亞洲半干旱區碳水通量時空格局及驅動因素

孫 紅,方國飛,阮琳琳,李斯楠,張 麗

1 國家林業和草原局森林和草原病蟲害防治總站(國家林草局林草防治總站), 沈陽 110034 2 林草有害生物監測預警國家林業和草原局重點實驗室, 沈陽 110034 3 中國科學院空天信息創新研究院 數字地球重點實驗室, 北京 100094 4 中國科學院大學 資源與環境學院, 北京 100094 5.中鐵第五勘察設計院集團有限公司, 北京 102600

碳循環與水循環之間具有極強的耦合性[1],是陸地生態系統物質循環與能量交換的重要過程[2]。碳水循環對區域水資源管理、生態系統調節及可持續發展具有重要指導價值,尤其是在生態系統脆弱[3]、水資源短缺的半干旱區[4]。人類活動與氣候變化使得碳水循環格局發生改變[5],不同尺度的碳水通量時空變化及其驅動因素受到廣泛關注[6]。而半干旱生態系統是全球碳匯年際和趨勢變化的主導驅動因素與異常來源[7—8],其植被生產力受表層土壤濕度控制的影響也更為明顯[9]。因此,研究半干旱區陸地生態系統碳水通量時空變化格局及其對氣候因子的響應對區域資源管理與可持續發展、全球氣候變化等領域具有重要意義。

植被總初級生產力(Gross Primary Productivity, GPP)、蒸散發(Evapotranspiration,ET)和水分利用效率(Water use efficiency, WUE)是研究陸地生態系統碳循環[10]、水循環[11]以及碳水循環耦合程度的常用指標[12]。其中,宏觀尺度的WUE通常定義為GPP和ET的比值,表示生態系統耗費每單位質量水所固定的碳量或生產的干物質[13]。WUE是了解生態系統生產力對外部環境響應的關鍵變量,其對溫度、降水和輻射的響應都存在臨界值[14],并且受土壤濕度控制[15],對LAI呈現積極響應[16]。目前全球通量觀測網絡可以獲取高精度長時間序列的GPP、ET和WUE數據[17],但區域尺度擴展困難,尤其半干旱地區觀測站點分布較為稀疏。基于站點通量觀測數據,可以通過模型模擬或是模型-觀測數據同化方法獲取大尺度長時間序列的碳水通量數據。模型模擬方法考慮了生態系統機理過程,但結果依賴于輸入參數以及輸入數據,具有較大不確定性。而模型-觀測數據同化方法可以基于觀測數據控制模型估算結果,降低模型的不確定性,已被廣泛應用于陸地碳水循環研究中[18—20]。

亞洲半干旱區是全球半干旱區中近30年來碳水通量變化幅度最大的區域[21],生態系統敏感,并且受氣候環境變化與人類活動影響較大[22]。該區域內的中亞及其它地區存在土壤荒漠化、鹽堿化和生態多樣性下降等環境問題[23—24]。多種因素使得亞洲半干旱區碳水通量時空變化幅度較大,不確定性較高。目前針對亞洲半干旱區碳水通量時空動態變化及驅動因素的研究主要集中于中亞[25]等局部地區。張建財等[26]應用LPJ模型(Lund-Potsdam-Jena Dynamic Global Vegetation Model)模擬了1982至2012年中亞地區的NPP和ET,模擬結果表明兩者呈波動上升趨勢并且具有相似的空間分布,低值分布區主要位于荒漠及哈薩克中部草地,高值分布區位于林地、草林地混合區及耕地。郝海超等[27]基于MODIS數據產品,分析了中亞地區2000至2018年GPP、ET和WUE的時空變化趨勢,發現在研究時段年序列上,GPP與ET都具有略微增加的趨勢,而WUE卻呈現小幅度下降。中亞地區WUE顯著上升區域少于顯著下降區域,對氣候因子的敏感性具有明顯的空間差異。鄒杰等分析中亞地區WUE對干旱的響應后發現[28],WUE在干旱發生時一般為負面響應,結束后為正面響應,具有滯后效應。Zhou等發現在中亞地區人類社會制度與經濟變化對植被的負面影響主要是因為土地廢棄和水資源短缺[29],而作物類型改變、放牧的減少和水資源的增加會對植被有正面影響,中亞地區氣候變化對植被有顯著影響并且有地區差異[30]。Han等發現在1979至2011年間,放牧降低了中亞地區的WUE[31]。

