1982—2020年安徽省凈生態系統生產力時空格局變化及其成因

華朗欽,張方敏,*,翁升恒,2,盧燕宇

1 南京信息工程大學應用氣象學院氣象災害預報預警與評估協同創新中心/江蘇省農業氣象重點實驗室,南京 210044 2 福建省氣象科學研究所,福州 350007 3 安徽省氣象局氣象科學研究所大氣科學與衛星遙感安徽省重點實驗室,合肥 230031

研究表明,目前大氣CO2濃度較工業化之前升高了約50%[1]。不斷增加的大氣CO2濃度改變了全球碳循環模式[2],可能加劇了氣候變暖[3]。陸地生態系統與大氣之間的碳交換是全球碳循環的重要過程,是大氣CO2重要的匯[4],也是預估未來氣候變化的不確定性來源之一[5]。凈生態系統生產力(NEP)為凈初級生產力(NPP)減去異養呼吸(Rh),是定量描述陸地生態系統碳循環的重要指標,NEP>0表明陸地生態系統為碳匯,反之為碳源[6]。因此,準確評估區域NEP的變化特征及對氣候環境的響應有助于明確區域陸地生態系統碳收支狀況,對深入理解區域碳循環變化機制有重要指導意義。

陸地生態系統NEP受到氣候變化、大氣CO2濃度與植被結構等因素影響[7],表現出較強的年際變化[8],在局地區域尺度上,NEP變化規律及主導因子并不一致。在我國不同區域開展的NEP時空變化及歸因研究結果具有明顯的區域差異。比如,李潔等[9]結合CEVSA(Carbon Exchange between Vegetation, Soil and Atmosphere)模型研究認為東北地區NEP沒有顯著變化趨勢并且主要影響因素是降水量,劉春雨[10]基于CASA(Carnegie-Ames-Stanford Approach)模型針對甘肅省的研究發現NEP呈下降趨勢的主導因素亦為降水量,但是劉鳳等[11]基于CASA模型發現青藏高原NEP總體呈上升趨勢,而氣溫對NEP的抑制作用且影響范圍大于降水量;龐瑞等[12]利用CEVSA模型研究發現西南高山地區的NEP的主要因素也是氣溫,且為負貢獻,導致NEP有顯著下降趨勢。綜上所述,我國不同區域NEP的變化規律不同,主導因子也不一致,且研究大多集中于氣溫與降水量對NEP的相關分析,對我國東部不同區域NEP變化及驅動因子有待深入研究。

安徽省是我國東部重要的農業基地和重點林區,省內植被覆蓋度高,生態區位極為重要[13],是研究我國東部植被生態系統響應氣候與環境變化的典型區域。目前,已有學者研究了安徽省生態系統NPP的時空變化[14],分析了安徽省壽縣農田NEP的時間變化[15],然而,安徽省生態系統NEP時空格局及驅動因子尚不明確。在全球尺度上,Chen等[7]指出CO2和氮沉降分別對全球NEP變化貢獻47.0%和1.1%,葉面積指數(LAI)和氣候分別貢獻12.4%和-28.6%。另外,Tian等[16]認為我國東南部出現氮飽和導致其驅動的碳吸收持平的現象。因此,本文基于BEPS模型模擬結果,分析安徽省NEP的時空格局變化,并在前人研究基礎上,分析NEP對氣候因子、植被因子和大氣CO2濃度的時空敏感性,借助通徑分析和貢獻率方法研究安徽省NEP時空變化歸因,以期進一步加強對安徽省區域碳循環影響機制的科學認知。

1 資料與方法

1.1 研究區概況

安徽省(29°23′—34°39′N,114°52′—119°38′E)地處我國長江中下游華東地區,長江三角洲腹地,屬于暖溫帶半濕潤區和亞熱帶濕潤季風區。1982—2020年間,年平均氣溫為15.8℃,年總降水量為1252.4 mm。安徽省以平原、丘陵為主,生態環境良好。39年來,土地利用類型發生改變的面積占全省面積的2.57%。據2010年土地利用資料統計(圖1),農田為安徽省主要土地利用類型,占57.46%,其次為森林,占22.74%,主要分布在安徽省南部,草地占5.94%,水域、建設用地及未利用土地等占13.86%。

