氣候變化和人類活動對中國陸地生態系統總初級生產力的影響厘定研究

王軍邦,楊屹涵,左 嬋,顧峰雪,何洪林

1 中國科學院地理科學與資源研究所,生態系統網絡觀測與模擬重點實驗室,國家生態科學數據中心,北京 100101 2 長江大學園藝園林學院,荊州 434000 3 中國農業科學院農業環境與可持續發展研究所,北京 100081

陸地生態系統總初級生產力(GPP),是單位時間單位面積綠色植物光合作用固定二氧化碳生成有機物的量,決定了進入陸地生態系統的初始有機物質和能量,是生態系統服務功能的基礎[1-3]；GPP也是從大氣進入陸地的碳通量,受氣候變化影響而又對氣候系統產生反饋作用[4],是人類生存和可持續發展的基礎[5]。目前,全球碳循環估算仍然存在很大的不確定性,而生態系統初級生產力的影響因素及其機制,特別是人類活動影響,可能是主要不確定性來源之一。

人與環境強烈的相互作用關系,導致氣候變化及人類活動對生態系統的影響疊加且更加復雜[6],發展了多種厘定氣候變化和人類活動影響的方法,如偏導數分析[7]、多變量分析[8]、主成分分析[9]、殘差趨勢法[10]、及模型法[11]等。其中,模型法是通過模型模擬實際和潛在生產力,二者之差被認為是人類活動影響所致,進而厘定人類活動貢獻[11]。Chen等[11]采用陸地生態系統模型(TEM)模擬僅受氣候因素驅動的凈初級生產力(NPPP),采用基于衛星遙感的Carnegie-Ames-Stanford(CASA)模型估算現實受氣候變化和人類活動影響的NPPA,而人類活動影響的人為NPPH由二者之差得到。Bi等[12]利用CASA模型和Thornthwait Memorial模型估算了中亞干旱地區人類活動對草地生態系統凈初級生產力的影響。李輝等[13]和Naeem等[14]也采用相似的方法,分別厘定了內蒙古草地及全國尺度下的植被凈初級生產力受人類活動及氣候變化的影響。孫維等[15]采用差分法定量分析了2000—2015年青藏高原高寒草地總初級生產力受人類活動的影響。

然而,這些研究通常以不同結構的兩個模型分別模擬氣候驅動的潛在生產力和現實植被生產力,可能存在模型結構不同導致的系統性不確定性的問題。Liu等[16]利用遙感LAI數據和氣象數據以CASA模型分別估算了實際和潛在生產力,定量分析了全國尺度下人類活動對草地NPP變化的影響,解決了不同模型結構導致估算結果存在明顯不確定性的問題。而以往這些研究多采用遙感模型或經驗統計模型,而較少采用生態系統過程模型,可能存在對光合作用過程及其對氣候變化響應模擬不足的問題；另外,多數研究也多側重于凈初級生產(NPP)而較少關注全國尺度總初級生產力(GPP)。

CEVSA(Carbon Exchange between Vegetation,Soil and atmosphere)是基于生理生態學的過程模型,通過水分和氮約束下的光合作用、呼吸作用和干物質分配等主要模塊,模擬植物-土壤-大氣系統間碳循環為主的生物地球化學循環[17,18]。因此,本研究利用MODIS衛星遙感的葉面積指數(LAI)數據產品,采用強迫法發展了遙感驅動的模型CEVSA-RS,分別模擬僅氣候驅動的潛在GPP以及氣候數據和遙感數據共同驅動下現實GPP,分析中國陸地生態系統2000—2017年總初級生產力時空格局,并以二者差值量化導致生產力變化的人類活動影響,如濫砍濫伐、過度放牧、城鎮化建設、植樹造林、退耕還林還草、生態恢復工程等積極或消極性活動。通過本研究,以期為生態保護與建設成效科學評估、生態質量評估及生態系統服務功能研究等提供方法基礎,也為科學合理制定生態保護政策提供科學依據。

