Spatiotemporal Variation Characteristics of Vegetation Carbon Use Efficiency and Its Driving Factors in Southwest China over the Past 20 Years
-
摘要:
植被碳利用率作为生物圈与大气圈碳循环的关键参数之一，对了解生态系统碳源和碳汇具有重要作用。本文基于MOD17A2H数据，采用Theil-Sen media趋势分析、空间插值以及偏相关分析法，分析2001～2020年西南地区植被碳利用率（Carbon Use Efficiency, CUE）时空分布格局及变化趋势，根据气象数据和数字高程模型（Digital Elevation Model, DEM）数据，重点研究了西南地区植被CUE对气候变化的响应。结果表明：（1）2001～2020年西南地区不同植被类型年内CUE整体呈上升—下降—再上升—再下降的变化特征，整体上各植被类型CUE呈下降趋势，下降速率依次为：灌木＞森林＞草地＞农作物。（2）近20年西南地区植被CUE 多年均值约为0.75，植被固碳能力较强，空间上表现出由南部和东北部向西北部递增的空间分布格局，趋势分析表明西南地区植被CUE整体表现为微弱下降趋势。（3）2001～2020年西南地区植被碳利用率与气温、降水以及日照时长均呈负相关关系，整体上西南地区植被CUE主要受气温和日照时长影响，其次为降水。
-
关键词:
- MODIS /
- 植被碳利用率（CUE） /
- 时空变化 /
- 气候因子 /
- 西南地区
Abstract:As a key parameter of the carbon cycle within the biosphere and atmosphere, vegetation carbon use efficiency plays an important role in understanding ecosystem carbon sources and sinks. This paper analyzed the spatiotemporal patterns and trends of vegetation carbon use efficiency (CUE) in southwest China from 2001 to 2020 using Theil–Sen media trend analysis, spatial interpolation, and correlation analysis based on the MOD17A2H data. This paper focused on the response of vegetation CUE to climate changes in Southwest China using meteorological data and digital elevation model data. The results showed that (1) from 2001 to 2020, the monthly average CUE values for all vegetation types in Southwest China showed a pattern of rising, declining, rising again, and then declining again. Overall, the CUE of all vegetation types demonstrated a decreasing trend, and the decreasing rate was in the order of shrub ＞ forest ＞ grassland ＞ crop. (2) Over the past 20 years, the average annual value of vegetation CUE was about 0.75, indicating strong vegetation carbon sequestration capacity. The spatial distribution pattern revealed an increase in vegetation CUE from south and northeast China toward the northwest. Trend analysis displayed a weak downward trend in vegetation CUE across southwest China. (3) From 2001 to 2020, vegetation CUE negatively correlated with the air temperature, precipitation, and sunshine duration in Southwest China. This implies that the air temperature and sunshine duration were the dominant climatic factors affecting vegetation CUE in southwest China, whereas the impact of precipitation on vegetation CUE was relatively weak.
-
Keywords:
- MODIS /
- Carbon use efficiency (CUE) /
- Spatiotemporal variation /
- Climatic factors /
- Southwest China
-
1. 引言
植被碳利用率（Carbon Use Efficiency, CUE）通常指植被将从大气环境中获得的碳用于植物生长分配到生物量上的比例，即植被净初级生产力（Net Primary Production, NPP）与总初级生产力（Gross Primary Production, GPP）之间的比值（Allison et al., 2010; Manzoni et al., 2012; 郑飞鸽等, 2020），用来反映植被将大气中的CO2转化为生物量的能力（Landsberg and Waring, 1997; Choudhury, 2001; Bradford and Crowther, 2013）。植被CUE作为生态系统变化的重要参数之一，能够将生态系统植被总初级生产力和植被碳交换联系起来（郑飞鸽等, 2020; 底阳平等, 2021），有助于了解陆地生态系统是碳源还是碳汇（Delucia et al., 2007; 袁旻舒等, 2017）。
在早期研究中众多学者认为植被CUE是一个稳定不变的常量（Choudhury, 2001），但是在深入研究中发现植被CUE并非恒定不变（Delucia et al., 2007; Zhang et al., 2009, 2014）。Delucia et al. （2007）研究发现不同植被类型其CUE值存在差异，并且CUE值还受林龄影响。Zhang et al. （2009）基于全球生态系统研究表明，CUE值随着生态系统类型、地理位置以及气候因子等变化而变化。Zhang et al. （2014）发现植被CUE受气温和降水影响较大，其中升温对CUE起抑制作用，降水增加对CUE起促进作用。Campioli et al.（2011）采用多元线性回归分析发现CUE与外部环境条件显著相关。Manzoni et al.（2018）在对生态系统CUE进行评价时发现实际CUE随生长条件的改善而增大。近年来为进一步研究植被CUE变化规律，国内外学者基于遥感数据分析了CUE与气候变化之间的关系（Gang et al., 2016; 刘洋洋等, 2019; 罗赵慧等, 2021）。相关研究结果表明，在全球范围内CUE比起降水对气温敏感度更高（Yang et al., 2017）。中国大部分地区植被CUE受降水和气温影响较大，分别表现为正相关和负相关，相关性易受区域气候格局和植被类型影响（刘洋洋等，2019)。在不同区域尺度上CUE对气候变化的响应程度不同（Manzoni et al., 2018），郑飞鸽等（2020）研究表明三江源区植被CUE受降水影响较大，罗赵慧等（2021）研究表明粤港澳大湾区植被CUE主要受气温和降水影响。前人研究大多集中于全球或全国范围等大尺度植被CUE变化，针对典型区域植被CUE的研究较少，且不同区域生态环境差异较大，植被CUE变化特征具有明显差异。因此，探究生态典型区和气候敏感区植被CUE动态变化过程有助于了解区域尺度上植被固碳能力及其影响因素，以便于通过植被固碳途径助力实现我国碳中和目标。
