Temporal and spatial changes in net primary productivity and land surface temperature and their influencing factors in Jiangsu coastal zone in recent 30 years
-
摘要: 近30年来，复杂的气候变化与剧烈的人类活动造成江苏省海岸带生态演变剧烈，且呈现显著的空间异质性。植被净初级生产力（NPP）和地表温度（LST）是生态系统的2个关键参数，通过将1990—2020年Landsat遥感影像与CASA计算模型和相关性分析等方法结合，分析了江苏海岸带NPP和LST的时空变化及影响因素，结果表明：①由于人类对沿海滩涂资源的利用以及养殖业的发展等，江苏海岸带范围随岸线不断变化，岸线逐步向海推进，且南部向海推进范围大于北部。②近30年来，江苏海岸带NPP和LST呈现出显著的时空异质性特征。时间上1990、2000、2010、2020年代的NPP月均值分别为102.88、88.23、156.62、98.90 g C·m−2，呈现下降－上升－下降趋势，而LST月均值分别为32.6、31.7、28.3、37.6 ℃，呈现先下降后上升的趋势。空间上，NPP与LST在江苏海岸带南北分布呈现出一定差异性。③地表覆盖类型是影响江苏海岸带NPP和LST时空异质性的主要因素。林地的NPP最高，养殖池塘NPP最低；人工建筑的LST值最高，湿地、水域与养殖池塘的LST值相对较低。此外，随着气温升高，NPP和LST有逐渐上升的趋势，而植被覆盖度的升高则导致NPP上升和LST下降。Abstract: In the past 30 years, complex climate change and increasingly frequent human activities have caused dramatic ecological evolution and significant spatial heterogeneity in the coastal zone of Jiangsu Province. The Net primary productivity (NPP) and land surface temperature (LST) are two key parameters of ecosystem. By combining the Landsat remote sensing images of the area from 1990 to 2020 with the CASA (Carnegie-Ames-Stanford Approach) computational model and correlation analysis, the spatial and temporal changes of NPP and LST in Jiangsu coastal zone and the influencing factors were analyzed. Results show that, ① due to the utilization of coastal beach resources and the development of aquaculture, the coastlines of Jiangsu have been gradually moving toward the sea, and the extent of moving to the sea in the southern part is greater than that in the northern part. ② The NPP and LST of Jiangsu coastal zone in the past 30 years show significant spatial and temporal heterogeneity. Temporally, the monthly mean values of NPP in 1990s, 2000s, 2010s, and 2020s are 102.88, 88.23, 156.62, and 98.90 g C·m−2, respectively, showing a decreasing-increasing-decreasing trend, while the mean values of LST are 32.6, 31.7, 28.3, and 37.6 ℃, showing a decreasing and then increasing trend. Spatially, the distributions of NPP and LST in the northern and southern parts of Jiangsu coastal zone showed certain differences. ③ NPP was the highest in forest land and the lowest in farming ponds; and LST values were the highest in artificial buildings and relatively low in wetlands, waters, and farming ponds. In addition, NPP and LST tended to increase gradually with increasing temperature and the increase of vegetation coverage led to the increase of NPP and decrease of LST.
-
0. 引言
海岸带是陆地与海洋的连接纽带[1]，海岸带城市更是人类活动的密集地带[2]，因而海岸带生态系统往往受气候变化、人类活动和社会发展等多种因素影响。作为地球系统的关键带，海岸带环境研究变得日益重要。随着沿海开发战略的实施，人类对海岸带环境资源的开发利用强度不断加剧[3]。同时，海洋水动力条件随着海岸带围垦填海活动等产生了变化，加之流域入海沉积物供给减少，对海岸线的演化也造成了很大的影响[4]。海岸线的时空变化不仅能反映海岸带的景观变化，亦能够体现出海岸带生态环境保护成效与经济发展水平[5]。此外，海岸带滩涂围垦、填海造陆等人类活动亦会对海岸带生态环境产生重要影响[6]，使海岸带生态系统遭到破坏[7–8]，因此研究海岸线的时空变化对于探讨海岸带生态环境具有重要意义。植被作为海岸带的生态资源之一，能够反映出海岸带的气候以及环境变化，前人多用归一化植被指数（Normalized Difference Vegetation Index，NDVI）、植被净初级生产力（Net Primary Production，NPP）、土壤水分指数、植被多样性、地表温度（Land Surface Temperature， LST）等植被参数描述区域的生态现状。对于以上植被要素已有许多学者对其进行探讨[9–14]，但由于研究方法的差异，不同学者对LST与植被覆盖度关系的结论仍存在差异[14–16]，因此本文选择更能代表植被生态状况的参数NPP与LST进行探讨。
植被净初级生产力（NPP）是表征植被吸收净二氧化碳能力的参数，即植被光合作用所吸收的二氧化碳与呼吸作用产生的二氧化碳之差[13]，是地表碳循环的重要组成部分，作为生态系统碳源/汇的重要指标，在全球碳平衡中发挥着不可替代的作用。同时，NPP还是反映生态系统固碳能力和调节生态过程的关键指标[17–18]，能够在一定程度上反映气候以及人类活动对某一地域的生态环境状况的作用[19–20]。已有诸多研究表明，NPP不仅与土地覆盖、气候变化[21–23]等有关，还会随着人类活动的影响发生变化[11]。在气候方面，NPP对降水有着较高的敏感性[24]，与温度降水呈现正相关关系[11,25]，而在某些区域人类活动则是NPP变化的主导要素。地表温度（LST）是指地球覆盖表面与空气交接处的温度，代表了人类活动引起的地表热能的物理量的变化，是研究气候变化、水文、生态等的主要参数，其与土地表面的生物物理特征关系较为密切[26–28]。遥感技术的出现为计算LST提供了更为科学的方法，当前主要研究方法是利用MODIS影像获得地表温度值，或者利用Landsat影像通过单窗或劈窗算法反演地表温度。前人多利用LST进行区域内城市热岛效应的分析[29–31]或分析不同地表覆盖类型对地表温度的影响。针对LST的影响因素，已有许多研究表明，LST与地表覆盖类型[14]、植被特征[15]、土壤性质以及地形[16]等有关。
江苏海岸带地理位置优越，南部毗邻上海，是长江三角洲的重要组成部分，北部与环渤海经济圈相邻。前人针对江苏海岸带的研究多集中在土地利用变化或海岸线时空变化特征等[4,32–35]，对于生态系统的研究也仅停留在2010年左右且研究内容较少，尤其是对江苏海岸带生态系统大时间和空间尺度的研究仍存在空白。区域内NPP的时空变化不仅制约着大时间尺度的生态系统变化及碳循环过程，其变化亦会对大空间区域起决定性作用[20]。因此江苏海岸带作为江苏省重要经济及生态建设区，研究其NPP与LST的变化对理解江苏省甚至其他沿海城市的碳循环有着重要意义。本文以人类活动强度快速增长的近30年为时间尺度，充分收集这一时间段内的Landsat遥感影像以及气象数据，将NPP与LST结合，研究江苏海岸带格网尺度和县级单元尺度上NPP和LST的时空变化及影响因素。本文拟解决以下科学问题：①在大空间尺度下研究近30年来江苏海岸带NPP与LST时空变化特征；②探究地表覆盖类型、气候变化和植被生长状况等因素对NPP与LST时空格局的影响，揭示大空间尺度下地表覆盖特征演变规律，把握海岸带生态系统变化特征，并为基于生态系统的海岸带管理提供依据。
