江西省植被碳匯估算及其對氣候變化的響應

蘇海報，陳興鵑，吳燕良，夏玲君*，戴芳筠，李柏貞

（1.江西省上饒市氣象局，江西 上饒 334000；2.江西省生態氣象中心，江西 南昌 330096；3.江西省宜春市氣象局，江西 宜春 336000）

IPCC第六次評估報告指出，大氣CO2濃度的持續升高導致了全球平均氣溫不斷上升，并繼而引發了一系列的生態環境問題，嚴重影響了人類的生存和發展［1-4］。陸地生態系統碳循環是全球碳循環的重要組成部分，其通過植被的光合作用將大氣中的CO2固定為有機化合物，是人類生產、生活中最基本的能量來源，且最容易受到氣候變化和人類活動的影響［2,5］。當生態系統固定碳的量大于排放碳的量時該系統就成為大氣CO2的匯，簡稱碳匯，相反則稱為碳源［6-7］。凈初級生產力(Net Primary Productivity，NPP)是指植物光合作用固定的有機物，是減去自身呼吸活動消耗以及用于繁殖、發育、生長所需的凈增量［8］，凈生態系統生產力(Net Ecosystem Productivity，NEP)是指凈初級生產力(NPP)與土壤微生物呼吸(Heterotrophic Respiration，RH)之差，兩者反映了區域植被的固碳水平［9］，其中NEP是表征一個生態系統碳收支水平的重要指標，廣泛用于碳循環的研究，其代表了生態系統和大氣系統之間的碳交換過程，表明較大空間尺度上碳的凈貯存，當NEP大于0，表明該區域生態系統為碳匯，即該區域植被固定的碳多于土壤排放的碳，反之則為碳源［8-10］。

氣候變化對陸地植被生態系統的影響是國內外研究的焦點之一。隨著衛星遙感技術應用水平的不斷提高，采用地面氣象觀測資料與遙感手段相結合的方法在監測評價區域植被得到了廣泛的應用［11-12］；王芳等［13］利用遙感數據及站點數據研究發現，安徽省的植被NPP受降水因素影響較大；龐瑞等［14］應用生態系統模型估算了1954—2010年西南高山地區NEP的時空變化，并分析了其與氣候因子的關系，結果表明NEP的年際變化與年平均溫度呈負相關，與年降水量呈正相關；鞏杰等［15］結合MODIS與氣象數據對2000—2013年白龍江流域的NEP時空變化及其影響因子進行了研究，結果表明地形和植被類型對NEP有明顯的影響。

江西省是我國生態文明試驗區之一［16-17］，森林覆蓋率位列全國第二(僅次于福建)，生態資源優越，是我國亞熱帶地區近代植物區系的起源中心之一［18］。本研究以江西省植被生態系統為研究對象，基于衛星遙感資料和地面氣象觀測資料，對2000—2022年江西省NEP進行估算，定量分析江西省碳匯的時空分布情況和江西省碳匯對氣候變化的響應情況，以期為維護江西地區生態系統的健康與穩定以及實現地區“雙碳”目標提供科學指導意見。

1 材料與方法

1.1 研究區概況

江西省位于長江中下游交接處的南岸(24°29′～30°04′N、113°34′～118°28′E)，東鄰浙江、福建，南連廣東，西接湖南，北毗湖北、安徽，境內東、西、南三面群山環繞，內側丘陵廣亙，中北部平原坦蕩，整個地勢由外及里，自南而北，漸次向鄱陽湖傾斜，構成一個向北開口的巨大盆地。江西省地處亞熱帶季風氣候區，四季變化分明，是我國多雨的省區之一，但是降水的時空差異大，易發生洪澇災害與干旱，境內生態資源豐富，生態系統主要有森林、農業、草地、濕地等，森林覆蓋率達63.1%［19］。

1.2 數據來源

本文使用的數據資料主要來源于2000—2022年的遙感資料和國家站地面氣象觀測資料。遙感資料為基于MODIS數據的月合成全球歸一化植被指數(NDVI)產品，空間分辨率為1 km×1 km，時間分辨率為1個月；地面氣象觀測資料為江西省83個國家氣象站的平均氣溫、降水量等逐日氣象觀測數據。

