亚洲半干旱区碳水通量时空格局及驱动因素
2022-08-03方国飞阮琳琳李斯楠
孙 红,方国飞,阮琳琳,李斯楠,张 丽
1 国家林业和草原局森林和草原病虫害防治总站(国家林草局林草防治总站), 沈阳 110034 2 林草有害生物监测预警国家林业和草原局重点实验室, 沈阳 110034 3 中国科学院空天信息创新研究院 数字地球重点实验室, 北京 100094 4 中国科学院大学 资源与环境学院, 北京 100094 5.中铁第五勘察设计院集团有限公司, 北京 102600
碳循环与水循环之间具有极强的耦合性[1],是陆地生态系统物质循环与能量交换的重要过程[2]。碳水循环对区域水资源管理、生态系统调节及可持续发展具有重要指导价值,尤其是在生态系统脆弱[3]、水资源短缺的半干旱区[4]。人类活动与气候变化使得碳水循环格局发生改变[5],不同尺度的碳水通量时空变化及其驱动因素受到广泛关注[6]。而半干旱生态系统是全球碳汇年际和趋势变化的主导驱动因素与异常来源[7—8],其植被生产力受表层土壤湿度控制的影响也更为明显[9]。因此,研究半干旱区陆地生态系统碳水通量时空变化格局及其对气候因子的响应对区域资源管理与可持续发展、全球气候变化等领域具有重要意义。
植被总初级生产力(Gross Primary Productivity, GPP)、蒸散发(Evapotranspiration,ET)和水分利用效率(Water use efficiency, WUE)是研究陆地生态系统碳循环[10]、水循环[11]以及碳水循环耦合程度的常用指标[12]。其中,宏观尺度的WUE通常定义为GPP和ET的比值,表示生态系统耗费每单位质量水所固定的碳量或生产的干物质[13]。WUE是了解生态系统生产力对外部环境响应的关键变量,其对温度、降水和辐射的响应都存在临界值[14],并且受土壤湿度控制[15],对LAI呈现积极响应[16]。目前全球通量观测网络可以获取高精度长时间序列的GPP、ET和WUE数据[17],但区域尺度扩展困难,尤其半干旱地区观测站点分布较为稀疏。基于站点通量观测数据,可以通过模型模拟或是模型-观测数据同化方法获取大尺度长时间序列的碳水通量数据。模型模拟方法考虑了生态系统机理过程,但结果依赖于输入参数以及输入数据,具有较大不确定性。而模型-观测数据同化方法可以基于观测数据控制模型估算结果,降低模型的不确定性,已被广泛应用于陆地碳水循环研究中[18—20]。
亚洲半干旱区是全球半干旱区中近30年来碳水通量变化幅度最大的区域[21],生态系统敏感,并且受气候环境变化与人类活动影响较大[22]。该区域内的中亚及其它地区存在土壤荒漠化、盐碱化和生态多样性下降等环境问题[23—24]。多种因素使得亚洲半干旱区碳水通量时空变化幅度较大,不确定性较高。目前针对亚洲半干旱区碳水通量时空动态变化及驱动因素的研究主要集中于中亚[25]等局部地区。张建财等[26]应用LPJ模型(Lund-Potsdam-Jena Dynamic Global Vegetation Model)模拟了1982至2012年中亚地区的NPP和ET,模拟结果表明两者呈波动上升趋势并且具有相似的空间分布,低值分布区主要位于荒漠及哈萨克中部草地,高值分布区位于林地、草林地混合区及耕地。郝海超等[27]基于MODIS数据产品,分析了中亚地区2000至2018年GPP、ET和WUE的时空变化趋势,发现在研究时段年序列上,GPP与ET都具有略微增加的趋势,而WUE却呈现小幅度下降。中亚地区WUE显著上升区域少于显著下降区域,对气候因子的敏感性具有明显的空间差异。邹杰等分析中亚地区WUE对干旱的响应后发现[28],WUE在干旱发生时一般为负面响应,结束后为正面响应,具有滞后效应。Zhou等发现在中亚地区人类社会制度与经济变化对植被的负面影响主要是因为土地废弃和水资源短缺[29],而作物类型改变、放牧的减少和水资源的增加会对植被有正面影响,中亚地区气候变化对植被有显著影响并且有地区差异[30]。Han等发现在1979至2011年间,放牧降低了中亚地区的WUE[31]。
