2023, Vol. 43文章信息
- 牛忠恩, 何洪林, 任小丽, 张黎, 秦克玉, 赵旦, 吕妍
- NIU Zhongen, HE Honglin, REN Xiaoli, ZHANG Li, QIN Keyu, ZHAO Dan, LÜ Yan
- 基于过程模型的2000-2018年中国陆地生态系统服务时空动态及其权衡与协同分析
- Spatio-temporal characteristic of terrestrial ecosystem services and their trade-offs and synergies in China from 2000 to 2018 based on a process model
- 生态学报. 2023, 43(2): 496-509
- Acta Ecologica Sinica. 2023, 43(2): 496-509
- http://dx.doi.org/10.5846/stxb202110112855
-
文章历史
- 收稿日期: 2021-10-11
- 网络出版日期: 2022-09-26
2. 国家生态科学数据中心, 北京 100101;
3. 鲁东大学资源与环境工程学院, 烟台 264025;
4. 中国科学院大学资源与环境学院, 北京 100190;
5. 中国科学院空天信息创新研究院, 遥感科学国家重点实验室, 北京 100101;
6. 中国科学院大学, 北京 100049
2. National Ecosystem Science Data Center, Beijing 100101, China;
3. School of Resources and Environmental Engineering, Ludong University, Yantai 264025, China;
4. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100190, China;
5. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China;
6. University of Chinese Academy of Sciences, Beijing 100049, China
自改革开放以来, 中国经济快速发展, 已使数亿人摆脱贫困。然而, 过去几个世纪中占据主导地位的人类发展模式导致生态系统退化和生态系统服务发展不平衡[1]。为改善生态环境, 提高人民福祉, 中国政府自2000年以来实施了一系列生态保护工程[2], 同时中国地区经历了剧烈的环境变化[3—4], 两者显著改变了中国陆地生态系统的服务供给[5]。深入理解近20年中国重要生态系统服务的时空格局及其权衡与协同关系对生态系统管理和可持续发展具有重要的理论和实践意义。
近年来, 区域尺度生态系统服务时空动态变化及其权衡与协同关系日益成为生态系统服务研究的重点。郑华等基于InVEST模型发现海南地区橡胶生产与调节服务之间存在权衡关系, 但合理的人工管理可以实现橡胶生产与调节服务的协同增加[6]; 王晓峰等采用RUSLE模型、CASA模型及水量平衡法分别计算了土壤保持、净初级生产力及产水等服务, 发现中国重点脆弱生态区的土壤保持、产水量及净初级生产力之间整体呈协同关系, 局部呈权衡关系[7]; 傅伯杰等基于一系列相对独立的模型和经验方程发现黄土高原地区土地利用变化与土壤保持、固碳具有正效应, 与产水量之间存在负效应[8]; 尹礼唱等采用RUSLE模型、CASA模型和InVEST产水模型分别评估了国家屏障区2000—2015年土壤保持、固碳和产水服务的权衡与协同, 发现三者以协同关系为主[9]。同时, 相关研究者针对区域尺度的生态系统服务权衡与协同进行了大量研究[10—13], 但对全国尺度的研究很少。尽管欧阳志云等量化了中国陆地生态系统重要生态系统服务的时空格局[5], 但亟需进一步分析生态系统服务之间的权衡与协同关系。
生态系统过程之间存在的复杂、非线性联系是生态系统服务权衡与协同的内在驱动机制。然而, 当前生态系统服务估算大多基于经验方法, 没有考虑生态系统服务之间的相互联系, 给生态系统服务权衡与协同分析带来很大不确定性[14], 如广泛使用的InVEST模型对各种服务进行单独评估且对生态过程进行了过度简化, 如假设特定土地利用类型的固碳服务保持不变[15]。因此, 为深入理解生态系统服务之间的权衡与协同关系, 有必要改进生态系统服务的量化方法[16]。集成遥感数据和过程模型在研究陆地生态系统方面具有良好的互补性, 可促进复杂生态过程的研究[17]。鉴于此, 牛忠恩等发展了遥感驱动的生态系统服务评估过程模型(Carbon and Exchange between Vegetation, Soil, and Atmosphere -Ecosystem Services, CEVSA-ES), 为生态系统服务准确模拟及其权衡与协同分析提供了新的方法[14]。
为量化重要生态系统服务的时空动态及其权衡与协同关系, 本研究基于新发展的CEVSA-ES模型, 定量评估了2000—2018年中国4种生态系统服务的时空格局, 并进一步分析了生态系统服务之间的权衡与协同关系, 为陆地生态系统可持续管理提供支撑。
1 数据和方法 1.1 CEVSA-ES模型发展基于遥感驱动的生态系统服务评估过程模型CEVSA-ES模型主要基于CEVSA及CEVSA2模型发展而来[14]。CEVSA是一个基于生物物理过程模拟植被-大气-土壤之间能量交换和物质循环的生物地球化学循环模型, 包含生物物理、植物生理及土壤碳氮分解等三个子模型; CEVSA2模型在CEVSA的基础上改进了物候、水分动态模拟、分配和凋落等。
CEVSA-ES模型集成了遥感叶面积指数(Leaf Area Index, LAI)驱动增加了土壤侵蚀模块, 改进了光合作用和蒸散的模拟过程, 以实现净初级生产力、固碳、蓄水及土壤保持等多种生态系统服务的同步模拟[14]。具体而言, CEVSA-ES模型基于Farquhar方程[18]和改进的Ball-Berry模型[19]估算光合速率, 并结合遥感LAI计算冠层生产力; 同时, CEVSA-ES模型基于生物物理及土壤水分对蒸散发的限制, 改进了蒸散算法[20—21]; 原始CEVSA模型没有考虑土壤侵蚀过程及其对土壤碳氮循环的影响, 但这在近期研究中引起了广泛关注[22, 23], 新的CEVSA-ES模型采用通用水土流失方程估算土壤保持量, 并进一步采用经验方程估算了土壤侵蚀对碳氮循环的影响。
