基于卫星遥感的西南四省（市）碳汇能力研究

第第)其中为第𝑖个像元在第𝑚个月的碳利用效率；为第𝑖个像元在第𝑚个月的净初级生产力（gC/m²）；为第𝑖个像元在第𝑚个月的总初级生产力（gC/m²）。CUE的取值在0到1之间，越接近于1，表面植被碳汇能力越强。

3.GPP、NPP和NEP的时空变化特征3.1时间变化特征西南四省（市）2000年至2020年，20年间GPP的整体变化趋势均显示较为缓慢的稳定增长，表明植被的光合作用碳汇能力所有提高。GPP在四个省（市）有明显的数值差异，具体表现为云南省GPP最高，其次是贵州省、重庆市和四川省，依次递减。这一趋势不仅在GPP变量上得到体现，其它两个变量NPP和NEP也呈现同样的排序关系。NPP在过去20年总体呈上升趋势，增长趋势不如GPP稳定，波动频繁，在2008年至2015年期间有较大波动，其中贵州省的波动最为显著。四省（市）在后十年的平均值均大于前十年平均值。NEP的变化趋势与NPP的变化趋势紧密相关，在时间序列上的变化特征呈现高度同步性，在每个时间点上表现为相似的变化方向和波动幅度。在过去二十年中，西南四省（市）的NEP始终为正值，表明生态系统吸收并储存的碳量大于释放的碳量。这意味着西南地区是重要的碳汇地区，该生态系统对减缓气候变化具有积极作用，能够在一定程度上降低大气中的温室气体浓度。图3.1（a）和（b）分别是西南四省（市）总初级生产力（GPP）的年际变化和年代际变化；（c）和（d）分别是净初级生产力（NPP）的年际变化和年代际变化；（c）和（f）分别是净生态系统生产力（NEP）的年际变化和年代际变化。3.2空间分布特征根据GPP空间分布图可以看出，二十年间GPP的分布特征无较大变化，整体上呈现南高北低的趋势，由南向北逐渐递减。GPP高值主要集中在云南省南部，全区域超过2000gC/m²，该地区以季雨林和南亚热带常绿阔叶林为主要植被类型，受温暖湿润气候和丰富降水条件影响，植被生长旺盛，生物量丰富。云南省南部向北GPP逐步递减，至四川省的西北部是GPP低值的集中区域，全区域小于500gC/m²。这可能与四川西部的海拔地形、气候条件和植被类型等因素相关。川西地区海拔普遍在3000米以上，高海拔地区气压低、氧气稀薄，抑制植物的光合作用效率，导致植被生长受限，从而限制了GPP的提升。此外，川西属于高原气候区，年均温度较低，热量资源不足，生长期短暂，以草地等低生产力植被类型为主，不利于持续、快速地进行光合作用。四川省、重庆市和贵州省有零星几个范围非常小的高值区。图3.2西南四省（市）总初级生产力（GPP）的空间分布情况，分别为2000年（a）、2010年（b）和2020年（c）。NPP的空间分布特征在过去二十年间也大致保持一致，整体上呈现由云南省南部的高值区向北逐渐减小的过渡趋势。四川盆地内部的NPP值整体偏低，形成了显著的低值中心，被四周中值区环绕，与周围植被较丰富的山地地区形成鲜明对比。这一分布特征可能与四川盆地地区城镇化程度高，土地利用以农业耕地和城市建设用地为主，天然植被覆盖率低和植被类型缺乏多样化等因素相关。低值中心的范围在二十年间有缩小趋势，表明植被碳汇能力的增强。四川西部由于归一化植被指数（NDVI）和光合有效辐射（FPAR）卫星数据不全，导致计算结果缺失值较多，在空间特征分析中不对这块区域进行分析（NPP、NEP下同）。图3.3西南四省（市）净初级生产力（NPP）的空间分布情况，分别为2000年（a）、2010年（b）和2020年（c）。NEP的空间分布特征与NPP的空间分布特征具有高度相似性。这种相似性反映了净碳汇能力在很大程度上受初级生产力的主导控制，说明区域碳汇格局与植被光合能力密切相关。此外，该特征也表明在研究区域易养呼吸Rh的空间差异较小或分布趋势与NPP相近，从而未显著改变NEP的空间分布趋势。整体呈现南高北低，以四川盆地为低值中心，四周中值区域环绕的空间格局。高值区在20年间整体位置变化不大，说明高生产力区域具有较强的碳汇稳定性。低值中心的范围在二十年间有缩小趋势，表明该地区储碳能力有所上升。相较于NPP，NEP整体空间分布上的差异性更小，颜色变化更为平缓，空间梯度较弱，各等级区域的区分度较小。图3.4西南四省（市）净生态系统生产力（NEP）的空间分布情况，分别为2000年（a）、2010年（b）和2020年（c）。

