EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 12: 2197 - 2209

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.212

Land Use and Carbon Cycle

Spatiotemporal characteristics and driving factors of vegetation carbon sequestration in Xinjiang, China

  • Zuo WANG , 1, 2 ,
  • Jiajing NIE 1, 2 ,
  • Mengxue WANG 1, 2 ,
  • Ziran WEI 1, 2 ,
  • Hu LI 1, 2 ,
  • Yuanhong YOU 1, 2
Expand
  • 1 School of Geography and Tourism, Anhui Normal University, Wuhu 241002, Anhui, China
  • 2 Engineering Technology Research Center of Resources Environment and GIS of Anhui Province, Wuhu 241002, Anhui, China

Received date: 2025-04-17

  Revised date: 2025-05-27

  Online published: 2026-03-11

Fold

Abstract

Xinjiang constitutes a critical component of China’s terrestrial carbon sink. Elucidating the spatiotemporal patterns and driving factors of its vegetation carbon sequestration is imperative for regional ecological security and conservation. Currently, research on the driving factors of vegetation carbon sequestration in this area mainly focuses on climate factors such as water and heat, whereas insufficient attention is paid to the phenological effects of snow accumulation that are inherent to Xinjiang regions. Therefore, based on the global daily carbon flux simulation data from 2001 to 2018, this study analyzes the spatiotemporal variations of gross primary production (GPP) and net primary production (NPP) of vegetation in Xinjiang. Snow phenology indicators are introduced, and spatial differentiation and driving mechanisms of GPP and NPP are examined at both regional and pixel scales using the geographical detector and partial correlation analysis methods. The results revealed that from 2001 to 2018, the vegetation GPP and NPP in Xinjiang exhibited a trend of first decreasing and then increasing, with 2007 as the turning point. They spatially exhibited a pattern of higher values in the north than in the south, higher in the west than in the east, and higher in mountainous areas than in plains. The spatial differentiation of GPP and NPP of Xinjiang vegetation was mainly driven by precipitation, snow days and elevation. On the grid scale, the temporal variation of GPP and NPP of Xinjiang vegetation was dominated by precipitation, followed by solar radiation and snowy days. Moreover, under land use change, farmland expansion and farmland areas were the main contributors to the increase in the annual carbon sequestration of vegetation in Xinjiang. Grassland degradation was the main factor contributing to the reduction of annual carbon sequestration in vegetation in Xinjiang. The research results reveal the unique driving process of vegetation carbon sink in Xinjiang regions, which helps to deepen the understanding of the impact of climate change and land use change on vegetation carbon sequestration under the background of climate warming, and provide a theoretical basis for ecological protection and sustainable development in Xinjiang.

Key words： vegetation carbon sequestration; spatiotemporal differentiation; driving factor; snow phenology; Xinjiang

Cite this article

Zuo WANG , Jiajing NIE , Mengxue WANG , Ziran WEI , Hu LI , Yuanhong YOU . Spatiotemporal characteristics and driving factors of vegetation carbon sequestration in Xinjiang, China[J]. Arid Land Geography, 2025 , 48(12) : 2197 -2209 . DOI: 10.12118/j.issn.1000-6060.2025.212

陆地生态系统碳循环是全球气候变化科学领域的研究热点，植被作为陆地生态系统的重要组成部分，在调节全球碳平衡和维持气候稳定中扮演着重要角色[1-2]。植被固碳能力常用总初级生产力（Gross primary production，GPP）和净初级生产力（Net primary production，NPP）衡量。GPP是单位时间、单位面积内绿色植被通过光合作用固定的有机碳含量，是全球陆地碳通量的重要组成部分[3]；NPP是扣除自养呼吸后，植被固定存储的碳量，是生态系统健康的关键指标和陆地碳汇的主要决定因素[4-6]。因此，在全球气候变化背景下，探讨植被固碳能力指标GPP和NPP的时空分布特征和驱动因素对于生态系统可持续性评估与气候变化研究具有重要理论意义。
众多学者利用长时间遥感数据作为主要数据源，开展了不同时空尺度下植被GPP、NPP变化研究。Zhang等[7]研究发现，温度和太阳辐射对三江源区植被NPP呈负向作用；冯婉等[8]发现海拔对长江流域植被NPP的解释力最高；Liu等[9]量化青藏高原不同积雪指标对植被GPP变化的重要性，揭示了不同地理条件下积雪变化对GPP的作用机制；刘旻霞等[10]发现土地利用变化是青海省植被NPP变化的主要原因。上述研究表明，植被NPP、GPP受气候、地形和土地利用等多种因素影响，具有明显的区域差异性。
作为我国典型干旱半干旱区，新疆具有植被覆盖度低生产力水平低[11-12]、生态阈值敏感等特征[13]，是对全球变化响应最显著的地区之一[14]。该区域水资源匮乏，但积雪资源丰富，积雪融水占地表径流量的30%~45%，是中国三大积雪区之一[15]，积雪资源成为新疆至关重要的水资源之一。在气候变暖与人类活动双重胁迫下[16]，新疆呈现“暖湿化”转型特征[17-18]，这为揭示特殊气候区植被固碳能力的响应机制提供了独特样本。已有研究虽对新疆植被固碳能力时空格局及其自然-人为影响机制进行了初步探讨[19-21]。但仍存在两方面局限：一是现有植被固碳能力驱动因子体系多聚焦水、热等气候要素[22]，忽视了积雪物候对新疆植被碳汇功能的调控作用；二是现有研究多停留单一空间尺度驱动分析，缺乏从区域和栅格双尺度对新疆植被固碳能力驱动机制研究。
基于此，本文拟利用全球碳通量模拟数据产品，并结合地形、气候和土地利用数据，并引入积雪物候指标，分别从区域和栅格2个尺度，系统分析2001—2018年新疆植被GPP和NPP时空特征及其对自然因素和土地利用变化的响应，揭示新疆植被固碳能力空间分异与时间变化驱动规律。研究结论可为新疆碳循环格局与过程提供参考价值，为“丝绸之路经济带”生态安全屏障建设提供空间优化决策支持。

