中国东北地区森林碳源汇时空格局变化及对极端气候的响应

Changes in the Spatiotemporal Pattern of Forest Carbon Sources and Sinks in Northeast China and Their Responses to Extreme Climate

摘要

基于中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）的MOD17A3GF数据集估算东北地区森林净生态系统生产力（net ecosystem productivity，NEP），旨在探究其与极端气候事件之间的时空耦合关系。通过整合气温、降水数据及RClimDex计算的极端气候指数，分析2000—2020年NEP与10个气候因子的时空变化特征，并采用地理探测器从因子探测与交互探测2个维度评估各气候因子对NEP的影响力。结果表明，1）在过去21 a中，东北地区森林的年平均NEP呈现出缓慢但持续上升的趋势。2000—2010年的年均NEP增加了30.94 g C/（m²·a），2010—2020年的增幅变缓，仅为9.16 g C/（m²·a）。空间上主要增长区域集中在大、小兴安岭；2）极端气候事件呈现出“冷事件减少、暖事件增加、湿润增强”的趋势，具体表现为冷持续指数（cold persistence index，CSDI）减少、暖持续指数（warm persistence index，WSDI）上升，年降水量显著增加，持续干旱日数（continuous dryness index，CDD）减少，部分区域干旱程度有所缓解；3）年均温、年降水量与霜冻日数为NEP空间分布的主导因子（q > 0.2），其次为持续干旱日数、持续湿润指数与暖持续指数，气温日较差与强降水日数解释力较弱。任意2种气候因子的交互作用对NEP的解释力普遍强于单因子作用，年降水量与霜冻日数、年降水量与年均温、年降水量与暖持续指数之间的交互作用在多数年份中均表现出较高的q。研究结果揭示近21 a东北森林NEP对气候（尤其是极端气候）的响应，强调气候变化背景下评估极端气候与森林碳源汇耦合效应的重要性，为东北地区森林生态系统碳收支调控与气候适应性管理提供技术支撑。

Abstract

This study estimated the net ecosystem productivity （NEP） of forests in Northeast China based on the MODIS MOD17A3GF dataset， aiming to explore the spatiotemporal coupling relationship between NEP and extreme climate events. By integrating temperature and precipitation data and the extreme climate index calculated by RClimDex， the spatiotemporal variation characteristics of NEP and ten climate factors from 2000 to 2020 were analyzed， and the influence of each climate factor on NEP was evaluated using GeoDetector from two dimensions： factor detection and interaction detection. The results showed that： 1） In the past 21 years， the annual average NEP of forests in Northeast China had shown a slow but continuous upward trend. From 2000 to 2010， the annual average NEP increased by 30.94 gC·m^-2·year^-1， and the increase slowed down from 2010 to 2020， reaching only 9.16 gC·m^-2·year^-1. Spatially， the main growth areas were concentrated in the Greater and Lesser Khingan Mountains. 2） Extreme climate events showed a trend of ‘less cold events， more warm events， and more humid events’， which was specifically manifested in the decrease of the cold persistence index （CSDI）， the increase of the warm persistence index （WSDI）， the significant increase of annual precipitation， the decrease of the number of continuous dryness index （CDD）， and the alleviation of drought in some regions. 3） The annual average temperature， annual precipitation and the number of frost days were the dominant factors of the spatial distribution of NEP （q>0.2）， followed by the continuous dryness index， continuous wet days and the warm persistence index. The daily temperature difference and the number of heavy precipitation days had weaker explanatory power. The interaction of any two climate factors generally had a stronger explanatory power on NEP than the single factor effect. The interaction between annual precipitation and the number of frost days， annual precipitation and annual average temperature， and annual precipitation and the warm persistence index showed high q values in most years. This study reveals the response of forest NEP in Northeast China to climate （especially extreme climate）， emphasizes the importance of evaluating the coupling effects of extreme climate and forest NEP under the context of climate change， and provides a theoretical support for carbon budget regulation and climate adaptation management of forest ecosystems in Northeast China.

