2025, Vol. 46
2. 自然资源部土地整治重点实验室, 北京 100035;
3. 北京师范大学水科学研究院, 北京 100875;
4. 北京师范大学地理科学学部, 陆地表层系统科学与可持续发展研究院, 北京 100875;
5. 黄冈师范学院地理与旅游学院, 黄冈 438000
, WANG Jun1,2
, TAN Li1,2 , YANG Sheng-tian3 , ZHAO Wen-wu4 , CHEN Ke5 , ZHANG Xi-tong5
2. Key Laboratory of Land Consolidation and Rehabilitation, Ministry of Natural Resources, Beijing 100035, China;
3. College of Water Science, Beijing Normal University, Beijing 100875, China;
4. Institute of Land Surface System and Sustainable Development, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;
5. College of Geography and Tourism, Huanggang Normal University, Huanggang 438000, China
温室气体排放造成的全球变暖引发气候和环境危机, 对人类未来的生存发展造成严重威胁. 实现碳达峰、碳中和已经成为应对气候变化和推动绿色可持续发展的国际社会共识, 在此背景下碳循环引起了全球科学家和各国政府的强烈关注[1, 2]. 陆地生态系统是全球碳循环的重要组成部分, 也是大气二氧化碳进入陆地圈的主要平台[3]. 生态系统固定的碳量是否大于排放的碳量, 决定了该生态系统为大气二氧化碳的汇（碳汇）或者源（碳源）. 植被的碳汇作用在陆地生态系统中较为突出, 植被通过进行光合作用和呼吸作用与大气交换二氧化碳, 其生长及分布变化将引起碳储量发生显著改变[4]. 探究植被碳源/汇的时空格局及演变特征对于深刻理解区域生态系统碳汇功能及其对全球变化的响应具有重要科学意义[5].
植被碳源/汇主要受气温、降水、大气成分和土地利用变化等因素的影响[2, 6]. 土地利用变化作为植被变化最直接的人为驱动力, 致使陆地生态系统原始的土地植被格局、生态系统的结构（物种组成、生物量）和功能（生物多样性、能量平衡、物质循环等）发生改变, 进而引起陆地生态系统碳循环过程和生态系统碳储量发生变化[6]. 目前植被碳源/汇研究主要集中在碳源/汇估算、碳源/汇时空格局演变分析、碳汇价值核算和碳源/汇对气候因素变化响应定量评估等方面, 较少涉及植被碳源/汇对土地利用变化响应研究[2, 7], 这严重限制了对土地利用变化过程的植被碳汇效应的理解.
净生态系统生产力（net ecosystem productivity, NEP）表示陆地生态系统与大气之间的净碳交换, 是定量评价陆地生态系统碳源/汇的重要指标[8]. 常见的NEP估算方法包括实验观测和模型模拟[9]. 实验观测方法包括清查法、箱式法、涡度相关法等方法, 通常具有清晰、直接、技术简单、精度高等优势, 但往往费时费力、周期较长、成本较高, 受观测样点密度制约, 难以在大区域尺度上开展应用[10]. 模型模拟法能够估算网格化的区域和全球陆地碳源/汇, 定量区分不同因子对陆地碳源/汇变化的贡献和预测陆地碳源/汇的未来变化, 已被广泛应用于区域NEP变化监测及影响因素研究[11]. 近年来, 随着遥感技术快速发展, 将从遥感影像中获得的各种参数[如归一化植被指数（normalized difference vegetation index, NDVI）、光合有效辐射吸收比例（fraction of absorbed photosynthetically active radiation, FPAR）和吸收光合有效辐射（absorbed photosynthetically active radiation, APAR）等]的信息与传统生态碳模型耦合, 形成基于空间信息的碳循环模型, 成为模型发展新兴研究热点. 与此同时, 基于模型模拟法生成的NEP产品（如全球年陆地生态系统NEP产品[12]、全球逐日NEP模拟数据产品[13]等）相继公开发布, 为区域碳循环研究提供了极大助益. 然而, 这些产品空间分辨率较低（通常大于5 km）, 无法满足土地利用和环境异质性对NEP时空格局影响的研究需求, 250 m及以下空间分辨率对于评估区域土地利用对NEP空间格局的影响是可取的[14]. 因此, 研究土地利用变化过程碳汇效应, 有必要应用遥感数据驱动生态系统碳循环模型开展较高空间分辨率NEP模拟.
黄土高原水土流失严重, 生态环境脆弱, 是中国人口、资源和环境矛盾最集中的区域之一[15]. 为遏制水土流失、改善生态环境, 自1999年以来黄土高原开展了大规模的退耕还林还草工程, 区域土地利用格局发生了显著变化[16]. 本文选取黄土高原退耕还林还草工程及植被恢复重建核心区延河流域作为研究区, 以遥感数据、气象数据和土地利用数据为基础, 采用CASA模型和土壤微生物呼吸模型估算延河流域2000~2020年植被碳源/汇量, 在分析碳源/汇和土地利用时空格局演变特征基础上, 探讨碳源/汇对土地利用变化的响应, 以期为生态系统管理部门制定科学合理的土地利用决策、促进植被固碳增汇提供参考依据.