4.不同植被类型的碳汇能力对比分析4.1不同植被类型GPP、NPP和NEP差异特征不同植被类型在西南四省（市）的GPP有显著差异。高值区（3000gC/m²）主要集中在云南省南部的森林和稀树草原区域，少部分分布在云南省南部的灌丛类植被区域，其它植被类型几乎无高值分布。稀树草原类型在西南地区分布最广、最为密集，覆盖了多样的地形和气候条件，因此所对应的GPP值范围也最广泛，从低值到中值再到高值均有分布，整体表现出较大的空间差异性。从南至北有高值—中值—低值的过渡趋势。草地类型除少量分布在云南省，绝大部分集中在四川省西部，以低值为主（500gC/m²）。根据图3.6可知，草地类型的GPP明显低于其它植被类型，这也解释了为什么在上一节的GPP空间分布图上四川省西部是显著的低值区。农田类型的GPP也基本以低值为主（1000gC/m²），分布在西南四省（市）的东部和南部。鉴于本研究区域内湿地类型区域的数量和面积都较小，难以分析特征，在分析过程中不对湿地类型做单独讨论（NPP、NEP下同）。图3.5GPP在不同植被类型上的空间分布，（a）是森林类，（b）是灌丛类，（c）是稀树草原，（d）是草地类，（e）是湿地类，（f）是农田类。从不同植被类型的二十年平均GPP图来看，森林的多年平均GPP最高，为1537.44gC/m²，显著高于其它植被类型，并且与灌丛、稀树草原相比，差距在300gC/m²。说明森林具有更强的光合作用生产力，有较强的固碳能力，是陆地生态系统最重要的碳汇来源。草地的多年平均GPP最低，仅为559.5gC/m²，显著低于其它植被类型，可能与它们的生物量较少、植物生长周期较短以及水分和营养条件较为贫乏等因素有关。表明其固碳能力较弱，对植被固碳过程的贡献较少。农田的GPP水平低于天然植被（森林、灌丛等），但仍高于草地，可能与农业生产管理措施有关。灌丛、稀树草原和湿地的GPP水平介于森林和草地、农田之间，数值相对接近，差异较小，表明它们在碳固定能力上具有一定相似性。图3.6不同植被类型区域二十年平均GPP值与GPP在不同植被类型的分布图相比，NPP在不同植被类型上的取值范围相对更广泛。具体来说，NPP在每种植被类型基本上同时包含低值、中值和高值区，表现出较大的空间差异性，而GPP在某些植被类型上更集中于中高值段或低值段，数值分布更集中。草地和农田类型不再由低值区全覆盖，也有明显的中高值区。侧面说明了森林、灌丛这样的高初级生产力植被，呼吸作用也较为显著，呼吸消耗大，使得其净初级生产力与其他植被类型的差距缩小。五种植被类型（除湿地类）的空间分布具有高度相似性，高值区均集中于云南省南部，和NPP空间分布图一致，中值区集中在云南省北部和四川省、贵州省南部，低值区在四川省、贵州省北部以及重庆市，整体呈现南高北低的空间布局。图3.7NPP在不同植被类型上的空间分布，（a）是森林类，（b）是灌丛类，（c）是稀树草原，（d）是草地类，（e）是湿地类，（f）是农田类。不同植被类型区域上二十年平均NPP值的差异相较于平均GPP值，差异较小，不同植被类型间更为接近，可能与植物自身呼吸消耗等生态因素密切相关。森林和草地的多年平均NPP值依旧为最大值和最小值，分别为699.13gC/m²和526.79gC/m²，进一步验证了森林是陆地生态系统最重要的碳汇来源，以及草地系统对固碳的贡献较少。其余植被类型的NPP大小排序与GPP一致。灌丛、稀树草原和湿地的数值接近，净初级生产力处于同一水平。图3.8不同植被类型区域二十年平均NPP值根据图3.9，NEP在不同植被类型下的空间分布格局与NPP的分布特征高度一致。这种高度相似性可能来源于本文中NEP计算方法的依赖性，即采用基于NPP减去异养呼吸（Rh）的方法进行估算，从而在一定程度上保留了NPP的空间特征。NEP在不同植被类型上二十年平均值的差异特征与前面两种指标具有相似性，最高值和最低值同样为森林类（687.01gC/m²）和草地类（518.68gC/m²）。