2025, Vol. 46
2. 西北大学碳中和学院, 陕西省碳中和技术重点实验室, 西安 710127;
3. 西安外国语大学旅游学院, 西安 710128
2. Shaanxi Provincial Key Laboratory of Carbon Neutrality Technology, Carbon Neutrality College(Yulin), Northwest University, Xi'an 710127, China;
3. School of Tourism, Xi'an International Studies University, Xi'an 710128, China
近些年来, 随着工业的快速发展, 人类不断向大气中排入CO2, 使大气中CO2浓度不断增加, 改变了生态系统的碳循环[1]. 陆地生态系统是大气二氧化碳（CO2）重要的汇[2], 其在过去的10 a里吸收了人类排放碳的30%[3]. 了解陆地生态系统碳源/汇的时空变化及其驱动格局分析, 对准确评估区域生态碳汇功能, 助力国家双碳目标达成具有重要意义.
净生态系统生产力（net ecosystem productivity, NEP）是定量分析陆地生态系统碳源/汇功能的一个重要指标, 是指生态系统净初级生产力（net primary productivity, NPP）扣除土壤及凋落物的异养呼吸（heterotrophic respiration, Rh）的部分, 通常以每年每平方米有多少克的碳为主要单位（以C计, g·m-2·a-1）[4].
当前NEP的研究方法主要有清查法、涡度相关分析法、大气反演法和模型模拟法等. 其中, 清查法主要是使用资源清查资料来估算生态系统碳储量的变化[2]. 例如, 汪涛等[5]使用中国植被分布图、青藏高原及其周边生物量野外调查数据和已发表的文章等资料, 对青藏高原的碳汇进行了估计. 该方法获取的生态系统碳汇结果的精度高, 但存在效率低和生态系统类型覆盖不全的缺点. 涡度相关分析法则通过特定仪器直接观测生态系统与大气之间的碳水通量[6]. 例如, 赵若男等[7]通过河北省秦皇岛市的森林生态系统观测数据, 对该地区NEP、总初级生产力（gross primary productivity, GPP）、水分利用效率（water use efficiency, WUE）的变化特征以及气象要素对碳收支过程的影响进行了分析. 该方法可以实现长时间尺度, 高精度的观测, 但存在缺失观测值、无法观测土壤碳通量等缺点. 大气反演法是指通过大气观测的CO2浓度, 结合人为排放的CO2清单, 来估算生态系统的碳汇[8]. 该方法适合在大洲及全球生态系统上进行大尺度的生态系统估算, 而对小尺度区域的估算精度会受到较大的影响. 模型法在估算生态系统碳汇时可以因地制宜地考虑多种自然和人文要素, 定量分析各因子对生态系统碳汇的贡献, 预测未来生态系统固碳潜力. 近年来, 通过研发或改进生态碳汇模型已逐渐成为评估生态系统碳汇功能变化的有力手段. 例如, 徐勇等[9]使用CASA（carnegie-ames-sanford approach）模型估算了我国西南地区五省的NEP, 发现当地NEP整体呈现上升趋势, 且主要驱动因素为降水. 李洁等[10]使用CEVSA模型估算了我国东北三省的NEP, 结果表明东北三省1961~2010年的NEP无明显的变化.
秦巴山区作为我国重要的地理分界线, 在我国生态安全格局中占据重要地位, 该区域生态碳汇功能变化如何备受关注[11]. 目前对秦巴山区的研究主要集中在秦巴山区植被变化特征、秦巴山区内局部地区的碳汇时空格局等, 而对于秦巴山区整体的碳汇时空格局及驱动力的研究相对缺失[12 ~ 15]. 基于此, 本研究通过改进CASA模型, 并使用2001~2022年秦巴山区气温和降水数据进一步计算植被NEP, 分析2001~2022年秦巴山区碳汇与各土地利用类型碳汇的历史时空动态及其驱动因素, 旨在为秦巴山区生态保护和生态修复、区域可持续发展提供科学依据.
1 材料与方法 1.1 研究区概况秦巴山区由秦岭、大巴山和汉江河谷盆地组成, 位于我国中部地区（102°21'~113°40'E, 30°43'~35°29'N）, 横跨甘肃省、陕西省、河南省、四川省、湖北省和重庆市（图 1）. 该区域海拔高差大, 气候多样且差异明显, 南部是亚热带气候, 北部为暖温带气候. 年均降水量在450~1 300 mm之间, 年均温度12~16℃[12]. 当地植被主要有暖温带落叶阔叶林及北亚热带常绿-落叶阔叶混交林. 此外, 秦巴山区还是我国重要的南北过渡区、气候敏感区和生态脆弱区[16]. 目前, 秦巴山区土地覆盖方式以林地、耕地和草地为主, 其面积占比分别为70.54%、16.05%和11.07%, 而雪地、荒地和湿地占比最小, 占比均不足0.1%.
