福建省森林植被NEP 時空變化及影響因子分析

翁升恒，張玉琴，姜冬昕，潘衛(wèi)華，李麗純*，張方敏

1.福建省氣象科學研究所，福建 福州 350001；2.福建省災害天氣重點實驗室/中國氣象局海峽災害天氣重點開放實驗室，福建 福州 350001；3.福建省氣象宣傳科普教育中心，福建 福州 350001；4.南京信息工程大學應用氣象學院氣象災害預報預警與評估協(xié)同創(chuàng)新中心/江蘇省農業(yè)氣象重點實驗室，江蘇 南京 210044

陸地生態(tài)系統(tǒng)固碳是碳循環(huán)中的重要過程，可以顯著抵消部分同期化石燃料燃燒和工業(yè)活動導致的碳排放，并緩解經濟社會發(fā)展給生態(tài)環(huán)境帶來的壓力（樸世龍等，2022a），明晰生態(tài)系統(tǒng)的碳源匯狀況可以為應對氣候變化提供科學依據(jù)。我國陸地生態(tài)系統(tǒng)表現(xiàn)出明顯的碳匯特征，其中森林碳匯量約占全國陸地碳匯總量的80%（Calvo Buendia et al.，2019；Wang et al.，2020），是減緩大氣CO2濃度升高和氣候變化的重要生態(tài)系統(tǒng)（樸世龍等，2022a）。然而不斷加劇的氣候變化和人類活動對森林生態(tài)系統(tǒng)的結構和功能都產生了深遠影響（Beeks，2021；Ge et al.，2021），其碳匯能力及變化驅動機制仍具有較大的不確定性（樸世龍等，2022b），森林碳匯的估算、時空變化及影響因子分析也因此成為了當前應對氣候變化研究的熱點。

凈生態(tài)系統(tǒng)生產力（Net Ecosystem Productivity，NEP）能夠定量描述陸地生態(tài)系統(tǒng)與大氣之間的凈碳交換（Wang et al.，2021），是衡量陸地生態(tài)系統(tǒng)碳源匯作用的重要指標，其生態(tài)學定義為總初級生產力（Gross Primary Productivity，GPP）和生態(tài)系統(tǒng)呼吸（Ecosystem Respiration，Re）之差，NEP>0 說明生態(tài)系統(tǒng)發(fā)揮碳匯功能，反之則為碳源。因此，本研究擬通過研究區(qū)域森林植被的NEP來反映生態(tài)系統(tǒng)碳源匯情況。諸多學者針對中國森林和部分重要林區(qū)開展了NEP 的分布和影響研究。在全國尺度上來看，中國森林NEP 呈增強趨勢，主要得益于森林生長狀況的改善，然而不同地區(qū)的研究結果存在差異（楊元合等，2022）：浙江省森林NEP 呈明顯上升趨勢，其主導因子為溫度和降水（Mao et al.，2022）；秦嶺北坡森林NEP 的顯著上升趨勢則由氣溫升高引起（張越等，2019）；江西省森林NEP 總量的明顯增加則主要受到林業(yè)活動的影響（黃麟等，2012）；海南省森林NEP 呈現(xiàn)不顯著的下降趨勢，其時空變化受地形因子驅動居多（劉應帥等，2022）；東北地區(qū)森林NEP 的空間分布多受植被因子的控制（孫濱峰等，2018）；青海省、甘肅省NEP 分別受到人口密度和經濟產值的負抑制影響（劉春雨等，2018；冶曉娟等，2022）。綜上所述，森林NEP 的時空變化及其影響機制仍存在較大的區(qū)域差異，可能受到氣候、植被、地形和人口密度、經濟產值等人為活動因子變化的交叉影響（黃麟等，2012；劉春雨等，2018；孫濱峰等，2018；張越等，2019；劉應帥等，2022；Mao et al.，2022；冶曉娟等，2022）。目前對森林NEP 的研究仍存在以下問題亟需深入探究：現(xiàn)在針對國內重點林區(qū)NEP 的研究尚不全面，故而影響了對中國森林碳匯的全面認識；對NEP 變化的影響因子研究多聚焦于一兩類因子，而統(tǒng)籌考慮氣候、植被、地形和人為活動因子，明確NEP 時空變化的主導因子有助于進一步厘清森林碳源匯變化機制。

