APP下载

1981—2019年全球陆地生态系统碳通量变化特征及其驱动因子

2022-07-22周艳莲居为民柳艺博

大气科学学报 2022年3期
关键词:气候变化

周艳莲 居为民 柳艺博

摘要 陆地生态系统碳汇显著降低大气CO2浓度上升和全球变暖的速率,受人类活动和气候变化的影响,陆地生态系统碳通量具有强烈的时空变化,其估算结果仍存在较大的不确定性,不同因子的贡献尚不清晰。为此,利用遥感驱动的陆地生态系统过程模型BEPS模拟分析了1981—2019年全球陆地生态系统碳通量的时空变化特征,评价了大气CO2浓度、叶面积指数(Leaf Area Index,LAI)、氮沉降、气候变化对全球陆地生态系统碳收支变化的贡献。1981—2019年全球陆地生态系统总初级生产力(Gross Primary Productivity,GPP)、净初级生产力(Net Primary Productivity,NPP)和净生态系统生产力(Net Ecosystem Productivity,NEP)的平均值分别为115.3、51.3和2.7 Pg·a-1(以碳质量计,下同),上升速率分别为0.47、0.21和0.06 Pg·a-1。全球大部分区域GPP和NPP显著增加,NEP显著上升(p<0.05)的区域明显少于GPP和NPP。1981—2019年,全球NEP累積为105.2 Pg,森林、稀树草原及灌木、农田和草地的贡献分别为76.4、15.8、9.4和3.6 Pg。CO2浓度、LAI、氮沉降和气候变化各自对NEP的累积贡献分别为58.4、20.6、0.7和-43.6 Pg,全部4个因子变化对NEP的累积贡献为39.8 Pg,其中CO2浓度上升是近40 a全球陆地生态系统NEP上升的主要贡献因子,其次为LAI。

关键词陆地生态系统;碳通量;叶面积指数;氮沉降;气候变化

陆地生态系统碳通量显著影响大气CO2浓度上升和全球变暖的速度,准确估算陆地生态系统碳通量、分析其时空变化特征及其成因,对于预估未来气候变化具有重要的科学意义。受气候、CO2浓度、物候、物种组成、碳氮耦合过程、干扰等因素的影响,陆地生态系统碳通量具有明显的时空变化,是导致全球大气CO2浓度呈现强烈年际波动的主要原因(Le Quéré et al.,2013)。因此,陆地生态系统碳通量时空变化特征及其成因是当前全球变化研究和陆地生态系统碳循环研究的前沿。采用的研究方法可分为“自下而上”和“自上而下”两大类(陈镜明等,2015)。

“自下而上”陆地生态系统碳通量研究方法主要包括通量观测、卫星遥感和模型模拟等。涡度相关技术被广泛地应用于陆地生态系统碳循环研究,不断积累的通量观测数据加深了对不同时间尺度陆地生态系统碳通量变化特征及其与不同环境因子之间关系的认知(Reichstein et al.,2007;Yi et al.,2010;Yu et al.,2008,2013),同时也为模型参数优化和模型结果验证提供了数据支撑(Ju et al.,2010)。但是,仅基于通量站点的观测数据难以得到区域和全球陆地生态系统碳通量的可靠估计。

卫星遥感能够获得大面积连续的植被分布、类型和生长状态,可提取与陆地生态系统碳循环紧密联系的多种植被结构(叶面积指数、聚集度指数和生物量等)和生化参数(叶绿素含量、光能利用率和最大羧化速率等),用于估算区域乃至全球的陆地生态系统的碳通量(Chen et al.,2019)。目前,植被遥感参数主要应用于驱动光能利用率(LUE)模型计算总初级生产力(Gross Primary Productivity,GPP;He et al.,2013;袁文平等,2014)或机理性生态系统模型计算生态系统的净碳通量(Chen et al.,2019)。

