未来气候情景下青藏高原草地净初级生产力时空演变特征

徐士博,张美玲,宿茂鑫

(甘肃农业大学理学院,兰州 730070)

全球变暖背景下,陆地生态系统对全球气候变化的响应已经成为全球变化研究的焦点之一[1],而植被作为陆地生态系统的重要组成部分,对全球气候变化起着举足轻重的作用,在发生变化之后对地层气温、土壤温度以及湿润状况都会产生相应的改变,同时由植被变化造成的地表蒸散以及土壤储水能力的改变,也会使土壤含水量、地表径流等发生明显的变化[2-3]。因此,了解和掌握植被动态对环境变化的影响,对保持生态系统平衡和草地可持续发展尤为重要。

草地生态系统是陆地生态系统的重要组成部分,在气候调节和陆地碳循环等方面扮演着重要角色[4-5]。青藏高原草地是对全球气候变化最敏感的生态系统之一,并且草地净初级生产力在生态系统碳通量的汇集和调节气候变化中扮演着重要的角色[6-7]。近几年来,植被生产力已经成为国内外研究的核心内容之一[8],受到各界的广泛关注。

青藏高原是我国面积最大的高原,其中草地是青藏高原分布最广泛的植被类型,面积约占青藏高原总面积的60%[9],其草地的生长状况对西北乃至全国生态系统的保护都具有重要意义。青藏高原也被称为全球气候的“放大器”,在未来气候情景下,青藏高原草地碳源、碳汇功能是否会发生改变,这对未来全球气候变化的走向具有重要意义。国内外学者也对整个青藏高原草地生态系统进行了不同角度的研究,但对于未来气候响应条件下,青藏高原草地生态系统的发展状况还具有一定的不确定性。

以往对青藏高原草地净初级生产力的研究集中于对已知年份青藏高原NPP的估算上。例如刘丽慧等[10]利用Biome-BGC模型,通过改进冻土区活动层土壤冻融水循环,估算了2000—2018年青藏高原草地NPP,并对NPP模拟结果的时空特征进行了分析,结果表明2000年以来青藏高原高寒草地NPP多年均值的空间分布表现为由东南向西北逐渐递减,青藏高原草地生态系统质量总体上呈现良性发展的态势并且区域差异明显,但局部草地仍持续退化。汪柳皓等[11]利用MOD13Q1归一化植被指数(NDVI)产品数据,分析了青藏高原地区2000—2019 年NDVI 的时空变化特征,并通过MOD11A2地表温度数据和TRMM 卫星降水数据探究了植被变化与地表温度和降水之间的关系。也有学者[12]使用GLASS FVC 数据,利用BFAST 方法和格局分析,探讨了1982—2018年我国植被覆盖变化的非线性趋势及其分布格局,结果表明青藏高原中东部等地则由原先的改善趋势变为了退化趋势。

还有学者[13]研究探讨气候变化、物候及土壤因子和青藏高原NPP 之间的关系,量化NPP 变化趋势,探索了青藏高原草地NPP对气候变化、物候和土壤因子的响应机制。与前者不同的是,部分学者除了考虑气候变化对青藏高原植被变化的影响,还定量分析了人类活动对植被变化带来的影响,结果发现人为干预对减缓生态系统退化具有重要作用,但二者的研究只是停留在过去的一段时期,对未来气候变化和人类活动对青藏高原植被动态变化的影响却仍然未知[14-15]。另外,以往针对未来气候情景的研究中对河流径流量、植物分布、气候地理特征的研究居多[16-18],对未来气候条件下植被NPP 的研究较少,特别是作为气候变化敏感区的青藏高原来说,研究其植被NPP动态变化,对了解青藏高原草地NPP生态系统健康状况和维护青藏高原国家生态安全屏障功能具有重要意义。近年来,许多学者对青藏高原NPP 的研究有了一定的了解和深入,在关于青藏高原草地NPP的空间分布上,也得到了由东南向西北递减较为一致的看法,但是不同学者在利用不同模型去估算青藏高原草地NPP,在计算精度和准确性上会存在一定的偏差。本研究采用DAYCENT 模型,利用青藏高原站点数据,对模型进行参数初始化,提高模型估算精度,增加模型对青藏高原NPP估算的准确性。我们研究的目的就是探讨在未来不同气候情景下青藏高原草地NPP的动态变化,并且与基准期(1971—2020年)相对比,探究未来青藏高原草地净初级生产力的发展趋势与发展前景,对青藏高原未来草地净初级生产力的管理具有一定的指导意义。

