高振翔, 叶 剑, 丁仁惠, 唐 欢, 周红根, 李 成

(1.宿迁市气象局, 江苏 宿迁 223800; 2.江苏省气象探测中心,南京 210008; 3.扬州大学 园艺与植物保护学院, 江苏 扬州 225009)

植被作为陆地生态系统的重要组成部分，是生态系统能量流动与物质循环的纽带[1-2]，具有调节气候、涵养水源、维持区域碳平衡等作用[3-4]。植被总初级生产力(Gross Primary Productivity，GPP)是指绿色植物在单位面积、单位时间内通过光合作用所固定的有机物总量[5-6]，它不但能反映生态系统的生产能力和健康状况，同时也是表征碳循环和可持续发展的重要指标[7]，并与气候变化[8]、粮食安全[9]、碳循环等[10]全球热点问题息息相关。因此，揭示植被GPP的长期变化特征是目前生态系统碳循环研究的热点之一，对缓解和适应气候变化具有重要的意义[11-12]。

目前针对植被GPP的估算方法主要包括生物量调查法、涡度相关法和模型模拟等[13-14]。其中，模型模拟方法在大区域、长时序植被GPP估算方面具有一定的优势[15-16]。近年来，许多学者应用多种不同的生态过程模型，对植被GPP的时空变化特征进行了深入分析，取得了许多成果[17-18]，应用广泛的生态过程模型主要有Biome-BGC，CENTURY，IBIS等[19-21]。然而，由于不同生态过程模型会受到输入数据质量、参数化方案及参数优化等因素的影响，使它们在植被GPP的估算结果方面，如植被GPP均值、变化趋势和变化范围等，存在较大不一致性。以往研究表明：中国地区植被GPP主要集中在5.97～7.03 Pg C/a[22-25]，差异较为明显，而且不同地区和不同时间段GPP对气候因子也表现出不同的敏感性和响应特征[26]。因此，科学、合理地估算植被GPP动态变化及影响因子是生态系统碳循环研究的重要问题之一。随着涡度观测资料与遥感数据的不断发展，以此为基础的遥感机理模型，得到了长足的进步，广泛应用于大范围植被GPP的动态监测，如EC-LUE模型。最近，Zheng等[27]对EC-LUE模型进行了进一步的改进，综合考虑了大气CO2浓度、太阳辐射和VPD等因素对植被GPP的可能影响，并将估算结果与基于生态过程模型、机器学习等方法的结果进行了相比，表明改进后的EC-LUE模型具有更好的模拟效果。在此背景下，目前中国植被GPP时空动态及其对气候因子的响应关系如何，还尚不明确。

为此，本研究基于改进后的EC-LUE模型输出结果，分析1982—2016年中国植被GPP的时空变化特征，并探讨植被GPP对气候因子的响应，以期为气候变化背景下中国植被GPP遥感监测和生态可持续发展提供重要参考。

1 数据与方法

1.1 数据来源

本研究的植被GPP数据集源于改进后的EC-LUE模型(https:∥figshare.com/articles/dataset/Improved_estimate_of_global_gross_primary_production_for_reproducing_its_long-term_variation_1982～2017/8942336/3)，时间跨度为1982—2016年，空间分辨率为0.05°×0.05°。经过数据处理后，得到中国1982—2016年植被GPP。

气象数据来源于国家气象数据网(https:∥data.cma.cn/)，时间跨度为1982—2016年，共获得653个气象站逐日气温、降水、日照时数等资料。经过数据预处理和空间插值后，得到与植被GPP相同分辨率的气象要素数据。

1.2 研究方法

1.2.1 趋势分析 利用一元线性回归方法分析植被GPP的变化趋势，公式为：

(1)

式中：θslope为研究区域内植被GPP的变化率；n为研究的时间数(年)；GPPi为第i年植被GPP。θslope>0表示研究区域内植被GPP呈上升趋势，反之，呈下降趋势。

1.2.2 相关性分析 利用相关系数来描述植被GPP与气温、降水的相关关系，线性相关系数的计算公式为：

(2)

(3)

式中：rxy，rxz分别为植被GPP与气温、降水的线性相关系数；xi，yi，zi分别为第i年的植被GPP、气温及降水；xave，yave，zave分别为植被GPP、气温及降水的平均值；n为年份数。

在此基础上，利用偏相关系数进一步描述植被GPP与气温、降水的相关关系，计算公式为：

(4)