1.3 研究方法

生態系統碳匯儲量包含了植物之間生物量、凋落物生物量及土壤有機質呼吸量［20］。凈生態系統生產力表示陸地和大氣生態系統的碳交換率［21-22］，是區域碳平衡估算的重要指標，常作為評估碳匯大小的度量［20-23］，計算公式為：

式（1）中，NEP表示凈生態系統生產力，NPP表示凈初級生產力，RH表示土壤微生物呼吸。

1.3.1 凈生態系統生產力的估算方法 利用太陽光合有效輻射、植被有效光合輻射吸收比例、實際光能利用率等數據，根據光能利用率理論，通過陸地生態系統碳通量TEC模型計算NPP［24-25］，計算公式為：

式（2）～式（3）中，GPP、Ra分別表示植被總初級生產力和自養生物本身呼吸所消耗的同化產物，單位為g C/m2，ε為實際光能利用率，FPAP為植被吸收光合有效輻射的比例，PAR為入射光合有效輻射，單位為MJ/m2。

1.3.2 土壤微生物呼吸的估算方法 土壤微生物呼吸是估測區域尺度上NEP的重要參數，其數值結果直接影響NEP的估算結果［26］，本文采用研究成果［27-28］估算江西省RH的分布狀況，計算公式為：

式（4）中，T為氣溫(℃)，R為降水量(mm)。

1.4 數據分析方法

本文采用距平分析法和趨勢分析法［17,29］對江西省NPP、RH和NEP的時空變化特征進行分析；采用相關分析法和線性擬合法［29-31］分析降水、氣溫等氣候因子與NEP的相關性以及各要素的變化趨勢。研究區域的各要素空間分布采用ArcGIS 10.7軟件進行空間插值處理。

2 結果與分析

2.1 江西省NPP和RH的時空特征

2.1.1NPP和RH的時間特征 由圖1可知，2000—2022年1—12月江西省植被凈初級生產力的月平均值具有明顯的規律性變化，呈現出先增加后減少的變化趨勢，土壤微生物呼吸的變化趨勢較為類似；NPP和RH的月平均值分別為74.6、32.1 g C/m2，NPP和RH的最小值為分別為23.1 g C/m2(1月)、14.8 g C/m2(12月)，而最大值均在7月，分別為119.0、57.0 g C/m2；1—3、10—12月的NPP低于月平均值，4—9月的NPP大于月平均值，與已有研究結果［2］一致；1—4、10—12月的RH低于月平均值，5—9月的RH大于月平均值。

圖1 2000—2022年江西省凈初級生產力(a)和土壤微生物呼吸(b)的月度變化

由圖2可知，2000—2022年江西省NPP和RH的年平均值均呈現出波動增加的變化趨勢，兩者的增速分別20.2、6.9 g C/(m2·10 a)，其中NPP的增加趨勢大于RH；NPP和RH的年平均值分別為923.5、384.7 g C/m2，兩者的最小值分別為800.8 g C/m2(2022年)、369.0 g C/m2(2011年)，最大值均在2018年，分別為1012.4、397.6 g C/m2。因受到極端氣候事件的影響，2003、2019和2022年江西省的NPP較其余年份顯著偏低，偏離平均值較大，但RH基本無明顯變化。

圖2 2000—2022年江西省凈初級生產力(a)和土壤微生物呼吸(b)的年度變化

2.1.2NPP和RH的空間特征 圖3為2000—2022年江西省NPP和RH的年平均值的空間分布情況。由圖3可知，江西省NPP和RH的空間分布差異均比較明顯，城區和鄱陽湖附近的NPP值偏低，省境邊陲附近的較高，其余區域居中。城區附近的植被偏少，因而NPP值較低；鄱陽湖附近主要為濱湖濕地植物群落，由于植被的季節性較強，從而導致NPP值偏低；省境邊陲附近多為高山，比如東北部的懷玉山，東部的武夷山，南部的大庾嶺和九連山，西部的羅霄山脈，西北部的幕阜山和九嶺山等，山脈的植被覆蓋率高，植被生長迅速，NPP值較高，NPP年平均值基本在1000 g C/m2以上；其余區域大多為丘陵、河谷和盆地，NPP值基本居中。江西省RH的大值區主要位于江西省的南部，部分在東北部，這是由于該區域的降水、溫度相對較大，從而導致RH偏大。綜上，NPP和RH的大值區的范圍基本吻合，主要位于江西省的南部，該地區的溫濕度環境不僅有利于土壤微生物呼吸，也有利于植被進行光合作用。

