未來氣候情景下青藏高原草地凈初級生產力時空演變特征

徐士博,張美玲,宿茂鑫

(甘肅農業大學理學院,蘭州 730070)

全球變暖背景下,陸地生態系統對全球氣候變化的響應已經成為全球變化研究的焦點之一[1],而植被作為陸地生態系統的重要組成部分,對全球氣候變化起著舉足輕重的作用,在發生變化之后對地層氣溫、土壤溫度以及濕潤狀況都會產生相應的改變,同時由植被變化造成的地表蒸散以及土壤儲水能力的改變,也會使土壤含水量、地表徑流等發生明顯的變化[2-3]。因此,了解和掌握植被動態對環境變化的影響,對保持生態系統平衡和草地可持續發展尤為重要。

草地生態系統是陸地生態系統的重要組成部分,在氣候調節和陸地碳循環等方面扮演著重要角色[4-5]。青藏高原草地是對全球氣候變化最敏感的生態系統之一,并且草地凈初級生產力在生態系統碳通量的匯集和調節氣候變化中扮演著重要的角色[6-7]。近幾年來,植被生產力已經成為國內外研究的核心內容之一[8],受到各界的廣泛關注。

青藏高原是我國面積最大的高原,其中草地是青藏高原分布最廣泛的植被類型,面積約占青藏高原總面積的60%[9],其草地的生長狀況對西北乃至全國生態系統的保護都具有重要意義。青藏高原也被稱為全球氣候的“放大器”,在未來氣候情景下,青藏高原草地碳源、碳匯功能是否會發生改變,這對未來全球氣候變化的走向具有重要意義。國內外學者也對整個青藏高原草地生態系統進行了不同角度的研究,但對于未來氣候響應條件下,青藏高原草地生態系統的發展狀況還具有一定的不確定性。

以往對青藏高原草地凈初級生產力的研究集中于對已知年份青藏高原NPP的估算上。例如劉麗慧等[10]利用Biome-BGC模型,通過改進凍土區活動層土壤凍融水循環,估算了2000—2018年青藏高原草地NPP,并對NPP模擬結果的時空特征進行了分析,結果表明2000年以來青藏高原高寒草地NPP多年均值的空間分布表現為由東南向西北逐漸遞減,青藏高原草地生態系統質量總體上呈現良性發展的態勢并且區域差異明顯,但局部草地仍持續退化。汪柳皓等[11]利用MOD13Q1歸一化植被指數(NDVI)產品數據,分析了青藏高原地區2000—2019 年NDVI 的時空變化特征,并通過MOD11A2地表溫度數據和TRMM 衛星降水數據探究了植被變化與地表溫度和降水之間的關系。也有學者[12]使用GLASS FVC 數據,利用BFAST 方法和格局分析,探討了1982—2018年我國植被覆蓋變化的非線性趨勢及其分布格局,結果表明青藏高原中東部等地則由原先的改善趨勢變為了退化趨勢。

還有學者[13]研究探討氣候變化、物候及土壤因子和青藏高原NPP 之間的關系,量化NPP 變化趨勢,探索了青藏高原草地NPP對氣候變化、物候和土壤因子的響應機制。與前者不同的是,部分學者除了考慮氣候變化對青藏高原植被變化的影響,還定量分析了人類活動對植被變化帶來的影響,結果發現人為干預對減緩生態系統退化具有重要作用,但二者的研究只是停留在過去的一段時期,對未來氣候變化和人類活動對青藏高原植被動態變化的影響卻仍然未知[14-15]。另外,以往針對未來氣候情景的研究中對河流徑流量、植物分布、氣候地理特征的研究居多[16-18],對未來氣候條件下植被NPP 的研究較少,特別是作為氣候變化敏感區的青藏高原來說,研究其植被NPP動態變化,對了解青藏高原草地NPP生態系統健康狀況和維護青藏高原國家生態安全屏障功能具有重要意義。近年來,許多學者對青藏高原NPP 的研究有了一定的了解和深入,在關于青藏高原草地NPP的空間分布上,也得到了由東南向西北遞減較為一致的看法,但是不同學者在利用不同模型去估算青藏高原草地NPP,在計算精度和準確性上會存在一定的偏差。本研究采用DAYCENT 模型,利用青藏高原站點數據,對模型進行參數初始化,提高模型估算精度,增加模型對青藏高原NPP估算的準確性。我們研究的目的就是探討在未來不同氣候情景下青藏高原草地NPP的動態變化,并且與基準期(1971—2020年)相對比,探究未來青藏高原草地凈初級生產力的發展趨勢與發展前景,對青藏高原未來草地凈初級生產力的管理具有一定的指導意義。

