2023, Vol. 44
碳源和碳汇的收支情况, 是气候变化研究的主要焦点之一.在草地生态系统碳收支的计算上, 大多采用净初级生产力(NPP)和净生态系统生产力(NEP)这两个表征碳收支过程的重要指标, 而NEP更代表生态系统碳收支[1, 2].因而本研究中为探讨甘肃省草地碳收支的情况, 选取NEP为研究指标对甘肃草地碳源碳汇的变化进行探究.净生态系统生产力是研究碳收支的重要指标, 是反映碳源碳汇的关键, 对识别和调节生态过程极为重要[3].在全球气候不断变化的过程中, 为实现低碳可持续发展, 我国推出碳达峰和碳中和的理念, 预示着未来我国在降碳减碳的进程中会有重大变化, 是绿色低碳发展的关键[4, 5].碳中和是我国未来绿色低碳发展的目标, 森林和草原生态系统的碳汇能力是实现碳中和的主要对象, 本研究中将对草地碳汇的变化进行探讨.
草地具有降低水土流失和调节大气CO2浓度等作用, 有效利用草地, 不仅可增加生产力, 还有助于增强草地碳汇功能[6].有研究表明, 植被的固碳潜力较好[7], 且不同的植被类型(森林、草地、灌木、湿地和耕地)在固碳方面有所差别[8], 其中草地生态系统对气候变化较为敏感, 仅次于森林生态系统.目前对草地碳收支的研究主要集中在区域空间和草地类型, 揭示碳收支和影响因素之间的关系, 以及人类活动对草地碳收支的影响等方面[9].随着研究的深入, 更多的学者开始着重研究青藏高原、甘南高原和黄土高原等生态系统敏感区的碳收支变化[10, 11].刘洋洋等[12]结合CASA模型从植被类型和气候地形因素对黄土高原草地净初级生产力(NPP)的变化进行探讨.因气候变化的影响, 在减排降碳方面任务艰巨, 为取得在不同情景下未来碳排放趋势, 张阳等[5]自设8种情景对内蒙古未来碳排放的变化趋势进行研究; 蔡博峰等[13]以联合国政府间气候变化专门委员会(IPCC)SSPs数据为基础, 探讨2020~2060年CO2的排放路径及情景模拟, 以更好地对碳达峰、碳中和进行研究.
甘肃省天然草地资源丰富, 拥有草地1 564.83万hm2, 占甘肃省总草地面积的87.42%, 主要分布在甘南高原、祁连山地、河西走廊和北部草原一带, 对实现碳中和有推动作用.甘肃天然草地可认为是全国草地类型的缩影[14], 但由于气候变化和人类过度放牧等活动的影响, 导致草地出现不同程度的退化, 使得草地碳储量降低[15, 16].本研究利用不同气候情景数据驱动Daycent模型, 模拟2015~2100年甘肃草地生态系统碳收支未来的时空特征和影响因素, 以便更好地了解甘肃草地生态系统在碳汇和固碳方面的能力.
1 材料与方法 1.1 研究区概况甘肃省位于中国西北地区, 在黄土高原、青藏高原和内蒙古高原的交汇处, 东西长1 655 km, 南北宽530 km, 地势复杂, 海拔由西南向东北递减.甘肃省年均气温0~15℃, 温差较大, 年降水量36.6~734.9 mm.甘肃省草地面积有1 790万hm2(图 1).
|
图 1 甘肃省气象站点分布示意 Fig. 1 Distribution of meteorological stations in Gansu Province |
本研究共有100个实测站点数据, 其中65个实测站点来自2005~2006年全国草原监测数据[17], 35个实测站点数据来自野外实测(图 2).
|
图 2 甘肃省实测站点区域分布 Fig. 2 Regional distribution of measured stations in Gansu Province |
野外实测于2022年6~7月在甘肃省张掖市进行, 根据气候类型和草地类型特点, 取5 m×5 m的样地对灌木丛采用样方收获法, 选取样地各类生长适中的灌木为标准株, 分为大、中、小共3类, 分别计算其株数, 对每类标准株地上和地下部分分别挖取, 除去表面泥土砾石后进行分装存放, 称鲜重, 后带回实验室杀青烘干, 称其干重, 计算地上和地下生物量(每类3个重复).在5 m×5 m的大样地中取0.5 m×0.5 m小样地获取草甸或草丛类生物量, 采用刈割法, 将样地内地上绿色植被齐地剪下, 地下部分用根钻(直径6.8 cm, 高度10 cm)挖取, 并用小于或等于2 mm的筛子将根系过滤清洗, 去除表面的泥土等杂物后称其鲜重, 称后装进纸封袋存放, 带回实验室杀青烘干后称重, 计算地上和地下生物量(每类3个重复).
1.2.2 不同气候情景数据在CMIP6模式数据中选取2000~2014年日值数据作为Daycent模型模拟的基础数据.CMIP6 SSP系列气候情景数据来自https://data.ceda.ac.uk/badc/cmip6/data/.采用CMIP6 SSP情景系列中的SSP245和SSP585气候情景的日值数据[日最高温(℃)、日最低温(℃)和日降雨量(mm)], 时间尺度为2015~2100年.在CMIP6中, SSP245表示中等排放情景, SSP585表示高排放情景, SSP则描述了在没有气候变化或气候政策干预的情况下未来发展的情景[18].
