EN中文

Arid Zone Research >

2024 , Vol. 41 >Issue 6: 998 - 1009

DOI: https://doi.org/10.13866/j.azr.2024.06.09

Ecology and Environment

Carbon sequestration potential of oasis ecosystem in Xinjiang, China

  • ZHANG Haozhe ,
  • XUE Yayong ,
  • MA Yuanyuan ,
  • XUE Guoxuan
Expand
  • College of Geography and Remote Sensing Science, Xinjiang University, Urumqi 830046, Xinjiang, China

Received date: 2023-09-17

  Revised date: 2024-01-02

  Online published: 2025-08-12

Fold

Abstract

Net Primary Productivity (NPP) is an essential indicator of the terrestrial carbon (C) cycle, which can reflect the carbon sink capacity of terrestrial ecosystems. In the face of China’s “double carbon” goal of “carbon peak” and “carbon neutrality,” improving the carbon sequestration capacity of the terrestrial ecosystems is one of the crucial ways. Due to its vast geographical area and considerable vegetation restoration potential, it is of great practical significance to evaluate the current situation of carbon sequestration in Xinjiang and explore the potential of carbon sequestration so as to respond positively and realize the national “double carbon” goal. This study combined the Carnegie Ames Stanford Approach (CASA) model with the land use, remote sensing, and meteorological (temperature, precipitation, and solar radiation) data, and NPP in Xinjiang from 2001 to 2020 for the simulation. The Sen-MK method was used to analyze the trend in NPP changes. Pearson correlation analysis was used to identify the relationship between NPP variations and climatic factors. Further, different land use and vegetation scenarios from 2001 to 2020, as well as the pattern of NPP variations under pure climate scenarios simulated by the Miami model, were used to derive the final maximum potential of NPP and the maximum increment of NPP in Xinjiang. The results showed that: (1) The NPP in Xinjiang showed an upward trend with fluctuations from 2001 to 2020; (2) Among the climatic factors, precipitation had the maximal impact on NPP in Xinjiang; (3) Among the primary land use types in Xinjiang, cultivated land had a large NPP which showed an increasing trend; (4) The increment potential of NPP in Xinjiang was 79.43 g C·m-2. This study can provide a reference for Xinjiang to respond to the national call for “carbon peak” and “carbon neutrality” and to implement ecological restoration and cultivated land protection measures.

Key words： oasis; net primary productivity; carbon sequestration potential; CASA model; Xinjiang

Cite this article

ZHANG Haozhe , XUE Yayong , MA Yuanyuan , XUE Guoxuan . Carbon sequestration potential of oasis ecosystem in Xinjiang, China[J]. Arid Zone Research, 2024 , 41(6) : 998 -1009 . DOI: 10.13866/j.azr.2024.06.09

植被净初级生产力（Net Primary Productivity, NPP）是指植物在光合作用后经过生理生化过程产生的有机质，相当于光合作用产生的物质减去植物呼吸所消耗的物质后的部分[1]。NPP可以最直观的展现出植被的固碳水平[2-3]，其变化也能间接反应植被对气候变化的响应[4⇓-6]。随着全球气候变化，升温不断加剧，极端气候事件频发，为缓解气候变暖，有效减少温室气体排放，我国提出了“碳达峰”和“碳中和”目标。植被恢复被认为是缓解气候变化最有效的策略之一[7]，因此，研究植被固碳潜力及其影响因子，对于区域生态环境可持续发展和实现国家双碳目标具有重要意义。
NPP主要受降水、气温、太阳辐射等非生物因素的影响[8]，这些因素在不同时空尺度对NPP的控制作用存在差异[9-10]。Yu等[11]认为，NPP空间变化特征与年平均温度和降水量有关，但NPP对二者变化的敏感性受到植被类型的影响；闫敏等[12]研究表明，2001—2012年间区域温度和饱和水汽压差与植被生产力之间存在正相关关系，对植被的生长起促进作用。也有研究表明，随着辐射量的增加，植被生产力随之上升，但是过强的辐射也可能会限制光合作用，导致植被生产力降低[13]。在干旱和高温等极端气候影响下，植被叶片气孔导度关闭也会抑制光合作用从而影响植被生产力[14]。因此，气候要素对NPP的影响因植被类型和时空分布等具有一定差异。
近年来，新疆气候呈暖湿化趋势，这使得该地区植被活动明显增强[15]，引起了国内外学者对新疆植被变化的广泛关注，前人大量研究表明，新疆NPP整体呈上升趋势，且北疆高于南疆[16-17]。然而以往的研究多关注于NPP受气候因素影响的效应，而关于新疆植被固碳潜力的研究仍较为匮乏。基于遥感观测数据和气候模型模拟为植被固碳潜力研究提供了新的途径[18]。
新疆作为我国国土面积最大的地区，广阔的草地和荒漠生态系统为我国植被固碳量的提升提供了巨大的空间，因此，探究新疆NPP的时空变化格局，分析影响因素，估算固碳潜力具有重要意义。本研究基于Carnegie Ames Stanford Approach（CASA）模型和Miami模型估算2001—2020年新疆NPP，分析其变化趋势特征；结合气候因子与土地利用分析NPP的驱动因素，最后通过情景模拟估算新疆植被固碳潜力。研究结果可为新疆生态环境治理和我国“双碳”目标的实现提供科学依据和数据支撑。

1 研究区与研究方法

1.1 研究区概况

新疆位于中国西北部，地形复杂、地貌类型多样，山系众多，从北到南依次为阿尔泰山、天山和昆仑山，中间夹杂着准噶尔盆地和塔里木盆地，形成了三山夹两盆的格局（图1）。新疆远离海洋并且周围被高山围绕，属于典型的温带大陆性气候，具有昼夜温差大，气候干燥，降水量稀少且分布不均等气候特征。植被类型以荒漠和草地为主，耕地和林地主要分布在绿洲。
图1 研究区概况图