CEVSA-ES模型侧重于模拟代表生态系统服务的生物物理指标(图 1)。原始CEVSA模型基于环境要素驱动, 无法很好地反映出造林再造林、林龄等的影响, 遥感LAI驱动的模型可更好的捕捉到生态系统的真实变化[25]。NPP是生态系统功能和过程的基础[24]。在CEVSA-ES模型中, NPP通过总初级生产力(Gross primary productivity, GPP)与植被自养呼吸(Autotrophic respiration, Ra)之差计算。固碳指陆地生态系统吸收的碳, 可减缓大气CO2的增长速度[26], 本研究采用净生态系统生产力, 即NPP与异养呼吸(Heterotrophic respiration, Rh)之差表征固碳服务, Rh采用CENTRUY模型模拟[14]。蓄水指一定时间段内生态系统维持土壤水分的能力[5], 基于水量平衡法估算蓄水服务; 其中, 蒸散是重要变量, CEVSA-ES模型融合了在大多数生态系统表现最优的PT-JPL模型改进了蒸散的模拟过程。土壤保持是指生态系统在一定时期内(本研究为1年)保持的土壤量, 土壤保持由USLE模型模拟的土壤潜在侵蚀量与土壤现实侵蚀量确定[27]; CEVSA-ES模型考虑了现实土壤侵蚀量对土壤有机碳的影响, 其进一步改变了陆地和大气之间的CO2交换[23]。模型驱动数据包括8d尺度的气象数据、LAI数据, 年尺度的大气CO2浓度、氮沉降、土地覆被数据, 长期的土壤质地数据。CEVSA-ES输出结果为8d。具体模拟过程详见参考文献[14]。
|
| 图 1 CEVSA-ES模型概念图 Fig. 1 Schematic representation of the CEVSA-ES model CEVSA-ES：面向生态系统服务的植被、土壤和大气之间的碳交换模型Carbon and exchange between vegetation, soil, and atmosphere-ecosystem services; GPP：总初级生产力Gross primary productivity; NPP：净初级生产力Net primary productivity; PP：生产力供给Productivity provision; NEP：净生态系统生产力Net ecosystem productivity; CS：固碳Carbon sequestration; WR：蓄水Water retention; SR：土壤保持Soil retention; R因子：降雨侵蚀因子Rainfall erosivity factor; K因子：土壤可蚀性因子Soil erodibility factor; L&S因子：地形因子Topographic factor; C因子：地表植被覆盖因子Vegetation cover factor; 图片引自参考文献[14] |
模型数据融合方法可以将观测数据与模型结合起来, 优化模型参数, 提高模型模拟精度[28]。Niu等[14]结合模型数据融合框架及多源观测数据, 优化了模型关键参数, 提高了生态系统服务的模拟精度。模型数据融合框架共分为三步：首先, 基于全局敏感性分析方法获取敏感参数; 然后, 基于差分进化蒙特卡洛方法对敏感参数进行优化, 获取优化后模型参数; 最后, 基于多源观测数据对优化后模型进行验证。
1.3 统计分析本研究聚焦于一定时段内生态系统服务年际变化趋势的权衡与协同关系。采用Pearson相关系数(R)及显著性检验(P)量化生态系统服务的权衡与协同关系。针对不同研究区及栅格, 分别计算研究时段内(2000—2018年)不同生态系统服务的Pearson相关系数和显著性, 生态系统服务之间的关系可分为四类, 即显著协同(R>0, P≤0.10), 协同(R>0, P>0.10), 显著权衡(R < 0, P≤0.10), 权衡(R < 0, P>0.10)。
1.4 数据 1.4.1 气象数据温度、降水、相对湿度和净辐射是CEVSA-ES模型的主要气候驱动因子。温度、降水及相对湿度数据基于国家气象科学数据共享服务平台(http://data.cma.cn)获取的“中国地面气候资料日值数据集”及全球日气候历史数据网络数据, 采用ANUSPLIN气象软件空间插值, 获取时间分辨率为8d、空间分辨率为0.05°×0.05°的栅格数据。净辐射数据首先利用全国53个气象辐射站点的逐日地表净辐射数据拟合FAO Penman修正式的经验参数, 然后利用各气象站点的日照时数、平均气温、平均水气压等实测数据模拟得到各气象站点的净辐射, 最后利用利用ANUSPLIN方法进行差值, 以获取时间分辨率为8d、空间分辨率为0.05°×0.05°的净辐射栅格数据。
1.4.2 遥感数据遥感LAI广泛应用于陆地植被生长监测[29]。本研究基于空间分辨率1 km、时间分辨率8d的MODIS LAI数据(MOD15A2, https://modis.gsfc.nasa.gov/)驱动模型。首先利用MODIS站点提供的MRT工具对元数据进行拼接和转投影, 然后基于ENVI Pixel Aggregate方法重采样得到空间分辨率0.05°×0.05°, 时间分辨率为8d的LAI产品。受到雨云影响, 中国地区(特别是中国南方)原始MODIS LAI产品并不连续, 存在很大不确定性。然而植被实际生长相对稳定, 在一年内往往呈现单峰或多峰变化。为尽可能消除云雨对LAI数据质量的影响, 本研究采用MVC(Maximum value composite)方法[30]对原始MODIS数据进行处理。
1.4.3 土地利用覆被数据土地利用数据由中国科学院遥感与数字地球研究所提供[31]。该数据集基于面向碳收支的中国土地覆被分类系统, 通过物质组成、结构、排序、季节特征等指标, 将土地覆被划分为38个二级类型。我们将上述类型进一步划分为9种生态系统类型, 即：常绿阔叶林、常绿针叶林、落叶阔叶林、落叶针叶林、混交林、灌丛、典型草地、高寒草甸及农田(图 2)。
|
| 图 2 中国陆地生态系统土地覆被空间格局 Fig. 2 Spatial distribution of land use and cover in Chinese terrestrial ecosystem TP：青藏高寒区High-cold Tibetan Plateau region; TCon：温带大陆性气候区Temperate continental region; TMon：温带季风气候区Temperate monsoonal region; SubT：热带-亚热带季风区Subtropical-tropical monsoonal region |