1. 材料与方法
1.1 研究区概况
江苏海岸带包括江苏省沿海的14个县级城市，位于31°64′—35°12′N、118°75′—121°94′E（图1），海岸线长约954 km[32]，陆地面积约2.4万km2。江苏海岸带位于“一带一路”和长江经济带建设两大国家战略的交汇点，随着国家沿海开发战略的实施，已经成为江苏发展最快的区域之一。江苏海岸带属亚热带和暖温带季风气候，光照充足，年平均气温为13.7～14.6 ℃。其地形平坦，87%的地区为平原，主要海岸带植被为水稻、小麦及芦苇。海岸以粉砂淤泥质型为主，沿海滩涂约5000 km2，占全国沿海滩涂面积的1/4。除滩涂资源外，江苏海岸带还拥有丰富的海洋、矿产以及植物资源等。由于自然条件及经济发展程度的不同，江苏海岸带14个县级市的自然资源存在一定差异，北部的赣榆县、连云区以及灌云县多林地，鱼类资源丰富；中部的射阳县以及大丰区主打生态建设，拥有世界上最大的麋鹿自然保护区以及国家级丹顶鹤生态保护区，其经济发展相对较为缓慢；而南部的如东县、通州区、海门市以及启东市经济发展较快，其中通州区是经济最为发达的城市。1984年，连云港和南通市成为沿海对外开放城市；1995年，“海上苏东”、“沿海开发”战略实施，但沿海经济发展较为缓慢，农业占主导地位；2003年“908”专项正式开展，2009年《江苏沿海地区发展规划》颁布，沿海经济快速发展，但区域经济发展不平衡，南通市发展最为迅速，其人类活动最为明显。
1.2 数据来源与处理
本文遥感数据来源于地理空间数据云（http://www.gscloud.cn/）的Landsat系列数据，为减小季节对分析结果的影响，选取影像成像时间以5月份为主，分别选取4个年代（1990、2000、2010和2020年代）研究区范围内无云或少云的遥感影像（表1）。气象数据来自中国气象数据网（http://data.cma.cn/），选取与已选取遥感影像同时期的江苏海岸带气象站气象数据。土地覆盖类型数据来源于自然资源部发布的30 m空间分辨率地表覆盖数据GlobeLand30（http://www.globallandcover.com/）。
表 1 遥感影像选取时间Table 1. The dates of remote sensing image项目 条带号 日期 Landsat 5 118/38 19910513 20000606 20080511 119/37 19890530 20000613 20090606 119/38 19920522 20000613 20100524 120/36 19920529 19990618 20070507 Landsat 8 118/38 20180523 119/37 20170527 119/38 20170527 120/36 20180606 已选取的遥感影像通过ENVI 5.1软件进行辐射定标和波段融合[36]等处理，再结合处理后的遥感影像，在ArcGIS 10.6软件中手动绘制江苏省不同时期的海岸线（每10年1幅）；同时，以自然资源部发布的2000—2020年的土地利用数据为基础，通过目视解译完成4个年代（1990、2000、2010和2020年代）的地表覆盖数据。利用ArcGIS 10.6软件建立格网，将4个时期的地表覆盖数据与研究区格网数据建立空间连接，然后结合气象数据计算NPP和LST，并计算距海岸线的距离。
1.3 研究方法
（1）海岸线分维数计算
海岸线分维数按照网格法[37]进行计算，先将遥感影像比例尺调整为1:2.5万后进行海岸线的绘制，选取300 m×300 m、400 m×400 m、500 m×500 m、600 m×600 m、700 m×700 m、800 m×800 m、900 m×900 m、1000 m×1000 m的网格，然后利用ArcGIS 10.6软件计算出网格数目后，制作网格长度与网格数目的双对数散点图，拟合出公式（1）所示的线状分形维数关系式。
$$ \ln N(r) = - D\ln r + A $$ (1) 式中：A为待定常数；
D为海岸线分维数；
r为网格长度；
$N(r)$ 为网格数目。（2）NPP计算
NPP计算是基于Carnegie-Ames-Stanford Approach（CASA）[38]模型，
$$ {\text{NPP}}(x,t) = {\text{APAR}}(x,t) \times \xi (x,t) $$ (2) $$ {\text{APAR}}(x,t) = {\text{PAR}}(x,t) \times {\text{FPAR}}(x,t) $$ (3) $$ \xi (x,t) = {\text{ft}}(t) \times {\text{fw}}(t) \times {\xi _{\max }} $$ (4) 式中：
$ {\text{NPP}}(x,t) $ 为x点t月净初级生产力；${\text{APAR}}(x,t)$ 为x点t月吸收的光合有效辐射，MJ·m−2·月−1；$ \xi (x,t) $ 为x点t月的实际光能利用率，g C·MJ−1；${\text{PAR}}(x,t)$ 为x点t月的光合有效辐射，取值为太阳总辐射的50%，MJ·m−2·月−1；${\text{FPAR}}(x,t)$ 为x点t月光合有效辐射吸收比例，%；${\text{ft}}(t)$ 和${\text{fw}}(t)$ 为研究区t月的气温胁迫因子和水分胁迫因子，%；${\xi _{\max }}$ 为植被最大光能利用率，g C·MJ−1。$$ {\text{FPAR}}(x,t) = \frac{{{\text{FPAR1}}(x,t) + {\text{FPAR2}}(x,t)}}{2} $$ (5) $$ {\text{NDVI}} = \frac{{{\text{IR}} - R}}{{{\text{IR}} + R}} $$ (6) $$ {\text{SRVI}}(x,t) = \frac{{1 + {\text{NDVI}}(x,t)}}{{1 - {\text{NDVI}}(x,t)}} $$ (7) $$ \begin{split} {\text{FPAR1(}}x,t{\text{)}} = &\frac{{{\text{NDVI(}}x,t{\text{)}} - {\text{NDV}}{{\text{I}}_{\min }}}}{{{\text{NDV}}{{\text{I}}_{\max }} - {\text{NDV}}{{\text{I}}_{\min }}}} \times\\ &\left( {{\text{FPA}}{{\text{R}}_{{\text{max}}}} - {\text{FPA}}{{\text{R}}_{{\text{min}}}}} \right) + {\text{FPA}}{{\text{R}}_{{\text{min}}}} \end{split} $$ (8) $$ \begin{split} {\text{FPAR2}}(x,t) = &\frac{{{\text{SRVI}}(x,t) - {\text{SRV}}{{\text{I}}_{{\text{min}}}}}}{{{\text{SRV}}{{\text{I}}_{{\text{max}}}} - {\text{SRV}}{{\text{I}}_{{\text{min}}}}}} \times\\ &\left( {{\text{FPA}}{{\text{R}}_{{\text{max}}}} - {\text{FPA}}{{\text{R}}_{{\text{min}}}}} \right) + {\text{FPA}}{{\text{R}}_{{\text{min}}}} \end{split} $$ (9) 式中：IR为近红外波段；
R为红外波段；
${{\rm{FPAR}}_{\max }}$ 与${{\rm{FPAR}}_{\min }}$ 分别取0.95和0.001；${{\rm{NDVI}}_{\max }}$ 、${{\rm{NDVI}}_{\min }}$ 、${{\rm{SRVI}}_{\max }}$ 和${{\rm{SRVI}}_{\min }}$ 分别取4个年代所有值的95%和5%百分位值。${\rm{FPAR1}}$ 与${\rm{FPAR2}}$ 两者得到的光合有效辐射更为准确。$$ {\text{ft}}(t) = {\text{ft}}1(t) \times {\text{ft2}}(t) $$ (10) $$ {\text{fw}}(t) = 0.5 + 0.5 \times E/{E_\text{p}} $$ (11) 式中：E为蒸散量；
EP为潜在蒸散量；
${\text{ft1}}(t)$ 与${\text{ft2}}(t)$ 分别代表极端温度植被光合作用受到的限制以及气温不在最适温度时光能利用率受到的影响，其计算方法参考池源等[17]的研究。（3）LST计算
LST的计算方法根据遥感影像的来源不同有单窗算法[39–41]与劈窗算法2种，多基于覃志豪对于其参数的研究，Landsat 8劈窗算法：
