当前位置：首页>林业>中南林业科技大学Ecological Indicators:基于长时序30米分辨率NPP数据集评估城市扩张对生态系统碳的影响

中南林业科技大学Ecological Indicators:基于长时序30米分辨率NPP数据集评估城市扩张对生态系统碳的影响

2026-02-09 12:53:21

近期课程安排
1月16日-1月18日	第十八期-基于ArcGIS遥感解译的土地利用、植被类型、植被覆盖度、生态系统类型、土壤侵蚀图等制作
1月23日-1月25日	ArcGIS Pro二维三维制图与遥感影像分析系统实践
2月5日-2月8日	AI赋能Python与PyTorch智能编程及机器学习与深度学习实践应用培训班
2月6日-2月8日	生命周期评价全流程及SimaPro软件应用与碳足迹分析培训班

植被作为陆地生态系统的关键组成部分，在调节全球碳平衡中扮演着核心角色。植被净初级生产力（NPP）是衡量生态系统碳汇能力的重要指标。随着全球城市化进程加速，城市扩张通过改变土地利用/覆被（LULC）及局地环境，已成为影响区域NPP变化的主要驱动力。然而，以往研究受限于中低分辨率NPP数据，难以捕捉高度异质性的城市景观细节，且大多聚焦于城市扩张的直接影响（即LULC转换），对间接影响（如气候变化、社会经济因素）的系统性量化不足。

本研究以中国快速城市化的典型区域——长株潭（CZT）城市群为研究区，旨在解决上述挑战。研究目标包括：

利用时空融合技术和深度学习模型，构建2000-2020年30米分辨率的高时空精度植被NPP数据集。
分析CZT地区植被NPP的时空演变特征。
量化城市扩张对植被NPP的影响，并分解直接驱动力（LULC变化）和间接驱动力（如气候变化、经济发展）的相对贡献。

数据与方法

1. 研究区与数据源

研究区为长株潭城市群，总面积约8617平方公里，属亚热带季风气候。使用的数据包括：

遥感数据：MODIS NDVI（MOD13Q1）和Landsat 5/8 NDVI影像，用于时空融合。

气象数据：月均温、月总降水、月总太阳辐射。

辅助数据：地面调查数据（用于验证）、森林资源清查数据（用于NPP验证）、GDP、夜光数据、高分辨率谷歌地球影像等。

2. 研究方法

（1）高分辨率NPP估算

时空融合：采用ESTARFM算法，融合MODIS（250米）和Landsat（30米）数据，生成2000-2020年月分辨率30米的Landsat NDVI数据集，有效解决了云覆盖和重访周期限制。

LULC分类：提出一种基于深度学习的集成分类模型（结合UNet++, VGG16, ResNet50），利用迁移学习和特征选择，获得高精度多年LULC分类图（总体精度 > 95%）。

NPP估算：采用CASA模型，以上述融合的NDVI数据、LULC数据和气象数据为输入，估算月度植被NPP。模型关键参数为植被吸收的光合有效辐射（APAR）和光能利用率（ε）。

（2）时空演变分析

使用一元线性回归计算每个像元NPP的年际变化趋势斜率（θ_slope），并结合F检验评估变化的显著性水平，将变化划分为极显著/显著减少/增加和不显著变化。

（3）城市化影响评估

城市扩张指标：计算城市扩张面积（UEA）和城市扩张速率（UER）。

NPP损失量化：基于基年（2000年）的平均NPP和新增城市用地面积，计算因城市扩张直接导致的植被NPP损失量。

驱动因素分解：采用分层随机抽样和目视解译，将NPP下降归因于直接驱动力（人类主导的LULC转换，如建设用地侵占）和间接驱动力（自然过程主导，如气候变化）。

气候因子影响：计算NPP与气温、降水、太阳辐射的偏相关系数，分析气候对NPP的影响

结果

1. NPP估算结果与时空格局

验证表明，估算的30米分辨率NPP与实地调查数据具有良好一致性（R² = 0.7573）。2000-2020年间，CZT地区年均植被NPP为308.42 g C/m²·a，空间上呈现“周边高、中心低”的格局。高值区（>400 g C/m²·a）分布于远离市中心的森林区，低值区（0-200 g C/m²·a）集中于城市核心区及水域。

