黑龙江省森林覆盖及类型变化对森林碳汇的影响

The Impact of Changes in Forest Cover and Types on Forest Carbon Sinks in Heilongjiang Province

摘要

明确森林覆盖及类型变化对森林碳汇的影响有助于制定提升森林碳汇的科学政策，为国家实现碳达峰、碳中和目标提供支撑。以黑龙江省为研究区，结合卫星数据驱动的生理生长预测模型（physiological principles predicting growth with satellites model，3-PGS）和土壤呼吸地统计学模型（geostatistical model of soil respiration，GSMSR）估算碳汇量，运用图谱分析法和结构方程模型量化森林覆盖及类型变化对碳汇的影响，并结合标准化异常指数（standardized anomaly index，SAI）分析碳汇的年际异常变化特征。结果表明，2000—2020年，黑龙江省森林覆盖率从48.95%升至51.76%。碳汇水平整体波动上升，累积碳汇量达57.92×10⁷ t C，约抵消同期34.85%的碳排放。碳汇变化分为3个阶段，2000—2004年在波动中出现一定的降低，年均固碳量为2.31×10⁷ t C；2005—2013年碳汇平稳上升，年均固碳量高于多年均值2.03%；2014—2020年碳汇水平先加速增长，2017年达到峰值后出现放缓，2020年极端降水灾害导致碳汇出现中度异常减少。在影响碳汇的关键因素方面，退耕还林和草地造林等生态修复活动对碳汇提升有着积极的作用，同时森林内部结构调整也是碳汇提升的重要驱动因子，阔叶林和混交林对碳汇提升有显著正向效应。空间分布上，黑龙江省森林生态系统呈现出“中部和东部高效固碳、北部区域稳步提升”的格局。

Abstract

Clarifying the effects of forest cover and type changes on forest carbon sinks helps formulate scientific policies to enhance forest carbon sinks， and provides support for the country to achieve carbon peaking and carbon neutrality goals. Taking Heilongjiang Province as the study area， this study estimated carbon sinks by combining the 3-PGS （physiological principles predicting growth with satellites） model and the GSMSR （geostatistical model of soil respiration） model. Atlas analysis and structural equation model were used to quantify the impacts of forest cover and type changes on carbon sinks， and the standardized anomaly index （SAI） was applied to analyze the interannual anomaly characteristics of carbon sinks. The results showed that： from 2000 to 2020， the forest coverage rate in Heilongjiang Province rose from 48.95% to 51.76%. The overall carbon sink level showed a fluctuating upward trend， with a cumulative carbon sink of 57.92×10⁷ t C， offsetting approximately 34.85% of carbon emissions over the same period. Carbon sink changes were divided into three stages： a fluctuating decrease from 2000 to 2004， with an average annual carbon sequestration of 2.31×10⁷ t C； a steady increase from 2005 to 2013， 2.03% higher than the average； an accelerated growth followed by a slowdown after peaking in 2017 from 2014 to 2020， and a moderate abnormal reduction occurred in 2020 due to extreme rainfalls. In terms of key factors influencing carbon sinks， ecological restoration such as returning farmland to forests and grassland afforestation positively promotes carbon sink enhancement. Meanwhile， internal forest structure adjustment is also a key driver， and broad-leaved and mixed forests show significant positive effects. Spatially， the forest ecosystem in Heilongjiang Province presents a pattern of “efficient carbon sequestration in the central and eastern parts and steady improvement in the northern region”.

Graphical abstract

关键词

卫星版3-PGS生长模型 / 土壤呼吸地统计学模型 / 森林碳汇 / 森林覆盖及类型变化 / 图谱分析法 / 标准化异常指数 / 结构方程模型 / 黑龙江省

Key words

3-PGS model / GSMSR model / forest ecosystem carbon sinks / changes in forest cover and types / atlas analysis method / standardized anomaly index / structural equation model / heilongjiang province

0 引言

全球气候变暖所导致的环境问题是目前人类社会面临的最严峻的挑战之一，对人类社会和环境的可持续发展影响越来越严重^［1］。因此，在当今全球气候变化的大背景下，生态系统碳循环研究变得愈发关键。作为世界上最大的发展中国家，为积极应对这一问题，中国于2020年9月提出“双碳”目标，即在2030年实现碳达峰、2060年实现碳中和。森林生态系统是陆地碳循环的核心载体，其碳汇功能是实现“双碳”目标的重要途径之一。天保工程是生态保护和提升森林碳汇的重要措施。通过控制和禁止天然林的采伐来保护天然林资源，同时实施植树造林和退耕还林来修复森林，逐步提升森林生态系统碳汇能力，可为国家“双碳”目标的实现提供助力，进而为减缓全球气候变化贡献力量。

森林生态系统碳源/汇评估的重要指标是净生态系统生产力^［2］（net ecosystem productivity，NEP），一方面，森林生态系统通过光合作用复杂的生理过程对大气中的CO₂进行吸收并转化为有机物质；另一方面，通过自养呼吸和土壤微生物的异养呼吸向大气中释放CO₂。森林生态系统固定的CO₂与释放的CO₂之差即为NEP，当NEP大于0时，森林生态系统表现为碳汇，可吸收大气中的CO₂，反之表现为碳源，向大气中释放CO₂，其数值可以直接反映森林生态系统碳汇功能的强弱。影响森林生态系统固碳能力的因素很多，除自然因素外，由人类活动引起的土地利用/覆被变化（land use/cover change，LUCC）是导致的碳源/汇变化关键性驱动因子。已有数据显示，在1850年之后的140年间，由LUCC造成的全球陆地生态系统CO₂排放量，占人类活动总排放量的1/3左右^［3-5］。这一比例在1990年到2010年降低至12.5%^［6］，并在随后的10年间又上升至14%^［7］。尽管由LUCC导致的碳排放有所降低，但其仍是除化石燃料燃烧所造成的碳排放之外最主要的碳排放源。

