的GPP年均值，林地和湿地最高，分布在青藏高原地区的高山植被区和西北地区的荒漠植被区GPP最低。图3d对比了不同植被类型GPP的增长速率，各植被类型均呈增长趋势，其中，耕地、阔叶林、混交林、湿地区域增长速率高于全域均值，耕地区域增长速率最快，高山植被区域增长速率最慢。不同植被类型、不同干旱程度下GPP的变异系数如图4所示，荒漠植被和耕地的变异性高，森林和湿地区域变异性较低（图4a），不同干旱程度下，干旱区、半干旱区GPP变异性高于研究区均值，干旱区GPP变异性最强，极端干旱区和亚湿润干旱区变异性较弱（图4b）。
图3 GPP年均值及变化趋势的空间分布

Fig. 3 Spatial distribution and trends of annual GPP mean values

图4 不同植被类型（a）、不同干旱程度（b）下GPP变异性对比

Fig. 4 Contrasting GPP variability under distinct vegetation types (a) and diverse drought intensities (b)

3.2 气候变化对中国旱区植被GPP的影响

GPP对气候因子的偏相关关系空间分布如图5所示。GPP与降水的相关性以正相关关系为主，其中，以东部华北、东北及甘肃-宁夏地区相关性最强（偏相关系数>0.6）(图5a)。GPP与温度的偏相关性也以正相关关系为主，但相关性普遍弱于与降水的关系，甘肃、青海、西藏及新疆北部正相关性较强，负相关关系主要分布在新疆沙漠边缘(图5b)；在内蒙古东北部、陕西省和新疆北部地区GPP与VPD负相关关系较强（图5c）；GPP与土壤含水量存在较强正相关性的区域分布在东部草地地区（图5d）。
图5 年尺度下GPP与气候因子间的偏相关系数的空间分布

Fig. 5 Spatial distribution of partial correlation coefficients between GPP and climate factors at the annual scale

整体上，气候因子对GPP年际波动的相对贡献率从大到小为：降水（31.65%）>土壤含水量（23.66%）>VPD（22.99%）>温度（21.70%）。相对贡献率沿干旱梯度的变化如图6所示，在四个干旱梯度中，降水均是相对贡献率最高的因子，温度的相对贡献率最低，随着干旱程度的提高，温度的重要性有降低的趋势，也就是说，降水、土壤含水量、VPD对GPP的贡献力之和呈上升趋势，降水的相对贡献呈上升趋势，VPD和土壤含水量的相对贡献大致呈下降趋势。
图6 不同干旱程度地区气候因子对GPP的相对贡献率

Fig. 6 Relative contribution of climatic factors to GPP in regions with varying drought levels

气候因子对不同植被类型GPP的相对贡献率大小如图7所示，除混交林和高山植被区外，降水均是最重要的气候因子，混交林区域对VPD变化最为敏感，而对于高山植被而言，温度则成为最重要因子。
图7 不同植被类型间气候因子对GPP的相对影响贡献率

Fig. 7 Relative contribution of climate factors to GPP in various vegetation types

3.3 中国旱区植被GPP空间驱动力

中国旱区GPP的因子探测结果如图8所示。对GPP空间格局解释力较大的因子主要包括：土壤类型、地貌类型、AI指数、土地利用类型、海拔、降水、相对湿度。气候因子中，降水、相对湿度和AI指数是对GPP空间分异解释力最强的因子，其次为土壤含水量和温度。人类活动因子中（GDP、POP、土地利用类型）土地利用类型解释力较强。且AI指数、降水和土地利用类型的空间解释力随着时间推移有增强的趋势。
图8 GPP空间格局的因子解释力（q值）

Fig. 8 Factor explanatory power (q value) of the spatial pattern of GPP

交互探测结果如表1所示，任意两因子交互作用解释力均大于单因子解释力，均表现为双因子增强或非线性增强。土壤类型与其他因子的交互作用解释力最大，其中，以与地貌类型、降水、AI指数，土地利用类型、相对湿度、土壤含水量交互作用解释力最强，随时间变化，与水分条件有关的因子如相对湿度、土壤含水量与其他因子交互作用有增强的趋势。
表1 GPP空间格局的因子交互解释力等级排序