圖1 2010年的安徽省土地利用類型分布圖Fig.1 Land use map of 2010 in Anhui Province

1.2 資料

本文使用的氣象資料來源于中國國家氣候中心(http://data.cma.cn)提供的中國地面氣候資料日值數據集,包括1982—2020年全國2420個氣象站的平均氣溫(Air Temperature,Ta)、最高氣溫、最低氣溫、相對濕度、日照時數、降水量(Pre)等數據,太陽總輻射(Rad)由日照時數計算得出[17],飽和水汽壓差(VPD)作為綜合反映大氣溫濕狀態的氣候參數,由Ta與相對濕度計算得出[18]。在完成異常值剔除和缺測值線性插補的基礎上,利用克里金插值方法[19]得到空間分辨率為1 km的柵格數據。1982—2020年的LAI資料來源于中國科學院地理科學與資源研究所的1 km分辨率的 GLOBMAP LAI V3產品,時間分辨率為8 d[20],產品已經得到了很好的驗證。土地利用類型數據來源于中國科學院地理科學與資源研究所資源環境科學與數據中心(http://www.resdc.cn),將地表類型分為耕地、森林、草地、水域、建設用地和未利用地6種類型,在本研究中不考慮水域、建設用地與未利用地,空間分辨率為1 km,并使用1980年、1990年、1995年、2000年、2010年、2015年的土地利用類型作為模型輸入的土地利用類型數據。以上插值后的空間數據,借助ArcGIS工具進一步裁剪出安徽省的柵格數據用于本研究的計算分析。1982—2020年的大氣CO2濃度資料來源于夏威夷Mauna Loa全球本底站觀測數據(https://www.ncei.noaa.gov)。為方便表述,本文分別將研究時段1982—1990年、1991—2000年、2001—2010年與2011—2020年依次表述為1980s、1990s、2000s與2010s。

1.3 NEP計算

BEPS(Boreal Ecosystem Productivity Simulator)模型是在FOREST-BGC(Forest Biogeochemical Cycles)模型基礎上發展的基于過程的生物地球化學模型[21]。BEPS應用兩葉模型將冠層分為陽葉和陰葉[22],并利用空間與時間的升尺度方案將瞬時的Farquhar光合模型轉換為日尺度上的冠層光合模擬,進一步融合CENTURY模型的土壤生物化學模塊,實現對陸地生態系統NEP的模擬[23]。BEPS模型在中國區域的碳循環研究中已有廣泛的應用基礎[24—26],具體計算過程詳見Chen等[27]和Ju等[28]。本研究采用BEPS模型計算1982—2020年的1 km NEP,并借助ArcGIS工具裁剪出安徽省的1 km NEP柵格數據用于本研究的結果分析。

1.4 統計方法

1.4.1重心模型

通過分析要素的重心變化,可以突顯出區域內要素的變化趨勢與空間特征[29],公式如下:

(1)

(2)

式中,Gx、Gy分別為某一柵格數據重心的經向、緯向坐標;n、m為柵格數據的行、列數;Latij、Lonij分別為第i行、第j列格點的中心緯度、經度;NEPij為柵格數據第i行、第j列格點上NEP的值。

1.4.2通徑分析

1.4.3敏感性系數與相對貢獻率

敏感性系數可以較好地反映因子對某個要素變化的響應程度[32]。本文選取敏感性系數作為衡量各個因子對NEP影響程度的指標,計算方法如下:

(3)

式中,fi代表第i個因子;Sfi為NEP對該因子fi的敏感性系數;Pfi為該因子對NEP的偏導數,Norfi為該因子的歸一化參數。敏感性系數的絕對值越大,表明NEP對該因子的變化越敏感。敏感性系數為正,表明該因子的變化會導致NEP往相同趨勢變化;敏感性系數為負,表明該因子的變化會導致NEP往相反趨勢變化。