1 研究區概況

青藏高原位于我國西南部,南起喜馬拉雅山脈南緣,北至昆侖山、阿爾金山脈和祁連山北部,西部為帕米爾高原和喀喇昆侖山脈,是中國最大、世界海拔最高的高原,同時也是我國草地面積最大的區域,被稱為“世界屋脊”[19-20]。研究區域介于26°00′—39°47′N,73°19′—104°47′E,東西長約2 800 km、南北寬300～1 500 km,總面積約250萬km2。青藏高原年均氣溫由東南的20℃,向西北遞減至-6℃以下,高原腹地年均溫度在0℃以下,大片地區最暖月平均溫度也不足10℃,最暖月平均氣溫4～6℃[21]。由于南部海洋暖濕氣流受多重阻留,年降水量也由2 000 mm縮減至50 mm以下,年降水量20～100 mm。日照充足,年太陽輻射總量140～180 MJ/cm2,年日照總時數2 500～3 200 h[22]。由于青藏高原特殊的地理位置,導致整個高原在全球氣候變化和環境保護方面具有重要意義,提前了解和掌握未來情景下青藏高原的生態動態變化,有利于我們在面對未來復雜氣候條件下提出科學有效的治理方案,這也是我們研究的目的和意義。

青藏高原凍土分布廣泛,植被大多數為天然草地,各類草地面積總和有1.4億hm2,占高原總面積的53%左右。本研究選擇高原上的3種典型草地類型,分別為高寒草甸、典型高寒草地和高寒荒漠草地,所選站點均為國家站點,共48個。站點位置如圖1所示,部分站點信息見表1。

表1 部分站點的土壤參數Table 1 Soil parameters for some sites

圖1 研究區域地理位置及站點分布Fig.1 Geographical location and site distribution of the study area

2 數據來源與研究方法

2.1 數據來源

2.1.1 氣象數據 該模型驅動需要輸入以日為步長的氣象數據,其中包括最高溫、最低溫、降雨量、太陽輻射、平均風速等。由于洛隆、理塘和左貢站點部分年份數據缺失,所以選取的氣象數據范圍分別為1979—2020年、1972—2020年、1978—2020年,時間跨度分別為42 a,49 a,43 a,其余剩下的青藏高原45個氣象站點,用來驗證模型的研究時間段均為1971—2020年,跨度范圍為50 a。模型輸入站點的氣象數據下載于NOAA 美國國家環境信息中心網(https:∥gis.ncdc.noaa.gov/maps/ncei/cdo/daily)。

2.1.2 樣地參數 樣地參數數據,主要包括研究站點的經緯度、海拔、土層深度、堆積密度、萎蔫點、砂粒含量、黏土含量、土壤p H 值等,還包括研究區域植被類型的選擇。本研究利用MOD17A3 下載的NPP遙感數據,以及查找相關文獻中的NPP 實測數據對所選48個站點進行參數校正。其中站點土層深度和土壤質地數據來源于聯合國糧農組織(https:∥www.fao.org/home/zh)和世界土壤數據庫(Harmonized World Soil Database version),站點高程數據和經緯度來源于空間地理數據云(www.gscloud.cn/search)。

