2023, Vol. 43文章信息
- 华朗钦, 张方敏, 翁升恒, 卢燕宇
- HUA Langqin, ZHANG Fangmin, WENG Shengheng, LU Yanyu
- 1982—2020年安徽省净生态系统生产力时空格局变化及其成因
- Spatio-temporal pattern changes and attribution analysis of net ecosystem productivity in Anhui Province from 1982 to 2020
- 生态学报. 2023, 43(17): 7237-7251
- Acta Ecologica Sinica. 2023, 43(17): 7237-7251
- http://dx.doi.org/10.20103/j.stxb.202207051923
-
文章历史
- 收稿日期: 2022-07-05
- 网络出版日期: 2023-04-28
2. 福建省气象科学研究所, 福州 350007;
3. 安徽省气象局气象科学研究所大气科学与卫星遥感安徽省重点实验室, 合肥 230031
2. Fujian Institute of Meteorological Sciences, Fuzhou 350007, China;
3. Atmospheric Science and Satellite Remote Sensing Key Laboratory Anhui Province, The Anhui Province Meteorological Science Research Institute, Hefei 230031, China
研究表明, 目前大气CO2浓度较工业化之前升高了约50%[1]。不断增加的大气CO2浓度改变了全球碳循环模式[2], 可能加剧了气候变暖[3]。陆地生态系统与大气之间的碳交换是全球碳循环的重要过程, 是大气CO2重要的汇[4], 也是预估未来气候变化的不确定性来源之一[5]。净生态系统生产力(NEP)为净初级生产力(NPP)减去异养呼吸(Rh), 是定量描述陆地生态系统碳循环的重要指标, NEP>0表明陆地生态系统为碳汇, 反之为碳源[6]。因此, 准确评估区域NEP的变化特征及对气候环境的响应有助于明确区域陆地生态系统碳收支状况, 对深入理解区域碳循环变化机制有重要指导意义。
陆地生态系统NEP受到气候变化、大气CO2浓度与植被结构等因素影响[7], 表现出较强的年际变化[8], 在局地区域尺度上, NEP变化规律及主导因子并不一致。在我国不同区域开展的NEP时空变化及归因研究结果具有明显的区域差异。比如, 李洁等[9]结合CEVSA(Carbon Exchange between Vegetation, Soil and Atmosphere)模型研究认为东北地区NEP没有显著变化趋势并且主要影响因素是降水量, 刘春雨[10]基于CASA(Carnegie-Ames-Stanford Approach)模型针对甘肃省的研究发现NEP呈下降趋势的主导因素亦为降水量, 但是刘凤等[11]基于CASA模型发现青藏高原NEP总体呈上升趋势, 而气温对NEP的抑制作用且影响范围大于降水量；庞瑞等[12]利用CEVSA模型研究发现西南高山地区的NEP的主要因素也是气温, 且为负贡献, 导致NEP有显著下降趋势。综上所述, 我国不同区域NEP的变化规律不同, 主导因子也不一致, 且研究大多集中于气温与降水量对NEP的相关分析, 对我国东部不同区域NEP变化及驱动因子有待深入研究。
安徽省是我国东部重要的农业基地和重点林区, 省内植被覆盖度高, 生态区位极为重要[13], 是研究我国东部植被生态系统响应气候与环境变化的典型区域。目前, 已有学者研究了安徽省生态系统NPP的时空变化[14], 分析了安徽省寿县农田NEP的时间变化[15], 然而, 安徽省生态系统NEP时空格局及驱动因子尚不明确。在全球尺度上, Chen等[7]指出CO2和氮沉降分别对全球NEP变化贡献47.0%和1.1%, 叶面积指数(LAI)和气候分别贡献12.4%和-28.6%。另外, Tian等[16]认为我国东南部出现氮饱和导致其驱动的碳吸收持平的现象。因此, 本文基于BEPS模型模拟结果, 分析安徽省NEP的时空格局变化, 并在前人研究基础上, 分析NEP对气候因子、植被因子和大气CO2浓度的时空敏感性, 借助通径分析和贡献率方法研究安徽省NEP时空变化归因, 以期进一步加强对安徽省区域碳循环影响机制的科学认知。
1 资料与方法 1.1 研究区概况安徽省(29°23′—34°39′N, 114°52′—119°38′E)地处我国长江中下游华东地区, 长江三角洲腹地, 属于暖温带半湿润区和亚热带湿润季风区。1982—2020年间, 年平均气温为15.8℃, 年总降水量为1252.4 mm。安徽省以平原、丘陵为主, 生态环境良好。39年来, 土地利用类型发生改变的面积占全省面积的2.57%。据2010年土地利用资料统计(图 1), 农田为安徽省主要土地利用类型, 占57.46%, 其次为森林, 占22.74%, 主要分布在安徽省南部, 草地占5.94%, 水域、建设用地及未利用土地等占13.86%。
|
| 图 1 2010年的安徽省土地利用类型分布图 Fig. 1 Land use map of 2010 in Anhui Province |
本文使用的气象资料来源于中国国家气候中心(http://data.cma.cn)提供的中国地面气候资料日值数据集, 包括1982—2020年全国2420个气象站的平均气温(Air Temperature, Ta)、最高气温、最低气温、相对湿度、日照时数、降水量(Pre)等数据, 太阳总辐射(Rad)由日照时数计算得出[17], 饱和水汽压差(VPD)作为综合反映大气温湿状态的气候参数, 由Ta与相对湿度计算得出[18]。在完成异常值剔除和缺测值线性插补的基础上, 利用克里金插值方法[19]得到空间分辨率为1 km的栅格数据。1982—2020年的LAI资料来源于中国科学院地理科学与资源研究所的1 km分辨率的GLOBMAP LAI V3产品, 时间分辨率为8 d[20], 产品已经得到了很好的验证。土地利用类型数据来源于中国科学院地理科学与资源研究所资源环境科学与数据中心(http://www.resdc.cn), 将地表类型分为耕地、森林、草地、水域、建设用地和未利用地6种类型, 在本研究中不考虑水域、建设用地与未利用地, 空间分辨率为1 km, 并使用1980年、1990年、1995年、2000年、2010年、2015年的土地利用类型作为模型输入的土地利用类型数据。以上插值后的空间数据, 借助ArcGIS工具进一步裁剪出安徽省的栅格数据用于本研究的计算分析。1982—2020年的大气CO2浓度资料来源于夏威夷Mauna Loa全球本底站观测数据(https://www.ncei.noaa.gov)。为方便表述, 本文分别将研究时段1982—1990年、1991—2000年、2001—2010年与2011—2020年依次表述为1980s、1990s、2000s与2010s。