陆地生态系统碳循环过程模型根据植物光合作用、自养呼吸、有机物分解和养分循环过程的机理,计算陆地生态系统碳循环的各个分量,并可预估其未来变化。由于在叶片到冠层尺度的转换、不同环境因子对光合和呼吸的影响、碳氮水耦合循环过程等方面的模拟方法不同,导致不同模型的模拟结果存在明显的差异(Huntzinger et al.,2012;Piao et al.,2013;Xia et al.,2017)。不同模型模拟的生态系统碳通量对CO2浓度上升和气候变化的响应还存在较大差别(Piao et al.,2013;Smith et al.,2016)。植被参数遥感信息与过程模型的融合不仅可以降低碳通量估算结果的不确定性,还可以区分气候、CO2和植被结构变化对陆地生态系统碳通量变化的贡献(Chen et al.,2019)。

近几十年来,科学家们采用碳循环模型模拟(“自下而上”)和大气反演(“自上而下”)方法开展了大量的全球和区域陆地生态系统碳循环研究,并取得了许多重要进展。揭示了全球陆地生态系统碳通量的时空变化特征,发现自20世纪80年代以来,全球陆地生态系统碳汇呈增加趋势(Le Quéré et al.,2013;Chen et al.,2019;Wang et al.,2020)。但是,由于研究采用的碳循环模型在结构、输入数据和参数化方案等方面的差异,大气反演的大气输送模型、大气CO2浓度观测数据和先验碳通量等方面的差异,有关全球陆地生态系统碳通量的时空格局的结论尚不一致、全球陆地系统碳通量时空变化特征及其成因仍不清楚。

遥感与陆地生态系统碳循环机理的结合有助于降低陆地生态系统碳通量估算结果的不确定性,揭示碳通量变化的成因。为此,本研究以遥感驱动的机理性生态模型BEPS为工具,叶面积指数(Leaf Area Index,LAI)和聚集度指数等植被参数遥感数据为驱动,模拟1981—2019年逐日全球陆地生态系统碳通量,分析其时空变化特征,评价CO2浓度、LAI、气候和氮沉降变化对全球陆地生态系统碳通量变化的贡献。

1 使用的方法与数据

1.1 使用的BEPS模型

使用的1981—2019年全球陆地生态系统碳通量由遥感驱动的BEPS模型生成。该模型主要由能量传输、碳氮循环、水循环和生理调节等模块所组成(陈镜明等,2015)。其中,碳氮循环模块主要包括植物光合、呼吸、碳分配、凋落物及土壤有机碳氮分解等过程(Chen et al.,2019)。BEPS将冠层分为阳叶和阴叶,分别模拟其总初级生产力(GPP)和蒸腾(Chen et al.,1999);生态系统的净初级生产力(Net Primary Productivity,NPP)计算为GPP与自养呼吸之差;利用根据植被类型设置的NPP分配比例和转换速率逐日更新4个植被碳库;利用模拟的土壤温度和湿度确定9个凋落物和土壤碳库的分解速率,生态系统的异养呼吸(Rh)计算为凋落物和土壤碳库分解过程中向大气排放的CO2总量,净生态系统生产力(Net Ecosystem Productivity,NEP)计算为NPP与Rh之差。该模型已经在加拿大、美国和中国等地区以及全球得到广泛应用,模拟陆地生态系统的碳通量,评价不同驱动因子的作用(Feng et al.,2007;Chen et al.,2019;He et al.,2021)。

4个植被碳库、9个凋落物和土壤有机碳库的初始值大小影响GPP、NPP和NEP的模拟结果,特别是对NEP模拟结果的影响尤为显著。基于1901年时生态系统处于碳平衡(NEP为0)的假设,利用1981—1985年平均LAI(具有季节变化)、1901—1910年的平均气候、1901年的CO2浓度和氮沉降数据驱动BEPS模型进行土壤碳库的初始化,使各个碳库基本达到稳定。然后,在1901—1980年期间,利用1981—1985年平均LAI(具有季节变化)、随时间变化的气候、CO2浓度和氮沉降数据驱动BEPS;在1981—2019年期间,利用随时间变化的LAI、气候、CO2浓度和氮沉降数据驱动模型(Chen et al.,2019)。

1.2 使用的数据

BEPS模型的主要输入数据包括:叶面积指数(LAI)、聚集度指数和地表覆盖遥感数据、气象数据(逐日最高气温、最低气温、日降水量、日平均相对湿度和太阳辐射)、土壤数据(黏粒、砂粒和粉粒比例)、大气CO2浓度和大气氮沉降数据等。本文使用的数据有:

1)具有时空变化的LAI数据。融合MODIS和AVHRR数据生成的1981—2019年的LAI数据——GLOBMAP LAI数据产品(Liu et al.,2012),1981—1999年的时间分辨率为15或16 d,2000—2019年的时间分辨率是8 d。

2)具有空间变化的聚集度指数数据。利用MODIS BRDF数据产品模拟“热点”和“暗点”反射率,计算归一化的“热点”和“暗点”差值指数,生成聚集度指数(Wei et al.,2019),求其年平均值驱动模型。

3)具有时空变化的年氮沉降数据。其中1960—2009年的0.5°×0.5°全球氮沉降数据,通过融合GOME(Global Ozone Monitoring)和SCIAMACHY (Scanning Imaging Absorption Spectrometer for Atmospheric Cartography)对流层NO2柱浓度数据、气象数据和NOx等数据生成(Lu et al.,2013),对该数据进行时间外推,生成1901—1959年和2010—2019年的全球氮沉降数据。

4)具有时空变化的气候数据。1901—2019年的逐日最高气温、最低气温、日平均相对湿度、日总太阳辐射和日降水量,由6 h的0.5°×0.5° CRUJRAV2.1气象数据(https://catalogue.ceda.ac.uk/uuid/10d2c73e5a7d46f4ada08b0a26302ef7)处理生成,其中日平均相对湿度利用比湿、温度和大气压数据计算。

5)具有空间变化的全球土壤沙粒、粉粒和黏粒比例数据(http://www.fao.org/nr/lman/abst/lman_080701_en.htm),用于确定土壤孔隙率、田间持水量、凋萎系数和土壤水分饱和传导率等参数。

6)具有时间变化的全球大气CO2浓度年平均值数据。

在模型模拟时,对LAI、聚集度指数、氮沉降、气候和土壤數据进行了重采样,形成经纬度投影为0.072 727°×0.072 727°空间分辨率的输入数据集。

1.3 模拟试验设置

为了鉴别不同因子(气候、CO2、LAI和氮沉降)变化对全球陆地生态系统碳通量的影响,共设计了6个模拟试验(表1)。

在模拟试验Ⅰ中,1981—2019年期间用1981—1985年平均的LAI(具有季节变化)、1981年的氮沉降和CO2浓度、1970—1979年中随机选取一年的气候数据驱动模型。模拟试验Ⅱ用于评价1981年后CO2浓度变化对全球陆地生态系统碳通量变化的贡献,在此试验中1981年后的CO2浓度随时间变化,其他驱动数据与试验Ⅰ相同。模拟试验Ⅲ用于评价1981年后LAI变化对全球陆地生态系统碳通量变化的贡献,1981年后的LAI随时间变化,其他驱动数据与试验Ⅰ相同。模拟试验Ⅳ用于评价1981年后氮沉降变化对全球陆地生态系统碳通量变化的贡献,1981年后的氮沉降随时间变化,其他驱动数据与试验Ⅰ相同。模拟试验Ⅴ用于评价1981年后气候变化对全球陆地生态系统碳通量变化的贡献,1981年后的气候随时间变化,其他驱动数据与试验I相同。模拟试验Ⅵ用于评价1981年后全部因子变化对全球陆地生态系统碳通量变化的贡献,1981年后CO2、LAI、气候和氮沉降都随时间变化。

2 结果与分析

2.1 模型结果验证

GPP是陆地生态系统最大的碳通量,其模拟结果对NPP和NEP模拟具有显著影响。利用全球不同类型生态系统的97个通量站的年GPP观测数据验证了BEPS模型结果。

图1是97个站点706个站年BEPS模拟的年GPP与观测数据比较的结果,模拟的年GPP与观测数据比较的R2分别为0.75(p<0.001)(截距不为0)和0.70(p<0.001)(截距为0)、RMSE为389.6 g·m-2·mol-1(以碳质量计,下同),观测(x)与模拟值(y)线性回归方程的斜率为0.79(截距不为0)和0.97(截距为0)。总体而言,BEPS模型可以再现年不同站点的年GPP。但是,也应该注意到BEPS模型低估了热带雨林地区站点的年GPP,在一些站点模拟与观测的GPP差异也仍然较大。

