基于遥感数据的植被碳水利用效率时空变化和归因分析

林子琦,温仲明,2,*,刘洋洋,姚宏斌,周荣磊,任涵玉,袁浏欢

1 西北农林科技大学草业与草原学院,杨凌 712100 2 中国科学院教育部水土保持与生态环境研究中心,杨凌 712100

水-碳循环是陆地生态系统中的重要环节[1]。在气候变化背景下,陆地生态系统水-碳循环机制及其对气候条件的响应成为生态学界高度关注的问题[2]。碳水利用效率作为表征陆地生态系统水-碳循环的重要指标,也是全球变化研究的热点[3]。

陆地生态系统的碳利用效率(Carbon Use Efficiency,CUE)是反映植被固碳能力的重要参数[4]与分析生态系统碳分配模式的关键指示因子[5]。许多研究将其定义为净初级生产力(Net Primary Productivity,NPP)与总初级生产力(Gross Primary Productivity,GPP)的比率[6]。水利用效率是生态系统功能的一个关键特征,也是水碳耦合的连接桥梁[1]。在生态系统层面,水利用效率(Water Use Efficiency,WUE)是指以蒸散发(Evapotranspiration,ET)形式出现的碳增加与水分损耗的比率[2]。

近年来,遥感技术的发展为有关水碳循环的研究带来了新的思路,众多学者利用遥感产品开展相关研究。如,植被CUE并非恒定值[7],不同植被类型之间的CUE差别也较大[8]。区域尺度上,刘福红等[9]对鄱阳湖流域不同土地利用类型碳水利用效率进行统计分析,发现草地及农田CUE较高,森林及灌丛CUE较低。时空动态方面,2000-2013年中国植被CUE大体呈现西部高东部低的状态[10];袁旻舒等[11]利用CMIP5模型对模拟未来中国陆地生态系统的CUE并分析其变化潜力,结果表明未来CUE变化范围在0.332-0.617之间且随时间略微降低;刘宪锋等[12]发现黄土高原WUE整体呈现上升趋势;常娟等[13]发现西北地区草地WUE呈现由东南向西北递减的空间变化规律。

植被碳、水利用效率对环境及气候变化较为敏感[14-15]。Zhang等[16]在全球碳利用效率的气候驱动因素的研究中发现温度的升高使CUE降低,而降水增加导致CUE上升;高寒环境以气温为主要驱动因素[7]。在海拔较高的区域,植被WUE与降水及温度均呈正相关[17];而干旱条件下,植被WUE对气温、降水呈负反馈[18]。

植被动态也对碳水循环有很强的控制作用[19],植被绿化可能会影响生态系统碳封存潜力及水循环过程。随着全球变暖及大规模植被恢复工程的实施,植被碳汇作用明显提升[20]。研究表明,WUE的减少可能与生态系统的退化有关,而生态系统恢复则会促进WUE的增加[21]。区域尺度上,王辰露等[22]探究了黄河流域植被变化对水碳耦合的影响策略,但针对碳循环的研究不够深入,缺少植被固碳能力的系统评估。

黄河流域是我国植被恢复工程的重点区域,其生态环境脆弱敏感,属典型的干旱半干旱气候[23]。近20年来,为改善黄河流域生态退化状况,促进流域高质量发展,国家相继实施一系列如退耕还林还草等的生态恢复工程,并初步取得成效[23]。尽管已经认识到逆转荒漠化、防止土壤侵蚀和增加地表生物量的好处,但植被增加也产生了植被蒸散耗水加剧的问题。人为植被恢复对陆地生态系统水和碳循环关键过程的影响仍然知之甚少[20],揭示陆地生态系统在区域植被恢复背景下的碳水循环动态及其对气候变化的响应仍是生态学研究中的一大挑战。探究黄河流域碳水循环特征及其与水热条件之间的联系,以及生态恢复工程如何改变水碳平衡则显得尤为必要。现阶段的多数研究局限于区域尺度的单一指标(CUE或WUE),将碳、水利用效率综合考虑的相关研究还较为少见。

本研究基于MODIS数据产品,分析黄河流域植被碳水利用效率变化的时空模式及其在不同植被类型之间的差异,并探究水热条件对碳水利用效率变化的相对贡献,以期为黄河流域水碳耦合机制的研究与流域植被恢复的可持续发展提供科学参考。

