2024, Vol. 45
2. 东北农业大学松花江流域生态环境保护研究中心, 哈尔滨 150030;
3. 哈尔滨理工大学经济与管理学院, 哈尔滨 150086
2. Research Center for Eco-Environment Protection of Songhua River Basin, Northeast Agricultural University, Harbin 150030, China;
3. School of Economics and Management, Harbin University of Science and Technology, Harbin 150086, China
极端气候事件作为影响经济社会发展与生态系统稳定的自然灾害[1], 是目前人类面临的严峻威胁之一[2].IPCC第6次评估报告中指出, 在全球变暖进一步加剧的背景下, 极端气候变化加剧了全球水文循环变化, 导致水热资源时空重新配置[3], 同时还将引发强度更大、频率更加频繁和持续时间更长的极端气候事件[4], 对经济社会发展和生态环境造成严重影响[5, 6].目前极端气候事件的时空变化趋势在全球范围内得到了广泛的研究, 结果表明全球范围内持续极端降水事件正在增加[7], 全球暖夜指数也呈不断增加趋势[8, 9].相关研究表明, 我国极端气候事件区域差异明显, 极端气温指数和极端降水指数不断增加[10, 11], 与平原区相比, 高海拔地区极端气候指数变化更加明显, 海拔梯度变化对气候分布格局具有显著影响[12].Yan等[13]基于1960 ~ 2019年云南省气象数据探究了极端气候指数时空变化特征及其对海拔梯度的响应程度, 研究表明极端气候指数的变化与其空间分布具有显著相关性.
植被是陆地生态系统的重要组成部分[14], 在固碳和减缓气候变化方面发挥着重要作用[6].当气候变化超过植被对环境的适应性阈值时将导致生态系统崩溃、生物多样性锐减和服务功能丧失等现象出现[15, 16].作为表征陆地生态系统固碳能力的关键生态指标, 植被净初级生产力（net primary productivity, NPP）是评估陆地生态系统质量与健康状况的重要依据之一[17].Xu等[18]对我国北方干旱地区植被NPP和降水模式之间关系的研究表明, 生长季节降水及其季节分布是控制中国北方干旱地区植被NPP年际变化的主要因素.刘夏等[19]研究表明, 降水量对植被NPP的影响比气温更为显著, 降水量的剧烈变化和极端气候事件的增加将导致生态系统在未来面临较高风险.极端气候事件具有复杂的耦合效应[20], 与单一极端气候事件相比, 复杂极端气候事件的水热耦合效应对植被的影响则更加显著[21], 因此探究不同极端气候事件对植被NPP的交互影响具有重要意义.
植被生长不仅与气候变化有关, 同时也受地理环境因素影响[22].已有研究表明, 气候变化对植被NPP的影响受海拔梯度限制[23], 高海拔地区的植被生长对温度更加敏感[24].现有研究大多从平均气候变化、极端气候事件和海拔梯度分布格局等不同角度探究其对植被NPP的影响, 而不同海拔梯度下植被NPP对极端气候事件的响应尚缺乏系统性研究.因此, 本文采用2001 ~ 2020年松花江流域内及其周围80个气象站点计算的10个极端气候指数, 探究不同海拔条件下极端气候事件对植被NPP空间分异的影响情况及耦合效应, 以期为全球气候变暖背景下准确评价松花江流域陆地生态系统碳汇（源）功能和制定减缓气候变化政策等方面提供基础数据和理论依据.
1 材料与方法 1.1 研究区域概况松花江流域位于我国东北部（119°52′ ~ 132°31′E、41°42′ ~ 51°38′N）, 涵盖黑龙江省、吉林省、辽宁省和内蒙古自治区4省区, 总面积约为56.12万km2.松花江流域东部和东南部为完达山脉和长白山脉, 西南部为松花江与辽河的分水岭, 西部为大兴安岭, 北部为小兴安岭.松花江流域海拔落差明显, 海拔跨度为26 ~ 2 680 m, 高海拔地区土地利用类型以林地为主, 低海拔地区以耕地和草原为主, 同时低海拔地区也是流域内工农业最为发达的区域.松花江流域属于北温带季风气候, 受地理位置和复杂地形的影响, 四季区分明显, 多年平均气温在3 ~ 5℃, 多年平均年累计降水量介于300 ~ 1 200 mm之间, 东部地区降水可达700 ~ 900 mm, 而西部地区降水仅400 mm左右, 流域内降水量年际变化明显, 最大年降水量与最小年降水量之比约为3∶1, 时而出现连续多年多雨或连续多年少雨的情况, 因此松花江流域水热条件时空分布差异较大, 易频繁发生极端气候事件[25, 26].
|
图 1 松花江流域土地覆盖类型、海拔和气象站点空间分布 Fig. 1 Spatial distributions of land cover classification, altitude, and meteorological stations in Songhua River Basin |
松花江流域内及其周围共80个气象站点2001 ~ 2020年的日最高气温、日最低气温和日降水数据来源于中国气象科学数据共享服务网（http://data.cma.cn）, 剔除缺失天数超过30 d的站点, 对于缺失天数小于30 d的站点, 1 ~ 2 d的缺失值由邻近天的平均值代替, 连续多日缺失的数据由其他年份同一时期的长期平均值代替[27].采用RClimDex 1.9软件[28, 29]对松花江流域气象站点逐日气象数据进行质量控制后, 计算国际气候变化检测与指标专家组（expert team for climate change detection monitoring and indices, ETCCDMI）推荐的极端降水指数（R10mm、PRCPTOT、RX5day、SDII、R95P）和极端气温指数（DTR、SU25、GSL、FD0、ID0）, 这些极端气候指数在以往的研究中得到了广泛的应用并易于解释, 其具体含义如表 1所示.将计算得到的极端降水指数和极端气温指数采用反距离权重法插值形成栅格数据集, 以10%数量的站点作为验证数据集, 经均方根误差（root mean square error, RMSE）验证, 各极端气候指数RMSE位于0.71 ~ 83.48, 总体RMSE为36.29, 表明该插值方法满足研究需求.