$$ {T_s} = {T_{10}} + A\left( {{T_{10}} - {T_{11}}} \right) + B\text{，} $$ (12) $$ A = \frac{{{D_{10}}}}{{{E_0}}}\text{，} $$ (13) $$ B = {E_1}{L_{10}} - {E_2}{L_{11}}\text{，} $$ (14) $$ {E_1} = {D_{11}}\left( {1 - {C_{10}} - {D_{10}}} \right)/{E_0}\text{，} $$ (15) $$ {E_2} = {D_{10}}\left( {1 - {C_{11}} - {D_{11}}} \right)/{E_0}\text{，} $$ (16) $$ {E_0} = {D_{11}}{C_{10}} - {D_{10}}{C_{11}}\text{，} $$ (17) $$ {C_i} = {\varepsilon _i}{\tau _i}\text{，} $$ (18) $$ {D_i} = \left( {1 - {\tau _i}} \right)\left[ {1 + \left( {1 - {\varepsilon _i}} \right){\tau _i}} \right]\text{，} $$ (19) $$ {L_i} = \dfrac{{{B_i}(T)}}{{\left[ {\dfrac{{\partial {B_i}(T)}}{{\partial (T)}}} \right]}} = \dfrac{{{T_{10/11}}^2}}{{{K_2}}} - \frac{{{T_{10/11}}^2}}{{{K_2} \times {\text{e}^{\frac{{{K_2}}}{{{T_{10/11}}}}}}}}\text{，} $$ (20) $$ T = \frac{{{K_2}}}{{\ln \left( {\dfrac{{{K_1}}}{{{B_\lambda }}} + 1} \right)}}\text{，} $$ (21) 式中：A与B为计算参数；
C、D、E为中间计算参数；
$ {\varepsilon _i} $ 为地表辐射率；$ {\tau _i} $ 为大气透射率；T为亮度温度；
$ {L_i} $ 为温度参数，K；$ {B_\lambda } $ 为辐射强度，可根据池源等[42]的研究进行计算。在计算过程中土地利用类型划分如下：将耕地、草地与林地作为“植被”，其余覆盖类型作为“非植被”。Landsat 5单窗算法：
$$ \begin{split} &{\text{LST}} = [ {a}(1 - C - D) +\\ &\left( {{b}\left( {1 - C - D} \right) + C + D} \right){T_6} - D \times {T_a} ]/C\text{，} \end{split} $$ (22) 因为本文遥感影像选自夏季，因此Ta=16.011+0.92621T0，其中T0为近地表温度，可取值平均温度（K），T6计算参照公式（21）。公式中，a取值−67.355 351，b取值0.458 606；C与D的计算过程同（18）、（19）式一致，公式中
$ \tau $ 根据水汽含量值得到其估算方程[42]：$$ \tau = 1.17 - 0.16w\text{，} $$ (23) 在单窗算法中地表辐射率根据不同土地覆盖类型具有不同的值[43]，
$ {\varepsilon }_{植被}=0.986 $ ；$ {\varepsilon }_{建筑}=0.970 $ ；$ {\varepsilon }_{裸地}=0.972\;2 $ ；$ {\varepsilon }_{池塘}=0.995 $ 。2. 结果和分析
2.1 海岸线时空变化特征
本文探讨海岸线变化以赣榆县绣针河口至启东市连兴港河口为主，根据江苏省自然资源厅海岸线数据以及参考文献数据[33]进行误差分析，其参数变化如表2所示。根据绘制出的海岸线变化（图2），依据向海推进面积的大小以射阳县和大丰区为界分为南、北2个区域进行讨论。射阳县以北（包括射阳县）为江苏海岸带北部，大丰区以南（包括大丰区）为江苏海岸带南部。1996－2008年，江苏沿海开发滩涂超过1200 km2，在此时间段北部岸线处于稳定状态，岸线变化不大；南部岸线则因为围填工程以及围垦养殖活动的增加，导致岸线向海推进，但南通市至启东市岸线向海推进范围相对较小。2013年底，东台市沿海东北角条子泥一期匡围工程基本完成，有效增加了农业、建设、生态用地面积，江苏沿海开发重大工程——百万亩滩涂围垦正式拉开大幕。在此期间，江苏海岸带北部岸线仍处于稳定状态，南部岸线则继续向海推进，且岸线趋于平整。2010－2020年，海岸线变化则趋于稳定，由于人类活动的影响使得海岸线相对2010年较为曲折。总体来看，江苏海岸线近30年来逐步向海推进，且南部向海推进范围大于北部，向海推进的原因主要是人类对于滩涂资源的开发以及沿海围垦养殖活动的发展，且南部滩涂资源的开发利用明显大于北部[34]。
表 2 近30年江苏海岸线参数变化Table 2. Changes of coastline parameters of Jiangsu Province in the past 30 years年代 海岸线长度/km 分形维数D 相关系数 相对误差 1990s 838.422 1.045 0.999 0.005 2000s 921.446 1.050 0.999 0.034 2010s 891.406 1.040 0.999 0.038 2020s 920.553 1.058 0.999 0.050 2.2 地表覆盖类型变化特征
根据土地利用现状分类标准（GB/T 21010－2007）及江苏海岸带实际情况，本文将江苏海岸带地表覆盖类型分为耕地、人工建筑、养殖池塘、草地、林地、湿地、水域和裸地。1990－2000年，江苏海岸带养殖池塘面积占比增大至28.4%，主要分布在研究区中部的大丰区；水域面积占比增大至26.1%，主要分布在研究区北部的灌南县。2000－2010年，人工建筑面积占比增大至25.8%；湿地面积占比增大至32.2%，主要分布在研究区南部的东台市和如东县；随着海岸线的推进，研究区南部养殖池塘面积有明显增加，但养殖池塘总面积占比减少至26.3%。2010－2020年，养殖池塘面积占比减少至19.4%，主要分布在研究区北部沿海区域，人工建筑面积占比增大至39%，其中研究区北部的连云区和研究区南部的通州区、海门市、启东市人工面积显著增大；林地面积占比增大至41.1%，主要分布在研究区南部的东台市。
总体而言，近30年来江苏海岸带地表覆盖类型都以耕地、人工建 筑以及养殖池塘为主。草地、养殖池塘面积明显变小，林地、人工建筑、湿地与水域面积明显增大，耕地面积变化较小。（图3、4，表3）
![]()
图 3 近30年江苏海岸带土地利用覆盖类型Figure 3. Types of land use and coverage in Jiangsu coastal zone in the past 30 years![]()
图 4 近30年江苏海岸带土地利用覆盖类型面积占比变化仅2020年代含有裸地且面积较少，为方便总体分析图中不包括裸地Figure 4. Changes in the proportion of land use cover types in Jiangsu coastal zone in recent 30 years表 3 江苏海岸带不同土地覆盖类型的面积变化Table 3. Changes in area of each land cover type in Jiangsu coastal zonekm2 年代 耕地 林地 养殖池塘 湿地 草地 人工建筑 水域 1990s 18 702.40 100.31 1 577.09 354.17 85.17 1 550.71 159.42 2000s 18 839.10 84.77 1 730.31 400.09 77.75 1 636.19 375.08 2010s 18 486.20 86.29 1 602.23 613.50 51.87 2 331.25 418.26 2020s 18 031.30 189.03 1 177.99 537.71 61.06 3 528.57 482.72 2.3 NPP时空变化特征
1990年代，江苏海岸带的NPP月均值为102.88 g C·m−2，大部分区域介于100～150 g C·m−2，北部的NPP低于南部（图5a），尤其是北部近海区域介于0～50 g C·m−2。2000年代，江苏海岸带的NPP月均值为88.23 g C·m−2，与1990年代相比，南、北部分布差异进一步增大，除南部的NPP有所上升外，其余地区均呈下降趋势（图5b）。2010年代，江苏海岸带的NPP月均值为156.62 g C·m−2，与2000年代相比，南、北部分布发生转变，北部的NPP明显高于南部，而且NPP值显著增大且北部增幅远超南部（图5c）。2020年代，江苏海岸带的NPP月均值为98.90 g C·m−2，南、北部的分布差异已不明显，大部分区域介于50～150 g C·m−2，近海区域在0～50 g C·m−2范围内，与2010年代相比，NPP值明显降低，NPP月均值>150 g C·m−2的区域大幅减少，仅零散分布（图5d）。
![]()
图 5 江苏海岸带植被净初级生产力月均值空间分布Figure 5. Spatial distribution of net primary productivity in Jiangsu coastal zone各县级城市的NPP月均值变化如图6所示，1990年代，各县级城市NPP的空间分布较为均衡；2000年代，NPP的空间分布差异较大，NPP高值主要分布在南部，低值基本集中于北部的射阳县和赣榆县；2010年代，北部各县级城市的NPP值均大于南部，仅北部的射阳县和近海区域的NPP值略低；2020年代，各县级城市NPP的空间分布差异较小，整体波动幅度不大。对于不同地表覆盖类型的NPP均值，林地的NPP均值远高于其他地表覆盖类型，其次是湿地与耕地，养殖池塘、水域以及裸地的NPP值较低（图7）。
![]()
