福建省森林植被NEP 时空变化及影响因子分析
2023-08-10翁升恒张玉琴姜冬昕潘卫华李丽纯张方敏
翁升恒，张玉琴，姜冬昕，潘卫华，李丽纯*，张方敏
1.福建省气象科学研究所，福建 福州 350001；2.福建省灾害天气重点实验室/中国气象局海峡灾害天气重点开放实验室，福建 福州 350001；3.福建省气象宣传科普教育中心，福建 福州 350001；4.南京信息工程大学应用气象学院气象灾害预报预警与评估协同创新中心/江苏省农业气象重点实验室，江苏 南京 210044
陆地生态系统固碳是碳循环中的重要过程，可以显著抵消部分同期化石燃料燃烧和工业活动导致的碳排放，并缓解经济社会发展给生态环境带来的压力（朴世龙等，2022a），明晰生态系统的碳源汇状况可以为应对气候变化提供科学依据。我国陆地生态系统表现出明显的碳汇特征，其中森林碳汇量约占全国陆地碳汇总量的80%（Calvo Buendia et al.，2019；Wang et al.，2020），是减缓大气CO2浓度升高和气候变化的重要生态系统（朴世龙等，2022a）。然而不断加剧的气候变化和人类活动对森林生态系统的结构和功能都产生了深远影响（Beeks，2021；Ge et al.，2021），其碳汇能力及变化驱动机制仍具有较大的不确定性（朴世龙等，2022b），森林碳汇的估算、时空变化及影响因子分析也因此成为了当前应对气候变化研究的热点。
净生态系统生产力（Net Ecosystem Productivity，NEP）能够定量描述陆地生态系统与大气之间的净碳交换（Wang et al.，2021），是衡量陆地生态系统碳源汇作用的重要指标，其生态学定义为总初级生产力（Gross Primary Productivity，GPP）和生态系统呼吸（Ecosystem Respiration，Re）之差，NEP>0 说明生态系统发挥碳汇功能，反之则为碳源。因此，本研究拟通过研究区域森林植被的NEP来反映生态系统碳源汇情况。诸多学者针对中国森林和部分重要林区开展了NEP 的分布和影响研究。在全国尺度上来看，中国森林NEP 呈增强趋势，主要得益于森林生长状况的改善，然而不同地区的研究结果存在差异（杨元合等，2022）：浙江省森林NEP 呈明显上升趋势，其主导因子为温度和降水（Mao et al.，2022）；秦岭北坡森林NEP 的显著上升趋势则由气温升高引起（张越等，2019）；江西省森林NEP 总量的明显增加则主要受到林业活动的影响（黄麟等，2012）；海南省森林NEP 呈现不显著的下降趋势，其时空变化受地形因子驱动居多（刘应帅等，2022）；东北地区森林NEP 的空间分布多受植被因子的控制（孙滨峰等，2018）；青海省、甘肃省NEP 分别受到人口密度和经济产值的负抑制影响（刘春雨等，2018；冶晓娟等，2022）。综上所述，森林NEP 的时空变化及其影响机制仍存在较大的区域差异，可能受到气候、植被、地形和人口密度、经济产值等人为活动因子变化的交叉影响（黄麟等，2012；刘春雨等，2018；孙滨峰等，2018；张越等，2019；刘应帅等，2022；Mao et al.，2022；冶晓娟等，2022）。目前对森林NEP 的研究仍存在以下问题亟需深入探究：现在针对国内重点林区NEP 的研究尚不全面，故而影响了对中国森林碳汇的全面认识；对NEP 变化的影响因子研究多聚焦于一两类因子，而统筹考虑气候、植被、地形和人为活动因子，明确NEP 时空变化的主导因子有助于进一步厘清森林碳源汇变化机制。