1 数据与方法

1.1 研究区概况

黄河流域(32°10′-41°50′E,95°53′-119°05′E)幅员辽阔,地处我国中北部地区,西起青藏高原的巴颜喀拉山脉,东入渤海,北抵阴山,南达秦岭,途经青、川、甘、宁、蒙、陕、晋、豫、鲁9省份。流域地势西高东低横跨三大阶梯,地形丰富多样,自西向东横穿青藏高原、内蒙古高原、黄土高原及黄淮海平原,全长5464 km,总面积约79.5×104km2。流域自西向东气候变化悬殊,降水与气温均呈由南向北、由东向西递减的特征。流域多年平均降水量440 mm,多年平均气温为7℃[24]。根据流域实际情况,将黄河流域土地利用类型概括为森林、灌丛、农田、水体及湿地、城市、草地和裸地等7类,其中主要植被类型为耕地、森林、草地、灌丛,面积分别占黄河流域总面积的19.97%,4.55%,69.91%,0.10%(图1)。

图1 研究区概况Fig.1 Location of study area and the distribution of different landcover types

1.2 数据来源及处理

1.2.1GPP、NPP、ET数据及土地覆盖类型数据

本研究所使用的GPP、NPP、ET遥感数据来自于MODIS 数据产品:MOD17A2H、MOD17A3H和MOD16A2。其空间分辨率为500 m,时间分辨率8 d,时间跨度为2000-2020年,地理坐标投影系均为WGS-84,数据格式为TIF。为避免传统研究中下载数据遇到的重投影、镶嵌等步骤,本研究使用Google Earth Engine(GEE)平台(https://earthengine.google.com/)进行数据下载工作。本研究在GEE平台对原始数据去除异常值,并对GPP与ET数据进行年值计算。经由Google drive导出GeoTIFF格式数据,利用 ArcGIS 10.8基于研究区矢量边界进行批量掩膜,得到可分析数据。

土地利用类型数据采用MCD12Q1地表覆盖栅格数据,空间分辨率为500 m。根据IGBP(International Geosphere-Biosphere Program)分类系统,结合本研究实际情况,将数据重新划分为草地、森林、农田、灌丛、水体、城市及裸地等7类,重点分析草地、森林、农田与灌丛的碳水利用效率时空变化特征。

1.2.2气象数据

气象数据源自黄土高原科学数据中心(http://loess.geodata.cn)提供的中国722个标准气象站点2000-2020年的逐月平均降水与气温数据集。为确保计算数据的匹配,运用ANUSPLIN软件结合各站点的高程与经纬度信息对气象数据进行空间插值处理,以获取与研究区CUE、WUE影像分辨率相同且投影一致的气象栅格影像。基于黄河流域矢量边界,利用 ArcGIS 10.8掩膜,并计算研究区气象年尺度栅格数据。

1.3 研究方法

1.3.1CUE和WUE计算方法

本研究将黄河流域植被的碳利用效率(CUE)与水利用率(WUE)计算公式如下:

(1)

(2)

式中,NPP和GPP是植被净初级生产力和总初级生产力,单位为gC/m2,ET是植被蒸散发,单位为mm。CUE值无量纲,WUE单位为gC m-2mm-1。

1.3.2趋势分析法

本研究采用Sen+MK检验定量分析近20年黄河流域植被碳水利用效率的变化趋势。Theil-Sen斜率[25]可以有效避免数据缺值与异常值对时间序列的干扰,较之简单的线性回归与传统的最小二乘法更加准确[6]。

MannKandell(MK)检验对测量误差不敏感,能够有效剔除异常值[26],在时间序列的趋势分析中被广泛使用[23]。通过MK检验进一步确定研究区CUE、WUE变化趋势的显著性。

Sen+MK检验具体公式参照文献[23],根据该方法,在0.05和 0.01显著性水平下标准化统计量分别为|Z|≥1.96和|Z|≥2.58时,则拒绝无趋势的原假设,将变化趋势分为五类:极显著增加,显著增加,变化不显著,显著减少和极显著减少。

