EN中文

地理学报 >

2025 , Vol. 80 >Issue 1: 183 - 199

DOI: https://doi.org/10.11821/dlxb202501012

生态人居

未来气候变化情景下浙江省陆地生态系统碳汇估算与保护区识别

  • 王田雨 , 1, 2 ,
  • 岳文泽 , 1 ,
  • 黄波 2 ,
  • 钟鹏宇 1
展开
  • 1.浙江大学公共管理学院，杭州 310058
  • 2.香港大学地理系，香港 999077
岳文泽(1977-), 男, 安徽凤台人, 博士, 教授, 博士生导师, 主要研究方向为空间规划与治理。E-mail:

王田雨(1995-), 女, 山东诸城人, 博士, 主要研究方向为国土空间规划。E-mail:

收稿日期: 2023-12-19

  修回日期: 2024-11-17

  网络出版日期: 2025-01-21

基金资助

国家社会科学基金重大项目(21ZDA064)

收起

Estimation of terrestrial ecosystem carbon sinks and identification of carbon sink conservation areas under future climate change scenarios: A case study of Zhejiang province

  • WANG Tianyu , 1, 2 ,
  • YUE Wenze , 1 ,
  • HUANG Bo 2 ,
  • ZHONG Pengyu 1
Expand
  • 1. School of Public Affairs, Zhejiang University, Hangzhou 310058, China
  • 2. Department of Geography, University of Hong Kong, Hong Kong 999077, China

Received date: 2023-12-19

  Revised date: 2024-11-17

  Online published: 2025-01-21

Supported by

Major Program of National Social Science Foundation of China(21ZDA064)

Fold

摘要

通过优化国土空间布局促进陆地生态系统减排增汇，从而推动碳中和目标实现是切实可行的方案。然而，如何在区域尺度上精确识别陆地生态系统碳汇水平及其空间分异特征，继而采取有效的国土空间开发保护调控措施，还存在许多尚未解决的问题。为此，本文以浙江省为例，采用集成生物圈模型（IBIS），实现公里网格精度下陆地生态系统碳汇模拟，并且基于未来不同气候变化情景下的模拟结果，识别并划定了碳汇保护区空间范围。结果表明，碳汇保护区内陆地生态系统固碳优势明显，其内部林地、灌木和草地系统的单位面积净生态系统生产力（NEP）均值分别比外部同类生态系统NEP值高出15%、10%和5%左右。当面临中等及以上社会脆弱性以及辐射强迫情景时，碳汇保护区固碳优势进一步提升。此外，通过将碳汇保护区与研究区现有生态保护红线进行比较，发现有超过一半的区域尚未被纳入生态保护红线范畴。相较于生态保护红线，碳汇保护区范围内的NEP总量每年预计将高出超过7 MtC，同时林地平均碳汇效率高出15~22 gC/m2。本文定量化研究了在国土空间格局优化及现有生态保护红线制度中，加入并强化生态系统碳汇功能考量的重要性和必要性，并提出相应的政策建议。

关键词： 碳中和; 国土空间规划; 陆地生态系统碳循环; 生态系统过程模型; 林地碳汇; 生态保护红线

本文引用格式

王田雨 , 岳文泽 , 黄波 , 钟鹏宇 . 未来气候变化情景下浙江省陆地生态系统碳汇估算与保护区识别[J]. 地理学报, 2025 , 80(1) : 183 -199 . DOI: 10.11821/dlxb202501012

Abstract

Enhancing the carbon sequestration capabilities of terrestrial ecosystems by optimizing territorial spatial layout is a feasible approach to achieving the "carbon neutrality" goals. However, accurately identifying and characterizing the spatial differentiation of terrestrial ecosystem carbon sinks on a regional scale remains a challenge. As a result, effective territorial spatial management measures have yet to be established. To address this issue, this study uses Zhejiang province as an example, employing the Integrated Biosphere Simulator (IBIS) to simulate terrestrial ecosystem carbon sinks at 1-km grid resolution. Based on simulation results under different future climate change scenarios, we identify and delineate carbon sink conservation areas with adaptive features in response to climate change. The analysis results show that terrestrial ecosystems within carbon sink conservation areas exhibit a significant carbon sequestration advantage. Within these areas, the average Net Ecosystem Productivity (NEP) per unit area of forests, shrubs, and grasslands exceeds approximately 15%, 10%, and 5%, respectively. Under medium to high social vulnerability and radiative forcing scenarios, the carbon sequestration advantage of the terrestrial ecosystems within carbon sink conservation areas is further amplified. Additionally, by contrasting the carbon sink conservation areas with the existing Ecological Conservation Redline (ECR) in the study region, it is discovered that more than half of the areas have not yet been incorporated into the ECR. In comparison to the ECR, it is estimated that the total Net Ecosystem Productivity (NEP) within the carbon sink conservation areas is over 7 MtC annually, with the average carbon sequestration efficiency of forested regions surpassing the ECR by 15-22 g C/m2. This study underscores the importance and necessity of integrating and enhancing the consideration of ecosystem carbon sink function in optimizing territorial spatial patterns and existing ECR systems from a quantitative standpoint. Furthermore, we put forward corresponding policy recommendations.

Key words： carbon neutrality; territorial spatial planning; terrestrial ecosystem carbon cycle; ecosystem process model; forest carbon sink; ecological conservation redline

