中國西北半干旱區凈初級生產力驅動因子空間計算分析

姬盼盼,高敏華,*,付曉紅,王鵬飛,平 淵,楊曉東,4

1 新疆大學資源與環境科學學院,烏魯木齊 830046 2 新疆大學綠洲生態教育部重點實驗室,烏魯木齊 830046 3 新疆大學數學與系統科學學院,烏魯木齊 830046 4 自治區智慧城市與環境建模重點實驗室,烏魯木齊 830046

凈初級生產力 (Net Primary Productivity, NPP),是單位時間與單位面積中綠色植物光合作用產生的有機物質總量減去自養呼吸所消耗后的剩余部分[1,2]。NPP能夠較為直接地表現生態環境表觀變化和生態系統生產能力,并且能夠作為環境氣候變化在地球物理和生物地球化學過程中的體現[3,4]。所以,開展NPP研究具有較高的自然科學價值與社會意義。且自然環境脆弱性表達與生態效益評價等研究都與NPP有較強的關聯性,它已成為環境變化過程研究和生態系統安全領域中的一個重要因子[5- 7]。NPP環境因子分析研究,在近年成為生態環境變化研究領域的熱點問題,研究內容及成果包括：以NPP為監測對象的全球氣候變化下地球物理與生物地球化學地表觀測研究[8],借助NPP數據追蹤碳循環過程研究[9],生態環境變化下的生態安全評估與預測[10],以及農田發展與質量監督的農用地NPP研究等[11]。目前,有關我國干旱與半干旱區NPP環境因子分析的研究較少,西北干旱區生態景觀豐富利于獲得較為客觀的因子分析結果。

西北干旱與半干旱區大體呈現為高海拔山地到傍山面狀綠洲,再到存在明顯邊界的沙漠地帶景觀格局。該區域地形復雜,生態景觀豐富,水資源分布不均,屬于生態環境脆弱區域和氣候變化敏感區域,獨特的自然環境條件,使得西北干旱與半干旱區成為景觀生態研究的一個重要研究區[12]。另外,其環境管理與生態系統控制對區域經濟發展和社會發展也具有十分重要的意義[13]。所以,對該區域內NPP環境因子響應機制進行分析,可將區域內環境變化與生態系統生產力間信息流的內在關系突顯,有助于掌握該區域內生態系統生產力發展變化趨勢,對區域科學持續發展及生態環境建設具有十分重要的意義與價值[14]。

目前,應用于生態環境因子分析研究的統計分析方法主要包括：主成分分析法、線性模型擬合法、馬爾科夫預測、神經網絡預測等方法。這些數理分析方法能夠反映各因子間的數值變化關系,但并不能很好地體現對象的空間屬性與地域分異特征[15- 19]。不同的生態系統有不同的地理環境設定與空間分布狀態,所以在做數值統計分析時也應反映其空間屬性,特別是生態環境變化研究等對于區位變化較為敏感的研究領域[20]。基于此,本文希望尋求一種帶有空間屬性的因子分析過程,發現因子間更多的空間關系紐帶與信息流傳遞,為NPP生態環境變化研究解決新問題、開拓新思路,并體現空間屬性在因子分析研究中的重要價值。

1 研究區概況

圖1 研究區Fig.1 Study area

本研究選取新疆伊犁河谷部分區域為研究區,伊犁河谷位于中國天山山脈西部,三面環山,地處80°09′—84°56′E,42°14′—44°50′N。北與博爾塔拉蒙古自治州接壤,東與塔城地區和巴音郭楞蒙古自治州毗鄰,南與阿克蘇地區拜城和溫宿縣連接,西與哈薩克斯坦共和國交界,是古絲綢之路的北道要沖,地域優勢十分突出。伊犁河谷氣候溫和濕潤,溫帶大陸性氣候,年平均氣溫約10.4 ℃,年日照時數約2870 h。全區大部分區域年均降水量350 mm左右,部分山區可達600 mm,是新疆最濕潤的地區,屬半干旱區。天然草場總面積約2000多萬公頃,森林面積180萬公頃,森林覆蓋率16%,動植物種類豐富[21]。

2 方法

2.1 數據準備與整理

本研究使用中國科學院資源環境科學數據中心(http://www.resdc.cn)多年NPP監測數據、中國氣象背景空間插值數據、土壤類型空間分類數據、海拔高程數據和NDVI數據,數據類型為數值型柵格數據,由數據中心網站下載后使用ArcMAP10.0軟件經過空間坐標系和投影方式的統一后進行數據提取與分析工作。