|
表 1 极端气候指数概况 Table 1 Overview of extreme climate indices |
植被NPP数据来源于美国国家航天航空局（http://lpdaac.usgs.gov）发布的陆地观测MODIS MOD17A3HGF数据集, 空间分辨率为500 m, 时间分辨率为1 a.该数据集纠正了云层和气溶胶对数据的影响[30], 并包含了逐年质量控制数据（NPP_QC）, 以此验证NPP产品的质量可靠性[31].本文根据2001 ~ 2020年松花江流域的NPP_QC数据进行统计分析, 将相应NPP数据的可信度划分为高、中、低和反演失败4个等级, 结果表明2001 ~ 2020年松花江流域植被NPP数据质量为高可信度和中可信度等级的累积百分比为97.79%以上, 因此该数据集在松花江流域具有极高的准确性.通过拼接镶嵌、格式转化、重投影、裁剪和重采样等处理得到了2001 ~ 2020年松花江流域植被NPP数据集.海拔数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn）, 空间分辨率为1 km.本文将所有数据统一为WGS84/Albers坐标系, 空间分辨率为1 km.
1.3 研究方法 1.3.1 趋势分析线性回归方法用于表征松花江流域植被NPP的时间变化趋势, 采用最小二乘法拟合的线性回归的斜率表示植被NPP的年变化率, 正值代表上升趋势, 负值代表下降趋势[32].线性拟合方程见式（1）：
|
(1) |
式中, y为植被NPP的时间序列数据集；b为植被NPP变化的斜率；x为2001 ~ 2020年的时间序列；a为截距.
1.3.2 相关性分析相关性分析是揭示要素之间密切程度的重要方法, 本文采用基于像元的Pearson相关系数法分析植被NPP与极端气候指数之间的相关性[33], 计算公式见式（2）：
|
(2) |
式中, x和y分别表示植被NPP与极端气候指数, xi和yi分别表示第i年x和y的值；x和y分别为x和y的n年平均值, Rxy为x和y的相关系数.Rxy的取值范围为[-1, 1], Rxy越接近于1, 表明变量之间的正相关性越强；Rxy越接近于-1, 表明变量之间的负相关性越强.
1.3.3 海拔梯度分类方法自然断点法是基于Jenks的“最佳自然断裂点分级法”对数据的一种特定分类方法, 该方法具有同一海拔范围内差异最小、不同海拔范围间差异最大的优点, 本文采用自然断点法将松花江流域海拔共分为5个级别[34], 其海拔梯度情况如表 2所示.
|
|
表 2 松花江流域海拔梯度划分 Table 2 Interval divisions of altitudinal gradient in Songhua River Basin |
1.3.4 地理探测器
采用王劲峰等[35]提出的地理探测器检测数据的空间分异性并揭示数据的驱动力, 其中因子探测采用q值度量, 计算方法见式（3）：
|
(3) |
式中, q为分异性因子, L为变量类别数, h为某一具体类型, Nh和N分别为h类别的单元数和全区单元数；σh和σ分别为h类别的方差和全区方差.q值值域为[0, 1], q值越大, 表明该极端气候因子对植被NPP空间分异性的解释力越强, 即q = 0表示该极端气候因子对植被NPP空间分异性无影响, q = 1表示该极端气候因子可以充分解释植被NPP的空间分异性.
地理探测器还具有交互探测的能力, 通过交互探测可探究松花江流域不同极端气候因子X1和X2共同作用下对植被NPP的解释力是否发生变化, 同时检验不同极端气候因子之间是否具有独立性, 其判断依据见表 3.
|
|
表 3 双因子对因变量交互作用的类型 Table 3 Types of interaction between two covariates |
传统的地理探测器在离散连续型变量时存在主观性和离散化情况不佳的状况, 在以往的研究中往往缺乏对空间数据离散化和空间尺度效应的准确定量评估, 因此本文应用最优参数地理探测器[36], 采用相等间隔分类、自然断点分类、分位数分类、几何分类和标准差分类共5种分类方法, 将分类等级设置为3 ~ 7类, 分别计算不同分类方法和分类等级下的q值[式（3）], 筛选q值最大的影响因素分类方法及分类等级作为地理探测器分析的最优参数.本文将松花江流域逐栅格植被NPP作为因变量, 选取10种极端气候指数作为自变量, 根据研究区大小和栅格数据分辨率情况, 采用1 km分辨率将栅格数据转为矢量数据, 剔除无效值后在R软件中分析极端气候指数对松花江流域植被NPP变化的影响.
1.3.5 相对重要性分析本文基于栅格尺度探究长时间序列极端气候指数对植被NPP的相对重要性, 采用多元回归方法, 通过对回归系数进行标准化, 并对每个栅格上极端气候指标对植被NPP的标准化回归系数绝对值进行排序, 保留每个栅格上最大的影响因子作为该栅格植被NPP的最重要影响因素[37].