Tab. 1 Ranking of interaction explanatory power, 2005, 2010, 2015 and 2020

年份 交互解释力排序(前10)
2005年 土壤类型∩地貌类型=0.760>土壤类型∩降水=0.726>土地利用类型∩土壤类型=0.725>土壤类型∩海拔=0.719>土壤类型∩AI指数=0.716=土壤类型∩相对湿度=0.716 >VPD∩土壤类型=0.696>土壤类型∩温度=0.689>土壤类型∩土壤含水量=0.687
2010年 土壤类型∩地貌类型=0.760>土壤类型∩相对湿度=0.744>土地利用类型∩土壤类型=0.728>土壤类型∩海拔=0.725>土壤类型∩AI指数=0.724>土壤类型∩降水=0.722>土壤类型∩温度=0.703>土壤类型∩海拔=0.743>土壤类型∩VPD=0.697>土壤类型∩土壤含水量=0.695
2015年 土壤类型∩地貌类型=0.787>土壤类型∩AI指数=0.785> 土壤类型∩相对湿度=0.780>土壤类型∩降水=0.779>地貌类型∩海拔=0.752> 温度∩土壤类型=0.724>土壤类型∩VPD=0.721>土壤类型∩潜在蒸散发=0.714>土壤类型∩土壤含水量=0.713> 地貌类型∩降水=0.710>地貌类型∩AI指数=0.705
2020年 土壤类型∩AI指数=0.839>地貌类型∩AI指数=0.786>地貌类型∩土壤类型=0.776>土壤类型∩土壤含水量=0.765>土壤类型∩降水=0.764>AI指数∩海拔=0.757>土壤类型∩相对湿度=0.756>土壤类型∩土地利用类型=0.750>土壤类型∩海拔=0.740>土壤类型∩温度=0.717

4 讨论

4.1 中国旱区植被GPP时空特征

中国旱区GPP在空间上呈自东向西逐渐减少的趋势（图3a），从植被类型来看，森林地区和湿地GPP较高（图3b），地处内陆的荒漠植被和高山高寒植被区自然环境恶劣，不利于有机质积累，GPP较低。近20 a年中国旱区GPP呈显著增长趋势，增长速率为4.96 g C·m-2·a-1。增长面积占95.38%，其中，显著增长的区域超过60%，林地和耕地GPP增长速率最快（图3d）。不同干旱程度下，干旱区和半干旱区GPP波动较大，稳定性相对较差。2001—2020年间中国旱区土地利用类型变化如表2所示，20 a间，林地面积显著增加，且大面积耕地转化为林地和草地，这与中国旱区内大规模实施的退耕还林、三北防护林等生态修复工程密切相关，耕地、裸地、建筑用地转化为林地、灌丛和草地的区域如图9所示，中部黄土高原地区、新疆、西藏地区均有较广泛的分布，这些区域均是退耕还林的重点区域，其中，已有相关研究证明，黄土高原作为最早开展退耕还林的试点区域之一，21世纪以来增汇效果显著[29]，这些人为措施有效地促进了中国旱区GPP增长，这与前人研究结论一致[4,27]。
表2 2001年、2020年土地转移矩阵

Tab. 2 2001, 2020 land transfer matrix /km2

2020年 2001年
建筑用地 草地 耕地 灌丛 林地 裸地 湿地 水体 冰/雪地
建筑用地 36479.1 5875.9 21965.2 1.9 289.8 1880.0 0 1327.5 0
草地 281.7 2226644 84251.6 1826.8 5502.1 118799 63.8 2462.6 830.2
耕地 39.6 33231.4 8284.5 1633.6 234645 29.6 4.4 111.6 10.2
灌丛 0 925.9 17.4 2082.1 793.9 0 0 0.1 0
林地 2713.2 87477.7 479383 38.8 4932.5 13465.6 23.7 1829
裸地 54.0 92851.3 1482.38 0 11.0 1761150 16.8 1849.2 8287.2
湿地 0 267.6 16.3 0 0.8 12.2 485.6 4.7 0.2
水体 589.6 6088.0 2688.4 0.1 46.8 9125.8 24.3 53631.8 619.5
冰/雪地 0 889.6 0.03 0 0.2 8902.8 0.1 70.0 44194.3
图9 2001—2020年土地利用变化分布

