秦岭山脉复杂山地景观中kNDVI与GPP的时空格局及其多重驱动因素研究

《Forests》：Spatiotemporal Patterns of kNDVI and GPP and Their Multiple Driving Forces Across Complex Mountain Landscapes of the Qinling Mountains, China

　　

秦岭山脉构成了中国重要的地理分界线和气候过渡带。本研究基于中分辨率成像光谱仪（MODIS）归一化植被指数（NDVI）数据推导了核归一化植被指数（kNDVI），并通过趋势分析、偏相关分析、方差分解分析和地理探测器分析，评估了kNDVI与传统NDVI及总初级生产力（GPP）在2000–2025年陕西省秦岭段的表现。（1）植被整体改善：年kNDVI从0.593上升至0.668，增速为0.0027 yr?1（R2 = 0.90），84.55%的区域呈显著增加趋势。（2）kNDVI与GPP的相关性仅略优于NDVI（像元尺度r = 0.566对比0.563；差值0.0026，95%置信区间0.0025–0.0027），经错误发现率校正后无任何像元存在显著差异，因此无法声称局部优越性。（3）气温和降水促进植被生长，而日照时长抑制生长；三个因子分别独立解释了kNDVI气候解释方差的44.3%、39.2%和15.9%，而气温单独解释了GPP方差的74.2%。（4）经显著性掩膜处理后，60.08%的kNDVI网格和33.94%的GPP网格不存在显著主导驱动因子；气温主导了64.96%区域的GPP变化，而降水主导了西部kNDVI变化、气温主导了东部kNDVI变化。年际气候仅能解释约五分之一至四分之一的年际变异性，留下了大面积空间上连贯的残差趋势。

一、研究背景与科学问题

秦岭山脉作为中国南北地理分界线和气候过渡带，拥有独特的地理条件和气候生态特征，具有极高的科研价值。植被作为陆地生态系统的主要组成部分，调控着生态平衡、气候以及水、碳和能量循环。近年来，全球气候变化加剧导致植被类型、覆盖度和质量发生持续变化，这些变化的幅度和速率在不同区域因地形地貌差异而表现出显著的空间异质性。准确量化长期植被变化趋势及其驱动机制，有助于阐明生态系统对气候波动和人类干扰的响应模式。

然而，现有研究存在三方面不足：第一，kNDVI相较于传统NDVI的敏感性优势极少通过正式的统计检验对照生产力基准进行量化，大多数研究仅报告相关系数，并将小数点后第三位的差异解释为优越性的证据；第二，在山地地区，地形和水热梯度在短距离内高度压缩，植被动态的气候驱动因素通常仅针对单一植被指数进行报告，而碳吸收的平行行为未被同步考察；第三，在线性气候信号被移除后剩余的残差趋势常被标记为“人为”贡献，但这些残差同样吸收了遗漏的气候变量和非线性气候响应，若无独立的土地利用或生态工程证据，不能归因于特定的人类活动。

二、研究内容与结论

本研究的主要目标是量化2000–2025年间陕西省秦岭段kNDVI和GPP的时空动态，并通过明确的统计检验，将气候和地形控制因素与线性气候模型无法解释的趋势分离。具体回答了四个研究问题：（Q1）2000–2025年间kNDVI和GPP如何随时间和空间变化？多大比例的研究区域发生了统计显著的变化？（Q2）kNDVI与GPP的相关性是否显著优于传统NDVI与GPP的相关性？（Q3）哪些气候因子主导kNDVI和GPP的年际变异？它们分别解释了多大比例的方差？（Q4）地形属性和气候未解释的残差趋势在多大程度上解释了植被变化的空间格局？

研究结果表明，秦岭植被总体呈改善趋势，年kNDVI从0.593波动上升至0.668，84.55%的区域显著增加；GPP显著增加区域占96.47%。kNDVI与GPP的相关性在区域尺度上略高于NDVI（平均像元相关系数高0.0026），但在像元尺度经错误发现率校正后无显著差异。气候因子中，气温和降水促进kNDVI增长，日照时长则起抑制作用；气温单独解释了GPP气候解释方差的74.2%。残差趋势分析显示，线性年气候模型仅能解释约五分之一的kNDVI变异和四分之一的GPP变异，大部分改善趋势未被模型捕捉，可能反映生态恢复、土地利用变化等因素的作用。

三、关键技术方法

研究人员采用以下主要技术方法开展研究：

1. 1.
   kNDVI计算：基于MODIS NDVI数据，利用径向基函数（RBF）核方法计算kNDVI，公式简化为kNDVI = tanh(NDVI²)，用于缓解密植被冠层的饱和效应。
2. 2.
   Theil-Sen中位数趋势分析与Mann-Kendall显著性检验：非参数方法估计2000–2025年kNDVI和GPP的像元级变化趋势及其统计显著性。
3. 3.
   偏相关分析：在控制其他气候变量的条件下，分别量化气温、降水和日照时长对kNDVI和GPP的独立影响。
4. 4.
   多元线性回归、方差分解与残差趋势分析：以气温、降水和日照时长为自变量，kNDVI和GPP分别为因变量，构建多元回归方程；通过方差分解量化各气候因子的唯一贡献；对残差序列进行Theil-Sen斜率估计和Mann-Kendall检验，识别气候未解释的趋势。
5. 5.
   地理探测器分析：量化地形属性（高程、坡度、坡向）和气候因子对kNDVI趋势空间方差的解释力（q统计量）。
6. 6.
   相关性比较的显著性检验：采用Wilcoxon符号秩检验、配对t检验、空间块自助法和Steiger检验（经Benjamini-Hochberg错误发现率校正）比较kNDVI和NDVI与GPP相关性的差异。