福建省受亚热带季风气候控制，高异质性的生境孕育了丰富多样的森林植被类型，是中国亚热带重要林区之一（李振基等，2021），森林覆盖率连续44 年全国排名第一，具有巨大的碳汇能力（Yu et al.，2013），在服务国家“双碳”战略中发挥重要作用。但关于福建省森林植被碳汇和影响因子的研究尚不全面，针对福建省森林NEP 的时空变化特征和影响因子开展研究可以弥补现有研究的不足。因此，本研究采用TEC（Terrestrial Ecosystem Carbon flux model，Tec）模型和生态系统呼吸模型，利用2000－2020 年气象和遥感数据对福建省森林NEP进行了估算，剖析其时空分布特征，并基于地理探测器、敏感性和贡献度方法分析了NEP 对归一化植被指数（Normalized Difference Vegetation Index，NDVI）、高程（Digital Elevation Model，DEM）、太阳辐射（Radiation，Rad）、气温（Air Temperature，Ta）、降水（Precipitation，Pre）、经济（Gross Domestic Product，GDP）和人口（Population，POP）的响应特征，以期丰富对中国森林生态系统固碳功能的认识，并为福建省森林固碳能力的管理和应对气候变化提供科学参考。
1 材料与方法
1.1 研究区概况
福建（23°33′－28°20′N，115°50′－120°40′E）地处中国东南部、东海之滨，东北与浙江省毗邻，西北以武夷山脉与江西省交界，西南与广东省相连，属于亚热带季风气候区。2000－2020 年间，年平均气温20.2 ℃，年总降水量1 729.0 mm，年平均太阳辐射辐射127.2 W·m−2。福建省以山地、丘陵为主，根据2015 年土地利用类型资料统计（图1a），林地是最主要的土地利用类型，占62.2%；其次是农田和草地，分别占17.1%和15.1%；水体、城乡用地及未利用土地分别仅占1.5%、4.0%和0.1%。2000－2020 年稳定林地的分布如图1b 所示，稳定林地占全省陆地面积的61.2%，主要分布在非沿海地区。
图1 研究区概况（2015 年）及稳定林地分布Figure 1 Overview of the study area (2015) and distribution of stable forest land
1.2 数据来源
本文所使用数据的来源及概况如表1 所示，分为站点数据和栅格数据。
表1 数据来源及概况Table 1 Data sources and overview
站点数据包括气象和通量数据。气象数据来源于中国国家气候中心（http://data.cma.cn）提供的中国地面气候资料日值数据集，包含2000－2020 年全国2 420 个气象站点的气温、降水、日照时数、相对湿度等数据，太阳辐射、净辐射由日照时数计算得到（Allan et al.，1998），研究区域内及周边地区气象站点分布状况如图1a 所示，包含省内及周边共133 个数据完整度较高的气象站点，所有数据经质量控制、插补后由克里金法（李俊晓等，2013）插值得到空间分辨率为1 km 的栅格数据；武夷山通量数据来源于福建省气象局，武夷山站下垫面为马尾松生态系统，观测时段为2019 年1－12 月，所有数据经过严格的质量控制，包括延迟时间的校正、坐标旋转、大气密度效应修正等，并通过观测资料计算物理通量CO2密度与垂直风速脉动值的协方差求算湍流通量，具体过程见吴利禄等（2019）；云霄县通量数据来源于已公开发表的数据集（Chen et al.，2014；Zhu et al.，2021），云霄站位于下垫面为红树林湿地生态系统，数据集时段为2011－2012年与2017－2018 年。
栅格数据包括土地利用类型、经济、人口、高程、归一化植被指数、叶面积指数数据，本研究将栅格数据分辨率重采样至1 km 以互相匹配。土地利用类型数据集源自中国科学院地理科学与资源研究所资源环境科学与数据中心，选用2000、2005、2010、2015年4 期的土地利用类型数据（http://www.resdc.cn），数据将地表类型分为农田、林地、草地、水体、城乡用地和未利用土地6 种类型，原始空间分辨率为30 m，本研究提取了4 期内均为林地的格点，绘制出稳定林地的空间分布（图1b）；经济、人口与高程数据来源于资源环境科学数据注册与出版系统，分辨率为1 km，经济与人口数据为每5 年一景，是在全国分县统计数据的基础上，考虑人类活动密切相关的土地利用类型、夜间灯光亮度、居民点密度数据与经济、人口的空间互动规律，通过空间插值生成（徐新良，2017a，2017b）；归一化植被指数来源于MODIS 卫星产品MOD13A1，空间分辨率为500 m，时间分辨率为16 d；叶面积指数和光和有效辐射吸收比数据来源于MODIS 卫星产品MOD15A2H，空间分辨率为500 m，时间分辨率为8 d。
