江西省是全国首批生态文明示范省之一,探明气象条件对生态系统调节服务功能的影响,有利于因地制宜开展生态环境保护和修复工作.本研究基于2000-2022年MODIS数据、净初级生产力数据和逐月气象数据,采用水量平衡方程、土壤流失方程等模型,对江西省生态系统固碳、释氧、水源涵养、土壤保持4种调节服务功能进行测算,并利用趋势分析、偏相关分析方法分析4种调节服务功能的时空格局及其气象影响因素.结果表明:2000-2022年,江西省生态系统固碳量和释氧量年均值分别为178.8和130.0g·m-2,年均增加值分别为0.4和0.3 g·m-2,两者在空间分布上一致,全省有77.3％区域的固碳释氧年均值呈上升趋势.江西省水源涵养和土壤保持均值分别为591.8 mm和723.8 t·hm-2,两者在空间分布上较为一致,两者年均增加值分别为5.6 mm和3.7t·hm-2,全省分别有73.3％、69.3％区域的土壤保持和水源涵养功能稳步提升.植被的固碳释氧功能在月尺度、季节尺度与气温呈显著相关,两者的偏相关系数也高于其他因子,是影响生态系统固碳释氧功能的重要气象因子.无论在月尺度、季尺度还是年尺度上,降水量与水源涵养量和土壤保持量均呈显著正相关关系,是其最重要的气象影响因素.本研究揭示了 2000-2022年间气候变化对江西省生态系统调节服务功能的影响,可为切实保障江西省生态系统保护修复、提高生态文明建设的质量和效益提供科技支撑.

植被固碳能力是陆地生态系统碳汇的基础,可通过净生态系统生产力(NEP)这一重要指标来反映.估算植被固碳能力是生态学和地表生态系统研究领域的共同科学问题,揭示其变化特征及其因素影响对于区域生态系统具有重要意义.以京津风沙源治理区为研究区,估算了 2000-2020年京津风沙源治理区NEP,并利用趋势分析法和稳定性分析法等方法分析其时空变化特征,并利用地理探测器探究了影响NEP的自然因素与人类活动因素.结果显示:(1)2020年,京津风沙源治理区的NEP均值为110.09 gC m-2a-1,碳汇区面积约为3.591×105 km2,占总面积的78.80％;(2)2000-2020年,京津风沙源治理区多年平均NEP为77.54 gC m-2a-1,年际变化率为4.118 gCm-2a-1,总体上呈上升趋势,研究区以NEP明显增加区为主,占比55.16％,主要分布在研究区南部,NEP呈下降趋势地区仅占比0.15％,主要分布在北部干旱草原沙地治理区,呈斑块状分布;(3)不同生态系统NEP从高到低依次为林地、农田和草地,林地固碳作用较强,未来林地固碳潜力较大,草地面积占研究区的70％,其总固碳量远超其他类型且呈增加趋势;(4)影响京津风沙源治理区NEP的主导因素为年降水量,其次,生态工程的实施也是NEP变化的重要影响因素,不同因素对京津风沙源治理区NEP的影响表现为双因子增强或非线性增强.围绕京津风沙源植被固碳能力估算以及影响因素的空间分异性,研究也在一定程度上提出了空间恢复的建议,以期为京津风沙源加强植被固碳能力以及生态修复等决策提供科学依据.

森林生态系统强大的碳源/汇功能是实现"碳中和"和"碳达峰"战略目标最经济、有效的自然气候解决方案和固碳增汇手段.准确评估森林生态系统的碳汇能力,对于明确森林碳储量有重要意义.为明确亚热带-暖温带气候过渡带的常绿落叶阔叶混交林的碳通量特征及其驱动因素,2011-2020年利用涡度相关法开展了大别山常绿落叶阔叶混交林碳通量和环境要素的观测试验.结果表明:大别山常绿落叶阔叶混交林净生态系统CO2交换量、生态系统呼吸(Reco)、总初级生态生产力分别为-788.13 gC m-2 a-1、1074.14 gC m-2 a-1、1862.27 gC m-2 a-1,该森林生态系统整体表现为碳汇,其固碳能力与相近纬度的常绿落叶阔叶混交林基本持平,并高于针阔叶混交林、毛竹林等其他类型的森林生态系统.10年间,大别山常绿落叶阔叶混交林的固碳能力有所增强.影响大别山常绿落叶阔叶混交林碳通量的主要环境因子为温度与太阳辐射,气温(Ta)、净辐射(Rn)、光合有效辐射和总辐射与生态系统碳生产力和GPP呈显著正相关(P＜0.001),Reco与Ta和Rn呈显著正相关(P＜0.001).研究结果为气候变化响应敏感的南北气候过渡带森林生态系统的碳储量估算、碳循环过程模拟提供观测数据支持和科学依据.

