长江流域森林NPP模拟及其对气候变化的响应

2021-02-02 06:30张凤英张增信田佳西黄日超王益明
关键词:长江流域气温降水

张凤英,张增信,*,田佳西,黄日超,孔 蕊,朱 斌,朱 敏,王益明,陈 喜

(1.南京林业大学生物与环境学院,南方现代林业协同创新中心,江苏 南京 210037;2.河海大学水文水资源学院,水文水资源与水利工程国家重点实验室,江苏 南京 210098;3.天津大学,表层地球系统科学研究院,天津 300072)

净初级生产力(NPP)是植物生长的重要指标之一,代表着植物吸收和转化光合产物的一种能力。NPP的估算不仅为表征植被活动提供了重要的变量,而且也反映了区域和全球碳循环动态以及气候变化的重大影响[1-2]。由于各种环境和生物因素的复杂影响,大规模森林NPP的准确估算一直存在困难[3],且各区域对气候变化的响应存在较大的地域差异。因此,长江流域森林NPP对气候变化的响应仍属未知。

随着卫星遥感技术的发展,高分辨率遥感卫星图像已广泛应用于森林NPP的估算。例如,Erʂahin等[4]利用2000—2010年MODIS(moderate resolution imaging spectroradiometer)的NPP数据及气象数据来评估气候变化对土耳其地区安纳托利亚森林生产力的影响,发现东部马尔马拉过渡区的森林NPP减少最为显著;基于卫星遥感监测驱动的陆地NPP模型,Kimball等[5]揭示了1982—2000年泛北极盆地和阿拉斯加地区NPP增加的10年趋势,约为2.7%;Wang等[6]利用气候数据和遥感数据分析了2000—2010年中国干旱及半干旱区气候变化对NPP的影响,结果表明降水与NPP的正相关程度大于气温的。然而,遥感数据估算的时间尺度比较短,近年来植被模型被广泛用于估算NPP[7]。柯金虎等[2]利用CASA(Carnegie-Ames-Stanford Approach)模型模拟了1982—1999年长江流域植被NPP的时空分布格局,指出长江流域植被NPP总体上呈增加趋势;唐凤德等[8]利用陆地生态系统碳循环模拟模型(Sim-CYCLE,simulation model of carbon cycle in land ecosystems)得出在目前气候条件下,1982—2003年长白山NPP估计数值高于实测值。

全球植被动态模型如LPJ模型(Lund-Potsdam-Jena model)可以揭示不同气候情景下的NPP动态变化,但关于长江流域森林NPP的研究相对较少。为此,本研究利用LPJ模型估算1982—2013年长江流域森林的NPP,并结合气象资料,揭示气候因子对NPP的驱动能力,为探讨长江流域森林NPP与气候因子的关系提供理论参考。

1 材料与方法

1.1 研究区概况及数据来源

长江是中国第一长河,世界第三长河,占中国总流量的35.1%,盆地位于90°33′~122°25′E,24°30′~35°45′N(图1a),发源于青藏高原,自西向东流动。长江干流面积180万km2,约占全国陆地面积的五分之一。长江流域大部分地区受亚热带季风气候影响,年均降水量在西部地区为270~500 mm,东南部地区为1 600~1 900 mm。由于降水和气温条件较好,长江流域森林资源丰富(图1b)。

原图审图号GS(2016)1667图1 研究区地理位置示意和2000年植被分类Fig.1 A location map of the study area and vegetation classification map of 2000

数据来源包括3种:

1)气象数据来源于中国气象数据网(http://data.cma.cn),选取长江流域1982—2013年175个气象站点的月降水和月平均气温数据,通过处理得到175个气象站点的年降水和年均气温数据。

2)长江流域植被图来源于“寒区旱区科学数据中心”(http://westdc.westgis.ac.cn)提供的1∶100万2000年中国植被覆盖图。将长江流域森林植被划分为5种类型:常绿针叶林、落叶阔叶林、常绿阔叶林、混交林和灌丛。

3)NPP数据:LPJ模型估算的1982—2013年长江流域森林NPP数据空间分辨率为0.5°×0.5°;1989—1993年NPP实测数据来源于国家林业和草原局;遥感数据来源于美国NASA网站 (https://e4ftl01.cr.usgs.gov/)的2000年和2010年MODIS数据,空间分辨率为1 km × 1 km。

