2025, Vol. 46
2. 河北农业大学现代科技学院, 保定 071000;
3. 河北农业大学经济管理学院, 保定 071000;
4. 河北农业大学国土资源学院, 保定 071000;
5. 西北农林科技大学资源环境学院, 杨凌 712100
, SHAN Jing2 , YAN Yu-yue3 , MIAO Zi-han2 , TIAN Shi-yu4 , GUO Xin-yu5 , REN Han-qi2 , LÜ Tian-le2 , YAN Feng5
2. College of Modern Science and Technology, Hebei Agricultural University, Baoding 071000, China;
3. College of Economics and Management, Hebei Agricultural University, Baoding 071000, China;
4. College of Land and Resources, Hebei Agricultural University, Baoding 071000, China;
5. College of Natural Resources and Environment, Northwest A&F University, Yangling 712100, China
温室气体的排放是造成气候变暖的重要因素[1], 减少碳排放、缓解温室效应是本世纪面临的巨大挑战之一[2], 科学应对全球气候变化的冲击已经成为全人类共同任务[3], 国际社会对温室气体排放问题及其带来的影响十分关注. 2016年联合国气候变化大会上全球主要国家签订了《巴黎协议》, 全球主要经济体也相继公布自主减排计划[4], 2021年, 政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）第六次报告提及降低二氧化碳排放的迫切性. 中国是世界第二大经济体, 现代化进程不断加快, 城市规模不断扩大, 中国城市碳排放贡献率达到了80%以上[5]. 作为碳排放大国, 中国公布了“双碳”目标, 旨在2060年前通过减少能源排放和增加区域碳汇两方面实现“碳中和”目标[6]. 陆地生态系统是地球上最大的碳库, 是影响大气碳浓度的重要因素[7], 其碳汇潜力引发了广泛关注[8]. 因此, 研究陆地生态系统的固碳效益对推动中国双碳目标的实现具有重要意义.
净生态系统生产力（net ecosystem productivity, NEP）是陆地生态系统和大气之间净CO2交换量, 是研究陆地生态系统碳源/汇的重要指标[9]. 众多学者针对不同区域NEP的时空分布格局及影响因素展开研究, 发现不同区域的NEP变化存在差异, 占主导地位的影响因素也不一致. 刘文利等[10]发现2001~2019年, 中国整体植被碳汇增加, 尤其是北部地区NEP增长趋势显著, 并揭示了气候因素和人类活动对NEP的贡献存在差异；翟涌光等[11]和林黛仪等[12]指出不同的植被类型对NEP的贡献率不同, 存在多时间尺度特征差异；孙倩等[13]模拟了不同气候背景下草地碳收支的趋势, 明确了不同气候背景下草地的碳汇强度；孙洋洋等[14]从城乡梯度对不同绿地类型碳源/汇水平的作用进行剖析, 结果表明城市绿地空间NEP分布及影响因子存在显著的城乡梯度与绿地类型差异. 在生态系统固碳效益领域, 已有的相关研究多集中于探究气候变化对NEP的影响, 在一定程度上忽略了人类活动的贡献, 对影响因素的定量分析较为粗略, 且对京津冀区域的NEP时空分布格局及驱动机制相关研究较少. 因此选取京津冀为研究区, 在气候变化和人类活动方面对京津冀生态系统固碳效益时空分布和驱动机制开展研究.
京津冀地区是中国的“首都经济圈”, 也是未来实现“双碳”战略和促进经济社会绿色发展转型的关键区域[15], 其生态系统复杂多样, 拥有森林、草原、湿地和农田等多种植物生态系统类型；过去10 a中, 京津冀通过防风固沙和涵养水源等一系列生态环境保护措施, 在生态环境承载能力范围内寻求最优的可持续发展模式, 在环境治理上取得了明显成效, 实现经济快速发展和生态环境两者间的平衡[16]. 随着气候变化和经济发展, 碳排放成为生态研究的重要课题[17]. 本文基于MODIS遥感数据估算了净生态系统生产力（NEP）, 采用Sen趋势+MK检验、Hurst指数和重心迁移等方法探究了京津冀2002~2020年固碳效益时空格局和演替规律, 利用偏相关、复相关及残差分析定量解析了人类活动和气候改变驱动固碳效益时空变化的相对贡献. 本研究结论有利于京津冀区域政府制定精准生态系统保护与修复对策, 旨在助力国家双碳目标的实现.
1 研究区概况京津冀地区是中国的环渤海心脏地带, 位于暖温带半湿润大陆性季风气候带, 四季分明, 光照充足；所占面积约21.6万km2, 人口约1.1亿, 是中国北方经济规模最大、最具活力的地区；其地理位置优越, 毗邻渤海, 是中国重要的出海口之一. 研究区地势总体呈现西北高-东南低的空间分布特征, 自然地理要素齐全：有山地、盆地、平原、高原、丘陵、海洋和湖泊等众多地貌类型. 植被类型丰富, 山地丘陵地带分布有针叶林和阔叶林, 主要树种包括松树、柏树及橡树、槐树等, 森林资源丰富, 不仅为京津冀地区带来生态效益, 也提供了可观的经济效益. 草原覆盖面积较大, 草原植被类型以禾草类为主, 灌丛群系丰富, 常见植被种类有羊草、黑麦草、光叶三棱等, 该类植被集中在研究区北部, 为当地畜牧业的发展奠定了自然基础；而东部地区沿海分布有大量湿地, 该区域盐渍化程度较高, 植被主要由盐生植物和草本植物组成, 常见有碱蓬、碱蒿和芦苇等（图 1）.
|
图 1 京津冀地理区位、地形特征及植被类型分布 Fig. 1 Geographic location, topographic features and distribution of vegetation types in Beijing-Tianjin-Hebei Region |
依托GEE云平台获取MODIS传感器MOD17A3HGF v061 NPP数据集, 为验证其精度, 将其与来源于王晓峰等[18]共享数据集的传统CASA计算模型的NPP数据进行验证, 结果证明本NPP数据具备较高的可靠性（图 2）.