氮沉降数据来源于“中国区域大气干沉降和湿沉降全组分动态变化数据集”[32]。该数据集以中国生态系统研究网络大气湿沉降观测数据为基础, 整合中国农业大学氮沉降观测网络、中国气象局国家酸监测网的观测数据及文献检索数据开发。同时, 为获取时空连续氮沉降数据, 进一步融合了基于统计数据的逐年氮沉降数据[33—34]。
土壤质地数据可直观反映土壤状况, 直接影响土壤含水量、土壤呼吸等过程的模拟。本研究所采用土壤质地数据来自联合国粮农组织(FAO)的世界土壤数据库(Harmonized world soil database v1.2)。
大气CO2浓度数据来源于夏威夷莫纳罗亚天文台(https://www.co2.earth/)。
2 结果 2.1 模型验证牛忠恩等结合模型数据融合方法及多源观测数据优化了CEVSA-ES模型的关键参数, 提高了模型模拟精度[14]。优化后CEVSA-ES模型可以很好的捕捉到不同生态系统类型碳水通量的季节和年际动态, 模拟结果对总初级生产力、生态系统呼吸、净生态系统生产力及蒸散季节变化的解释率分别为88%、88%、63%及75%, 对年际变化的解释率分别为95%、92%、76%及65%(图 3)[14]。同时, 优化后CEVSA-ES模型在净初级生产力、固碳、蓄水及土壤保持等时空格局模拟方面表现出色, 解释率约为(69±23)% (P < 0.01), RMSE与均值的之比介于14.59%—41.06%之间。具体而言, CEVSA-ES模型可以捕捉到净初级生产力、固碳年际变化的96%、81%, 该模型对蓄水及土壤侵蚀的模拟效果稍弱, 对其年际变化的解释率分别为47%、52%(图 3), 但各观测站点及流域尺度模拟蓄水、土壤侵蚀与观测蓄水、土壤侵蚀均显著相关, 且年际变化趋势一致[14]。验证结果表明, CEVSA-ES模型可以很好的捕捉到生态系统过程及服务的年际变化, 因此, 我们假设优化后CEVSA-ES模型可以捕获当前或未来驱动环境下生态系统过程和服务的时空格局。
|
| 图 3 CEVSA-ES模型模拟碳水通量及生态系统服务的验证结果 Fig. 3 Calibration of simulated annual carbon and water fluxes and ecosystem services Re：生态系统呼吸Ecosystem respiration; ET：蒸散Evapotranspiration; SE：土壤侵蚀Soil erosion |
2018年中国陆地生态系统净初级生产力、固碳、蓄水及土壤保持服务的全国总量分别为3.68 Pg C/a、0.43 Pg C/a、1015.71 km3/a及208.18 Gt/a(图 4)。热带-亚热带季风区约占全国总面积的24%, 但主导了全国生态系统服务, 其对全国净初级生产力、固碳、蓄水及土壤保持总量的贡献率分别为56%、62%、50%及61%。青藏高寒区及温带大陆性气候区约占全国总面积的56%, 但仅贡献了全国净初级生产力、固碳、蓄水及土壤保持总量的14%、12%、28%及24%。
|
| 图 4 2018年中国重要生态系统服务分区统计 Fig. 4 Annual ecosystem services of China in 2018 TP：青藏高寒区High-cold Tibetan Plateau region；TCon：温带大陆性气候区Temperate continental region；TMon：温带季风区Temperate monsoonal region；SubT：热带-亚热带季风区Subtropical-tropical monsoonal region |
从空间分布来看, 4种服务整体呈现由东南沿海到西北内陆逐渐递减的空间格局(图 5)。净初级生产力、固碳在东部季风显著高于青藏高寒区及温带大陆性气候区。蓄水集中分布在热带-亚热带季风区及青藏高寒区中南部, 温带大陆性气候区、温带季风区及青藏高寒区北部蓄水能力较弱。土壤保持主要在热带-亚热带季风及青藏高原东部较高, 华北平原、东北平原等平坦地区及温带大陆性气候区等少雨地区, 土壤保持服务较弱。
|
| 图 5 2018年中国地区重要生态系统服务空间格局 Fig. 5 Spatial patterns of annual ecosystem services of China in 2018 |
2000—2018年中国4种生态系统服务均呈上升趋势, 其中净初级生产力、固碳及蓄水呈显著上升趋势, 年变化速率分别为42.80 Tg C/a(P < 0.01)、13.42 Tg C/a(P < 0.01)、及11.90 km3/a(P < 0.01);土壤保持无显著变化趋势(P=0.21)(图 6)。针对不同气候区, 净初级生产力均呈显著增加趋势(P < 0.01), 其中热带-亚热带季风区净初级生产力增长速率最快, 年均增加23.59 Tg C/a, 对全国净初级生产力年际变化趋势的贡献率约为55%;其次分别为温带季风区、温带大陆性气候区及青藏高寒区。固碳在青藏高寒区无显著变化趋势, 但其它气候区均呈现显著增加趋势(P < 0.05), 其中热带-亚热带季风区固碳增长速率最快, 年均增加8.95 Tg C/a, 对全国固碳年际变化趋势的贡献率约为66%。蓄水在不同气候区均呈不显著增加趋势。土壤保持仅在温带大陆性气候区呈显著增加趋势, 年均增加0.08 Gt/a (P < 0.05), 但其对年际变化速率最小, 仅解释了全国土壤保持年际变化的7%(图 6)。
|
| 图 6 2000—2018中国地区重要生态系统服务变化趋势 Fig. 6 Interannual trends in key ecosystem services over Chinese terrestrial ecosystem from 2000 to 2018 |
本研究进一步分析了2000—2018年不同生态系统服务变化趋势的空间格局(图 7), 净初级生产力在全国90%的地区呈增加趋势, 其中约70%的地区呈显著上升趋势(P < 0.05), 在全国广泛分布。固碳在全国72%的地区呈上升趋势, 但仅31%地区呈显著上升趋势, 主要分布在东部季风区; 同时约28%地区固碳呈下降趋势, 主要分布在青藏高寒地区。蓄水及土壤保持呈显著变化的面积较小, 零散分布在中国北方地区(图 7)。
|
