賈俊鶴,劉會玉,*,林振山

1 南京師范大學地理科學學院,南京 210023 2 虛擬地理環(huán)境教育部重點實驗室(南京師范大學),南京 210023 3 江蘇省地理環(huán)境演化國家重點實驗室培育建設點,南京 210023 4 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,南京 210023

西北處我國干旱、半干旱氣候區(qū),地形復雜,多戈壁和沙漠地貌,年降水量不足600mm,是我國主要的氣候變化敏感區(qū)和生態(tài)脆弱區(qū),受氣候變化影響大[1]。近百年來中國的氣溫上升了0.4—0.5℃,且西北氣溫增加的幅度大于全國平均水平[2],氣候變暖使得西北部地區(qū)的干旱化更為嚴重[3]。西北六省位于我國“一帶一路”經濟開發(fā)區(qū)的核心位置,其經濟發(fā)展隨著“一帶一路”生態(tài)文明建設的實施迎來了重大的歷史機遇[4]?！耙粠б宦贰苯ㄔO在給西北經濟發(fā)展帶來新的機遇的同時,也給當地生態(tài)環(huán)境修復工作帶來了更多困難。因此在西北地區(qū)經濟發(fā)展的同時,對其生態(tài)環(huán)境監(jiān)測以及生態(tài)環(huán)境對氣候變化的響應研究工作變得尤為重要[5]。

植被凈初級生產力(Net Primary Productivity, NPP)是指綠色植物在單位時間和單位面積上所累積的有機物的數量,是植物光合作用生成的有機物總量減去自養(yǎng)呼吸部分后剩余的部分。NPP一方面反映了植被在自然條件下的生產能力,所以能夠表征陸地生態(tài)系統(tǒng)的質量狀況；另一方面也是判定生態(tài)系統(tǒng)中碳源、碳匯及調節(jié)生態(tài)過程的重要因子,在全球變化中研究中起著非常重要的作用[6- 7]。因此,估算和監(jiān)測植被NPP的變化,可以有效地監(jiān)測生態(tài)環(huán)境的變化[8]。

氣候變化與陸地生態(tài)系統(tǒng)是全球變化研究的重要內容,其中氣候變化對陸地生態(tài)系統(tǒng)的影響及生態(tài)系統(tǒng)對氣候變化的響應是研究焦點之一。植被是陸地生態(tài)系統(tǒng)最重要的組成部分,對氣候變化的響應尤為顯著,氣候變化通過氣溫變化或者改變水文狀況等對植被產生影響[9-10]。氣溫對植被NPP的脅迫取決于植物適宜溫度與現實溫度的對比,一定的升溫可使植被適宜溫度上升,增加植被NPP,但是隨著溫度的不斷升高,呼吸和蒸騰作用都會增加,養(yǎng)分分解加快,葉片的壽命和根的活動會縮短,使得植被NPP減少[11]。水分通過多個過程影響植被NPP,水分脅迫導致葉面積衰退,光飽和點降低,進而導致氣孔關閉,光合作用下降,減少干物質累積[12]。已有研究表明,在氣候變化的作用下,植被NPP在全球范圍內發(fā)生了劇烈的變化[13]。氣候變化對植被NPP的影響,以及植被NPP對氣候變化的響應并不是簡單的線性“驅動-響應”關系,其中包含著復雜的多尺度(包括時間和空間)相互作用過程和響應特征[14-15]。因此,要更好地理解植被變化的影響機制,就需要深入地揭示植被NPP變化的非線性特征(突變和多時間尺度變化等),分析氣候變化對植被NPP不同時間尺度變化的影響。

本文研究對象選取我國西北六省,利用GIMMS NDVI數據、植被覆蓋數據以及氣象插值數據,基于CASA模型,對該區(qū)域1982—2015年的植被NPP進行估算,并進一步分析不同時間尺度上植被NPP的時空變化及其與氣候變化的關系[16]。為我國西北生態(tài)建設工程效益評估和生態(tài)保護提供科學參考,為“一帶一路”國家重大戰(zhàn)略的順利實施提供生態(tài)保障。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

