寒旱区内陆河流域碳通量年际变化控制机制

Interannual Change Control Mechanism of Carbon Flux in Inland River Basins in Cold and Arid Regions

摘要

为了解寒旱区内陆河流域碳通量的年际变化及其控制机制，使用涡度相关技术和气象观测系统同步对黑河流域典型生态系统（草地、农田、湿地、荒漠、森林）的碳通量和气象环境要素进行了长期定位观测.分析观测数据显示：黑河流域内农田（玉米）生长季净生态系统生产力（NEP）与总初级生产力（GPP）最大（729.81 g C/m²/a与1 184.60 g C/m²/a），戈壁荒漠最小（94.18 g C/m²/a与134.97 g C/m²/a）；湿地生长季生态系统呼吸（Reco）最大（460.22 g C/m²/a），戈壁荒漠最小（41.18 g C/m²/a）.黑河上游高寒生态系统温度对NEP、GPP和Reco年际变化的解释度明显高于黑河中下游干旱生态系统，而上游高寒生态系统土壤水分对NEP、GPP和Reco年际变化的解释度低于中下游干旱生态系统.在上游的高寒生态系统中，各站点间温度与NEP、GPP和Reco为正相关，而在中下游则为负相关.浅层土壤水分在黑河流域内高寒区和干旱区均与生态系统的NEP、GPP和Reco为正相关，上游高寒区浅层土壤水分与NEP、GPP和Reco的相关性要高于深层土壤水分，而中下游干旱区则是深层土壤水分与NEP、GPP和Reco的相关性更高.

关键词

碳 / 黑河流域 / 总初级生产力 / 净生态系统生产力 / 生态系统 / 环境地质

Key words

carbon / Heihe River basin / gross primary productivity / net ecosystem productivity / ecosystems / environmental geology

0 引言

以大气CO₂浓度升高、全球变暖为主要特征的气候变化是当前科学研究的最热点之一（Solomon et al.， 2013）.IPCC（Intergovernmental Panel on Climate Change）第六次评估报告（AR6）表明，地球平均气温相较于1850-1900年已经升高1.1 ℃，大气中CO₂浓度已升至410×10^-6，超过了过去2 Ma任何时期（Zhou and Qian， 2021； Zhou， 2021）.升温与CO₂浓度升高使得干旱、暴雨等极端气候事件频发，同时也导致了多年冻土退化（毛楠等， 2022），积雪减少、冰川和冰盖退缩等严重后果（Barros and Stocker， 2012； Thorsteinsson et al.， 2013）.我国是世界上碳排放量最大的国家之一（Ma et al.， 2019），从“十一五”开始，我国为了减少碳排放量，做出了一系列努力，并逐步取得成效.2020年9月，我国在第七十五届联合国大会上，第一次提出，我国要在2030年实现碳达峰，并于2060年实现碳中和（新华社， 2020）.要实现这一宏伟目标，首先需要对我国自然生态系统的碳汇能力及其控制机制进行全面深入的认识.目前我国陆地生态系统碳汇估算仍存在很大的不确定性（Wang et al.， 2020），主要原因之一是缺乏生态系统碳通量直接观测数据（Xiao et al.， 2013），尤其是在我国西北地区碳通量观测站点非常稀疏，这在一定程度上制约了该区域各项碳减排措施的有效评价.

陆地生态系统对大气CO₂浓度具有很重要的调节作用，陆地生态系统通过光合作用吸收大气中的CO₂，同时通过自养呼吸和异养呼吸向大气释放CO₂，因此陆地生态系统碳通量的年际变异对大气CO₂变化有很大的影响（Le Quéré et al.， 2009）.通过涡动相关技术可以准确测量陆地生态系统与大气之间的CO₂交换量（Baldocchi， 2008），基于观测数据分析碳通量及其时空变化是碳循环研究的重要手段之一.涡动相关技术已经广泛应用于各区域性、全球性观测网络，如北美通量网（AmeriFIux）、欧洲通量网（CarbonEurope）、澳洲通量网（OzFlux）、加拿大通量网（Fluxnet-Canada）、日本通量网（AsiaFlux）、韩国通量网（KoFlux）和中国通量网（ChinaFLUX）等，其测量值被广泛地用来验证碳循环模型模拟和遥感估算的碳通量（Baldocchi et al.， 2001； Yamamoto et al.， 2005）.