注：底图采用自然资源部标准地图制作，审图号为GS(2019)1822号，对底图边界无修改。下同。

Fig. 1 Map of study area

1.2 数据来源

1.2.1 气象数据

太阳辐射数据源于国家生态科学数据中心[19]，该数据是基于欧洲中期天气预报中心（ERA5）数据集中的地表净辐射（SSR）数据（空间分辨率为0.25°×0.25°），并利用CDO软件插值重建得到我国1982—2020年空间分辨率为0.05°×0.05°的地表净辐射数据。气温和降水数据源于国家科技基础条件平台—国家地球系统科学数据中心-黄土高原分中心[20](http://loess.geodata.cn)，1901—2020年中国1 km分辨率逐月平均气温数据集和1901—2022年中国1 km分辨率逐月降水量数据集。数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球范围高分辨率的气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成。

1.2.2 NDVI和土地利用数据

土地利用数据来源于美国国家航空航天局（NASA）发射的地球观测系统环境遥感卫星获得的2001—2020年20期的MOD12Q1数据[21]，空间分辨率为500 m。MOD12Q1土地利用数据采用国际地圈生物圈计划（IGBP）分类方法，将土地覆盖类型分为17个类别[22]，分别为：水体（WAT）、混交林（MF）、湿地（PW）、稀疏草原（SAV）、荒漠（BAR）、稀疏灌丛（OS）、稠密灌丛（CS）、耕地（CRO）、农田/自然植被交错（CN）、草地（GRA）、落叶针叶林（NEF）、落叶阔叶林（NBF）、冰雪（IS）、城市和建设用地（BS）、常绿针叶林（ENF）、常绿阔叶林（EBF）、木本草原（WS）。MODIS数据因其较高的空间分辨率和精细的土地利用分类，广泛应用于生态环境、地理空间分析等相关研究中。
NDVI（归一化植被指数）数据[23]来源于美国国家航天局NASA提供的MOD13Q1级产品(http://lpdaac.usgs.gov)。本文选取了2001年1月—2020年12月的MODIS NDVI数据共 240 期影像为数据源，空间分辨率为500 m，利用ArcGIS 10.8软件将月数据合成为年数据。

1.3 研究方法

1.3.1 CASA模型

CASA模型是光能利用模型的典型代表。本研究通过运行优化后的CASA模型计算NPP。光合有效辐射(APAR)以及光能利用率是该模型中的主要参数[24⇓-26]。模型所估算的NPP(x, t)计算公式如下：
N P P x , t = A P A R x , t × ε ( x , t )
式中：APAR(x, t)表示t月份在一个像元（x）上的光合有效辐射（MJ·m-2）；ε ( x , t )表示t月份一个像元（x）对光能的利用程度，即光能利用率[g C·(MJ)-1]。植被吸收的光合有效辐射是通过太阳总辐射和光合有效辐射的利用率来计算[27⇓-29]。其表达式为：
A P A R ( x ,   t ) = S O L ( x , t ) × F P A R ( x , t ) × 0.5
式中：SOL(x, t)表示t月内植被像元在x处积累的太阳总辐射量（MJ·m-2·month-1）。常数0.5表示植被所能利用的太阳有效辐射占太阳总辐射的比例；FPAR(x, t)表示植被吸收光和有效辐射的吸收比例。
F P A R x ,   t = N D V I x ,   t - N D V I i , m i n N D V I i , m a x - N D V I i , m i n × F P A R m a x - F P A R m i n ＋ F P A R m i n
F P A R x ,   t = S R x ,   t - S R i , m i n S R i , m a x - S R i , m i n × F P A R m a x - F P A R m i n + F P A R m i n  
S R x ,   t = 1 + N D V I ( x ,   t ) 1 - N D V I ( x ,   t )
F P A R x ,   t = F P A R ( x ,   t ) N D V I + F P A R ( x ,   t ) S R 2
式中：NDVI(x, t)表示像元x在t月份的归一化植被指数；NDVIi, min和NDVIi, max分别表示第i种植被类型的NDVI最小值和NDVI最大值；FPARmax和FPARmin的取值与植被类型无关，大小分别为0.95和0.001； S R x ,   t表示像元x在t月份的简单比值指数； S R i ,   m a x和 S R i ,   m i n分别表示第i种植被类型NDVI的95%和5%下侧百分位数； F P A R ( x ,   t ) N D V I   和 F P A R ( x ,   t ) S R分别为公式（3）、（4）的估算结果。
光能的利用率主要是由气温、水分状态的变化而产生的。 ε ( x , t )计算公式如下：
ε ( x , t ) = T ε 1 ( x , t ) × T ε 2 ( x , t ) × W ε ( x , t ) × ε m a x
式中：Tε1(x, t)、Tε2(x, t)表示温度过高或过低时对ε的胁迫；Wε(x, t)表示受到水分胁迫影响的系数； ε m a x表示最大光能利用率。
T ε 1 x , t = 0.8 + 0.02 × T o p t ( x ) - 0.0005 × T o p t ( x ) 2
式中： T o p t ( x )表示植物生长的最适温度。
T ε 2 x , t = 1.184 1 + e x p 0.2 × T o p t x - 10 - T x ,   t ×                                       1 1 + e x p 0.3 × ( - T o p t x - 10 - T ( x ,   t )
W ε x ,   t = 0.5 + 0.5 × E ( x ,   t ) / E p ( x ,   t )
式中： T ( x ,   t )表示某月的平均温度；E(x, t)为该区域的实际蒸散发（mm）；Ep(x, t)为该区域的潜在蒸散发（mm）。

