环境科学  2025, Vol. 46 Issue (8): 4733-4741   PDF    
基于机器学习的中国陆地生态系统碳通量预测及其对土地利用变化的响应
吴美玲, 邵彦川, 胡丽条, 杨建勋, 刘苗苗, 方文, 毕军, 马宗伟     
南京大学环境学院,污染控制与资源化研究国家重点实验室,南京 210023
摘要: 近年来,全球气候变化对生态系统和社会经济造成了重大影响,中国地区同样面临着严峻的挑战,研究中国陆地生态系统碳通量和土地利用变化对其的影响至关重要. 基于中国站点通量数据和气象、植被等预测因子,构建机器学习模型估算中国陆地生态系统碳通量. 经过4种模型比较,最终选择随机森林模型作为最佳预测模型,该模型在测试集和十折交叉验证中R2分别为0.77和0.73,RMSE(以C计)分别为32.85 g·(m2·月)-1和35.09 g·(m2·月)-1. 预测生成2000年至2020年逐月1 km分辨率的中国陆地生态系统碳通量数据集. 数据显示,中国2000~2020年间陆地碳汇呈现东南至西北递减趋势,最大的碳汇位于中国南部季风区、华北地区和东北山区. 内蒙古和青藏高原腹地为弱碳源,新疆和青藏高原东北部为较强碳源. 陆地碳汇受气候影响,具有明显季节性变化. 近20 a来,我国陆地碳汇(以C计)变化范围为0.38~0.77 Pg·a-1,整体呈现增强趋势. 结合土地利用数据发现,林地的碳汇最强,其次是耕地和建设用地;草地呈现弱碳源状态,未利用土地呈现较强碳源状态. 不同土地类型的转变对陆地碳汇有显著影响:耕地转变为非林地类型或林地转变为其他土地类型均会减少碳汇,草地转变为未利用土地或建设用地转变为草地和未利用土地均会减少碳汇;而未利用土地转变为其他土地类型均会增加碳汇. 合理的土地利用政策有助于增加碳汇,促进应对气候变化和保护生态环境.
关键词: 机器学习      陆地生态系统      碳通量      碳汇      土地利用变化     
Machine Learning-based Prediction of Carbon Fluxes in Terrestrial Ecosystems in China and Its Response to Land Use Change
WU Mei-ling , SHAO Yan-chuan , HU Li-tiao , YANG Jian-xun , LIU Miao-miao , FANG Wen , BI Jun , MA Zong-wei     
State Key Laboratory of Pollution Control and Resource Utilization, School of Environment, Nanjing University, Nanjing 210023, China
Abstract: Current carbon flux data for China's terrestrial ecosystems have limitations, such as short time series and low resolution. Generating longer time series and higher-resolution carbon flux data for these ecosystems is crucial for studying their temporal and spatial variation characteristics and for analyzing the impact of land use changes on carbon fluxes. This study constructed four machine learning models using flux data from Chinese sites and relevant predictor variables, identifying the random forest model as the best predictive model. The R2 values for the training and test sets were 0.73 and 0.77, respectively, with RMSE (in C) values of 35.09 g·(m2·month)-1 and 32.85 g·(m2·month)-1. The model was validated through ten-fold cross-validation and leave-one-site-out cross-validation, and it was subsequently used to generate a monthly carbon flux prediction dataset for China's terrestrial ecosystems at 1 km resolution from 2000 to 2020. The results showed a decreasing trend in terrestrial carbon sinks from southeast to northwest China between 2000 and 2020, with the largest carbon sinks located in southern monsoon regions, North China, and the northeastern mountains. Inner Mongolia and the interior Tibetan Plateau are weak carbon sources, whereas Xinjiang and the northeastern Tibetan Plateau are stronger carbon sources. Terrestrial carbon sinks are influenced by climate factors, showing distinct seasonal variations. Over the past 20 years, China's terrestrial carbon sinks (in C) ranged from 0.38 to 0.77 Pg·a-1, with an overall increasing trend. Analysis of land use data revealed that forests have the strongest carbon sinks, followed by croplands and built-up areas. Grasslands are weak carbon sources, and unused lands are strong carbon sources. Changes in land use types significantly impact terrestrial carbon sinks. Rational land use policies help increase carbon sinks, contributing to climate change mitigation and ecological environment protection.
Key words: machine learning      terrestrial ecosystem      carbon flux      carbon sink      land use change     

近年来,全球气候变化对生态系统、经济和社会发展造成重大影响[12],包括气温上升和极端天气事件增多等[3~6]. 中国作为气温上升最明显的地区之一,其CO2排放在全球碳排放中占据重要地位[78],如何有效应对气候变化和碳减排成为现实目标[910]. 在此同时,过去几十年陆地生态系统对大气CO2的净吸收有效减缓了气候变暖[61112],其中人类活动对土地利用的改变也影响着陆地生态系统的碳汇能力[6]. 因此,研究陆地生态系统碳通量的时空变化以及土地利用变化对碳通量的影响具有重要意义.