时间上，年均NPP在246-356 g C/m²·a之间波动，整体呈下降趋势。2000-2006年略有上升，2007-2014年围绕均值波动，2015-2020年显著下降。趋势分析显示，约69.88%的区域NPP变化不显著，但20.01%的区域经历了显著或极显著下降，这些区域主要分布在城市外围和北部。

2. 城市扩张对NPP的影响

2000-2020年间，CZT城市建设用地面积扩大了约3.64倍。城市扩张导致植被NPP总损失达4.21×10⁸ g C，占2000年区域总NPP的13.77%。长沙市的NPP损失最大（占总量51.57%），其次为湘潭和株洲。2010-2020年间的NPP损失量较2000-2010年增加了约1.23倍，反映出长株潭一体化进程的加速。空间上，NPP高损失区集中在长沙东部、三市交界处。

缓冲区分析进一步揭示了空间异质性：城市中心因绿化建设NPP呈增加趋势，而外围新兴开发区因建设用地扩张NPP显著减少。

3. 驱动因素贡献分解

2000-2020年间，直接驱动力（LULC变化）是NPP损失的主导因素，贡献率为54.62%；间接驱动力（如气候变化）贡献率为45.38%。具体而言：

不显著的NPP下降主要由间接驱动力（如自然环境影响）主导。

极显著的NPP下降则主要由直接驱动力（如城市扩张、建设用地侵占农田/草地）导致，贡献率超过68%。

4. 气候与经济社会因素影响

气候：降水是影响CZT地区NPP最主要的正相关气候因子，其次是温度和太阳辐射。

经济发展：经济发展水平（以GDP衡量）与NPP损失呈正相关。相对发达和中等发达区县的NPP损失中位数更高。位于三市交界处的区县因一体化进程加速，NPP损失尤为严重，但生态绿心区域的严格管控有效减缓了NPP损失。

讨论

横向对比：将CZT的NPP损失率（13.77%）与国内其他区域（如京津冀、武汉等）对比，发现其处于较高水平，凸显了作为中部崛起核心增长极在快速城市化下面临的显著生态压力。

耦合机制：NPP的时空演变是LULC转换、气候变异和社会经济过程三者耦合作用的结果。直接LULC转换导致生物量剥离和景观破碎化；转换过程同时改变地表能量-水分平衡，影响局地气候；而城市化进程深嵌于社会经济网络之中。因此，生态稳定策略需协同优化土地管制、气候适应和供应链治理。

创新与局限性：

创新：实现了城市群尺度长时序高分辨率NPP估算，并构建了多因子分解框架，系统量化了各驱动因素的贡献。

局限性：包括CASA模型参数（如最大光能利用率）的简化、深度学习分类在复杂城市环境中的误分可能性、气象数据与遥感数据空间分辨率的差异、以及离散LULC变化与连续气候驱动因子在时间尺度上的不匹配问题

结论

本研究成功构建了长株潭城市群2000-2020年30米分辨率的植被NPP长时序数据集，揭示了植被NPP“周边高、中心低”的空间格局及总体波动下降的趋势。量化分析表明，过去20年快速的城市扩张导致了显著的植被NPP损失，其中直接驱动力（LULC变化）是主要因素。研究强调了在快速城市化区域，生态保护与恢复政策需同时考虑人类活动的直接冲击和气候变化的间接影响，并为实现城市增长与生态可持续的平衡提供了科学依据和精细化管理的洞见

文献来源：https://doi.org/10.1016/j.ecolind.2025.114343

本平台转载仅仅是出于学术交流和传播信息的需要，并不意味着代表本平台观点或证实其内容的真实性；转载文章版权归原作者所有，作者如果不希望被转载或有侵权行为，请联系本平台删除。

--理解有限，更多详情请点击阅读原文，进入文章页。