|
图 1 研究区域地理位置及2022年土地覆盖类型分布示意 Fig. 1 Study area location and land cover distribution in 2022 |
本研究基于秦巴山区降水、气温、辐射和归一化植被指数（NDVI）来模拟当地NEP（表 1）. 其中降水、气温和辐射, 由欧洲气象中心提供（https://cds.climate.copernicus.eu）, 空间分辨率为0.1°. NDVI同样由欧洲气象中心提供, 空间分辨率为250 m, 时间跨度是2001~2022年. 土地利用数据来自CLCD. 为了便于叠加分析, 本文采用ArcGIS10.8软件将所有数据的空间分辨率重采样至250 m.
|
表 1 本研究使用数据及其来源 Table 1 Data and its sources |
1.3 研究方法 1.3.1 NPP估算
本研究基于2001~2022年的降水、气温、辐射和NDVI数据, 利用CASA模型来计算秦巴山区的NPP. CASA模型有着结构简单、所需参数易于获得且可以避免人为误差影响等优点, 已在全球范围内被广泛使用. CASA模型主要利用吸收的光合有效辐射（APAR）和光能转换率两个参数来计算植被NPP[17], 公式如下：
|
(1) |
式中, APAR表示像元x在第t月吸收的光合有效辐射量（MJ·m-2·month-1）；ε表示像元x在第t月植被的最大潜在光能利用效率. 植被的光能利用效率受周围温度和湿度的影响, 不同植物的光能利用效率的值也不相同, 它的值由森林类型决定, 因此对于特定的森林类型, 它是恒定的. 根据前人的研究, 该模型通常使用的最大潜在光能利用效率为0.389[18]. 本研究也采用该数值来进行计算植被NPP. 由于NDVI易于饱和, kNDVI对植被茂密的地区十分敏感, 更能表征山区的绿度变化[19]. 因此, NDVI数据被进一步计算为kNDVI, 表达式如下：
|
(2) |
NEP表示为NPP扣除土壤及凋落物Rh的部分, 表达式如下：
|
(3) |
式中, 如果NEP > 0, 表明生态系统固定的碳大于释放的碳, 是碳汇, 反之为碳源. Rh表示土壤异养呼吸, 本研究使用了裴志永[20]等建立的方法, 公式如下：
|
(4) |
式中, T和P分别表示像元x在t月的平均温度（℃）和总降水量（mm）.
1.3.3 NEP变化趋势分析2001~2022年秦巴山区NEP的年变化率通过线性回归模型的斜率来表示[21]. 公式如下：
|
(5) |
式中, i表示年份, 在本研究中是1~22；xi表示第i年的NEP值；n表示总年数, 在本研究中取值22. Slope表示NEP的逐像元变化斜率. 若Slope为正值时, 表明NEP呈现增加趋势, 反之, 若Slope为负值时, 表明NEP呈现减少的趋势, 且Slope越大或越小, 表明NEP的增加或减小的趋势也就越明显.
1.3.4 Mann-Kendall趋势检验Mann-Kendall趋势检验由Mann和Kendall提出, 是一个非参数检验方法, 不需要待检序列服从某一概率分布[22]. 在本研究中被用来进行显著性检验. 公式中Z值的计算方式如下[23, 24]：
|
(6) |
|
(7) |
|
(8) |
式中, sign表示显著性水平, RSEI表示随机变量. Var表示方差, n表示时间序列的长度, 在本研究中取22. 本研究在0.05的显著性水平下进行显著性检验. 当|Z|≥1.96时, 趋势显著, 否则, 趋势不显著.
1.3.5 偏相关分析和复相关分析偏相关分析是研究两个及以上变量相关关系的常用方法. 偏相关系数的取值范围在[-1, 1]之间, 偏相关系数越接近1, 表明NEP与气候因子之间呈现正相关的关系越强, 反之, 偏相关系数越接近-1, 表明NEP与气候因子之间负相关的关系越强, 公式如下：
|
(9) |
式中, rx.yz表示固定x变量, 求y和z的偏相关系数, rxy、rxz和ryz表示变量x与y、x与z、y与z的相关系数.
在本研究中复相关分析被用来探索气温、降水和太阳辐射对植被NEP的综合影响. 复相关系数的取值范围为[0, 1], 复相关系数越接近1表明气候因子对植被NEP的综合影响越大. 相反, 复相关系数越接近0表明气候因子对植被NEP的综合影响越小. 公式如下：
|
(10) |
式中, ry, 123表示y与变量1、2、3的复相关系数. ry1表示y与变量1的相关系数. ry2.1表示在控制变量1时, y与变量2的偏相关系数. ry3.12表示在控制变量1和2时, y与变量3的偏相关系数.