|
图 2 研究区MODIS NPP产品与CASA计算NPP对比 Fig. 2 Comparison of MODIS NPP products with CASA-calculated NPP in the study area |
植被通过光合作用从大气中固定的碳用NPP表征, 它是陆地生态系统碳循环的重要组成部分, 将NPP减去土壤异养呼吸即为NEP, 当NEP为正时, 表示生态系统为碳汇, 反之为碳源.
|
(1) |
获取NEP的关键是要估算Rh[19], Rh一般只能进行少数样点的直接测定, 且需要耗费大量人力和物力, 目前尚无成熟的从自然因素（如碳密度和气候等因素）直接求解Rh的方法, 一般通过土壤呼吸（Rs）进行间接估算. 土壤异养呼吸Rh采用张梅等[20]建立的模型计算：
|
(2) |
式中, Rh和Rs（以C计）单位均为kg·（m2·a）-1.
根据现有的研究成果, 可利用0~20 cm土壤碳密度、气温及降水数据求解Rs；考虑到Chen等[21]的研究成果在目前土壤呼吸模型研究中采样点较完备（147个）, 故本文采用其研究结果估算Rs：
|
(3) |
式中, Rs为年土壤呼吸[以C计, kg·（m2·a）-1]；T为年均气温（℃）；P为年降水量（mm）；SOC为0~20 cm表层土壤碳密度[22]（以C计, kg·m-2）.
2.1.3 气象数据气象数据来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）, 原始数据默认为nc格式. 在ArcGIS中, 可以使用创建NetCDF格式图层和创建栅格图层工具, 导出每月的数据, 并进行年均气温和年累计降水量的计算. 数据经过初始处理后, 可以根据研究区域进行掩膜处理、重采样等方法从而得到最终的数据.
2.2 研究方法 2.2.1 Sen趋势分析+MK检验本研究采用Sen趋势分析和Mann-Kendall检验相结合的方法分析各遥感指数的长期变化趋势. 针对某一遥感指数x, 首先基于Theil-Sen Median方法计算其年际变异趋势值ρ[23]：
|
(4) |
式中, n为研究年数；xi为第i年的NEP值, ρ为趋势度, 当ρ < 0时, 表示呈下降趋势, 当ρ > 0时, 表示呈上升趋势.
Mann-Kendall检验能够有效检验植被动态的时间序列变化趋势, 本研究将Sen趋势分析和MK检验相结合, 分析研究区的NEP变化趋势以及显著情况[24].
MK检验公式：
|
(5) |
|
(6) |
|
(7) |
式中, Q为检验统计量；Z为标准化后的检验统计量；Var(Q)为方差, 在给定的α显著性水平下, 若Z < Z (1 - α)/2, 则表示通过了相应置信度的显著性检验.
2.2.2 未来可持续性-Hurst指数Hurst指数可描述未来时间内变化趋势的可持续性, 本研究采用R/S分析法计算H值对时间序列的长时间相关性定量分析[25], 取值范围为0~1. H值在（0, 0.5）范围, 为反持续性趋势, 表示未来与过去趋势相反, 越接近于0, 表示反持续性越强；当H等于0.5时表示未来与过去趋势无关；当H值在（0.5, 1）范围为持续性趋势, 即未来与过去趋势相同, 越接近1, 表示持续性趋势越强[26].
2.2.3 重心迁移分析采用重心迁移模型可以揭示某一要素在迁移距离、迁移角度和迁移方向上的空间变化特征[27]. 本研究对特定区域内2002~2020年碳源碳汇进行重心轨道描述, 并基于ArcGIS软件对重心迁移轨迹制图.
2.2.4 相关性分析（偏相关和复相关）偏相关分析用来探索植被生长与单一气候因子之间的联系, 并剔除其他气候因子的影响, 被广泛用于检测影响植被生长的主要气候驱动因子[28]. 计算公式为：
|
(8) |
式中, x、y和z分别为NEP、气温和降水量；Rxy，z为剥离z后x和y的偏相关系数, 其取值范围为[-1, 1]；Rxy、Rxz和Ryz分别为x、y和z中每两个因子间的相关系数, 本研究逐像元分析NEP与气温、降水的偏相关性.
为更进一步解析各要素之间的相互关系与综合影响采用复相关分析方法[29]. 其计算公式如下：
|
(9) |
式中, Rx，yz为NEP与两个气象因子的复相关系数；Rxy为x与y的线性相关系数；Rxz，y为x、z与y的偏相关系数. 利用经典的T检验和F检验分别进行复相关系数的显著性检验.
2.2.5 残差分析残差分析是目前间接确定人类活动对植被变化影响的最有效方法之一[30]. 本文在Matlab软件中建立实际NEP与气温、降水要素之间的二元一次线性回归模型, 以此求出气候因素对NEP产生影响的部分, 即NEP预测值. 利用预测NEP与实际NEP的差值来衡量人类活动导致的NEP的增减幅度, 计算如公式：
|
(10) |
式中, NEPH为残差及在人类活动影响下的NEP损失或增加值, 若NEPH为正, 人类活动对植被NEP变化正向影响；NEPH为负, 人类活动对植被NEP变化负向影响；NEPH为零, 人类活动对植被NEP影响甚微. 通过进行Theil-Sen趋势分析, 得出KH、KA和KP, 即人类活动作用下的NEPH 、实际NEPA和预测NEPP[31]的平均变化斜率, 若K < 0, 表明研究时期内呈现下降趋势, 反之呈现增加趋势. K绝对值大小反映其变化程度, 绝对值越大, 表示变化越强烈, 反之变化较小.