1.3 NEP计算BEPS(Boreal Ecosystem Productivity Simulator)模型是在FOREST-BGC(Forest Biogeochemical Cycles)模型基础上发展的基于过程的生物地球化学模型[21]。BEPS应用两叶模型将冠层分为阳叶和阴叶[22], 并利用空间与时间的升尺度方案将瞬时的Farquhar光合模型转换为日尺度上的冠层光合模拟, 进一步融合CENTURY模型的土壤生物化学模块, 实现对陆地生态系统NEP的模拟[23]。BEPS模型在中国区域的碳循环研究中已有广泛的应用基础[24—26], 具体计算过程详见Chen等[27]和Ju等[28]。本研究采用BEPS模型计算1982—2020年的1 km NEP, 并借助ArcGIS工具裁剪出安徽省的1 km NEP栅格数据用于本研究的结果分析。
1.4 统计方法 1.4.1 重心模型通过分析要素的重心变化, 可以突显出区域内要素的变化趋势与空间特征[29], 公式如下：
|
(1) |
|
(2) |
式中, Gx、Gy分别为某一栅格数据重心的经向、纬向坐标；n、m为栅格数据的行、列数；Latij、Lonij分别为第i行、第j列格点的中心纬度、经度；NEPij为栅格数据第i行、第j列格点上NEP的值。
1.4.2 通径分析通径分析可以通过分解自变量与因变量的表面相关性, 研究自变量对因变量的直接和间接影响。通过逐步回归方法建立最优回归方程, 再根据因子间相关性和与因变量的相关性, 计算出直接通径系数和间接通径系数, 在此基础上计算剩余因子(ε), 通过评价模型(
敏感性系数可以较好地反映因子对某个要素变化的响应程度[32]。本文选取敏感性系数作为衡量各个因子对NEP影响程度的指标, 计算方法如下：
|
(3) |
式中, fi代表第i个因子；Sfi为NEP对该因子fi的敏感性系数；Pfi为该因子对NEP的偏导数, Norfi为该因子的归一化参数。敏感性系数的绝对值越大, 表明NEP对该因子的变化越敏感。敏感性系数为正, 表明该因子的变化会导致NEP往相同趋势变化；敏感性系数为负, 表明该因子的变化会导致NEP往相反趋势变化。
各个因子的相对贡献率由该因子的相对变化率(Rfi)与敏感性系数(Sfi)计算得出[33]：
|
(4) |
|
(5) |
式中, Cfi为该因子对NEP的相对贡献率；Rfi为该因子在研究时段内的相对变化率；n为因子个数, 本文取6；R2为决定系数；year为研究时长, 本文取39；CRfi为该因子多年变化率；Meanfi为该因子研究时段内的平均值。
将因子对NEP的偏导数与某年因子距平相乘, 即可计算出该因子贡献的NEP理论变化：
|
(6) |
式中, DNEP表示NEP理论变化；Dfi表示该因子贡献的NEP理论变化。
2 结果分析 2.1 模型验证与实测数据对比是验证模型的重要方式[34], 本文选取已发表文献中不同地区的实测数据来进行模拟结果的验证, 这些站点均分布于安徽省内或周边地区。根据不同地区实测数据的研究时段与植被类型, 提取出相同地区相同时段的BEPS模型模拟结果进行对比, 结果如表 1所示。BEPS模型模拟结果与实测数据相近, 平均误差为7.65%, 可认为BEPS模型适用于模拟安徽省及周边区域生态系统的NEP。
| 研究地区Study areas | 纬度/(°) Latitude | 经度/(°) Longitude | 土地利用类型Land use-cover | 研究时段Study periods | 数值范围Value range | BEPS模拟结果BEPS results/ (gC/m2) | 参考文献References |
| 安徽寿县 | 32.51 | 116.77 | 稻麦轮作农田 | 2008—2010 | 704—755 | 665—694 | 段春锋等[15] |
| 江苏无锡 | 31.65 | 120.54 | 稻麦轮作农田 | 2011—2013 | 750—785 | 694—752 | 徐昔保等[35] |
| 湖南桃源 | 28.92 | 111.45 | 稻田 | 2003 | 675 | 728 | 朱咏莉等[36] |
| 江西南昌 | 28.43 | 116.00 | 稻田 | 2011—2013 | 651 | 652—677 | 时元智[37] |
| 浙江天目山 | 30.35 | 119.44 | 针阔混交林 | 2013—2014 | 738 | 780—812 | 牛晓栋等[38] |
| 浙江安吉 | 30.48 | 119.67 | 常绿阔叶林 | 2010—2011 | 662 | 758—774 | 杨爽[39] |
如图 2所示, 各环境植被因子在1982—2020年间表现出了不同的变化趋势。其中, Ta、VPD、LAI与CO2总体呈现显著的增加趋势(P < 0.01), 线性趋势变化率分别为0.04 ℃/a、0.002 kPa/a、0.01 m2 m-2 a-1与1.87×10-6/a。Rad呈现显著的减少趋势(P < 0.01), 线性趋势变化率为-0.14 W m-2 a-1。Pre变化趋势不显著(P>0.05), 线性趋势变化率为1.27 mm/a。由相对变化率可知, LAI的变化最剧烈, 相对变化率为24.28%, Pre的变化最缓慢, 相对变化率为3.94%。其余因子的相对变化率排序依次为CO2(19.53%), VPD(19.11%), Ta(8.72%)和Rad(-4.28%)。
|
| 图 2 1982—2020年安徽省环境植被因子的变化趋势 Fig. 2 Interannual variation of environment and vegetation factors in Anhui Province from 1982 to 2020 Ta：气温Air temperature；Pre：降水Precipitation；Rad：太阳总辐射Radiation；VPD：饱和水汽压差Vapor pressure deficit；LAI：叶面积指数Leaf area index；CO2：二氧化碳Carbon dioxide |
如图 3可知, 1982—2020年安徽省总体表现为碳汇, 多年年均NEP为651.14 gC/m2, 最小值出现在2000年(603.29 gC/m2), 最大值出现在2015年(712.73 gC/m2)。研究期间虽然2000年左右NEP出现小幅下降趋势, 但是总体表现为显著的增强趋势(P < 0.01), 39年间的线性趋势变化率为1.10 gC m-2 a-1。