2.1.3 遙感數據 遙感數據來源于“美國國家航空航天局(NASA)”的戈達德航天中心(LAADS,https:∥ladsweb.modaps.eosdis.nasa.gov)。采用2000—2020年的MOD17A3下載的NPP遙感數據,其空間分辨率為0.5 km×0.5 km,時間分辨率為16 d。本研究首先在Modis Tool中將6景MOD17A3遙感數據進行影像拼接處理,并將其投影為UTM(universal transversen mercator);然后在ArcGIS 中利用青藏高原矢量圖按照掩膜提取裁剪得到青藏高原2000—2020年NPP的柵格數據。

2.1.4 CMIP6氣候模式數據 為利用全球氣候模式中的數據對未來情景下NPP 進行模擬預測,本研究選取CMIP6(https:∥esgf-data.dkrz.de/search/cmip6-dkrz)提供的BCC_CSM1.1 氣候模式下的SSP126和SSP585情景數據,其中SSP126為低排放情景,是一種政府干預下的氣候情景;而SSP585 為高排放情景,是指在無氣候變化干預時的基線情景,特點是溫室氣體排放和濃度不斷增加。每個情景下包括的要素有日最高溫、日最低溫、日降水量,獲取的時間序列是2021—2100年,將該時間序列分為4個階段,分別為2021—2040 年(近期)、2041—2060 年(中期)、2061—2080年(遠期)、2081—2100年(長遠期)。運用NWAI-WG 統計降尺度的方法提取處理數據,提升柵格數據的格點數目,最后利用ArcGIS提取各個站點的氣候數據。

2.2 研究方法

2.2.1 DAYCENT 模型 DAILY CENTURY(簡記為DAYCENT)模型是CENTURY 模型的每日步長版本。CENTURY 按每月步長運行一次,最初于20世紀70年代開發,用于模擬土壤有機質(SOM)、植物生產力、養分可用性和其他生態系統參數的變化,以響應土地管理和氣候的變化。CENTURY 已被廣泛應用,并被證明能夠可靠地模擬全球大多數陸地生態系統的植物生長和土壤有機質變化。該模型主要分為水分和溫度、植物和土壤3個模塊。

DAYCENT 環境由土壤參數文件、計劃文件、天氣文件和輸出文件組成。DAYCENT 模型的輸入參數可以分為4類,分別為天氣信息、土壤信息、植物信息和管理事件,其中包括的主要變量有:日平均最高和最低氣溫、日降水量、植物體中的木質素含量以及土壤的初始含碳、氮、磷和硫含量。DAYCENT 模型在每日時間步長下運行,該模型主要有每日參數文件(“.sch”或“.evt”)、每日天氣文件(“.wth”)和輸入文件(*.100,*.in,*.dat)及輸出參數文件(.out和.csv)組成。其中輸入參數的文件都是可以使用文本編輯器進行編輯的文本文件。在R 中將該模型作為外部程序運行或者使用DOS 命令提示符下運行程序,開始運行后,每次模擬會將每月輸出變量寫入二進制文件,并將每日輸出變量寫入文本文件。模擬完成后,利用LIST100程序讀取二進制文件并創建所選變量的ASCII列表[23]。

2.2.2 模型參數化以及驗證數據的獲取 本研究利用“美國國家航空航天局(NASA)”下載的MOD17 A3 2000—2020年NPP 遙感數據作為觀測值,并結合相關文獻中NPP 的實測數據對DAYCENT 模型參數的校正。DAYCENT 模型輸出的是每日NPP數值,若文獻中提供的是地上生物量和地下生物量,根據對草地生物量的相關研究,草地地上和地下生物量的對照值通常采用1∶5.73,并根據碳轉化率(0.475)計算得出NPP實測值[24]。

2.3 模型評價方法

本研究選取平均絕對誤差(MAE)、可決系數(R)、Nash效率系數(NS)和均方根誤差(RMSE)等多個統計變量,用于評價DAYCENY 模型對青藏高原站點凈初級生產力的模擬效果,采用的計算公式:

(1)均方根誤差。

均方根誤差用于評價模擬值和觀測值之間的偏差即模擬結果的準確性,均方根誤差越小,表示模擬值與實測值之間的偏差越小,模型的模擬效果越好。

(2)平均絕對百分比誤差。

平均絕對百分比誤差,與RMSE 相比,穩定性更高,因為MAE對每個點的誤差進行了歸一化。它表示預測值和觀測值之間絕對誤差的平均值,反映模型模擬的可信度。

(3)可決系數。

可決系數可以通過模型模擬值與觀測值之間的線性回歸所得,反應模擬結果吻合實測值波動的能力,其值越接近1表示模擬值與觀測值的吻合程度越高。

(4)Nash效率系數。

Nash效率系數的取值范圍為負無窮大(模擬效果差)至1(模擬效果好)。反映模擬結果和實際觀測值的吻合程度,若模擬值結果與實測值之間的方差大于實測值的方差,則其值將小于0,越小于0則模擬結果的可信度越低;若模擬值與實測值之間的方差和實測值一樣大,其值接近于0,表示模擬結果接近觀測值平均值水平,總體模擬結果可信,但過程模擬誤差較大;若模擬值與觀測值之間的方差趨于0,則其值接近于1,表示模型很好地模擬了實測值的變化,模型可信度高。

以上各式中:hi,mi分別為模型模擬值和觀測值;分別為模擬值和觀測值均值;n為時間序列個數。

2.4 相關性分析

相關性主要用來反映要素之間的相關性大小和方向。本研究基于皮爾遜相關系數分析和討論青藏高原草地NPP與各氣候因子之間的相關性和顯著性水平,其計算公式如下[25]:

式中:rx,y為x,y變量的相關系數;xi,yi為x,y變量第i年的值;為x,y變量的平均值;rxy1,y2為將y2固定后x與y1的偏相關系數;rxy1為x與y1的相關系數;rxy2為x與y2的相關系數;rxy2為y1和y2的相關系數。此外,本研究采用T檢驗法來分析偏相關系數和復相關系數的顯著性,公式如下:

式中:n為樣本個數;m為變量個數。

3 結果與分析

3.1 模型模擬結果驗證

通過文獻查找的NPP實測數據與對應18個氣象站點的NPP 模擬值進行對比(圖2),從圖上可以看出站點模擬值與文獻中的實測值非常接近,MAE均在10%以內。

圖2 DAYCENT模型模擬數據驗證Fig.2 DAYCENT model simulates data validation

圖3A—B是以清水河、曲麻萊站點為例2000—2021年的DAYCENT 模型模擬值與MOD17A3 下載的NPP遙感觀測值對比,從圖上可以看出NPP模擬值與觀測值整體趨勢保持一致。圖3C—D 是對清水河、曲麻萊站點的模擬值與觀測值做線性回歸,并添加95%的置信區間,從圖上可以看出絕大多數的點均在置信區間內,線性擬合程度R2分別為0.62,0.73,p值均小于0.05,通過了顯著性檢驗。

圖3 站點模擬值與實測值對比Fig.3 Comparison of simulated and measured values at the site

從表2選取的部分站點的統計指標也可以看出,站點模擬的擬合效果均在0.5以上,NS均大于0且接近于1,MAE 均在10%以下,RMSE 也在可接受范圍之內,說明模型整體模擬效果良好,DAYCENT模型的參數合理,可以用來模擬青藏高原地區草地凈初級生產力。

表2 部分站點的模型評價指標結果Table 2 Model evaluation metric results for some sites

3.2 1978-2020年草地NPP的時間動態變化

圖4是利用校正后的DAYCENT 模型模擬的1978-2020年青藏高原草地NPP變化趨勢,從圖上可以看出青藏高原草地NPP總體呈現出線性增加趨勢,波動范圍為14 223.47～17 543.43 g C/(m2·a),年均增長速率為82.88 g C/(m2·a)(p＜0.05)。

圖4 1978-2020年青藏高原草地NPP動態變化Fig 4 Dynamic changes in average NPP from 1 978 to 2 020