| 图 7 2000—2018中国地区重要生态系统服务变化趋势空间格局 Fig. 7 Spatial pattern of simulated ecosystem services trends in Chinese terrestrial ecosystem from 2000 to 2018 上方插入的子图表示2000—2018年生态系统服务的显著变化的地区, 蓝色表示显著增加, 红色表示显著降低 |
本研究分析了2000—2018年4种生态系统服务两两之间的权衡与协同关系(图 8)。净初级生产力、固碳、蓄水、土壤保持等服务两两之间相关系数均大于0, 表明生态系统服务整体呈协同关系。净初级生产力是生态系统服务的基础, 其与固碳、蓄水、土壤保持之间均呈现显著协同关系(P < 0.10), 相关系数分别为0.91、0.55及0.43;净初级生产力与固碳之间的协同关系最为显著, 这奠定了固碳与其他服务之间协同关系的基础, 即固碳与蓄水、土壤保持之间呈显著协同关系(P < 0.10), 相关系数分别为0.46及0.41。蓄水与土壤保持之间的协同关系较弱(P>0.10), 相关系数仅为0.25。
|
| 图 8 2000—2018中国地区重要生态系统服务变化权衡与协同 Fig. 8 The trade-offs and synergies of key ecosystem services in China from 2000 to 2018 |
本研究进一步在栅格尺度分析了2000—2018年净初级生产力、固碳、蓄水及土壤保持等生态系统服务两两之间的权衡与协同关系(图 8), 6组生态系统服务之间(净初级生产力与固碳、净初级生产力与蓄水、净初级生产力与土壤保持、固碳与蓄水、固碳与土壤保持、蓄水与土壤保持)呈协同关系的面积占全国总面积的比例均超过60%。具体而言, 净初级生产力与固碳在全国77%的地区呈现协同关系, 其中56%的地区呈显著协同关系, 其广泛分布在温带大陆性气候区、温带季风区及热带-亚热带季风区; 全国约23%的地区两者呈权衡关系, 主要分布在青藏高寒地区。净初级生产力与蓄水之间以协同关系为主, 在全国约67%的地区呈协同关系, 其中32%的地区呈显著协同关系; 同时, 全国约33%的地区两者呈权衡关系, 主要分布在中国西南地区、青藏高原南部及淮河下游。净初级生产力与土壤保持在全国约67%的地区呈协同关系; 同时全国约33%地区两者呈权衡关系, 主要分布在中国西南地区、青藏高原南部及淮河下游地区, 与净初级生产力及蓄水的权衡关系的空间分布相类似。固碳与蓄水之间在全国约62%的地区呈协同关系, 其中约33%的地区呈显著协同关系; 同时, 全国约38%的地区两者之间呈权衡关系, 主要分布在西南地区及黄淮海地区中南部。固碳与土壤保持之间全国约60%的地区呈协同关系, 同时全国约40%地区两者呈权衡关系, 权衡关系的地区主要分布在西南地区、青藏高原南部及淮河下游地区。蓄水与土壤保持之间在全国约70%的地区呈协同关系, 黄土高原地区及东北地区协同关系较强; 同时全国约30%的地区两者呈权衡关系, 主要分布在中国西南地区及青藏高原南部。
3 讨论生态系统服务的准确模拟是生态系统服务时空格局及其权衡与协同分析的前提。本文不仅基于观测数据对不同生态系统服务模拟结果进行了验证(图 3), 并进一步比较了CEVSA-ES模拟的全国生态系统服务与相关研究的差异(表 1)。CEVSA-ES估算2000—2018年中国平均净初级生产力为3.26 Pg C/a, 与相关研究基本一致(1.43—3.66 Pg C/a)。本研究估算全国年均固碳为0.35 Pg C/a, 略高于其它模型模拟结果(0.07—0.26 Pg C/a), 主要是因为2000年后中国地区固碳逐渐增加[42], 研究时段差异可部分解释本研究较高的固碳; 同时, 植被结构变化会促进陆地生态系统的碳汇累积[48], CEVSA-ES模型集成遥感LAI, 可更好的捕捉到变绿对固碳的促进作用。同时, CEVSA-ES估算蓄水(835.66 km3/a)、土壤保持(222.68 Gt/a)与相关研究结果基本一致。
| 方法 Methods |
研究时段 Study periods |
净初级生产力 Net primary productivity/(Pg C/a) |
固碳 Carbon sequestration/(Pg C/a) |
蓄水 Water retention/(km3/a) |
土壤保持 Soil retention/(Gt/a) |
参考文献 References |
| CASA | 1982—2010 | 2.61 | — | — | — | [35] |
| CASA | 1982—2000 | 1.43 | — | — | — | [36] |
| BEPS | 2001 | 2.24 | — | — | — | [37] |
| CEVSA | 1981—1998 | 3.09 | — | — | — | [38] |
| BEPS | 2000—2010 | 2.74 | — | — | — | [39] |
| TEM | 1993—1996 | 3.66 | — | — | — | [40] |
| CEVSA | 1981—1998 | 2.86—3.37 | 0.07 | — | — | [41] |
| CEVSA/TEC/BEPS | 1982—2010 | — | 0.118 | — | — | [42] |
| TEM & DLEM | 1961—2005 | — | 0.21 | — | — | [43] |
| 清查资料/生态模型/大气反演 Measurements/Ecosystem models/Atmospheric inversions |
1980s—1990s | — | 0.19—0.26 | — | — | [26] |
| Biome-BGC | 1961—2000 | — | 0.16 | — | — | [44] |
| 水量平衡法Water balance method | 2010 | — | — | 1222.43 | — | [45] |
| 降水贮存量Precipitation water storage | 2010 | — | — | 881.10 | — | [46] |
| USLE | 1981—2010 | — | — | — | 214.64 | [47] |
| CEVSA-ES | 2000—2018 | 3.26 | 0.35 | 835.66 | 222.68 | 本研究 |