1.3 研究方法
1.3.1 碳源汇估算
植被碳源汇被定义为总初级生产力和植被自养、异养呼吸消耗量的差值，即：
式中：
C——碳源汇，即净生态系统生产力（g·m−2）；
G——总初级生产力（g·m−2），计算见公式 (2)－(4)；
Rg、Rm和Rh——植被生长呼吸、维持呼吸和异养呼吸消耗量（g·m−2），计算见公式 (5)－(8)。
本研究使用TEC 模型对陆地生态系统总初级生产力进行模拟，TEC 模型是在LUE 模型的基础上，进一步考虑了温度和水分条件对植被的胁迫作用而发展得来，已有研究证实了其在东亚地区不同生态系统上的适用性（Yan et al.，2019），具体参数见Yan et al.（2015）：
式中：
ε*——最大光能利用效率；
Tε和Wε——温度胁迫和水分胁迫对生态系统LUE 的影响；
F——光合有效辐射吸收比；
Pa——光和有效辐射（W·m−2），本研究中假设为太阳辐射的48%（McCree，1972）；
Ta——气温（℃）；
Tmin、Tmax和Topt——植被光合活动的最低、最高和最适温度（℃），详见Melillo et al.（1993）；
E——实际蒸散发（mm），通过ARTS 模型利用遥感叶面积指数和地表气象要素（气温、净辐射、相对湿度）计算，详细的计算过程见Yan et al.（2012）；
EPT——通过Priestley-Taylor 模型（Priestley et al.，1972）计算的潜在蒸散发（mm）。
生态系统呼吸详细计算参考 Goward et al.（1987）、Zhao et al.（2010）和Hashimoto et al.（2015），分为植被生长呼吸、维持呼吸和异养呼吸消耗量，即：
式中：
Rs——土壤呼吸（g·m−2）；
Pm−1——第m−1 月的总降水量（cm），m=0 代表去年12 月；
P——第m月的总降水量（cm）；
dm——第m月的时间（d）；
Ta——第m月的平均气温（℃）；
F（g·m−2·d−1）和K（cm·mol−1）——参数；
a（℃−1）和b（℃−1）——温度函数的参数；
α——降水函数的参数，详见相关文献（Hashimoto et al.，2015；Wang et al.，2022a）。
1.3.2 地理探测器
地理探测器是一种揭示空间异质性、量化驱动因素对因变量的空间统计方法（Wang et al.，2016；王劲峰等，2017），本研究使用因子检测器和交互检测器以研究福建省森林NEP 空间分布的影响因子。所得结果基于RStudio 软件中的“GD”包（Song et al.，2020），根据其最优分类算法分别对影响因子进行离散化处理，后通过自然间断点法将NDVI、DEM、Rad、GDP 分别分为7、7、7、6 类，采用等间距法将Ta 和Pre 分别分为6 类和7 类，基于几何间隔法将POP 分为7 类。
因子检测器的Q统计值可以用来衡量影响因子对因变量的解释能力，Q的值域为[0, 1]，Q值越大说明影响因子对因变量的解释力越强，反之则越弱，Q为1 表明该影响因子对因变量的空间分布的解释力为100%，Q为0 表明该影响因子与因变量的空间分布没有任何关系。
式中：
h——因子的分类；
Nh和N——某因子在第h类和全区的单元数；
σh2和σ2——因变量在第h类和全区的方差。
交互检测器可以将两个影响因子（X1,X2）交互叠加形成新的交互因子（X1∩X2），通过比较交互因子对因变量的解释力（Q(X1∩X2)）和两个因子独立的解释力（Q(X1),Q(X2)）来评估两因子的共同作用是否会增强或减弱对因变量的解释力。交互类型如表2 所示。
表2 两个自变量对因变量交互作用的类型Table 2 Types of interaction between two independent variables on dependent variables
1.3.3 敏感性与贡献率计算