各個因子的相對貢獻率由該因子的相對變化率(Rfi)與敏感性系數(Sfi)計算得出[33]:

(4)

(5)

式中,Cfi為該因子對NEP的相對貢獻率;Rfi為該因子在研究時段內的相對變化率;n為因子個數,本文取6;R2為決定系數;year為研究時長,本文取39;CRfi為該因子多年變化率;Meanfi為該因子研究時段內的平均值。

將因子對NEP的偏導數與某年因子距平相乘,即可計算出該因子貢獻的NEP理論變化:

(6)

式中,DNEP表示NEP理論變化;Dfi表示該因子貢獻的NEP理論變化。

2 結果分析

2.1 模型驗證

與實測數據對比是驗證模型的重要方式[34],本文選取已發表文獻中不同地區的實測數據來進行模擬結果的驗證,這些站點均分布于安徽省內或周邊地區。根據不同地區實測數據的研究時段與植被類型,提取出相同地區相同時段的BEPS模型模擬結果進行對比,結果如表1所示。BEPS模型模擬結果與實測數據相近,平均誤差為7.65%,可認為BEPS模型適用于模擬安徽省及周邊區域生態系統的NEP。

表1 BEPS模擬的NEP和其他來源的NEP的對比Table 1 Comparison of BEPS-modeled NEP with NEP from other sources

2.2 環境植被因子變化特征

如圖2所示,各環境植被因子在1982—2020年間表現出了不同的變化趨勢。其中,Ta、VPD、LAI與CO2總體呈現顯著的增加趨勢(P<0.01),線性趨勢變化率分別為0.04 °C/a、0.002 kPa/a、0.01 m2m-2a-1與1.87×10-6/a。Rad呈現顯著的減少趨勢(P<0.01),線性趨勢變化率為-0.14 W m-2a-1。Pre變化趨勢不顯著(P>0.05),線性趨勢變化率為1.27 mm/a。由相對變化率可知,LAI的變化最劇烈,相對變化率為24.28%,Pre的變化最緩慢,相對變化率為3.94%。其余因子的相對變化率排序依次為CO2(19.53%),VPD(19.11%),Ta(8.72%)和Rad(-4.28%)。

圖2 1982—2020年安徽省環境植被因子的變化趨勢Fig.2 Interannual variation of environment and vegetation factors in Anhui Province from 1982 to 2020Ta:氣溫 Air temperature;Pre:降水 Precipitation;Rad:太陽總輻射 Radiation;VPD:飽和水汽壓差 Vapor pressure deficit;LAI:葉面積指數 Leaf area index;CO2:二氧化碳 Carbon dioxide

2.3 NEP時空格局

2.3.1NEP時間變化特征

如圖3可知,1982—2020年安徽省總體表現為碳匯,多年年均NEP為651.14 gC/m2,最小值出現在2000年(603.29 gC/m2),最大值出現在2015年(712.73 gC/m2)。研究期間雖然2000年左右NEP出現小幅下降趨勢,但是總體表現為顯著的增強趨勢(P<0.01),39年間的線性趨勢變化率為1.10 gC m-2a-1。

圖3 1982—2020年安徽省凈生態系統生產力(NEP)年際變化 Fig.3 Interannual variation of NEP in Anhui Province from 1982 to 2020

2.3.2NEP空間變化特征

1982—2020年安徽省多年年均NEP的空間分布如圖4左部所示,整體呈現“南北部較高、中部較低”的分布格局。NEP小于600 gC/m2的低值區主要分布安徽中東部地區,包括合肥市北部、馬鞍山市、滁州市南部、宣城市北部和銅陵市西部。NEP為600—800 gC/m2的面積占62.98%,為安徽省NEP主要分布區間,集中分布在安徽省北部和西部。NEP大于800 gC/m2的高值區占13.16%,集中分布在安徽省南部的黃山市、池州市與宣城市南部。