| CASA：Carnegie-Ames-Stanford方法Carnegie-Ames-Stanford approach; BEPS：北方生态系统生产力模拟器Boreal ecosystem productivity simulator; CEVSA：植被、土壤和大气之间的碳交换模型Carbon exchange between vegetation, soil and atmosphere model; TEM：陆地生态系统模型Terrestrial ecosystem model; TEC：陆地生态系统碳通量模型Terrestrial ecosystem carbon flux model; DLEM：动态土地生态系统模型Dynamic land ecosystem model; Biome-BGC：生物群落-生物地球化学循环模型Biome biogeochemical cycles model; USLE：通用水土流失方程Universal soil loss equation | ||||||
生态系统服务的共同驱动及其交互机制主导了权衡与协同关系[49—50]。Niu等[14]发展的遥感驱动的生态系统服务评估过程模型(CEVSA-ES)可更好的捕捉到生态系统服务之间的交互作用。植被是连接不同生态系统服务的核心, 基于遥感的LAI可用于评估植被的动态变化及其对生态系统过程和功能的影响[3], 具体而言：LAI可影响冠层光合, 采用瞬时冠层光合速率和LAI累加得到净初级生产力; LAI通过改变蒸散影响了土壤含水量, 变绿不仅促进蒸散[3], 还通过影响辐射分布, 改变了物理蒸发和植被蒸腾之间的分配[21]; LAI通过改变生物保护措施(如植被覆盖度)影响土壤侵蚀[51—52]; 尽管固碳与LAI不直接相关, 但LAI通过改变土壤含水量、凋落物对固碳产生影响[53]。此外, CEVSA-ES模型考虑了土壤侵蚀对碳氮循环的影响, 而大多数过程模型忽略了此过程[14]。
在过去几十年中, 中国陆地生态系统发生了显著的变绿和环境变化[3, 54], 改变了生态系统服务时空格局[5]。净初级生产力是众多生态系统服务、功能和过程的基础[24], 近几十年, 中国地区净初级生产力显著上升[36, 55], 增温、CO2施肥、氮沉降等环境因素主导了净初级生产力的增加趋势[35, 56—57]。固碳在调节区域和全球气候方面发挥着重要作用, 中国地区固碳增加的主要驱动因素存在争议, 已有研究表明增温趋缓及东亚季风增强等气候因素主导了2000年后固碳的增加趋势[42], 但也有研究表明氮沉降及CO2施肥是中国地区固碳变化的主导因素[43]。蓄水主要受到降水量及大气水分需求变化的影响[58], 2000年以来, 降水轻微增加及净辐射降低导致的蒸散减少[42, 59]共同导致了蓄水增加。土壤保持可减少水土流失, 并改变土壤和大气之间的碳交换[23], 中国土壤保持的空间格局主要受气候和地形控制[47], 降雨侵蚀因子不仅影响土壤保持的空间格局, 也主导了土壤保持的时间变化趋势; 同时, 变绿通过提高植被覆盖度及减少飞溅侵蚀等, 有助于促进土壤保持。
变绿及环境变化共同促进了生态系统服务之间的协同关系。变绿增加了植被吸收光合有效辐射的数量, 进而提高了净初级生产力[60]; 植被净初级生产力增加可提高植被固碳[61], 植被变绿显著促进了全球固碳[48]; 变绿提高了植被覆盖度, 提高了土壤保持能力。因此, 中国地区显著变绿促进了净初级生产力、固碳及土壤保持之间的协同增加。降水是促进了蓄水与其它服务之间的协同关系, 中国北方地区降水增多, 提高了蓄水, 同时显著促进了蓄水与土壤保持、固碳、净初级生产力等服务之间的协同关系。环境因子不仅直接影响生态系统服务权衡与协同, 也通过改变植被生长影响生态系统, 例如变暖促进了高纬度地区的植被变绿[62], CO2施肥及氮沉降是植被变绿的主要驱动因素[54]。
本研究也存一定局限性, 联合国千年评估计划将生态系统服务划分为支持服务、供给服务、调节服务及文化服务四大类及若干小类[1], 但本研究仅涉及到4种服务, 并不能完全反应中国陆地生态系统的全部服务。本文基于大尺度区域, 利用相关分析方法, 探讨了不同服务之间的权衡与协同关系, 但未对权衡与协同关系区域异质性的驱动因素进行深入探讨; 同时, 生态系统服务之间的相关性可能是非线性的, 本研究仅考虑了生态系统服务之间的线性相关, 忽略了生态系统服务非线性特征带来的不确定性。在未来研究中, 量化生态系统服务权衡与协同的驱动因子并考虑不同服务之间的非线性关系, 对生态系统可持续管理具有重要意义。
4 结论本研究基于遥感驱动的生态系统服务评估过程模型(CEVSA-ES)实现了2000—2018年中国陆地生态系统4种重要生态系统服务(净初级生产力、固碳、蓄水与土壤保持)的动态模拟, 并进一步评估了生态系统服务之间的权衡与协同关系。主要结论如下：
(1) 2018年, 中国陆地生态系统净初级生产力、固碳、蓄水及土壤保持分别为3.68 Pg C/a、0.43 Pg C/a、1015.71 km3/a及208.18 Gt/a, 热带-亚热带地区主导了全国生态系统服务, 对全国不同生态系统服务总量的贡献率均高于50%;
(2) 2000—2018年中国净初级生产力、固碳、蓄水等服务均呈增加趋势(P < 0.05), 年际变化速率分别为42.80 Tg C/a、13.42 Tg C/a、11.90 km3/a, 土壤保持呈不显著增加趋势, 年均增加速率为1.11 Gt/a(P=0.21)。热带-亚热带季风区主导了净初级生产力及固碳的增加趋势, 对全国净初级生产力及固碳变化趋势的贡献率分别为55%、66%;蓄水在不同气候区均呈不显著增加趋势, 土壤保持仅在温带大陆性气候区呈显著增加趋势。
(3) 2000—2018年中国陆地生态系统净初级生产力、固碳、蓄水及土壤保持等服务两两之间均呈协同关系。净初级生产力是众多生态系统服务的基础, 其与固碳、蓄水、土壤保持两两之间均呈现显著协同关系, 这奠定了不同服务之间协同关系的基础。在空间上, 两两生态系统服务间呈协同关系的面积占全国总面积的比例均超过60%, 主要分布在中国北方及长江中下游地区; 两两生态系统服务呈权衡关系的地区主要分布在中国西南地区、青藏高原南部及淮河下游。
| [1] |
Millennium Ecosystem Assessment. Ecosystems and human well-being: synthesis. Washington, DC: Island press, 2005.