2 结果与分析 2.1 松花江流域植被NPP空间格局与海拔变化关系2001 ~ 2020年松花江流域陆地生态系统NPP的空间格局如图 2所示.研究区内陆地生态系统NPP（以C计, 下同）多年平均值为411.95 g·（m2·a）-1, 空间上呈现中部平原低、四周山区高的分布格局[图 2（a）].研究区西北部和东南部均为高海拔的林地, 植被NPP均高于400 g·（m2·a）-1；中部平原区和东北部松花江沿岸植被NPP较低, 均为400 g·（m2·a）-1以下.松花江流域植被NPP随海拔的升高而增加[图 2（b）], 在海拔255 m以下, 植被NPP以200 ~ 350 g·（m2·a）-1为主, 是松花江流域植被NPP最为集中的区域, 该海拔范围下土地利用类型以耕地和草地为主；在海拔255 m以上, 植被NPP大部分位于450 g·（m2·a）-1左右, 该海拔范围下土地利用类型以林地为主.
|
图 2 2001 ~ 2020年多年平均NPP的空间格局和海拔梯度分布 Fig. 2 Spatial pattern and elevational gradient of annual NPP from 2001 to 2020 |
图 3为2001 ~ 2020年松花江流域植被NPP的年际变化趋势.松花江流域植被NPP多年平均值为411.95 g·（m2·a）-1, 且以4.13 g·（m2·a）-1的速率显著增加（P < 0.01）；然而, 植被NPP分别在2007年和2015年呈现较大幅度的下降, 主要受平均雨日降水强度低、雨日降水总量少而气温较高影响, 流域内出现了干旱的情况[图 3（a）].松花江流域各海拔梯度内植被NPP与年均NPP变化趋势一致并呈显著正相关关系（P < 0.01）, 其中R4、R3、R5、R2和R1的植被NPP均呈上升趋势, 其速率分别为5.09、4.70、4.57、4.04 g和3.65 g·（m2·a）-1.从年均值来看, R3、R5、R4、R2和R1的植被NPP均值分别为508.57、507.46、505.47、435.52和321.43 g·（m2·a）-1[图 3（b）~3（f）].近年来, 随着松花江流域生态恢复工程的实施, 流域生态环境得到改善, 因此流域内植被NPP呈提高趋势.在不同海拔区域内, 仅R1的年均NPP小于流域内总体年均NPP, 其土地利用类型主要为耕地和草地, 表明松花江流域陆地生态系统中农田生态系统和草地生态系统的NPP较低, 植被NPP高值区以R3、R4和R5为主, 其土地利用类型主要为林地.与R1和R2相比, R3 ~ R5植被NPP的标准差更大, 波动情况更加明显, 表明不同海拔梯度植被NPP变化情况具有差异性, 且高海拔地区变化幅度更大.
|
图 3 2001 ~ 2020年不同海拔梯度植被NPP年际变化趋势 Fig. 3 Annual variation trend of vegetation NPP at different altitudinal gradients from 2001 to 2020 |
松花江流域2001 ~ 2020年植被NPP与极端气候指数之间的相关系数及显著性空间分布如图 4所示.总体而言, 在相关强度方面, 与极端气温指数相比, 松花江流域植被NPP与极端降水指数之间存在更强的相关性, 相关系数较高；在显著水平方面, 松花江流域植被NPP与极端降水指数呈显著相关（P < 0.05）区域大于极端气温指数, 表明松花江流域极端降水事件对植被NPP的影响强于极端气温事件.松花江流域大部分植被NPP与极端降水事件之间呈显著正相关（P < 0.05）, 仅东南地区与极端降水事件的相关性不显著（P > 0.05）；对于极端气温事件而言, DTR和SU25部分呈现显著负相关（P < 0.05）；虽然GSL和ID0与植被NPP大部分表现为正相关关系, 但并未通过95%显著性检验.
|
图 4 极端气候指数与植被NPP的相关性和显著性 Fig. 4 Correlation and significance between extreme climate indices and vegetation NPP |
不同海拔梯度下极端气候指数与植被NPP的相关性如图 5所示.极端降水指数对植被NPP的影响主要表现为正相关, 少数区域表现为负相关；不同海拔梯度下, 极端降水事件对植被NPP的影响存在差异, R1海拔梯度与植被NPP呈正相关的比例高于R2 ~ R5海拔梯度, 其中PRCPTOT最明显, R1和R5海拔梯度PRCPTOT与植被NPP呈正相关的面积相差2×105 km2.极端降水事件对低海拔地区（R1）的促进作用最大, 中海拔地区（R2和R3）次之, 而对高海拔地区（R4和R5）植被NPP影响最小；但在高海拔地区, 极端降水指数对植被NPP的抑制作用明显强于低海拔地区, R5海拔梯度的极端降水指数与植被NPP之间呈负相关面积比例高于R1 ~ R4海拔梯度, PRCPTOT同样表现得最为明显, PRCPTOT与R1和R5海拔梯度植被NPP呈正相关的面积相差1 987 km2, 这表明极端降水事件在高海拔地区抑制作用最强, 其次是中海拔地区, 对低海拔地区植被NPP的抑制作用最弱.极端气温指数对植被NPP的影响略有差异, GSL和ID0主要促进了植被NPP的增加, 而DTR、SU25和FD0则以抑制作用为主.不同海拔梯度下, DTR和SU25对低海拔地区植被NPP有明显的抑制作用；FD0对高海拔地区植被NPP的抑制作用明显, 对低海拔地区抑制作用较弱；GSL对高海拔和低海拔地区的促进作用较为明显, 对中海拔地区的促进作用相对较弱；ID0则对低海拔地区植被NPP促进作用明显, 对中高海拔地区植被NPP的促进作用弱于低海拔地区；SU25和DTR则相反, 对高海拔区域植被NPP促进作用明显, 而在低海拔地区则表现出明显的抑制作用.