1.3.3稳定性分析

变异系数(Coefficient of variation,CV)是数据系列中数据点在平均值附近离散度的统计量度。CV表示标准偏差与平均值的比率,它是比较一个数据系列与另一个数据系列变异程度的有用统计量。本研究使用CV来检查黄河流域CUE的空间和时间可变性程度。

(3)

1.3.4变化持续性及未来发展趋势分析

Hurst指数(H)被广泛利用于反映时间序列变化趋势的可持续性,本文采用重标极差(R/S)分析方法的Hurst指数,对黄河流域植被CUE和WUE的未来变化趋势进行分析预测。当H<0.5 时,表示时间序列的反持续性;H=0.5,表示时间序列随机;H>0.5,表示时间序列的正向持续性。具体公式参考文献[4]。

1.3.5相关性分析

在多元相关分析中,不同变量之间的关系非常复杂,它们可能同时受多个变量的影响。因此,简单的线性相关系数并不能真实反映两个变量之间的本质关系。为了排除温度与降水彼此之间的影响,以便更加直观、准确地观察研究区植被CUE、WUE与气象因子的关联性,本研究采用偏相关进一步分析降水和气温对植被的单独作用。偏相关分析是一种用于在控制其他变量的线性影响的情况下,分析两个变量之间的线性相关性的分析方法[6]。本研究采用偏相关分析法研究不同气象因子对黄河流域CUE、WUE变化的影响,并通过双边t检验判定显著性。具体公式参考文献[17]。

2 结果与分析

2.1 黄河流域植被CUE和WUE的年际变化特征

如图2所示,2000-2020年黄河流域NPP、GPP、ET均呈显著上升趋势(P<0.01)。GPP、NPP与ET在年际尺度分别以每年8.33和4.64和7.56 gC/m2的速率显著增加。其中,GPP与NPP分别增加186.08 gC/m2与98.05 gC/m2,ET增加149.32 mm。

图2 2000-2020年黄河流域植被净初级生产力(NPP)、总初级生产力(GPP)和蒸散发(ET)的变化趋势Fig.2 Variation of NPP,GPP and ET from 2000 to 2020 in the Yellow River Basin

统计黄河流域年CUE与WUE的均值(图3)。结果表明:2000-2020年研究区植被CUE波动下降,线性递减率为-0.0005 a-1,均值为0.61;WUE波动上升,线性递增率为0.0019 gC m-2mm-1a-1,均值0.68 gC m-2mm-1。二者变化均不显著(P>0.05),总体均趋于稳定。如图4所示,不同植被类型碳水利用效率的年际变化特征与黄河流域整体变化基本一致,但植被CUE大小差异明显。其中草地CUE最高,均值为0.63,森林CUE最低,均值为0.47;不同植被的WUE值 gC m-2mm-1依次为:农田(0.87)>森林(0.82)>草地(0.63)>灌丛(0.54)。

图3 2000-2020年黄河流域植被CUE和WUE变化趋势Fig.3 Variation of CUE and WUE from 2000 to 2020 in the Yellow River Basin

图4 黄河流域不同土地利用类型CUE、WUE的时间变化Fig.4 Variation of CUE and WUE of different land use types in the Yellow River Basin from 2000 to 2020

2.2 黄河流域植被CUE和WUE的空间分布

研究区植被CUE有明显的空间异质性,总体呈现西高东低。高值区主要分布在黄土高原西北部及黄河源区,低值区集中分布在黄河下游(图5)。黄河流域超过90%的地区CUE值大于0.5;9%的地区在0.3-0.5之间,零星分布于流域下游地区,面积约为7.2×104km2;小于0.3的区域不足1%。WUE的空间分布与CUE相反,表现为东高西低。研究区10.00%的植被WUE在0-0.4 gC m-2mm-1间,分布于黄河源区,面积约为8.0×104km2;58.98%的地区WUE值为0.4-0.8 gC m-2mm-1,其分布范围与黄河上游分区大体一致,面积约为46.9×104km2;此外,陕西省中南部,山西省大部分地区及河南省北部区域的植被WUE范围在0.8-1.0 gC m-2mm-1,面积约为20.6×104km2,占研究区面积的25.94%;黄河流域仅有5%的区域植被WUE大于1.0 gC m-2mm-1。

图5 2000-2020年黄河流域植被CUE、WUE年均值分布图Fig.5 Distribution of average annual CUE and WUE in the Yellow River Basin during 2000-2020