Graphical abstract

关键词

极端气候 / 净生态系统生产力 / 东北森林 / 地理探测器 / RClimDex

Key words

Extreme climate / net ecosystem productivity / forest of Northeast China / GeoDetector / RClimDex

0 引言

植被作为生物圈中重要的要素，通过光合作用、呼吸作用等过程进行着吸收与固定碳，构成了最重要的天然碳汇^［1］。森林生态系统作为陆地生态系统的核心部分，在全球碳循环中发挥着不可替代的作用，其碳储存能力极为突出，承载的碳储量占全球陆地碳总储量的80%以上，在调节大气二氧化碳浓度方面具有重要意义^［2-3］。由大气CO₂浓度升高引起的全球变暖降低了生态系统服务和生物多样性，从而影响了人类生活和生态健康^［4-6］。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）气候变化研究报告指明，从20世纪80年代起“全球变暖”已经成为最重要的气候大背景^［7］，极大地影响区域水热结构，从而导致极端气候事件发生的频率和强度增强^［8］。极端气候事件通常具有突发性强、难以准确预测的特点，易引发区域性气象灾害甚至地质灾害，对生态环境和社会经济体系造成长期而深远的影响^［9］。东北地区是我国最为典型的极端气候事件的敏感区与脆弱区，生态系统的可持续发展和社会经济的发展受到了严重的影响。研究表明，旱涝灾害已经成为了东北地区的常态性气象灾害，仅在2018年，东北三省地区的作物因受灾造成绝收的面积就高达68.8万hm²^［10］。与此同时，在全球气候变暖的大环境背景下，东北地区珍贵的湿地与冻土开始退化，且森林生态系统也因为各种极端气候事件受到了不同程度的影响，面临着巨大的威胁^［11-12］。因此探究东北地区极端气候的时间演变与其对森林生态系统的影响尤为重要。加强森林经营管理，及时应对各种极端气候事件，保护好现有森林资源，进而促进森林生态系统碳吸收与贮存，是增加森林碳汇的重要途径^［13］。加速发展森林碳汇是生态文明建设的要求，更是应对全球气候变化的重要方法。

近些年，许多学者利用遥感方法定义了一系列反映植被碳汇能力的指标，包括总初级生产力（gross primary productivity，GPP）、净初级生产力（net primary productivity，NPP）、净生态系统生产力（net ecosystem productivity，NEP）和净生物群区生产力（net biome productivity）^［14］。NEP指植被NPP与异养呼吸之间的差值，代表陆地生态系统与大气之间的净碳交换^［15］，是估算区域碳源汇的重要指标^［16］。当NEP的值为正时表示碳汇，当NEP值为负时表示碳源^［17］。徐勇等^［18］以中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）的MOD17A3产品数据为基准，在进行验证后，研究了西南地区植被NEP的时空变化及其对气候变化和土地利用变化的响应。孙永涛等^［19］利用森林资源二类调查数据，发现丽水市的主要碳汇来源为针叶混交林、针阔混交林等树种，为理解森林类型与碳汇能力之间的联系提供了参考。以前的研究主要集中在自然条件和碳汇趋势之间的关系上，关于各种极端气候事件对森林生态系统NEP的影响尚不确定，因此对于这方面的研究还有待深入。

本研究基于MODIS的MOD17A3GF数据集估算净生态系统生产力（NEP），采用Sen趋势（Sen′s）和Mann-Kendall（MK）检验（Sen′s+MK）探究东北地区森林生态系统NEP与极端气候指数的时空变化特征与规律，并利用地理探测器分析东北地区森林生态系统NEP对极端气候指数的响应，为提升森林碳汇提供参考依据与决策支持，丰富对中国东北地区森林生态系统固碳的认识。

1 研究区与数据概况

1.1 研究区概况

东北地区位于我国的东北部，地处亚欧大陆东岸，北与俄罗斯接壤，南连河北省，西邻内蒙古自治区，东接朝鲜，包含黑龙江、吉林、辽宁三省和内蒙古自治区东部（呼伦贝尔市、兴安盟、通辽市和赤峰市、锡林郭勒盟），地理范围为38°43′—53°33′N，111°9′—134°46′E，如图1所示。东北地区森林覆盖率达到63.74%，地形以平原和山地为主，四季分明，夏季温暖湿润，冬季低温干燥。其中，夏季降水充沛，降水量占全年降水总量的一半以上。

1.2 数据来源与预处理

本研究使用遥感数据与气象数据，分别包括NPP数据、土壤有机碳数据^［20］、中国土地覆盖数据集^［21］、逐月降水量数据集、逐月平均气温数据集^［22-25］与全球站点逐日气象数据集，见表1。在进行东北地区森林NEP与极端气候指数的时空变化趋势检验时，使用NPP数据、土壤有机碳数据、中国土地覆盖数据、逐月降水量数据与逐月平均气温数据计算得到了中国东北地区森林生态系统NEP，使用全球站点逐日气象数据计算得到了中国东北地区森林生态系统极端气候指数。

2 研究方法

2.1 东北地区森林NEP计算

由于大面积对土壤呼吸（R_s）与土壤异养呼吸（R_h）进行测量在现阶段是难度较大的，因此本研究根据前人研究成果对这2个参数进行估测。根据Chen等^［26］的研究，估测土壤呼吸（R_s）公式为