|
| [2] |
Lu F, Hu H F, Sun W J, Zhu J J, Liu G B, Zhou W M, Zhang Q F, Shi P L, Liu X P, Wu X, Zhang L, Wei X H, Dai L M, Zhang K R, Sun Y R, Xue S, Zhang W J, Xiong D P, Deng L, Liu B J, Zhou L, Zhang C, Zheng X, Cao J S, Huang Y, He N P, Zhou G Y, Bai Y F, Xie Z Q, Tang Z Y, Wu B F, Fang J Y, Liu G H, Yu G R. Effects of national ecological restoration projects on carbon sequestration in China from 2001 to 2010. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4039-4044. DOI:10.1073/pnas.1700294115 |
| [3] |
Piao S, Wang X, Park T, Chen C, Lian X, He Y, Bjerke J W, Chen A, 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. |
| [4] |
Chen C, Park T, Wang X, Piao S, Xu B, Chaturvedi R K, Fuchs R, Brovkin V, Ciais P, Fensholt R, Tømmervik H, Bala G, Zhu Z, Nemani R R, Myneni R B. China and India lead in greening of the world through land-use management. Nature Sustainability, 2019, 2(2): 122-129. DOI:10.1038/s41893-019-0220-7 |
| [5] |
Ouyang Z Y, Zheng H, Xiao Y, Polasky S, Liu J G, Xu W H, Wang Q, Zhang L, Xiao Y, Rao E M, Jiang L, Lu F, Wang X K, Yang G B, Gong S H, Wu B F, Zeng Y, Yang W, Daily G C. Improvements in ecosystem services from investments in natural capital. Science, 2016, 352(6292): 1455-1459. DOI:10.1126/science.aaf2295 |
| [6] |
Zheng H, Wang L J, Peng W J, Zhang C P, Li C, Robinson B E, Wu X C, Kong L Q, Li R N, Xiao Y, Xu W H, Ouyang Z Y, Daily G C. Realizing the values of natural capital for inclusive, sustainable development: Informing China's new ecological development strategy. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(17): 8623-8628. DOI:10.1073/pnas.1819501116 |
| [7] |
王晓峰, 马雪, 冯晓明, 周潮伟, 傅伯杰. 重点脆弱生态区生态系统服务权衡与协同关系时空特征. 生态学报, 2019, 39(20): 7344-7355. |
| [8] |
傅伯杰, 于丹丹. 生态系统服务权衡与集成方法. 资源科学, 2016, 38(1): 1-9. |
| [9] |
尹礼唱, 王晓峰, 张琨, 肖飞艳, 程昌武, 张欣蓉. 国家屏障区生态系统服务权衡与协同. 地理研究, 2019, 38(9): 2162-2172. |
| [10] |
刘静萍, 徐昔保. 不同管理模式对农田生态系统服务的影响模拟研究——以太湖流域为例. 生态学报, 2019, 39(24): 9314-9324. |
| [11] |
刘洋, 毕军, 吕建树. 生态系统服务权衡与协同关系及驱动力——以江苏省太湖流域为例. 生态学报, 2019, 39(19): 7067-7078. |
| [12] |
Qiao X N, Gu Y Y, Zou C X, Xu D L, Wang L, Ye X, Yang Y, Huang X F. Temporal variation and spatial scale dependency of the trade-offs and synergies among multiple ecosystem services in the Taihu Lake Basin of China. Science of the Total Environment, 2019, 651: 218-229. DOI:10.1016/j.scitotenv.2018.09.135 |
| [13] |
Liu Y X, Lü Y, Fu B J, Harris P, Wu L H. Quantifying the spatio-temporal drivers of planned vegetation restoration on ecosystem services at a regional scale. Science of the Total Environment, 2019, 650: 1029-1040. DOI:10.1016/j.scitotenv.2018.09.082 |
| [14] |
Niu Z E, He H L, Peng S S, Ren X L, Zhang L, Gu F X, Zhu G F, Peng C H, Li P, Wang J B, Ge R, Zeng N, Zhu X B, Lv Y, Chang Q Q, Xu Q, Zhang M Y, Liu W H. A process-based model integrating remote sensing data for evaluating ecosystem services. Journal of Advances in Modeling Earth Systems, 2021, 13(6): e2020MS002451. |
| [15] |
Tallis H, Polasky S. Mapping and valuing ecosystem services as an approach for conservation and natural-resource management. Annals of the New York Academy of Sciences, 2009, 1162: 265-283. DOI:10.1111/j.1749-6632.2009.04152.x |
| [16] |
Logsdon R A, Chaubey I. A quantitative approach to evaluating ecosystem services. Ecological Modelling, 2013, 257: 57-65. DOI:10.1016/j.ecolmodel.2013.02.009 |
| [17] |
Turner D P, Ollinger S V, Kimball J S. Integrating remote sensing and ecosystem process models for landscape- to regional-scale analysis of the carbon cycle. BioScience, 2004, 54(6): 573-584. DOI:10.1641/0006-3568(2004)054[0573:IRSAEP]2.0.CO;2 |
| [18] |
Farquhar G D, von Caemmerer S, Berry J A. A biochemical model of photosynthetic CO2 assimilation in leaves of C3 species. Planta, 1980, 149(1): 78-90. DOI:10.1007/BF00386231 |
| [19] |
Woodward F I, Smith T M, Emanuel W R. A global land primary productivity and phytogeography model. Global Biogeochemical Cycles, 1995, 9(4): 471-490. DOI:10.1029/95GB02432 |
| [20] |
Fisher J B, Tu K P, Baldocchi D D. Global estimates of the land-atmosphere water flux based on monthly AVHRR and ISLSCP-Ⅱ data, validated at 16 FLUXNET sites. Remote Sensing of Environment, 2008, 112(3): 901-919. DOI:10.1016/j.rse.2007.06.025 |
| [21] |
Niu Z E, He H L, Zhu G F, Ren X L, Zhang L, Zhang K, Yu G R, Ge R, Li P, Zeng N, Zhu X B. An increasing trend in the ratio of transpiration to total terrestrial evapotranspiration in China from 1982 to 2015 caused by greening and warming. Agricultural and Forest Meteorology, 2019, 279: 107701. DOI:10.1016/j.agrformet.2019.107701 |
| [22] |
Chappell A, Baldock J, Sanderman J. The global significance of omitting soil erosion from soil organic carbon cycling schemes. Nature Climate Change, 2016, 6(2): 187-191. DOI:10.1038/nclimate2829 |
| [23] |
Yue Y, Ni J R, Ciais P, Piao S L, Wang T, Huang M T, Borthwick A G L, Li T H, Wang Y C, Chappell A, van Oost K. Lateral transport of soil carbon and land-atmosphere CO2 flux induced by water erosion in China. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(24): 6617-6622. DOI:10.1073/pnas.1523358113 |