3.3 1978-2020年草地NPP的空間分布

通過DAYCENT 模型模擬青藏高原48個氣象站點的NPP值,利用反權重插值法繪制青藏高原草地NPP的空間分布圖(圖5),1978—2020年青藏高原NPP年平均值為499.83 g C/m2,從圖上也可以看出,NPP高值區主要位于青藏高原的東南部,總體呈現出由東南向西北遞減的趨勢,NPP 值較高的區域位于云南省和四川省的東南部分,NPP 值較低的區域位于新疆、西藏等省份。

圖5 1978-2020年均NPP空間分布Fig.5 Average NPP spatial distribution from 1978 to 2020

3.4 2021-2100年不同情景下草地NPP 的時間動態變化

采用上述站點參數初始化后的DAYCENT 模型,單向嵌套BCC-CSM1.1氣候模式,并將未來氣候情景分為4個時間段,分別為2021—2040年(近期)、2041—2060年(中期)、2061—2080年(遠期)、2081—2100年(長遠期)。從圖6A可以看出,在SSP126情景下,青藏高原草地凈初級生產力總體呈現出下降趨勢,其中近期(2021—2040年)的波動范圍最小,NPP數值波動范圍為11 599.94～12 680.29 g C/(m2·a),減小幅度為9.3%,波動范圍最大的是長遠期(2081—2100年),波動范圍為10 877.34～12 198.97 g C/(m2·a),減小幅度為12.1%,且在整個模擬期間(2021—2100年)NPP 數值波動范圍在10 877.34～12 680.29 g C/(m2·a),減小幅度為16.5%。從圖6B來看,在SSP585情景下,NPP總體呈現出平穩的上升趨勢,其中近期(2021—2040年)的增長速率最高為12%,其余3個時期的增長速率分別為7%,7%,6.5%。從圖6C 看,與基準期(1971—2020年)相比,SSP126 和SSP585 情景下NPP 值均低于基準期水平,呈現出下降趨勢,分別下降28%,23%,其中SSP126下降速率略高于SSP585。

圖6 青藏高原草地NPP的時間動態變化Fig.6 Temporal dynamics of NPP in grassland on the Tibetan Plateau

3.5 2021-2100年不同情景下草地NPP的空間分布

針對青藏高原草地凈初級生產力的模擬值,利用反權重插值法繪制草地凈初級生產力的空間分布圖(圖7—8)。由圖7 可知,在SSP126 低碳排放濃度背景下,4個時段的青藏高原草地凈初級生產力的年平均值分別為505.65,516.00,515.06,510.53 g C/(m2·a),4個時段呈現出比較平穩的小幅度的增加趨勢,從空間分布來看,總體呈現出由東南向西北遞減的趨勢,且NPP 值較高的區域位于西藏西南、青海南部、四川、云南等氣候溫暖濕潤的省份,NPP值較低的區域則位于西藏北部、新疆等嚴寒干燥的省份。

圖7 SSP126情景下4個時期草地年平均NPP空間分布Fig.7 Annual average NPP spatial distribution of grassland in four periods under the SSP126 scenario

由圖8可知,在SSP585高濃度碳排放背景下,4個時段的青藏高原草地凈初級生產力的年平均值分別為502.57,521.05,535.07,539.24 g C/(m2·a),4個時段也呈現逐期的增長趨勢。相比SSP126,除了近期(2021—2040年)NPP值的差別不大之外,其余3個時期均呈現出不同的增長趨勢,NPP年平均值分別增加了5.05,20.21,28.71 g C/(m2·a),增長速率分別為0.96%,3.92%,5.6%。從空間分布來看SSP585與SSP126相比整體的分布格局沒有改變,依然是東南高,西北低,呈現出由東南向西北遞減的趨勢。

圖8 SSP585情景下4個時期草地年平均NPP空間分布Fig.8 Annual average NPP spatial distribution of grassland in four periods under the SSP585 scenario