目前針對整個亞洲半干旱區的研究較少,缺乏對該地區的碳匯能力、蒸散以及水分利用效率的時空格局分析以及不同因子影響下碳水循環變化的系統性研究。因此,本研究以亞洲半干旱區為研究區,采用LPJ-VSJA(LPJ-Vegetation and soil moisture Joint Assimilation)聯合同化產品[32]分析亞洲半干旱地區2010—2018年生態系統植被碳水通量時空格局及其驅動機制,研究結果可為亞洲半干旱區制定植被和水資源管理策略、實現可持續發展提供參考。

1 材料與方法

1.1 研究區概況

亞洲半干旱區包括中亞,中國內蒙古草原,俄羅斯南部以及印度被大部分農田覆蓋的半干旱區。研究區深入大陸遠離海洋,位于10°—130°E和0°—60°N之間,縱跨寒帶、溫帶和熱帶,主要受西風氣候的影響。其東南部有高原山區,大部分是草原,沙漠的平原地區,以季風氣候為主。研究區中部主要集中在從里海往東到中國內蒙古中部。該地區受周邊青藏-帕米爾高原和天山山系對太平洋、印度洋暖濕氣流的阻擋,氣候類型為典型的溫帶大陸性氣候,冬季寒冷,夏季炎熱干燥,氣溫日變化和季節變化都較大,在中亞的北緯40°地帶夏季光照強烈,與熱帶地區相當,較低的空氣濕度和高溫導致了大量的水分蒸發。其年降水的空間分布由東、西兩邊向亞洲半干旱區中部逐漸減少,東部降水主要集中在夏季,受季風控制；西部降水主要集中在冬季,受西風控制。

灌木、草原、農田等地廣泛分布于亞洲半干旱地區(圖1)。草原是主要的土地覆蓋類型,其中哈薩克斯坦草原面積達196km2,占領土面積的72%。耕地其次,主要集中在俄羅斯西南部和印度的大部分地區。研究區內人類活動頻繁(墾荒、放牧、灌溉等),部分地區的生態環境明顯退化。近幾十年印度與中國地區的植樹造林使得綠度大面積增加[33],對研究區水分利用效率變化有著明顯的影響[34]。

圖1 研究區概況圖Fig.1 Study Area土地覆蓋數據來源于MODIS MCD12Q1數據產品,圖中亞洲邊界內覆蓋區域為研究區

1.2 數據

1.2.1GPP、ET和WUE數據

2010—2018年的GPP、ET、WUE的數據來源于Li等在2020年的研發的LPJ-VSJA(LPJ-Vegetation and soil moisture Joint Assimilation)聯合同化產品[32]。該產品是通過將GLASS(Global Land Surface Satellite) LAI產品與SMOS(Soil Moisture and Ocean Salinity)和SMAP(Soil Moisture Active and Passive)土壤濕度數據在LPJ-PM(LPJ-DGVM(Lund-Potsdam-Jena Dynamic Global Vegetation Model)動態植被模型與PT-JPLSM(the updated Priestley Taylor-Jet Propulsion Laboratory)蒸散模型進行耦合)耦合模型中進行聯合同化生成,時間分辨率為每日,空間分辨率為0.25°緯度×0.25°經度。該同化產品經過站點以及空間產品的驗證,被證明在全球大尺度區域可以較為準確的模擬時間序列的碳水通量,尤其是在受水分限制的地區具有較高的精度(R=0.75, RMSD=0.72 mm/d)[32],因此可以對氣候變化下的碳水循環趨勢進行預測與空間分析。

1.2.2自然因素數據

本文選取了溫度、降水、光合有效輻射(Photosynthetically Active Radiation, PAR)、土壤濕度、葉面積指數(Leaf Area Index,LAI)這五個因子,利用相關分析來探討氣象因子和植被、土壤參量對該區域植被WUE的影響作用。為統一數據集的空間尺度,采用雙線性插值方法將其重采樣到0.25°,與LPJ-VSJA聯合同化產品具有一致的空間分辨率。