|
| 图 3 1982—2020年安徽省净生态系统生产力(NEP) 年际变化 Fig. 3 Interannual variation of NEP in Anhui Province from 1982 to 2020 |
1982—2020年安徽省多年年均NEP的空间分布如图 4左部所示, 整体呈现“南北部较高、中部较低”的分布格局。NEP小于600 gC/m2的低值区主要分布安徽中东部地区, 包括合肥市北部、马鞍山市、滁州市南部、宣城市北部和铜陵市西部。NEP为600—800 gC/m2的面积占62.98%, 为安徽省NEP主要分布区间, 集中分布在安徽省北部和西部。NEP大于800 gC/m2的高值区占13.16%, 集中分布在安徽省南部的黄山市、池州市与宣城市南部。
|
| 图 4 1982—2020年安徽省年均NEP及变化趋势的空间分布 Fig. 4 Spatial distribution of average annual NEP and change trend in Anhui Province from 1982 to 2020 *表示通过0.05显著性水平 |
图 4右部给出了1982—2020年安徽省NEP的空间变化趋势。由图可知, NEP无显著变化(P>0.05)的区域占40.12%, 主要分布在安徽省西部与南部。NEP显著减少(P < 0.05)的区域占7.11%, 平均线性趋势变化率为-1.44 gC m-2 a-1, 主要位于安徽省西部与东南部。NEP显著增加(P < 0.05)的区域占52.77%, 平均线性趋势变化率为2.12 gC m-2 a-1, 主要位于安徽省北部、中部与东南部。
2.3.3 安徽省各地级市NEP格局图 5反映了1982—2020年安徽省各地级市的NEP情况。整体而言, 安徽省各地级市的NEP有增强趋势, 但绝大部分地级市NEP都呈现“增减增”趋势, 即在1980s至1990s有较小的增加趋势, 随后出现下降趋势并在2000s以后又开始呈增加趋势。各地级市的多年均NEP最高为黄山市(874.14 gC/m2), 最低为马鞍山市(547.49 gC/m2), 而各地级市的NEP年均总量最高为六安市(7.56 TgC), 最低为铜陵市(1.17 TgC)。
|
| 图 5 安徽省各地级市的NEP大小及变化趋势 Fig. 5 Magnitudes and change trends of NEP in all cities of Anhui Province |
1982—2020年安徽省NEP重心移动的年际动态变化如图 6。NEP纬度重心有显著的增加趋势(P < 0.01), 即安徽省NEP重心有向北转移的趋势, 线性趋势变化率约0.0012°/a。NEP经度重心的减小趋势不显著(P>0.05), 且相比于前2000年前, 在2000年以后, 经向重心波动较大。整体看来, 安徽省显著北移的NEP重心变化与图 4右部中NEP变化趋势一致。
|
| 图 6 1982—2020年安徽省NEP重心经纬度的年际变化 Fig. 6 Interannual variation of longitude and latitude of NEP barycenter in Anhui Province from 1982 to 2020 |
安徽省NEP对各环境植被因子的敏感性不尽相同, 且在研究时段内表现出了不同的变化趋势(图 7)。可以看出, 安徽省NEP对CO2的敏感性系数的绝对值最大(0.41), 其次分别为Ta(-0.40)、Rad(0.33)、LAI(0.32)和VPD(-0.21), NEP对Pre的敏感性系数绝对值最小(-0.014), 即NEP对CO2的变化响应最为敏感, 对Pre的变化响应最不敏感。
|
| 图 7 1982—2020年安徽省NEP对影响因子的敏感性系数的时间变化趋势 Fig. 7 Time trends of the sensitivity coefficients of NEP to influencing factors in Anhui Province from 1982 to 2020 |
从敏感性系数的变化趋势可知, NEP对LAI与CO2的敏感性呈显著增强趋势(P < 0.01), 对Rad的敏感性呈显著减弱趋势(P < 0.01), 对VPD的敏感性呈显著的减小趋势(P < 0.05), 对Ta和Pre的敏感性线性变化趋势不显著(P>0.05), 且对Ta的敏感性系数呈现“V”型变化。整体而言, 安徽省NEP对LAI、CO2的正响应愈发敏感, 对VPD变化的负响应也愈发敏感, 对Rad变化的正敏感性降低, 对Ta和Pre敏感性的变化不显著。
图 8给出了安徽省NEP对各环境植被因子的敏感性系数变化趋势空间分布。NEP对Ta的敏感性显著增强的区域占12.30%(P < 0.05), 主要位于蚌埠市和黄山市, 而显著减弱的地区占32.06%(P < 0.05), 主要位于阜阳市、六安市、芜湖市和宣城市。NEP对Pre和Rad和VPD的敏感性在大部分地区均表现为减小趋势, 其中对Pre仅在1.61%的地区表现为显著减小(P < 0.05), 主要分布在六安市、安庆市和宣城市, 对Rad在65.19%的地区表现为显著减小(P < 0.05), 主要分布在合肥市和马鞍山市以北的地区以及零散的南部地区, 对VPD在48.76%的地区表现为显著减小(P < 0.05), 主要位于安徽省西北部、中部、东南部和西南部。NEP对LAI的敏感性在72.70%的地区表现为显著增强(P < 0.05), 主要分布在安徽省中部、北部和东南部, 减弱的地区主要分布在南部, 但大部分未通过显著性检验(P>0.05)。NEP对CO2的敏感性显著增强的地区占52.35%, 主要位于安徽省西北部及东南部, 显著减弱的地区占30.06%, 主要分布在中西部(P < 0.05)。
|
| 图 8 1982—2020年安徽省NEP对影响因子的敏感性的空间变化分布 Fig. 8 Spatial changes of the sensitivity coefficients of NEP to influencing factors in Anhui Province from 1982 to 2020 |
以NEP为因变量, 以各环境植被因子(Ta、Pre、Rad、VPD、LAI、CO2)为自变量进行通径分析。首先在进行逐步回归的过程中剔除了Pre, 说明Pre对安徽省NEP的影响可以忽略, 结果如表 2和图 9。直接通径系数绝对值排序依次为LAI > CO2> VPD > Ta>Rad, 表明LAI对NEP的直接影响最大。间接通径系数之和的绝对值排序依次为VPD > Rad > Ta>LAI > CO2, 其中LAI通过CO2路径产生的正效应和通过Ta、Rad与VPD路径的负效应相互补偿, 导致LAI对NEP的间接影响较小, CO2间接通径系数较小亦是如此。VPD对NEP的直接影响和间接影响强度相当且作用方向相反, 综合补偿导致VPD对NEP的相关系数较小；而Ta与Rad的间接影响强于直接影响, 且对NEP的间接影响均主要通过LAI与CO2路径。