黑河流域是寒旱区典型的内陆河流域，是开展陆地表层系统观测与科学研究的理想天然试验区（Cheng and Li， 2015），研究该流域内生态系统碳通量的年际变异特征及环境控制机制，对于正确认识和评价寒旱区气候变化及其影响具有重要意义.黑河流域已开展的碳通量研究主要基于短时间序列的观测数据分析寒旱区不同生态系统年总初级生产力（Gross Primary Productivity，GPP）、生态系统呼吸量（Ecosystem Respiration，Reco）和净生态系统生产力（Net Ecosystem Production，NEP）的大小特征；以及环境因子对碳通量季节动态变化的控制机制，但这些研究时间跨度非常短.由于缺乏长期连续的碳通量观测，西北寒旱区内陆河流域年际尺度上碳通量变化特征及其控制机制还缺乏深入认识.同时黑河流域地表过程综合观测网已获取了多年稳定可靠的碳通量观测数据和辅助环境数据（Liu et al.， 2011），为认识寒旱区内陆河碳通量控制提供了重要数据基础（刘绍民等， 2021）.

本文使用了多年黑河流域典型生态系统碳通量以及相应的气象与环境数据，分析寒旱区内陆河碳通量的年际变异及其控制.本研究的目的是：（1）分析各生态系统的碳通量以及环境因子的年际变异情况；（2）探究环境变量在年际尺度上如何影响碳通量.最后为该区域应对气候变化和实现碳中和目标提供理论支撑.

1 研究区域概况

黑河流域是我国第二大内陆河流域，位于我国西北地区，是典型的寒旱区内陆河流域，对气候变化敏感.黑河流域自上游至下游有冰川‒高寒草原‒高寒草甸‒人工绿洲‒荒漠‒河岸带植被‒湿地‒沙漠绿洲等多元化的自然生态系统.本研究主要针对黑河流域的典型生态系统，包括：草地生态系统（高寒草原）‒垭口站、草地生态系统（高寒沼泽草甸）‒大沙龙站、草地生态系统（高寒草甸）‒阿柔站；农田生态系统（玉米）‒大满站；人工湿地生态系统（芦苇）‒湿地站；河岸林生态系统（柽柳）‒四道桥站、河岸林生态系统（胡杨、柽柳）‒混合林站；山前荒漠生态系统（珍珠、红砂）‒花寨子荒漠站、戈壁荒漠生态系统（红砂）‒荒漠站，具体位置及通量观测站点分布情况见图1.

2 研究方法

2.1　数据获取

本研究在黑河上游：垭口站（YK）、大沙龙站（DSL）、阿柔站（AR）；黑河中游：大满站（DM）、张掖湿地站（SD）、花寨子站（HZZ）；黑河下游：四道桥站（SDQ）、混合林站（HHL）、荒漠站（HM）共9个站点，采用开路涡动观测系统对生态系统与大气间的CO₂净交换进行连续观测；采用环境要素梯度观测系统对常规环境要素也进行同步观测，用于监测微环境变量，包括气温（T_a，℃）、不同深度土壤水分（M_s，%）、辐射（R_g，W/m²）和10 cm深度土壤温度（T_s，℃），获得长时间序列数据进行分析.以上9个站点的碳通量数据最少为5年（垭口站与混合林站），最多为8年（大满站和花寨子站），除垭口站与混合林站的辐射为3年，其他环境因子均为5~8年.同时，基于站点坐标在MODIS的植被指数产品（MOD13，空间分辨率为 250 m，时间分辨率为 16 d）中提取了3×3像元内归一化植被指数（NDVI）进行分析.MODIS植被指数产品下载自网站https://lpdaac.usgs.gov/products/mod13q1v061/.

2.2　数据处理

用Eddypro软件对10 Hz原始通量观测数据进行野点去除、坐标旋转、WPL校正、储存项计算得到净生态系统碳交换量（Net Ecosystem Exchange，NEE），之后剔除降水同期数据，超出碳通量理论阈值与仪器状态异常时刻的值，经u*（摩擦速度）校正后得到的NEE值.用Python3.9软件将各生态系统持续观测的10 min常规环境因子数据整理成30 min数据，并对环境因子数据进行质量评价（Wutzler et al.， 2018）.

数据插补：经过数据质量控制与剔除会产生部分数据缺失，需要对其进行插补，选择R语言REddyProC包中样本边缘分布采样法（MDS法），该方法根据通量数据与环境因子之间的关系以及通量数据在时间上的自相关进行插补，该方法可针对较大缺失范围的NEE和LE数据插补，目前被广泛引用（Wutzler et al.， 2018）.

数据拆分：由于本文主要从生态系统的角度展开分析，所以采用NEP表征生态系统的固碳能力，而涡动相关方法直接获得的是NEE.生态系统NEE通常用负号表示植被吸收，仅考虑生物通量的情况下，生态系统净生产力NEP与NEE大小相同，符号相反（Wang et al.， 2019）.NEP为总初级生产力和生态系统呼吸Reco之差，用公式（1）来表示.GPP是指单位时间内由绿色植物通过光合作用所固定的有机碳量，又称总第一生产力.Reco是指一个生态系统经过自养呼吸、异养呼吸和其他方式消耗碳后所累积的净碳量.当前NEE拆分的主要方法有利用夜间NEE数据拆分和利用白天NEE数据拆分两种，本文选择用夜间NEE拆分方法，假设植被呼吸只与T_a 有关，夜间植被只进行呼吸作用，可通过Lloyd and Taylor（1994）呼吸方程来拟合夜间生态系统呼吸与温度的函数关系外延至白天的生态系统呼吸变化，用公式（2）来表示.