1.3.2 Miami模型

Miami模型可以反应出在自然情况下水热单因子对潜在NPP的影响，其优点是参数较为简单，适用性强[30⇓-32]。Miami模型估算潜在NPP及其固碳潜力的计算方法如下：
                                                                                          P N P P = m i n 3000 1 + e x p 1.1315 - 0.119 t ,   3000 [ 1 - e x p   ( - 0.000664 r ) ]
式中：PNPP表示NPP的潜在值；t表示年均温度（℃）；r表示年总降水量（mm）。

1.3.3 趋势分析法

使用 Theil-Sen Median 趋势分析和Mann-Kendall检验方法计算新疆生态系统固碳能力的变化趋势。这两种方法的结合可以很好地判断长时间序列数据的变化趋势，且对数据分布类型没有特定的需求，在气象分析中得到广泛使用[33⇓-35]。计算公式为：
S N P P = M e d i a n N P P j - N P P i j - i ,   2001 ≤ i ≤ 2020
式中：SNPP表示NPP的变化趋势；NPPi和NPPj分别表示i年和j年的NPP像元值；当SNPP>0时，反映NPP呈现上升趋势，反之则呈现下降的趋势。
M-K统计检验法对Theil-Sen Median趋势分析得出的数据趋势变化显著性进行检验。其计算公式如下：
设定NPPi，i=2001，2002，···，2020
定义Z统计量，检验公式为： Z = S - 1 S ( S ) 0 S + 1 S ( S )
S = ∑ j = 1 n - 1 ∑ i = j + 1 n s g n ( N P P j - N P P i )
s g n ( N P P j - N P P i ) = 1 ,               N P P j - N P P i > 0 0 ,             N P P j - N P P i = 0 - 1 ,       N P P j - N P P i < 0
S (S) = n ( n - 1 ) ( 2 n + 5 ) 18
V a r S = n n - 1 2 n + 5 - ∑ i = 1 n t i ( t i - 1 ) ( 2 t i + 5 ) 18
式中：n表示年数； t i表示每个重复数重复的次数；sgn为符号函数；统计量Z的取值范围为(-∞，+∞)，在给定的α下，当|Z|>μ1-α/2，表示其在α水平上存在显著的变化，NPP时间序列变化趋势的显著性置信水平一般为α=0.05。

1.3.4 Pearson相关分析方法

Pearson相关系数是讨论两个变量线性相关程度的一个度量体现。取值范围介于-1~1之间。若两个变量之间没有线性关系，则相关系数为0。相关系数计算公式如下：
ρ X Y = c o v ( X , Y ) σ X   σ Y = E ( X - μ X ) ( Y - μ Y ) σ X   σ Y
式中：总体相关系数 ρ X Y为两个变量的协方差与二者标准差积的商。若用样本计算的协方差和标准差代替总体的协方差和标准差，则为样本相关系数，一般用r表示：
r = ∑ i = 1 n ( X i - X ) ( Y i - Y ) ∑ i = 1 n ( X i - X ¯ ) 2 ∑ i = 1 n ( Y i - Y ¯ ) 2
另一个与式（18）等效的相关系数，通过标准化以后变量均值的积定义。假设样本可以记为（Xi,Yi），则样本Pearson相关系数为：
r = 1 n ∑ i = 0 n ( X i - X ¯ S X ) ( Y i - Y ¯ S Y )
式中： X i - X ¯ S X、 X ¯和 S X分别为对 X i样本的标准化变量、样本均值和样本标准差； Y i - Y ¯ S Y、 Y ¯和 S Y分别为对 Y i样本的标准化变量、样本均值和样本标准差。

2 结果与分析

2.1 NPP时空变化趋势

从2001—2020年新疆NPP年均值变化趋势图来看（图2），多年NPP均值约为397 g C·m-2·a-1，2005年NPP年均值最小，为225 g C·m-2·a-1，比多年均值低43.3%。2013年NPP年均值最大，为525 g C·m-2·a-1，比多年均值高32.24%。极差为300 g C·m-2·a-1，NPP整体变化幅度波动较明显。2015—2016年年均NPP增长幅度最大，增加量为275 g C·m-2·a-1，2013—2014年年均NPP下降幅度最大，减少量为300 g C·m-2·a-1。从新疆植被NPP的时间变化特征来看，2001—2020年，NPP变化率趋于0.40，变化平缓，新疆NPP大体上表现为波动上升的趋势。
图2 2001—2020年新疆NPP年均值变化趋势

Fig. 2 Trend of annual mean NPP in Xinjiang from 2001 to 2020

由图3a可知，新疆多年NPP均值空间分布具有明显差异，大体上呈北高南低、西高东低的特征。新疆西部大部分区域NPP多年均值介于420~660 g C·m-2·a-1之间，高于东部，其中，伊犁河谷地区由于受到大西洋盛行西风气流的影响，降水充裕，植被生长发育条件优越，属于新疆NPP多年均值高值区。另外，山脉和绿洲区域水资源相较荒漠区域更为丰富，因此，在山脉一带，如昆仑山和天山山脉一带NPP也存在一些高值区域。南疆为新疆NPP多年均值低值区，除塔里木盆地边缘绿洲多年NPP均值略高以外，其他地区NPP多年均值在0~141 g C·m-2·a-1之间波动。由图3b可知，2001—2020年以来，新疆NPP的空间变化也具有明显的特征。总体上，NPP呈增加趋势，增加区域大于NPP减少区域，呈增加趋势的区域集中在北疆伊犁河谷、天山北坡、吐哈盆地以及南疆塔里木盆地北缘和西缘，而显著减少的区域零星分布于研究区。其中，显著增加区域的面积占总显著区域面积的92.53%以上，减少区域约为7.47%。
图3 2001—2020年新疆NPP均值空间分布(a)及年均NPP 变化趋势(b)