西北六省位于亞歐大陸內部,34°54′N—53°36′N,73°44′E—126°17′E,范圍包括我國大興安嶺、太行山以西至昆侖山以北的廣大區(qū)域,約占我國陸地總面積的四分之一。包括甘肅、青海、新疆、內蒙古、寧夏和陜西6個省和自治區(qū)。高原、山地和盆地是主要地形,研究區(qū)東部是內蒙古高原,西部多是高大的山脈和內陸盆地,如天山山脈、祁連山、陰山、準噶爾盆地、塔里木盆地、吐魯番盆地等。研究區(qū)植被類型有森林、草地、沙漠等,以溫帶荒漠和溫帶草原為主,植被覆蓋率低,是全球生態(tài)環(huán)境最脆弱的地區(qū)之一[17]。西北六省深居內陸,遠離海洋,屬干旱半干旱地區(qū),以溫帶大陸性季風氣候為主,是大陸性氣候和季風氣候的過渡帶,所以氣候類型比較復雜、氣候變化比較顯著。研究區(qū)年平均氣溫0℃—8℃,由東北向西南逐漸遞增。年降水量600 mm以下,大體上由東往西逐漸遞減。

圖1 研究區(qū)概況Fig.1 Study area

1.2 數據來源及預處理

本研究所用的遙感數據來自美國國家航天航空局(NASA)全球檢測與模型組(the Global Inventor Modeling and Mapping Studies project (GIMMS)) 發(fā)表的第三代歸一化植被指數(GIMMS-NDVI3g)數據集(http://glcf.umd.edu/data/gimms)。該數據時間跨度為1982—2015年,時間分辨率為15天,空間分辨率為0.083°,該數據已經過幾何校正、輻射校正、去云等預處理[18]。本研究使用最大值月合成(Maximum Value Composite,MVC)[19]法對數據進一步處理來消除云層、傳感器等影響,生成每月最大NDVI數據。年均NDVI值<0.1的被認為是無植被或裸土區(qū)[20],因此,本研究剔除了NDVI值<0.1的像元,將NDVI值>0.1的像元確定為有植被覆蓋區(qū)域,以下分析中區(qū)域總面積均不包括無植被區(qū)面積。為了準確探究植被的年際變化特征,本研究以植被生長季(4—10月)的NPP值作為年際數據進行分析。

氣象數據來自中國氣象科學數據共享服務網(http://cdc.cma.gov.cn),包括1982—2015年的月平均溫度、月降水量和太陽輻射數據[21]。先對獲取的氣象數據進行初步篩選,剔除無連續(xù)多年數據的氣象臺站,最終篩選出符合條件的213個氣象臺站,然后提取各氣象站點的DEM數據,參考NDVI數據的分辨率和投影,用專業(yè)氣象插值軟件ANUSPLIN[22]將氣象數據插值為柵格數據。

植被類型數據來自“寒區(qū)旱區(qū)科學數據中心”的《基于多源數據融合方法的中國1 km土地覆蓋圖》(http://westdc.westgis.ac.cn/)[23]。該數據中心提供的是2000年的植被類型圖,采用IGBP分類系統(tǒng),分為17種植被類型,空間分辨率為1km,對于中國地區(qū)總體精度能達到71%,優(yōu)于其他數據分類產品,可以作為重要陸面模型的輸入數據[24-25]。根據研究需要,將植被類型分為落葉針葉林,落葉闊葉林,常綠針葉林,常綠闊葉林,混交林,灌木,農田,草地,荒地等10類,并參考NDVI數據的分辨率和投影對數據進行重采樣。

1.3 研究方法

1.3.1CASA模型

CASA模型是NPP估算模型中的一種光能利用率模型,驅動數據包括氣象數據、遙感數據和植被類型數據。該模型估算的植被NPP值由植物吸收的光合輻射(APAR)和實際光能利用率(ε)兩個因子確定[26]。其計算公式如下：