西南地区是我国喀斯特地貌分布的主要区域，研究区内地形崎岖、岩石裸露，属于典型的气候变化敏感区和生态环境脆弱区，是我国生态环境保护工程的重点实施区。西南地区包含三省一市，区内植被生态环境、气候条件等差异较大，近年来，由于生态保护工程的实施西南地区整体植被生长状况良好（徐勇等, 2023b），但区内植被生长受气候等条件影响较大。目前关于西南地区植被的研究主要集中在植被类型和植被生产力方面（徐勇等, 2023a, 2023c），而在全球变暖和实现“双碳”目标背景下，厘清西南地区植被CUE时空变化特征及其与气候因子之间的关系显得尤为迫切。因此，本文利用MODIS（Moderate-resolution Imaging Spectroradiometer）MOD17A2H数据定量评估西南地区植被CUE并分析其对气候变化的响应，有助于掌握区域植被生长状况，为制定适宜的植被保护政策提供科学依据。
2. 研究区概况
研究区地处我国西南部（21°08'N～34°08'N，97°31'E～110°11'E），包括云南省、四川省、贵州省和重庆市（刘斌涛等, 2012; 杨艳蓉等, 2021），总面积约为103.78×104 km2。研究区内地势呈现由西北向南至东南方向依次降低的空间分布格局，海拔在3～7473 m，平均海拔约为1995 m（图1a）。研究区内水资源丰富，分布有众多河流水系以及湖泊，例如长江、嘉陵江、岷江、泸沽湖和洱海等。区内植被类型丰富，独特的地形造就了“高—中—低海拔梯度”植被分布格局，农田、森林和草地生态系统占比较高，根据西南地区植被覆盖特点将植被类型主要分为农作物、灌丛、草地、森林四大类（图1b）。
![]()
图 1 西南地区（a）数字高程模型（DEM）、气象站点分布和（b）植被类型。Figure 1. Distribution of (a) meteorological stations and DEM (Digital Elevation Model) and (b) land cover types of vegetation in Southwest China.3. 数据源与研究方法
3.1 数据源与预处理
3.1.1 GPP/NPP数据
本文选用2001～2020年MOD17A2HGF（https://search.earthdata[2022-12-10]）数据集，该数据集包含植被总初级生产力（Gross Primary Productivity, GPP）、植被净光合作用（Net Photosynthesis, PSNet）及其质量控制文件，空间分辨率为500 m，时间分辨率8 d，该数据经过辐射校正和大气校正等于处理，利用MODIS 数据批处理工具对数据进行格式转换、重投影和镶嵌等与处理工作，利用质量控制文件对MOD17A2HGF/GPP/PSNet数据进行质量评价，结果表明该区域2001～2020年GPP和PSNet数据高质量占比超过90%；并且根据该数据产品的用户手册剔除数据对应的填充值；最后乘以尺度转换系数0.0001得到该研究区数据源。
3.1.2 气象数据
气象数据来自中国国家气象科学数据共享服务平台（http: //data.cma.cn /[2022-12-10]），选取西南地区内部及其周围233个气象站点2001～2020年的日值数据，并对数据进行检验剔除不可用数据。研究区累计降水量和累计日照时长的遥感数据利用日值气象数据采用Kriging插值法进行空间插值获取（Yan et al., 2015）。由于气温受海拔影响较大，因此将高程作为协变量采用薄板样条函数法（Anusplina）进行空间插值获得气温的遥感数据（杨正兰等, 2021）。
3.1.3 植被数据
西南地区植被类型数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn[2007-12-10]）的1：100万植被类型图，数据集经过投影转换、重采样和格式转换等数据处理过程，根据西南地区的植被覆盖特征，将研究区植被类型归并为农作物、森林、草地和灌丛四大类（图1b）。
3.1.4 地形数据
地形数据采用中国科学院“地理空间数据云平台”（http://www.gscloud.cn[2009-12-10]）GDEMV3，空间分辨率为30 m，对高程数据进行拼接、投影转换和裁剪，最后将其空间分辨率重采样为500 m。
3.2 研究方法
3.2.1 CUE估算
生态系统呼吸作用产生的CO2是大气中碳元素的主要来源之一，生态系统的呼吸主要包括植物呼吸和土壤呼吸两个方面（赵新全, 2009; Yu et al., 2010）。植物自养呼吸是向大气释放CO2的过程，分析植被自养呼吸是了解生态系统呼吸作用的基础，也是掌握大气碳循环的有效途径之一（Albrizio and Steduto, 2003; 朱先进等, 2013）。植被碳利用率（CUE）是建立碳平衡模型的基本参数（Cheng et al., 2000; He et al., 2018），随着CUE参数的普及使呼吸作用的研究变得相对容易（Waring et al., 1998; Gifford, 2003），CUE即植被NPP与GPP之间的比率，亦是GPP减去自养呼吸（Ra）后与GPP的比率，CUE计算公式如下：
$$ \rm{C}UE=\frac{\mathrm{NPP}}{\mathrm{GPP}}=\frac{\mathrm{GPP}-\mathrm{\mathit{R}}_{\mathrm{a}}}{\mathrm{GPP}}, $$ (1) 其中，CUE表示植被碳利用率，NPP表示植被净初级生产力，单位：kg(C) m−2，GPP表示植被总初级生产力，单位：kg(C) m−2，Ra表示植被自养呼吸消耗量，单位：kg(C) m−2。
3.2.2 Theil-Sen media趋势分析和Mann-Kendall检验法
采用Theil-Sen media趋势分析和Mann-Kendall趋势检验法相结合的方法对西南地区2001～2020年植被CUE进行逐像元趋势变化分析及检验。Theil-Sen media趋势分析是一种非参数斜率计算方法，具有良好的抗噪性，有助于减少异常值的干扰，其计算公式如下（杨正兰等, 2021）：
$$ \beta = {\rm median} \frac{{x}_{j}-{x}_{i}}{j-i} (1 < i < j < n), $$ (2) 其中，$ {x}_{i} $与$ {x}_{j} $分别为第i和j年的CUE值；n为研究的时间序列长度；$ \beta $用于量化单调趋势，当$ \beta $＞0时，表明植被CUE随时间呈上升趋势，当$ \beta $＜0时表明植被CUE随时间呈下降趋势。
Mann-Kendall趋势检验能有效判断某一自然过程中存在的显著变化趋势，其计算公式如下（邓兴耀等, 2017; 谢慧君等, 2020）：
$$ Z=\left\{\begin{array}{*{20}{c}}\displaystyle\frac{S-1}{\sqrt{\rm{var}\left(\rm{S}\right)}} & S＞0 \\ 0 & S=0 \\ \displaystyle\frac{S+1}{\sqrt{\rm{var}\left(\rm{S}\right)}} & S＜0\end{array}\right., $$ (3) 其中，
$$ S = \sum\limits_{i = 1}^{n - 1} {\sum\limits_{j = i+1}^n {{\rm sgn} ({x_j} - {x_i})} } ,\qquad\qquad\; $$ (4) $$ \mathrm{\rm{s}gn}(x_{j-}x_i)=\left\{\begin{array}{l}1\qquad\ x_j-x_i＞0 \\ 0\qquad\ x_j-x_i=0 \\ -1\qquad x_j-x_i＜0\end{array}\right., $$ (5) $$ {\rm var}(S) = \frac{n(n-1)(2n+5)}{18} ,\qquad\qquad $$ (6) 式中，sgn为函数符号。本文在$ \alpha $ = 0.05置信水平和$ \alpha $ = 0.01置信水平下对植被CUE变化趋势进行分析：当$ \beta $ ＜ 0，|Z| ＞ $ {Z}_{1-\alpha } $，植被CUE为显著下降；$ \beta $ ＞ 0，|Z| ＞ $ {Z}_{1-\alpha } $，植被CUE为显著上升。