氣象及PAR數據來源于The Modern Era Retrospective-analysis for Research and Applications version 2 (MERRA- 2)全球高分辨率再分析日尺度氣候數據,包括降水,溫度,PAR,云量等(https://www.esrl.noaa.gov/psd/)。該數據集由NASA全球建模與數據同化辦公室(NASA′s global modeling and assimilation office, GMAO)生產與更新,空間分辨率為0.5°緯度×0.667°經度。第二版與第一版MERRA產品相比,不僅通過輻射以及同化偏差校正使降水以及不同垂直水平的大氣相關數據得到了較大的改善[35],還利用NASA對于氣溶膠與溫度的觀測與其他物理過程進行交互式分析,更好的表示大氣循環過程。多項研究對其進行了質量評估與不確定性分析,并證明了其可靠性[36—39]。

土壤水分和海洋鹽度(Soil Moisture and Ocean Salinity,SMOS)衛星于2010年由歐洲航天局發射,與土壤水分主被動衛星(Soil Moisture Active and Passive,SMAP)類似,SMOS使用的輻射計儀器在L波段工作[40]。與具有恒定的觀測入射角的SMAP衛星相比,SMOS測量的是一個觀測入射角范圍內的亮度溫度。該角度信息可用于上方土壤和植被信號的分離。SMOS-L2 SSM數據可以從歐空局數據網站中獲取(https://earth.esa.int/eogateway/missions/smos/data)。

葉面積指數(LAI)來源于全球陸表特征參量產品(GLASS)LAI產品。GLASS LAI產品是通過結合地面觀測和MODIS、CYCLOPES LAI信息,再利用MODIS反射率對融合的LAI使用廣義回歸神經網絡法(General Regression Neural Networks, GRNNs)進行訓練生成,經過驗證該方法可以提高長時間序列的LAI的反演精度[41—42]。該產品已廣泛應用于全球和區域地表LAI產品的生產,以及植被覆蓋的動態監測,可為全球植被生態監測和變化規律等提供科學數據支持[42—43]。本文使用的數據時間范圍為2010—2018年,空間分辨率為5km,時間分辨率8天,投影方式為正弦投影。

1.2.3生態系統分類數據

本文所使用的生態系統分類數據包括全球植被覆蓋數據和干濕地區分類數據,利用MCD12Q1(The MODIS Land Cover Type Product)的土地覆蓋數據對結果分植被類別進行解釋分析。該產品分辨率為500m,通過高精度訓練樣本進行監督分類生成[44]。文中所指的灌叢類型是由MODIS IGBP(the International Geosphere-Biosphere Programm)分類方案中的郁閉灌叢和稀樹灌叢合并而成,森林植被類型是由混合森林,落葉闊葉林,落葉針葉林,常綠針葉林,常綠闊葉林組成。

區分干旱區與濕潤區的依據為Middleton等[45]對全球干濕區域的分類系統,利用 “干旱指數”劃分不同干濕區域。干旱指數定義為降水和潛在蒸散量的比值。干旱指數在0.2—0.65之間的地區被定義為半干旱地區。

1.3 研究方法

1.3.1時間序列分析方法

本文采用線性回歸及變異系數,探討不同尺度半干旱區生態系統碳水通量變化趨勢和幅度。

① 線性回歸斜率估計采用一元線性方程,對碳水通量進行回歸分析。

y=a+bx+ε

(1)

式中,y為表示植被碳水通量,x表示時間,斜率b為依據線性回歸方程對通量隨時間變化的量化指標,a和ε分別代表截距和誤差。利用最小一乘法(Least Absolute Deviation, LAD)確定回歸模型的相關系數,采用觀測值與擬合值絕對偏差之和最小的標準計算回歸模型參數：

(2)

對于研究空間時間序列圖像和時間序列統計值,本文均采用一元線性回歸擬合趨勢分析。

② 本研究采用變異系數(coefficient of variation,CV)分析區域碳水通量隨時間的波動強度。變異系數(CV),又稱“離散系數”,其定義為時間序列值標準差(SD)與平均值(MN)之比：

(3)