福建省受亞熱帶季風氣候控制，高異質性的生境孕育了豐富多樣的森林植被類型，是中國亞熱帶重要林區(qū)之一（李振基等，2021），森林覆蓋率連續(xù)44 年全國排名第一，具有巨大的碳匯能力（Yu et al.，2013），在服務國家“雙碳”戰(zhàn)略中發(fā)揮重要作用。但關于福建省森林植被碳匯和影響因子的研究尚不全面，針對福建省森林NEP 的時空變化特征和影響因子開展研究可以彌補現(xiàn)有研究的不足。因此，本研究采用TEC（Terrestrial Ecosystem Carbon flux model，Tec）模型和生態(tài)系統(tǒng)呼吸模型，利用2000－2020 年氣象和遙感數(shù)據(jù)對福建省森林NEP進行了估算，剖析其時空分布特征，并基于地理探測器、敏感性和貢獻度方法分析了NEP 對歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、高程（Digital Elevation Model，DEM）、太陽輻射（Radiation，Rad）、氣溫（Air Temperature，Ta）、降水（Precipitation，Pre）、經濟（Gross Domestic Product，GDP）和人口（Population，POP）的響應特征，以期豐富對中國森林生態(tài)系統(tǒng)固碳功能的認識，并為福建省森林固碳能力的管理和應對氣候變化提供科學參考。

1 材料與方法

1.1 研究區(qū)概況

福建（23°33′－28°20′N，115°50′－120°40′E）地處中國東南部、東海之濱，東北與浙江省毗鄰，西北以武夷山脈與江西省交界，西南與廣東省相連，屬于亞熱帶季風氣候區(qū)。2000－2020 年間，年平均氣溫20.2 ℃，年總降水量1 729.0 mm，年平均太陽輻射輻射127.2 W·m?2。福建省以山地、丘陵為主，根據(jù)2015 年土地利用類型資料統(tǒng)計（圖1a），林地是最主要的土地利用類型，占62.2%；其次是農田和草地，分別占17.1%和15.1%；水體、城鄉(xiāng)用地及未利用土地分別僅占1.5%、4.0%和0.1%。2000－2020 年穩(wěn)定林地的分布如圖1b 所示，穩(wěn)定林地占全省陸地面積的61.2%，主要分布在非沿海地區(qū)。

圖1 研究區(qū)概況（2015 年）及穩(wěn)定林地分布Figure 1 Overview of the study area (2015) and distribution of stable forest land

1.2 數(shù)據(jù)來源

本文所使用數(shù)據(jù)的來源及概況如表1 所示，分為站點數(shù)據(jù)和柵格數(shù)據(jù)。

表1 數(shù)據(jù)來源及概況Table 1 Data sources and overview

站點數(shù)據(jù)包括氣象和通量數(shù)據(jù)。氣象數(shù)據(jù)來源于中國國家氣候中心（http://data.cma.cn）提供的中國地面氣候資料日值數(shù)據(jù)集，包含2000－2020 年全國2 420 個氣象站點的氣溫、降水、日照時數(shù)、相對濕度等數(shù)據(jù)，太陽輻射、凈輻射由日照時數(shù)計算得到（Allan et al.，1998），研究區(qū)域內及周邊地區(qū)氣象站點分布狀況如圖1a 所示，包含省內及周邊共133 個數(shù)據(jù)完整度較高的氣象站點，所有數(shù)據(jù)經質量控制、插補后由克里金法（李俊曉等，2013）插值得到空間分辨率為1 km 的柵格數(shù)據(jù)；武夷山通量數(shù)據(jù)來源于福建省氣象局，武夷山站下墊面為馬尾松生態(tài)系統(tǒng)，觀測時段為2019 年1－12 月，所有數(shù)據(jù)經過嚴格的質量控制，包括延遲時間的校正、坐標旋轉、大氣密度效應修正等，并通過觀測資料計算物理通量CO2密度與垂直風速脈動值的協(xié)方差求算湍流通量，具體過程見吳利祿等（2019）；云霄縣通量數(shù)據(jù)來源于已公開發(fā)表的數(shù)據(jù)集（Chen et al.，2014；Zhu et al.，2021），云霄站位于下墊面為紅樹林濕地生態(tài)系統(tǒng)，數(shù)據(jù)集時段為2011－2012年與2017－2018 年。

