首页分享 Response characteristics of ecosystems and soil conservation services to future climate change in the Three

Response characteristics of ecosystems and soil conservation services to future climate change in the Three

来源：花匠小妙招时间：2024-11-09 00:25

摘要: 气候变化条件下的生态系统响应特征对生态系统服务的提升和生态环境保护具有重要意义。现有气候变化评估多以全球或区域大尺度研究为主，不适合局地小尺度。以2015年为基准，根据局地特征改进了综合顺序分类系统（CSCS），模拟了未来不同温室气体排放模式下三江源地区自然植被分布，同时分析了植被覆盖度及土壤保持功能的时空变化。研究结果表明：①在2080年的不同排放情境下，三江源地区的降水和气温增长主要发生在生长季（5-9月）和半湿润地区，其中，高排放情境的增幅最大（42.21 mm和4.93℃）；②三江源地区潜在自然植被主要由草地转化为森林，植被覆盖度和土壤保持服务在不同排放情境下均呈现由西北向东南增加的趋势，与水热规律一致，其中高排放情境的增幅最大，低排放最小；③利用三江源地区原生裸地演替特点和多年NPP改进的CSCS模型，模拟精度提高了24%。研究成果为局地小尺度生态系统气候响应特征提供了必要的手段和规律认识。

Response characteristics of ecosystems and soil conservation services to future climate change in the Three-Rivers region, China

Abstract: Assessing the response characteristics of ecosystems under climate change is critical to improve ecosystem services and protect ecological environments. Existing climate change assessment models are mostly based on large-scale (global and regional) research, and are not suitable for smaller geographical scales (local). Based on the data from 2015, this study improved the Comprehensive Sequential Classification System (CSCS) using local characteristics, simulated the natural vegetation distribution, and analyzed the spatial and temporal changes in vegetation coverage and soil conservation services in the Three-Rivers region under different future greenhouse gas emission patterns. The results indicated the following: ①Under different emission scenarios in 2080, increased precipitation and temperature mainly occurred in the growing season (from May to September) and in semi-humid areas, and the largest increases occurred under the high-emission scenario (42.21 mm and 4.93 ℃). ②The potential natural vegetation type was mainly transformed from grassland to forest, and increases in vegetation coverage and soil conservation services followed a descending trend from northwest to southeast under the three scenarios, which is consistent with the trend observed for water-heat conditions. The highest increases occurred under the high emission scenario and the lowest increases under the low emission scenario. ③Accuracy was improved by 24% when the CSCS was revised using local glacial bare land succession characteristics and multi-year NPP (Net Primary Production). These results provided necessary methods for assessing the response characteristics of ecosystems under climate change at smaller geographical scales.

Key Words: modified Comprehensive Sequential Classification System (CSCS) potential natural vegetation vegetation coverage soil conservation service Three-Rivers region

气候变化和陆地生态系统之间的相互作用一直被认为是全球变化研究的主要问题之一[1]。气候, 特别是气温和降水, 是影响陆地生态系统格局和质量的主要因素[2]; 同时, 陆地生态系统的发育和演替又通过生物地球化学循环反作用于气候[3]。现有研究成果表明, 在过去几十年持续的气温升高和降水量增加趋势下, 部分地表植被适应新生境的能力较差, 使得其生产力和物候特征都发生了较大的改变[4-5]。一些观察结果也表明, 自然植被易受到气候变化的影响, 并且气候对植被的影响很大程度上取决于气候变化的程度和性质[6-7]。虽然未来温室气体的排放引起的全球气候变化存在着不确定性, 但分析其对自然植被的影响和由此带来的生态系统服务功能的变化是十分必要的。

气候变化一方面通过降水和气温直接影响陆地生态系统的支撑服务功能, 另一方面通过影响土地和其他资源利用强度间接影响陆地生态系统的供给、调节等服务功能[8]。目前, 关于气候变化对陆地生态系统影响的研究中, 大多基于代表性浓度路径(RCPs)在全球及区域尺度上进行生态系统建模[9-10], 依据局地尺度特征的研究相对较少。