Fig. 3 Spatial distribution of mean NPP (a) and trend of annual mean NPP change (b) in Xinjiang from 2001 to 2020

2.2 土地利用变化对NPP的影响

新疆地物类型主要以荒漠、草地和耕地为主，覆盖面积由大到小为：荒漠、草地和耕地（图4a和图4b）。荒漠是新疆最主要的土地利用类型，其占比达到了新疆总面积的2/3，主要分布在新疆东部和南部，草地和耕地主要分布在新疆北部。
图4 新疆2001年（a）和2020年（b）土地利用类型、2001—2020年土地利用类型（c）和NPP（d）变化

Fig. 4 Land use types in Xinjiang in 2001 (a) and 2020 (b), changes of land use types (c) and NPP (d) in Xinjiang from 2001 to 2020

2001—2020年期间，新疆土地类型变化主要发生在新疆北部和西部，东部和南部变化较小。通过图4c可以看出，土地变化最大地物类型为草地，其次为湿地。草地主要由荒漠、耕地和湿地转变而来，转变面积分别为62308.16 km2，18168.79 km2和14053.98 km2，增加的区域分布于荒漠的边缘。同时，在新疆西部区域也存在一定面积的草地转变为耕地。湿地大部分转变为草地，还有一部分转变为耕地，转变为耕地的面积为6399.52 km2。如图4d所示，NPP增加区域约为66.97%，主要分布在山脉和盆地附近。天山山脉和昆仑山与塔里木盆地的交界处的土地利用类型转变为草地。准噶尔盆地和塔里木盆地周边的荒漠转变为草地。这些变化都有利于区域NPP的增加。相反，NPP减少区域约为33.03%，由伊犁河谷和和田地区的草地转化为荒漠以及阿尔金山附近荒漠转化为冰雪所致。总体而言，NPP的变化范围主要集中在-200~400 g C·m-2之间，平均值为90.36 g C·m-2，总体呈增加趋势。
2001—2020年新疆主要地物的变化情况如图5a所示，草地和耕地呈现增加趋势，草地在2018年之前总面积有轻微的波动，变化不明显，但2018年增加显著，呈现持续增长趋势。城市和建设用地及湿地面积呈减少趋势，湿地面积从2018年开始骤降，其在2018年之前尚呈缓慢上升趋势。其他地物类型未发生明显变化。结合多年未变地物类型及NPP多年均值统计发现，耕地年均NPP在所有地物类型中最大，其次是草地，落叶针叶林及混交林NPP也相对较高（图5b）。
图5 新疆2001—2020年土地利用类型变化过程(a)及土地利用类型NPP多年均值(b)

Fig. 5 Land use type variation process (a) and multi-year average value of NPP for land use types (b) in Xinjiang, 2001-2020

2.3 气候变化对NPP的影响

由图6可知，降水作为影响干旱区生态环境最重要的气候因素，对新疆NPP产生最为重要的影响。结果显示，2001—2020年期间降水与NPP成正相关的区域达72.77%，平均正相关性约0.28，其中，显著相关性达0.58以上，主要分布在新疆西部伊犁地区及南部喀什和阿克苏地区。负相关的区域主要分布在天山北坡以北区域，但是不具备显著性。温度与NPP的相关性次于降水，相关性整体以正相关为主，但是相关性系数低于NPP与降水相关系数，约为0.25，显著相关区域相关性达0.56，主要集中在新疆中部及东部区域，包括乌鲁木齐、吐鲁番和哈密等地。就太阳辐射与NPP的相关性而言，正负相关性区域分别为56.12%和43.88%，相关性系数分别为0.22、-0.19，且具有明显的南北分异特征，新疆南部太阳辐射与NPP以正相关为主，而北部则以负相关为主。
图6 2001—2020年降水（a）、气温（b）和太阳辐射（c）与NPP相关性的空间分布

Fig. 6 Spatial distribution of correlation between precipitation (a), temperature (b), solar radiation (c) and NPP from 2001 to 2020

进一步对比3个气候因素对NPP的综合影响，通过空间叠加得到其综合影响的分布如图7所示，结果显示，在近20 a中，降水的正影响区域占所有影响面积的44.80%，这些区域主要分布在新疆西部的伊犁及南部的阿克苏和喀什地区。温度的正影响区域约为23.23%，主要分布在新疆的天山北坡地区；而太阳辐射的正影响区域仅为6.22%，主要集中在新疆北部的阿勒泰地区。在两种气候因素的综合影响中，降水与太阳辐射对NPP的正影响最大，占7.85%，该影响在伊犁地区较为明显；降水与温度的正影响次之，占3.03%；而降水负效应与温度正效应的影响仅为0.02%。3种因素的综合影响显示，3种气候因素正影响占总影响面积的0.72%，零星分布于新疆南部。
图7 2001—2020年降水、气温和太阳辐射对NPP的综合影响空间分布

注：RAD表示太阳辐射，TEM表示气温，PRE表示降水。

Fig. 7 Spatial distribution of the combined effects of precipitation, temperature and solar radiation on NPP from 2001 to 2020