1.2.3 土壤数据从世界土壤数据库(HWSD) (http://www.fao.org/soils-portal/soil-survey/soil-maps-and-databases/)下载草地土壤数据.主要包括土壤质地(包括黏粒、粉粒和砂粒的含量)、土壤容重、土壤萎蔫系数、土壤pH值和田间持水量等信息.
1.3 Daycent模型本研究使用Daycent模型[19], 该模型是一种基于过程的生物地球化学模型, 是在Century模型的基础上不断改进、更新过来的以“日”为步长的Century模型, 最开始是用来模拟大气、植被和土壤中的碳、氮、磷等元素的变化, 经过不断地优化演变, 被运用于各地区的草地、森林和农田等生态系统的研究中[20], 在气候变化和人类活动对生态系统碳收支的研究中也被广泛应用[21, 22].该模型主要输入每日温度、降水、土壤容重、砂砾和水分含量等参数, 在DOS模式下进行操作.
1.4 碳收支的估算本研究中, NPP的模拟可利用Daycent模型得出, 草地碳收支净生态系统生产力(NEP)由净初级生产力(NPP)和土壤呼吸(Rh)进行估算:
|
(1) |
式中, Rh的计算方法是采用刘春雨等[23]提出的估算模型, 可通过温度和降水数据进行计算, 计算公式为:
|
(2) |
式中, T为年均温度, P为年均降水量.
1.5 相关性分析本研究利用Pearson相关分析对甘肃草地NEP和气温、降水的相关程度进行探讨, 进而揭示在不同的空间尺度上草地碳收支和气候因子的相关性.
1.6 趋势分析Theil-Sen median (SNEP)估计与线性回归相似, 但其具有更高的精确度, 主要用于对时间序列变化进行量化, 计算序列的中值来减少干扰[24].Mann-Kendall (M-K方法) 趋势分析属于非参数检验[25], 不需要特定的概率分布, 也不会受到异常值的影响.本研究中, 将SNEP估计和M-K显著性检验利用ArcGIS软件对结果进行叠加分析, 将结果变化分为3个等级, 如表 1所示.
|
表 1 甘肃草地碳收支变化趋势 Table 1 Change degree of grassland carbon budget in Gansu Province |
2 结果与分析 2.1 Daycent模型的验证
将2005年NPP实测值作为校准数据和模拟数据做线性回归, 如图 3所示, 模型模拟的部分地区的值偏高, 但总体来说, 模拟效果较好, R2=0.84, 这表明Daycent模型的参数化较为合理, 可以用该模型来模拟不同气候情景下甘肃草地碳收支.
|
图 3 甘肃省NPP实测值与模拟值线性回归分析 Fig. 3 Linear regression analysis of measured and simulated NPP values in Gansu Province |
为进一步验证Daycent模型模拟数据的可靠性, 通过模型模拟值和实测值的标准误差来分析模拟2022年张掖市草地NPP和野地实测数据之间的误差分布情况.如图 4所示, SSP585气候情景下草地NPP平均值高于SSP245气候情景, 在SSP585情景下, 草地NPP模拟值和实测值的平均值(以C计, 下同)相差不大, 分别为410.89 g ·(m2 ·a)-1和336.64 g ·(m2 ·a)-1, 实测值总体标准差和模拟值总体标准差差距不大, 分别为194.90 g ·(m2 ·a)-1和193.16 g ·(m2 ·a)-1, 但模拟值的波动程度小于实测值; 在SSP245气候情景下, 草地NPP实测值和模拟值的平均变化分别为271.15 g ·(m2 ·a)-1和327.72 g ·(m2 ·a)-1, 总体标准差分别为181.05g ·(m2 ·a)-1和113.82 g ·(m2 ·a)-1, 即该情景下草地NPP的模拟值比实测值的离散程度及波动范围小.在SSP245和SSP585气候情景下, 草地NPP实测值和模拟值的标准误差分别是8.92 g ·(m2 ·a)-1和10.71 g ·(m2 ·a)-1, 则表明SSP245气候情景下草地NPP的模拟值和实测值之间的差异很小且拟合程度比SSP585情景好.
|
纵坐标表示草地NPP实测值与模拟值的平均值; 误差棒指实测值与模拟值的标准误差 图 4 不同气候情景下草地NPP误差 Fig. 4 Errors of grassland NPP under different climate conditions |
用Daycent模型模拟2015~2100年甘肃草地碳收支的年际变化, 结果表明甘肃草地NEP在SSP245和SSP585气候情景下年均变化的范围分别在462.11~681.87 g ·(m2 ·a)-1和565.02~791.20 g ·(m2 ·a)-1之间.SSP245情景下草地NEP的年际平均为604.53 g ·(m2 ·a)-1, 在2015年草地NEP达到最低, 为462.11 g ·(m2 ·a)-1, SSP585情景下模拟的年际平均草地NEP为679.17 g ·(m2 ·a)-1.如图 5所示, 2015~2100年期间, 草地NEP在SSP245气候情景下以-0.20 g ·(m2 ·a)-1 (P=0.15)的速率下降, SSP585气候情景下以1.36 g ·(m2 ·a)-1 (P < 0.01)的速率显著波动上升, 即甘肃草地NEP的年际变化的过程中, 因气候情景的不同也在不同程度地变化, 且随着气候情景的变化速率逐渐上升, 导致草地NEP逐渐上升, 草地碳汇功能逐渐增加(SSP245 < SSP585).