2.2 數值提取

具體數據數值提取方法為：先建立一個點陣(86 Km×87 Km)形式的點屬性圖層,點間距離1 Km以適應原始數據的空間分辨率,確保每個點在數值提取過程中都能獲得有效值。隨后使用ArcGIS中Toolbox內的數值提取工具,使用之前所建立的點圖層提取柵格數據中各點位像元屬性值,從而獲得本研究所要使用的數據集。本數據集以空間位置順序排列導出的,即以ArcGIS的默認導出方式,從矩形點陣的左下角自左向右、自下而上依次導出空間各點位數值信息[22]。分析過程涉及因子包括年均凈初級生產力(NPP,gC/m2/yr)、年均溫度(tadem,縮放倍數10,℃)、年均降水(pa,縮放倍數10,mm)、濕潤指數(im,縮放倍數100)、干燥指數(arid,縮放倍數1000)、大于10 ℃積溫(aat10,縮放倍數10)、海拔高程(dem,m)和歸一化植被指數(NDVI)。

2.3 空間分析

為能通過一些數學處理方式獲得數據數值間空間關系與屬性,本文使用一種全新的運算過程,獲得相應具有數據空間屬性和代表性的新數據集,具體運算過程為：首先,使用ArcGIS中導出的按原順序排列的數據集,使用Matlab語言編程，將各元素轉化為以空間相對位置排列的矩陣,從矩陣中選取臨近的9個點作為一個新的數組,計算該數組的標準偏差(SD)、均值(Mean)和變異系數(C.V=SD/Mean),將C.V值賦值于中心點像素,計算得出C.V矩陣。空間分析相關計算使用自行編寫的Matlab語言程序在MatlabR2012a(7.14)軟件中計算完成,計算過程示意圖見圖2(a1代表像元所在點位的原數據值,cv1代表使用a1、a2、a3、a6、a7、a8、a11、a12和a13組成的小組,經過計算得到的中心點C.V值。以后的cv2、cv3等計算依次類推。)：

圖2 空間C.V計算過程示意圖Fig.2 Diagram of the C.V calculation process

2.4 統計分析

如果只通過本文計算的C.V數據集做后續數理統計分析,得出的結果無法與前人研究相互驗證,所以本文首先使用常規數據處理方式將原數據做相關分析和回歸分析獲得主要驅動因子,隨后使用本文提出的帶有空間關系的C.V數據集來完成相應的分析與處理,從而證明本研究方法的可行性與科學性,并對比分析兩數據集間的聯系與差異。

3 結果

3.1 原數據C.V處理

使用Matlab軟件和86 Km×87 Km矩形樣方中提取的屬性數據,完成空間C.V統計分析得到以各因子相對空間位置重建的C.V影像,各因子經過Matlab軟件計算和可視化處理后結果見圖3：圖3中結果可發現積溫(>10 ℃)、溫度和干燥度的C.V在空間分布上存在明顯的關聯與相似性,降水、濕潤指數相關性強,這也一定程度上驗證了本實驗數據處理方法的穩定與可靠性。獲得影像結果后,將影像內各像元屬性值重新提取出來獲得C.V數據集,本研究將使用新的C.V數據集與原始數據集同時做統計分析,對比分析兩數據集因子分析結果,探索本研究中使用的空間統計分析(本文認為可稱之為空間鄰域變異系數法,C.V計算)方法在因子分析中運用的可行性與科學性。另e和f圖中條帶是由于與原數據在做空間插值處理時,圖像拼接處留下了未能全局處理的邊界插值誤差帶。

圖3 C.V計算影像化處理Fig.3 C.V calculation image processing

3.2 數據集因子相關分析

隨后,本研究還需對C.V數據集做更為深入地統計分析和處理,從而突顯一般數理統計分析處理與本文空間統計分析在分析結果中差異性。

原數據集做相關性分析(圖4)發現相關性極強(|R|>0.9)的是：aat10—tadem、tadem—dem、aat10—dem。該結果是可以預見的,因為積溫可以由溫度計算得出,溫度受海拔的升高而隨之降低,當然積溫也就隨之降低,這三個因子兩兩相關。其中,與NPP有較強相關性的是溫度與海拔。

圖4 原始數據集因子相關性Fig.4 Factors correlation of Normal datasets***表示相關極顯著

為探尋原始數據集因子相關性與C.V數據集間存在的差異,本文對C.V數據集做了相關性分析。為能更為詳細地表達溫度降水兩大主要因子與NPP的相關性,對其做空間相關性分析,結果如圖5：由圖5可知降水與NPP在研究區的大部分區域呈正相關,而溫度則存在相對較多的負相關關系。且此處正負相關分界線基本與山脊線重合,地形變化對此有顯著的主導力。