\mathrm{N} \mathrm{E} \mathrm{P} = \mathrm{G} \mathrm{P} \mathrm{P} - \mathrm{R} \mathrm{e} \mathrm{c} \mathrm{o}，（1）

\mathrm{R} \mathrm{e} \mathrm{c} \mathrm{o} = r b \times \mathrm{e} \mathrm{x} \mathrm{p} ( E_{\mathrm{0}} ( \frac{\mathrm{1}}{T_{\mathrm{r}\mathrm{e}\mathrm{f}}-T_{\mathrm{0}}} - \frac{\mathrm{1}}{T_{\mathrm{a}\mathrm{i}\mathrm{r}}-T_{\mathrm{0}}} ) )，（2）

其中，r _b（µmol C/m²/s）是参考温度下的基础呼吸；T _ref（℃）设为15 ℃；E ₀（℃）是温度敏感度；T _air是空气温度；参数T ₀为常数-46.02 ℃.本文通过拟合夜间NEE与空气温度的关系来对白天NEE进行插补，最后根据公式（1）来获取GPP.

标准化处理：将插补与拆分后的通量数据NEP、GPP、Reco在日、季节、年尺度上进行计算与处理，便于与统一尺度上的环境要素进行分析.环境因子及碳通量NEP、GPP、Reco时空变化特征采用自观测年开始至2020年各生态系统碳通量年际NEP、GPP和Reco以及对应时期的环境因子数据进行研究.为了减少数据不确定对结果分析的影响，本研究中每年只使用了各站点每年生长季（5-9月）（Wang et al.， 2019）的观测数据，其主要原因是：（1）非生长季节仪器维护难度大，导致数据缺失较多；（2）黑河流域在非生长季有冻融现象，而观测站的土壤水分只观测液态含水量，因此如果用包含非生长季的数据计算年均土壤水分等数据就会有较大的误差；（3）黑河流域植被生长季明显，碳通量主要受植被主导，且生长季碳通量主导全年的碳通量.

2.3　数据分析

本文计算了黑河流域各生态系统环境因子以及碳通量的年际变率IAV（用标准差表示）及其变异系数CV（标准差除平均值）；为进一步探索控制各个生态系统碳通量变化的主要环境因子，运用Spearman相关分析来研究环境因子对黑河流域典型生态系统碳通量控制以及生长季NDVI与碳通量的相关性，本研究中选取的环境因子包括空气温度（T_a ）、土壤温度（T_s ）、太阳辐射（R_g ）和土壤水分（M_s ）（各个生态系统第一层至第四层土壤水分分别记为M_s -20 cm、M_s -40 cm、M_s -80 cm、M_s - 120 cm）.同时，为了进一步验证相关性结果，使用地理探测器方法分析不同环境因子对碳通量的控制机制.地理探测器是一种稳健、直观地量化驱动因子影响及其交互作用的方法，与Spearman相关法相比，能够从空间异质性角度探索潜在因素或解释变量，既可以探测定性数据，也可以探测定量数据，因此，本研究采用Spearman与地理探测器两种方法进行相互验证（王劲峰和徐成东， 2017）.

3 结果与分析

3.1　碳通量时空变化

图2展示了黑河流域各个生态系统生长季平均T_a 、T_s 和R_g 的年际变异特征.黑河流域各生态系统中， T_a 与T_s 变化趋势相似，随着海拔降低而升高，生长季平均T_a 处于1.86~24.71 ℃，T_s 的范围为3.40~28.82 ℃；各生态系统生长季平均R_g 变化幅度不大，处于250 W/m²左右.整体而言，除河岸林生态系统（混合林站）2018年与2019年生长季平均T_s 偏低外，其他生态系统的T_a 、T_s 和R_g 年际变异不大.

由图3可以看出，上游的草地生态系统较为湿润，上游年均表层M_s （≤40 cm）高于深层 （>40 cm）.位于中游的农田生态系统表层M_s 明显低于深层（除2017年与2018年），2017与2018年大满站玉米农田灌溉方式为滴灌，其他年份为漫灌，导致2017年与2018年与其他年份相比M_s 偏低；山前荒漠生态系统表层M_s 大于深层.下游四道桥站与混合林站同为河岸林生态系统，但四道桥站生长季平均M_s 比混合林站高，这可能与其地下水位的深浅有关，四道桥站和混合林站的生长季平均M_s 以80 cm深度最大；戈壁荒漠生态系统中，M_s 随着深度的增加而增加.