图 6 近30年江苏海岸带各县级城市植被净初级生产力月均值图中“海岸带”含义为整个研究区Figure 6. Average net primary productivity of county-level cities in Jiangsu coastal zone in the past 30 Years![]()
图 7 近30年不同地表覆盖类型植被净初级生产力月均值变化Figure 7. Changes in mean value of net primary productivity of different land cover types in the past 30 years总体来看，1990－2000年，研究区NPP整体呈现下降趋势，且北部下降较南部更为明显；2000－2010年，研究区NPP整体大幅度上升；2010－2020年，研究区NPP整体均有较大幅度的下降。近30年间整个江苏海岸带NPP均值呈下降趋势。
2.4 LST时空变化特征
1990年代，江苏海岸带LST总体均值为32.6 ℃，南、北分布差异较大，北部LST分布相对南部较不均匀，主要集中在30～35 ℃，均值为33.74 ℃，而南部均值为30.93 ℃（图8a）。2000年代，江苏海岸带LST均值为31.7 ℃，南北分布差异依旧存在。与1990年代相比，北部LST明显下降，均值为28.66 ℃，南部则呈上升趋势，均值为33.93 ℃（图8b）。2010年代，江苏海岸带LST均值为28.3 ℃，南北差异较小，LST主要分布在20～30 ℃（图8c）。2020年代，江苏海岸带LST均值为37.6 ℃，分布较为均匀，南北差异相对其他年代已不明显，相较于2010年代，2020年代LST值有所升高，且升高幅度较大（图8d）。
![]()
图 8 江苏海岸带地表温度空间分布Figure 8. Spatial distribution of land surface temperature in Jiangsu coastal zone各县级城市的LST变化如图9所示，1990年代，LST均值北部的赣榆县最高，南部的启东市最低，其余县级城市分布较为均匀。2000年代，南部各县级城市的LST均值均高于北部。2010年代，各县级城市均值相差幅度较小，其中赣榆县均值最高，启东市最低。2020年代，仅南部部分县级城市LST均值较低。对于不同地表覆盖类型，人工建筑的LST均值最高，养殖池塘与水域的LST值最低（图10）。
![]()
图 9 近30年江苏海岸带各县级城市地表温度均值Figure 9. Average land surface temperature of county -level cities in Jiangsu coastal zone in the past 30 years![]()
图 10 近30年不同地表覆盖类型地表温度均值变化Figure 10. Changes in the mean value of land surface temperature of different land cover types in the past 30 years总体来看，1990－2000年，研究区LST有微小幅度的下降，其中北部下降较为明显；2000－2010年，研究区LST有较大的下降幅度，其中南部下降更为明显；2010－2020年，研究区LST明显升高；因此，近30年间整个江苏海岸带LST均值上升，升高约5.0 ℃。
2.5 NPP与LST相关性分析
NPP与LST年际变化的相关性分析结果如表4所示，NPP与LST在1990－2000年和2000－2010年间变化呈显著正相关，而在2010－2020年变化呈显著负相关。在不同时空尺度下，江苏海岸带NPP与LST的相关性分析结果如表5所示。在不同的空间尺度（整个海岸带、各县级城市）和4个年代（1990、2000、2010、2020年代），江苏海岸带NPP和LST均呈显著的相关关系（P<0.01）。1990年代，研究区NPP与LST呈显著的负相关关系，尤其是研究区南部的东台市和海安县与北部的响水县和灌南县（表5）。2000、2010与2020年代NPP与LST呈显著的正相关关系，且相关性系数表现为2000年代>2020年代>2010年代。
表 4 近30年地表温度与植被净初级生产力变化值相关性Table 4. Correlation between net primary productivity and land surface temperature changes in the past 30 years项目 2000－1990年NPP 2010－2000年NPP 2020－2010年NPP LST对应变化 0.276** 0.272** −0.178** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。 表 5 近30年各个县级城市植被净初级生产力与地表温度的相关性Table 5. Correlation between net primary productivity and land surface temperature in various county-level cities in the past 30 years项目 1990s 2000s 2010s 2020s 海岸带 −0.020** 0.185** 0.062** 0.184** 赣榆县 0.044** 0.345** −0.126** −0.126** 连云区 0.036** 0.006 −0.009 −0.053** 灌云县 −0.071** 0.262** −0.161** 0.383** 灌南县 −0.329** −0.256** −0.117** 0.039** 响水县 0.333** 0.443** 0.362** 0.605** 滨海县 −0.043** 0.136** 0.205** 0.228** 射阳县 0.159** 0.071** 0.237** 0.383** 大丰区 −0.213** 0.084** 0.224** 0.377** 东台市 −0.402** −0.153** 0.379** 0.102** 海安县 −0.298** −0.095** 0.403** −0.070** 如东县 −0.062** −0.017** 0.164** 0.103** 通州区 −0.203** −0.022** −0.406** −0.123** 海门市 −0.054** −0.169** −0.409** −0.118** 启东市 −0.063** 0.068** −0.304** 0.172** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。 3. 讨论
3.1 NPP和LST计算的可靠性分析
本研究计算NPP使用的CASA模型以及计算LST采用的单窗算法与劈窗算法都具有成熟的方法体系和广泛的实践应用[17-18, 42–43]，决定本研究模拟结果的关键因子是区域地表覆盖分类数据的精度。本研究地表覆盖数据主要来自于自然资源部公开的2000－2020年代数据，根据江苏海岸带实际情况确定为8种地表覆盖类型，同时根据2000年代地表覆盖数据与遥感影像目视解译出1990年代地表覆盖数据。经前人研究，该数据精度>80%[44-45]，满足研究需要。在NPP计算过程中，相关参数取值的确定是讨论的关键。最适温度的取值根据池源等[17]的研究，以8月平均温度作为最适温度。最大光能率
$ {\xi }_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 的取值参考相关研究，朱文泉等[46]模拟出中国不同植被的$ {\xi }_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 为0.389～0.985 g C·MJ−1，耕地为0.573 g C·MJ−1，非植被区域理论上为0。因此，根据前人研究以及江苏海岸带实际情况，草地与耕地[12]$ {\xi }_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 为0.573 g C·MJ−1。江苏海岸带湿地植被多以芦苇为主，因此湿地[17]选取1.257 g C·MJ−1，林地[12]则选取0.783 g C·MJ−1。本文遥感影像分辨率为30 m，在解译过程及混合像元中存在一定的误差，因此人工建筑、裸地、水域及养殖池塘选取最小值0.389 g C·MJ−1作为$ {\mathrm{\xi }}_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 。上述参数已在多地的实证研究中被应用，并取得了较好的模拟效果[17,47]。其余数值的选取均参考池源等[17]、朱文泉等[48]的相关研究。LST计算参数设定已有许多学者对估算模型进行了研究，本文计算方法主要参考QIN等[49]提出的劈窗算法，其适用范围较大，满足本文的研究目标。有关地表辐射率的计算中，在对遥感影像进行像元划分时，由于植被地类与非植被地类可能存在互相夹杂，因此混合像元植被覆盖度选取植被类型的上10%百分位数和非植被类型的下10%百分位数进行计算，再进一步计算地表辐射率，而对于Landsat5地表辐射率的计算则参考CHI等[43]的研究。本文研究重点为反映大空间尺度和长时间序列的江苏海岸带时空变化规律，更加关注研究区内部的时空异质性，所选参数也能够反映研究区内部的时空特征。因本文所采取的经验系数难免具有一定的主观性，在下一步的工作中应结合现场实测数据对其进行验证完善。
3.2 NPP和LST的影响因素分析
3.2.1 地表覆盖类型
