气候变化和人类活动对中国陆地生态系统总初级生产力的影响厘定研究

王军邦,杨屹涵,左 婵,顾峰雪,何洪林

1 中国科学院地理科学与资源研究所,生态系统网络观测与模拟重点实验室,国家生态科学数据中心,北京 100101 2 长江大学园艺园林学院,荆州 434000 3 中国农业科学院农业环境与可持续发展研究所,北京 100081

陆地生态系统总初级生产力(GPP),是单位时间单位面积绿色植物光合作用固定二氧化碳生成有机物的量,决定了进入陆地生态系统的初始有机物质和能量,是生态系统服务功能的基础[1-3]；GPP也是从大气进入陆地的碳通量,受气候变化影响而又对气候系统产生反馈作用[4],是人类生存和可持续发展的基础[5]。目前,全球碳循环估算仍然存在很大的不确定性,而生态系统初级生产力的影响因素及其机制,特别是人类活动影响,可能是主要不确定性来源之一。

人与环境强烈的相互作用关系,导致气候变化及人类活动对生态系统的影响叠加且更加复杂[6],发展了多种厘定气候变化和人类活动影响的方法,如偏导数分析[7]、多变量分析[8]、主成分分析[9]、残差趋势法[10]、及模型法[11]等。其中,模型法是通过模型模拟实际和潜在生产力,二者之差被认为是人类活动影响所致,进而厘定人类活动贡献[11]。Chen等[11]采用陆地生态系统模型(TEM)模拟仅受气候因素驱动的净初级生产力(NPPP),采用基于卫星遥感的Carnegie-Ames-Stanford(CASA)模型估算现实受气候变化和人类活动影响的NPPA,而人类活动影响的人为NPPH由二者之差得到。Bi等[12]利用CASA模型和Thornthwait Memorial模型估算了中亚干旱地区人类活动对草地生态系统净初级生产力的影响。李辉等[13]和Naeem等[14]也采用相似的方法,分别厘定了内蒙古草地及全国尺度下的植被净初级生产力受人类活动及气候变化的影响。孙维等[15]采用差分法定量分析了2000—2015年青藏高原高寒草地总初级生产力受人类活动的影响。

然而,这些研究通常以不同结构的两个模型分别模拟气候驱动的潜在生产力和现实植被生产力,可能存在模型结构不同导致的系统性不确定性的问题。Liu等[16]利用遥感LAI数据和气象数据以CASA模型分别估算了实际和潜在生产力,定量分析了全国尺度下人类活动对草地NPP变化的影响,解决了不同模型结构导致估算结果存在明显不确定性的问题。而以往这些研究多采用遥感模型或经验统计模型,而较少采用生态系统过程模型,可能存在对光合作用过程及其对气候变化响应模拟不足的问题；另外,多数研究也多侧重于净初级生产(NPP)而较少关注全国尺度总初级生产力(GPP)。

CEVSA(Carbon Exchange between Vegetation,Soil and atmosphere)是基于生理生态学的过程模型,通过水分和氮约束下的光合作用、呼吸作用和干物质分配等主要模块,模拟植物-土壤-大气系统间碳循环为主的生物地球化学循环[17,18]。因此,本研究利用MODIS卫星遥感的叶面积指数(LAI)数据产品,采用强迫法发展了遥感驱动的模型CEVSA-RS,分别模拟仅气候驱动的潜在GPP以及气候数据和遥感数据共同驱动下现实GPP,分析中国陆地生态系统2000—2017年总初级生产力时空格局,并以二者差值量化导致生产力变化的人类活动影响,如滥砍滥伐、过度放牧、城镇化建设、植树造林、退耕还林还草、生态恢复工程等积极或消极性活动。通过本研究,以期为生态保护与建设成效科学评估、生态质量评估及生态系统服务功能研究等提供方法基础,也为科学合理制定生态保护政策提供科学依据。