有关LUCC对森林碳汇的影响，在国内外已有较为丰富的研究结果。国外研究中，Houghton等^［8］基于1700—1990年的历史数据分析了美国不同土地覆盖类型之间转换造成碳通量的变化，1945年之前由于森林开垦造成了约25 Pg C的碳排放，此后随着森林火灾和砍伐的减少，该区域森林逐渐转变为碳汇；Sharma等^［9］通过分析喜马拉雅流域1998年和2001年的卫星影像数据，发现该区域森林面积减少了28%，并导致了严重的碳储量流失，论证了LUCC与碳密度之间存在较强的相关关系。国内研究则从全国到区域尺度都有所覆盖，葛全胜等^［10］研究了过去300年间中国LUCC与碳循环的关系，发现过去300年，中国森林面积的急剧减少和耕地面积的快速增加是陆地生态系统碳储量减少的主要原因；王渊刚等^［11］基于Bookkeeping模型研究了玛纳斯河流域土地利用变化对陆地生态系统碳储量变化的影响，指出荒地开垦有助于碳储量的提升；杜明凤等^［12］根据多期森林资源清查数据对贵州省森林碳储量进行了估算，发现贵州省森林碳储量增加显著，表现出较好的碳汇能力，其中针叶林和阔叶混交林的贡献最为突出；林黛仪等^［13］以广东南岭的4种典型植被为研究对象，用集成生物圈模型（integrated biosphere simulator，IBIS）对2020年森林碳收支情况进行了模拟，结果表明沟谷常绿阔叶林的总初级生产力（gross primary productivity，GPP）最高，而净初级生产力（net primary productivity，NPP）和NEP则是山地常绿阔叶林最高，不同森林类型均表现为碳汇，且全年逐月的NPP和NEP总体上呈现双峰曲线变化。张璐等^［14］以东北三省为研究区，探究了2000—2010年东北三省的碳汇时空变化特征，研究结果表明东北三省大部分区域表现为碳汇，从NEP空间分布上来看吉林最高，其次为辽宁，最后为黑龙江；王斌^［15］利用陆地生态系统碳收支综合模型（integrated terrestrial ecosystem carbon-budget model，InTEC）对黑龙江1901年开始的110年间的NPP和NEP进行了模拟，发现NPP在过去110年里呈现上升的趋势，而NEP的波动却比较大，研究期末时有所恢复。现有研究主要聚焦林地与其他土地覆盖类型转换引起的碳汇变化，忽略了森林类型变化引起的碳汇变化，为明确森林覆盖及类型变化对森林碳汇的影响机制，本研究拟采用卫星数据驱动的生理生长预测模型（physiological principles predicting growth with satellites model，3-PGS）和土壤呼吸地统计学模型（geostatistical model of soil respiration，GSMSR），对2000—2020年黑龙江省森林碳汇量进行估算，并通过标准化异常指数分析NEP的异常变化特征。同时，基于图谱分析法和结构方程模型，量化分析该时期森林覆盖及类型变化对碳汇的影响。结果揭示森林覆盖及类型变化对碳汇变化的影响机制，可为将来进一步提升森林碳汇水平提供科学的参考。

1 研究区概况及数据来源

1.1 研究区概况

黑龙江省位于我国最东、最北的位置，地理坐标121°11′~135°05′E，43°25′~53°33′N，是我国重要的工农业、林业大省。黑龙江省总体地貌特征为“五山一水一草三分田”，土地覆盖类型以森林和农田为主，森林面积广大，拥有丰富的森林资源，森林覆盖率达51.76%，森林蓄积量居全国第二位，黑龙江省森林主要分布在大、小兴安岭、张广才岭和老爷岭等，森林资源以天然林为主，天然林面积占总面积的87.78%，主要的森林类型有针叶林、落叶阔叶林和针阔混交林，针叶林主要分布在大、小兴安岭地区，以云杉、冷杉和落叶松等耐寒树种为主，阔叶林主要分布在松嫩平原和张广才岭等地区，常见树种有杨树、桦树和栎树等，针阔混交林则分布较为广泛，主要分布在黑龙江省中部和北部区域。

1.2 数据来源与处理

1.2.1 森林覆盖类型数据

森林覆盖类型数据是由中分辨率成像光谱仪（moderate resolution imaging spectroradiometer，MODIS）的双星融合中分辨率成像光谱仪土地覆盖类型数据（the terra and aqua combined moderate resolution imaging spectroradiometer land cover type data，MCD2Q1）数据集^［16］重分类获得。MCD12Q1数据集是由美国航空航天局（national aeronautics and space administration，NASA）发布的土地利用/覆被产品，该数据集基于MODSI Terra/Aqua卫星观测数据处理得到，空间分辨率为500 m，根据国际地球圈-生物圈计划（international geosphere-biosphere programme，IGBP）全球植被分类法分为17类土地覆盖类型，根据研究区实际情况重分类为8类，分别为针叶林、阔叶林、混交林、耕地、草地、建筑用地、水域、未利用地。

1.2.2 气象数据

气象数据来源于欧洲中期天气预报中心（european centre for medium-range weather forecasts，ECMWF）的ERA5-Land（ECMWF Reanalysis v5-Land）数据^［17］，ERA5-Land数据是通过重分析ERA5数据的陆地部分得到的，空间分辨率为0.05°，包含月均气温（℃）、月最高气温（℃）、月最低气温（℃）、月度总降水（mm）和月总太阳短波辐射（Mj/month）数据，为统一分辨率，将气象数据投影后重采样至500 m，并计算得到饱和水汽压差（V_PD），见公式（1）。

V_{\mathrm{P}\mathrm{D}}=e_{\mathrm{0}}\times \left[\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{\mathrm{17.27}\times T}{\mathrm{237.3}+T}\right)-\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{\mathrm{17.27}\times T_{\mathrm{d}}}{\mathrm{237.3}+T_{\mathrm{d}}}\right)\right]。（1）