国外对于气候与生态系统及相关服务功能之间的关系的研究相对较早, 方法也较成熟, 最具代表性的是“霍尔德里奇生命地带(Holdridge life zone)”模型, 该模型根据气候变量指标(降水、温度、蒸散率)将全球的生物区系划分为38个生命带类型和100多个生命地带[11]。生态系统服务功能对气候变化的响应也有较为系统的研究, Liu等[12]基于“Hadley Center Climate Model(HadCM3)”的A2排放情景, 发现美国西部干旱地区的气候变化使森林生物多样性、空气净化和固碳能力提高; Lam等[13]基于“Climate-living Marine Resources Simulation”模型的CO2高排放情景发现2050年全球渔业收入将比预期减少35%;Kunimitsu[14]利用“Recursive-dynamic Regional Computable General Equilibrium(CGE)”模型发现气候变化增加了日本西部地区的水稻产量和农民收入, 但东部和北部地区却有所减少; Sample等[15]开发了“High-level Screening Methodology”来评估与水有关的生态系统服务对未来气候变化的响应, 发现未来气候变化降低了苏格兰地区农业灌溉和水力发电量。

国内对于气候—植被关系的研究相对起步较晚, 但发展较快, 其中影响最广的是任继周在1956年基于草原分类理论提出的潜在植被分类系统-综合顺序分类系统(Comprehensive sequential classification system, CSCS), 该方法采用定量分类法, 体现了草地类型的地带性及内部发生学关系, 其理论几经演变、完善, 得到了广泛的应用[16]。此外, Hu等[17]研究了三江源地区1982—2000年生长季节的NDVI与气候因子(均温、降水、水气压、日照、风速)之间的相关性, 发现NDVI值从西向东逐渐增大, 与水分分布一致, 且与气温、蒸气压呈正相关, 与日照时数和风速呈负相关; 车彦军等[18]基于RegCM3模型预测的我国2071—2100年的气温和降水, 模拟了我国的潜在自然植被类型, 并分析了植被类型迁移的重心; 张明军和周立华[19]在未来3种不同气候变化情景下预测我国森林生态系统服务价值, 结果表明该服务价值呈增加趋势; Wu等[20]在RCPs下预测了我国2010—2050年的草地生态系统生产力的变化趋势, 发现温度和降水是影响草地生产力的主要因素, 温度的升高更有利于青藏高原和西南喀斯特地区草地生产力的提高。徐雨晴等[21]基于CEVS模型研究了气候变化背景下中国草地生态系统服务价值的动态变化, 结果表明其空间分布状态与降水、气温的分布一致, 都呈现出从西南向东北逐渐增加的趋势。

三江源地区是长江、黄河及澜沧江的发源地和重要补给地(分别占长江、黄河、澜沧江总水量的25%、49%和15%)。由于自然条件恶劣, 该区域生态系统极其脆弱, 由于近百年来气候变化和人类活动干扰的加剧, 三江源地区冰川退缩、水土流失加剧、水源涵养能力退减, 威胁到了长江、黄河、澜沧江流域的生态安全[22]。研究三江源地区气候变化对生态系统特征以及重要生态系统服务的影响不仅有利于局地自然生态系统的保护, 更有利于三大流域中、下游地区生态系统服务的可持续利用。本文在三江源地区未来不同气候变化情景下, 利用修正的综合顺序分类系统(CSCS)模型和多元线性回归建模模拟局地生态系统潜在自然植被空间分布和植被覆盖度的变化, 进而探讨气候及植被变化对三江源地区土壤保持服务功能的影响。

1 方法与资料1.1 研究区域

三江源地区(31°39′—37°10′N、89°24′—102°27′E)位于我国青海省南部, 青藏高原腹地, 是长江、黄河和澜沧江三大河流的发源地, 被称为“中华水塔”。该区域总面积约361200 km2, 平均海拔3500—4800 m, 年平均气温低于-—1℃, 生长季平均日照时数为1183小时, 年平均降水量约为470 mm, 其中近80%的降水集中在6月至9月, 形成了单一、短暂的植被生长季节, 半湿润、半干旱、干旱地区分别约占研究区总面的29%、59%、12%(图 1)。

图 1 研究区概况Fig. 1 Study area

1.2 研究方法1.2.1 未来气候变化模式

研究中选择的未来气候变化模式来自于IPCC第五次报告提出的以稳定浓度为特征的新情景。该情景根据大气辐射强度设定, 即“代表性浓度路径(Representative Concentration Pathways, RCP)”, 并首次考虑到各国应对气候变化政策对未来排放的影响[23], 本文选取用其中3种排放情景(低、中、高)进行比较分析(表 1)。

表 1 代表性浓度路径(RCPs)Table 1 Representative Concentration Pathways (RCPs)