|
图 5 不同海拔梯度极端气候指数与植被NPP相关性的比例 Fig. 5 Proportion of correlation between the extreme climate indices and vegetation NPP at different altitudinal gradients |
松花江流域极端气候指数对植被NPP空间分异的影响程度如表 4所示, 极端降水指数PRCPTOT对松花江流域各海拔梯度（R1 ~ R5）植被NPP空间分异影响最大, 表明松花江流域雨日总降水量是影响植被NPP变化的主要因素.不同海拔梯度极端气温指数对松花江流域植被NPP空间分异作用存在差异, SU25在R1、R2和R5海拔梯度对植被NPP空间分异影响最大, q值分别为0.297、0.202和0.394；在R3和R4海拔梯度植被NPP空间分异受FD0和GSL影响最大, q值分别为0.302和0.283.上述分析表明, 流域内各海拔植被NPP空间分异受总降水量的影响最大；在极端气温指数方面, 海拔440 m以下和935 m以上的植被NPP受高温日数影响较大, 440 ~ 658 m的植被固碳能力受低温日数影响较大, 658 ~ 935 m的植被固碳能力受生长季长度变化影响较大.
|
|
表 4 不同海拔梯度下极端气候指数因子探测q值统计 Table 4 Detection statistics of q value of extreme climate indices factor detection at different altitudinal gradients |
极端气候指数交互作用对不同海拔梯度植被NPP的影响如图 6所示.松花江流域2001 ~ 2020年植被NPP的空间异质性是由多种极端气候因子的共同作用所导致, 单一极端气候因子并不能完全解释其空间分异特征.研究发现, 在不同海拔高度的极端气候事件交互作用均表现为双因子增强或非线性增强, 表明松花江流域不同极端气候指数之间的交互作用大于单因子作用.同时, 极端气候指数的交互作用对植被NPP空间分异性的影响具有海拔尺度效应, PRCPTOT ∩ RX5day（q = 0.522）、R10mm ∩ GSL（q = 0.533）和R95P ∩ FD0（q = 0.546）分别对R1、R2和R3海拔梯度的植被NPP空间分异性贡献最大, R95P ∩ ID0是R4（q = 0.546）和R5（q = 0.752）植被NPP空间分异性的主要影响因素.结果表明, 不同极端降水事件的交互作用是低海拔地区植被NPP空间分异的主要影响因素, 极端降水事件与极端气温事件的交互作用是中高海拔地区植被NPP空间分异的主要影响因素.
|
*为两因素交互作用结果表现为双因子增强, **为两因素交互作用结果表现为非线性增强 图 6 不同海拔梯度下极端气候指数交互探测q值统计 Fig. 6 Detection statistics of q value of extreme climate indices interactive detection at different altitudinal gradients |
基于多元回归的相对重要性分析, 本文在栅格尺度上探寻了极端气候指数对植被NPP影响的主要控制因子[图 7（a）]为：PRCPTOT（55.50%）、R10mm（11.55%）、R95P（10.94%）、SDII（10.08%）, 面积占比均超过10%.结果表明, 极端降水事件是松花江流域植被NPP的主要控制因子, 上述分析结果与2.5节研究结果一致.在不同海拔梯度下, PRCPTOT占植被NPP控制因子的比例最高, R1 ~ R5海拔梯度分别占41.27%、59.22%、72.08%、70%和66.7%[图 7（b1）].极端降水指数R10mm是R1、R4和R5海拔梯度植被NPP的第二控制因子, 面积占比分别为17.1%、8.2%和10.1%；极端降水指数R95P是R2和R3海拔梯度植被NPP的第二控制因子, 面积占比分别为13.4%和9.74%.
|
（b2）为（b1）的局部放大图 图 7 2001 ~ 2020年植被NPP主要驱动因素空间分布及面积比例 Fig. 7 Spatial distribution and proportion of primary driving factors affecting vegetation NPP from 2001 to 2020 |
植被NPP是反映陆地生态系统固碳能力的重要指标, 其时空分布特征可以在一定程度上反映研究区域植被固碳能力[38].松花江流域植被NPP在不同海拔梯度上表现出较强的时空异质性（图 2）, R1海拔梯度的植被类型以耕地和草地为主, 年均植被NPP低于研究区平均水平, 松花江流域作物熟制主要以一年一熟为主, 生产季节较短[39], 耕地生态系统较长时间处于无植被阶段, 因此年均植被NPP较低, 并在碳源汇转化过程中具有较强的不稳定性.从时间上看, 松花江流域2001 ~ 2020年总体及各海拔梯度下植被NPP均呈显著上升趋势（P < 0.01, 图 3）, 这与我国及黑龙江流域植被NPP的变化趋势一致[40, 41], 表明松花江流域对我国陆地生态系统固碳过程具有重要作用, 能够为我国实现“碳达峰碳中和”目标作出积极贡献.除R1海拔梯度外, 松花江流域其他中高海拔梯度植被NPP均高于研究区平均水平, 表明中高海拔地区植被固碳能力较强.在国家和地方政府的大力推动下, 松花江流域通过实施退耕还林还草、三北防护林等生态保护修复工程, 显著提升了植被覆盖强度[42, 43], 增强了陆地生态系统固碳作用.