圖3 2000—2022年江西省凈初級生產力(a)和土壤微生物呼吸(b)的空間分布

2.2 江西省植被碳匯的時空特征

2.2.1 植被碳匯變化特征 由圖4a可知，2000—2022年1—12月江西省NEP的月平均值均大于0，且呈現出先增加后減少的變化趨勢，這與NPP的變化趨勢相似，但最大值的出現時間不一致，潘竟虎等［2］的研究表明植被碳匯的月平均值變化情況與NPP的變化趨勢也不一致，且最大值在5—7月均有可能出現；2000—2022年江西省植被碳匯的月平均值為42.5 g C/m2，最小值為8.2 g C/m2(1月)，距平-34.3 g C/m2，最大值為69.7 g C/m2(5月)，距平27.2 g C/m2；1—3、11—12月的NEP低于平均值，4—10月的NEP大于平均值。江西省在4—10月的水熱耦合作用達到了最佳組合，植被固碳的能力最強，碳匯處于高值區；11月的氣溫下降、降水減少，且絕大多數農作物已收割，此時的土壤微生物呼吸雖然下降，但NPP下降情況也較為明顯，導致碳匯同步下降，低于平均值；12月—次年2月(冬季)氣溫處于一年中的最低值區，植被枯萎較多，固碳能力最低，碳匯處于最低值區；3月后氣溫逐步回升、降水量有所增加，植被開始萌芽，植被的固碳能力開始增強，碳匯開始增加，但是依舊低于平均值。2000—2022年江西省植被碳匯年平均值基本呈現波動增加的變化趨勢(圖4b)，增速為13.4 g C/(m2·10 a)，年平均值為538.8 g C/m2，最小值為411.2 g C/m2(2022年)，距平-127.6 g C/m2，最大值為614.8 g C/m2(2018年)，距平76.0 g C/m2，NEP的總體變化趨勢與NPP的變化趨勢基本一致。

圖4 2000—2022年江西省凈生態系統生產力的月度變化(a)和年度變化(b)

2.2.2 植被碳匯空間分布特征 由圖5可知，2000—2022年江西省碳匯的時空分布差異較為明顯，江西省東、西、南三面省境邊陲附近植被碳匯普遍較高，該區域植被碳匯的年際變化也最小，最為穩定，這是因為此區域多為高大的山脈，植被覆蓋率高，植被生長迅速；鄱陽湖和城區附近的植被碳匯普遍偏低，部分區域表現為碳源，這是因為湖區附近主要為濱湖濕地植物群落，植被的季節性較強，城區附近則是因為植被較少以及城市化進程的不斷推進，該區域植被碳匯的年際變化最大，最不穩定；其余區域植被碳匯的年際變化居中，相對穩定，這是因為該區域處于丘陵、河谷和盆地，植被覆蓋率居中。鞏杰等［15］研究表明地形和植被類型對NEP有明顯影響，本文發現江西省植被碳匯分布情況和地形、植被密切相關，表明地形和植被是影響植被碳匯的重要因素。2000—2004年江西省植被碳匯平均值為529.1 g C/m2，2005—2009年為518.5 g C/m2，2010—2014年為544.4 g C/m2，2015—2019年為570.2 g C/m2，2020—2022年為527.1 g C/m2；2020 —2022年處于0～300 g C/m2區間的碳匯區域較往年有所增加，而300 g C/m2以上的碳匯區域則明顯減少，這可能與2022年的持續性高溫干旱有關，高溫干旱不利于植被的生長發育，使得其光合能力也有所下降，從而導致2022年江西省的植被碳匯顯著偏低。