气候情景
Climate scenario 辐射强迫路径
Radiative forcing path 情景描述
Scenario description 低排放
Low emission (RCP2.6) 从2010年到2100年累计排放温室气体与基础情景相比下降了70%, 到2100年辐射强迫稳定在2.6 W/m2 人类大力实施节能减排措施, 通过利用清洁能源和恢复森林来增加对温室气体的吸收, 控制其浓度上升中排放
Medium emission(RCP4.5) 辐射强迫不超过4.5 W/m2并在2100年之后趋于稳定发展与经济相适应的积极减排手段, 介于RCP2.6和RCP8.5之间高排放
High emission(RCP8.5) 长时间高温室气体排放, 到2100年辐射强迫稳定在8.5 W/m2 人口数量多, 技术革新率不高, 能源改善缓慢, 收入增长慢, 长时间高温室气体排放, 浓度增加

1.2.2 修正的潜在自然植被模型

本文使用综合顺序分类系统(Comprehensive Sequential Classification System, CSCS)来预测潜在自然植被类型(图 2)。CSCS主要是通过对具有相似降水和温度特性的单元进行分组或聚类而建立的。该系统以活动积温和湿度作为分类指标, 包括7个活动积温级和6个湿度级, 共组合为42种潜在自然植被类型。活动积温由低到高对应自然界中北极向赤道递增的经向地带性规律, 湿度由干到湿对应自然界中干旱向湿润地区变化的纬向地带性规律。在众多影响未来植被生长因素难以获取的过程中, CSCS模型具有参数易于定义和测量的特点, 凸显出仅依靠气温、降水就就能够实现高精度模拟的优势。

图 2 修正后的综合顺序分类系统(CSCS)Fig. 2 Modified Comprehensive Sequential Classification System (CSCS)

刘刚等[24]研究发现我国植被NPP空间上基本呈由东南向西北递减的分布趋势, 主要是由于植被分布和气候条件决定的, 而且青藏高原及南方地区NPP与温度呈正相关, NPP与温度、降雨量均存在明显相关性。根据三江源地区冰川裸地的地实际演替变化特征以及当地植被的生长能力, 并通过查阅大量文献发现三江源地区净初级生产力小于青藏高原地区, 而CSCS模型是基于大尺度范围的预测模型, 目前在中国的大尺度范围内已经得到了较好的应用[18, 25-28]。因此, 本文采用如下方法修正CSCS模型：

(1) 研究区域内冰川、裸地保持不变

有研究表明冰川消退后的原生裸地需经过上百年时间才能适宜生物生长[29], 原生演替早期阶段生物种类少, 且其生产力及对环境因子的影响也较微弱[30]。而青藏高原的冰川缩减只有约30年的时间, 区域的土壤、有机质及影响元素还不足以支持生物生存, 故在研究中将冰川、裸地保持不变。

(2) 根据Net Primary Production (NPP)调整活动积温和湿度指数

NPP是生态系统生长和繁殖的能量值, 是生态系统质量的量化表现和植被生长动态的重要参数。综合顺序分类体系适应于中国整个地区, 其参数对于三江源局地尺度来说适用性较低。因此, 本文对CSCS模型原始的活动积温和湿度指数分别乘以三江源地区与青藏高原地区2000—2015年多年NPP均值的比值(0.77)对参数进行调整, 调整结果如图 2。

湿度指数是年均降水量和活动积温的函数, 可以反映陆地生态系统植被的自然发生, 表达式为：

(1) (2)

式中, K为湿度指数, ∑θ为活动积温, K′和(∑θ)′分别为修正后的湿度指数和活动积温。

利用2015年的自然植被图(图 3)对修正后的CSCS模型进行验证, 结果表明修正后的模型达到了77%, 比未修正的模型模拟的准确率提高了24%。因此, 修正后的CSCS模型能够更准确地反映三江源地区不同植被类型的分类。

图 3 CSCS模型修正前和修正后的2015年植被类型图Fig. 3 Map of vegetation types in 2015 before and after CSCS model modification

1.2.3 植被覆盖度预估模型

本文根据不同的物候特征, 采用多元线性回归模型建立气候与植被覆盖度的关系, 用来预测三江源地区的未来植被覆盖度。选取2000—2015年17个气象站点(图 1)的气候、地形因子(均温、年降水、最低气温、最高气温、水气压、日照时数、风速、DEM)与相应的植被覆盖度, 结合物候(全年、生长季)和气候(整个地区、半湿润地区、干旱和半干旱地区)特征, 分析比较不同气候因子组合模式下模型的拟合效果。最终确定了5种气候、地形因子(均温、年降水、最低气温、最高气温、DEM), 6种物候-气候模式的模型用于三江源区域植被覆盖度模拟(表 2)。

表 2 不同模式下三江源区域植被覆盖度的拟合优度Table 2 Goodness of fit of vegetation coverage under different models in the Three-Rivers region