圖4 1982—2020年安徽省年均NEP及變化趨勢的空間分布Fig.4 Spatial distribution of average annual NEP and change trend in Anhui Province from 1982 to 2020*表示通過0.05顯著性水平

圖4右部給出了1982—2020年安徽省NEP的空間變化趨勢。由圖可知,NEP無顯著變化(P>0.05)的區域占40.12%,主要分布在安徽省西部與南部。NEP顯著減少(P<0.05)的區域占7.11%,平均線性趨勢變化率為-1.44 gC m-2a-1,主要位于安徽省西部與東南部。NEP顯著增加(P<0.05)的區域占52.77%,平均線性趨勢變化率為2.12 gC m-2a-1,主要位于安徽省北部、中部與東南部。

2.3.3安徽省各地級市NEP格局

圖5反映了1982—2020年安徽省各地級市的NEP情況。整體而言,安徽省各地級市的NEP有增強趨勢,但絕大部分地級市NEP都呈現“增減增”趨勢,即在1980s至1990s有較小的增加趨勢,隨后出現下降趨勢并在2000s以后又開始呈增加趨勢。各地級市的多年均NEP最高為黃山市(874.14 gC/m2),最低為馬鞍山市(547.49 gC/m2),而各地級市的NEP年均總量最高為六安市(7.56 TgC),最低為銅陵市(1.17 TgC)。

圖5 安徽省各地級市的NEP大小及變化趨勢Fig.5 Magnitudes and change trends of NEP in all cities of Anhui Province

2.3.4NEP重心分析

1982—2020年安徽省NEP重心移動的年際動態變化如圖6。NEP緯度重心有顯著的增加趨勢(P<0.01),即安徽省NEP重心有向北轉移的趨勢,線性趨勢變化率約0.0012°/a。NEP經度重心的減小趨勢不顯著(P>0.05),且相比于前2000年前,在2000年以后,經向重心波動較大。整體看來,安徽省顯著北移的NEP重心變化與圖4右部中NEP變化趨勢一致。

圖6 1982—2020年安徽省NEP重心經緯度的年際變化Fig.6 Interannual variation of longitude and latitude of NEP barycenter in Anhui Province from 1982 to 2020

2.4 NEP變化的歸因分析

2.4.1敏感性分析

安徽省NEP對各環境植被因子的敏感性不盡相同,且在研究時段內表現出了不同的變化趨勢(圖7)?？梢钥闯?安徽省NEP對CO2的敏感性系數的絕對值最大(0.41),其次分別為Ta(-0.40)、Rad(0.33)、LAI(0.32)和VPD(-0.21),NEP對Pre的敏感性系數絕對值最小(-0.014),即NEP對CO2的變化響應最為敏感,對Pre的變化響應最不敏感。

圖7 1982—2020年安徽省NEP對影響因子的敏感性系數的時間變化趨勢Fig.7 Time trends of the sensitivity coefficients of NEP to influencing factors in Anhui Province from 1982 to 2020

從敏感性系數的變化趨勢可知,NEP對LAI與CO2的敏感性呈顯著增強趨勢(P<0.01),對Rad的敏感性呈顯著減弱趨勢(P<0.01),對VPD的敏感性呈顯著的減小趨勢(P<0.05),對Ta和Pre的敏感性線性變化趨勢不顯著(P>0.05),且對Ta的敏感性系數呈現“V”型變化。整體而言,安徽省NEP對LAI、CO2的正響應愈發敏感,對VPD變化的負響應也愈發敏感,對Rad變化的正敏感性降低,對Ta和Pre敏感性的變化不顯著。