湿地类和农田类与草地类数值接近，是净储存碳量较低的植被类型。图3.9NEP在不同植被类型上的空间分布，（a）是森林类，（b）是灌丛类，（c）是稀树草原，（d）是草地类，（e）是湿地类，（f）是农田类。图3.10不同植被类型区域二十年平均NEP值4.2不同植被类型的碳利用效率及碳汇潜力评估除上节对初级生产力（GPP）、初级净生产力（NPP）和净生态系统生产力（NEP）这些生态系统生产力指标的讨论和分析外，本文还结合碳利用效率（CEU）对西南四省（市）碳汇能力进行分析。碳利用效率（CUE）是反映生态系统将光合固定碳用于净生态系统生产（NEP）效率的关键生态指标，是影响陆地生态系统碳储存的一个关键因素。根据研究时间区间内平均CUE在西南四省（市）的空间分布图4.1可知，高值区（0.8）分布零星，集中在云南省东部和北部，这些区域也是高GPP和高NPP分布区，以森林生态系统为主。高CUE表明这些区域的生态系统碳损耗少（呼吸作用低、干扰少），碳汇效率高。橙色区域（0.6—0.8）同样分布零散，在四个省（市）均有少量分布，常常在高值区附近出现。中值区（0.4—0.6）分布最为广泛，涵盖了大部分研究区域，是CUE的主体，多与耕地、草地、部分次生林区一致，说明该区域虽有较高GPP，但同时也伴随较大的碳损耗。低值区（0.4）主要集中在成都平原、贵州省北部以及云南省东部，可能存在森林退化或人工林比例高的问题，或者受到人类活动的影响。此外，云南西部尤其靠近青藏高原边缘，高海拔低温限制植物的生长周期和生物量积累，虽有一定的GPP，但转化为NPP的比例较低。贵州北部的石漠化问题也限制了植被的初级生产力。云南省南部虽然是GPP和NPP高值区，显著高于其它地区，但结合CUE分布图发现，碳汇效率并不高，说明高净初级生产力区和高碳利用效率区不是完全重合的，受到例如植被呼吸作用强度等因素的影响。另外，不容忽视的是，在复杂地形山区，地形遮蔽影响遥感反演的准确性，使GPP、NDVI等变量估算存在偏差，给CUE计算带来一些不确定性。图4.1西南四省（市）二十年平均CUE的空间分布本研究计算了不同植被类型的二十年平均CUE，并且结合前文三个生态系统碳循环指标数据以及各个植被类型的面积，得到平均每年不同植被的光合碳汇、总碳汇和净碳汇，以此评估各个植被类型的碳储能力和碳汇潜力。根据计算结果，虽然森林类的三个碳循环指标均为最大值，但在西南四省（市）面积占比较小，对总体碳储量的贡献不是最大的。森林类的CUE也较低，说明自身呼吸消耗大。但总体来说，森林单位面积碳汇潜力最大，是极为重要的碳汇来源，应优先保护现有森林资源，推进退耕还林、人工造林等措施，提升森林覆盖率。对碳储量贡献最大、最重要的碳储库是稀树草原，CUE较高且占地广泛。CUE最高的是草地，达到0.6，虽然草地类在GPP、NPP和NEP上均表现不佳，但自身呼吸消耗小，更大比例的碳被储存下来。农田类的CUE仅次于草地类，表明其碳储能力相对较小但碳汇潜力较大。表4.1不同植被类型的二十年平均光合碳汇、总碳汇、净碳汇（单位：万吨C/year）和CUE类别光合碳汇总碳汇净碳汇CUE森林类17.477.937.80.41灌丛类12.526.556.460.43稀树草原63.2832.5831.850.46草地类10.9410.310.130.60湿地类0.0120.0060.0050.27农田类16.48.978.710.52

5.影响碳汇能力的驱动因素分析选取七个可能影响因素进行相关性分析：年降水量（P）、年最高温度（Tmax）、年最低温度（Tmin）、年平均水汽压差（VPD）、年平均太阳辐射（Srad）、年平均潜在蒸散量（PET）和夜间灯光（NL）。图5.1中展示了主要碳循环指标（GPP、NPP、NEP和CUE）与气候因子及人类活动指示因子之间的皮尔逊相关系数关系。从结果来看：GPP（总初级生产力）与NPP（净初级生产力）和NEP（净生态系统生产力）均呈显著正相关，相关系数分别为0.65和0.64，且通过显著性检验，说明碳的总吸收能力与实际储存量之间高度协同，符合碳循环基本原理。