物候
Phenology 整个地区
All area 半湿润地区
Sub-humid area 干旱、半干旱地区
Arid, Semi-arid areas 全年 Whole year 0.57 0.69 0.69 生长季 Growing season 0.52 0.49 0.47不同模式下均为P < 0.01, 为极显著

在利用2005—2015年的数据建立多元回归模型后, 利用2000—2005年的数据对模型进行验证, 结果表明模型模拟效果较好(图 4), 可用于三江源地区植被覆盖度的预测。

图 4 三江源区植被覆盖度模型验证Fig. 4 Vegetation coverage model verification in the Three-Rivers region

1.2.4 土壤保持服务功能

土壤保持功能量是潜在土壤侵蚀量和实际土壤侵蚀量之差[31]。本研究采用周来等[32]校正和验证好的RUSLE模型计算土壤保持服务, 周来等通过对国内外RUSLE应用实践进行总结和对比, 并分析其科学合理性, 明确不同因子单位类型之间的转化系数, 使得RUSLE在中国具体应用过程中更加科学和便捷, 该服务功能受降雨、土壤、地形和植被的强烈影响, 该服务模型可表示为：

(3) (4) (5)

式中, SEp是潜在的侵蚀量(t hm-2 a-1)); SEa是实际的侵蚀量(t hm-2 a-1); SC是土壤保持能力(t hm-2 a-1); R是雨量的侵蚀因子(MJ mm hm-2 h-1 a-1); K是土壤可蚀性因子(t hm2 h hm-2 MJ-1 mm-1); LS是表示坡长影响的地形因子; C是植被覆盖因子。

1.3 数据来源

研究中涉及到的数据包括研究区域的生态系统分类、植被覆盖度、高程、土壤、气象等, 具体参见表 3。

表 3 数据来源及精度Table 3 Data source and accuracy

数据清单
Data list 精度
Accuracy 数据来源
Data source 2015年生态系统分类图
Ecosystem classification in 2015 30 m 中国生态系统评估与生态安全数据库(http://www.ecosystem.csdb.cn) 2015年植被覆盖度
Vegetation coverage in 2015 250 m 中国生态系统评估与生态安全数据库(http://www.ecosystem.csdb.cn) 数字高程模型
Digital elevation model 90 m 地理空间数据云(http://www.gscloud.cn/) 土壤有机质含量
Soil organic matter 1 km 寒区旱区科学数据中心土壤机械组成
Soil texture 1 km 寒区旱区科学数据中心 2000—2015年降雨、气温
Precipitation and air temperature from 2000—2015 气象站点北京师范大学 2080年降雨、气温
Precipitation and air temperature in 2080 0.5° IPCC的SRES研究团队利用GCM驱动的模拟数据, CCAFS(Climate Change, Agriculture and Food Security)组织发布(http://www.ccafs-climate.org/)

2 结果与分析2.1 三江源地区未来气候变化

三江源地区气候模拟结果表明, 2080年的降水和气温在不同排放模式下均高于2015年, 增加幅度均表现为：高排放情景>中排放情景>低排放情景。其中, 高、中、低排放情景的全年降水增幅(变化率)分别为42.21 mm(10.57%)、31.41 mm(7.87%)、24.23 mm(6.07%); 全年气温增幅(变化率)分别为4.93℃(115.73%)、2.70℃(63.38%)、1.88℃(44.01%)。

从时间上看, 降水和气温的增加主要发生在生长季节; 从空间上看, 半湿润地区的降水增加占据主导地位, 干旱地区由于温度的上升导致降水量有所下降, 半湿润地区气温增量较大, 高排放气候变化情景下年均温度达到了0℃以上。

2.2 三江源地区未来生态系统及植被覆盖状况

依据2015年的生态系统现状, 三江源地区主要的生态系统类型为森林、灌丛、草地、湿地、农田、人工地、荒漠和裸地8大类别。其中, 草地面积最大, 为246104.1 km2, 占总面积的69.00%, 由于降水、气温等气候因素和海拔等地势因素的空间异质性使得草地生态系统类型多样化; 其次为荒漠和裸地, 占17.30%;森林和灌丛占比为4.43%, 主要分布于适宜植被生长的气温高、降水多、海拔相对较低的东南地区; 农田和人工地面积占比最小, 分别为584.94 km2(0.16%)和521.38 km2(0.15%), 主要分布在三江源东部。