1 材料与方法 1.1 研究区概况延河流域（108°46'32″~110°24'48″E, 36°22'44″~37°17'28″N）位于黄土高原腹地, 属于黄河一级支流, 行政区划上包含宝塔、安塞、延长、志丹和靖边这5县区, 流域面积达7 687 km2（图 1）. 流域地貌类型以黄土丘陵沟壑为主, 高程变化区间为471~1 800 m. 流域处于东部季风湿润区与内陆干旱区的过渡地带, 气候类型上属于北亚热带半干旱性气候, 多年平均气温为8.8~10.2℃, 多年平均降水量为495 mm, 约80%的降水发生在6~9月[17]. 流域土壤类型以黄绵土为主, 土壤质地均一, 土质疏松, 抗侵蚀能力差. 该流域属于森林草原地带, 植被分布呈现明显的地带性规律, 从东南到西北可依次划分为森林区、森林草原区和草原区[18, 19]. 受长期乱垦乱伐等人类活动影响, 流域天然林残存不多, 主要是人工种植形成的次生植被和干旱草本植物. 此外, 流域水土流失严重, 水土流失面积占流域面积的95%左右[20, 21].
|
（a）地理位置；（b）地形信息；（c）植被类型 图 1 研究区概况 Fig. 1 Overview of study area |
研究所用数据主要包括遥感影像数据、气象数据、土地覆盖数据、土壤属性数据和辅助验证数据等.
遥感影像数据为MODIS MOD13Q1产品, 来源于美国国家航空航天局（http://reverb.echo.nasa.gov/reverb/）, 空间分辨率为250 m, 时间分辨率为16 d. 该产品现已被广泛应用于全球植被状况监测、地表覆盖变化等研究. 使用MRT、ArcGIS和ENVI软件对其进行拼接、投影转换、因子转换和裁剪等批处理, 采用最大值合成法（MVC）得到延河流域2000~2020年逐月和逐年NDVI数据[22].
气象数据主要使用气温、降水和地表太阳辐射数据. 气温和降水数据均来源于国家科技基础条件平台——国家地球系统科学数据中心-黄土高原分中心（http://loess.geodata.cn）, 空间分辨率为1 km, 时间分辨率为逐月[23]. 地表太阳辐射数据来源于国家青藏高原科学数据中心（http://data.tpdc.ac.cn）, 空间分辨率为10 km, 时间分辨率为逐月[24]. 使用Matlab软件对各气象要素进行投影转换、因子换算和裁剪等预处理, 得到2000~2020年逐月平均气温、降水量、太阳总辐射量数据.
土地覆盖数据使用的是武汉大学发布的2000~2020年中国土地覆盖数据集（CLCD）, 空间分辨率为30 m[25]. 该数据集将土地利用类型划分为耕地、林地、灌木、草地、水域、雪冰、裸地、不透水面和湿地这九大类. 为方便分析, 参照中国科学院土地利用分类系统, 将土地利用类型进一步合并为耕地、林地、草地、水域、建设用地和未利用土地六大类.
土壤属性数据使用的是0~30 cm土壤有机碳密度数据. 由全球表层土壤有机碳库产品提取得到2000~2020年研究区土壤有机碳密度数据. 该产品空间分辨率为1 km, 时间分辨率为1 a[26], 来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）.
辅助验证数据主要包括净生态系统生产力数据, 由全球年陆地生态系统净生态系统生产力产品提取得到2000~2018年延河流域净生态系统生产力数据. 该产品空间分辨率为5 km, 时间分辨率为1 a[12], 数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）.
由于数据源不同, 所有空间数据均统一为WGS 1984坐标系统和Albers投影类型, 均重采样为250 m空间分辨率.
1.3 研究方法 1.3.1 植被净生态系统生产力估算模型植被净生态系统生产力（NEP）是衡量区域上植被碳源/汇的重要指标, 在不考虑其他自然和人为因素的影响下, NEP等于植被NPP与土壤微生物呼吸消耗碳量的差值[27], 计算公式如下：
|
(1) |
式中, NEP（x, t）为像元x在第t月的植被净生态系统生产力（以C计, 下同）, g·m-2；NPP（x, t）为像元x在第t月的植被净初级生产力（以C计, 下同）, g·m-2；RH（x, t）为像元x在第t月的土壤微生物呼吸量（以C计, 下同）, g·m-2. 当NEP > 0, 说明植被固定的碳多于土壤呼吸排放碳, 表现为碳汇, 反之则为碳源[28].
植被NPP采用改进的CASA模型[29~32]进行估算. CASA模型通过植被吸收的光合有效辐射和光能利用率两个驱动因子计算NPP, 公式如下：
|
(2) |
式中, APAR（x, t）为像元x在t月吸收的光合有效辐射, MJ·m-2；ε（x, t）为像元x在t月的实际光能利用率, g·MJ-1. 公式中相关参数的计算参见文献[29].