變異系數是一個無量綱量,可以消除多組數據因為單位或者平均數量級不同對變異程度的影響。

1.3.2驅動因子相關分析方法

為研究亞洲半干旱區植被碳水通量對全球變化的響應關系,本文采用復相關分析、偏相關分析研究各驅動要素(如氣象、人文等)與碳水通量之間的相關性,探討不同尺度半干旱區的碳水通量動態變化的主控因子。

(1)復相關分析

通過計算相關系數來反映不同驅動因子(葉面積指數和表層土壤濕度)對GPP,ET和WUE之間的相關性。公式中,yi表示驅動因子在第i年的平均值,xi表示第i年的碳水通量(GPP、NEP、ET、WUE)；Rxy為復相關系數,其數值愈大,變量間的關系愈密切[46—47]。

(4)

采用T檢驗來進行相關性的顯著性檢驗,計算公式如下：

(5)

式中,R表示相關系數,n為年數8年。

(2)偏相關分析

簡單相關無法反映單獨的氣象因子對WUE的影響,因此進一步采取偏相關分析研究WUE對溫度,降水和光合有效輻射(PAR)剔除各自影響后的響應作用[48]。

(6)

rx1y、rx2y、rx1x2分別為WUE與其中一個因子、WUE與其他因子、該因子與其他因子之間的簡單相關關系。rx1y,x2表示去除控制變量x2影響之后,x1變量和其他變量之間的直線相關。

(3) 水分利用效率年際變化(Inter-annual Variability, IAV)貢獻率計算

本研究中的水分利用效率(WUE)由GPP與ET的比值得出,單位為g C/m2H2O。此處年際變化IAV的定義為WUE的距平值,即去除一階線性趨勢后的WUE值[7]。

(7)

j植被類型區域(或每個柵格區域)對研究區全局WUE IAV的貢獻值定義為[7]：

(8)

2 結果與討論

2.1 亞洲半干旱區碳水通量時空格局分析

2.1.1總體時空變化特征

2010—2018年亞洲半干旱區年均GPP、ET、WUE空間分布趨勢總體一致(圖2),三者的高值區(GPP >1300g C m-2a-1,ET>350 mm/a, WUE >2.3g C m-2H2Oa-1)多分布于印度和俄羅斯位于亞洲地區的西南部的農林交錯帶以及中南部的混合林覆蓋區域。低值區(GPP<600 g C m-2a-1,ET<200 mm/a, WUE<1.3 g C Kg-1H2O a-1)大體分布在中亞,蒙古和中國內蒙古草原地帶,其中途徑黃河流域的ET值相對較高(約350 mm/a)。高低值的空間分布一般與氣候和人為因素有關,低值區多為暖干型氣候,其中中亞降水量常年在200 mm以下。蒙古與內蒙古草原地區生態環境脆弱,且草地相比農田與森林來說,對氣候變化更為敏感[49]。除此之外,其人為放牧,草場退化,土壤侵蝕等人為干擾也都導致了較低的碳水通量。整體來說,亞洲半干旱區碳水通量空間分布格局成“雙夾”型,即中高緯度與低緯度地區的碳水通量值大于中緯度區域的分布特點。

圖2 2010—2018年亞洲半干旱植被區年均GPP、ET、WUE空間分布圖Fig.2 Spatial distribution of annual average GPP, ET and WUE in semiarid area of Asia from 2010 to 2018GPP: 總初級生產力Gross primary productivity;ET: 蒸散發 Evapotranspiration;WUE: 和水分利用效率Water use efficiency