进一步利用由全球碳计划数据计算的“剩余碳汇”对BEPS模型模拟的全球NEP进行验证。每年的全球“剩余碳汇”计算为人为碳排放(化石燃料和土地利用)减去大气碳储量增加量、海洋和水泥碳酸化碳汇的差)。如图2所示所示,BEPS模型模拟的全球NEP年总量与“剩余碳汇”之间具有较好的一致性(R2=0.51,p<0.05)。1981—2019年BEPS模拟的NEP累积值为105.2 Pg,“剩余碳汇”的累积值为104.0 Pg。表明,BEPS能较好地模拟全球陆地生态系统碳汇的年际变化和1981—2019年的总量。

2.2 1981—2019年全球陆地生态系统碳通量空间分布特征

利用BEPS模拟的1981—2019年全球陆地生态系统年GPP总量平均为115.3 Pg·a-1、年NPP总量平均为51.3 Pg·a-1、年NEP总量平均为2.7 Pg·a-1。NPP约占GPP的44.5%。图3展示了1981—1999年和2000—2019年平均GPP的空间分布,可见,在热带常绿林地区GPP可达3 000 g·m-2·a-1以上;在中国东部和东南部、美国东部和东南部和欧洲的大部分地区,GPP为1 000~2 400 g·m-2·a-1;在美国西部、加拿大北部、俄罗斯北部、西亚、中国西北部、澳大利亚大部、非洲北部和南部,GPP普遍低于600 g·m-2·a-1。

图4—5展示了1981—1999和2000—2019年平均NPP和NEP的空间分布,可见,NPP与GPP的全球空间分布特征相似。在热带常绿林地区NPP可达1 500 g·m-2·a-1以上;在中国东部和东南部、美国东部和东南部和欧洲的大部分地区,NPP为500~1 200 g·m-2·a-1;在美国西部、加拿大北部、俄罗斯北部、西亚、中国西北部、澳大利亚大部和非洲北部和南部,NPP普遍低于300 g·m-2·a-1。相对于GPP和NPP而言,NEP的空间变化更加明显。陆地生态系统碳汇(NEP大于0)主要分布在热带常绿林地区、中国中东部、美国东南部和欧亚大陆的森林地区。相对于1981—1999年而言,2000—2019年中国、南亚、东南亚、非洲中部、加拿大和欧亚大陆森林地区的碳汇增强。

2.3 1981—2019年全球陆地生态系统碳通量变化趋势

1981—2019年期间全球年GPP总量呈显著增加趋势,1981—1989年、1990—1999年、2000—2009年和2010—2019年期间全球年GPP平均分别为108.7、112.7、116.5和122.9 Pg·a-1。1981—2019年期间全球GPP最低值为1983年的105.7 Pg·a-1,最高为2017年的126.3 Pg·a-1,总体增加速率为0.47 Pg·a-1(R2=0.94,p<0.01)。全球大部分区域的年GPP都呈现显著增加趋势(图6),中国大部、非洲中部、东南亚和美国东南部的GPP增加趋势尤为明显,增加速率高于10 g·m-2·a-1;在欧洲南部、蒙古、南美东南部部分地区、澳大利亚大部、美国西北部分地区和加拿大中部的部分地区,年GPP变化趋势未通过信度为0.05的显著性水平检验。

1981—2019年期间全球年NPP总量呈显著增加趋势,1981—1989年、1990—1999年、2000—2009年和2010—2019年全球年NPP平均值分别为48.4、50.1、51.7和54.6 Pg·a-1。1981—2019年期间全球NPP最低值为1983年的46.8 Pg·a-1,最高为2017年的56.4 Pg·a-1,总体增加速率为0.21 Pg·a-1(R2=0.92,p<0.01),全球大部分区域的年NPP都呈现显著增加趋势(图7),中国大部、非洲中部、东南亚和美国东南部的NPP增加趋势尤为明显,增加速率高于5 g·m-2·a-1;欧洲南部、蒙古、南美东南部部分地区、澳大利亚大部、美国西北部分地区和加拿大中部部分地区,年NPP的变化趋势没有通过0.05信度的显著性水平检验。