1 引言

作为目前最主要的碳汇来源，陆地生态系统对全球碳中和目标的实现至关重要[1⇓-3]。土地利用变化是陆地生态系统碳循环最直接的人为驱动因素之一[4]。长期以来，土地利用变化对陆地生态系统碳汇功能所带来的负面影响不容忽视[5⇓-7]。1850—2021年全球由土地利用变化所造成的碳排放规模仅次于化石燃料燃烧，约为人为碳排放总量的1/3，其中，森林损毁和不透水面扩张是导致全球陆地生态系统碳损失以及碳汇能力降低的两种最显著的土地利用变化方式[8]。“力争于2030年前达到峰值，努力争取2060年前实现碳中和”是党中央和国家作出的重大决策，事关中华民族永续发展与构建人类命运共同体。为此，如何在国土空间规划体系重构背景下，以陆地生态系统固碳增汇为目标，统筹土地资源保护与合理开发，保障和提升未来区域陆地生态系统固碳潜力，具有其紧迫性和重要意义。
然而，当前以维护陆地生态系统碳汇功能为目标导向的国土空间布局优化研究仍处于起步阶段，已有研究多聚焦于森林、草原等单一类型自然系统，缺乏全局性空间优化理念[9⇓-11]。在实践方面，国际上围绕陆地生态系统开展的举措主要表现为自然保护区和环境敏感区等关键区域的识别和严格保护[12]。在此基础之上，中国发展形成了“生态保护红线”制度，将生态系统的完整性和生态功能的多样性考虑在内，旨在以“一条红线管到底”[13⇓-15]。需要指出的是，上述政策工具多从保护性视角出发，致力于维护生态系统自然风貌及其动态平衡，忽视了陆地生态系统碳汇功能，更缺乏面向碳汇功能优化的空间干预措施。例如，生态保护红线主要根据水源涵养、水土保持、防风固沙、生物多样性维护等功能所划定，而碳汇功能则尚未被纳入红线区划定的主要依据[16-17]。
究其原因，主要在于陆地生态系统碳汇估算模型的尺度敏感性以及碳汇扰动因素的复杂性。首先，陆地生态系统碳汇估算方法普遍面临空间尺度与粒度的权衡，意味着在区域尺度上以较为精细化的方式科学认知陆地生态系统碳汇功能具有一定的挑战性[18]。例如，传统的样地清查方法以及生态系统碳通量监测方法（以涡度相关法最为常见）可以实现特定地点陆地生态系统碳汇水平的精确测算，但受制于样点及观测站点数量，导致该类方法在进行大尺度连续空间范围的碳汇测算时存在较大不确定性[19-20]；大气成分监测与大气反演方法能够实时获取全球范围内的陆地碳汇容量，但结果的空间分辨率较低，且大气传输模型由于大气状态的复杂性而存在较大不确定性[21]；相比之下，生态系统过程模拟模型具有较大潜力实现大尺度覆盖范围下陆地碳汇分布情况的精细化模拟，但模型有赖于大量的输入数据，包括植被、土壤、气候等信息，数据的质量直接影响模型结果的精度和可靠性[22⇓-24]。
其次，陆地生态系统碳汇功能除了受到植被生长/演替及其立地条件等因素影响外，还受到气候因素的干扰。已有研究表明，长期持续的全球气候变化将对植被分布及其碳汇功能产生重大影响[25]。气候变化通过影响NPP增长和土壤呼吸速率改变植被和土壤碳贮存规模及效率，同时对凋落物产量和分解率也会产生影响[26]。具体而言，气温升高、降水减少以及降水季节性变化都可能导致植被生物量的减少[27-28]。因此，以陆地生态系统固碳增汇为目标导向的国土空间布局优化策略的制定，需充分考虑气候变化可能带来的区域陆地碳汇水平变化及其空间分布规律的改变，以便采取更加合理的空间治理策略。
为此，本文选取浙江省为研究范围，以公里网格为最小单元，采用集成生物圈模型（Integrated Biosphere Simulator, IBIS）模拟未来不同气候情景下陆地生态系统碳汇分布特征，据此提出有效适应于气候变化的国土空间布局优化策略，并以定量化方式评估优化策略对维护陆地生态系统碳汇的作用程度，以期为陆地生态系统固碳增汇导向下的国土空间开发保护格局构建提供科学依据。

2 数据与方法

2.1 研究区

本文的案例区浙江省地处中国东南沿海长江三角洲南翼（27°02′N~31°11′N、118°01′E~123°10′E），东临东海，南接福建，西连江西与安徽，北通上海和江苏（图1）。地处亚热带中部，季风显著，四季分明，年气温适中，雨量丰沛，空气湿润，雨热季节变化同步，为陆地植被生长提供了良好的自然条件。在新一轮国土空间规划阶段（2021—2035年），浙江省肩负经济社会和生态环境相协调、可持续、高质量发展的重要使命。因此，选择该地区作为本文案例区具有较大示范性和实践意义。
图1 研究区地理位置区位

Fig. 1 The geographic location of Zhejiang province, eastern China

2.2 研究方法

2.2.1 基于IBIS模型的陆地生态系统碳汇估算

本文选择集成生物圈模型（Integrated Biosphere Simulator, IBIS）开展研究区陆地生态系统碳汇的估算。该模型由美国威斯康星大学Foley等研制，不仅涉及植被自身生理特征的生态过程模拟，还集成了生物物理、水文、大气等其他生态学过程，能够模拟植物—土壤—大气系统能量交换和水碳氮耦合循环及其对环境变化的响应和适应，从而较为深入地体现陆地生态系统碳循环的复杂过程[29-30]。模型主要由4个子模块构成，包括陆面过程模块、植被物候模块、地下碳氮循环模块和植被动态模块，各个模块所包含的计算公式及模型运行机制参考Foley等[31]中的描述。本文所采用的是国内学者国庆喜等本土化改造后的IBIS模型[32]，改造后的模型融合了GIS等技术，允许使用GIS工具对模型输入数据及输出结果进行空间分析及处理（例如，结合GIS技术生成空间连续且统一空间分辨率的海拔、土壤质地、植被类型等栅格数据集，可直接作为模型的输入数据），模型的改进极大提升了在精细化尺度上开展区域陆地生态系统碳汇模拟的效率，同时模型模拟结果被证明具有较高的准确度[33⇓-35]。
模型模拟可以得到多个碳通量结果，其中净生态系统生产力（Net Ecosystem Productivity, NEP）是指植被净初级生产力中减去异养生物呼吸消耗（土壤呼吸）之后的剩余部分，反映了陆地生态系统与大气之间碳交换的情况，因而本文主要围绕NEP这一指标展开分析，模型输出NEP结果以年为单位。