圖3為GPP、ET、WUE的時間變化趨勢和其與表層土壤濕度的經緯度分布規律。分別對GPP,ET的空間柵格值進行二次線性插值后重采樣到1°的空間格網中,以1°為分隔單位,來分析亞洲半干旱區的GPP與ET和表層土壤濕度(SMOS產品)年均值的經緯度分布規律。總體來說,ET和GPP的經度帶分布規律與土壤濕度分布規律大體一致,但在某些區域(如70°—85°E帶)變化趨勢出現差別。東部(ET為154.59 mm/a,GPP為681.82 g C m-2a-1)和西部(ET為136.90 mm/a,GPP為592.34 C m-2a-1)碳水通量均值小于中部(70—90°E,ET為201.17 mm/a,GPP為938.28 g C m-2a-1),這是由于中部地區跨緯度較大,且植被類型較豐富。在70°—85°E帶之間,土壤濕度沒有明顯變化,但是GPP與ET波動較大,說明該地區土壤濕度不是其主控因子,而是其他氣候因素(溫度,光照等)控制著GPP和ET的變化。從緯度分布上來說,GPP與ET的分布符合其空間分布格局特點,土壤濕度在中高緯度出現最高值,卻沒有對應GPP和ET的最高值,這是由于中高緯度帶受到低溫的限制。在30°—40°N緯度帶間,GPP和ET與土壤濕度呈現出了相反的變化趨勢,主要涉及到的區域是印度的灌溉農田與灌木區以及阿富汗和巴基斯坦的灌木區。在印度的水田區域,地面及地下水被大量用于灌溉,成熟的集約化耕作制度再加上大量化肥的使用[50—51],使得農作物消耗盡量小的水分來獲得最大的生產力,從而水分利用效率較高,其表層土壤濕度不是最主要的影響因素[52—53]。

圖3 亞洲半干旱植被區GPP、ET、WUE空間平均值年際變化與經緯度分布圖Fig.3 Interannual variation of spatial mean values of GPP, ET and WUE and their longitude and latitude distribution in semiarid area of AsiaSM: 土壤濕度Soil moisture

從統計上來說,GPP表現出顯著的增長趨勢(P<0.05),增速為7.82 g C m-2a-1。而ET和WUE的增長趨勢不顯著,ET在2017年出現最低值,為349.2 mm。WUE在2010年的空間平均值與2018年基本持平,在1.31g C m-2H2O a-1左右。

從變化趨勢空間圖(圖4)中可以看出,GPP和ET在大部分地區都呈現出顯著上升的趨勢,GPP顯著增長面積占所有植被區的19.3%,主要分布在草原土地覆蓋類型和印度河流域的農田區域。顯著下降區域占比為15.3%,主要分布在灌木土地覆蓋類型以及印度中部的農田區域。ET顯著增長的面積占植被區的25.9%,呈現顯著下降的面積占比為7.2%,其空間分布特點與GPP大體相同。WUE變化趨勢的空間分布與均值空間分布相一致,即WUE較低的區域出現顯著下降趨勢(占植被區域的8.3%),較高區域出現顯著增加趨勢(占所有植被區域的14.6%)。其中印度中部的農田區域在GPP和ET的空間變化趨勢圖中顯示出顯著下降的趨勢,而在WUE中表現出顯著增長的趨勢,這說明其ET與GPP相比下降幅度更大。變異系數空間分布則反映了通量的變化強度,可以概括為中亞西部,西亞的灌木區域以及蒙古草原的東部碳水通量變化最為劇烈。結合兩者的分析結果可以說明,變異系數大的區域,如果碳水通量表現出顯著上升或下降趨勢,則是時間序列內的波動性上升或下降；反之,則是持續性的上升或者下降。

圖4 2010—2018年GPP、ET、WUE空間變化趨勢與變異系數空間分布圖Fig.4 Spatial variation trend and coefficient of variation of GPP, ET and WUE from 2010 to 2018

2.1.2不同土地覆蓋類型中植被的碳水通量時空變化特征

亞洲半干旱區土地覆蓋類型主要有森林(8.6%)、灌木(9.4%)、草地(43.8%)、農田(22.5%)。從區域總體以及不同土地覆蓋類型中植被的碳水通量平均值看(圖5),森林與農田的GPP,ET和WUE相對較高,草原的碳水通量最低,且低于總體區域平均值。各類土地覆蓋類型的GPP都呈現增加趨勢,其中草原作為區域的主要土地覆蓋類型,和總體區域的GPP都呈現顯著增加的趨勢(P<0.01)。農田也表現出比較顯著的增長趨勢(P=0.06),其顯著增長面積占比最大,主要分布在印度河流域的水田區域,而印度半島以及德干高原的耕地大部分呈現顯著下降的趨勢。灌木土地覆蓋類型的GPP顯著增長占比(5.9%)與顯著降低占的比例相差不大,甚至顯著降低占的比例略大(6.1%),主要分布在阿富汗和巴基斯坦的高原和山地區域以及印度河平原。在過去,研究區內人類活動頻繁,過度放牧、毀林毀草開荒等行為對區域內生態環境有負面影響[54],加重了植被退化、土地荒漠化等生態問題。但1990年以后亞洲多個國家開始實行植樹造林[55],隨后又推行退耕退牧政策,郭巖等研究發現2000—2017年中亞地區植被退化趨勢改善,人類活動對植被特征有積極影響[56],人為積極的干預可以有效保護甚至是提高植被生態系統生產力。