生态学和碳循环领域中,常用参数来描述和量化生态系统内碳的流动和转化过程. 这些参数包括总初级生产力(gross primary productivity,GPP)、生态系统呼吸(ecosystem respiration,RE)、净生态系统生产力(net ecosystem productivity,NEP)和生态系统净CO2交换量(net ecosystem exchange,NEE). 它们之间的关系可表示为:NEE=RE-GPP=-NEP. 其中,生态系统净CO2交换量(NEE)可以描述生态系统是净碳汇(负值)还是净碳源(正值)[1314]. 评估陆地生态系统碳收支的方法主要分为两种类型:一是“自下而上”,通过地面调查数据、通量监测数据及模型模拟等手段将结果推广至区域尺度;二是“自上而下”,主要通过碳同化反演技术结合大气CO2浓度观测数据进行评估. 这些方法在全球和中国尺度的研究中得到了广泛应用[15~19]. 近年来,随着通量观测站点数量的增加和观测技术的改进,通量数据的积累和可用性不断提高. 同时,机器学习模型被广泛应用于生态系统的碳循环研究,其在陆地生态系统碳汇估算领域也取得了重要进展[20~25]. Zeng等[26]利用随机森林模型将FLUXNET 2015数据中的陆地净生态系统交换、总初级生产力和生态系统呼吸外推至全球陆地生物圈,生成了全球1999~2019年分辨率为0.1°×0.1°和每10 d的数据产品,展现了随机森林模型在预测全球碳通量方面的有效性. Yao等[27]采用模型树集成方法,结合中国及周边地区46个通量站点的数据,生成了中国2005~2015年1 km×1 km分辨率的净生态系统生产力(NEP)数据集,评估了中国陆地生态系统碳汇强度. 吴江梅等[28]提出了一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法,以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,研究显示,随机森林模型在农田生态系统碳通量估算方面效果优于岭回归模型和套索模型. 然而,目前中国地区基于机器学习方法的研究仍缺乏长时间尺度和时空分辨率更高的预测结果.

另外,土地利用与土地覆盖变化(land use and land-cover change,LUCC)在水循环、碳氮循环以及生态系统服务等生态过程中发挥了关键作用[29~31]. LUCC主要通过土地利用类别转换影响温室气体排放,如从森林或草原到农田的转换可能会减少有机碳储量[3233]. 联合国政府间气候变化专门委员会发布的气候变化与土地特别报告(special report on climate change and land,SRCCL)估计,农业、林业和其他土地利用活动约占温室气体人为净排放总量的23%[5]. 而基于更长时序更高精度的陆地碳通量数据量化土地利用变化对碳通量贡献的研究相对较少,需要进一步开展评估.

本研究通过利用机器学习方法,将中国陆地生态系统通量观测站点的碳通量数据(NEE值)与遥感再分析数据结合,预测中国陆地生态系统碳通量的时空变化,分析中国陆地生态系统碳汇的时间变化规律和空间分布特征,以期为准确评估中国陆地生态系统碳汇及其机制研究提供支持. 同时,结合中国不同阶段的土地利用数据,量化土地利用变化对中国陆地生态系统碳通量的影响,评估人为措施对生态系统碳汇变化的贡献,以期为中国未来实现“双碳”目标下的土地管理政策提供理论依据.

1 材料与方法 1.1 数据来源及处理

本研究涵盖2000年1月至2020年12月,研究区域为中国. 数据来源包括中国通量联盟(ChinaFLUX)站点数据(28个)、ERA-5气象再分析资料、植被覆盖度与归一化植被指数、陆地蒸散发与总初级生产力以及土地利用等遥感数据(表 1). 通量站点涵盖了农田、草地、森林和湿地等典型生态系统类型. 对通量站点数据的处理包括:标准化经纬度信息、去除缺失值和重复值,以及单位转换.

表 1 研究数据参数信息和获取来源 Table 1 Study data parameter information and acquisition sources

针对中国区域尺度的气象、植被和生态系统等特征变量数据,预处理工作包括两个方面:时间尺度和空间尺度. 首先,将ERA-5气象再分析资料、陆地蒸散发和总初级生产力数据从每小时和每日的原始时间尺度处理至逐月尺度(月均值). 其次,采用双线性插值方法将0.25°分辨率的ERA-5气象再分析资料插值匹配至中国区域1 km×1 km网格. 同时,采用双线性插值方法将250 m、500 m分辨率的植被覆盖度与归一化植被指数、陆地蒸散发与总初级生产力数据重采样并匹配至1 km网格,最后删除缺失值.