(5)

式中：rxy，rxz，ryz分别为植被GPP与气温、GPP与降水、气温与降水的单相关系数；rxy,z为降水固定后植被GPP与气温的偏相关系数；rxz,y为固定气温后植被GPP与降水的偏相关系数。

实际上，各个要素的变化是相互联系、相互影响的，采用复相关分析来体现综合影响，复相关的计算公式为：

(6)

式中：rx,yz为植被GPP与气温、降水的复相关系数；rxy为植被GPP与气温的单相关系数；rxz,y为气温固定后植被GPP与降水的偏相关系数。

2 结果与分析

2.1 中国植被GPP空间分布特征

1982—2016年中国植被GPP多年平均值的空间分布见图1。植被GPP呈现出较为明显的空间异质性，整体呈南高北低的分布特征。单位面积年均GPP变化范围为0～3 051.08 g C/(m2·a)，多年平均值为897.48 g C/(m2·a)。具体而言，西北、青藏高原以及内蒙古中西部等地区，年均植被GPP多在500 g C/(m2·a)以下；东北、华北、华中和华东北部地区年均植被GPP介于500～1 500 g C/(m2·a)；西南地区东部及东南沿海的大部分地区，年均植被GPP介于1 500～2 000 g C/(m2·a)，特别是云南、海南等地区年均植被GPP在2 000 g C/(m2·a)以上。

由图1可知，年均植被GPP在500 gC/(m2·a)以下的植被面积占总面积的32.9%，而在500～1 500 gC/(m2·a)和1 500～2 000 gC/(m2·a)的植被面积分别占比30%，12.3%，超过2 000 gC/(m2·a)以上的植被面积占比6.8%。

注：基于标准地图服务系统下载的审图号GS(2016)1569号的标准地图制作，底图未做修改，下图同。

2.2 中国植被GPP时间分布特征

中国1982—2016年年均植被GPP整体上呈波动上升趋势(图2A)。近35 a中国年均GPP总量为6.36 Pg C/a，单位面积年均GPP波动范围为814.7～966.3 g C/(m2·a)，年均增长率2.43 g C/(m2·a)。鉴于森林、草地、农田是中国植被的主要类型，因此本文主要分析森林、草地、农田这3类的变化特征。整体上，这3种植被类型的GPP均呈波动上升趋势(图2B)，其中农田GPP增加速率最大，为3.75 g C/(m2·a)。

图2 1982-2016年中国GPP均值、不同植被类型GPP年际变化

对中国1982—2016年植被GPP变化趋势进行逐像元分析(图3)，其中约有70.6%的地区植被GPP变化趋势为0～20 g C/(m2·a)。如图3B所示，植被GPP呈显著增加趋势的植被面积约占总面积的40.6%，主要分布北方地区；GPP呈显著减小趋势的地区主要分布在东北和东南沿海的部分地区，约占总面积的8.2%。

2.3 植被GPP与气候因子的相关性

整体上近35 a来中国植被GPP与气温呈正相关关系，偏相关系数为0.67。约有33.4%的植被面积通过了p<0.05水平的显著性检验(图4A)，它们的偏相关系数介于-0.78～0.86。其中，呈显著正相关的面积约占总面积的31.2%，主要分布在中部地区，特别是陕西、河南、安徽北部等；呈显著负相关的面积约占2.2%，主要集中在东南沿海和东北的部分地区。

近35 a来中国植被GPP与降水呈正相关关系，偏相关系数为0.31。约有18.8%的植被面积通过了p<0.05水平的显著性检验(图4B)，偏相关系数介于-0.64～0.80。其中，呈显著正相关的区域主要分布在北方的大部分省区，如内蒙古、山西、河北、陕西等；呈显著负相关的区域相对较少，仅在部分地区有零星分布。

2.4 驱动分析

植被GPP的变化主要受到气候因素影响，气候条件中的气温和降水是影响植被生长的重要因子。本文通过计算植被GPP与气候因子的复相关关系，并根据植被变化驱动分区的原则，对中国植被GPP变化的驱动因子进行分析。

图3 1982-2016年中国植被GPP变化率、GPP变化趋势

图4 1982-2016年中国植被GPP与气温、降水的偏相关系数空间分布

对植被GPP与气温和降水进行复相关分析，发现约有57.4%的植被面积通过了p<0.05水平的显著性检验(图5A)，复相关系数介于0.33～0.87。显著性较强的区域(复相关系数0.61～0.87)约占总面积的7.9%，主要分布在陕西北部、内蒙古南部等地区。

