Exploring the spatio-temporal evolution and driving mechanisms of vegetation net primary productivity in the Ziya River Basin

doi:10.13745/j.esf.sf.2025.10.14

Abstract

Abstract:

Understanding the spatio-temporal evolution and driving mechanisms of vegetation net primary productivity (NPP) in the Ziya River Basin is crucial for elucidating the regional carbon budget and promoting the sustainable development of its ecological environment. Based on MODIS NPP data from 2001 to 2022, this study comprehensively analyzed the effects of climate, soil, topography, and human activities. We utilized the Theil-Sen median trend analysis, Mann-Kendall significance test, and Hurst exponent method to examine the spatio-temporal variation characteristics of vegetation NPP. Furthermore, the optimal parameters-based geographical detector (OPGD) model was applied to quantitatively assess the impact of various factors and their interactions on vegetation NPP dynamics. The results showed that: (1) During the study period, the annual mean NPP in the basin fluctuated between 224.86 and 371.21 gC·m^-2·a^-1, exhibiting a significant increasing trend with a rate of 4.53 gC·m^-2·a^-1. (2) Spatially, areas with an annual average NPP higher than 400 gC·m^-2·a^-1 were primarily concentrated in the western mountainous regions, whereas areas with NPP lower than 300 gC·m^-2·a^-1 were mainly distributed in the eastern plains. (3) Over the study period, the changes in annual NPP were predominantly characterized by extremely significant and significant increases, accounting for 67.21% and 18.25% of the total area, respectively. In contrast, only 2.03% of the area showed a decreasing trend, which was sporadically distributed around urban districts and was associated with accelerated urbanization. Predictions based on the Hurst index suggest that future vegetation NPP changes are likely to be predominantly opposite to the past trend, with 88.30% of the area expected to experience a reversal from the previous increasing trajectory. (4) Soil temperature, air temperature, elevation, and potential evapotranspiration were identified as the primary factors influencing vegetation NPP. The interactions between these factors exhibited synergistic effects, yielding a greater explanatory power for the variation in vegetation NPP than any single factor alone. These findings contribute to a deeper understanding of the characteristics and driving mechanisms of vegetation NPP in the Ziya River Basin and provide a scientific basis for regional carbon sequestration, emission reduction, and ecological conservation efforts.

Key words: net primary productivity (NPP), spatio-temporal evolution, geographical detector model, Ziya River Basin

CLC Number:

Q948

ZHANG Yongcheng, CHEN Kang, GUI Yingjia, ZHANG Xiaochen. Exploring the spatio-temporal evolution and driving mechanisms of vegetation net primary productivity in the Ziya River Basin[J]. Earth Science Frontiers, 2026, 33(1): 50-62.