3.2.3 相关分析
本研究利用相关分析法探究西南地区植被CUE与气温、降水和日照时的相关关系，分析研究区植被CUE对气候变化的响应情况，其中线性相关系数计算公式如下（覃艺等, 2021; Yang et al., 2021）：
$$ {R_{xy}} = \frac{{\sum\limits_{i = 1}^n {[({x_i} - \bar x)({y_i} - \bar y)]} }}{{\sqrt {\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} } \sqrt {\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} } }} \text{，} $$ (7) 其中，Rxy为相关系数，n为研究时间序列长度， $\bar x $和$\bar y $分别表示x和y两变量的平均值。
当有植被CUE受多个因子影响情况下，使用偏相关分析可以消除其他变量影响，分析单一因子对CUE的影响程度，偏相关分析计算公式如下（徐勇等, 2023a）：
$$ R_{xy,z_1z_2}=\frac{R_{xy,z_1}-R_{xz_2,z_1}R_{yz_2,z_1}}{\sqrt{(1-R_{xz_2}^2)(1-R_{yz_2,z_1}^2)}}， $$ (8) 其中，$ {R}_{xy,{z}_{1}{z}_{2}} $为基于z1、z2控制变量的x和y变量的偏相关系数，利用t检验法对结果进行显著性检验。
4. 结果与分析
4.1 西南地区不同植被类型CUE年内变化特征
2001～2020年西南地区不同植被类型月均GPP整体呈先上升后下降的变化过程（图2a），与植被生长的季节性变化规律基本相符，均从1月开始上升，在7～8月达到峰值后开始下降，并在12月份下降到最低，各植被类型多年月均GPP值依次为：森林0.12 kg(C) m−2＞农作物0.11 kg(C) m−2＞灌木0.10 kg(C) m−2＞草地0.09 kg(C) m−2。2001～2020年不同植被月均NPP变化特征与GPP相似，均呈先上升后下降的变化特征，其中农作物由于受季节变化影响较大，在5～9月呈波动变化，各植被类型多年月均NPP值依次为：森林0.088 kg(C) m−2＞灌木0.079 kg(C) m−2＞农作物0.076 kg(C) m−2＞草地0.069 kg(C) m−2。2001～2020年各植被类型月均CUE变化特征与GPP和NPP相反，整体上呈上升—下降—再上升—再下降的变化过程。其中，森林、灌木和草地变化过程较一致，均在1～3月呈上升趋势，3～7月表现为下降趋势，7～10月呈上升趋势，10～12月表现为下降趋势。
![]()
图 2 2001～2020年西南地区不同植被植被类型（a）GPP、（b）NPP及（c）CUE月均值变化。Figure 2. Monthly variations of different vegetation types (a) GPP (Gross Primary Production), (b) NPP (Net Primary Production), and (c) CUE (Carbon Use Efficiency) in Southwest China from 2001 to 2020.4.2 西南地区不同植被类型CUE年际变化特征
2001～2020年西南地区各植被类型GPP差异明显，森林GPP值为最大，其次为农作物、灌木和草地（图3a）。整体上，近20年西南地区各植被类型GPP呈波动上升趋势，4种植被类型GPP上升速度依次：农作物0.125 kg(C) m−2 (10 a)−1＞灌0.072 kg(C) m−2 (10 a)−1＞森林0.068 kg(C) m−2 (10 a)−1＞草地0.065 kg(C) m−2 (10 a)−1。其中，农作物GPP上升趋势最显著。2001～2020年西南地区各植被类型NPP差异较大，森林NPP值为最大，其次为灌木、农作物和草地（图3b）。整体上，近20年西南地区各植被类型NPP均呈波动上升趋势，农作物速率最大[0.072 kg(C) m−2 (10 a)−1]，灌木和草地上升速率相同，约为0.031 kg(C) m−2 (10 a)−1，森林上升速率最小为0.029 kg(C) m−2 (10 a)−1。其中，农作物NPP上升趋势最显著。2001～2020年西南地区各植被类型CUE值差异显著，草地CUE值最大，其次为灌木、森林和农作物（图3c）。整体上，近20年西南地区各植被类型CUE整体呈下降趋势，灌木下降速率最大[－0.015 (10 a)−1]，其次分别为森林[－0.013 (10 a)−1]、草地[－0.012 (10 a)−1]和灌木[－0.006 (10 a)−1]。其中，灌木下降趋势最显著。
![]()
图 3 2001～2020年西南地区不同植被（a）GPP、（b）NPP以及（c）CUE年际变化特征。Figure 3. Inter-annual variations of different vegetation types (a) GPP, (b) NPP, and (c) CUE in Southwest China from 2001 to 2020.4.3 西南地区植被CUE时空分布特征
4.3.1 西南地区植被CUE年内空间分布特征
西南地区1、2月以及12月份部分区域出现CUE无值区，无值区域主要位于研究区西北部，该区域植被覆盖类型主要为草地，12月份至2月份为草地植被的枯萎期，未进入生长阶段，因此无碳排放和碳吸收活动发生。研究区西北部植被CUE值1～12月呈先增加后减少的变化趋势（图4a–4l），1～6月该区域植被CUE呈明显上升趋势（图4a–4f），7～12月CUE值呈下降趋势（图4g–4l），该区域主要植被覆盖类型为草地，CUE值年内变化规律符合草地植被物候特征（抽芽—生长—发育—成熟—衰老过程）。西南地区植被1～12月CUE值空间分布异质性显著，不同区域植被CUE值差距较大。研究区除西北部以外的区域1～12月植被CUE均呈先下降后上升的变化趋势，4～8月呈下降趋势，9～12月呈上升趋势，该区域植被覆盖类型主要为森林、灌丛和农作物，其呼吸作用对气温上升比较敏感是导致4～8月植被CUE降低的主要原因（Heinsch et al., 2006）。研究区部分月份的部分地方出现无值区以及负值情况，主要是由于此时间段该区域植被受气候影响光合作用微弱，植被本身的呼吸作用大于光合作用，植被向大气排出CO2。
![]()
图 4 西南地区1～12月植被CUE空间分布（2001～2020年月均值）Figure 4. Spatial distribution of vegetation CUE in Southwest China during January to December (monthly average from 2001 to 2020)4.3.2 西南地区植被多年CUE空间分布特征
2001～2020年西南地区植被GPP与NPP整体空间分布特征相似，与植被CUE分布特征相反（图5）。2001～2020年间西南地区GPP范围为0～3.31 kg(C) m−2，GPP平均值约为1.27 kg(C) m−2，总体呈现由北向南递增的分布特征（图5a）。2001～2020年西南地区植被NPP范围为0～2.48 kg(C) m−2，NPP平均值约为0.93 kg(C) m−2，空间分布差异明显，空间分布特征与GPP相似（图5b）。
![]()