R_{\mathrm{S}}=\mathrm{1.55}{\mathrm{e}}^{\mathrm{0.031}T}\times \frac{P}{P+\mathrm{0.68}}\times \frac{S}{S+\mathrm{2.23}}。（1）

式中：R_s为年土壤呼吸，kg C/（m²·a）；T为年平均温度，℃；P为年降水量，mm；S为0~20 cm表层土壤有机碳，kg C/（m²·a）。

在此基础上，采用张梅等^［27］提出的模型来估算土壤异养呼吸（R_h），公式为

R_{\mathrm{h}}=\mathrm{0.616}\mathrm{3}{R_{\mathrm{S}}}^{\mathrm{0.791}\mathrm{8}}。（2）

计算森林NEP（式中记为N_EP），即NEP为NPP（式中记为N_PP）减去土壤异养呼吸消耗的组分。公式为

N_{\mathrm{E}\mathrm{P}}=N_{\mathrm{P}\mathrm{P}}-R_{\mathrm{h}}。（3）

当N_EP为正值时，表示碳汇，为负值时，表示碳源。

2.2 极端气候事件的提取方法

研究使用的是加拿大气象研究中心开发的RClimDex（1.0），该软件是基于R编辑器开发的用于计算多种极端气候指数（https：//etccdi.pacificclimate.org）。根据日最高温、日最低温、日降水量等日值气象数据，通过RClimDex软件计算2000—2020年东北地区的极端气候指数。根据东北地区的气象灾害情况和研究需要，从国际气候专家组（STARDEX计划）定义的27种极端气候指数中选取21个（包括11个极端气温指数和10个极端降水指数）进行统计和分析，极端气候指数详细定义见表2。

2.3 东北地区森林NEP与气候指数的时空变化趋势检验

本研究采用Sen趋势分析和Mann-Kendall检验相结合的方法分析各遥感指数的长期变化趋势。针对森林NEP或某一极端气候指数，首先基于Theil-Sen Median方法计算其年际变异趋势（ρ）^［28］，公式为

\rho =\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\frac{x_j-x_i}{j-i}。（4）

式中：x_j 和x_i 为第j年和第i年的NEP或极端气候指数；ρ为趋势度，当ρ<0时，表示呈下降趋势，当ρ>0时，表示呈上升趋势。

Mann-Kendall检验能够有效检验植被动态的时间序列变化趋势，本研究将Sen趋势分析和MK检验相结合，分析研究区的NEP变化趋势以及显著情况^［29］。MK方法定义统计量（Q）为

Q={\displaystyle \sum _{i=\mathrm{1}}^{n-\mathrm{1}}}{\displaystyle \sum _{j=i+\mathrm{1}}^n}\mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}(x_j-x_i)。（5）

式中：n为研究年数；sign（）为符号函数，表达式为

。（6）

Q为正态分布，方差计算公式为

\mathrm{v}\mathrm{a}\mathrm{r}Q=\frac{n\left(n-\mathrm{1}\right)\left(\mathrm{2}n+\mathrm{5}\right)}{\mathrm{18}}。（7）

Mann-Kendall统计量公式中不同区间对应Z为

。（8）

在a=0.05水平下展开显著性检验，显著性水平下，若\left|Z\right|>Z_1-a/2，则表示时间序列发生了明显的变化。

2.4 东北地区森林NEP影响因素研究

为全面识别影响NEP空间分异的气候因子，本研究将气候平均态变量（年均温、年降水量）与极端气候指数同时纳入地理探测器分析。地理探测器是一种可以用于探测和揭示数据之间空间分异性的工具，包括因子探测器、生态探测器、交互作用探测器和风险区探测器^［30］。其中因子探测器常用于评估某一因子对因变量变化的解释程度。在本研究中，以5 a为一个周期，利用地理探测器分别对2000、2005、2010、2015和2020年森林NEP的驱动因子进行分析，并通过q进行量化。计算公式为

q=\mathrm{1}-\frac{{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}}。（9）

式中：q为分异性因子；N_h 和N分别表示h类别单元数和全区域单元数；L为变量类别数，h=1，2，……，为具体某一类型；σ_h 和σ分别为h类别的方差和全区域的方差；q的值域为［0，1］。