Figures/Tables 12

References 51

[1]	陈喜, 董建志, 王礼春, 等. 全球变化下生态水文学发展与展望[J]. 地学前缘, 2025, 32(3): 52-61. DOI
[2]	NDAH F A, MALJANEN M, RINNAN R, et al. Carbon and nitrogen-based gas fluxes in subarctic ecosystems under climate warming and increased cloudiness[J]. Environmental Science: Atmospheres, 2024, 4(8): 942-957. DOI URL
[3]	ZHU L, ZHU D, STEVE D, et al. Monitoring global carbon emissions in 2022[J]. Nature Reviews Earth & Environment, 2023, 4(4): 205-206.
[4]	黄云, 胡方清, 郑博福, 等. 基于Biome-BGC模型的亚热带典型森林NPP动态模拟及气候响应[J]. 生态学杂志, 2025, 44(4): 1284-1296.
[5]	陈皓锐, 经思思, 叶苏蒙, 等. 库布其沙漠植被净初级生产力时空演变规律及其气象驱动因素分析[J]. 农业机械学报, 2025, 56(1): 424-433.
[6]	DYBALA K E, STEGER K, WALSH R G, et al. Optimizing carbon storage and biodiversity co-benefits in reforested riparian zones[J]. Journal of Applied Ecology, 2019, 56 (2): 343-353. DOI URL
[7]	LIN Z Q, LIU Y Y, WEN Z M, et al. Spatial-temporal variation characteristics and driving factors of net primary production in the Yellow River Basin over multiple time scales[J]. Remote Sensing, 2023, 15(22): 5273. DOI URL
[8]	RICHTER G, TOPP C. Climate factors contribute to grassland net primary productivity[J]. Agronomy, 2021, 11(6): 1076. DOI URL
[9]	范莉, 叶钊, 祝好, 等. 三峡库区陆地生态系统净初级生产力时空演变及其影响因素[J]. 中国农业气象, 2024, 45(5): 493-505.
[10]	CHEN Y X, LIN Z Q, CHEN X, et al. Spatial-temporal dynamics of grassland net primary productivity and its driving mechanisms in northern Shaanxi, China[J]. Agronomy, 2023, 13(11): 2684. DOI URL
[11]	刘良云, 宋博文. 陆地生态系统固碳速率立体监测方法: 进展与挑战[J]. 大气科学学报, 2022, 45(3): 321-331.
[12]	陈惺, 王军邦, 何启凡, 等. 未来气候情景下中国植被净初级生产力稳定性及气候影响[J]. 地理学报, 2023, 78(3): 694-713. DOI
[13]	WANG F M, WANG F L, HU J H, et al. Rice yield estimation based on an NPP model with a changing harvest index[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2953-2959. DOI URL
[14]	涂海洋, 古丽·加帕尔, 于涛, 等. 中国陆地生态系统净初级生产力时空变化特征及影响因素[J]. 生态学报, 2023, 43(3): 1219-1233.
[15]	刘忠阳, 李梦夏, 李军玲, 等. 河南省植被净初级生产力变化特征及其对气候变化的响应[J]. 河南农业大学学报, 2021, 55(1): 141-151+163.
[16]	张冬有, 冯仲科, 李亦秋, 等. 基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算[J]. 林业科学, 2011, 47(7): 13-19.
[17]	田智慧, 张丹丹, 赫晓慧, 等. 2000-2015年黄河流域植被净初级生产力时空变化特征及其驱动因子[J]. 水土保持研究, 2019, 26(2): 255-262.
[18]	WANG S M, MA Y T, GONG J, et al. Dynamic variation of vegetation NPP and its driving forces in the Yellow River Basin, China[J]. Chinese Geographical Science, 2024, 35(1): 1-14. DOI
[19]	焦伟, 陈亚宁, 李稚, 等. 基于多种回归分析方法的西北干旱区植被NPP遥感反演研究[J]. 资源科学, 2017, 39(3): 545-556. DOI
[20]	程春晓, 徐宗学, 王志慧, 等. 2001-2010年东北三省植被净初级生产力模拟与时空变化分析[J]. 资源科学, 2014, 36(11): 2401-2412.
[21]	薛港, 邢艳秋, 常晓晴, 等. 中国植被NPP变化及其影响因素分析[J]. 遥感信息, 2023, 38(6): 68-74.
[22]	王春阳, 张缓, 吴喜芳, 等. 2001—2019年河北省植被NPP时空变化分析[J]. 河南理工大学学报(自然科学版), 2023, 42(3): 69-77+86.