1 數據來源與處理

1.1 遙感數據

本研究采用中分辨率成像光譜儀(MODIS)衛星遙感的葉面積指數(LAI)C6版本數據產品(MCD15A2H)。該產品由美國國家航空航天局(National Aeronautics and Space Administration,NASA)(https://ladsweb.modaps.eosdis.nasa.gov)提供,是以MODIS的Terra和Aqua傳感器數據進行融合而得,數據空間分辨率為500m,時間分辨率為8d。Fang等[19]對2003年至2010年基于衛星遙感的全球5種主要LAI產品采用交叉驗證和不確定性分析發現,MODIS產品的絕對和相對均方根誤差分別為0.17和11.5%,遠小于其他參比產品。本研究首先利用NASA的MODIS重投影工具(MRT)對下載的遙感LAI數據進行拼接和投影轉換,并在ArcGIS 10.2軟件中進行批量裁剪出全國研究區范圍,并進行數據格式轉換后,采用TIMESAT3.2軟件的S-G濾波方法[20],對數據進行平滑和降噪處理；然后將數據時間序列處理為旬均值和0.1°×0.1°經緯度空間分辨率數據,作為模型輸入；同時計算每年的LAI均值,進行后續植被變化趨勢等分析。

1.2 氣象數據

用于模型輸入的氣象數據,是基于中國氣象科學數據共享服務網絡提供的全國氣象臺站觀測值經空間插值的0.1°×0.1°分辨率數據。對臺站觀測的2000—2017年每日氣溫,降水量,相對濕度和日照時數,統計為每旬均值,其中降水為旬累加值；然后利用廣泛應用的ANUSPLINE氣象數據空間插值軟件[21],以數字高程數據作為輔助變量,插值得到空間分辨率為0.1°×0.1°經緯度的柵格數據。Wang等[22]研究表明,用ANUSPLINE插值得到的數據分別能解釋94%和77%的氣溫和降水季節和空間變異,體現了較好的數據質量。模型所需云量數據,通過日照時數按以下公式計算而得：

(1)

其中,Clo為云量(%),SSD1為實際日照時數(h)；SSD2為理論日照時數(h),隨當地緯度和季節變化。

1.3 植被類型數據

植被類型數據由2010年中國土地覆蓋遙感制圖(ChinaCover2010)數據生成。ChinaCover2010是基于國產環境衛星(HJ-1)遙感數據,輔以中國植被圖(1∶100萬)、2000和2005年土地利用圖及ASTER DEM生成的坡度和坡向數據等制作生成,空間分辨率為250m[23]。ChinaCover2010數據分類系統的一級類與IPCC系統保持了一致,共6類,二級類采用了由FAO的LCCS生成的具有全球統一代碼的38個類型[24]。吳炳方等[23]采用隨機抽樣方法獲取的樣點進行的獨立的產品精度評估表明,全國平均一級類型分類精度為94%、二級類型分類為86%。本研究對原始數據中的二級類型進行重新合并,得到IGBP分類體系的植被類型,并在ArcGIS中采用鄰近值法進行空間重采樣為0.1°×0.1°經緯度空間分辨率,用于模型輸入。植被類型包括常綠針葉林(ENF)、常綠闊葉林(EBF)、落葉闊葉林(DBF)、落葉針葉林(DNF)、混交林(MF)、稀樹草地(SG)、郁閉灌叢(CS)、稀疏灌叢(OS)、草地(GR)、農田(包括水田和旱田)、有林地和裸地等(Other)。

1.4 土壤數據

土壤數據來源于1∶100萬中國土壤圖和1995年全國第二次土壤普查數據,由中國科學院南京土壤研究所和中國科學院地理研究所資源與環境信息系統國家重點實驗室制作。該數據使用中國土壤質地分類系統,對 1∶100萬土壤類型圖的每一個一級類別所覆蓋的土壤剖面點計算粒級百分比的平均值,作為此土壤類型的粒級構成[25]。對包括土壤容重、土壤質地、土壤有機質、土壤氮等數據,經鄰近值法重采樣處理得到與氣候數據的空間分辨率相匹配的0.1°×0.1°經緯網格數據,用于模型輸入[26]。