2.4 NPP最大潜力分析

在CASA模型中设置2001年与2020年土地利用和NDVI不变两种情景，命名为CASA2001情景和CASA2020情景，并模拟了2001—2020年NPP，其多年均值如图8a和图8b所示。基于Miami模型模拟2001—2020年NPP均值如图8c所示。通过对比可以发现，无论基于CASA模型还是Miami模型，新疆NPP的空间分布在不同情景下均具有一致性，即北疆高于南疆，伊犁及塔城地区明显高于全疆其他区域。在量级上对比发现，在CASA2001和CASA2020情景以及Miami气候情景下，多年均值分别为397.92 g C·m-2，411.11 g C·m-2和 355.78 g C·m-2，即CASA2020情景具有最高的NPP。
图8 CASA2001（a）、CASA2020（b）以及Miami（c）情景下2001—2020年NPP均值

Fig. 8 Mean NPP in 2001-2020 under CASA2001 (a), CASA2020 (b) and Miami (c) scenarios

在CASA2001、CASA2020以及Miami气候情景下对多年NPP基于最大值合成得到新疆NPP的最大潜力分布（图9a），进一步通过计算最大值与真实值之差，得到新疆NPP增量潜力（图9b）。由图可知，新疆NPP最大潜力阈值达1035.36 g C·m-2，最高值集中在新疆西部的伊犁地区和天山北坡的南面。新疆整体NPP的增量潜力达79.43 g C·m-2，集中在伊犁、阿尔泰山和天山地区，NPP年增量潜力在200 g C·m-2以上。除新疆中东部的哈密和吐鲁番地区外，NPP的增量潜力均在100 g C·m-2左右，由此可知，新疆NPP的增量依旧有较大增长空间。
图9 NPP最大潜力分布（a）及NPP增量潜力分布（b）

Fig. 9 NPP maximum potential distribution (a) and NPP increment potential distribution (b)

3 讨论

本研究利用了CASA模型模拟得到新疆NPP。在时间尺度上，新疆NPP呈现增加趋势与贾俊鹤等[36]研究相符，但趋势并不显著，原因可能是研究时间尺度较短，不能很好地监测其变化特征。另外，新疆NPP年际波动较大，造成波动的原因可能与新疆气候和土地利用变化相关。新疆地处干旱半干旱区，大陆性气候及人地关系导致当地生态环境脆弱，易受气候变化影响。气候因子对植被影响有着明显的空间异质性[37]，在干旱区，土壤水分匮缺，降水作为重要的水分来源，降水的增加能够有效的补给旱区土壤水分，削弱水分胁迫作用，有利于植被生长及植被光合作用。因此，水分匮缺是旱区植被生长最主要的限制因素，降水对植被生长起着决定性的影响[38-39]。温度的变化对植被生长的影响，很大程度上受到水资源丰富度的制约，当植被处于水分较为充沛的区域时，植被的生长主要受温度的制约，因此，当温度升高时，有利于植被进行光合作用，植被固碳效应明显增强，NPP与温度成正相关关系[8]。如新疆天山一带，山区水资源较荒漠区充沛，因此，全球变化引起的温度升高对山区植被起着积极影响。相反，在水分不足地区，温度的升高会加速土壤水分的蒸发和植物的蒸腾作用，当温度持续升高，有限的水分被消耗，过高的气温也会导致植被气孔关闭，造成区域水分胁迫增强，从而抑制植物生长，NPP与气温成显著负相关关系[40-41]，如研究区荒漠区域及沙漠边缘的草原地带。因此，良好的水热条件是植物生长的最佳条件，如新疆伊犁部分地区，水资源较为丰富、光照充足、温度适宜，植被生长状况较好，具有较高的固碳效应[42]。
在土地利用方面，通过土地转移矩阵，发现荒漠和草地转化最为频繁，主要是由于处于两者过渡之间的荒漠草地的存在，这与陈宸等[43]的研究一致。草地浅根通常从上层和中层吸收土壤水分，对降雨变化反应迅速[44]，因此，受降水的影响，草地与荒漠之间的转换频繁。另一方面，在全球气候变化的背景下，新疆三大山系冰川有着不同幅度的消退，冰川的消融改善了山区气候条件，使得山区未利用地尤其是之前被冰川积雪覆盖的地区裸露并逐渐转为草地[45]。耕地面积的扩张也是研究区NPP增加的一个重要原因，农作物与草地相比本身具有较高的NPP，因此，在草地转为耕地的区域，NPP明显增加。
“双碳”目标是我国为减少温室气体排放总量提出的重要发展目标，植树造林、生态恢复等在一定程度上能够抵消工业产生的二氧化碳排放量，有助于实现“双碳”目标。模型模拟、逻辑方程、气候情景假设等方式被用于估算区域生态系统的固碳潜力[46-47]。本研究基于土地利用情景假设，利用CASA和Miami模型进行NPP的估算，结果表明新疆固碳能力提升潜力高值区包括新疆阿尔泰山地区、天山地区，并且北疆高于南疆，这与前人研究相符[18]。然而，由于本研究采用的CASA和Miami模型是较为理想化的纯气候模型，仅由气候因素决定，并未将人类活动考虑到影响NPP的因素中。然而，随着人类活动对NPP变化的影响不断增强，应该在以后的研究中将人类活动这一影响因素考虑在NPP的影响因子中。另外，一些自然因素如地形、土壤未考虑在研究中[48]，探究多因素交互作用，仍需进一步加强。此外，实测资料的验证是遥感数据广泛应用的前提，在以后的研究中应结合实测数据进一步对模型进行优化，提高模型精度。