柵格數(shù)據(jù)包括土地利用類型、經濟、人口、高程、歸一化植被指數(shù)、葉面積指數(shù)數(shù)據(jù)，本研究將柵格數(shù)據(jù)分辨率重采樣至1 km 以互相匹配。土地利用類型數(shù)據(jù)集源自中國科學院地理科學與資源研究所資源環(huán)境科學與數(shù)據(jù)中心，選用2000、2005、2010、2015年4 期的土地利用類型數(shù)據(jù)（http://www.resdc.cn），數(shù)據(jù)將地表類型分為農田、林地、草地、水體、城鄉(xiāng)用地和未利用土地6 種類型，原始空間分辨率為30 m，本研究提取了4 期內均為林地的格點，繪制出穩(wěn)定林地的空間分布（圖1b）；經濟、人口與高程數(shù)據(jù)來源于資源環(huán)境科學數(shù)據(jù)注冊與出版系統(tǒng)，分辨率為1 km，經濟與人口數(shù)據(jù)為每5 年一景，是在全國分縣統(tǒng)計數(shù)據(jù)的基礎上，考慮人類活動密切相關的土地利用類型、夜間燈光亮度、居民點密度數(shù)據(jù)與經濟、人口的空間互動規(guī)律，通過空間插值生成（徐新良，2017a，2017b）；歸一化植被指數(shù)來源于MODIS 衛(wèi)星產品MOD13A1，空間分辨率為500 m，時間分辨率為16 d；葉面積指數(shù)和光和有效輻射吸收比數(shù)據(jù)來源于MODIS 衛(wèi)星產品MOD15A2H，空間分辨率為500 m，時間分辨率為8 d。

1.3 研究方法

1.3.1 碳源匯估算

植被碳源匯被定義為總初級生產力和植被自養(yǎng)、異養(yǎng)呼吸消耗量的差值，即：

式中：

C——碳源匯，即凈生態(tài)系統(tǒng)生產力（g·m?2）；

G——總初級生產力（g·m?2），計算見公式 (2)－(4)；

Rg、Rm和Rh——植被生長呼吸、維持呼吸和異養(yǎng)呼吸消耗量（g·m?2），計算見公式 (5)－(8)。

本研究使用TEC 模型對陸地生態(tài)系統(tǒng)總初級生產力進行模擬，TEC 模型是在LUE 模型的基礎上，進一步考慮了溫度和水分條件對植被的脅迫作用而發(fā)展得來，已有研究證實了其在東亞地區(qū)不同生態(tài)系統(tǒng)上的適用性（Yan et al.，2019），具體參數(shù)見Yan et al.（2015）：

式中：

ε*——最大光能利用效率；

Tε和Wε——溫度脅迫和水分脅迫對生態(tài)系統(tǒng)LUE 的影響；

F——光合有效輻射吸收比；

Pa——光和有效輻射（W·m?2），本研究中假設為太陽輻射的48%（McCree，1972）；

Ta——氣溫（℃）；

Tmin、Tmax和Topt——植被光合活動的最低、最高和最適溫度（℃），詳見Melillo et al.（1993）；

E——實際蒸散發(fā)（mm），通過ARTS 模型利用遙感葉面積指數(shù)和地表氣象要素（氣溫、凈輻射、相對濕度）計算，詳細的計算過程見Yan et al.（2012）；

EPT——通過Priestley-Taylor 模型（Priestley et al.，1972）計算的潛在蒸散發(fā)（mm）。

生態(tài)系統(tǒng)呼吸詳細計算參考 Goward et al.（1987）、Zhao et al.（2010）和Hashimoto et al.（2015），分為植被生長呼吸、維持呼吸和異養(yǎng)呼吸消耗量，即：