土地利用类型的年度数据通过最邻近分配法重采样并匹配至1 km网格. 同时,将预测生成的中国陆地生态系统碳通量逐年、逐月预测数据处理为年度数据后匹配至1 km网格. 根据2000年和2020年的土地利用类型数据对同时期的陆地生态系统NEE预测数据进行网格分组计算,得2000年和2020年情况下各陆地生态系统的NEE总量与土地利用类型的面积数据,由此计算各陆地生态系统2000年与2020年的NEE密度. 通过各生态系统2000年的NEE密度与各土地类型2000~2020年的面积变化数据,计算土地利用类型变化导致的NEE变化矩阵(针对耕地、林地、草地、建设用地与未利用土地这5种土地类型,由转换后土地类型2000年的NEE密度减去转换前土地类型2000年的NEE密度,乘以该土地类型2000年至2020年的面积变化量,依次得到每一种土地类型转化为其他土地类型时将产生的NEE变化情况,形成NEE变化矩阵). 所有数据处理步骤均通过Arcgis与Rstudio工具完成,以确保数据处理的准确性和一致性.

样本数据包括一个目标变量NEE与24个特征变量,依次为边界层高度(blh)、低云量(lcc)、总云量(tcc)、大气臭氧柱总量(tco3)、总柱水(tcw)、植被覆盖度(fvc)、归一化植被指数(ndvi)、总初级生产力(GPP)、植被蒸腾(Ec)、土壤蒸发(Es)、冠层截流蒸发(Ei)、水体,冰雪蒸发(ET water,ET)、2 m温度(t2m)、2 m露点温度(d2m)、表面太阳辐射向下(ssrd)、表面热辐射向下(strd)、预测反照率(fal)、高植被叶面积指数(lai_hv)、低植被叶面积指数(lai_lv)、蒸发量(e)、10 m纬向风(u10)、10 m径向风(v10)、表面压强(sp)和总降水量(tp). 以上特征变量涵盖了多个方面,包括气候条件、植被类型和生态系统特点等.

1.2 机器学习方法

本研究将随机森林(random forest,RF)、XGBoost(extreme gradient boosting)、LightGBM(light gradient boosting machine)与SVM(support vector machine)这4种算法应用于中国陆地生态系统碳汇的预测,比较它们在预测准确性、计算效率和模型稳定性等方面的表现.

随机森林算法是由Breiman等提出的一种基于分类树的和有监督的机器学习算法,其弱学习器为决策树模型[3435]. 随机森林模型会在原始数据集中随机抽样,构成n个不同的样本数据集,然后根据以上数据集搭建n个不同的决策树模型,最后根据以上决策树模型的平均值(针对回归模型)或者投票(针对分类模型)情况来获取最终结果. 它的特点是具有较好的抗过拟合能力和高预测准确性.

梯度提升决策树(gradient boosting decision tree,GBDT)是机器学习中另一个代表性模型,其通过前向分布算法进行贪婪学习,每次迭代中训练一棵CART树来拟合前一迭代的预测结果与真实值的残差. XGBoost是由Chen和Guestrin开发的GBDT的改进版本[36],通过增加二阶泰勒展开项和正则项,提高了模型的效率和精度. 在回归问题中,XGBoost不断创建新的回归树,利用新生成的CART拟合前一模型的残差. 它具有高效率、高预测精度和强大的特征工程能力. LightGBM是另一种基于梯度提升决策树GBDT的机器学习算法[37]. 它采用直方图算法进行特征分裂优化,能够快速构建模型. 此外,它使用叶子生长策略而非层次生长策略来构建决策树以准确捕捉数据的分布特征. LightGBM还提供多种参数调整选项,如学习率、最大深度、叶子数和特征子集比例等,可以根据具体任务进行定制化设置. 其特点是快速且高效,适用于大规模数据集.

支持向量机SVM是一种广泛应用于分类和回归问题的机器学习算法. SVM通过在特征空间中寻找一个最佳的超平面,将数据点分成不同的类别,同时最大化分类间隔. 对于非线性问题,SVM可以通过使用不同类型的核函数(如径向基函数、多项式核函数等)将数据映射到更高维的特征空间,以实现更复杂的分类或回归. SVM具有较强的泛化能力和鲁棒性,对高维数据和小样本问题表现良好.

1.3 模型交叉验证

本研究使用的交叉验证方法包括十折交叉验证和站点留一交叉验证(leave one site out cross-validation,LOSOCV). 最常见的十折交叉验证将数据集分为10个子集,每次验证中选择一个子集依次作为测试集,剩余9个子集依次作为训练集. 通过多次交叉验证和评估指标,可以全面评估模型性能,提高预测准确性和稳定性. 在LOSOCV中,每次迭代中会将一个地理位置的样本数据留作验证集,其余样本作为训练集. 采用的3个回归模型常用评估指标为:决定系数R2、均方根误差(RMSE)和平均绝对误差(MAE). R2范围为0~1,越接近1表示模型拟合效果越好. RMSE越小,表示模型预测能力越好. MAE越小,表示模型的预测性能越高.