由2000—2022年江西省各地市凈生態系統生產力的月度變化情況(表1)可以發現，各地市的植被碳匯基本在6—8月升至高值，于1—2、12月降至低值，其中南昌市在1月表現為碳源；贛州市的NEP在1—3、7—8、11—12月均高于其他地市，景德鎮市的NEP在4—6、9—10月均高于其他地市；綜合各地市1—12月NEP合計值可知，贛州市的最高(616.7 g C/m2)，景德鎮市的次之(588.4 g C/m2)，南昌市的最低(299.5 g C/m2)。

表1 2000—2022年江西省各地市凈生態系統生產力的月度變化 g C/m2

2.2.3 基于閾值分類的植被碳匯特征NEP是區域上碳平衡估算的重要指標，常常作為碳匯大小的度量指標。本文在前人的研究［28,32］基礎上，結合江西省的實際情況對NEP進行重新分類，具體標準為：碳源，NEP＜0 g C/m2；低碳匯區，0 g C/m2≤NEP＜300 g C/m2；中碳匯區，300 g C/m2≤NEP＜600 g C/m2；高碳匯區，NEP≥600 g C/m2。根據該分類標準得到基于閾值分類的江西省NEP空間分布圖。由圖6可知，江西省的碳匯空間分布特征和地形、植被密切相關，高碳匯區處于省境邊陲附近，中、低碳匯區處于丘陵、河谷、濕地和盆地，碳源區相對較少，基本處于鄱陽湖和城區附近。

圖6 江西省土地利用類型和NEP的空間分布

江西省南部的贛州市植被碳匯在各地市中最高(表1)，其高碳匯區也相對最多(圖6b)。因此，本文以贛州市為例，分析其植被類型在江西省的占比情況。由表2可知，2000—2022年贛州市不同植被類型在江西省的占比中以常綠闊葉林(65.6%)為最高，常綠針葉林(62.1%)次之。

表2 贛州市不同植被類型的占比情況

2000—2022年江西省常綠針葉林、常綠闊葉林、落葉針葉林、落葉闊葉林、矮樹灌叢、混交林、草地、農田的碳匯特征分別為567.3、598.4、251.9、560.9、570.4、604.9、507.3、432.6 g C/m2，其中混交林和常綠闊葉林的碳匯要明顯高于其他植被類型。贛州市的常綠闊葉林在江西省的占比最高，這進一步佐證了贛州市碳匯高于江西省的其他地市。

2.3 植被碳匯對氣候變化的響應情況

2000—2022年江西省高溫日數（日最高氣溫≥35 ℃日數）［33］和重旱以上日數［34-37］基本呈現波動上升的趨勢（圖7），兩者的上升速率分別為7.6、6.8 d/10 a。高溫日數的年平均值為39.3 d，最小值為20.6 d（2015年），距平-18.7 d，最大值為61.4 d（2022年），距平22.1 d；重旱以上日數年平均值為43.5 d，最小值為6.8 d（2012年），距平-36.7 d，最大值為100.7 d（2019年），距平57.2 d；2003年的高溫日數和重旱以上日數分別為49.8、87.6 d，分別居于2000年后的第三、第四高位。2003年夏季江西省出現了歷史罕見的大范圍高溫干旱，于2019年出現了3季(夏、秋、冬)特大連旱，于2022年則出現了持續性的高溫天氣，綜合強度前所未有，導致了罕見的氣象干旱。2003、2019和2022年的碳匯排位分別為歷史第二低位、第三低位和第一低位（圖4b）。這說明異常的天氣氣候條件不利于植被的生長發育，造成植物的光合能力減弱，從而導致了碳匯的顯著下降。

圖7 2000—2022年江西省高溫日數(a)和重旱以上日數(b)的變化

以5年作為一個時間段，對2000—2022江西省的氣溫、降水及植被碳匯的變化情況進行分析。由表3可知，2000—2004、2005—2009年江西省的氣溫和降水均低于歷年平均值，植被碳匯也同樣低于歷年平均值，這說明“冷干型”氣候背景不利于植被碳匯；2010—2014年江西省的氣溫低于歷年平均值，降水量則高于歷年平均值，植被碳匯略高于歷年平均值，這說明“冷濕型”氣候背景略微有利于植被碳匯；2020—2022年江西省的氣溫高于歷年平均值，降水量低于歷年平均值，植被碳匯低于歷年平均值，這說明“暖干型”氣候背景也不有利于植被碳匯；2015—2019年江西省的氣溫和降水量均高于歷年平均值，植被碳匯也明顯高于歷年平均值，說明“暖濕型”氣候背景最有利于植被碳匯。