| 因子Factor | 相关系数Correlation coefficients | 直接通径系数Direct path coefficients | 间接通径系数之和Sum of indirect path coefficients | 间接通径系数Indirect path coefficients | 决策系数Decision making coefficients | ||||
| Ta | Rad | VPD | LAI | CO2 | |||||
| Ta | 0.07 | -0.35 | 0.42 | - | -0.04 | -0.32 | 0.36 | 0.42 | -0.03 |
| Rad | -0.26 | 0.26 | -0.52 | 0.05 | - | -0.10 | -0.21 | -0.26 | -0.08 |
| VPD | -0.02 | -0.56 | 0.54 | -0.20 | 0.04 | - | 0.40 | 0.30 | -0.10 |
| LAI | 0.71** | 0.78 | -0.07 | -0.16 | -0.07 | -0.29 | - | 0.45 | 0.69 |
| CO2 | 0.54** | 0.59 | -0.05 | -0.25 | -0.12 | -0.28 | 0.60 | - | 0.47 |
| **表示相关系数通过0.01显著性水平; Ta：气温Air temperature；Pre：降水Precipitation；Rad：太阳总辐射Radiation；VPD：饱和水汽压差Vapor pressure deficit；LAI：叶面积指数Leaf area index；CO2：二氧化碳Carbon dioxide | |||||||||
|
| 图 9 安徽省NEP变化通径分析图 Fig. 9 Path analysis of NEP changes in Anhui Province 因子间的箭头表示因子的相关系数，因子与NEP的箭头表示直接通径系数；ε表示剩余因子 |
通径分析的剩余因子(ε)为0.45, 计算得R2为0.79, 说明所选的环境植被因子可以综合解释79%的NEP变化。NEP和各因子的相关系数绝对值排序依次为LAI > CO2> Rad > Ta>VPD, 决策系数绝对值排序依次为LAI > CO2> VPD > Rad > Ta, 其中Ta、Rad与VPD的决策系数均较小且为负数, 相关系数未通过0.05显著性检验, 表明这些因子对NEP的变化的综合影响能力较小, 而LAI和CO2的决策系数大于0.47, 且相关系数均通过0.01显著性检验, 说明LAI和CO2为NEP变化的决定因子。
2.4.3 贡献分析各环境植被因子对NEP的相对贡献率计算结果如表 3。根据R2可得, 各环境植被因子综合解释了NEP占比79%的变化, 与通径分析结果一致。结合图 2和图 7可知, LAI与CO2的显著增加(P < 0.01)对NEP的增长呈正贡献, 而Ta和VPD的显著增加(P < 0.01)与Rad的显著减小(P < 0.01)对NEP的增长呈负贡献。尽管NEP对Ta与Rad的敏感性高于LAI(图 7), 但Ta与Rad的相对变化率仅为8.27%与-4.28%, 低于LAI(24.28%)与CO2(19.53%), 导致其相对贡献率低于LAI与CO2的相对贡献率。由此可知, LAI与CO2的增加对NEP变化的贡献最大, 相对贡献率均为25.23%, 是NEP变化的主导因子, 和通径分析结果一致。
| 对NEP变化的贡献率Contribution rate to NEP change/% | R2 | 主导因子Dominant factor | ||||
| Ta | Rad | VPD | LAI | CO2 | ||
| -10.85 | -5.01 | -13.07 | 25.23 | 25.23 | 0.79 | LAI、CO2 |
图 10左部给出了环境植被因子的综合决定系数(R2)空间分布。安徽省大部分地区的R2均大于0.6, 面积占79.09%, 其他20.91%的区域R2小于0.6, 主要位于安徽省西北部、中部及南部, 其中R2小于0.45的区域占3.76%。由此可知, 环境植被因子能够较好的解释安徽省大部分地区的NEP空间变化。图 10右部给出了安徽省NEP空间变化的主导因子分布图。其中, 5.81%地区的NEP由气候因子主导, 分布较破碎, 并且大部分由Ta主导。LAI和CO2分别主导49.65%和44.54%地区NEP的变化, 其中LAI为主导因子的地区主要分布在安徽省北部、中西部的大部分地区, CO2为主导因子的地区主要分布在安徽省西北部与东南部的大部分地区。
|
| 图 10 NEP的决定系数(R2) 及主导因子的空间分布图 Fig. 10 Spatial distribution of determinant coefficient (R2) and dominant factor of NEP in Anhui Province |
为了进一步研究环境植被因子变化对安徽省NEP的影响, 本文选取了NEP最低年(2000年)与最高年(2015年)作为典型年份, 将当年各环境植被因子与多年平均值进行对比, 并计算当年环境植被因子对NEP变化的贡献(表 4)。结果表明, 在NEP为最小值的2000年, 除Ta偏高0.3℃外, 其他环境植被因子均较多年平均偏低。仅VPD对NEP变化有正向贡献, 其余环境植被因子对NEP均为负向贡献, 尤其LAI偏低0.24, 导致了NEP的大幅度减少。在NEP为最大值的2015年, Pre、LAI与CO2较多年平均偏高, Ta和Rad偏低。Pre与Rad对NEP变化有负向贡献, 但远小于其他因子对NEP变化的正向贡献, 特别是NEP对LAI、CO2与VPD变化的强烈正向响应使得2015年安徽省NEP取到最大值。
| 年份Year | 2000 | 2015 | |||
| 距平Anomaly | 对NEP变化的贡献/% Contribution to NEP change | 距平Anomaly | 对NEP变化的贡献/% Contribution to NEP change | ||
| Ta/℃ | 0.27 | -4.42 | -0.19 | 3.07 | |
| Rad/(W/m2) | -1.38 | -2.35 | -5.58 | -9.46 | |
| VPD/kPa | -0.015 | 4.41 | -0.042 | 12.08 | |
| LAI/(m2/m2) | -0.24 | -34.06 | 0.29 | 40.28 | |