1.5 模型驗證數據

模型驗證數據來自中國陸地生態系統通量觀測研究網絡(ChinaFLUX)提供的8個基于渦度相關技術的碳通量觀測共享數據[27]。8個站點詳情見表1,包括4個森林點(CBS、QYZ、DHS、XSBN)、3個草地點(HBSHRUB、NMG、DXGRS)和1個農田點(YC),如圖1所示,代表了中國陸地生態系統的主要植被類型[28]。共享通量數據包括凈生態系統碳交換量(Net Ecosystem Exchange,NEE)、生態系統呼吸(Ecosystem Respiration,RE)、及每天的GPP[29]；對觀測數據按旬計算平均值,與模型模擬時間步長匹配。為驗證和評價CEVSA-RS模型模擬結果的可靠性,研究利用2003—2005年的通量塔觀測數據,分別與模型輸出的GPPCL、GPPRS進行對比,選取長白山、內蒙古和禹城站點分別代表森林、草地、農田三大主要生態系統進行驗證[30]。根據驗證站點的經緯度信息提取站點GPP模擬結果和遙感LAI數據,采用線性相關分析進行模型驗證。

表1 本文中用于CEVSA-RS模型驗證的中國陸地生態系統通量觀測研究網絡(ChinaFLUX)共享通量觀測站點信息Table 1 The description of ChinaFLUX sites used for the CEVSA-RS model validation in this study

圖1 中國植被類型、氣候分區、氣象臺站及碳通量觀測點空間分布Fig.1 Spatial distribution of the vegetation classification,the climate zonalization,the meteorological stations and the carbon flux observation sites in China

2 研究方法

2.1 模型發展及GPP計算

CEVSA模型主要包括三個子模塊：生物物理子模塊、植物生理生長子模塊和土壤碳氮轉化子模塊[31-33]。其中光合速率由生物化學過程和氣孔傳導兩因子以連續迭代解非線性方程組方法確定,使的相等。由生物化學過程決定的光合作用速率(Ab)為：

Ab=Min{Wc,Wj,Wp}(1-0.5Po/τPc)-Rd

(2)

式中，Wc為受光合酶限制的羧化速率,Wj為受電子傳輸速率限制的羧化速率,Wp為受磷酸鹽限制的羧化速率,Po為葉肉組織中的氧氣分壓,Pc為葉片組織中的二氧化碳分壓,τ是溫度的函數,Rd是呼吸速率。由氣孔傳導決定的光合速率(Ad)為：

Ad=gs(Pa-Pc)/160

(3)

gs=[g0(Tk)+g1(T)ARh/Pa]kg(ws)

(4)

其中,gs為植物葉片的氣孔導度,Pa為葉片表面的二氧化碳分壓,Pc為細胞內的二氧化碳分壓,g0是在光補償點下光合速率為零時的氣孔導度,g1為靈敏度參數,A為待求的實際光合速率,Rh為葉片周圍空氣相對濕度,Tk為絕對溫度,kg(ws)為氣孔傳導度對土壤含水量ws的反應函數。

在植被冠層尺度,CEVSA模型把植被冠層劃分為與葉面積指數相等的層次并對其所接受的光合有效輻射,氣孔導度和光合速率分別進行計算：

(5)

(6)

其中,LAI為植被葉面積指數,Ai為第i層葉片的光合速率,canACL為整個冠層的光合速率,GPPCL為僅氣候驅動下的日光合總量,時間t1和t2之間即為白天進行光合作用的時間。植被碳分配、積累和周轉：

AI=CL+CS+CR

(7)

CL=LAI/S

(8)

其中,AI為植被冠層的光合速率,CL、CS、CR分別代表向葉、莖、根分配量,S為比葉面積,根據植被類型的不同而不同。

CEVSA2模型在CEVSA基礎上對氮素吸收速率和對光合作用和呼吸作用的控制、氮對碳分配的控制、土壤碳氮比和土壤全氮含量等進行了改進[33]。盡管CEVSA2具有較強機理基礎,但難以準確描述同一植被類型內部的空間異質性；而衛星遙感提供了這一可能性。本研究以強迫法構建了遙感數據驅動的生態系統過程模型CEVSA-RS。在模擬和估算過程中,設置是否采用遙感數據計算GPP的控制開關。當設置為邏輯關時,模型按原結構運行,輸出由氣候驅動下的生態系統潛在GPP(GPPCL)；當設置為邏輯開時,模型以輸入的遙感數據計算,即以遙感的葉面積指數替換式(5)中的葉面積指數(LAI),以此輸出由氣候數據和遙感數據共同驅動下的生態系統現實GPP(GPPRS)。以現實GPP(GPPRS)與潛在GPP(GPPCL)之差,表示為人類活動導致的GPP(GPPHA)：