3.2 植被对极端气候事件的响应极端降水指数对松花江流域植被NPP的显著性影响范围大于极端气温指数（图 4）, 表明极端降水事件是松花江流域植被NPP的主要影响因素.研究区土壤水分来源主要以生长季降水为主, 土壤含水量会直接影响研究区植被生长情况, 以降水为主导的极端气候因素成为松花江流域植被NPP变化的主要气候驱动力, 与东北地区[42]的研究结果相一致.本文以中国生态地理分区数据为基础划分了松花江流域生态地理分区[44], 松花江流域划分为2个温度带、3个干湿地区和10个自然区, 各自然区温度带、干湿地区和极端气候指数的平均正、负相关性数值见表 5.降水事件的增加可直接促进大部分地区的植被生长, 而在半干旱地区这种影响会更加敏感, 该结论在Shen等[45]的研究中得到证实.地理探测器结果表明（表 4）, 极端降水事件对研究区植被NPP的影响大于极端气温事件, 极端降水事件成为影响植被NPP空间分异的主要因素, 这一结果与He等[46]的研究相符.从全球水平看, 干旱区和半干旱区的植被NPP对极端降水比极端气温更加敏感[47].全球降水事件揭示了陆地植被NPP变化的63%, 其余为温度变化及其他环境因素导致[48].
|
|
表 5 松花江流域生态地理分区及极端气候指数相关性 Table 5 Eco-geographical regionalization and correlation of extreme climate indices in Songhua River Basin |
3.3 海拔影响下极端气候事件对植被NPP的影响
相关研究表明, 植被和海拔之间的关系及其影响因素存在区域动态差异[49, 50].随着海拔的升高, 松花江流域植被NPP呈上升趋势[图 2（b）], 表明高海拔地区植被在吸收CO2、减缓气候变化方面的作用较为突出.高海拔地区植被NPP与DTR、FD0的相关性较强, 因此在全球变暖背景下, 高海拔地区植被NPP更易受气温影响[51], 气候变暖事件有利于提高植被的光合作用, 进而提高流域内植被的碳积累.但是, 随着气候变暖而增加的植被NPP在短期内有利于植被NPP的积累, 当温度超过适宜温度阈值时, 会抑制植被的光合作用, 使植被无法适应环境快速升温而死亡, 从而导致生态系统退化甚至崩溃[52].同时, 随着气温的升高, 植物自养呼吸强度、土壤异养呼吸强度均有所增加, 生态系统碳排放量也会大幅增长, 因此定量评价生态系统碳源汇功能具有较大的不确定性[53].极端降水事件对较低海拔地区植被NPP的促进作用大于抑制作用（图 5）, 可提高生态系统的净初级生产力和碳累积, 这一结果与部分研究工作相符[37, 54].高海拔地区植被蓄水能力较低, 长期持续的极端降水会使植被根系因无氧呼吸而影响植被吸收养分, 从而影响植被的正常生长发育[55], 因此在高海拔地区极端降水事件会对植被NPP产生较大的影响（图 6和图 7）.
4 展望本文采用的植被NPP原始空间分辨率为500 m, 时间分辨率为1 a, 能够较好地分析大尺度植被NPP的年际变化特征, 若从季节和月份两个方面探讨研究区植被NPP时空演变特征和影响因素, 则需采用更高时空分辨率的植被NPP数据.在影响松花江流域植被变化的因素方面, 不仅限于极端气候事件对流域植被生长具有影响, 土壤含水量、大气CO2浓度对于流域陆地生态系统碳循环也具有重要作用[56 ~ 58].但是, 土壤含水量空间分布的不确定性, 土壤水分对土壤碳分解影响的计算方法也不尽相同, 因而土壤含水量对于植被NPP的影响值得深入探究.此外, 人为因素对流域内植被NPP的影响也很大, 由于建设用地的扩张, 土地覆盖类型的改变会对生态系统的结构产生一定的影响, 并对植被NPP产生负面影响[59, 60], 同时, 生态建设项目的实施有助于流域内植被NPP的增长[61], 因此探讨人为因素对植被固碳能力的影响同样具有重要意义.
5 结论（1）在时间上, 松花江流域及各海拔梯度下植被NPP在2001 ~ 2020年间均呈显著上升趋势, 总体增长率为4.13 g·（m2·a）-1（P < 0.01）；R1 ~ R5海拔梯度内植被NPP的变化速率分别为3.65、4.04、4.70、5.09和4.57 g·（m2·a）-1（P < 0.01）；与低海拔地区相比, 较高海拔地区植被NPP年均值的波动性更加明显.
（2）在空间上, 松花江流域植被NPP呈“四周高、中部低”的分布格局, 总体空间分布差异显著；植被NPP高值区主要分布在海拔较高的地区, 土地利用类型以林地为主, NPP低值区主要分布在低海拔地区, 土地利用类型主要为耕地和草地.
（3）不同海拔梯度下, 两种极端气候事件叠加发生对植被NPP的影响具有差异性.极端降水事件对流域植被NPP的影响大于极端气温事件, 尤其是对低海拔地区植被NPP影响更为显著, 而极端降水事件与极端气温事件的共同作用则是影响中高海拔地区植被固碳能力空间分异的主要因素.