Fig. 9 Distribution of land use change 2001-2020

4.2 中国旱区植被GPP对气候变化的响应

2001—2020年中国旱区水热条件呈“暖湿化”趋势，降水和温度的增长速率分别为28.2 mm·(10a-1)、0.08 °C·(10a-1)。在该气候变化条件下，气候因子对GPP的相对影响力大小为：降水>土壤含水量>VPD>温度，不同干旱程度GPP对气候因子的响应程度不同，随着湿润程度的增加，温度的影响力有提升的趋势，表明热量对植物生长的影响逐渐增大，水分胁迫作用有减弱趋势，同时，水分胁迫作用的减弱主要体现在VPD和土壤含水量对GPP的调控作用的降低。但与热量条件相比，水分仍然是控制中国旱区GPP增长的主要原因。在旱区，土壤水作为植物生长直接利用的水分，能够通过影响植物根系生长从而间接作用于植被GPP的变化[30]，降水是补充土壤水分最重要的来源，降水与土壤水分的增加共同促进着植被GPP的增加，在调控中国旱区GPP变化中起到主导作用。VPD通过调控植物叶片气孔导度对GPP产生影响[16]，极端干旱区、干旱区VPD对GPP的相对影响较半干旱区、亚湿润干旱区大，表明水分状况的提高在一定程度上降低了VPD对GPP的负面影响。

4.3 中国旱区植被GPP空间格局影响因素分析

本研究使用地理探测器探究了GPP空间格局形成的关键因子，结果表明，土壤类型、地貌类型对GPP空间格局的影响最大，同时，土壤类型与其他因子的交互作用解释力也最强，土壤是植被生长的“营养库”，土壤类型决定了区域土壤的综合条件，受到土壤质地、土壤含水量诸多因素的共同作用，对植被生长有着多方面影响，这也是土壤类型比土壤含水量单因子解释力高的原因；地貌类型能够直接影响区域水热综合特征[31]，尤其是对中国旱区来说，森林多分布在山地垂直带上，而低海拔地区植被较为稀疏[12,31]，这使得旱区植被的固碳力对地形因子有更大的敏感性，这与刘洪顺等[32]关于中国辽西沙化土地植被生产力的关键影响因素的研究结果：土壤养分、地形因素是影响植被生产力空间格局的关键因素一致。降水、AI指数、相对湿度等水分条件也是塑造旱区GPP空间格局的重要因子,与前人研究结果一致[33]，人类活动对GPP的影响较大的因子为土地利用类型。

5 结论

本研究基于GPP探究中国旱区植被固碳能力时空演变特征及其影响因素。主要结论如下：
（1） 中国旱区植被GPP在2001—2020年间呈显著增长的趋势，显著增长区域超过60%，说明研究区固碳能力在20 a间显著提升。
（2） 降水和土壤含水量是驱动旱区植被固碳能力提升的主要气候因子，对GPP年际波动的贡献率分别为31.65%、23.66%，温度的贡献率最低，随干旱程度的增加，干旱胁迫逐渐增强，表现为VPD和土壤含水量对GPP调控作用增强。
（3） 土壤类型、地貌类型是影响旱区GPP空间分异的主导因子。水分条件和土地利用类型对GPP空间格局的塑造也有重大作用。任意两因子交互作用解释力均大于单因子解释力，以土壤类型与其他因子的交互解释力最大。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307.

[Liu Kun, Zhang Hui, Kong Linghui, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307. ]

[2]
陶波, 葛全胜, 李克让, 等. 陆地生态系统碳循环研究进展[J]. 地理研究, 2001, 20(5): 564-575.

[Tao Bo, Ge Quansheng, Li Kerang, et al. Progress in the studies on carbon cycle in terrestrial ecosystem[J]. Geographical Research, 2001, 20(5): 564-575. ]

DOI

[3]
赵宁, 周蕾, 庄杰, 等. 中国陆地生态系统碳源/汇整合分析[J]. 生态学报, 2021, 41(19): 7648-7658.

[Zhao Ning, Zhou Lei, Zhuang Jie, et al. Integration analysis of the carbon sources and sinks in terrestrial ecosystems, China[J]. Acta Ecologica Sinica, 2021, 41(19): 7648-7658. ]

[4]
He L, Guo J B, Jiang Q O, et al. How did the Chinese Loess Plateau turn green from 2001 to 2020? An explanation using satellite data[J]. Catena, 2022, 214: 106246.

[5]
乌日娜, 刘步云, 包玉海. 干旱对中国北方草原总初级生产力影响的时滞和累积效应[J]. 干旱区研究, 2023, 40(10): 1644-1660.

[Wu Rina, Liu Buyun, Bao Yuhai. Time lag and cumulative effect of drought on gross primary productivity in the grasslands of northern China[J]. Arid Zone Research, 2023, 40(10): 1644-1660. ]

[6]
杨丹, 王晓峰. 黄土高原气候和人类活动对植被NPP变化的影响[J]. 干旱区研究, 2022, 39(2): 584-593.

[Yang Dan, Wang Xiaofeng. Contribution of climatic change and human activities to changes in net primary productivity in the Loess Plateau[J]. Arid Zone Research, 2022, 39(2): 584-593. ]

[7]
Lian X, Piao S L, Chen A P, et al. Multifaceted characteristics of dryland aridity changes in a warming world[J]. Nature Reviews Earth & Environment, 2021, 2: 232-250.