土壤异养呼吸消耗RH采用石志华基于土壤呼吸地统计模型建立的适合中国地区的RH-Rs回归模型[33]估算. 该模型已被成功应用于陕西省植被碳汇的估算. 计算公式如下：
|
(3) |
|
(4) |
式中, Rs为月土壤呼吸总量, g·（m2·month）-1；SOCD为表层土壤有机碳密度, kg·m-2；T为月平均气温, ℃；P为月降水总量, mm.
1.3.2 时空变化分析方法（1）NEP年际变化率 为分析植被NEP的年际波动规律与动态变化, 采用一元线性回归趋势线法计算NEP年际变化率. 一元线性回归趋势线法是对一组随时间变化的变量进行回归分析的方法, 常表现为随时间变化, 序列整体的上升或下降趋势空间分布格局变化以及在某时刻出现的转折或突变, 可预测其变化趋势[34]. 该方法以时间t为自变量, 对NEP与年份进行回归分析, 得到一元线性回归方程, 回归方程的斜率即为NEP年际变化率, 反映NEP时间序列数据的整体变化趋势. 基于该方法可以得到研究区逐像元NEP年际变化率, 进而分析NEP年际变化趋势的空间分异特征.
|
(5) |
式中, k为一元线性回归趋势线的斜率；n为研究时段的年数；j为1~n年中的第j年；dj为第j年的NEP值. 当k > 0时, 表明NEP在n年间呈现增加趋势；k < 0时, NEP呈现减少趋势. 趋势的显著性检验采用F检验, 显著性仅代表趋势性变化可置信程度的高低, 与变化快慢无关[35]. 根据显著性检验结果将变化趋势划分为5个等级[36], 如表 1所示.
|
表 1 NEP变化趋势显著性分级标准 Table 1 Significance grading criteria for NEP change trend |
（2）土地利用变化分析 人类活动导致的土地利用变化主要体现在土地利用转移方向. 土地利用状态转移矩阵是定量研究土地利用类型之间相互转化的数量和方向特征的主要方法. 它不仅可以全面具体地刻画区域土地利用变化的结构特征, 而且可以反映土地利用类型之间的转化方向[37, 38]. 具体的数学表达式如下：
|
(6) |
式中, Sij为研究期初期第i类土地利用转化为研究末期第j类土地利用的面积；n为土地利用类型的数量.
2 结果与分析 2.1 NEP估算可靠性验证由于获取NEP地面实测数据存在一定困难, 使用文献资料和公共数据产品, 间接验证NEP估算结果的可靠性. 选取与本文研究区位置和研究时段均相近的研究结果进行对比（表 2）, 发现其中的研究成果估算的NEP介于7.42~171.81 g·（m2·a）-1之间, 这与本文估算的NEP变化区间26.86~179.02 g·（m2·a）-1基本吻合. 本文估算的NEP多年平均值同样与表 2的研究成果相近, 估算结果之间不存在数量级上的明显偏差. 此外, 本文估算的NEP年变化率与表 2的研究估算的NEP年变化率均为正值, 表明本文NEP年际变化趋势与这些研究成果一致, 均呈现出增加趋势. 以上分析表明, 本文NEP估算结果具有一定可靠性.
|
|
表 2 NEP估算结果与其它研究成果对比 Table 2 Comparisons of NEP estimated results with other research results |
2.2 碳源/汇时空变化特征 2.2.1 碳源/汇空间分布格局
2000~2020年延河流域多年平均NEP呈现出上游偏低、中游和下游偏高的空间分布格局（图 2）. 参考贠银娟等[41]的研究结果并结合研究区实际情况, 对多年平均NEP进行重分类, 共划分为碳源区[NEP < 0 g·（m2·a）-1]、低碳汇区[0≤NEP < 300 g·（m2·a）-1]和高碳汇区[NEP≥300 g·（m2·a）-1]这3个等级. 统计碳源区、低碳汇区、高碳汇区面积分别为595.38、6 827.38和264.75 km2, 分别占研究区面积的7.74%、88.81%和3.44%, 结果表明2000~2020年延河流域总体表现为低碳汇区. 碳源区主要分布于靖边县、安塞区和宝塔区. 其中, 宝塔区碳源区主要位于延河河谷区及其附近区域, 这主要是由人类长期建设活动所导致（如延安新区建设）. 高碳汇区主要集中分布于安塞区和宝塔区南部区域.
|
图 2 延河流域多年平均NEP空间格局 Fig. 2 Spatial pattern of multi-year average NEP in Yanhe River Basin |
2000~2020年延河流域年NEP在波动中呈显著增加趋势（P < 0.01）, 线性增长率为5.27 g·（m2·a）-1（图 3）. 年NEP最小值为26.86 g·（m2·a）-1, 年NEP最大值为179.02 g·（m2·a）-1, 多年平均NEP为104.49 g·（m2·a）-1. 表明延河流域在研究时期内总体上表现为碳汇, 且固碳能力在显著提升.
|
图 3 延河流域NEP年际变化 Fig. 3 Inter-annual variations in NEP in Yanhe River Basin |
统计NEP年际变化率可知, 2000~2020年延河流域NEP年际变化率介于-33.96~33.73 g·（m2·a）-1. NEP呈现增加趋势的面积为6 567.75 km2, 占研究区面积比例为85.43%. NEP呈现减少趋势的面积为1 119.75 km2, 占研究区面积比例为14.57%. 结合显著性检验结果, 依据表 1进行统计, 2000~2020年延河流域NEP极显著增加类型面积达到4 379.81 km2, 占研究区面积比例为56.97%. 变化不显著类型次之, 面积为2 284.81 km2, 占研究区面积比例为29.72%. 显著增加类型面积为677.38 km2, 占研究区面积比例为8.81%. 极显著减少类型和显著减少类型面积均较小, 分别为206.50 km2和139.00 km2, 占研究区面积比例分别为2.69%和1.81%.