| CO2/(×10-6) | -4.36 | -3.09 | 26.91 | 19.07 | |
| NEP的理论变化Theoretical change of NEP/(gC/m2) | -39.08 | 63.56 | |||
| NEP的实际变化Actual change of NEP/(gC/m2) | -47.85 | 61.59 | |||
NEP受到诸多因子包括气候因子、植被结构、土壤条件和土地利用等影响, 表现出较大的分异[40—41]。以往针对区域NEP的研究多关注气候因子的变化(如Ta、Pre等)[9—12], 本文将植被因子与CO2浓度变化一并考虑, 得出LAI与CO2为影响安徽省NEP的主导因子, 这和Chen等[7]的全球研究结论一致。快速增长的LAI(图 2)表明植被可以进行光合作用的部分增多, 能够更加充分的接收和利用物质与能量, 有利于生态系统的碳吸收。CO2对NEP的影响主要表现为CO2的施肥效应, 其浓度增加既能加快羧化反应速率来促进光合作用[42], 也能提高植被的水分利用效率[43], 对植被的碳吸收有很强的促进作用[44]。但值得关注的是, 随着CO2浓度的不断上升, 这种促进作用可能会逐渐变小[45]。
另一方面, 与其他区域如东北[9]和西北[10]相比, 安徽省NEP与Pre无显著相关关系(P>0.05), 因为安徽省处于亚热带湿润区, 研究期间年均降水量基本超过900 mm, 水分条件足够, 因此, NEP对Pre的变化不敏感。有研究指出, 当土壤水分充分供应时植被会出现由VPD驱动的气孔关闭[46], 气孔导度的下降会阻碍CO2进入叶片, 显著降低光合作用, 限制系统的碳吸收[47]。本研究发现NEP对VPD的敏感性远大于对Pre的敏感性, 且VPD是对安徽省NEP变化贡献最大的气候因子, 与Konings等[48]对美国草地研究的结论一致。这表明, 作为综合反映大气温湿状态的VPD, 在湿润半湿润地区对生态系统NEP的影响可能大于降水的影响, 其作用在未来研究中值得加强关注。
安徽省北部土地利用类型基本均为农田, 根据安徽省统计年鉴[49], 安徽省农田产量从4324 kg/hm2(1998年)增加至5926 kg/hm2(2020年), 间接说明农田植被状况趋向更好。Chen等[41]指出, 相比于其他土地利用类型, 农田碳交换往往与植被因子更为密切相关。同时, 本研究发现安徽省的LAI在西部和北部的大多数区域表现为显著增加趋势(P < 0.05), 在东南部小区域为显著减少趋势(P < 0.05)(图 11), 这和NEP对LAI敏感性的变化趋势(图 8)在空间上高度一致, 这种敏感性变化与因子变化较为一致的配置, 对安徽省西部和北部NEP的增加十分有利, 导致安徽省北部NEP增长速率大于南部, 故此, 安徽省NEP重心明显北移。
|
| 图 11 1982—2020年安徽省LAI变化趋势空间分布图 Fig. 11 Spatial distribution of LAI change trend in Anhui Province from 1982 to 2020 |
本研究考虑的环境植被因子对NEP变化的综合解释能力为79%, 表明21%的NEP变化未被解释, 即仍有其他影响安徽省NEP的因子未被考虑。研究表明, 人工对农田与森林的经营管理、树龄、氮沉降等因素也会影响生态系统的NEP变化[50—52], 如氮沉降与CO2的协同作用有利于生态系统的碳吸收[53—54], 也有学者关注到了物候, 尤其是秋季物候对年际NEP变化的影响[55—56]。因此, 在今后的研究中可以加以考虑, 进一步明确NEP对其他环境因子的响应规律, 以提高安徽省碳汇的解释能力。
4 结论本文在采用经验证的BEPS模型模拟结果, 分析了安徽省NEP时空变化及NEP对环境植被因子敏感性的时空变化, 进一步量化了环境植被因子对NEP时空变化的相对贡献率, 探究了安徽省NEP时空变化的驱动因子, 得出以下主要结论：
(1) 1982—2020年, 安徽省多年年均NEP为651.14 gC/m2, 线性趋势变化率为1.10 gC m-2 a-1, 总体呈现显著增加趋势(P < 0.01)。在空间上, NEP表现为“南北部较高, 中部较低”的分布, NEP显著减少(P < 0.05)的区域占7.11%, 主要位于安徽省西部与东南部。NEP显著增加(P < 0.05)的区域占52.77%, 主要位于安徽省北部、中部与东南部。NEP重心有显著的北移趋势(P < 0.01)。
(2) 敏感性分析结果表明, 安徽省NEP对CO2的变化最为敏感, 其次分别为Ta、Rad、LAI、VPD和Pre。LAI与CO2的增加对安徽省NEP有正向贡献, Ta与VPD的增加和Rad的减小对安徽省NEP有负向贡献, Pre无显著变化且对安徽省NEP的影响较小。空间分布上, NEP对气候因子(Ta、Pre、Rad和VPD)的敏感性总体为减少趋势为主, NEP对LAI与CO2的敏感性总体以增加趋势为主。
(3) 通径分析结果表明, LAI与CO2对NEP主要表现为直接影响。其他环境植被因子中Ta与Rad对NEP的间接影响较大, 且主要通过LAI与CO2路径实现, 而VPD对NEP的直接与间接影响强度相当且方向相反, 相互补偿后导致VPD与NEP相关系数较小。
(4) 环境植被因子综合解释了安徽省NEP 79%的时空变化。其中, LAI与CO2是NEP变化的主导因子, 相对贡献率均为25.23%。其余因子相对贡献率依次为VPD(-13.07%)、Ta(-10.85%)和Rad(-5.01%)。空间上, LAI和CO2分别主导了面积占比为49.65%和44.54%的NEP变化, 其余因子的主导面积占比依次为Ta(4.55%), VPD(0.69%)和Rad(0.57%)。
| [1] |