NPP(x,t)=APAR(x,t)×ε(x,t)

(1)

APAR(x,t)=SOL(x,t)×FPAR(x,t)×0.5

(2)

ε(x,t)=εmax×Tε1(x,t)×Tε2(x,t)×Wε(x,t)

(3)

式中：NPP(x,t)是像元x在t月的凈初級生產力；APAR(x,t)和ε(x,t)分別是吸收的光合有效輻射(MJ/m2)和實際光能利用率(gC/MJ)；SOL(x,t)和FPAR(x,t)分別是太陽總輻射(MJ/m2)和植被吸收的入射光合有效輻射比例,0.5是植被利用的太陽輻射與總輻射的比例；εmax是理想條件下植被最大光能利用率；Tε1(x,t)和Tε2(x,t)表示環(huán)境溫度對 NPP 的積累的脅迫作用[27]；Wε(x,t)是水分脅迫系數。

最大光能利用率是CASA模型的重要參數,它的取值直接影響模型的模擬效果。在以往的CASA模型估算中,將所有植被類型的最大光能利用率選為0.389 gC/MJ[28],這樣模擬的效果并不精確。區(qū)分不同植被類型的最大光能利用率可以提高CASA模型的模擬精度,本文對不同植被類型最大光能利用率的取值是基于已有研究[29- 32]根據實測數據推算的干旱區(qū)不同植被類型的最大光能利用率。

1.3.2集合經驗模式分解(Ensemble empirical mode decomposition, EEMD)

經驗模態(tài)分解(Empirical mode decomposition, EMD)是由Huang等[17]提出的基于Hilbert-Huang變換的信號時頻處理方法,可將原始數據中不同尺度的波動和趨勢特征進行分解,生成一系列具有不同特征尺度的本征模函數(intrinsic mode function, IMF)和一個趨勢分量(res)[33]。每個IMF分量反映原始序列在一個時間尺度上的波動,趨勢量反映了原始序列的長期趨勢。實驗中發(fā)現EMD方法存在混頻的問題,基于此,Wu和Huang[34]提出了集合經驗模態(tài)分解方法(Ensemble empirical mode decomposition, EEMD),該方法在原始數據中分次加入一定比例的白噪聲,新形成信號被多次計算,并執(zhí)行集合平均以消除所添加的白噪聲,該方法不僅保留了原序列的信號信息,而且解決了信號間隔不連續(xù)而引起的模態(tài)混疊問題[35]。

EEMD分解的步驟如下：

第1步,向信號x(t)中加入一定數量(np)的高斯白噪聲ωj(t),以獲得大量的噪聲偽信號Xj(t)。

Xj(t) =x(t) +ωj(t),j=1,2,…,np

(4)

第2步,用EMD方法分解Xj(t),得到IMF分量(ci)和趨勢項(rn)：

(5)

這里,cij和rnj分別表示Xj(t)的IMF分量和趨勢項。

第3步,重復前兩個步驟,每次添加相同振幅的新白噪聲,重復np次。

第4步,將每次分解得到的IMFs進行集合平均,使添加的白噪聲互相抵消：

(6)

(7)

式中：ci(t)是初始信號經分解得到的第i個IMF分量,rn為趨勢項。

每個IMF分量的變化周期為：

(8)

式中：N是IMFs分量的長度,NPk是第k個IMF分量的極值點個數。

不同時間尺度IMF分量的重要性可通過方差貢獻率進行估算：

(9)

(10)

式中：Si是第i個分量ci(t)的方差,S是該分量的方差貢獻率。S值越大,說明此分量波動越強,重要性越大。

1.3.3Mann-Kendall檢驗

Mann-Kendall(M-K)趨勢檢驗法是檢測時間序列的長期變化趨勢和突變的有效方法,它的優(yōu)點是樣本不必遵循特定的分布,并且不受少數異常值的影響。M-K檢驗分為趨勢檢驗和突變檢驗。