敏感性与贡献率的计算详见公式 (10)－(13)，其中公式 (10) 中的逐步回归建模基于SPSS 26 软件中的逐步回归模型功能完成，其余步骤基于Python语言编程实现。敏感性系数是由Mccuen （1974）提出的，利用因变量和自变量建立逐步回归关系，通过求偏导数进一步得到敏感性系数。敏感性系数的正负反映净生态系统生产力与该环境因子的相关性，值为正表明净生态系统生产力与该环境因子变化趋势相同，反之亦然，敏感性系数的绝对值反映环境因子对净生态系统生产力影响大小：
式中：
C——因变量，即净生态系统生产力（g·m−2）；
vi——第i个影响因子；贡献率由因子对因变量产生的影响和所有因子对因变量的解释率计算得到 （华朗钦等，2023），贡献率为正，代表因子的变化对净生态系统生产力的变化起正促进作用，反之亦然。因子对因变量产生的影响可表示为其相对变化率 （Rcvi）与敏感性系数 （Svi）的乘积 （尹云鹤等，2010），而逐步回归模型的r2表示所有因子对净生态系统生产力贡献的解释率，再根据单一因子的影响占比可以对该因子的贡献率进行计算：
式中：
vi——第i个影响因子；
ε——逐步回归方程的系统误差项；
Svi——净生态系统生产力对某影响因子vi的敏感性系数；
Cvi——影响因子vi对因变量的贡献率；
Rcvi——影响因子的多年相对变化率；
ρ——所选所有影响因子对因变量变化的解释程度；
kvi——该影响因子多年的相对变化率，由线性回归趋势分析计算得到；n——统计总年份，本文n为21。
2 结果与分析
2.1 NEP 估算精度验证
将本研究估算的NEP 结果与以往研究中公开的NEP 实测数据进行相关性分析、显著性检验，对比分析如图2 所示。在2011－2012 年和2017－2019年间，NEP 模拟值与武夷山、云霄通量站涡度相关实测值相近，r2达到了0.839（P=0.010），接近1꞉1线，说明该估算方法在福建省具有一定的适用性，可以用来进行该区域NEP 的估算。
图2 NEP 估算结果与已有研究的观测资料对比Figure 2 Comparison between simulated NEP and existing research observation data
2.2 环境及社会因子空间分布特征
通过绘制福建省森林地区环境及社会因子2000－2020 年的平均空间分布图来观察各因子在空间方位上的分布，由图3 可知各因子的分布特征具有明显的空间异质性。DEM 分布区间为1－2 130 m，高值区位于武夷山脉、鹫峰山脉、戴云山脉、玳瑁山脉、博平岭等5 大山脉，低值区主要位于南平中南部及沿海地区；多年平均NDVI 的区域最大值和最小值分别为0.831 和0.110，高值区主要分布于福州、龙岩市、南平的武夷山，以及莆田和泉州市的交界处；Rad 的分布区间为118－140 W·m−2，呈现“南高北低”的空间分布特征；Ta 在11.7－22.8 ℃之间，南部高于北部，最低出现在泉州市九仙山；森林地区多年平均Pre 为1 440－1 990 mm，空间分布为“北高南低”；每平方公里的GDP 和POP主要呈现“东高西低”的空间分布，东部GDP 在400 万元以上，POP 在400 人以上，而西部地区GDP集中在200 万－400 万元，POP 低于200 人。
图3 2000－2020 年福建省森林环境及社会因子的空间分布Figure 3 Spatial distribution of forest environment and social factors in Fujian Province from 2000 to 2020
2.3 森林NEP 的时空分布及变化趋势
2.3.1 NEP 的年际变化特征
如图4 可知，2000－2020 年福建省森林地区总体表现为稳定碳汇，多年年均NEP 为528 g·m−2，最小值出现在2003 年（449 g·m−2），最大值出现在2018 年（634 g·m−2）。研究期间NEP 呈现波动上升的变化趋势，虽然2019 年NEP 出现急剧下降趋势，但碳汇强度总体表现为极显著的增强趋势（P=0.006），21 年间的线性趋势变化率为 4.65 g·m−2·a−1。