为区分NEP变化快慢程度, 参照已有研究成果[42], 进一步将NEP年际变化率划分为5个等级（图 4）, 统计结果如表 3所示. 2000~2020年延河流域年NEP以恢复类型为主, 占流域面积比例为79.70%. 其中, 明显恢复类型面积比例为49.24%, 大于轻微恢复面积比例. 退化类型占流域面积比例为10.15%. 其中, 轻微退化类型比例较大, 为8.04%. 基本稳定类型面积比例为10.15%.
|
图 4 2000~2020年延河流域NEP年际变化趋势等级划分 Fig. 4 Classification of inter-annual change trend of NEP in Yanhe River Basin from 2000 to 2020 |
|
|
表 3 2000~2020年延河流域NEP年际变化趋势分级统计 Table 3 Statistics of NEP inter-annual change trend grades in Yanhe River Basin from 2000 to 2020 |
2.3 土地利用变化对植被碳/源汇的影响
选取2000年、2010年和2020年3个年份开展土地利用变化分析（图 5）. 在3个年份, 延河流域主要土地利用类型为草地、耕地和林地, 3种地类面积之和占流域面积比例超过99%. 从土地利用转型方向来看, 2000~2010年, 耕地主要转为草地、林地和建设用地, 转出面积分别为482.25、8.75和11.00 km2. 林地少量转为草地和耕地. 草地主要转为耕地、林地、建设用地, 面积分别为171.44、169.56和5.06 km2. 耕地面积净减328.43 km2, 草地和林地分别净增145.63 km2和168.32 km2. 2010~2020年, 耕地主要转为林地、草地、建设用地, 面积分别为9.63、216.81和10.25 km2. 林地少量转为草地和耕地. 草地主要转为耕地、林地和建设用地, 面积分别为237.75、584.63和5.69 km2. 耕地和林地面积分别净增1.75 km2和589.25 km2, 草地净减609.95 km2. 2000~2020年, 耕地主要转为林地、草地和建设用地, 面积分别为62.88、498.00和23.31 km2. 林地少量转为草地和耕地. 草地主要转为耕地、林地和建设用地, 面积分别为255.69、704.13和8.75 km2. 耕地和草地面积分别净减326.68 km2和464.32 km2, 林地净增757.57 km2. 3个时期内, 建设用地均净增, 并主要来自耕地转化, 水域和未利用土地变化均不明显. 上述分析表明, 延河流域土地利用转型过程主要包括5种类型：耕地转为草地、耕地转为林地、耕地转为建设用地、草地转为耕地和草地转为林地.
|
图 5 2000~2020年延河流域土地利用转移特征 Fig. 5 Characteristics of land use transfer in Yanhe River Basin from 2000 to 2020 |
将土地利用转型空间分布图分别与对应时期NEP空间分布和NEP变化趋势类型空间分布进行叠加分析, 统计上述5种土地利用转型过程NEP均值及NEP变化类型面积比例, 如表 4和表 5所示. 3个时期除耕地转为建设用地使得用地由碳汇转变为碳源外, 其它4种土地利用转型均使碳汇量得到提升. 耕地转为林地、草地转为林地后的NEP均值均大于耕地转为草地和草地转为耕地后的NEP均值, 表明土地类型向林地的转变对碳汇量提升效果更显著.
|
|
表 4 不同土地利用转型过程的NEP均值（以C计）/g·（m2·a）-1 Table 4 Mean value of NEP in different land use transition processes (in terms of C)/g·(m2·a)-1 |
|
|
表 5 不同土地利用转型过程的NEP变化类型面积比例/% Table 5 Area ratio of NEP change types in different land use transition processes/% |
由于耕地转为建设用地使得用地由碳汇转变为碳源, 本文对另外4种主要土地利用转型过程进行NEP恢复稳定性分析, 识别不同土地利用转型对固碳增汇的促进效应. 2000~2010年和2010~2020年, 4种土地利用转型过程NEP恢复面积比例均明显高于稳定和退化面积比例, 表明延河流域土地利用主要向促进碳汇能力提升的方向转变. 2000~2020年, 耕地转为林地的NEP恢复-恢复型面积比例最高, 为80.78%, 草地转为耕地、耕地转为草地的NEP恢复-恢复型面积比例相对较低, 分别为48.05%和51.97%, 耕地转为建设用地NEP恢复-恢复型面积比例最低, 为2.68%. 表明耕地转为林地NEP恢复的稳定性最强, 耕地和草地之间的转换NEP恢复的波动性较强.