1 数据来源与处理

1.1 遥感数据

本研究采用中分辨率成像光谱仪(MODIS)卫星遥感的叶面积指数(LAI)C6版本数据产品(MCD15A2H)。该产品由美国国家航空航天局(National Aeronautics and Space Administration,NASA)(https://ladsweb.modaps.eosdis.nasa.gov)提供,是以MODIS的Terra和Aqua传感器数据进行融合而得,数据空间分辨率为500m,时间分辨率为8d。Fang等[19]对2003年至2010年基于卫星遥感的全球5种主要LAI产品采用交叉验证和不确定性分析发现,MODIS产品的绝对和相对均方根误差分别为0.17和11.5%,远小于其他参比产品。本研究首先利用NASA的MODIS重投影工具(MRT)对下载的遥感LAI数据进行拼接和投影转换,并在ArcGIS 10.2软件中进行批量裁剪出全国研究区范围,并进行数据格式转换后,采用TIMESAT3.2软件的S-G滤波方法[20],对数据进行平滑和降噪处理；然后将数据时间序列处理为旬均值和0.1°×0.1°经纬度空间分辨率数据,作为模型输入；同时计算每年的LAI均值,进行后续植被变化趋势等分析。

1.2 气象数据

用于模型输入的气象数据,是基于中国气象科学数据共享服务网络提供的全国气象台站观测值经空间插值的0.1°×0.1°分辨率数据。对台站观测的2000—2017年每日气温,降水量,相对湿度和日照时数,统计为每旬均值,其中降水为旬累加值；然后利用广泛应用的ANUSPLINE气象数据空间插值软件[21],以数字高程数据作为辅助变量,插值得到空间分辨率为0.1°×0.1°经纬度的栅格数据。Wang等[22]研究表明,用ANUSPLINE插值得到的数据分别能解释94%和77%的气温和降水季节和空间变异,体现了较好的数据质量。模型所需云量数据,通过日照时数按以下公式计算而得：

(1)

其中,Clo为云量(%),SSD1为实际日照时数(h)；SSD2为理论日照时数(h),随当地纬度和季节变化。

1.3 植被类型数据

植被类型数据由2010年中国土地覆盖遥感制图(ChinaCover2010)数据生成。ChinaCover2010是基于国产环境卫星(HJ-1)遥感数据,辅以中国植被图(1∶100万)、2000和2005年土地利用图及ASTER DEM生成的坡度和坡向数据等制作生成,空间分辨率为250m[23]。ChinaCover2010数据分类系统的一级类与IPCC系统保持了一致,共6类,二级类采用了由FAO的LCCS生成的具有全球统一代码的38个类型[24]。吴炳方等[23]采用随机抽样方法获取的样点进行的独立的产品精度评估表明,全国平均一级类型分类精度为94%、二级类型分类为86%。本研究对原始数据中的二级类型进行重新合并,得到IGBP分类体系的植被类型,并在ArcGIS中采用邻近值法进行空间重采样为0.1°×0.1°经纬度空间分辨率,用于模型输入。植被类型包括常绿针叶林(ENF)、常绿阔叶林(EBF)、落叶阔叶林(DBF)、落叶针叶林(DNF)、混交林(MF)、稀树草地(SG)、郁闭灌丛(CS)、稀疏灌丛(OS)、草地(GR)、农田(包括水田和旱田)、有林地和裸地等(Other)。

1.4 土壤数据

土壤数据来源于1∶100万中国土壤图和1995年全国第二次土壤普查数据,由中国科学院南京土壤研究所和中国科学院地理研究所资源与环境信息系统国家重点实验室制作。该数据使用中国土壤质地分类系统,对 1∶100万土壤类型图的每一个一级类别所覆盖的土壤剖面点计算粒级百分比的平均值,作为此土壤类型的粒级构成[25]。对包括土壤容重、土壤质地、土壤有机质、土壤氮等数据,经邻近值法重采样处理得到与气候数据的空间分辨率相匹配的0.1°×0.1°经纬网格数据,用于模型输入[26]。