在不同气候变化情景下, 2080年生态系统类型的整体分布格局在空间上与2015年基本保持一致(图 5); 森林和灌丛的面积沿着东南向西北的方向在逐渐增加; 少量草地面积转化为森林和灌丛。其中, 森林和灌丛的变化率为高排放情景(293.46%)>中排放情景(129.96%)>低排放情景(61.08%); 相应地, 草地面积随着排放浓度的增加而逐渐减小, 变化率为高排放情景(-18.99%)>中排放情景(-8.33%)>低排放情景(-3.91%)。

图 5 三江源区域2015年生态系统类型分布及2080年不同气候模式下生态系统类型预测Fig. 5 Distribution of ecosystem types in 2015 and prediction of ecosystem types under different climate models in 2080 in the Three-Rivers region

对于植被覆盖度来说, 三江源地区2015年和2080年3种气候变化情景下的植被覆盖度空间变化趋势一致, 整体上从西北到东南方向植被覆盖度逐渐呈现出增加趋势(图 6)。平均植被覆盖度分布为高排放情景(82.07%)>中排放情景(62.66%)>低排放情景(52.28%)>2015年(44.55%); 相比2015年, 植被覆盖度增长率为高排放情景(84.20%)>中排放情景(40.64%)>低排放情景(17.34%)。

图 6 三江源区域2015年植被覆盖度及2080年不同排放情景下植被覆盖度预测Fig. 6 Vegetation coverage in 2015 and prediction of vegetation coverage under different emission scenarios in 2080 in the Three-Rivers region

由于三江源地区位于青藏高原高海拔的气候敏感区, 气温较低、降水较少, 生态系统类型和植被生长对水热条件极为敏感。本文中采用的IPCC第五次报告中的3种排放情景, 其气温和降水均为增加趋势, 所以3种排放模式下模拟的生态系统类型以及植被覆盖度均朝着变好的趋势发展。

2.3 三江源土壤保持服务

土壤保持服务功能同时受到植被、气候和土壤等因素的共同影响, 与生态系统格局和植被覆盖度紧密相关。土壤保持服务在三江源地区的东南方向功能较高, 此处温度较高，降水较多, 海拔较低, 适宜植被生长, 而西北方向冰川裸地较多, 土壤保持功能相对较低。土壤流失方程能够综合考虑植被、气候和土壤等影响因素, 从模拟结果上来看也能够有效的反应研究区的实际情况。

三江源地区2015年和2080年3种气候变化情景下的土壤保持服务与生态系统植被状况的变化趋势密切相关。土壤保持能力整体上从西北向东南逐渐增强。其中, 高排放情景>中排放情景>低排放情景>2015年, 对应的土壤保持能力(增长率)为8.14亿吨(28.19%)>7.69亿吨(21.10%)>7.09亿吨(11.65%)>6.35亿吨。

图 7 三江源区域2015年土壤保持服务分布及2080年不同排放情景下土壤保持服务预测Fig. 7 Soil conservation service distribution in 2015 and prediction of soil conservation service under different emission scenarios in 2080 in the Three-Rivers region

总体而言, 三江源地区2015年和2080年3种气候变化情景下的潜在自然植被分布、植被覆盖度和土壤保持功能关系十分密切。2015年的森林生态系统面积最小, 主要集中在三江源的东南部; 2080年3种排放模式的森林生态系统面积呈现由低排放模式至高排放模式逐渐增加趋势, 森林分布由三江源东南部向西北扩展, 但止步于400 mm降水线。相应地, 植被覆盖度也随着森林生态系统取代草地生态系统而由东南向西北逐渐增加; 高排放模式下植被覆盖度达到最高的82.07%, 是低排放模式的1.57倍。3种排放模式下, 土壤保持服务南高北低、东高西低的空间格局没有变化, 但差异有所增加, 南北变幅大于东西。

3 讨论与结论3.1 讨论

气候变化对生态系统格局、植被覆盖度以及生态系统服务功能产生重要的影响, 研究气候-植被之间的相互关系有助于应对气候变化给生态系统带来的负面影响, 进而有效的保护生态环境。为了使CSCS模型能够适应于三江源地区, 本研究利用青藏高原和三江源地区的多年NPP以及冰川裸地的演替特点对模型进行修正, 修正后的模型比未修正模型模拟精度提高了24%。但由于影响活动积温和湿度指数的因素较多, 本研究仅采用NPP对模型进行修正, 使得模型精度提升受限, 还有待在后续研究中进一步完善。此外, 本研究利用线性回归模型预估未来植被覆盖度, 基于三江源地区的物候及气候特点建立植被覆盖度与气候因子的多元线性回归模型, 虽然模型模拟效果较好, 但由于在未来气候变化模式下, 物候及气候均存在不确定性, 也会给模拟结果带来一定程度的误差。