图 5 2001～2020年西南地区植被（a）GPP、（b）NPP、（c）CUE空间分布。Figure 5. Spatial distribution of vegetation (a) GPP, (b)NPP, and (c) CUE in Southwest China from 2001 to 2020.2001～2020年西南地区植被CUE介于0.18～1.0，平均CUE约为0.75，植被固碳能力较强（图5c）。西南地区植被CUE空间差异明显，整体呈由南部和东北部向西北部递增的空间分布格局。研究区内西北部植被碳利用率最大，四川盆地部分区域植被碳利用率偏低，主要分布在四川盆地中部和南部，植被CUE介于0.4～0.6。研究区植被CUE高值区主要植被覆盖类型为灌丛、森林和草地，该区域海拔也高于研究区其它地区。
4.4 西南地区植被CUE空间趋势变化
2001～2020年西南地区植被CUE变化趋势空间异质性显著，植被CUE变化斜率为－0.032～0.028 a−1，平均变化斜率约为－0.0011 a−1（图6a），西南地区植被CUE高值区域主要集中分布在四川盆地内，低值区主要分布在研究区中部地区和云南省南部。整体上，西南地区植被CUE以微弱下降为主，呈下降趋势区域面积占比约为79.59%。其中，呈显著下降和极显著下降区域面积占比分别为39.45%和24.77%（表1），显著下降区域在整个研究区均有分布，极显著下降区域集中在云南省南部、云南省东南部、贵州省西部和四川省南部（图6b）。西南地区植被CUE呈显著上升区域面积约为20.41%，呈显著上升和极显著上升区域面积占比分别为5.50%和2.86%，显著上升区域在研究区内零散分布，极显著上升区集中分布在四川盆地内。
![]()
图 6 2001～2020年西南地区植被（a）CUE变化斜率及其（b）显著性变化趋势。Figure 6. (a) Change slope and (b) significance trend test of vegetation CUE in Southwest China from 2001 to 2020.表 1 2001～2020年西南地区植被CUE变化趋势统计Table 1. Statistics of change trend of vegetation CUE in Southwest China from 2001 to 2020β（趋势） α（置信水平） 变化类型 面积占比 β＞0 α=0.05 显著上升 5.50% α=0.01 极显著上升 2.86% β＜0 α=0.05 显著下降 39.45% α=0.01 极显著下降 24.77% 4.5 西南地区植被CUE对气候变化的响应
4.5.1 西南地区近20年气候因子变化特征
近20年西南地区气温呈波动上升趋势，上升速率约为0.03°C a−1，但上升趋势为不显著（图7a）。近20年来西南地区年均气温介于11.82～12.63°C，多年平均气温约为12.34°C。2001～2020年西南地区累计降水量呈波动上升趋势，上升速率约为3.59 mm a−1，上升趋势不显著（图7b）。近20年来研究区年累计降水量介于877.05～1135.01 mm，多年平均累计降水量999.16 mm。2001～2020年西南地区累计日照时长呈波动上升趋势，上升速率约为2.13 h/a，上升趋势不显著（图7c）。近20年来西南地区累计日照时长介于1633.85～1918.41 h，多年平均累计日照时长约为1754.34 h。
![]()
图 7 2001～2020年西南地区平均（a）气温、（b）降水量和（c）日照时长年际变化。Figure 7. Inter-annual change of mean (a) air temperature, (b) precipitation, and (c) sunshine duration in Southwest China from 2001 to 2020.4.5.2 西南地区植被CUE对气候变化响应分析
2001～2020年西南地区植被碳利用率与气温偏相关性分析结果表明（图8a），植被CUE与气温主要呈负相关关系，平均偏相关系数约为－0.14；呈负相关关系区域主要位于研究区北部、中部、重庆市北部地区以及云南省大部分地区，面积占比约为68.95%；呈正相关关系区域主要集中分布在贵州省内大部分区域以及四川省内阿坝州藏族羌族自治州、重庆渝东南一带，面积占比约为31.05%。t显著性检验结果并表明（图8d），西南地区通过0.05显著水平检验的区域主要分布在四川省凉山彝族自治州、云南省丽江市、普洱市和西双版纳傣族自治州以及重庆市渝东南一带，面积占比约为16.13%，其中显著正相关区域占总面积约2.56%，显著负相关区域占总面积约13.57%（表2）。
![]()
图 8 2001～2020年西南地区植被CUE与（a、d）气温、（b、e）降水、及（c、f）日照时长偏相关系数（第一行）及显著性检验（第二行）。Figure 8. The partial correlation coefficients (the first line) and significant test (the second line) of vegetation CUE with (a, d) air temperature, (b, e) precipitation, and (c, f) sunshine duration in Southwest China from 2001 to 2020.表 2 2001～2020年西南地区植被CUE与气候因子相关性分析统计Table 2. Statistics of correlation analysis between vegetation CUE and climatic factors from 2001 to 2020气候因子 面积占比 正相关关系 负相关关系 通过显著性检验 显著正相关 显著负相关 气温 31.05% 68.95% 16.13% 2.56% 13.57% 降水 36.96% 63.04% 12.86% 4.12% 8.74% 日照时长 48.11% 51.89% 14.94% 7.03% 7.91% 2001～2020年西南地区植被碳利用率与降水偏相关性分析表明（图8b），植被CUE与降水主要呈负相关关系，平均偏相关系数约为－0.08；除四川盆地以外的大部分区域呈负相关关系，其中四川省北部和云贵高原区域偏相关系数较大，负相关区域面积占比约为63.04%；呈正相关关系区域主要集中分布在四川盆地、云南省南部、贵州省北部以及重庆市渝西北一带，面积占比约为36.96%。t显著性检验结果表明（图8e），西南地区通过0.05显著水平检验的区域主要分布在四川盆地、四川省阿坝州、甘孜藏族自治州中部、重庆市丰都、忠县以及贵州省黔东南苗族侗族自治州一带，面积占比约为12.86%，显著正正相关和显著负相关面积占比分别为4.12%和8.74%（表2）。
2001～2020年西南地区植被碳利用率与日照时长偏相关性分析表明（图8c），植被CUE与日照时长主要呈负相关关系，平均偏相关系数约为－0.013；呈负相关关系区域集中分布在研究区北部、四川盆地、云南省大部分区域以及重庆市渝西部分区域，面积占比约为51.89%；呈正相关关系区域主要集中分布在重庆市北部、贵州省大部分地区、云南省中部和南部以及四川省凉山彝族自治州一带，面积占比约为48.11%。t显著性检验结果表明（图8f），西南地区通过0.05显著水平检验的区域主要分布在四川成都南部—资阳—眉山—内江区域、贵州省黔东南苗族侗族自治州—黔南布依族苗族自治州、云南省德宏州、临沧市以及普洱市一带，面积占比约为14.94%，其中显著正相关和显著负相关面积占比分别为7.03%和7.91%（表2）。
5. 讨论
前人针对MODIS数据的可靠性进行了验证，例如一些学者利用涡度通量观测塔站点衍生的GPP与生物群落站点数据组成的NPP数据对MODIS数据产品GPP和NPP进行质量验证，结果表明MODIS数据产品GPP和NPP与观测数据GPP以及站点数据NPP有显著强相关性（Olson et al., 2002; Heinsch et al., 2006）。Kwon and Larsen（2013）认为利用MODIS数据产品GPP和NPP数据在植被CUE的反演中可信度较高。目前，许多专家学者使用MODIS数据集在西南地区进行植被研究取得较多研究成果（Lu et al., 2021; 徐勇等, 2023b, 2023c），且本文中各植被类型NPP呈微弱上升趋势，与徐勇等（2023b）研究结果一致。本研究中采用MODIS数据集中的GPP和NPP数据计算得到西南地区不同植被类型CUE，研究表明不同植被类型之间CUE差异较大，整体上西南地区各植被类型CUE值介于0.68～0.80，由于川西高原包括在西南地区，且整个西南地区内部地形复杂，植被覆盖类型丰富，因此相较于川西高原植被CUE介于0.83～0.85（Lu et al., 2021），西南地区整体偏低。