3 讨论 3.1 NEP估算不确定性分析基于CASA模型和土壤微生物呼吸模型的NEP估算方法在估算大尺度空间区域植被碳源/汇量方面具有明显优势, 但在使用该方法计算NEP时存在一定不确定性, 其主要来源于基础输入数据和模型参数. 基础输入数据空间分辨率对NEP估算结果有一定影响. 地表太阳辐射是计算NEP的重要基础输入数据, 受流域地面太阳辐射观测站点稀疏等因素限制, 本文使用的是空间分辨率为10 km的地表太阳辐射数据产品, 与其它基础输入数据空间分辨率相比较粗, 由此引起的混合像元效应可能导致NEP估算结果出现系统性低估现象[43, 44]. 模型参数同样对NEP估算结果产生重要影响. 本文CASA模型和土壤微生物呼吸模型分别使用的是朱文泉等[29]和石志华[33]在中国尺度上建立的参数, 虽然这些模型参数已被广泛应用于区域或流域尺度相关研究, 但仍有必要结合地面调查获取的NPP和RH实测数据对其进行率定和优化, 降低CASA模型和土壤微生物呼吸模型不确定性, 进一步提升NEP估算精度.
对基于CASA模型和土壤微生物呼吸模型估算的NEP结果进行验证时同样也存在不确定性. 常用的验证方法通常可划分为直接验证和间接验证两大类. 目前NEP结果验证方法以间接验证为主, 如通过验证用于计算NEP组分NPP的估算结果的可靠性来间接说明NEP估算结果具有可靠性[28, 41, 45]. 本文则是利用相似地区文献资料中NEP估算结果和公开NEP数据产品对估算的延河流域NEP结果进行了间接验证. 当前对NEP估算结果进行直接验证的研究较少, 刘凤等[27]利用NPP和RH实测数据计算出NEP实测数据, 对NEP估算结果进行了初步验证. 为进一步提升NEP估算结果验证的可信度, 有必要开展广泛的地面调查, 获取NEP实测值, 以直接验证.
3.2 土地利用对植被碳/源汇的影响本文研究结果表明, 土地类型向林地转变对碳汇量提升效果更显著, 耕地向建设用地转变使得土地由碳汇区转变为碳源区, 这与Zhang等[39]的研究结论一致. 本研究还发现监测时期内耕地转变为草地、草地转变为耕地均使得碳汇量提升, 这与徐勇等[46]的研究结果一致. 耕地转变为草地的主要驱动因素是退耕还林还草政策, 参与退耕的耕地多为水土流失严重、粮食单产低的坡耕地, 其固碳能力也较低, 转变为草地后植被NEP增加[27]. 草地转变为耕地的重要原因是实施治沟造地工程, 其目的是通过建设高标准农田, 增加耕地面积, 提高耕地质量. 已有研究证明将草地转变为高质量耕地, 碳汇能力在不断增加[28, 39, 45], 因此草地转变为高质量耕地后植被NEP增加. 本研究结果还显示耕地和草地之间的转型NEP恢复的波动性较强. 造成这种现象的原因可能是由于草本植物和农作物自身碳汇能力、草地和耕地植被覆盖度等方面存在较大差异, 草地和耕地转型后用地碳汇量发生较大波动. 此外, 受人为干预和管理措施不到位影响, 草地和耕地的碳汇能力降低, 甚至在作为碳源和碳汇之间转换, 同样会导致草地和耕地转型后碳汇量发生波动 [47]. 因此, 在开展退耕还草或治沟造地等工程时, 应选取高碳汇能力植被类型（如长芒草、铁杆蒿等草本植物[48]或小麦、玉米等农作物[49]）并适当增加植被覆盖度, 在工程实施后, 应注重加强人为管理措施（如禁牧、围栏封育、鼠虫害防治等草地保护措施或氮肥施用、秸秆还田、保护性耕作、高效灌溉等耕地管理措施[47]）, 防止草地退化或耕地质量下降, 以提升用地固碳增汇能力, 避免耕地和草地相互转型过程中造成碳汇能力减弱.
植被NEP是自然和人类活动共同作用的结果, 本文仅分析了土地利用变化这一人类活动因子对植被碳源/汇的影响, 未来有必要进一步考虑温度、降水等自然气候因子对植被碳源/汇的影响, 定量区分出温度、降水等自然因素和人类活动对植被碳源/汇变化的相对贡献率, 以便更为深刻地认识延河流域植被生态系统碳循环的增汇减源贡献机制.
4 结论（1）2000~2020年, 延河流域多年平均NEP呈现出上游较低、中游和下游较高的空间分布格局, 流域总体上属于低碳汇区, 该类型区占流域面积的88.81%.
（2）2000~2020年, 延河流域年NEP在波动中呈显著增加趋势, 固碳能力在显著提升. NEP变化显著性检验极显著和显著增加类型区占流域面积比例为65.78%. 年NEP恢复类型、基本稳定类型和退化类型占流域面积比例分别为79.70%、10.15%和10.15%.
（3）2000~2020年, 延河流域土地利用转型特征主要表现为耕地转为草地、林地和建设用地, 草地转为耕地、林地. 土地利用主要向促进碳汇能力提升的方向转型, 土地类型向林地的转型对碳汇量提升效果更显著.
