生态系统服务权衡/协同关系的时空格局变化和关键阈值识别对区域生态保护与修复工程的建设和效益评价具有重要参考意义.已有研究主要关注生态保护和修复工程带来的生态系统服务及其权衡/协同关系的变化,很少将生态恢复的阈值效应考虑其中.采用基于生态系统服务权衡/协同关系构建的生态获益指数,评价了陕西省2000年和2020年净初级生产力、土壤保持和产水服务的协同供给能力;利用地理探测器和约束线方法分析了生态系统服务协同供给能力的主导影响因素和阈值特征.结果表明:与2000年相比,2020年陕西省净初级生产力、土壤保持和产水服务均有所增加,两两生态系统服务之间总体表现为协同关系,但具有明显的时空差异.2020年生态系统服务协同供给能力明显增加,其中陕北中部和陕南西部提升最为明显.降水和归一化植被指数(NDVI)是生态系统服务协同供给能力的主导影响因素,他们对生态系统服务协同供给能力的影响具有非线性效应和阈值特征.当NDVI在0.6-0.7之间或年降水量为1100 mm左右时,生态系统服务协同供给能力达到最高,超过上述阈值后NDVI或降水对生态系统服务协同供给能力的促进作用减弱.研究能够为生态恢复效益评价提供参考方案,为陕西省生态保护和恢复建设提供决策支持.

植物总初级生产力是定量描述生态系统固碳能力的重要指标,为了分析气候时空滞后效应和空间异质性对植被总初级生产力(GPP)的影响,以当年气象数据组(CC)、10年平均气象数据组(MC)和邻域气象数据组(FM)分别代表气候波动性、时间滞后效应和空间异质性,以及地形数据为自变量,构建随机森林模型,模拟了 2000-2014年的历史时期的GPP值以及2015-2021年在SSP126、SSP245、SSP370和SSP585排放情景下的GPP值,计算模拟解释率,因子贡献率,最终确定最佳气象数据组.结果表明(1)地形因子中坡度对GPP的影响最大,气象因子中降水量对GPP的影响最大,整体而言GPP与地形因子较气象因子相关性强,是地形再分配气象因子的结果;(2)各时期GPP模型之间交叉模拟值与MODIS数据对比发现模型解释率R2均达到0.80以上,表明所建预测GPP的随机森林模型稳定性较强;(3)历史气象数据的GPP模型结果显示CC对当年GPP的解释率更高,表明气候波动性更好地展现当年气象与GPP间的关系;(4)基于历史时期和4种未来气候情景下3个气象数据组建立的模型之间交叉模拟,结果表明MC预测模型的解释率最高,表明该数据组稳定性最强,反过来采用4种未来气候情景下3个气象数据组的模型模拟历史时期的GPP,结果表明MC与其他两个气象数据组之间存在显著性差异(P＜0.05),充分表明植被GPP响应气候具有时滞效应,并其影响程度显著大于气候的空间异质性和波动性,即前9年的气候持续影响植被GPP;(5)统计3个气象数据组在历史时期出现的概率,可知MC出现概率高的区域占比比其他两个数据组的大,在林地、灌木和草本三种景观类型中也出现相同的结论,另外MC对中高海拔和陡坡的预测能力比其他两个数据组的强,表明中高海拔地区在分配太阳辐射等复杂过程存在明显的时滞效应,而平缓地区易受当年和气候空间异质性影响.因本研究以10年为平均值计算单元,最佳时间滞后效应可能会比10年短或更长,需要进一步探讨,结论为气候变化背景下GPP模拟预测提供了最佳气象数据组.

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.

在全球气候变化影响下,中国西北部干旱半干旱荒漠区降水格局发生显著变化,表现为极端降水和干旱事件增多,对荒漠植物群落结构和功能的影响引发广泛关注.以毛乌素沙地典型荒漠灌草植被黑沙蒿群落为研究对象,利用人工遮雨装置进行小区降水控制,设置降水量(W-:减水30％,对照组W:自然降水,W+:增水30％)和降水间隔(对照组T:降水间隔5d,T++:降水间隔15d)的双因素完全随机控制实验,监测各降水处理下黑沙蒿群落物种组成和生产力.结果表明:(1)与降水间隔5d的对照组相比,降水间隔期的延长显著提高了灌木和杂草的重要值,而降低了禾草的重要值.(2)与对照组自然降水相比,降水量的增加提高了黑沙蒿植物群落的多样性.(3)降水量的增加或降水间隔的延长均可以提高黑沙蒿的地上初级生产力.延长降水间隔会增加深层土壤的含水量,这有助于黑沙蒿对土壤水分的利用进而促进其生产力积累并增强了其在群落中的优势度.