1.5 模型验证数据

模型验证数据来自中国陆地生态系统通量观测研究网络(ChinaFLUX)提供的8个基于涡度相关技术的碳通量观测共享数据[27]。8个站点详情见表1,包括4个森林点(CBS、QYZ、DHS、XSBN)、3个草地点(HBSHRUB、NMG、DXGRS)和1个农田点(YC),如图1所示,代表了中国陆地生态系统的主要植被类型[28]。共享通量数据包括净生态系统碳交换量(Net Ecosystem Exchange,NEE)、生态系统呼吸(Ecosystem Respiration,RE)、及每天的GPP[29]；对观测数据按旬计算平均值,与模型模拟时间步长匹配。为验证和评价CEVSA-RS模型模拟结果的可靠性,研究利用2003—2005年的通量塔观测数据,分别与模型输出的GPPCL、GPPRS进行对比,选取长白山、内蒙古和禹城站点分别代表森林、草地、农田三大主要生态系统进行验证[30]。根据验证站点的经纬度信息提取站点GPP模拟结果和遥感LAI数据,采用线性相关分析进行模型验证。

表1 本文中用于CEVSA-RS模型验证的中国陆地生态系统通量观测研究网络(ChinaFLUX)共享通量观测站点信息Table 1 The description of ChinaFLUX sites used for the CEVSA-RS model validation in this study

图1 中国植被类型、气候分区、气象台站及碳通量观测点空间分布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 模型发展及GPP计算

CEVSA模型主要包括三个子模块：生物物理子模块、植物生理生长子模块和土壤碳氮转化子模块[31-33]。其中光合速率由生物化学过程和气孔传导两因子以连续迭代解非线性方程组方法确定,使的相等。由生物化学过程决定的光合作用速率(Ab)为：

Ab=Min{Wc,Wj,Wp}(1-0.5Po/τPc)-Rd

(2)

式中，Wc为受光合酶限制的羧化速率,Wj为受电子传输速率限制的羧化速率,Wp为受磷酸盐限制的羧化速率,Po为叶肉组织中的氧气分压,Pc为叶片组织中的二氧化碳分压,τ是温度的函数,Rd是呼吸速率。由气孔传导决定的光合速率(Ad)为：

Ad=gs(Pa-Pc)/160

(3)

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

(4)

其中,gs为植物叶片的气孔导度,Pa为叶片表面的二氧化碳分压,Pc为细胞内的二氧化碳分压,g0是在光补偿点下光合速率为零时的气孔导度,g1为灵敏度参数,A为待求的实际光合速率,Rh为叶片周围空气相对湿度,Tk为绝对温度,kg(ws)为气孔传导度对土壤含水量ws的反应函数。

在植被冠层尺度,CEVSA模型把植被冠层划分为与叶面积指数相等的层次并对其所接受的光合有效辐射,气孔导度和光合速率分别进行计算：

(5)

(6)

其中,LAI为植被叶面积指数,Ai为第i层叶片的光合速率,canACL为整个冠层的光合速率,GPPCL为仅气候驱动下的日光合总量,时间t1和t2之间即为白天进行光合作用的时间。植被碳分配、积累和周转：

AI=CL+CS+CR

(7)

CL=LAI/S

(8)

其中,AI为植被冠层的光合速率,CL、CS、CR分别代表向叶、茎、根分配量,S为比叶面积,根据植被类型的不同而不同。

CEVSA2模型在CEVSA基础上对氮素吸收速率和对光合作用和呼吸作用的控制、氮对碳分配的控制、土壤碳氮比和土壤全氮含量等进行了改进[33]。尽管CEVSA2具有较强机理基础,但难以准确描述同一植被类型内部的空间异质性；而卫星遥感提供了这一可能性。本研究以强迫法构建了遥感数据驱动的生态系统过程模型CEVSA-RS。在模拟和估算过程中,设置是否采用遥感数据计算GPP的控制开关。当设置为逻辑关时,模型按原结构运行,输出由气候驱动下的生态系统潜在GPP(GPPCL)；当设置为逻辑开时,模型以输入的遥感数据计算,即以遥感的叶面积指数替换式(5)中的叶面积指数(LAI),以此输出由气候数据和遥感数据共同驱动下的生态系统现实GPP(GPPRS)。以现实GPP(GPPRS)与潜在GPP(GPPCL)之差,表示为人类活动导致的GPP(GPPHA)：