为了进一步表达气温、降水和辐射对秦巴山区近22 a植被NEP的变化驱动机制, 本研究结合偏相关分析和复相关分析的结果, 设立了9种气候驱动类型的分类标准（表 2）[9].
|
|
表 2 植被NEP变化气候驱动类型分类准则1） Table 2 Rules of climatic driving factors for vegetation NEP variation |
2 结果与分析 2.1 植被NPP数据适用性评价
植被NPP数据模型验证的主要方式是与前人研究和实测数据的对比[25]. 本研究采用CASA模型模拟的结果与前人基本一致（表 3）, 表明本研究在估算植被NEP上具有较强的可靠性. 而本研究NPP与模型或卫星产品的数据之间存在差异, 可能是由于选取参数的不同、计算的时间序列长短不一和研究区域的不同所产生的.
|
|
表 3 秦巴山区NPP均值汇总1） Table 3 Summary of average NPP in the Qinling-Daba Mountain area |
2.2 秦巴山区NEP年际变化
2001~2022年秦巴山区NEP呈现了微弱的波动上升趋势[P < 0.05, 图 2（a）]. 最低值出现在2001年, 为231 g·m-2·a-1（以C计, 下同）, 最高值出现在2015年, 为409 g·m-2·a-1. 秦巴山区近22 a NEP的平均值为344.77 g·m-2·a-1, 年均增长率为5%. 该区域在2003~2004年增长率最大. 从每年各NEP区间占比的变化来看, NEP < 0 g·m-2·a-1部分平稳, 无明显的变化. NEP在0~200 g·m-2·a-1这一区间略有浮动, 但所占比例较为稳定. 在200~350 g·m-2·a-1这一区间每年的比例差异开始增大[图 2（b）]. 比例变化最大的区间在NEP > 500 g·m-2·a-1处, 还能观察到这一部分在各区间中一直保持较高的比例.
|
（b）中NEP各区间的单位为g·m-2·a-1 图 2 2001~2022年秦巴山区NEP年际变化及各部分占比 Fig. 2 Interannual variations in NEP and its component proportions in the Qinling-Daba Mountain area from 2001 to 2022 |
在秦巴山区过去的22 a内, 仅有少数地区的土地利用类型发生了变动, 占比为12.2%, 主要分布在林地周围, 且主要表现为由其他土地利用类型转变为林地（图 3）. 而在土地利用类型未变化的区域中, 绝大部分区域为林地, 占比可以高达63.5%, 其次为耕地和草地, 分别占13.7%和9.6%, 其他的5种土地利用类型占比相对较小均不足1%. 为了探究不同土地利用方式的碳汇差异, 图 4统计了耕地、草地和林地等土地利用区域的NEP年际变化. 其中, 雪地、荒地和建筑用地的NEP变化平稳, 没有表现出明显上升趋势.其他土地利用类型的NEP呈现了上升的趋势. 从年平均NEP的值来看, 林地的NEP年平均值较其他土地利用类型大, 分别为429 g·m-2·a-1. 其次为灌木和土地利用类型变化区的NEP值, 分别为320和260 g·m-2·a-1. 然后是草地与耕地的NEP值, 分别为215和157 g·m-2·a-1. 秦巴山区22 a年平均NEP呈现了波动上升的趋势, 林地对于秦巴山区NEP增长的贡献率最大, 达到72%, 共贡献96 Pg的NEP（以C计, 下同）. 其次为土地利用类型转变的区域, 为14.6%, 共贡献7.4Pg的NEP. 耕地的贡献率与土地利用类型变化区域的贡献率大致一致, 为13.3%, 共贡献6.8 Pg的NEP. 草地对于秦巴山区NEP增长的贡献率为6.2%, 共贡献3.2 Pg的NEP. 灌木、水体、雪地、荒地、湿地和建筑用地的贡献率则最小.
|
图 3 2001~2022年秦巴山区土地利用类型及其面积占比 Fig. 3 Land use type map and area proportion in Qinling-Daba Mountain area from 2001 to 2022 |
|
图 4 不同土地利用类型的NEP年际变化 Fig. 4 Interannual variations in NEP for different land use types |
秦巴山区2001~2022年NEP平均值的空间变化整体上呈现东高西低的分布, 高值区主要位于秦岭和大巴山的中部与东部地区, 低值区主要位于秦岭大巴山西部的高山区、东北部和东部的平原地区、汉江流域的平原盆地地区（图 5）. 秦巴山区2001~2022年NEP平均值在空间上的变化范围为-319.7~832.7 g·m-2·a-1. 从面积占比来看, 在NEP平均值中占比最大的是350~500 g·m-2·a-1, 为37%, 主要位于中西部且NEP > 500 g·m-2·a-1区域的四周；占比最小的是 < 0 g·m-2·a-1的部分, 为4%, 呈片状分布在东部地区. NEP > 500 g·m-2·a-1的占比为19%, 主要分布在秦巴山区北部和东南部；NEP在200~350 g·m-2·a-1范围的占比为24%, 主要成片状分布在秦巴山区边缘以及中部地区；NEP在0~200 g·m-2·a-1范围的占比为16%, 主要成片状分布在西部和东部地区. 总体来看, 在过去22 a中, 秦巴山区主要为碳汇区, 但在整个区域中碳汇量最大值与最低值之间的差距较大, 高达1 152.4 g·m-2·a-1.