2.3 黄河流域植被CUE、WUE变化趋势

采用Sen趋势分析对植被CUE、WUE的线性变化率(β)的进行统计(图6)。黄河流域植被CUE的线性趋势率在-0.02-0.02 a-1之间,总体呈现正态分布趋势,超过90%的地区线性变化率在-0.003-0.003 a-1。植被WUE的变化趋势率在-0.05-0.04 gC m-2a-1之间,平均变化率为0.002 gC m-2a-1。

图6 2000-2020年黄河流域植被CUE、WUE空间动态及显著性检验Fig.6 Spatial dynamics of CUE,WUE in the Yellow River Basin and significance test during 2000-2020

结合Mann-Kendall检验方法,对研究区植被CUE、WUE变化趋势进行显著性检验,并将研究区划分为七个分区(图6)。流域77.22%的地区植被CUE呈下降趋势,22.78%呈上升趋势。具体表现为:植被CUE呈极显著(P<0.01)增加与显著增加(P<0.05)区域在关中盆地和子午岭一带零星分布,面积约为4.2×104km2和2.9×104km2,研究时限内该区域植被CUE极显著增量约为0.032,显著增量为0.023。植被CUE极显著减少(P<0.01)和显著减少(P<0.05)区域集中于黄河流域西南部及黄土高原东部,面积约为9.5×104km2和4.3×104km2,极显著减少量约为0.044,显著减少量约为0.051。与植被CUE相反,植被WUE以增加趋势为主,占研究区面积的57.85%。植被WUE呈极显著增加或显著增加地区集中于黄土高原东北部,面积约为15.2×104km2和7.5×104km2,极显著增量约为0.373 gC m-2mm-1,显著增量约为gC m-2mm-1;植被WUE极显著减少和显著减少的区域分别占总体的9.18%和5.81%,面积约为7.3×104km2和4.6×104km2,分布于青、甘、川三省内,极显著和显著减少量分别约为0.148 gC m-2mm-1和0.131 gC m-2mm-1。

2.4 黄河流域植被CUE、WUE稳定性分析

分析研究区植被CUE、WUE波动状态与其变异系数CV(图7)。植被CUE变异系数值为0.004-1.116,平均值为0.036,以低波动为主。研究区84.59%的区域变异系数小于0.05,草地是其主要植被构成;流域北侧及东南部地区的CV在0.05-0.10之间,植被类型以森林及农田为主;CV大于0.1的区域仅占研究区面积的3.8%,属中高波动状态,零星分布于黄河下游周边及流域北部边缘,面积约为3.0×104km2。

图7 2000-2020年黄河流域植被CUE、WUE变异程度Fig.7 Variation degrees of CUE and WUE in the YRB from 2000 to 2020

研究区植被WUE变异系数的均值为0.114。41.3%的地区WUE变异系数以小于0.10,主要分布在黄河源区及黄土高原东南部,面积约为32.8×104km2;43.74%的区域WUE变异系数在0.10-0.15之间,处中等波动状态,布于黄土高原北部和黄河源区,面积约为34.8×104km2;14.96%的研究区CV大于0.15,属高波动,面积约为11.35×104km2。

2.5 黄河流域植被CUE、WUE可持续性分析

统计黄河流域植被CUE与WUE的Hurst指数(H)(图8)。结果表明:植被CUE与WUE的H均值分别为0.48和0.45。对植被CUE而言,H大于0.5的区域集中在黄河源区,H小于0.5的区域分布在黄土高原北部及黄河下游周边。植被WUE的H大于0.5的区域集中在黄土高原东部地区,小于0.5的区域分布于黄河上游分区。

图8 CUE、WUE的Hurst指数及未来变化趋势Fig.8 The future trend and Hurst index(H) of CUE and WUE

结合Sen趋势分析与H对黄河流域未来植被CUE与WUE的变化趋势进行分析(图8)。研究区植被CUE呈现上升持续区域的面积约为11.1×104km2,约占研究区总面积的13.96%,上升且反持续变化区的面积约为20.1×104km2,约占研究区总面积的与25.26%,主要集中于阴山南麓、陇中黄土高原及关中盆地。黄河流域30.96%的地区植被CUE下降且持续,该区域主要位于黄河源区,面积约为24.6×104km2;29.82%的地区植被CUE未来趋向于下降且反持续变化,集中分布于黄河流域东部与黄河下游地区,面积约为23.7×104km2。