1 数据与方法

1.1 研究区概况

新疆维吾尔自治区位于中国西北地区（74°~96°E，34°~48°N），地处亚欧大陆腹地，地域辽阔，总面积约为160×104 km2。新疆由北到南依次为阿尔泰山脉、准噶尔盆地、天山、塔里木盆地和昆仑山脉，形成了独特的“三山夹两盆”的地貌（图1a）。新疆是中国典型的干旱半干旱区，植被覆盖度低（图1b），生态环境敏感脆弱。由于远离海洋，新疆气候呈典型的温带大陆性气候，温差较大（图1c），降水稀少且分布不均（图1d）。独特的地形条件导致天山山脉南部（南疆）、北部（北疆）气候条件迥异，突出表现为南疆气温高于北疆、降水小于北疆[23]。
图1 新疆地区地形、土地利用（2018年）与气候特征分布

注：基于自然资源部标准地图服务网站审图号为GS(2024)0650号的标准地图制作，底图边界无修改。下同。

Fig. 1 Distributions of topography, land use (in 2018), and climate characteristics in Xinjiang

1.2 数据来源

植被固碳数据来自国家科技基础条件平台-国家生态科学数据中心提供的1981—2019年逐日全球碳通量模拟数据（http://www.nesdc.org.cn），空间分辨率约为0.07°×0.07°，该数据产品利用植被参数（叶面积指数、聚集度指数、地表覆盖）遥感数据、气象数据和大气CO2浓度等驱动日步长的机理性生态模型（Boreal ecosystem productivity simulator，BEPS）生成。BEPS在干旱区具有较强的适用性与可靠性[24-25]。经验证表明产品结果可信[26]，被广泛应用于干旱半干旱地区生态系统碳循环研究[27-30]。本文采用该产品中2001—2018水文年（一水文年定义为自然年当年9月1日至次年8月31日）期间的GPP、NPP数据。
积雪物候数据来自国家冰川冻土沙漠科学数据中心（http://www.ncdc.ac.cn）提供的1980—2020年甚高分辨率辐射计（Advanced very high resolution radiometer，AVHRR）中国积雪物候数据集，空间分辨率为5 km，包括积雪日数、积雪初日和积雪终日3个参数。该数据集由中国1980—2020年5 km AVHRR逐日无云积雪面积产品生产得到，验证数据为中国气象局（http://data.cma.cn）地面台站观测的每日地面气候积雪资料数据集，验证表明产品精度较高[31]。本文采用该数据集2001—2018水文年期间的数据。
气温和降水数据是由国家青藏高原数据中心（https://data.tpdc.ac.cn）提供的中国1 km分辨率逐月平均气温、降水数据集（1901—2022年）[32]；太阳辐射数据来源于GEE平台的TerraClimate全球陆地表面每月气候和气候水平衡数据集[33]。DEM数据为全球通用大洋水深图（General bathymetric chart of the oceans，GEBCO）（https://www.gebco.net）提供的2022年覆盖全球范围的包含陆地高程和海洋深度的数据，空间分辨率约为500 m。土地利用数据来源于MODIS Terra和Aqua传感器组合的第六代地表覆被类型产品MCD12Q1，该产品空间分辨率为500 m，时间分辨率为1 a。MCD12Q1结合了5种不同地表覆被分类方案，其中，基于国际地圈-生物圈计划（Annual International Geosphere-Biosphere Programme，IGBP）定义的分类方案是最为广泛使用的。该方案包括17种地物类型，其中11种是自然植被类别，3种是人类改变类别，另有3种是非植被类别。本研究在IGBP分类基础上，将新疆土地利用类型重分类为林地、灌木、荒地、草地、农田、建设用地、永久积雪、永久湿地和水体9类。
为了方便计算分析，将逐日植被GPP、NPP数据和逐月气温、降水和太阳辐射数据分别合成2001—2018逐水文年数据，并对其进行投影转换、裁剪、掩膜、剔除背景及无效值等统一处理，并通过双线性内插法重采样生成空间分辨率为5 km的栅格，以确保数据的一致性。

1.3 研究方法

1.3.1 趋势分析

利用Theil-Sen Median趋势分析和Mann-Kendall（M-K）非参数检验方法[34]对2001—2018年植被固碳能力进行趋势分析和显著性检验。
Sen斜率计算公式为：
$\begin{array}{c}b=\text{median}\left(\frac{{X}_{j}-{X}_{i}}{j-i}\right),\forall j>i\end{array}$
式中：b为时间序列的趋势大小；j和i为年份；Xj和Xi分别为第j和第i年的变量值；median( )为取中位数的函数。计算所得结果为正值（负值）时，表示该时间序列具有上升（下降）趋势，趋势大小为b，计算结果为0则表明该时间序列不存在趋势。
M-K检验法是世界气象组织推荐的一种非参数统计检验方法。在双侧检验下，给定显著性水平α时，当时间序列的标准化方差|Z|>Z1-α/2时，时间序列存在显著趋势。本文给定显著水平α=0.1，即当|Z|>1.65时，认为趋势通过了90%的显著性检验。

1.3.2 地理探测器

地理探测器是一种基于区域尺度空间分层异质性的统计方法，通过比较同一分层内与不同分层之间的方差大小，识别影响目标变量（如植被GPP、NPP）的主要驱动因子。空间分层异质性表现为各分层方差之和小于整体方差，地理探测器通过q值定量衡量这一异质性及其驱动因素的解释力，其中q值越接近1，表明驱动因子对目标变量的解释力越强[35]。本研究利用因子探测器探测植被GPP、NPP空间分异的驱动因子。
因子探测器探测植被GPP、NPP的空间分异性，以及各驱动因子的解释力，其大小用q值来衡量，公式如下：
$\begin{array}{c}q=1-\frac{\stackrel{L}{\displaystyle\sum _{h=1}}{N}_{h}{\sigma }_{h}^{2}}{N{\sigma }^{2}}\end{array}$
式中：h=1, 2, …, L为Y（GPP、NPP）或X（驱动因子）的分层；Nh和N为层h内和区域内的单元数；${\sigma }_{h}^{2}$和σ2分别为层h和全区Y值的方差；q为X对Y的解释力，q∈[0,1]，q值越接近于1，表示X对Y的解释力越强。