Friedlingstein P, Jones M W, O'Sullivan M, Andrew R M, Bakker D C E, Hauck J, Le Quéré C, Peters G P, Peters W, Pongratz J, Sitch S, Canadell J G, Ciais P, Jackson R B, Alin S R, Anthoni P, Bates N R, Becker M, Bellouin N, Bopp L, Chau T T T, Chevallier F, Chini L P, Cronin M, Currie K I, Decharme B, Djeutchouang L M, Dou X Y, Evans W, Feely R A, Feng L, Gasser T, Gilfillan D, Gkritzalis T, Grassi G, Gregor L, Gruber N, Gürses Ö, Harris I, Houghton R A, Hurtt G C, Iida Y, Ilyina T, Luijkx I T, Jain A, Jones S D, Kato E, Kennedy D, Goldewijk K K, Knauer J, Korsbakken J I, Körtzinger A, Landschützer P, Lauvset S K, Lefèvre N, Lienert S, Liu J J, Marland G, McGuire P C, Melton J R, Munro D R, Nabel J E M S, Nakaoka S I, Niwa Y, Ono T, Pierrot D, Poulter B, Rehder G, Resplandy L, Robertson E, Rödenbeck C, Rosan T M, Schwinger J, Schwingshackl C, Séférian R, Sutton A J, Sweeney C, Tanhua T, Tans P P, Tian H Q, Tilbrook B, Tubiello F, van der Werf G R, Vuichard N, Wada C, Wanninkhof R, Watson A J, Willis D, Wiltshire A J, Yuan W P, Yue C, Yue X, Zaehle S, Zeng J Y. Global carbon budget 2021. Earth System Science Data, 2022, 14(4): 1917-2005. DOI:10.5194/essd-14-1917-2022 |
| [2] |
朴世龙, 岳超, 丁金枝, 郭正堂. 试论陆地生态系统碳汇在"碳中和"目标中的作用. 中国科学: 地球科学, 2022, 52(7): 1419-1426. |
| [3] |
Higgins P A T, Harte J. Carbon cycle uncertainty increases climate change risks and mitigation challenges. Journal of Climate, 2012, 25(21): 7660-7668. DOI:10.1175/JCLI-D-12-00089.1 |
| [4] |
Le Quéré C, Andrew R M, Canadell J G, Sitch S, Korsbakken J I, Peters G P, Manning A C, Boden T A, Tans P P, Houghton R A, Keeling R F, Alin S, Andrews O D, Anthoni P, Barbero L, Bopp L, Chevallier F, Chini L P, Ciais P, Currie K, Delire C, Doney S C, Friedlingstein P, Gkritzalis T, Harris I, Hauck J, Haverd V, Hoppema M, Klein Goldewijk K, Jain A K, Kato E, Körtzinger A, Landschützer P, Lefèvre N, Lenton A, Lienert S, Lombardozzi D, Melton J R, Metzl N, Millero F, Monteiro P M S, Munro D R, Nabel J E M S, Nakaoka S I, O'Brien K, Olsen A, Omar A M, Ono T, Pierrot D, Poulter B, Rödenbeck C, Salisbury J, Schuster U, Schwinger J, Séférian R, Skjelvan I, Stocker B D, Sutton A J, Takahashi T, Tian H Q, Tilbrook B, van der Laan-Luijkx I T, van der Werf G R, Viovy N, Walker A P, Wiltshire A J, Zaehle S. Global carbon budget 2016. Earth System Science Data, 2016, 8(2): 605-649. DOI:10.5194/essd-8-605-2016 |
| [5] |
Friedlingstein P, Meinshausen M, Arora V K, Jones C D, Anav A, Liddicoat S K, Knutti R. Uncertainties in CMIP5 Climate Projections due to Carbon Cycle Feedbacks. Journal of Climate, 2014, 27(2): 511-526. DOI:10.1175/JCLI-D-12-00579.1 |
| [6] |
方精云, 柯金虎, 唐志尧, 陈安平. 生物生产力的"4P"概念、估算及其相互关系. 植物生态学报, 2001, 25(4): 414-419. |
| [7] |
Chen J M, Ju W M, Ciais P, Viovy N, Liu R G, Liu Y, Lu X H. Vegetation structural change since 1981 significantly enhanced the terrestrial carbon sink. Nature Communications, 2019, 10(1): 4259. DOI:10.1038/s41467-019-12257-8 |
| [8] |
Wang H M, Saigusa N, Zu Y G, Wang W J, Yamamoto S, Kondo H. Carbon fluxes and their response to environmental variables in a Dahurian larch forest ecosystem in northeast China. Journal of Forestry Research, 2008, 19(1): 1-10. DOI:10.1007/s11676-008-0001-z |
| [9] |
李洁, 张远东, 顾峰雪, 黄玫, 郭瑞, 郝卫平, 夏旭. 中国东北地区近50年净生态系统生产力的时空动态. 生态学报, 2014, 34(6): 1490-1502. |
| [10] |
刘春雨. 省域生态系统碳源/汇的时空演变及驱动机制——以甘肃省为例[D]. 兰州: 兰州大学, 2015.