采用上述3种NEP斜率进行组合, 形成以下6种情景（表 1）, 以此定量分析京津冀地区气候变化和人类活动对植被NEP变化的影响程度.
|
表 1 各种可能情景下气候变化和人类活动在NEP变化中的相对作用评价 Table 1 Assessment of the relative effects of anthropogenic activities and climate factors in NEP change under different conditions |
3 结果与分析 3.1 NEP时空格局及演替规律 3.1.1 NEP时空格局
由图 3可知, 19 a间京津冀地区年平均NEP整体呈波动上升趋势, 上升速率（以C计, 下同）为3.066 4 g·（m2·a）-1, 年均NEP值介于-38.18~62.00 g·（m2·a）-1之间. 在2020年达到NEP最高值, 约为62.00 g·（m2·a）-1, 2007年NEP下降至最低值-38.18 g·（m2·a）-1. 总体上看, 2002~2011年间平均NEP波动比较严重, 随年份变化的相关性小, 但在2012年后, NEP随时间呈现稳步增长趋势；由图 4可得, 京津冀地区19 a平均NEP值整体呈现“西北高东南低”的空间分布格局, 最大值为506.942 g·（m2·a）-1, 最低值为-490.178 g·（m2·a）-1, 总体呈碳汇作用, 天津市、唐山市、邢台市和邯郸市等地的NEP值较低, 承德市、张家口、阜平县、平山县和涉县等区域多年平均NEP值较高.
|
图 3 年平均NEP随时间变化规律 Fig. 3 Changes in annual average NEP over time |
|
图 4 多年平均NEP空间分布格局 Fig. 4 Spatial distribution pattern of multi-year average NEP |
由图 5和表 2可知, 自2002年以来京津冀大部分地区植被NEP呈上升趋势, 占总面积的84.32%, 其中极显著上升趋势的面积占比为47.45%（P < 0.01）, 多集中于西北部山区和东南部平原区；呈显著下降与极显著下降趋势的面积占比分别为0.78%、1.59%, 主要分布于秦皇岛市、唐山市曹妃甸区、天津市与沧州市部分县区、石家庄市桥西区、邯郸市峰峰矿区和大名县等地, 推测与城市化的快速发展、城市周边的植被和耕地被占用有关, 使得植被覆盖率下降, 进一步影响植被的固碳能力. 显著上升与不显著上升趋势的面积占比分别为8.29%（P < 0.05）与28.58%（P > 0.05）, 零散分布于京津冀全域, 不显著上升区域集中分布在秦皇岛市、沧州市和天津市等地区, 与其较为稳定的耕作方式密切相关.
|
图 5 像元尺度NEP显著性分区 Fig. 5 Image metric scale NEP significance partitioning |
|
|
表 2 不同显著性占比 Table 2 Different significance percentages |
3.1.3 NEP未来可持续性
将Hurst指数与趋势显著性的结果进行叠加, 预测研究区植被未来变化规律, 结果如图 6所示, 其中增加趋势强烈变缓区域主要集中于研究区西南部以及东北部, 包括秦皇岛市、唐山市和涉县等地, 可能由于当地植被生态良好, 持续增加潜力变小. 增加趋势有所变缓的区域主要集中于京津冀的中部及西北部等地, 土地利用类型以耕地为主, 受人类活动影响大, 增加趋势变缓；减少趋势强烈变缓区域分布占比较少, 主要出现在永年县、磁县、抚宁县以及滦南县等地, 受当地政府的强力扶持, 植被减少情况有所遏制；而减少趋势有所变缓区域主要位于研究区的东南部, 在沧县、滨海新区和昌黎县等地也均有出现. 呈现出增加趋势有所增强的区域在衡水市、邢台市与沧州市南部均有分布, 减少趋势有所增强的区域零散分布于沧州市北部、泊头市和沧县北部等地. 增加趋势强烈增强区域与减少趋势强烈增强区域面积极少, 少量分布于天津市与衡水市. 对结果分析发现, 京津冀地区的持续性分区与当地的植被类型和人类活动有着密切联系.
|
图 6 像元尺度NEP未来可持续性分区 Fig. 6 The NEP future sustainability partitioning at image metric scale |
负值NEP表示生态系统总体向大气排放CO2, 为碳源作用. 如图 7可知, 2002~2020年间碳源重心迁移轨迹大体在（115°40′~116°00′E, 38°20′~39°00′N）范围内, 主要在容城县、安新县、高阳县和肃宁县等地变换. 将研究时间大致分为3个阶段：其中2002~2010年轨迹跨越较大, 由容城县（115°52′E, 39°05′N）移动到安新县（115°53′E, 38°50′N）, 直线距离约为61.231 km；2011~2015年主要在肃宁县与高阳县移动, 由（115°52′E, 38°25′N）移动到（115°48′E, 38°30′N）, 直线距离约为6.572 km；2016~2020年位于河间市, 由（116°02′E, 38°32′N）移动到（116°06′E, 38°31′N）, 直线距离约为3.666 km. 结果表明, 由于政策调整、产业转移等原因, 京津冀地区碳源的重心整体表现为由西北山地区向东南平原区迁移的趋势.
|
图 7 碳源重心迁移轨迹 Fig. 7 Trajectory of the center of gravity of carbon sources |
正值NEP表示生态系统整体从大气吸收CO2, 表现为碳汇作用. 由图 8可知, 2002~2020年间碳汇重心迁移轨迹大体在（116°00′~117°00′E, 39°40′~41°00′N）范围内, 距离大约为197.36 km, 变化轨迹主要为由南向北变化, 主要集中在怀柔、昌平及延庆区. 将研究时间大致分为3个阶段：2002~2010年由密云区移动到怀柔区[（117°24′E, 40°37′N）~（117°02′E, 40°32′N）], 直线距离约为19.477 km；2011~2015年位于怀柔区和昌平区, 由（117°02′E, 40°32′N）移动到（116°23′E, 40°22′N）, 直线距离约为34.946 km；2016~2020年从怀柔区（117°02′E, 40°32′N）移动到北京市辖区（116°30′E, 40°30′N）, 直线距离约为54.112 km. 由于怀柔区和昌平区近年来贯彻落实生态涵养保护, 大力发展高新技术产业, 实行产业转移, 为正值NEP重心的转移做出了突出的贡献, 总体来看, 碳汇重心呈现由东北向西南迁移的变化趋势.