1.3.3 偏相关分析

对于植被GPP、NPP与其影响因素在年际变化之间的关系，本研究采用逐栅格单元的偏相关分析方法进行计算，该方法通过去除其他影响因素，对某2个变量之间的相关性进行计算[36]。计算公式如下：
$\begin{array}{c}{r}_{xy,z}=\frac{{r}_{xy}-{r}_{xz}{r}_{yz}}{\sqrt{1-{r}_{xz}^{2}}\sqrt{1-{r}_{yz}^{2}}}\end{array}$
式中：rxy,z为偏相关系数；rxy、rxz和ryz分别为两变量之间的简单相关系数。另外，偏相关分析的显著性检验采用t检验，其定义为：
$\begin{array}{c}t=\frac{r\sqrt{n-q-2}}{1-{r}^{2}}\end{array}$
式中：r为偏相关系数；n为样本数；q为偏相关的阶数。

1.3.4 植被固碳量计算

根据碳元素与有机物质的转换关系和绿色植被光合作用方程式（$6\mathrm{C}{\mathrm{O}}_{2}+6{\mathrm{H}}_{2}\mathrm{O}\stackrel{\mathrm{光}\mathrm{合}\mathrm{作}\mathrm{用}}{\to }{\mathbf{C}}_{6}{\mathrm{H}}_{12}{\mathrm{O}}_{6}+6{\mathrm{O}}_{2})$，可知植被固碳量的计算公式[37]如下：
${W}_{\mathrm{C}}=\mathrm{N}\mathrm{P}\mathrm{P}\times 2.2\times 1.63\times 0.27\times {10}^{-6}\times A$
式中：WC为该生态系统年固碳量（t C）；NPP为植被净初级生产力（g C·m-2·a-1）；A为面积（m2）。

2 结果与分析

2.1 新疆植被GPP、NPP时空特征

2001—2018年新疆植被GPP分布具有显著的空间差异（图2a），突出表现为北高南低、西高东低、山区高平原盆地低的特点。GPP高值区主要集中在天山山区、阿尔泰山山区和塔城山区等，GPP普遍大于350 g C·m-2·a-1，部分地区大于800 g C·m-2·a-1。这些区域主要是山地气候，区域内降水相对较多，水分条件充足，因此植被固碳能力也相对较高；南疆大部分地区GPP不到100 g C·m-2·a-1。从时间变化特征来看，2001—2018年新疆地区植被GPP呈现先降后升的变化趋势。具体表现为2007年前呈下降趋势，2007年后逐渐上升（图2b）。空间变化上，新疆75.7%的植被GPP呈增加趋势，其中显著变化区域达28.6%（P<0.1），表明大多区域植被GPP有所增强（图2c），这些显著变化区域主要集中在天山北坡绿洲带和南疆盆地绿洲。天山北坡受大西洋和北冰洋水汽影响，年降水量较多，能够促进植被生长。此外，天山北坡和南疆盆地绿洲是新疆主要作物种植区，在栽培技术、灌溉方式等正向人为因素驱动下，植被GPP有明显提升。有18.1%的植被GPP呈减少趋势，主要分布在伊犁河谷，以草地为主。
图2 2001—2018年新疆植被GPP空间分布及时空变化

注：GPP为总初级生产力。下同。

Fig. 2 Distribution and spatiotemporal changes of vegetation GPP in Xinjiang from 2001 to 2018

植被NPP的空间分布格局与GPP较为相似（图3a）。受地形和水热情况影响，植被NPP的分布也大体呈现北高南低、西高东低、山区高平原低的特点。植被NPP高值区域主要集中在天山山区、阿尔泰山区等，植被NPP普遍大于200 g C·m-2·a-1；南疆大部分地区NPP低于50 g C·m-2·a-1。从时间变化特征来看，2001—2018年新疆地区植被NPP呈现先降后升的变化趋势。具体表现为2007年前呈下降趋势，2007年后逐渐上升（图3b）。空间变化上，新疆77.9%的植被NPP呈增加趋势（图3c），其中显著增加区域达34.0%（P<0.1），主要分布在天山北坡绿洲带、南疆盆地绿洲植被，以农田为主。有18.5%的植被NPP呈减少趋势，主要分布在伊犁河谷，以草地为主。
图3 2001—2018年新疆植被NPP空间分布及时空变化

注：NPP为净初级生产力。下同。

Fig. 3 Distribution and spatiotemporal changes of vegetation NPP in Xinjiang from 2001 to 2018

2.2 区域尺度植被GPP、NPP空间分异的驱动因子分析

本文利用地理探测器中的因子探测器，选取积雪初日、积雪终日、积雪日数、高程、土地利用类型、降水、气温及太阳辐射8个因子对2001—2018年新疆全区整体尺度的植被GPP、NPP空间分异的驱动因子进行定量分析。
植被GPP、NPP空间分异的各驱动因子多年来的q值变化趋势略有不同（图4），但各因子间的q值大小顺序未发生根本变化，降水、积雪日数和高程是新疆植被GPP、NPP空间分异的主要驱动因子。植被GPP驱动因子多年平均q值为：降水（0.26）>积雪日数（0.23）>高程（0.22）>积雪初日（0.20）>积雪终日（0.18）>土地利用类型（0.16）>太阳辐射（0.11）>气温（0.09）。植被NPP驱动因子多年平均q值为：降水（0.26）>积雪日数（0.23）>高程（0.21）>积雪初日（0.20）>积雪终日（0.17）>土地利用类型（0.15）>太阳辐射（0.11）>气温（0.09）。结果表明，新疆植被GPP、NPP空间分异的各驱动因子q值基本一致，其中降水、积雪日数和高程是最为重要的主导因子。
图4 新疆植被GPP、NPP空间分异因子探测结果

Fig. 4 Factor detection results for the spatial heterogeneity of vegetation GPP/NPP in Xinjiang

2.3 栅格尺度植被GPP、NPP时间变化的驱动因子分析

2.3.1 植被GPP、NPP对气候因子的响应

进一步采用偏相关分析法分析研究区逐栅格植被GPP和NPP变化的驱动因素。根据偏相关系数大小，识别得到驱动研究区栅格植被GPP、NPP时间变化的主导因子空间分布（图5~6），并统计GPP、NPP与各主导因子正负相关性占比（表1），从而判别植被GPP、NPP时间变化的主要驱动因子。
图5 新疆植被GPP变化主导驱动因子及其偏相关系数空间分布