|
| [11] |
刘凤, 曾永年. 2000—2015年青海高原植被碳源/汇时空格局及变化. 生态学报, 2021, 41(14): 5792-5803. |
| [12] |
庞瑞, 顾峰雪, 张远东, 侯振宏, 刘世荣. 西南高山地区净生态系统生产力时空动态. 生态学报, 2012, 32(24): 7844-7856. |
| [13] |
程鹏, 吴楠, 宋婷. 安徽省生态系统格局时空变化特征及驱动力分析. 环境生态学, 2022, 4(2/3): 1-9. |
| [14] |
崔林丽, 杜华强, 史军, 陈昭, 郭巍. 中国东南部植被NPP的时空格局变化及其与气候的关系研究. 地理科学, 2016, 36(5): 787-793. |
| [15] |
段春锋, 田红, 黄勇, 曹雯, 凌新锋. 淮河流域稻麦轮作农田生态系统CO2通量多时间尺度变化特征. 气象科技进展, 2020, 10(5): 138-145. DOI:10.3969/j.issn.2095-1973.2020.05.020 |
| [16] |
Tian H Q, Melillo J, Lu C Q, Kicklighter D, Liu M L, Ren W, Xu X F, Chen G S, Zhang C, Pan S F, Liu J Y, Running S. China's terrestrial carbon balance: contributions from multiple global change factors. Global Biogeochemical Cycles, 2011, 25(1): GB1007. |
| [17] |
和清华, 谢云. 我国太阳总辐射气候学计算方法研究. 自然资源学报, 2010, 25(2): 308-319. |
| [18] |
黄萧霖. 生态水文变化对城市干岛效应的影响机制研究[D]. 南京: 南京信息工程大学, 2022.
|
| [19] |
李月臣, 何志明, 刘春霞. 基于站点观测数据的气温空间化方法评述. 地理科学进展, 2014, 33(8): 1019-1028. |
| [20] |
Liu Y, Liu R G, Chen J M. Retrospective retrieval of long-term consistent global leaf area index (1981-2011) from combined AVHRR and MODIS data. Journal of Geophysical Research: Biogeosciences, 2012, 117(G4): G04003. |
| [21] |
Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158-175. DOI:10.1016/S0034-4257(97)00089-8 |
| [22] |
Liu J, Chen J M, Cihlar J, Chen W. Net primary productivity mapped for Canada at 1-km resolution. Global Ecology and Biogeography, 2002, 11(2): 115-129. DOI:10.1046/j.1466-822X.2002.00278.x |
| [23] |
Ju W M, Chen J M. Distribution of soil carbon stocks in Canada's forests and wetlands simulated based on drainage class, topography and remotely sensed vegetation parameters. Hydrological Processes, 2005, 19(1): 77-94. DOI:10.1002/hyp.5775 |
| [24] |
Ju W M, Chen J M, Harvey D, Wang S. Future carbon balance of China's forests under climate change and increasing CO2. Journal of Environmental Management, 2007, 85(3): 538-562. DOI:10.1016/j.jenvman.2006.04.028 |
| [25] |
Zhou L, Wang S Q, Ju W M, Xiong Z, Kindermann G, Chen J M, Shi H. Assessment of carbon dynamics of forest ecosystems in the Poyang Lake Basin responding to afforestation and future climate change. Journal of Resources and Ecology, 2013, 4(1): 11-19. DOI:10.5814/j.issn.1674-764x.2013.01.002 |
| [26] |
Liu Y B, Zhou Y L, Ju W M, Wang S Q, Wu X C, He M Z. Impacts of droughts on carbon sequestration by China's terrestrial ecosystems from 2000 to 2011. Biogeosciences, 2014, 11(10): 2583-2599. DOI:10.5194/bg-11-2583-2014 |
| [27] |
Chen J M, Liu J, Cihlar J, Goulden M L. Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications. Ecological Modelling, 1999, 124(2/3): 99-119. |
| [28] |
Ju W M, Chen J M, Black T A, Barr A G, Liu J, Chen B Z. Modelling multi-year coupled carbon and water fluxes in a boreal aspen forest. Agricultural and Forest Meteorology, 2006, 140(1/4): 136-151. |
| [29] |
黄进, 陈金华, 张方敏. 基于主成分分析的安徽省冬小麦气候灾损风险的时空演变. 应用生态学报, 2021, 32(9): 3185-3194. |
| [30] |
翁升恒, 张方敏, 冯妍, 段春锋, 童应祥. 江淮流域稻麦轮作蒸散特征及其影响因子. 节水灌溉, 2020(8): 27-33, 39-39. |
| [31] |
张雪松, 闫艺兰, 胡正华. 不同时间尺度农田蒸散影响因子的通径分析. 中国农业气象, 2017, 38(4): 201-210. |
| [32] |
翁升恒, 张方敏, 卢燕宇, 段春锋, 倪婷. 淮河流域蒸散发时空变化与归因分析. 生态学报, 2022, 42(16): 6718-6730. |
| [33] |
马亚丽, 许健, 张芮, 孙栋元, 牛最荣. 石羊河流域参考作物蒸散发时空变化及其对气候变化的响应. 干旱地区农业研究, 2022, 40(1): 95-103. |
| [34] |
周伟, 何顺兵, 杨晗, 何绪刚, 牟凤云. 基于BIOME-BGC模型的三峡库区不同草地群落碳源/汇的动态变化研究. 山地学报, 2018, 36(1): 13-22. |
| [35] |
徐昔保, 杨桂山, 孙小祥. 太湖流域典型稻麦轮作农田生态系统碳交换及影响因素. 生态学报, 2015, 35(20): 6655-6665. |
| [36] |
朱咏莉, 童成立, 吴金水, 王克林, 王勤学, 任秀娥. 亚热带稻田生态系统CO2通量的季节变化特征. 环境科学, 2007, 28(2): 283-288. |
| [37] |
时元智. 两种典型农田生态系统水碳通量变异特征与环境响应[D]. 武汉: 武汉大学, 2015.