1～12月由于气候变化，对植被光合作用和呼吸作用影响较大，植被与大气环境的碳交换能力也受到一定影响（Crowther and Bradford, 2013; Collalti et al., 2018）。西南地区1～2月份以及12月份部分地区气温偏低、降水量减少，主要植被覆盖类型为草地，导致该时间段内几乎无植被进行光合作用和呼吸作用，导致该区域CUE出现空值。3～6月随着气温回升，降水增多，草地和灌木植被开始生长，植被的生理活动速率加快，植被与大气碳交换能力提升，植被碳利用率开始迅速上升。7～12月川西高原气候条件开始发生变化，植被逐渐进入枯萎期，生理活动降低，植被光合作用强度明显下降，植被碳利用率开始下降（郑飞鸽等, 2020）。西南地区植被月平均GPP和NPP变化基本符合植物的季节性生长规律，月平均植被CUE变化规律则与月平均GPP、NPP相反，主要原因是4～10月研究区大部分区域植被受气温影响呼吸作用较为强烈，导致植被净初级生产力上升速率相对于植被总生产力上升缓慢，植被自养呼吸增强，植被固碳能力受到一定影响（Ryan et al., 1994）。
研究中近20年西南地区不同植被年际CUE呈不显著下降趋势，相关研究表明（Crowther and Bradford, 2013; Collalti et al., 2018），植被呼吸作用对气温上升的敏感度高于光合作用，增温导致植被呼吸作用更强烈，促进植被的碳释放能力，造成NPP上升速率较GPP更慢，从而出现增温导致植被碳利用率下降的情况。其中，由于农作物受生长周期以及气候影响较大，且农作物主要聚集在四川盆地，季节性特征显著，因此农作物年际CUE最低。研究区内草地覆盖面积较大，主要聚集在川西高原和云贵高原，受高原气候影响日照充足且大部分属于高山草甸（张虹娇, 2014），因此西南地区草地CUE整体较高。由于西南地区属于典型的喀斯特地貌，区内土层薄土质差（吕妍等, 2018），大部分植被类型为灌木，因此灌木年际CUE相较于其他植被类型较大。整体上，西南地区植被CUE呈下降趋势。由于西南地区累计降水量较大，导致大气中的水汽含量较多，形成云层较厚，云雾天气较多，加之水土流失、地震、泥石流等自然灾害频发（石智宇等, 2022），减缓了植物的生长速度和光合作用速率，从而导致植被碳利用率降低。另外，西南地区土壤质量相对较差，土地较为分散（张龙和穆月英, 2023），土壤重金属污染严重（石雨佳等, 2023），影响植物的根系生长和养分吸收能力，这也是造成植被碳利用率降低的原因之一（朱万泽, 2013）。
西南地区地貌差异较大，植被CUE时空格局和变化趋势存在空间差异。研究发现植被CUE与GPP和NPP空间分布特征相反，川西高原CUE相对较高，而四川盆地区域CUE偏低。受研究区地形地貌影响，川西地区海拔较高，整体气温偏低，受太阳辐射时间长（张虹娇, 2014），此气候条件下的植被呼吸作用较弱，光合作用较强，因此该区域CUE值较高。四川盆地区域受大山环绕，海拔相对较低，云量和降雨天气较多（马瑞雪, 2021），植被光合作用受阻，导致CUE值相对较低。
整体上，西南地区CUE变化对气候因子的响应存在空间异质性。阿坝州北部的若尔盖湿地地区的CUE与气温和降水均呈显著负相关关系，该区域海拔较高，气温偏低，水资源丰富，主要植被覆盖类型为草地，生态环境敏感脆弱，植被生长对水热条件变化敏感（徐勇等, 2023c），同时该区域充足的降水易造成低温冻害，致使该区域植被酶的活性降低，光合作用产物的合成速率减缓，导致气温和降水对植被CUE具有负作用（Maseyk et al., 2008; Shi et al., 2014）。云南南部区域主要植被类型为森林，森林植被具有较高的光合作用速率和生长速度，增温将导致该区域土壤水分蒸发更加强烈，增加植被生长所需的水分胁迫，降低植被CUE，而降水的增加促进区域水热条件平衡，降低植被呼吸作用，使CUE升高（Qiu et al., 2021）。
6. 结论
（1）2001～2020年西南地区各植被CUE年内变化与GPP和NPP变化规律相反，植被CUE多年月均值呈上升—下降—再上升—再下降的变化特征。2001～2020年西南地区各植被类型CUE值差异显著，草地CUE值最大，其次为灌木、森林和农作物。西南地区植被CUE空间分布格局各异，西北部主要呈先增加后降低的趋势，其余地区主要呈先下降后上升的变化特征。
（2）2001～2020年西南地区空间植被CUE介于0.18～1.0，平均CUE约为0.75，整体呈由南部和东北部向西北部递增的空间分布格局。近20年西南地区植被CUE整体呈微弱下降趋势，呈显著下降和极显著下降区域面积占比分别为39.45%和24.77%。
（3）2001～2020年西南地区气温、降水和日照时长均呈不显著波动上升趋势。相关性分析结果表明，西南地区植被碳利用率与气温、降水以及日照时长均呈负相关关系，其显著相关区域面积占比分别为16.13%、12.86%以及14.94%。整体上西南地区植被CUE主要受气温和日照时长影响，其次为降水。
-
![]()
图 1 西南地区（a）数字高程模型（DEM）、气象站点分布和（b）植被类型。
Figure 1. Distribution of (a) meteorological stations and DEM (Digital Elevation Model) and (b) land cover types of vegetation in Southwest China.
![]()
图 2 2001～2020年西南地区不同植被植被类型（a）GPP、（b）NPP及（c）CUE月均值变化。
Figure 2. Monthly variations of different vegetation types (a) GPP (Gross Primary Production), (b) NPP (Net Primary Production), and (c) CUE (Carbon Use Efficiency) in Southwest China from 2001 to 2020.
![]()
图 3 2001～2020年西南地区不同植被（a）GPP、（b）NPP以及（c）CUE年际变化特征。
Figure 3. Inter-annual variations of different vegetation types (a) GPP, (b) NPP, and (c) CUE in Southwest China from 2001 to 2020.
![]()
图 4 西南地区1～12月植被CUE空间分布（2001～2020年月均值）
Figure 4. Spatial distribution of vegetation CUE in Southwest China during January to December (monthly average from 2001 to 2020)
![]()
图 5 2001～2020年西南地区植被（a）GPP、（b）NPP、（c）CUE空间分布。
Figure 5. Spatial distribution of vegetation (a) GPP, (b)NPP, and (c) CUE in Southwest China from 2001 to 2020.
![]()
图 6 2001～2020年西南地区植被（a）CUE变化斜率及其（b）显著性变化趋势。
Figure 6. (a) Change slope and (b) significance trend test of vegetation CUE in Southwest China from 2001 to 2020.
![]()
图 7 2001～2020年西南地区平均（a）气温、（b）降水量和（c）日照时长年际变化。
Figure 7. Inter-annual change of mean (a) air temperature, (b) precipitation, and (c) sunshine duration in Southwest China from 2001 to 2020.