Fig. 5 Distributions of dominant driving factors and their partial correlation coefficients for GPP change in Xinjiang

图6 新疆植被NPP变化主导驱动因子及其偏相关系数空间分布

Fig. 6 Distributions of dominant driving factors and their partial correlation coefficients for NPP change in Xinjiang

表1 新疆植被GPP、NPP变化主导驱动因子的面积与正负相关性占比

Tab. 1 Area proportions of dominant driving factors and P/N correlations for GPP/NPP changes in Xinjiang 　　　/%

植被固碳能力 占比项 驱动因子
降水 太阳辐射 积雪日数 积雪初日 气温 积雪终日
GPP

 面积占比 38.0 24.5 13.0 8.8 8.1 7.7
正相关占比 93.0 5.9 79.0 41.8 75.7 72.7
负相关占比 7.0 94.1 21.0 58.2 24.3 27.3
NPP

 面积占比 47.3 26.7 7.7 6.5 7.1 4.8
正相关占比 98.5 4.4 79.4 32.1 71.7 70.5
负相关占比 1.5 95.7 20.6 67.9 28.3 29.5

注：GPP为总初级生产力；NPP为净初级生产力。

栅格尺度上驱动新疆植被GPP时间变化的主导因子具有较强的空间分异性，其中降水是主要驱动因子，降水主导的区域面积占比38.0%，主要分布在伊犁河谷、阿勒泰地区、天山北坡绿洲带和南疆部分绿洲。在降水主导的区域中，93.0%的植被GPP与降水正相关。其次是太阳辐射，面积占24.5%，主要分布在天山北坡绿洲带、天山南坡和南疆部分绿洲，其中94.1%太阳辐射主导的区域植被GPP与太阳辐射负相关。再次是积雪日数和积雪初日，其主导的面积分别占比13.0%和8.8%；最后是气温与积雪终日，面积占比分别为8.1%和7.7%。积雪物候与气温主导的区域分布较为零散，积雪日数、气温和积雪终日对植被GPP均以正向驱动为主，正相关分别占比79.0%、75.7%和72.7%，积雪初日对植被GPP的驱动作用以负相关为主，负相关占比58.2%。
栅格尺度上驱动新疆植被NPP时间变化的主导因素同样存在较强的空间分异性，降水是新疆植被NPP时间变化的主要驱动因子，降水主导的区域面积占比47.3%，主要集中在伊犁河谷、天山北坡、塔城地区、阿勒泰地区以及叶尔羌河，其中植被NPP与降水呈正相关的面积占降水主导区域的98.5%。其次是太阳辐射，面积占比26.7%，主要集中在天山北坡绿洲带、天山南坡、吐鲁番盆地北侧和南疆部分绿洲，零星分布在昆仑山北翼、哈密盆地，95.7%太阳辐射主导的区域植被NPP与太阳辐射负相关。再次是积雪日数和气温，其主导的面积分别占比7.7%和7.1%；最后是积雪初日与积雪终日，面积占比分别为6.5%和4.8%。积雪物候与气温主导的区域零星分布，积雪日数、气温和积雪终日对植被NPP均以正向驱动为主，正相关分别占比79.4%、71.7%和70.5%，积雪初日对植被NPP的驱动作用以负向为主，负相关占比67.9%。

2.3.2 植被固碳对土地利用变化的响应

人类活动引起的土地利用变化会影响生态系统中的碳循环，从而造成植被固碳的变化。为反映新疆植被固碳对土地利用的响应，本文在2001年和2018年2期植被固碳数据的有效值空间范围内，生成了2001—2018年有关人类活动的土地利用类型转移矩阵（表2）。由于水体、永久积雪、永久湿地的类型变化很小且未涉及与人类活动相关的土地类型（本文指建设用地和农田），故不做分析。由表2可知，2001—2018年新疆土地利用类型面积变化最大的是草地转农田，面积达22725 km2。其后依次为荒地转草地12200 km2、草地转荒地6900 km2、农田转草地3650 km2、林地转草地1200 km2、草地转林地1025 km2、荒地转农田650 km2和草地转建设用地500 km2。
表2 2001—2018年新疆土地利用类型转移矩阵

Tab. 2 Transfer matrix of land use types in Xinjiang from 2001 to 2018 　　　/km2

2001年土地利用类型 2018年土地利用类型
草地 灌木 荒地 建设用地 林地 农田
草地 238950 75 6900 500 1025 22725
灌木 - - 25 - - -
荒地 12200 25 57300 50 - 650
建设用地 275 - - 1750 - 400
林地 1200 - - - 625 -
农田 3650 - 75 225 - 36775
表3和表4分别为2001—2018年不同土地利用类型转移下植被GPP和NPP的均值变化情况。可以发现，在有关人类活动的土地利用类型转移中，荒地转农田区域的GPP均值和NPP均值提高最多，分别提高了63.1 g C·m-2·a-1和25.9 g C·m-2·a-1，表明荒地转为农田对植被GPP、NPP的促进作用最强。此外，草地转农田、农田转建设用地等土地利用类型变化对植被GPP、NPP的促进也相对较强。草地转农田区域的GPP均值和NPP均值分别提高了52.5 g C·m-2·a-1和23.8 g C·m-2·a-1；农田转建设用地区域的GPP均值和NPP均值分别提高了51.0 g C·m-2·a-1和22.4 g C·m-2·a-1。相反，农田转荒地区域的GPP均值和NPP均值降低最多，分别降低了87.5 g C·m-2·a-1和52.1 g C·m-2·a-1，表明农田转为荒地降低了植被GPP、NPP。另外，农田转草地、建设用地转农田等变化对植被GPP、NPP也有减弱作用。农田转草地区域的GPP均值和NPP均值分别降低了2.9 g C·m-2·a-1和5.3 g C·m-2·a-1；建设用地转农田区域的GPP均值和NPP均值也分别降低了2.9 g C·m-2·a-1和5.3 g C·m-2·a-1。
表3 2001—2018年新疆土地利用类型转移下植被GPP均值变化

Tab. 3 Mean GPP changes under land use transfers in Xinjiang from 2001 to 2018 　　　/g C·m-2·a-1