目前针对整个亚洲半干旱区的研究较少,缺乏对该地区的碳汇能力、蒸散以及水分利用效率的时空格局分析以及不同因子影响下碳水循环变化的系统性研究。因此,本研究以亚洲半干旱区为研究区,采用LPJ-VSJA(LPJ-Vegetation and soil moisture Joint Assimilation)联合同化产品[32]分析亚洲半干旱地区2010—2018年生态系统植被碳水通量时空格局及其驱动机制,研究结果可为亚洲半干旱区制定植被和水资源管理策略、实现可持续发展提供参考。
1 材料与方法
1.1 研究区概况
亚洲半干旱区包括中亚,中国内蒙古草原,俄罗斯南部以及印度被大部分农田覆盖的半干旱区。研究区深入大陆远离海洋,位于10°—130°E和0°—60°N之间,纵跨寒带、温带和热带,主要受西风气候的影响。其东南部有高原山区,大部分是草原,沙漠的平原地区,以季风气候为主。研究区中部主要集中在从里海往东到中国内蒙古中部。该地区受周边青藏-帕米尔高原和天山山系对太平洋、印度洋暖湿气流的阻挡,气候类型为典型的温带大陆性气候,冬季寒冷,夏季炎热干燥,气温日变化和季节变化都较大,在中亚的北纬40°地带夏季光照强烈,与热带地区相当,较低的空气湿度和高温导致了大量的水分蒸发。其年降水的空间分布由东、西两边向亚洲半干旱区中部逐渐减少,东部降水主要集中在夏季,受季风控制;西部降水主要集中在冬季,受西风控制。
灌木、草原、农田等地广泛分布于亚洲半干旱地区(图1)。草原是主要的土地覆盖类型,其中哈萨克斯坦草原面积达196km2,占领土面积的72%。耕地其次,主要集中在俄罗斯西南部和印度的大部分地区。研究区内人类活动频繁(垦荒、放牧、灌溉等),部分地区的生态环境明显退化。近几十年印度与中国地区的植树造林使得绿度大面积增加[33],对研究区水分利用效率变化有着明显的影响[34]。
图1 研究区概况图Fig.1 Study Area土地覆盖数据来源于MODIS MCD12Q1数据产品,图中亚洲边界内覆盖区域为研究区
1.2 数据
1.2.1GPP、ET和WUE数据
2010—2018年的GPP、ET、WUE的数据来源于Li等在2020年的研发的LPJ-VSJA(LPJ-Vegetation and soil moisture Joint Assimilation)联合同化产品[32]。该产品是通过将GLASS(Global Land Surface Satellite) LAI产品与SMOS(Soil Moisture and Ocean Salinity)和SMAP(Soil Moisture Active and Passive)土壤湿度数据在LPJ-PM(LPJ-DGVM(Lund-Potsdam-Jena Dynamic Global Vegetation Model)动态植被模型与PT-JPLSM(the updated Priestley Taylor-Jet Propulsion Laboratory)蒸散模型进行耦合)耦合模型中进行联合同化生成,时间分辨率为每日,空间分辨率为0.25°纬度×0.25°经度。该同化产品经过站点以及空间产品的验证,被证明在全球大尺度区域可以较为准确的模拟时间序列的碳水通量,尤其是在受水分限制的地区具有较高的精度(R=0.75, RMSD=0.72 mm/d)[32],因此可以对气候变化下的碳水循环趋势进行预测与空间分析。
1.2.2自然因素数据
本文选取了温度、降水、光合有效辐射(Photosynthetically Active Radiation, PAR)、土壤湿度、叶面积指数(Leaf Area Index,LAI)这五个因子,利用相关分析来探讨气象因子和植被、土壤参量对该区域植被WUE的影响作用。为统一数据集的空间尺度,采用双线性插值方法将其重采样到0.25°,与LPJ-VSJA联合同化产品具有一致的空间分辨率。