地表覆盖类型是影响NPP时空格局[11]与LST的主要因素[50]。结合地表覆盖的变化，在1990－2000年和2000－2010年区间，水域的增加带来了NPP与LST的降低，造成了二者变化的正相关；在2010－2020年，林地面积迅速增加，其NPP为各类地表覆盖类型的最高值，但LST相对不高，因而造成了二者变化较弱的负相关（表4）。在1990年代NPP与LST呈现负相关，耕地、人工建筑对NPP与LST的影响占主导地位。2000年代，耕地对NPP与LST的影响占主导地位。2010年代，耕地与人工建筑以及养殖池塘的作用导致NPP与LST呈正相关，但相关性较弱（表6）。2020年代，草地、湿地、水域以及养殖池塘为NPP和LST变化的原因。当耕地的NPP值升高，LST下降时，此时植被光合作用较强即生态状况良好。因此，近30年江苏海岸带生态系统状况1990年代最好，2010年代次之，2020年代最差[51]。
表 6 近30年不同地表覆盖类型植被净初级生产力与地表温度的相关性Table 6. Correlation between net primary productivity and land surface temperature of different land cover types in the past 30 years项目 1990s 2000s 2010s 2020s 草地 0.041 0.360** 0.421** 0.248** 耕地 −0.112** 0.108** −0.030** 0.156** 林地 −0.277** −0.387** −0.103** −0.546** 人工建筑 −0.117** −0.503** −0.462** 0.013 湿地 −0.237** 0.100** 0.417** 0.344** 水域 0.592** 0.532** 0.438** 0.716** 养殖池塘 0.179** 0.328** 0.272** 0.459** 裸地 — — — −0.609** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。 通过地理探测器进行敏感性分析[52]，用q值进行度量，0≤q≤1，q值越大代表自变量对NPP与LST的解释力越强。因此，地表覆盖类型是影响NPP值变化的根本原因（表7）。1990－2000年，人类活动剧烈，沿海滩涂、养殖池塘、水域面积扩大以及草地、林地面积的减小导致NPP呈小幅度下降趋势。2000－2010年，江苏海岸带在发展经济建设的同时意识到生态保护的重要性，在此期间，江苏沿海开发正式上升为国家战略，江苏省建立多个自然保护区，生态状况逐渐变好。其NPP值显著增高是人工建筑、林地面积的增加，以及耕地农作物长势两者共同的作用。2010－2020年，江海联动、陆海统筹等理念的贯彻实施致使江苏经济发展更为迅速，人工建筑面积的显著增加与耕地面积的减少导致NPP值呈下降趋势。这与池源等[17]对黄河三角洲NPP变化原因的研究结论一致。
表 7 近30年植被净初级生产力与地表温度敏感性分析Table 7. Sensitivity analysis of net primary productivity and land surface temperature in the past 30 years项目 地表覆盖 降雨量 气温 日照时数 1990NPP 0.52 0.12 0.09 0.10 2000NPP 0.28 0.49 0.11 0.23 2010NPP 0.32 0.21 0.10 0.22 2020NPP 0.52 0.05 0.06 0.06 1990LST 0.04 0.27 0.08 0.14 2000LST 0.15 0.48 0.39 0.45 2010LST 0.06 0.06 0.08 0.08 2020LST 0.13 0.29 0.29 0.22 海拔、气温和降水量等是影响LST时空变化的根本因子[53–54]。由于江苏海岸带海拔基本无变化，因此排除海拔对LST的影响。由相关性分析与敏感性分析可知（表8、9），1990－2000年，人工面积的增大影响了生态面积，同时破坏了植被的生长，影响地表与空气和热量间的交换[53]，因此江苏海岸带北部LST值明显降低，而南部由于气温的升高导致LST值升高。从整个江苏海岸带来看，LST均值基本无变化，原因在于各个地表覆盖类型带来的地表温度的增高与减小以及气温与降水的影响可相互抵消。2000－2010年，地表温度有微小幅度的下降，原因在于耕地、养殖池塘面积的减小，以及降水量的减少[55]。2010－2020年，人工建筑和林地面积的扩大导致LST值增高，这与刘宇等[26]的研究结果大体一致（图10）。南北经济发展不平衡的现象导致江苏海岸带南北地表覆盖类型存在差异，进而影响NPP与LST南北的分布差异，因此人类活动对江苏海岸带南北生态环境造成的影响也存在差异。
表 8 近30年植被净初级生产力与地表温度变化相关性分析Table 8. Correlation between net primary productivity and land surface temperature changes in the past 30 years项目 地表覆盖 降雨量 气温 日照时数 2000—1990NPP 0.342 0.750** −0.480 0.074 2010—2000NPP −0.145 0.662** −0.664** 0.219 2020—2010NPP −0.323 0.160 0.094 −0.253 2000—1990LST −0.527 0.847** −0.613* 0.272 2010—2000LST −0.543 0.939** 0.940** 0.941** 2020—2010LST 0.650 0.179 −0.497 0.172 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。 3.2.2 气候变化
前人研究表明，NPP和LST与气候变化等因素高度相关[11,17,55]。1990－2020年，江苏海岸带的NPP和LST出现了明显的年代际差异，通过对各个年代NPP与LST的变化值进行相关性分析与敏感性分析（表8、9），可知降雨与气温变化是引起NPP和LST[11,16]年代际变化的主要因素。而日照时数通过影响植被的光合作用直接影响其NPP值，对LST值的影响则较小[53]。近30年江苏海岸带各县级城市气象因子的变化如图11所示，从县级单元角度来看，北部县级城市日照时数明显高于南部；日照时数越高，其NPP值越高，植被长势越好其覆盖度越高，LST值则越低。江苏海岸带降雨量南北差异不大，仅2000年代南部明显高于北部。降水的变化导致2000年代南部NPP值[23]高于北部，2010年代LST小于2000年代。1990－2020年，气温呈上升趋势，各个县级城市气温变化趋势基本一致，其中射阳县、大丰区以及启东市气温低于其他县级城市，气温的降低导致NPP值与LST值均有所下降，但气温的过度升高也会抑制植被的生长[23]，因此2010－2020年NPP呈现下降趋势，LST则呈现上升趋势。
表 9 近30年植被净初级生产力与地表温度变化敏感性分析Table 9. Sensitivity analysis of net primary productivity and land surface temperature changes in the past 30 years项目 地表覆盖 降雨量 气温 日照时数 2000－1990NPP 0.01 0.36 0.14 0.02 2010－2000NPP 0.11 0.34 0.36 0.12 2020－2010NPP 0.08 0.15 0.08 0.23 2000－1990LST 0.07 0.53 0.38 0.02 2010－2000LST 0.06 0.38 0.34 0.13 2020－2010LST 0.09 0.04 0.13 0.10 ![]()
图 11 近30年各县级城市气候因子变化Figure 11. Changes of climate factors in county-level cities in the past 30 years3.2.3 植被生长状况
NDVI是反应植被覆盖状况的重要指标[9]，与地表覆盖类型、土壤性质等息息相关。当NDVI值越高，代表此区域植被覆盖度越高，但在林地与耕地中NDVI存在饱和现象，即NDVI达到一定值后，植被覆盖度不随着NDVI的增大而增大。2000－2010年NDVI增长幅度较大，同时耕地的NDVI值明显上升，即2010年代植被覆盖度较高，耕地农作物生长状况良好。因此农作物生长茂盛是2010年代NPP值显著增高的主要原因[11]。2010－2020年植被覆盖度明显降低，2020年代NPP值大幅度下降，LST值明显升高。从县级单元角度来看，赣榆县、连云区多山地，NDVI值较小；响水县、射阳县、大丰区的养殖池塘和湿地面积较大，其NDVI值相对较低，其余县级城市NDVI值分布差异较小。因此，植被长势在赣榆县、连云区、响水县、射阳县以及大丰区对NPP以及LST影响较为明显（图12）。江苏海岸带耕地与林地具有较高的NDVI值，水域与养殖池塘的NDVI值较低，因此不同地表覆盖类型植被覆盖度的不同会进一步影响NPP与LST的变化。（图13）。
![]()
图 12 近30年各县级城市归一化植被指数均值变化Figure 12. Average NDVI (normalized difference vegetation index) of county-level cities in Jiangsu coastal zone in the past 30 years![]()