[8]
Huang J P, Yu H P, Dai A G, et al. Drylands face potential threat under 2 ℃ global warming target[J]. Nature Climate Change, 2017, 7(6): 417-422.

[9]
许丽. 气候变化和植被变绿对中国北方旱区土壤水分动态的影响机制[D]. 西安: 长安大学, 2023.

[Xu Li. Compound Effects of Climate Change and Vegetation Greening on Soil Moisture Variability in the Northern Drylands of China[D]. Xi’an: Chang’an University, 2023. ]

[10]
Sun Z Y, Wang X F, Yamamoto H, et al. Spatial pattern of GPP variations in terrestrial ecosystems and its drivers: Climatic factors, CO2 concentration and land-cover change, 1982-2015[J]. Ecological Informatics, 2018, 46: 156-165.

[11]
Yu G R, Song X, Wang Q F, et al. Water-use efficiency of forest ecosystems in eastern China and its relations to climatic variables[J]. New Phytologist, 2008, 177: 927-937.

DOI PMID

[12]
林小丁, 常乐, 冯丹. 2000—2019年青海地区植被总初级生产力遥感估算及时空变化分析[J]. 草业学报, 2021, 30(6): 16-27.

DOI

[Lin Xiaoding, Chang Le, Feng Dan. Remote-sensing estimation of vegetation gross primary productivity and its spatiotemporal changes in Qinghai Province from 2000 to 2019[J]. Acta Prataculturae Sinica, 2021, 30(6): 16-27. ]

DOI

[13]
宋进喜, 齐贵增, 佘敦先, 等. 中国植被生产力对干湿变化的响应[J]. 地理学报, 2023, 78(7): 1764-1778.

DOI

[Song Jinxi, Qi Guizeng, She Dunxian, et al. Response of vegetation productivity to wet and dry changes in China[J]. Acta Geographica Sinica, 2023, 78(7): 1764-1778. ]

DOI

[14]
Zhao X, Tan K, Zhao S, et al. Changing climate affects vegetation growth in the arid region of the northwestern China[J]. Journal of Arid Environments, 2011, 75(10): 946-952.

[15]
高振翔, 叶剑, 丁仁惠, 等. 中国植被总初级生产力对气候变化的响应[J]. 水土保持研究, 2022, 29(4): 394-399, 414.

[Gao Zhenxiang, Ye Jian, Ding Renhui, et al. Response of vegetation of gross primary productivity to climate change in China[J]. Research of Soil and Water Conservation, 2022, 29(4): 394-399, 414. ]

[16]
Liu L B, Gudmundsson L, Hauser M, et al. Soil moisture dominates dryness stress on ecosystem production globally[J]. Nature Communication, 2020, 11: 4892.

[17]
茆杨, 蒋勇军, 张彩云, 等. 近20年来西南地区植被净初级生产力时空变化与影响因素及其对生态工程响应[J]. 生态学报, 2022, 42(7): 2878-2890.

[Mao Yang, Jiang Yongjun, Zhang Caiyun, et al. Spatio-temporal changes and influencing factors of vegetation net primary productivity in Southwest China in the past 20 years and its response to ecological engineering[J]. Acta Ecologica Sinica, 2022, 42(7): 2878-2890. ]

[18]
唐希颖, 武红, 董金玮, 等. 沙化和退化状态对甘南草地生态系统固碳的影响[J]. 生态学杂志, 2022, 41(2): 278-286.

[Tang Xiying, Wu Hong, Dong Jinwei, et al. Effects of desertification and degradation on carbon sequestration of grassland ecosystem in Gannan[J]. Chinese Journal of Ecology, 2022, 41(2): 278-286. ]

DOI

[19]
王娟, 王钊, 郭斌, 等. 陕西黄河流域植被碳利用率时空特征及对气候的敏感性研究[J]. 干旱区研究, 2023, 40(12): 1959-1968.

[Wang Juan, Wang Zhao, Guo Bin, et al. Spatiotemporal characteristics of vegetation carbon use efficiency and its sensitivity to climate in the Yellow River Basin in Shaanxi Province[J]. Arid Zone Research, 2023, 40(12): 1959-1968. ]

[20]
范双萍. 甘肃陇中地区近55年潜在蒸散量及干旱指数演变趋势[J]. 地球环境学报, 2018, 9(2): 172-181.