气象及PAR数据来源于The Modern Era Retrospective-analysis for Research and Applications version 2 (MERRA- 2)全球高分辨率再分析日尺度气候数据,包括降水,温度,PAR,云量等(https://www.esrl.noaa.gov/psd/)。该数据集由NASA全球建模与数据同化办公室(NASA′s global modeling and assimilation office, GMAO)生产与更新,空间分辨率为0.5°纬度×0.667°经度。第二版与第一版MERRA产品相比,不仅通过辐射以及同化偏差校正使降水以及不同垂直水平的大气相关数据得到了较大的改善[35],还利用NASA对于气溶胶与温度的观测与其他物理过程进行交互式分析,更好的表示大气循环过程。多项研究对其进行了质量评估与不确定性分析,并证明了其可靠性[36—39]。
土壤水分和海洋盐度(Soil Moisture and Ocean Salinity,SMOS)卫星于2010年由欧洲航天局发射,与土壤水分主被动卫星(Soil Moisture Active and Passive,SMAP)类似,SMOS使用的辐射计仪器在L波段工作[40]。与具有恒定的观测入射角的SMAP卫星相比,SMOS测量的是一个观测入射角范围内的亮度温度。该角度信息可用于上方土壤和植被信号的分离。SMOS-L2 SSM数据可以从欧空局数据网站中获取(https://earth.esa.int/eogateway/missions/smos/data)。
叶面积指数(LAI)来源于全球陆表特征参量产品(GLASS)LAI产品。GLASS LAI产品是通过结合地面观测和MODIS、CYCLOPES LAI信息,再利用MODIS反射率对融合的LAI使用广义回归神经网络法(General Regression Neural Networks, GRNNs)进行训练生成,经过验证该方法可以提高长时间序列的LAI的反演精度[41—42]。该产品已广泛应用于全球和区域地表LAI产品的生产,以及植被覆盖的动态监测,可为全球植被生态监测和变化规律等提供科学数据支持[42—43]。本文使用的数据时间范围为2010—2018年,空间分辨率为5km,时间分辨率8天,投影方式为正弦投影。
1.2.3生态系统分类数据
本文所使用的生态系统分类数据包括全球植被覆盖数据和干湿地区分类数据,利用MCD12Q1(The MODIS Land Cover Type Product)的土地覆盖数据对结果分植被类别进行解释分析。该产品分辨率为500m,通过高精度训练样本进行监督分类生成[44]。文中所指的灌丛类型是由MODIS IGBP(the International Geosphere-Biosphere Programm)分类方案中的郁闭灌丛和稀树灌丛合并而成,森林植被类型是由混合森林,落叶阔叶林,落叶针叶林,常绿针叶林,常绿阔叶林组成。
区分干旱区与湿润区的依据为Middleton等[45]对全球干湿区域的分类系统,利用 “干旱指数”划分不同干湿区域。干旱指数定义为降水和潜在蒸散量的比值。干旱指数在0.2—0.65之间的地区被定义为半干旱地区。
1.3 研究方法
1.3.1时间序列分析方法
本文采用线性回归及变异系数,探讨不同尺度半干旱区生态系统碳水通量变化趋势和幅度。
① 线性回归斜率估计采用一元线性方程,对碳水通量进行回归分析。
y=a+bx+ε
(1)
式中,y为表示植被碳水通量,x表示时间,斜率b为依据线性回归方程对通量随时间变化的量化指标,a和ε分别代表截距和误差。利用最小一乘法(Least Absolute Deviation, LAD)确定回归模型的相关系数,采用观测值与拟合值绝对偏差之和最小的标准计算回归模型参数:
(2)
对于研究空间时间序列图像和时间序列统计值,本文均采用一元线性回归拟合趋势分析。
② 本研究采用变异系数(coefficient of variation,CV)分析区域碳水通量随时间的波动强度。变异系数(CV),又称“离散系数”,其定义为时间序列值标准差(SD)与平均值(MN)之比:
(3)
变异系数是一个无量纲量,可以消除多组数据因为单位或者平均数量级不同对变异程度的影响。
1.3.2驱动因子相关分析方法
为研究亚洲半干旱区植被碳水通量对全球变化的响应关系,本文采用复相关分析、偏相关分析研究各驱动要素(如气象、人文等)与碳水通量之间的相关性,探讨不同尺度半干旱区的碳水通量动态变化的主控因子。
(1)复相关分析
通过计算相关系数来反映不同驱动因子(叶面积指数和表层土壤湿度)对GPP,ET和WUE之间的相关性。公式中,yi表示驱动因子在第i年的平均值,xi表示第i年的碳水通量(GPP、NEP、ET、WUE);Rxy为复相关系数,其数值愈大,变量间的关系愈密切[46—47]。
(4)
采用T检验来进行相关性的显著性检验,计算公式如下:
(5)
式中,R表示相关系数,n为年数8年。
(2)偏相关分析
简单相关无法反映单独的气象因子对WUE的影响,因此进一步采取偏相关分析研究WUE对温度,降水和光合有效辐射(PAR)剔除各自影响后的响应作用[48]。
(6)
rx1y、rx2y、rx1x2分别为WUE与其中一个因子、WUE与其他因子、该因子与其他因子之间的简单相关关系。rx1y,x2表示去除控制变量x2影响之后,x1变量和其他变量之间的直线相关。
(3) 水分利用效率年际变化(Inter-annual Variability, IAV)贡献率计算
本研究中的水分利用效率(WUE)由GPP与ET的比值得出,单位为g C/m2H2O。此处年际变化IAV的定义为WUE的距平值,即去除一阶线性趋势后的WUE值[7]。
(7)
j植被类型区域(或每个栅格区域)对研究区全局WUE IAV的贡献值定义为[7]:
(8)
2 结果与讨论
2.1 亚洲半干旱区碳水通量时空格局分析
2.1.1总体时空变化特征
2010—2018年亚洲半干旱区年均GPP、ET、WUE空间分布趋势总体一致(图2),三者的高值区(GPP >1300g C m-2a-1,ET>350 mm/a, WUE >2.3g C m-2H2Oa-1)多分布于印度和俄罗斯位于亚洲地区的西南部的农林交错带以及中南部的混合林覆盖区域。低值区(GPP<600 g C m-2a-1,ET<200 mm/a, WUE<1.3 g C Kg-1H2O a-1)大体分布在中亚,蒙古和中国内蒙古草原地带,其中途径黄河流域的ET值相对较高(约350 mm/a)。高低值的空间分布一般与气候和人为因素有关,低值区多为暖干型气候,其中中亚降水量常年在200 mm以下。蒙古与内蒙古草原地区生态环境脆弱,且草地相比农田与森林来说,对气候变化更为敏感[49]。除此之外,其人为放牧,草场退化,土壤侵蚀等人为干扰也都导致了较低的碳水通量。整体来说,亚洲半干旱区碳水通量空间分布格局成“双夹”型,即中高纬度与低纬度地区的碳水通量值大于中纬度区域的分布特点。
图2 2010—2018年亚洲半干旱植被区年均GPP、ET、WUE空间分布图Fig.2 Spatial distribution of annual average GPP, ET and WUE in semiarid area of Asia from 2010 to 2018GPP: 总初级生产力Gross primary productivity;ET: 蒸散发 Evapotranspiration;WUE: 和水分利用效率Water use efficiency