在M-K趨勢檢驗中,原假設H0(x1,…,xn)是n個獨立的、隨機變量同分布的樣本；時間序列變化指標用統(tǒng)計量Z表示,其公式[36]如下：

(11)

(12)

(13)

(14)

這里,xk和xi是樣本時間序列數據集,n和sgn分別是時間序列長度和符號函數。Z> 0表示時間序列有增加趨勢,Z<0表示減少趨勢,Z=0表示時間序列無變化趨勢。

給定顯著性水平α,|Z|>u1-α/2表示α水平上時間序列呈顯著變化,±Z1-α/2是歸一化正態(tài)偏差。如α= 0.05時,Z=1.96,Z> 1.96/Z< -1.96分別表示時間序列具有顯著的增加/減少趨勢。

2 結果與分析

2.1 CASA模型模擬結果的驗證

由于對植被NPP數據進行實測工作量巨大,很難在大范圍的區(qū)域內發(fā)展。 因此,本研究將本文結果與前人研究結果進行了對比。由于不同區(qū)域的模擬結果受到很多外部因素影響,為了更準確和科學地驗證CASA模型模擬的結果,本文參考了大量先前對西北地區(qū)的研究,對不同的植被類型NPP值分別進行對比驗證,結果如表1。

表1 主要植被類型NPP模擬值與其他模擬結果比較/(gC m-2 a-1)

由表1可見,本研究估算的不同植被類型的NPP平均值與前人估算的結果一致性很高,都表現為林地NPP較高,灌木、草地NPP較低,各植被類型模擬結果均在參考范圍內,說明此方法估算的NPP數據基本可靠,可以作為植被NPP研究的基礎數據。

2.2 西北六省植被凈初級生產力(NPP)的變化趨勢及其持續(xù)性

對1982—2015年西北六省生長季植被NPP進行趨勢分析,得到NPP變化趨勢線和M-K統(tǒng)計曲線(圖2)。

圖2 1982—2015年 西北六省生長季NPP及M-K趨勢(UF 正常的統(tǒng)計值時間序列；UB 逆序的統(tǒng)計值時間序列)Fig.2 NPP change trend and M-K trend in the growing seasons of the six northwestern provinces from 1982 to 2015 (UF the normal statistical time sequence; UB the inverted statistical time sequence)

NPP變化趨勢線和M-K統(tǒng)計曲線結果基本吻合,1982—2015年NPP總體上呈增加趨勢,線性增長率為0.718 gCm-2a-1；總體上表現出階段性變化特征：1999年NPP變化發(fā)生了突變,從不顯著增加變?yōu)轱@著增加；1982—1994年表現為平穩(wěn)線性增長,線性增長率為0.613gCm-2a-1；1995—1997年波動變化；1998年之后,NPP顯著增加,線性增長率為1.155 gCm-2a-1(圖2)。

圖3為NPP的變化趨勢空間分布圖。89.39%區(qū)域植被NPP呈現出增加趨勢(z>0),其中57.64%的區(qū)域呈顯著增加趨勢(z>1.96),主要分布在陜北地區(qū)、陜南東南部、天山、塔里木盆地邊緣、河西走廊東南部、青海湖以東等地區(qū),這些地區(qū)主要植被類型是針葉林和混交林。植被NPP有減少趨勢的區(qū)域占比少,主要集中在內蒙古呼倫貝爾草原和錫林郭勒草原等溫帶典型草原區(qū)。內蒙古中東部植被NPP變化不顯著(圖3)。