表3 NEP對降水、氣溫變化的分時段響應情況

為進一步研究植被碳匯對氣候變化的響應，對江西省2000—2022年的植被碳匯和氣溫、降水量分別進行相關分析、偏相關分析。結果顯示：植被碳匯與氣溫、降水量均為極顯著相關(P＜0.01)，相關系數分別為0.82、0.41，這可解釋“暖濕型”的氣候背景是江西省植被碳匯呈上升趨勢的原因之一。植被碳匯和降水、氣溫的偏相關性系數分別為0.79、0.25，也均達到極顯著相關(P＜0.01)，這說明江西省植被碳匯受降水量和氣溫的協同影響。植被碳匯和降水量的相關系數、偏相關系數均小于其與氣溫的，說明降水量對江西省植被碳匯的影響要小于氣溫產生的影響。

2.4 估算結果的可靠性分析

NPP的估算結果精度評價一直是NPP遙感估算的難題和最具爭議的環節，其估算模型精度的評價一般與實測數據或其他模型估算的結果或遙感數據產品進行對比［2,38］。由于NPP的實測數據獲取較為困難，且MODIS NPP產品已在全球碳循環研究中得到廣泛應用［27］，故本文采用基于MODIS數據的月合成全球歸一化植被指數(NDVI)產品。NEP的估算結果存在很大的不確定性，主要是由于NPP和RH估算的不確定性導致。NPP估算的不確定性可以通過提高數據精度、模型的參數調整以及實測值驗證等方法進一步改善，而RH的估算是一個極其復雜的過程，本文使用數據是按照生長季節土壤呼吸量外推的方法來獲取的年度數據，可能存在一定的誤差［39］，從而使得NEP的估算結果存在一定的不確定性。劉春雨等［20,40］通過實測數據分別對NPP和RH進行了結果驗證，間接證實了NEP估算結果的可靠性。基于此，將本文的NPP和RH估算結果與已有研究成果進行驗證對比。由表4可知，本文估算的NPP和RH值在已有研究成果的范圍之內，因此認為本文通過NPP和RH間接估算的NEP值具有一定的可靠性，可以作為江西省植被碳匯計算的基本數據。

表4 NPP、RH估算結果與已有研究成果的對比

3 結論

本文通過衛星遙感資料和地面氣象觀測資料對江西省NPP和植被碳匯的時空分布進行了研究，并分析了植被碳匯對氣候變化的響應情況，得出如下結論：

（1）2000—2022年江西省1—12月的NPP和植被碳匯月度平均值具有明顯的規律性變化，呈現出先增加后減少的變化趨勢，只是受土壤呼吸作用影響，兩者最大值出現時間不一致。NPP和RH年平均值均呈現出波動增加的趨勢，兩者的增速分別為20.2、6.9 g C/(m2·10 a)，其中NPP的增速大于RH，這也表明植被碳匯呈現出上升的趨勢。植被碳匯的增速為13.4 g C/(m2·10 a)，最小值為411.2 g C/m2(2022年)，最大值為614.8 g C/m2(2018年)，植被碳匯的總體變化趨勢與NPP大體一致。

（2）江西省的東、西、南三面山脈區域的植被碳匯較大，中部濱湖區域植被碳匯較小，植被碳匯的分布情況與地形、植被密切相關，這表明地形和植被是影響植被碳匯的重要因素。高碳匯區處于省境邊陲附近，中、低碳匯區處于丘陵、河谷、濕地和盆地，碳源區相對較少的區域基本處于鄱陽湖和城區附近。贛州市植被碳匯在各地市中最高，其高碳匯區域也相對最多。

（3）江西省植被碳匯受降水量和氣溫的協同影響，但降水量對植被碳匯的影響小于氣溫。2000—2004年和2005—2009年的“冷干型”、2020—2022年的“暖干型”等氣候背景均不利于植被碳匯，2010—2014年的“冷濕型”氣候背景略微有利于植被碳匯，2015—2019年的“暖濕型”氣候背景最有利于植被碳匯。