图3为GPP、ET、WUE的时间变化趋势和其与表层土壤湿度的经纬度分布规律。分别对GPP,ET的空间栅格值进行二次线性插值后重采样到1°的空间格网中,以1°为分隔单位,来分析亚洲半干旱区的GPP与ET和表层土壤湿度(SMOS产品)年均值的经纬度分布规律。总体来说,ET和GPP的经度带分布规律与土壤湿度分布规律大体一致,但在某些区域(如70°—85°E带)变化趋势出现差别。东部(ET为154.59 mm/a,GPP为681.82 g C m-2a-1)和西部(ET为136.90 mm/a,GPP为592.34 C m-2a-1)碳水通量均值小于中部(70—90°E,ET为201.17 mm/a,GPP为938.28 g C m-2a-1),这是由于中部地区跨纬度较大,且植被类型较丰富。在70°—85°E带之间,土壤湿度没有明显变化,但是GPP与ET波动较大,说明该地区土壤湿度不是其主控因子,而是其他气候因素(温度,光照等)控制着GPP和ET的变化。从纬度分布上来说,GPP与ET的分布符合其空间分布格局特点,土壤湿度在中高纬度出现最高值,却没有对应GPP和ET的最高值,这是由于中高纬度带受到低温的限制。在30°—40°N纬度带间,GPP和ET与土壤湿度呈现出了相反的变化趋势,主要涉及到的区域是印度的灌溉农田与灌木区以及阿富汗和巴基斯坦的灌木区。在印度的水田区域,地面及地下水被大量用于灌溉,成熟的集约化耕作制度再加上大量化肥的使用[50—51],使得农作物消耗尽量小的水分来获得最大的生产力,从而水分利用效率较高,其表层土壤湿度不是最主要的影响因素[52—53]。
图3 亚洲半干旱植被区GPP、ET、WUE空间平均值年际变化与经纬度分布图Fig.3 Interannual variation of spatial mean values of GPP, ET and WUE and their longitude and latitude distribution in semiarid area of AsiaSM: 土壤湿度Soil moisture
从统计上来说,GPP表现出显著的增长趋势(P<0.05),增速为7.82 g C m-2a-1。而ET和WUE的增长趋势不显著,ET在2017年出现最低值,为349.2 mm。WUE在2010年的空间平均值与2018年基本持平,在1.31g C m-2H2O a-1左右。
从变化趋势空间图(图4)中可以看出,GPP和ET在大部分地区都呈现出显著上升的趋势,GPP显著增长面积占所有植被区的19.3%,主要分布在草原土地覆盖类型和印度河流域的农田区域。显著下降区域占比为15.3%,主要分布在灌木土地覆盖类型以及印度中部的农田区域。ET显著增长的面积占植被区的25.9%,呈现显著下降的面积占比为7.2%,其空间分布特点与GPP大体相同。WUE变化趋势的空间分布与均值空间分布相一致,即WUE较低的区域出现显著下降趋势(占植被区域的8.3%),较高区域出现显著增加趋势(占所有植被区域的14.6%)。其中印度中部的农田区域在GPP和ET的空间变化趋势图中显示出显著下降的趋势,而在WUE中表现出显著增长的趋势,这说明其ET与GPP相比下降幅度更大。变异系数空间分布则反映了通量的变化强度,可以概括为中亚西部,西亚的灌木区域以及蒙古草原的东部碳水通量变化最为剧烈。结合两者的分析结果可以说明,变异系数大的区域,如果碳水通量表现出显著上升或下降趋势,则是时间序列内的波动性上升或下降;反之,则是持续性的上升或者下降。
图4 2010—2018年GPP、ET、WUE空间变化趋势与变异系数空间分布图Fig.4 Spatial variation trend and coefficient of variation of GPP, ET and WUE from 2010 to 2018
2.1.2不同土地覆盖类型中植被的碳水通量时空变化特征
亚洲半干旱区土地覆盖类型主要有森林(8.6%)、灌木(9.4%)、草地(43.8%)、农田(22.5%)。从区域总体以及不同土地覆盖类型中植被的碳水通量平均值看(图5),森林与农田的GPP,ET和WUE相对较高,草原的碳水通量最低,且低于总体区域平均值。各类土地覆盖类型的GPP都呈现增加趋势,其中草原作为区域的主要土地覆盖类型,和总体区域的GPP都呈现显著增加的趋势(P<0.01)。农田也表现出比较显著的增长趋势(P=0.06),其显著增长面积占比最大,主要分布在印度河流域的水田区域,而印度半岛以及德干高原的耕地大部分呈现显著下降的趋势。灌木土地覆盖类型的GPP显著增长占比(5.9%)与显著降低占的比例相差不大,甚至显著降低占的比例略大(6.1%),主要分布在阿富汗和巴基斯坦的高原和山地区域以及印度河平原。在过去,研究区内人类活动频繁,过度放牧、毁林毁草开荒等行为对区域内生态环境有负面影响[54],加重了植被退化、土地荒漠化等生态问题。但1990年以后亚洲多个国家开始实行植树造林[55],随后又推行退耕退牧政策,郭岩等研究发现2000—2017年中亚地区植被退化趋势改善,人类活动对植被特征有积极影响[56],人为积极的干预可以有效保护甚至是提高植被生态系统生产力。