圖4是M-K檢驗和Hurst指數疊加圖,表2為統(tǒng)計結果。86.10%的地區(qū)植被NPP變化表現為持續(xù)性(表2),說明,大部分研究區(qū)植被覆蓋格局有繼續(xù)保持現有變化趨勢的現象。其中51.3%的區(qū)域表現為顯著增加且可持續(xù)(表2),主要分布在新疆中部和塔里木河流域外緣、青海南部和東部、甘肅、寧夏以及陜西北部(圖4),說明,未來短時間內該區(qū)域植被NPP將會繼續(xù)保持現有的顯著增加趨勢,植被覆蓋率將會增加。8.27%和12%(表2)的區(qū)域分別呈現顯著減少的可持續(xù)性和增加的反持續(xù)性,主要分布在天山、塔里木盆地邊緣以及內蒙古東北部(圖4),這說明未來植被NPP可能會減少,植被覆蓋率未來可能會降低。而內蒙古中部錫林郭勒草原以北的林地呈現不顯著增加趨勢的持續(xù)性,這說明該區(qū)域未來植被NPP變化仍以不顯著增加為主。

圖3 1982—2015年西北六省生長季NPP變化趨勢 Fig.3 Trend of NPP in the growing season of six northwestern provinces from 1982 to 2015

圖4 NPP變化趨勢持續(xù)性空間分布 Fig.4 Spatial distribution of the persistence of the trend of NPP during growing season based on M-K and Hurst index

表2 NPP變化趨勢與Hurst指數統(tǒng)計

2.3 不同時間尺度植被NPP變化與氣候變化的關系

2.3.1植被NPP和氣候變化的多時間尺度分析

表3是不同時間尺度NPP變化的平均周期和它的方差貢獻。圖5為生長季所有像元不同時間尺度的平均NPP變化,表4為不同植被類型NPP不同時間尺度變化的方差貢獻。

NPP被分解為4個IMF分量,分別是3,6,15和29年時間尺度的波動變化(表3)。其中,IMF1的方差貢獻最大(39.41%),其次是IMF2(16.34%)。IMF3和IMF4的方差貢獻較小(分別為11.57%和3.69%),因此本研究在以下分析中不考慮這兩個分量。趨勢項與M-K結果一致,均顯示增加趨勢,其方差貢獻率為28.99%,僅次于3年時間尺度,但遠大于其他分量?？梢钥闯?研究區(qū)的植被NPP主要表現為3年周期變化和長期增加趨勢。

表3 不同時間尺度生長季NPP 的平均周期及其方差貢獻

圖5 不同時間尺度NPP變化的方差貢獻空間分布Fig.5 Spatial distribution of variance contribution of NPP changes in different vegetation types in different times

常綠針葉林Needleleaved evergreen vegetation落葉針葉林Needleleaved deciduous vegetation落葉闊葉林Broadleaved deciduous vegetation混交林Mixed forest灌木Shrub草地Grassland農田FarmlandIMF143.5048.5843.1548.5136.8039.9634.20IMF217.9426.3116.3321.7015.3416.3814.87趨勢項Residue21.696.4922.8410.9633.6928.5636.40

生長季平均氣溫分解為4個IMF分量,分別是3,6,19和34年時間尺度的周期變化(表5)。3年和6年時間尺度的IMF分量的方差貢獻分別為27.89%和16.29%,大于其他分量的方差貢獻。與氣溫M-K曲線相似的是,EEMD趨勢項的方差貢獻為41.37%,高于其他分量,說明生長季氣溫有大幅上升的趨勢。

表5 不同時間尺度生長季平均氣溫和降水量變化的平均周期及其方差貢獻

Table 5 Average periods and variance contributions of growing-season average temperature and precipitation changes at different time scales

分量1IMF1分量2IMF2分量3IMF3分量4IMF4趨勢項Residual氣溫Temperature周期/a361934—標準差0.351.353.737.12—方差貢獻/%27.8916.2910.464.0041.37標準差0.130.090.070.060.19降水量Precipitation周期/a361430—標準差0.240.833.876.42—方差貢獻/%67.3416.037.043.356.23標準差0.100.070.050.040.05

生長季降水分解為3年,6年,14年和31年的波動變化(表5)。3年和6年時間尺度的方差貢獻分別為67.34%和16.03%,遠大于其他分量。趨勢項方差貢獻很低(6.23%),此結果與M-K結果一致,說明生長季降水量無顯著的增長趨勢。由此可見,生長季降水以3年和6年尺度的波動為主,沒有明顯的長期變化趨勢。