2 结果与讨论 2.1 RF模型结果分析与评估验证

本研究比较了不同机器学习方法在NEE值的预测上的效果,结果如表 2所示,结合各模型在训练集、测试集与十折交叉验证的表现,RF模型的效果最佳. 因此,将其作为后续NEE值的时空预测模型.

表 2 不同模型的效果评估及验证 Table 2 Performance evaluation and validation of different models

图 1展示了随机森林模拟结果的散点图,模型在训练集上的表现优异,R2为0.96,RMSE(以C计,下同)为14.99 g·(m2·月)-1,MAE(以C计,下同)为8.54 g·(m2·月)-1. 测试集的R2为0.77,RMSE为32.85 g·(m2·月)-1,MAE为19.59 g·(m2·月)-1,其RMSE和MAE明显高于训练集拟合结果,R2值略有下降,说明模型有过拟合倾向,但误差仍在可接受范围内. 十折交叉验证的R2为0.73,RMSE为35.09 g·(m2·月)-1,MAE为20.51 g·(m2·月)-1,整体效果良好. 与Yao等[27]使用模型树集成方法估计NEE通量相比,本研究的预测性能略优. 站点留一交叉验证结果显示,站点测试集R2在0~0.25范围内的比例为17%,0.25~0.50范围内的比例为25%,0.50~0.70和0.70~1范围内的比例均为29%(图 2). 该结果与Zeng等[26]在全球204个站点上通过随机森林模型预测NEE分布时的站点留一交叉验证效果相似. 总体上来说,该模型在空间上的泛化能力较为稳健,但提高模型预测性能仍需更多的观测站点数据.

图 1 随机森林模型与十折交叉验证的NEE预测值与NEE观测值之间的关系 Fig. 1 Relationship between NEE predictions and NEE observations using random forest model and 10-fold cross validation

红色:R2 < 0.25,橙色:0.25 < R2≤0.50,蓝色:0.50 < R2≤0.70,绿色:R2 > 0.70 图 2 站点留一交叉验证结果的空间分布 Fig. 2 Spatial distribution of site leave-one-out cross-validation results

2.2 全国陆地生态系统NEE值的时空特征

图 3所示,全国陆地NEE的空间分布呈现出从东南到西北递增的趋势,并显示最大的碳汇分布在中国南部季风区,以及华北平原腹地,碳汇强度(以C计,下同)通常在500 g·(m2·a)-1及以上. 其次为东北部山区和四川盆地东部、华中地区,碳汇强度约为300 g·(m2·a)-1左右. 相较之下,内蒙古大部分地区和青藏高原腹地为弱碳源[约为0~100 g·(m2·a)-1],新疆大部分地区和青藏高原东北部呈现较强碳源状态. 与其他研究如Yao等[27]对2005~2011年间NEP值的估算结果[(1.18±0.05)Pg·a-1]相比,本研究的碳汇估算值在空间分布上具有类似的分布规律,但数值上有所差异. 本研究呈现了西北大部分地区的碳源情况,且华北平原呈现更大的碳汇强度,而东北部山区则呈现了略低的碳汇强度,Yao等[27]对全国陆地生态系统碳汇产生过高估算的原因之一可能是西北大部分地区碳源/汇情况缺失所致. 此外,本研究结果与其他文献如Piao等[38]和Wang等[39]关于我国陆地生态系统碳汇的估算结果相似. NEE值的空间分布受多种因素影响,南部地区的森林覆盖率较高,湿地面积较大,加上温暖湿润的气候条件,使其碳汇能力较高;西北地区由于降水少,大部分为干旱半干旱区域,且植被主要为草地和荒漠,碳汇能力较低,甚至呈碳源状态.

图 3 2000~2020年全国NEE值平均空间分布 Fig. 3 Average spatial distribution of national NEE values from 2000 to 2020