图5 研究区与不同植被区域碳水通量变化趋势及显著变化面积比统计图(P<0.05)Fig.5 Change trend of carbon and water fluxes in the study area and different vegetation areas and statistical chart of significant change area ratio (P<0.05)
对比ET不同植被类型的年际变化趋势和面积占比,发现所有植被类型的总体ET年际变化都不显著,但是空间上的ET显著增长面积占比超过20%,显著降低的面积仅占7.2%。农田在WUE中有着较高的显著增长面积,其ET显著增长和降低的区域与GPP相同。与ET的年际变化趋势相同,近8年WUE所有植被类型的总体年际变化都不显著,灌木类型呈现下降趋势。从森林的GPP和ET的变化趋势可以看出,其ET的显著下降面积较多,而GPP的显著增长面积百分比高于ET,因此会影响一部分区域的WUE呈现增长趋势。总体而言,2010—2018年GPP、ET和WUE的总体年际变化都呈现增长趋势,并且大部分植被类型的显著增长面积百分比高于显著降低的百分比。
2.2 不同土地覆盖类型中植被对WUE年际变化的贡献率分析
亚洲半干旱区各个土地覆盖类型年WUE IAV总体年际变化波动性较大(图6),呈现出WUE先增加后减少的状态。各土地覆盖类型与总体WUE IAV并不具有同样的趋势,尤其是灌木类型,8年里6年都与总体年际变化趋势相反,甚至在2010年与2014年与其他土地覆盖类型的WUE年际变化趋势都相反,这也对应了其贡献率为负值。
从各个土地覆盖类型对WUE IAV的贡献分布图可以看出(图6),灌木的贡献率最大,但是为负值。研究区中的灌木主要分布在乌兹别克斯坦东部、伊朗东北部和伊拉克、叙利亚北部附近。2000—2018年间灌木的WUE呈现下降的趋势,Wei等研究发现2000—2014年间中亚地区灌木受干旱影响会导致WUE的下降[57]。研究区内2003—2015年间中亚地区干旱发生的时间更长、程度更为严重[58],而许多灌木可能在长期的干旱中死亡[59]。研究区中的灌木可能在未受到有效保护及管理措施的情况下,相比其他土地覆盖类型波动较大从而导致其WUE年际变化幅度较大,且为负值。正值中农田的贡献率最大,为54.6%。森林与草原的贡献率相差不大,分别占全局的34.1%和40.1%,但森林的面积占比仅为草原的五分之一,这表明森林生态系统对半干旱区水分利用效率具有很大的影响。研究区中的森林要集中分布于俄罗斯与哈萨克斯坦国界处的农林交错带以及俄罗斯中部的混合林覆盖区域,在2001—2015年间大部分地区较为稳定,少部分地区受火灾的扰动[60],可能会使得WUE减少,距平值为负。[61]农田在人类管理下受到气候影响的变化较小,农田灌溉及施肥方式的合理选择[62],耕作方式的改进[63],农作物品种改良[64]等措施有利于农田水分利用效率的提高。
图6 2010—2018年研究区不同土地覆盖类型的WUE IAV和各自对WUE IAV的贡献率Fig.6 WUE IAV of different landcover types in the study area from 2010 to 2018 and contribution rate of each landcover type to WUE IAV IAV: 年际变化 Inter-annual variability