| [24] |
Costanza R, de Groot R, Braat L, Kubiszewski I, Fioramonti L, Sutton P, Farber S, Grasso M. Twenty years of ecosystem services: how far have we come and how far do we still need to go?. Ecosystem Services, 2017, 28: 1-16. DOI:10.1016/j.ecoser.2017.09.008 |
| [25] |
Franklin S E, Lavigne M B, Deuling M J, Wulder M A, Hunt E R. Estimation of forest Leaf Area Index using remote sensing and GIS data for modelling net primary production. International Journal of Remote Sensing, 1997, 18(16): 3459-3471. DOI:10.1080/014311697216973 |
| [26] |
Piao S, Fang J, Ciais P, Peylin P, Huang Y, Sitch S, Wang T. The carbon balance of terrestrial ecosystems in China. Nature, 2009, 458(7241): 1009-1013. DOI:10.1038/nature07944 |
| [27] |
Wischmeier W H, Smith D D. Predicting rainfall erosion losses: a guide to conservation planning. Department of Agriculture, Science and Education Administration, 1978. |
| [28] |
Williams M, Richardson A D, Reichstein M, Stoy P C, Peylin P, Verbeeck H, Carvalhais N, Jung M, Hollinger D Y, Kattge J, Leuning R, Luo Y, Tomelleri E, Trudinger C M, Wang Y P. Improving land surface models with FLUXNET data. Biogeosciences, 2009, 6(7): 1341-1359. DOI:10.5194/bg-6-1341-2009 |
| [29] |
Piao S L, Yin G D, Tan J G, Cheng L, Huang M T, Li Y, Liu R G, Mao J F, Myneni R B, Peng S S, Poulter B, Shi X Y, Xiao Z Q, Zeng N, Zeng Z Z, Wang Y P. Detection and attribution of vegetation greening trend in China over the last 30 years. Global Change Biology, 2015, 21(4): 1601-1609. DOI:10.1111/gcb.12795 |
| [30] |
van Leeuwen W J D, Huete A R, Laing T W. MODIS vegetation index compositing approach: a prototype with AVHRR data. Remote Sensing of Environment, 1999, 69(3): 264-280. DOI:10.1016/S0034-4257(99)00022-X |
| [31] |
张磊, 吴炳方, 李晓松, 邢强. 基于碳收支的中国土地覆被分类系统. 生态学报, 2014, 34(24): 7158-7166. |
| [32] |
Yu G, Jia Y, He N, Zhu J, Chen Z, Wang Q, Piao S, Liu X, He H, Guo X, Wen Z, Li P, Ding G, Goulding K. Stabilization of atmospheric nitrogen deposition in China over the past decade. Nature Geoscience, 2019, 12(6): 424-429. DOI:10.1038/s41561-019-0352-4 |
| [33] |
Gu F X, Zhang Y D, Huang M, Tao B, Yan H M, Guo R, Li J. Nitrogen deposition and its effect on carbon storage in Chinese forests during 1981-2010. Atmospheric Environment, 2015, 123: 171-179. DOI:10.1016/j.atmosenv.2015.10.081 |
| [34] |
顾峰雪, 黄玫, 张远东, 闫慧敏, 李洁, 郭瑞, 钟秀丽. 1961-2010年中国区域氮沉降时空格局模拟研究. 生态学报, 2016, 36(12): 3591-3600. |
| [35] |
Liang W, Yang Y T, Fan D M, Guan H D, Zhang T, Long D, Zhou Y, Bai D. Analysis of spatial and temporal patterns of net primary production and their climate controls in China from 1982 to 2010. Agricultural and Forest Meteorology, 2015, 204: 22-36. DOI:10.1016/j.agrformet.2015.01.015 |
| [36] |
Piao S L, Fang J Y, Zhou L M, Zhu B, Tan K, Tao S. Changes in vegetation net primary productivity from 1982 to 1999 in China. Global Biogeochemical Cycles, 2005, 19(2): GB2027. |
| [37] |
Feng X, Liu G, Chen J M, Chen M, Liu J, Ju W M, Sun R, Zhou W. Net primary productivity of China's terrestrial ecosystems from a process model driven by remote sensing. Journal of Environmental Management, 2007, 85(3): 563-573. DOI:10.1016/j.jenvman.2006.09.021 |
| [38] |
Tao B, Li K R, Shao X M, Cao M K. The temporal and spatial patterns of terrestrial net primary productivity in China. Journal of Geographical Sciences, 2003, 13(2): 163-171. DOI:10.1007/BF02837454 |
| [39] |
Liu Y B, Ju W M, He H L, Wang S Q, Sun R, Zhang Y D. Changes of net primary productivity in China during recent 11 years detected using an ecological model driven by MODIS data. Frontiers of Earth Science, 2013, 7(1): 112-127. DOI:10.1007/s11707-012-0348-5 |
| [40] |
Xiao X M, Melillo J, Kicklighter D, Pan Y D, McGuire A, Helfrich J V K. Net primary production of terrestrial ecosystems in China and its equilibrium response to changes in climate and atmospheric CO2 concentration. Acta Phytoecologica Sinica, 1998, 22(2): 97-118. |
| [41] |
Cao M K, Prince S D, Li K R, Tao B, Small J, Shao X M. Response of terrestrial carbon uptake to climate interannual variability in China. Global Change Biology, 2003, 9(4): 536-546. DOI:10.1046/j.1365-2486.2003.00617.x |
| [42] |
He H L, Wang S Q, Zhang L, Wang J B, Ren X L, Zhou L, Piao S L, Yan H, Ju W M, Gu F X, Yu S Y, Yang Y H, Wang M M, Niu Z E, Ge R, Yan H M, Huang M, Zhou G Y, Bai Y F, Xie Z Q, Tang Z Y, Wu B F, Zhang L M, He N P, Wang Q F, Yu G R. Altered trends in carbon uptake in China's terrestrial ecosystems under the enhanced summer monsoon and warming hiatus. National Science Review, 2019, 6(3): 505-514. DOI:10.1093/nsr/nwz021 |
| [43] |
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. |
| [44] |
Mu Q Z, Zhao M S, Running S W, Liu M L, Tian H Q. Contribution of increasing CO2and climate change to the carbon cycle in China's ecosystems. Journal of Geophysical Research: Biogeosciences, 2008, 113(G1): G01018. |
| [45] |
龚诗涵, 肖洋, 郑华, 肖燚, 欧阳志云. 中国生态系统水源涵养空间特征及其影响因素. 生态学报, 2017, 37(7): 2455-2462. |
| [46] |
吴丹. 中国主要陆地生态系统水源涵养服务研究. 北京: 中国科学院大学, 2014.