由圖9可知,與基準期(1971—2020年)相比,青藏高原呈現出不同的增減趨勢,在SSP126情景下青藏高原85%以上的地區出現下降趨勢,主要位于藏北和新疆地區以及青海中部、甘肅的東部。NPP 出現增加的趨勢主要集中在四川西部的班瑪縣、甘孜縣等地區,還有包括青海中部的格爾木市、都蘭縣、德令哈市,以及藏南地區的江孜縣、仁布縣、定日縣等。另外,相比于近期(2021—2100年),在SSP126情景下其余的3個時期在西藏西部的普蘭縣、噶爾縣、札達縣等地區,年平均NPP值均呈現出增加的趨勢,分別是基準期的0.23,0.25,0.27倍。說明在SSP126情景下,出現草地NPP增加的地區,呈現相似的增加趨勢。

由圖10可知,與基準期(1971—2020年)相比,在SSP585情景下,青藏高原草地NPP 值在絕大部分地區也是呈現出下降趨勢,同時與SSP126情景相比,SSP585情景下的最大增長倍數都有所增加,比SSP126分別增加了0.06,0.16,0.32,0.38倍,由兩種不同情景下的相同時期對比來看,青藏高原草地NPP的增長趨勢的空間分布大致相同,其中除了西藏色尼區的草地NPP與SSP126情景下的遞減趨勢相反,該地區呈現出逐年增加的趨勢。

圖10 SSP585情景下青藏高原草地NPP相對變化空間分布Fig.10 Spatial distribution of NPP relative variation in grassland on the Qinghai-Tibet Plateau under the scenario of SSP585

3.6 氣候變化對青藏高原NPP的影響

3.6.1 SSP126情景下氣候變化對NPP 的影響 由圖11可知,青藏高原年降水量表現出南高北低,中間逐漸遞減的空間分布特征;年平均氣溫呈現出由東南向西北逐漸降低的空間分布特征。

圖11 SSP126情景下年平均降水和平均氣溫的空間變化Fig.11 Spatial variation of annual mean precipitation and annual mean temperature under the SSP126 scenario

青藏高原的最高年降水量為69.20 mm,2100年較2021年上升了4 mm左右(圖12A)。80 a平均氣溫的最高值為8.91℃,最低值為-9.16℃,且80 a來溫度呈小幅度波動但總體緩慢增長的變動趨勢(圖12B)。

由表3可知,草地NPP與年平均最高溫、最低溫呈正相關,隨溫度的增加而增加;與年均降水呈負相關,隨降水的增加而減少,且與溫度的相關性通過了顯著性檢驗。

3.6.2 SSP585情景下氣候變化對NPP的影響 由圖13可知,在SSP585情景下,降水呈現由東南向西北遞減的趨勢,年平均最高降水為30.68 mm。氣溫呈現由東南向西北遞減的趨勢,這與草地NPP 的空間演變特征保持一致,且氣溫的增加趨勢大于降水。

青藏高原的年均降水表現出波動式的上升趨勢,2100年較2021年降水增加了10 mm 左右,年平均氣溫總體呈線性增加的趨勢(圖14A),最高溫為30.16℃,最低溫為-6.9℃(圖14B),兩者的總體時序情況與NPP的趨勢較為一致,其中溫度的發展趨勢更接近NPP的時序情況。說明溫度是影響青藏高原草地、NPP改變的主要原因。

圖14 SSP585情景下年平均降水和年平均氣溫的時間變化Fig.14 Temporal variations of annual mean precipitation and annual mean temperature under SSP585 scenario

由表4可知,NPP與年均最高溫、最低溫和降水均呈正相關,隨溫度和降水的增加而增加,其中與溫度的相關性高于降水,并且通過了顯著性檢驗。從兩個情景對比來看,草地NPP與溫度降水均有一定的相關性,但與溫度的相關性高于降水,而且在SSP126情景下,NPP與降水呈負相關;SSP585情景下與降水呈正相關。

表4 草地NPP與氣候因素的person相關系數(SSP585)Table 4 Person correlation coefficient between grassland NPP and climatic factors(SSP585)