GPP是生态系统吸收碳的总量，NPP则是扣除植物自身呼吸损耗后的净碳固定量，NEP进一步考虑了土壤呼吸等过程，因此它们之间具备紧密相关性。NEP与CUE（碳利用效率）呈显著正相关（0.42），说明当生态系统对碳的利用效率越高时，净碳储存量也相对越高。饱和水汽压差（VPD）与NEP的正相关性较强（0.65），这与一些研究指出在一定范围内，适度的VPD可以促进植物气孔调节、增强光合速率有关，但VPD过高亦可能抑制生理活动，表明其对碳循环具有“双重效应”ADDINEN.CITE<EndNote><Cite><Author>Inoue</Author><Year>2021</Year><RecNum>11</RecNum><DisplayText><styleface="superscript">[21]</style></DisplayText><record><rec-number>11</rec-number><foreign-keys><keyapp="EN"db-id="eave20xr19xttgeavvlpwafydspadztdprrd"timestamp="1745908546">11</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Inoue,Takayasu</author><author>Sunaga,Motoo</author><author>Ito,Mutsuhiro</author><author>Yuchen,Qu</author><author>Matsushima,Yoriko</author><author>Sakoda,Kazuma</author><author>Yamori,Wataru</author></authors></contributors><titles><title>MinimizingVPDFluctuationsMaintainsHigherStomatalConductanceandPhotosynthesis,ResultinginImprovementofPlantGrowthinLettuce</title><secondary-title>FrontiersinPlantScience</secondary-title><short-title>VPDfluctuations</short-title></titles><periodical><full-title>FrontiersinPlantScience</full-title></periodical><volume>Volume12-2021</volume><keywords><keyword>Photosynthesis,VPD,Lettuce,Rockwool,relativeairhumidity(RH)</keyword></keywords><dates><year>2021</year><pub-dates><date>2021-April-01</date></pub-dates></dates><isbn>1664-462X</isbn><work-type>OriginalResearch</work-type><urls><related-urls><url>/journals/plant-science/articles/10.3389/fpls.2021.646144</url></related-urls></urls><electronic-resource-num>10.3389/fpls.2021.646144</electronic-resource-num><language>English</language></record></Cite></EndNote>[\o"Inoue,2021#11"21]。降水（P）与GPP、NPP、NEP均呈负相关，分别为-0.37、-0.32、-0.31，这可能与西南地区降水与云量、辐射负相关、限制光合作用有关。或者在某些区域，过多的降水可能造成水分胁迫、土壤氧气不足，从而抑制碳固定过程。NL（夜间灯光）与GPP呈显著正相关，相关系数达0.81，同时与NPP和NEP也存在中等正相关，相关系数为0.45，表明人类活动强度对陆地生态系统碳循环有显著影响。图5.1不同影响因素相关系数的热力图