植被WUE的未来预测显示:流域20.42%的地区WUE呈现上升且持续状态,面积约为16.2×104km2;40.82%的区域呈现上升且反持续状态,面积约为32.5×104km2。该区域主体分布在黄土高原北部,黄河流域西南部边缘及黄河下游地区也有少量分布。呈现下降反趋势的区域主要位于黄河流域西南部,面积约有24.8×104km2,约占总体的31.18%。

2.6 黄河流域植被CUE、WUE和气象因子的关系

降水和气温是影响陆地生态系统CUE和WUE变化的重要环境因素。分析温度对植被CUE及WUE的偏相关关系(图9)。温度与植被CUE以负相关关系为主,偏相关系数在-0.89-0.74之间,平均偏相关系数为-0.30。植被CUE与温度呈显著负相关(P<0.05)区域主要分布在巴颜喀拉山附近及黄土高原东部地区,面积约为24.6×104km2;而正相关区域不足10%,集中在宁夏平原中部地区,面积约为7.95×104km2。植被WUE与气温的偏相关关系如图9所示。其偏相关系数在-0.85-0.88之间,平均偏相关系数为0.007。黄河流域植被WUE与温度偏正相关区域主要分布在黄土高原东北部,面积约为40.6×104km2,其中显著正相关区域集中在山东省莱芜市,面积约为1.96×104km2。负相关区域分布在黄河流域西部,面积约为39.0×104km2,显著负相关区域较为分散,面积约为2.3×104km2。

图9 黄河流域植被CUE、WUE与温度(控制降水)的偏相关系数及显著性Fig.9 Correlation coefficients and significant test between CUE,WUE and temperature (control precipitation) in the Yellow River Basin

降水对植被CUE及WUE的偏相关关系如图10。植被CUE偏相关系数在-0.84-0.89之间,平均偏相关系数为-0.03。正相关区域集中于黄土高原西北部及黄河下游农田地区,面积约为32.9×104km2,其中显著正相关区域面积约为4.47×104km2;负相关地区集中于黄河源区,面积约为46.4×104km2,其中显著负相关区域面积约为3.33×104km2。

图10 黄河流域植被CUE、WUE与降水(控制温度)的偏相关系数及显著性Fig.10 Correlation coefficients and significant test between CUE,WUE and precipitation (control temperature) in the Yellow River Basin

植被WUE的偏相关系数在-0.84-0.89,平均偏相关系数为-0.03。植被WUE与降水呈显著正相关的区域主要分布在山西省北部及陕晋蒙接壤区,面积约为11.34×104km2;无显著正相关区域,主要分布在黄土高原北部,面积约为34.14×104km2;显著负相关地区集中在四川阿坝州与甘肃平凉市内,面积约为8.01×104km2;无显著负相关区域,分布在黄河源区及研究区南部,面积约为26.01×104km2。

不同植被类型CUE与WUE对水热因素的响应也不相同。降水与森林CUE的偏相关性不显著,与灌丛、农田、草地CUE偏正相关(图11)。其中,38.12%的灌丛、12.06%的草地、10.80%的农田以及8.70%的森林与降水显著偏正相关(P<0.05)。温度与草地、森林、农田CUE主要为负相关关系,与灌丛CUE为正相关关系(图11)。黄河流域92.53%的草地、78.96%的森林以及91.28%的农田CUE与温度呈偏负相关,其中呈显著负相关(P<0.05)的区域分别占各植被类型总体的30.18%、6.17%、17.77%。温度与灌丛CUE呈显著正相关和无显著正相关的面积分别占灌丛总体的6.30%和59.30%。

图11 黄河流域不同植被类型CUE/WUE与温度、降水的偏相关分析Fig.11 Correlation coefficients of different land use types between CUE/WUE and temperature and precipitation

不同类型植被WUE对降水和温度反馈如图11。灌丛、森林WUE主要受到降水的正向反馈,农田WUE与降水呈负相关关系的比例较大,草地WUE与降水相关性差别较大。17.06%的草地,5.62%的灌丛与9.68%的森林,其WUE与降水呈显著正相关,而14.54%的农田呈显著负相关,面积约为6.7×104km2。