| [1] | Liu L L, Jiang Y, Gao J B, et al. Concurrent climate extremes and impacts on ecosystems in Southwest China[J]. Remote Sensing, 2022, 14(7). DOI:10.3390/rs14071678 |
| [2] |
朱琪, 王亚楠, 周旺明, 等. 东北森林带生态脆弱性时空变化及其驱动因素[J]. 生态学杂志, 2021, 40(11): 3474-3482. Zhu Q, Wang Y N, Zhou W M, et al. Spatiotemporal changes and driving factors of ecological vulnerability in Northeast China forest belt[J]. Chinese Journal of Ecology, 2021, 40(11): 3474-3482. |
| [3] | IPCC. Climate Change 2022: mitigation of climate change[EB/OL]. https://www.ipcc.ch/report/ar6/wg3/downloads/report/IPCC_AR6_WGIII_FullReport.pdf, 2022-04-04. |
| [4] | Wu J, Han Z Y, Xu Y, et al. Changes in extreme climate events in China under 1. 5℃ -4℃ global warming targets: Projections using an ensemble of regional climate model simulations[J]. Journal of Geophysical Research: Atmospheres, 2020, 125(2). DOI:10.1029/2019JD031057 |
| [5] |
朴世龙, 张新平, 陈安平, 等. 极端气候事件对陆地生态系统碳循环的影响[J]. 中国科学: 地球科学, 2019, 62(9): 1321-1334. Piao S L, Zhang X P, Chen A P, et al. The impacts of climate extremes on the terrestrial carbon cycle: A review[J]. Science China Earth Sciences, 2019, 62(10): 1551-1563. |
| [6] |
徐勇, 黄海艳, 戴强玉, 等. 西南地区陆地植被生态系统NPP时空演变及驱动力分析[J]. 环境科学, 2023, 44(5): 2704-2714. Xu Y, Huang H Y, Dai Q Y, et al. Spatial-temporal variation of net primary productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China[J]. Environmental Science, 2023, 44(5): 2704-2714. |
| [7] | Du H B, Alexander L V, Donat M G, et al. Precipitation from persistent extremes is increasing in most regions and globally[J]. Geophysical Research Letters, 2019, 46(11): 6041-6049. DOI:10.1029/2019GL081898 |
| [8] | Iyakaremye V, Zeng G, Zhang G. Changes in extreme temperature events over Africa under 1. 5 and 2. 0℃ global warming scenarios[J]. International Journal of Climatology, 2021, 41(2): 1506-1524. DOI:10.1002/joc.6868 |
| [9] | Tan M L, Juneng L, Tangang F T, et al. Changes in temperature extremes and their relationship with ENSO in Malaysia from 1985 to 2018[J]. International Journal of Climatology, 2021, 41(S1): E2564-E2580. |
| [10] | Wang L Y, Chen S F, Zhu W B, et al. Spatiotemporal variations of extreme precipitation and its potential driving factors in China ' s North-South Transition Zone during 1960-2017[J]. Atmospheric Research, 2021, 252. DOI:10.1016/j.atmosres.2020.105429 |
| [11] |
卢珊, 胡泽勇, 王百朋, 等. 近56年中国极端降水事件的时空变化格局[J]. 高原气象, 2020, 39(4): 683-693. Lu S, Hu Z Y, Wang B P, et al. Spatio-temporal patterns of extreme precipitation events over China in recent 56 years[J]. Plateau Meteorology, 2020, 39(4): 683-693. |
| [12] | Guo Q K, Cheng S Y, Qin W, et al. Vertical variation and temporal trends of extreme precipitation indices in a complex topographical watershed in the Hengduan Mountain region, China[J]. International Journal of Climatology, 2020, 40(6): 3250-3267. DOI:10.1002/joc.6395 |
| [13] | Yan W B, He Y L, Qu X X. Elevation gradient dependence of extreme climate indices on Yunnan Plateau, China[J]. International Journal of Climatology, 2022, 42(12): 6072-6091. DOI:10.1002/joc.7578 |
| [14] | Zhao A Z, Zhang A B, Liu X F, et al. Spatiotemporal changes of normalized difference vegetation index (NDVI) and response to climate extremes and ecological restoration in the Loess Plateau, China[J]. Theoretical and Applied Climatology, 2018, 132(1-2): 555-567. DOI:10.1007/s00704-017-2107-8 |
| [15] | Cui L F, Wang L C, Qu S, et al. Spatiotemporal extremes of temperature and precipitation during 1960-2015 in the Yangtze River Basin (China) and impacts on vegetation dynamics[J]. Theoretical and Applied Climatology, 2019, 136(1): 675-692. |
| [16] |
于贵瑞, 张雪梅, 赵东升, 等. 区域资源环境承载力科学概念及其生态学基础的讨论[J]. 应用生态学报, 2022, 33(3): 577-590. Yu G R, Zhang X M, Zhao D S, et al. Discussion on the scientific concepts of regional resources and environmental carrying capacity and its ecological basis[J]. Chinese Journal of Applied Ecology, 2022, 33(3): 577-590. |
| [17] | Ren H R, Zhou G S, Zhang F. Using negative soil adjustment factor in soil-adjusted vegetation index (SAVI) for aboveground living biomass estimation in arid grasslands[J]. Remote Sensing of Environment, 2018, 209: 439-445. DOI:10.1016/j.rse.2018.02.068 |
| [18] | Xu H J, Wang X P. Effects of altered precipitation regimes on plant productivity in the arid region of northern China[J]. Ecological Informatics, 2016, 31: 137-146. DOI:10.1016/j.ecoinf.2015.12.003 |
| [19] |
刘夏, 王毅勇, 范雅秋. 气候变化情景下湿地净初级生产力风险评价-以三江平原富锦地区小叶章湿地为例[J]. 中国环境科学, 2015, 35(12): 3762-3770. Liu X, Wang Y Y, Fan Y Q. Risk assessment of net primary productivity for wetland under climate change scenario: a case study of the Calamagrostis angustifolia wetland at Fujin in Sanjiang Plain, Northeast China[J]. China Environmental Science, 2015, 35(12): 3762-3770. |