圖5 研究區與不同植被區域碳水通量變化趨勢及顯著變化面積比統計圖(P<0.05)Fig.5 Change trend of carbon and water fluxes in the study area and different vegetation areas and statistical chart of significant change area ratio (P<0.05)

對比ET不同植被類型的年際變化趨勢和面積占比,發現所有植被類型的總體ET年際變化都不顯著,但是空間上的ET顯著增長面積占比超過20%,顯著降低的面積僅占7.2%。農田在WUE中有著較高的顯著增長面積,其ET顯著增長和降低的區域與GPP相同。與ET的年際變化趨勢相同,近8年WUE所有植被類型的總體年際變化都不顯著,灌木類型呈現下降趨勢。從森林的GPP和ET的變化趨勢可以看出,其ET的顯著下降面積較多,而GPP的顯著增長面積百分比高于ET,因此會影響一部分區域的WUE呈現增長趨勢。總體而言,2010—2018年GPP、ET和WUE的總體年際變化都呈現增長趨勢,并且大部分植被類型的顯著增長面積百分比高于顯著降低的百分比。

2.2 不同土地覆蓋類型中植被對WUE年際變化的貢獻率分析

亞洲半干旱區各個土地覆蓋類型年WUE IAV總體年際變化波動性較大(圖6),呈現出WUE先增加后減少的狀態。各土地覆蓋類型與總體WUE IAV并不具有同樣的趨勢,尤其是灌木類型,8年里6年都與總體年際變化趨勢相反,甚至在2010年與2014年與其他土地覆蓋類型的WUE年際變化趨勢都相反,這也對應了其貢獻率為負值。

從各個土地覆蓋類型對WUE IAV的貢獻分布圖可以看出(圖6),灌木的貢獻率最大,但是為負值。研究區中的灌木主要分布在烏茲別克斯坦東部、伊朗東北部和伊拉克、敘利亞北部附近。2000—2018年間灌木的WUE呈現下降的趨勢,Wei等研究發現2000—2014年間中亞地區灌木受干旱影響會導致WUE的下降[57]。研究區內2003—2015年間中亞地區干旱發生的時間更長、程度更為嚴重[58],而許多灌木可能在長期的干旱中死亡[59]。研究區中的灌木可能在未受到有效保護及管理措施的情況下,相比其他土地覆蓋類型波動較大從而導致其WUE年際變化幅度較大,且為負值。正值中農田的貢獻率最大,為54.6%。森林與草原的貢獻率相差不大,分別占全局的34.1%和40.1%,但森林的面積占比僅為草原的五分之一,這表明森林生態系統對半干旱區水分利用效率具有很大的影響。研究區中的森林要集中分布于俄羅斯與哈薩克斯坦國界處的農林交錯帶以及俄羅斯中部的混合林覆蓋區域,在2001—2015年間大部分地區較為穩定,少部分地區受火災的擾動[60],可能會使得WUE減少,距平值為負。[61]農田在人類管理下受到氣候影響的變化較小,農田灌溉及施肥方式的合理選擇[62],耕作方式的改進[63],農作物品種改良[64]等措施有利于農田水分利用效率的提高。

圖6 2010—2018年研究區不同土地覆蓋類型的WUE IAV和各自對WUE IAV的貢獻率Fig.6 WUE IAV of different landcover types in the study area from 2010 to 2018 and contribution rate of each landcover type to WUE IAV IAV: 年際變化 Inter-annual variability