|
图 5 2001~2022年秦巴山区平均NEP空间分布及其面积占比 Fig. 5 Spatial distribution of average NEP and area proportion in the Qinling-Daba Mountain area from 2001 to 2022 |
秦巴山区2001~2022年NEP空间变化趋势与NEP年均分布有着较大差距, 增加区占秦巴山区总面积的75%, 总体表现为中部偏西以及东北部增加速率快[图 6（a）]. 在过去22 a中, 秦巴山区高幅度增加（大于30 g·m-2·a-1）和中等幅度增加（10~30 g·m-2·a-1）的面积占比为11%. 增幅在5~10 g·m-2·a-1的面积占比为26%, 增幅在0~5 g·m-2·a-1的面积占比为43%. 有25%地区的固碳能力呈现了下降的趋势. 从分布来看, 增加区主要分布在秦岭和大巴山海拔较低的地区, 东北部的平原地区也有成片分布. 固碳能力呈现减少趋势的地区主要分布在了秦岭和大巴山海拔高的地区, 比如秦巴山区的西部、秦岭太白山附近. 在秦岭和大巴山的山间盆地以及东南部则也呈现了减少的趋势. 从NEP变化趋势的显著性来看, 显著增加的地区主要分布在秦岭和大巴山海拔适中的地区以及东北部平原地区, 面积占比达到44%. 显著减少的地区则主要分布在人类活动的平原地区, 其面积占比为11%. NEP降低不显著地区的面积占比1%, 增加不显著地区的面积占比为44%[图 6（b）].
|
图 6 2001~2022年秦巴山区NEP变化趋势与显著性及其面积占比 Fig. 6 NEP change trend, significance, and their area proportions in the Qinling-Daba Mountain area from 2001 to 2022 |
本研究采用偏相关分析进一步研究了气候变量与NEP的相关关系, 其中, 秦巴山区的植被NEP受气温影响明显, 其次是太阳辐射, 最后为降水. 秦巴山区植被NEP与太阳辐射偏相关关系总体上呈现负相关关系, 主要集中在东北部, 秦岭太白山地区和大别山的神农架地区[图 7（a）]. NEP与降水之间主要呈现了负相关的关系, 只有在西部的少数地区植被NEP与降水呈现了正相关关系, 这表明降水抑制了秦巴山区NEP的增长[图 7（b）]. 植被NEP与气温之间只有少数地区为负相关关系, 主要分布在秦巴山区中部的河谷地区和东北以及西南部的零散平原地区. 在秦巴山区的西部、中部和东北部则为明显的正相关关系, 尤其是东北部地区, 正相关表现更加明显[图 7（c）].
|
图 7 秦巴山区植被NEP与辐射、降水、气温偏相关分析及复相关分析 Fig. 7 Partial correlation analysis and multiple correlation analysis of vegetation NEP with radiation, precipitation, and temperature in the Qinling-Daba Mountain area |
从秦巴山区的植被NEP与太阳辐射、降水和气温之间复相关关系来看, 秦巴山区的NEP总体上受气候控制, 只有较少地区受到了气候以外的因素控制[图 7（d）]. 复相关指数有着明显的空间分异. 在秦巴山区的西部、中部以及东部地区复相关指数接近于1. 相反在中部偏西、中部河谷地区、秦巴山区中部和东部的边缘地区复相关指数接近于0. 从比例来看, 降水量驱动；气温和降水量驱动；降水量和太阳辐射驱动；气温、降水量和太阳辐射强驱动这4种驱动类型的比例最低, 分别只有1%或3%. 受气温、降水量和太阳辐射弱驱动的区域最大, 占比29%, 主要分布在中东部地区, 在西部地区也有着零星分布. 其次是非气候驱动区域, 占比为41%, 主要分布在紧邻西部高海拔地区的中部偏西地区, 在中部和东部也呈现点状分布. 单独受气温驱动的地区面积也较大, 占比为12%, 主要分布在海拔较高的西部, 秦岭太白山地区和大别山的神农架地区. 单独受太阳辐射驱动的地区占比为10%, 在中部向东北部过度地区成片分布. 受气温和太阳辐射驱动的地区占比为3%, 错落分布在受气温驱动的地区（图 8）.
|
图 8 2001~2022年秦巴山区气候驱动类型分布图及其面积占比 Fig. 8 Climate driving types distribution and their area proportions in the Qinling-Daba Mountain area from 2001 to 2022 |
从不同土地利用类型上看, 各土地利用类型总体上都会受到太阳辐射因素正面的影响, 尤其是荒地和雪地两种土地利用类型. 其次受影响大的为气温, 除水体、雪地、荒地和建筑用地, 其他6种土地利用类型区域均表现出正相关的关系. 尤其为森林、灌木、草地和土地利用类型变化的区域. 相反, 各土地利用类型受到降水因素影响的程度则较小, 偏相关系数平均值仅为-0.01, 其中仅有灌木、草地和耕地表现出了降水对其为正面影响, 其他均为负面影响（图 9）.
|
图 9 不同土地利用类型的气候因子的偏相关关系值 Fig. 9 Partial correlation values of climate factors for different land use types |
综上, 秦巴山区的植被NEP主要受到了气候因子的控制, 气候因子对NEP的增长有着双面作用, 部分地区各气候因子与植被NEP为正相关关系, 起促进作用, 也有一些地区各气候因子与植被NEP则为负相关关系, 表现为抑制作用. 在3种气候因子中, 温度和太阳辐射对植被NEP在空间上主要为正相关关系, 而降水对植被NEP在空间上主要为负相关关系. 单因子对植被NEP的作用不如多因子作用, 单因子驱动的地区占比为24%, 而多因子驱动的地区占比为36%, 这表明秦巴山区NEP变化是多重因子共同作用的结果.