式中：

Rs——土壤呼吸（g·m?2）；

Pm?1——第m?1 月的總降水量（cm），m=0 代表去年12 月；

P——第m月的總降水量（cm）；

dm——第m月的時間（d）；

Ta——第m月的平均氣溫（℃）；

F（g·m?2·d?1）和K（cm·mol?1）——參數(shù)；

a（℃?1）和b（℃?1）——溫度函數(shù)的參數(shù)；

α——降水函數(shù)的參數(shù)，詳見相關文獻（Hashimoto et al.，2015；Wang et al.，2022a）。

1.3.2 地理探測器

地理探測器是一種揭示空間異質性、量化驅動因素對因變量的空間統(tǒng)計方法（Wang et al.，2016；王勁峰等，2017），本研究使用因子檢測器和交互檢測器以研究福建省森林NEP 空間分布的影響因子。所得結果基于RStudio 軟件中的“GD”包（Song et al.，2020），根據(jù)其最優(yōu)分類算法分別對影響因子進行離散化處理，后通過自然間斷點法將NDVI、DEM、Rad、GDP 分別分為7、7、7、6 類，采用等間距法將Ta 和Pre 分別分為6 類和7 類，基于幾何間隔法將POP 分為7 類。

因子檢測器的Q統(tǒng)計值可以用來衡量影響因子對因變量的解釋能力，Q的值域為[0, 1]，Q值越大說明影響因子對因變量的解釋力越強，反之則越弱，Q為1 表明該影響因子對因變量的空間分布的解釋力為100%，Q為0 表明該影響因子與因變量的空間分布沒有任何關系。

式中：

h——因子的分類；

Nh和N——某因子在第h類和全區(qū)的單元數(shù)；

σh2和σ2——因變量在第h類和全區(qū)的方差。

交互檢測器可以將兩個影響因子（X1,X2）交互疊加形成新的交互因子（X1∩X2），通過比較交互因子對因變量的解釋力（Q(X1∩X2)）和兩個因子獨立的解釋力（Q(X1),Q(X2)）來評估兩因子的共同作用是否會增強或減弱對因變量的解釋力。交互類型如表2 所示。

表2 兩個自變量對因變量交互作用的類型Table 2 Types of interaction between two independent variables on dependent variables

1.3.3 敏感性與貢獻率計算

敏感性與貢獻率的計算詳見公式 (10)－(13)，其中公式 (10) 中的逐步回歸建模基于SPSS 26 軟件中的逐步回歸模型功能完成，其余步驟基于Python語言編程實現(xiàn)。敏感性系數(shù)是由Mccuen （1974）提出的，利用因變量和自變量建立逐步回歸關系，通過求偏導數(shù)進一步得到敏感性系數(shù)。敏感性系數(shù)的正負反映凈生態(tài)系統(tǒng)生產力與該環(huán)境因子的相關性，值為正表明凈生態(tài)系統(tǒng)生產力與該環(huán)境因子變化趨勢相同，反之亦然，敏感性系數(shù)的絕對值反映環(huán)境因子對凈生態(tài)系統(tǒng)生產力影響大?。?/p>

式中：

C——因變量，即凈生態(tài)系統(tǒng)生產力（g·m?2）；

vi——第i個影響因子；貢獻率由因子對因變量產生的影響和所有因子對因變量的解釋率計算得到 （華朗欽等，2023），貢獻率為正，代表因子的變化對凈生態(tài)系統(tǒng)生產力的變化起正促進作用，反之亦然。因子對因變量產生的影響可表示為其相對變化率 （Rcvi）與敏感性系數(shù) （Svi）的乘積 （尹云鶴等，2010），而逐步回歸模型的r2表示所有因子對凈生態(tài)系統(tǒng)生產力貢獻的解釋率，再根據(jù)單一因子的影響占比可以對該因子的貢獻率進行計算：