1.2 NPP估测模型

LPJ模型不仅可以模拟潜在植被分布,估算植被NPP的年际变化[9],而且在陆地碳循环和水文循环建模中也发挥了一定的作用[3,10]。该模型以网格单元为基础,输入土壤质地、月气温、月降水、月云量和大气CO2浓度,输出数据包括植被NPP、生物量、叶面积指数(leaf area index,LAI)及蒸散量等。

在LPJ模型中,NPP(净初级生产力,公式中以NNPP表示)是由GPP(总初级产力,公式中以GGPP表示)减去维持呼吸和生长呼吸后的碳量来计算的,GPP通过耦合光合作用和水分平衡方案来计算[11-12]。公式如下:

NNPP= 0.75 × (GGPP-Rm)。

(1)

式中:GGPP为总初级生产力,Rm为植物维持自身呼吸所需的碳量,0.75为剩余的NPP的比值,其中0.25为生长呼吸系数。

1.3 数据处理

采用线性回归分析方法进行趋势检验,由两个步骤组成,分别以时间为自变量和植被净初级生产力(NPP)为因变量;用t检验以95%置信区间为阈值对显著性进行分类[13]。

利用ArcMap 10.2对气象数据和NPP数据进行空间插值处理,得到栅格图像,采用相关性分析法对各变量之间的关系进行统计分析,研究气温、降水量与森林NPP的相关性,采用相关系数对相关数据集的线性进行评价,采用t检验进行显著性检验[13]。

2 结果与分析

2.1 模型精度验证

对长江流域LPJ模型、CASA模型 (Carnegie-Ames-Stanford Approach)的模拟数据、MODIS数据及实测森林NPP数据进行比较分析,结果表明,LPJ模型模拟的NPP数值在实测范围内。LPJ模型驱动的常绿阔叶林、落叶阔叶林、混交林及常绿针叶林NPP值略低于MODIS而高于CASA模型模拟的NPP。值得关注的是,灌木的NPP远远高于MODIS和CASA模型的NPP,这些差异可能与数据源、研究区域、植被类型及分类精度有关(表1)。

表1 LPJ模型模拟的各类型森林NPP与其他数据的比较

研究发现(图2),LPJ模型模拟的NPP与MODIS遥感图像在2000和2010年空间分布总体上是一致的。然而,各子流域之间存在明显差异。LPJ模拟的NPP值在2000年长江上游呈现较高的值,而在2010年长江下游尤其是鄱阳湖流域呈现较高的值。MODIS遥感图像2000和2010年在长江上游均表现出较高的NPP值(图2)。

图2 2000和2010年长江流域年均NPP的空间分布Fig.2 Spatial distributions of the the annual mean NPP in Yangtze River Basin in 2000 and 2010

2.2 长江流域森林NPP的时空分布

经测算,1982—2013年长江流域森林NPP空间分布总体呈现由东南向西北逐渐减少的趋势(图3a),这说明森林NPP的空间分布与流域内的温度和降水格局一致。1982—2013年,青藏高原山麓和江西省大部分地区的森林NPP相对较高,而长江三角洲、长江中下游和青藏高原的部分地区森林NPP相对较低。这种分布与整个长江流域的植被类型和气候因素等密切相关,青藏高原山麓水热条件较好,森林NPP相对较高。根据计算,森林NPP呈现增长趋势的区域在整个流域中占69%,其中13%的区域呈现显著的增长趋势。此外,长江流域25%的区域保持相对稳定的状态(图3b)。

图3 1982—2013年长江流域森林NPP的时空变化Fig.3 The temporal and spatial variation of the forest NPP in the Yangtze River Basin during 1982—2013

从时间变化来看(图3c),1982—2013年长江流域森林NPP总体呈波动上升的趋势(R=0.45,P<0.01,df=30,F=6.89)。1982—2013年长江流域森林年均NPP为530.41 g/(m2·a),波动范围为491.24~578.55 g/(m2·a)。长江流域森林NPP虽总体上呈现增加趋势,但是1988—1990年、1994—1998年及2000—2007年呈现比较大的波动。1993年的年均森林NPP最接近1982—2013年的年均森林NPP。

2.3 长江流域森林NPP与气候变化的关系

研究发现,1982—2013年长江流域森林NPP与气温、降水之间的相关性存在差异(图4)。结果表明,森林NPP与温度之间存在较强的相关关系(R= 0.43,P<0.01,df=30,F=6.92)。然而,长江流域森林NPP与降水之间的相关性不明显或比较弱(R=-0.04,P>0.05,df=30,F=0.06)。