圖5 NPP-溫度-降水空間相關性Fig.5 NPP-Temperature-Precipitation spatial correlation

C.V數據集相關性分析結果中(圖6)有極強相關性的是paCV—imCV和ariCV—aat10CV,其中濕潤指數可由年均降水計算得出,環境積溫可影響蒸發量。與NPPCV有較強相關性的是年均降水、濕潤指數、海拔和歸一化植被覆蓋指數(NDVI)。不難發現C.V數據集中能讓更多因子與NPP因子間的相關性得以體現出來,而且降低了環境各因子間的相關性,更能客觀地體現因子間的真實關系。

圖6 C.V數據集因子相關性Fig.6 Factors correlation of C.V datasets

3.3 NPP環境因子建模

各環境因子與NPP間的數值變化關系和貢獻度需通過模型擬合和預測等方法分析獲得,因此,本文分別以NPP和NPPCV為因變量,其他因子為自變量做逐步回歸分析,結果見表1。

逐步回歸方法優勢在于,能對因變量有較高主導能力的因子做出篩選與排序,使得該結果可直觀地表達各自變量因子在模型構建中的重要性。由表1發現,各因子對于NPP的重要性排序,在兩個數據集間存在差異,最顯著的差異表現在第二因子,原數據集中為積溫,而C.V數據集為海拔,且積溫在C.V數據集中未被選為重要因子,海拔在原數據集中也未被選為重要因子。且使用兩數據集擬合獲得的線性模型中,C.V數據集擬合度明顯高于原數據集,說明C.V數據集擬合模型的解釋能力更強,體現出的因變量變化趨勢更準確,也肯定了C.V計算在因子分析研究中應用的可行性。

3.4 C.V數據集因子海拔分布

在以往其他研究區域中,其NPP因子分析結果中海拔因子并沒有成為NPP的主要驅動因子,可知干旱區海拔因子對NPP作用能力較強,所以本文試圖以海拔為尺度劃分,使用C.V數據集做Duncan分析,分類結果如圖7：經方差分析發現(圖7)除年均氣溫C.V值在海拔尺度上未能體現出較顯著的差異外,其余因子均可分為4—6組,在海拔尺度下存在顯著的差異性,這也驗證了海拔因子對NPP以及其他環境因子的重要性。

表1 原始數據集與C.V數據集回歸分析

y：凈初級生產力,net primary productivity；Xndvi：歸一化植被指數,Normalized difference vegetation index；Xaat10；大于10 ℃積溫,>10 ℃Accumulated temperature；Xarid：干燥度,Aridity；Xpa：降水,Precipitation；Xim：濕潤指數,Humid index；Xtadem：高程校正年均溫度,Average annual temperature (elevation corrected)；Xdem：海拔,Elevation

圖7 C.V因子海拔尺度Duncan顯著性檢驗Fig.7 Duncan significance test of C.V factor at altitude scale

4 討論

生態特征要素的環境因子分析研究一直是生態系統演變與模擬研究中最為基礎與核心的內容,通過量化因子間協同變化關系和空間區位關系,尋求具有較高穩定性和科學價值的數學模型或預測模式,可以幫助人們更加科學地監測和管理生態系統[23- 25]。本研究通過引入C.V計算過程,期于將因子間的空間關系得以量化和表達,從而探索其在因子分析中的可行性與實際價值。因子相關性分析和回歸分析結果均可體現C.V計算在因子分析中的價值,驗證了該研究方法在大尺度分析研究中應用的可行性與科學性。各因子C.V計算分析結果以圖像展現,可以直觀地反映出該因子相應空間位置的波動變化強度,也可認為是變化頻率在鄰域空間內的記錄。其計算過程選擇相鄰9個鄰近像元為一個小組參與計算,結果值賦值于中心點位像元,所以,C.V計算結果表達了因子在拓撲空間的數值變化強度,也就是中心點周圍的紊亂程度或穩定程度[26,27]。這種計算削弱了計算小組以外因子的干擾,使該方法能更加靈敏地洞察變化的存在,對因子變化的響應更敏銳。

相關性分析主要反映因子間的關聯程度,是一種較為常見的探究因子間關聯度的方法。本研究相關性分析結果發現：原始數據集中,相關系數r值較高的兩因子在C.V數據集結果中也相對較高,兩結果十分相像。但也有個別因子間的r值存在較大差異,例如NPP—tadem兩因子(R=0.50),在C.V數據集結果中R值偏小(R=-0.03)。經初步分析認為, C.V計算使得兩因子關聯度減弱的原因是：C.V計算的本質是將空間小鄰域間的波動關系突顯出來,但同時又相當于對原始數據做了歸一化處理,使之成為無量綱的參數,而就原始數據數值本身的大小分布無較高的敏感性,所以分析時建議兩者結合使用能較全面的說明問題[28]。由此可知,C.V計算能較好地表現因子空間波動變化關系7,而對于數值分布變化并不敏感。