|
图 8 碳汇重心迁移轨迹 Fig. 8 Carbon sink center of gravity migration trajectory |
2002~2020年京津冀地区NEP与降水的偏相关系数及显著性分区如图 9所示. NEP与年均降水量的偏相关系数范围为-0.99~0.82, 通过显著性检验可得, 研究区域内呈现正相关区域的面积较大, 为63.48%, 其中呈极显著和显著正相关的区域面积占比分别为0.24%和0.88%（见表 3）, 主要分布于唐县、易县、兴隆县和宽城满族自治县等地；呈显著负相关、极显著负相关的区域分别占比为1.39%与0.80%, 主要分布在滨海新区、抚宁区、卢龙县以及武安市等区域. 整体来看, NEP与降水的偏相关系数在空间分布上为中间向两边逐渐由高到低的格局, 但相关性并不显著.
|
图 9 NEP与降水的偏相关系数及显著性分区 Fig. 9 Partial correlation coefficients and significance partition of NEP and precipitation |
|
|
表 3 NEP与降水的显著性统计 Table 3 Statistics of significance between NEP and precipitation |
2002~2020年京津冀地区NEP与温度的偏相关系数及显著性分区如图 10所示. 研究区年均气温与NEP的偏相关系数介于-0.80~0.81, 空间上呈现出南北低、东西高的趋势. NEP与温度呈正相关的区域面积占比52.17%, 其中, 呈极显著和显著正相关的区域面积占比分别为0.19%和1.08%（见表 4）, 主要分布在文安县、北辰区、西青区和滨海新区等地, 这些区域降水较为充足, 温度的升降对植被有一定的影响；NEP与温度呈极显著、显著负相关的区域面积占比分别为0.10%和0.51%, 主要分布在安平县、邯郸市、武安市、沙河市、赵县、宁晋县和正定县等地.
|
图 10 NEP与温度的偏相关系数及显著性分区 Fig. 10 Partial correlation coefficient and significance partition of NEP with temperature |
|
|
表 4 NEP与温度的显著性统计 Table 4 Significance statistics between NEP with temperature |
3.2.2 NEP与气象因子的复相关关系
NEP与气象因子的复相关系数在0~0.99之间（图 11）, 东部系数较高, 西北部及南部复相关系数较低. 将T检验和F检验的结果进行叠加分析得到, 其他因素驱动区域面积约占总面积的97.10%；气象因子驱动区域占比仅为2.90%, 其中, 降水强驱动和气温强驱动分别占比为0.66%和0.12%（见表 5）, 主要分布在滨海新区、唐海县、兴隆县、丰南区、东丽区与黄骅市等地；气温降水共同强驱动占比仅为0.03%. 整体来看, 气象因子和其他因素对京津冀地区NEP空间变化的贡献率从大到小依次为：其他因素 > 降水 > 气温 > 气温-降水共同作用, 可知存在气象因素之外的其他因素主导着NEP的变化.
|
图 11 NEP与气象因子的复相关系数及驱动模式分区 Fig. 11 Complex correlation coefficients and driving mode partitioning between NEP and meteorological factors |
|
|
表 5 驱动模式统计 Table 5 Drive mode statistics |
3.2.3 NEP与人类活动的定量关系
如图 12所示, NEP退化区域占12.41%, 主要位于东南部, 改善区占比较大（87.59%）, 表明研究区NEP整体呈恢复趋势；通过残差分析可知（见图 13和表 6）, 人类主导的改善区域占比较大（94.88%）, 其中人类活动起主因作用的区域占比为69.62%, 主要集中于西北部, 人类活动起单独作用地区占比为25.26%, 主要分布于围场县、丰宁满族自治县、平泉县、沽源县和康保县等地；而气候主导改善的面积占比仅为5.12%, 其中气候主因改善面积占比为3.83%, 单独改善区域面积占比为1.29%, 零星分布于乐亭县、丰南区、宁河县及静海区一带.
|
图 12 京津冀NEP实际改善区、退化区及其占比 Fig. 12 Actual improvement area, degradation area, and their proportion in the Beijing-Tianjin-Hebei Region NEP |
|
图 13 实际改善区人类活动和气候改变的贡献模式 Fig. 13 Contribution patterns of anthropogenic activities and climate change in the actual improvement area |
|
|
表 6 实际改善区人类活动和气候改变的模式占比 Table 6 Percentage of patterns of anthropogenic activities and climate change in the actual improvement area |
由图 14和表 7可得, NEP退化区主要集中于丰南区、滦县、昌黎县以及青县等地；其中人类主导退化、人类主因退化的面积分别占比为37.16%和30.00%, 人类活动起单独作用的地区占比为7.16%, 主要分布于昌黎县、乐亭县和丰南区等地；研究区受到气候主导退化的面积占比约为62.84%, 气候起单独作用和主因作用的面积占比分别为32.53%和30.31%, 集中在青龙满族自治县、抚宁县、丰南区、滦县、卢龙县、大城县、沧县、赵县和永年区等地.
|
图 14 实际退化区人类活动和气候改变的贡献模式 Fig. 14 Contribution patterns of anthropogenic activities and climate change in actual degraded area |
|
|
表 7 实际退化区人类活动和气候改变的贡献模式占比 Table 7 Contribution mode share of anthropogenic activities and climate change in actual degraded area |
由以上分析可知, 人类活动在改善区中的促进作用较为明显, 这与我国长期实施各项生态治理措施有很大关系, 而从退化区的贡献率可以看出, 虽然人类活动在一定程度上驱动了NEP的退化, 但气候因素仍是NEP退化的主要原因.