本文中, 在2080年不同气候模式下, 三江源地区的降水、气温以及森林覆盖面积均呈现上升趋势, 同时草地面积减少, 这与在青藏高原地区的其他相关研究结果基本一致。如, Liang等[33]利用CSCS模型对青藏高原地区潜在自然植被的研究结果表明为在未来气候变化下(2000—2080年)年平均降水量(Mean Annual Precipitation, MAP)和年平均温度(mean annual temperature, MAT)均呈现增加趋势, 同时, 森林面积将显著增加, 草地面积则呈一定的下降趋势。此外, Hu等[17]对三江源地区的植被覆盖度与气候因子之间关系的研究结果也表明, 三江源地区植被覆盖度与气温和降水均成正相关关系, 其中对气温的相关性大于降水。在土壤保持研究方面, 康惠惠等[34]的研究表明土地植被类型及植被覆盖度对土壤保持功能有重要影响, 三江源的生态退化与恢复过程与土壤保持功能变化联系紧密。综上, 本研究中选取的研究方法及主要环境因子是适用于三江源地区的, 对于模拟结果中生态系统、植被状况和土壤保持服务功能所表现出的差异, 主要是由于情景模式以及空间分辨率的不同所致。

研究中还对CSCS模型中的冰川、裸地生态系统的评估进行了修正, 其主要依据是生态演替理论中的原生演替过程[35]。基于该演替过程, 认为到2080年, 三江源地区冰川积雪和冻土裸土面积虽然会有减少, 但其土壤理化性质还不足以支持植被的生长。所以在本研究中, 冰川、裸地生态系统的空间分布不随时间改变。从景观生态学边际效应角度来看, 随着冰川的消退, 冰川、裸地和草地生态系统间会产生过渡区, 即生态过渡带。由于生态交错带对于气候变化的反应较为敏感, 气候变化下生态过渡带会发生生物群区的过渡[36-37], 所以本研究中冰川、裸地生态系统不变的假设会给模型模拟结果带来不确定性。

植被与作物管理因子(C)反映了土壤被不同的土壤覆盖类型保护的程度, 这是USLE模型中唯一的组分因子, 它受自然因素(气温和降水)以及人类活动(如开垦, 建筑, 采矿, 伐木, 修路等)或其他事件(如林火, 洪水)的影响很大。由于三江源地区人类干扰较少, 本研究目前仅考虑自然因子进行预测植被因子, 尚未考虑人类活动因子, 这也是本研究后续需要深入探讨的内容。在影响植被生长的因子中, 气象是最主要的影响因素, 因此在分类体系中, 将气象作为最高级的分类指标[38]。本研究在自然植被模拟过程中, 除高程因素外, 仅考虑了降水和温度两个自然因子。由于气候模型的制约, 3种排放模式下三江源区域的水热条件均呈现增加趋势, 但从全国范围来看, 水热条件变化并不相同。在3种排放模式下(高、中、低), 潜在自然植被的模拟结果表明, 内蒙古的北部以及与宁夏、甘肃交错地带和新疆的北部地区的气候干燥, 湿度下降, 自然植被均呈现出逐渐退化演替的状况; 在新疆的塔克拉玛干沙漠地带, 只有在中排放情景下生态系统是进化演替的; 而青藏高原地区, 由于未来气候变化使其增温增湿, 利于植被生长, 生态系统整体呈现进化演替[21]。此外, 三江源区域的植被覆盖度还受到其他气象因子[17]以及土壤[39]等因素的影响, 在后续研究中还应该沿着“未来气候变化-生态系统结构、质量、过程-生态系统服务”框架进行深入探讨, 提高模型模拟精度。

3.2 结论

本文利用综合利用顺序(CSCS)模型、多元线性回归模型以及土壤流失方程模型, 模拟了未来不同排放模式对应的气候情景下潜在自然植被、植被覆盖度和土壤保持服务的时空动态变化, 提出了适应于三江源局地尺度修正模型, 结论如下：

(1) 与2015年相比, 2080年3种气候模式下的气温和降水均呈现增加趋势, 幅度为高排放情景>中排放情景>低排放情景, 增加主要表现在生长季节(5—9月)和半湿润地区;

(2) 与2015年相比, 2080年3种气候模式下的植被覆盖度和土壤保持服务均增加, 幅度为高排放情景＞中排放情景>低排放情景>2015年, 空间上呈现出自西北向东南方向逐渐增强的趋势; 从生态系统变化来看, 森林生态系统面积增加, 草地生态系统面积减小;