6.结论与展望6.1结论本文基于卫星遥感数据和CASA模型，定量分析了三个生态系统碳循环关键指标2000年至2020年在研究区域内的时空变化特征，结合IGBP分类数据，分析不同植被类型的碳储能力和碳汇潜力，探究了影响碳汇能力的驱动因素。全文结论如下：（1）在本文研究时段内，GPP呈现较为缓慢的稳定增长，起伏不大。NPP和NEP在时间序列上的变化特征具有高度同步性，总体呈上升趋势，增长趋势不稳定，波动频繁，在2008年至2015年期间波动较大。NEP始终为正值，表明西南四省（市）是重要的碳汇区域。四省（市）在三个指标上都具有明显的数值差异，且呈现相同的省份排序，具体表现为云南省GPP最高，其次是贵州省、重庆市和四川省，依次递减。（2）GPP、NPP和NEP在研究时段内的空间分布特征基本保持不变，且整体上均呈现南高北低的趋势，由南向北逐渐递减。GPP的高值区集中在云南省南部，达到2000gC/m²以上，其余地区以中低值为主，零星分布一些范围非常小的高值区。低值区集中于四川省西部，全区域小于500gC/m²。NPP的低值区位于四川盆地，形成四周中值区环绕四川盆地低值中心的空间格局，低值中心范围在二十年间有缩小趋势，表明该区域植被碳汇能力的增强。NEP的空间分布特征与NPP的空间分布特征具有高度相似性，但相较于NPP，NEP整体空间分布上的差异性更小，空间梯度较弱，各等级区域的区分度较小。（3）在各类植被中，森林类的二十年平均GPP、NPP和NEP均为最高值，体现出其强大的碳固定和储存能力；相比之下，草地类在三项指标中均为最低，碳汇能力最弱。从三项指标的不同植被空间分布图来看，基本都呈现南高北低的空间分布格局，高值往往集中在森林类、灌丛类和稀树草原。虽然稀树草原单位面积碳汇潜力不如森林，但CUE较高且分布广泛、面积占比大，其碳储量最大，是最为重要的碳储库。草地类虽在GPP、NPP和NEP上表现不佳，但CUE最高，通过光合作用固定的碳更多的储存下来而不是用于自身消耗。农田类的CUE仅次于草地类，表明其碳储能力相对较小但碳汇潜力较大。（4）碳循环关键指标之间存在显著相关性，GPP分别与NPP和NEP呈正相关，相关系数为0.65和0.64，且均通过显著性检验，反映出生态系统碳总吸收量与实际碳储存之间高度协同，符合碳循环的基本机制。NEP与碳利用效率（CUE）呈显著正相关（r=0.42），表明碳利用效率越高，净碳储量越大。气候因子中，饱和水汽压差（VPD）与NEP的正相关性较强（r=0.65），说明在一定范围内适度的VPD可通过调节气孔、促进光合作用增强碳汇功能，但其对碳循环亦可能具有“双重效应”。降水（P）则与GPP、NPP、NEP均呈负相关（相关系数分别为-0.37、-0.32和-0.31），可能与西南地区降水与辐射、云量关系密切或局部区域降水过多引发的水分胁迫有关。此外，人类活动强度指标夜间灯光（NL）与GPP呈显著正相关（r=0.81），与NPP和NEP也存在中等强度的正相关关系（r=0.45），表明人类活动对陆地碳循环过程具有重要影响。6.2不足与展望本文虽取得一定成果，但仍存在不足，一些问题需要进一步讨论和改进：（1）本文采用CASA模型结合遥感与气象数据估算NPP和NEP碳汇指标，虽具有较好的区域适用性与时空连续性，但存在一定不确定性。一方面，CASA模型本身简化了部分生态过程，如土壤微生物呼吸、极端天气对植物碳吸收的影响、人为因素对植被的影响等，结果可能产生一定偏差。另一方面，本文处理参数时做了部分简化，最大光能利用率统一采用全球通用值0.389gC/m²，没有考虑最大光能利用率在不同植被类型上的差异，增加了计算结果的不确定性。（2）CASA模型虽应用广泛，且经前人验证计算精度较高，但模型计算结果没有与已有的卫星遥感NPP产品（如MOD17A3、GLASS等）或实地测量数据进行比对，缺乏对计算精度的定量验证。未来可通过引入实测数据进行验证，或与已有遥感产品进行对比分析，以提升碳汇指标估算的准确性和可信度。（3）影响因素的分析依赖统计相关性分析，未能完全揭示因果关系。整体分析以描述性为主，尚未从生态过程和机制层面深入探究这些指标形成的内在原因。未来研究可引入因果推断模型、地理探测器等方法，深入探讨不同气象因子和人为因子对碳循环的作用机制，从而更准确地分析碳汇变化的驱动因素。