4 討論

本研究發現CMIP6的SSP126和SSP585情景下,青藏高原草地NPP分別呈現出逐年下降和逐年上升的趨勢,這與韓海燕[8]利用Biome-BGC模型嵌套RCP氣候情景,低濃度路徑下(RCP2.6)青藏高原草地NPP呈現出下降趨勢,高濃度路徑下(RCP8.5)青藏高原草地NPP呈現出上升趨勢結論相同;此外在兩種不同氣候情景下,青藏高原在空間上表現出由東南向西北逐漸遞減的趨勢,這也與李傳華等[26]的研究結果一致;從時序來看,青藏高原基準期(1971—2020年)草地NPP呈現出逐年上升的趨勢,并且以年平均82.88 g C/(m2·a)的速率顯著增長,這與張帆[27]利用CASA 模型估算的青藏高原草地1982—2015年的127.1 g C/(m2·a)年均NPP結果較為一致;何楷迪等[28]研究發現,藏北地區草地NPP空間分布呈水平地帶性分布,由東南向西北遞減,藏北地區草地NPP整體水平較低,這也與本研究的結論相一致。

劉曉東等[29]發現,在未來2030—2049年期間,青藏高原大部分地區平均地面氣溫的升幅在1.4～2.2℃,但降水量的相對變化較小,通常不超過5%。本研究發現未來氣候情景下青藏高原草地NPP雖然在SSP126和SSP585兩種情景中分別呈現下降和上升趨勢,但與基準期(1971—2020年)相比,兩者年均NPP值整體水平均低于基準期,說明在未來極端氣候條件下,青藏高原草地生態系統的敏感性顯得尤為突出,但相比較而言,SSP126氣候情景的減少速率略高于SSP585,造成這種現象的原因是,SSP585與SSP126相比,全球氣候朝著更暖、更濕的方向發展,溫度和降水的減少是導致SSP126情景下青藏高原草地NPP減少速率高于SSP585情景的主要原因之一。

在本研究中,未來氣候情景下氣溫和降水呈現出不同的增加速率,總體來說,SSP585情景下的氣溫和降水的增加速率高于SSP126情景。另外,本研究發現,在SSP126情景下,青藏高原NPP與氣溫呈正相關,與降水呈負相關,這與邊多等[30]的研究結果一致,但在SSP585情景下,青藏高原NPP與氣溫和降水均呈正相關,但氣溫的相關性高于降水。這說明了在不同氣候條件下,氣溫和降水對NPP 均有一定的影響,但明顯氣溫的影響力要顯著高于降水。由此可以看出氣溫是影響青藏高原草地NPP的主要原因。

在青藏高原草地生態系統的研究中,放牧是草地生態系統估算過程中的重要一部分,研究NPP 的演變過程與放牧因素的關系也是未來探究青藏高原草地生態系統的核心問題之一[31],而本研究只針對未來氣候情景下青藏高原草地NPP的時空變化特征以及與基準期時段NPP 的演變過程進行了對比分析,沒有具體討論放牧因素對青藏高原草地NPP 的響應,這也將是本研究后續過程中要攻克的重難點。

5 結論

(1)1971—2020年,青藏高原草地NPP整體呈現出“東南高、西北低”的空間分布格局,NPP值高的地方主要集中在日照充足,降水豐富的暖濕地區,而低值區主要集中在降水匱乏,日照不足的干旱地區。

(2)在過去50 a來,青藏高原草地生態系統整體趨向改善,但不同氣候情景下,未來草地NPP變化趨勢有所差異。在SSP126情景下,未來80 a(2021—2100年)青藏高原草地NPP 值出現整體下降的趨勢,這與該情景下,氣候朝著低溫少雨的方向發展有著緊密聯系,相比SSP126 情景,SSP585 情景下,氣候朝著更暖更濕的方向發展,青藏高原草地NPP 值整體呈現上升的發展趨勢。

(3)氣溫和降水是造成青藏高原草地NPP變化的主要驅動因子,在SSP126和SSP585兩種情景下,溫度與NPP 均呈正相關,且相關性高于降水。在SSP126 情景下,降水與NPP呈負相關,SSP585情景下,降水與NPP呈正相關。整個青藏高原草地NPP變化的主要驅動因子是氣溫。