|
表示SSP245气候情景下草地NEP斜率; slopeSSP585表示SSP585气候情景下草地NEP斜率 图 5 不同气候情景下2015~2100年甘肃草地NEP的时间动态变化 Fig. 5 Temporal dynamic changes in grassland NEP in Gansu Province from 2015 to 2100 under different climate conditions |
甘肃地区草地NEP格局变化如图 6所示, 均呈现由西北向东南递增的分布规律, 且在基准期、SSP245和SSP585情景下NEP的范围分别为70.74~1 412.94、63.53~1 461.52和83.27~1 547.92 g ·(m2 ·a)-1.受地理位置的影响, 西北地区祁连山地、河西走廊和北山一带主要以荒漠、荒漠草原和沙漠为主, 所以此部分地区为草地NEP值低值区.将SSP245和SSP585气候情景下模拟的草地NEP分布与基准期相比, 变化并不明显, 但在甘南高原和陇南山地草地NEP逐渐上升, 主要原因是每个时期的温度和降水变化不同, 呈SSP585>SSP245>基准期的趋势[26].
|
图 6 甘肃草地NEP的空间动态变化 Fig. 6 Spatial dynamics of grassland NEP in Gansu Province slopeSSP245 |
在SSP245和SSP585两种情景下, 祁连山地草地NEP占甘肃草地总NEP的11.4%(SSP245)和11.3%(SSP585); 河西走廊草地NEP占甘肃草地总NEP的21.2%(SSP245)和20.2%(SSP585); 黄土高原地区草地NEP占甘肃草地总NEP的57.1%和56.1%; 陇南山地NEP占甘肃草地总NEP的11.6%(SSP245)和11.1%(SSP585); 甘南高原占甘肃草地总NEP的8.4%(SSP245)和10.6%(SSP585).黄土高原在甘肃的面积较大, 包含庆阳、平凉、临夏、定西和天水部分地区, 因此草地NEP占比较大; 甘南高原草地NEP占比在SSP245和SSP585对比下, 差异比其他区大.在各地形区域中, 草地NEP的面积占比在不同气候情景下差异不是很大, 即使NEP差异各有不同, 但每个地区均处于碳汇状态.
2.4 不同气候情景下草地碳收支与气候因子的相关性变化不同气候情景下草地碳收支和温度相关性的空间分布状况如图 7.在SSP245气候情景下, 草地碳收支主要分布在陇东黄土高原(环县和华池)、天水、岷县和永昌等地, 与温度呈显著正相关关系, 在甘南高原部分地区呈不显著正相关性; 草地碳收支和温度显著负相关区域主要分布在祁连山地、河西走廊、陇南山地和陇中黄土高原大部分地区[图 7(a)].在SSP585气候情景下, 草地碳收支和温度显著正相关主要集中在陇东黄土高原大部分地区和甘南高原等其他局部地区(天水、永昌、民勤和瓜州等), 而显著负相关区域主要分布在祁连山地、河西走廊和陇中黄土高原大部分地区, 仅在部分地区(敦煌、金塔、靖远和白银等)呈不显著相关[图 7(b)].
|
图 7 不同气候情景下温度和草地碳收支空间相关性 Fig. 7 Spatial correlation between temperature and grassland carbon budget under different climate conditions |
结合图 7和表 2得出, 甘肃省草地碳收支和温度呈正相关的面积明显低于负相关的面积, 在SSP245气候情景下, 正相关系数主要集中在0~0.2, 占总草地面积16.4%, 草地碳收支和温度正相关区域占总草地面积的27.1%, 而草地碳收支和温度呈负相关关系的区域占总草地面积的72.9%, 负相关系数主要集中在-0.2~0, 占总草地面积的35.7%; 在SSP585气候情景下, 草地碳收支和温度呈正相关区域的面积占总草地面积的37.7%, 呈负相关的面积区域占总草地面积的62.3%.随着气候情景的变化, 草地碳收支和温度呈正相关的面积在逐渐增加, 呈负相关的面积在逐渐减少.
|
|
表 2 不同气候情景下甘肃草地碳收支和温度相关性的面积占比 Table 2 Area ratios of correlation between carbon budget and expenditure and temperature in grasslands of Gansu Province under different climate conditions |
不同气候情景下草地碳收支和降水相关性的空间分布状况如图 8.SSP245气候情景下, 降水和草地碳收支的相关性空间分布状态是, 由西北向东南逐渐由正相关转为负相关, 正相关区域主要分布在祁连山地、河西走廊和陇东黄土高原部分地区(环县和华池), 且在河西走廊大部分地区呈不显著正相关; 草地碳收支和降水呈负相关的区域主要分布在甘南高原、陇南山地和陇中黄土高原大部分地区, 其中甘南高原地区呈不显著负相关的区域较大, 以及河西走廊部分地区(酒泉、高台和玉门镇)与降水也呈现不显著负相关[图 8(a)].SSP585气候情景下, 草地碳收支和降水的正相关区域主要集中在陇东黄土高原、祁连山地局部(永昌、威武和民勤等)、河西走廊和甘南高原等地, 但在甘南高原及局部地区(玛曲、碌曲、临潭、古浪和金塔等)呈不显著正相关状态; 和降水的负相关区域主要分布在陇中黄土高原部分地区、陇南山地和祁连山地部分地区, 在祁连山地和其他局部地区呈不显著负相关[图 8(b)].