（4）2000~2020年, 延河流域耕地转为林地NEP恢复的稳定性最强, 耕地和草地二者之间发生转型NEP恢复的波动性较强, 耕地转为建设用地NEP恢复的稳定性最差, 需要重点关注耕地和草地土地类型相互调整以及建设占用耕地情形, 避免出现碳亏损.
| [1] | Dai E F, Huang Y, Wu Z, et al. Analysis of spatio-temporal features of a carbon source/sink and its relationship to climatic factors in the Inner Mongolia grassland ecosystem[J]. Journal of Geographical Sciences, 2016, 26(3): 297-312. DOI:10.1007/s11442-016-1269-0 |
| [2] | Zou C, Li H, Chen D H, et al. Spatial-temporal changes of carbon source/sink in terrestrial vegetation ecosystem and response to meteorological factors in Yangtze River Delta Region (China)[J]. Sustainability, 2022, 14(16). DOI:10.3390/su141610051 |
| [3] | Li Z, Chen Y N, Zhang Q F, et al. Spatial patterns of vegetation carbon sinks and sources under water constraint in Central Asia[J]. Journal of Hydrology, 2020, 590. DOI:10.1016/j.jhydrol.2020.125355 |
| [4] | Fatichi S, Pappas C, Zscheischler J, et al. Modelling carbon sources and sinks in terrestrial vegetation[J]. New Phytologist, 2019, 221(2): 652-668. DOI:10.1111/nph.15451 |
| [5] |
傅伯杰, 吕楠, 吕一河. 加强生态系统管理助力碳中和目标实现[J]. 中国科学院院刊, 2022, 37(11): 1529-1533. Fu B J, Lv N, Lv Y H. Strengthening ecosystem management is helpful for achieving the carbon neutrality goal[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(11): 1529-1533. |
| [6] |
傅伯杰. 黄土高原土地利用变化的生态环境效应[J]. 科学通报, 2022, 67(32): 3769-3779. Fu B J. Ecological and environmental effects of land-use changes in the Loess Plateau of China[J]. Chinese Science Bulletin, 2022, 67(32): 3769-3779. |
| [7] |
江勇, 付梅臣, 王增, 等. 土地利用变化对生态系统碳汇-碳源的影响研究——以河北武安市为例[J]. 安徽农业科学, 2010, 38(24): 13067-13069, 13079. Jiang Y, Fu M C, Wang Z, et al. Impacts of land use change on ecosystem carbon sinks and sources[J]. Journal of Anhui Agricultural Sciences, 2010, 38(24): 13067-13069, 13079. DOI:10.3969/j.issn.0517-6611.2010.24.055 |
| [8] |
杜海波, 杨山, 李振亚, 等. 碳中和目标下长三角碳源/汇时空特征及其影响因素[J]. 环境科学, 2024, 45(12): 6848-6857. Du H B, Yang S, Li Z Y, et al. Spatio-temporal characteristics and influencing factors of carbon sources/sinks in the Yangtze River Delta under carbon neutrality target[J]. Environmental Science, 2024, 45(12): 6848-6857. |
| [9] | Zhang K, Zhu C M, Ma X D, et al. Spatiotemporal variation characteristics and dynamic persistence analysis of carbon sources/sinks in the Yellow River Basin[J]. Remote Sensing, 2023, 15(2). DOI:10.3390/rs15020323 |
| [10] | Qi S Y, Zhang H Q, Zhang M. Evolutionary characteristics of carbon sources/sinks in Chinese terrestrial ecosystems regarding to temporal effects and geographical partitioning[J]. Ecological Indicators, 2024, 160. DOI:10.1016/j.ecolind.2024.111923 |
| [11] |
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, 52(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, 52(6): 1010-1020. |
| [12] | Huang N, Wang L, Zhang Y L, et al. Estimating the net ecosystem exchange at global FLUXNET sites using a random forest model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 9826-9836. DOI:10.1109/JSTARS.2021.3114190 |
| [13] | He Q N, Ju W M, Dai S P, et al. Drought risk of global terrestrial gross primary productivity over the last 40 years detected by a remote sensing-driven process model[J]. Journal of Geophysical Research: Biogeosciences, 2021, 126(6). DOI:10.1029/2020JG005944 |
| [14] | Turner D P, Guzy M, Lefsky M A, et al. Effects of land use and fine-scale environmental heterogeneity on net ecosystem production over a temperate coniferous forest landscape[J]. Tellus B, 2003, 55(2): 657-668. DOI:10.3402/tellusb.v55i2.16756 |
| [15] | Guan Y B, Yang S T, Wang J, et al. Effects of varying the spatial configuration and scale of terraces on water and sediment loss based on scenario simulation within the Chinese Loess Plateau[J]. Science of the Total Environment, 2023, 880. DOI:10.1016/j.scitotenv.2023.163182 |
| [16] |