不同生态系统碳通量的年际变异存在较大差异（图4）.所有生态系统表现为碳吸收（NEP>0），各生态系统平均的生长季NEP为311.89 g C/m²/a，其中农田生态系统碳吸收能力最强（729.81 g C/m²/a），其次为张掖人工湿地生态系统（569.68 g C/m²/a），碳吸收能力最弱的是高寒草原生态系统（79.76 g C/m²/a）和戈壁荒漠生态系统（94.18 g C/m²/a）；生长季总初级生产力（GPP）以农田生态系统与湿地生态系统最大，分别为1 184.60 g C/m²/a与1 029.48 g C/m²/a，其次为高寒草甸生态系统（712.94 g C/m²/a），GPP最小的是戈壁荒漠生态系统（134.97 g C/m²/a）；生态系统呼吸（Reco）最强的是湿地生态系统（460.22 g C/m²/a）与农田生态系统（454.79 g C/m²/a），生态系统呼吸最小的是戈壁荒漠生态系统，为41.18 g C/m²/a.

图5中显示了黑河流域内不同生态系统在植被生长季的碳收支状况.各生态系统的生长季NEP处于94.18±15.58 g C/m²/a（荒漠站）至729.81±55.42 g C/m²/a（大满站）之间；生长季GPP处于134.97±49.86 g C/m²/a（荒漠站）至1 184.60±69.57 g C/m²/a（大满站）之间；生长季Reco处于41.18±36.52 g C/m²/a（荒漠站）至460.22± 129.64 g C/m²/a（湿地站）之间.在年际尺度上，由于垭口站、花寨子站、荒漠站GPP和Reco之间的差异很小，表现为弱碳汇，其他生态系统均表现为强碳汇，其中阿柔站的碳吸收量为276.05 g C/m²/a，大沙龙站为200.03 g C/m²/a，大满站为729.81 g C/m²/a，湿地站为569.68 g C/m²/a，四道桥站为226.92 g C/m²/a以及混合林站为316.19 g C/m²/a.

3.2　碳通量的年际变异及其控制因子

不同生态系统环境因子和碳通量的年际变异IAV也存在差异（表1），其中，气温IAV以混合林站最大（2.06 ℃），四道桥站最小（0.35 ℃）；土壤温度IAV以混合林站最大（2.74 ℃），垭口站最小（0.53 ℃）；辐射IAV以高寒草原生态系统最大（27.48 W/m²），山前荒漠生态系统最小（4.35 W/m²）；表层及深层土壤水分IAV均以高寒草甸生态系统最小，农田生态系统最大，这与农田灌溉方式有很大关系（2017年与2018年为滴灌，其余年份为漫灌）；NEP的IAV以湿地生态系统最大（177.67 g C/m²/a），高寒草原生态系统最小（19.77 g C/m²/a）； GPP的IAV以湿地生态系统最大（233.45 g C/m²/a），高寒草原生态系统最小（13.12 g C/m²/a）； Reco的IAV以湿地生态系统最大（129.65 g C/m²/a），高寒草原生态系统最小（16.97 g C/m²/a）.湿地生态系碳汇功能最强，碳通量IAV最大，高寒草原生态系统碳汇能力最弱，碳通量IAV最小.

通过计算各生态系统中环境因子与碳通量的变异系数CV发现（表2），上游生态系统温度的变异系数CV高于中下游；各生态系统R_g 的CV相似，且不大；高寒草甸生态系统表层及深层M_s 的CV最小，农田生态系统最大，与其灌溉方式有关（2017与2018年为滴灌，其他年份为漫灌）；农田生态系统碳通量的CV最小（NEP、GPP与Reco的CV分别为0.08、0.06和0.10），荒漠生态系统碳通量的CV最大（NEP、GPP与Reco的CV分别为0.46、0.53和0.88），该生态系统容易受到周围环境的影响，碳通量对温度、辐射与土壤水分的变化较为敏感，而其碳通量值本身很小，所以碳通量CV最大.

通过使用Spearman相关分析研究环境因子（T_a 、T_s 、R_g 、20~120 cm深度M_s ）和NDVI对黑河流域不同生态系统碳通量年际变异控制（表3），图6显示了环境因子和NDVI空间变化及其对碳通量决定性，黑河流域上游温度受限的草地生态系统中，随着海拔逐渐降低，温度升高，其对碳通量的解释度逐渐减弱，温度主要决定寒冷草地生态系统的NEP与GPP，温度高的下游生态系统中，温度主要决定着光合作用（图6a、6b）.在水分充足的上游生态系统中，M_s 对碳通量的影响不大，而对于中下游较为干旱的生态系统而言，M_s 对碳通量的调控作用均较其他湿润生态系统强（图6c~6f）.各生态系统R_g 对碳通量的解释度较小（R ²<0.5）（图6g）.在河岸林生态系统（四道桥站与混合林站）中，生长季NDVI与碳通量的相关性最高，NDVI年际变化至少能解释该生态系统14%碳通量的年际变化，而对其他生态系统碳通量的解释度较小.