|
图 8 不同气候情景下降水和草地碳收支空间相关性 Fig. 8 Spatial correlation between precipitation and grassland carbon budget under different climate conditions |
结合图 8和表 3可得, 甘肃草地碳收支和降水呈正相关的面积占比明显大于负相关面积占比, 在SSP245气候情景下, 正相关区域总面积占总草地面积的51.1%, 正相关系数主要在0~0.2, 占总草地面积的37.7%, 而负相关区域总面积占总草地的48.9%.SSP585气候情景下, 草地碳收支和降水的正相关区域占总草地面积的60.0%, 且相关系数主要集中在0~0.2, 占总草地的40.1%, 负相关区域总面积占总草地面积的40.0%, 相关系数主要在-0.2~0之间, 占总草地面积的28.6%.从草地碳收支和降水相关关系面积占比中看出, 随着气候情景的变化, 降水的正相关区域面积在缓慢增加, 负相关区域面积在缓慢减少.
|
|
表 3 不同气候情景下甘肃省草地碳收支和降水相关性的面积占比 Table 3 Area ratios of carbon budget and precipitation correlation for grassland in Gansu Province under different climate conditions |
2.5 不同气候情景下甘肃草地碳收支的M-K趋势显著分析
SNEP分析结果如图 9所示, 在两种气候情景下, 甘肃草地碳收支减少的区域明显多于增加的区域, 且SSP245比SSP585变化趋势更加明显.SSP245气候情景下, 草地SNEP>0的区域主要分布在陇东黄土高原(环县和华池)和其他局部地区, 区域面积为2.55×104 km2, 占总面积的20.4%; SNEP < 0的区域主要分布在陇中黄土高原地区、祁连山地、甘南高原、陇南山地和河西走廊地区, 区域面积9.93×104 km2, 占总面积的79.6%.SSP585气候情景下, 草地SNEP>0的区域主要分布在陇东黄土高原、甘南高原、祁连山地局部地区和天水等地, 区域面积为5.38×104 km2, 占总面积的43.2%; SNEP < 0的区域主要分布在陇中黄土高原地区、祁连山地、陇南山地和河西走廊地区, 区域面积为7.09×104 km2, 占总面积的56.8%.
|
图 9 不同气候情景下甘肃草地SNEP趋势分析 Fig. 9 The SNEP trend analysis of Gansu grassland under different climate conditions |
SNEP趋势分析仅针对草地碳收支增加或减少, 不能体现出草地碳收支的显著变化程度, 因此本文结合M-K趋势分析对草地碳收支进行显著性分析.如图 10所示, 2015~2100年间, SSP245气候情景下, 显著降低的区域面积>无显著变化的区域面积>显著增加的区域面积, 其中显著降低的主要区域在祁连山地、河西走廊、甘南高原部分地区(夏河和合作)、陇中黄土高原和陇南山地, 无显著变化的区域主要分布在甘南高原地区的迭部、碌曲、舟曲、瓜州、古浪和永昌等地, 显著增加的主要区域在陇东黄土高原和天水等局部地区.SSP585气候情景下, 显著降低的区域主要分布在陇中黄土高原、陇南山地和祁连山地等, 无显著变化的区域主要零星分布在武威、瓜州、民乐和合作等地, 显著增加的区域主要分布在陇东黄土高原和甘南高原等其他局部地区(永昌和民乐).
|
图 10 不同气候情景下甘肃草地碳收支的变化趋势分级 Fig. 10 Trend classification of grassland carbon budget in Gansu Province under different climate conditions |
气候情景不同, 草地碳收支的显著变化也不尽相同, 结合图 10和表 4可得, 本研究期间(2015~2100年), 草地碳收支显著降低的面积明显大于显著增加的面积.在SSP245气候情景下, 显著降低和无显著变化的面积分别占总草地面积的58.1%和32.3%, 与SSP585气候情景下的面积占比进行比较, 在SSP 585气候情景下显著降低和无显著变化的面积占比更多, 其中草地碳收支显著增加的区域面积在SSP585气候情景下面积占比较大, 为29.8%.
|
|
表 4 甘肃省草地碳收支变化程度 Table 4 Change degree of grassland carbon budget in Gansu Province |
3 讨论
气候变化、植被群落和草地碳收支之间相辅相成[27].本研究选用NEP为碳收支的量化指标, 在SSP245和SSP585未来气候情景的背景下, 甘肃草地碳收支呈现缓慢增长的趋势, 这和Han等[11]研究的结果一致.在空间格局上表现为由西北向东南递增的趋势, 这和何国兴等[28]研究的结果一致.有研究表明, 温度对草地生产力会产生影响[29, 30], 但是最后的结果不尽相同.本研究中, 草地碳收支和温度呈负效应的区域面积较大, 和降水呈正相关的区域面积较大, 即认为在大部分区域上草地碳收支会随着温度的升高而减少, 随降水的增多而增加, Wu等[31]在研究也认为大多数增温的情况对草地的生产力会产生负面影响, 而增雨则会导致草地生产力增加.但也有研究表明, 温度对草地生产力具有促进的作用[32], 有时温度的增加不仅只有负效应, 在与降水有强烈的交互后, 也会出现增温对草地生产力是正面或负面或无影响的情形[33], 这是因为不同的区域尺度上气候因子对草地生产力的影响不同, 这与所处的环境有很大的关系.