圖8給出了安徽省NEP對各環境植被因子的敏感性系數變化趨勢空間分布。NEP對Ta的敏感性顯著增強的區域占12.30%(P<0.05),主要位于蚌埠市和黃山市,而顯著減弱的地區占32.06%(P<0.05),主要位于阜陽市、六安市、蕪湖市和宣城市。NEP對Pre和Rad和VPD的敏感性在大部分地區均表現為減小趨勢,其中對Pre僅在1.61%的地區表現為顯著減小(P<0.05),主要分布在六安市、安慶市和宣城市,對Rad在65.19%的地區表現為顯著減小(P<0.05),主要分布在合肥市和馬鞍山市以北的地區以及零散的南部地區,對VPD在48.76%的地區表現為顯著減小(P<0.05),主要位于安徽省西北部、中部、東南部和西南部。NEP對LAI的敏感性在72.70%的地區表現為顯著增強(P<0.05),主要分布在安徽省中部、北部和東南部,減弱的地區主要分布在南部,但大部分未通過顯著性檢驗(P>0.05)。NEP對CO2的敏感性顯著增強的地區占52.35%,主要位于安徽省西北部及東南部,顯著減弱的地區占30.06%,主要分布在中西部(P<0.05)。

圖8 1982—2020年安徽省NEP對影響因子的敏感性的空間變化分布Fig.8 Spatial changes of the sensitivity coefficients of NEP to influencing factors in Anhui Province from 1982 to 2020

2.4.2通徑分析

以NEP為因變量,以各環境植被因子(Ta、Pre、Rad、VPD、LAI、CO2)為自變量進行通徑分析。首先在進行逐步回歸的過程中剔除了Pre,說明Pre對安徽省NEP的影響可以忽略,結果如表2和圖9。直接通徑系數絕對值排序依次為LAI >CO2> VPD >Ta>Rad,表明LAI對NEP的直接影響最大。間接通徑系數之和的絕對值排序依次為VPD >Rad >Ta>LAI >CO2,其中LAI通過CO2路徑產生的正效應和通過Ta、Rad與VPD路徑的負效應相互補償,導致LAI對NEP的間接影響較小,CO2間接通徑系數較小亦是如此。VPD對NEP的直接影響和間接影響強度相當且作用方向相反,綜合補償導致VPD對NEP的相關系數較小;而Ta與Rad的間接影響強于直接影響,且對NEP的間接影響均主要通過LAI與CO2路徑。

表2 安徽省NEP影響因子的通徑分析表Table 2 Path analysis statistics of influencing factors of NEP in Anhui Province

圖9 安徽省NEP變化通徑分析圖Fig.9 Path analysis of NEP changes in Anhui Province因子間的箭頭表示因子的相關系數,因子與NEP的箭頭表示直接通徑系數;ε表示剩余因子

通徑分析的剩余因子(ε)為0.45,計算得R2為0.79,說明所選的環境植被因子可以綜合解釋79%的NEP變化。NEP和各因子的相關系數絕對值排序依次為LAI >CO2> Rad >Ta>VPD,決策系數絕對值排序依次為LAI >CO2> VPD >Rad >Ta,其中Ta、Rad與VPD的決策系數均較小且為負數,相關系數未通過0.05顯著性檢驗,表明這些因子對NEP的變化的綜合影響能力較小,而LAI和CO2的決策系數大于0.47,且相關系數均通過0.01顯著性檢驗,說明LAI和CO2為NEP變化的決定因子。

2.4.3貢獻分析

各環境植被因子對NEP的相對貢獻率計算結果如表3。根據R2可得,各環境植被因子綜合解釋了NEP占比79%的變化,與通徑分析結果一致。結合圖2和圖7可知,LAI與CO2的顯著增加(P<0.01)對NEP的增長呈正貢獻,而Ta和VPD的顯著增加(P<0.01)與Rad的顯著減小(P<0.01)對NEP的增長呈負貢獻。盡管NEP對Ta與Rad的敏感性高于LAI(圖7),但Ta與Rad的相對變化率僅為8.27%與-4.28%,低于LAI(24.28%)與CO2(19.53%),導致其相對貢獻率低于LAI與CO2的相對貢獻率。由此可知,LAI與CO2的增加對NEP變化的貢獻最大,相對貢獻率均為25.23%,是NEP變化的主導因子,和通徑分析結果一致。