由中国GPP变化的驱动分区(图5B)可知，1982—2016年植被GPP变化受气温、降水强驱动的面积约占总面积的8.1%，主要分布在陕西北部、河北东南部；受降水为主要驱动因子的面积占比15.1%，主要集中在内蒙古东部和新疆北部；受气温为主要驱动因子的区域主要分布在青藏高原的大部分地区，面积占比25.3%；而受气温、降水为弱驱动因子的植被面积约占总面积的8.9%，分布较为分散。此外，在东北、华南的一些地区表现为非气候因子驱动(见图5B中NC地区)，约占42.6%。

图5 1982-2016年中国植被GPP与气温、降水的复相关系数及GPP变化驱动力分区

3 讨 论

本研究的植被GPP数据集源于改进后的EC-LUE模型，该模型综合考虑了大气CO2浓度、太阳辐射和VPD等环境因素，并经过地面涡度通量塔的验证，具有较高的精度，是目前较好的植被GPP遥感产品之一[27]。在已有的中国植被GPP研究中，由于模型选择、研究时间段、数据集以及参数选择等因素的不同，GPP的模拟结果存在较大的差异(表1)。其中，多年GPP总量最大值为使用TEC模型得到的2001—2015年的7.03 Pg C/a，最小值为利用MODIS产品得到2001—2015年的5.97 Pg C/a。本研究基于改进后的EC-LUE模型得到年均GPP总量为6.36 Pg C/a，处于已有研究结果的区间范围内；GPP年均增长率为0.02 Pg C/a，与MODIS产品和机器学习方法得到的结果相当，但比其他模型的估算结果较小。利用多种模型开展大尺度GPP研究，可以降低陆地生态系统碳循环研究的不确定性。

表1 不同模型估算的中国年均GPP总量及其变化趋势

相关研究结果表明，植被GPP与气温、降水等气候条件息息相关[28-29]。整体上植被GPP变化与气温和降水呈正相关关系，偏相关系数分别为0.67(p<0.05)，0.31(p<0.05)，表明气温对GPP的变化影响强于降水，这与何勇等[30]的研究结果相似，但进一步分析可知，受气温为主要驱动因子的区域主要分布在青藏高原的大部分地区，如西藏和青海南部等，这可能是因为该地区属于高海拔地区，气温相对偏低。当气温升高时，可以促进植物进行光合作用，加快植被生长，并固定更多的CO2[31-32]；受降水为主要驱动因子的区域主要集中在中国北方地区，该地区属于典型的干旱半干旱地区，年降水量相对偏少，水分是影响这一区域植被生长的重要限制因素。一般而言，水分亏缺会导致植物的气孔关闭，使通过气孔进入叶片的CO2减少，导致光合作用受到抑制，影响植被固碳[33-34]。此外，约有17%的地区受气温、降水的共同影响。

另一方面，在东北、华南的一些地区表现为非气候因子驱动，这些地区植被GPP的变化可能与人类活动的影响有关。一些研究表明：城市化会导致植被GPP出现不同程度的降低[35]。然而，目前受限于数据资料的问题，本研究并未定量分析人类活动对植被GPP变化的影响。今后拟在搜集人口、社会经济等相关资料的基础上，进一步扩展本研究工作。

4 结 论

(1) 1982—2016年我国植被GPP的空间分布具有较强的空间异质性，整体上呈现南高北低的空间分布特征。单位面积年均GPP为897.48 g C/(m2·a)。高值区主要分布在我国云南、华南、东南沿海部分地区，低值区分布在青藏高原、新疆、内蒙古西部干旱、寒冷地区。

(2) 近35 a的年际变化分析表明，我国植被GPP整体上呈上升趋势，年均增长率2.43 g C/(m2·a)。GPP呈显著性上升的地区约占我国总面积的37.1%，呈显著下降的地区约占8.3%。不同植被类型的年均GPP由大到小依次为森林[1 646.22 g C/(m2·a)]>农田[850.31 g C/(m2·a)]>草地[786.96 g C/(m2·a)]。

(3) 我国植被GPP变化与气温和降水呈正相关关系，偏相关系数分别为0.67，0.31，气温对GPP年际变化的影响强于降水。我国植被GPP变化受气候因子影响的面积占比57.4%，非气候因子影响占比42.6%。