4 结论

本文分析了2001—2020年新疆地区NPP时空演变特征，并利用CASA模型估算了新疆NPP的最大潜力及NPP的最大增量。主要结论如下：
（1） 新疆在2001—2020年植被NPP总体上表现为波动上升的趋势，在空间上呈现北高南低、西高东低的分布特征。
（2） 在气候因素的影响中，降水对新疆NPP的影响强于气温和太阳辐射，2001—2020年期间降水与NPP成正相关的区域达72.77%，正相关性约0.28，温度与NPP的相关性次于降水。新疆南部太阳辐射与NPP成正相关性，而北部则以负相关为主，尤其是在天山北坡和阿尔泰山等地区。
（3） 在多年土地利用变化中，土地变化最大地物类型为草地，其次为湿地。草地主要由荒漠，耕地和湿地转变而来。耕地和草地年均NPP值高于湿地。
（4） 通过情景模拟估算表明，CASA2020情景具有最高的NPP，新疆NPP最大潜力阈值达1035.36 g C·m-2，增量潜力达79.43 g C·m-2，最高值集中于新疆西部的伊犁地区和天山北坡的南侧。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵俊芳, 曹云, 马建勇, 等. 基于遥感和FORCCHN的中国森林生态系统NPP及生态服务功能评估[J]. 生态环境学报, 2018, 27(9): 1585-1592.

[Zhao Junfang, Cao Yun, Ma Jianyong, et al. Evaluation of NPP and ecological service function of China’s forest ecosystem based on remote sensing and FORCCHN[J]. Ecology and Environmental Sciences, 2018, 27(9): 1585-1592. ]

[2]
刘宪锋, 任志远, 林志慧. 青藏高原生态系统固碳释氧价值动态测评[J]. 地理研究, 2013, 32(4): 663-670.

[Liu Xianfeng, Ren Zhiyuan, Lin Zhihui. Dynamic assessment of the values of CO2 fixation and O2 release in Qinghai-Tibet Plateau ecosystem[J]. Geographical Research, 2013, 32(4): 663-670. ]

[3]
Gu F X, Zhang Y D, Huang M, et al. Climate-driven uncertainties in modeling terrestrial ecosystem net primary productivity in China[J]. Agricultural and Forest Meteorology, 2017, 246(11): 123-132.

[4]
Ouyang Z Y, Zheng H, Xiao Y, et al. Improvements in ecosystem services from investments in natural capital[J]. Science, 2016, 352(6292): 1455-1459.

[5]
Hong S B, Yin G D, Piao S L, et al. Divergent responses of soil organic carbon to afforestation[J]. Nature Sustainability, 2020, 3(9): 694-700.

[6]
Li T J, Ren B W, Wang D H, et al. Spatial variation in the storages and age-related dynamics of forest carbon sequestration in different climate zones-Evidence from black locust plantations on the Loess Plateau[J]. Plos One, 2015, 10(3): 0121862.

[7]
Choi Y, Lim C H, Chung H I, et al. Forest management can mitigate negative impacts of climate and land-use change on plant biodiversity: Insights from the Republic of Korea[J]. Journal of Environmental Management, 2021, 288: 112400.

[8]
Xue Y, Liang H, Zhang B, et al. Vegetation restoration dominated the variation of water use efficiency in China[J]. Journal of Hydrology, 2022, 612: 128257.

[9]
Baldocchi D. ‘Breathing’ of the terrestrial biosphere: lessons learned from a global network of carbon dioxide flux measurement systems[J]. Australian Journal of Botany, 2008, 56(1): 1-26.

[10]
Chapin F S, Matson P A, Mooney H A. Principle of Terrestrial Ecosystem Ecology[M]. Principle of Terrestrial Ecosystem Ecology, Springer, 2011: 123-156.

[11]
Yu G R, Zhu X J, Fu Y L, et al. Spatial patterns and climate drivers of carbon fluxes in terrestrial ecosystems of China[J]. Global Change Biology, 2013, 19(3): 798-810.

[12]
闫敏, 李增元, 田昕, 等. 黑河上游植被总初级生产力遥感估算及其对气候变化的响应[J]. 植物生态学报, 2016, 40(1): 1-12.

[Yan Min, Li Zengyuan, Tian Xin, et al. Remote sensing estimation of gross primary productivity and its response to climate change in the upstream of Heihe River Basin[J]. Chinese Journal of Plant Ecology, 2016, 40(1): 1-12. ]

[13]
Law B E, Falge E, Gu L, et al. Environment controls over carbon dioxide and water vapor exchange of terrestrial vegetation[J]. Agricultural and Forest Meteorology, 2002, 113(1-4): 97-120.

[14]
Ciais P, Reichstein M, Viovy N, et al. Europe-wide reduction in primary productivity caused by the heat and drought in 2003[J]. Nature, 2005, 437(7058): 529-533.

[15]
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): 15-28.

[16]
陈春波, 李刚勇, 彭建. 近20 a新疆天然草地NPP时空分析[J]. 干旱区地理, 2022, 45(2): 522-534.

[Chen Chunbo, Li Gangyong, Peng Jian, et al. Spatiotemporal analysis of net primary productivity for natural grassland in Xinjiang in the past 20 years[J]. Arid Land Geography, 2022, 45(2): 522-534. ]

[17]
刘卫国, 魏文寿, 刘志辉. 新疆气候变化下植被净初级生产力格局分析[J]. 干旱区研究, 2009, 26(2): 206-211.

[Liu Weiguo, Wei Wenshou, Liu Zhihui. NPP change in vegegtation in Xinjiang under climate change[J]. Arid Zone Research, 2009, 26(2): 206-211. ]

[18]
万华伟, 李灏欣, 高吉喜, 等. 我国植被生态系统固碳能力提升潜力空间格局研究[J]. 生态学报, 2022, 42(21): 8568-8580.

