基于长时间序列、分辨率为30米的NPP数据集，评估城市扩张对生态系统碳的影响

《Ecological Indicators》：Evaluating the impact of urban expansion on ecosystem carbon based on a long time series 30 m resolution NPP dataset

植被净初级生产力时空演变及驱动机制研究——以长株潭城市群为例。该研究利用30米Landsat NDVI数据和CASA模型，分析了2000-2020年长株潭（CZT）城市群的植被NPP时空特征，发现年均NPP为308.49 g C/m2·a，呈总体下降趋势，最大降幅达359.83→246.67 g C/m2·a。直接驱动（土地利用变化）贡献54.62%，间接驱动（气候变化）占45.38%。空间异质性显著，城市核心区NPP升高（人工绿化），外围区域降低（建筑扩张）。经济水平与城市扩张速度差异导致NPP损失空间分异，CS损失最严重（占51.57%），XT次之，ZZ相对较轻。研究为快速城市化地区的生态碳汇管理提供了量化依据。

　　该研究聚焦于中国中部的长株潭都市圈（CZT），探讨了城市化对植被净初级生产力（NPP）的影响。随着全球城市化进程的加快，城市对生态环境的干扰日益显著，而植被NPP作为衡量生态系统碳固定能力的重要指标，其变化趋势和驱动因素对于评估区域碳平衡具有重要意义。本文通过结合高分辨率遥感数据、土地利用/覆盖（LULC）信息和气象数据，构建了一个具有30米空间分辨率的植被NPP估计模型，并进一步分析了城市扩展对植被NPP的直接和间接影响。

长株潭都市圈位于中国长江中游，涵盖长沙、株洲和湘潭三个城市，总面积约为8617平方公里。该地区属于亚热带季风气候，具有高温多雨的特征，年均温在16至18摄氏度之间，50%至60%的年降雨量集中在春秋季节。研究发现，植被NPP呈现出显著的空间异质性，外围地区NPP值较高，而城市中心区域NPP值较低。在2000年至2020年间，植被NPP的年均值范围在246至356克碳/平方米/年之间，其中约20.01%的区域经历了显著的NPP下降，而仅10.11%的区域NPP有所增加。城市扩展是导致NPP损失的主要因素之一，占总损失的13.77%，特别是在长沙东部和城市交汇处，NPP下降尤为明显。

研究采用了一种基于深度学习的集成分类方法，利用Landsat影像数据和高分辨率土地覆盖数据，实现了城市LULC的精准分类。该方法通过提取深层特征并进行特征选择，提高了分类的准确性和稳定性。结果表明，整体分类精度和Kappa系数均超过95%和0.93，满足后续植被NPP估算的需求。此外，研究还结合了气象数据和遥感技术，构建了一个高精度的NPP估计框架，通过多因素分解模型，系统分析了气候变化、土地利用变化和城市化对NPP变化的相对贡献。

通过统计分析，研究发现城市扩展对NPP的影响具有显著的空间异质性。长沙作为区域中心城市，其NPP损失最为严重，占总损失的51.57%，而湘潭和株洲的损失相对较小。研究还指出，城市化过程中，直接驱动因素（如土地利用变化）贡献了54.62%的NPP损失，而间接驱动因素（如气候变化）则占45.38%。这种双重影响表明，城市化不仅直接改变了土地利用格局，还通过改变区域微气候和生态系统结构，间接影响了植被的碳固定能力。

在经济层面，研究发现经济发展的水平与植被NPP损失之间存在密切关系。经济发达区域由于城市化程度较高，土地利用变化更为频繁，导致植被覆盖减少，进而加剧了NPP的下降。相反，一些经济相对落后的区域由于土地利用变化较少，其NPP损失相对较小。研究还提到，由于区域发展策略的差异，城市扩展对植被NPP的影响在不同地区表现出不同的特征。例如，长沙在2000至2010年间经历了较大幅度的NPP损失，而在2010至2020年间，湘潭和株洲的NPP损失增加更为显著，这可能与区域城市化进程的加快有关。