近20 a来,我国碳汇的空间分布格局基本保持稳定,碳汇呈现增强趋势(图 4). 尽管新疆部分地区的NEE逐渐向负值靠近,但全年仍然呈现碳源状态. 已有研究表明[40],1990~2020年间,我国西北内陆荒漠资源大区的碳储量总体呈波动下降趋势,主要原因是大量草地转化为荒漠,导致土壤碳储量和固碳潜力下降,这与本研究对西北地区碳汇空间分布格局的预测结果相一致. 青藏高原地区的NEE分布在过去20 a间表现出弱碳源状态,这与Yao等[27]的研究结果一致. 尽管不同研究对青藏高原的碳源汇特征存在分歧,如Wei等[41]指出青藏高原是显著碳汇,但其他研究认为该地区是潜在碳源. 这种差异可能源于高纬度和高海拔地区的永冻层碳储量、气候变暖对永冻层的影响,以及植被固定CO2的作用. 华北平原自2000年以来碳汇增强,保持较强碳汇特征. 可能是华北地区丰富的植被和农作物覆盖、有效的农田管理措施以及适宜的气候条件共同推动了碳汇增强. 曹云等[42]的研究支持了这一观点. 南部地区在过去20 a间呈现碳汇持续增强趋势,这与徐勇等[43]的研究结果一致. 该地区丰富的森林和湿地资源、湿润的气候条件、肥沃的土壤和严格的生态保护政策共同促进了碳汇的增强.

图 4 2000、2005、2010、2015和2020年全国NEE值年度空间分布 Fig. 4 Annual spatial distribution of national NEE values in 2000, 2005, 2010, 2015, and 2020

图 5呈现了2020年各季度NEE月均值的全国空间分布. 在冬季(12月至次年2月),南方气候温暖湿润,植被生长状况较好,大部分地区NEE值呈现为负值(碳汇),而北方地区则气候干燥寒冷,植被生长受限,NEE值为正呈现碳源特征. 从春季(3~5月)至夏季(6~8月),NEE负值区域从南向北逐渐增加. 春夏季气温升高、日照时间增长、降水增多,促进了植被的光合作用以及对二氧化碳的吸收能力. 9月份起(秋季:9~11月),随着气候转变,植被生长减缓,NEE负值区域逐渐减少. 总的来说,夏季全国大部分地区为碳汇(绿色),冬季大部分地区为碳源(蓝色),春季和夏季通常为碳汇期,秋季和冬季可能出现碳平衡甚至碳源的情况.

图 5 2020年各季度NEE月均值的全国空间分布 Fig. 5 Spatial distribution of the monthly mean NEE in each quarter of 2020

图 6显示,2000~2020年间全国年度NEE值(以C计,下同)有所波动,从2000年的-0.38 Pg下降至2020年的-0.77 Pg,全国NEE的平均值为-0.61 Pg·a-1,整体呈现下降趋势,即全国陆地碳汇呈增强趋势,且年均增长率为0.017 g·m-2. Piao等[44]对1996年至2005年我国陆地生态系统碳汇强度估计的范围为(0.35±0.33)Pg·a-1,王婧等[45]对2010年至2015年期间中国陆地生态系统碳汇强度的估计为(0.83±0.47)Pg·a-1. 与其他研究结果相比,本研究补充了更长时间范围的陆地碳汇强度估计,同时期估计结果与多数研究的结果在同一数量级,但是略有差异. 这可能是由于不同方法对于部分横向通量的处理不同、对陆地生态系统碳库中转移组分的忽略以及对非CO2气态碳化合物的考虑欠缺等原因. 此外,还可能与地区尺度的不同、数据源的选择、模型参数的设置以及对不同碳通量过程的理解等因素有关.

图 6 2000~2020年全国NEE值的变化趋势 Fig. 6 Change in trend of NEE values in China from 2000 to 2020

2.3 土地利用变化对陆地生态系统碳通量的影响

根据土地利用类型的面积数据及不同陆地生态系统的NEE密度,计算得出2000~2020年土地利用类型变化导致的NEE值变化矩阵,如表 3所示. 本研究结果显示,耕地类型转变为其他土地类型时,除转变为林地外,其他转变都会导致NEE值增加,碳汇减弱. 同样,林地转变为其他土地类型也会导致NEE值增加,碳汇减弱. 草地转变为沙地、盐碱地等未利用土地时NEE值增加,碳汇减弱;而建设用地转变为草地或未利用土地也会使NEE值增加,碳汇减弱. 然而,未利用土地转变为其他土地类型时,NEE值减少,碳汇增强. 这表明,不同土地类型的转变对NEE值和碳汇有显著影响,应在土地利用规划中加以重视.

表 3 2000~2020年土地利用类型变化导致的NEE变化矩阵1)/Tg Table 3 NEE value change matrix caused by change in land use type from 2000 to 2020/Tg

表 4呈现了2000年和2020年我国不同土地类型的全国NEE值总量分布及其密度情况. 耕地、林地和建设用地在2000年和2020年的NEE总量均为负值,表现出碳汇特征,且从2000~2020年期间其NEE值的负向增加,显示碳汇增强的趋势. 相比之下,草地在同一时期内的NEE总量为正值,呈现碳源特征,但其20 a间NEE总量略有下降,表明其碳源减弱的趋势,这也可能与草地面积退化有关. 未利用土地的NEE总量在2000年至2020年间保持稳定,略有减少. 从各土地类型在2000年与2020年的NEE密度来看,耕地的NEE密度在20 a间显著负向增加,林地和建设用地的NEE密度也在此期间负向增加,表明以上土地类型的碳汇在增强. 此外,草地和未利用土地的NEE密度在2000年至2020年间呈减少趋势,意味着这两种土地类型的碳源特征减弱.