2.2.2 基于热点聚类分析的碳汇保护区识别

空间聚类分析方法能够以定量化方式反映某种要素在空间上的分布规律，从而有助于开展集中化、针对性的管理措施[36]。为此，本文采用空间聚类方法中的热点分析方法进行碳汇保护区识别的研究。热点分析法采用英国数学家Getis等于1992年提出的局部关联指数（Getis-Ord Gi*）来进行分析[37]。这种分析方法是针对于全局莫兰指数（Global Moran's I）统计没有正确揭示的空间独立性而发展起来的一种局部空间自相关的判定模式。它通过对输入数据集中的每一个要素计算，得到高值或低值要素在何处发生了聚类及其聚集的密集程度。在计算过程中，要素之间的距离是关键性参数。考虑到本文是以公里网格作为最小研究单元，因而将聚类分析的距离度量设置为固定距离1.5 km，在确保每个要素至少拥有一个相邻要素的同时尽可能减小分析结果的空间破碎化程度。
Getis-Ord Gi*的数学计算公式如下：
G i * = ∑ j = 1 n ω i ,   j x j - X - ∑ j = 1 n ω i ,   j S n ∑ j = 1 n ω i ,   j 2 - ∑ j = 1 n ω i ,   j 2 n - 1
式中： x j是要素 j的属性值； ω i ,   j是要素 i和 j的空间权重； n为要素总数； X -是所有要素属性值的平均值； S是属性值的标准差，两者计算公式如：
X - = ∑ j = 1 n x j n
S = ∑ j = 1 n x j 2 n - X - 2
每个要素返回的Gi*统计就是z得分。对于具有显著统计学意义的正值z得分，z得分越高，高值聚类越紧密；相反，对于具有显著统计学意义的负值z得分，z得分越低，低值聚类就越紧密。
采用ArcGIS Pro中的热点分析工具，首先分别针对SSP126、SSP245、SSP370和SSP585 4种气候情景，在排除NEP为零的空间单元后，初步识别碳汇高值聚类区域（置信度设置为90%以上）；接下来，对4种气候情景下所识别出的碳汇高值聚类区块进行空间叠加与合并分析，并剔除图层中的破碎化斑块（斑块面积< 2 km2），由此最终得到面向未来气候变化的碳汇保护区空间分布情况。

2.2.3 碳汇保护区内陆地生态系统固碳优势分析

为了评估碳汇保护区划定的合理性，研究进一步对碳汇保护区内陆地生态系统固碳优势展开评估。固碳优势体现在未来土地利用变化背景下，相较于未采取这一碳汇保护策略而言能够减少的碳损失，本文采用保护区内外陆地生态系统碳汇效率（即单位面积NEP值）的差异化程度来实现定量化表征，具体包括绝对优势（AS）和相对优势（RS）两个指标。考虑未来可能面临的气候变化情景，对不同类型生态系统展开具体分析。绝对优势是指保护区内陆地生态系统单位面积NEP均值高出保护区外的实际值，可直接表明特定气候情景下碳汇保护区内某一种生态系统类型的固碳优势；相对优势以绝对优势值与保护区范围外单位面积NEP均值的比值加以表征，能够实现不同生态系统类型之间的比较分析。两者的计算公式如下：
A S n ,   m = I n ,   m - E n ,   m
R S n ,   m = A S n ,   m E n ,   m × 100 %
式中： I和 E分别代表碳汇保护区内部和外部单位面积陆地生态系统NEP均值；n代表4种未来气候情景（SSP126、SSP245、SSP370、SSP585）；m代表3种生态系统类型（林地、灌木和草地）； A S n ,   m和 R S n ,   m分别表征当处于第n种气候情景时，碳汇保护区内第m类生态系统的固碳优势绝对值和相对值。

2.3 数据来源及预处理

2.3.1 IBIS模型输入数据

模型模拟陆地植被碳循环过程所需的高程数据采用中国科学院资源环境科学数据中心（https://www.resdc.cn/）提供的全国DEM 1 km分辨率数据。该数据集来源于美国奋进号航天飞机的雷达地形测绘SRTM（Shuttle Radar Topography Mission, SRTM）数据，基于最新的SRTM V4.1数据经重采样生成，数据采用WGS84椭球投影。土壤数据采用国家地球系统科学数据中心（http://www.geodata.cn/）提供的全国1 km分辨率土壤质地类型图。该数据集是基于2010—2018全国土系调查数据，采用地理加权回归、随机森林等数字土壤制图方法生成，包含6层土壤剖面（从顶部到底端分别是5 cm、15 cm、30 cm、60 cm、100 cm和200 cm）中的土壤质地。土壤质地的机械组成划分使用美国制标准（粘粒< 0.002 mm；粉粒0.002~0.050 mm；砂粒0.050~2.000 mm）。植被功能型（Plant Functional Types, PFTs）数据，采用国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）提供的全国1 km分辨率的植物功能型分布数据。该数据集是基于Bonan等于2002年提出的土地覆盖与植物功能型转换的气候规则[38]，对MICLCover土地覆盖图进行转换所得到的2000年中国地域范围内植物功能型分布图[39]。植被参数数据包含浙江省域覆盖范围内7种植被功能型，温带常绿阔叶、温带常绿针叶、温带落叶阔叶、温带落叶针叶、常绿灌木、落叶灌木和C3草地。对应植被功能型参数（包括Vmax、比叶面积、叶根干转换时间常数、叶碳分配、根碳分配）和植被生理学参数等参考Yuan等研究[40]。此外，叶面积指数来自MOD15A2H.061数据集（https://www.earthdata.nasa.gov/）。

2.3.2 气候数据

气候变量是IBIS模型运行的关键性驱动因子，本文所涉及的气候因子包括降水、地表气温、地表最高温、地表最低温、相对湿度和风速。本文采用国际耦合模式比较计划第六阶段（Coupled Model Intercomparison Project, CMIP6）基于BCC-CSM2-MR模型预测得到的未来情景试验数据，共包括4种不同情景SSP126、SSP245、SSP370和SSP585，不同情景代表着不同共享社会经济路径与不同辐射强迫的组合，分别代表可持续发展、中度发展、局部发展和常规发展4种路径，到2100年人为辐射强迫分别达到2.6 W/m2，4.5 W/m2 ，7.0 W/m2 和8.5W/m2 [41-42]。为服务于新一轮国土空间规划时期的国土空间布局优化策略选择，本文所选取的数据集时间段为2020—2035年。原始数据类型为Netcdf格式，空间分辨率为1.125°×1.125°，时间分辨率为日尺度。
针对上述CMIP6提供的不同气候情景下的气候因子数据，首先采用MATLAB R2022b工具对其进行提取分析，并对原始数据进行时间尺度上的转换，以获取2020—2035年各气象因子逐月数据；其次，在ArcGIS Pro中采用双线性插值方法对各气象因子数据进行降尺度处理，转换至1 km×1 km的栅格尺度，并进一步将其转换为IBIS模型要求的数据类型。最终得到未来4种气候情景下的气象数据集，用于IBIS模型对不同情景下陆地碳汇空间化模拟与比较研究。图2~图5展示了两种主要气候因子气温和降水的逐月变化以及空间分布情况。
图2 2020—2035年气候变化情景下浙江气温逐月均值

Fig. 2 The monthly temperature change curve in Zhejiang under future climate change scenarios in 2020-2035