(3) 利用原生裸地演替特点和多年NPP率定了的CSCS模型参数, 使得其在三江源区域的模拟精确度提高了24%, 为今后研究局地尺度的潜在自然植被类型和生态系统服务评估提供了修正方法。

参考文献

[1]

Walker B, Steffen W L. An Overview of the implications of global change for natural and managed terrestrial ecosystems. Conservation Ecology, 1997, 1(2): 2. DOI:10.5751/ES-00028-010202

[2]

黄银晓. 全球气候变化对陆地生态系统的影响. 环境科学, 1993, 14(6): 79-81.

[3]

Wang G L, Eltahir E A B. Impact of CO2 concentration changes on the biosphere-atmosphere system of West Africa. Global Change Biology, 2002, 8(12): 1169-1182. DOI:10.1046/j.1365-2486.2002.00542.x

[4]

Gang C C, Zhou W, Li J L, Chen Y Z, Mu S J, Ren J Z, Chen J M, Groisman P Y. Assessing the spatiotemporal variation in distribution, extent and NPP of terrestrial ecosystems in response to climate change from 1911 to 2000. PLoS One, 2013, 8(11): e80394. DOI:10.1371/journal.pone.0080394

[5]

Horion S, Cornet Y, Erpicum M, Tychon B. Studying interactions between climate variability and vegetation dynamic using a phenology based approach. International Journal of Applied Earth Observation and Geoinformation, 2013, 20: 20-32. DOI:10.1016/j.jag.2011.12.010

[6]

Biermann F. 'Earth system governance' as a crosscutting theme of global change research. Global Environmental Change, 2007, 17(3/4): 326-337.

[7]

Field C B, Lobell D B, Peters H A, Chiariello N R. Feedbacks of terrestrial ecosystems to climate change. Annual Review of Environment and Resources, 2007, 32: 1-29. DOI:10.1146/annurev.energy.32.053006.141119

[8]

Runting R K, Bryan B A, Dee L E, Maseyk F J F, Mandle L, Hamel P, Wilson K A, Yetka K, Possingham H P, Rhodes J R. Incorporating climate change into ecosystem service assessments and decisions:a review. Global Change Biology, 2017, 23(1): 28-41.

[9]

Anav A, Mariotti A. Sensitivity of natural vegetation to climate change in the Euro-Mediterranean area. Climate Research, 2011, 46(3): 277-292. DOI:10.3354/cr00993

[10]

Hickler T, Vohland K, Feehan J, Miller P A, Smith B, Costa L, Giesecke T, Fronzek S, Carter T R, Cramer W, Kühn I, Sykes M T. Projecting the future distribution of European potential natural vegetation zones with a generalized, tree species-based dynamic vegetation model. Global Ecology and Biogeography, 2012, 21(1): 50-63. DOI:10.1111/j.1466-8238.2010.00613.x

[11]

Holdridge L R. Determination of world plant formations from simple climatic data. Science, 1947, 105(2727): 367-368. DOI:10.1126/science.105.2727.367

[12]

Liu Y Q, Goodrick S L, Stanturf J A. Future U.S. wildfire potential trends projected using a dynamically downscaled climate change scenario. Forest Ecology and Management, 2013, 294: 120-135. DOI:10.1016/j.foreco.2012.06.049

[13]

Lam V W Y, Cheung W W L, Reygondeau G, Sumaila U R. Projected change in global fisheries revenues under climate change. Scientific Reports, 2016, 6: 32607. DOI:10.1038/srep32607

[14]

Kunimitsu Y. Regional impacts of long-term climate change on rice production and agricultural income:evidence from computable general equilibrium analysis. Journal of Japan Society of Civil Engineers, 2014, 70(5): I_13-I_19.

[15]

Sample J E, Baber I, Badger R. A spatially distributed risk screening tool to assess climate and land use change impacts on water-related ecosystem services. Environmental Modelling & Software, 2016, 83: 12-26.

[16]

任继周, 胡自治, 牟新待. 我国草原类型第一级分类的生物气候指标. 甘肃农业大学学报, 1965(2): 48-64.

[17]

Hu M Q, Mao F, Sun H, Hou Y Y. Study of normalized difference vegetation index variation and its correlation with climate factors in the three-river-source region. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(1): 24-33. DOI:10.1016/j.jag.2010.06.003

[18]

车彦军, 赵军, 师银芳, 王大为. 基于CSCS和RegCM3模型的21世纪末中国潜在植被. 生态学杂志, 2014, 33(2): 447-454.