灌丛对温度的负响应较为敏感,农田、森林与草地WUE对温度产生正/负相关的面积相近(图11)。灌丛与温度偏负相关,其中显著负相关占6.45%,面积约为1.57×104km2,无显著负相关占比76.40%,面积约为18.63×104km2;草地无显著负相关(47.56%),无显著正相关(47.39%);森林无显著负相关(47.56%),无显著正相关(44.58%)。农田为无显著正相关区域占比52.52%,为无显著负相关区域占比40.68%(P> 0.05)。

为进一步具体比较黄河流域不同植被类型CUE与WUE间的差异,本研究以CV值、均值及变化趋势率等3个因子作为表征4种主要植被CUE与WUE变化状况的指标(图12)。黄河流域植被CUE的CV值:森林(0.089)>灌丛(0.051)>农田(0.047)>草地(0.029);不同植被CUE变化趋势率差别不大,农田、灌丛与草地的变化趋势率为±0.0005,森林CUE趋势率值略高为0.0013。对WUE而言,森林和灌丛WUE的变异系数略高于草地和农田,分别为0.133和0.138。农田、灌丛和草地的WUE变化率并不显著,森林变化趋势率为0.0046。

图12 黄河流域主要植被类型CUE及WUE的均值、CV值和变化趋势率Fig.12 The average value,CV value and variation rate of CUE and WUE for main vegetation types in the Yellow River BasinCV: 变异系数 Coefficient of Variation

3 讨论

3.1 黄河流域植被CUE和WUE的分布特征及其变化

本研究基于MODIS遥感数据计算2000-2020年黄河流域碳利用效率(CUE)与水利用效率(WUE)。

NPP、GPP与ET是影响植被CUE与WUE变化的重要因素,分析其变化趋势有助于加强对黄河流域碳水利用效率长时间趋势特征理解。研究时限内,植被CUE呈微弱下降趋势,WUE处于微弱上升状态。黄河流域GPP增幅大于NPP,间接导致植被CUE值的降低。同时,干旱条件下植物为适应缺水、养分供应不足等环境压力会优先保存临时碳水化合物和营养储备而非生长新组织,叶片生长速度减慢,进而影响光合速率,导致CUE降低。而WUE的上升可能与退耕还林工程对黄河流域植被状况的改善有关[27]。有关全球规模的研究表明,人为活动和重新绿化可能会导致生态系统用水效率的提高[20]。此外,受地形、气候等因素影响,植被CUE与WUE变化趋势具有地域性差别。如鄱阳湖流域CUE、WUE呈下降[9];蒙古高原CUE显著上升而WUE不显著下降[17]等。

空间上,植被CUE分布西高东低,超过90%的地区植被CUE大于0.5。黄河源区海拔较高,气温相对较低,植被自养呼吸作用相对降低,植被固碳效率相对更高,因此CUE高值区主要在该区域分布[7]。黄河流域植被CUE未来趋势及持续性的分析得出,研究区内60.78%的地区呈下降状态。该现象与Du等人[21]对干旱半干旱地区长时间序列下植被碳利用效率(CUE)的趋势变化及未来趋势相一致。同时,黄河流域CUE值较高的区域,其变异系数均较低,处于低波动状态,同样的结果在刘洋洋等[10]关于中国植被CUE的研究中也有体现。

植被WUE则呈现东高西低状态,一方面,黄河流域东部是植被恢复的重点区域,近年来在各生态保护措施的实施下,该地区植被覆盖度增加[24],植被水源涵养能力上升,致使WUE较高;另一方面,这也反映了中度干旱缺水地区的植被具有更高的干旱适应能力[19];对植被WUE的未来预测显示:流域61.24%的地区WUE呈现上升状态,该域主体分布在黄土高原北部,这可能是受到未来气候持续变暖、CO2浓度增加的影响,植被固碳效率增强,WUE也随之增加[28]。而位于黄河流域西南部的大部分地区植被WUE未来将呈现下降趋势的地区,这可能是由于降水和温度的共同升高导致ET升高,而NPP增加幅度相对较小,植被 WUE因而降低[29]。