图3 2020—2035年气候变化情景下浙江降水量月均值变化曲线

Fig. 3 The monthly precipitation change curve in Zhejiang under future climate change scenarios in 2020-2035

图4 2020—2035年气候变化情景下浙江年均气温空间分布

Fig. 4 Spatial distribution of the annual average temperature in Zhejiang under future climate change scenarios in 2020-2035

图5 2020—2035年气候变化情景下浙江年降水量空间分布

Fig. 5 Spatial distribution of the annual precipitation in Zhejiang under future climate change scenarios in 2020-2035

2.3.3 土地利用/覆被数据及其他辅助数据

由于植被功能型分布图是基于2000年的地表覆被情况绘制，可能无法匹配土地利用斑块快速变化的特征，因此本文采用2020年土地利用/覆被数据对其进行修正，该数据来自中国科学院资源环境数据中心（https://www.resdc.cn/），为1 km×1 km空间分辨率的栅格数据格式，土地利用类型包括25个二级地类。从中提取林地、灌木和草地3种用地类型。本文将林地、灌木、草地类型的土地利用栅格的提取信息和植被功能型分布信息相叠加，首先获取地类—植被类型空间范围及匹配情况，其次针对地类—植被类型不匹配的空间单元，以地类为基准，以距其最近的植被功能型来进行参数提取。如某斑块在土地利用栅格图中为林地类型，而在植被功能型分布图中显示为灌木或草地，同时距离该斑块最近的森林类型为温带落叶针叶林，则以此功能型作为植被类型的修正结果，避免植被类型与用地类型不匹配的情况。尽管耕地、湿地等同样被视为具有碳汇功能的地表覆被类型，但有关此类生态系统碳汇的测算尚未发展成熟，采用IBIS模型模拟缺乏统一的指标参数，因此本文暂不将其考虑在内。
研究数据集还包含浙江省及周边区域行政区划等矢量数据，均来源于中国科学院资源环境数据中心。此外，研究所涉及到的生态保护红线数据，来自于相关自然资源部门。

2.4 模型精度验证

基于生态系统过程模型的碳汇模拟结果存在一定程度的不确定性，通常需对模型模拟结果准确度进行科学判断，以确保其可信性。然而，由于缺乏对整个研究区域足够样本数量的实测数据，对模型进行全面有效的验证十分困难。因此，本文在开展精度验证时，并不追求斑块尺度的精确程度，而是更倾向于从研究区整体上把握模拟结果与实际相吻合的程度。为此，采用与其他已有研究成果对比分析的方式加以验证，且所选对比案例体现研究方法、尺度及气候带的多样性。此外，考虑到林地碳汇估算研究较为广泛与成熟，进一步选取本文关于林地系统NEP的估算结果开展对比分析。

3 结果与讨论

3.1 基于SSPs情景的陆地生态系统碳汇模拟结果

3.1.1 NEP值域特征和空间分布情况

IBIS模型的模拟结果表明，在SSP126、SSP245、SSP370和SSP585 4种气候情景下，浙江省陆地生态系统NEP均值分别为562.2 gC/m2、564.36 gC/m2、502.23 gC/m2和539.53 gC/m2；NEP总量分别为38.00 MtC/a、38.00 MtC/a、34.00 MtC/a和36.00 MtC/a，这表明SSP126和SSP245两种气候条件下，研究区陆地生态系统碳汇水平明显优于其他两种情景，SSP370情景下的陆地生态系统碳汇则总体上表现最差，从气候条件分析其成因，该情景下降水量明显低于其他3种情景，且这种趋势在6—8月份最为显著（图3）。
在未来4种气候情景下，NEP的频数高峰均出现在500~600 gC/m2左右（图6），该值反映了当地植被的普遍净生态系统生产能力。此外，在主要高峰两侧各出现了一个次高峰，但不同气候条件下次高峰出现的值域范围有所差异。在SSP126和SSP245两种情景下，NEP值大于500~600 gC/m2的次高峰发生在800 gC/m2左右，而在SSP370和SSP585两种情景下，该次高峰则发生在700 gC/m2左右。同样，就NEP值小于500~600 gC/m2的次高峰来看，前两种情景和后两种情景下该次高峰分别出现在400~500 gC/m2和300~400 gC/m2区间内。
图6 2020—2035年不同气候变化情景下浙江NEP值域频数分布直方图

Fig. 6 Histogram of the frequency distribution of NEP values under future climate change scenarios

浙江省域范围内碳汇来源主要来自西南部，该区域以山地为主，是森林生态系统广泛分布的区域（图7）。结合地级市尺度上的空间统计进一步分析，4种气候情景下NEP的空间分布规律相对一致，即位于西南部区域的丽水、杭州和温州，其年NEP总量占比超过50%，其中丽水贡献最为突出，浙江每年约有23%的陆地生态系统碳汇来源于该市。此外，金华、衢州、台州、绍兴和宁波对全省碳汇来源的贡献均在5%~10%之间。湖州、舟山和嘉兴的贡献度则均处于5%以下。
图7 2020—2035年不同气候变化情景下浙江NEP空间分布及地级市统计结果

Fig. 7 Spatial distribution of NEP on 1-km grid/city scale under future climate change scenarios in 2020-2035

3.1.2 区分生态系统类型的NEP特征

林地系统NEP值域范围明显高于灌木和草地生态系统，其NEP均值约为后两种生态系统类型NEP均值的1.6倍和3.8倍（图8）。此外，区域内林、灌、草生态系统的NEP均值最大值均出现在SSP245气候情景，其值分别约为598.54 gC/m2、371.13 gC/m2和159.44 gC/m2。SSP126气候情景下生态系统NEP值域分布与上述情景十分接近，总体上略小于SSP245情景。而在SSP370情景和SSP585情景下，各类生态系统碳汇水平均表现出显著降低的态势，基于SSP370气候情景模拟得到的NEP减小幅度最大。较之于SSP245情景，SSP370情景下林地NEP值减少69.00 gC/m2，灌木NEP值减少38.00 gC/m2，草地NEP值减少19.00 gC/m2；SSP585情景下林地、灌木和草地NEP值分别减少29.00 gC/m2、16.00 gC/m2和10.00 gC/m2。
图8 不同气候变化情景下各生态系统类型NEP分布值域

Fig. 8 Distribution of NEP values for terrestrial ecosystem types under different climate change scenarios