2001年土地利用类型 2018年土地利用类型
草地 灌木 荒地 建设用地 林地 农田
草地 -4.1 3.2 5.7 3.0 8.0 52.5
灌木 - - 0.4 - - -
荒地 6.6 12.4 0.8 34.6 - 63.1
建设用地 33.5 - - 15.7 - -2.9
林地 14.8 - - - -16.8 -
农田 -2.9 - -87.5 51.0 - 41.2
表4 2001—2018年新疆土地利用类型转移下植被NPP均值变化

Tab. 4 Mean NPP changes under land use transfers in Xinjiang from 2001 to 2018 　　　/g C·m-2·a-1

2001年土地利用类型 2018年土地利用类型
草地 灌木 荒地 建设用地 林地 农田
草地 -3.3 2.9 2.1 0.3 4.8 23.8
灌木 - - 0.3 - - -
荒地 2.6 7.9 0.0 12.1 - 25.9
建设用地 15.9 - - 5.7 - -5.3
林地 7.4 - - - -10.9 -
农田 -5.3 - -52.1 22.4 - 17.2
结合表2、表4和公式（5），即可计算得到2001— 2018年不同土地利用类型转移下植被年固碳量的变化情况，结果见表5所示。可以发现，在土地类型发生变化的区域中，得益于草地转农田的面积最大，该区域的植被年固碳量增加最多，达523532 t C；其次是荒地转草地和荒地转农田区域，其植被年固碳量增加也相对较多，分别达31276 t C和16289 t C。相反，农田转草地区域的年固碳量降低最多，下降了18794 t C。此外，农田转为荒地区域的植被年固碳量也有较大降低，下降了3785 t C。
表5 2001—2018年新疆土地利用类型转移下植被年固碳量变化

Tab. 5 Changes in annual carbon sequestration under land use transfers in Xinjiang from 2001 to 2018 　　　/t C

2001年土地利用类型 2018年土地利用类型
草地 灌木 荒地 建设用地 林地 农田 累计
草地 -753970 214 14285 125 4751 523532 -211063
灌木 - - 7 - - - 7
荒地 31276 191 942 585 - 16289 49283
建设用地 4240 - - 13077 - -2048 15269
林地 8646 - - - -6609 - 2037
农田 -18794 - -3785 4876 - 613991 596289
累计 -728602 405 11450 18664 -1858 1151763 451822

3 讨论

3.1 植被GPP、NPP分布格局与变化特征

新疆植被GPP、NPP空间上呈现北高南低、西高东低、山区高平原盆地低的特点。天山山脉和阿尔泰山山脉使得北大西洋和北冰洋的湿润气流在此汇集，湿润的气候有利于植被的生长和光合作用，从而导致北疆的GPP和NPP相对较高。GPP、NPP低值主要集中在南北疆盆地边缘等生态脆弱区，这些地区高温少雨，土地沙化严重，植被生长环境较为恶劣[23]。2001—2018年新疆大部分区域植被GPP、NPP呈增长趋势，气候变化、人类活动以及二者的协同作用是促进新疆大范围地区植被恢复和改善的主要原因。研究表明，过去十几年，新疆呈现的“暖湿现象”有利于植被的生长[21]。例如，升温能够促进山区冰雪消融，增加地表径流[38]，从而带动盆地边缘灌木植被覆盖度的增加。同时，水肥一体化灌溉系统和生态修复工程等人类活动的实施对区域植被的恢复与改善产生显著影响。

3.2 自然因素对植被固碳能力的影响

本文在驱动因素定量分析方法上，将地理探测器的区域尺度空间分异归因优势与偏相关分析的逐栅格单元时间变化归因优势相结合，有效地量化了不同空间尺度下的新疆植被固碳能力主要驱动力及其差异。
研究发现降水在区域尺度对新疆植被GPP、NPP空间分异的q值最高，同时也是栅格尺度上植被GPP、NPP时间变化的主导因子，且降水对植被GPP、NPP均为正向驱动。这是由于降水是限制区域植被生长的主导因子，降水量增加能够有效补充干旱和半干旱地区土壤水分，从而提高植被的光合作用效率和增加植被固碳[39-41]。高程也是影响植被GPP、NPP空间分异的重要因子。干旱区域的地形特征决定了其长期的气候条件，大型山麓控制了水汽运动和地表水源分布，使得区域的地表环境变化对地形的依赖性很强，最终影响植被固碳[42-43]。太阳辐射在区域尺度对新疆植被GPP、NPP空间分异的q值较低，但在栅格尺度却是约25%新疆植被GPP、NPP时间变化的主导驱动因子，且其中超94%均为负向驱动。这是由于太阳辐射主导的区域（如南疆绿洲带）日照资源丰富，当日照条件超过需求时，太阳辐射越强，蒸散量越大，进而对植被生长产生不利影响。
研究还发现积雪物候对新疆植被固碳能力的时空分异具有重要影响。区域尺度上，积雪日数是新疆植被GPP、NPP空间分异的第二大主导因子，q值仅次降水，强于高程；其后分别是积雪初日、积雪终日，强于土地利用类型、太阳辐射和气温。栅格尺度上，积雪日数、积雪初日、积雪终日对GPP年际变化起主导作用的区域面积分别占新疆植被总面积的13.0%、8.8%和7.7%，合计占29.5%；对NPP年际变化起主导作用的区域面积分别占新疆植被总面积的7.7%、6.5%和4.8%，合计占19.0%。可见，积雪物候是新疆部分区域GPP、NPP时间变化的主导驱动因子。其中，积雪日数、积雪终日整体表现为正向驱动，积雪初日主要呈负向驱动。这是由于新疆地处受水分约束的干旱区，较早的积雪初日、较长的积雪日数以及较晚的积雪终日，通常可显著提升春季土壤湿度，促进植被提前进入生长季，从而延长生长期并增强碳汇功能[44]。同时，积雪覆盖有效减缓低温和风蚀对土壤和根系的破坏，有助于植被恢复与生长，进一步提升其固碳能力[45]。这一结果也正与相关研究所揭示的积雪影响植被固碳的两条路径效应相契合，即一为水热调节效应，即融雪过程增加土壤湿度并缓解低温胁迫，为植被生长提供有利的水热条件；二为生长期调控效应，即通过影响植被生长季的长度，进而改变碳吸收能力[9]。