3.2 不同植被类型CUE特征及其对水热因子的响应

植被CUE代表了大气-植物-土壤-微生物等因素的相互作用,变化较为复杂。温度变化可以影响光合作用与自养呼吸速率,使得植被CUE发生变化[2]。黄土高原超过90%的地区,植被CUE与气温呈负相关关系。当温度上升时,植被用于支持组织生活的能量消耗将增加,自养呼吸随之增强,进而导致植被CUE的降低[7]。同时,MODIS产品中用于计算Ra温度敏感性的参数相对较高,这可能也是导致CUE随温度升高而下降的原因[3]。

黄河流域植被CUE与温度呈正相关的区域主要集中在宁夏平原中部,该区域主要分布草地与灌丛。对草地生态系统而言,其CUE主要与温度呈现负相关关系,然而CUE的变化是由多种因素共同作用产生的。由于诸如氮沉降、饱和水汽压等因素共同作用,植被CUE与温度的相关性可能受到混淆[7]。对于灌丛而言,本研究中其CUE与温度却呈现正相关关系,这可能是由于数据精度较低引起的。本研究中所使用的土地利用数据对地表真实植被类型的反映不够精确,且灌丛的面积较少,不能很好的反映其对CUE的调控作用,CUE的不确定性更高。因此,在未来的研究中在可以在考虑多种因素共同作用的同时,采用更高高精度的土地覆被产品,对灌丛生态系统进行更加深入的分析,以进一步完善CUE的区域评估。

草地生态系统由面积产生的相对贡献成为影响草地CUE与气象因子相关性的重要因素。黄土高原西北部水分条件较为恶劣,这里以灌丛与草地为主要植被类型,水分成为限制植被生长的主要因素。降水减少会升高温度和蒸散量,在这里分布的草地和灌丛会随降水的减少而降低其生态系统生产力[15]。而在降水相对丰沛的黄河源区,草地CUE与降水呈负相关关系。这可能是包括辐射减少,土壤养分淋溶增强等多种因素在内的综合结果[30]。同时,过多水分会限制土壤中的氧气扩散,使得土壤有机质的分解速率下降,养分供应减慢,进而导致植被固碳效率的下降[7]。

黄河下游流经黄淮海平原,这里地势平坦,气候相对温暖潮湿,农田生态系统主要分布于此。本研究中,农田CUE对降水呈现正向反馈。一方面,黄河下游地区水分较为充沛,自然降水的增加会影响农田作物的根系活力,导致植物根系的产量的降低与呼吸作用的减弱,进而引起农田CUE的升高[27]。另一方面,全球收集的田间地块数据表明农田CUE也随着养分梯度升高而升高[31],受到人为施肥、灌溉等农艺措施的影响,研究区农田生态系统土壤养分含量可能成为主导农田CUE增减的另一重要因素[32]。

比较不同指标下的植被CUE(图12),进一步确定不同植被类型对水热因子的响应。多数植被CUE一般保持稳定状态,但森林和灌丛CV值高于其他植被类型。这表明森林和灌丛对于气候因子的敏感性更高,这与CUE与降水的偏相关关系所反映的森林与灌丛对降水的响应状况相一致。农田、草地及灌丛CUE在研究时段内的年际波动状况较为平缓。研究时段内,森林CUE变化趋势率高于其他三种植被类型,这说明退耕还林工程在黄河流域生态恢复效益明显,森林固碳能力逐年增加,固碳效率有所提升。

3.3 不同植被类型WUE变化特征及其对水热因子的响应

不同植被类型的WUE大小表现为:农田>森林>草地>灌丛。黄河流域的农田生态系统多集中分布于下游的黄淮海平原,水分是制约该处农田WUE的主要因素[33]。人为灌溉和施肥满足了作物生长所需的水分和养分,提高其水碳循环效率,同时充足的水分弥补了蒸散发带来的影响,因此农田WUE相对较高[32]。森林生态系统中,树种间相互促进且充分利用外界环境条件,使其光合效率相对较高,在同一时段内积累有机物的能力更强,生物量相对其他植被类型更高[15]。此外,林间具有地温和气温变幅小的特点,且相对较低的风速度导致其地表蒸发量小,因此其WUE相对较高[34]。灌丛WUE在四种主要植被类型中最低。从生物量视角出发,灌丛WUE理论应高于草地,但草本植物生长对水分的需求量不高,在干旱条件下也能维持其正常生长,灌木的生长却受到水分条件的制约。