式中：

vi——第i個影響因子；

ε——逐步回歸方程的系統(tǒng)誤差項；

Svi——凈生態(tài)系統(tǒng)生產力對某影響因子vi的敏感性系數(shù)；

Cvi——影響因子vi對因變量的貢獻率；

Rcvi——影響因子的多年相對變化率；

ρ——所選所有影響因子對因變量變化的解釋程度；

kvi——該影響因子多年的相對變化率，由線性回歸趨勢分析計算得到；n——統(tǒng)計總年份，本文n為21。

2 結果與分析

2.1 NEP 估算精度驗證

將本研究估算的NEP 結果與以往研究中公開的NEP 實測數(shù)據(jù)進行相關性分析、顯著性檢驗，對比分析如圖2 所示。在2011－2012 年和2017－2019年間，NEP 模擬值與武夷山、云霄通量站渦度相關實測值相近，r2達到了0.839（P=0.010），接近1?1線，說明該估算方法在福建省具有一定的適用性，可以用來進行該區(qū)域NEP 的估算。

圖2 NEP 估算結果與已有研究的觀測資料對比Figure 2 Comparison between simulated NEP and existing research observation data

2.2 環(huán)境及社會因子空間分布特征

通過繪制福建省森林地區(qū)環(huán)境及社會因子2000－2020 年的平均空間分布圖來觀察各因子在空間方位上的分布，由圖3 可知各因子的分布特征具有明顯的空間異質性。DEM 分布區(qū)間為1－2 130 m，高值區(qū)位于武夷山脈、鷲峰山脈、戴云山脈、玳瑁山脈、博平嶺等5 大山脈，低值區(qū)主要位于南平中南部及沿海地區(qū)；多年平均NDVI 的區(qū)域最大值和最小值分別為0.831 和0.110，高值區(qū)主要分布于福州、龍巖市、南平的武夷山，以及莆田和泉州市的交界處；Rad 的分布區(qū)間為118－140 W·m?2，呈現(xiàn)“南高北低”的空間分布特征；Ta 在11.7－22.8 ℃之間，南部高于北部，最低出現(xiàn)在泉州市九仙山；森林地區(qū)多年平均Pre 為1 440－1 990 mm，空間分布為“北高南低”；每平方公里的GDP 和POP主要呈現(xiàn)“東高西低”的空間分布，東部GDP 在400 萬元以上，POP 在400 人以上，而西部地區(qū)GDP集中在200 萬－400 萬元，POP 低于200 人。

圖3 2000－2020 年福建省森林環(huán)境及社會因子的空間分布Figure 3 Spatial distribution of forest environment and social factors in Fujian Province from 2000 to 2020

2.3 森林NEP 的時空分布及變化趨勢

2.3.1 NEP 的年際變化特征

如圖4 可知，2000－2020 年福建省森林地區(qū)總體表現(xiàn)為穩(wěn)定碳匯，多年年均NEP 為528 g·m?2，最小值出現(xiàn)在2003 年（449 g·m?2），最大值出現(xiàn)在2018 年（634 g·m?2）。研究期間NEP 呈現(xiàn)波動上升的變化趨勢，雖然2019 年NEP 出現(xiàn)急劇下降趨勢，但碳匯強度總體表現(xiàn)為極顯著的增強趨勢（P=0.006），21 年間的線性趨勢變化率為 4.65 g·m?2·a?1。

圖4 2000－2020 年福建省森林NEP 平均值的年際變化Figure 4 Inter-annual variation of forest NEP in Fujian Province from 2000 to 2020

2.3.2 NEP 的空間變化特征

根據(jù)等間距法將NEP 和其變化率劃分為不同等級。NEP<0 g·m?2為低值區(qū)，0600 g·m?2為高值區(qū)；NEP 的變化率8 g·m?2·a?1為高增幅區(qū)。

2000 年和2020 年福建省森林NEP 的空間分布如圖5 所示，NEP 的空間分布具有明顯的異質性，呈現(xiàn)“南高北低”的空間分布規(guī)律（圖5a、b）。高值主要分布在福建南部的內陸地區(qū)，低值主要分布在中北部和南部沿海地區(qū)。與2000 年比，2020 年NEP 高值區(qū)（>600 g·m?2）增長46.8%，主要位于福建省的南部內陸地區(qū)；中高值區(qū)（400－600 g·m?2）、中值區(qū)（200－400 g·m?2）和中低值區(qū)（0－200 g·m?2）分別下降了26.0%、20.5%和0.5%；NEP 低值區(qū)在2000 年和2020 年（<0 g·m?2）占比均較低，2000－2020 年增長了0.2%，主要位于東部沿海地區(qū)。