3.3 土地利用变化对植被固碳的影响

植被固碳除了受自然因素的影响外，很大程度上受人类活动的影响。由表2~3可知，2001—2018年新疆植被GPP和NPP除了在建设用地转农田的区域少量降低外，在其他土地类型转农田的区域均表现出显著升高。其中以荒地转农田和草地转农田区域的升高最大。再结合表5，可知各类型转为农田（即农田扩张）的区域累计带动新疆植被年固碳量增加537773 t C。此外，研究还发现2001—2018年新疆地区农田未变化区域的GPP、NPP同样显著上升，分别上升41.2 g C·m-2·a-1和17.2 g C·m-2·a-1，由此带动年固碳量增加613991 t C。合计可得农田扩张和农田未变化区域累计带动新疆植被年固碳量增加1151763 t C，远大于新疆2001—2018年植被年固碳量的整体增量（451822 t C）。表明除农田扩张和农田未变化的区域外，新疆2001—2018年植被年固碳量在下降。可见，新疆的农田扩张和农田未变化区域是新疆植被年固碳量增加的最主要贡献者。结合同期林地、草地GPP、NPP的较快下降趋势，进一步说明农田扩张和农田未变化区域的固碳能力提升，与人为灌溉、施肥等农业管理技术发展关系密切。这与相关研究相印证：2003—2019年新疆播种面积与有效灌溉面积均显著增长，同时农作物单位面积产量和施肥量同步提升，反映了农业技术，尤其是化肥使用在提升耕地生产力方面的积极作用[46]。因此可知，农田扩张与农业技术进步对提升新疆植被GPP、NPP起到了显著推动作用，进而促进了新疆植被年固碳量的增长。
此外，研究还发现林地和草地未变化区域的GPP、NPP及其年固碳量均呈下降趋势。其中林地未变化区域的GPP、NPP下降最多，草地未变化区域的植被年固碳量显著减少。这与相关研究得出的频繁干旱和过度放牧等导致旱区植被迅速退化[21]的结论一致。

4 结论

本文利用2001—2018年全球碳通量模拟产品数据集，在分析新疆植被GPP、NPP空间分布与演变趋势的基础上，结合地形、气候和土地利用数据，并针对新疆特点引入积雪物候指标，利用地理探测器和偏相关分析方法分别从区域尺度和栅格尺度探讨了植被固碳能力时空分异的驱动因素。主要结论如下：
（1） 2001—2018年新疆植被GPP、NPP呈现北疆高于南疆，山区高于平原的空间分布特征，高值主要集中分布在天山山区及阿尔泰山山区。时间上GPP、NPP呈先下降后上升变化趋势，空间上呈增加趋势的面积分别占植被区域的75.7%和77.9%。
（2） 2001—2018年新疆植被GPP、NPP空间分异各驱动因子的q值大小顺序未发生根本变化。区域尺度上，降水、积雪日数、高程是新疆植被GPP、NPP空间分异的主要驱动因子。栅格尺度上，植被GPP、NPP随时间变化受降水的主导范围最大，受太阳辐射和积雪日数主导的范围次之；降水和积雪日数对植被GPP、NPP变化以正向驱动为主，太阳辐射以负向驱动为主。
（3） 土地利用类型转移下，荒地转农田和草地转农田区域的GPP、NPP上升最多，农田转荒地区域的GPP、NPP下降最多。农田扩张和农田未变化区域是新疆植被年固碳量增加的最主要贡献者；草地退化是新疆植被年固碳量减少的最主要因素。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
袁文平, 蔡文文, 刘丹, 等. 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, 2014, 29(5): 541-550.

DOI

[Yuan Wenping, Cai Wenwen, Liu Dan, et al. Satellite-based vegetation production models of terrestrial ecosystem: An overview[J]. Advances in Earth Science, 2014, 29(5): 541-550.]

DOI

[2]
Yan M, Xue M, Zhang L, et al. A decade’s change in vegetation productivity and its response to climate change over northeast China[J]. Plants, 2021, 10(5): 821, doi: 10.3390/plants10050821.

[3]
Anav A, Friedlingstein P, Beer C, et al. Spatiotemporal patterns of terrestrial gross primary production: A review[J]. Reviews of Geophysics, 2015, 53(3): 785-818.

DOI

[4]
Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: Integrating terrestrial and oceanic components[J]. Science, 1998, 281(5374): 237-240.

DOI PMID

[5]
Running S W, Nemani R R, Heinsch F A, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. Bioscience, 2004, 54(6): 547-560.

DOI

[6]
Zhao M S, Running S W. Drought-induced reduction in global terrestrial net primary production from 2000 through 2009[J]. Science, 2010, 329(5994): 940-943.

DOI PMID

[7]
Zhang Y, Zhang C B, Wang Z Q, et al. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region, China from 1982 to 2012[J]. Science of the Total Environment, 2016, 563: 210-220.

[8]
冯婉, 谢世友. 长江流域片2001—2015年植被NPP时空特征及影响因子探测[J]. 水土保持研究, 2022, 29(1): 176-183.

[Feng Wan, Xie Shiyou. Spatiotemporal characteristics and influencing factors of vegetation NPP in the Yangtze River Basin from 2000 to 2015[J]. Research of Soil and Water Conservation, 2022, 29(1): 176-183.]

[9]
Liu H, Xiao P F, Zhang X L, et al. Increased snow cover enhances gross primary productivity in cold and dry regions of the Tibetan Plateau[J]. Ecosphere, 2023, 14(9): e4656, doi: 10.1002/ecs2.4656.

[10]
刘旻霞, 焦骄, 潘竟虎, 等. 青海省植被净初级生产力(NPP)时空格局变化及其驱动因素[J]. 生态学报, 2020, 40(15): 5306-5317.

[Liu Minxia, Jiao Jiao, Pan Jinghu, et al. Spatial and temporal patterns of planting NPP and its driving factors in Qinghai Province[J]. Acta Ecologica Sinica, 2020, 40(15): 5306-5317.]

[11]
高振翔, 叶剑, 丁仁惠, 等. 中国植被总初级生产力对气候变化的响应[J]. 水土保持研究, 2022, 29(4): 394-399.