表 4 2000年和2020年不同土地类型的全国NEE总量与密度1) Table 4 Total amount and density of NEE by land type in 2000 and 2020

本研究对2000年耕地(农田生态系统)和林地(森林生态系统)的NEE估计值分别为-296.53 Tg·a-1和-447.19 Tg·a-1,对2020年耕地(农田生态系统)和林地(森林生态系统)的NEE估计值分别为-454.47 Tg·a-1和-557.97 Tg·a-1. 本研究的森林生态系统碳汇估算值与赵宁等[17]的研究结果相近,但农田生态系统估算偏高,可能是由于研究方法的不同和深层土壤的忽略所致[15]. 草地(草地生态系统)在此期间的NEE值有显著变化,从146.24 Tg·a-1降至66.76 Tg·a-1,草地NEE密度也有所减少,表明草地生态系统仍呈碳源状态,但碳源强度逐渐减弱. 这可能与草地退化和人为管理实践变化有关,比如草地转变为其他土地类型,改善草地管理(实施科学的放牧管理计划),开展草地恢复与保护项目(人工植被恢复、引入适应性强的草种和建立草地轮作制度)等. 值得注意的是,2000~2020年期间,草地生态系统的低覆盖草地的NEE总量由89.10 Tg·a-1增加至95.34 Tg·a-1,中覆盖草地的NEE总量由45.14 Tg·a-1减少至14.25 Tg·a-1,高覆盖草地的NEE总量由12.00 Tg·a-1减少至-42.83 Tg·a-1,这说明草地生态系统碳源强度的减弱主要来自中、高覆盖草地NEE总量的减少. 但其他研究对草地碳源汇特征的结论不一,这可能源于研究方法、数据处理方法及数据源(样本分布等)的差异[464447]. 此外,建设用地(城市生态系统)由2000~2020年呈碳汇增强状态,这主要得益于城市绿化措施[4849],如树木保护计划和绿地建设等. 与此相对,未利用土地(荒漠生态系统等)在同时期内持续呈现碳源状态. 这可能是由于荒漠、裸地等地区气候恶劣、植被覆盖率低等因素导致的[50].

3 结论

(1)基于通量观测站点数据与各协变量构建预测模型,经过不同机器学习模型比较,得到最合适的预测模型为随机森林模型. 经过参数优化后的随机森林模型在测试集中的表现为R2达到0.77,RMSE为32.85 g·(m2·月)-1,MAE为19.59 g·(m2·月)-1,其十折交叉验证的R2为0.73,RMSE为35.09 g·(m2·月)-1. 对RF模型进行了站点留一交叉验证以进一步验证其在空间数据上的泛化能力,该验证结果与同类文献研究结果大体一致.

(2)结合逐月1 km分辨率的预测数据,对2000~2020年期间我国陆地碳汇的时空特征进行分析. 研究发现,碳汇总体呈现东南至西北递减的趋势,并集中在中国南部季风区、华北平原和东北山区;而内蒙古、青藏高原大部分地区为弱碳源,新疆、青藏高原东北部为较强碳源. 近20 a来,我国陆地碳汇整体呈增强趋势,且具有季节性变化,受气候因素影响较大.

(3)不同土地利用类型的转变对陆地生态系统碳通量产生显著影响,其中林地碳汇最强,耕地、建设用地次之,草地为弱碳源,未利用土地为较强碳源. 草地生态系统碳汇的增强与中覆盖草地、高覆盖草地的增加密切相关,进一步提高草地生态系统碳汇需要继续加强草原碳汇研究、创新草原管理理念,促进草地资源的可持续管理与利用、开展草地恢复与保护项目等. 结果表明合理的人为管理有助于增强陆地碳汇.