圖5 福建省森林NEP 及其變化狀況的空間分布Figure 5 Spatial distribution of forest NEP and its changes in Fujian Province

趨勢分析（圖5c）表明，NEP 以較高幅度增加（4－8 g·m?2·a?1）為主，占總面積的46.1%；NEP的低增幅區(qū)（0－4 g·m?2·a?1）、高增幅區(qū)（>8 g·m?2·a?1）分別占33.6%和13.6%，高增幅區(qū)主要分布在福建省的中部偏西南地區(qū)；NEP 的減少區(qū)域占6.7%，在區(qū)域內零星分布。圖5d 為變化趨勢及顯著性的空間分布，福建省內93.3%的森林NEP 呈上升趨勢，48.3%的森林NEP 呈顯著上升趨勢，其中29.1%的森林NEP 呈極顯著上升趨勢。福建省森林地區(qū)只有6.7%的區(qū)域呈下降趨勢，其中1.0%的區(qū)域通過顯著性檢驗，主要分布在城市周邊、寧德市西部及莆田市西部地區(qū)。

2.3.3 不同地市NEP、總量及變化特征

表3 給出了2020－2020 年福建省各地級市的森林NEP 情況，各地級市森林均發(fā)揮碳匯功能，且均有不同程度的增強趨勢。由表可知，福建省多年均森林NEP 為528 g·m?2，最高為莆田市（561 g·m?2），最低為南平市（504 g·m?2）；全省森林NEP年總量為35.07 Tg，各地級市中南平市最高（7.58 Tg），廈門市最低（0.21 Tg）；全省森林NEP 平均上升速率為4.65 g·m?2·a?1，泉州市上升最快（5.45 g·m?2·a?1），廈門市上升最慢（1.84 g·m?2·a?1）。

表3 2000－2020 年福建省各行政區(qū)森林NEP、NEP 總量和變化趨勢統(tǒng)計Table 3 Statistics on total forest NEP and change trend in various administrative districts of Fujian Province from 2000 to 2020

2.4 福建省森林NEP 的影響因子分析

2.4.1 因子影響力探測

為探究福建省森林NEP 變化的影響因子，選取7 種環(huán)境與社會因子并對其進行地理探測器分析，探測篩選NEP 空間分異的主要影響因子。結果如圖6 所示，NEP 的空間分布差異受到植被、地形、氣象和社會經濟因子的共同作用，不同的影響因子對NEP 的解釋力存在顯著差異，Q值排序為NDVI>DEM>Rad>Pre>POP>GDP>Ta。NDVI 是影響福建省森林NEP 的主導因子，其Q值為0.805，對NEP的解釋力達到80.5%；其次是DEM，Q值為0.223，對NEP 的解釋力為22.3%；氣象因子中，Rad 對NEP 的空間分異影響較強，解釋力為6.3%，而Pre和Ta 對NEP 的解釋力小于5%；社會經濟因子（GDP、POP）對福建省森林NEP 的影響較小。

圖6 福建省森林NEP 的影響因子探測結果Figure 6 Detection results of forest NEP impact factor in Fujian Province

2.4.2 影響因子交互作用探測

交互探測器的結果如表4 所示，成對因子的Q值均大于單個因子的Q值，這表明兩個因素的相互作用增強了對福建省森林生態(tài)系統(tǒng)NEP 的影響，同時說明了福建省森林NEP 的空間分異受到不同影響因子的協(xié)同作用。NDVI 與Rad 的交互作用對NEP 解釋力最強，為84.6%，其次是NDVI 與降水的交互作用（84.0%）；在21 組相互作用中，11 組為線性增強，10 組為非線性增強，非線性增強均發(fā)生在氣象因子與其他因子的協(xié)同作用上，其中Ta與其他因子的協(xié)同作用均表現(xiàn)為非線性增強，說明Ta 對NEP 的影響體現(xiàn)在與其他因子的相互影響上，是不可忽略的。