图4 2000－2020 年福建省森林NEP 平均值的年际变化Figure 4 Inter-annual variation of forest NEP in Fujian Province from 2000 to 2020
2.3.2 NEP 的空间变化特征
根据等间距法将NEP 和其变化率划分为不同等级。NEP<0 g·m−2为低值区，0
2000 年和2020 年福建省森林NEP 的空间分布如图5 所示，NEP 的空间分布具有明显的异质性，呈现“南高北低”的空间分布规律（图5a、b）。高值主要分布在福建南部的内陆地区，低值主要分布在中北部和南部沿海地区。与2000 年比，2020 年NEP 高值区（>600 g·m−2）增长46.8%，主要位于福建省的南部内陆地区；中高值区（400－600 g·m−2）、中值区（200－400 g·m−2）和中低值区（0－200 g·m−2）分别下降了26.0%、20.5%和0.5%；NEP 低值区在2000 年和2020 年（<0 g·m−2）占比均较低，2000－2020 年增长了0.2%，主要位于东部沿海地区。
图5 福建省森林NEP 及其变化状况的空间分布Figure 5 Spatial distribution of forest NEP and its changes in Fujian Province
趋势分析（图5c）表明，NEP 以较高幅度增加（4－8 g·m−2·a−1）为主，占总面积的46.1%；NEP的低增幅区（0－4 g·m−2·a−1）、高增幅区（>8 g·m−2·a−1）分别占33.6%和13.6%，高增幅区主要分布在福建省的中部偏西南地区；NEP 的减少区域占6.7%，在区域内零星分布。图5d 为变化趋势及显著性的空间分布，福建省内93.3%的森林NEP 呈上升趋势，48.3%的森林NEP 呈显著上升趋势，其中29.1%的森林NEP 呈极显著上升趋势。福建省森林地区只有6.7%的区域呈下降趋势，其中1.0%的区域通过显著性检验，主要分布在城市周边、宁德市西部及莆田市西部地区。
2.3.3 不同地市NEP、总量及变化特征
表3 给出了2020－2020 年福建省各地级市的森林NEP 情况，各地级市森林均发挥碳汇功能，且均有不同程度的增强趋势。由表可知，福建省多年均森林NEP 为528 g·m−2，最高为莆田市（561 g·m−2），最低为南平市（504 g·m−2）；全省森林NEP年总量为35.07 Tg，各地级市中南平市最高（7.58 Tg），厦门市最低（0.21 Tg）；全省森林NEP 平均上升速率为4.65 g·m−2·a−1，泉州市上升最快（5.45 g·m−2·a−1），厦门市上升最慢（1.84 g·m−2·a−1）。
表3 2000－2020 年福建省各行政区森林NEP、NEP 总量和变化趋势统计Table 3 Statistics on total forest NEP and change trend in various administrative districts of Fujian Province from 2000 to 2020
2.4 福建省森林NEP 的影响因子分析
2.4.1 因子影响力探测
为探究福建省森林NEP 变化的影响因子，选取7 种环境与社会因子并对其进行地理探测器分析，探测筛选NEP 空间分异的主要影响因子。结果如图6 所示，NEP 的空间分布差异受到植被、地形、气象和社会经济因子的共同作用，不同的影响因子对NEP 的解释力存在显著差异，Q值排序为NDVI>DEM>Rad>Pre>POP>GDP>Ta。NDVI 是影响福建省森林NEP 的主导因子，其Q值为0.805，对NEP的解释力达到80.5%；其次是DEM，Q值为0.223，对NEP 的解释力为22.3%；气象因子中，Rad 对NEP 的空间分异影响较强，解释力为6.3%，而Pre和Ta 对NEP 的解释力小于5%；社会经济因子（GDP、POP）对福建省森林NEP 的影响较小。