| [20] | Ndehedehe C E, Agutu N O, Ferreira V G, et al. Evolutionary drought patterns over the Sahel and their teleconnections with low frequency climate oscillations[J]. Atmospheric Research, 2020, 233. DOI:10.1016/j.atmosres.2019.104700 |
| [21] | Liao Z, Chen Y, Li W, et al. Growing threats from unprecedented sequential flood - hot extremes across China[J]. Geophysical Research Letters, 2021, 48(18). DOI:10.1029/2021GL094505 |
| [22] | Ma B X, Jing J L, Liu B, et al. Quantitative assessment of the relative contributions of climate change and human activities to NPP changes in the Southwest Karst area of China[J]. Environmental Science and Pollution Research, 2022, 29(53): 80597-80611. DOI:10.1007/s11356-022-21433-1 |
| [23] | Xu H J, Zhao C Y, Wang X P. Elevational differences in the net primary productivity response to climate constraints in a dryland mountain ecosystem of northwestern China[J]. Land Degradation & Development, 2020, 31(15): 2087-2103. |
| [24] | Wang Y H, Dai E F, Wu C S. Spatiotemporal heterogeneity of net primary productivity and response to climate change in the mountain regions of southwest China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108273 |
| [25] |
韩佶兴, 王宗明, 毛德华, 等. 1982-2010年松花江流域植被动态变化及其与气候因子的相关分析[J]. 中国农业气象, 2011, 32(3): 430-436. Han J X, Wang Z M, Mao D H, et al. Dynamic change of vegetation coverage in the Songhua River Basin and its correlation analysis with climatic factor from 1982 to 2010[J]. Chinese Journal of Agrometeorology, 2011, 32(3): 430-436. |
| [26] |
冯波, 章光新, 李峰平. 松花江流域季节性气象干旱特征及风险区划研究[J]. 地理科学, 2016, 36(3): 466-474. Feng B, Zhang G X, Li F P. Characteristics of seasonal meteorological drought and risk regionalization in Songhua River Basin[J]. Scientia Geographica Sinica, 2016, 36(3): 466-474. |
| [27] | Zhang Q, Singh V P, Li J F, et al. Analysis of the periods of maximum consecutive wet days in China[J]. Journal of Geophysical Research: Atmospheres, 2011, 116(D23). DOI:10.1029/2011JD016088 |
| [28] | Karl T R, Nicholls N, Ghazi A. Clivar/GCOS/WMO workshop on indices and indicators for climate extremes workshop summary[J]. Climatic Change, 1999, 42(1): 3-7. DOI:10.1023/A:1005491526870 |
| [29] | Peterson T C, Folland C, Gruza G, et al. Report on the activities of the working group on climate change detection and related rapporteurs 1998-2001[M]. Geneva: World Meteorological Organization, 2001. |
| [30] | Zhao M S, Running S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009[J]. Science, 2010, 329(5994): 940-943. DOI:10.1126/science.1192666 |
| [31] | Running S W, Zhao M S. User's guide daily GPP and annual NPP (MOD17A2/A3) products NASA earth observing system MODIS land algorithm[EB/OL]. https://modis-land.gsfc.nasa.gov/pdf/MOD17UsersGuide2015v3.pdf, 2015-10-07. |
| [32] | Xu X, Jiang H L, Guan M X, et al. Vegetation responses to extreme climatic indices in coastal China from 1986 to 2015[J]. Science of the Total Environment, 2020, 744. DOI:10.1016/j.scitotenv.2020.140784 |
| [33] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000-2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi province from 2000 to 2020 based on Geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [34] |
刘奕博. 基于海拔梯度的陕西省巴山景观格局分析[D]. 杨凌: 西北农林科技大学, 2022. Liu Y B. Analysis of landscape pattern of Bashan Mountain in Shaanxi province based on altitude gradient[D]. Yangling: Northwest A & F University, 2022. |
| [35] |
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. Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [36] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: Cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [37] | He Y L, Yan W B, Cai Y, et al. How does the Net primary productivity respond to the extreme climate under elevation constraints in mountainous areas of Yunnan, China?[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108817 |
| [38] |
邹娴. 基于遥感过程模型的农田NPP估算及参数敏感性研究[D]. 南京: 南京信息工程大学, 2018. Zou X. Simulation of NPP in farm lands and sensitivity analysis of parameters based on remote sensing and process-based model[D]. Nanjing: Nanjing University of Information Science and Technology, 2018. |
| [39] |
胡延斌, 肖国举, 李永平. 气候带北移及其对中国作物种植制度的影响研究进展[J]. 干旱地区农业研究, 2020, 38(3): 269-274. Hu Y B, Xiao G J, Li Y P. Research advances in northward shifting of climatic-zones and the influence on crop-planting systems in China[J]. Agricultural Research in the Arid Areas, 2020, 38(3): 269-274. |
| [40] |
石智宇, 王雅婷, 赵清, 等. 2001-2020年中国植被净初级生产力时空变化及其驱动机制分析[J]. 生态环境学报, 2022, 31(11): 2111-2123. Shi Z Y, Wang Y T, Zhao Q, et al. The spatiotemporal changes of NPP and its driving mechanisms in China from 2001 to 2020[J]. Ecology and Environmental Sciences, 2022, 31(11): 2111-2123. |
| [41] |