GPPHA=GPPRS-GPPCL

(9)

2.2 人类活动贡献率

在不考虑变化趋势斜率KCL=0情况下,人类活动因素对GPP变化的贡献,可表示为现实与潜在GPP趋势之差与气候潜在GPP变化趋势的百分比：

K=(KRS-KCL)/KCL×100

(10)

当K的绝对值大于100表示人类活动的影响主导了该地区GPP的变化趋势；绝对值小于100表示气候变化的影响主导了该地区GPP的变化趋势；0表示无人类活动影响。

2.3 相关分析

为进一步明确气温和降水对GPP的影响,根据长期的平均气温、降水和湿度等,采用气候分区,即青藏高原高寒区、亚热带-热带季风区、温带季风区以及温带大陆区四个气候分区[34],进行分区统计,如图1,分析四个气候区的GPP分别与各区的年降水、年均气温间相关性。

3 结果与分析

3.1 模型验证

遥感驱动的GPPRS和仅以气候驱动的GPPCL季节变化均与通量塔观测值间存在显著线性相关,如图2所示。根据线性回归的复相关系数,GPPRS较GPPC对不同植被类型的季节变化具有更高的解释能力,GPPRS(GPPCL)能够解释草地、森林、农田通量观测季节变化的58%(62%)、94%(92%)和72%(57%)。较之GPPCL,GPPRS更能反映观测值的季节变化,具有更好的一致性,并且与遥感的LAI间也具有更好的一致性,说明新发展的CEVSA-RS模型具有较高的可靠性；遥感的LAI与观测的GPP季节性具有较为显著的线性一致性,说明遥感LAI数据作为输入数据提高了模拟GPP的可靠性。

图2 内蒙古、长白山和禹城模拟 GPP 值与 ChinaFLUX 观测数据对比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:气候和遥感共同驱动的现实总初级生产力;GPPCL:气侯驱动下的总初级生产力

3.2 多年平均GPP的空间格局

2000—2017年全国GPPCL平均值为1016.36 gC m-2a-1,最大值为3093.67 gC m-2a-1,总量为7.21 PgC/a,如图3所示。呈南高北低、东高西低的空间分布特征,高值主要分布在南部沿海大陆以及海南岛、四川东部以及华中农田植被分布区域；而在西北一带,除准噶尔盆地周边和西藏东南边陲有少数森林,其余均为草地、草甸、灌丛类植被,整体低于平均值。全国GPPRS平均值为962.85 gC m-2a-1,最大值为4253.75 gC m-2a-1,全国总量为6.83 PgC/a。GPPRS的空间特征与GPPCL较为一致,但在华南一带GPPRS高值分布范围更大。人类活动主导的GPP(GPPHA)如图3所示,可见人类活动促进生产力区域主要分布在长江以南大部、秦岭、太行山脉以东以及大兴安岭以东和长白山地区,多属于森林类植被类型,而负面影响的区域主要分布在新疆、青海、西藏、内蒙古大部以及华北平原南部、松嫩平原和三江平原,多集中在草类、灌木类以及农田。

图3 2000—2017年全国多年平均气候驱动总初级生产力(GPPCL)、气候和遥感共同驱动的现实总初级生产力(GPPRS)和人类活动主导的总初级生产力(GPPHA)影响的空间分布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年际变化趋势空间格局