3.1.3 模拟结果精度分析

本文关于浙江林地NEP的估算结果总体上要高于全国及流域等大尺度研究的结果（表1），同时略高于位于其他气候带的东北地区和海南。当与相同省份或邻近省份（如福建）进行比较时，结果差距则较小，模型模拟均值介于其他研究高值和低值范围之间。上述分析表明，基于本文所采用的IBIS模型的模拟结果较为合理地反映了区域差异性，同时模拟误差维持在合理范围之内。因此，该模型能够保障区域尺度上陆地生态系统碳汇估算的精度，进而为固碳增汇导向下国土空间精细化治理策略的制定提供有力支撑。
表1 与已有文献林地碳汇估算结果的比较

Tab. 1 Comparative analysis of forest carbon sink estimations in relation to existing scholarly literature

地区 时间 方法 NEP(gC/m2) 文献
浙江省 2020—2035年 IBIS 529.54~598.54 本文
中国 2003—2012年 FORCCHN 252.51 [43]
中国 2003—2012年 实验观测 283.56 [43]
黄河流域 2020年 CASA 412.63 [44]
浙江省 2006年 CASA 400~625 [45]
福建省 2002年 实验观测 362~766 [46]
海南 1999—2018年 遥感监测 439.47~534.68 [47]
东北地区 2000—2015年 Biome-BGC 284.15 [48]
东北地区 2004—2005年 IBIS 400~740 [49]

3.2 碳汇保护区识别结果

适应于未来多种气候情景的碳汇保护区识别结果如图9所示，从数量规模上来看，识别出的碳汇保护区总面积为33227 km2，约占全省总面积的30%，占全域陆地生态系统总面积的55%；从空间分布上来看，碳汇保护区主要集中于浙西北和西南山区。以地级市为统计单位的结果为：① 丽水碳汇保护区面积为8507 km2，占全省保护区总面积的25.64%，同时约占丽水总面积的50%。这意味着在低碳化发展为导向的城镇化进程中，丽水市将在实现区域碳中和目标中发挥固碳增汇的重要作用。② 杭州境内也分布有较大面积的优质碳汇空间，碳汇保护区面积为8235 km2，占全省保护区总面积的24.82%，其行政区范围内有48%的区域被划入碳汇保护区。而作为浙江省会城市，杭州在未来城镇化进程中将承担相对其他区域更为艰巨的外来人口流入以及社会经济发展等任务。因此，需要更妥善地解决城镇化土地开发利用过程中经济发展与生态保护之间的关系，进一步优化土地利用空间布局模式。③ 宁波碳汇保护区面积仅为1757 km2，仅占全省保护区总面积的5%左右，是除舟山和嘉兴等行政面积较小的区域外，碳汇保护区占比最小的地级市，这使得宁波有望成为承接区域未来城镇化扩张的重要潜力区。
图9 浙江省碳汇保护区空间分布及地级市统计结果

Fig. 9 Spatial distribution of the carbon sink conservation areas in

3.3 碳汇保护区内陆地生态系统固碳优势评估

从定量化视角出发，进一步揭示碳汇保护区划定对研究区未来国土空间开发利用进程中陆地生态系统碳汇功能的影响，从而为相关国土空间格局优化策略的制定及现有政策工具的调整提供科学依据。

3.3.1 区分生态系统类型的固碳优势评估

在4种可供选择的气候情景下，保护区划定对于林地生态系统碳汇效率的区分最为明显，其次是灌木生态系统，最后是草地生态系统（图10）。具体而言，对于林地生态系统，碳汇保护区范围内各林地单元碳汇均值为560~640 gC/m2，而在碳汇保护区范围之外，其NEP值下降至490~560 gC/m2，碳汇效率相差75 gC/m2左右，同时相对固碳优势约为15%；就灌木生态系统而言，在碳汇保护区范畴内的灌木系统碳汇效率绝对优势值约为40 gC/m2，相对优势在10%左右，略小于林地生态系统；然而，对于草地生态系统，位于碳汇保护区范围内的部分固碳优势相对较小，仅比保护区外多出3~8 g C/m2，相对固碳优势在5%以下。
图10 浙江省碳汇保护区内不同类型生态系统的固碳优势

Fig. 10 Carbon sequestration advantages of different ecosystem types within the carbon sink conservation areas

3.3.2 不同气候情景下的固碳优势评估

林地生态系统的固碳优势在SSP245气候情景下表现最为突出，碳汇保护区内部林地单元NEP均值高出保护区外83.26 gC/m2（相对优势约为15%）；对于灌木生态系统，结果显示SSP370情景相较于其他3种情景优势最为显著，绝对固碳优势和相对固碳优势值分别为40.17 gC/m2和12%左右；对于草地生态系统而言，保护区内其固碳优势对不同气候条件的响应则无较大差异（图11）。值得一提的是，在所有类型生态系统中，碳汇保护区内陆地生态系统固碳优势最小的情景均发生在SSP126，表明在面临未来中等及以上社会脆弱性以及辐射强迫的情景时，碳汇保护区这一政策工具能够更有效地弥补现有低碳化发展策略的不足，在实现区域碳中和目标中发挥更大作用。
图11 碳汇保护区内生态系统固碳优势对不同气候变化情景的响应

Fig. 11 Response of ecosystem carbon sequestration advantages within the carbon sink conservation areas to different climate change scenarios

3.4 碳汇保护区与生态保护红线的固碳优势比较

对比分析碳汇保护区与生态保护红线区在不同气候情景下的碳固存总规模及其覆盖范围内的碳汇效率差异性表明，两者重叠面积为14118 km2，约占生态保护红线总面积的62%（图12）。对于碳汇保护区来说，约42%的区域已被包含在现有生态保护红线范围内，但仍有超过一半的高水平碳汇空间尚未被纳入规范化的保护范畴。
图12 浙江省碳汇保护区与生态保护红线区空间关系

Fig. 12 Spatial relationship between the carbon sink conservation areas and the ecological conservation redline zones

在各种气候情景下，与生态保护红线相比，本文识别出的碳汇保护区范围内的NEP总量每年预计将高出超过7 MtC（图13），尤其是在SSP245情景下，碳汇保护区内陆地生态系统的固碳优势性最为显著，预计每年将比现有生态保护红线区多固定约7.58 MtC。表2进一步揭示了两者在固碳效率方面的差异。对于林地生态系统，位于生态保护红线范围内的部分其单位NEP均值约为540~620 gC/m2，在4种对应的SSPs气候情景下均要低于碳汇保护区内林地碳汇水平均值，减少值约为15~25 gC/m2，碳汇保护区内林地单元的相对固碳优势在3%左右；对于灌木生态系统和草地生态系统，碳汇保护区相较于生态保护红线，陆地固碳优势相对较小，绝对固碳优势均处于10 gC/m2以下水平。
图13 浙江省碳汇保护区与生态保护红线区内陆地生态系统NEP总量统计