兩數據集擬合模型因子重要性排序,第一因子均為NDVI,原因是NDVI作為地表植被生長狀態信息的直接表達因子NPP的內在聯系較強,且NPP是年內單位面積上有機物積累量減去消耗損失量計算獲得。所以植被蓋度能間接影響該地域有機物的凈產量,而消耗量差異較小時,NDVI因子對NPP的驅動能力將得到加強[29,30]。原數據集第二因子為大于10 ℃積溫,積溫作為溫度和能量供給的另一種體現,對植物體的生命活動有十分重要的作用,植物可簡單分為喜溫與喜涼作物,但適宜生長的環境溫度都在零度以上[31,32],所以積溫達到一定數值時,植被才能較為充分地完成自身代謝與能量積累,而且在干旱區積溫的高低變化對地表水分蒸散活動影響也十分明顯,進而能間接影響植物體水力提升活動和對各器官的水分供給能力[33,34]。C.V數據集第二因子為海拔,說明海拔的變化在小鄰域范圍內對NPP的作用效果是十分顯著的,海拔變化能直接影響區域降水條件和環境溫度等諸多自然環境因素,進而作用于土壤屬性和植被分布等生態環境因子,這是地理與環境學者們所公認的,沙漠地區的綠洲均“依山而立”就是很好的例證[35]。

在以往的研究中沒有提出海拔因子對NPP的顯著作用力[36],本研究通過均方差分析發現C.V在海拔尺度下存在顯著差異,說明各因子在不同海拔范圍內的變化具有區域特點,再次肯定了海拔對半干旱區環境下NPP的重要性與分化作用。各因子中除經過DEM校正的年均氣溫沒有顯著地分組效應,其余各因子都表現出了顯著地組間差異(P<0.01)。另外,不難發現C.V數據集在模型擬合中結果更優,模型更穩定。在模型的建立過程中,一般認為SEE越小模型越好,更具說服力,但我們知道當因子數量增多時,隨著變量自由度的增大,SEE便會減少。所以這時我們需要注意調整R2的變化,即當變量增多,實現了SEE減小,R增大,如果調整R2也隨之變大則說明我們加入的變量對因變量是有意義的,相反調整R2減小或不變則說明新加入的因子是不必要的。當然,更少的變量獲得更高的R值,是最為理想的模型構建目標。根據該原理,結合本研究中獲得的結果,可說明使用C.V數據集獲得的NPP多元線性模型更優。且原始數據集模型R值最大為0.654,而C.V數據集R值最小為0.697,肯定了C.V計算數據處理過程在多元回歸分析中運用的前景與科學性。依據上述因子篩選理論與分析結果,表明本研究所選擇的因子對NPP多元線性模型的建立均具有顯著統計學意義,且具有一定的科學性。

5 結論

本文通過矩陣計算重建數據空間相對位置,完成地圖軟件無法直接實現的空間分析過程,經地理空間數據處理方法的創新與改進,最終完成對原數據添加空間屬性的計算過程,且新數據集在因子分析中表現出良好的應用價值與科學性。依原數據集和C.V數據集統計分析與處理結果,我們可以得出以下結論：

(1)在干旱區環境下環境因子中NDVI、積溫和海拔對NPP的作用相對較強(P<0.01),具體表現為積溫對植被生長的積極推動作用與海拔對溫度和局部降水條件的控制。

(2)C.V空間統計計算處理后的數據集在耦合分析中有一定的模型擬合優勢(P<0.01),且與未經處理的數據集相比能使一些隱性因子突顯出來。

(3)C.V空間統計計算影像化處理,能將數據中特定因子鄰域變化強烈的空間區域,更直觀,更精確的表達,使因子空間浮動變化特征一目了然。

(4)與原數據集相比C.V數據集擬合獲得的模型擬合度更高,具有較強的說服力(P<0.01)。

(5)各因子的C.V值分布在海拔尺度上存在顯著的分布差異(P<0.01)。

致謝：感謝中國科學院地理科學與資源研究所資源環境數據中心(http://www.resdc.cn)為本研究提供原始數據與相關技術支持,感謝平淵與王鵬飛同學在程序編寫中給予的幫助。