[Fan Shuangping. Variation tendency of potential evapotranspiration and aridity index in central Gansu Province in recent 55 years[J]. Journal of Earth Environment, 2018, 9(2): 172-181. ]

[21]
He B, Wang S R, Guo L L, et al. Aridity change and its correlation with greening over drylands[J]. Agricultural and Forest Meteorology, 2019, 278: 107663.

[22]
许丽, 高光耀, 王晓峰, 等. 气候变化和人类活动对中国北方旱区植被变绿的定量贡献[J]. 生态学报, 2023, 43(17): 7274-7283.

[Xu Li, Gao Guangyao, Wang Xiaofeng, et al. Quantifying the contributions of climate change and human activities to vegetation greening in the drylands of northern China[J]. Acta Ecologica Sinica, 2023, 43(17): 7274-7283. ]

[23]
Cheng X R, Huang M B, Shao M G, et al. A comparison of fine root distribution and water consumption of mature Caragana korshinkii Kom grown in two soils in a semiarid region[J]. Plant and Soil, 2019 315: 149-161.

[24]
Deng L, Yan W M, Zhang Y W, et al. Severe depletion of soil moisture following land-use changes for ecological restoration: Evidence from northern China[J]. Forest Ecology and Management, 2016, 366: 1-10.

[25]
王永锋, 靖娟利, 马炳鑫. 滇黔桂岩溶区ET时空特征及气候因子驱动[J]. 水土保持研究, 2022, 29(5): 235-243.

[Wang Yongfeng, Jing Juanli, Ma Bingxin. Spatio temporal characteristics of evapotranspiration and its driving climate factors in the karst areas of Yunnan-Guizhou-Guangxi[J]. Research of Soil and Water Conservation, 2022, 29(5): 235-243. ]

[26]
He L, Guo J B, Yang W B, et al. Multifaceted responses of vegetation to average and extreme climate change over global drylands[J]. Science of the total environment, 2023, 858: 159942.

[27]
Xiao B Q, Bai X Y, Zhao Y, et al. Responses of carbon and water use efficiencies to climate and land use changes in China’s Karst Areas[J]. Journal of Hydrology, 2023, 617: 128968.

[28]
陈雪萍, 赵学勇, 张晶, 等. 基于地理探测器的科尔沁沙地植被NDVI时空变化特征及其驱动因素[J]. 植物生态学报, 2023, 47(8): 1082-1093.

DOI

[Chen Xueping, Zhao Xueyong, Zhang Jing, et al. Variation of NDVI spatio-temporal characteristics and its driving factors based on geodetector model in Horqin Sandy Land, China[J]. Chinese Journal of Plant Ecology, 2023, 47(8): 1082-1093. ]

DOI

[29]
张玉. 退耕还林政策增汇效果的测度模型、空间分异及影响因素分析[D]. 杨凌: 西北农林科技大学, 2023.

[Zhang Yu. Measurement Model, Spatial Differentiation and Influencing Factor Analyses the Carbon Sequestration Enhancement Effect of Grain for Green policy: A Case Study on Loess Plateau[D]. Yangling: Northwest A & F University, 2023. ]

[30]
张雷明, 上官周平. 黄土高原土壤水分与植被生产力的关系[J]. 干旱区研究, 2002, 19(4): 59-63.

[Zhang Leiming, Shangguan Zhouping. Relationship between the soil moisture and the vegetation productivity in the Loess Plateau[J]. Arid Zone Research, 2002, 19(4): 59-63. ]

[31]
石志华, 刘梦云, 吴健力, 等. 基于CASA模型的陕西省植被净初级生产力时空分析[J]. 水土保持通报, 2016, 36(1): 206-211.

[Shi Zhihua, Liu Mengyun, Wu Jianli, et al. Spatial-temporal analysis of vegetation Net Primary Productivity in Shaanxi Province based on CASA model[J]. Bulletin of Soil and Water Conservation, 2016, 36(1): 206-211. ]

[32]
刘洪顺, 布仁仓, 王正文, 等. 辽西北沙化土地植被生产力关键影响因素[J]. 应用生态学报, 2024, 35(1): 49-54.

DOI

[Liu Hongshun, Bu Rencang, Wang Zhengwen, et al. Critical influencing factors on vegetation productivity in sandy land in northwestern Liaoning Province China[J]. Chinese Journal of Applied Ecology, 2024, 35(1): 49-54. ]

DOI

[33]
Senviratne S, Corti T, Davin E, et al. Investigating soil moisture-climate interactions in a changing climate: A review[J]. Earth-Science Reviews, 2012, 99: 125-161.

Options
Outlines

/

〈 〉