气候变化对陆地生态系统碳循环有很重要的作用, 而且气候变暖和碳循环之间存在显著的相关关系, 但不同地区的气候因素对草地碳收支的影响不尽相同[34].气温和降水对草地生态系统有决定性的影响, 气温过低过高或降雨过多过少都会破坏正常植被的生长环境, 从而导致草地碳源、碳汇增加或降低.本研究中, SSP245排放情景和SSP585排放情景下的温度、降水各有差异, 即温度增加量的比较为SSP245 < SSP585, 降水增加量的比较为SSP245 < SSP585, 这也直接导致了这两种情景下的草地碳收支变化不同.本研究表明, 草地碳收支的空间分布和温度的空间分布呈反方向, 即当温度上升时草地碳收支会呈现下降的趋势, 和降水空间分布具有一致性, 都是从西北向东南变化, 即当降水上升时草地碳收支也会有上升的变化, 降水对草地碳收支具有明显的影响, 这和张钊[35]研究的结论一致.何国兴等[28]在研究气候因子与甘肃草地NPP关系时表明, 降水对草地NPP的相关性高于温度对草地NPP的相关性.已有研究也证明了这一结论, 温度是在植物生长时的重要影响因素, 当平均温度较高时, 草地碳收支会表现出负效应, 而当平均温度较低时则会出现相反的情况[31], 其主要原因是温度通过控制草地植被的生长后直接对碳收支产生影响, 也对水分的利用产生间接的影响, 最后使得草地碳收支逐渐积累[36].
基准期(1990~2014年)内, 模拟出的甘肃草地NEP在70.74~1 412.94 g ·(m2 ·a)-1范围内, 这和刘雨春等[23]对甘肃省NEP的时空异质性研究得出的在季节变化中NEP的范围[0~1 471.95 g ·(m2 ·a)-1]相差不大, 但与其他研究相比发现本文模拟得出的草地NEP的值偏高, 主要原因在于土壤呼吸(Rh).土壤呼吸作为生态系统碳收支的关键环节, 微小的变化也会引起碳收支大幅度波动[37, 38].Rh的计算目前并没有统一的说法, 有研究也表明区域或全球尺度的Rh估算仍有很大的不确定性[39].Rh组成复杂, 受到多种因素的影响, 主要有土壤温度、土壤湿度、降水、pH值和风速, 还包含土地利用和施肥等人为因素[40, 41], 其中主要的影响因素是温度和降水[42, 43].针对土壤呼吸的估算Byrne等[39]利用不同的过程模型建立假设, 但结果仍存在较大的差异, 因为过程模型的准确性取决于生态系统过程在模型中体现的准确程度, 由于对Rh的理解有限, 导致对Rh的估算存在很大的不确定性.因此, Rh的估算主要以半经验模型和经验模型为主, 即可建立呼吸对温度和水分的响应及呼吸速率和环境变化之间的统计关系模型并估算[44, 45].潘竟虎等[46]在研究中就仅用温度和降水来估算土壤呼吸的状况.巩杰等[47]对甘肃白龙江流域NEP的研究中对Rh的计算也是从温度和降水中得来.本研究将结合文献[46~48]对Rh的估算方法, 利用温度和降水对甘肃省Rh进行估算, 由于运用的CMIP6模式数据分辨率较低, 在提取的过程中直接采用反距离插值提取, 对降雨的处理产生了一定的偏差, 导致在估算Rh的过程中出现误差, 造成了Rh的不确定性, 但在后续对碳收支的计算中未对结论造成影响.
对草地碳收支的研究过程中, 气候因子起着决定性的作用, 但是人类活动对草地碳收支也存在一定的影响.随着国家退耕还林还草政策的实施, 西北地区加强了对草地的管理, 甘肃省草地植被明显改善[49], 这对低碳减排有重要的作用.综合甘肃对草地生态的保护, 对实现碳达峰、碳中和有较为明显的影响.本研究在对草地碳收支的相关因素进行研究的过程中, 只考虑了未来时段内温度和降水的变化对碳收支造成的影响, 未考虑放牧等人类活动对碳收支的影响, 并在模型参数化的过程中弱化了放牧输出的过程, 仅强调了未放牧时草地对碳收支的积累, 因此这将是在后续的研究中需主要解决的问题.
4 结论(1) 在时间尺度上, SSP245未来气候情景下甘肃草地碳收支呈不显著波动下降, SSP585气候情景下草地碳收支呈显著波动上升, 未来时段内草地以碳汇为主, 草地固碳潜力逐渐增强.空间尺度上, 草地碳收支呈现由西北向东南逐渐递增的分布规律, 不同的区域碳收支的分布不同, 各地区碳汇呈现增加状态;
(2) SSP245和SSP585气候情景下草地碳收支显著增加的区域分别占总草地面积9.6%和29.8%, 显著降低的区域分别占总草地面积的58.1%和51.7%, 根据区域面积的变化发现草地碳汇逐渐增强.
(3) 草地碳收支由温度和降水共同影响, 降水对草地碳收支的影响强于温度对碳收支的影响, 因此在降水的情形下碳汇及草地的固碳能力强于温度情形.气候变化是实现碳达峰、碳中和的关键, 通过增强森林和草地等固碳潜力, 可使生态系统碳汇增加.