张乐. 黑龙江流域植被净初级生产力估算及影响因素研究[D]. 哈尔滨: 哈尔滨师范大学, 2022. Zhang L. Estimation of net primary productivity of vegetation in Heilongjiang River Basin and study on influencing factors[D]. Harbin: Harbin Normal University, 2022. |
| [42] |
石淞, 李文, 丁一书, 等. 东北地区植被时空演变及其对气候变化和人类活动的响应[J]. 中国环境科学, 2023, 43(1): 276-289. Shi S, Li W, Ding Y S, et al. Spatiotemporal evolution of vegetation and its response to climate change and human activities in Northeast China[J]. China Environmental Science, 2023, 43(1): 276-289. |
| [43] |
张良侠, 岳笑, 周德成, 等. 气候变化和人类活动对我国典型草原区植被恢复的影响[J]. 环境科学, 2023, 44(5): 2694-2703. Zhang L X, Yue X, Zhou D C, et al. Impacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [44] | Zhou L, Wang S Y, Du M Y, et al. The influence of ENSO and MJO on drought in different ecological geographic regions in China[J]. Remote Sensing, 2021, 13(5). DOI:10.3390/rs13050875 |
| [45] | Shen M G, Piao S L, Cong N, et al. Precipitation impacts on vegetation spring phenology on the Tibetan Plateau[J]. Global Change Biology, 2015, 21(10): 3647-3656. DOI:10.1111/gcb.12961 |
| [46] | He J J, Yu Y, Yu L J, et al. Impacts of uncertainty in land surface information on simulated surface temperature and precipitation over China[J]. International Journal of Climatology, 2017, 37(S1): 829-847. DOI:10.1002/joc.5041 |
| [47] | Ji Y H, Zhou G S, Luo T X, et al. Variation of net primary productivity and its drivers in China ' s forests during 2000-2018[J]. Forest Ecosystems, 2020, 7(1). DOI:10.1186/s40663-020-00229-0 |
| [48] | Pan S F, Tian H Q, Dangal S R S, et al. Impacts of climate variability and extremes on global net primary production in the first decade of the 21st century[J]. Journal of Geographical Sciences, 2015, 25(9): 1027-1044. DOI:10.1007/s11442-015-1217-4 |
| [49] | Gao M D, Piao S L, Chen A P, et al. Divergent changes in the elevational gradient of vegetation activities over the last 30 years[J]. Nature Communications, 2019, 10. DOI:10.1038/s41467-019-11035-w |
| [50] | Tao J, Xu T Q, Dong J W, et al. Elevation-dependent effects of climate change on vegetation greenness in the high mountains of southwest China during 1982-2013[J]. International Journal of Climatology, 2018, 38(4): 2029-2038. DOI:10.1002/joc.5314 |
| [51] | Wang Z Q, Wang H, Wang T F, et al. Effects of environmental factors on the changes in MODIS NPP along DEM in global terrestrial ecosystems over the last two decades[J]. Remote Sensing, 2022, 14(3). DOI:10.3390/rs14030713 |
| [52] | Sun G Q, Li L, Li J, et al. Impacts of climate change on vegetation pattern: Mathematical modeling and data analysis[J]. Physics of Life Reviews, 2022, 43: 239-270. DOI:10.1016/j.plrev.2022.09.005 |
| [53] | Wang Z Q, Cui G L, Liu X, et al. Greening of the Qinghai-Tibet plateau and its response to climate variations along elevation gradients[J]. Remote Sensing, 2021, 13(18). DOI:10.3390/rs13183712 |
| [54] | Shen M G, Piao S L, Dorji T, et al. Plant phenological responses to climate change on the Tibetan Plateau: research status and challenges[J]. National Science Review, 2015, 2(4): 454-467. DOI:10.1093/nsr/nwv058 |
| [55] |
张彬, 朱建军, 刘华民, 等. 极端降水和极端干旱事件对草原生态系统的影响[J]. 植物生态学报, 2014, 38(9): 1008-1018. Zhang B, Zhu J J, Liu H M, et al. Effects of extreme rainfall and drought events on grassland ecosystems[J]. Chinese Journal of Plant Ecology, 2014, 38(9): 1008-1018. |
| [56] | Humphrey V, Berg A, Ciais P, et al. Soil moisture-atmosphere feedback dominates land carbon uptake variability[J]. Nature, 2021, 592(7852): 65-69. DOI:10.1038/s41586-021-03325-5 |
| [57] | Green J K, Seneviratne S I, Berg A M, et al. Large influence of soil moisture on long-term terrestrial carbon uptake[J]. Nature, 2019, 565(7740): 476-479. DOI:10.1038/s41586-018-0848-x |
| [58] | Stocker B D, Zscheischler J, Keenan T F, et al. Quantifying soil moisture impacts on light use efficiency across biomes[J]. New Phytologist, 2018, 218(4): 1430-1449. DOI:10.1111/nph.15123 |
| [59] | Zhang F G, Zeng B, Cao Y, et al. Human activities have markedly altered the pattern and trend of net primary production in the Ili River Basin of Northwest China under current climate change[J]. Land Degradation & Development, 2022, 33(14): 2585-2595. |
| [60] |
李晓荣, 高会, 韩立朴, 等. 太行山区植被NPP时空变化特征及其驱动力分析[J]. 中国生态农业学报, 2017, 25(4): 498-508. Li X H, Gao H, Han L P, et al. Spatio-temporal variations in vegetation NPP and the driving factors in Taihang Mountain Area[J]. Chinese Journal of Eco-Agriculture, 2017, 25(4): 498-508. |
| [61] |
杜金燊, 于德永. 气候变化和人类活动对中国北方农牧交错区草地净初级生产力的影响[J]. 北京师范大学学报(自然科学版), 2018, 54(3): 365-372. Du J S, Yu D Y. Impacts of climate change and human activities on net primary productivity of grassland in agro-pastoral transitional zone in northern China[J]. Journal of Beijing Normal University (Natural Science), 2018, 54(3): 365-372. |