[23]	王宗超, 闫丰, 田朋飞, 等. 2002—2020年京津冀植被固碳能力时空分异及其影响因素[J]. 环境科学, 2025, 46(6): 3784-3796.
[24]	NEMANI R R, KEELING C D, HASHIMOTO H, et al. Climate-driven increases in global terrestrial net primary production from 1982 to 1999[J]. Science, 2003, 300(5625): 1560-1563. PMID
[25]	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.
[26]	潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究[J]. 生态学报, 2019, 39(20): 7621-7631.
[27]	汪宙峰, 郑博, 贺相綦, 等. 基于参数最优地理探测器的西藏冰湖时空变化与影响因素研究[J]. 冰川冻土, 2023, 45(6): 1950-1960. DOI
[28]	张广禄, 刘海燕, 郭华明, 等. 华北平原典型山前冲洪积扇高硝态氮地下水分布特征及健康风险评价[J]. 地学前缘, 2023, 30(4): 485-503. DOI
[29]	梁龙武, 王振波, 方创琳, 等. 京津冀城市群城市化与生态环境时空分异及协同发展格局[J]. 生态学报, 2019, 39(4): 1212-1225..
[30]	陈康, 丁永康, 张笑晨. 基于地理探测器的滏阳河流域植被覆盖时空变化与驱动力分析[J]. 地学前缘, 2023, 30(5): 526-540. DOI
[31]	张晨, 袁金国. 基于MODIS数据的河北省草地和林地的物候期及其与NPP相关分析[J]. 遥感技术与应用, 2022, 37(1): 205-217. DOI
[32]	陈李宁. 滹沱河生态补水不同区段地下水环境变化及影响机制[D]. 北京: 中国地质大学(北京), 2021.
[33]	叶婷. 滏阳河流域平原区地下水埋深时空变化特征及影响因素研究[D]. 石家庄: 河北地质大学, 2022.
[34]	王超, 侯鹏, 刘晓曼, 等. 中国重要生态系统保护和修复工程区域植被覆盖时空变化研究[J]. 生态学报, 2023, 43(21): 8903-8916.
[35]	姚瑞晨, 郝仕龙, 李秀萍, 等. 1982—2020年黄河流域(河南段)NDVI动态演变及其与气候变化响应研究[J]. 现代地质, 2024, 38(3): 612-623.
[36]	郭富印, 刘晓煌, 张文博, 等. 2000—2040年黄河流域(河南段)生境质量时空格局演变及驱动力分析[J]. 现代地质, 2024, 38(3): 599-611.
[37]	张子凡, 熊茂秋, 李福杰, 等. 内蒙古草原自然资源大区植被净初级生产力时空变化及其影响因子分析[J]. 草业科学, 2022, 39(12): 2492-2502.
[38]	陈武迪, 刘晓煌, 李洪宇, 等. 基于InVEST模型的新疆1990—2018年产水服务时空变化及驱动因素分析[J]. 现代地质, 2024, 38(3): 636-647.
[39]	高文晶, 程诺, 张露月, 等. 基于参数最优地理探测器的福建省植被NPP时空分异及驱动力探究[J]. 西北林学院学报, 2024, 39(4): 120-130.
[40]	孙涛, 孙然好, 陈利顶. 京津冀城市群土地利用转化对植被净生产力的影响模式研究[J]. 环境生态学, 2020, 2(4): 1-8+17.
[41]	李肖, 袁金国, 孟丹. 河北省2005—2014年植被NPP时空演变及其与气候因子的关系[J]. 水土保持研究, 2018, 25(6): 109-114+120.
[42]	李晓荣, 高会, 韩立朴, 等. 太行山区植被NPP时空变化特征及其驱动力分析[J]. 中国生态农业学报, 2017, 25(4): 498-508.
[43]	高旭旭, 于长文, 张婧, 等. 定量评估京津冀气候变化和人类活动对植被NPP变化的相对作用[J]. 中国农业气象, 2022, 43(2): 124-136.
[44]	徐永浩, 张廷斌, 易桂花, 等. 太行山区生态环境质量时空特征及影响因素分析[J]. 环境科学, 2025, 46(4): 2428-2438.
[45]	邓越, 蒋卫国, 王文杰, 等. 城市扩张导致京津冀区域生境质量下降[J]. 生态学报, 2018, 38(12): 4516-4525.
[46]	李庆旭, 张彪, 王爽, 等. 京津风沙源区2000—2015年植被覆盖状况的区域差异研究[J]. 地学前缘, 2018, 25(5): 298-304. DOI
[47]	邵全琴, 刘树超, 宁佳, 等. 2000—2019年中国重大生态工程生态效益遥感评估[J]. 地理学报, 2022, 77(9): 2133-2153. DOI
[48]	GUO Q K, ZHONG R H, SHAN Z J, et al. Vegetation cover variation in dry valleys of southwest China: the role of precipitation[J]. Remote Sensing, 2023, 15(7): 1727. DOI URL
[49]	王金杰, 赵安周, 胡小枫. 京津冀植被净初级生产力时空分布及自然驱动因子分析[J]. 生态环境学报, 2021, 30(6): 1158-1167. DOI
[50]	李金珂, 杨玉婷, 张会茹, 等. 秦巴山区近15年植被NPP时空演变特征及自然与人为因子解析[J]. 生态学报, 2019, 39(22): 8504-8515.
[51]	YI M X, ZHANG D M, AN Z Y, et al. Analysis of spatiotemporal variation and driving forces of vegetation net primary productivity in the north China plain over the past two decades[J]. Agronomy, 2025, 15(4): 975. DOI URL