4 讨论 4.1 时空分异格局分析京津冀地区协同发展作为国家层面的区域重大战略, 聚焦其固碳效益的时空分异格局具有特殊意义. 采用Sen-MK检验分析京津冀地区NEP多年变化特征, 在2002~2020年NEP呈波动上升趋势, 其空间异质性显著, 表现为“西北高、东南低”的分布格局, 与鲁军景等[32]的研究结果相似, 强碳汇地区主要在张家口和承德市周围, 这与张-承地区开展的人工造林和封山育林等治理工程措施相关[33], 而中部在工业化的推动下, 耕地多转化为建设用地, 导致生态系统的碳储存能力有所下降[34]；植被变化持续性较高的地区主要在研究区东南部平原, 多为主要农业生产区, 耕地面积较广, 精细化的农田管理和灌溉措施对该区域植被生长起到了促进作用[35], 但研究区半数以上地区呈反持续性, 且占比高达88%, 说明未来亟需协调经济发展与生态之间的矛盾.
基于显著性分区和重心迁移分析, 得出自2002年以来京津冀大部分地区植被NEP呈上升趋势, 占总面积的84.32%, 说明研究区生态质量在逐步改善, 这得益于其积极实施的三北防护林工程、退耕还草等一些列生态保护工程；在研究时间序列内碳源重心迁移轨迹移动主要集中在保定、沧州两市, 逐渐向东南方向迁移, 保定市部分区域在城市中心或是城市群发展轴上[36], 因此其植被覆盖下降可能与建成区快速扩张有一定关系；而碳汇重心迁移轨迹曲折, 但整体呈现由东北向西南迁移的变化趋势, 可能与当地政府实施经济结构转型、发展高新产业、实施节能减排等措施[37]相关, 同时重心的迁移与城市化水平及生态保护修复工程的发展息息相关.
4.2 驱动机制分析相关性分析表明气象因子是影响京津冀地区植被变化的重要因素, 在2002~2020年间研究区超过50%区域的植被NEP与年平均气温和年累计降水呈现正相关关系, 温度呈极显著和显著正相关占比为1.27%, 而降水呈极显著和显著正相关占比为1.12%, 其主要集中在降水相对充沛处, 加之适宜的温度使得当地水热条件优越, 植被生长较为繁茂[38]；利用复相关进一步解析各要素之间的复杂关系, 在19 a间京津冀地区植被NEP与气象因子的复相关系数介于0~0.99, 在东部影响尤为显著, 表明气候和降水影响了研究区植被空间分布格局；且已有研究表明在不同季节两者对植被的影响程度不同[39], 但两者的显著性整体均较弱, 气温（98.13%）和降水（96.69%）对研究区NEP多表现为不显著. 值得注意的是研究结果指出, 气象因子之外的其他因子对其影响更为强烈, 受非气候因子驱动更显著, 这与赵志平等[40]的结果一致, 说明亟需对其展开深入剖析.
通过残差分析进一步将气候因素剥离, 深入探究人类活动对植被变化的影响, 研究指出人类主导的固碳效益提升区域占总改善区的94.88%, 而退化区中气候主导的固碳效益降低区域占62.84%, 说明人类活动因素对植被覆盖变化起到显著改善作用, 这得益于研究区三北防护林、京津风源治理等生态工程的实施[41]. 但随着极端气候“杜苏芮”北上引发京津冀罕见暴雨洪涝, 对耕地粮食生产造成严重干扰[42], 在一定程度上降低了当地的固碳效益；NEP退化区域面积为12.41%, 中部和东南部出现不同程度的生态退化[43], 而人类主导退化区域高于气候主导, 人类活动对植被生长的负面影响在城镇化加速发展的城市地区较为明显, 耕地多转化为建设用地[44]；但其驱动改善面积高达87.59%, 表明我国近年来对生态环境治理高度重视, 坚持统筹规划的理念, 加强生态修复的系统规划, 以提升京津冀地区生态涵养区功能[45], 可见人类活动是影响植被NEP变化的主导因素[46]. 但针对不同研究区和时间序列而言, 陆地生态系统受气候因素和人类活动的驱动占比有所不同, 虽然本项研究探究了气候因素和人类活动在NEP中产生的不同影响, 但除降水和温度之外的其他自然因子尚未考察, 有待加强量化植被碳循环过程中的人类足迹[47], 建立更为完善的驱动因子分析体系, 衡量其对生态系统的固碳效益的影响, 推动区域生态系统减排增汇, 助力京津冀地区双碳目标实现.
5 结论（1）京津冀地区年均NEP整体呈上升趋势, 上升速率为（以C计）3.066 4 g·（m2·a）-1, 整体呈现“西北高、东南低”的空间分布格局, 总体呈碳汇作用, 超过80%的地区碳汇能力显著提升, 张家口和承德尤为显著, 天津和邯郸等地则表现为碳源；碳源重心由西北部山区向东南部平原迁移, 碳汇重心则由东北向西南迁移.
（2）NEP对气象因子的响应具有空间异质性, 其中降水的偏相关系数在空间分布上呈现中间向两边逐渐降低趋势；而温度则表现为南北低、东西高的分布特点, 但两者的相关性均较弱；复相关分析表明气象因素之外的其他因素主导着NEP的变化.