此外，地理探测器中的交互探测器能够分析不同因子之间的交互作用^［29］，即评估因子X₁和X₂共同作用时是否增强或减弱会对变量Y的解释力，同时还能判断这些因子是否互相独立。在本研究中，该方法可用于探讨极端气候指数两两之间是否会对森林NEP产生协同影响。具体计算步骤为，首先分别算出2个因子的解释力q₁和q₂，然后通过叠加2个变量的多边形生成新的多边形，并计算其q。最后将该q与单一因子的解释力进行比较，两因子之间的关系见表3。

3 结果与分析

3.1 东北森林NEP的年际变化趋势

在过去21 a（2000—2020年）中，东北地区整体森林的年均净生态系统生产力（NEP）呈现出缓慢但持续上升的趋势，如图2所示。

由图2（a）可知，不同省份的年均NEP变化表现出一定的区域差异。其中，吉林省的森林NEP值最高，年均为389.8 g C/（m²·a），森林生态系统的碳汇能力较强，但呈现出一定的下降趋势。相比之下，内蒙古东部的森林NEP最低，年均为287.3 g C/（m²·a），是碳汇能力较弱的地区。辽宁省的森林NEP波动性较大，也呈现出一定的下降趋势，黑龙江省的森林NEP呈现缓慢的增加趋势，且与东北地区的森林NEP增加趋势相似。

由图2（b）可知，2000、2010、2020年的NEP均值分别为257.25、288.19、297.35 g C/（m²·a）。与2000年的基准年相比，2010年和2020年的东北森林NEP有一定程度增长，表明森林生态系统的碳吸收能力有所增强。2000—2010年，年均NEP增加30.94 g C/（m²·a），而2010—2020年NEP的增幅变缓，仅为9.16 g C/（m²·a）。

3.2 东北森林NEP的时空变化特征

由图3可知，近21 a来（2000—2020年），东北地区森林净生态系统生产力（NEP）的空间分布趋势表现出一定的规律性，并呈现出显著的时空变化。从整体来看，研究区大部分的森林NEP值在此期间呈现显著或较为明显的上升趋势（尤其是在大兴安岭与小兴安岭山脉），表明东北地区森林生态系统的碳汇能力总体增强。这一变化可能与该区域的气候适宜性、森林管理和恢复措施以及生态保护政策的改善密切相关。从空间分布来看，东北地区森林NEP的变化表现出了显著的区域差异性。在东北地区北部，尤其是黑龙江北部和内蒙古东北部的大兴安岭地区，森林NEP的增加尤为显著。然而，在东北地区东南部（如长白山部分地区），森林NEP则表现出一定的下降趋势。

3.3 东北地区极端气候事件的时空变化特征

为探讨极端气候事件与NEP之间的关系，应用斯皮尔曼相关系数（Spearman’s correlation coefficient）评估这些指数与NEP之间的相关性。首先计算2000、2005、2010、2015、2020年极端气候指数与NEP的斯皮尔曼相关系数，得到每年与NEP相关性高的极端气候指数，之后取5 a中出现频率最高的极端气候指数进行下一步分析。

由图4可知，在21个极端气候指数中，8个指数与森林NEP具有相关性且在5 a中出现的频率最高，包括：气温日较差（daily temperature difference，DTR）、强降水量（heavy precipitation，R95P）、持续干燥日数（continuous dryness index，CDD）、冷持续指数（cold persistence index，CSDI）、持续湿润日数（continuous wet days，CWD）、霜冻日数（frost days，FD0），以及夏季日数（summer days，SU25）和暖持续指数（warm persistence index，WSDI）。

对8个极端气候指数、年均温及年降水量进行Sen's+MK趋势检验，得到2000—2020年极端气候指数的时空变化格局，如图5所示，研究区内多个极端气候指数表现出显著变化。由图5（a）可知，气温日较差（DTR）在整个研究区呈现基本稳定的趋势；强降水量（R95P）在东北大部分地区显著增加，仅在长白山的小部分地区呈现下降趋势（图5（b））。持续干燥日数（CDD）在长白山地区呈现下降趋势，大兴安岭以及小兴安岭部分地区呈现下降，其他地区基本稳定（图5（c））；冷持续指数（CSDI）在大部分地区基本稳定，但大兴安岭北部和长白山山脉少部分区域呈现下降的趋势（图5（d）），而持续湿润日数（CWD）在大部分地区呈现轻微下降的趋势，仅在小兴安岭少部分地区呈现极显著增加的趋势（图5（e））。霜冻日数（FD0）在大部分地区基本稳定，但在长白山少部分地区呈现极显著增加的趋势（图5（f））。夏季日数（SU25）在研究区南、北变化趋势相反：在北部大兴安岭与小兴安岭地区呈现减少，而在长白山地区呈现增加的趋势（图5（g））。暖持续指数（WSDI）在大兴安岭、小兴安岭与长白山地区均呈现明显的增加趋势，增加区域占比较大（图5（h））；年降水量在大部分地区尤其是大兴安岭、小兴安岭与长白山地区呈现极显著增加的趋势，少部分地区呈现基本稳定（图5（i））；年均温则在东北均呈现基本稳定的趋势（图5（j））。整体上，近21 a来研究区的昼夜温差未发生明显变化，冷事件减少而暖事件增加，部分地区干旱程度有所缓解。