参考文献
[1] 闫海明, 战金艳, 张韬. 生态系统恢复力研究进展综述[J]. 地理科学进展, 2012, 31(3): 303-314.
Yan H M, Zhan J Y, Zhang T. Review of ecosystem resilience research progress[J]. Progress in Geography, 2012, 31(3): 303-314.
[2] Rezza G. Re-emergence of Chikungunya and other scourges: the role of globalization and climate change[J]. Annali dell'Istituto Superiore Di Sanita, 2008, 44(4): 315-318.
[3] IPCC. Climate change 2007: synthesis report. Contribution of working groups Ⅰ, Ⅱ and Ⅲ to the fourth assessment report of the Intergovernmental Panel on Climate Change[R]. Geneva: IPCC, 2007.
[4] IPCC. Global warming of 1.5 ℃ - an IPCC special report on the impacts of global warming of 1.5 ℃ above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change[R]. Geneva: IPCC, 2018.
[5] IPCC. Summary for policymakers[A]. In: Masson-Delmotte V, Zhai P, Pirani A, et al (Eds.). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2021.
[6] IPCC. Climate change 2014: synthesis report. Contribution of working groups Ⅰ, Ⅱ and Ⅲ to the fifth assessment report of the intergovernmental panel on climate change[R]. Geneva: IPCC, 2015.
[7] 《2021年中国温室气体公报》发布[J]. 中国环境监察, 2023, (1): 6.
[8] 张娟. 《2022年中国温室气体公报》发布[N]. 中国气象报, 2023-12-04(01).
[9] Singer S F, Avery D T. Unstoppable global warming: every 1, 500 years, updated and expanded edition[M]. Lanham: Rowman & Littlefield Publishers, 2007: 221-230.
[10] Thomas C D, Cameron A, Green R E, et al. Extinction risk from climate change[J]. Nature, 2004, 427(6970): 145-148.
[11] Friedlingstein P, O'Sullivan M, Jones M W, et al. Global carbon budget 2020[J]. Earth System Science Data, 2020, 12(4): 3269-3340.
[12] Le Quéré C, Andres R J, Boden T, et al. The global carbon budget 1959-2011[J]. Earth System Science Data, 2013, 5(1): 165-185.
[13] Chapin F S, Woodwell G M, Randerson J T, et al. Reconciling carbon-cycle concepts, terminology, and methods[J]. Ecosystems, 2006, 9(7): 1041-1050.
[14] 周慧敏. 陆地生态系统净CO2交换的空间格局及其模型关键参数优化[D]. 上海: 华东师范大学, 2021.
Zhou H M. Spatial patterns of net CO2 exchange in terrestrial ecosystems and optimization of its model parameters[D]. Shanghai: East China Normal University, 2021.
[15] 杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 65(4): 534-574.
Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Science China Life Sciences, 2022, 65(5): 861-895.
[16] 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.
[17] 赵宁, 周蕾, 庄杰, 等. 中国陆地生态系统碳源/汇整合分析[J]. 生态学报, 2021, 41(19): 7648-7658.
Zhao N, Zhou L, Zhuang J, et al. Integration analysis of the carbon sources and sinks in terrestrial ecosystems, China[J]. Acta Ecologica Sinica, 2021, 41(19): 7648-7658.
[18] 刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307.
Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307.
[19] 方精云, 朴世龙, 赵淑清. CO2失汇与北半球中高纬度陆地生态系统的碳汇[J]. 植物生态学报, 2001, 25(5): 594-602.
Fang J Y, Piao S L, Zhao S Q. The carbon sink: the role of the middle and high latitudes terrestrial ecosystems in the Northern Hemisphere[J]. Acta Phytoecologica Sinica, 2001, 25(5): 594-602.
[20] Bodesheim P, Jung M, Gans F, et al. Upscaled diurnal cycles of land-atmosphere fluxes: a new global half-hourly data product[J]. Earth System Science Data, 2018, 10(3): 1327-1365.
[21] Fu D J, Chen B Z, Zhang H F, et al. Estimating landscape net ecosystem exchange at high spatial-temporal resolution based on Landsat data, an improved upscaling model framework, and eddy covariance flux measurements[J]. Remote Sensing of Environment, 2014, 141: 90-104.
[22] Ichii K, Ueyama M, Kondo M, et al. New data-driven estimation of terrestrial CO2 fluxes in Asia using a standardized database of eddy covariance measurements, remote sensing data, and support vector regression[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(4): 767-795.
[23] Jung M, Reichstein M, Margolis H A, et al. Global patterns of land-atmosphere fluxes of carbon dioxide, latent heat, and sensible heat derived from eddy covariance, satellite, and meteorological observations[J]. Journal of Geophysical Research: Biogeosciences, 2011, 116(G3). DOI:10.1029/2010JG001566
[24] Jung M, Schwalm C, Migliavacca M, et al. Scaling carbon fluxes from eddy covariance sites to globe: synthesis and evaluation of the FLUXCOM approach[J]. Biogeosciences, 2020, 17(5): 1343-1365.
[25] Xiao J F, Ollinger S V, Frolking S, et al. Data-driven diagnostics of terrestrial carbon dynamics over North America[J]. Agricultural and Forest Meteorology, 2014, 197: 142-157.