式中：e_{\mathrm{0}}为0 ℃时的饱和水汽压，kPa，e₀=0.610 8 kPa；T为月平均温度，℃；T_{\mathrm{d}}为月平均露点温度，℃。

1.2.3 光合有效辐射吸收比率数据

植被光合有效辐射吸收比率（fraction of absorbed photosynthetically active radiation，f_PAR）是用来描述太阳辐射在冠层传输过程中被植被吸收的比例，与植被冠层特性息息相关，但f_{\mathrm{P}\mathrm{A}\mathrm{R}}数据的测定较为困难，故本研究使用的f_{\mathrm{P}\mathrm{A}\mathrm{R}}数据为Pu等^［18］在Earth System Science Data期刊上的LAI/Fpar数据集，空间分辨率为500 m，数据集覆盖时间范围为2000—2022年。

2 研究方法

2.1 3-PGS模型

3-PGS模型是Coops等^［19］、林思美等^［20］基于3-PG模型，利用遥感数据改进的一种光能利用率模型。相比于3-PG模型，3-PGS模型将生理生态过程模型与遥感技术相结合，克服3-PG模型在区域尺度中数据输入与参数化的局限，实现从样地尺度模拟向区域尺度模拟的扩展，提升模型的普适性，该模型在月尺度上利用太阳辐射、f_{\mathrm{P}\mathrm{A}\mathrm{R}}和冠层量子效率（{\alpha }_{\mathrm{c}}），同时考虑气温、降水、水汽压差和土壤有效水分等环境胁迫因子来估算植被NPP（式中记为N_PP），见公式（2）。

N_{\mathrm{P}\mathrm{P}}=C\times P_{\mathrm{A}\mathrm{R}}\times f_{\mathrm{P}\mathrm{A}\mathrm{R}}\times {\alpha }_{\mathrm{c}}\times f_x。（2）

式中：C为总初级生产力GPP转化为NPP的比例系数，不同林分类型的比例系数不同^［21］（针叶林是0.513 7、阔叶林是0.468 8、混交林是0.548 8）；P_{\mathrm{A}\mathrm{R}}为可吸收的光合有效辐射；{\alpha }_{\mathrm{c}}是冠层量子效率，该值与森林类型有关^［22］，阔叶林的{\alpha }_{\mathrm{c}}=\mathrm{0.055}，针叶林的{\alpha }_{\mathrm{c}}=\mathrm{0.038}，混交林的{\alpha }_{\mathrm{c}}=\mathrm{0.042}；f_x为气温、降水和V_PD等环境胁迫因子的函数，其值介于0~1。

2.2 GSMSR模型

GSMSR模型是Yu等^［23］在全球尺度的土壤呼吸模型^［24］——温度-降水模型（temperature-precipitation model，TP）的基础上，根据1995—2004年中国土壤呼吸实测数据改进而来的土壤呼吸地统计模型。相比于TP模型，GSMSR模型可以更好地解释中国土壤呼吸在不同季节和不同生态系统之间的差异，可以解释土壤呼吸64%的季节变化和不同生态系统间土壤呼吸51%的差异，该模型基于月均气温、月总降水和0~20 cm土壤有机碳密度对每日的土壤呼吸进行估算，见公式（3）。

R_{\mathrm{s}}=(R_{D_{\mathrm{s}}=\mathrm{0}}+\mathrm{0.118}\times D_{\mathrm{s}})\times {\mathrm{e}}^{\mathrm{l}\mathrm{n}\mathrm{\alpha }{\mathrm{e}}^{\beta T}T/\mathrm{10}}\times \frac{P+P_{\mathrm{0}}}{P+K}。（3）

式中：R_{\mathrm{s}}为每日的土壤呼吸，g C/（m²·d）；D_{\mathrm{s}}为土壤有机碳密度，kg/m²；R_{D_{\mathrm{s}}=\mathrm{0}}为D_{\mathrm{s}}=\mathrm{0}时的土壤呼吸速率；T为月平均气温，℃；P为月总降水量，cm；参数\alpha =\mathrm{1.83}、\beta =-\mathrm{0.006}、P_{\mathrm{0}}=\mathrm{2.972}、K=\mathrm{5.657}。计算得到的日土壤呼吸量根据每月天数计算月土壤呼吸量，再汇总得到年度土壤呼吸量。

土壤异养呼吸（R_h）与土壤呼吸之间的关系使用的是Bond-Lamberty等^［25］提出的R_h模型，见公式（4）、公式（5）。

\mathrm{l}\mathrm{n}\left(R_{\mathrm{h}}\right)=\mathrm{1.22}+\mathrm{0.73}\mathrm{l}\mathrm{n}(R_{\mathrm{s}})。（4）

R_{\mathrm{h}}={\mathrm{e}}^{\mathrm{1.22}+\mathrm{0.73}\mathrm{l}\mathrm{n}(R_{\mathrm{s}})}。（5）

2.3 森林碳汇估算方法

NEP是衡量生态系统碳汇能力的关键性指标，是生态系统通过光合作用固定的碳总量减去生态系统自养呼吸与异养呼吸消耗的碳之后的差值^［26］，能够反映生态系统最终净积累碳的数量。因此，可以通过NEP（式中记为N_EP）来衡量森林生态系统碳汇的大小，进而评估森林生态系统在应对全球气候变化和调节全球碳循环等方面发挥的不可替代的作用，见公式（6）。

N_{\mathrm{E}\mathrm{P}}=N_{\mathrm{P}\mathrm{P}}-R_{\mathrm{h}}。（6）

式中：N_PP由3-PGS模型估算得到；R_h由GSMSR模型和R_h模型估算得到。

2.4 森林覆盖及类型变化图谱分析法

土地利用变化图谱分析法是一种可以定量地描述连续时空状态下的土地利用变化情况的时空复合方法^［27］，可以直观地展现出土地利用在数量、时间以及空间上的变化情况。基于ArcGIS Pro的局部分析功能和叠加分析功能，对每连续两期的森林覆盖类型数据进行叠加分析，并据此探究森林覆盖类型时空变化对森林碳汇的作用，变化图谱的计算方式，见公式（7）。