2.3.2不同時間尺度NPP與氣候變化相關性的空間異質性

圖6—圖8為不同時間尺度NPP和氣象因子(氣溫和降水)偏相關分析結果,表6為統(tǒng)計結果。

圖6 3年時間尺度上生長季節(jié)NPP與氣溫和降水的相關性Fig.6 Relations of NPP to temperature and precipitation during growing season at 3-year time scale

圖7 6年時間尺度上生長季節(jié)NPP與氣溫和降水的相關性 Fig.7 Relations of NPP to temperature and precipitation during growing season at 6-year time scale

圖8 長時間尺度上生長季節(jié)NPP與氣溫和降水的相關性Fig.8 Relations of NPP to temperature and precipitation during growing season over the long-term scale

Table 6 Percentage of different types of correlation between NPP and climate change (temperature and precipitation) at different time scales

3年時間尺度3-year time scale6年時間尺度6-year time scale長期趨勢Long-term time scale氣溫降水量氣溫降水量氣溫降水量R<0,P<0.054.062.968.816.1521.8538.27R>0,P<0.053.8340.2816.6640.9877.7061.43R<0,P>0.0547.4019.9734.8520.060.230.13R>0,P>0.0544.7036.7939.6832.810.210.17

在3年時間尺度上,NPP與氣溫的正相關和負相關區(qū)域相近(51.5%和49.5%),但是大多數地區(qū)相關性不顯著(P>0.05)(圖6,表6)。內蒙古草原區(qū)和甘肅、寧夏等地呈顯著負相關,而青海南部高寒草甸以及陜西南部闊葉林,NPP與氣溫呈顯著正相關。77%的區(qū)域生長季NPP與同期降水量之間呈正相關(圖6,表6),尤其是在內蒙古中部和新疆天山以北(圖6),其主要植被類型是草地,由此可見,降水量的增加可能會促進當地草地生長。在內蒙古北部、陜西南部和甘肅南部,植被以林地為主,青海南部植被類型為高寒草甸,這些地區(qū)NPP與降水呈負相關(R<0),尤其是針葉林和針闊混交林顯著負相關(R<0,P<0.05)。

在6年時間尺度上,NPP變化與氣溫的顯著正關系區(qū)域從3.83%增加到16.66%,特別是在青海南部高寒地區(qū),說明氣溫升高可以促進植被的生長(圖7,表6)。植被NPP與降水量之間關系變化不大,正相關區(qū)域有向南擴散的趨勢。例如,正相關關系從越過天山向南遷移,從內蒙古中部草原向南延伸至寧夏和甘肅。青海南部高寒草甸區(qū)NPP與降水的關系由負相關轉為正相關。內蒙古北部林區(qū),NPP與降水量之間的負相關關系由顯著變?yōu)椴伙@著(圖7,表6)。NPP與氣溫關系顯著的區(qū)域增加幅度略大于NPP與降水量關系顯著的區(qū)域增加幅度。

在長期趨勢上,植被NPP與氣溫和降水量具有非常顯著的相關性,其中正相關面積大于負相關面積(圖8,表6),NPP與氣溫具有長期的顯著正相關的區(qū)域占比77.7%(圖8,表6),說明氣溫升高會促進植被的生長。在北方針葉林區(qū)和青海南部高山地區(qū),植被NPP與氣溫呈現顯著負相關(R<0,P<0.05,圖8),表明長期氣溫的升高會阻礙植物生長。NPP與降水之間存在長期顯著正相關的面積占61.43%(圖8,表6),主要分布在新疆塔里木盆地邊緣綠洲區(qū)、青海北部草地、陜西大部分地區(qū)以及內蒙古科爾沁草原和錫林郭勒草原等地,說明長期降水增加有助于植物生長。在青海南部高山地區(qū),甘肅中部農田區(qū),內蒙古北部混交林和農田區(qū),NPP與降水量負相關關系顯著(R<0,P<0.05,圖8),說明長期降水增加會阻止植被生長。除這些區(qū)域外, NPP與氣溫、降水顯著正相關的區(qū)域植被NPP增加也比較顯著(圖8,圖3)。