气象数据来源于陕西省气象数据共享服务网32个国家气象站（2000–2025年），经薄板样条插值生成250 m分辨率栅格数据。MODIS遥感产品包括MOD13Q1（NDVI，250 m）和MOD17A2HGF（GPP，500 m重采样至250 m）。地形数据来自Copernicus DEM GLO-30（重采样至250 m）。

四、研究结果

4.1 秦岭山脉kNDVI变化特征

时间上，2000–2025年区域平均kNDVI从0.593增至0.668，增速0.0027 yr^?1（R² = 0.901，p < 0.001），同期GPP以13.57 g C·m^?2·a^?1的速度增加（R² = 0.676）。空间上，多年平均kNDVI范围为0.086–0.724，呈现山体内部高、外围河谷低的分布格局。趋势上，84.55%的区域kNDVI显著增加（Mann-Kendall p < 0.05），显著减少区域仅占1.02%，主要分布于河谷和城市建成区；GPP显著增加区域达96.47%。

4.2 GPP与NDVI及kNDVI的相关性分析

kNDVI与GPP的平均像元相关系数为0.5658 ± 0.2031，NDVI与GPP为0.5632 ± 0.2040，kNDVI在76.09%的像元中相关系数更高。配对检验表明两者差异统计显著（p < 0.001，Cohen's dz = 0.68），空间块自助法给出平均差值为0.0026（95% CI [0.0025, 0.0027]）。但像元尺度的Steiger检验在错误发现率校正后无任何像元达到显著水平（q < 0.05），因此两种指数在生产力监测中具有同等效力。

4.3 气候因子对kNDVI的驱动分析

气温和降水与kNDVI呈显著正相关，日照时长在控制水热协变后表现为负相关。多元回归平均R² = 0.199，即气候因子解释约五分之一的kNDVI年际变异。方差分解表明，气温、降水和日照时长的唯一贡献分别占气候解释方差的44.3%、39.2%和15.9%。经显著性掩膜后，60.08%的区域无显著主导气候驱动因子；在有显著主导因子的区域中，降水主导西部kNDVI变化，气温主导东部变化。残差趋势分析显示，97.05%的像元残差斜率为正（67.70%显著），区域均值为+0.0017 kNDVI yr^?1，表明大部分植被改善未被线性年气候模型解释。

4.4 气候因子对GPP的驱动分析

GPP对气温响应最为敏感（平均偏相关系数0.4307），降水和日照时长几乎不相关。多元回归平均R² = 0.259，气温唯一贡献占气候解释方差的74.2%。气温主导了64.96%区域的GPP变化，33.94%区域无显著主导因子。残差趋势普遍为正（99.52%像元，76.83%显著），区域均值+8.72 g C·m^?2·a^?1 yr^?1。

4.5 地形控制与定量归因

地理探测器结果显示，所有地形和气候因子对kNDVI趋势的空间方差解释力（q值）均显著（p < 0.05），但数值较小：坡度对趋势分类的解释力最大（q = 0.053），高程对连续Sen斜率的解释力最大（q = 0.145）。坡度分级分析表明，中等坡度（8–15°）区域显著绿化比例最高（88.2%），平缓坡度（0–8°）区域显著退化比例最高（4.9%），退化集中于河谷和城市边缘地带。

五、讨论与结论

讨论部分指出，kNDVI与传统NDVI在与GPP的相关性上差异极小且无实际意义，理论优势未在250 m年尺度上转化为可检测的增益。气候因子中气温和降水是核心正向驱动因子，日照时长在控制水热协变后表现为抑制效应。残差趋势的大面积正值表明大量改善未被线性年气候模型解释，可能涉及生态修复工程、土地利用变化、CO₂施肥效应和森林成熟等因素，但不能直接归因为人为活动。研究局限性包括：使用年气候聚合数据忽略了季节尺度和时滞效应；残差分析未量化非气候贡献；比较评价仅限于MODIS GPP一种生产力基准；气象插值基于32个站点在地形复杂区域的不确定性未量化等。

研究结论如下：（1）2000–2025年秦岭植被改善，年kNDVI从0.593增至0.668（增速0.0027 yr^?1），GPP增速13.57 g C·m^?2·a^?1；kNDVI显著增加区域占84.55%，GPP占96.47%，显著减少仅局限于河谷和城市中心（分别为1.02%和0.19%）。（2）kNDVI与GPP的相关性在区域尺度上略优于NDVI（平均高0.0026），但经错误发现率校正后无任何像元显著，两种指数在该密植被山地景观中具有同等的生产力监测效力。（3）气候解释了约五分之一的kNDVI年际方差（平均R² = 0.199）和四分之一的GPP方差（R² = 0.259）；气温和降水是kNDVI的主导正向驱动因子（唯一贡献分别为44.3%和39.2%），气温单独解释GPP方差的74.2%；日照时长起约束作用。在有显著主导因子的像元中，降水主导西部kNDVI变化，气温主导东部，而GPP几乎全域受气温主导（64.96%区域）。气温、降水和日照时长共同留下大面积空间连贯的正向残差趋势（kNDVI和GPP分别有67.70%和76.83%区域显著），未被线性年气候模型解释，可能反映生态恢复、土地利用变化和年聚合指标未能捕捉的气候影响。（4）地理探测器定量证实地形和气候分层解释了植被趋势空间方差的显著但较小份额；坡度分级分析表明显著绿化比例在中坡度（8–15°）最高（88.2%），向更缓和更陡地形递减，而显著退化比例在最缓坡度（0–8°）最高（4.9%），在其他坡度可忽略不计；退化与河谷底部和城市边缘地带相关联。未来归因未解释的残差趋势需要土地利用转移矩阵和生态工程记录在季节和高程分层下的支撑。