2.3 亞洲半干旱區WUE年際變化驅動力分析

2010—2018年,亞洲半干旱區WUE年際變化波動程度不大,范圍在1.28—1.34 g C/m2H2O之間。然而不同區域不同植被類型之間WUE的年際變化空間差異顯著。

三個氣象因子(溫度、降水、PAR)與WUE的相關系數空間分布如圖7所示,總體而言,2010—2018年間,研究區WUE對三個氣象因子表現出顯著相關的區域(P<0.05)占植被區域的40%。降水對WUE多為負向影響,主要出現在哈薩克斯坦南部、東南部和內蒙古的草原以及印度河平原的農田區域。這與Zhang等[65]的研究結果相一致,其發現在水分限制地區,降水增加會導致ET高于光合作用,從而使WUE下降,并且在水熱同步的印度河平原耕地,水分不是主要限制因素。因為降雨會使土壤蒸發增大,進而降低WUE。PAR對WUE也主要為負相關,主要集中在哈薩克斯坦的中部草原和印度河平原的農田區域,小部分正相關區域分布于內蒙古草原以及俄羅斯的森林區域。

大部分研究認為WUE隨著PAR的增加而增加,但是達到某一數值后會隨著PAR的增加呈現下降趨勢,且容易受到多種因素的影響(如氣溶膠)[6,66]。WUE對氣候因子的響應會隨著地區不同而變化,出現負面響應可能是由于在長時間強光照射以及干旱條件下,研究區內植被的GPP值不再隨著PAR而增加,但是ET依舊保持增加的趨勢,導致PAR與WUE負相關[67]。溫度對WUE主要為正向影響,多分布在哈薩克斯坦的中部草原,在這個區域中溫度對WUE的影響與PAR對其的影響相反。除了中亞,溫度的負相關區域與降水的負相關區域大體一致。此外,從相關系數的區域統計直方圖中也可以得出相應的結論。

分析三個氣象變量對WUE的綜合影響(圖7,表1)可以發現,降水是亞洲半干旱區WUE最重要的影響因素,這與Zhang等[21]和Liu等[68]的研究結果相同。約有12.4%的植被受到降水的顯著影響,僅降水就影響了5.6%的區域。中亞南部和內蒙古草原中部受降水的影響較大。PAR是影響WUE的第二大氣象因素,約9.3%的植被區域受PAR顯著影響,其中僅PAR單獨影響區域占比為3.5%,PAR是印度耕地區域WUE變化的主導氣象因素。溫度對WUE的影響區域較小,有5.6%的植被區域受溫度的顯著影響,其單獨影響占比僅為1.9%,主要分布在中高緯度植被區域。降水與溫度、降水與PAR、溫度與PAR以及三者的綜合效應分別占亞洲半干旱植被區的1.4%、3.6%、0.4%和1.8%。綜上,降水為亞洲半干旱區WUE的主導氣象因素,降水和PAR共同影響了大部分區域植被的生長狀況,且氣象因子對WUE的影響具有明顯的區域差異性。全球氣候變化所帶來的極端氣候事件(長時間強降雨、干旱等)以及地區降雨特征變化(降雨量、頻率等)可能會使得區域碳水耦合循環機制受到影響[69],水分利用率發生改變。因此,對區域氣候的監測以及對極端氣候事件的采取響應措施對維持水分利用率具有重要意義。

表1 WUE與降水,溫度,輻射通量顯著相關(單獨影響與綜合影響)占總植被區域的面積百分比Table 1 WUE was significantly correlated with precipitation, temperature and radiation flux (single effect and combined effect) as a percentage of total vegetation area

植被參量(LAI)與土壤參量(表層土壤濕度(SSM))對WUE的空間相關性如圖7 所示。從對應的統計直方圖也可以看出,LAI與SSM在大部分區域與WUE呈現顯著正相關,尤其是LAI的顯著正相關區域達到了約37%,負相關區域僅占2.8%。自21世紀以來,在衛星監測下的印度綠化趨勢明顯,僅僅耕地就貢獻了印度LAI變化的82%[33]。SSM主要在中高緯度農田和草原,以及印度河流域的水田區域與WUE為顯著正相關(23%),負相關區域(8.3%)主要分布在森林植被類型中。總體來說,LAI與SSM共同控制著WUE的年際變化。LAI和SSM與生態系統水分利用效率的相關性總體較好,表明利用LAI和土壤濕度可以簡單地預測亞洲半干旱生態系統水分利用效率。