（3）残差分析表明, 气候主导退化的面积占总退化区的62.84%, 人类主导的改善区域占总改善区的94.88%, 证明京津冀地区气候改变是生态系统固碳能力退化的主要原因, 而人类活动的正向作用是促进生态系统固碳能力改善的主要驱动力.
| [1] |
马潇颖. 京津冀地区碳中和关键因素减排固碳潜力研究[D]. 北京: 华北电力大学(北京), 2022. Ma X Y. Research on the carbon reduction and fixation potential of key factors for carbon neutralization in Beijing-Tianjin-Hebei region[D]. Beijing: North China Electric Power University (Beijing), 2022. |
| [2] | González P F, Presno M J, Landajo M. Tracking the change in Spanish greenhouse gas emissions through an LMDI decomposition model: a global and sectoral approach[J]. Journal of Environmental Sciences, 2024, 139: 114-122. DOI:10.1016/j.jes.2022.08.027 |
| [3] |
方精云. 碳中和的生态学透视[J]. 植物生态学报, 2021, 45(11): 1173-1176. Fang J Y. Ecological perspectives of carbon neutrality[J]. Chinese Journal of Plant Ecology, 2021, 45(11): 1173-1176. |
| [4] |
孙颖. 人类活动对气候系统的影响——解读IPCC第六次评估报告第一工作组报告第三章[J]. 大气科学学报, 2021, 44(5): 654-657. Sun Y. Impact of humanactivities on climate system: an interpretation of chapter Ⅲ of WGI report of IPCC AR6[J]. Transactions of Atmospheric Sciences, 2021, 44(5): 654-657. |
| [5] | Fang C L, Wang S J, Li G D. Changing urban forms and carbon dioxide emissions in China: a case study of 30 provincial capital cities[J]. Applied Energy, 2015, 158: 519-531. DOI:10.1016/j.apenergy.2015.08.095 |
| [6] | Chen L, Msigwa G, Yang M Y, et al. Strategies to achieve a carbon neutral society: a review[J]. Environmental Chemistry Letters, 2022, 20(4): 2277-2310. DOI:10.1007/s10311-022-01435-8 |
| [7] |
林子奇, 王培俊, 刘旗, 等. 2005—2020年淮海经济区耕地碳储量时空演变特征及碳汇区识别[J]. 农业工程学报, 2022, 38(19): 259-268. Lin Z Q, Wang P J, Liu Q, et al. Spatio-temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai economic zone from 2005 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(19): 259-268. |
| [8] |
王怡冰, 李成亮, 张鹏, 等. 济南南部山区土地利用/覆被变化对碳储量的影响研究[J]. 中国环境科学, 2024, 44(7): 3986-3998. Wang Y B, Li C L, Zhang P, et al. Research on the impact of land use/cover change on carbon storage in the southern mountain area of Jinan[J]. China Environmental Science, 2024, 44(7): 3986-3998. |
| [9] | Erb K H, Kastner T, Plutzar C, et al. Unexpectedly large impact of forest management and grazing on global vegetation biomass[J]. Nature, 2018, 553(7686): 73-76. DOI:10.1038/nature25138 |
| [10] |
刘文利, 姜亮亮, 刘冰, 等. 中国植被碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2024, 44(4): 1456-1467. Liu W L, Jiang L L, Liu B, et al. Spatio-temporal evolution characteristics and driving factors analysis of vegetation carbon sources/sinks in China[J]. Acta Ecologica Sinica, 2024, 44(4): 1456-1467. |
| [11] |
翟涌光, 王晓妮, 郝蕾, 等. 2001-2020年内蒙古净生态系统生产力格局多时间尺度分析[J]. 生态环境学报, 2024, 33(2): 167-179. Zhai Y G, Wang X N, Hao L, et al. Multi-time scale analysis of net ecosystem productivity pattern in Inner Mongolia from 2001 to 2020[J]. Ecology and Environmental Sciences, 2024, 33(2): 167-179. |
| [12] |
林黛仪, 周平, 徐卫, 等. 基于集成生物圈模型的南岭不同植被类型碳收支研究[J]. 生态学报, 2024, 44(4): 1429-1440. Lin D Y, Zhou P, Xu W, et al. Carbon budget of different vegetation types in Nanling based on IBIS[J]. Acta Ecologica Sinica, 2024, 44(4): 1429-1440. |
| [13] |
孙倩, 张美玲, 王鑫婧, 等. 不同气候情景下甘肃草地碳收支时空模拟与预测[J]. 环境科学, 2023, 44(10): 5842-5851. Sun Q, Zhang M L, Wang X J, et al. Spatiotemporal simulation and prediction of grassland carbon budget in Gansu under different climate scenarios[J]. Environmental Science, 2023, 44(10): 5842-5851. |
| [14] |
孙洋洋, 沈泽琦, 黄乐妍, 等. 不同城市绿地类型碳源/汇的城乡梯度格局——以杭州市为例[J]. 生态学报, 2024, 44(3): 930-943. Sun Y Y, Shen Z Q, Huang L Y, et al. Patterns of carbon source/sink across urban-rural gradient and urban green space types: a case study of Hangzhou City[J]. Acta Ecologica Sinica, 2024, 44(3): 930-943. |
| [15] |
刘志华, 袁庆禄, 李翠, 等. "双碳"战略下低碳经济与高质量发展协同效应: 以京津冀城市群为例[J]. 环境科学, 2024, 45(11): 6301-6312. Liu Z H, Yuan Q L, Li C, et al. Research on the synergistic effect of low-carbon economy and high-quality development under the "dual-carbon" strategy: a case study of Beijing-Tianjin-Hebei urban agglomeration[J]. Environmental Science, 2024, 45(11): 6301-6312. |
| [16] |
范泽孟. 基于SSP-RCP不同情景的京津冀地区土地覆被变化模拟[J]. 地理学报, 2022, 77(1): 228-244. Fan Z M. Simulation of land cover change in Beijing-Tianjin-Hebei region under different SSP-RCP scenarios[J]. Acta Geographica Sinica, 2022, 77(1): 228-244. |
| [17] |