GPPHA=GPPRS-GPPCL

(9)

2.2 人類活動貢獻率

在不考慮變化趨勢斜率KCL=0情況下,人類活動因素對GPP變化的貢獻,可表示為現實與潛在GPP趨勢之差與氣候潛在GPP變化趨勢的百分比：

K=(KRS-KCL)/KCL×100

(10)

當K的絕對值大于100表示人類活動的影響主導了該地區GPP的變化趨勢；絕對值小于100表示氣候變化的影響主導了該地區GPP的變化趨勢；0表示無人類活動影響。

2.3 相關分析

為進一步明確氣溫和降水對GPP的影響,根據長期的平均氣溫、降水和濕度等,采用氣候分區,即青藏高原高寒區、亞熱帶-熱帶季風區、溫帶季風區以及溫帶大陸區四個氣候分區[34],進行分區統計,如圖1,分析四個氣候區的GPP分別與各區的年降水、年均氣溫間相關性。

3 結果與分析

3.1 模型驗證

遙感驅動的GPPRS和僅以氣候驅動的GPPCL季節變化均與通量塔觀測值間存在顯著線性相關,如圖2所示。根據線性回歸的復相關系數,GPPRS較GPPC對不同植被類型的季節變化具有更高的解釋能力,GPPRS(GPPCL)能夠解釋草地、森林、農田通量觀測季節變化的58%(62%)、94%(92%)和72%(57%)。較之GPPCL,GPPRS更能反映觀測值的季節變化,具有更好的一致性,并且與遙感的LAI間也具有更好的一致性,說明新發展的CEVSA-RS模型具有較高的可靠性；遙感的LAI與觀測的GPP季節性具有較為顯著的線性一致性,說明遙感LAI數據作為輸入數據提高了模擬GPP的可靠性。

圖2 內蒙古、長白山和禹城模擬 GPP 值與 ChinaFLUX 觀測數據對比Fig.2 The simulated GPP were compared with the observations on the flux towers at the sites of Inner Mongolia,Changbaishan and Yucheng from ChinaFLUXGPPRS:氣候和遙感共同驅動的現實總初級生產力;GPPCL:氣侯驅動下的總初級生產力

3.2 多年平均GPP的空間格局

2000—2017年全國GPPCL平均值為1016.36 gC m-2a-1,最大值為3093.67 gC m-2a-1,總量為7.21 PgC/a,如圖3所示。呈南高北低、東高西低的空間分布特征,高值主要分布在南部沿海大陸以及海南島、四川東部以及華中農田植被分布區域；而在西北一帶,除準噶爾盆地周邊和西藏東南邊陲有少數森林,其余均為草地、草甸、灌叢類植被,整體低于平均值。全國GPPRS平均值為962.85 gC m-2a-1,最大值為4253.75 gC m-2a-1,全國總量為6.83 PgC/a。GPPRS的空間特征與GPPCL較為一致,但在華南一帶GPPRS高值分布范圍更大。人類活動主導的GPP(GPPHA)如圖3所示,可見人類活動促進生產力區域主要分布在長江以南大部、秦嶺、太行山脈以東以及大興安嶺以東和長白山地區,多屬于森林類植被類型,而負面影響的區域主要分布在新疆、青海、西藏、內蒙古大部以及華北平原南部、松嫩平原和三江平原,多集中在草類、灌木類以及農田。

圖3 2000—2017年全國多年平均氣候驅動總初級生產力(GPPCL)、氣候和遙感共同驅動的現實總初級生產力(GPPRS)和人類活動主導的總初級生產力(GPPHA)影響的空間分布Fig.3 Spatial distribution of the multi-year averaged gross primary productivity driven by the only climate (GPPCL),the climate and remote sensing (GPPRS) and dominated by the human activities (GPPHA)from 2000 to 2017 in China