3 讨论 3.1 NEP变化分析秦巴山区近22 a NEP整体呈现缓慢上升的趋势, 这可能与秦巴山区的生态功能区、省级自然保护区和国家级自然保护区面积及其森林面积在进入21世纪后不断增加有关[30]. 而退耕还林等生态修复工程会对生态系统碳汇产生影响[31]. 秦巴山区森林占比可以达到全区总面积的71%, 森林年龄会直接影响NEP的数量和变化趋势[32]. 一般情况下, 随着森林年龄的增加, 森林的碳汇能力先提高后减弱, NEP在森林幼龄时迅速增加, 森林达到40左右的林龄时, 其NEP也会达到了顶峰, 进入老龄后由于总初级生产力和自养呼吸的下降, 导致了NEP的降低[33]. 秦巴山区的生态修复工程及政策主要集中出现在21世纪以后, 新增加的森林较年幼, 而原有森林的年龄较大, 所以秦巴山区NEP增长率低和部分地区碳汇能力下降有树龄较大的原因.
3.2 气候变化与人类活动对NEP的影响秦巴山区NEP空间分布呈现出中部和东部高、西部和东北部低的分布规律（图 5）. 植被NEP与气候因子关系十分的紧密, 而气候因子又可以通过实际的蒸散发来体现[34]. 当气候干旱时, 实际的蒸散量主要受到了降水的影响, 相反当降水充足时, 实际的蒸散量则主要受到气温的影响[12]. 在秦巴山区西北部, 气候为温带大陆性气候, 降水少, 土壤含水量少, 气温也较低, 相应地实际的蒸散量也就减少, 从而导致植被NEP较低[35]. 对于西部植被NEP的低值区, 则可能由于海拔高, 坡度陡, 气温低, 降水少且不易被土壤吸收, 当地环境不利于植被的生长所致[36].
相比于气候, 人类不合理活动则会对植被碳汇产生负面影响[37]. 在秦巴山区东北部、东部少数地区、汉中盆地地区的植被NEP也为低值区. 这些区域人口增多, 城市向外扩张, 土地不合理利用, 从而使林地、草地和耕地减少, 植被固碳能力下降 [30]. 而在中部秦岭和大巴山区, 植被NEP高, 植被的碳汇能力强.
3.3 土地利用类型对NEP的影响不同土地利用类型的NEP存在显著差异（图 4）, 可能是由于不同土地利用类型有其各自的生物多样性、水循环模式和生态系统功能[38]. 以植被为主导的土地利用类型, 包括林地、草地、灌木、农田和湿地具有着较高的固碳潜力和碳汇功能[39]. 土地利用变化会在短期内改变生态系统的结构与功能[40, 41], 并影响区域固碳能力[42, 43], 本研究显示秦巴山区土地利用变化主要体现在其他土地利用类型向林地的转变, 也导致了区域整体植被NEP的显著上升, 这与他人的研究相一致[44, 45].
4 结论（1）秦巴山区近22 a植被NEP平均值为344.77 g·m-2·a-1, 年均增长率为5%, 呈现东高西低的分布, 其中高值区主要位于秦岭和大巴山的中部与东部地区, 低值区主要位于秦岭大巴山西部的高山区、东北部和东部的平原地区、汉江流域的平原盆地地区.
（2）秦巴山区在过去22 a内有12.2%地区的土地利用类型发生了变化, 且主要表现为其他土地利用类型转变为林地. 秦巴山区的耕地、草地、林地和土地利用变化区域的NEP呈现波动上升趋势. 灌木、雪地、荒地、水体和建筑用地的NEP变化平稳.
（3）秦巴山区整体植被NEP和各土地利用类型的NEP与气温和太阳辐射正相关, 而与降水负相关.秦巴山区植被NEP变化有60%的贡献来自于气候因子波动, 同时部分区域也受人类活动影响.