(4) 为加快实现碳达峰和碳中和, 提升碳汇能力是必不可少的, 草地是仅次于森林的最大陆地生态系统, 具有强大的碳汇功能及碳储量, 未来可通过调整草地资源政策以增加碳汇, 实现碳中和.
| [1] |
杨延征, 马元丹, 江洪, 等. 基于IBIS模型的1960-2006年中国陆地生态系统碳收支格局研究[J]. 生态学报, 2016, 36(13): 3911-3922. Yang Y Z, Ma Y D, Jiang H, et al. Evaluating the carbon budget pattern of Chinese terrestrial ecosystem from 1960 to 2006 using integrated biosphere simulator[J]. Acta Ecologica Sinica, 2016, 36(13): 3911-3922. |
| [2] |
冯源, 田宇, 朱建华, 等. 森林固碳释氧服务价值与异养呼吸损失量评估[J]. 生态学报, 2020, 40(14): 5044-5054. Feng Y, Tian Y, Zhu J H, et al. Evaluation of forest carbon fixation and oxygen release service value and heterotrophic respiration loss[J]. Acta Ecologica Sinica, 2020, 40(14): 5044-5054. |
| [3] | Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281(5374): 237-240. DOI:10.1126/science.281.5374.237 |
| [4] |
李辉, 庞博, 朱法华, 等. 碳减排背景下我国与世界主要能源消费国能源消费结构与模式对比[J]. 环境科学, 2022, 43(11): 5294-5304. Li H, Pang B, Zhu F H, et al. Comparative energy consumption structure and mode between China and major energy-consuming countries under the background of carbon emission reduction[J]. Environmental Science, 2022, 43(11): 5294-5304. |
| [5] |
张阳, 孙佳文, 赵海东, 等. 碳达峰碳中和目标下内蒙古CO2地质封存的生态产品价值实现路径[J]. 干旱区资源与环境, 2022, 36(11): 19-26. Zhang Y, Sun J W, Zhao H D, et al. Path for realization of ecological product value of CO2 geological storage in Inner Mongolia under the carbon peak and carbon neutrality goals[J]. Journal of Arid Land Resources and Environment, 2022, 36(11): 19-26. |
| [6] | Fu B J, Liang D, Lu N. Landscape ecology: coupling of pattern, process, and scale[J]. Chinese Geographical Science, 2011, 21(4): 385-391. DOI:10.1007/s11769-011-0480-2 |
| [7] | Wang S, Xu L, Zhuang Q L, et al. Investigating the spatio-temporal variability of soil organic carbon stocks in different ecosystems of China[J]. Science of the Total Environment, 2021, 758. DOI:10.1016/J.scitotenv.2020.143644 |
| [8] |
张磊, 吴炳方, 李晓松, 等. 基于碳收支的中国土地覆被分类系统[J]. 生态学报, 2014, 34(24): 7158-7166. Zhang L, Wu B F, Li X S, et al. Classification system of China land cover for carbon budget[J]. Acta Ecologica Sinica, 2014, 34(24): 7158-7166. |
| [9] |
康霞. 甘肃省农田生态系统碳收支动态[J]. 中国沙漠, 2018, 38(6): 1237-1242. Kang X. Dinamics of carbon absorption and emission of crops in Gansu, China[J]. Journal of Desert Research, 2018, 38(6): 1237-1242. |
| [10] |
曹瑞红, 张美玲, 李晓娟, 等. 甘南高寒草甸土壤有机碳储量时空分布特征的模拟分析[J]. 生态学杂志, 2022, 41(11): 2145-2153. Cao R H, Zhang M L, Li X J, et al. Simulation analysis of the spatial and temporal distribution of soil organic carbon storage in Gannan alpine meadow[J]. Chinese Journal of Ecology, 2022, 41(11): 2145-2153. |
| [11] | Han P F, Lin X H, Zhang W, et al. Projected changes of alpine grassland carbon dynamics in response to climate change and elevated CO2 concentrations under Representative Concentration Pathways (RCP) scenarios[J]. PLoS One, 2019, 14(7). DOI:10.1371/journal.pone.0215261 |
| [12] |
刘洋洋, 王倩, 杨悦, 等. 黄土高原草地净初级生产力时空动态及其影响因素[J]. 应用生态学报, 2019, 30(7): 2309-2319. Liu Y Y, Wang Q, Yang Y, et al. Spatial-temporal dynamics of grassland NPP and its driving factors in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2019, 30(7): 2309-2319. |
| [13] |
蔡博峰, 曹丽斌, 雷宇, 等. 中国碳中和目标下的二氧化碳排放路径[J]. 中国人口·资源与环境, 2021, 31(1): 7-14. Cai B F, Cao L B, Lei Y, et al. China's carbon emission pathway under the carbon neutrality target[J]. China Population, Resources and Environment, 2021, 31(1): 7-14. |
| [14] |
郭亚洲, 张睿涵, 孙暾, 等. 甘肃天然草地毒草危害、防控与综合利用[J]. 草地学报, 2017, 25(2): 243-256. Guo Y Z, Zhang R H, Sun T, et al. Harm, control and comprehensive utilization of poisonous weeds in natural grasslands of Gansu province[J]. Acta Agrestia Sinica, 2017, 25(2): 243-256. |
| [15] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [16] |
李霞, 潘冬荣, 孙斌, 等. 甘肃省草地退化概况分析——基于甘肃省第一、二次草原普查数据[J]. 草业科学, 2022, 39(3): 485-494. Li X, Pan D R, Sun B, et al. Analysis of grassland degradation in Gansu Province based on two grassland surveys[J]. Pratacultural Science, 2022, 39(3): 485-494. |