![]()
图 8 2001～2020年西南地区植被CUE与（a、d）气温、（b、e）降水、及（c、f）日照时长偏相关系数（第一行）及显著性检验（第二行）。
Figure 8. The partial correlation coefficients (the first line) and significant test (the second line) of vegetation CUE with (a, d) air temperature, (b, e) precipitation, and (c, f) sunshine duration in Southwest China from 2001 to 2020.
表 1 2001～2020年西南地区植被CUE变化趋势统计
Table 1 Statistics of change trend of vegetation CUE in Southwest China from 2001 to 2020
β（趋势） α（置信水平） 变化类型 面积占比 β＞0 α=0.05 显著上升 5.50% α=0.01 极显著上升 2.86% β＜0 α=0.05 显著下降 39.45% α=0.01 极显著下降 24.77% 
下载: 导出CSV
表 2 2001～2020年西南地区植被CUE与气候因子相关性分析统计
Table 2 Statistics of correlation analysis between vegetation CUE and climatic factors from 2001 to 2020
气候因子 面积占比 正相关关系 负相关关系 通过显著性检验 显著正相关 显著负相关 气温 31.05% 68.95% 16.13% 2.56% 13.57% 降水 36.96% 63.04% 12.86% 4.12% 8.74% 日照时长 48.11% 51.89% 14.94% 7.03% 7.91%
下载: 导出CSV
-
[1] Albrizio R, Steduto P. 2003. Photosynthesis, respiration and conservative carbon use efficiency of four field grown crops [J]. Agricultural and Forest Meteorology, 116(1/2): 19−36. doi: 10.1016/S0168-1923(02)00252-6
[2] Allison S D, Wallenstein M D, Bradford M A. 2010. Soil-carbon response to warming dependent on microbial physiology [J]. Nature Geoscience, 3(5): 336−340. doi: 10.1038/ngeo846
[3] Bradford M A, Crowther T W. 2013. Carbon use efficiency and storage in terrestrial ecosystems [J]. New Phytologist, 199(1): 7−9. doi: 10.1111/nph.12334
[4] Campioli M, Gielen B, GöCkede M, et al. 2011. Temporal variability of the NPP–GPP ratio at seasonal and interannual time scales in a temperate beech forest [J]. Biogeosciences, 8(9): 2481−2492. doi: 10.5194/bg-8-2481-2011
[5] Cheng W X, Sims D A, Luo Y Q, et al. 2000. Photosynthesis, respiration, and net primary production of sunflower stands in ambient and elevated atmospheric CO2 concentrations: An invariant NPP: GPP ratio? [J]. Global Change Biology, 6(8): 931−941. doi: 10.1046/j.1365-2486.2000.00367.x
[6] Choudhury B J. 2001. Modeling radiation- and carbon-use efficiencies of maize, sorghum, and rice [J]. Agricultural and Forest Meteorology, 106(4): 317−330. doi: 10.1016/S0168-1923(00)00217-3
[7] Collalti A, Trotta C, Keenan T F, et al. 2018. Thinning can reduce losses in carbon use efficiency and carbon stocks in managed forests under warmer climate [J]. Journal of Advances in Modeling Earth Systems, 10(10): 2427−2452. doi: 10.1029/2018MS001275
[8] Crowther T W, Bradford M A. 2013. Thermal acclimation in widespread heterotrophic soil microbes [J]. Ecology Letters, 16(4): 469−477. doi: 10.1111/ele.12069
[9] Delucia E H, Drake J E, Thomas R B, et al. 2007. Forest carbon use efficiency: Is respiration a constant fraction of gross primary production? [J]. Global Change Biology, 13(6): 1157−1167. doi: 10.1111/j.1365-2486.2007.01365.x
[10] 邓兴耀, 刘洋, 刘志辉, 等. 2017. 中国西北干旱区蒸散发时空动态特征 [J]. 生态学报, 37(9): 2994−3008. doi: 10.5846/stxb201601270190 Deng Xingyao, Liu Yang, Liu Zhihui, et al. 2017. Temporal–spatial dynamic change characteristics of evapotranspiration in arid region of Northwest China [J]. Acta Ecologica Sinica (in Chinese), 37(9): 2994−3008. doi: 10.5846/stxb201601270190
[11] 底阳平, 曾辉, 张扬建, 等. 2021. 多尺度碳利用效率研究进展 [J]. 生态学杂志, 40(6): 1849−1860. doi: 10.13292/j.1000-4890.202106.012 Di Yangping, Zeng Hui, Zhang Yangjian, et al. 2021. Research advances in carbon use efficiency at multiple scales [J]. Chinese Journal of Ecology (in Chinese), 40(6): 1849−1860. doi: 10.13292/j.1000-4890.202106.012
[12] Gang C, Wang Z, Zhou W, et al. 2016. Assessing the spatiotemporal dynamic of global grassland water use efficiency in response to climate change from 2000 to 2013 [J]. Journal of Agronomy and Crop Science, 202(5): 343−354. doi: 10.1111/jac.12137
[13] Gifford R M. 2003. Plant respiration in productivity models: Conceptualisation, representation and issues for global terrestrial carbon-cycle research [J]. Functional Plant Biology, 30(2): 171−186. doi: 10.1071/fp02083
[14] He Y, Piao S L, Li X Y, et al. 2018. Global patterns of vegetation carbon use efficiency and their climate drivers deduced from MODIS satellite data and process-based models [J]. Agricultural and Forest Meteorology, 256–257: 150–158. doi: 10.1016/j.agrformet.2018.03.009
[15] Heinsch F A, Zhao M S, Running S W, et al. 2006. Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations [J]. IEEE Trans. Geosci. Remote Sens., 44(7): 1908−1925. doi: 10.1109/TGRS.2005.853936
[16] Kwon Y, Larsen C P S. 2013. Effects of forest type and environmental factors on forest carbon use efficiency assessed using MODIS and FIA data across the eastern USA [J]. Int. J. Remote Sens., 34(23): 8425−8448. doi: 10.1080/01431161.2013.838711
[17] Landsberg J J, Waring R H. 1997. A generalised model of forest productivity using simplified concepts of radiation-use efficiency, carbon balance and partitioning [J]. Forest Ecology and Management, 95(3): 209−228. doi: 10.1016/S0378-1127(97)00026-1
[18] 刘斌涛, 陶和平, 宋春风, 等. 2012. 我国西南山区降雨侵蚀力时空变化趋势研究 [J]. 地球科学进展, 27(5): 499−509. doi: 10.11867/j.issn.1001-8166.2012.05.0499 Liu Bintao, Tao Heping, Song Chunfeng, et al. 2012. Temporal and spatial variations of rainfall erosivity in Southwest China from 1960 to 2009 [J]. Advances in Earth Science (in Chinese), 27(5): 499−509. doi: 10.11867/j.issn.1001-8166.2012.05.0499