表3 影響因子對安徽省NEP變化的貢獻率Table 3 Contribution rate of influencing factors to NEP change in Anhui Province

圖10左部給出了環境植被因子的綜合決定系數(R2)空間分布。安徽省大部分地區的R2均大于0.6,面積占79.09%,其他20.91%的區域R2小于0.6,主要位于安徽省西北部、中部及南部,其中R2小于0.45的區域占3.76%。由此可知,環境植被因子能夠較好的解釋安徽省大部分地區的NEP空間變化。圖10右部給出了安徽省NEP空間變化的主導因子分布圖。其中,5.81%地區的NEP由氣候因子主導,分布較破碎,并且大部分由Ta主導。LAI和CO2分別主導49.65%和44.54%地區NEP的變化,其中LAI為主導因子的地區主要分布在安徽省北部、中西部的大部分地區,CO2為主導因子的地區主要分布在安徽省西北部與東南部的大部分地區。

圖10 NEP的決定系數(R2)及主導因子的空間分布圖Fig.10 Spatial distribution of determinant coefficient (R2) and dominant factor of NEP in Anhui Province

為了進一步研究環境植被因子變化對安徽省NEP的影響,本文選取了NEP最低年(2000年)與最高年(2015年)作為典型年份,將當年各環境植被因子與多年平均值進行對比,并計算當年環境植被因子對NEP變化的貢獻(表4)。結果表明,在NEP為最小值的2000年,除Ta偏高0.3℃外,其他環境植被因子均較多年平均偏低。僅VPD對NEP變化有正向貢獻,其余環境植被因子對NEP均為負向貢獻,尤其LAI偏低0.24,導致了NEP的大幅度減少。在NEP為最大值的2015年,Pre、LAI與CO2較多年平均偏高,Ta和Rad偏低。Pre與Rad對NEP變化有負向貢獻,但遠小于其他因子對NEP變化的正向貢獻,特別是NEP對LAI、CO2與VPD變化的強烈正向響應使得2015年安徽省NEP取到最大值。

表4 典型年份的影響因子及NEP的變化統計Table 4 Statistics of changes of influencing factors and NEP in typical years

3 討論

NEP受到諸多因子包括氣候因子、植被結構、土壤條件和土地利用等影響,表現出較大的分異[40—41]。以往針對區域NEP的研究多關注氣候因子的變化(如Ta、Pre等)[9—12],本文將植被因子與CO2濃度變化一并考慮,得出LAI與CO2為影響安徽省NEP的主導因子,這和Chen等[7]的全球研究結論一致。快速增長的LAI(圖2)表明植被可以進行光合作用的部分增多,能夠更加充分的接收和利用物質與能量,有利于生態系統的碳吸收。CO2對NEP的影響主要表現為CO2的施肥效應,其濃度增加既能加快羧化反應速率來促進光合作用[42],也能提高植被的水分利用效率[43],對植被的碳吸收有很強的促進作用[44]。但值得關注的是,隨著CO2濃度的不斷上升,這種促進作用可能會逐漸變小[45]。

另一方面,與其他區域如東北[9]和西北[10]相比,安徽省NEP與Pre無顯著相關關系(P>0.05),因為安徽省處于亞熱帶濕潤區,研究期間年均降水量基本超過900 mm,水分條件足夠,因此,NEP對Pre的變化不敏感。有研究指出,當土壤水分充分供應時植被會出現由VPD驅動的氣孔關閉[46],氣孔導度的下降會阻礙CO2進入葉片,顯著降低光合作用,限制系統的碳吸收[47]。本研究發現NEP對VPD的敏感性遠大于對Pre的敏感性,且VPD是對安徽省NEP變化貢獻最大的氣候因子,與Konings等[48]對美國草地研究的結論一致。這表明,作為綜合反映大氣溫濕狀態的VPD,在濕潤半濕潤地區對生態系統NEP的影響可能大于降水的影響,其作用在未來研究中值得加強關注。

