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.

净生态系统生产力(NEP)是定量描述陆地生态系统与大气之间碳交换的重要指标.明确区域尺度NEP的时空格局及主导因子,有助于增强对区域碳循环变化机制的认知.基于BEPS(Boreal Ecosystem Productivity Simulator)模型模拟结果,评估了安徽省1982-2020年NEP时空格局,分析了安徽省NEP对主要环境植被因子的敏感性,并借助通径分析和贡献率分析探究了影响安徽省NEP时空变化的驱动因子.结果表明:(1)1982-2020年,安徽省多年年均NEP为651.14 gC/m2,线性趋势变化率为1.10gCm-2a-1,总体呈显著增加趋势(P＜0.01).在空间上,NEP表现为"南北部较高、中部较低"的分布,显著增加(P＜0.05)的区域占52.77％,主要分布在北部和南部,显著减小(P＜0.05)的区域占7.11％,主要分布在西部和东南部.NEP重心有显著的北移趋势(P＜0.01).(2)NEP对大气CO2浓度变化最为敏感,对降水变化最不敏感.时间上,NEP对叶面积指数(LAI)(P＜0.01)、CO2(P＜0.01)和饱和水汽压差(VPD)(P＜0.05)的敏感性变化显著增强,对总辐射的敏感性变化显著减弱(P＜0.01),对气温和降水的敏感性变化不显著(P＞0.05).空间上,NEP对各因子的敏感性有地区差异性.(3)所选环境植被因子综合解释了 NEP79％的时空变化.LAI与CO2是安徽省NEP时空变化的主导因子,为正贡献,气候因子为次主导因子,为负贡献.空间上,LAI为主导因子的地区主要分布在安徽省北部、中西部的大部分地区,占49.65％,CO2为主导因子的地区主要分布在安徽省西北部与东南部的大部分地区,占44.54％.

为评价生态模型在农田蒸散及土壤水分运动模拟中的适用性,利用2013-2015年南京农业气象测站观测数据,评估了BEPS (Boreal Ecosystem Productivity Simulator)模拟冬小麦农田生态系统逐日蒸散及与土壤水分动态的可靠性,并进一步开展了植被冠层蒸腾和农田土壤蒸发分离.模拟结果表明:BEPS适用于研究冬小麦农田蒸散量及土壤水分运动规律;由于考虑了叶片聚集指数和冬小麦根系垂直分布递减系数随生育期变动的参数化改进,BEPS分别可以解释2013-2014年和2014-2015年两个生长季农田生态系统蒸渗仪实测蒸散量变化的83％和74％,参数化改进前后模型效率ME相当(前:0.8,后0.74),标准差RMSE(前:1.50,后1.05),平均偏差MBE(前:0.5,后0.35),误差减小;两个生长季中,土壤蒸发占冠层上方总蒸散的比例随生育进程而变化,全生育期发散比平均值分别为34％和29％;BEPS模拟的0～40 cm土层深度土壤水分随时间变化趋势与实测值基本一致,可以解释78％以上的土壤水分实测值变化,并能快速地响应降水变化.本研究表明,生态模型可以用于模拟冬小麦农田蒸散和土壤水分变化,并有助于厘定农田冠层中难以区分的植被蒸腾和土壤蒸发的比例关系,可为进一步开展气候变化背景下的区域蒸散发评估及与之相联系的农田节水管理奠定基础.

蒸散发(Evapotranspiration,ET)是联结土壤-植被-大气过程的纽带,对理解地表水热平衡至关重要.因此,量化分析ET时空变化特征、揭示其主要控制因子对区域用水管理和农业生产十分重要.利用遥感数据和气象数据,基于BEPS模型估算了1981-2019年的淮河流域ET,分析了该区域ET时空分布特征,并通过敏感度系数和贡献率方法对该区域的ET多年变化特征进行了归因分析,最后借助数值实验方法深入探究影响特湿润年(2003年)ET较低的主要原因.结果表明:(1)1981-2019年淮河流域多年平均ET为549.83 mm,其中夏季ET占全年ET的比值达到47.63％;1981年以来区域ET整体呈极显著上升趋势(4.41 mm/a,P＜0.01);季节上,除冬季外,其他三个季节的ET增幅均呈显著性增加(P＜0.05),四季增幅速率大小依次为:夏季＞春季＞秋季＞冬季;空间上,中东部和南部ET较高,重心模型显示ET高值区域呈显著的由北向南的移动趋势;(2)归因分析结果表明,淮河流域ET对气温变化最敏感,其次为相对湿度、太阳总辐射、叶面积指数(LAI)和降水,但ET对LAI的正敏感性逐渐增强导致LAI的显著升高对流域ET年际变化贡献最大(44.5％),其次是气温的升高(25.93％);同时,LAI是春、夏、秋三季ET变化的主导因素,气温是冬季ET变化的主导因素;(3)数值实验显示高相对湿度是引起特湿润年(2003年)ET明显偏低的最主要因素,这与导致长时间序列ET变化的原因不同.因此,建议今后加强极端气候条件下ET变化的归因分析,为更有效地应对全球气候变化提供决策服务.研究结果能够为认识淮河流域环境变化对水循环影响及合理分配区域水资源提供科学参考.

CO2施肥效应是全球变绿的主要原因,随着大气中CO2浓度的持续增加,预估未来气候变化条件下,CO2施肥效应对陆地生态系统的影响对减缓全球气候变化具有重大意义.基于未来气候情景数据和Farquhar模型,并结合生态过程模型BEPS(Boreal Ecosystem Productivity Simulator),定量化研究2020—2050年CO2施肥效应对全球叶面积指数(LAI)和总初级生产力(GPP)的影响.研究结果显示2020—2050年,在RCP2.6、RCP4.5和RCP8.5气候情景下,CO2施肥效应导致的LAI年际变化趋势分别为0.002、0.003和0.005 m-2 m-2 a-1;三个气候情景下CO2施肥效应对LAI的影响为CO2每增加0.1％,LAI平均增加约8.1％—9.2％,由此导致GPP对应增加7.9％—14.6％;由CO2施肥效应导致的全球LAI的增加对未来GPP年际变化趋势的贡献分别为66.7％、48.7％和57.1％.表明在未来气候变化情景下,LAI的增加仍然主要受CO2施肥效应的影响,CO2施肥效应导致的LAI的增加将显著促进全球陆地生态系统碳吸收.