3.4 东北森林NEP影响因素分析

虽然年均温和年降水代表的是气候的长期平均态，而极端气候指数反映的是短期突发气候事件，但二者可能通过不同机制共同影响NEP的空间分布，因此在地理探测器分析中统一纳入进行比较，以评估其相对重要性和协同作用。在地理探测器中，输入气温日较差（DTR）、强降水量（R95P）、持续干燥日数（CDD）、冷持续指数（CSDI）、持续湿润日数（CWD）、霜冻日数（FD0）、夏季日数（SU25）、暖持续指数（WSDI）、年均温（TMP）与年降水量（PRE）共10个因子，如图6所示。因子探测器结果表明，21 a间影响NEP的因子重要性从高到低依次为TMP、FD0、PRE、CDD、CWD=WSDI、SU25、R95P=DTR、CSDI。年均温、霜冻日数与年降水量q＞0.2，是区域内NEP分布的主导环境因子。持续干燥日数的q=0.12，与持续湿润指数和暖持续指数的q（0.11）接近，即对NEP空间分布的解释力中等；夏季日数、强降水量、气温日较差与冷持续指数对森林NEP的解释力最弱，q分别为0.10、0.09、0.09与0.07。

由图7可知，两两气候因子的交互作用下对森林NEP的解释力更高，双因子共同作用都要大于第一种变量的独自作用。双因子的交互作用可以增强生态系统的复杂性，从而使其能够适应更多的环境因素。其中，年降水量与年均温（q=0.38）、年降水量与霜冻日数（q=0.34）、年降水量与暖持续指数（q=0.33）和年均温与持续湿润日数（q=0.33）对东北地区森林NEP空间分布的解释力较大。由此可以看出，年降水量作为东北地区森林NEP空间分布的主导气候类因子，在同其他环境因子的交互作用下，对植被净生态系统生产力影响最大。

4 讨论

4.1 东北地区森林碳汇能力的提升与挑战

2000—2020年东北地区森林生态系统的NEP呈现上升的趋势，表明研究区的碳汇作用越来越显著，东北地区森林生态系统的碳循环得到有效改善，与之前的研究一致^［31-32］。整体来看，森林NEP的最高值主要集中在东北地区的东南部，特别是长白山山脉地区。具体来看，2000、2010和2020年东北地区森林NEP的均值逐渐上升，分别为257.25、288.19、297.35 g C/（m²·a），显示出东北森林生态系统碳汇能力的持续增强，与之前周美琦等^［33］的研究结果一致。本研究进一步指出，该地区森林NEP虽然呈现增加趋势，但是仍面临着较大的挑战。这种向好态势一方面与该地区的生态保护措施密切相关，对当地生态环境的改善具有重要意义。但由于东北地区是中国最为典型的极端气候事件的敏感区与脆弱区之一，东北地区极端气候事件频发，给森林生态系统带来了较大的挑战，加之大部分森林趋于成熟，因此近十年（2010—2020）东北森林生态系统碳汇能力的增加明显放缓。

4.2 东北地区气候因子的变化趋势分析

本研究对2000—2020年东北地区的气候因子进行了Sen’s+MK趋势检验，包括描述平均态的气候因子（即年均温和年降水量）和描述极端气候的因子（即气温日较差、强降水量、持续干燥日数、冷持续指数、持续湿润日数、霜冻日数、夏季日数和暖持续指数），并揭示了这些气候因子近21 a来的时空变化特征。整体来看，研究区的极端气候指数表现出显著的区域性变化，反映了过去21 a东北地区气候变化的复杂性。东北地区的年均温虽然基本保持稳定，但表征低温事件的指数（冷持续指数）减小，表示气温上升的指数（暖持续指数）在上升，这可能会导致生长季的延长，提高植被的生长潜力，也可能对生长周期、物候期以及生长速度产生了影响，这与前人的研究结果一致。蔡子怡等^［34］研究表明我国北方地区极端暖事件发生的空间差异显著，年际和季节尺度上极端低温指数上升趋势更为明显，冬季的升温最为显著。强降水量在大部分地区显著增加，持续干燥日数在大部分地区为下降趋势，而持续湿润日数在部分地区轻微下降，小兴安岭地区显著增加。这一趋势可能与降水事件的时空分布变化有关，结果也与前人研究一致：降水极端性增强，其区域差异要强于极端气温指数植被，对环境变化相当敏感^［35］，气候是对植被生长具有决定性影响的自然驱动力。同时研究区的年降水量呈现出增加的趋势，未来很有可能会继续走向湿润，这与何秋霞等^［36］的研究一致。