安徽省北部土地利用類型基本均為農田,根據安徽省統計年鑒[49],安徽省農田產量從4324 kg/hm2(1998年)增加至5926 kg/hm2(2020年),間接說明農田植被狀況趨向更好。Chen等[41]指出,相比于其他土地利用類型,農田碳交換往往與植被因子更為密切相關。同時,本研究發現安徽省的LAI在西部和北部的大多數區域表現為顯著增加趨勢(P<0.05),在東南部小區域為顯著減少趨勢(P<0.05)(圖11),這和NEP對LAI敏感性的變化趨勢(圖8)在空間上高度一致,這種敏感性變化與因子變化較為一致的配置,對安徽省西部和北部NEP的增加十分有利,導致安徽省北部NEP增長速率大于南部,故此,安徽省NEP重心明顯北移。

圖11 1982—2020年安徽省LAI變化趨勢空間分布圖 Fig.11 Spatial distribution of LAI change trend in Anhui Province from 1982 to 2020

本研究考慮的環境植被因子對NEP變化的綜合解釋能力為79%,表明21%的NEP變化未被解釋,即仍有其他影響安徽省NEP的因子未被考慮。研究表明,人工對農田與森林的經營管理、樹齡、氮沉降等因素也會影響生態系統的NEP變化[50—52],如氮沉降與CO2的協同作用有利于生態系統的碳吸收[53—54],也有學者關注到了物候,尤其是秋季物候對年際NEP變化的影響[55—56]。因此,在今后的研究中可以加以考慮,進一步明確NEP對其他環境因子的響應規律,以提高安徽省碳匯的解釋能力。

4 結論

本文在采用經驗證的BEPS模型模擬結果,分析了安徽省NEP時空變化及NEP對環境植被因子敏感性的時空變化,進一步量化了環境植被因子對NEP時空變化的相對貢獻率,探究了安徽省NEP時空變化的驅動因子,得出以下主要結論:

(1)1982—2020年,安徽省多年年均NEP為651.14 gC/m2,線性趨勢變化率為1.10 gC m-2a-1,總體呈現顯著增加趨勢(P<0.01)。在空間上,NEP表現為“南北部較高,中部較低”的分布,NEP顯著減少(P<0.05)的區域占7.11%,主要位于安徽省西部與東南部。NEP顯著增加(P<0.05)的區域占52.77%,主要位于安徽省北部、中部與東南部。NEP重心有顯著的北移趨勢(P<0.01)。

(2)敏感性分析結果表明,安徽省NEP對CO2的變化最為敏感,其次分別為Ta、Rad、LAI、VPD和Pre。LAI與CO2的增加對安徽省NEP有正向貢獻,Ta與VPD的增加和Rad的減小對安徽省NEP有負向貢獻,Pre無顯著變化且對安徽省NEP的影響較小?？臻g分布上,NEP對氣候因子(Ta、Pre、Rad和VPD)的敏感性總體為減少趨勢為主,NEP對LAI與CO2的敏感性總體以增加趨勢為主。

(3)通徑分析結果表明,LAI與CO2對NEP主要表現為直接影響。其他環境植被因子中Ta與Rad對NEP的間接影響較大,且主要通過LAI與CO2路徑實現,而VPD對NEP的直接與間接影響強度相當且方向相反,相互補償后導致VPD與NEP相關系數較小。

(4)環境植被因子綜合解釋了安徽省NEP 79%的時空變化。其中,LAI與CO2是NEP變化的主導因子,相對貢獻率均為25.23%。其余因子相對貢獻率依次為VPD(-13.07%)、Ta(-10.85%)和Rad(-5.01%)。空間上,LAI和CO2分別主導了面積占比為49.65%和44.54%的NEP變化,其余因子的主導面積占比依次為Ta(4.55%),VPD(0.69%)和Rad(0.57%)。