[Gao Zhenxiang, Ye Jian, Ding Renhui, et al. Response of vegetation gross primary productivity to climate change in China[J]. Research of Soil and Water Conservation, 2022, 29(4): 394-399.]

[12]
Wang X, Tan K, Chen B Z, et al. Assessing the spatiotemporal variation and impact factors of net primary productivity in China[J]. Scientific Reports, 2017, 7(1): 44415, doi: 10.1038/srep44415.

[13]
毕晓丽, 王辉, 葛剑平. 植被归一化指数(NDVI)及气候因子相关起伏型时间序列变化分析[J]. 应用生态学报, 2005, 16(2): 284-288.

[Bi Xiaoli, Wang Hui, Ge Jianping. Wave-type time series variation of the correlation between NDVI and climatic factors[J]. Chinese Journal of Applied Ecology, 2005, 16(2): 284-288.]

PMID

[14]
陈亚宁, 李稚, 范煜婷, 等. 西北干旱区气候变化对水文水资源影响研究进展[J]. 地理学报, 2014, 69(9): 1295-1304.

DOI

[Chen Yaning, Li Zhi, Fan Yuting, et al. Research progress on the impact of climate change on water resources in the arid region of northwest China[J]. Acta Geogrephica Sinica, 2014, 69(9): 1295-1304.]

[15]
车涛, 李新. 1993—2002年中国积雪水资源时空分布与变化特征[J]. 冰川冻土, 2005, 27(1): 64-67.

[Che Tao, Li Xin. Spatial distribution and temporal variation of snow water resources in China during 1993—2002[J]. Journal of Glaciology and Geocryology, 2005, 27(1): 64-67.]

[16]
Niu L N, Shao Q Q, Ning J, et al. Ecological changes and the tradeoff and synergy of ecosystem services in western China[J]. Journal of Geographical Sciences, 2022, 32(6): 1059-1075.

DOI

[17]
姚俊强, 李漠岩, 迪丽努尔·托列吾别克, 等. 不同时间尺度下新疆气候“暖湿化”特征[J]. 干旱区研究, 2022, 39(2): 333-346.

DOI

[Yao Junqiang, Li Moyan, Tuoliewubieke Dilinuer, et al. The assessment on “warming-wetting” trend in Xinjiang at multi-scale during 1961—2019[J]. Arid Zone Research, 2022, 39(2): 333-346.]

DOI

[18]
Wang H J, Chen Y N, Xun S, et al. Changes in daily climate extremes in the arid area of northwestern China[J]. Theoretical and Applied Climatology, 2013, 112(1-2): 15-28.

DOI

[19]
杨静, 黄秉光, 黄玫, 等. 近55 a新疆净生态系统生产力对气候变化的响应[J]. 干旱区地理, 2017, 40(5): 1054-1060.

[Yang Jing, Huang Bingguang, Huang Mei, et al. Responses of net ecosystem productivity to climate change in Xinjiang in recent 55 years[J]. Arid Land Geography, 2017, 40(5): 1054-1060.]

[20]
Yang H F, Mu S J, Li J L. Effects of ecological restoration projects on land use and land cover change and its influences on territorial NPP in Xinjiang, China[J]. Catena, 2014, 115: 85-95.

DOI

[21]
秦景秀, 郝兴明, 张颖, 等. 气候变化和人类活动对干旱区植被生产力的影响[J]. 干旱区地理, 2020, 43(1): 117-125.

[Qin Jingxiu, Hao Xingming, Zhang Ying, et al. Effects of climate change and human activities on vegetation productivity in arid areas[J]. Arid Land Geography, 2020, 43(1): 117-125.]

DOI

[22]
张山清, 普宗朝, 伏晓慧, 等. 气候变化对新疆自然植被净第一性生产力的影响[J]. 干旱区研究, 2010, 27(6): 905-914.

[Zhang Shanqing, Pu Zongchao, Fu Xiaohui, et al. Effect of climate change on NPP of natural vegetation in Xinjiang[J]. Arid Zone Research, 2010, 27(6): 905-914.]

[23]
姜萍, 袁野. 新疆植被总初级生产力对大气水分亏缺的响应[J]. 干旱区地理, 2024, 47(3): 403-412.

DOI

[Jiang Ping, Yuan Ye. Responses of vegetation gross primary production to vapor pressure deficit in Xinjiang[J]. Arid Land Geography, 2024, 47(3): 403-412.]

DOI

[24]
姚宏达, 顾玉丽, 罗青红, 等. 典型荒漠绿化工程区净生态系统生产力的时空变化特征[J]. 气候与环境研究, 2025, 30(3): 322-334.

[Yao Hongda, Gu Yuli, Luo Qinghong, et al. Characteristics of spatial and temporal changes in net ecosystem productivity across the typical desert greening project areas[J]. Climatic and Environmental Research, 2025, 30(3): 322-334.]

[25]
赵晓涵, 张方敏, 韩典辰, 等. 内蒙古半干旱区蒸散特征及归因分析[J]. 干旱区研究, 2021, 38(6): 1614-1623.

DOI

[Zhao Xiaohan, Zhang Fangmin, Han Dianchen, et al. Evapotranspiration changes and its attribution in semi-arid regions of Inner Mongolia[J]. Arid Zone Research, 2021, 38(6): 1614-1623.]

DOI

[26]
He Q, Ju W, Dai S, et al. Drought risk of global terrestrial gross primary productivity over the last 40 years detected by a remote sensing-driven process model[J]. Journal of Geophysical Research: Biogeosciences, 2021, 126(6): e2020JG005944, doi: 10.1029/2020JG-005944.

[27]
Gong H B, Cao L, Duan Y F, et al. Multiple effects of climate changes and human activities on NPP increase in the Three-north Shelter Forest Program area[J]. Forest Ecology and Management, 2023, 529: 120732, doi: 10.1016/j.foreco.2022.120732.

[28]
Li J H, Han W Q, Zheng J H, et al. Grassland productivity in arid Central Asia depends on the greening rate rather than the growing season length[J]. Science of the Total Environment, 2024, 933: 173155, doi: 10.1016/j.scitotenv.2024.173155.