3.3 GPP年際變化趨勢空間格局

2000—2017年中國大部分地區GPP呈增加趨勢,其中GPPCL呈增加趨勢的區域占陸地面積的61%,減少地區占33%；而GPPRS呈增加區域占總面積的64%,減少地區僅占20%。如圖4所示。氣候主導的潛在GPPCL在華北平原中部地區、長白山南部、內蒙古高原東部及東南部、四川盆地以西、西藏中部和南部呈降低趨勢,其中青海省東部和南部地區為上升趨勢,而西中部地區為降低趨勢,這與Chen等[11,36]研究中對2001—2011年青海省凈初級生產力的結論相似。現實GPPRS變化特征表現為整個華南地區、華北平原呈現非常顯著的上升趨勢,長白山北部、東北平原北部、內蒙古高原東部及東南部、西藏北部為降低趨勢。由圖5可知,GPPCL增速為41.46 gC m-210a-1,GPPRS增速為46.04 gC m-210a-1,人類活動的影響下的GPPRS比GPPCL的增速更高,應該是人類對生態系統的促進作用愈加明顯；整體變化趨勢為正,說明生態建設和保護工程使得全國固碳量增加,這與中國和印度對全球植被趨好貢獻顯著的結論相符[36]。

圖4 2000—2017年GPPCL和GPPRS的年際變化趨勢(其中內嵌圖為變化趨勢的顯著性水平)Fig.4 The spatial distribution of the inter-annual trends and their significant level respectively for the GPPCL and the GPPRS of Chinese terrestrial ecosystem in the period from 2000 to 2017

圖5 2000—2017年全國植被覆蓋區平均GPPCL、GPPRS和LAI的年際變化及其線性變化趨勢Fig.5 The inter-annual variances of the averaged GPPCL、GPPRS and LAI over the whole vegetated land in China from 2000 to 2017

3.4 各氣候區GPP變化及影響因素

全國四個氣候區GPP和氣候因子的年際變化如圖6所示。青藏高原高寒區暖濕化明顯,受氣候變化和人類活動影響GPP的增加趨勢不顯著(P>0.05)。亞熱帶-熱帶季風區,氣侯變暖變濕顯著(P<0.05),GPPCL增速為46.0 gC m-210a-1,而GPPRS為196.1 gC m-210a-1,在水熱條件良好地區,退耕還林、植樹造林等人類活動顯著增強了陸地生態系統生產力。溫帶季風區氣溫變化不顯著(P=0.33),降水存在增加趨勢(P=0.06)；GPPCL的年際增長趨勢(86.6 gC m-210a-1)遠高于GPPRS的增速(32.9 gC m-210a-1),雖然均隨降水增加而增加,但人類活動對該區域GPP產生負面影響,可能抑制了生態系統生產力的增加。溫帶大陸區GPPCL年際變化趨勢不顯著,而GPPRS每十年顯著減少40.1 gC/m2；在氣候因素未能促進生態系統生產力增加的同時,人類活動卻使GPPRS呈降低趨勢,該地區畜牧業等人類活動產生了負面影響,使脆弱生態系統生產力降低。

3.5 人類活動對總初級生產力的影響

以現實與潛在GPP年際變化趨勢之差(ΔK)表示人類活動對GPP年際變化趨勢的影響,如圖7。其中內蒙古東部、東北平原北部、青藏高原西部,人類活動抑制GPP的增加；在華北平原、華南以及四川省東部地區,人類活動促進GPP的增加。四個氣候區內森林、草地和農田的ΔK均值顯示,人類活動對全國的森林均表現為正面影響；草地除亞熱帶熱帶季風區外,均表現為負面影響；青藏高原高寒區和亞熱帶-熱帶季風區的農田為正影響,溫帶季風和溫帶大陸區農田為負影響。熱帶-亞熱帶氣候區水熱充足且同步,森林現實GPP增速高于氣候潛在GPP的增速,可能與該區域植被多為幼齡林和中齡林有關[37]。

圖7 以現實與潛在GPP年際變化趨勢之差(ΔK)表示的人類活動對GPP年際變化趨勢的影響的空間分布圖及各氣候區森林、草地和農田ΔK的均值統計圖Fig.7 Spatial distribution of the impact of human activities on interannual GPP trends expressed as the difference between actual and potential GPP trends (ΔK)(left) and the mean statistics of ΔK for forest,grassland and agricultural land for each climate region (right)