1 研究区概况

青藏高原位于我国西南部,南起喜马拉雅山脉南缘,北至昆仑山、阿尔金山脉和祁连山北部,西部为帕米尔高原和喀喇昆仑山脉,是中国最大、世界海拔最高的高原,同时也是我国草地面积最大的区域,被称为“世界屋脊”[19-20]。研究区域介于26°00′—39°47′N,73°19′—104°47′E,东西长约2 800 km、南北宽300～1 500 km,总面积约250万km2。青藏高原年均气温由东南的20℃,向西北递减至-6℃以下,高原腹地年均温度在0℃以下,大片地区最暖月平均温度也不足10℃,最暖月平均气温4～6℃[21]。由于南部海洋暖湿气流受多重阻留,年降水量也由2 000 mm缩减至50 mm以下,年降水量20～100 mm。日照充足,年太阳辐射总量140～180 MJ/cm2,年日照总时数2 500～3 200 h[22]。由于青藏高原特殊的地理位置,导致整个高原在全球气候变化和环境保护方面具有重要意义,提前了解和掌握未来情景下青藏高原的生态动态变化,有利于我们在面对未来复杂气候条件下提出科学有效的治理方案,这也是我们研究的目的和意义。

青藏高原冻土分布广泛,植被大多数为天然草地,各类草地面积总和有1.4亿hm2,占高原总面积的53%左右。本研究选择高原上的3种典型草地类型,分别为高寒草甸、典型高寒草地和高寒荒漠草地,所选站点均为国家站点,共48个。站点位置如图1所示,部分站点信息见表1。

表1 部分站点的土壤参数Table 1 Soil parameters for some sites

图1 研究区域地理位置及站点分布Fig.1 Geographical location and site distribution of the study area

2 数据来源与研究方法

2.1 数据来源

2.1.1 气象数据 该模型驱动需要输入以日为步长的气象数据,其中包括最高温、最低温、降雨量、太阳辐射、平均风速等。由于洛隆、理塘和左贡站点部分年份数据缺失,所以选取的气象数据范围分别为1979—2020年、1972—2020年、1978—2020年,时间跨度分别为42 a,49 a,43 a,其余剩下的青藏高原45个气象站点,用来验证模型的研究时间段均为1971—2020年,跨度范围为50 a。模型输入站点的气象数据下载于NOAA 美国国家环境信息中心网(https:∥gis.ncdc.noaa.gov/maps/ncei/cdo/daily)。

2.1.2 样地参数 样地参数数据,主要包括研究站点的经纬度、海拔、土层深度、堆积密度、萎蔫点、砂粒含量、黏土含量、土壤p H 值等,还包括研究区域植被类型的选择。本研究利用MOD17A3 下载的NPP遥感数据,以及查找相关文献中的NPP 实测数据对所选48个站点进行参数校正。其中站点土层深度和土壤质地数据来源于联合国粮农组织(https:∥www.fao.org/home/zh)和世界土壤数据库(Harmonized World Soil Database version),站点高程数据和经纬度来源于空间地理数据云(www.gscloud.cn/search)。