[29]
Gong H X, Wang G Y, Fan C Q, et al. Temporal accumulation and lag effects of precipitation on carbon fluxes in terrestrial ecosystems across semi-arid regions in China[J]. Agricultural and Forest Meteorology, 2024, 356: 110189, doi: 10.1016/j.agrformet.2024.110189.

[30]
Liu H H, Liu Y, Chen Y, et al. Dynamics of global dryland vegetation were more sensitive to soil moisture: Evidence from multiple vegetation indices[J]. Agricultural and Forest Meteorology, 2023, 331: 109327, doi: 10.1016/j.agrformet.2023.109327.

[31]
郝晓华, 赵琴, 纪文政, 等. 1980—2020年AVHRR中国积雪物候数据集[J]. 中国科学数据, 2022, 7(3): 1-10.

[Hao Xiaohua, Zhao Qin, Ji Wenzheng, et al. A dataset of snow cover phenology in China based on AVHRR from 1980 to 2020[J]. China Scientific Data, 2022, 7(3): 1-10.]

[32]
Peng S Z, Ding Y X, Wen Z M, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011—2100[J]. Agricultural and Forest Meteorology, 2017, 233: 183-194.

DOI

[33]
Abatzoglou J T, Dobrowski S Z, Parks S A, et al. TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958—2015[J]. Scientific Data, 2018, 5(1): 1-12.

DOI

[34]
Hamed K H, Rao A R. A modified Mann-Kendall trend test for autocorrelated data[J]. Journal of Hydrology, 1998, 204(1-4): 182-196.

DOI

[35]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geologica Sinica, 2017, 72(1): 116-134.]

[36]
张磊, 罗平平, 王小珲, 等. 1960—2019年关中平原极端降水时空变化及非平稳性分析[J]. 水利水电技术, 2023, 54(3): 35-46.

[Zhang Lei, Luo Pingping, Wang Xiaohui, et al. Spatial and temporal variation and non-stationary analysis of extreme precipitation in Guanzhong Plain from 1960 to 2019[J]. Water Resources and Hydropower Engineering, 2023, 54(3): 35-46.]

[37]
温宥越, 孙强, 燕玉超, 等. 粤港澳大湾区陆地生态系统演变对固碳释氧服务的影响[J]. 生态学报, 2020, 40(23): 8482-8493.

[Wen Youyue, Sun Qiang, Yan Yuchao, et al. Impacts of the terrestrial ecosystem changes on the carbon fixation and oxygen release services in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Ecologica Sinica, 2020, 40(23): 8482-8493.]

[38]
高晓宇, 郝海超, 张雪琪, 等. 中国西北干旱区植被水分利用效率变化对气象要素的响应——以新疆为例[J]. 干旱区地理, 2023, 46(7): 1111-1120.

DOI

[Gao Xiaoyu, Hao Haichao, Zhang Xueqi, et al. Responses of vegetation water use efficiency to meteorological factors in arid areas of northwest China: A case of Xinjiang[J]. Arid Land Geography, 2023, 46(7): 1111-1120.]

DOI

[39]
韩炳宏, 周秉荣, 颜玉倩, 等. 2000—2018年间青藏高原植被覆盖变化及其与气候因素的关系分析[J]. 草地学报, 2019, 27(6): 1651-1658.

DOI

[Han Binghong, Zhou Bingrong, Yan Yuqian, et al. Analysis of vegetation coverage change and its driving factors over Tibetan Plateau from 2000 to 2008[J]. Acta Agrestia Sinica, 2019, 27(6): 1651-1658.]

DOI

[40]
姚俊强, 杨青, 陈亚宁, 等. 西北干旱区气候变化及其对生态环境影响[J]. 生态学杂志, 2013, 32(5): 1283-1291.

[Yao Junqiang, Yang Qing, Chen Yaning, et al. Climate change in arid areas of northwest China in past 50 years and its effects on the local ecological environment[J]. Chinese Journal of Ecology, 2013, 32(5): 1283-1291.]

[41]
同琳静, 刘洋洋, 王倩, 等. 西北植被净初级生产力时空变化及其驱动因素[J]. 水土保持研究, 2019, 26(4): 367-374.

[Tong Linjing, Liu Yangyang, Wang Qian, et al. Spatial and temporal dynamics of net primary productivity and its driving factors in northwest China[J]. Research of Soil and Water Conservation, 2019, 26(4): 367-374.]

[42]
孔冬冬, 张强, 黄文琳, 等. 1982—2013年青藏高原植被物候变化及气象因素影响[J]. 地理学报, 2017, 72(1): 39-52.

DOI

[Kong Dongdong, Zhang Qiang, Huang Wenlin, et al. Vegetation phenology change in Tibetan Plateau from 1982 to 2013 and its related meteorological factors[J]. Acta Geographica Sinica, 2017, 72(1): 39-52.]

DOI

[43]
姬盼盼, 高敏华, 杨晓东. 中国西北部干旱区NPP驱动力分析——以新疆伊犁河谷和天山山脉部分区域为例[J]. 生态学报, 2019, 39(8): 2995-3006.

[Ji Panpan, Gao Minhua, Yang Xiaodong. Analysis of NPP driving force in an arid region of northwest China: A case study in Yili Valley and parts of Tianshan Mountains, Xinjiang, China[J]. Acta Ecologica Sinica, 2019, 39(8): 2995-3006.]

[44]
Chen S L, Huang Y F, Wang G Q. Response of vegetation carbon uptake to snow-induced phenological and physiological changes across temperate China[J]. Science of the Total Environment, 2019, 692: 188-200.

DOI

[45]
Yu Z, Liu S R, Wang J X, et al. Effects of seasonal snow on the growing season of temperate vegetation in China[J]. Global Change Biology, 2013, 19(7): 2182-2195.

DOI PMID

[46]
吴瀚, 白洁, 李均力, 等. 新疆地区植被覆盖度时空变化及其影响因素分析[J]. 植物生态学报, 2024, 48(1): 41-55.

DOI

[Wu Han, Bai Jie, Li Junli, et al. Study of spatio-temporal variation in fractional vegetation cover and its influencing factors in Xinjiang, China[J]. Chinese Journal of Plant Ecology, 2024, 48(1): 41-55.]

DOI

Options
Outlines

/

〈 〉