致谢: 感谢张百平教授及其团队提供的秦巴山区边界数据, 使本研究得以顺利完成.
| [1] |
朴世龙, 岳超, 丁金枝, 等. 试论陆地生态系统碳汇在"碳中和"目标中的作用[J]. 中国科学: 地球科学, 2022, 65(7): 1419-1426. Piao S L, Yue C, Ding J Z, et al. Perspectives on the role of terrestrial ecosystems in the 'carbon neutrality' strategy[J]. Science China Earth Sciences, 2022, 65(6): 1178-1186. |
| [2] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: Methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [3] | Friedlingstein P, O'Sullivan M, Jones M W, et al. Global carbon budget 2020[J]. Earth System Science Data, 2020, 12(4): 3269-3340. DOI:10.5194/essd-12-3269-2020 |
| [4] |
周怡婷, 严俊霞, 刘菊, 等. 2000~2021年黄土高原生态分区NEP时空变化及其驱动因子[J]. 环境科学, 2024, 45(5): 2806-2816. Zhou Y T, Yan J X, Liu J, et al. Spatio-temporal variation of NEP in ecological zoning on the Loess Plateau and Its driving factors from 2000 to 2021[J]. Environmental Science, 2024, 45(5): 2806-2816. |
| [5] |
汪涛, 王晓昳, 刘丹, 等. 青藏高原碳汇现状及其未来趋势[J]. 中国科学: 地球科学, 2023, 66(7): 1506-1516. Wang T, Wang X Y, Liu D, et al. The current and future of terrestrial carbon balance over the Tibetan Plateau[J]. Science China Earth Sciences, 2023, 66(7): 1493-1503. |
| [6] | Baldocchi D, Falge E, Gu L H, et al. FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities[J]. Bulletin of the American Meteorological Society, 2001, 82(11): 2415-2434. DOI:10.1175/1520-0477(2001)082<2415:FANTTS>2.3.CO;2 |
| [7] |
赵若男, 甄晓菊, 张弥, 等. 沿海城市落叶阔叶林碳收支特征及影响因素分析[J]. 环境科学与技术, 2023, 46(9): 148-158. Zhao R N, Zhen X J, Zhang M, et al. Carbon flux variation characteristics and carbon sequestration analysis of deciduous broadleaf forest in a coastal city[J]. Environmental Science & Technology, 2023, 46(9): 148-158. |
| [8] | Gurney K R, Law R M, Denning A S, et al. Towards robust regional estimates of CO2 sources and sinks using atmospheric transport models[J]. Nature, 2002, 415(6872): 626-630. DOI:10.1038/415626a |
| [9] |
徐勇, 黄雯婷, 郭振东, 等. 2000—2020年我国西南地区植被NEP时空变化及其驱动因素的相对贡献[J]. 环境科学研究, 2023, 36(3): 557-570. Xu Y, Huang W T, Guo Z D, et al. Spatio-temporal variation of vegetation net ecosystem productivity and relative contribution of driving forces in southwest China from 2000 to 2020[J]. Research of Environmental Sciences, 2023, 36(3): 557-570. |
| [10] |
李洁, 张远东, 顾峰雪, 等. 中国东北地区近50年净生态系统生产力的时空动态[J]. 生态学报, 2014, 34(6): 1490-1502. Li J, Zhang Y D, Gu F X, et al. Temporospatial variations in net ecosystem productivity in Northeast China since 1961[J]. Acta Ecologica Sinica, 2014, 34(6): 1490-1502. |
| [11] |
邓晨晖, 白红英, 高山, 等. 秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应[J]. 自然资源学报, 2018, 33(3): 425-438. Deng C H, Bai H Y, Gao S, et al. Spatial-temporal variation of the vegetation coverage in Qinling Mountains and its dual response to climate change and human activities[J]. Journal of Natural Resources, 2018, 33(3): 425-438. |
| [12] |
李金珂, 杨玉婷, 张会茹, 等. 秦巴山区近15年植被NPP时空演变特征及自然与人为因子解析[J]. 生态学报, 2019, 39(22): 8504-8515. Li J K, Yang Y T, Zhang H R, et al. Spatio-temporal variations of net primary productivity and its natural and human factors analysis in Qinling-Daba Mountains in the past 15 years[J]. Acta Ecologica Sinica, 2019, 39(22): 8504-8515. |
| [13] |
李登科, 范建忠, 董金芳. 1981~2000年陕西省植被净初级生产力时空变化[J]. 西北植物学报, 2011, 31(9): 1873-1877. Li D K, Fan J Z, Dong J F. Spatial and temporal patterns of net primary productivity from 1981 to 2000 in Shaanxi Province[J]. Acta Botanica Boreali-Occidentalia Sinica, 2011, 31(9): 1873-1877. |
| [14] |
李佳宇, 姚永慧, 刘俊杰, 等. 秦巴山地典型垂直带带幅变化分析[J]. 自然保护地, 2023, 3(2): 12-25. Li J Y, Yao Y H, Liu J J, et al. Variation analysis of the typical altitudinal belt width in the Qinling-Daba Mountains[J]. Natural Protected Areas, 2023, 3(2): 12-25. |
| [15] | Yao Y H, Hu Y F, Kou Z X, et al. Spatial patterns of Pinus tabulaeformis and Pinus massoniana forests in Qinling-Daba Mountains and the boundary of subtropical and warm temperate zones[J]. Journal of Geographical Sciences, 2020, 30(9): 1523-1533. DOI:10.1007/s11442-020-1797-5 |