全球变暖影响物种多样性和生产力及其关系.关于全球和区域的物种多样性与生产力关系已有许多研究,但气候变暖背景下西藏高寒草地物种多样性与生产力的关系及其环境驱动机制研究仍然很少.基于西藏高寒草地实测的35个样点调查数据,利用回归分析、Pearson相关性分析、方差分解和结构方程模型等方法,探究了物种多样性和生产力的关系及其影响机制.研究发现:(1)高寒草地的物种丰富度指数和香农-威纳指数与地上植被净初级生产力(ANPP)呈显著正相关关系,且ANPP对物种丰富度指数的变化更为敏感;(2)物种丰富度指数与经度、土壤有效氮、土壤有效磷、年降水量呈显著正相关;Shannon-Wiener指数与海拔和纬度呈显著负相关,与年均温度呈显著正相关;ANPP与经度、土壤有效氮、年降水量和年均温度呈显著正相关,与海拔、纬度和土壤有效钾呈显著负相关;(3)地理因子、土壤养分和气候因子的交互作用对物种丰富度指数和ANPP的贡献率最大,分别为10.99％和32.91％,地理因子和气候因子的交互作用对Shannon-Wiener指数的贡献率最大,为13.61％;(4)地理因子通过调控土壤养分和气候因子间接影响物种多样性和ANPP,土壤养分和气候因子均直接影响物种多样性和ANPP.研究结果揭示了环境因子对物种多样性和生产力的综合调控机制,为西藏高寒草地生态系统科学应对气候变化提供了依据.

草甸生态系统具有强大的碳汇功能,在全球碳循环过程中发挥着重要作用.区域尺度草甸生态系统碳通量的精准模拟,可以为揭示草地碳循环对全球变化的反馈机制提供理论依据.生态过程模型则是分析和预测区域碳平衡的重要途径.以甘南州高寒草甸生态系统为研究对象,利用参数优化后的Biome-BGC模型,模拟1979-2018年高寒草甸总初级生产力(Gross Primary Productivity,GPP)和净生态系统生产力(Net Ecosystem Productivity,NEP),以表征该区域碳收支的时空分布特征.以上述40年实测气象数据为基准,并结合第六次国际耦合模式比较计划(Coupled Model Intercomparison Project phase 6,CMIP6)中的3种共享社会经济路径(Shared Socio-economic Pathways,SSPs)情景,对甘南州2019-2100年高寒草甸碳收支进行情景模拟.结果表明:(1)参数优化后的Biome-BGC模型能较好的模拟甘南州高寒草甸GPP和NEP,且GPP模拟对比NEP的模拟效果更好;(2)甘南州高寒草甸在整个研究阶段表现为碳汇,过去40年GPP、NEP波动范围为600-1100 g C m-2 a-1、150-300 g C m-2 a-1,GPP显著上升,NEP呈波动性上升趋势.未来暖湿化情景下,高寒草甸碳收支年际波动较大,NEP呈先上升再下降趋势,2060年前后出现极小值,年均增幅约为2.02 g C m-2 a-1,气温、降水和大气CO2浓度升高共同影响该地碳收支格局;(3)季节尺度上表现为冬春季节为碳源、夏秋季节为碳汇,植被生长季固碳作用增强.年内GPP、NEP呈倒"U"型变化趋势,峰值均出现在7、8月,低温以及持续增温对碳汇具有抑制作用,生长季降水量与植被生产力呈正相关;(4)碳汇/碳源的空间分布随时间而变化,具有明显的地域差异性,总体上碳汇增长率由西南向东北递减.

地形是影响森林生产力和碳收支空间分布格局的主要环境因素.青藏高原地形复杂,森林类型丰富,是研究地形对森林碳收支格局影响的理想场所.然而,由于青藏高原森林区域的野外调查存在难度,目前对于地形因子对青藏高原森林碳收支动态的影响缺乏全面认识.因此,本研究旨在模拟青藏高原森林碳收支变化的时空格局并分析不同地形条件下森林生产力及碳收支动态的差异.本研究利用生态系统过程模型(FORMIND)模拟了青藏高原中高海拔森林总初级生产力(GPP)、地上生物量(AGB)及净生态系统交换量(NEE)在不同地形条件下的时空动态,并对模型在研究区的适用性及模拟结果的精确性进行验证,分析当前(2000-2014年)及未来(2015-2040年)生产力、碳收支状况,并利用XGBoost机器学习算法分析地形因子对GPP、AGB和NEE影响的相对重要性.结果表明,FORMIND模型模拟的青藏高原森林GPP(6.73±0.53 t C·hm-2·a-1)、AGB(167.23±17.45 t·hm-2)和 NEE(0.32±0.12 t C·hm-2·a-1)与样地调查数据和遥感观测数据基本一致,模拟结果可信.未来青藏高原森林AGB呈明显增加的趋势,GPP增加趋势不明显,NEE呈减少的趋势,但总体上仍表现为碳汇.森林AGB和GPP与海拔呈负相关,AGB和NEE与坡度呈微弱正相关,阳坡森林GPP、AGB和NEE均高于阴坡.相较于坡度和坡向,海拔对青藏高原森林生产力和碳收支动态的影响更大.本研究结果有利于深入了解青藏高原森林生产力和碳收支空间分布格局.