图6 福建省森林NEP 的影响因子探测结果Figure 6 Detection results of forest NEP impact factor in Fujian Province
2.4.2 影响因子交互作用探测
交互探测器的结果如表4 所示，成对因子的Q值均大于单个因子的Q值，这表明两个因素的相互作用增强了对福建省森林生态系统NEP 的影响，同时说明了福建省森林NEP 的空间分异受到不同影响因子的协同作用。NDVI 与Rad 的交互作用对NEP 解释力最强，为84.6%，其次是NDVI 与降水的交互作用（84.0%）；在21 组相互作用中，11 组为线性增强，10 组为非线性增强，非线性增强均发生在气象因子与其他因子的协同作用上，其中Ta与其他因子的协同作用均表现为非线性增强，说明Ta 对NEP 的影响体现在与其他因子的相互影响上，是不可忽略的。
表4 影响因子交互作用探测结果Table 4 Detection results of influence factor interaction
2.4.3 NEP 空间分布对高影响因子的响应
NDVI、DEM 和Rad 是驱动福建森林NEP 区域分异的高影响因子（图6），图7 显示了NEP 对高影响因子的响应特征，NEP 对不同因子的响应特征有明显差异。NEP 随NDVI 的增高而明显上升，在NDVI<0.47 时最小（97.5 g·m−2），在NDVI>0.76时NEP 最大（637 g·m−2）；NEP 随DEM 的增高而上升，但当DEM>1491 m 时NEP 有明显下降，DEM<333 m 时 NEP 最小（ 459 g·m−2），891 图7 福建省森林NEP 对高影响因子变化的响应Figure 7 Response of forest NEP in Fujian Province to changes of high impact factors 2.4.4 NEP 时间变化的影响因子 2000－2020 年NDVI、Rad、Pre 和Ta 对NEP时间变化的敏感性和贡献率如表5 所示，NEP 对NDVI 的变化最敏感，且NDVI 多年相对变化率最明显，故NDVI 贡献率最高。根据逐步回归模型（r2=0.467，P=0.010），四要素对NEP 的解释程度为46.7%，贡献率绝对值排序为NDVI>Rad>Pre>Ta，说明NDVI 的升高是NEP 多年变化的主导因素，其次，Rad、Pre 和Ta 的变化均对NEP 的上升趋势起到了负抑制作用，但负贡献较低。 表5 NEP 时间变化影响因子的敏感性和贡献率Table 5 Sensitivity and contribution rate of NEP time change influence factors 福建省森林林龄大多低于40 岁（Zhang et al.，2017），正处于固碳能力的强盛时期（Wang et al.，2011）。近20 年来福建省森林表现出稳定的碳汇能力，NEP 略大于浙江省森林（442 g·m−2）和海南省森林（483 g·m−2）（Mao et al.，2022；刘应帅等，2022）。 亚热带季风气候为福建带来了充足的水热条件，而植被覆盖率的提高有助于更好的利用这些气候资源，其对光合作用的促进大于呼吸作用，最终促使NEP 上升（Chen et al.，2019），福建省森林NEP 的显著上升趋势取决于森林植被覆盖度的提高（表5），说明福建省国家森林公园、自然保护区的建设对保护森林碳汇功能具有重要意义（赵宁等，2021）。值得关注的是，近年来福建省气象因子的变化均对森林NEP 产生了一定的抑制作用（表5），原因可能在于气象因子的变化对呼吸和光合作用的影响强度存在差异（朱万泽，2013）：研究表明，气温升高会导致光合和呼吸作用的增强，温带、寒带森林生态系统的呼吸过程具备较强的温度适应能力，气候变化对光合作用的促进足以弥补增加的生态系统呼吸消耗（Atkin et al.，2008；Maseyk et al.，2008），但亚热带森林生态系统呼吸对温度升高的敏感性要高于光合作用，故气温升高将对亚热带森林NEP 表现出负贡献（Piao et al.