| [16] |
章金城, 周文佐. 2006—2015年秦巴山区植被光合有效辐射吸收比例的时空变化特征[J]. 生态学杂志, 2019, 38(5): 1453-1463. Zhang J C, Zhou W Z. Spatial-temporal changes of fraction of absorbed photosynthetically active radiation in Qinling-Daba Mountains from 2006 to 2015[J]. Chinese Journal of Ecology, 2019, 38(5): 1453-1463. |
| [17] | Yu Y Y, Li J, Zhou Z X, et al. Estimation of the value of ecosystem carbon sequestration services under different scenarios in the central China (the Qinling-Daba Mountain area)[J]. Sustainability, 2019, 12(1). DOI:10.3390/su12010337 |
| [18] | Liu S N, Zhou T, Wei L Y, et al. The spatial distribution of forest carbon sinks and sources in China[J]. Chinese Science Bulletin, 2012, 57(14): 1699-1707. DOI:10.1007/s11434-012-4998-1 |
| [19] | Wang Q, Moreno-Martínez Á, Muñoz-Marí J, et al. Estimation of vegetation traits with kernel NDVI[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 195: 408-417. DOI:10.1016/j.isprsjprs.2022.12.019 |
| [20] | Pei Z Y, Ouyang H, Zhou C P, et al. Carbon balance in an alpine steppe in the Qinghai-Tibet Plateau[J]. Journal of Integrative Plant Biology, 2009, 51(5): 521-526. DOI:10.1111/j.1744-7909.2009.00813.x |
| [21] |
曹云, 张称意, 孙应龙, 等. 2000—2020年华北地区植被固碳能力时空变化特征及其气象影响分析[J]. 生态学报, 2023, 43(9): 3488-3499. Cao Y, Zhang C Y, Sun Y L, et al. Spatial and temporal patterns of carbon sequestration and their responses to climatic factors in North China from 2000 to 2020[J]. Acta Ecologica Sinica, 2023, 43(9): 3488-3499. |
| [22] |
吴健生, 罗可雨, 赵宇豪. 深圳市近20年城市景观格局演变及其驱动因素[J]. 地理研究, 2020, 39(8): 1725-1738. Wu J S, Luo K Y, Zhao Y H. The evolution of urban landscape pattern and its driving forces of Shenzhen from 1996 to 2015[J]. Geographical Research, 2020, 39(8): 1725-1738. |
| [23] | Mallick J, Talukdar S, Alsubih M, et al. Analysing the trend of rainfall in Asir region of Saudi Arabia using the family of Mann-Kendall tests, innovative trend analysis, and detrended fluctuation analysis[J]. Theoretical and Applied Climatology, 2020, 143(1): 823-841. |
| [24] | Nguyen H M, Ouillon S, Vu V D. Sea level variation and trend analysis by comparing Mann–Kendall test and innovative trend analysis in front of the Red River Delta, Vietnam (1961–2020)[J]. Water, 2022, 14(11). DOI:10.3390/w14111709 |
| [25] |
周伟, 何顺兵, 杨晗, 等. 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[J]. 山地学报, 2018, 36(1): 13-22. Zhou W, He S B, Yang H, et al. Dynamic changes of carbon source and sink in different grassland communities in three gorges reservoir area based on BIOME-BGC model[J]. Mountain Research, 2018, 36(1): 13-22. |
| [26] |
王娟, 卓静, 何慧娟, 等. 2000-2013年秦岭林区植被净初级生产力时空分布特征及其驱动因素[J]. 西北林学院学报, 2016, 31(5): 238-245. Wang J, Zhuo J, He H J, et al. Changes of vegetation net primary productivity and Its driving factors from 2000 to 2013 in Qinling Mountainous Area[J]. Journal of Northwest Forestry University, 2016, 31(5): 238-245. DOI:10.3969/j.issn.1001-7461.2016.05.39 |
| [27] |
石志华, 刘梦云, 吴健利, 等. 基于CASA模型的陕西省植被净初级生产力时空分析[J]. 水土保持通报, 2016, 36(1): 206-211. Shi Z H, Liu M Y, Wu J L, et al. Spatial-temporal analysis of vegetation net primary productivity in Shaanxi Province based on CASA model[J]. Bulletin of Soil and Water Conservation, 2016, 36(1): 206-211. |
| [28] |
仲晓春, 陈雯, 刘涛, 等. 2001~2010年中国植被NPP的时空变化及其与气候的关系[J]. 中国农业资源与区划, 2016, 37(9): 16-22. Zhong X C, Chen W, Liu T, et al. Spatial and temporal change of vegetation net primary productivity and its relationship with climate from 2001 to 2010 in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(9): 16-22. |
| [29] |
刘刚, 孙睿, 肖志强, 等. 2001—2014年中国植被净初级生产力时空变化及其与气象因素的关系[J]. 生态学报, 2017, 37(15): 4936-4945. Liu G, Sun R, Xiao Z Q, et al. Analysis of spatial and temporal variation of net primary productivity and climate controls in China from 2001 to 2014[J]. Acta Ecologica Sinica, 2017, 37(15): 4936-4945. |