图 13 近30年不同地表覆盖类型归一化植被指数均值变化Figure 13. Changes in the mean value of NDVI (normalized difference vegetation index) of different land cover types in the past 30 years4. 结论
（1）近30年江苏海岸带在人类活动的影响下，经济建设加快，沿海滩涂以及养殖池塘面积扩大，海岸线逐步向海推进。其中，南部由于围垦养殖活动频繁，向海推进范围明显大于北部。
（2）江苏海岸带NPP与LST具有显著的时空异质性特征。近30年来NPP均值先略微下降后显著增高再下降，NPP南北差异逐渐增大后减小，除2010年代北部NPP均值高于南部外，其余年代北部NPP均值均低于南部。LST均值先有微小幅度下降后再增高，LST均值南北差异先缩小后增大，除2000年代北部均值低于南部外，其余年代北部均值均高于南部。
（3）江苏海岸带地形平坦，生态指数变化受自然因子影响较小，主要受人类活动影响。地表覆盖类型是引起江苏海岸带NPP与LST年际与区域变化的主要因素。养殖池塘、水域面积的扩大以及降雨量的增多是NPP与LST均值1990－2000年略微下降的主要因素，植被覆盖度的增加和养殖池塘面积的减小是2000－2010年NPP均值明显升高以及LST均值下降的主要因素；气温升高及人工建筑面积的显著增加是2010－2020年NPP下降与LST升高的主要因素。
-
![]()
图 3 近30年江苏海岸带土地利用覆盖类型
Figure 3. Types of land use and coverage in Jiangsu coastal zone in the past 30 years
![]()
图 4 近30年江苏海岸带土地利用覆盖类型面积占比变化
仅2020年代含有裸地且面积较少，为方便总体分析图中不包括裸地
Figure 4. Changes in the proportion of land use cover types in Jiangsu coastal zone in recent 30 years
![]()
图 5 江苏海岸带植被净初级生产力月均值空间分布
Figure 5. Spatial distribution of net primary productivity in Jiangsu coastal zone
![]()
图 6 近30年江苏海岸带各县级城市植被净初级生产力月均值
图中“海岸带”含义为整个研究区
Figure 6. Average net primary productivity of county-level cities in Jiangsu coastal zone in the past 30 Years
![]()
图 7 近30年不同地表覆盖类型植被净初级生产力月均值变化
Figure 7. Changes in mean value of net primary productivity of different land cover types in the past 30 years
![]()
图 8 江苏海岸带地表温度空间分布
Figure 8. Spatial distribution of land surface temperature in Jiangsu coastal zone
![]()
图 9 近30年江苏海岸带各县级城市地表温度均值
Figure 9. Average land surface temperature of county -level cities in Jiangsu coastal zone in the past 30 years
![]()
图 10 近30年不同地表覆盖类型地表温度均值变化
Figure 10. Changes in the mean value of land surface temperature of different land cover types in the past 30 years
![]()
图 11 近30年各县级城市气候因子变化
Figure 11. Changes of climate factors in county-level cities in the past 30 years
![]()
图 12 近30年各县级城市归一化植被指数均值变化
Figure 12. Average NDVI (normalized difference vegetation index) of county-level cities in Jiangsu coastal zone in the past 30 years
![]()
图 13 近30年不同地表覆盖类型归一化植被指数均值变化
Figure 13. Changes in the mean value of NDVI (normalized difference vegetation index) of different land cover types in the past 30 years
表 1 遥感影像选取时间
Table 1 The dates of remote sensing image
项目 条带号 日期 Landsat 5 118/38 19910513 20000606 20080511 119/37 19890530 20000613 20090606 119/38 19920522 20000613 20100524 120/36 19920529 19990618 20070507 Landsat 8 118/38 20180523 119/37 20170527 119/38 20170527 120/36 20180606 
下载: 导出CSV
表 2 近30年江苏海岸线参数变化
Table 2 Changes of coastline parameters of Jiangsu Province in the past 30 years
年代 海岸线长度/km 分形维数D 相关系数 相对误差 1990s 838.422 1.045 0.999 0.005 2000s 921.446 1.050 0.999 0.034 2010s 891.406 1.040 0.999 0.038 2020s 920.553 1.058 0.999 0.050
下载: 导出CSV
表 3 江苏海岸带不同土地覆盖类型的面积变化
Table 3 Changes in area of each land cover type in Jiangsu coastal zone
km2 年代 耕地 林地 养殖池塘 湿地 草地 人工建筑 水域 1990s 18 702.40 100.31 1 577.09 354.17 85.17 1 550.71 159.42 2000s 18 839.10 84.77 1 730.31 400.09 77.75 1 636.19 375.08 2010s 18 486.20 86.29 1 602.23 613.50 51.87 2 331.25 418.26 2020s 18 031.30 189.03 1 177.99 537.71 61.06 3 528.57 482.72
下载: 导出CSV
表 4 近30年地表温度与植被净初级生产力变化值相关性
Table 4 Correlation between net primary productivity and land surface temperature changes in the past 30 years
项目 2000－1990年NPP 2010－2000年NPP 2020－2010年NPP LST对应变化 0.276** 0.272** −0.178** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。
下载: 导出CSV
表 5 近30年各个县级城市植被净初级生产力与地表温度的相关性
Table 5 Correlation between net primary productivity and land surface temperature in various county-level cities in the past 30 years
项目 1990s 2000s 2010s 2020s 海岸带 −0.020** 0.185** 0.062** 0.184** 赣榆县 0.044** 0.345** −0.126** −0.126** 连云区 0.036** 0.006 −0.009 −0.053** 灌云县 −0.071** 0.262** −0.161** 0.383** 灌南县 −0.329** −0.256** −0.117** 0.039** 响水县 0.333** 0.443** 0.362** 0.605** 滨海县 −0.043** 0.136** 0.205** 0.228** 射阳县 0.159** 0.071** 0.237** 0.383** 大丰区 −0.213** 0.084** 0.224** 0.377** 东台市 −0.402** −0.153** 0.379** 0.102** 海安县 −0.298** −0.095** 0.403** −0.070** 如东县 −0.062** −0.017** 0.164** 0.103** 通州区 −0.203** −0.022** −0.406** −0.123** 海门市 −0.054** −0.169** −0.409** −0.118** 启东市 −0.063** 0.068** −0.304** 0.172** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。