2.3 亚洲半干旱区WUE年际变化驱动力分析
2010—2018年,亚洲半干旱区WUE年际变化波动程度不大,范围在1.28—1.34 g C/m2H2O之间。然而不同区域不同植被类型之间WUE的年际变化空间差异显著。
三个气象因子(温度、降水、PAR)与WUE的相关系数空间分布如图7所示,总体而言,2010—2018年间,研究区WUE对三个气象因子表现出显著相关的区域(P<0.05)占植被区域的40%。降水对WUE多为负向影响,主要出现在哈萨克斯坦南部、东南部和内蒙古的草原以及印度河平原的农田区域。这与Zhang等[65]的研究结果相一致,其发现在水分限制地区,降水增加会导致ET高于光合作用,从而使WUE下降,并且在水热同步的印度河平原耕地,水分不是主要限制因素。因为降雨会使土壤蒸发增大,进而降低WUE。PAR对WUE也主要为负相关,主要集中在哈萨克斯坦的中部草原和印度河平原的农田区域,小部分正相关区域分布于内蒙古草原以及俄罗斯的森林区域。
大部分研究认为WUE随着PAR的增加而增加,但是达到某一数值后会随着PAR的增加呈现下降趋势,且容易受到多种因素的影响(如气溶胶)[6,66]。WUE对气候因子的响应会随着地区不同而变化,出现负面响应可能是由于在长时间强光照射以及干旱条件下,研究区内植被的GPP值不再随着PAR而增加,但是ET依旧保持增加的趋势,导致PAR与WUE负相关[67]。温度对WUE主要为正向影响,多分布在哈萨克斯坦的中部草原,在这个区域中温度对WUE的影响与PAR对其的影响相反。除了中亚,温度的负相关区域与降水的负相关区域大体一致。此外,从相关系数的区域统计直方图中也可以得出相应的结论。
分析三个气象变量对WUE的综合影响(图7,表1)可以发现,降水是亚洲半干旱区WUE最重要的影响因素,这与Zhang等[21]和Liu等[68]的研究结果相同。约有12.4%的植被受到降水的显著影响,仅降水就影响了5.6%的区域。中亚南部和内蒙古草原中部受降水的影响较大。PAR是影响WUE的第二大气象因素,约9.3%的植被区域受PAR显著影响,其中仅PAR单独影响区域占比为3.5%,PAR是印度耕地区域WUE变化的主导气象因素。温度对WUE的影响区域较小,有5.6%的植被区域受温度的显著影响,其单独影响占比仅为1.9%,主要分布在中高纬度植被区域。降水与温度、降水与PAR、温度与PAR以及三者的综合效应分别占亚洲半干旱植被区的1.4%、3.6%、0.4%和1.8%。综上,降水为亚洲半干旱区WUE的主导气象因素,降水和PAR共同影响了大部分区域植被的生长状况,且气象因子对WUE的影响具有明显的区域差异性。全球气候变化所带来的极端气候事件(长时间强降雨、干旱等)以及地区降雨特征变化(降雨量、频率等)可能会使得区域碳水耦合循环机制受到影响[69],水分利用率发生改变。因此,对区域气候的监测以及对极端气候事件的采取响应措施对维持水分利用率具有重要意义。
表1 WUE与降水,温度,辐射通量显著相关(单独影响与综合影响)占总植被区域的面积百分比Table 1 WUE was significantly correlated with precipitation, temperature and radiation flux (single effect and combined effect) as a percentage of total vegetation area
植被参量(LAI)与土壤参量(表层土壤湿度(SSM))对WUE的空间相关性如图7 所示。从对应的统计直方图也可以看出,LAI与SSM在大部分区域与WUE呈现显著正相关,尤其是LAI的显著正相关区域达到了约37%,负相关区域仅占2.8%。自21世纪以来,在卫星监测下的印度绿化趋势明显,仅仅耕地就贡献了印度LAI变化的82%[33]。SSM主要在中高纬度农田和草原,以及印度河流域的水田区域与WUE为显著正相关(23%),负相关区域(8.3%)主要分布在森林植被类型中。总体来说,LAI与SSM共同控制着WUE的年际变化。LAI和SSM与生态系统水分利用效率的相关性总体较好,表明利用LAI和土壤湿度可以简单地预测亚洲半干旱生态系统水分利用效率。