[19] 刘洋洋, 王倩, 杨悦, 等. 2019. 2000~2013年中国植被碳利用效率(CUE)时空变化及其与气象因素的关系 [J]. 水土保持研究, 26(5): 278−286. doi: 10.13869/j.cnki.rswc.2019.05.041 Liu Yangyang, Wang Qian, Yang Yue, et al. 2019. Spatiotemporal dynamic of vegetation carbon use efficiency and its relationship with climate factors in China during the period 2000–2013 [J]. Research of Soil and Water Conservation (in Chinese), 26(5): 278−286. doi: 10.13869/j.cnki.rswc.2019.05.041
[20] 罗赵慧, 朱璐平, 张晓君, 等. 2021. 粤港澳大湾区植被CUE变化及与气候变化的关系 [J]. 中国环境科学, 41(12): 5793−5805. doi: 10.19674/j.cnki.issn1000-6923.20210713.001 Luo Zhaohui, Zhu Luping, Zhang Xiaojun, et al. 2021. Spatiotemporal variation of CUE and its correlation with climate change in Guangdong–Hong Kong–Macao Greater Bay area [J]. China Environmental Science (in Chinese), 41(12): 5793−5805. doi: 10.19674/j.cnki.issn1000-6923.20210713.001
[21] Lu H H, Yi G H, Zhang T B, et al. 2021. Variations in vegetation CUE with climate change and human activity during growing seasons in the western Sichuan Plateau, China [J]. Remote Sensing Letters, 12(5): 419−428. doi: 10.1080/2150704X.2021.1895447
[22] 吕妍, 张黎, 闫慧敏, 等. 2018. 中国西南喀斯特地区植被变化时空特征及其成因 [J]. 生态学报, 38(24): 8774−8786. doi: 10.5846/stxb201807251593 Lü Yan, Zhang Li, Yan Huimin, et al. 2018. Spatial and temporal patterns of changing vegetation and the influence of environmental factors in the Karst region of Southwest China [J]. Acta Ecologica Sinica (in Chinese), 38(24): 8774−8786. doi: 10.5846/stxb201807251593
[23] 马瑞雪. 2021. 西南地区植被覆盖时空演变特征及其驱动力分析 [D]. 桂林理工大学硕士学位论文. Ma Ryuxye. 2021. Spatiotemporal evolution of vegetation cover and its driving forces in Southwest China [D]. M. S. thesis (in Chinese), Guilin University of Technology. [24] Manzoni S, Čapek P, Porada P, et al. 2018. Reviews and syntheses: Carbon use efficiency from organisms to ecosystems—Definitions, theories, and empirical evidence [J]. Biogeosciences, 15(19): 5929−5949. doi: 10.5194/bg-15-5929-2018
[25] Manzoni S, Taylor P, Richter A, et al. 2012. Environmental and stoichiometric controls on microbial carbon-use efficiency in soils [J]. New Phytologist, 196(1): 79−91. doi: 10.1111/j.1469-8137.2012.04225.x
[26] Maseyk K, Grünzweig J M, Rotenberg E, et al. 2008. Respiration acclimation contributes to high carbon-use efficiency in a seasonally dry pine forest [J]. Global Change Biology, 14(7): 1553−1567. doi: 10.1111/j.1365-2486.2008.01604.x
[27] Olson R J, Johnson K R, Zheng D L, et al. 2002. Global and regional ecosystem modeling: Databases of model drivers and validation measurements [R]. ORNL/TM-2001/196.
[28] 覃艺, 张廷斌, 易桂花, 等. 2021. 2000年以来内蒙古生长季旱情变化遥感监测及其影响因素分析 [J]. 自然资源学报, 36(2): 459−475. doi: 10.31497/zrzyxb.20210215 Qin Yi, Zhang Tingbin, Yi Guihua, et al. 2021. Remote sensing monitoring and analysis of influencing factors of drought in Inner Mongolia growing season since 2000 [J]. Journal of Natural Resources (in Chinese), 36(2): 459−475. doi: 10.31497/zrzyxb.20210215
[29] Qiu H H, Hu B Q, Zhang Z. 2021. Impacts of land use change on ecosystem service value based on SDGs report—Taking Guangxi as an example [J]. Ecological Indicators, 133: 108366. doi: 10.1016/j.ecolind.2021.108366
[30] Ryan M G, Hubbard R M, Clark D A, et al. 1994. Woody-tissue respiration for Simarouba amara and Minquartia guianensis, two tropical wet forest trees with different growth habits [J]. Oecologia, 100(3): 213−220. doi: 10.1007/BF00316947
[31] Shi C G, Sun G, Zhang H X, et al. 2014. Effects of warming on chlorophyll degradation and carbohydrate accumulation of Alpine herbaceous species during plant senescence on the Tibetan Plateau [J]. PLoS One, 9(9): e107874. doi: 10.1371/journal.pone.0107874
[32] 石雨佳, 方林发, 方标, 等. 2023. 三峡库区(重庆段)菜地土壤重金属污染特征、潜在生态风险评估及源解析 [J]. 环境科学, 44(3): 1611−1619. doi: 10.13227/j.hjkx.202202204 Shi Yujia, Fang Linfa, Fang Biao, et al. 2023. Pollution characteristics and source apportionment of heavy metals in vegetable field in the Three Gorges Reservoir area (Chongqing Section) [J]. Environmental Science (in Chinese), 44(3): 1611−1619. doi: 10.13227/j.hjkx.202202204
[33] 石智宇, 王雅婷, 赵清, 等. 2022. 2001~2020年中国植被净初级生产力时空变化及其驱动机制分析 [J]. 生态环境学报, 31(11): 2111−2123. doi: 10.16258/j.cnki.1674-5906.2022.11.002 Shi Zhiyu, Wang Yating, Zhao Qing, et al. 2022. The spatiotemporal changes of NPP and its driving mechanisms in China from 2001 to 2020 [J]. Ecology and Environmental Sciences (in Chinese), 31(11): 2111−2123. doi: 10.16258/j.cnki.1674-5906.2022.11.002
[34] Waring R H, Landsberg J J, Williams M. 1998. Net primary production of forests: a constant fraction of gross primary production? [J]. Tree Physiology, 18(2): 129−134. doi: 10.1093/treephys/18.2.129
[35] 谢慧君, 张廷斌, 易桂花, 等. 2020. 川西高原植被NDVI动态变化特征及对气候因子的响应 [J]. 水土保持通报, 40(4): 286–294, 328. Xie Huijun, Zhang Tingbin, Yi Guihua, et al. 2020. Dynamic characteristics of NDVI values and its response to climatic factors in western Sichuan Plateau [J]. Bulletin of Soil and Water Conservation, 40(4): 286–294, 328. doi: 10.13961/j.cnki.stbctb.2020.04.039
[36] 徐勇, 戴强玉, 黄雯婷, 等. 2023a. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究 [J]. 环境科学, 44(1): 323−335. doi: 10.13227/j.hjkx.202203154 Xu Yong, Dai Qiangyu, Huang Wenting, et al. 2023a. Spatio–temporal variation in vegetation cover and its driving mechanism exploration in Southwest China from 2000 to 2020 [J]. Environmental Science (in Chinese), 44(1): 323−335. doi: 10.13227/j.hjkx.202203154