1981—2019年全球年总NEP呈波动性显著增加趋势,1981—1989年、1990—1999年、2000—2009年和2010—2019年期间全球平均NEP平均分別为2.0、2.4、2.6和3.7 Pg·a-1。1981—2019年全球NEP的最低值为1998年的-0.3 Pg·a-1,最高值为2017年的4.9 Pg·a-1,总体增加速率为0.06 Pg·a-1(R2=0.36,p<0.01)。全球大部分区域的年NEP增加(图8),在中国西南和东南部、非洲中部,NEP增大速率高于3 g·m-2·a-1;在欧洲中部和东部、西伯利亚部分地区、加拿大中部部分地区、美国东部分部分地区和亚马孙流域中东部,年NEP呈现下降趋势,速率约为2 g·m-2·a-1。NEP变化趋势通过0.05信度显著性检验的区域明显少于GPP和NPP(图9)。对比图8和图9可见,在NEP下降的区域,其变化趋势基本都未能通过0.05信度的显著性检验,NEP增加通过0.05信度显著性检验的区域主要位于北半球的高纬度地区、中国、南亚、东南亚和非洲中部。

2.4 不同因子对1981—2019年全球陆地生态系统碳收支变化贡献

在1981—2019年期间全部因子(LAI、气候、CO2和氮沉降)变化的情景下,全球累积的NEP为105.2 Pg。在仅有CO2、LAI、氮沉降或气候变化的情景下,累积的NEP分别为123.7、86.0、62.2和21.9 Pg;如CO2、LAI、氮沉降和气候在1981年后没有时间变化趋势(情景I),累积的NEP为65.4 Pg。图10展示了不同因子对1981—2019年全球NEP的累积贡献,CO2浓度、LAI、氮沉降和气候变化对1981—2019年期间的累积NEP贡献分别为58.4、20.6、0.7和-43.6 Pg,分别占此期间累积NEP的55.5%、19.6%、0.7%和-41.5%,CO2浓度和LAI变化对全球陆地生态系统碳汇的正贡献在很大程度上被气候变化的负作用所抵消,全部因子变化对1981—2019年期间累积NEP的贡献率为37.8%。1981年之前CO2浓度、氮沉降和气候变化延续效应(简称延续效应)对1981—2019年期间累积NEP的贡献率为62.2%(图10)。

平均而言,2000—2019年期间的全球陆地生态系统碳汇比1981—1999年期间强。全球陆地生态系统NEP在1981—1999年和2000—2019年期间的平均值分别为2.2 Pg·a-1和3.2 Pg·a-1。1981—1999年全部因子变化的情景下,累积的NEP为41.9 Pg,延续效应导致的累积NEP为35.5 Pg,CO2浓度、LAI、氮沉降和气候变化对1981—1999年NEP的累积贡献分别为15.6、4.0、0.1和14.3 Pg,平均为822.2、211.0、6.7和753.7 Tg·a-1(图11)。2000—2019年期间全部因子变化的情景下,累积的NEP为63.2 Pg,延续效应导致的累积NEP为29.9 Pg,CO2浓度、LAI、氮沉降和气候变化对1981—1999年期间NEP的累积贡献分别为42.7、16.6、0.6和-29.3 Pg,平均为2 138.2、829.8、28.9和-1 467.0 Tg·a-1(图11)。2000—2019年期间全球平均NEP相对于1981—1999年期间的增大主要是由于CO2浓度上升和LAI增大所导致,而气候变化对NEP的负作用在2000—2019年期间明显增大。

圖12表明,在1981—1999年期间,CO2浓度变化对中国NEP的贡献为41.0 Tg·a-1;LAI变化对NEP的贡献为12.7 Tg·a-1,气候变化导致NEP降低31.0 Tg·a-1。在2000—2019年期间,CO2浓度变化对中国NEP的贡献为109.0 Tg·a-1,LAI变化对NEP的贡献为135.8 Tg·a-1,气候变化导致NEP降低89.3 Tg·a-1。2000—2019年期间CO2浓度上升对NEP的正贡献和气候变化对NEP负作用都增强。值得注意的是,2000—2019年期间中国LAI对NEP的正贡献达到135.8 Tg·a-1,大于CO2浓度上升的正贡献(109 Tg·a-1),主要是由于中国的LAI增大幅度明显高于全球平均所致。