A_{\mathrm{c}\mathrm{h}\mathrm{a}\mathrm{n}\mathrm{g}\mathrm{e}}=\mathrm{10}\times A_{\mathrm{b}\mathrm{e}\mathrm{g}\mathrm{i}\mathrm{n}}+A_{\mathrm{e}\mathrm{n}\mathrm{d}}。（7）

式中：A_{\mathrm{c}\mathrm{h}\mathrm{a}\mathrm{n}\mathrm{g}\mathrm{e}}为森林覆盖类型变化图谱的像元属性值，表示像元的森林覆盖类型变化情况；A_{\mathrm{b}\mathrm{e}\mathrm{g}\mathrm{i}\mathrm{n}}为每一时期开始时的森林覆盖类型；A_{\mathrm{e}\mathrm{n}\mathrm{d}}为每一时期结束时的森林覆盖类型。

本研究以500 m×500 m为一个图谱单元，基于2000、2005、2010、2015、2020年5期数据进行图谱分析，选取连续两期的数据进行时序分析，通过ArcGIS Pro的叠加分析功能来获得森林覆盖类型转移编码，共计构建4个森林覆盖类型变化图谱。

2.5 森林生态系统NEP异常变化分析法

标准化异常指数（S_AI）是用于衡量时序数据相较于其长期平均值和标准差的偏离程度的指数^［28-29］，可以帮助识别时序NEP异常变化的出现。通过对2000—2020年森林生态系统NEP进行标准化处理，计算得到S_AI，对NEP异常变化进行分析，S_AI的计算公式见公式（8）。

S_{\mathrm{A}\mathrm{I}n}=[N_{\mathrm{E}\mathrm{P}n}-\overline{N_{\mathrm{E}\mathrm{P}}}]÷S_{\mathrm{t}\mathrm{D}}。（8）

式中：S_{\mathrm{A}\mathrm{I}n}为第n（n=1，2，…，21）年的森林生态系统NEP变异值；N_{\mathrm{E}\mathrm{P}n}为第n年的森林生态系统NEP；\overline{N_{\mathrm{E}\mathrm{P}}}和S_{\mathrm{t}\mathrm{D}}分别为2000—2020年森林生态系统NEP的平均值和标准差。

根据异常程度S_AI可以分为5个等级：正常（\left|S_{\mathrm{A}\mathrm{I}n}\right|\le \mathrm{0.5})、轻度异常（、中度异常（、重度异常（和极端异常（\left|S_{\mathrm{A}\mathrm{I}n}\right|>\mathrm{2})。当S_{\mathrm{A}\mathrm{I}n}为正时表示NEP增加，反之则减少。

2.6 结构方程模型

结构方程模型（structural equation model，SEM）是一种用于分析不同变量间关系的统计模型，可以用于评估多个变量之间的因果关系。为量化不同森林类型、气候等因子对NEP的影响强度，研究选择结构方程模型进行分析。模型构建与参数估计基于R语言的lavaan包实现，模型变量筛选基于生态学理论以及前期相关性分析，共包含1个因变量、一个潜变量和7个观测自变量，因变量为NEP；潜变量为温度指标（TempStress），用于整合温度指标的综合效应，选取平均气温（T_avg）、最高气温（T_max）和最低气温（T_min）为观测指标；观测自变量包括森林覆盖类型（转换为3个哑变量，分别为针叶林、阔叶林和混交林）、光合有效吸收比率（F_par）、太阳辐射（S_SRD）、降水量（T_p）、水汽压差（V_PD）。

3 结果与分析

3.1 NPP及土壤异常呼吸R_h验证

3-PGS模型计算的NPP结果通过与MODIS NPP产品^［30］以及样地实测数据进行对比来验证（3-PGS模型结果、MODIS NPP产品以及样地实测数据的时间均为2015年）。与MODIS NPP产品对比时，利用ArcGIS Pro软件的创建随机点工具在研究区范围内创建200个随机点，再使用多值提取至点将对应点的像元值提取出来绘制散点图，实测数据验证时基于样地点的坐标获取对应位置的模型估测值来绘制散点图，基于决定系数R² 和均方根误差（root mean square error，RMSE，式中记为R_MSE）两个指标对模型进行评价，对比结果表明，3-PGS模型估算结果与验证数据结果有较好的正相关关系，R² 分别达到了0.54和0.57，RMSE为46.73 g C/（m²·a）和61.20 g C/（m²·a），见图1，说明3-PGS模型的估算结果能够较好地反映黑龙江省森林生态系统NPP分布。GSMSR模型精度通过Sun等^［31］共享的实测数据进行验证，结果表明模型估算结果与实测数据有较好的正相关关系，R² 为0.56，RMSE为39.45 g C/（m²·月）。但从散点图可以看出大部分散点都在1∶1线的下方（图1），说明GSMSR模型对于黑龙江省森林土壤呼吸估算存在低估偏差，并由此导致了大约17.5%的碳汇高估。

3.2 2000—2020年黑龙江省森林覆盖及类型变化

2000—2020年的20年间内，黑龙江省森林覆盖率从2000年的48.95%提升至2020年的51.76%，区域森林资源实现稳步增加。自2000年天保工程启动以来，通过削减森林采伐量、逐步推进全面禁止天然林的商业采伐，同步实施退耕还林、植树造林等生态修复措施，极大地减少了黑龙江省的木材砍伐量，有效扭转了我国森林资源长期过度消耗的局面，使得森林资源得到了有效的恢复。

由图2可知，研究期内黑龙江省三大森林类型的面积都发生了较大的变化，阔叶林的面积增长显著，20年间增加了17 568 km²，相比于20年前，其面积增幅达到了20.8%；混交林面积也有一定程度增加，较2000年增加了6 101 km²，增幅为12.29%；针叶林面积则略有缩减，较2000年减少了12.87%，减少面积为11 028 km²。