2.1.3 遥感数据 遥感数据来源于“美国国家航空航天局(NASA)”的戈达德航天中心(LAADS,https:∥ladsweb.modaps.eosdis.nasa.gov)。采用2000—2020年的MOD17A3下载的NPP遥感数据,其空间分辨率为0.5 km×0.5 km,时间分辨率为16 d。本研究首先在Modis Tool中将6景MOD17A3遥感数据进行影像拼接处理,并将其投影为UTM(universal transversen mercator);然后在ArcGIS 中利用青藏高原矢量图按照掩膜提取裁剪得到青藏高原2000—2020年NPP的栅格数据。

2.1.4 CMIP6气候模式数据 为利用全球气候模式中的数据对未来情景下NPP 进行模拟预测,本研究选取CMIP6(https:∥esgf-data.dkrz.de/search/cmip6-dkrz)提供的BCC_CSM1.1 气候模式下的SSP126和SSP585情景数据,其中SSP126为低排放情景,是一种政府干预下的气候情景;而SSP585 为高排放情景,是指在无气候变化干预时的基线情景,特点是温室气体排放和浓度不断增加。每个情景下包括的要素有日最高温、日最低温、日降水量,获取的时间序列是2021—2100年,将该时间序列分为4个阶段,分别为2021—2040 年(近期)、2041—2060 年(中期)、2061—2080年(远期)、2081—2100年(长远期)。运用NWAI-WG 统计降尺度的方法提取处理数据,提升栅格数据的格点数目,最后利用ArcGIS提取各个站点的气候数据。

2.2 研究方法

2.2.1 DAYCENT 模型 DAILY CENTURY(简记为DAYCENT)模型是CENTURY 模型的每日步长版本。CENTURY 按每月步长运行一次,最初于20世纪70年代开发,用于模拟土壤有机质(SOM)、植物生产力、养分可用性和其他生态系统参数的变化,以响应土地管理和气候的变化。CENTURY 已被广泛应用,并被证明能够可靠地模拟全球大多数陆地生态系统的植物生长和土壤有机质变化。该模型主要分为水分和温度、植物和土壤3个模块。

DAYCENT 环境由土壤参数文件、计划文件、天气文件和输出文件组成。DAYCENT 模型的输入参数可以分为4类,分别为天气信息、土壤信息、植物信息和管理事件,其中包括的主要变量有:日平均最高和最低气温、日降水量、植物体中的木质素含量以及土壤的初始含碳、氮、磷和硫含量。DAYCENT 模型在每日时间步长下运行,该模型主要有每日参数文件(“.sch”或“.evt”)、每日天气文件(“.wth”)和输入文件(*.100,*.in,*.dat)及输出参数文件(.out和.csv)组成。其中输入参数的文件都是可以使用文本编辑器进行编辑的文本文件。在R 中将该模型作为外部程序运行或者使用DOS 命令提示符下运行程序,开始运行后,每次模拟会将每月输出变量写入二进制文件,并将每日输出变量写入文本文件。模拟完成后,利用LIST100程序读取二进制文件并创建所选变量的ASCII列表[23]。

2.2.2 模型参数化以及验证数据的获取 本研究利用“美国国家航空航天局(NASA)”下载的MOD17 A3 2000—2020年NPP 遥感数据作为观测值,并结合相关文献中NPP 的实测数据对DAYCENT 模型参数的校正。DAYCENT 模型输出的是每日NPP数值,若文献中提供的是地上生物量和地下生物量,根据对草地生物量的相关研究,草地地上和地下生物量的对照值通常采用1∶5.73,并根据碳转化率(0.475)计算得出NPP实测值[24]。

2.3 模型评价方法

本研究选取平均绝对误差(MAE)、可决系数(R)、Nash效率系数(NS)和均方根误差(RMSE)等多个统计变量,用于评价DAYCENY 模型对青藏高原站点净初级生产力的模拟效果,采用的计算公式:

(1)均方根误差。

均方根误差用于评价模拟值和观测值之间的偏差即模拟结果的准确性,均方根误差越小,表示模拟值与实测值之间的偏差越小,模型的模拟效果越好。

(2)平均绝对百分比误差。

平均绝对百分比误差,与RMSE 相比,稳定性更高,因为MAE对每个点的误差进行了归一化。它表示预测值和观测值之间绝对误差的平均值,反映模型模拟的可信度。

(3)可决系数。

可决系数可以通过模型模拟值与观测值之间的线性回归所得,反应模拟结果吻合实测值波动的能力,其值越接近1表示模拟值与观测值的吻合程度越高。

(4)Nash效率系数。

Nash效率系数的取值范围为负无穷大(模拟效果差)至1(模拟效果好)。反映模拟结果和实际观测值的吻合程度,若模拟值结果与实测值之间的方差大于实测值的方差,则其值将小于0,越小于0则模拟结果的可信度越低;若模拟值与实测值之间的方差和实测值一样大,其值接近于0,表示模拟结果接近观测值平均值水平,总体模拟结果可信,但过程模拟误差较大;若模拟值与观测值之间的方差趋于0,则其值接近于1,表示模型很好地模拟了实测值的变化,模型可信度高。

以上各式中:hi,mi分别为模型模拟值和观测值;分别为模拟值和观测值均值;n为时间序列个数。

2.4 相关性分析

相关性主要用来反映要素之间的相关性大小和方向。本研究基于皮尔逊相关系数分析和讨论青藏高原草地NPP与各气候因子之间的相关性和显著性水平,其计算公式如下[25]:

式中:rx,y为x,y变量的相关系数;xi,yi为x,y变量第i年的值;为x,y变量的平均值;rxy1,y2为将y2固定后x与y1的偏相关系数;rxy1为x与y1的相关系数;rxy2为x与y2的相关系数;rxy2为y1和y2的相关系数。此外,本研究采用T检验法来分析偏相关系数和复相关系数的显著性,公式如下:

式中:n为样本个数;m为变量个数。

3 结果与分析

3.1 模型模拟结果验证

通过文献查找的NPP实测数据与对应18个气象站点的NPP 模拟值进行对比(图2),从图上可以看出站点模拟值与文献中的实测值非常接近,MAE均在10%以内。

图2 DAYCENT模型模拟数据验证Fig.2 DAYCENT model simulates data validation

图3A—B是以清水河、曲麻莱站点为例2000—2021年的DAYCENT 模型模拟值与MOD17A3 下载的NPP遥感观测值对比,从图上可以看出NPP模拟值与观测值整体趋势保持一致。图3C—D 是对清水河、曲麻莱站点的模拟值与观测值做线性回归,并添加95%的置信区间,从图上可以看出绝大多数的点均在置信区间内,线性拟合程度R2分别为0.62,0.73,p值均小于0.05,通过了显著性检验。

图3 站点模拟值与实测值对比Fig.3 Comparison of simulated and measured values at the site

从表2选取的部分站点的统计指标也可以看出,站点模拟的拟合效果均在0.5以上,NS均大于0且接近于1,MAE 均在10%以下,RMSE 也在可接受范围之内,说明模型整体模拟效果良好,DAYCENT模型的参数合理,可以用来模拟青藏高原地区草地净初级生产力。

表2 部分站点的模型评价指标结果Table 2 Model evaluation metric results for some sites

3.2 1978-2020年草地NPP的时间动态变化

图4是利用校正后的DAYCENT 模型模拟的1978-2020年青藏高原草地NPP变化趋势,从图上可以看出青藏高原草地NPP总体呈现出线性增加趋势,波动范围为14 223.47～17 543.43 g C/(m2·a),年均增长速率为82.88 g C/(m2·a)(p＜0.05)。

图4 1978-2020年青藏高原草地NPP动态变化Fig 4 Dynamic changes in average NPP from 1 978 to 2 020