下载: 导出CSV
表 6 近30年不同地表覆盖类型植被净初级生产力与地表温度的相关性
Table 6 Correlation between net primary productivity and land surface temperature of different land cover types in the past 30 years
项目 1990s 2000s 2010s 2020s 草地 0.041 0.360** 0.421** 0.248** 耕地 −0.112** 0.108** −0.030** 0.156** 林地 −0.277** −0.387** −0.103** −0.546** 人工建筑 −0.117** −0.503** −0.462** 0.013 湿地 −0.237** 0.100** 0.417** 0.344** 水域 0.592** 0.532** 0.438** 0.716** 养殖池塘 0.179** 0.328** 0.272** 0.459** 裸地 — — — −0.609** 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。
下载: 导出CSV
表 7 近30年植被净初级生产力与地表温度敏感性分析
Table 7 Sensitivity analysis of net primary productivity and land surface temperature in the past 30 years
项目 地表覆盖 降雨量 气温 日照时数 1990NPP 0.52 0.12 0.09 0.10 2000NPP 0.28 0.49 0.11 0.23 2010NPP 0.32 0.21 0.10 0.22 2020NPP 0.52 0.05 0.06 0.06 1990LST 0.04 0.27 0.08 0.14 2000LST 0.15 0.48 0.39 0.45 2010LST 0.06 0.06 0.08 0.08 2020LST 0.13 0.29 0.29 0.22
下载: 导出CSV
表 8 近30年植被净初级生产力与地表温度变化相关性分析
Table 8 Correlation between net primary productivity and land surface temperature changes in the past 30 years
项目 地表覆盖 降雨量 气温 日照时数 2000—1990NPP 0.342 0.750** −0.480 0.074 2010—2000NPP −0.145 0.662** −0.664** 0.219 2020—2010NPP −0.323 0.160 0.094 −0.253 2000—1990LST −0.527 0.847** −0.613* 0.272 2010—2000LST −0.543 0.939** 0.940** 0.941** 2020—2010LST 0.650 0.179 −0.497 0.172 注：**在0.01水平（双侧）显著相关，*在0.05水平（双侧）显著相关。
下载: 导出CSV
表 9 近30年植被净初级生产力与地表温度变化敏感性分析
Table 9 Sensitivity analysis of net primary productivity and land surface temperature changes in the past 30 years
项目 地表覆盖 降雨量 气温 日照时数 2000－1990NPP 0.01 0.36 0.14 0.02 2010－2000NPP 0.11 0.34 0.36 0.12 2020－2010NPP 0.08 0.15 0.08 0.23 2000－1990LST 0.07 0.53 0.38 0.02 2010－2000LST 0.06 0.38 0.34 0.13 2020－2010LST 0.09 0.04 0.13 0.10
下载: 导出CSV
-
[1] 沙宏杰,张东,施顺杰,等. 基于耦合模型和遥感技术的江苏中部海岸带生态系统健康评价[J]. 生态学报,2018,38(19):7102-7112. [2] 崔昊天,贺桂珍,吕永龙,等. 海岸带城市生态承载力综合评价:以连云港市为例[J]. 生态学报,2020,40(8):2567-2576. [3] 张旭,张继伟,陈凤桂,等. 基于GIS的海口海岸带空间功能分区研究[J]. 海洋开发与管理,2020,38(5):35-41. [4] 戴亚南,彭检贵. 江苏海岸带生态环境脆弱性及其评价体系构建[J]. 海洋学研究,2009,27(1):78-82. [5] 毋亭,侯西勇. 海岸线变化研究综述[J]. 生态学报,2016,36(4):1170-1182. [6] 刘玉斌,李宝泉,王玉珏,等. 基于生态系统服务价值的莱州湾–黄河三角洲海岸带区域生态连通性评价[J]. 生态学报,2019,39(20):7514-7524. [7] HALPERN B S,WALBRIDGE S,SELKOE K A,et al. A global map of human impact on marine ecosystems[J]. Science,2008,319(5865):948-952. DOI: 10.1126/science.1149345
[8] 孙晓萌,吕晨璨,张雪琦,等. 粤港澳大湾区海岸带生态修复工程中的景感生态学应用分析[J]. 生态学报,2020,40(22):8044-8052. [9] 闫少锋,陆茜,张金池,等. 江苏沿海地区NDVI的演变特征及其对区域气候变化的响应[J]. 南京林业大学学报(自然科学版),2012,36(1):43-47. [10] 殷国梅,冀超,刘思博,等. 毛乌素沙化草地植被群落特征及物种多样性对不同生态修复措施的响应[J]. 畜牧与饲料科学,2022,43(1):68-75. DOI: 10.12160/j.issn.1672-5190.2022.01.011 [11] 朱永华,席小康,马鹏飞,等. 植被净初级生产力时空变化及其影响因素分析[J]. 内蒙古农业大学学报(自然科学版),2021,43(1):21-26. [12] 池源,石洪华,王晓丽,等. 庙岛群岛南五岛生态系统净初级生产力空间分布及其影响因子[J]. 生态学报,2015,35(24):8094-8106. [13] 张静静,郝海超,郝兴明,等. 塔里木河下游生态输水对天然植被NPP的影响[J]. 干旱区地理,2020,44(3):708-717. [14] 刘宇,匡耀求,吴志峰,等. 不同土地利用类型对城市地表温度的影响:以广东东莞为例[J]. 地理科学,2006,26(5):5597-5602. [15] 吴虹蓉,施冬. 基于Landsat卫星的植被覆盖度和地表温度关系研究[J]. 科技经济导刊,2021,29(12):120-121. [16] 安彬,肖薇薇,张淑兰,等. 1960—2017年黄土高原地表温度时空变化特征[J]. 干旱区地理,2021,44(3):778-785. DOI: 10.12118/j.issn.10006060.2021.03.20 [17] 池源,石洪华,孙景宽,等. 近30年来黄河三角洲植被净初级生产力时空特征及主要影响因素[J]. 生态学报,2018,38(8):2683-2697. [18] FIELD C B,BEHRENFELD M J,RANDERSON J T,et al. Primary production of the biosphere:integrating terrestrial and oceanic components[J]. Science,1998,281(5374):237-240. DOI: 10.1126/science.281.5374.237
[19] 谷雷,岳彩荣,张国飞,等. 基于Google Earth Engine平台的大湄公河次区域2001—2019年植被NPP时空变化分析[J]. 西部林业科学,2021,50(2):132-139. [20] 陈峰,李红波,刘亚静. 基于GIS和CASA的滇南山区植被NPP时空分异及其影响因素:以云南省元阳县为例[J]. 生态学杂志,2018,37(7):2148-2158. [21] LIU Y Y,YANG Y,WANG Q,et al. Assessing the dynamics of grassland net primary productivity in response to climate change at the global scale[J]. Chinese Geographical Science,2019,29(5):725-740. DOI: 10.1007/s11769-019-1063-x
[22] 任晋媛,佟斯琴,包玉海,等. 内蒙古地区极端气候变化及其对植被净初级生产力的影响[J]. 生态学杂志,2021,40(8):2410-2420. [23] 王金杰,赵安周,张兆江,等. 2000—2018年京津冀地区植被净初级生产力时空演变及其驱动因素[J]. 生态科学,2021,40(1):103-111. [24] ZHAO F B,WU Y P,SIVAKUMAR B,et al. Climatic and hydrologic controls on net primary production in a semiarid loess watershed[J]. Journal of Hydrology,2018,568:803-815.