Fig. 13 Total NEP of terrestrial ecosystems within carbon sink conservation areas and ecological conservation redline zones

表2 浙江省碳汇保护区与生态保护红线区范围内陆地生态系统碳汇效率比较

Tab. 2 Comparison of the carbon sequestration efficiency of terrestrial ecosystems within the scope of the carbon sink conservation areas and the ecological conservation redline zones

气候变化情景 生态系统类型 NEP均值
碳汇保护区(gC/m2) 生态保护红线区(gC/m2) 绝对优势(gC/m2) 相对优势(%)
SSP126 林地 631.53 614.66 16.88 2.75
灌木 387.33 381.03 6.30 1.65
草地 158.00 154.69 3.32 2.14
SSP245 林地 639.03 617.80 21.23 3.44
灌木 399.86 390.30 9.56 2.45
草地 164.94 160.48 4.46 2.78
SSP370 林地 566.61 548.07 18.54 3.38
灌木 365.61 356.98 8.63 2.42
草地 146.87 141.83 5.03 3.55
SSP585 林地 608.87 587.07 21.80 3.71
灌木 385.80 375.84 9.96 2.65
草地 154.25 149.83 4.42 2.95

4 政策建议

4.1 提升生态系统碳汇保护优先级

新一轮国土空间规划肩负了推进人与自然和谐共生的新使命，为此本文提出将区域碳中和目标纳入生态保护红线制度并作为其核心职责之一。首先，在生态保护红线划定阶段，采用科学的碳汇估算方法和高分辨率空间数据，准确获取区域内陆地生态系统碳汇水平的空间分布情况，合理把握未来气候变化对生态系统碳汇功能的影响；第二，各级政府及相关部门应加大生态空间监测与评估力度，通过实时跟踪监测区域内陆地生态系统碳汇的空间分布，及时调整保护区范围，确保区域碳中和、生态环境保护等多重目标相一致；第三，将生态系统碳汇功能的巩固提升纳入生态保护修复工程与绩效评估当中，以充分发挥生态系统碳汇对生态保护修复的导向作用和倒逼机制，并重点强化区域内林地生态系统的固碳能力。

4.2 构建陆地生态系统碳汇跨行政区域协同治理机制

本文所识别出的碳汇保护区在空间上表现出明显的跨行政区特征，一定程度上反映了陆地碳汇空间与政府管理空间之间的错配关系。如浙江中部的衢州境内存在有多处集中连片的跨行政区碳汇保护区，其西北方向的保护区与杭州市保护区紧密相连，东北方向的碳汇保护区则与丽水相连；此外，金华南部也有部分保护区与丽水集中连片。因此，有必要在国土空间开发利用过程中建立跨区域协调治理机制，以解决生态系统的整体性与地方治理的局部性之间矛盾，防止“公地悲剧”发生。为此，建议在精准识别、合理确定碳汇保护合作区域范围的基础上，构建各治理主体权责对等、成本共担、利益共享的跨区域治理架构与分工协作机制，为碳汇资源整体性系统化维护提供有力制度保障。

4.3 推动多要素生态系统碳汇交易市场建设

碳汇保护区的划定及用途管制对于保护区域重要碳汇资源具有重要意义，然而保护区并不一定意味着停滞区，过于严格的保护政策会在一定程度上牺牲所在地区发展权。如本文中丽水市被划入碳汇保护区范围的面积高达到其市域总面积的50%，这一占比远高于其他城市。因此，建议将碳汇保护区作为基本交易单元，允许保护区内多要素碳汇资源打包进入自然资源市场交易体系，使其成为可交易资产，以经济补偿的方式弥补某些地区因生态系统碳汇保护而造成的发展权损失。与此同时，将其中部分收益用于重要碳汇空间的保护、修复与管理工作，从而逐步形成可持续的碳汇资源保护与管理模式。

5 结论

（1）浙江省陆地生态系统碳汇效应对未来不同气候情景的响应表现为：SSP126 ≈ SSP245 > SSP585 > SSP370。此外，不同生态系统类型的碳汇水平表现出较大差异。在4种可供选择的气候情景下，林地系统NEP均值为530~600 gC/m2，约为灌木和草地生态系统NEP值的1.6倍和3.8倍。
（2）浙江省陆地生态系统碳汇的主要来源相对集中地分布于西南地区，该区域以山地为主，是森林生态系统广泛分布的区域。主要包括丽水、杭州和温州，有超过一半的NEP来自上述3个地区，其中丽水碳汇总量最高，每年约为全省贡献23%的碳汇。
（3）本文所识别出的碳汇保护区面积约占全省总面积的30%，占全域陆地生态系统总面积的55%。碳汇保护区内林地固碳优势最为明显，其次是灌木生态系统，草地生态系统的固碳优势则较为微小。此外，碳汇保护区内陆地生态系统的固碳优势在SSP126情景时最小，凸显了其在未来中等及以上社会脆弱性以及辐射强迫情景时，所能发挥的作用潜力。
（4）碳汇保护区与现有生态保护红线区的对比分析表明，仍有超过一半的碳汇保护区在生态保护红线范畴之外，尚缺乏规范化的用途管制措施。碳汇保护区范围内的碳汇总规模每年预计将比生态保护红线区多出7 MtC左右；其内林地生态系统碳汇效率均值要比生态保护红线高出15~22 gC/m2，反映了在现有生态保护红线制度中加入碳汇保护因素考量的必要性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Keenan T F, Williams C A. The terrestrial carbon sink. Annual Review of Environment and Resources, 2018, 43: 219-243.

[2]
Piao S L, Fang J Y, Ciais P, et al. The carbon balance of terrestrial ecosystems in China. Nature, 2009, 458(7241): 1009-1013.

[3]
Yu Guirui, Zhu Jianxing, Xu Li, et al. Technological approaches to enhance ecosystem carbon sink in China: Nature-based solutions. Bulletin of Chinese Academy of Sciences, 2022, 37(4): 490-501.

[于贵瑞, 朱剑兴, 徐丽, 等. 中国生态系统碳汇功能提升的技术途径: 基于自然解决方案. 中国科学院院刊, 2022, 37(4): 490-501.]

[4]
Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850-2000. Tellus B: Chemical and Physical Meteorology, 2003, 55(2): 378-390.