3.3 1978-2020年草地NPP的空间分布

通过DAYCENT 模型模拟青藏高原48个气象站点的NPP值,利用反权重插值法绘制青藏高原草地NPP的空间分布图(图5),1978—2020年青藏高原NPP年平均值为499.83 g C/m2,从图上也可以看出,NPP高值区主要位于青藏高原的东南部,总体呈现出由东南向西北递减的趋势,NPP 值较高的区域位于云南省和四川省的东南部分,NPP 值较低的区域位于新疆、西藏等省份。

图5 1978-2020年均NPP空间分布Fig.5 Average NPP spatial distribution from 1978 to 2020

3.4 2021-2100年不同情景下草地NPP 的时间动态变化

采用上述站点参数初始化后的DAYCENT 模型,单向嵌套BCC-CSM1.1气候模式,并将未来气候情景分为4个时间段,分别为2021—2040年(近期)、2041—2060年(中期)、2061—2080年(远期)、2081—2100年(长远期)。从图6A可以看出,在SSP126情景下,青藏高原草地净初级生产力总体呈现出下降趋势,其中近期(2021—2040年)的波动范围最小,NPP数值波动范围为11 599.94～12 680.29 g C/(m2·a),减小幅度为9.3%,波动范围最大的是长远期(2081—2100年),波动范围为10 877.34～12 198.97 g C/(m2·a),减小幅度为12.1%,且在整个模拟期间(2021—2100年)NPP 数值波动范围在10 877.34～12 680.29 g C/(m2·a),减小幅度为16.5%。从图6B来看,在SSP585情景下,NPP总体呈现出平稳的上升趋势,其中近期(2021—2040年)的增长速率最高为12%,其余3个时期的增长速率分别为7%,7%,6.5%。从图6C 看,与基准期(1971—2020年)相比,SSP126 和SSP585 情景下NPP 值均低于基准期水平,呈现出下降趋势,分别下降28%,23%,其中SSP126下降速率略高于SSP585。

图6 青藏高原草地NPP的时间动态变化Fig.6 Temporal dynamics of NPP in grassland on the Tibetan Plateau

3.5 2021-2100年不同情景下草地NPP的空间分布

针对青藏高原草地净初级生产力的模拟值,利用反权重插值法绘制草地净初级生产力的空间分布图(图7—8)。由图7 可知,在SSP126 低碳排放浓度背景下,4个时段的青藏高原草地净初级生产力的年平均值分别为505.65,516.00,515.06,510.53 g C/(m2·a),4个时段呈现出比较平稳的小幅度的增加趋势,从空间分布来看,总体呈现出由东南向西北递减的趋势,且NPP 值较高的区域位于西藏西南、青海南部、四川、云南等气候温暖湿润的省份,NPP值较低的区域则位于西藏北部、新疆等严寒干燥的省份。

图7 SSP126情景下4个时期草地年平均NPP空间分布Fig.7 Annual average NPP spatial distribution of grassland in four periods under the SSP126 scenario

由图8可知,在SSP585高浓度碳排放背景下,4个时段的青藏高原草地净初级生产力的年平均值分别为502.57,521.05,535.07,539.24 g C/(m2·a),4个时段也呈现逐期的增长趋势。相比SSP126,除了近期(2021—2040年)NPP值的差别不大之外,其余3个时期均呈现出不同的增长趋势,NPP年平均值分别增加了5.05,20.21,28.71 g C/(m2·a),增长速率分别为0.96%,3.92%,5.6%。从空间分布来看SSP585与SSP126相比整体的分布格局没有改变,依然是东南高,西北低,呈现出由东南向西北递减的趋势。

图8 SSP585情景下4个时期草地年平均NPP空间分布Fig.8 Annual average NPP spatial distribution of grassland in four periods under the SSP585 scenario