参考文献ADDINEN.REFLIST[1] IPCC.ClimateChange2021:ThePhysicalScienceBasis.ContributionofWorkingGroupItotheSixthAssessmentReportoftheIntergovernmentalPanelonClimateChange[J].2021.[2] IPCC.ClimateChange2022:Impacts,AdaptationandVulnerability.ContributionofWorkingGroupIItotheSixthAssessmentReportoftheIntergovernmentalPanelonClimateChange[J].2022.[3] IPCC.ClimateChange2023:SynthesisReport[J].2023.[4] IPCC.ClimateChangeandLand:anIPCCspecialreportonclimatechange,desertification,landdegradation,sustainablelandmanagement,foodsecurity,andgreenhousegasfluxesinterrestrialecosystems[J].2019.[5] INTERNATIONALCOUNCILOFSCIENTIFICU.Internationalgeosphere-biosphereprogram:astudyofglobalchange,theinitialcoreprojects[R].Sweden:IGBP,1990.[6] STEFFENW,CANADELLJ,APPSM.Theterrestrialcarboncycle:implicationsfortheKyotoProtocol[J].Science,1998,280(5368):1393-4.[7] CAIX-M.TheEcologyofEcosystem[M].Beijing,China:SciencePress,2000.[8] CHENJ-Q,YANGS-Y.EcologicalMethodsofTerrestrialEcosystem[M].Beijing,China:HigherEducationPress,2014.[9] 陈云浩,徐丹.陆地植被净初级生产力计算模型研究进展[J].生态学杂志,2005,24(3):296-300.[10] 王宗明,梁银丽.植被净第一性生产力模型研究进展[J].干旱地区农业研究,2002,20(2):104-7.[11] RUIMYA,KERGOATL,BONDEAUA.Comparingglobalmodelsofterrestrialnetprimaryproductivity(NPP):analysisofdifferencesinlightabsorptionandlight-useefficiency[J].GlobalChangeBiology,1999,5(S1):56-64.[12] 袁文平,蔡文文,刘丹,等.陆地生态系统植被生产力遥感模型研究进展[J].地球科学进展,2014,29(5):541-50.[13] 孙睿,朱启疆.陆地植被净第一性生产力的研究[J].应用生态学报,1999,10(6):757-60.[14] MONTEITHJL.SolarRadiationandProductivityinTropicalEcosystems[J].JournalofAppliedEcology,1972,9(3):747-66.[15] 洪长桥,金晓斌,陈昌春,等.集成遥感数据