4.3 影响东北森林NEP的气候因素

本研究旨在明确气候因素对东北森林NEP的主导作用，因此在变量选取上排除了人文因素的影响。相比之下，人类活动因素往往具有较强的区域性与复杂性，因此，关于人文因素的作用机制将在未来研究中进一步探讨。本研究与前人研究结论相同，表明年降水量与年均温是影响东北地区净生态系统生产力变化的重要因素^{［33，37］}。同时，经交互探测可知，两两因子交互作用下对森林NEP的解释力更高，气候因子共同作用都要大于第一种变量的独自作用。年降水量作为东北地区森林NEP空间分布的主导气候类因子，在同其他因子的交互作用下，对森林净生态系统生产力影响最大。降水的增多，可能会使植物的光合作用和生长速率得到促进，从而增强了碳汇功能；温度的升高，可能延长了植物的生长周期，为碳的固定提供了更多的时间，这与张璐等^［37］基于遥感分析东北植被碳源汇时空动态研究的相关性结论一致。本研究发现霜冻日数也是东北地区森林NEP的重要驱动因子之一。由于霜冻日数在大部分地区呈现基本稳定的趋势，森林生态系统可能不会经历极端冷事件的影响，碳吸收的能力较为稳定，从而加强森林生态系统的碳汇功能，对区域的碳平衡产生积极的影响。

5 结论

本研究分析了2000—2020年东北地区森林NEP时空变化特征，并用地理探测器定量分析了10个气候因子（年均温、年降水量和8个极端气候因子）对森林NEP的影响。具体结论如下：在这21 a间，东北地区森林净生态生产力（NEP）整体呈缓慢上升趋势，在东北地区北部，尤其是黑龙江北部和内蒙古东北部的大兴安岭地区，森林NEP的增加尤为显著。然而，在东北地区东南部（如长白山部分地区），森林NEP则表现出一定的下降趋势。同时，东北地区极端气温和降水事件呈现显著时空变化特征如下：冷持续指数（CSDI）减少而暖持续指数（WSDI）增加，年降水量（PRE）显著增加且持续干燥指数（CDD）减少，部分地区干旱程度有所缓解。因子探测结果表明，2000—2020年间影响东北森林NEP的主要因子由大到小依次为年均温（TMP）、霜冻日数（FD0）和年降水量（PRE）。交互探测显示，两两因子交互作用显著增强了对森林NEP变化的解释力，其中年降水量作为主导因子，与其他因子交互作用对NEP影响最大。整体来看，2000—2020年东北森林碳汇能力增强，但受气候变化和区域条件影响存在明显差异。研究得出的规律为揭示区域碳循环过程、理解气候变化与生态系统的耦合作用提供了科学依据，并为提升森林碳汇能力的区域生态管理提供了实践指导。

参考文献

[1] ZHANG M， YUAN N， LIN H，et al.Quantitative estimation of the factors impacting spatiotemporal variation in NPP in the Dongting Lake wetlands using Landsat time series data for the last two decades［J］.Ecological Indicators，2022，135：108544.

[2] KRAMER P J.Carbon dioxide concentration，photosynthesis，and dry matter production［J］.BioScience，1981，31（1）：29-33.

[3] LUYSSAERT S， SCHULZE E D， BÖRNER A，et al.Old-growth forests as global carbon sinks［J］.Nature，2008，455（7210）：213-215.

[4] BELLARD C， MARINO C， COURCHAMP F.Ranking threats to biodiversity and why it doesn’t matter［J］.Nature Communications，2022，13（1）：2616.

[5] LI G， FANG C， LI Y，et al.Global impacts of future urban expansion on terrestrial vertebrate diversity［J］.Nature communications，2022，13（1）：1628.

[6] PIAO S， WANG X， PARK T，et al.Characteristics，drivers and feedbacks of global greening［J］.Nature Reviews Earth & Environment，2020，1（1）：14-27.

[7] SIMS R E H， SCHAEFFER R， CREUTZIG F，et al.Mitigation of climate change.Contribution of working group III to the fifth assessment report of the intergovernmental panel on climate change［M］ Cambridge，UK：Cambridge University Press，2014.