| [17] |
张美玲, 陈全功, 闫培洁. 中国天然草地净初级生产力时空分布[J]. 草地学报, 2018, 26(5): 1124-1131. Zhang M L, Chen Q G, Yan P J. Spatio-temporal distribution of natural grassland Net Primary Productivity in China[J]. Acta Agrestia Sinica, 2018, 26(5): 1124-1131. |
| [18] |
郭春华, 朱秀芳, 张世喆, 等. 基于CMIP6的中国未来高温危险性变化评估[J]. 地球信息科学学报, 2022, 24(7): 1391-1405. Guo C H, Zhu X F, Zhang S Z, et al. Hazard changes assessment of future high temperature in China based on CMIP6[J]. Journal of Geo-information Science, 2022, 24(7): 1391-1405. |
| [19] | Parton W J, Schimel D S, Cole C V, et al. Analysis of factors controlling soil organic matter levels in great plains grasslands[J]. Soil Science Society of America Journal, 1987, 51(5): 1173-1179. |
| [20] | Owen J J, Parton W J, Silver W L. Long-term impacts of manure amendments on carbon and greenhouse gas dynamics of rangelands[J]. Global Change Biology, 2015, 21(12): 4533-4547. |
| [21] | Cheng K, Ogle S M, Parton W J, et al. Simulating greenhouse gas mitigation potentials for Chinese croplands using the DAYCENT ecosystem model[J]. Global Change Biology, 2014, 20(3): 948-962. |
| [22] | Ganjurjav H, Gao Q Z, Schwartz M W, et al. Complex responses of spring vegetation growth to climate in a moisture-limited alpine meadow[J]. Scientific Reports, 2016, 6(1). DOI:10.1038/srep23356 |
| [23] |
刘春雨, 董晓峰, 王春燕, 等. 甘肃省县级行政单元NEP的时空异质性[J]. 兰州大学学报(自然科学版), 2018, 54(1): 82-89. Liu C Y, Dong X F, Wang C Y, et al. Time and space variability of the county level administrative unit to NEP in Gansu province[J]. Journal of Lanzhou University (Natural Sciences), 2018, 54(1): 82-89. |
| [24] |
袁丽华, 蒋卫国, 申文明, 等. 2000-2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24): 7798-7806. |
| [25] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [26] |
李雅培, 朱睿, 刘涛, 等. 基于BCC-CSM2-MR模式的疏勒河流域未来气温降水变化趋势分析[J]. 高原气象, 2021, 40(3): 535-546. Li Y P, Zhu R, Liu T, et al. Trend analysis of future temperature and precipitation in Shule River Basin based on BCC-CSM2-MR model[J]. Plateau Meteorology, 2021, 40(3): 535-546. |
| [27] |
干珠扎布, 段敏杰, 郭亚奇, 等. 喷灌对藏北高寒草地生产力和物种多样性的影响[J]. 生态学报, 2015, 35(22): 7485-7493. Ganjurjav H, Duan M J, Guo Y Q, et al. Effects of irrigation on alpine grassland Northern Tibet[J]. Acta Ecologica Sinica, 2015, 35(22): 7485-7493. |
| [28] |
何国兴, 柳小妮, 张德罡, 等. 甘肃省草地NPP时空变化及对气候因子的响应[J]. 草地学报, 2021, 29(4): 788-797. He G X, Liu X N, Zhang D G, et al. Spatio-temporal variation of NPP and its response to climate factors in grassland, Gansu Province[J]. Acta Agrestia Sinica, 2021, 29(4): 788-797. |
| [29] |
周夏飞, 於方, 曹国志, 等. 2001-2015年青藏高原草地碳源/汇时空变化及其与气候因子的关系[J]. 水土保持研究, 2019, 26(1): 76-81. Zhou X F, Yu F, Cao G Z, et al. Spatiotemporal features of carbon source-sink and its relationship with climate factors in Qinghai-Tibet Plateau grassland ecosystem during 2001-2015[J]. Research of Soil and Water Conservation, 2019, 26(1): 76-81. |
| [30] | Piao S L, Tan K, Nan H J, et al. Impacts of climate and CO2 changes on the vegetation growth and carbon balance of Qinghai-Tibetan grasslands over the past five decades[J]. Global and Planetary Change, 2012, 98-99: 73-80. |
| [31] | Wu Z T, Dijkstra P, Koch G W, et al. Responses of terrestrial ecosystems to temperature and precipitation change: a meta-analysis of experimental manipulation[J]. Global Change Biology, 2011, 17(2): 927-942. |
| [32] |
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. |
| [33] | Mowll W, Blumenthal D M, Cherwin K, et al. Climatic controls of aboveground net primary production in semi-arid grasslands along a latitudinal gradient portend low sensitivity to warming[J]. Oecologia, 2015, 177(4): 959-969. |
| [34] |
杨丹, 王晓峰. 黄土高原气候和人类活动对植被NPP变化的影响[J]. 干旱区研究, 2022, 39(2): 584-593. Yang D, Wang X F. Contribution of climatic change and human activities to changes in net primary productivity in the Loess Plateau[J]. Arid Zone Research, 2022, 39(2): 584-593. |