[25] 刘婧,汤峰,张贵军,等. 2000—2015年滦河流域植被净初级生产力时空分布特征及其驱动因子分析[J]. 中国生态农业学报(中英文),2021,29(4):659-671. [26] DASH P,GOTTSCHE F M,OLESEN F S,et al. Land surface temperature and emissivity estimation from passive sensor data:theory and practice–current trends[J]. International Journal of Remote Sensing,2002,23(13):2563-2594. DOI: 10.1080/01431160110115041
[27] LI Z L,BECKER F. Feasibility of land surface temperature and emissivity determination from AVHRR data[J]. Remote Sensing of Environment,1993,43(1):67-85. DOI: 10.1016/0034-4257(93)90065-6
[28] 王丽平,段四波,张霄羽,等. 2003—2018年中国地表温度年最大值的时空分布及变化特征[J]. 干旱区地理,2021,44(5):1299-1308. [29] 沈中健,曾坚. 1996—2017年闽三角城市群区域热岛时空格局演化分析[J]. 安全与环境学报,2020,20(4):1567-1578. [30] 孙凤云,邓灵稚,刘垚燚,等. 基于增强回归树与区域增温敏感性指数的城市升温效应空间分异研究[J]. 生态学报,2021,41(15):5929-5939. [31] 陆晓君,刘珍环. 城市“源–汇”热景观变化及其空间作用强度特征:以深圳西部地区为例[J]. 生态学报,2021,41(16):6329-6338. [32] 宁立新,周云凯,张启斌,等. 近19年江苏海岸带地区土地利用变化特征[J]. 水土保持研究,2017,24(4):227-233. [33] 胡雪松,贾济红,吴凌颖. 1985—2015年江苏省海岸线变迁研究[J]. 测绘技术装备,2019,21(1):22-25. [34] 孙伟红,黄燕,黄博. 江苏省海岸线时空变化特征研究[J]. 现代测绘,2018,41(4):32-35. [35] 许凤娇,吕晓. 基于土地利用变化的江苏沿海地区生态风险格局[J]. 生态学报,2018,38(20):7312-7325. [36] 邵琦,王思懿,杨春熙,等. Landsat 5 TM、Landsat 7 ETM+及Landsat 8 OLI交叉定标研究[J]. 产业与科技论坛,2017,16(17):54-57. [37] 马小峰,邹亚荣,刘善伟. 基于分形维数理论的海岸线遥感分类与变迁研究[J]. 海洋开发与管理,2015,32(1):30-33. DOI: 10.3969/j.issn.1005-9857.2015.01.008 [38] POTTER C S,RANDERSON J T,FIELD C B,et al. Terrestrial ecosystem production:a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles,1993,7(4):811-841. DOI: 10.1029/93GB02725
[39] 覃志豪,LI W J,ZHANG M H,等. 单窗算法的大气参数估计方法[J]. 国土资源遥感,2003(2):37-43. [40] 覃志豪,ZHANG M H,ARNON K,等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报,2001,56(4):456-466. [41] 覃志豪,李文娟,徐斌,等. 陆地卫星TM6波段范围内地表比辐射率的估计[J]. 国土资源遥感,2004(3):28-32,36-41,74. [42] 池源,石洪华,王晓丽,等. 庙岛群岛南五岛地表温度时空特征及影响因子[J]. 生态学杂志,2015,34(8):2309-2319. [43] CHI Y,SUN J K,SUN Y G,et al. Multi–temporal characterization of land surface temperature and its relationships with normalized difference vegetation index and soil moisture content in the Yellow River Delta,China[J]. Global Ecology and Conservation,2020,23:e01092. DOI: 10.1016/j.gecco.2020.e01092
[44] RUJOIU-MARE M R,MIHAI B A. Mapping land cover using remote sensing data and GIS techniques:a case study of Prahova Subcarpathians[J]. Procedia Environmental Sciences,2016,32:244-255. DOI: 10.1016/j.proenv.2016.03.029
[45] CHEN J,CHEN L J,CHEN F,et al. Collaborative validation of GlobeLand30:methodology and practices[J]. Geo-spatial Information Science,2021,24(1):134-144. DOI: 10.1080/10095020.2021.1894906
[46] 朱文泉,潘耀忠,何浩,等. 中国典型植被最大光利用率模拟[J]. 科学通报,2006,51(6):700-706. [47] CHI Y,SHI H H,WANG X L,et al. The spatial distribution and impact factors of net primary productivity in the island ecosystem of five southern islands of Miaodao Archipelago[J]. Acta Ecologica Sinica,2015,35(24):8094-8106.
[48] 朱文泉,潘耀忠,张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报,2007,31(3):413-424. [49] QIN Z H,DALL'OLMO G,KARNIELI A,et al. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA‐advanced very high resolution radiometer data[J]. Journal of Geophysical Research:Atmospheres,2001,106(D19):22655-22670. DOI: 10.1029/2000JD900452
[50] 王敬文,赵微,叶江霞,等. 应用Landsat–8数据分析山地地表温度格局及影响要素[J]. 东北林业大学学报,2021,49(5):97-104. DOI: 10.3969/j.issn.1000-5382.2021.05.017 [51] 元冰瑜,高建华,池源,等. 1990—2020年江苏省海岸带景观生态状况指数跨尺度时空特征[J]. 应用生态学报,2022,33(2):489-499. [52] 王劲峰,徐成东. 地理探测器:原理与展望[J]. 地理学报,2017,72(1):116-134. [53] 都彦廷,张冬有. 大兴安岭地区2001—2019年地表温度时空分布及影响因素分析[J]. 森林工程,2020,36(6):9-18. DOI: 10.3969/j.issn.1006-8023.2020.06.002 [54] CHI Y,ZHANG Z W,GAO J H,et al. Evaluating landscape ecological sensitivity of an estuarine island based on landscape pattern across temporal and spatial scales[J]. Ecological Indicators,2019,101:221-237. DOI: 10.1016/j.ecolind.2019.01.012
[55] 任景全,刘玉汐,王丽伟,等. 吉林省地表温度时空变化及影响因素研究[J]. 中国农学通报,2020,36(5):103-109. -
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 104
- HTML全文浏览量: 12
- PDF下载量: 11
- 被引次数: 1