[8] 中国气象局.《2020年中国气候公报》速览［N］.中国气象报，2021-02-10 （3）.

[9] China Meteorological Administration.Summary of China climate bulletin 2020［N］.China Meteorological News，2021-02-10（3）.

[10] 肖薇薇，安彬，贾丹.1955—2017年安康市极端气候事件时序变化特征［J］.水土保持研究，2021，28（5）：212-221.

[11] XIAO W W， AN B， JIA D.Temporal variation characteristics of extreme weather events in Ankang from 1955 to 2017［J］.Research of Soil and Water Conservation，2021，28（5）：212-221.

[12] 崔宁波，殷琪荔.气候变化对东北地区粮食生产的影响及对策响应［J］.灾害学，2022，37（1）：52-57.

[13] CUI N B， YIN Q L.Impacts of climate change on grain production in Northeast China and countermeasures［J］.Journal of Catastrophology，2022，37（1）：52-57.

[14] 潘响亮，邓伟，张道勇，等.东北地区湿地的水文景观分类及其对气候变化的脆弱性［J］.环境科学研究，2003（1）：14-18，52.

[15] PAN X L， DENG W， ZHANG D Y，et al.Classification of hydrological landscapes of typical wetlands in Northeast China and their vulnerability to climate change［J］.Research of Environmental Sciences，2003（1）：14-18，52.

[16] LI X， JIN H， SUN L，et al.Climate warming over 1961-2019 and impacts on permafrost zonation in Northeast China［J］.Journal of Forestry Research，2022，33（3）：767-788.

[17] 侯振宏，张小全，肖文发.中国森林管理活动碳汇及其潜力［J］.林业科学，2012，48（8）：11-15.

[18] HOU Z H， ZHANG X Q， XIAO W F.Carbon sink estimation and potential of forest management in China［J］.Scientia Silvae Sinicae，2012，48（8）：11-15.

[19] 刘风，曾永年.2000-2015年青海高原植被碳源/汇时空格局及变化［J］.生态学报，2021，41（14）：5792-5803.

[20] LIU F， ZENG Y N.Analysis of the spatio-temporal variation of vegetation carbon source/sink in Qinghai Plateau from 2000-2015［J］.Acta Ecologica Sinica，2021，41（14）：5792-5803.

[21] YANG H， CHEN W.Spatio-temporal pattern of urban vegetation carbon sink and driving mechanisms of human activities in Huaibei，China［J］.Environmental Science and Pollution Research，2022，29（21）：31957-31971.

[22] FERNÁNDEZ-MARTÍNEZ M， VICCA S， JANSSENS I A，et al.Nutrient availability as the key regulator of global forest carbon balance［J］.Nature Climate Change，2014，4（6）：471-476.

[23] FATICHI S， PAPPAS C， ZSCHEISCHLER J，et al.Modelling carbon sources and sinks in terrestrial vegetation［J］.New Phytologist，2019，221（2）：652-668.

[24] 徐勇，黄雯婷，郭振东，等.2000—2020年我国西南地区植被NEP时空变化及其驱动因素的相对贡献［J］.环境科学研究，2023，36（3）：557-570.

[25] XU Y， HUANG W T， GUO Z D，et al.Spatio-temporal variation of vegetation net ecosystem productivity and relative contribution of driving forces in Southwest China from 2000 to 2020［J］.Research of Environmental Sciences，2023，36（3）：557-570.

[26] 孙永涛，林锦怡，张振振，等.以森林资源二类调查数据为基础对丽水市森林碳汇潜力和森林健康状况的评价［J］.东北林业大学学报，2024，52（12）：101-110.

[27] SUN Y T， LIN J Y， ZHANG Z Z，et al.Assessment of forest carbon sink potential and forest health status in Lishui City based on second-class forest resource survey data［J］.Journal of Northeast Forestry University，2024，52（12）：101-110.

[28] LI H， WU Y， LIU S，et al.Decipher soil organic carbon dynamics and driving forces across China using machine learning［J］.Global Change Biology，2022，28（10）：3394-3410.

[29] YANG J， HUANG X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019［J］.Earth System Science Data，2021，13（8）：3907-3925.

[30] PENG S Z， DING Y X， WEN Z M，et al.Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100［J］.Agricultural and Forest Meteorology，2017，233：183-194.

[31] DING Y X， PENG S Z.Spatiotemporal trends and attribution of drought across China from 1901—2100［J］.Sustainability，2020，12（2）：477.