生态系统服务簇的识别是区域生态系统服务管理与优化的关键.量化了 2000、2010、2020 年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7 种生态系统服务.并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征.结果表明:(1)2000-2020 年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势.淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区.(2)识别了 5 个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇.核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000-2020 年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达 60.09%,NPP服务簇面积显著增加,2020 年占整个流域面积的57.02%.研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础.

土壤中的无机氮是维持陆地生态系统生产力的主要限制因子,主要通过有机氮的矿化产生.土壤氮可利用性的高低取决于土壤微生物、地上植被类型以及土壤理化性质等.土壤微生物对环境变化极为敏感,尤其是温度与微生物生长繁殖密切相关.因此,在较大空间范围内研究微生物调控氮矿化速率的温度敏感性(Q10)对于预测全球气候变化对陆地生态系统生产力的影响至关重要.该研究以中国三大高原(内蒙古高原、黄土高原和青藏高原)的不同类型草原为研究对象,通过野外采集土壤样品,室内不同温度培养测定三大高原不同类型草地土壤的净氮矿化速率,计算其Q10,并分析其与土壤微生物及土壤理化性质参数的相关性.结果表明:(1)黄土高原不同类型草地土壤氮矿化速率的Q10显著高于内蒙古高原和青藏高原;(2)在黄土高原和内蒙古高原,草甸草原和典型草原土壤净氮矿化速率的Q10显著高于荒漠草原,而青藏高原高寒草甸草原土壤净氮矿化速率的Q10显著低于高寒典型草原和高寒荒漠草原;(3)三大高原草地土壤微生物生物量碳含量与土壤净氮矿化速率的Q10显著相关;(4)Q10的空间格局受微生物、土壤质地以及底物的共同调控.该研究结果为中国不同类型草原土壤氮循环对全球变化响应的研究提供了重要数据,对于陆地生态系统氮循环模型的完善具有一定的科学价值.

净生态系统生产力(NEP)是估算生态系统碳源/汇的重要指标,分析NEP时空变化特征及其对气候因子之间的响应,对科学评估区域生态系统的固碳能力及应对气候变化具有重要意义.以桂西南作为研究对象,基于遥感数据、土地利用数据、气象数据、DEM数据等数据,运用趋势分析、相关分析和残差分析等方法研究了桂西南地区NEP时空分布特征,并探讨了不同气候因子对NEP的影响.结果表明:(1)2000-2018 年研究区NEP的均值变化趋势均呈增长趋势,NEP年增长率为 2.0384 g·m-2·a-1,非喀斯特地区的NEP增长速率为 2.7428 g·m-2·a-1,而喀斯特地区NEP增长速率为 0.6817 g·m-2·a-1.(2)19 年来研究区NEP总体在空间呈现西北高,东南低的分布格局.NEP呈极显著增加的区域(15.39%)大于呈极显著减少区域(8.13%),说明研究区整体上生态系统的碳汇能力呈现出增强趋势.(3)研究区NEP与气温和降水均呈现出正相关关系,但NEP与降水的相关系数(0.0904)强于与气温的相关系数(0.0455).(4)研究区内人类活动对NEP正负影响的贡献率分别是 50.24%和 49.76%.

植被吸收光合有效辐射(Absorbed Photosynthetically Active Radiation,APAR)是植被进行光合作用中实际吸收的太阳辐射量,是植被净第一性生产力的重要指标,也是生态系统的功能模型、作物生长模型、净初级生产力模型、气候模型等的重要参数.因此高空间分辨率和精确性的植被吸收光合有效辐射对于高精度的区域生产力及光能利用率的研究具有重要意义.对CASA(Carnegie-Ames-Stanford Approach)模型进行了改进,利用 30 m×30 m的数字高程模型(Digital Elevation Model,DEM)数据直接计算太阳辐射,从而将其作为CASA模型的输入参数.结合多源遥感数据、气象数据,研究 2015-2020 年江汉平原APAR的时空分布及其影响因素.顾及江汉平原的土地利用分布特点,着重分析了江汉平原农田APAR的时空特性,研究结果较好的反映了江汉平原APAR分布.实验结果表明:(1)2015-2020 年APAR年总值在 3.42×1013 MJ—3.73×1013 MJ之间,总体空间分布与植被类型的分布情况相符;(2)农田月均APAR值在 4 月、7 月高于其他月份,表现出"双峰"的特征;(3)在空间分布上,水田APAR表现出明显的纬度地带性,而旱地APAR正好相反,这可能源于种植结构重心转移;(4)通过借助地理探测器,着重考虑与植被生长相关的 12 个因子(包括≧10≧积温、年总日照时数、年均气温、年总降雨量、农田种植结构、年散射辐射、农田施肥、土壤类型、土壤质地(砂土、粉砂土、黏土))进行分析,结果表明这 12 个因素对APAR空间变异性都具有很明显的影响.对CASA的改进方法可以适用于大范围高空间精度的计算.