表4 影響因子交互作用探測結果Table 4 Detection results of influence factor interaction

2.4.3 NEP 空間分布對高影響因子的響應

NDVI、DEM 和Rad 是驅動福建森林NEP 區(qū)域分異的高影響因子（圖6），圖7 顯示了NEP 對高影響因子的響應特征，NEP 對不同因子的響應特征有明顯差異。NEP 隨NDVI 的增高而明顯上升，在NDVI<0.47 時最小（97.5 g·m?2），在NDVI>0.76時NEP 最大（637 g·m?2）；NEP 隨DEM 的增高而上升，但當DEM>1491 m 時NEP 有明顯下降，DEM<333 m 時 NEP 最?。?459 g·m?2），891

圖7 福建省森林NEP 對高影響因子變化的響應Figure 7 Response of forest NEP in Fujian Province to changes of high impact factors

2.4.4 NEP 時間變化的影響因子

2000－2020 年NDVI、Rad、Pre 和Ta 對NEP時間變化的敏感性和貢獻率如表5 所示，NEP 對NDVI 的變化最敏感，且NDVI 多年相對變化率最明顯，故NDVI 貢獻率最高。根據(jù)逐步回歸模型（r2=0.467，P=0.010），四要素對NEP 的解釋程度為46.7%，貢獻率絕對值排序為NDVI>Rad>Pre>Ta，說明NDVI 的升高是NEP 多年變化的主導因素，其次，Rad、Pre 和Ta 的變化均對NEP 的上升趨勢起到了負抑制作用，但負貢獻較低。

表5 NEP 時間變化影響因子的敏感性和貢獻率Table 5 Sensitivity and contribution rate of NEP time change influence factors

3 討論

3.1 福建省森林NEP 時間變化的主要影響因子

福建省森林林齡大多低于40 歲（Zhang et al.，2017），正處于固碳能力的強盛時期（Wang et al.，2011）。近20 年來福建省森林表現(xiàn)出穩(wěn)定的碳匯能力，NEP 略大于浙江省森林（442 g·m?2）和海南省森林（483 g·m?2）（Mao et al.，2022；劉應帥等，2022）。

亞熱帶季風氣候為福建帶來了充足的水熱條件，而植被覆蓋率的提高有助于更好的利用這些氣候資源，其對光合作用的促進大于呼吸作用，最終促使NEP 上升（Chen et al.，2019），福建省森林NEP 的顯著上升趨勢取決于森林植被覆蓋度的提高（表5），說明福建省國家森林公園、自然保護區(qū)的建設對保護森林碳匯功能具有重要意義（趙寧等，2021）。值得關注的是，近年來福建省氣象因子的變化均對森林NEP 產生了一定的抑制作用（表5），原因可能在于氣象因子的變化對呼吸和光合作用的影響強度存在差異（朱萬澤，2013）：研究表明，氣溫升高會導致光合和呼吸作用的增強，溫帶、寒帶森林生態(tài)系統(tǒng)的呼吸過程具備較強的溫度適應能力，氣候變化對光合作用的促進足以彌補增加的生態(tài)系統(tǒng)呼吸消耗（Atkin et al.，2008；Maseyk et al.，2008），但亞熱帶森林生態(tài)系統(tǒng)呼吸對溫度升高的敏感性要高于光合作用，故氣溫升高將對亞熱帶森林NEP 表現(xiàn)出負貢獻（Piao et al.，2010）；另外，降水增多和輻射降低往往伴隨發(fā)生，在干旱地區(qū)可以補充植被所需水分而有利于植被固碳，但在亞熱帶濕潤地區(qū)會引起可利用能量的減少，導致植被的生產力降低，更多的碳水化合物被用于植被呼吸，碳利用效率降低（朱萬澤，2013），不利于森林的凈碳吸收。目前，植被覆蓋度的提升能夠彌補氣候變化對森林NEP 產生的負抑制作用；但在未來，森林NEP 可能由于氣候變化和林齡增加而出現(xiàn)下降（Mao et al.，2022）。

影響因子方面，植被和氣象因子僅能解釋福建森林NEP 年際變化的46.7%，不確定性可能來源于營養(yǎng)元素，由于缺少長時間觀測數(shù)據(jù)，本文未考慮二氧化碳、硫和氮元素對福建森林的施肥效應，而碳、硫和氮元素作為關鍵的植物養(yǎng)分，其變化是導致植被變綠的主要原因之一，其沉積作用可能對森林NEP 產生實質性影響（Chen et al.，2019；Wang et al.，2022b）。