由图9可知,与基准期(1971—2020年)相比,青藏高原呈现出不同的增减趋势,在SSP126情景下青藏高原85%以上的地区出现下降趋势,主要位于藏北和新疆地区以及青海中部、甘肃的东部。NPP 出现增加的趋势主要集中在四川西部的班玛县、甘孜县等地区,还有包括青海中部的格尔木市、都兰县、德令哈市,以及藏南地区的江孜县、仁布县、定日县等。另外,相比于近期(2021—2100年),在SSP126情景下其余的3个时期在西藏西部的普兰县、噶尔县、札达县等地区,年平均NPP值均呈现出增加的趋势,分别是基准期的0.23,0.25,0.27倍。说明在SSP126情景下,出现草地NPP增加的地区,呈现相似的增加趋势。

由图10可知,与基准期(1971—2020年)相比,在SSP585情景下,青藏高原草地NPP 值在绝大部分地区也是呈现出下降趋势,同时与SSP126情景相比,SSP585情景下的最大增长倍数都有所增加,比SSP126分别增加了0.06,0.16,0.32,0.38倍,由两种不同情景下的相同时期对比来看,青藏高原草地NPP的增长趋势的空间分布大致相同,其中除了西藏色尼区的草地NPP与SSP126情景下的递减趋势相反,该地区呈现出逐年增加的趋势。

图10 SSP585情景下青藏高原草地NPP相对变化空间分布Fig.10 Spatial distribution of NPP relative variation in grassland on the Qinghai-Tibet Plateau under the scenario of SSP585

3.6 气候变化对青藏高原NPP的影响

3.6.1 SSP126情景下气候变化对NPP 的影响 由图11可知,青藏高原年降水量表现出南高北低,中间逐渐递减的空间分布特征;年平均气温呈现出由东南向西北逐渐降低的空间分布特征。

图11 SSP126情景下年平均降水和平均气温的空间变化Fig.11 Spatial variation of annual mean precipitation and annual mean temperature under the SSP126 scenario

青藏高原的最高年降水量为69.20 mm,2100年较2021年上升了4 mm左右(图12A)。80 a平均气温的最高值为8.91℃,最低值为-9.16℃,且80 a来温度呈小幅度波动但总体缓慢增长的变动趋势(图12B)。

由表3可知,草地NPP与年平均最高温、最低温呈正相关,随温度的增加而增加;与年均降水呈负相关,随降水的增加而减少,且与温度的相关性通过了显著性检验。

3.6.2 SSP585情景下气候变化对NPP的影响 由图13可知,在SSP585情景下,降水呈现由东南向西北递减的趋势,年平均最高降水为30.68 mm。气温呈现由东南向西北递减的趋势,这与草地NPP 的空间演变特征保持一致,且气温的增加趋势大于降水。

青藏高原的年均降水表现出波动式的上升趋势,2100年较2021年降水增加了10 mm 左右,年平均气温总体呈线性增加的趋势(图14A),最高温为30.16℃,最低温为-6.9℃(图14B),两者的总体时序情况与NPP的趋势较为一致,其中温度的发展趋势更接近NPP的时序情况。说明温度是影响青藏高原草地、NPP改变的主要原因。

图14 SSP585情景下年平均降水和年平均气温的时间变化Fig.14 Temporal variations of annual mean precipitation and annual mean temperature under SSP585 scenario

由表4可知,NPP与年均最高温、最低温和降水均呈正相关,随温度和降水的增加而增加,其中与温度的相关性高于降水,并且通过了显著性检验。从两个情景对比来看,草地NPP与温度降水均有一定的相关性,但与温度的相关性高于降水,而且在SSP126情景下,NPP与降水呈负相关;SSP585情景下与降水呈正相关。

表4 草地NPP与气候因素的person相关系数(SSP585)Table 4 Person correlation coefficient between grassland NPP and climatic factors(SSP585)