根据海拔区分黑河流域内高寒与干旱生态系统进行对比.由图7可以看出，海拔>2 500 m的高寒生态系统中，温度与NEP、GPP和Reco的变化正相关，表现为促进作用；而在海拔<2 500 m的干旱生态系统中，温度与NEP、GPP和Reco的变化为负相关，表现为抑制作用.浅层土壤水分与所有生态系统的NEP、GPP和Reco均为正相关，高寒生态系统浅层土壤水分与NEP、GPP和Reco的相关性高于深层土壤水分，而干旱生态系统则是深层土壤水分与碳通量的相关性更高.高寒生态的NDVI与NEP、GPP和Reco的相关性显著大于干旱生态系统，这同样解释了图6中环境因子控制各生态系统碳通量年际变异的规律.

4 讨论

4.1　环境因子对碳通量的控制机制

探究寒旱区内陆河流域碳通量的年际变异特征及其控制机制对认识我国西北地区自然生态系统碳汇能力非常关键（Yu et al.， 2021）.本研究通过地面观测数据发现总体上黑河流域从上游高寒生态系统至下游干旱生态系统，随着海拔、温度与降水的梯度变化，GPP、NEP和Reco的控制因子也发生了明显变化.从上游高寒生态系统至下游干旱生态系统，温度对GPP、NEP和Reco的影响由促进作用转变为抑制作用，而水分对碳通量的影响表现为更加明显的促进作用.这与寒区生态系统受热量限制而旱区生态系统受水分限制的认知一致（Wang et al.， 2019）.在黑河流域生态系统对气候变化的敏感性的研究中发现，温度变化是影响上游地区植被变化的主要气候因子，而降水量变化是影响中下游植被变化的主要气候因子（You et al.， 2018）.这与本研究的结果较为一致.同时，为了进一步确认结果的可靠性，利用地理探测器方法对不同环境因子对碳通量的控制情况进行了分析，其结果表明寒区生态系统中，温度对NEP、GPP和Reco的解释度均大于91%，其次，20 cm土壤水分的解释度也较为显著；对于旱区生态系统整体而言，土壤水分对NEP、GPP和Reco的解释度高于温度，但土壤温度的控制作用也不可忽视，NDVI对NEP、GPP和Reco的影响非常显著（表4），这与spearman相关性分析法获得的结果具有较高的一致性.但由于地理探测器方法考虑了空间异质性，所以q值与r值在数值以及显著性上有所差异.在高寒生态系统和干旱生态系统内部的各站点之间，不同的变量表现出了多元化的响应机制.例如在黑河上游的高寒生态系统中，高寒沼泽草甸的生态系统呼吸与土壤水分为负相关，而高寒草甸的生态系统呼吸与土壤水分则为正相关，这一现象与Sun等人的研究一致，主要是因为土壤水分饱和会抑制呼吸导致.

不同类型草地的二氧化碳吸收能力差异大的原因主要是不用区域草地覆盖度不一样，水热条件也相差较大.本研究发现上游的高寒草地年累积NEP为185.28 g C/m²/a，这与青藏高原高寒灌木草甸的结果相差较大（253.10 g C/m²/a）（Li et al.， 2006），但与青藏高原高寒草地的结果接近（156.40 g C/m²/a）（Wang et al.， 2016）.近期一项研究通过将遥感数据与模型结合的方法发现，青藏高原高寒生态系统是一个被严重低估的净碳汇，年际NEP在53.9~256 g C/m²/a（Wei et al.， 2021），与本研究中观测的高寒生态系统NEP的范围较为吻合.柴曦等（2018）对2004年至2008年海北高寒草甸与当雄高寒草地生态系统NEP的年际变异研究发现，高寒草甸NEP为70 g C/m²/a，而当雄高寒草地释放二氧化碳5 g C/m²/a，温度控制高寒灌木草甸NEP，而降水与温度控制高寒草地的NEP，与本研究的研究结果相似.