表2给出了不同植被类型的NEP总量及其全球贡献。森林对全球陆地生态系统碳汇的贡献最大,1981—2019年期间森林、灌木与稀树草原、草地和农田的累积NEP分别为76.4、15.8、3.6和9.4 Pg,占全球总量105.2 Pg的72.6%、15.5%、3.5%和8.9%。其中,1981—1999年期间森林、灌木与稀树草原、草地和农田的累积NEP分别为31.4、5.4、1.3和3.9 Pg,占总量41.9 Pg的74.8%、12.9%、3.0%和9.2%;2000—2019年期间森林、灌木与稀树草原、草地和农田的累积NEP分别为45.0、10.4、2.4和5.5 Pg,占总量63.2Pg的71.2%、16.4%、3.8%和8.7%。

1981—2019年期间中国陆地生态系统累积的NEP总量为7.38 Pg,其中森林、灌木与稀树草原、草地和农田的贡献分别为4.62、0.85、0.68和1.24 Pg,占总量的62.6%、11.5%、9.2%和16.7%。其中,1981—1999年期间中国森林、灌木与稀树草原、草地和农田的累积NEP分别为1.64、0.24、0.19和0.37 Pg,占总量2.45 Pg的66.9%、10.0%、7.9%和15.2%;2000—2019年期间中国森林、灌木与稀树草原、草地和农田的累积NEP分别为2.98、0.60、0.48和0.86 Pg,占总量4.93 Pg的60.5%、12.2%、9.8%和17.5%。

3 结论与讨论

利用植被类型、LAI和聚集度指数等遥感数据驱动BEPS模型,通过6个模拟试验模拟生成了1981—2019年全球陆地生态系统GPP、NPP和NEP数据,分析了全球陆地生态系统GPP、NPP和NEP的时空变化特征;评价了大气CO2浓度、叶面积指数、氮沉降、气候变化对全球及主要地区陆地生态系统NEP变化的贡献。主要结论如下:

1)1981—2019年全球NEP累积为105.2 Pg,森林、稀树草原及灌木、农田和草地的贡献分别为76.4、15.8、9.4和3.6 Pg。

2)在1981—2019年全球陆地生态系统GPP、NPP和NEP平均值分别为115.3、51.3和2.7 Pg·a-1,上升速率分别为0.47、0.21和0.06 Pg·a-1。全球大部分区域的年GPP和NPP都呈现显著增加趋势,NEP显著变化的区域明显少于GPP和NPP,NEP显著增大的区域主要在北半球高纬度地区、中国、南亚、东南亚和非洲中部。

3)CO2浓度、LAI、氮沉降和气候变化对1981—2019年期间对NEP的累积贡献分别为58.4、20.6、0.7和-43.6 Pg,全部因子同时变化对1981—2019年累积NEP的贡献为39.8 Pg。1981年之前CO2浓度、氮沉降和气候变化延续效应对1981—2019年期间累积NEP的贡献率为65.4 Pg。

本文基于BEPS模型的结果,分析了1981—2019年全球陆地生态碳通量的时空变化特征,发现全球GPP、NPP和NEP呈上升趋势,全球碳汇的增大主要是由于CO2施肥效应所导致,其次为LAI上升的贡献,而气候变化导致全球NEP下降,减弱了全球陆地生态系统碳汇。所得结果将为预估全球陆地生态系统碳汇演变趋势、实现碳中和目标提供一定的参考。毫无疑问,由于模型结构、参数取值和输入数据等方面的原因,BEPS模拟的全球碳通量以及不同因子对全球陆地生态系统碳收支的贡献存在着不确定性。LAI是BEPS模型的重要输入数据,而现有的全球LAI遥感数据在空间分布和变化趋势方面尚有较大的不确定性,利用不同LAI遥感数据模拟的全球陆地生态系统碳收支存在一定的差异(Chen et al.,2019)。模拟的CO2浓度上升对NEP的贡献主要由模拟的CO2浓度上升对GPP的增强作用(施肥效应)所决定;不同模型模拟的CO2施肥效应差异明显(Smith et al.,2015);与现有广泛使用的碳循环模型相同,BEPS模型也没有考虑植被对CO2浓度上升的适应性,有可能高估CO2浓度上升对碳汇的增加作用,最近基于多源遥感数据和模型数据的集成分析表明全球CO2施肥效应呈下降趋势,可能由叶片养分含量的降低和植被对水分的敏感性上升所导致(Wang et al.,2020)。如何更好地模拟未来CO2施肥效应还有待于我们开展更深入的研究。