表1为2000—2020年黑龙江省森林覆盖类型变化图谱排序，由表1可知，研究期内黑龙江省森林覆盖类型呈现出阶段性变化，2000—2005年，阔叶林的面积增加最为显著，共计增加了1.07×10⁴ km²，主要来自针叶林和混交林的转化（占森林覆盖变化总量的22%），虽然针叶林和阔叶林有来自耕地、草地的转化，但向阔叶林转化的面积更大导致两种森林类型分别减少了5 800 km²和2 400 km²，主要分布在北部的大、小兴安岭；2005—2010年以退耕还林和森林内部结构调整为主基调，针叶林面积较2005年增加了约1.13×10⁴ km²（主要来自混交林以及耕地的转化，占该时期森林覆盖变化图谱的前两位），阔叶林的面积略有增加（约1 100 km²），且针叶林与阔叶林、阔叶林与混交林互相转化面积相当，变化区域主要分布在中部和北部；2010—2015年森林覆盖率持续提高，阔叶林和混交林面积增加，针叶林则因向阔叶林和混交林转化而大幅下降（转出面积为2.24×10⁴ km²），主要分布在大、小兴安岭，同时中部和东北部通过退耕还林、草地造林新增针叶林和混交林面积1.02×10⁴ km²；2015—2020年受国家粮食安全战略的影响，农业用地略有扩张，导致森林面积减少了9 600 km²，主要是东北部的针叶林、混交林转化为耕地，且该区域还有1 329.0 km²的混交林退化为草地，仅东南部区域有少量耕地退耕还林（面积719.0 km²）。

3.3 2000—2020年黑龙江省森林碳汇时空变化

2000—2020年黑龙江省森林的累计碳汇量达57.92×10⁷ t C，与张璐等^［14］、王斌^［15］的估算结果相近。根据中国碳核算清单数据库数据^［32］，研究期间总碳汇量大约抵消了同期区域碳排放量的34.85%，由此表明黑龙江省森林是一个巨大的碳汇区域。

通过分析2000—2020年黑龙江省森林生态系统逐年碳汇的标准化异常指数（图3）得到：2002年、2005—2008年、2010年、2012—2013年、2019年为碳汇正常的年份（\left|S_{\mathrm{A}\mathrm{I}n}\right|\le \mathrm{0.5}）；2000、2011年为碳汇轻度异常降低的年份（）；2009、2015年为碳汇轻度异常增加的年份（）；2001年、2004年、2020年为碳汇中度异常降低的年份（）；2014年、2018年为碳汇中度异常增加的年份（）；2016年、2017年为碳汇重度异常增加的年份（）；仅2003年出现了碳汇极端异常降低（）。整体来看，黑龙江省森林生态系统碳汇变化可以分为三阶段：第一阶段为2000—2004年，2004年以前仅2002年碳汇的标准化异常指数值为正常，其他年份均为不同程度的降低，尤其是2003年出现了极端异常降低；第二阶段为2005—2013年，此阶段碳汇变化较为平稳，呈现出稳步上升的态势；第三阶段是2014年之后，碳汇增长加速，2017年达到峰值，之后再次放缓，2020年出现了中度异常降低。

通过对黑龙江省不同森林覆盖类型的碳汇量（图4）进行深入分析可知，2000—2020年三大森林类型的碳汇量呈现出波动上升的趋势，充分说明黑龙江省森林整体碳汇能力在不断增强，然而，不同森林类型之间的碳汇量差异却十分显著。其中，阔叶林贡献的碳汇量占据主导地位，研究期初至研究期末，阔叶林累计碳汇量达33.48×10⁷ t C，占森林总碳汇量的57.80%，针叶林次之，累计碳汇量为12.41×10⁷ t C，占总碳汇量的21.43%，混交林的碳汇贡献基本与针叶林持平，占比为20.77%，为12.03×10⁷ t C。

从森林碳汇的空间分布情况来分析，黑龙江省中部和东南部碳汇水平更高，这一现象主要归因于这些地区森林覆盖类型以阔叶林为主，而阔叶林在固碳方面表现出比针叶林和混交林更强的能力。相比之下，针叶林和混交林主要集中在黑龙江省北部，该地区纬度较高、气温较低，导致植被的光合作用速率较慢。然而，尽管自然条件相对不利，黑龙江省北部大、小兴安岭地区的森林碳汇仍然呈现出上升趋势。这一积极变化主要得益于该地区作为我国重要的森林资源分布区，是国家天然林和湿地资源保护工程的重点建设区域，通过实施封山育林、森林采伐向森林养护转变等保护措施，有效促进了森林资源的恢复，进而使其碳汇能力逐步得以提升。

3.4 各因子对黑龙江省森林碳汇的影响

结构方程模型的结果显示各因子对黑龙江省森林碳汇的影响差异显著见图5，图中C_FI表示比较拟合指数；T_LI为相对拟合指数。阔叶林是NEP的最强正向驱动因素，光合有效辐射吸收比率对NEP有显著的正向效应，太阳辐射对NEP具有强负效应，说明太阳辐射量达到饱和之后过高的太阳辐射会限制森林碳汇的提升；混交林对NEP具有中等正效应，虽然弱于阔叶林，但也非常显著，降水量和温度指标为中等负效应因素，是因为超量降水会导致土壤透气性降低，进而抑制根系的呼吸作用，导致碳汇降低，同样极端低温与极端高温对碳汇也有抑制作用；水汽压差的正向效应显著但影响极小，针叶林对碳汇有微弱的负效应，出现这种结果的主要原因是针叶林在3种森林类型中固碳能力相对最弱，对于研究区整体的碳汇提升幅度较小，而绝非对碳汇提升没有帮助，结构方程模型是综合考虑模型中所有变量之后的结果，所以才出现了微弱的负效应这种结论。