数据名称	数据来源	分辨率
NPP	美国航空航天局(NASA) (https://ladsweb.modaps.eosdis.nasa.gov)	1 a, 500 m
年均气温	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
年累积降雨	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
年累积潜在蒸散发	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
土地利用	中国年度土地覆盖数据集 (https://zenodo.org/record)	30 m
土壤水分	Land Data Assimilation System (https://ldas.gsfc.nasa.gov/FLDAS)	10 km
土壤温度	Land Data Assimilation System (https://ldas.gsfc.nasa.gov/FLDAS)	10 km
高程	地理空间数据云 (http://www.gscloud.cn)	30 m
土壤类型	资源环境科学数据中心 (https://www.resdc.cn)	1 km

数据名称	数据来源	分辨率
NPP	美国航空航天局(NASA) (https://ladsweb.modaps.eosdis.nasa.gov)	1 a, 500 m
年均气温	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
年累积降雨	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
年累积潜在蒸散发	国家地球系统科学数据中心 (http://www.geodata.cn)	1 km
土地利用	中国年度土地覆盖数据集 (https://zenodo.org/record)	30 m
土壤水分	Land Data Assimilation System (https://ldas.gsfc.nasa.gov/FLDAS)	10 km
土壤温度	Land Data Assimilation System (https://ldas.gsfc.nasa.gov/FLDAS)	10 km
高程	地理空间数据云 (http://www.gscloud.cn)	30 m
土壤类型	资源环境科学数据中心 (https://www.resdc.cn)	1 km

θ	Z	变化趋势
θ>0	$\left\|Z\right\|$>2.58	极显著上升
θ>0	2.58≥$\left\|Z\right\|$>1.96	显著上升
θ>0	1.96≥$\left\|Z\right\|$	不显著上升
θ=0	$\left\|Z\right\|$	无变化
0>θ	1.96≥$\left\|Z\right\|$	不显著下降
0>θ	2.58≥$\left\|Z\right\|$>1.96	显著下降
0>θ	$\left\|Z\right\|$>2.58	极显著下降

θ	Z	变化趋势
θ>0	$\left\|Z\right\|$>2.58	极显著上升
θ>0	2.58≥$\left\|Z\right\|$>1.96	显著上升
θ>0	1.96≥$\left\|Z\right\|$	不显著上升
θ=0	$\left\|Z\right\|$	无变化
0>θ	1.96≥$\left\|Z\right\|$	不显著下降
0>θ	2.58≥$\left\|Z\right\|$>1.96	显著下降
0>θ	$\left\|Z\right\|$>2.58	极显著下降

判断标准	交互作用类型
q(X₁∩X₂)<min[q(X₁),q(X₂)]	非线性减弱
min[q(X₁),q(X₂)]<q(X₁∩X₂)< max[q(X₁),q(X₂)]	单因子非线性减弱
q(X₁∩X₂)=q(X₁)+q(X₂)	独立
q(X₁∩X₂)>max[q(X₁),q(X₂)]	双因子增强
q(X₁∩X₂)>q(X₁)+q(X₂)	非线性增强