在半干旱区生态系统中,GPP和ET大多是呈现强耦合特征的。因此本文利用偏相关系数探讨GPP和ET分别对WUE的影响强度,图7中分别表示了剔除ET、GPP的影响。从图7WUE与GPP、ET的偏相关系数空间分布图中可以看出,GPP和ET与WUE都表现出强烈的相关性。GPP与WUE为正相关,ET与WUE为负相关,相关系数都在0.9以上。而在巴基斯坦的灌丛区域和中亚南部的草原,GPP与WUE的相关性稍弱。该地区也是WUE显著下降区域,这说明了导致该地区WUE下降的原因更多的在于ET的增加,而不是GPP的下降。利用公式(7)计算得出整个研究区中GPP对WUE的贡献率为57%,而ET为51%,GPP的变化更多地影响着WUE的变化。因此,可以通过退耕还林、退耕还草等措施增加植被固碳能力和碳储量,从而提高区域水分利用效率[70]。
图7 2010—2018年植被WUE对不同气象,叶面积指数,土壤湿度及GPP和ET的相关性系数及其直方图分布Fig.7 Correlation coefficient and histogram distribution of vegetation WUE to different Meteorological factors, leaf area index, soil moisture, GPP and ET in 2010—2018WUE-multi 代表WUE 受降水、温度和 PAR三个因素的综合影响;LAI: 叶面积指数Leaf area index; PAR: 光合有效辐射Photosynthetically active radiation
3 结论
本研究基于LPJ-VSJA联合同化产品,结合研究区植被及气候数据,分析了亚洲半干旱区GPP、ET和WUE的时空变化、年际变化贡献率以及驱动因素。主要结论如下:
(1)2010—2018年年均GPP、ET、WUE空间格局总体趋于一致,分布特点为中高纬度与低纬度地区的碳水通量值大于中纬度区域。ET和GPP的经度带分布规律与土壤湿度分布规律大体一致,纬度带分布规律与空间分布特点一致。
(2)2010—2018年GPP、ET和WUE的总体年际变化都呈现增长趋势,只有GPP呈现显著的增长趋势(P<0.05), 增速为7.82 g C m-2a-1,显著增长面积占所有植被区的19.3%,显著下降面积占15.3%。WUE较低的区域出现显著下降趋势,较高区域出现显著增加趋势。
(3)农田在GPP、ET和WUE中都显示出较高的显著增长面积,尤其是在WUE中。WUE的年际变化表现为总体先增加后减少。分土地覆盖分析,灌木对WUE年际变化的贡献率为负值,即与年际变化趋势相反。正值中农田的贡献率最大,为54.6%。森林生态系统虽然面积较小,但是对半干旱区水分利用效率的影响相对较大。
(4)在驱动力分析中,研究区WUE对三个气象因子表现出显著相关的区域(P<0.05)占植被区域的40%。降水为亚洲半干旱区WUE的主导气象因素,降水和PAR共同影响了大部分区域植被的生长状况,对WUE多为负向影响;温度对WUE主要为正向影响。且气象因子对WUE的影响的区域差异性较明显。LAI与SSM对WUE主要表现为正相关性,分别占总植被区域的37%和23%。GPP相对于ET对WUE的贡献更大。
本文基于LPJ-VSJA联合同化产品探讨了亚洲半干旱区碳水通量时空变化及其自然驱动因子。对于生态环境敏感且受水分限制的亚洲半干旱区,降水作为区域WUE的主导气象因素,地区降雨特征变化以及极端气候事件可能会对WUE产生影响,因此有必要考虑区域气候监测和对极端气候事件的响应机制。同时GPP对WUE变化的贡献较大,退耕还林、退耕还草等可以增加植被固碳能力和碳储量的措施有助于提高区域水分利用效率。本文的研究结果有助于理解研究区碳水循环发展状况与循环机制,可为区域水资源管理、生态系统发展和全球气候变化应对提供参考。