旱区生态系统碳通量的控制因子随着生态系统类型不同也有差异.黑河中游大满农田（玉米）的多年平均NEP为645.31g C/m²/a，与盈科农田（玉米）的NEP（626 g C/m²/a）（Wang et al.， 2012）接近，但大于石羊河中游滴灌农田（玉米，527.09 g C/m²/a）（Guo et al.， 2021），这与气象因子年际变化以及农田管理措施（Guo等研究的玉米农田为滴灌）有关系，另外本研究中的数据处理方法和之前研究采用的方法不完全相同，也带来了一定的不确定性.本研究中农田生态系统的GPP、NEP和Reco对温度、R_g 以及M_s 均敏感，这与王亚楠（2015）研究的结论一致：农田生态系统碳通量主要受光照、温度（T_a 、T_s ）和M_s 等因素协同调控.本研究中，张掖人工湿地生态系统多年平均NEP为569.68 g C/m²/a，远大于高寒湿地生态系统（246.66 g C/m²/a）（Cao et al.， 2017），在张掖人工湿地NDVI与GPP、NEP和Reco为正相关，与已有的研究结果一致（Zhang et al.， 2016）.此外，荒漠生态系统（花寨子站与荒漠站）的NEP为89.75 g C/m²/a，小于位于西北干旱区的巴丹吉林沙漠的NEP（139.83 g C/m²/a）（Yang et al.， 2022），其原因主要是巴丹吉林沙漠观测点的下垫面为多年生草本，虽植被覆盖度低（曹乐等， 2021），但其NDVI略高于花寨子站与荒漠站.总体而言，在干旱生态系统中，M_s 对GPP、NEP和Reco年际变异的影响高于其他环境因子.另外，本研究发现位于黑河下游的两个河岸林生态系统平均NEP为271.56 g C/m²/a，该生态系统中GPP、NEP和Reco的主要受温度、R_g 和深层M_s 控制，同时NDVI对这河岸林生态系统GPP、NEP和Reco年际变化的解释度明显大于其他生态系统，这一现象目前还没有类似的观测结果可以进行对比.

4.2　碳通量的不确定性分析

由于下垫面的复杂性以及环境条件的限制性，对黑河流域典型生态系统碳通量观测与控制分析过程中，研究结果具有一定的不确定性.不确定性来源包括两个方面：（1）数据缺失导致的不确定性.由于一些不可抗力以及设备故障等原因，导致数据缺失情况的发生，使得黑河流域碳通量观测结果存在不确定性.本研究中黑河流域九个观测站点的碳通量数据缺失率仅为8.29%，其中年生长季缺失率为4.24%，其观测的数据缺失率优于通量网络报道的平均数据缺失率为20%~65%（Loescher et al.， 2006； Richardson et al.， 2006），说明本研究中数据缺失对结果造成的不确定性较小.（2）野外观测环境导致的不确定性.首先，涡度协方差系统在观测陆地生态系统碳交换时，要求下垫面是均匀平坦的，但实际情况中往往达不到这样的要求；其次，夜间大气条件的超稳定状态也可能影响观测的准确性.以上情况均会对碳通量的研究带来不确定性.

5 结论

基于黑河流域通量观测网络的涡动相关仪监测的通量数据集及对应的环境数据，本文分析了黑河流域典型生态系统碳通量的年际变异情况以及环境因子对各生态系统的控制，研究结果表明：

不同生态系统碳通量及其年际变异存在差异，农田生态系统生长季NEP与GPP最大（729.81 g C/m²/a与1 184.60 g C/m²/a），戈壁荒漠生态系统最小（94.18 g C/m²/a与134.97 g C/m²/a）；生长季生态系统呼吸能力以湿地最强，为460.22 g C/m²/a，戈壁荒漠最弱，为41.18 g C/m²/a，黑河流域内所有生态系统均表现为吸收碳.在年际尺度上，以垭口站、花寨子站与荒漠站为代表的生态系统GPP和Reco之间的差异很小，表现为弱碳汇，其他生态系统均表现为强碳汇.通过计算各生态系统环境因子和NEP、GPP和Reco的IAV及CV发现，湿地生态系统NEP、GPP和Reco的IAV最大，高寒草原生态系统最小；农田生态系统由于NEP、GPP和Reco的CV最小，所以是稳定的强碳汇，荒漠生态系统NEP、GPP和Reco的CV最大，是不稳定的弱碳汇.黑河上游高寒生态系统温度对NEP、GPP和Reco年际变化的解释度明显高于黑河中下游干旱生态系统，而上游高寒生态系统土壤水分对NEP、GPP和Reco年际变化的解释度低于中下游干旱生态系统.在上游的高寒生态系统中，各站点间温度与NEP、GPP和Reco为正相关，而在中下游则为负相关.浅层土壤水分在黑河流域内高寒区与和干旱区均与生态系统的NEP、GPP和Reco为正相关，上游高寒区浅层土壤水分与NEP、GPP和Reco的相关性要高于深层土壤水分，而中下游干旱区则是深层土壤水分与NEP、GPP和Reco的相关性更高.

参考文献

[1] Baldocchi, D., 2008. ‘Breathing’ of the Terrestrial Biosphere: Lessons Learned from a Global Network of Carbon Dioxide Flux Measurement Systems. Australian Journal of Botany, 56(1): 1. https://doi.org/10.1071/bt07151

[2] Baldocchi, D., Falge, E., Gu, L. H., et al., 2001. FLUXNET: A New Tool to Study the Temporal and Spatial Variability of Ecosystem-Scale Carbon Dioxide, Water Vapor, and Energy Flux Densities. Bulletin of the American Meteorological Society, 82(11): 2415-2434. https://doi.org/10.1175/1520-0477(2001)0822415: fantts>2.3.co;2

[3] Barros, V., Stocker, T. F., 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation: Special Report of the Intergovernmental Panel on Climate Change. Journal of Clinical Endocrinology & Metabolism, 18(6): 586-599.