高照良, 付艳玲, 张建军, 等. 近50年黄河中游流域水沙过程及对退耕的响应[J]. 农业工程学报, 2013, 29(6): 99-105. Gao Z L, Fu Y L, Zhang J J, et al. Responses of streamflow and sediment load to vegetation restoration in catchments on the Loess Plateau[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(6): 99-105. |
| [17] |
朱青, 周自翔, 刘婷, 等. 黄土高原植被恢复与生态系统土壤保持服务价值增益研究——以延河流域为例[J]. 生态学报, 2021, 41(7): 2557-2570. Zhu Q, Zhou Z X, Liu T, et al. Vegetation restoration and ecosystem soil conservation service value increment in Yanhe Watershed, Loess Plateau[J]. Acta Ecologica Sinica, 2021, 41(7): 2557-2570. |
| [18] |
杨洁, 金继明, 邵进, 等. 黄土高原中部典型流域植被恢复对径流的影响[J]. 农业机械学报, 2021, 52(5): 258-266, 257. Yang J, Jin J M, Shao J, et al. Vegetation restoration and its impact on runoff in typical areas of middle Loess Plateau[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(5): 258-266, 257. |
| [19] |
张静, 李鹏展. 延河流域退耕还林还草工程后土地质量评估[J]. 绿色科技, 2018(20): 28-31. Zhang J, Li P Z. Evaluation of land quality after returning farmland to forest and grassland project in Yanhe River Basin[J]. Journal of Green Science and Technology, 2018(20): 28-31. |
| [20] | Fu B J, Zhao W W, Chen L D, et al. Assessment of soil erosion at large watershed scale using RUSLE and GIS: a case study in the Loess Plateau of China[J]. Land Degradation & Development, 2005, 16(1): 73-85. |
| [21] | Zhao G J, Mu X M, Jiao J Y, et al. Evidence and causes of spatiotemporal changes in runoff and sediment yield on the Chinese Loess Plateau[J]. Land Degradation & Development, 2017, 28(2): 579-590. |
| [22] |
赵桔超, 朱彦辉, 段国辉, 等. 基于MOD13Q1数据分析2001~2015年西双版纳植被变化特征[J]. 生态学杂志, 2019, 38(4): 1083-1092. Zhao J C, Zhu Y H, Duan G H, et al. Spatial and temporal dynamics of vegetation in Xishuangbanna from 2001 to 2015 based on MOD13Q1 data[J]. Chinese Journal of Ecology, 2019, 38(4): 1083-1092. |
| [23] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [24] | Tang W J, Yang K, Qin J, et al. A 16-year dataset (2000-2015) of high-resolution (3 h, 10 km) global surface solar radiation[J]. Earth System Science Data, 2019, 11(4): 1905-1915. DOI:10.5194/essd-11-1905-2019 |
| [25] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [26] | Xie E Z, Zhang X, Lu F Y, et al. Integration of a process-based model into the digital soil mapping improves the space-time soil organic carbon modelling in intensively human-impacted area[J]. Geoderma, 2022, 409. DOI:10.1016/j.geoderma.2021.115599 |
| [27] |
刘凤, 曾永年. 2000-2015年青海高原植被碳源/汇时空格局及变化[J]. 生态学报, 2021, 41(14): 5792-5803. Liu F, Zeng Y N. Analysis of the spatio-temporal variation of vegetation carbon source/sink in Qinghai Plateau from 2000-2015[J]. Acta Ecologica Sinica, 2021, 41(14): 5792-5803. |
| [28] |
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. |
| [29] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413-424. DOI:10.3321/j.issn:1005-264X.2007.03.010 |
| [30] |
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. |
| [31] |
倪向南, 郭伟, 乔凯. 陕北风沙过渡带植被净初级生产力变化特征及原因[J]. 中国沙漠, 2018, 38(4): 889-898. Ni X N, Guo W, Qiao K. Spatial and temporal patterns of net primary productivity and their attribution in wind drift sand region in northern Shaanxi[J]. Journal of Desert Research, 2018, 38(4): 889-898. |
| [32] |
宋富强, 康慕谊, 陈雅如, 等. 陕北黄土高原植被净初级生产力的估算[J]. 生态学杂志, 2009, 28(11): 2311-2318. Song F Q, Kang M Y, Chen Y R, et al. Estimation of vegetation net primary productivity on North Shaanxi Loess Plateau[J]. Chinese Journal of Ecology, 2009, 28(11): 2311-2318. |
| [33] |
石志华. 基于CASA与GSMSR模型的陕西省植被碳汇时空模拟及影响因素研究[D]. 杨凌: 西北农林科技大学, 2015. Shi Z H. Spatial-temporal simulation of vegetation carbon sink and its influential factors based on CASA and GSMSR model in Shaanxi Province[D]. Yangling: Northwest A & F University, 2015. |
| [34] |
管亚兵, 杨胜天, 赵长森, 等. 2000年以来岷江上游地区MODIS/NDVI动态变化[J]. 山地学报, 2018, 36(3): 345-353. Guan Y B, Yang S T, Zhao C S, et al. NDVI dynamics in the Upper Min River since 2000[J]. Mountain Research, 2018, 36(3): 345-353. |