参考文献(References)

陈镜明,居为民,刘荣高,等,2015.全球陆地碳汇的遥感和优化计算方法[M].北京:科学出版社. Chen J M,Ju W M,Liu R G,et al.,2015.Remote sensing and optimization calculation method of global terrestrial carbon sink[M].Beijing:Science Press.(in Chinese).

Chen J M,Ju W M,Ciais P,et al.,2019.Vegetation structural change since 1981 significantly enhanced the terrestrial carbon sink[J].Nat Commun,10(1):4259.doi:10.1038/s41467-019-12257-8.

Chen J M,Liu J,Cihlar J,et al.,1999.Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications[J].Ecological Modelling,124:99-119.

Feng X,Liu G,Chen J M,et al.,2007.Net primary productivity of China’s terrestrial ecosystems from a process model driven by remote sensing[J].J Environ Manag,85(3):563-573.doi:10.1016/j.jenvman.2006.09.021.

He M Z,Ju W M,Zhou Y L,et al.,2013.Development of a two-leaf light use efficiency model for improving the calculation of terrestrial gross primary productivity[J].Agric For Meteorol,173:28-39.doi:10.1016/j.agrformet.2013.01.003.

He Q N,Ju W M,Dai S P,et al.,2021.Drought risk of global terrestrial gross primary productivity in recent 40 years detected by a remote sensing-driven process model[J].Journal of Geophysical Research-Biogeosciences,126:e2020JG005944.

Huntzinger D N,Post W M,Wei Y,et al.,2012.North American Carbon Program(NACP) regional interim synthesis:terrestrial biospheric model intercomparison[J].Ecol Model,232:144-157.doi:10.1016/j.ecolmodel.2012.02.004.

Ju W,Wang S,Yu G,et al.,2010.Modeling the impact of drought on canopy carbon and water fluxes for a subtropical evergreen coniferous plantation in Southern China through parameter optimization using an ensemble Kalman filter[J].Biogeosciences,7(66):845-857.doi:10.5194/bg-7-845-2010.

Le Quéré C,Andres R J,Boden T,et al.,2013.The global carbon budget 1959—2011[J].Earth System Science Data,5(1):165-185.

Liu Y,Liu R G,Chen J M,2012.Retrospective retrieval of long-term consistent global leaf area index(1981—2010) maps from combined AVHRR and MODIS data[J].Journal Geophysiscal Research-Biogeoscienes,117:G04003.doi:10.1029/2012JG002084.

Lu X H,Jiang H,Zhang Z,et al.,2013.Estimated global nitrogen deposition using NO2 column density[J].Int J Remote Sens,34(24):8893-8906.doi:10.1080/01431161.2013.853894.

Piao S L,Stephen S,Philippe C,et al.,2013.Evaluation of terrestrial carbon cycle models for their response to climate variability and to CO2 trends[J].Glob Change Biol,19(7):2117-32.doi:10.1111/gcb.12187.

Reichstein M,Papale D,Valentini R,et al.,2007.Determinants of terrestrial ecosystem carbon balance inferred from European eddy covariance flux sites[J].Geophys Res Lett,34(1):402-406.

Smith W K,Reed S C,Cleveland C C,et al.,2016.Large divergence of satellite and Earth system model estimates of global terrestrial CO2 fertilization[J].Nat Clim Change,6(3):306-310.doi:10.1038/nclimate2879.

Wang S H,Zhang Y G,Ju W M,et al.,2020.Recent global decline of CO2 fertilization effects on vegetation photosynthesis[J].Sci N Y N Y,370(6522):1295-1300.doi:10.1126/SCIENCE.ABB7772.

Wei S S,Fang H L,Schaaf C B,et al.,2019.Global 500 m clumping index product derived from MODIS BRDF data (2001—2017)[J].Remote Sensing of Environment,232:111296.