[4] Cao, L., Shen, J.M., Nie, Z.L., et al., 2021. Stable Isotopic Characteristics of Precipitation and Moisture Recycling in Badain Jaran Desert. Earth Science, 46(8): 2973-2983 (in Chinese with English abstract).

[5] Cao, S. K., Cao, G. C., Feng, Q., et al., 2017. Alpine Wetland Ecosystem Carbon Sink and Its Controls at the Qinghai Lake. Environmental Earth Sciences, 76(5): 210. https://doi.org/10.1007/s12665-017-6529-5

[6] Chai, X., Li, Y.N., Duan, C., et al., 2018. CO₂ Flux Dynamics and Its Limiting Factors in the Alpine Shrub-Meadow and Steppe-Meadow on the Qinghai-Xizang Plateau. Chinese Journal of Plant Ecology, 42(1): 6-19 (in Chinese with English abstract).

[7] Cheng, G. D., Li, X., 2015. Integrated Research Methods in Watershed Science. Science China Earth Sciences, 58(7): 1159-1168. https://doi.org/10.1007/s11430-015-5074-x

[8] Guo, H., Li, S. E., Wong, F. L., et al., 2021. Drivers of Carbon Flux in Drip Irrigation Maize Fields in Northwest China. Carbon Balance and Management, 16(1): 12. https://doi.org/10.1186/s13021-021-00176-5

[9] Le Quéré, C., Raupach, M. R., Canadell, J. G., et al., 2009. Trends in the Sources and Sinks of Carbon Dioxide. Nature Geoscience, 2: 831-836. https://doi.org/10.1038/ngeo689

[10] Li, Y. N., Sun, X. M., Zhao, X. Q., et al., 2006. Seasonal Variations and Mechanism for Environmental Control of NEE of CO₂ Concerning the Potentilla Fruticosa in Alpine Shrub Meadow of Qinghai-Tibet Plateau. Science in China (Series D: Earth Sciences), 49(2): 174-185. https://doi.org/10.1007/s11430-006-8174-9

[11] Liu, S. M., Che, T., Zhang, Y., et al., 2021. Comprehensive Observation Network of Qilian Mountains: Comprehensive Observation Network of Surface Processes in the Haihe River Basin (Eddy Correlator at Yakou Station-2020). National Tibetan Plateau Scientific Data Center, Beijing (in Chinese with English abstract).

[12] Liu, S. M., Xu, Z. W., Wang, W. Z., et al., 2011. A Comparison of Eddy-Covariance and Large Aperture Scintillometer Measurements with Respect to the Energy Balance Closure Problem. Hydrology and Earth System Sciences, 15(4): 1291-1306. https://doi.org/10.5194/hess-15-1291-201110.5194/hessd-7-8741-2010

[13] Lloyd, J., Taylor, J. A.,1994. On the Temperature Dependence of Soil Respiration. Functional Ecology, 315-323.

[14] Loescher, H. W., Law, B. E., Mahrt, L., et al., 2006. Uncertainties in, and Interpretation of, Carbon Flux Estimates Using the Eddy Covariance Technique. Journal of Geophysical Research: Atmospheres, 111(D21): D21S90. https://doi.org/10.1029/2005jd006932

[15] Ma, X. J., Wang, C. X., Dong, B. Y., et al., 2019. Carbon Emissions from Energy Consumption in China: Its Measurement and Driving Factors. Science of the Total Environment, 648: 1411-1420. https://doi.org/10.1016/j.scitotenv.2018.08.183

[16] Mao, N., Liu, G.M., Li, L.S., et al., 2022. Methane Fluxes and Their Relationships with Methane-Related Microbes in Permafrost Regions of the Qilian Mountains. Earth Science, 47(2): 556-567 (in Chinese with English abstract).

[17] Richardson, A. D., Braswell, B. H., Hollinger, D. Y., et al., 2006. Comparing Simple Respiration Models for Eddy Flux and Dynamic Chamber Data. Agricultural and Forest Meteorology, 141(2/3/4): 219-234. https://doi.org/10.1016/j.agrformet.2006.10.010

[18] Solomon, S., Pierrehumbert, R. T., Matthews, D., et al., 2013. Atmospheric Composition, Irreversible Climate Change, and Mitigation Policy. Climate Science for Serving Society. Springer, Dordrecht, 415-436. https://doi.org/10.1007/978-94-007-6692-1_15

[19] Thorsteinsson, T., Jóhannesson, T., Snorrason, Á., 2013. Glaciers and Ice Caps: Vulnerable Water Resources in a Warming Climate. Current Opinion in Environmental Sustainability, 5(6): 590-598. https://doi.org/10.1016/j.cosust.2013.11.003