，2010）；另外，降水增多和辐射降低往往伴随发生，在干旱地区可以补充植被所需水分而有利于植被固碳，但在亚热带湿润地区会引起可利用能量的减少，导致植被的生产力降低，更多的碳水化合物被用于植被呼吸，碳利用效率降低（朱万泽，2013），不利于森林的净碳吸收。目前，植被覆盖度的提升能够弥补气候变化对森林NEP 产生的负抑制作用；但在未来，森林NEP 可能由于气候变化和林龄增加而出现下降（Mao et al.，2022）。 影响因子方面，植被和气象因子仅能解释福建森林NEP 年际变化的46.7%，不确定性可能来源于营养元素，由于缺少长时间观测数据，本文未考虑二氧化碳、硫和氮元素对福建森林的施肥效应，而碳、硫和氮元素作为关键的植物养分，其变化是导致植被变绿的主要原因之一，其沉积作用可能对森林NEP 产生实质性影响（Chen et al.，2019；Wang et al.，2022b）。 NEP 的空间分布可能受到诸多因子包括气候因子、地形地势、植被结构、土地利用和人类活动等影响（Chen et al.，2015；Wang et al.，2022a）。本文聚焦福建省稳定森林生态系统，发现植被因子对NEP 具有主导作用，与Barr et al.（2004）针对加拿大森林生态系统的研究一致，高NDVI 代表着植被群落能够参与光合作用的有效面积越多，有利于生态系统充分利用能量与物质进行碳吸收。本研究显示气象条件对NEP 的影响相对较弱，可能是由于气象因子对GPP 和Re 有相似的影响（周慧敏，2021），两部分的相似性在相减计算NEP 时相互抵消，从而削弱了气象因子对NEP 空间分异的影响。 DEM 和Rad 是重要的地形与气候影响因子（图7b、c）：福建地形起伏多变，DEM 的不同会导致温度、土壤类型等的差异，改变了群落的垂直结构进而影响森林NEP。中高海拔地区适宜的环境条件以及较少的人类活动均有利于植被进行光合作用（江洪等，2021），低纬度地区人类活动较强，不利于植被活动，而过高的海拔不适宜常绿林的生长，优势植被类型转为常绿阔叶落叶混交林和中山矮林（李振基等，2021），生长季长度和冠层高度影响了碳吸收，因此NEP 在中高海拔达到最大值；Rad 为光合作用提供能量，充足的辐射条件有利于碳吸收，但过多的太阳辐射不能被植被有效利用（周立国等，2017），反而会引起冠层表面温度升高，增强植被和土壤的呼吸作用而使NEP 下降（Lloyd et al.，1994；Duffy et al.，2021），福建森林NEP 具有明显的“辐射适宜区”，在未来值得进一步深入研究。 本研究采用TEC 模型和生态系统呼吸模型，给出了福建省森林NEP 的时空分布特征，并量化分析了其对气候、植被、社会、地形因子的响应，探究了福建省森林NEP 时空变化的驱动因子，得出以下主要结论： 2000－2020年间，福建省森林NEP在449－634 g·m−2之间，呈极显著的增强趋势；从空间分布上看，NEP 高值主要分布在福建南部的内陆地区等高植被覆盖的区域，低值主要分布在中北部和南部沿海等低植被覆盖的区域。福建省森林NEP 的空间分异主要受到植被、地形和气象要素的影响，其中归一化植被指数是主要驱动因子，其次是高程和太阳辐射；各驱动因子间的交互作用均强于单一因子对碳储量空间分异的影响，其中归一化植被指数与太阳辐射的协同作用能力最强。福建省森林NEP 的时间变化受到植被和气象要素变化的综合影响；其显著上升趋势主要取决于森林植被覆盖度的提高，而近年来气象条件的变化对福建省森林NEP 的增长趋势有不利影响。 植被覆盖状况是福建省森林NEP 时空变化的决定因子，同时地形和气象因子也是其重要影响因子。未来在福建省森林地区进行“双碳建设”时，应综合考虑各因素对福建省森林固碳产生的影响；建立自然生态保护区，在水分适宜的情况下进行林业结构调整，种植高覆盖率的林种，优化福建省森林植被覆盖情况；科学规划与利用适宜种植区域，提高植被应对气候变化的能力，发挥辐射、海拔条件适宜区的环境优势，更有效的利用气候资源。
3 讨论
3.1 福建省森林NEP 时间变化的主要影响因子
3.2 福建省森林NEP 空间分异的主要影响因子
4 结论