4 讨论

4.1 黑龙江省森林生态系统碳汇变化分析

黑龙江省森林生态系统展现出稳定且强效的碳汇能力，是缓解区域碳排放的重要生态屏障，研究区三大森林类型（针叶林、阔叶林和混交林）碳汇水平均呈现上升趋势^［33］，但对区域碳汇的贡献度差异显著，形成了阔叶林主导、针叶林和混交林协同补充的碳汇格局。2000—2020年，阔叶林的累计碳汇量达到了33.48×10⁷ t C，占森林总碳汇量的57.80%，是绝对的碳汇主力，在各个年份的碳汇增速也高于其他森林类型，这是由于阔叶林叶片光合面积大、光合速率高、生长周期短，能够在短时期内快速吸收并固定大量的二氧化碳，而且阔叶林主要分布在黑龙江省的中部与东南部，这些区域气温相对较高，更加适宜阔叶林的生长。针叶林的累计碳汇量为12.41×10⁷ t C，占比为21.43%，虽占比较低，但是各年份的变化波动较小，稳定性较强，针叶林（兴安落叶松、云杉和樟子松等）生长周期长、木材密度高，且凋落物分解速率慢，可以将吸收的二氧化碳长期储存于树干、土壤中，是区域长期稳定碳库的核心，尽管其固碳速率低于阔叶林，但对于区域碳汇的长期持续发展有着不可或缺的作用^［34］。混交林的累计碳汇量为12.03×10⁷ t C，贡献了20.77%的碳汇量，与针叶林几乎持平，但面积却比针叶林少了25.44%，且碳汇增速高于针叶林，介于针叶林和阔叶林之间，混交林具有短期高效固碳与长期稳定储碳的特性，生态结构更加复杂，抗干扰能力更强，碳汇稳定性优于纯林，但其对区域碳汇的贡献并未显著突破，可能与混交林面积较小、林分结构优化不到位等原因有关，未来的提升潜力较大。值得关注的一点是2020年碳汇水平出现中度异常降低，这主要是2020年春季黑龙江省出现了极端降水灾害，对即将开始生长季的森林产生了较大的负面影响^［35-36］，进而导致该年的碳汇水平出现异常降低，未来应该继续加强天然林保护和生态修复工作，优化森林管理策略，提高森林质量，进一步增强森林碳汇功能，提高森林面对极端气候灾害时的稳定性。

从空间分布上来看，黑龙江省森林碳汇分布呈现“中部和东南部高，北部稳步提升”的特征，这一格局是森林类型、气候条件、森林经营三者协同作用的结果。黑龙江省中部和东南部是全省碳汇能力最强的区域，这主要有两方面的优势。一是森林类型优势——该区域以阔叶林分布为主，固碳速率较高；二是该区域纬度较低，气温更高，气候条件更加适宜，因此光合速率高于北部区域。黑龙江省北部大、小兴安岭区域纬度高，植被生长季较短，自然条件对森林生长的限制比较大，导致植被的光合速率较慢，但研究期内碳汇水平仍呈现出稳步上升的趋势。大、小兴安岭区域是国家天然林和湿地保护的重点区域，通过封山育林、森林采伐转为森林养护、修复退化林地等措施，促进了针叶林和混交林的生物量积累，逐步抵消了气候条件的劣势，实现了碳汇水平的恢复与提升。

4.2 森林覆盖及类型变化对森林碳汇的影响

为了定量地分析森林覆盖及类型变化对森林碳汇的影响，本研究根据黑龙江省森林覆盖类型变化图谱排序提取了森林覆盖及类型变化引起的森林碳汇变化量并进行分析。

退耕还林、生态恢复和造林等是提升碳汇的重要举措，毁林开荒、森林退化是导致碳失汇的重要因素。将坡度较大的低产耕地恢复为森林带来了巨大的碳汇增益，累计带来了155.62×10⁴ t C的碳汇增量；草地转为森林（代码为51、52、53），代表了草地的森林恢复以及草地造林，同样也是重要的碳增汇手段，草地转为林地共带来了59.49×10⁴ t C的碳汇增量。这主要得益于黑龙江省实施天保工程之后严禁毁林开荒以及森林的商业性采伐，并不断进行植树造林，扩大森林面积，提升了森林的生产力。

在2000—2005年和2015—2020年时间段发生了针叶林和混交林转为耕地的现象，共造成了约20.04×10⁴ t C的碳排放，主要原因是在国家粮食安全战略的驱动下，黑龙江省作为我国重要的粮仓，要严守耕地红线，因此造成部分林地转为耕地，未来应注重生态保护与耕地红线两头抓，通过科学耕作，利用有限的耕地面积提升粮食产量，保障国家粮食安全。

另外，森林生态系统内部的动态调整也是导致碳汇变化的重要因素，同样也是森林类型变化图谱中的主要变化类型。混交林转为针叶林（31）对碳汇增加有着强烈的负效应，在4个时间段内都导致了较大的碳排放，与其相反的转移方向则会显著提升森林碳汇能力，综合来看两种转移方向对于碳汇提升有一定的负面影响，共带来了15.51×10⁴ t C的碳汇损失。还需关注的是，混交林和阔叶林的相互转化也造成了一定的碳排放，其中混交林向阔叶林转化（32）产生了正向的碳汇效益，带来了42.14×10⁴ t C的碳汇量，阔叶林向混交林转化（23）虽然在4个时期内转移面积排名并不靠前，却也造成不低的碳汇损失，4个时期累计达到了59.85×10⁴ t C。针叶林和阔叶林的互相转化整体上对于研究区碳汇具有显著的增益效应，除2015—2020年造成了一定的碳排放，其他时期的转化均有利于碳汇的提升，总计带来了110.72×10⁴ t C的碳增汇。由此可见，森林内部的结构变化对森林碳汇能力的影响是巨大的，可以通过抚育采伐、树种更新等森林经营措施优化森林结构，实现森林碳汇能力的高效提升。依据黑龙江省不同森林类型的碳汇水平以及空间分布特征，在中东部区域可以重点营造阔叶林，充分发挥其光合速率高、固碳效率高的优势，实现区域碳汇短期快速提升；北部大、小兴安岭地区可重点优化针阔混交林的林分结构，提高混交林占比，依靠混交林双重固碳特性，兼顾固碳效率的提升与长期碳库的稳定；同时也要严格把控毁林开荒等行为，推进农林复合经营，营造农田防护林，实现生态保护与粮食安全的协同发展。通过科学精准的森林经营，调整不同树种的比例、优化林分密度，在保障短期快速增汇的同时强化森林长期固碳的能力，为国家“双碳”目标作出更大贡献。