赵洋. 科技进步视角下京津冀地区绿色金融对碳减排的影响研究[D]. 保定: 河北金融学院, 2023. Zhao Y. Research on the impact of green finance on the carbon emission reduction in the Beijing-Tianjin-Hebei region from the perspective of science and technology progress[D]. Baoding: Hebei Finance University, 2023. |
| [18] |
王晓峰, 王怡, 尹礼唱. 国家生态屏障区1-km分辨率植被净初级生产力数据集(2000-2015)[J]. 全球变化数据学报, 2020, 4(2): 125-130. Wang X F, Wang Y, Yin L C. 1-km Grid NPP dataset covering ecological barrier zone of China (2000-2015)[J]. Journal of Global Change Data & Discovery, 2020, 4(2): 125-130. |
| [19] | Lyu J, Fu X H, Lu C, et al. Quantitative assessment of spatiotemporal dynamics in vegetation NPP, NEP and carbon sink capacity in the Weihe River Basin from 2001 to 2020[J]. Journal of Cleaner Production, 2023, 428. DOI:10.1016/j.jclepro.2023.139384 |
| [20] |
张梅, 黄贤金, 揣小伟, 等. 中国净生态系统生产力空间分布及变化趋势研究[J]. 地理与地理信息科学, 2020, 36(2): 69-74. Zhang M, Huang X J, Chuai X W, et al. Spatial distribution and changing trends of net ecosystem productivity in China[J]. Geography and Geo-Information Science, 2020, 36(2): 69-74. |
| [21] | Chen S T, Huang Y, Zou J W, et al. Interannual variability in soil respiration from terrestrial ecosystems in China and its response to climate change[J]. Science China Earth Sciences, 2012, 55(12): 2091-2098. DOI:10.1007/s11430-012-4464-6 |
| [22] |
解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35-43. Xie X L, Sun B, Zhou H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35-43. |
| [23] |
刘子源, 周德成, 郝璐, 等. 基于3种遥感指数的2000—2020年尼泊尔地区植被生长动态的对比[J]. 环境科学, 2024, 45(10): 5924-5930. Liu Z Y, Zhou D C, Hao L, et al. Comparison of three remote sensing indices in revealling the vegetation growth dynamics in Nepal from 2000 to 2020[J]. Environmental Science, 2024, 45(10): 5924-5930. |
| [24] |
米热·吾斯曼, 杨涵, 钟瑞森, 等. 伊犁河三角洲植被覆盖度时空变化特征及影响因素[J]. 水生态学杂志. Saimire·Wusiman, Yang H, Zhong R S, et al. Characterization of spatial and temporal changes and influencing factors in vegetation cover in the Ili River delta[J]. Journal of Hydroecology. DOI:10.15928/j.1674-3075.202312150382 |
| [25] |
佘洁, 佘璐, 沈爱红, 等. 宁夏沿黄城市带植被覆盖度时空变化及驱动力分析[J]. 环境科学, 2024, 45(11): 6458-6476. She J, She L, Shen A H, et al. Spatiotemporal changes and driving force analysis of vegetation cover in the urban belt along the Yellow River in Ningxia[J]. Environmental Science, 2024, 45(11): 6458-6476. |
| [26] |
马楠, 白涛, 蔡朝朝. 2000-2021年新疆植被覆盖度变化及驱动力[J]. 水土保持研究, 2024, 31(1): 385-394. Ma N, Bai T, Cai Z Z. Vegetation cover change and its response to climate and surface factors in Xinjiang based on different vegetation types[J]. Research of Soil and Water Conservation, 2024, 31(1): 385-394. |
| [27] |
夏圣洁, 陈慧儒, 张钧韦, 等. 生态用地动态演变与热环境的空间自相关分析——以山西中部城市群为例[J]. 中国环境科学, 2024, 44(2): 1032-1040. Xia S J, Chen H R, Zhang J W, et al. Spatial autocorrelation analysis of ecological land dynamic evolution and thermal environment: a case study of Shanxi central urban agglomeration[J]. China Environmental Science, 2024, 44(2): 1032-1040. |
| [28] |
王祎宸, 贺洁, 何亮, 等. 黄河流域2001—2020年植被物候及其对气候变化的响应[J]. 生态学报, 2024, 44(2): 844-857. Wang Y C, He J, He L, et al. Vegetation phenology and its response to climate change in the Yellow River Basin from 2001 to 2020[J]. Acta Ecologica Sinica, 2024, 44(2): 844-857. |
| [29] |
喀迪阿依·阿力木, 玉素甫江·如素力, 肉克亚木·艾克木, 等. 2001—2017年艾比湖流域积雪时空变化及其驱动因子分析[J]. 生态科学, 2023, 42(3): 127-135. Kadiayi A L M, Yusufujiang R S L, Roukeyamu A K M, et al. Temporal and spatial changes of snow cover in the Ebinur Lake basin from 2001 to 2017 and analysis of its driving factors[J]. Ecological Science, 2023, 42(3): 127-135. |
| [30] |
赵安周, 田新乐. 基于GEE平台的1986—2021年黄土高原植被覆盖度时空演变及影响因素[J]. 生态环境学报, 2022, 31(11): 2124-2133. Zhao A Z, Tian X L. Spatiotemporal evolution and influencing factors of vegetation coverage in the Loess Plateau from 1986 to 2021 based on GEE platform[J]. Ecology and Environmental Sciences, 2022, 31(11): 2124-2133. |
| [31] |
单振东, 刘顿, 骆汉, 等. 气候变化背景下人类活动对承德接坝区植被净初级生产力的影响[J]. 环境科学, 2023, 44(11): 6215-6225. Shan Z D, Liu D, Luo H, et al. Impacts of human activities on the net primary productivity of vegetation in Chengde's transitional region from plateau to plain in the context of climate change[J]. Environmental Science, 2023, 44(11): 6215-6225. |
| [32] |