[5]
Smith P, Bhogal A, Edgington P, et al. Consequences of feasible future agricultural land‐use change on soil organic carbon stocks and greenhouse gas emissions in Great Britain. Soil Use and Management, 2010, 26(4): 381-398.

[6]
Lai Li, Huang Xianjin. Carbon Emission Effect of Land Use in China. Nanjing: Nanjing University Press, 2011.

[赖力, 黄贤金. 中国土地利用的碳排放效应研究. 南京: 南京大学出版社, 2011.]

[7]
Qu Futian, Lu Na, Feng Shuyi. Effects of land use change on carbon emissions. China Population, Resources and Environment, 2011, 21(10): 76-83.

[曲福田, 卢娜, 冯淑怡. 土地利用变化对碳排放的影响. 中国人口·资源与环境, 2011, 21(10): 76-83.]

[8]
Ministry of Science and Technology. Global Ecological Environment Remote Sensing Monitoring Annual Report. http://www.nrscc.most.cn/, 2024-01-05.

[科技部. 全球生态环境遥感监测2023年度报告. http://www.nrscc.most.cn/, 2024-01-05.]

[9]
Huang Zhengxue, Qi Fan. Research on improving the system of terrestrial spatial use regulation. Macroeconomic Research, 2018(12): 93-103.

[黄征学, 祁帆. 完善国土空间用途管制制度研究. 宏观经济研究, 2018(12): 93-103.]

[10]
Pan Y D, Birdsey R A, Fang J Y, et al. A large and persistent carbon sink in the world's forests. Science, 2011, 333(6045): 988-993.

DOI PMID

[11]
Wei Y W, Yu D P, Lewis B J, et al. Forest carbon storage and tree carbon pool dynamics under natural forest protection program in northeastern China. Chinese Geographical Science, 2014, 24(4): 397-405.

[12]
Li Qiang, Sang Jiamou, Zhang Jian. From protected area delimitation to red line management: A review of the development of eco-spatial regulation at home and abroad. The Architect, 2020(1): 85-90.

[李强, 桑家眸, 张健. 从保护区划定到红线管理: 国内外生态空间管制发展综述. 建筑师, 2020(1): 85-90.]

[13]
Feng Lin, Lei Guoping. Research on the delineation and optimization of ecological protection redline based on the perspective of ecological security pattern in typical black soil areas of Northeast China. Journal of Natural Resources, 2024, 39(2): 426-445.

DOI

[冯琳, 雷国平. 基于生态安全格局的东北典型黑土区生态保护红线划定与优化. 自然资源学报, 2024, 39(2): 426-445.]

DOI

[14]
Xu Xibao, Ma Xiaowu, Yang Guishan. Optimizing ecological red line based on ecosystem integrity and connectivity: A case study of Yangtze River Delta. China Land Science, 2020, 34(5): 94-103.

[徐昔保, 马晓武, 杨桂山. 基于生态系统完整性与连通性的生态保护红线优化探讨: 以长三角为例. 中国土地科学, 2020, 34(5): 94-103.]

[15]
Yue Wenze, Xia Haoxuan, Wu Tong, et al. Spatio-temporal evolution of habitat quality and ecological red line assessment in Zhejiang province. Acta Ecologica Sinica, 2022, 42(15): 6406-6417.

[岳文泽, 夏皓轩, 吴桐, 等. 浙江省生境质量时空演变与生态红线评估. 生态学报, 2022, 42(15): 6406-6417.]

[16]
Ministry of Environmental Protection. Guidelines for Delineating Ecological Protection Red Lines. https://big5.mee.gov.cn/gate/big5/www.mee.gov.cn/gkml/hbb/bgt/201707/W020170728397753220005.pdf, 2017-05.

[环境保护部.生态保护红线划定指南. https://big5.mee.gov.cn/gate/big5/www.mee.gov.cn/gkml/hbb/bgt/201707/W020170728397753220005.pdf, 2017-05.]

[17]
Ministry of Environmental Protection. Technical Specification for Supervision of Ecological Conservation Redline: Baseline Investigation (on trial). 2019.

[环境保护部. 生态保护红线监管技术规范基础调查(试行). 2019.]

[18]
Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: Methods, progress and prospects. Science China Earth Sciences, 2022, 65(4): 641-651.

[19]
Fang J Y, Wang Z M. Forest biomass estimation at regional and global levels, with special reference to China's forest biomass. Ecological Research, 2001, 16(3): 587-592.

[20]
Massman W J, Lee X. Eddy covariance flux corrections and uncertainties in long-term studies of carbon and energy exchanges. Agricultural and Forest Meteorology, 2002, 113(1-4): 121-144.

[21]
Yang D X, Zhang H F, Liu Y, et al. Monitoring carbon dioxide from space: Retrieval algorithm and flux inversion based on GOSAT data and using CarbonTracker-China. Advances in Atmospheric Sciences, 2017, 34(8): 965-976.

[22]
Korzukhin M D, Ter-Mikaelian M T, Wagner R G. Process versus empirical models: Which approach for forest ecosystem management? Canadian Journal of Forest Research, 1996, 26(5): 879-887.

[23]
Turner D P, Ollinger S V, Kimball J S. Integrating remote sensing and ecosystem process models for landscape-to regional-scale analysis of the carbon cycle. BioScience, 2004, 54(6): 573-584.

[24]
Liu J X, Lu X H, Zhu Q A, et al. Terrestrial ecosystem modeling with IBIS: Progress and future vision. Journal of Resources and Ecology, 2022, 13(1): 2-16.

DOI

[25]
Brodie J F, Aslan C E, Rogers H S, et al. Secondary extinctions of biodiversity. Trends in Ecology & Evolution, 2014, 29(12): 664-672.

[26]
Nolan C, Overpeck J T, Allen J R M, et al. Past and future global transformation of terrestrial ecosystems under climate change. Science, 2018, 361(6405): 920-923.

DOI PMID

[27]
Kumar D, Pfeiffer M, Gaillard C, et al. Climate change and elevated CO2 favor forest over savanna under different future scenarios in South Asia. Biogeosciences, 2021, 18(9): 2957-2979.

[28]
Selmants P C, Sleeter B M, Liu J X, et al. Ecosystem carbon balance in the Hawaiian Islands under different scenarios of future climate and land use change. Environmental Research Letters, 2021, 16(10): 104020. DOI: 10.1088/1748-9326/ac2347.