根據式9計算的人類活動貢獻率如圖8所示。人類活動占主導的區域面積達53%,其中小興安嶺、長白山脈、大興安嶺北部、太行山脈、華南大部分地區,K值大于100%,人類活動明顯促進GPP增速；而在華北平原中部、青海省南部和東部邊陲,人類活動平衡了因氣候不利導致的GPP的下降趨勢；青海省西部由潛在上升趨勢轉變為下降趨勢,在其南部和東部下降顯著。分別統計四個氣候區森林、草地和農田的K(%)均值,其絕對值均在100以內,這說明在0.05的顯著性水平,三種植被類型的GPP趨勢變化均為氣候所主導。

圖8 人類活動的貢獻率(K)空間分布變化圖及各氣候區農、林、草的人類活動貢獻率(K)統計圖Fig.8 Spatial distribution change of contribution rate of human activities and regional statistics of contribution rate of human activities

4 討論與結論

4.1 討論

陸地生態系統生產力的影響因子多且復雜,導致對GPP的形成機制認識不足。然而不同的方法、模型結構、不同數據源、時空分辨率等均會導致GPP估算的不確定性,而使陸地生態系統GPP一直成為國內外研究熱點。如表2所示,不同研究給出的全國GPP在5.00—9.76 PgC/a之間,而本研究中估算的GPPCL為7.21 PgC/a、GPPRS為6.83 PgC/a,與多數研究結果接近。為評估模型的不確定性,本研究與MODIS最新GPP遙感產品(MYD17A2H)進行了對比,發現MYD17A2H可以解釋內蒙古、長白山和禹城觀測GPP季節變化的59%、82%和72%,；本研究GPPRS(GPPCL)相對應的復相關系數分別為58%(62%)、94%(92%)、72%(57%),與遙感產品表現出了較好的一致性,表明CEVSA-RS模型具有較好的可靠性。

表2 不同模型估計的中國年均GPPTable 2 Estimation of GPP in different terrestrial models over china

盡管本研究以同一模型以不同驅動數據進行模擬,實現了使用同一模型框架厘定氣候變化和人類活動影響的目的,解決了由模型架構不同可能導致的系統不確定性,使得模擬的GPPCL、GPPRS相關性更好,從而GPPHA的估算值精確性也更高。但遙感開關的設定本身,使得模型架構仍然略有不同,因此CEVSA-RS的遙感數據輸入開、關并不能完全消除結構不確定性。所以模型的不確定性仍然是陸地生態系統碳循環研究的挑戰,未來需要進一步改進GPP模型和方法,增加觀測站點,提高準確性并減少陸地生態系統GPP估計的不確定性。

厘定氣候變化和人類活動影響,一直是生態學長期關注的科學問題之一。而人類活動存在積極和消極的類型區別,不同類型人類活動在不同地域表現出的影響也具有差異性,不同植被類型的差異性影響也具有相對轉移的動態趨勢。從植被類型角度分析不同氣候區人類活動影響不同原因,有利于采取具有針對性的有效措施,促進植被生產力的增強或恢復。在森林植被類型方面,本研究認為由于我國政策的大力實施,促進了森林植被的恢復及保護,有效制止了濫砍濫伐等嚴重破壞林地的現象,林地的GPP呈顯著增加的趨勢,因此人類活動對全國各地區的森林植被類型表現為積極促進影響。自1999年國家實施退耕還林和天然林保護項目以來,大面積、大規模植樹造林等工程的實施使林地面積迅速增加,天然林的相關保護管理力度加大,生態建設等人類活動促進了森林生態系統的恢復與擴展。第八次全國森林資源連續清查(2009—2013年),與第二次清查相比,我國人工林保存面積增長了2.13倍,人工林蓄積增長了約5倍,主要集中在廣西、廣東、湖南、四川、云南、福建等地[56],與本研究森林植被類型在亞熱帶-熱帶季風區GPP增長速率最快的結果相一致。