[26] Zeng J Y, Matsunaga T, Tan Z H, et al. Global terrestrial carbon fluxes of 1999-2019 estimated by upscaling eddy covariance data with a random forest[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-00653-5
[27] Yao Y T, Li Z J, Wang T, et al. A new estimation of China's net ecosystem productivity based on eddy covariance measurements and a model tree ensemble approach[J]. Agricultural and Forest Meteorology, 2018, 253-254: 84-93.
[28] 吴江梅, 田泽众, 张海洋, 等. 农田生态系统碳通量遥感估算方法研究[J]. 农业机械学报, 2022, 53(S1): 224-231.
Wu J M, Tian Z Z, Zhang H Y, et al. Remote sensing estimation method of carbon flux in farmland ecosystem[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S1): 224-231.
[29] Turner B L, Lambin E F, Reenberg A. The emergence of land change science for global environmental change and sustainability[J]. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(52): 20666-20671.
[30] Díaz S, Settele J, Brondízio E S, et al. Pervasive human-driven decline of life on Earth points to the need for transformative change[J]. Science, 2019, 366(6471). DOI:10.1126/science.aax3100
[31] Jost E, Schönhart M, Skalský R, et al. Dynamic soil functions assessment employing land use and climate scenarios at regional scale[J]. Journal of Environmental Management, 2021, 287. DOI:10.1016/j.jenvman.2021.112318
[32] Li Y G, Liu W, Feng Q, et al. Effects of land use and land cover change on soil organic carbon storage in the Hexi regions, Northwest China[J]. Journal of Environmental Management, 2022, 312. DOI:10.1016/j.jenvman.2022.114911
[33] Hong C P, Burney J A, Pongratz J, et al. Global and regional drivers of land-use emissions in 1961-2017[J]. Nature, 2021, 589(7843): 554-561.
[34] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[35] Zhang C, Ma Y Q. Ensemble machine learning: methods and applications[M]. New York: Springer, 2012.
[36] Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco: ACM, 2016.
[37] Ke G L, Meng Q, Finley T, et al. LightGBM: a highly efficient Gradient Boosting Decision Tree[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017.
[38] Piao S L, Ito A, Li S G, et al. The carbon budget of terrestrial ecosystems in East Asia over the last two decades[J]. Biogeosciences, 2012, 9(9): 3571-3586.
[39] Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data[J]. Nature, 2020, 586(7831): 720-723.
[40] 付宇佳, 刘晓煌, 孙兴丽, 等. 近30年西北内陆荒漠资源大区土地利用驱动下生态系统碳储量时空变化[J]. 地质通报, 2024, 43(2-3): 451-462.
Fu Y J, Liu X H, Sun X L, et al. Spatial-temporal variation of ecosystem carbon storage driven by land use in northwest inland desert resource region in recent 30 years[J]. Geological Bulletin of China, 2024, 43(2-3): 451-462.
[41] Wei D, Qi Y H, Ma Y M, et al. Plant uptake of CO2 outpaces losses from permafrost and plant respiration on the Tibetan Plateau[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(33). DOI:10.1073/pnas.2015283118
[42] 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.
[43] 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.
[44] Piao S, Fang J Y, Ciais P, et al. The carbon balance of terrestrial ecosystems in China[J]. Nature, 2009, 458(7241): 1009-1013.
[45] 王婧, 刘毅, 杨东旭. 探寻我国碳汇分布: 从大气CO2探测入手[J]. 科学通报, 2021, 66(7): 709-710.
Wang J, Liu Y, Yang D X. Exploring the distribution of carbon sinks in China: starting from the detection of atmospheric CO2 [J]. Chinese Science Bulletin, 2021, 66(7): 709-710.
[46] Zhang L, Zhou G S, Ji Y H, et al. Spatiotemporal dynamic simulation of grassland carbon storage in China[J]. Science China Earth Sciences, 2016, 59(10): 1946-1958.
[47] 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.
[48] 张桂莲, 仲启铖, 张浪. 面向碳中和的城市园林绿化碳汇能力建设研究[J]. 风景园林, 2022, 29(5): 12-16.
Zhang G L, Zhong Q C, Zhang L. Research on carbon sink capacity construction via urban landscaping for carbon neutrality[J]. Landscape Architecture, 2022, 29(5): 12-16.
[49] 王敏, 朱雯. 城市绿地影响碳中和的途径与空间特征——以上海市黄浦区为例[J]. 园林, 2021, 38(10): 11-18.
Wang M, Zhu W. Approaches and spatial characteristics of urban green spaces affecting carbon neutrality: a case study of Huangpu District, Shanghai[J]. Landscape Architecture, 2021, 38(10): 11-18.
[50] Li X R, Hui R, Zhang P, et al. Divergent responses of moss- and lichen-dominated biocrusts to warming and increased drought in arid desert regions[J]. Agricultural and Forest Meteorology, 2021, 303. DOI:10.1016/j.agrformet.2021.108387