[32] PENG S Z， DING Y X， LIU W Z，et al.1 km monthly temperature and precipitation dataset for China from 1901 to 2017［J］.Earth System Science Data，2019，11（4）：1931-1946.

[33] PENG S， GANG C， CAO Y，et al.Assessment of climate change trends over the Loess Plateau in China from 1901 to 2100［J］.International Journal of Climatology，2018，38（5）：2250-2264.

[34] CHEN S T， HUANG Y， ZOU J W，et al.Interannual variability in soil respiration from terrestrial ecosystems in China and its response to climate change［J］.Science China Earth Sciences，2012，55：2091-2098.

[35] 张梅，黄贤金，揣小伟，等.中国净生态系统生产力空间分布及编号趋势研究［J］.地理与地理信息科学，2020，36（2）：69-74.

[36] ZHANG M， HUANG X J， CHUAI X W，et al.Spatial distribution and changing trends of net ecosystem productivity in China［J］.Geography and Geo-Information Science，2020，36（2）：69-74.

[37] 刘子源，周德成，郝璐，等.基于3种遥感指数的2000~2020年尼泊尔地区植被生长动态的对比［J］.环境科学，2024，45（10）：5924-5930.

[38] LIU Z Y， ZHOU D C， HAO L，et al.Comparison of three remote sensing indices in revealing the vegetation growth dynamics in Nepal from 2000 to 2020［J］.Environmental Science，2024，45（10）：5924-5930.

[39] 塞米热·吾斯曼，杨涵，钟瑞森，等.伊犁河三角洲植被覆盖度时空变化特征及影响因素［J］.水生态学杂志，1-11［2025-02-16］.

[40] SAIMIRE·W S M， YANG H， ZHONG R S，et al.Characterization of spatial and temporal changes and influencing factors invegetation cover in the Ili River Delta［J］.Journal of Hydroecology，1-11［2025-02-16］.

[41] 王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.

[42] WANG J F， XU C D.Geodetector：Principle and prospective［J］.Acta Geographica Sinica，2017，72（1）：116-134.

[43] 邵全琴，刘树超，宁佳，等.2000—2019年中国重大生态工程生态效益遥感评估［J］.地理学报，2022，77（9）：2133-2153.

[44] SHAO Q Q， LIU S C， NING J，et al.Assessment of ecological benefits of key national ecological projects in China in 2000-2019 using remote sensing［J］.Acta Geographica Sinica，2022，77（9）：2133-2153.

[45] 刘文利，姜亮亮，刘冰，等.中国植被碳源/汇时空演变特征及其驱动因素［J］.生态学报，2024，44（4）：1456-1467.

[46] LIU W L， JIANG L L， LIU B，et al.Spatio-temporal evolution characteristics and driving factors analysis of vegetation carbon sources/sinks in China［J］.Acta Ecologica Sinica，2024，44（4）：1456-1467.

[47] 周美琦，景海波，朱倩琳.基于遥感的东北三省植被碳汇研究［J］.河南科技，2023，42（18）：101-106.

[48] ZHOU M Q， JING H B， ZHU Q L.Study of vegetation carbon sink in Northeast China based on RS data［J］.Henan Science and Technology，2023，42（18）：101-106.

[49] 蔡子怡，游庆龙，吴芳营，等.全球碳中和背景下中国气候与极端气候变化［J］.科技导报，2024，42（19）：73-84.

[50] CAI Z Y， YOU Q L， WU F Y，et al.China's climate and extreme climate changes under the global carbon neutrality scenario［J］.Science and Technology Review，2024，42（19）：73-84.

[51] GU Z， DUAN X， SHI Y，et al.Spatiotemporal variation in vegetation coverage and its response to climatic factors in the Red River Basin，China［J］.Ecological Indicators，2018，93：54-64.

[52] 何秋霞，吴晓兰，汪美宏，等.1971—2020年东北地区极端气候时空变化分析［J］.科技风，2023（36）：83-85.

[53] HE Q X， WU X L， WANG M H，et al.Analysis of spatiotemporal changes of extreme climate in Northeast China from 1971 to 2020［J］.Technology Wind，2023（36）：83-85.

[54] 张璐，王静，施润和.2000—2010年东北三省碳源汇时空动态遥感研究［J］.华东师范大学学报（自然科学版），2015（4）：164-173.

[55] ZHANG L， WANG J， SHI R H.Temporal-spatial variations of carbon sink/source in Northeast China from 2000 to 2010［J］.Journal of East China Normal University （Natural Science），2015（4）：164-173.

基金资助

国家重点研发计划项目(2021YFD2200401)

森林生态系统可持续经营教育部重点实验室开放基金项目(KFJJ2021YB04)