5 结论

本研究以黑龙江省为研究区，结合3-PGS模型和GSMSR模型，对2000—2020年的森林生态系统碳汇进行了估算，并利用结构化方程模型分析了不同因子对碳汇的作用，在此基础上研究了森林覆盖及类型变化对森林碳汇的影响。主要结论如下。

1）2000—2020年，黑龙江省森林面积显著增加，从2.19×10⁵ km²增加到2.32×10⁵ km²，森林覆盖率从48.95%提升至51.76%。森林生态系统碳汇效应明显，总碳汇量达57.92×10⁷ t C，且随时间推移，森林碳汇水平呈现持续上升的趋势，固碳量稳步增加，空间分布上呈现出中部和东南部区域高于北部的格局。

2）研究结果表明，黑龙江省国土空间规划整体上是有利于森林碳汇水平提升的，森林覆盖及类型变化对黑龙江森林生态系统的影响很大，森林内部的结构变化是研究期间的主导变化，尤其是阔叶林和混交林对碳汇有着显著的正向效应，综合来看，2000—2020年森林覆盖及类型变化带来的碳汇增量为308.81×10⁴ t C，占总碳汇量的13.67%。同时退耕还林和草地造林等生态保护措施也是碳汇提升的重要原因。

3）本研究着重分析了森林覆盖及类型变化对森林生态系统碳汇的影响，可为将来优化森林结构，进一步提升森林碳汇水平提供科学参考。但研究仍存在一定的局限性，本研究使用的MCD12Q1数据集只能区分森林类型，并不能获取具体的树种信息，在未来的研究中可以结合更高分辨率的遥感影像（如高分系列卫星、WorldView卫星等）与森林清查数据进一步分析树种组成对森林碳汇的影响，为碳汇提升提供更加明确的科学参考。

参考文献

[1] 陈宁，辛存林，唐道斌，等.中国西北地区多情景土地利用优化与碳储量评估［J］.环境科学，2023，44（8）：4655-4665.

[2] CHEN N， XIN C L， TANG D B，et al.Multi-scenario land use optimization and carbon storage assessment in northwest China［J］.Environmental Science，2023，44（8）：4655-4665.

[3] 杨洪晓，常顺利，葛剑平.净生态系统生产力研究进展与问题［J］.北京师范大学学报（自然科学版），2005（5）：517-521.

[4] YANG H X， CHANG S L， GE J P.Advance and questions in net ecosystem production［J］.Journal of Beijing Normal University （Natural Science），2005（5）：517-521.

[5] WATSON R T， NOBLE I R， BOLIN B，et al.Land use，land-use change and forestry［M］.Cambridge：Cambridge University Press，2000.

[6] HOUGHTON R A.The annual net flux of carbon to the atmosphere from changes in land use 1850–1990［J］.Tellus B，1999，51（2）：298-313.

[7] 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［J］.Tellus B，2003，55（2）：378-390.

[8] HOUGHTON R A， HOUSE J I， PONGRATZ J，et al.Carbon emissions from land use and land-cover change［J］.Biogeosciences，2012，9（12）：5125-5142.

[9] FRIEDLINGSTEIN P， O’SULLIVAN M， JONES M W，et al.Global carbon budget 2020［J］.Earth System Science Data，2020，12（4）：3269-3340.

[10] HOUGHTON R A， HACKLER J L， LAWRENCE K T.The U.S.carbon budget：Contributions from land-use change［J］.Science，1999，285（5427）：574-578.

[11] SHARMA P， RAI S C.Carbon sequestration with land-use cover change in a Himalayan watershed［J］.Geoderma，2007，139（3/4）：371-378.

[12] 葛全胜，戴君虎，何凡能，等.过去300年中国土地利用、土地覆被变化与碳循环研究［J］.中国科学（D辑：地球科学），2008（2）：197-210.

[13] GE Q S， DAI J H， HE F N，et al.Research on land use，land cover change and carbon cycle in China over the past 300 years［J］.Science in China （Series D：Earth Sciences），2008（2）：197-210.

[14] 王渊刚，罗格平，冯异星，等.近50 a玛纳斯河流域土地利用/覆被变化对碳储量的影响［J］.自然资源学报，2013，28（6）：994-1006.

[15] WANG Y G， LUO G P， FENG Y X，et al.Effects of land use/land cover change on carbon storage in Manas River watershed over the past 50 years［J］.Journal of Natural Resources，2013，28（6）：994-1006.

[16] 杜明凤，李明军，赵文静.贵州省 1995—2015 年森林碳储量时空变化研究［J］.浙江林业科技，2022，42（1）：41-47.

[17] DU M F， LI M J， ZHAO W J.Temporal and spatial variation of forest carbon storage in Guizhou from 1995 to 2015［J］.Journal of Zhejiang Forestry Science and Technology，2022，42（1）：41-47.

[18] 林黛仪，周平，徐卫，等.基于集成生物圈模型的南岭不同植被类型碳收支研究［J］.生态学报，2024，44（4）：1429-1440.

[19] LIN D Y， ZHOU P， XU W，et al.Carbon budget of different vegetation types in Nanling based on IBIS［J］.Acta Ecologica Sinica，2024，44（4）：1429-1440.