| [35] | Yin L C, Wang X F, Feng X M, et al. A comparison of ssebop-model-based evapotranspiration with eight evapotranspiration products in the Yellow River basin, China[J]. Remote Sensing, 2020, 12(16). DOI:10.3390/rs12162528 |
| [36] |
穆少杰, 李建龙, 陈奕兆, 等. 2001-2010年内蒙古植被覆盖度时空变化特征[J]. 地理学报, 2012, 67(9): 1255-1268. Mu S J, Li J L, Chen Y Z, et al. Spatial differences of variations of vegetation coverage in Inner Mongolia during 2001-2010[J]. Acta Geographica Sinica, 2012, 67(9): 1255-1268. |
| [37] |
刘晓林, 杨胜天, 周旭, 等. 1980年以来黄河内蒙古段十大孔兑流域土地利用变化时空特征[J]. 南水北调与水利科技, 2016, 14(1): 30-36. Liu X L, Yang S T, Zhou X, et al. Spatial-temporal characteristics of land use changes in the ten tributaries of Yellow River in Inner-Mongolia since 1980[J]. South-to-North Water Transfers and Water Science & Technology, 2016, 14(1): 30-36. |
| [38] |
吴琳娜, 杨胜天, 刘晓燕, 等. 1976年以来北洛河流域土地利用变化对人类活动程度的响应[J]. 地理学报, 2014, 69(1): 54-63. Wu L N, Yang S T, Liu X Y, et al. Response analysis of land use change to the degree of human activities in Beiluo River basin since 1976[J]. Acta Geographica Sinica, 2014, 69(1): 54-63. |
| [39] | Zhang J, Liu M Y, Zhang M M, et al. Changes of vegetation carbon sequestration in the tableland of Loess Plateau and its influencing factors[J]. Environmental Science and Pollution Research, 2019, 26(22): 22160-22172. DOI:10.1007/s11356-019-05561-9 |
| [40] |
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 in NEP in ecological zoning on the Loess Plateau and its driving factors from 2000 to 2021[J]. Environmental Science, 2024, 45(5): 2806-2816. |
| [41] |
贠银娟, 赵军. 基于MODIS-NDVI数据的植被碳汇空间格局研究——以石羊河流域为例[J]. 山地学报, 2018, 36(4): 644-653. Yun Y J, Zhao J. Spatial pattern of vegetation carbon sinks based on MODIS-NDVI data: a case study in Shiyang River Basin, China[J]. Mountain Research, 2018, 36(4): 644-653. |
| [42] | Yang H F, Hu D D, Xu H, et al. Assessing the spatiotemporal variation of NPP and its response to driving factors in Anhui province, China[J]. Environmental Science and Pollution Research, 2020, 27(13): 14915-14932. DOI:10.1007/s11356-020-08006-w?utm_content=null&utm_medium=cpc |
| [43] |
韩鹏, 姚娟, 李天宏. 3种不同数据源NDVI的比较分析及其在延河流域的应用研究[J]. 应用基础与工程科学学报, 2014, 22(4): 661-674. Han P, Yao J, Li T H. Comparison of 3 NDVI datasets and the application at Yanhe Basin, China[J]. Journal of Basic Science and Engineering, 2014, 22(4): 661-674. |
| [44] |
刘远, 周买春. AVHRR、SPOT-VGT和MODIS 3种NDVI遥感数据在韩江流域的对比分析[J]. 华南农业大学学报, 2015, 36(1): 106-112. Liu Y, Zhou M C. A comparative analysis of AVHRR, SPOT-VGT and MODIS NDVI remote sensing data over Hanjiang River basin[J]. Journal of South China Agricultural University, 2015, 36(1): 106-112. |
| [45] |
汤洁, 姜毅, 李昭阳, 等. 基于CASA模型的吉林西部植被净初级生产力及植被碳汇量估测[J]. 干旱区资源与环境, 2013, 27(4): 1-7. Tang J, Jiang Y, Li Z Y, et al. Estimation of vegetation net primary productivity and carbon sink in western Jilin province based on CASA model[J]. Journal of Arid Land Resources and Environment, 2013, 27(4): 1-7. |
| [46] |
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. |
| [47] | Wang M, Hu Z W, Wang X T, et al. Spatio-temporal variation of carbon sources and sinks in the Loess Plateau under different climatic conditions and land use types[J]. Forests, 2023, 14(8). DOI:10.3390/f14081640 |
| [48] |
董凌勃, 海旭莹, 汪晓珍, 等. 黄土高原退耕还草地植物群落动态对生态系统碳储量的影响[J]. 生态学报, 2020, 40(23): 8559-8569. Dong L B, Hai X Y, Wang X Z, et al. Effects of plant community dynamics on ecosystem carbon stocks since returning farmlands to grasslands on the Loess Plateau[J]. Acta Ecologica Sinica, 2020, 40(23): 8559-8569. |
| [49] |
佘玮, 黄璜, 官春云, 等. 我国典型农作区作物生产碳汇功能研究[J]. 中国工程科学, 2016, 18(1): 106-113. She W, Huang H, Guan C Y, et al. Study on the carbon sink function of crop production in typical agricultural areas of China[J]. Strategic Study of CAE, 2016, 18(1): 106-113. |