在半干旱區生態系統中,GPP和ET大多是呈現強耦合特征的。因此本文利用偏相關系數探討GPP和ET分別對WUE的影響強度,圖7中分別表示了剔除ET、GPP的影響。從圖7WUE與GPP、ET的偏相關系數空間分布圖中可以看出,GPP和ET與WUE都表現出強烈的相關性。GPP與WUE為正相關,ET與WUE為負相關,相關系數都在0.9以上。而在巴基斯坦的灌叢區域和中亞南部的草原,GPP與WUE的相關性稍弱。該地區也是WUE顯著下降區域,這說明了導致該地區WUE下降的原因更多的在于ET的增加,而不是GPP的下降。利用公式(7)計算得出整個研究區中GPP對WUE的貢獻率為57%,而ET為51%,GPP的變化更多地影響著WUE的變化。因此,可以通過退耕還林、退耕還草等措施增加植被固碳能力和碳儲量,從而提高區域水分利用效率[70]。

圖7 2010—2018年植被WUE對不同氣象,葉面積指數,土壤濕度及GPP和ET的相關性系數及其直方圖分布Fig.7 Correlation coefficient and histogram distribution of vegetation WUE to different Meteorological factors, leaf area index, soil moisture, GPP and ET in 2010—2018WUE-multi 代表WUE 受降水、溫度和 PAR三個因素的綜合影響;LAI: 葉面積指數Leaf area index; PAR: 光合有效輻射Photosynthetically active radiation

3 結論

本研究基于LPJ-VSJA聯合同化產品,結合研究區植被及氣候數據,分析了亞洲半干旱區GPP、ET和WUE的時空變化、年際變化貢獻率以及驅動因素。主要結論如下：

(1)2010—2018年年均GPP、ET、WUE空間格局總體趨于一致,分布特點為中高緯度與低緯度地區的碳水通量值大于中緯度區域。ET和GPP的經度帶分布規律與土壤濕度分布規律大體一致,緯度帶分布規律與空間分布特點一致。

(2)2010—2018年GPP、ET和WUE的總體年際變化都呈現增長趨勢,只有GPP呈現顯著的增長趨勢(P<0.05), 增速為7.82 g C m-2a-1,顯著增長面積占所有植被區的19.3%,顯著下降面積占15.3%。WUE較低的區域出現顯著下降趨勢,較高區域出現顯著增加趨勢。

(3)農田在GPP、ET和WUE中都顯示出較高的顯著增長面積,尤其是在WUE中。WUE的年際變化表現為總體先增加后減少。分土地覆蓋分析,灌木對WUE年際變化的貢獻率為負值,即與年際變化趨勢相反。正值中農田的貢獻率最大,為54.6%。森林生態系統雖然面積較小,但是對半干旱區水分利用效率的影響相對較大。

(4)在驅動力分析中,研究區WUE對三個氣象因子表現出顯著相關的區域(P<0.05)占植被區域的40%。降水為亞洲半干旱區WUE的主導氣象因素,降水和PAR共同影響了大部分區域植被的生長狀況,對WUE多為負向影響；溫度對WUE主要為正向影響。且氣象因子對WUE的影響的區域差異性較明顯。LAI與SSM對WUE主要表現為正相關性,分別占總植被區域的37%和23%。GPP相對于ET對WUE的貢獻更大。

本文基于LPJ-VSJA聯合同化產品探討了亞洲半干旱區碳水通量時空變化及其自然驅動因子。對于生態環境敏感且受水分限制的亞洲半干旱區,降水作為區域WUE的主導氣象因素,地區降雨特征變化以及極端氣候事件可能會對WUE產生影響,因此有必要考慮區域氣候監測和對極端氣候事件的響應機制。同時GPP對WUE變化的貢獻較大,退耕還林、退耕還草等可以增加植被固碳能力和碳儲量的措施有助于提高區域水分利用效率。本文的研究結果有助于理解研究區碳水循環發展狀況與循環機制,可為區域水資源管理、生態系統發展和全球氣候變化應對提供參考。