[29]
Kucharik C J, Foley J A, Délire C, et al. Testing the performance of a dynamic global ecosystem model: Water balance, carbon balance, and vegetation structure. Global Biogeochemical Cycles, 2000, 14(3): 795825. DOI: 10.1029/1999GB001138.

[30]
Wang Ping. Simulation of carbon balance of forest ecosystems in Daxing'an and Xiaoxing'an mountains[D]. Harbin:Northeast Forestry University, 2009.

[王萍. 大小兴安岭森林生态系统碳平衡模拟研究[D]. 哈尔滨: 东北林业大学, 2009.]

[31]
Foley J A, Prentice I C, Ramankutty N, et al. An integrated biosphere model of land surface processes, terrestrial carbon balance, and vegetation dynamics. Global Biogeochemical Cycles, 1996, 10(4): 603-628.

[32]
Guo Lijuan, Guo Qingxi. Simulation of soil respiration in forests at the catchment scale in the eastern part of northeast China. Acta Ecologica Sinica, 2013, 33(13): 4090-4100.

[郭丽娟, 国庆喜. 集水区尺度下东北东部森林土壤呼吸的模拟. 生态学报, 2013, 33(13): 4090-4100.]

[33]
Gao Chunyu. Simulation of forest cycle carbon under the changes of climate scenario in Heilongjiang[D]. Harbin:Northeast Forestry University, 2015.

[高春雨. 气候变化情景下黑龙江省森林碳循环模拟[D]. 哈尔滨: 东北林业大学, 2015.]

[34]
Liu Xi, Guo Qingxi, Liu Jingwei. Simulation research on NPP seasonal changes of eastern forest in the Northeast and IBIS model validation. Forest Engineering, 2010, 26(4): 1-7, 10.

[刘曦, 国庆喜, 刘经伟. IBIS模型验证与东北东部森林NPP季节变化模拟研究. 森林工程, 2010, 26(4): 1-7, 10.]

[35]
Guo Lijuan, Guo Qingxi. Simulation of net primary productivity in forests at catchment scale in the east part of northeastern China using IBIS. Journal of Beijing Forestry University, 2013, 35(5): 1-7.

[郭丽娟, 国庆喜. IBIS模拟集水区尺度的东北东部森林净初级生产力. 北京林业大学学报, 2013, 35(5): 1-7.]

[36]
Thomson R, Espin J, Samuels‐Jones T. Green crime havens: A spatial cluster analysis of environmental crime. Social Science Quarterly, 2020, 101(2): 503-513.

[37]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics. Geographical Analysis, 1992, 24(3): 189-206.

[38]
Bonan G B, Levis S, Kergoat L, et al. Landscapes as patches of plant functional types: An integrating concept for climate and ecosystem models. Global Biogeochemical Cycles, 2002, 16(2): 1021. DOI: 10.1029/2000GB001360.

[39]
Ran Youhua, Ma Hanqing. 1 km plant functional types map over China in 2000. Remote Sensing Technology and Application, 2016, 31(4): 827-832.

[冉有华, 马瀚青. 中国2000年1 km植物功能型分布图. 遥感技术与应用, 2016, 31(4): 827-832.]

DOI

[40]
Yuan Q Z, Zhao D S, Wu S H, et al. Validation of the Integrated Biosphere Simulator in simulating the potential natural vegetation map of China. Ecological Research, 2011, 26(5): 917-929.

[41]
Moss R H, Edmonds J A, Hibbard K A, et al. The next generation of scenarios for climate change research and assessment. Nature, 2010, 463(7282): 747-756.

[42]
Kriegler E, O'Neill B C, Hallegatte S, et al. The need for and use of socio-economic scenarios for climate change analysis: A new approach based on shared socio-economic pathways. Global Environmental Change, 2012, 22(4): 807-822.

[43]
Lyu Fucheng, Ma Jianyong, Cao Yun, et al. Carbon fluxes simulation of China's typical forest ecosystem based on FORCCHN model. Acta Ecologica Sinica, 2022, 42(7): 2810-2821.

[吕富成, 马建勇, 曹云, 等. 基于FORCCHN模型的中国典型森林生态系统碳通量模拟. 生态学报, 2022, 42(7): 2810-2821.]

[44]
Guo Ruiyan. Spatio-temporal changes of forest carbon sink in the Yellow River Basin and their response to driver factors[D]. Yinchuan: Ningxia University, 2022.

[郭睿妍. 黄河流域森林碳汇的时空变化及其对驱动因子的响应[D]. 银川: 宁夏大学, 2022.]

[45]
Yu Jingfang. Net primary productivity estimates for Zhejiang province based on the CASA model[D]. Hangzhou: Zhejiang A&F University, 2012.

[俞静芳. 基于CASA模型的浙江省植被净初级生产力估算[D]. 杭州: 浙江农林大学, 2012.]

[46]
Yang Yusheng, Chen Guangshui, Wang Yixiang, et al. Carbon sequestration and balance in castanopsis kawakamii and cunninghamia lanceolata plantations in subtropical China. Scientia Silvae Sinicae, 2007, 43(3): 113-117.

[杨玉盛, 陈光水, 王义祥, 等. 格氏栲人工林和杉木人工林碳吸存与碳平衡. 林业科学, 2007, 43(3): 113-117.]

[47]
Liu Yingshuai, Yu Rui, Zheng Binbin, et al. Analysis of seasonal spatial and temporal variation patterns of forest vegetation NEP and climate drivers in Hainan Island. Journal of Tropical Biology. 2022, 13(2): 166-176.

[刘应帅, 余瑞, 郑彬彬, 等. 海南岛森林植被NEP季节性时空变化规律及气候驱动因素分析. 热带生物学报, 2022, 13(2): 166-176.]

[48]
Mei Xiaodan, Li Dan, Wang Qiang, et al. Spatial-temporal analysis of forest carbon flux of in Xiaoxing'anling based on Biome-BGC model. Geomatics & Spatial Information Technology, 2021, 44(11): 7-10.

[梅晓丹, 李丹, 王强, 等. 基于Biome-BGC模型的小兴安岭森林碳通量时空分析. 测绘与空间地理信息, 2021, 44(11): 7-10.]

[49]
Liu Xi. Carbon dynamics simulation in the eastern part of Northeast forest ecosystems in China using IBIS[D]. Harbin:Northeast Forestry University, 2011.

[刘曦. 运用IBIS模型估测东北东部森林生态系统碳动态的模拟[D]. 哈尔滨: 东北林业大学, 2011.]

Options
文章导航

/

〈 〉