| [30] |
尹力, 魏伟, 薄立明, 等. 秦巴山区国土空间格局演变特征及驱动力分析[J]. 水土保持学报, 2024, 38(2): 278-293. Yin L, Wei W, Bo L M, et al. Analysis on the evolution characteristics and driving forces of territorial space pattern in the Qinling-Daba Mountain Area[J]. Journal of Soil and Water Conservation, 2024, 38(2): 278-293. |
| [31] | 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. |
| [32] | Xu H, Yue C, Zhang Y, et al. Forestation at the right time with the right species can generate persistent carbon benefits in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2023, 120(41). DOI:10.1073/pnas.2304988120 |
| [33] | Shang R, Chen J M, Xu M Z, et al. China's current forest age structure will lead to weakened carbon sinks in the near future[J]. The Innovation, 2023, 4(6). DOI:10.1016/j.xinn.2023.100515 |
| [34] | Jung M, Reichstein M, Ciais P, et al. Recent decline in the global land evapotranspiration trend due to limited moisture supply[J]. Nature, 2010, 467(7318): 951-954. DOI:10.1038/nature09396 |
| [35] |
李晓娟, 张美玲, 曹瑞红, 等. 基于CENTURY模型的甘肃草地固碳潜力对气候因子和二氧化碳浓度升高的响应[J]. 国土与自然资源研究, 2023(5): 79-83. Li X J, Zhang M L, Cao R H, et al. Response of grassland carbon sequestration potential to climate factors and increased carbon dioxide concentration in Gansu Province based on CENTURY model[J]. Territory & Natural Resources Study, 2023(5): 79-83. |
| [36] |
李红英, 张存桂, 汪生珍, 等. 近40年青藏高原植被动态变化对水热条件的响应[J]. 生态学报, 2022, 42(12): 4770-4783. Li H Y, Zhang C G, Wang S Z, et al. Response of vegetation dynamics to hydrothermal conditions on the Qinghai-Tibet Plateau in the last 40 years[J]. Acta Ecologica Sinica, 2022, 42(12): 4770-4783. |
| [37] | Wu X C, Liu H Y, Li X Y, et al. Higher temperature variability reduces temperature sensitivity of vegetation growth in Northern Hemisphere[J]. Geophysical Research Letters, 2017, 44(12): 6173-6181. DOI:10.1002/2017GL073285 |
| [38] | Du X, Jian J S, Du C, et al. Conservation management decreases surface runoff and soil erosion[J]. International Soil and Water Conservation Research, 2022, 10(2): 188-196. DOI:10.1016/j.iswcr.2021.08.001 |
| [39] |
胡佶熹, 勒先文, 徐勇. 基于FLUS模型多情景土地利用变化对陆地生态系统碳储量影响——以江西萍乡为例[J]. 水土保持研究, 2024, 31(2): 299-309. Hu J X, Le X W, Xu Y. Estimating terrestrial eco-system carbon stock changes caused by multi-scenarios land-use changes based on the FLUS model——a case study of Pingxiang, Jiangxi[J]. Research of Soil and Water Conservation, 2024, 31(2): 299-309. |
| [40] | Zhang Z Y, Liu Y F, Wang Y H, et al. What factors affect the synergy and tradeoff between ecosystem services, and how, from a geospatial perspective?[J]. Journal of Cleaner Production, 2020, 257. DOI:10.1016/j.jclepro.2020.120454 |
| [41] | Gomes E, Inácio M, Bogdzevič K, et al. Future land-use changes and its impacts on terrestrial ecosystem services: A review[J]. Science of the Total Environment, 2021, 781. DOI:10.1016/j.scitotenv.2021.146716 |
| [42] | Li C J, Fu B J, Wang S, et al. Drivers and impacts of changes in China's drylands[J]. Nature Reviews Earth & Environment, 2021, 2(12): 858-873. |
| [43] | Fang J Y, Yu G R, Liu L L, et al. Climate change, human impacts, and carbon sequestration in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4015-4020. |
| [44] |
李威, 黄玫, 张远东, 等. 中国国家森林公园碳储量及固碳速率的时空动态[J]. 应用生态学报, 2021, 32(3): 799-809. Li W, Huang M, Zhang Y D, et al. Spatial-temporal variations of carbon storage and carbon sequestration rate in China's national forest parks[J]. Chinese Journal of Applied Ecology, 2021, 32(3): 799-809. |
| [45] |
郑聚锋, 程琨, 潘根兴, 等. 关于中国土壤碳库及固碳潜力研究的若干问题[J]. 科学通报, 2011, 56(26): 2162-2173. Zheng J F, Cheng K, Pan G X, et al. Perspectives on studies on soil carbon stocks and the carbon sequestration potential of China[J]. Chinese Science Bulletin, 2011, 56(35): 3748-3758. |