[Wan Huawei, Li Haoxin, Gao Jixi, et al. Spatial pattern analysis of carbon sequestration potential of vegetation ecosystem in China[J]. Acta Ecologica Sinica, 2022, 42(21): 8568-8580. ]

[19]
王昭生. 基于ERA5的1982—2020年中国太阳净辐射数据集[EB/OL]. https://cstr.cn/15732.11.ecodb.000582022.

[Wang Zhaosheng. China’s Net Solar Radiation Data Set Based on ERA5 from 1982 to 2020[EB/OL] https://cstr.cn/15732.11.ecodb.000582022. ]

[20]
Peng Shouzhang, Ding Yongxia, Liu Wenzhao, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11: doi:10.5194/essd-11-1931-2019.

[21]
骆成凤, 王长耀, 刘永洪, 等. 利用BP算法进行新疆MODIS数据土地利用分类研究[J]. 干旱区地理, 2005, 28(2): 258-262.

[Luo Chengfeng, Wang Changyao, Liu Yonghong, et al. Classification of land use in Xinjiang with BP classifier using MODIS imagery[J]. Arid Land Geography, 2005, 28(2): 258-262. ]

[22]
米尔扎提江·木艾塔尔江, 古丽米热·艾尔肯, 阿依吐尔逊·沙木西. 基于MODIS数据的新疆土地利用/覆被时空变化及驱动因素分析[J]. 湖北农业科学, 2022, 61(16): 58-63.

[Mierzhatijiang Muaitaerjiang, Gulimire Aierken, Ayituerxun Shamuxi. Land use/land cover change and its driving factors in Xinjiang based on MODIS data[J]. Hubei Agricultural Sciences, 2022, 61(16): 58-63. ]

[23]
卜祥, 张永福, 梁田田, 等. 基于MODIS数据2001—2019年NDVI时空变化及驱动力分析——以阿克苏地区为例[J]. 中国农学通报, 2022, 38(11): 75-83.

[Bu Xiang, Zhang Yongfu, Liang Tiantian, et al. Analysis of spatial-temporal changes and driving forces of NDVI from 2001 to 2019 based on MODIS data: Taking Aksu as an example[J]. Chinese Agricultural Science Bulletin, 2022, 38(11): 75-83. ]

[24]
王祎婷, 邹蕊, 王欣悦, 等. 塔拉滩地区光伏电站建设对植被净初级生产力的影响[J]. 农业工程学报, 2022, 38(24): 153-161.

[Wang Yiting, Zou Rui, Wang Xinyue, et al. Impact of photovoltaic power plant construction on the net primary productivity of vegetation in the Tala Schoal areas[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(24): 158-161. ]

[25]
Xu H, Wang X, Zhang X. Alpine grasslands response to climatic factors and anthropogenic activities on the Tibetan Plateau from 2000 to 2012[J]. Ecological Engineering, 2016, 92: 005.

[26]
朱文泉. 中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究[D]. 北京: 北京师范大学, 2005.

[Zhu Wenquan. Estimation of Net Promar Productivity of Chinese Terrstrial Vegetation Baseds on Remote Sensing and Its Relashionship with Global Climate Change[D]. Beijing: Beijing Normal University, 2005. ]

[27]
张镱锂, 祁威, 周才平, 等. 青藏高原高寒草地净初级生产力(NPP)时空分异[J]. 地理学报, 2013, 68(9): 1197-1211.

[Zhang Yili, Qi Wei, Zhou Caiping, et al. Spatial and temporal variability in the net primary production (NPP) of alpine grassland on Tibetan Plateau from 1982 to 2009[J]. Acta Gegraphica Sinica, 2013, 68(9): 1197-1211. ]

[28]
邹德富. 基于CASA模型的青藏高原NPP时空分布动态研究[D]. 兰州: 兰州大学, 2012.

[Zou Defu. Spatio-temporal Dynamics of Tibet Plateau Net Primary Production Using CASA Model[D]. Lanzhou: Lanzhou University, 2012. ]

[29]
张金亭, 董艳超, 叶宗达. 基于地形改进NPP指数的县域耕地产能测算[J]. 农业工程学报, 2020, 36(10): 227-234, 326.

[Zhang Jinting, Dong Yanchao, Ye Zongda. Calculation of county-level cultivated land productivity based on NPP index corrected by topography[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(10): 227-234, 326. ]

[30]
周刊社, 杜军, 沈旭, 等. 气候变化背景下羌塘国家自然保护区植被净初级生产力时空变化[J]. 中国农业气象, 2021, 42(8): 627-641.

[Zhou Kanshe, Du Jun, Shen Xu, et al. Spatial and temporal variability of vegetation net primary productivity in Qiangtang National Nature Reserve under climate change[J]. Chinese Journal of Agrometeorology, 2021, 42(8): 627-641. ]

[31]
赵俊芳, 孔祥娜, 姜月清, 等. 基于高时空分辨率的气候变化对全球主要农区气候生产潜力的影响评估[J]. 生态环境学报, 2019, 28(1): 1-6.

[Zhao Junfang, Kong Xiangna, Jiang Yueqing, et al. Impact Assessment of climate change on climatic potential productivity in global major agricultural regions based on high spatial and temporal resolution data[J]. Ecology and Environmental Sciences, 2019, 28(1): 1-6. ]

[32]
文想成, 张泰, 王学梅, 等. 长江中下游地区气候生产潜力及粮食产量响应[J]. 江苏农业科学, 2021, 49(6): 196-203.

[Wen Xiangcheng, Zhang Tai, Wang Xuemei, et al. Climate productivity potential and food production response in the middle and lower reaches of Yangtze River[J]. Jiangsu Agricultural Sciences, 2021, 49(6): 196-203. ]

[33]
Shahid S, Hazarika M K. Groundwater drought in the northwestern districts of Bangladesh[J]. Water Resources Management, 2010, 24(10): 1989-2006.