3 結果與討論

本文基于修正訂參數的CASA模型估算了西北六省1982—2015年植被NPP,并對其進行多時間尺度時空變化分析及對氣候變化的響應分析,主要結論如下：

(1)1982—2015年西北六省植被生長季NPP總體上呈增加趨勢,該結果與焦偉[8]和Li和Pan[40]研究結果一致。但本研究中NPP的線性增長率0.718 gCm-2a-1,低于焦偉[8](2.98 gCm-2a-1)和Li等Pan[40](2.327 gCm-2a-1)的結果,原因可能是研究區(qū)面積和研究數據時間長度不同。NPP年際變化趨勢表現出一定的階段性,NPP在1999年發(fā)生了突變,NPP由不顯著增加變?yōu)轱@著增加。各植被類型NPP均以增加趨勢為主,落葉闊葉林、灌木和農田的顯著增加趨勢明顯；而落葉針葉林和混交林的顯著增加趨勢不明顯。

NPP未來變化以持續(xù)性為主,大部分地區(qū)植被覆蓋格局有繼續(xù)保持現有變化趨勢的現象,內蒙古南部一帶,青藏高原和塔里木盆地邊緣表現出強持續(xù)性趨勢；而內蒙古錫林郭勒草原、陜南、新疆伊犁河谷地區(qū)呈反持續(xù)性,這些地區(qū)NPP不再維持現有變化趨勢,可能會向相反趨勢變化。

(2)植被NPP的變化特征表現為非線性和非平穩(wěn)性,包含不同頻率的變化(短期和長期的波動)[41-42]。研究區(qū)植被NPP具有3年,6年,15年,29年周期波動和長期增加趨勢,主要以3年周期變化和長期增長趨勢為主。植被NPP變化具有明顯的空間異質性：陜西的南部,甘肅、新疆、寧夏和青海的北部以及內蒙古中部和北部以3年周期變化為主導,而陜西的北部,甘肅、新疆、寧夏的南部以及內蒙古東部以長期變化為主。不同植被類型的NPP變化也表現出明顯差異：針葉林、闊葉林以及混交林以3年周期變化為主,而灌木、草地和農田以3年周期變化和長期增長趨勢為主。草地和農田NPP變化具有明顯的空間異質性：草地在研究區(qū)北部,如內蒙古和北疆以3年周期變化為主,而在研究區(qū)南部,如青海和南疆以長期變化為主；農田在新疆和陜西北部以長期變化為主,在陜西南部、內蒙古呼和浩特和包頭等地以3年周期變化為主。

(3)以往的研究表明,影響西北地區(qū)植被NPP變化的主要氣候因子是降水量,降水增多一定程度上促進植被生長,氣溫升高則會抑制植被生長[43-44],而本研究在對NPP和氣象因子進行多時間尺度分析中發(fā)現不同時間尺度相關性差異顯著。3年時間尺度上,大多數研究區(qū)NPP與氣溫和降水的相關性很小(P>0.05)。6年時間尺度上,NPP與降水正相關區(qū)域向南略有擴散。青海南部高寒草甸由負相關轉為正相關。在長期趨勢上,NPP與氣溫和降水量具有非常顯著的相關關系。在大部分的研究區(qū),NPP與氣溫和降水的正相關面積大于負相關面積?？傊?隨著時間尺度的增大,NPP與氣溫、降水之間的關系愈加顯著。原因可能是短時間尺度植被變化更易受非氣候因子影響,比如植樹造林、退耕還林、城市擴張、開墾等人類活動在一定程度上直接影響了植物的生存,在短時間尺度上對植被的影響要比氣候變化的影響更大。而氣候變化相對人類活動來說其對植被變化的影響較緩慢,會隨著時間尺度的增大逐漸顯著。