[20] Wang, H. B., Li, X., Xiao, J. F., et al., 2019. Carbon Fluxes across Alpine, Oasis, and Desert Ecosystems in Northwestern China: The Importance of Water Availability. The Science of the Total Environment, 697: 133978. https://doi.org/10.1016/j.scitotenv.2019.133978

[21] Wang, J., Feng, L., Palmer, P. I., et al., 2020. Large Chinese Land Carbon Sink Estimated from Atmospheric Carbon Dioxide Data. Nature, 586: 720-723. https://doi.org/10.1038/s41586-020-2849-9

[22] Wang, J.F., Xu, C.D., 2017. Geodetector: Principle and Prospective. Acta Geographica Sinica, 72(1): 116-134 (in Chinese with English abstract).

[23] Wang, S. Y., Zhang, Y., Lü, S. H., et al., 2016. Biophysical Regulation of Carbon Fluxes over an Alpine Meadow Ecosystem in the Eastern Tibetan Plateau. International Journal of Biometeorology, 60(6): 801-812. https://doi.org/10.1007/s00484-015-1074-y

[24] Wang, X. F., Ma, M. G., Huang, G. H., et al., 2012. Vegetation Primary Production Estimation at Maize and Alpine Meadow over the Heihe River Basin, China. International Journal of Applied Earth Observation and Geoinformation, 17: 94-101. https://doi.org/10.1016/j.jag.2011.09.009

[25] Wang, Y. N., 2015. Remote Sensing Monitoring of Farmland Carbon Flux and Carbon Sequestration Capacity Based on Vorticity Correlation (Dissertation). Henan Polytechnic University, Jiaozuo (in Chinese with English abstract).

[26] Wei, D., Qi, Y. H., Ma, Y. M., et al., 2021. Plant Uptake of CO₂ Outpaces Losses from Permafrost and Plant Respiration on the Tibetan Plateau. Proceedings of the National Academy of Sciences of the United States of America, 118(33): e2015283118. https://doi.org/10.1073/pnas.2015283118

[27] Wutzler, T., Lucas-Moffat, A., Migliavacca, M., et al., 2018. Basic and Extensible Post-Processing of Eddy Covariance Flux Data with REddyProc. Biogeosciences, 15(16): 5015-5030. https://doi.org/10.5194/bg-15-5015-2018

[28] Xiao, J. F., Sun, G., Chen, J. Q., et al., 2013. Carbon Fluxes, Evapotranspiration, and Water Use Efficiency of Terrestrial Ecosystems in China. Agricultural and Forest Meteorology, 182/183: 76-90. https://doi.org/10.1016/j.agrformet.2013.08.007

[29] Xinhua News Agency, 2020. Xi Jinping Delivered an Important Speech at the General Debate of the 75th Session of the UN General Assembly (in Chinese).

[30] Yamamoto, S., Saigusa, N., Gamo, M., et al., 2005. Findings through the AsiaFlux Network and a View Toward the Future. Journal of Geographical Sciences, 15(2): 142-148. https://doi.org/10.1007/BF02872679

[31] Yang, P., Zhao, L. Q., Liang, X. R., et al., 2022. Response of Net Ecosystem CO₂ Exchange to Precipitation Events in the Badain Jaran Desert. Environmental Science and Pollution Research, 29(24): 36486-36501. https://doi.org/10.1007/s11356-021-18229-0

[32] You, N. S., Meng, J. J., Zhu, L. K., 2018. Sensitivity and Resilience of Ecosystems to Climate Variability in the Semi-Arid to Hyper-Arid Areas of Northern China: A Case Study in the Heihe River Basin. Ecological Research, 33(1): 161-174. https://doi.org/10.1007/s11284-017-1543-3

[33] Yu, T., Zhang, Q., Sun, R., 2021. Spatial Representativeness of Gross Primary Productivity from Carbon Flux Sites in the Heihe River Basin, China. Remote Sensing, 13(24): 5016. https://doi.org/10.3390/rs13245016

[34] Zhang, Q., Sun, R., Jiang, G. Q., et al., 2016. Carbon and Energy Flux from a Phragmites Australis Wetland in Zhangye Oasis-Desert Area, China. Agricultural and Forest Meteorology, 230/231: 45-57. https://doi.org/10.1016/j.agrformet.2016.02.019

[35] Zhou, B.T., Qian, J., 2021. Changes of Weather and Climate Extremes in the IPCC AR6. Climate Change Research, 17(6): 713-718.

[36] Zhou, T. J., 2021. New Physical Science Behind Climate Change: What does IPCC AR6 Tell Us? Innovation (Cambridge (Mass)), 2(4): 100173. https://doi.org/10.1016/j.xinn.2021.100173

基金资助

国家自然科学基金项目(41771466)

科技部重点研发计划(2017YFA0604801)

“一带一路”（甘肃段）生态服务功能问题与对策研究项目(5013/0030)