本研究中研究区草地生态系统WUE对温度和降水的反馈在不同区域存在较大差异。黄土高原北部植被WUE与温度和降水均呈正相关关系,这与常晓格等[35]在黄土高原的研究结果相同。温度会同时影响植物的光合作用和蒸腾作用,其对WUE的作用较为复杂[14]。黄河流域东北部地区植被WUE与气温呈正相关关系。这是由于干旱胁迫下的植物为适应水分亏欠的胁迫,会随着温度的升高降低其叶片的气孔导度,以提高自身WUE[33]。在黄土高原西南部地区,草地WUE与降水呈正相关关系,与温度呈现不显著的负相关关系。这表明降水是干旱半干旱区域的草地WUE的主导因素。同时,对于草地WUE与温度产生的不显著负相关性,可能与该区域的土壤养分含量有关。土壤有机质的增加对于形成土壤团聚体至关重要,土壤团聚体可以增加土壤植物的可用水量,而后者控制ET速率[34]。研究表明,土壤有机质与WUE呈负相关,并影响土壤持水能力[36]。此外,这也可能是由于该区域的沙地和灌溉农业用地共存而产生的偶然偏差所导致。

黄河源区的大部分草地生态系统WUE与温度和降水均成负相关关系。黄河上游高海拔较高,降水相对丰沛,雨水此时降水和温度的升高共同导致由蒸散发产生的水分的流失加剧,而其生产力变化相对较小,使得该地区WUE下降[14]。

研究区灌丛WUE与温度成负相关关系,与降水呈正相关关系,这与黄土高原西南部地区植被对温度和降水的反馈相同。灌丛植被WUE与温度的相关性对干旱指数更为敏感,且随着干旱指数的增加,与降水的相关性呈现负-正-负的变化[35]。研究区植被恢复工程常以灌丛作为主要栽种类型,其立地条件大多较为恶劣,地表覆盖物少,土壤蒸发水分占比过大,温度上升使得ET的增长速率大于NPP增加速率,进而使灌丛WUE下降。

黄河流域下游地区的农田植被WUE对温度存在正向反馈。农田受人类活动影响严重,其对气象因素的响应与自然植被相比更加稳定,在考虑气候因素的同时也应考虑到施肥、灌溉、放牧等农田管理和土壤条件对其的影响[32]。

4 结论

2000-2020年黄河流域植被CUE处于波动下降趋势,植被WUE波动上升,但变化幅度较小,均不显著。空间上,黄河流域植被CUE呈现西高东低状态,大部分区域CUE大于0.5,植被固碳能力较强;在近20年生态保护措施的影响下,黄河流域东部水源涵养能力上升,植被WUE呈现出东高西低状态。受其生理特征的影响黄河流域植被CUE,草地最高,森林最低;而由于灌溉和立地条件等因素,黄河流域农田WUE最高,灌丛WUE最低。

黄河流域植被CUE与水热条件的关系分析表明:超过90%的地区,植被CUE与气温负相关。黄河流域西北部干旱地区,降水与植被CUE呈正相关关系;然而,在降水相对丰沛的黄河源区,植被CUE与降水呈负相关关系。不同植被类型中,草地、森林、农田CUE与温度主要呈负相关响应,灌丛CUE主要呈正相关响应。森林和灌丛CUE的CV值高于其他植被类型,这表明森林和灌丛对于气候因子的敏感性更高。

植被WUE与降水及温度的相关性具有较高的空间异质性。本研究中,植被WUE与水热关系的相关性显示为:黄土高原北部植被WUE与温度和降水均呈正相关关系,黄河源区及黄河流域南部地区植被WUE与降水的负相关关系。不同植被类型中,面积对草地WUE的变化相对贡献较为明显,在干旱,半干旱地区降水是影响草地WUE的主导因素,而高海拔地区草地WUE与温度、降水均呈负相关关系;灌丛WUE与降水呈正相关关系,与温度呈负相关关系。此外,农田受人类干扰严重,还应考虑到施肥、灌溉、放牧等人为因素带来的影响。