[34]
Li C, Walter L F, Wang J, et al. An analysis of precipitation extremes in the Inner Mongolian Plateau: Spatial-temporal patterns, causes, and 17 implications[J]. Atmosphere, 2018, 9(8): 322.

[35]
黄观荣, 杜晓阳, 郭永婷, 等. 粤北NPP时空分布特征及其对降水和气温的响应[J]. 气象与环境科学, 2023, 46(3): 38-46.

[Huang Guanrong, Du Xiaoyang, Guo Yongting, et al. Spatio-temporal distribution of NPP and its response to precipitation and temperature in the north of Guangdong Province[J]. Meteorological and Environmental Sciences, 2023, 46(3): 38-46. ]

[36]
贾俊鹤, 刘会玉, 林振山. 中国西北地区植被NPP多时间尺度变化及其对气候变化的响应[J]. 生态学报, 2019, 39(14): 5058-5069.

[Jia Junhe, Liu Huiyu, Lin Zhenshan. Multi-time scale changes of vegetation NPP in six provinces of Northwest China and their responses to climate change[J]. Acta Ecologica Sinica, 2019, 39(14): 5058-5069. ]

[37]
徐虹, 程晋昕, 何雨芩, 等. 气候变化和人类活动对云南省植被净初级生产力的影响[J/OL]. 高原气象. https://link.cnki.net/urlid/62.1061.p.20231008.1002.0022023-10-10.

[Xu Hong, Cheng Jinxin, He Yuqin, et al. Effects of climate change and human activities on net primary productivity in Yunnan Province[J/OL]. Plateau Meteorology. https://link.cnki.net/urlid/62.1061.p.20231008.1002.0022023-10-10. ]

[38]
陈玉森, 艾柯代·艾斯凯尔, 王永东, 等. 1994—2018年哈萨克斯坦首都圈植被NPP时空变化特征及驱动因素[J]. 干旱区研究, 2022, 39(6): 1917-1929.

[Chen Yusen, AkidaAskarl, Wang Yongdong, et al. Characteristics and drivers of the spatial-temporal change of net primary productivity in the capital area of Kazakhstan from 1994 to 2018[J]. Arid Zone Research, 2022, 39(6): 1917-1929. ]

[39]
张赟鑫, 郝海超, 范连连, 等. 中亚草地NPP时空动态及其驱动因素研究[J]. 干旱区研究, 2022, 39(3): 698-707.

[Zhang Yunxin, Hao Haichao, Fan Lianlian, et al. Study on spatio-temporal dynamics and driving factors of NPP in Central Asian grassland[J]. Arid Zone Research, 2022, 39(3): 698-707. ]

[40]
刘婵, 刘冰, 赵文智, 等. 中亚地区植被净初级生产力时空动态及其与气候因子关系[J]. 遥感技术与应用, 2020, 35(4): 924-933.

[Liu Chan, Liu Bing, Zhao Wenzhi, et al. Temporal-spatial variation analysis of net primary productivity and its relationship with climate in Central Asia[J]. Remotesensing Technology Andapplication, 2020, 35(4): 924-933. ]

[41]
Xue Y Y, Liang H B, Zhang H Z, et al. Quantifying the policy-driven large scale vegetation restoration effects on evapotranspiration over drylands in China[J]. Journal of Environmental Management, 2023, 345: 118723.

[42]
王莺, 夏文韬, 梁天刚, 等. 基于MODIS植被指数的甘南草地净初级生产力时空变化研究[J]. 草业学报, 2010, 19(1): 201-210.

[Wang Ying, Xia Wentao, Liang Tiangang, et al. Spatial and temporal dynamic changes of net primary product based on MODIS vegetation index in Gannan grassland[J]. Acta Prataculturae Sinica, 2010, 19(1): 201-210. ]

[43]
陈宸, 井长青, 邢文渊, 等. 近20年新疆荒漠草地动态变化及其对气候变化的响应[J]. 草业学报, 2021, 30(3): 1-14.

[Chen Chen, Jing Changqing, Xing Wenyuan, et al. Desert grassland dynamics in the last 20 years and its response to climate change in Xinjiang[J]. Acta Prataculturaesinica, 2021, 30(3): 1-14. ]

[44]
Xue Y Y, Liang H B, Ma Y Y, et al. The impacts of climate and human activities on grassland productivity variation in China[J]. Remote Sensing, 2023, 15: 3864.

[45]
徐丽萍, 李鹏辉, 李忠勤, 等. 新疆山地冰川变化及影响研究进展[J]. 水科学进展, 2020, 31(6): 946-959.

[Xu Liping, Li Penghui, Li Zhongqin, et al. Advances in research on changes and effects of glaciers in Xinjiang mountains[J]. Advances in Water Science, 2020, 31(6): 946-959. ]

[46]
Li L, Zhang Y, Zhou T, et al. Mitigation of China’s carbon neutrality to global warming[J]. Nature Communications, 2022, 5315: doi: 10.1038/s41467-022-33047-9.

[47]
Peng B, Zhou Z, Cai W, et al. Maximum potential of vegetation carbon sink in Chinese forests[J]. Science of the Total Environment, 2023, 905: 167325.

[48]
常学礼, 吕世海, 冯朝阳, 等. 地形对草甸草原植被生产力分布格局的影响[J]. 生态学报, 2015, 35(10): 3339-3348.

[Chang Xueli, Lv Shihai, Feng Zhaoyang, et al. Impact of topography on the spatial distribution pattern of net primary productivity in a meadow[J]. Acta Ecologica Sinica, 2015, 35(10): 3339-3348. ]

Options
Outlines

/

〈 〉