2000—2017年中国大部分地区GPP呈增加趋势,其中GPPCL呈增加趋势的区域占陆地面积的61%,减少地区占33%；而GPPRS呈增加区域占总面积的64%,减少地区仅占20%。如图4所示。气候主导的潜在GPPCL在华北平原中部地区、长白山南部、内蒙古高原东部及东南部、四川盆地以西、西藏中部和南部呈降低趋势,其中青海省东部和南部地区为上升趋势,而西中部地区为降低趋势,这与Chen等[11,36]研究中对2001—2011年青海省净初级生产力的结论相似。现实GPPRS变化特征表现为整个华南地区、华北平原呈现非常显著的上升趋势,长白山北部、东北平原北部、内蒙古高原东部及东南部、西藏北部为降低趋势。由图5可知,GPPCL增速为41.46 gC m-210a-1,GPPRS增速为46.04 gC m-210a-1,人类活动的影响下的GPPRS比GPPCL的增速更高,应该是人类对生态系统的促进作用愈加明显；整体变化趋势为正,说明生态建设和保护工程使得全国固碳量增加,这与中国和印度对全球植被趋好贡献显著的结论相符[36]。

图4 2000—2017年GPPCL和GPPRS的年际变化趋势(其中内嵌图为变化趋势的显著性水平)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

图5 2000—2017年全国植被覆盖区平均GPPCL、GPPRS和LAI的年际变化及其线性变化趋势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 各气候区GPP变化及影响因素

全国四个气候区GPP和气候因子的年际变化如图6所示。青藏高原高寒区暖湿化明显,受气候变化和人类活动影响GPP的增加趋势不显著(P>0.05)。亚热带-热带季风区,气侯变暖变湿显著(P<0.05),GPPCL增速为46.0 gC m-210a-1,而GPPRS为196.1 gC m-210a-1,在水热条件良好地区,退耕还林、植树造林等人类活动显著增强了陆地生态系统生产力。温带季风区气温变化不显著(P=0.33),降水存在增加趋势(P=0.06)；GPPCL的年际增长趋势(86.6 gC m-210a-1)远高于GPPRS的增速(32.9 gC m-210a-1),虽然均随降水增加而增加,但人类活动对该区域GPP产生负面影响,可能抑制了生态系统生产力的增加。温带大陆区GPPCL年际变化趋势不显著,而GPPRS每十年显著减少40.1 gC/m2；在气候因素未能促进生态系统生产力增加的同时,人类活动却使GPPRS呈降低趋势,该地区畜牧业等人类活动产生了负面影响,使脆弱生态系统生产力降低。

3.5 人类活动对总初级生产力的影响

以现实与潜在GPP年际变化趋势之差(ΔK)表示人类活动对GPP年际变化趋势的影响,如图7。其中内蒙古东部、东北平原北部、青藏高原西部,人类活动抑制GPP的增加；在华北平原、华南以及四川省东部地区,人类活动促进GPP的增加。四个气候区内森林、草地和农田的ΔK均值显示,人类活动对全国的森林均表现为正面影响；草地除亚热带热带季风区外,均表现为负面影响；青藏高原高寒区和亚热带-热带季风区的农田为正影响,温带季风和温带大陆区农田为负影响。热带-亚热带气候区水热充足且同步,森林现实GPP增速高于气候潜在GPP的增速,可能与该区域植被多为幼龄林和中龄林有关[37]。

图7 以现实与潜在GPP年际变化趋势之差(ΔK)表示的人类活动对GPP年际变化趋势的影响的空间分布图及各气候区森林、草地和农田ΔK的均值统计图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)

根据式9计算的人类活动贡献率如图8所示。人类活动占主导的区域面积达53%,其中小兴安岭、长白山脉、大兴安岭北部、太行山脉、华南大部分地区,K值大于100%,人类活动明显促进GPP增速；而在华北平原中部、青海省南部和东部边陲,人类活动平衡了因气候不利导致的GPP的下降趋势；青海省西部由潜在上升趋势转变为下降趋势,在其南部和东部下降显著。分别统计四个气候区森林、草地和农田的K(%)均值,其绝对值均在100以内,这说明在0.05的显著性水平,三种植被类型的GPP趋势变化均为气候所主导。