图4 长江流域年均森林NPP与温度、降水的相关性Fig.4 The correlation between the average annual forest NPP with temperature and precipitation in the Yangtze River Basin

研究发现,1982—2013年长江流域森林NPP与气候因子的相关性空间分布格局具有异质性(图5)。分析表明,长江流域森林NPP对气候变化较为敏感。长江流域80%以上的森林NPP与气温呈正相关。而洞庭湖流域部分区域森林NPP与气温呈负相关(图5a)。森林NPP与降水量呈正相关的区域占总流域的58% (图5b)。在长江流域森林NPP与年均气温、降水量的相关性中,正相关性占主导地位,温度对森林NPP影响的范围比降水的影响范围大,说明温度是影响长江流域森林NPP的主导因子。周德刚等[15]研究了长江上游近50 年来气候和植被覆盖的变化,得出长江上游植被覆盖的变化与气温有较高的相关关系,但与降水量变化的关系不大的结论。

图5 长江流域森林NPP与温度、降水的空间相关性Fig.5 The spatial correlation of the forest NPP with temperature and precipitation in the Yangtze River Basin

2000年之后全球气候发生重大变化,全球气候变暖加速,1982—2013年长江流域年平均气温、降水量和森林NPP的距平值见图6。由图6可以看出,1982—2013年长江流域森林NPP距平值与气温距平值之间存在显著相关。长江流域森林NPP距平值和温度距平值呈上升趋势,但温度和森林NPP的上升速率不同(图6a);长江流域降水距平值在1982—2000年呈上升趋势,2000—2013年呈下降趋势(图6b)。

图6 1982—2013年长江流域年平均气温、降水量和森林NPP距平值Fig.6 Average annual temperature, precipitation and forest the NPP in the Yangtze River Basin during1982—2013

3 讨 论

研究发现,1982—2013年长江流域森林NPP总体呈现出由东南向西北减少的趋势,其空间变化与水热条件分布格局相一致,此结论与苗茜等[16]关于长江植被NPP的空间分布特征的研究结论一致,即1981—2000年长江流域植被NPP的空间分布大致呈现自西向东、自北向南递增的趋势。

气候因素是影响植被的重要因素之一,对森林生产力的时空动态格局和分布起着重要作用。1982—2013年长江流域大部分地区森林NPP与气温和降水呈正相关,气温与森林NPP的相关性比降水与森林NPP的相关性较强,气温对森林NPP的影响范围比降水大,说明气温是影响长江流域森林NPP的主导因素。一些研究结果与本研究结果相似,如Liu等[17]认为2000—2013年广西西北喀斯特地区日照时数和年平均气温与年NPP呈显著正相关,而年降水量与NPP无显著相关。Wang等[18]研究发现,气温变化对NDVI和NPP的影响比中国西南喀斯特地区的降水变化更显著。

然而,其他研究表明,气候变暖下的干旱可能会导致NPP降低,尤其是在高温地区[19],NPP的趋势取决于总初级生产力和自养呼吸的相对变化幅度,气候变暖下的干旱增加了植物的自养呼吸及降低了总初级生产力。Fang等[20]研究表明,2000—2010年新疆地区生长季植被 NPP与降水呈正相关,与气温呈负相关,与本研究结果不同,说明不同植被覆盖区域的NPP对气候因子的敏感性可能有所差异。值得注意的是,本研究虽然评估了温度和降水量对森林NPP的影响,然而未考虑到人为因素,所以在以后的研究中需进一步分析人类活动对NPP的影响。

猜你喜欢
长江流域气温降水
基于FY-3D和FY-4A的气温时空融合
黑龙江省玉米生长季自然降水与有效降水对比分析
深冬气温多变 蔬菜管理要随机应变
走遍长江流域的英国小伙
为什么南极降水很少却有很厚的冰层?
长江流域园区的府际合作研究
降水现象仪模拟软件设计与实现
长江流域径流演变规律研究
与气温成反比的东西
ESSENTIAL NORMS OF PRODUCTS OF WEIGHTED COMPOSITION OPERATORS AND DIFFERENTIATION OPERATORS BETWEEN BANACH SPACES OF ANALYTIC FUNCTIONS∗