鲁军景, 孙雷刚, 左璐, 等. 基于京津冀功能分区的植被覆盖度时空演变特征及其影响因子[J/OL]. 自然资源遥感, 1-12. http://kns.cnki.net/kcms/detail/10.1759.P.20240204.1612.008.html, 2024-02-06. Lu J J, Sun L G, Zuo L, et al. Spatiotemporal variation characteristics and influencing factors of vegetation fractional cover in Beijing-Tianjin-Hebei functional regions[J/OL]. Remote Sensing for Natural Resources, 1-12. http://kns.cnki.net/kcms/detail/10.1759.P.20240204.1612.008.html, 2024-02-06. |
| [33] |
赵文博, 冯莉莉, 赵安周, 等. 河北省2000-2017年荒漠化的时空演变及其气候驱动因子[J]. 水土保持通报, 2021, 41(4): 252-259. Zhao W B, Feng L L, Zhao A Z, et al. Spatial and temporal evolution of desertification and its driving factors of climate in Hebei Province[J]. Bulletin of Soil and Water Conservation, 2021, 41(4): 252-259. |
| [34] |
种方方, 杜加强, 朱晓倩, 等. 京津冀陆地生态系统碳储量估算与空间格局分析[J]. 环境科学研究, 2023, 36(11): 2065-2073. Chong F F, Du J Q, Zhu X Q, et al. Carbon Storage estimation and spatial pattern analysis of terrestrial ecosystems in the Beijing-Tianjin-Hebei region[J]. Research of Environmental Sciences, 2023, 36(11): 2065-2073. |
| [35] |
陈澍祺, 何玲, 闫丰. 京津冀植被覆盖度时空演变及其对自然人为变化的响应[J]. 中国环境科学, 2024, 44(7): 3931-3944. Chen S Q, He L, Yan F. Spatiotemporal evolution of vegetation coverage in Beijing-Tianjin-Hebei and its response to natural anthropogenic changes[J]. China Environmental Sciences, 2024, 44(7): 3931-3944. |
| [36] |
黄经南, 惠雨, 杨石琳. 多尺度京津冀城市群植被覆盖时空动态评价及规划启示[J]. 测绘地理信息, 2023, 48(3): 91-95. Huang J N, Hui Y, Yang S L. Multiscale spatiotemporal dynamic evaluation of vegetation cover and planning inspiration in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Geomatics, 2023, 48(3): 91-95. |
| [37] |
陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283. Chen J S, Zhang J J, Li J L, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283. |
| [38] |
刘海新, 孔俊杰, 孙振宇, 等. 京津冀植被NPP时空演变及驱动因素探究[J/OL]. 华北水利水电大学学报(自然科学版), 1-14. http://kns.cnki.net/kcms/detail/41.1432.tv.20231128.1001.004.html, 2023-11-28. Liu H X, Kong J J, Sun Z Y, et al. Spatial and temporal evolution of NPP and its driving factors in Beijing-Tianjin-Hebei[J/OL]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 1-14. http://kns.cnki.net/kcms/detail/41.1432.tv.20231128.1001.004.html, 2023-11-28. |
| [39] |
孙艳玲, 郭鹏. 1982—2006年华北植被覆盖变化及其与气候变化的关系[J]. 生态环境学报, 2012, 21(1): 7-12. Sun Y L, Guo P. Variation of vegetation coverage and its relationship with climate change in North China from 1982 to 2006[J]. Ecology and Environmental Sciences, 2012, 21(1): 7-12. |
| [40] |
赵志平, 汉瑞英, 关潇, 等. 2000—2019年京津冀地区植被覆盖状况变化及驱动因素[J]. 生态学报, 2022, 42(21): 8860-8868. Zhao Z P, Han R Y, Guan X, et al. Change of vegetation coverage and the driving factor in the Beijing-Tianjin-Hebei region from 2000 to 2019[J]. Acta Ecologica Sinica, 2022, 42(21): 8860-8868. |
| [41] |
高旭旭, 于长文, 张婧, 等. 定量评估京津冀气候变化和人类活动对植被NPP变化的相对作用[J]. 中国农业气象, 2022, 43(2): 124-136. Gao X X, Yu C W, Zhang J, et al. Quantitative assessment on the relative influence of climatic change and human activities on net primary productivity in Beijing-Tianjin-Hebei[J]. Chinese Journal of Agrometeorology, 2022, 43(2): 124-136. |
| [42] |
杨晓军, 张强, 叶培龙, 等. 中国北方2021年3月中旬持续性沙尘天气的特征及其成因[J]. 中国沙漠, 2021, 41(3): 245-255. Yang X J, Zhang Q, Ye P L, et al. Characteristics and causes of persistent sand-dust weather in mid-March 2021 over Northern China[J]. Journal of Desert Research, 2021, 41(3): 245-255. |
| [43] | Zou Y, Chen W, Li S L, et al. Spatio-temporal changes in vegetation in the last two decades (2001-2020) in the Beijing-Tianjin-Hebei region[J]. Remote Sensing, 2022, 14(16). DOI:10.3390/rs14163958 |
| [44] |
吕国旭, 陈艳梅, 邹长新, 等. 京津冀植被退化的空间格局及人为驱动因素分析[J]. 生态与农村环境学报, 2017, 33(5): 417-425. Lü G X, Chen Y M, Zou C X, et al. Spatial pattern and driving factors of vegetation degradation in Beijing-Tianjin-Hebei[J]. Journal of Ecology and Rural Environment, 2017, 33(5): 417-425. |
| [45] |
武帅, 田冰, 顾世杰, 等. 基于PSRM模型的京津冀地区生态脆弱性时空演变[J]. 环境科学, 2023, 44(10): 5630-5640. Wu S, Tian B, Gu S J, et al. Spatial-temporal evolution of ecological vulnerability in Beijing-Tianjin-Hebei region based on PSRM model[J]. Environmental Science, 2023, 44(10): 5630-5640. |
| [46] |
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. |
| [47] | Shao Y K, Zhu Q, Feng Z K, et al. Temporal and spatial assessment of carbon flux dynamics: evaluating emissions and sequestration in the three northern protection forest project areas supported by google earth engine[J]. Remote Sensing, 2024, 16(5). DOI:10.3390/RS16050777 |