Xia J Y,McGuire A D,Lawrence D,et al.,2017.Terrestrial ecosystem model performance in simulating productivity and its vulnerability to climate change in the northern permafrost region[J].J Geophys Res Biogeosci,122(2):430-446.doi:10.1002/2016JG003384.

Yi C X,Ricciuto D,Li R Z,et al.,2010.Climate control of terrestrial carbon exchange across biomes and continents[J].Environ Res Lett,5(3):034007(10pp).doi:10.1088/1748-9326/5/3/034007.

Yu G R,Zhang L M,Sun X M,et al.,2008.Environmental controls over carbon exchange of three forest ecosystems in eastern China[J].Glob Change Biol,14(11):2555-2571.doi:10.1111/j.1365-2486.2008.01663.x.

Yu G R,Zhu X J,Fu Y L,et al.,2013.Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China[J].Glob Change Biol,19(3):798-810.doi:10.1111/gcb.12079.

袁文平,蔡文文,刘丹,等,2014.陆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,29(5):541-550. Yuan W P,Cai W W,Liu D,et al.,2014.Satellite-based vegetation production models of terrestrial ecosystem:an overview[J].Adv Earth Sci,29(5):541-550.doi:10.11867/j.issn.1001-8166.2014.05.0541.(in Chinese).

Characteristics and driving factors of global terrestrial ecosystem carbon fluxes from 1981 to 2019

ZHOU Yanlian1,JU Weimin2,LIU Yibo3

1School of Geography and Ocean Science,Nanjing University,Nanjing 210023,China;

2International Institute for Earth System Science,Nanjing University,Nanjing 210023,China;

3School of Applied Meteorology/Jiangsu Key Laboratory of Agricultural Meteorology,Nanjing University of Information Science & Technology,Nanjing 210044,China

The terrestrial ecosystem carbon sink plays an important role in retarding the increase of atmospheric CO2concentration and global warming.Affected by human activities and climate change,the terrestrial ecosystem carbon fluxes exhibit strong spatial and temporal variations.Their estimates still have large uncertainties,and the contributions of different factors to their variations are still unclear.Therefore,using the remote-sensing-driven terrestrial ecosystem process model BEPS,the temporal and spatial variation characteristics of global terrestrial ecosystem carbon fluxes from 1981 to 2019 are simulated and analyzed,and the contributions of atmospheric CO2concentration,leaf area index (LAI),nitrogen deposition and climate change to the change of global terrestrial ecosystem carbon budget are evaluated.From 1981 to 2019,the average values of global terrestrial ecosystem GPP (Gross Primary Productivity),NPP (Net Primary Productivity) and NEP (Net Ecosystem Productivity) are 115.3,51.3 and 2.7 Pg·a-1 (in terms of carbon quality,the same below),and the rising rates are 0.47,0.21 and 0.06 Pg·a-1,respectively.GPP and NPP increase significantly in most regions of the world,and the regions where NEP increases significantly (p<0.05) are significantly less than those for GPP and NPP.From 1981 to 2019,the accumulative global NEP is 105.2 Pg.The contributions of forests,savanna and shrub,crop,and grass are 76.4,15.8,9.4 and 3.6 Pg,respectively.The accumulative contributions of CO2 concentration,LAI,nitrogen deposition and climate change to NEP are 58.4,20.6,0.7 and -43.6 Pg,respectively.The accumulative contribution of all four factor changes to NEP is 39.8 Pg.The rise of CO2 concentration is the main contributing factor to the increase of NEP in global terrestrial ecosystem in recent 40 years,followed by LAI.

terrestrial ecosystem;carbon flux;leaf area index;nitrogen deposition;climate change

doi:10.13878/j.cnki.dqkxxb.20220403007

(責任编辑:张福颖)

猜你喜欢

气候变化
《气候变化》的披露要求与趋同分析
潮细胞
Exploring the link between education and climate change 教育和气候变化之间有何联系
年轻人最担忧气候变化
“停战”
气候变化成为澳年轻人最重视问题
2007:绿色企业
WHO:每8例死亡中就有1例死于空气污染
谷歌数据显示:美国人不懂气候变化