|
| [38] |
牛晓栋, 江洪, 张金梦, 方成圆, 陈晓峰, 孙恒. 浙江天目山老龄森林生态系统CO2通量特征. 应用生态学报, 2016, 27(1): 1-8. |
| [39] |
杨爽. 浙江安吉毛竹林生态系统CO2通量观测研究[D]. 杭州: 浙江农林大学, 2012.
|
| [40] |
Han L, Wang Q F, Chen Z, Yu G R, Zhou G S, Chen S P, Li Y N, Zhang Y P, Yan J H, Wang H M, Han S J, Wang Y F, Sha L Q, Shi P L, Zhang Y J, Xiang W H, Zhao L, Zhang Q L, He Q H, Mo X G, Guo J X. Spatial patterns and climate controls of seasonal variations in carbon fluxes in China's terrestrial ecosystems. Global and Planetary Change, 2020, 189: 103175. |
| [41] |
Chen Z, Yu G R, Ge J P, Wang Q F, Zhu X J, Xu Z W. Roles of climate, vegetation and soil in regulating the spatial variations in ecosystem carbon dioxide fluxes in the Northern Hemisphere. PLoS One, 2015, 10(4): e0125265. |
| [42] |
Farquhar G D. Carbon dioxide and vegetation. Science, 1997, 278(5342): 1411. |
| [43] |
Keenan T F, Hollinger D Y, Bohrer G, Dragoni D, Munger J W, Schmid H P, Richardson A D. Increase in forest water-use efficiency as atmospheric carbon dioxide concentrations rise. Nature, 2013, 499(7458): 324-327. |
| [44] |
Piao S L, Wang X H, Park T, Chen C, Lian X, He Y, Bjerke J W, Chen A P, Ciais P, Tømmervik H, Nemani R R, Myneni R B. Characteristics, drivers and feedbacks of global greening. Nature Reviews Earth & Environment, 2020, 1(1): 14-27. |
| [45] |
Winkler A J, Myneni R B, Hannart A, Sitch S, Haverd V, Lombardozzi D, Arora V K, Pongratz J, Nabel J E M S, Goll D S, Kato E, Tian H Q, Arneth A, Friedlingstein P, Jain A K, Zaehle S, Brovkin V. Slowdown of the greening trend in natural vegetation with further rise in atmospheric CO2. Biogeosciences, 2021, 18(17): 4985-5010. |
| [46] |
许大全. 气孔的不均匀关闭与光合作用的非气孔限制. 植物生理学通讯, 1995, 31(4): 246-252. |
| [47] |
Sulman B N, Roman D T, Yi K, Wang L X, Phillips R P, Novick K A. High atmospheric demand for water can limit forest carbon uptake and transpiration as severely as dry soil. Geophysical Research Letters, 2016, 43(18): 9686-9695. |
| [48] |
Konings A G, Williams A P, Gentine P. Sensitivity of grassland productivity to aridity controlled by stomatal and xylem regulation. Nature Geoscience, 2017, 10(4): 284-288. |
| [49] |
安徽省统计局. 安徽统计年鉴(1998-2021). 北京: 中国统计出版社, 1998-2021.
|
| [50] |
费敦悦. 基于涡度相关的农田CO2通量和光能利用率研究[D]. 南京: 南京信息工程大学, 2016.
|
| [51] |
方精云, 黄耀, 朱江玲, 孙文娟, 胡会峰. 森林生态系统碳收支及其影响机制. 中国基础科学, 2015, 17(3): 20-25. |
| [52] |
孙政国. 南方草地生态系统生产力和碳储量初步核算研究[D]. 南京: 南京大学, 2013.
|
| [53] |
Churkina G, Brovkin V, von Bloh W, Trusilova K, Jung M, Dentener F. Synergy of rising nitrogen depositions and atmospheric CO2 on land carbon uptake moderately offsets global warming. Global Biogeochemical Cycles, 2009, 23(4): GB4027. |
| [54] |
张方敏. 美国森林碳源汇分布的模拟研究[D]. 南京: 南京信息工程大学, 2012.
|
| [55] |
Wu C Y, Chen J M, Black T A, Price D T, Kurz W A, Desai A R, Gonsamo A, Jassal R S, Gough C M, Bohrer G, Dragoni D, Herbst M, Gielen B, Berninger F, Vesala T, Mammarella I, Pilegaard K, Blanken P D. Interannual variability of net ecosystem productivity in forests is explained by carbon flux phenology in autumn. Global Ecology and Biogeography, 2013, 22(8): 994-1006. |
| [56] |
Zhou L, Wang Y, Jia Q Y, Zhou G S. Increasing temperature shortened the carbon uptake period and decreased the cumulative net ecosystem productivity in a maize cropland in Northeast China. Field Crops Research, 2021, 267: 108150. |