|
| [47] |
Rao E M, Ouyang Z Y, Yu X X, Xiao Y. Spatial patterns and impacts of soil conservation service in China. Geomorphology, 2014, 207: 64-70. |
| [48] |
Chen J M, Ju W, Ciais P, Viovy N, Liu R, Liu Y, Lu X. Vegetation structural change since 1981 significantly enhanced the terrestrial carbon sink. Nature Communications, 2019, 10: 4259. |
| [49] |
Bennett E M, Peterson G D, Gordon L J. Understanding relationships among multiple ecosystem services. Ecology Letters, 2009, 12(12): 1394-1404. |
| [50] |
Dade M C, Mitchell M G E, McAlpine C A, Rhodes J R. Assessing ecosystem service trade-offs and synergies: the need for a more mechanistic approach. Ambio, 2019, 48(10): 1116-1128. |
| [51] |
Guerra C A, Maes J, Geijzendorffer I, Metzger M J. An assessment of soil erosion prevention by vegetation in Mediterranean Europe: current trends of ecosystem service provision. Ecological Indicators, 2016, 60: 213-222. |
| [52] |
Jiang C, Li D Q, Wang D W, Zhang L B. Quantification and assessment of changes in ecosystem service in the Three-River Headwaters Region, China as a result of climate variability and land cover change. Ecological Indicators, 2016, 66: 199-211. |
| [53] |
Cao M K, Woodward F I. Net primary and ecosystem production and carbon stocks of terrestrial ecosystems and their responses to climate change. Global Change Biology, 1998, 4(2): 185-198. |
| [54] |
Zhu Z C, Piao S L, Myneni R B, Huang M T, Zeng Z Z, Canadell J G, Ciais P, Sitch S, Friedlingstein P, Arneth A, Cao C X, Cheng L, Kato E, Koven C, Li Y, Lian X, Liu Y W, Liu R G, Mao J F, Pan Y Z, Peng S S, Peñuelas J, Poulter B, Pugh T A M, Stocker B D, Viovy N, Wang X H, Wang Y P, Xiao Z Q, Yang H, Zaehle S, Zeng N. Greening of the earth and its drivers. Nature Climate Change, 2016, 6(8): 791-795. |
| [55] |
Yao Y T, Wang X H, Li Y, Wang T, Shen M G, Du M Y, He H L, Li Y N, Luo W J, Ma M G, Ma Y M, Tang Y H, Wang H M, Zhang X Z, Zhang Y P, Zhao L, Zhou G S, Piao S L. Spatiotemporal pattern of gross primary productivity and its covariation with climate in China over the last thirty years. Global Change Biology, 2018, 24(1): 184-196. |
| [56] |
Ren W, Tian H Q, Tao B, Chappelka A, Sun G, Lu C Q, Liu M L, Chen G S, Xu X F. Impacts of tropospheric ozone and climate change on net primary productivity and net carbon exchange of China's forest ecosystems. Global Ecology and Biogeography, 2011, 20(3): 391-406. |
| [57] |
Kolby Smith W, Reed S C, Cleveland C C, Ballantyne A P, Anderegg W R L, Wieder W R, Liu Y Y, Running S W. Large divergence of satellite and Earth system model estimates of global terrestrial CO2 fertilization. Nature Climate Change, 2016, 6(3): 306-310. |
| [58] |
尹云鹤, 吴绍洪, 赵东升, 戴尔阜. 过去30年气候变化对黄河源区水源涵养量的影响. 地理研究, 2016, 35(1): 49-57. |
| [59] |
牛忠恩, 胡克梅, 何洪林, 任小丽, 张黎, 葛蓉, 李攀, 郑涵, 朱晓波, 曾纳. 2000-2015年中国陆地生态系统蒸散时空变化及其影响因素. 生态学报, 2019, 39(13): 4697-4709. |
| [60] |
van Dijk A I J M, Dolman A J, Schulze E D. Radiation, temperature, and leaf area explain ecosystem carbon fluxes in boreal and temperate European forests. Global Biogeochemical Cycles, 2005, 19(2): GB2029. |
| [61] |
Shevliakova E, Stouffer R J, Malyshev S, Krasting J P, Hurtt G C, Pacala S W. Historical warming reduced due to enhanced land carbon uptake. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(42): 16730-16735. |
| [62] |
Lucht W, Prentice I C, Myneni R B, Sitch S, Friedlingstein P, Cramer W, Bousquet P, Buermann W, Smith B. Climatic control of the high-latitude vegetation greening trend and Pinatubo effect. Science, 2002, 296(5573): 1687-1689. |