在气候因素方面，研究发现降水和温度对植被NPP的影响更为显著，而太阳辐射的贡献相对较小。通过部分相关系数分析，发现降水对NPP的正相关系数较高，且在大部分区域表现出正相关关系，这表明降水是影响植被生产力的重要因素。温度同样对NPP有正向促进作用，尤其是在森林覆盖较多的地区，气温的上升有助于延长植被生长季节，从而提高NPP。然而，太阳辐射的贡献相对有限，尤其是在局部过度照射和蒸发蒸腾压力增强的区域，其影响可能为负。这种空间异质性揭示了植被NPP对气候变化的复杂响应，强调了水资源在植被生产力变化中的关键作用。

研究还分析了土地利用变化、气候变化和经济社会发展之间的耦合机制。直接的土地利用变化，如农田和自然地表向建成区的转变，显著降低了区域植被生产力。这种变化不仅通过减少生物量，还通过景观破碎化影响了生态系统功能。间接因素如气候变化则通过改变区域微气候和能量-水分平衡，影响了植被的生长环境。此外，城市化作为经济社会发展的结果，其对NPP的影响还受到区域发展战略和政策导向的制约。例如，长沙作为省会城市，在城市化过程中采取了更为集约的发展模式，而株洲和湘潭则因区域整合而加速了城市扩张。

在方法论上，研究采用了多源遥感数据融合技术，结合了MODIS和Landsat NDVI数据，构建了高分辨率的植被NPP时间序列。通过ESTARFM算法，有效克服了传统遥感数据在时间和空间分辨率上的不足，提高了NPP估算的精度。同时，研究还引入了深度学习技术，通过预训练的UNet++、VGG16-UNet++和ResNet50-UNet++网络，提取了更丰富的植被特征，并通过Relief-F算法筛选出关键特征，提高了分类的准确性。这种多技术融合的方法为高分辨率植被NPP估算提供了新的思路。

研究结果表明，高分辨率遥感数据在揭示城市化对植被NPP的影响方面具有独特优势。相比传统的中低分辨率NPP产品，高分辨率数据能够更精确地捕捉到城市扩展、绿地变化和植被生产力的空间异质性。研究还强调，城市化对植被NPP的影响并非单一因素驱动，而是多种因素相互作用的结果。因此，需要综合考虑直接和间接驱动因素，建立统一的分析框架，以更全面地评估城市化对碳循环的影响。

研究还指出了当前方法的一些局限性。例如，植被NPP估算的准确性受到模型参数设置的影响，尤其是最大光能利用效率（εmax）的简化可能导致高植被异质性区域的NPP估算偏差。此外，深度学习分类方法在高异质性城市环境中仍可能面临土地覆盖混淆的问题，需要进一步结合多源数据和更精细的分类策略。气象数据的空间分辨率与遥感数据不匹配也可能影响结果的准确性，未来研究可以考虑引入降尺度气象数据或采用先进的空间插值方法，以提高数据的一致性。

研究还提出了未来改进方向和政策建议。例如，加强长期植被NPP动态分析，结合高时间分辨率的NDVI数据和精细化的植被分类，可以更准确地捕捉植被生产力对气候变化和人类活动的非线性响应。同时，引入气候预测和城市发展规划，有助于提高NPP评估的预测能力。在政策层面，建议采取空间优化策略，如严格保护高价值生态区、推动城市中心绿色基础设施建设、采用紧凑型和公共交通导向型发展方式，以减少土地碎片化和生态环境压力。此外，建立集成监测系统，将遥感数据、实地观测和城市规划相结合，能够为城市可持续发展提供科学依据。

总体而言，本研究为理解城市化对植被生产力和碳循环的影响提供了重要的科学依据。通过高分辨率数据和多因素分析，揭示了城市扩展对NPP的双重驱动机制，并强调了生态保护和可持续发展的必要性。研究结果不仅有助于优化城市规划和生态环境管理，还为全球城市化背景下碳平衡和碳中和目标的实现提供了参考。