图8 人类活动的贡献率(K)空间分布变化图及各气候区农、林、草的人类活动贡献率(K)统计图Fig.8 Spatial distribution change of contribution rate of human activities and regional statistics of contribution rate of human activities

4 讨论与结论

4.1 讨论

陆地生态系统生产力的影响因子多且复杂,导致对GPP的形成机制认识不足。然而不同的方法、模型结构、不同数据源、时空分辨率等均会导致GPP估算的不确定性,而使陆地生态系统GPP一直成为国内外研究热点。如表2所示,不同研究给出的全国GPP在5.00—9.76 PgC/a之间,而本研究中估算的GPPCL为7.21 PgC/a、GPPRS为6.83 PgC/a,与多数研究结果接近。为评估模型的不确定性,本研究与MODIS最新GPP遥感产品(MYD17A2H)进行了对比,发现MYD17A2H可以解释内蒙古、长白山和禹城观测GPP季节变化的59%、82%和72%,；本研究GPPRS(GPPCL)相对应的复相关系数分别为58%(62%)、94%(92%)、72%(57%),与遥感产品表现出了较好的一致性,表明CEVSA-RS模型具有较好的可靠性。

表2 不同模型估计的中国年均GPPTable 2 Estimation of GPP in different terrestrial models over china

尽管本研究以同一模型以不同驱动数据进行模拟,实现了使用同一模型框架厘定气候变化和人类活动影响的目的,解决了由模型架构不同可能导致的系统不确定性,使得模拟的GPPCL、GPPRS相关性更好,从而GPPHA的估算值精确性也更高。但遥感开关的设定本身,使得模型架构仍然略有不同,因此CEVSA-RS的遥感数据输入开、关并不能完全消除结构不确定性。所以模型的不确定性仍然是陆地生态系统碳循环研究的挑战,未来需要进一步改进GPP模型和方法,增加观测站点,提高准确性并减少陆地生态系统GPP估计的不确定性。

厘定气候变化和人类活动影响,一直是生态学长期关注的科学问题之一。而人类活动存在积极和消极的类型区别,不同类型人类活动在不同地域表现出的影响也具有差异性,不同植被类型的差异性影响也具有相对转移的动态趋势。从植被类型角度分析不同气候区人类活动影响不同原因,有利于采取具有针对性的有效措施,促进植被生产力的增强或恢复。在森林植被类型方面,本研究认为由于我国政策的大力实施,促进了森林植被的恢复及保护,有效制止了滥砍滥伐等严重破坏林地的现象,林地的GPP呈显著增加的趋势,因此人类活动对全国各地区的森林植被类型表现为积极促进影响。自1999年国家实施退耕还林和天然林保护项目以来,大面积、大规模植树造林等工程的实施使林地面积迅速增加,天然林的相关保护管理力度加大,生态建设等人类活动促进了森林生态系统的恢复与扩展。第八次全国森林资源连续清查(2009—2013年),与第二次清查相比,我国人工林保存面积增长了2.13倍,人工林蓄积增长了约5倍,主要集中在广西、广东、湖南、四川、云南、福建等地[56],与本研究森林植被类型在亚热带-热带季风区GPP增长速率最快的结果相一致。