4 讨论

本研究发现CMIP6的SSP126和SSP585情景下,青藏高原草地NPP分别呈现出逐年下降和逐年上升的趋势,这与韩海燕[8]利用Biome-BGC模型嵌套RCP气候情景,低浓度路径下(RCP2.6)青藏高原草地NPP呈现出下降趋势,高浓度路径下(RCP8.5)青藏高原草地NPP呈现出上升趋势结论相同;此外在两种不同气候情景下,青藏高原在空间上表现出由东南向西北逐渐递减的趋势,这也与李传华等[26]的研究结果一致;从时序来看,青藏高原基准期(1971—2020年)草地NPP呈现出逐年上升的趋势,并且以年平均82.88 g C/(m2·a)的速率显著增长,这与张帆[27]利用CASA 模型估算的青藏高原草地1982—2015年的127.1 g C/(m2·a)年均NPP结果较为一致;何楷迪等[28]研究发现,藏北地区草地NPP空间分布呈水平地带性分布,由东南向西北递减,藏北地区草地NPP整体水平较低,这也与本研究的结论相一致。

刘晓东等[29]发现,在未来2030—2049年期间,青藏高原大部分地区平均地面气温的升幅在1.4～2.2℃,但降水量的相对变化较小,通常不超过5%。本研究发现未来气候情景下青藏高原草地NPP虽然在SSP126和SSP585两种情景中分别呈现下降和上升趋势,但与基准期(1971—2020年)相比,两者年均NPP值整体水平均低于基准期,说明在未来极端气候条件下,青藏高原草地生态系统的敏感性显得尤为突出,但相比较而言,SSP126气候情景的减少速率略高于SSP585,造成这种现象的原因是,SSP585与SSP126相比,全球气候朝着更暖、更湿的方向发展,温度和降水的减少是导致SSP126情景下青藏高原草地NPP减少速率高于SSP585情景的主要原因之一。

在本研究中,未来气候情景下气温和降水呈现出不同的增加速率,总体来说,SSP585情景下的气温和降水的增加速率高于SSP126情景。另外,本研究发现,在SSP126情景下,青藏高原NPP与气温呈正相关,与降水呈负相关,这与边多等[30]的研究结果一致,但在SSP585情景下,青藏高原NPP与气温和降水均呈正相关,但气温的相关性高于降水。这说明了在不同气候条件下,气温和降水对NPP 均有一定的影响,但明显气温的影响力要显著高于降水。由此可以看出气温是影响青藏高原草地NPP的主要原因。

在青藏高原草地生态系统的研究中,放牧是草地生态系统估算过程中的重要一部分,研究NPP 的演变过程与放牧因素的关系也是未来探究青藏高原草地生态系统的核心问题之一[31],而本研究只针对未来气候情景下青藏高原草地NPP的时空变化特征以及与基准期时段NPP 的演变过程进行了对比分析,没有具体讨论放牧因素对青藏高原草地NPP 的响应,这也将是本研究后续过程中要攻克的重难点。

5 结论

(1)1971—2020年,青藏高原草地NPP整体呈现出“东南高、西北低”的空间分布格局,NPP值高的地方主要集中在日照充足,降水丰富的暖湿地区,而低值区主要集中在降水匮乏,日照不足的干旱地区。

(2)在过去50 a来,青藏高原草地生态系统整体趋向改善,但不同气候情景下,未来草地NPP变化趋势有所差异。在SSP126情景下,未来80 a(2021—2100年)青藏高原草地NPP 值出现整体下降的趋势,这与该情景下,气候朝着低温少雨的方向发展有着紧密联系,相比SSP126 情景,SSP585 情景下,气候朝着更暖更湿的方向发展,青藏高原草地NPP 值整体呈现上升的发展趋势。

(3)气温和降水是造成青藏高原草地NPP变化的主要驱动因子,在SSP126和SSP585两种情景下,温度与NPP 均呈正相关,且相关性高于降水。在SSP126 情景下,降水与NPP呈负相关,SSP585情景下,降水与NPP呈正相关。整个青藏高原草地NPP变化的主要驱动因子是气温。