[37] 徐勇, 黄海艳, 戴强玉, 等. 2023b. 西南地区陆地植被生态系统NPP时空演变及驱动力分析 [J]. 环境科学, 44(5): 2704−2714. doi: 10.13227/j.hjkx.202207068 Xu Yong, Huang Haiyan, Dai Qiangyu, et al. 2023b. Spatial−temporal variation in net primary productivity in terrestrial vegetation ecosystems and its driving forces in Southwest China [J]. Environmental Science (in Chinese), 44(5): 2704−2714. doi: 10.13227/j.hjkx.202207068
[38] 徐勇, 黄雯婷, 郑志威, 等. 2023c. 基于空间尺度效应的西南地区植被NPP影响因子探测 [J]. 环境科学, 44(2): 900−911. doi: 10.13227/j.hjkx.202203254 Xu Yong, Huang Wenting, Zheng Zhiwei, et al. 2023c. Detecting influencing factor of vegetation NPP in Southwest China based on spatial scale effect [J]. Environmental Science (in Chinese), 44(2): 900−911. doi: 10.13227/j.hjkx.202203254
[39] Yan L, Zhou G S, Wang Y H, et al. 2015. The spatial and temporal dynamics of carbon budget in the alpine grasslands on the Qinghai–Tibetan Plateau using the terrestrial ecosystem model [J]. Journal of Cleaner Production, 107: 195−201. doi: 10.1016/j.jclepro.2015.04.140
[40] Yang Y, Wang Z Q, Li J L, et al. 2017. Assessing the spatiotemporal dynamic of global grassland carbon use efficiency in response to climate change from 2000 to 2013 [J]. Acta Oecologica, 81: 22−31. doi: 10.1016/j.actao.2017.04.004
[41] 杨艳蓉, 侯召朕, 张增信. 2021. 2001~2018年西南地区NDVI变化特征及影响因素 [J]. 水土保持通报, 41(2): 337−344. doi: 10.13961/j.cnki.stbctb.2021.02.044 Yang Yanrong, Hou Zhaozhen, Zhang Zengxin. 2021. NDVI changes and driving factors in Southwest China from 2001 to 2018 [J]. Bulletin of Soil and Water Conservation (in Chinese), 41(2): 337−344. doi: 10.13961/j.cnki.stbctb.2021.02.044
[42] Yang Z I, Zhang T B, Yi G H, et al. 2021. Spatio-temporal variation of Fraction of Photosynthetically Active Radiation absorbed by vegetation in the Hengduan Mountains, China [J]. Journal of Mountain Science, 18(4): 891−906. doi: 10.1007/s11629-020-6465-9
[43] 杨正兰, 张廷斌, 易桂花, 等. 2021. 气候变化背景下横断山区植被叶面积指数时空变化特征分析 [J]. 长江流域资源与环境, 30(11): 2670−2681. doi: 10.11870/cjlyzyyhj202111010 Yang Zhenglan, Zhang Tingbin, Yi Guihua, et al. 2021. Spatio-temporal variation of vegetation LAI in Hengduan Mountains under the background of climate change [J]. Resources and Environment in the Yangtze Basin (in Chinese), 30(11): 2670−2681. doi: 10.11870/cjlyzyyhj202111010
[44] Yu G R, Li X R, Wang Q F, et al. 2010. Carbon storage and its spatial pattern of terrestrial ecosystem in China [J]. Journal of Resources and Ecology, 1(2): 97−109. doi: 10.3969/j.issn.1674-764x.2010.02.001
[45] 袁旻舒, 李明旭, 程红岩, 等. 2017. 基于CMIP5模型结果的中国陆地生态系统未来碳利用效率变化趋势分析 [J]. 中国科学院大学学报, 34(4): 452−461. doi: 10.7523/j.issn.2095-6134.2017.04.007 Yuan Minshu, Li Mingxu, Cheng Hongyan, et al. 2017. Future trends in carbon use efficiency for Chinese terrestrial ecosystem based on CMIP5 model results [J]. Journal of University of Chinese Academy of Sciences (in Chinese), 34(4): 452−461. doi: 10.7523/j.issn.2095-6134.2017.04.007
[46] 张虹娇. 2014. 川西北高原气候变化特征研究 [J]. 西南大学学报(自然科学版), 36(12): 148−156. doi: 10.13718/j.cnki.xdzk.2014.12.025 Zhang Hongjiao. 2014. A study on the characteristics of climate change on northwestern Sichuan Plateau [J]. Journal of Southwest University (Natural Science Edition) (in Chinese), 36(12): 148−156. doi: 10.13718/j.cnki.xdzk.2014.12.025
[47] 张龙, 穆月英. 2023. 基于COST-DEA模型的中国玉米生产成本节约潜力分析 [J]. 中国农业大学学报, 28(1): 216−223. doi: 10.11841/j.issn.1007-4333.2023.01.18 Zhang Long, Mu Yueying. 2023. Analysis of the cost saving potential of maize production in China based on COST-DEA model [J]. Journal of China Agricultural University (in Chinese), 28(1): 216−223. doi: 10.11841/j.issn.1007-4333.2023.01.18
[48] Zhang Y J, Xu M, Chen H, et al. 2009. Global pattern of NPP to GPP ratio derived from MODIS data: Effects of ecosystem type, geographical location and climate [J]. Global Ecology and Biogeography, 18(3): 280−290. doi: 10.1111/j.1466-8238.2008.00442.x
[49] Zhang Y J, Yu G R, Yang J, et al. 2014. Climate-driven global changes in carbon use efficiency [J]. Global Ecology and Biogeography, 23(2): 144−155. doi: 10.1111/geb.12086
[50] 赵新全. 2009. 高寒草甸生态系统与全球变化 [M]. 北京: 科学出版社. Zhao Xinquan. 2009. Alpine Meadow Ecosystem and Global Change [M] (in Chinese). Beijing: Science Press. [51] 郑飞鸽, 易桂花, 张廷斌, 等. 2020. 三江源植被碳利用率动态变化及其对气候响应 [J]. 中国环境科学, 40(1): 401−413. doi: 10.3969/j.issn.1000-6923.2020.01.045 Zheng Feige, Yi Guihua, Zhang Tingbin, et al. 2020. Study on spatio-temporal dynamics of vegetation carbon use efficiency and its response to climate factors in Three-River headwaters region [J]. China Environmental Science (in Chinese), 40(1): 401−413. doi: 10.3969/j.issn.1000-6923.2020.01.045
[52] 朱万泽. 2013. 森林碳利用效率研究进展 [J]. 植物生态学报, 37(11): 1043−1058. doi: 10.3724/SP.J.1258.2013.00108 Zhu Wanze. 2013. Advances in the carbon use efficiency of forest [J]. Chinese Journal of Plant Ecology (in Chinese), 37(11): 1043−1058. doi: 10.3724/SP.J.1258.2013.00108
[53] 朱先进, 于贵瑞, 王秋凤, 等. 2013. 典型森林和草地生态系统呼吸各组分间的相互关系 [J]. 生态学报, 33(21): 6925−6934. doi: 10.5846/stxb201207130988 Zhu Xinxian, Yu Guirui, Wang Qiufeng, et al. 2013. The interaction between components of ecosystem respiration in typical forest and grassland ecosystems [J]. Acta Ecologica Sinica, 33(21): 6925−6934. doi: 10.5846/stxb201207130988
计量
- 文章访问数: 216
- HTML全文浏览量: 33
- PDF下载量: 28