| [35] |
张钊. 呼伦贝尔草甸草原生态系统碳循环动态模拟与未来情景分析[D]. 北京: 中国农业科学院, 2016. Zhang Z. Simulation on Hulunber meadow steppe ecosystem carbon cycle dynamic and future climate scenario analysis[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. |
| [36] | Zheng H, Lin H, Zhou W J, et al. Revegetation has increased ecosystem water-use efficiency during 2000-2014 in the Chinese Loess Plateau: evidence from satellite data[J]. Ecological Indicators, 2019, 102: 507-518. |
| [37] |
王佳懿, 王兴, 王源茁, 等. 降水改变下撂荒草地的化学计量失衡改变调节土壤呼吸[J]. 环境科学, 2023, 44(8): 4689-4697. Wang J Y, Wang X, Wang Y Z, et al. Stoichiometric imbalance of abandoned grassland under precipitation changes regulated soil respiration[J]. Environmental Science, 2023, 44(8): 4689-4697. |
| [38] |
侯亚红, 王磊, 付小花, 等. 土壤碳收支对秸秆与秸秆生物炭还田的响应及其机制[J]. 环境科学, 2015, 36(7): 2655-2661. Hou Y H, Wang L, Fu X H, et al. Response of straw and straw biochar returning to soil carbon budget and its mechanism[J]. Environmental Science, 2015, 36(7): 2655-2661. |
| [39] | Byrne B, Wunch D, Jones D B A, et al. Evaluating GPP and respiration estimates over northern midlatitude ecosystems using solar-induced fluorescence and atmospheric CO2 measurements[J]. Journal of Geophysical Research: Biogeosciences, 2018, 123(9): 2976-2997. |
| [40] |
周萍, 刘国彬, 薛萐. 草地生态系统土壤呼吸及其影响因素研究进展[J]. 草业学报, 2009, 18(2): 184-193. Zhou P, Liu G B, Xue S. Review of soil respiration and the impact factors on grassland ecosystem[J]. Acta Prataculturae Sinica, 2009, 18(2): 184-193. |
| [41] | Richter A, Huallacháin D ó, Doyle E, et al. Linking diagnostic features to soil microbial biomass and respiration in agricultural grassland soil: a large-scale study in Ireland[J]. European Journal of Soil Science, 2018, 69(3): 414-428. |
| [42] |
解欢欢, 马文瑛, 赵传燕, 等. 祁连山亚高山草地土壤呼吸和生态系统呼吸对降雨的响应[J]. 生态学杂志, 2016, 35(11): 2875-2882. Xie H H, Ma W Y, Zhao C Y, et al. Rainfall effect on soil respiration and ecosystem respiration of a subalpine meadow in Qilian Mountains[J]. Chinese Journal of Ecology, 2016, 35(11): 2875-2882. |
| [43] |
胡毅, 朱新萍, 韩东亮, 等. 围栏封育对天山北坡草甸草原土壤呼吸的影响[J]. 生态学报, 2016, 36(20): 6379-6386. Hu Y, Zhu X P, Han D L, et al. Effects of fencing on soil respiration rates in the meadow steppes in the northern slope of the Tianshan Mountains[J]. Acta Ecologica Sinica, 2016, 36(20): 6379-6386. |
| [44] | Yuan W P, Luo Y Q, Li X L, et al. Redefinition and global estimation of basal ecosystem respiration rate[J]. Global Biogeochemical Cycles, 2011, 25(4). DOI:10.1029/2011gb004150 |
| [45] | Papale D, Black T A, Carvalhais N, et al. Effect of spatial sampling from European flux towers for estimating carbon and water fluxes with artificial neural networks[J]. Journal of Geophysical Research: Biogeosciences, 2015, 120(10): 1941-1957. |
| [46] |
潘竟虎, 文岩. 中国西北干旱区植被碳汇估算及其时空格局[J]. 生态学报, 2015, 35(23): 7718-7728. Pan J H, Wen Y. Estimation and spatial-temporal characteristics of carbon sink in the arid region of Northwest China[J]. Acta Ecologica Sinica, 2015, 35(23): 7718-7728. |
| [47] |
巩杰, 张影, 钱彩云. 甘肃白龙江流域净生态系统生产力时空变化[J]. 生态学报, 2017, 37(15): 5121-5128. Gong J, Zhang Y, Qian C Y. Temporal and spatial distribution of net ecosystem productivity in the Bailongjiang Watershed of Gansu province[J]. Acta Ecologica Sinica, 2017, 37(15): 5121-5128. |
| [48] | Raich J W, Potter C S, Bhagawati D. Interannual variability in global soil respiration, 1980-94[J]. Global Change Biology, 2002, 8(8): 800-812. |
| [49] |
修丽娜, 颜长珍, 钱大文, 等. 生态工程背景下黄土高原植被变化时空特征及其驱动力[J]. 水土保持通报, 2019, 39(4): 214-228. Xiu L N, Yan C Z, Qian D W, et al. Analysis of spatial-temporal change and driving forces of vegetation in Loess Plateau under background of ecological engineering[J]. Bulletin of Soil and Water Conservation, 2019, 39(4): 214-228. |