[19]

张明军, 周立华. 气候变化对中国森林生态系统服务价值的影响. 干旱区资源与环境, 2004, 18(2): 40-43.

[20]

Wu F, Deng X Z, Yin F, Yuan Y W. Projected changes of grassland productivity along the representative concentration pathways during 2010-2050 in China. Advances in Meteorology, 2013, 2013: 812723.

[21]

徐雨晴, 於琍, 周波涛, 石英, 徐影. 气候变化背景下未来中国草地生态系统服务价值时空动态格局. 生态环境学报, 2017, 26(10): 1649-1658.

[22]

蒋冲, 高艳妮, 李芬, 王德旺, 张林波, 李岱青. 1956-2010年三江源区水土流失状况演变. 环境科学研究, 2017, 30(1): 20-29.

[23]

Moss R H, Edmonds J A, Hibbard K A, Manning M R, Rose S K, van Vuuren D P, Carter T R, Emori S, Kainuma M, Kram T, Meehl G A, Mitchell J F B, Nakicenovic N, Riahi K, Smith S J, Stouffer R J, Thomson A M, Weyant J P, Wilbanks T J. The next generation of scenarios for climate change research and assessment. Nature, 2010, 463(7282): 747-756. DOI:10.1038/nature08823

[24]

刘刚, 孙睿, 肖志强, 崔天翔. 2001-2014年中国植被净初级生产力时空变化及其与气象因素的关系. 生态学报, 2017, 37(15): 4936-4945.

[25]

张颖, 陈怀艳, 李建龙. 三江源生态系统近10年净初级生产力估测. 天津农业科学, 2014, 20(10): 25-28.

[26]

孙庆龄, 李宝林, 李飞, 张志军, 丁玲玲, 张涛, 许丽丽. 三江源植被净初级生产力估算研究进展. 地理学报, 2016, 71(9): 1596-1612.

[27]

孙云晓, 王思远, 常清, 薛铸鑫, 尹航. 青藏高原近30年植被净初级生产力时空演变研究. 广东农业科学, 2014, 41(13): 160-166.

[28]

张镱锂, 祁威, 周才平, 丁明军, 刘林山, 高俊刚, 摆万奇, 王兆锋, 郑度. 青藏高原高寒草地净初级生产力(NPP)时空分异. 地理学报, 2013, 68(9): 1197-1211.

[29]

Crocker R L, Major J. Soil development in relation to vegetation and surface age at glacier bay, Alaska. Journal of Ecology, 1955, 43(2): 427-448.

[30]

Whittaker R J, Bush M B, Richards K. Plant recolonization and vegetation succession on the Krakatau Islands, Indonesia. Ecological Monographs, 1989, 59(2): 59-123. DOI:10.2307/2937282

[31]

Rao E M, Ouyang Z Y, Yu X X, Xiao Y. Spatial patterns and impacts of soil conservation service in China. Geomorphology, 2014, 207: 64-70. DOI:10.1016/j.geomorph.2013.10.027

[32]

周来, 李艳洁, 孙玉军. 修正的通用土壤流失方程中各因子单位的确定. 水土保持通报, 2018, 38(1): 169-174.

[33]

Liang T G, Feng Q S, Yu H, Huang X D, Lin H L, An S Z, Ren J Z. Dynamics of natural vegetation on the Tibetan Plateau from past to future using a comprehensive and sequential classification system and remote sensing data. Grassland Science, 2012, 58(4): 208-220. DOI:10.1111/grs.12000

[34]

康惠惠, 潘韬, 盖艾鸿, 刘玉洁. 生态退化与恢复对三江源区土壤保持功能的影响. 水土保持通报, 2017, 37(3): 7-14.

[35]

许中旗, 李文华, 鲍维楷, 许晴. 植被原生演替研究进展. 生态学报, 2005, 25(12): 3383-3389.

[36]

Odum E P. Fundamentals of Ecology. 3rd ed. Philadelphia: W.B. Saunders Company, 1971.

[37]

周婷, 彭少麟. 边缘效应的空间尺度与测度. 生态学报, 2008, 28(7): 3322-3333.

[38]

杜怀玉, 赵军, 师银芳, 车彦军. 气候变化下中国潜在植被演替及其敏感性. 生态学杂志, 2018, 37(5): 1459-1466.

[39]

李婷, 刘康, 胡胜, 包玉斌. 基于InVEST模型的秦岭山地土壤流失及土壤保持生态效益评价. 长江流域资源与环境, 2014, 23(9): 1242-1250.