3.2 福建省森林NEP 空間分異的主要影響因子

NEP 的空間分布可能受到諸多因子包括氣候因子、地形地勢、植被結構、土地利用和人類活動等影響（Chen et al.，2015；Wang et al.，2022a）。本文聚焦福建省穩(wěn)定森林生態(tài)系統(tǒng)，發(fā)現(xiàn)植被因子對NEP 具有主導作用，與Barr et al.（2004）針對加拿大森林生態(tài)系統(tǒng)的研究一致，高NDVI 代表著植被群落能夠參與光合作用的有效面積越多，有利于生態(tài)系統(tǒng)充分利用能量與物質進行碳吸收。本研究顯示氣象條件對NEP 的影響相對較弱，可能是由于氣象因子對GPP 和Re 有相似的影響（周慧敏，2021），兩部分的相似性在相減計算NEP 時相互抵消，從而削弱了氣象因子對NEP 空間分異的影響。

DEM 和Rad 是重要的地形與氣候影響因子（圖7b、c）：福建地形起伏多變，DEM 的不同會導致溫度、土壤類型等的差異，改變了群落的垂直結構進而影響森林NEP。中高海拔地區(qū)適宜的環(huán)境條件以及較少的人類活動均有利于植被進行光合作用（江洪等，2021），低緯度地區(qū)人類活動較強，不利于植被活動，而過高的海拔不適宜常綠林的生長，優(yōu)勢植被類型轉為常綠闊葉落葉混交林和中山矮林（李振基等，2021），生長季長度和冠層高度影響了碳吸收，因此NEP 在中高海拔達到最大值；Rad 為光合作用提供能量，充足的輻射條件有利于碳吸收，但過多的太陽輻射不能被植被有效利用（周立國等，2017），反而會引起冠層表面溫度升高，增強植被和土壤的呼吸作用而使NEP 下降（Lloyd et al.，1994；Duffy et al.，2021），福建森林NEP 具有明顯的“輻射適宜區(qū)”，在未來值得進一步深入研究。

4 結論

本研究采用TEC 模型和生態(tài)系統(tǒng)呼吸模型，給出了福建省森林NEP 的時空分布特征，并量化分析了其對氣候、植被、社會、地形因子的響應，探究了福建省森林NEP 時空變化的驅動因子，得出以下主要結論：

2000－2020年間，福建省森林NEP在449－634 g·m?2之間，呈極顯著的增強趨勢；從空間分布上看，NEP 高值主要分布在福建南部的內陸地區(qū)等高植被覆蓋的區(qū)域，低值主要分布在中北部和南部沿海等低植被覆蓋的區(qū)域。福建省森林NEP 的空間分異主要受到植被、地形和氣象要素的影響，其中歸一化植被指數(shù)是主要驅動因子，其次是高程和太陽輻射；各驅動因子間的交互作用均強于單一因子對碳儲量空間分異的影響，其中歸一化植被指數(shù)與太陽輻射的協(xié)同作用能力最強。福建省森林NEP 的時間變化受到植被和氣象要素變化的綜合影響；其顯著上升趨勢主要取決于森林植被覆蓋度的提高，而近年來氣象條件的變化對福建省森林NEP 的增長趨勢有不利影響。

植被覆蓋狀況是福建省森林NEP 時空變化的決定因子，同時地形和氣象因子也是其重要影響因子。未來在福建省森林地區(qū)進行“雙碳建設”時，應綜合考慮各因素對福建省森林固碳產生的影響；建立自然生態(tài)保護區(qū)，在水分適宜的情況下進行林業(yè)結構調整，種植高覆蓋率的林種，優(yōu)化福建省森林植被覆蓋情況；科學規(guī)劃與利用適宜種植區(qū)域，提高植被應對氣候變化的能力，發(fā)揮輻射、海拔條件適宜區(qū)的環(huán)境優(yōu)勢，更有效的利用氣候資源。