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.

生态系统水分利用效率(WUE)是表征碳水耦合过程的关键指标,然而,有关气候变化和退耕还林还草工程背景下黄土高原WUE的时空变化特征及其主导因子仍未明晰.研究利用遥感驱动的生态系统过程模型BEPS模拟2001-2020年黄土高原总初级生产力(GPP)和蒸散(ET),并结合基于敏感性试验的多控制因子联立求解方法定量分析气候和植被因子对黄土高原WUE变化(WUE=GPP/ET)的贡献.结果表明:(1)2001-2020年黄土高原GPP和ET分别以12.9 gC m-2 a-1和3.7 mm/a速率显著升高,并使得WUE增长显著(0.021 gC mm-1 m-2 a-1).(2)2001-2020年间黄土高原80.12％的区域叶面积指数(LAI)显著升高(全区增速为0.014 m2 m-2 a-1)而气候因子变化均不显著.(3)植被因子和气候因子对WUE变化分别呈正贡献和负贡献,植被因子作为主要影响因子主导了黄土高原86.74％地区的WUE变化.研究结果有望为干旱区生态水文管理和相关政策制定提供一定科学参考.

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.

基于2000-2020年中国西南喀斯特地区的增强型植被指数(EVI)和植被净初级生产力(NPP)数据,将人口压力、农村经济和非农经济等社会经济因素进行细分,利用线性混合模型定量评估各社会经济因素对4和NPP的相对贡献率,探讨社会经济发展与植被恢复之间的关系.结果表明:(1)2000-2020年中国西南喀斯特区植被呈上升趋势.(2)整体社会经济因素对植被恢复的贡献大于自然因素,社会经济因素对EVI的贡献率为26.6％,对NPP的贡献率为41％.(3)在社会经济因素中,非农经济因素对植被恢复的相对贡献率最高,对EVI的贡献率为19.1％,对NPP的贡献率为14.7％.(4)在各细分社会经济因素中,第三产业对植被恢复的相对贡献率最高,其中对EVI和NPP的相对贡献率分别为11.8％和14.7％.综上所述,除了生态工程之外,其余社会经济因素对植被恢复的影响虽然具有间接性或者滞后性,但同样重要不可忽略.

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.

玉龙雪山及周边地区是典型的季风海洋性冰川区,是研究冰川变化、地-气能量交换、植被群落演替以及生态系统碳水耦合的最重要的区域.水分利用效率(water use efficiency,WUE)是联系生态系统水-碳循环及其与气候因子之间响应关系的重要参数.本研究利用MODIS卫星遥感总初级生产力(gross primary productivity,GPP)、蒸散发(evapotranspiration,ET)产品和 自适应帕尔默干旱指数(self-calibrating Palmer drought severity index,scPDSI)分析了2000-2020年玉龙雪山及周边地区植被WUE空间变化特征,研究了该区GPP、ET、WUE与scPDSI的相关性,探讨了该区不同地貌植被对水分利用及胁迫的适应策略.结果表明:2000-2020 年,研究区植被 WUE 平均值为 2.44 g C·m-2·mm-1,GPP 平均值为 1365.0 g C·m-2,ET 平均值为559.6 mm;WUE平均值最高区域分布在大起伏中山,为2.88 g C·m-2·mm-1;最低区域为大起伏极高山,为1.23 g C·m-2·mm-1.玉龙雪山地势起伏大,植被空间分布具有显著垂直地带性特征,植被WUE在3500 m以下区域随海拔上升而增加,3500 m以上则随海拔上升而减少.2000-2020年,研究区逐月WUE呈现增加—减少—增加趋势,不同地貌类型造就了植被WUE变化速率具有显著的差异性特征.玉龙雪山以及周边大起伏高山的植被WUE呈增长趋势,而中海拔平原呈减少趋势.研究区内植被WUE对干旱胁迫响应具有明显的季节性特征,WUE与scPDSI的多年逐月相关性呈现负相关—正相关—负相关—正相关的变化趋势.7月玉龙雪山WUE与scPDSI呈显著正相关,而5月则表现为显著负相关;玉龙雪山周边地区植被WUE与scPDSI在12月—次年6月呈负相关,在7-8月呈正相关.