草地生產力的變化,既有研究認為是氣溫和降水為主的氣候變化導致了草地退化[57],也有研究認為是過度放牧、濫采濫挖等人類活動使草地發生退化[58]。陳槐等[59]研究發現2000—2013年人類活動是影響青藏高原草地的主導因子,相對貢獻率均值高達84.6%,相比1990—1999年人類活動主導生產力減少的面積由1.9%增加到28.5%；李輝等[13]研究發現1999—2015年人類活動對內蒙古草地退化的貢獻率為87.8%；秦景秀等[60]認為人類活動是影響新疆植被恢復和退化的主要原因；趙鵬等[61]研究發現由放牧等人類活動導致新疆草地生態系統NPP減少的面積占比由1982—2000年的1.78%上升到2000—2015年的15.22%。本研究認為青藏高寒區、溫帶大陸區和溫帶季風區的草地生態系統生產力的變化,主要歸因于人類活動。由于放牧強度的增加,地上生物量顯著降低,草地退化嚴重,覆蓋度降低,進而導致生產力降低；盡管國家對草地牧區實施了相關“京津風沙源治理”、“退牧還草”、“天然草地保護”等生態保護和建設工程,出臺了草地生態保護補償獎勵政策[62],但不少地區仍處于超載過牧狀態,可能導致更嚴重的草地退化[63]。亞熱帶-熱帶季風區致力于開發草山草坡地區天然草地和農閑田,重點推廣天然草山草坡改良、混播牧草地建植、高效人工種草、閑田種草和草田輪作等技術模式[64],荒山閑田的有效利用以及一系列種植技術的改進促進了草地、農田植被的生產力變化。由此說明我國華北、西北、青藏高原等地仍需堅持實施草地生態保護工程以及退牧還草、禁牧等措施,減少脆弱地區的人類活動干預,而華南等地應保持現代化畜牧業可持續綠色發展模式前提下加大荒山閑田的開發利用。

我國耕地的空間格局明顯改變,影響了農田生態系統的生產力變化趨勢。王軼虹等[65]研究認為2001—2010年中國農田生態系統NPP受人類活動影響較大；閆慧敏等[66]通過對比1990—2000年與2000—2005兩個時間段的耕地變化數據,發現城市化及退耕還林還草等土地利用變化導致耕地生產力減弱；秦元偉等[67]研究發現2000—2005年包括“退耕還林”計劃(GFGP)和“退耕還湖”計劃(RCTL)的生態恢復計劃(ERP)造成的農業生產力損失為132.67×104t/a,2005—2008年因GFGP造成的農業生產力損失約占70%,生產力損失主要集中分布在北方干旱和半干旱區域,與本研究結果一致。一系列的退耕還林還草計劃措施減弱了農田植被類型生產力,尤其是在溫帶大陸及溫帶季風區,而青藏高原等地農牧區大力發展農業,人為活動整體上對農田植被類型生產力呈現積極正面影響。

4.2 結論

本文以CEVSA模型為基礎,通過強迫法實現了遙感LAI為基礎的生產力模擬,發展了CEVSA-RS模型,通過遙感數據輸入開關控制,實現了僅氣候驅動下的潛在GPP和氣候遙感共同驅動下現實GPP的模擬。在2000—2017年間,中國陸地植被 GPPCL總量為7.21 PgC/a,平均值為1016.36 gC m-2a-1,GPPRS總量為6.83 PgC/a,平均值為962.85 gC m-2a-1,即中國陸地生態系統至少還有0.38 PgC/a的生產潛力；中國陸地生態系統GPPRS增速(46.04 gC m-210a-1)大于GPPCL增速(41.46 gC m-210a-1),說明在研究期間人類活動促進了中國陸地生態系統的生產力增加趨勢,生態建設與保護效果凸顯。從全國范圍來看,人類活動的影響占比大于氣候影響的區域可達總體的53%。植樹造林、天然林保護等人類活動普遍增加了全國范圍內的森林生態系統的生產力,放牧等活動的影響降低了除亞熱帶熱帶季風區外的草地生產力,退耕還林還草等措施導致溫帶季風區和溫帶大陸區農田面積減少,生產力下降,但四個氣候區內的三種植被類型的GPP趨勢變化均為氣候所主導。通過本研究所發展的同一模型框架氣候和現實生產力的模擬,為定量厘定人類活動和氣候變化影響提供了方法基礎；本文的結論為進一步實施生態建設與保護工程提供科學決策依據,同時也將促進生態學方法和理論的發展。