[20] 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.

[21] 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.

[22] 王斌.基于InTEC模型估算黑龙江省森林碳源/汇时空变化［D］.哈尔滨：东北林业大学，2019.

[23] WANG B.Estimation of temporal and spatial changes of Heilongjiang forest carbon sources and sinks based on InTEC model ［D］.Harbin：Northeast Forestry University，2019.

[24] FRIEDL M， SULLA-MENASHE D.MODIS/Terra+ Aqua land cover type yearly L3 global 500 m SIN grid V061［Data set］.NASA Land Processes Distributed Active Archive Center.DOI：https：//doi org/10.5067/MODIS/MCD12Q1.061 .

[25] MUÑOZ S J.ERA5-land monthly averaged data from 1981 to present［DS］.Copernicus Climate Change Service （C3S） Climate Data Store （CDS），2019.

[26] PU J B， YAN K， ROY S，et al.Sensor-independent LAI/FPAR CDR：Reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022［J］.Earth System Science Data，2023，16（1）：15-34.

[27] COOPS N C， WARING R H， LANDSBERG J J.Assessing forest productivity in Australia and New Zealand using a physiologically-based model driven with averaged monthly weather data and satellite-derived estimates of canopy photosynthetic capacity［J］.Forest Ecology and Management，1998，104（1/2/3）：113-127.

[28] 林思美，黄华国.基于3PGS-MTCLIM模型模拟根河林区火后植被净初级生产力恢复及其影响因子［J］.应用生态学报，2018，29（11）：3712-3722.

[29] LIN S M， HUANG H G.Simulating the post-fire net primary production restoration and its affecting factors by using MTCLIM and 3PGS model in Genhe forest region，Northeast China［J］.Chinese Journal of Applied Ecology，2018，29（11）：3712-3722.

[30] ZHANG Y J， YU G R， YANG J，et al.Climate‐driven global changes in carbon use efficiency［J］.Global Ecology and Biogeography，2014，23（2）：144-155.

[31] ZHANG L M， YU G R， SUN X M，et al.Seasonal variations of ecosystem apparent quantum yield （α） and maximum photosynthesis rate （P_max） of different forest ecosystems in China［J］.Agricultural and Forest Meteorology，2006，137（3/4）：176-187.

[32] YU G R， ZHENG Z M， WANG Q F，et al.Spatiotemporal pattern of soil respiration of terrestrial ecosystems in China：The development of a geostatistical model and its simulation［J］.Environmental Science & Technology，2010，44（16）：6074-6080.

[33] RAICH J W， POTTER C S， BHAGAWATI D.Interannual variability in global soil respiration，1994［J］.Global Change Biology，2002，8（8）：800-812.

[34] BOND‐LAMBERTY B， WANG C K， GOWER S T.A global relationship between the heterotrophic and autotrophic components of soil respiration？［J］.Global Change Biology，2004，10（10）：1756-1766.

[35] 吴建平，刘占锋.森林净生态系统生产力及其生物影响因子研究进展［J］.生态环境学报，2013，22（3）：535-540.

[36] WU J P， LIU Z F.Effects of biotic factors on net ecosystem production in forests：A review［J］.Ecology and Environmental Sciences，2013，22（3）：535-540.

[37] 杨爱民，朱磊，陈署晃，等.1975—2015年玛纳斯河流域土地利用变化的地学信息图谱分析［J］.应用生态学报，2019，30（11）：3863-3874.

[38] YANG A M， ZHU L， CHEN S H，et al.Geo-informatic spectrum analysis of land use change in the Manas River Basin，China during 1975—2015［J］.Chinese Journal of Applied Ecology，2019，30（11）：3863-3874.

[39] XU X T， PIAO S L， WANG X H，et al.Spatio-temporal patterns of the area experiencing negative vegetation growth anomalies in China over the last three decades［J］.Environmental Research Letters，2012，7（3）：035701.

[40] PEI F S， LI X， LIU X P，et al.Assessing the impacts of droughts on net primary productivity in China［J］.Journal of Environmental Management，2013，114：362-371.

[41] RUNNING S， ZHAO M.MOD17A3HGF v006 MODIS/Terra net primary production gap-filled yearly L4 global 500 m SIN grid［Data set］.https：//ipdaac.usgs.gov/products/mod17a3hgfv006/，2019.

[42] SUN H R， XU Z Z， JIA B R.A compiled soil respiration dataset at different time scales for forest ecosystems across China from 2000 to 2018［DS］.Earth System Science Data，2022，14（7）：2951-2961.

[43] XU J H， GUAN Y， OLDFIELD J，et al.China carbon emission accounts 2020—2021［J］.Applied Energy，2024，360：122837.

[44] 周姝含.东北三省碳源/碳汇时空分布与碳盈亏预测研究［D］.大连：辽宁师范大学，2023.

[45] ZHOU Z H.Spatio-temporal distribution of carbon source/sink and carbon deficit prediction in Northeast China［D］.Dalian：LiaoNing Normal University，2023.

[46] ZENG J Y， ZHOU T， WANG Q F，et al.Spatial patterns of China’s carbon sinks estimated from the fusion of remote sensing and field-observed net primary productivity and heterotrophic respiration［J］.Ecological Informatics，2023，76：102152.

[47] 朴世龙，张新平，陈安平，等.极端气候事件对陆地生态系统碳循环的影响［J］.中国科学：地球科学，2019，49（9）：1321-1334.

[48] PIAO S L， ZHANG X P， CHEN A P，et al.The impacts of climate extremes on the terrestrial carbon cycle：A review［J］.Scientia Sinica （Terrae），2019，49（9）：1321-1334.

[49] VANONI M， BUGMANN H， NÖTZLI M，et al.Drought and frost contribute to abrupt growth decreases before tree mortality in nine temperate tree species［J］.Forest Ecology and Management，2016，382：51-63.

基金资助

东北林业大学碳中和专项科学基金项目(HFW220100054)