草地生产力的变化,既有研究认为是气温和降水为主的气候变化导致了草地退化[57],也有研究认为是过度放牧、滥采滥挖等人类活动使草地发生退化[58]。陈槐等[59]研究发现2000—2013年人类活动是影响青藏高原草地的主导因子,相对贡献率均值高达84.6%,相比1990—1999年人类活动主导生产力减少的面积由1.9%增加到28.5%；李辉等[13]研究发现1999—2015年人类活动对内蒙古草地退化的贡献率为87.8%；秦景秀等[60]认为人类活动是影响新疆植被恢复和退化的主要原因；赵鹏等[61]研究发现由放牧等人类活动导致新疆草地生态系统NPP减少的面积占比由1982—2000年的1.78%上升到2000—2015年的15.22%。本研究认为青藏高寒区、温带大陆区和温带季风区的草地生态系统生产力的变化,主要归因于人类活动。由于放牧强度的增加,地上生物量显著降低,草地退化严重,覆盖度降低,进而导致生产力降低；尽管国家对草地牧区实施了相关“京津风沙源治理”、“退牧还草”、“天然草地保护”等生态保护和建设工程,出台了草地生态保护补偿奖励政策[62],但不少地区仍处于超载过牧状态,可能导致更严重的草地退化[63]。亚热带-热带季风区致力于开发草山草坡地区天然草地和农闲田,重点推广天然草山草坡改良、混播牧草地建植、高效人工种草、闲田种草和草田轮作等技术模式[64],荒山闲田的有效利用以及一系列种植技术的改进促进了草地、农田植被的生产力变化。由此说明我国华北、西北、青藏高原等地仍需坚持实施草地生态保护工程以及退牧还草、禁牧等措施,减少脆弱地区的人类活动干预,而华南等地应保持现代化畜牧业可持续绿色发展模式前提下加大荒山闲田的开发利用。

我国耕地的空间格局明显改变,影响了农田生态系统的生产力变化趋势。王轶虹等[65]研究认为2001—2010年中国农田生态系统NPP受人类活动影响较大；闫慧敏等[66]通过对比1990—2000年与2000—2005两个时间段的耕地变化数据,发现城市化及退耕还林还草等土地利用变化导致耕地生产力减弱；秦元伟等[67]研究发现2000—2005年包括“退耕还林”计划(GFGP)和“退耕还湖”计划(RCTL)的生态恢复计划(ERP)造成的农业生产力损失为132.67×104t/a,2005—2008年因GFGP造成的农业生产力损失约占70%,生产力损失主要集中分布在北方干旱和半干旱区域,与本研究结果一致。一系列的退耕还林还草计划措施减弱了农田植被类型生产力,尤其是在温带大陆及温带季风区,而青藏高原等地农牧区大力发展农业,人为活动整体上对农田植被类型生产力呈现积极正面影响。

4.2 结论

本文以CEVSA模型为基础,通过强迫法实现了遥感LAI为基础的生产力模拟,发展了CEVSA-RS模型,通过遥感数据输入开关控制,实现了仅气候驱动下的潜在GPP和气候遥感共同驱动下现实GPP的模拟。在2000—2017年间,中国陆地植被 GPPCL总量为7.21 PgC/a,平均值为1016.36 gC m-2a-1,GPPRS总量为6.83 PgC/a,平均值为962.85 gC m-2a-1,即中国陆地生态系统至少还有0.38 PgC/a的生产潜力；中国陆地生态系统GPPRS增速(46.04 gC m-210a-1)大于GPPCL增速(41.46 gC m-210a-1),说明在研究期间人类活动促进了中国陆地生态系统的生产力增加趋势,生态建设与保护效果凸显。从全国范围来看,人类活动的影响占比大于气候影响的区域可达总体的53%。植树造林、天然林保护等人类活动普遍增加了全国范围内的森林生态系统的生产力,放牧等活动的影响降低了除亚热带热带季风区外的草地生产力,退耕还林还草等措施导致温带季风区和温带大陆区农田面积减少,生产力下降,但四个气候区内的三种植被类型的GPP趋势变化均为气候所主导。通过本研究所发展的同一模型框架气候和现实生产力的模拟,为定量厘定人类活动和气候变化影响提供了方法基础；本文的结论为进一步实施生态建设与保护工程提供科学决策依据,同时也将促进生态学方法和理论的发展。